CN116453310A - 一种铜排的温度异常报警方法及装置 - Google Patents
一种铜排的温度异常报警方法及装置 Download PDFInfo
- Publication number
- CN116453310A CN116453310A CN202310699047.0A CN202310699047A CN116453310A CN 116453310 A CN116453310 A CN 116453310A CN 202310699047 A CN202310699047 A CN 202310699047A CN 116453310 A CN116453310 A CN 116453310A
- Authority
- CN
- China
- Prior art keywords
- temperature data
- grouping
- trend
- temperature
- copper bar
- 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.)
- Granted
Links
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 150
- 229910052802 copper Inorganic materials 0.000 title claims abstract description 150
- 239000010949 copper Substances 0.000 title claims abstract description 150
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000005856 abnormality Effects 0.000 title claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 11
- 230000003044 adaptive effect Effects 0.000 claims description 18
- 238000009499 grossing Methods 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 13
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 2
- 238000003466 welding Methods 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
- G01K1/02—Means for indicating or recording specially adapted for thermometers
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Measuring Temperature Or Quantity Of Heat (AREA)
Abstract
本发明涉及工业设备数据处理技术领域，特别是指一种铜排的温度异常报警方法及装置。所述方法包括：获取多个铜排在一预设时间内的正常工作情况下的温度数据；对多个所述铜排的温度数据进行分组，得到分组温度数据；根据所述分组温度数据的共同趋势项，确定各所述分组温度数据的趋势估计；根据所述趋势估计和实时采集的铜排的温度数据，确定自适应分级报警阈值；将实时采集的铜排的温度数据与自适应分级报警阈值进行比较，得到比较结果；根据所述比较结果，输出铜排的温度异常报警信息。本发明基于多个铜排的温度数据确定自适应分级报警阈值，将铜排的实时温度数据与其比较，进而得到铜排的温度异常报警信息，极大地提高了报警的准确性和有效性。
Description
技术领域
本发明涉及工业设备数据处理技术领域，特别是指一种铜排的温度异常报警方法及装置。
背景技术
铜排是工厂动力传输的重要部分，被大量应用于现代化工厂的供电，如焊接车间的焊接机器人供电。
现有技术中，工厂一般使用固定阈值的方式来实现报警功能，即铜排温度一旦超过报警阈值就会认为铜排已经处在故障状态，需立刻停机进行检修。这种报警方式的缺点一方面是：固定阈值设的低可能会导致虚报多，设的高会导致报警延迟；另一方面，几十上百个温度传感器本身的差异性和漂移性带来的测量不准，同样会造成漏报和错报。有些工厂设置高报和高高报的方式来实现报警功能，但这样的阈值设置并无法真正处理环境和工况的变化，也没有考虑到实际用户现场的使用情况。无法实现对铜排温度准确的报警。
发明内容
本发明要解决的技术问题是提供一种铜排的温度异常报警方法及装置，以解决固定阈值无法对铜排温度准确报警的问题。
为解决上述技术问题，本发明的技术方案如下：
根据本发明的一个方面，提供一种铜排的温度异常报警方法，包括：
获取多个铜排在一预设时间内的正常工作情况下的温度数据；
对多个所述铜排的温度数据进行分组，得到分组温度数据；
根据所述分组温度数据的共同趋势项，确定各所述分组温度数据的趋势估计；
根据所述趋势估计和实时采集的铜排的温度数据，确定自适应分级报警阈值；
将实时采集的铜排的温度数据与所述自适应分级报警阈值进行比较，得到比较结果；
根据所述比较结果，输出铜排的温度异常报警信息。
进一步地，对多个所述铜排的温度数据进行分组，得到分组温度数据，包括：
对多个所述温度数据进行平滑处理，得到平滑处理后的温度数据；
对所述平滑处理后的温度数据进行温度相关性分析，将温度相关性高于一预设值的温度数据分为一组，得到分组温度数据。
进一步地，根据所述分组温度数据的共同趋势项，确定各所述分组温度数据的趋势估计，包括：
对所述分组温度数据进行归一化处理，得到归一化处理后的分组温度数据；
对所述归一化处理后的分组温度数据，提取主成分作为该分组温度数据的共同趋势项；
对所述共同趋势项进行反变换处理，得到各所述分组温度数据的趋势估计。
进一步地，对所述归一化处理后的分组温度数据，提取主成分作为该分组温度数据的共同趋势项，包括：
归一化处理后的分组温度数据组成集合,/>,对其协方差阵/>进行特征值分解，按特征值从大到小排列提取前k项的特征向量/>;
通过提取主成分作为该分组温度数据的共同趋势项；
其中，为归一化处理后的分组温度数据集，m为分组温度数据集的列数，n为分组温度数据集的行数，P为特征向量，T为共同趋势项集。
进一步地，对所述共同趋势项进行反变换处理，得到各所述分组温度数据的趋势估计，包括：
通过进行主成分反变换，将k维的所述共同趋势项变换回m维的趋势估计；
通过对所述m维的趋势估计进行反归一化，得到重构后的趋势估计；
其中，为m维的趋势估计集，/>,T为共同趋势项集，P为特征向量，m为分组温度数据集的列数，n为分组温度数据集的行数，/>为/>中第i列的数据，/>为重构后的趋势估计集中第i列的趋势估计，/>为/>的标准差，/>为/>的均值。
进一步地，根据所述趋势估计和实时采集的铜排的温度数据，确定自适应分级报警阈值，包括：
使用所述分组温度数据与所述重构后的趋势估计的差值作为残差；
根据所述残差提取得到标准差；
根据所述标准差和实时采集的铜排的温度数据，确定所述分组温度数据的自适应分级报警阈值。
进一步地，根据所述标准差和实时采集的铜排的温度数据，确定所述分组温度数据的自适应分级报警阈值，包括：
实时采集铜排的温度数据；
对所述铜排的温度数据进行分组，得到目标分组温度数据；
获取所述目标分组温度数据的目标共同趋势项；
对所述目标共同趋势项进行反变换处理，得到目标趋势估计；
根据所述目标趋势估计和所述标准差，确定所述分组温度数据的自适应分级报警阈值；所述自适应分级报警阈值可以为：所述目标趋势估计与c倍的所述标准差的差，或者所述目标趋势估计与c倍的所述标准差的和，其中c为整数。
进一步地，根据所述比较结果，输出铜排的温度异常报警信息，包括：
若实时采集的铜排的温度数据小于所述目标趋势估计与c倍的所述标准差的差，则输出铜排的低温报警信息；
若实时采集的铜排的温度数据大于所述目标趋势估计与c倍的所述标准差的和，则输出铜排的高温报警信息。
根据本发明的另一个方面，提供一种铜排的温度异常报警装置，包括：
获取模块，用于获取多个铜排在一预设时间内的正常工作情况下的温度数据，并发送至分组模块；
分组模块，用于对多个所述铜排的温度数据进行分组，得到分组温度数据，并发送至趋势估计确定模块；
趋势估计确定模块，用于根据所述分组温度数据的共同趋势项，确定各所述分组温度数据的趋势估计，并发送至报警阈值确定模块；
报警阈值确定模块，用于根据所述趋势估计和实时采集的铜排的温度数据，确定自适应分级报警阈值，并发送至比较模块；
比较模块，用于将实时采集的铜排的温度数据与所述自适应分级报警阈值进行比较，得到比较结果，并发送至输出模块；
输出模块，用于根据所述比较结果，输出铜排的温度异常报警信息。
本发明的上述方案至少包括以下有益效果：
本发明的上述技术方案，基于多个铜排在一预设时间内的正常工作情况下的温度数据确定自适应分级报警阈值，将实时采集的铜排的温度数据与自适应分级报警阈值进行比较，进而得到铜排的温度异常的分级报警信息，极大地提高了报警的准确性和有效性，避免了由于误报和漏报导致的停机检修，减少了对工厂所造成的生产损失，有利于维护工厂的正常生产。
附图说明
图1是本发明实施例的铜排的温度异常报警方法的步骤图；
图2是本发明实施例的铜排的温度异常报警装置的器件连接图；
图3是铜排实时温度与铜排正常工作下温度的自适应报警阈值（c=3）的对比图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
本发明实施例提供了一种铜排的温度异常报警方法及装置。
如图1所示，本发明的实施例提出一种铜排的温度异常报警方法，包括：
步骤S1、获取多个铜排在一预设时间内的正常工作情况下的温度数据；
步骤S2、对多个所述铜排的温度数据进行分组，得到分组温度数据；
步骤S3、根据所述分组温度数据的共同趋势项，确定各所述分组温度数据的趋势估计；
步骤S4、根据所述趋势估计和实时采集的铜排的温度数据，确定自适应分级报警阈值；
步骤S5、将实时采集的铜排的温度数据与所述自适应分级报警阈值进行比较，得到比较结果；
步骤S6、根据所述比较结果，输出铜排的温度异常报警信息。
本发明的上述技术方案，基于多个铜排在一预设时间内的正常工作情况下的温度数据确定自适应分级报警阈值，将实时采集的铜排的温度数据与自适应分级报警阈值进行比较，进而得到铜排的温度异常报警信息，极大地提高了报警的准确性和有效性，避免了由于误报和漏报导致的停机检修，减少了对工厂所造成的生产损失，有利于维护工厂的正常生产。
本发明的一可选实施例中，步骤S2包括：
步骤S21、对多个温度数据进行平滑处理，得到平滑处理后的温度数据；
步骤S22、对平滑处理后的温度数据进行温度相关性分析，将温度相关性高于一预设值的温度数据分为一组，得到分组温度数据。
可以采用均值滤波或者中位数滤波或者其他平滑处理算法对温度数据进行平滑处理，平滑处理的目的是去掉温度数据中明显的异常数据，消除偶然噪声和毛刺，避免由此而来的相关性偏差，提高后续进行分组等步骤的准确性。
根据需要可以选择皮尔逊相关系数或者斯皮尔曼等级相关系数等相关算法中的一种或多种对平滑处理后的温度数据进行相关性分析，并将温度相关性高于一预设值的温度数据分为一组，相邻或者处于相同工况的铜排温度数据是一个完整温度传导系统，处于附近或者处于相同工况的铜排的温度应具有相同趋势，因此相邻位置或者处于相同工况的铜排的温度相关性较高。分组的目的是将处于同一工况的温度数据分为一组，如有些铜排是为同一工序的焊接机器人供电，则这些为焊接机器人供电的铜排的温度数据就具有较高的相关性，将这些温度数据划分为一组。方便后续针对不同工况设置不同的报警阈值，有利于提高报警的准确性。
分组后，将分组结果与铜排的实际物理位置和工艺设定进行校验，确保分组的准确性和有效性，即保证处于同一工况的铜排的温度数据位于同一组。校验后，为不同组别的温度数据打组别标签，如为同一工序的焊接机器人供电的铜排的温度数据的组别可以打上“焊接机器人”的标签，或者用序号“1”作为该组标签，用户可根据需要自行设置其他类型标签。
本发明的一可选实施例中，步骤S3包括：
步骤S31、对分组温度数据进行归一化处理，得到归一化处理后的分组温度数据；
步骤S32、对归一化处理后的分组温度数据，提取主成分作为该分组温度数据所在组的共同趋势项；
步骤S33、对共同趋势项进行反变换处理，得到各分组温度数据的趋势估计。
归一化处理的目的是消除量纲和不同温度水平带来的影响，提高方法的准确性。
本发明的一可选实施例中，步骤S32包括：
步骤S321、归一化处理后的分组温度数据组成集合，/>，对其协方差阵进行特征值分解，按特征值从大到小排列提取前k项的特征向量/>，其中，为归一化处理后的分组温度数据集，m为分组温度数据集的列数（即温度测点的变量数），n为分组温度数据集的行数（即温度测点的样本数），P为特征向量；
步骤S322、通过提取主成分作为该分组温度数据的共同趋势项；其中，T为共同趋势项集，/>为归一化处理后的分组温度数据集，P为特征向量。
主成分分组温度数据作为分组温度数据所在组的共同趋势项，可以描绘出该组温度的变化趋势，为后续计算残差提供了基础。
本发明的一可选实施例中，步骤S33包括：
步骤S331、通过进行主成分反变换，将k维的共同趋势项变换回m维的趋势估计，其中，/>为趋势估计集，T为共同趋势项集，P为特征向量，m为分组温度数据集的列数，n为分组温度数据集的行数；
步骤S332、通过进行反归一化，得到重构后的趋势估计，其中，为/>中第i列的数据，/>，/>为重构后的趋势估计集中第i列的数据，/>为分组温度数据集/>中第i列的数据/>的标准差，/>为/>的均值。
本发明的一可选实施例中，步骤S4包括：
步骤S41、使用分组温度数据与重构后的趋势估计/>的差值作为残差/>公式为；
步骤S42、根据残差提取得到标准差/>，残差的平方和除以(残差个数-1)，再做平方根计算，得到的值为标准差；
步骤S43、根据标准差和实时采集的铜排的温度数据，确定分组温度数据/>的自适应分级报警阈值，实现分级报警。
本发明的一可选实施例中，步骤S5包括：
步骤S51、采集多个铜排的实时温度数据；
步骤S52、对多个实时温度数据进行分组，得到多个分组，每组包含多个目标分组温度数据；
步骤S53、获取目标分组温度数据的目标共同趋势项；
步骤S54、对目标共同趋势项进行反变换处理，得到目标分组温度数据的目标趋势估计；
步骤S55、根据目标趋势估计和步骤S43得到的标准差，确定各组目标分组温度数据的自适应分级报警阈值；所述自适应分级报警阈值可以为：所述目标趋势估计与c倍的所述标准差的差，或者所述目标趋势估计与c倍的所述标准差的和；c为整数，可以根据具体情况进行设置。
步骤S56、将实时温度数据与自适应分级报警阈值进行比较，得到比较结果。
本发明的一可选实施例中，步骤S56包括：若实时采集的铜排的温度数据小于所述目标趋势估计与c倍的所述标准差的差，则输出铜排的低温报警信息；若实时采集的铜排的温度数据大于所述目标趋势估计与c倍的所述标准差的和，则输出铜排的高温报警信息。
低/高温报警信息可以包括铜排的实时温度数据和比较结果。
本发明实施例的铜排的温度异常报警方法的一个具体工作流程是：使用安装在铜排上的不同位置处的温度传感器采集铜排在一年内正常工作情况下的温度数据，正常工作情况是指一年内铜排的温度没有出现异常。这些温度数据的集合为X，，n为行数(样本数），m为列数（变量数）。采用中位数滤波的平滑处理算法对这些温度数据进行平滑处理，得到平滑处理后的温度数据。平滑处理的目的是去掉温度数据中明显的异常数据，消除偶然噪声和毛刺，避免由此而来的相关性偏差，提高后续进行分组等步骤的准确性。选择皮尔逊相关系数的相关算法对平滑处理后的温度数据进行相关性分析，并将温度相关性较高的温度数据分为一组，可以使用相关性高于预设值的方式进行分组。每组包含多个分组温度数据。按组将分组结果与铜排的实际物理位置和工艺设定进行校验，保证处于同一工况的温度数据位于同一组。分组后，为不同组别的温度数据打组别标签，如为焊接机器人供电的铜排的温度数据的组别打上“焊接机器人”的标签。按组对分组温度数据进行归一化处理，公式为/>，得到归一化处理后的分组温度数据，其中，/>为归一化处理后的分组温度数据集/>中第i列的数据,/>为分组温度数据集中第i列的分组温度数据，/>为/>的标准差，/>为/>的均值。将归一化处理后的分组温度数据集/>的协方差阵进行特征值分解，按特征值从大到小排列提取前k项的特征向量/>；其中，m为行数（原始变量数），k为列数（主成分数量），/>为归一化处理后的分组温度数据集；通过提取主成分做为所在组的共同趋势项；其中，T为共同趋势项集，X为分组温度数据集。通过/>进行主成分反变换，将k维的共同趋势项变换回m维的趋势估计，得到重构后的趋势估计，其中，/>为重构后的m维的趋势估计数据集，T为共同趋势项集，P为特征向量，m为列数，n为行数；通过/>进行反归一化，得到重构后的趋势估计数据，其中，/>为重构后的归一化处理后的分组温度数据集中第i列的数据，/>，/>为重构后的趋势估计集中第i列的数据，/>为/>的标准差，/>为/>的均值。使用原始采集的温度数据/>与重构后的温度趋势估计数据/>的差值作为残差/>，提取残差/>在原始采集的温度数据集上的标准差/>。采集铜排的实时温度数据；对铜排的温度数据进行分组，得到目标分组温度数据；获取目标分组温度数据的目标共同趋势项；对目标共同趋势项进行反变换处理，得到目标趋势估计；根据目标趋势估计和标准差/>，确定自适应分级报警阈值为：目标趋势估计与c倍的标准差/>的差，或者目标趋势估计与c倍的标准差/>的和；将铜排的实时温度数据与自适应分级报警阈值进行比较，若实时采集的铜排的温度数据小于所述目标趋势估计与c倍的所述标准差的差，则输出铜排的低温报警信息；若实时采集的铜排的温度数据大于所述目标趋势估计与c倍的所述标准差的和，则输出铜排的高温报警信息。其中c可取多个数值进行分级报警（如c=3, 6）。如图3，图中的曲线E12、E22、E32为自适应报警阈值的最低取值曲线，当铜排的实时温度数据低于最低取值曲线时，即铜排的实时温度数据小于目标趋势估计与c倍的标准差/>的差时，输出铜排的低温报警信息；E11、E21、E31为自适应报警阈值的最高取值曲线，当铜排的实时温度数据高于最高取值曲线时，即铜排的实时温度数据大于目标趋势估计与c倍的标准差/>的和时，输出铜排的高温报警信息。上下两条曲线之间的温度范围代表了铜排正常工作下的温度的正常区间范围。图中的实线T1、T2、T3为铜排的实时温度数据，T1、T2在两条曲线范围内，说明铜排温度正常，T3的后半部分超出了E31的曲线范围，说明铜排的温度过高，此时需要报警。
如图2所示，本发明的实施例提出一种铜排的温度异常报警装置，包括：
获取模块，用于获取多个铜排在一预设时间内的正常工作情况下的温度数据，并发送至分组模块；
分组模块，用于对多个所述铜排的温度数据进行分组，得到分组温度数据，并发送至趋势估计确定模块；
趋势估计确定模块，用于根据所述分组温度数据的共同趋势项，确定各所述分组温度数据的趋势估计，并发送至报警阈值确定模块；
报警阈值确定模块，用于根据所述趋势估计和实时采集的铜排的温度数据，确定自适应分级报警阈值，并发送至比较模块；
比较模块，用于将实时采集的铜排的温度数据与所述自适应分级报警阈值进行比较，得到比较结果，并发送至输出模块；
输出模块，用于根据所述比较结果，输出铜排的温度异常报警信息。
本发明的上述技术方案，基于多个铜排在一预设时间内的正常工作情况下的温度数据确定自适应分级报警阈值，将实时采集的铜排的温度数据与自适应分级报警阈值进行比较，进而得到铜排的温度异常报警信息，极大地提高了报警的准确性和有效性，避免了由于误报和漏报导致的停机检修，减少了对工厂所造成的生产损失，有利于维护工厂的正常生产。
本发明的一可选实施例中，分组模块具体用于：
对多个温度数据进行平滑处理，得到平滑处理后的温度数据；
对平滑处理后的温度数据进行温度相关性分析，将温度相关性高于一预设值的温度数据分为一组，得到分组温度数据。
可以采用均值滤波或者中位数滤波或者其他平滑处理算法对温度数据进行平滑处理，平滑处理的目的是去掉温度数据中明显的异常数据，消除偶然噪声和毛刺，避免由此而来的相关性偏差，提高后续进行分组等步骤的准确性。
根据需要可以选择皮尔逊相关系数或者斯皮尔曼等级相关系数等相关算法中的一种或多种对平滑处理后的温度数据进行相关性分析，并将温度相关性高于一预设值的温度数据分为一组，相邻或者处于相同工况的铜排温度数据是一个完整温度传导系统，处于附近或者处于相同工况的铜排的温度应具有相同趋势，因此相邻位置或者处于相同工况的铜排的温度相关性较高。分组的目的是将处于同一工况的温度数据分为一组，如有些铜排是为同一工序的焊接机器人供电，则这些为焊接机器人供电的铜排的温度数据就具有较高的相关性，将这些温度数据划分为一组。方便后续针对不同工况设置不同的报警阈值，有利于提高报警的准确性。
分组后，将分组结果与铜排的实际物理位置和工艺设定进行校验，确保分组的准确性和有效性，即保证处于同一工况的铜排的温度数据位于同一组。校验后，为不同组别的温度数据打组别标签，如为同一工序的焊接机器人供电的铜排的温度数据的组别可以打上“焊接机器人”的标签，或者用序号“1”作为该组标签，用户可根据需要自行设置其他类型标签。
本发明的一可选实施例中，趋势估计确定模块具体用于：
对分组温度数据进行归一化处理，得到归一化处理后的分组温度数据；
对归一化处理后的分组温度数据，提取主成分作为该分组温度数据所在组的共同趋势项；
对共同趋势项进行反变换处理，得到各分组温度数据的趋势估计。
归一化处理的目的是消除量纲和不同温度水平带来的影响，提高方法的准确性。
本发明的一可选实施例中，趋势估计确定模块具体用于：
归一化处理后的分组温度数据组成集合，/>，对其协方差阵/>进行特征值分解，按特征值从大到小排列提取前k项的特征向量/>，其中，/>为归一化处理后的分组温度数据集，m为分组温度数据集的列数（即温度测点的变量数），n为分组温度数据集的行数（即温度测点的样本数），P为特征向量；
通过提取主成分作为该分组温度数据的共同趋势项；其中，T为共同趋势项集，/>为归一化处理后的分组温度数据集，P为特征向量。
主成分分组温度数据作为分组温度数据所在组的共同趋势项，可以描绘出该组温度的变化趋势，为后续计算残差提供了基础。
本发明的一可选实施例中，趋势估计确定模块具体用于：
通过进行主成分反变换，将k维的共同趋势项变换回m维的趋势估计，其中，/>为趋势估计集，T为共同趋势项集，P为特征向量，m为分组温度数据集的列数，n为分组温度数据集的行数；
通过进行反归一化，得到重构后的趋势估计，其中，/>为/>中第i列的数据，/>，/>为重构后的趋势估计集中第i列的数据，/>为分组温度数据集中第i列的数据/>的标准差，/>为/>的均值。
本发明的一可选实施例中，报警阈值确定模块具体用于：
使用分组温度数据与重构后的趋势估计/>的差值作为残差/>，公式为/>；
根据残差提取得到标准差/>，残差的平方和除以(残差个数-1)，再做平方根计算，得到的值为标准差；
根据标准差和实时采集的铜排的温度数据，确定分组温度数据/>的自适应分级报警阈值，实现分级报警。
本发明的一可选实施例中，比较模块用于：
采集多个铜排的实时温度数据；
对多个实时温度数据进行分组，得到多个分组，每组包含多个目标分组温度数据；
获取目标分组温度数据的目标共同趋势项；
对目标共同趋势项进行反变换处理，得到目标分组温度数据的目标趋势估计；
根据目标趋势估计和标准差，确定各组目标分组温度数据的自适应分级报警阈值；所述自适应分级报警阈值可以为：所述目标趋势估计与c倍的所述标准差的差，或者所述目标趋势估计与c倍的所述标准差的和；
将实时温度数据与自适应分级报警阈值进行比较，若实时采集的铜排的温度数据小于所述目标趋势估计与c倍的所述标准差的差，则输出铜排的低温报警信息；若实时采集的铜排的温度数据大于所述目标趋势估计与c倍的所述标准差的和，则输出铜排的高温报警信息。
低/高温报警信息可以包括实时采集的铜排的温度数据和比较结果。
本发明的一实施例，提出一种计算机可读存储介质，其上存储指令，当所述指令在计算机上运行时，使得计算机执行如图1所述的方法。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种铜排的温度异常报警方法，其特征在于，包括：
获取多个铜排在一预设时间内的正常工作情况下的温度数据；
对多个所述铜排的温度数据进行分组，得到分组温度数据；
根据所述分组温度数据的共同趋势项，确定各所述分组温度数据的趋势估计；
根据所述趋势估计和实时采集的铜排的温度数据，确定自适应分级报警阈值；
将实时采集的铜排的温度数据与所述自适应分级报警阈值进行比较，得到比较结果；
根据所述比较结果，输出铜排的温度异常报警信息。
2.根据权利要求1所述的铜排的温度异常报警方法，其特征在于，对多个所述铜排的温度数据进行分组，得到分组温度数据，包括：
对多个所述温度数据进行平滑处理，得到平滑处理后的温度数据；
对所述平滑处理后的温度数据进行温度相关性分析，将温度相关性高于一预设值的温度数据分为一组，得到分组温度数据。
3.根据权利要求1所述的铜排的温度异常报警方法，其特征在于，根据所述分组温度数据的共同趋势项，确定各所述分组温度数据的趋势估计，包括：
对所述分组温度数据进行归一化处理，得到归一化处理后的分组温度数据；
对所述归一化处理后的分组温度数据，提取主成分作为该分组温度数据的共同趋势项；
对所述共同趋势项进行反变换处理，得到各所述分组温度数据的趋势估计。
4.根据权利要求3所述的铜排的温度异常报警方法，其特征在于，对所述归一化处理后的分组温度数据，提取主成分作为该分组温度数据的共同趋势项，包括：
归一化处理后的分组温度数据组成集合,/>,对其协方差阵/>进行特征值分解，按特征值从大到小排列提取前k项的特征向量/>;
通过提取主成分作为该分组温度数据的共同趋势项；
其中，为归一化处理后的分组温度数据集，m为分组温度数据集的列数，n为分组温度数据集的行数，P为特征向量，T为共同趋势项集。
5.根据权利要求4所述的铜排的温度异常报警方法，其特征在于，对所述共同趋势项进行反变换处理，得到各所述分组温度数据的趋势估计，包括：
通过进行主成分反变换，将k维的所述共同趋势项变换回m维的趋势估计；
通过对所述m维的趋势估计进行反归一化，得到重构后的趋势估计；
其中，为m维的趋势估计集，/>,T为共同趋势项集，P为特征向量，m为分组温度数据集的列数，n为分组温度数据集的行数，/>为/>中第i列的数据，/>为重构后的趋势估计集中第i列的趋势估计，/>为/>的标准差，/>为/>的均值。
6.根据权利要求5所述的铜排的温度异常报警方法，其特征在于，根据所述趋势估计和实时采集的铜排的温度数据，确定自适应分级报警阈值，包括：
使用所述分组温度数据与所述重构后的趋势估计的差值作为残差；
根据所述残差提取得到标准差；
根据所述标准差和实时采集的铜排的温度数据，确定所述分组温度数据的自适应分级报警阈值。
7.根据权利要求6所述的铜排的温度异常报警方法，其特征在于，根据所述标准差和实时采集的铜排的温度数据，确定所述分组温度数据的自适应分级报警阈值，包括：
实时采集铜排的温度数据；
对所述铜排的温度数据进行分组，得到目标分组温度数据；
获取所述目标分组温度数据的目标共同趋势项；
对所述目标共同趋势项进行反变换处理，得到目标趋势估计；
根据所述目标趋势估计和所述标准差，确定所述分组温度数据的自适应分级报警阈值；所述自适应分级报警阈值可以为：所述目标趋势估计与c倍的所述标准差的差，或者所述目标趋势估计与c倍的所述标准差的和，其中c为整数。
8.根据权利要求7所述的铜排的温度异常报警方法，其特征在于，根据所述比较结果，输出铜排的温度异常报警信息，包括：
若实时采集的铜排的温度数据小于所述目标趋势估计与c倍的所述标准差的差，则输出铜排的低温报警信息，其中c为整数；
若实时采集的铜排的温度数据大于所述目标趋势估计与c倍的所述标准差的和，则输出铜排的高温报警信息，其中c为整数。
9.一种铜排的温度异常报警装置，其特征在于，包括：
获取模块，用于获取多个铜排在一预设时间内的正常工作情况下的温度数据，并发送至分组模块；
分组模块，用于对多个所述铜排的温度数据进行分组，得到分组温度数据，并发送至趋势估计确定模块；
趋势估计确定模块，用于根据所述分组温度数据的共同趋势项，确定各所述分组温度数据的趋势估计，并发送至报警阈值确定模块；
报警阈值确定模块，用于根据所述趋势估计和实时采集的铜排的温度数据，确定自适应分级报警阈值，并发送至比较模块；
比较模块，用于将实时采集的铜排的温度数据与所述自适应分级报警阈值进行比较，得到比较结果，并发送至输出模块；
输出模块，用于根据所述比较结果，输出铜排的温度异常报警信息。
10.一种计算机可读存储介质，其特征在于，其上存储指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1至8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310699047.0A CN116453310B (zh) | 2023-06-14 | 2023-06-14 | 一种铜排的温度异常报警方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310699047.0A CN116453310B (zh) | 2023-06-14 | 2023-06-14 | 一种铜排的温度异常报警方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116453310A true CN116453310A (zh) | 2023-07-18 |
| CN116453310B CN116453310B (zh) | 2023-09-05 |
Family
ID=87130473
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310699047.0A Active CN116453310B (zh) | 2023-06-14 | 2023-06-14 | 一种铜排的温度异常报警方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116453310B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003303019A (ja) * | 2002-04-09 | 2003-10-24 | Wit Japan Co Ltd | 装置監視システム、装置監視方法、及びプログラム |
| US20070010906A1 (en) * | 2005-07-11 | 2007-01-11 | Tokyo Electron Limited | Apparatus and system for monitoring a substrate processing, program for monitoring the processing and storage medium storing same |
| US20100161132A1 (en) * | 2008-12-23 | 2010-06-24 | Manish Harish Bharati | System and method for monitoring an industrial production process |
| US20130035910A1 (en) * | 2010-09-29 | 2013-02-07 | Yingwei Zhang | Continuous annealing process fault detection method based on recursive kernel principal component analysis |
| CN104331595A (zh) * | 2014-09-04 | 2015-02-04 | 天津大学 | 桥梁损伤预警的移动主成分相关系数法 |
| JP2017033348A (ja) * | 2015-08-03 | 2017-02-09 | 東芝三菱電機産業システム株式会社 | 警報装置およびプロセス制御システム |
| CN106777949A (zh) * | 2016-12-08 | 2017-05-31 | 河海大学 | 一种基于再分析数据的海浪波向的长期趋势预测方法 |
| CN107015249A (zh) * | 2017-03-31 | 2017-08-04 | 中国民航大学 | 基于空间相关一致性的ads‑b欺骗式干扰检测方法 |
| CN110689075A (zh) * | 2019-09-26 | 2020-01-14 | 北京工业大学 | 基于多算法融合的制冷设备的自适应阈值的故障预测方法 |
| CN110717552A (zh) * | 2019-10-23 | 2020-01-21 | 智洋创新科技股份有限公司 | 一种输电线路通道可视化机械类连续告警的确定方法 |
| CN111210128A (zh) * | 2019-12-27 | 2020-05-29 | 广东工业大学 | 一种基于人工智能及随机自适应阈值的湿地预警方法 |
| CN114881349A (zh) * | 2022-05-26 | 2022-08-09 | 平安银行股份有限公司 | 基于大数据分析的预警方法及存储介质 |
| CN115358082A (zh) * | 2022-08-26 | 2022-11-18 | 华润数字科技有限公司 | 一种工业生产装置温度和压力的监测方法以及相关装置 |
| CN115470697A (zh) * | 2022-08-23 | 2022-12-13 | 中国华能集团清洁能源技术研究院有限公司 | 一种海上风电电缆温度趋势预警方法与系统 |
| CN115573845A (zh) * | 2022-09-14 | 2023-01-06 | 华电电力科学研究院有限公司 | 一种融合机组在、离线数据的振摆趋势预警方法和系统 |
| CN115774838A (zh) * | 2022-08-25 | 2023-03-10 | 南京工程学院 | 一种数据去噪降维的一次风机故障预警方法 |
-
2023
- 2023-06-14 CN CN202310699047.0A patent/CN116453310B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003303019A (ja) * | 2002-04-09 | 2003-10-24 | Wit Japan Co Ltd | 装置監視システム、装置監視方法、及びプログラム |
| US20070010906A1 (en) * | 2005-07-11 | 2007-01-11 | Tokyo Electron Limited | Apparatus and system for monitoring a substrate processing, program for monitoring the processing and storage medium storing same |
| US20100161132A1 (en) * | 2008-12-23 | 2010-06-24 | Manish Harish Bharati | System and method for monitoring an industrial production process |
| US20130035910A1 (en) * | 2010-09-29 | 2013-02-07 | Yingwei Zhang | Continuous annealing process fault detection method based on recursive kernel principal component analysis |
| CN104331595A (zh) * | 2014-09-04 | 2015-02-04 | 天津大学 | 桥梁损伤预警的移动主成分相关系数法 |
| JP2017033348A (ja) * | 2015-08-03 | 2017-02-09 | 東芝三菱電機産業システム株式会社 | 警報装置およびプロセス制御システム |
| CN106777949A (zh) * | 2016-12-08 | 2017-05-31 | 河海大学 | 一种基于再分析数据的海浪波向的长期趋势预测方法 |
| CN107015249A (zh) * | 2017-03-31 | 2017-08-04 | 中国民航大学 | 基于空间相关一致性的ads‑b欺骗式干扰检测方法 |
| CN110689075A (zh) * | 2019-09-26 | 2020-01-14 | 北京工业大学 | 基于多算法融合的制冷设备的自适应阈值的故障预测方法 |
| CN110717552A (zh) * | 2019-10-23 | 2020-01-21 | 智洋创新科技股份有限公司 | 一种输电线路通道可视化机械类连续告警的确定方法 |
| CN111210128A (zh) * | 2019-12-27 | 2020-05-29 | 广东工业大学 | 一种基于人工智能及随机自适应阈值的湿地预警方法 |
| CN114881349A (zh) * | 2022-05-26 | 2022-08-09 | 平安银行股份有限公司 | 基于大数据分析的预警方法及存储介质 |
| CN115470697A (zh) * | 2022-08-23 | 2022-12-13 | 中国华能集团清洁能源技术研究院有限公司 | 一种海上风电电缆温度趋势预警方法与系统 |
| CN115774838A (zh) * | 2022-08-25 | 2023-03-10 | 南京工程学院 | 一种数据去噪降维的一次风机故障预警方法 |
| CN115358082A (zh) * | 2022-08-26 | 2022-11-18 | 华润数字科技有限公司 | 一种工业生产装置温度和压力的监测方法以及相关装置 |
| CN115573845A (zh) * | 2022-09-14 | 2023-01-06 | 华电电力科学研究院有限公司 | 一种融合机组在、离线数据的振摆趋势预警方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116453310B (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9122273B2 (en) | Failure cause diagnosis system and method | |
| CN111275288B (zh) | 基于XGBoost的多维数据异常检测方法与装置 | |
| JP5753286B1 (ja) | 情報処理装置、診断方法、およびプログラム | |
| US8311774B2 (en) | Robust distance measures for on-line monitoring | |
| EP1336081B1 (en) | Inferential signal generator for instrumented equipment and processes | |
| US20180231394A1 (en) | Gas turbine sensor failure detection utilizing a sparse coding methodology | |
| CN111780800B (zh) | 一种传感器故障的监测、隔离以及重构方法和系统 | |
| JP5827426B1 (ja) | 予兆診断システム及び予兆診断方法 | |
| CN109522948A (zh) | 一种基于正交局部保持投影的故障检测方法 | |
| CN111368428B (zh) | 一种基于监控二阶统计量的传感器精度下降故障检测方法 | |
| JP2017010232A (ja) | プラント診断装置及びプラント診断方法 | |
| CN116432071A (zh) | 一种滚动轴承剩余寿命预测方法 | |
| JP5771317B1 (ja) | 異常診断装置及び異常診断方法 | |
| CN112947649B (zh) | 一种基于互信息矩阵投影的多变量过程监控方法 | |
| CN105718733B (zh) | 基于模糊贴近度和粒子滤波的故障预报方法 | |
| CN117932322A (zh) | 一种面粉设备故障诊断方法及系统 | |
| CN116453310B (zh) | 一种铜排的温度异常报警方法及装置 | |
| CN109522657B (zh) | 一种基于相关性网络和svdd的燃气轮机异常检测方法 | |
| CN116383750A (zh) | 一种基于加窗差分健康指标的滚动轴承早期异常检测方法 | |
| JP5771318B1 (ja) | 異常診断装置及び異常診断方法 | |
| Yang et al. | Information theory based probabilistic approach to blade damage detection of turbomachine using sensor data | |
| Luo et al. | Multivariate statistical Kernel PCA for nonlinear process fault diagnosis in military barracks | |
| Baraldi et al. | A modified Auto Associative Kernel Regression method for robust signal reconstruction in nuclear power plant components | |
| Wang et al. | Fault detection based on optimal transport theory | |
| Sarquis Filho et al. | Practical recommendations for the design of automatic fault detection algorithms based on experiments with field monitoring data |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |