CN116432819A - 一种关键指标趋势预警方法、系统、终端及存储介质 - Google Patents
一种关键指标趋势预警方法、系统、终端及存储介质 Download PDFInfo
- Publication number
- CN116432819A CN116432819A CN202310212884.6A CN202310212884A CN116432819A CN 116432819 A CN116432819 A CN 116432819A CN 202310212884 A CN202310212884 A CN 202310212884A CN 116432819 A CN116432819 A CN 116432819A
- Authority
- CN
- China
- Prior art keywords
- trend
- scanning
- interface
- original data
- calculating
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000011002 quantification Methods 0.000 claims abstract description 11
- 230000000630 rising effect Effects 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 16
- 230000003247 decreasing effect Effects 0.000 claims description 11
- 230000007423 decrease Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Complex Calculations (AREA)
Abstract
本申请涉及一种关键指标趋势预警方法、系统、终端及存储介质,其属于数据处理技术领域,该方法包括获取原始数据、卷积核首项系数以及卷积核数量;根据所述卷积核首项系数和所述卷积核数量构建卷积核模型;采用所述卷积核模型对所述原始数据进行扫描得到扫描界面,将位于所述扫描界面中的局部原始数据标记为目标向量;对所述目标向量进行分桶得到分桶特征值;采用一阶差分函数计算两两相邻的分桶特征值得到差分向量;根据所述差分向量计算扫描界面的趋势性概率,对所述扫描界面进行趋势定性;根据所述分桶特征值计算扫描界面的趋势增长率,对所述扫描界面进行趋势定量。本申请能够达到智能运维工业设备的目的。
Description
技术领域
本申请涉及数据处理技术领域,尤其是涉及一种关键指标趋势预警方法、系统、终端及存储介质。
背景技术
状态监测作为旋转机械故障预警的手段之一,主要是通过对旋转机械的关键特征指标值进行监测,并根据历史经验或者国家标准和ISO标准等建立一种以阈值报警提示的监测手段。但这种传统的指标监测方法存在以下不足:
1.单纯阈值比较或集散控制系统(DCS)采用固定的上下限报警,容易受到实际工况、人为因素、采集传感器本身性能的影响,而导致误报警;
2.单纯阈值比较,只能了解当前指标数值的大小,但不能反映当前机组设备所处的劣化状态(如趋势下降、趋势上升等状态),从而不能及时发现机组设备的未来劣化趋势走向情况,导致错过提前制止机组设备恶化的最佳时机。
由于关键指标的监测预警情况,直接关联着现场车间人员的巡检和维修维护的工单派发,如果不及时将机组设备的报警等级以及劣化状态反馈给车间巡检人员,将严重威胁着机组设备的正常运行和人身安全。
发明内容
为了克服上述现有技术中的不足,本申请提供一种关键指标趋势预警方法、系统、终端及存储介质,可实现对工业设备关键指标的长时趋势、短时趋势自适应检测与预警,以及精确地定位趋势发生和结束的时间节点,为设备巡检和维护人员有针对性、高效率排查和解决问题带来了极大的便利,实现智能运维工业设备。
本申请目的一是提供一种关键指标趋势预警方法。
本申请的上述申请目的一是通过以下技术方案得以实现的:
一种关键指标趋势预警方法,包括:
获取原始数据、卷积核首项系数以及卷积核数量;
根据所述卷积核首项系数和所述卷积核数量构建卷积核模型;
采用所述卷积核模型对所述原始数据进行扫描得到扫描界面,将位于所述扫描界面中的局部原始数据标记为目标向量;
对所述目标向量进行分桶得到分桶特征值;
采用一阶差分函数计算两两相邻的分桶特征值得到差分向量;
根据所述差分向量计算扫描界面的趋势性概率,对所述扫描界面进行趋势定性;
根据所述分桶特征值计算扫描界面的趋势增长率,对所述扫描界面进行趋势定量。
本申请在一较佳示例中可以进一步配置为:所述根据所述卷积核首项系数和所述卷积核数量构建卷积核模型包括:
根据所述公差d、卷积核首项系数a、N个卷积核计算得到扫描原始数据时的扫描窗口的宽度通项公式:Cn=L(a+(n-1)d),其中,n<=N,L为原始数据的数据长度。
获取跨度因子f,基于所述跨度因子f和扫描窗口的宽度通项公式Cn计算得到移动步长:Bn=(1-f)*Cn,其中,0≤f<1。
本申请在一较佳示例中可以进一步配置为:所述采用所述卷积核模型对所述原始数据进行扫描得到扫描界面包括:以扫描窗口的宽度为Cn且相邻两个扫描窗口之间的距离为Bn,从左至右自驱动扫描原始数据得到扫描界面。
本申请在一较佳示例中可以进一步配置为:所述对所述目标向量进行分桶得到分桶特征值包括:将所述目标向量等量划分为K份分桶特征值。
本申请在一较佳示例中可以进一步配置为:所述采用一阶差分函数计算两两相邻的分桶特征值得到差分向量包括:dpcyii∈[0,K-1]=pcy(ii+1)-pcy(ii),其中,pcy(ii+1)和pcy(ii)为两两相邻的分桶特征值,dpcyii∈[0,K-1]是差分向量,K为K份分桶特征值。
本申请在一较佳示例中可以进一步配置为:所述根据所述差分向量计算扫描界面的趋势性概率包括:
本申请在一较佳示例中可以进一步配置为:所述根据所述分桶特征值计算扫描界面的趋势增长率包括:
依据扫描界面的前H个分桶的分桶特征值得到数值V1,依据扫描界面的后H个分桶的分桶特征值得到数值V2,当:
所述数值V1和所述数值V2均为正数时,计算趋势增长率:所述数值V1为负数,所述数值V2为正数时,计算趋势增长率:/>所述数值V1为正数,所述数值V2为负数时,计算趋势增长率:/>所述数值V1和所述数值V2均为负数时,计算趋势增长率:/>
本申请在一较佳示例中可以进一步配置为:所述趋势形式包括趋势上升、趋势下降、同时存在趋势上升和趋势下降、无趋势;
所述对所述扫描界面进行趋势定量包括:
获取预设阈值th2,当:
趋势上升概率p(T1)达到预设阈值th1且趋势增长率tr(T1)达到预设阈值th2时,将位于所述扫描界面中的局部原始数据标识为趋势上升;
趋势下降概率p(T2)达到预设阈值th1且趋势增长率tr(T2)达到预设阈值th2时,将位于所述扫描界面中的局部原始数据标识为趋势下降;
趋势上升概率p(T1)达到预设阈值th1且趋势增长率tr(T1)达到预设阈值th2、以及趋势下降概率p(T2)达到预设阈值th1且趋势增长率tr(T2)达到预设阈值th2时,将位于所述扫描界面中的局部原始数据标识为同时存在趋势上升和趋势下降;
趋势上升概率p(T1)未达到预设阈值th1和/或趋势增长率tr(T1)未达到预设阈值th2、且趋势下降概率p(T2)未达到预设阈值th1和/或趋势增长率tr(T2)未达到预设阈值th2时,将位于所述扫描界面中的局部原始数据标识为无趋势;
所述tr(T1)表示趋势上升的趋势增长率,所述tr(T2)表示趋势下降的趋势增长率。
本申请在一较佳示例中可以进一步配置为:所述对所述扫描界面进行趋势定量后,所述方法还包括:
从同属于一个扫描窗口扫描生成的扫描界面中,选择最大趋势增长率或者最小趋势增长率的目标向量所对应的扫描界面作为最优趋势界面;
对比每一种扫描窗口下选择的最优趋势界面,选择最大趋势增长率或者最小趋势增长率的最优趋势界面的趋势形式作为原始数据的整体趋势形式。
本申请公开的一种关键指标趋势预警方法,能够在得到原始数据时,选取卷积核首项系数和卷积核数量构建卷积核模型,然后采用卷积核模型扫描原始数据得到多个扫描界面,再对每一个扫描界面进行趋势定性计算和趋势定量计算,最后依据趋势定量从扫描界面中选择出最具有代表性的最优趋势界面,使管理人员可以直观的看到工业设备的趋势形式以及趋势形式的开始时间和结束时间,从而实时监测工业设备的潜在风险、实现工业设备智能运维的目的。
本申请目的二是提供一种关键指标趋势预警系统。
本申请的上述申请目的二是通过以下技术方案得以实现的:
一种关键指标趋势预警系统,用于执行上述关键指标趋势预警方法,包括:
数据获取模块,用于获取原始数据、卷积核首项系数以及卷积核数量;
第一处理模块,用于根据所述卷积核首项系数和所述卷积核数量构建卷积核模型;
第二处理模块,用于采用所述卷积核模型对所述原始数据进行扫描得到扫描界面,将位于所述扫描界面中的局部原始数据标记为目标向量;
第三处理模块,用于对所述目标向量进行分桶得到分桶特征值;
第四处理模块,用于采用一阶差分函数计算两两相邻的分桶特征值得到差分向量;
第一生成模块,用于根据所述差分向量计算扫描界面的趋势性概率,对所述扫描界面进行趋势定性;
第二生成模块,用于根据所述分桶特征值计算扫描界面的趋势增长率,对所述扫描界面进行趋势定量。
本申请目的三是提供一种终端。
本申请的上述申请目的三是通过以下技术方案得以实现的:
一种终端,包括存储器和处理器,所述存储器上存储有能够被处理器加载并执行的上述关键指标趋势预警方法的计算机程序指令。
本申请目的四是提供一种计算机介质,能够存储相应的程序。
本申请的上述申请目的四是通过以下技术方案得以实现的:
一种计算机可读存储介质,存储有能够被处理器加载并执行上述任一种关键指标趋势预警方法的计算机程序。
综上所述,本申请包括以下至少一种有益技术效果:
1.本申请能够在得到原始数据时,选取卷积核首项系数和卷积核数量构建卷积核模型,然后采用卷积核模型扫描原始数据得到多个扫描界面,再对每一个扫描界面进行趋势定性计算和趋势定量计算,最后依据趋势定量从扫描界面中选择出最具有代表性的最优趋势界面,使管理人员可以直观的看到工业设备的趋势形式以及趋势形式的开始时间和结束时间,从而实时监测工业设备的潜在风险、实现工业设备智能运维的目的;
2.另外,本申请在判断每一个扫描界面中局部原始数据的趋势形式时,不仅从计算两两相邻的分桶特征值来判断局部趋势,还通过计算扫描界面的趋势性概率和趋势增长率,来判断每一个扫描界面中局部原始数据的趋势,最后再选择最大趋势增长率或者最小趋势增长率的扫描界面作为最优趋势界面,从而保障了最终所得的原始数据的整体趋势的准确度。
附图说明
图1是本申请实施例一种关键指标趋势预警方法流程图。
图2是本申请实施例一种关键指标趋势预警方法中卷积核模型扫描原始数据示例图。
图3是本申请实施例一种关键指标趋势预警方法中卷积核模型扫描原始数据生成扫描界面示例图。
图4是本申请实施例一种关键指标趋势预警方法中判断局部原始数据趋势形式示例图。
图5是本申请实施例一种关键指标趋势预警方法中判断局部原始数据趋势形式条件图。
图6是本申请实施例一种关键指标趋势预警系统框图。
附图标记说明:1、数据获取模块;2、第一处理模块;3、第二处理模块;4、第三处理模块;5、第四处理模块;6、第一生成模块;7、第二生成模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的全部其他实施例,都属于本申请保护的范围。
针对当前技术无法对工业设备的关键指标进行趋势预警,也尚未实现趋势状态的精准识别和定位,即无法精确提供趋势发生和结束的时间节点,不便于设备运维人员对故障的排查追踪和快速解决问题,本申请提供了一种关键指标趋势预警方法,该方法不仅可以实现高频振动指标的趋势预警与定位,还可以实现其他指标数值的趋势预警与定位(如温度、流量、压力、转速、风速、电流、电压等指标)。因此,本申请能够应用于工业设备性能劣化监测、工艺工况变化监测场景及振动传感器脱落或松动等业务场景中,具有覆盖范围广和实用性强等特点。
如图1所述,一种关键指标趋势预警方法的主要流程描述如下。
步骤S1:获取原始数据、卷积核首项系数以及卷积核数量。
首先,获取原始数据的过程为:以当前采样时间为起点,获取指定时间段内工业设备的关键指标数据作为原始数据y。其中,指定时间可以根据需要设置,例如,当用于采集工业设备生成的关键指标数据的传感器采集数据的频次很高,即在短时间内能够获取到大量的关键指标,则设置的指定时间就可以较短,如指定时间为一天;而当采集的频次很低,为了获取足够的原始数据y,则设置的指定时间就较长,如指定时间为一周。
上述的工业设备是指工厂、电站、水厂等环境中旋转机械类装置,而数据采集传感器是指具有采集关键指标数据(如振动值、温度、流量、转速、压力等指标)的功能的传感器,如振动传感器、温度传感器、流量计、加速度计等。
从数据采集传感器处获取到关键指标数据后,将关键指标数据输入为原始数据y,并计算原始数据y的数据长度L。原始数据y的长度L是指将原始数据y在计算机中传输或者存储的数据的长度,简单来说,就是将关键指标数据输入计算机中后,计算机会将关键指标数据转换为二进制的数值,该数值为原始数据y,且原始数据y中的每一个数值为一个长度单位。
得到原始数据y后,根据预设的卷积核首项系数a和卷积核数量N生成具有不同宽度的扫描窗口。具体地,卷积核首项系数a是百分比值,表示扫描窗口中的最小单元尺度,例如1/100,2/100,…,100/100。当管理人员获取到原始数据y后,可以根据原始数据y的长度选择一个适配的卷积核首项系数a。选择卷积核首项系数a遵循的原则是原始数据y的长度越长,则卷积核首项系数a越大,例如存在卷积核首项系数1/100和5/100,当接收到原始数据y的长度分别为100和10000时,为了降低计算机的能耗,原始数据y为100时选择卷积核首项系数为1/100,而原始数据y为10000时选择卷积核首项系数为5/100,从而既能够保障每一次截取到的原始数据y的局部数据物料足够丰富,也能够减少计算机的能耗。当然,如果计算机的处理能力能够支撑,则为了精细化分析原始数据y的局部数据,也可以无视原始数据y的长度,而每一次都选择最小单元尺度。
确定卷积核数量N遵循的原则是N越大,则生成不同尺度卷积核越多(生成越多的不同宽度的扫描窗口)、截取原始数据y的局部数据的物料越丰富、相应地计算机运算能耗越大。因此,在选择卷积核数量N时,也需要根据计算机的处理能力去匹配一个合适的卷积核数量N,计算机的处理能力与卷积核数量N的对应关系可以通过有限次的试验而得。
步骤S2:根据卷积核首项系数和卷积核数量构建卷积核模型。
在得到卷积核首项系数a和卷积核数量N后,首先是构建卷积核模型,即生成具有不同宽度的扫描窗口。然后再用卷积核模型自动扫描原始数据y。简单来说,卷积核模型具有自动扫描原始数据y的功能。
具体地,构建卷积核模型的过程为:首先,计算公差其中,a为卷积核首项系数,0<a<1,N为卷积核数量。由于卷积核首项系数a和卷积核数量N在步骤S1中已经进行了说明,所以在此不再赘述。得到公差d后,计算每一次扫描原始数据y时的扫描窗口的宽度通项公式:Cn=L(a+(n-1)d),Cn是指第n次扫描原始数据y时,扫描窗口的宽度为Cn,另外,L为原始数据y的数据长度,a为卷积核首项系数,d为公差。最后,计算每一个扫描窗口的移动步长Bn=(1-f)*Cn,移动步长Bn是指第n次扫描原始数据y时,以扫描窗口的宽度为Cn且相邻两个扫描窗口之间的距离为Bn,从左至右自驱动扫描原始数据y。如图2所示,图中的扫描窗口宽度为2个数据长度,如果移动步长Bn=3,则扫描窗口将从扫描位置A移动至扫描位置B。
步骤S3:采用卷积核模型对原始数据进行扫描得到扫描界面,将位于扫描界面中的局部原始数据标记为目标向量。如图4所示,每个目标向量都会执行S4-S7步骤,U对应的是一个扫描界面,该扫描界面中的局部原始数据为目标向量、V表示分桶特征值对应着步骤S4、W表示差分向量对应着步骤S5、X表示估算趋势性概率对应着步骤S6、Y表示计算趋势增长率对应着步骤S7。
步骤S4:对目标向量进行分桶得到分桶特征值。
步骤S5:采用一阶差分函数计算两两相邻的分桶特征值得到差分向量。
步骤S6:根据差分向量计算趋势性概率,对扫描界面进行趋势定性。
步骤S7:根据分桶特征值计算趋势增长率,对扫描界面进行趋势定量。
通过步骤S3至步骤S7能够具体的分析扫描界面中的目标向量cy,并依据目标向量cy确定原始数据的整体趋势形式的判断逻辑如下所述:
首先,由卷积核模型按照计算所得的扫描窗口的宽度Cn和移动步长Bn自驱动从左至右扫描原始数据y,得到扫描界面个数:其中,Sn取整数,当不能整除时,如图3所示,假设以第一个扫描窗口C1扫描得到第1个、第2个、...、第S1个扫描界面,在S1中选择趋势增长率最大(趋势上升)或趋势增长率最小(趋势下降)的目标向量cy所对应的扫描界面作为最优趋势界面,并定义为F1;同理,以第二个扫描窗口C2扫描时,在S2中选择趋势增长率最大(趋势上升)或趋势增长率最小(趋势下降)的目标向量cy所对应的扫描界面作为最优趋势界面,并定义为F2;以第n个扫描窗口进行扫描时得到Sn个扫描界面,在Sn中选择趋势增长率最大(趋势上升)或趋势增长率最小(趋势下降)的目标向量cy所对应的扫描界面作为最优趋势界面,并定义为Fn,从而得到集合F={F1,F2,...,Fn}。最后,取F集合中趋势增长率最大(趋势上升)或趋势增长率最小(趋势下降)的最优趋势界面中的趋势增长率、趋势类型和趋势位置坐标作为原始数据y最终的趋势分析结果,其中趋势位置坐标(A1,B1)返回最优趋势界面的左上角处、趋势位置坐标(A2,B2)返回最优趋势界面的右下角处,A1和A2分别表示最优趋势界面的开始时间和结束时间,B1和B2分别表示最优趋势界面中的原始数据y的最大值和最小值。因此,本申请能够精确定位趋势形式的开始时间和结束时间,所以能够使管理人员通过趋势发生的起止时间快速追溯和排查问题发生当时的值班或某种行为执行的负责人,加速问题解决的效率,从而达到了工业设备智能运维的目的。
以下内容为详细说明判断原始数据y的整体趋势的过程。具体地:
首先,步骤S4是将目标向量cy通过分桶思想进行下采样处理,以达到降噪的目的,即将目标向量cy进行等量划分为K份分桶特征值pcy,如果不能等量划分,则多余的目标向量cy用一个桶装。如图4所示,假如U列为一个扫描界面,该扫描界面中的包含的数值是从日期为2023年1月2号至2023年1月11号之间生成的,将这些数值统一称为目标向量,需要将该目标向量等量划分为5份,每一份表示一个分桶,计算每一个分桶的分桶特征值。分桶特征值是指位于同一个分桶内的元素的平均值或者中位数值,在本示例中,分桶特征值取位于同一个分桶内的元素的平均值,如图4中,V列的第一个分桶中元素1.2和元素1.5的分桶特征值为1.35、第二个分桶中元素1.9和元素2.5的分桶特征值为2.20、第三个分桶中元素2.4和元素0.5的分桶特征值为1.45,第四个分桶中元素3.2和元素3.6的分桶特征值为3.4,第五个分桶中元素4.1和元素4.3的分桶特征值为4.20。则得到V列中的5个分桶特征值组成的分桶向量[1.35,2.20,1.45,3.40,4.20]。需要说明的是,本示例中的桶是虚拟的分界线而并非是实物。
然后,在步骤S5中采用一阶差分函数计算两两相邻的分桶特征值得到差分向量dpcy,一阶差分函数为:dpcyii∈[0,K-1]=pcy(ii+1)-pcy(ii),其中,pcy(ii+1)和pcy(ii)为两两相邻的分桶特征值,dpcyii∈[0,K-1]是差分向量。如图4所示,V列表示分桶中的分桶特征值,W列表示两两相邻的分桶特征值的差值,也为差分向量。也就是说,V列的第二个分桶特征值2.20减去第一个分桶特征值1.35得到差分向量W中的第一个元素值0.85,同理差分向量W中的第二个元素值等于-0.75(1.45-2.20)、W中第三个元素值等于1.95(3.40-1.45)、W中第四个元素值等于0.80(4.20-3.40)。差分向量dpcyii∈[0,K-1]的大小能够反映相邻两个分桶特征值pcy之间的局部趋势,如dpcyii∈[0,K-1]=0,表示相邻的两个桶内的分桶特征值相等,则说明不存在趋势;若dpcyii∈[0,K-1]>0,表示相邻两个桶中位于后一个分桶的分桶特征值大于前一个分桶的分桶特征值,则说明存在局部趋势上升;若dpcyii∈[0,K-1]<0,表示相邻两个桶中位于后一个分桶的分桶特征值小于前一个分桶的分桶特征值,则说明存在局部趋势下降。因此,可以利用多个相邻的桶之间局部趋势性的关联关系,来判断扫描界面中的局部原始数据的趋势性变化。局部原始数据是指位于扫描界面中的原始数据。
再然后,通过步骤S6计算差分向量的趋势性概率,对目标向量界面进行趋势定性。本申请的趋势性包括趋势上升、趋势下降、同时存在趋势上升和趋势下降、无趋势(周期性波动也属于无趋势中的一种形式)四种,所述的四种趋势形式覆盖了原始数据y所应有的各种形式。
在本示例中,由于步骤S5所得到的局部趋势性容易受到瞬变工况、震荡式波动、突变、异常值等因素干扰,因此,需要统计扫描界面中包含的各个局部趋势性来估计整个扫描界面的趋势概率,从而增强算法的泛化性能和鲁棒性。初步判断扫描界面中局部原始数据的趋势性具体属于哪一种趋势形式的流程为:首先,计算趋势上升概率其中,count(dpcy)表示该扫描界面中的差分向量中的元素总个数,count(dpcy(x>0))表示该扫描界面中差分向量值大于0的个数。同时,还计算趋势下降概率/>其中,count(dpcy)表示该扫描界面中的差分向量中的元素总个数,count(dpcy(x<0))表示该扫描界面中差分向量值小于0的个数。如图4所示,W列中,扫描界面中的差分向量中的元素总个数为4个,差分向量值大于0的个数为3个,则p(T1)=3/4=0.75,而p(T2)=1/4=0.25。
需要说明的是,每一个扫描界面都需要经过上述的计算趋势性概率的计算过程,然后,再获取预设阈值th1,其中th1表示整体趋势定性的概率阈值,并判断预设阈值th1分别与趋势上升概率p(T1)和趋势下降概率p(T2)的大小关系,当:
上述的趋势上升概率p(T1)达到预设阈值th1时,将扫描界面中局部原始数据标识定性为趋势上升,表示达到初步趋势性检测条件,才能进行步骤S7计算趋势增长率环节;
上述的趋势下降概率p(T2)达到预设阈值th1时,将扫描界面中局部原始数据标识定性为趋势下降,表示达到初步趋势性检测条件,才能进行步骤S7计算趋势增长率环节。
由此可知,通过对比上述预设阈值th1分别与趋势上升概率p(T1)和趋势下降概率p(T2)的大小关系,能够初步判断一个扫描界面中局部原始数据的趋势形式。
在本申请中,只有在p(T1)或p(T2)达到预设阈值th1后,才能进行步骤S7的趋势定量计算,具体地:首先提取扫描界面中前H个分桶的分桶特征值得到数值V1,此处的分桶特征值是指平均值或者中位数值,同时提取扫描界面中后H个分桶的分桶特征值作为数值V2,同理,此处的数值V2为平均值或者中位数值。需要说明的是,如果前H个分桶的分桶特征值选取的是平均值,则后H个分桶的分桶特征值也选取的是平均值,即需要保障数值V1和数值V2包含的内容相同。然后,计算目标向量cy的趋势增长率,当:
数值V1和数值V2均为正数时,计算趋势增长率:数值V1为负数,数值V2为正数时,计算趋势增长率:/>数值V1为正数,数值V2为负数时,计算趋势增长率:/>数值V1和数值V2均为负数时,计算趋势增长率:
为了方便表示,将tr(T1)表示趋势上升的增长率,tr(T2)表示趋势下降的增长率。
如图4所示,Y列中,假设H=1,即选择的是第一个分桶中的元素的平均值,则数值V1=1.35,则最后一个分桶中的元素的平均值4.20作为数值V2,从而得到tr(T1)=(4.20-1.35)/1.35*100=211.11%。
最后,结合步骤S6和步骤S7与预设阈值th1、th2的关系,趋势预警逻辑如图5所示。在本申请中,当:
趋势上升概率p(T1)达到预设阈值th1且其对应的趋势增长率tr(T1)达到预设阈值th2、以及趋势下降概率p(T2)达到预设阈值th1且其对应的趋势增长率tr(T2)达到预设阈值th2时,将该扫描界面中局部原始数据标识为同时存在趋势上升和趋势下降;
趋势上升概率p(T1)达到预设阈值th1且其对应的趋势增长率tr(T1)达到预设阈值th2时,则将该扫描界面中局部原始数据标识为趋势上升;
趋势下降概率p(T2)达到预设阈值th1且其对应的趋势增长率tr(T2)达到预设阈值th2时,将该扫描界面中局部原始数据标识为趋势下降;
趋势上升概率p(T1)未达到预设阈值th1和/或其对应的趋势增长率tr(T1)未达到预设阈值th2、以及趋势下降概率p(T2)未达到预设阈值th1和/或其对应的趋势增长率tr(T2)未达到预设阈值th2时,将该扫描界面中局部原始数据标识为无趋势。
由此可知,通过上述判断趋势上述概率p(T1)、趋势下降概率p(T2)分别与预设阈值th1的大小、以及判断趋势增长率tr(T1)、趋势增长率tr(T2)分别与预设阈值th2的大小,能够确定出每一个扫描界面中局部原始数据的趋势形式。
总的来说,当趋势定性达到预设阈值th1和趋势定量达到预设阈值th2时,才能最终判断扫描界面中局部原始数据存在趋势上升、趋势下降、或同时存在趋势上升和趋势下降,否则按无趋势处理。另外,在确定扫描界面中局部原始数据的趋势形式、以及在计算得到每一个扫描界面中局部原始数据的趋势增长率后,从同属于一个扫描窗口截取下生成的扫描界面中,选择趋势增长率最大或趋势增长率最小的目标向量cy所对应的扫描界面作为最优趋势界面,例如上述的第一个扫描窗口C1扫描得到S1个扫描界面,在S1中选择趋势增长率最大的目标向量cy所对应的扫描界面作为最优趋势界面。然后再对比每一种扫描窗口下选择的最优趋势界面,即对比上述集合F中的数值大小,最后选择集合F中数值最大的一个最优趋势界面作为原始数据y的整体趋势。因此,如图4中的Z列所示,该扫描界面的趋势分析结果的趋势类型是趋势上升、趋势增长率为211.11%,趋势位置坐标(A1,B1)=(2023/1/2,4.3)、(A2,B2)=(2023/1/11,0.5)。
综上所述,本申请实施例一种关键指标趋势预警方法的实施原理为:在得到原始数据y时,选取卷积核首项系数和卷积核数量构建卷积核模型,然后采用卷积核模型扫描原始数据y得到多个扫描界面,再对每一个扫描界面进行趋势定性计算和趋势定量计算,最后依据趋势定量从扫描界面中选择出最具有代表性的最优趋势界面,该最优趋势界面不仅包含有坐标,还包括趋势形式的开始时间和结束时间,使管理人员可以直观的看到工业设备的趋势形式以及趋势形式的开始时间和结束时间,从而实时监测工业设备的潜在风险、实现工业设备智能运维的目的。
本申请提供一种关键指标趋势预警系统,如图6所示,一种关键指标趋势预警系统包括数据获取模块1、第一处理模块2、第二处理模块3、第三处理模块4、第四处理模块5、第一生成模块6以及第二生成模块7。其中,数据获取模块1分别与第一处理模块2和第二处理模块3连接,第一处理模块2、第二处理模块3、第三处理模块4、第四处理模块5、第一生成模块6以及第二生成模块7依次连接。
具体地,数据获取模块1用于获取原始数据、卷积核首项系数以及卷积核数量。第一处理模块2用于根据卷积核首项系数和卷积核数量构建卷积核模型。第二处理模块3用于采用卷积核模型对原始数据进行扫描得到扫描界面,并将位于扫描界面中的局部原始数据标记为目标向量。第三处理模块4用于对目标向量进行分桶得到分桶特征值。第四处理模块5用于采用一阶差分函数计算两两相邻的分桶特征值得到差分向量。第一生成模块6用于根据差分向量计算扫描界面的趋势性概率,并对扫描界面进行趋势定性。第二生成模块用于根据分桶特征值计算扫描界面的趋势增长率,并对扫描界面进行趋势定量。简单来说,数据获取模块1、第一处理模块2、第二处理模块3、第三处理模块4、第四处理模块5、第一生成模块6以及第二生成模块7能够互相配合,从而实现实时监测工业设备的潜在风险,并能够达到趋势形式定位的目的。
为了更好地执行上述方法的程序,本申请还提供一种终端,终端包括存储器和处理器。
其中,存储器可用于存储指令、程序、代码、代码集或指令集。存储器可以包括存储程序区和存储数据区,其中存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令以及用于实现上述关键指标趋势预警方法的指令等;存储数据区可存储上述关键指标趋势预警方法中涉及到的数据等。
处理器可以包括一个或者多个处理核心。处理器通过运行或执行存储在存储器内的指令、程序、代码集或指令集,调用存储在存储器内的数据,执行本申请的各种功能和处理数据。处理器可以为特定用途集成电路、数字信号处理器、数字信号处理装置、可编程逻辑装置、现场可编程门阵列、中央处理器、控制器、微控制器和微处理器中的至少一种。可以理解地,对于不同的设备,用于实现上述处理器功能的电子器件还可以为其它,本申请实施例不作具体限定。
本申请还提供一种计算机可读存储介质,例如包括:U盘、移动硬盘、只读存储器(Read Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。该计算机可读存储介质存储有能够被处理器加载并执行上述关键指标趋势预警方法的计算机程序。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离前述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其他技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (13)
1.一种关键指标趋势预警方法,其特征在于,包括:
获取原始数据、卷积核首项系数以及卷积核数量;
根据所述卷积核首项系数和所述卷积核数量构建卷积核模型;
采用所述卷积核模型对所述原始数据进行扫描得到扫描界面,将位于所述扫描界面中的局部原始数据标记为目标向量;
对所述目标向量进行分桶得到分桶特征值;
采用一阶差分函数计算两两相邻的分桶特征值得到差分向量;
根据所述差分向量计算扫描界面的趋势性概率,对所述扫描界面进行趋势定性;
根据所述分桶特征值计算扫描界面的趋势增长率,对所述扫描界面进行趋势定量。
3.根据权利要求2所述的关键指标趋势预警方法,其特征在于,所述采用所述卷积核模型对所述原始数据进行扫描得到扫描界面包括:以扫描窗口的宽度为Cn且相邻两个扫描窗口之间的距离为Bn,从左至右自驱动扫描原始数据得到扫描界面。
4.根据权利要求1所述的关键指标趋势预警方法,其特征在于,所述对所述目标向量进行分桶得到分桶特征值包括:将所述目标向量等量划分为K份分桶特征值。
5.根据权利要求1所述的关键指标趋势预警方法,其特征在于,所述采用一阶差分函数计算两两相邻的分桶特征值得到差分向量包括:dpcyii∈[0,K-1]=pcy(ii+1)-pcy(ii),其中,pcy(ii+1)和pcy(ii)为两两相邻的分桶特征值,dpcyii∈[0,K-1]是差分向量,K为K份分桶特征值。
7.根据权利要求6所述的关键指标趋势预警方法,其特征在于,所述对所述扫描界面进行趋势定性包括:
获取预设阈值th1,当:
所述趋势上升概率p(T1)达到预设阈值th1时,将位于所述扫描界面中的局部原始数据标识定性为趋势上升;
所述趋势下降概率p(T2)达到预设阈值th1时,将位于所述扫描界面中的局部原始数据标识定性为趋势下降。
9.根据权利要求7或8中任一项所述的关键指标趋势预警方法,其特征在于,所述趋势形式包括趋势上升、趋势下降、同时存在趋势上升和趋势下降、无趋势;
所述对所述扫描界面进行趋势定量包括:
获取预设阈值th2,当:
趋势上升概率p(T1)达到预设阈值th1且趋势增长率tr(T1)达到预设阈值th2时,将位于所述扫描界面中的局部原始数据标识为趋势上升;
趋势下降概率p(T2)达到预设阈值th1且趋势增长率tr(T2)达到预设阈值th2时,将位于所述扫描界面中的局部原始数据标识为趋势下降;
趋势上升概率p(T1)达到预设阈值th1且趋势增长率tr(T1)达到预设阈值th2、以及趋势下降概率p(T2)达到预设阈值th1且趋势增长率tr(T2)达到预设阈值th2时,将位于所述扫描界面中的局部原始数据标识为同时存在趋势上升和趋势下降;
趋势上升概率p(T1)未达到预设阈值th1和/或趋势增长率tr(T1)未达到预设阈值th2、且趋势下降概率p(T2)未达到预设阈值th1和/或趋势增长率tr(T2)未达到预设阈值th2时,将位于所述扫描界面中的局部原始数据标识为无趋势;
所述tr(T1)表示趋势上升的趋势增长率,所述tr(T2)表示趋势下降的趋势增长率。
10.根据权利要求1所述的关键指标趋势预警方法,其特征在于,所述对所述扫描界面进行趋势定量后,所述方法还包括:
从同属于一个扫描窗口扫描生成的扫描界面中,选择最大趋势增长率或者最小趋势增长率的目标向量所对应的扫描界面作为最优趋势界面;
对比每一种扫描窗口下选择的最优趋势界面,选择最大趋势增长率或者最小趋势增长率的最优趋势界面的趋势形式作为原始数据的整体趋势形式。
11.一种关键指标趋势预警系统,用于执行上述如权利要求1-10中任一项所述的方法,其特征在于,包括:
数据获取模块(1),用于获取原始数据、卷积核首项系数以及卷积核数量;
第一处理模块(2),用于根据所述卷积核首项系数和所述卷积核数量构建卷积核模型;
第二处理模块(3),用于采用所述卷积核模型对所述原始数据进行扫描得到扫描界面,将位于所述扫描界面中的局部原始数据标记为目标向量;
第三处理模块(4),用于对所述目标向量进行分桶得到分桶特征值;
第四处理模块(5),用于采用一阶差分函数计算两两相邻的分桶特征值得到差分向量;
第一生成模块(6),用于根据所述差分向量计算扫描界面的趋势性概率,对所述扫描界面进行趋势定性;
第二生成模块(7),用于根据所述分桶特征值计算扫描界面的趋势增长率,对所述扫描界面进行趋势定量。
12.一种终端,其特征在于,包括存储器和处理器,所述存储器上存储有能够被处理器加载并执行如权利要求1-10中任一项所述的方法的计算机程序指令。
13.一种计算机可读存储介质,其特征在于,存储有能够被处理器加载并执行如权利要求1-10中任一项所述的方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310212884.6A CN116432819A (zh) | 2023-03-06 | 2023-03-06 | 一种关键指标趋势预警方法、系统、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310212884.6A CN116432819A (zh) | 2023-03-06 | 2023-03-06 | 一种关键指标趋势预警方法、系统、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116432819A true CN116432819A (zh) | 2023-07-14 |
Family
ID=87083791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310212884.6A Pending CN116432819A (zh) | 2023-03-06 | 2023-03-06 | 一种关键指标趋势预警方法、系统、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116432819A (zh) |
-
2023
- 2023-03-06 CN CN202310212884.6A patent/CN116432819A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492193B (zh) | 基于深度机器学习模型的异常网络数据生成与预测方法 | |
CN112287816B (zh) | 一种基于深度学习的危险工作区事故自动检测报警方法 | |
CN110895526A (zh) | 一种大气监测系统中数据异常的修正方法 | |
CN112629585A (zh) | 基于多维参数估计的设备在线监测方法及装置 | |
CN117312997B (zh) | 一种电力管理系统智能诊断方法及系统 | |
CN115524002B (zh) | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 | |
CN114997313B (zh) | 一种海洋在线监测数据的异常检测方法 | |
CN117131110A (zh) | 一种基于关联分析的容性设备介质损耗监测方法及系统 | |
CN115641357A (zh) | 基于机器学习的智慧仓储人员跟踪算法与视频监控系统 | |
CN113255783A (zh) | 基于无监督学习的传感器故障检测方法和装置 | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
CN116108402A (zh) | 基于电力多源异构数据融合分析的方法、设备及存储介质 | |
US20230297095A1 (en) | Monitoring device and method for detecting anomalies | |
CN116432819A (zh) | 一种关键指标趋势预警方法、系统、终端及存储介质 | |
CN115495274B (zh) | 基于时序数据的异常处理方法、网络设备和可读存储介质 | |
CN115169650B (zh) | 一种大数据分析的装备健康预测方法 | |
CN113791186B (zh) | 一种选择水质异常报警监测因子的方法及其系统 | |
CN108761250A (zh) | 一种基于工控设备电压电流的入侵检测方法 | |
CN114218051B (zh) | 一种时延异常检测方法 | |
CN117807507A (zh) | 一种泛在电力物联网电力设备的感知层检测系统及其检测方法 | |
CN118277216A (zh) | 日志异常检测方法、装置、设备、介质及程序产品 | |
CN117149486A (zh) | 告警和根因定位方法、模型训练方法、装置、设备及介质 | |
CN117077051A (zh) | 一种大坝监测异常数据自适应识别方法 | |
CN118051813A (zh) | 一种基于孤僻森林修正lstm算法的电网故障检测方法及系统 | |
CN117370887A (zh) | 水泵的剩余寿命预测方法、装置、设备和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |