CN116610104A - 基于砷烷合成控制系统的故障分析方法及系统 - Google Patents
基于砷烷合成控制系统的故障分析方法及系统 Download PDFInfo
- Publication number
- CN116610104A CN116610104A CN202310884873.2A CN202310884873A CN116610104A CN 116610104 A CN116610104 A CN 116610104A CN 202310884873 A CN202310884873 A CN 202310884873A CN 116610104 A CN116610104 A CN 116610104A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- feature
- target
- training
- 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
- 238000003786 synthesis reaction Methods 0.000 title claims abstract description 64
- RBFQJDQYXXHULB-UHFFFAOYSA-N arsane Chemical compound [AsH3] RBFQJDQYXXHULB-UHFFFAOYSA-N 0.000 title claims abstract description 63
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 63
- 238000004458 analytical method Methods 0.000 title claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 187
- 230000002159 abnormal effect Effects 0.000 claims abstract description 156
- 238000013528 artificial neural network Methods 0.000 claims abstract description 119
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 29
- 230000006399 behavior Effects 0.000 claims description 107
- 239000013598 vector Substances 0.000 claims description 24
- 238000004140 cleaning Methods 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 19
- 230000008439 repair process Effects 0.000 claims description 16
- 238000007621 cluster analysis Methods 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 238000009795 derivation Methods 0.000 claims description 9
- 238000011835 investigation Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- JBRZTFJDHDCESZ-UHFFFAOYSA-N AsGa Chemical compound [As]#[Ga] JBRZTFJDHDCESZ-UHFFFAOYSA-N 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 229910001218 Gallium arsenide Inorganic materials 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- BHEPBYXIRTUNPN-UHFFFAOYSA-N hydridophosphorus(.) (triplet) Chemical compound [PH] BHEPBYXIRTUNPN-UHFFFAOYSA-N 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请实施例提供一种基于砷烷合成控制系统的故障分析方法及系统,涉及人工智能技术领域,能够使用训练用异常控制行为数据、与训练用异常控制行为数据对应的故障时域特征数据和故障空域特征数据对故障预测神经网络进行循环网络权重参数更新,从而可以更准确地定位故障特征数据的位置,提高故障预测效果,并且还通过基于与目标故障预测结果对应的第一故障知识图数据和第三故障知识图数据,以及与训练用异常控制行为数据对应的第二故障知识图数据对循环网络权重参数更新后的故障预测神经网络进行扩展网络权重参数更新,以提高故障预测神经网络的性能。
Description
技术领域
本申请实施例涉及人工智能技术领域,具体而言,涉及一种基于砷烷合成控制系统的故障分析方法及系统。
背景技术
砷烷用于半导体工业中,如外延硅的N型掺杂、硅中N型扩散、离子注入、生长砷化镓(GaAs)、磷砷化镓(GaAsP)以及与某些元素形成化合物半导体。也用于有机合成、科研或某些特殊实验中。随着智能工业和人工智能技术的发展,通过研发砷烷合成控制系统可以对各个砷烷合成设备进行各个流程的参数控制,砷烷合成控制系统的稳定性也关乎到最终的合成效果,如何对砷烷合成控制系统进行及时的故障排查和预测,是当前亟待解决的技术问题。例如,在相关技术中,通常是结合机器学习进行故障预测神经网络的训练,从而在后续调用故障预测神经网络对当前监控到的异常控制行为数据进行故障分析和预测,然而相关技术中的故障预测神经网络缺乏扩展训练,其性能仍旧有待提高。
发明内容
为了至少克服现有技术中的上述不足,本申请实施例的目的在于提供一种基于砷烷合成控制系统的故障分析方法及系统。
基于本申请实施例的一个方面,提供了一种基于砷烷合成控制系统的故障分析方法,包括:
获取所述砷烷合成控制系统的目标异常控制行为数据,所述目标异常控制行为数据包括多个异常控制事件;
将所述目标异常控制行为数据加载到故障预测神经网络,通过所述故障预测神经网络对各所述异常控制事件进行故障预测,生成故障预测结果;
基于所述故障预测结果,对所述砷烷合成控制系统进行故障修复;
其中,所述故障预测神经网络是通过对基础故障预测神经网络进行循环网络权重参数更新和扩展网络权重参数更新生成的,其中所述循环网络权重参数更新是基于训练用异常控制行为数据和与所述训练用异常控制行为数据对应的故障时域特征数据及故障空域特征数据进行的,生成待定故障预测神经网络,所述扩展网络权重参数更新是基于与目标故障预测结果对应的第一故障知识图数据和第三故障知识图数据,以及与所述训练用异常控制行为数据对应的第二故障知识图数据进行的,生成所述故障预测神经网络,所述目标故障预测结果为所述待定故障预测神经网络对所述训练用异常控制行为数据进行故障预测生成的故障定位数据和对应的故障归类标签分布;所述第一故障知识图数据为对所述目标故障预测结果进行故障知识图生成的,所述第二故障知识图数据为对所述训练用异常控制行为数据中的异常控制事件进行故障知识图生成的,所述第三故障知识图数据为对所述目标故障预测结果中的异常控制事件进行故障知识图生成的,其中,故障知识图用以表示故障触发时的有向知识图,所述有向知识图由多个异常控制节点和所述多个异常控制节点之间的节点逻辑关系构成,所述故障时域特征数据用于表示故障在时域变化维度上的特征数据,所述故障空域特征数据用于表示故障在空域变化维度上的特征数据。
在一种可能的实施方式中,所述对基础故障预测神经网络进行循环网络权重参数更新,包括:
获取所述训练用异常控制行为数据,与所述训练用异常控制行为数据对应的初始故障时域特征数据及故障空域特征数据;
基于所述训练用异常控制行为数据、所述初始故障时域特征数据和所述故障空域特征数据对基础故障预测神经网络进行循环网络权重参数更新,生成所述待定故障预测神经网络。
在一种可能的实施方式中,所述基于所述训练用异常控制行为数据、所述初始故障时域特征数据和所述故障空域特征数据对基础故障预测神经网络进行循环网络权重参数更新,生成所述待定故障预测神经网络,包括:
将所述训练用异常控制行为数据加载到第M个训练节点的基础故障预测神经网络进行故障预测,生成第M个训练节点的故障预测特征数据,其中M为正整数;
基于所述第M个训练节点的故障预测特征数据和第M个训练节点的故障时域特征数据确定故障时域特征代价值,并基于所述第M个训练节点的故障预测特征数据和所述故障空域特征数据确定故障空域特征代价值,其中所述第M个训练节点的故障时域特征数据为网络权重参数更新后的第M-1训练节点的基础故障预测神经网络对所述训练用异常控制行为数据进行故障特征分析得到的故障预测特征数据经故障偏离清洗所得到的故障特征数据,当M=1时,第一训练节点的故障时域特征数据为对所述初始故障时域特征数据进行故障偏离清洗所得到的故障特征数据; 基于所述故障时域特征代价值和所述故障空域特征代价值对所述基础故障预测神经网络的网络权重参数进行更新,并将更新后的基础故障预测神经网络作为第M+1训练节点的基础故障预测神经网络;
对所述第M个训练节点的故障预测特征数据进行故障偏离清洗,生成第M+1训练节点的故障时域特征数据;
基于所述训练用异常控制行为数据、所述故障空域特征数据和所述第M+1训练节点的故障时域特征数据对所述第M+1训练节点的基础故障预测神经网络进行网络权重参数更新,并进行循环迭代,直到网络权重参数更新次数超过设定次数,生成所述待定故障预测神经网络;
其中,所述故障偏离清洗是基于目标故障特征点与设定故障特征分簇内不同簇内故障特征点的故障属性偏离值和一确定所述目标故障特征点与各所述簇内故障特征点的相对故障属性偏离值,并将所述相对故障属性偏离值大于0的目标簇内故障特征点作为显著性故障特征点,所述目标故障特征点为所述第M个训练节点的故障预测特征数据中的显著性故障特征点。
在一种可能的实施方式中,所述基于所述第M个训练节点的故障预测特征数据和第M个训练节点的故障时域特征数据确定故障时域特征代价值,包括:
获取所述第M个训练节点的故障预测特征数据和所述第M个训练节点的故障时域特征数据之间的相对熵值;
对所述第M个训练节点的故障时域特征数据进行时域衍生,生成时域衍生特征;
基于所述时域衍生特征和所述相对熵值确定所述故障时域特征代价值。
在一种可能的实施方式中,所述基于所述第M个训练节点的故障预测特征数据和所述故障空域特征数据确定故障空域特征代价值,包括:
对所述故障空域特征数据进行空域衍生,生成空域衍生特征;
基于所述第M个训练节点的故障预测特征数据和所述空域衍生特征确定所述故障空域特征代价值。
在一种可能的实施方式中,所述第M个训练节点的故障预测特征数据包括对应所述异常控制事件的显著性故障特征点和簇内故障特征点;
所述对所述第M个训练节点的故障预测特征数据进行故障偏离清洗,包括:
以所述第M个训练节点的故障预测特征数据中的任意一个显著性故障特征点为目标故障特征点,基于设定优化参数值确定所述目标故障特征点与设定故障特征分簇内各所述簇内故障特征点的故障属性偏离值;
与1的相减值,生成各所述簇内故障特征点与所述目标故障特征点的相对故障属性偏离值;
将所述相对故障属性偏离值大于0的目标簇内故障特征点划分为显著性故障特征点,并基于所述相对故障属性偏离值对所述目标簇内故障特征点设置低于所述目标故障特征点注意力值的不同注意力值。
在一种可能的实施方式中,所述扩展网络权重参数更新是基于与目标故障预测结果对应的第一故障知识图数据和第三故障知识图数据,以及与所述训练用异常控制行为数据对应的第二故障知识图数据进行的,生成所述故障预测神经网络,包括:
将所述第一故障知识图数据与所述第二故障知识图数据融合,生成实际故障知识图数据;
对所述实际故障知识图数据进行知识特征衍生,生成衍生知识特征;
将所述第三故障知识图数据与所述实际故障知识图数据进行区别特征提取,生成故障知识图区别特征;
基于所述故障知识图区别特征和所述衍生知识特征确定目标训练误差值,并依据所述目标训练误差值对所述待定故障预测神经网络进行扩展网络权重参数更新,生成所述故障预测神经网络。
在一种可能的实施方式中,所述基于所述故障预测结果,对所述砷烷合成控制系统进行故障修复的步骤,包括:
基于所述故障预测结果中的故障定位数据和对应的故障归类标签分布,从云端修复策略库中获取与所述故障归类标签分布中每个故障归类标签对应的故障修复策略,并将获取到的每个故障修复策略与对应的故障定位数据的功能运行模块进行关联;
基于所述每个故障修复策略对对应关联的功能运行模块进行修复。
在一种可能的实施方式中,所述获取所述砷烷合成控制系统的目标异常控制行为数据的步骤,包括:
获取所述砷烷合成控制系统的目标历史控制日志数据,所述目标历史控制日志数据包括待进行异常排查的候选薄弱控制环节数据;
获取与所述目标历史控制日志数据对应的第一控制状态描述向量,以及获取模板异常控制数据中各个模板薄弱控制环节各自对应的第二控制状态描述向量,所述第一控制状态描述向量反映所述目标历史控制日志数据的控制状态变化趋势,所述第二控制状态描述向量反映所述模板薄弱控制环节的异常状态趋势,所述模板薄弱控制环节对应有异常控制行为;
结合所述第一控制状态描述向量分别与每个所述第二控制状态描述向量进行特征聚类分析以获得特征聚类分析数据,结合所述特征聚类分析数据在所述模板异常控制数据的各个模板薄弱控制环节中获取与所述候选薄弱控制环节数据存在于同一特征聚类簇的至少一个参考模板薄弱控制环节;
对所述目标历史控制日志数据分别和每个所述参考模板薄弱控制环节的异常控制行为进行匹配,生成匹配数据对;
确定和所述匹配数据对对应的支撑度;
结合所述支撑度在所述至少一个参考模板薄弱控制环节中确定与所述候选薄弱控制环节数据对应的目标模板薄弱控制环节;
获取所述目标模板薄弱控制环节对应的候选异常控制行为数据,并基于所述目标历史控制日志数据从所述候选异常控制行为数据中确定所述候选薄弱控制环节数据的目标异常控制行为数据。
由此,在进行所述砷烷合成控制系统的目标异常控制行为数据监控过程中,通过结合模板异常控制数据中各个模板薄弱控制环节进行特征聚类分析和数据匹配,可以提高目标异常控制行为数据监控的准确性。
基于本申请实施例的一个方面,提供了一种基于砷烷合成控制系统的故障分析系统,所述基于砷烷合成控制系统的故障分析系统包括处理器和机器可读存储介质,所述机器可读存储介质中存储有机器可执行指令,所述机器可执行指令由所述处理器加载并执行以实现前述任意一种可能的实施方式中的基于砷烷合成控制系统的故障分析方法。
基于本申请实施例的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述三方面的各种可选实现方式中提供的方法。
在本申请的一些实施例所提供的技术方案中,通过满足网络收敛条件的故障预测神经网络对目标异常控制行为数据中的异常控制事件进行故障预测,生成故障预测结果。其中,故障预测神经网络是通过对基础故障预测神经网络进行循环网络权重参数更新和扩展网络权重参数更新生成的,其中循环网络权重参数更新是基于训练用异常控制行为数据和与训练用异常控制行为数据对应的故障时域特征数据及故障空域特征数据进行的,扩展网络权重参数更新是基于与目标故障预测结果对应的第一故障知识图数据和第三故障知识图数据,以及与训练用异常控制行为数据对应的第二故障知识图数据进行的,该目标故障预测结果为循环网络权重参数更新后的故障预测神经网络对训练用异常控制行为数据进行故障预测生成的故障定位数据和对应的故障归类标签分布。由此,本申请能够使用训练用异常控制行为数据、与训练用异常控制行为数据对应的故障时域特征数据和故障空域特征数据对故障预测神经网络进行循环网络权重参数更新,从而可以更准确地定位故障特征数据的位置,提高故障预测效果,并且还通过基于与目标故障预测结果对应的第一故障知识图数据和第三故障知识图数据,以及与训练用异常控制行为数据对应的第二故障知识图数据对循环网络权重参数更新后的故障预测神经网络进行扩展网络权重参数更新,以提高故障预测神经网络的性能。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要启用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的基础上,还可以结合这些附图提取其它相关的附图。
图1为本申请实施例提供的基于砷烷合成控制系统的故障分析方法的流程示意图;
图2为本申请实施例提供的用于实现上述的基于砷烷合成控制系统的故障分析方法的基于砷烷合成控制系统的故障分析系统的结构示意框图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和结合本申请,并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲,显然可以对所公开的实施例作出各种改变,并且在不偏离本申请的原则和范围时,本申请中所定义的普遍原则可以适用于其它实施例和应用场景。因此,本申请并不限于所描述的实施例,而应该被给予与权利要求一致的最广泛的范围。
图1是本申请一种实施例提供的基于砷烷合成控制系统的故障分析方法的流程示意图,下面对该基于砷烷合成控制系统的故障分析方法进行详细介绍。
步骤S110中,获取所述砷烷合成控制系统的目标异常控制行为数据,所述目标异常控制行为数据包括多个异常控制事件。
一种可替代的实施方式中,本申请实施例可以实时对砷烷合成控制系统进行监控以便于在检测到存在异常控制行为时实时获取目标异常控制行为数据。
步骤S120中,将所述目标异常控制行为数据加载到故障预测神经网络,通过所述故障预测神经网络对各所述异常控制事件进行故障预测,生成故障预测结果;其中,所述故障预测神经网络是通过对基础故障预测神经网络进行循环网络权重参数更新和扩展网络权重参数更新生成的,其中所述循环网络权重参数更新是基于训练用异常控制行为数据和与所述训练用异常控制行为数据对应的故障时域特征数据及故障空域特征数据进行的,所述扩展网络权重参数更新是基于与目标故障预测结果对应的第一故障知识图数据和第三故障知识图数据,以及与所述训练用异常控制行为数据对应的第二故障知识图数据进行的,所述目标故障预测结果为循环网络权重参数更新后的故障预测神经网络对所述训练用异常控制行为数据进行故障预测生成的故障定位数据和对应的故障归类标签分布。
其中,故障知识图用以表示故障触发时的有向知识图,所述有向知识图由多个异常控制节点和所述多个异常控制节点之间的节点逻辑关系构成,所述故障时域特征数据用于表示故障在时域变化维度上的特征数据,所述故障空域特征数据用于表示故障在空域变化维度上的特征数据。
步骤S130中,基于所述故障预测结果,对所述砷烷合成控制系统进行故障修复。
一种可替代的实施方式中,在获取目标异常控制行为数据后,可以将目标异常控制行为数据加载到满足网络收敛条件的故障预测神经网络,通过故障预测神经网络对目标异常控制行为数据中的各个异常控制事件进行故障预测,生成与目标异常控制行为数据对应的故障预测结果,该故障预测结果中包括显著性故障特征点和簇内故障特征点,其中与异常控制事件对应的故障特征点为显著性故障特征点,具有高注意力值,而不属于异常控制事件的故障特征点则为簇内故障特征点,具有低注意力值,故障预测神经网络可以采用基于蒙特卡洛神经网络的不平衡数据分类算法。
一种可替代的实施方式中,为了提高故障预测结果的准确性,在使用故障预测神经网络进行故障预测之前,需要对基础故障预测神经网络进行训练,生成性能较好的故障预测神经网络。在下述实施例中,将对如何训练基础故障预测神经网络进行详细说明。
一种可替代的实施方式中,在对基础故障预测神经网络进行网络权重参数更新时,包括循环网络权重参数更新和扩展网络权重参数更新,其中循环网络权重参数更新是基于训练用异常控制行为数据和与训练用异常控制行为数据对应的故障时域特征数据及故障空域特征数据进行的,扩展网络权重参数更新是基于与目标故障预测结果对应的第一故障知识图数据和第三故障知识图数据,以及与训练用异常控制行为数据对应的第二故障知识图数据进行的,该目标故障预测结果为循环网络权重参数更新后的故障预测神经网络对训练用异常控制行为数据进行故障预测生成的故障定位数据和对应的故障归类标签分布。
例如,该循环网络权重参数更新的流程包括步骤S201-S202,具体地:
步骤S201中,获取训练用异常控制行为数据,与训练用异常控制行为数据对应的初始故障时域特征数据及故障空域特征数据。
步骤S202中,基于训练用异常控制行为数据、初始故障时域特征数据和故障空域特征数据对基础故障预测神经网络进行循环网络权重参数更新,生成待定故障预测神经网络。
一种可替代的实施方式中,在循环网络权重参数更新过程中,当前训练节点所采用的故障时域特征数据为前一训练节点的网络权重参数更新后的模型对训练用异常控制行为数据进行故障预测所输出的故障预测特征数据经故障偏离清洗后得到的故障特征数据,并且当前训练节点所采用的故障预测神经网络为前一训练节点的网络权重参数更新后的具有更新权重信息的神经网络。对基础故障预测神经网络进行循环网络权重参数更新的流程具体可以参见下述步骤。
在步骤S301中,将训练用异常控制行为数据加载到第M个训练节点的基础故障预测神经网络进行故障预测,生成第M个训练节点的故障预测特征数据,其中M为正整数;在步骤S302中,基于第M个训练节点的故障预测特征数据和第M个训练节点的故障时域特征数据确定故障时域特征代价值,并基于第M个训练节点的故障预测特征数据和故障空域特征数据确定故障空域特征代价值,其中第M个训练节点的故障时域特征数据为网络权重参数更新后的第M-1训练节点的基础故障预测神经网络对训练用异常控制行为数据进行故障特征分析得到的故障预测特征数据经故障偏离清洗所得到的故障特征数据,当M=1时,第一训练节点的故障时域特征数据为对初始故障时域特征数据进行故障偏离清洗所得到的故障特征数据;在步骤S303中,基于故障时域特征代价值和故障空域特征代价值对基础故障预测神经网络的网络权重参数进行更新,并将更新后的基础故障预测神经网络作为第M+1训练节点的基础故障预测神经网络;在步骤S304中,对第M个训练节点的故障预测特征数据进行故障偏离清洗,生成第M+1训练节点的故障时域特征数据;在步骤S305中,基于训练用异常控制行为数据、故障空域特征数据和第M+1训练节点的故障时域特征数据对第M+1训练节点的基础故障预测神经网络进行训练;在步骤S306中,重复步骤S301-S305,直到训练次数超过设定次数,生成待定故障预测神经网络。
以对基础故障预测神经网络进行三次循环网络权重参数更新为例对循环网络权重参数更新的流程进行详细说明,每一训练节点的网络学习数据均包括训练用异常控制行为数据、故障空域特征数据和故障时域特征数据,其中故障时域特征数据基于训练节点的不同而不同,示例性地,第一训练节点中的故障时域特征数据为对初始故障时域特征数据进行故障偏离清洗后所得的故障特征数据,第二训练节点中的故障时域特征数据为对第一故障训练输出数据进行故障偏离清洗所得到的故障特征数据,该第一故障训练输出数据为第一训练节点的网络权重参数更新后的故障预测神经网络对训练用异常控制行为数据进行故障特征分析所得到的故障训练输出数据,第三训练节点中的故障时域特征数据为对第二故障训练输出数据进行故障偏离清洗所得到的故障特征数据,该第二故障训练输出数据为第二训练节点的网络权重参数更新后的故障预测神经网络对训练用异常控制行为数据进行故障特征分析所得到的故障训练输出数据。在每一训练节点中,可以基于神经网络的故障预测特征数据、故障时域特征数据和故障空域特征数据确定故障时域特征代价值和故障空域特征代价值,并基于所确定的故障时域特征代价值和故障空域特征代价值对神经网络进行更新。
基于第M个训练节点的故障预测特征数据和第M个训练节点的故障时域特征数据可以确定故障时域特征代价值,示例性地,首先获取第M个训练节点的故障预测特征数据和第M个训练节点的故障时域特征数据之间的相对熵值;然后对第M个训练节点的故障时域特征数据进行时域衍生,生成时域衍生特征;最后基于时域衍生特征和相对熵值确定故障时域特征代价值。
基于第M个训练节点的故障预测特征数据和故障空域特征数据可以确定故障空域特征代价值,示例性地,首先对故障空域特征数据进行空域衍生,生成空域衍生特征;然后基于第M个训练节点的故障预测特征数据和空域衍生特征确定故障空域特征代价值。
一种可替代的实施方式中,在获取第M+1训练节点的故障时域特征数据时,都需要对第M个训练节点的故障预测特征数据进行故障偏离清洗,其中第一训练节点的故障时域特征数据为对初始故障时域特征数据进行故障偏离清洗得到的故障特征数据,那么下面的实施例中,将对如何对第M个训练节点的故障预测特征数据或初始故障时域特征数据进行故障偏离清洗进行详细说明。
故障预测特征数据和初始故障时域特征数据中均包括与异常控制事件对应的显著性故障特征点和簇内故障特征点,示例性地,可以以第M个训练节点的故障预测特征数据或初始故障时域特征数据中的任意一个显著性故障特征点为目标故障特征点,基于设定优化参数值确定目标故障特征点与设定故障特征分簇内各簇内故障特征点的故障属性偏离值;然后将1与各个故障属性偏离值相减,生成各簇内故障特征点与目标故障特征点的相对故障属性偏离值;最后将相对故障属性偏离值大于0的目标簇内故障特征点划分为显著性故障特征点,并基于相对故障属性偏离值对目标簇内故障特征点设置低于目标故障特征点注意力值的不同注意力值。
相对故障属性偏离值表示簇内故障特征点与目标故障特征点的特征距离,或者是簇内故障特征点可以作为显著性故障特征点的可能性的负向数值,若簇内故障特征点与目标故障特征点的故障属性偏离值越大,则相对故障属性偏离值越小,说明该簇内故障特征点作为显著性故障特征点的可能性很大;若簇内故障特征点与目标故障特征点的故障属性偏离值越小,则相对故障属性偏离值越大,说明该簇内故障特征点作为显著性故障特征点的可能性很小。
为了使故障预测结果中的故障知识图更接近异常控制事件的实际故障知识图,本申请实施例中还可以对待定故障预测神经网络进行扩展网络权重参数更新。接下来对如何对待定故障预测神经网络进行扩展网络权重参数更新进行详细说明。
一种可替代的实施方式中,以上所描述的扩展网络权重参数更新至少包括步骤S401-S403,具体为:
在步骤S401中,将训练用异常控制行为数据加载到待定故障预测神经网络进行故障预测,生成目标故障预测结果。
一种可替代的实施方式中,训练故障预测神经网络的目的就是使得神经网络输出的故障预测结果中的异常控制事件的故障知识图与训练参考数据中异常控制事件的故障知识图接近或相同,这样才能提高故障预测的准确性,因此在对待定故障预测神经网络进行扩展网络权重参数更新时,不仅需要获取训练用异常控制行为数据中与异常控制事件对应的故障知识图数据,还需要获取待定故障预测神经网络对训练用异常控制行为数据进行故障特征分析后所得到的故障训练输出数据中异常控制事件的故障知识图数据,然后基于两个故障知识图数据对待定故障预测神经网络的网络权重参数进行更新。
为了获取待定故障预测神经网络对训练用异常控制行为数据进行故障特征分析所得到的故障训练输出数据中异常控制事件的故障知识图数据,首先需要将训练用异常控制行为数据加载到待定故障预测神经网络,通过待定故障预测神经网络对训练用异常控制行为数据中的异常控制事件进行故障预测,生成目标故障预测结果,即故障训练输出数据。
在步骤S402中,对目标故障预测结果进行故障知识图提取以获取第一故障知识图数据,对训练用异常控制行为数据中各异常控制事件进行故障知识图生成以获取第二故障知识图数据,同时对目标故障预测结果中各异常控制事件进行故障知识图生成以获取第三故障知识图数据。
在步骤S403中,基于第一故障知识图数据、第二故障知识图数据和第三故障知识图数据对待定故障预测神经网络进行扩展网络权重参数更新,生成故障预测神经网络。
一种可替代的实施方式中,在获取第一故障知识图数据、第二故障知识图数据和第三故障知识图数据后,可以基于第一故障知识图数据、第二故障知识图数据和第三故障知识图数据确定目标训练误差值,并依据目标训练误差值对待定故障预测神经网络进行更新,生成故障预测神经网络。获取故障预测神经网络的流程,可以参见下述步骤。
在步骤S501中,将第一故障知识图数据与第二故障知识图数据融合,生成实际故障知识图数据;在步骤S502中,对实际故障知识图数据进行知识特征衍生,生成衍生知识特征;在步骤S503中,将第三故障知识图数据与实际故障知识图数据进行区别特征提取以获取故障知识图区别特征;在步骤S504中,基于故障知识图区别特征和衍生知识特征确定目标训练误差值,并依据目标训练误差值对待定故障预测神经网络进行扩展网络权重参数更新,生成故障预测神经网络。
总结以上训练方法而言,包括下述步骤:
A:获取训练用异常控制行为数据,与训练用异常控制行为数据对应的初始故障时域特征数据及故障空域特征数据;B:基于训练用异常控制行为数据、故障空域特征数据和初始故障时域特征数据对基础故障预测神经网络进行循环网络权重参数更新,生成待定故障预测神经网络;C:通过待定故障预测神经网络对待故障预测结果样本进行故障预测,生成目标故障预测结果;D:对目标故障预测结果进行故障知识图提取以获取第一故障知识图数据,对训练用异常控制行为数据中各异常控制事件进行故障知识图生成以获取第二故障知识图数据,同时对目标故障预测结果中各异常控制事件进行故障知识图生成以获取第三故障知识图数据;E:基于第一故障知识图数据、第二故障知识图数据和所述第三故障知识图数据对待定故障预测神经网络进行扩展网络权重参数更新,生成故障预测神经网络。
一种可替代的实施方式中,以上B可以基于以下流程实现:首先将待故障预测结果样本加载到第M个训练节点的基础故障预测神经网络进行故障预测,生成第M个训练节点的故障预测特征数据,其中M为正整数;接着基于第M个训练节点的故障预测特征数据和第M个训练节点的故障时域特征数据确定故障时域特征代价值,并基于第M个训练节点的故障预测特征数据和故障空域特征数据确定故障空域特征代价值,其中第M个训练节点的故障时域特征数据为网络权重参数更新后的第M-1训练节点的基础故障预测神经网络对训练用异常控制行为数据进行故障特征分析得到的故障预测特征数据经故障偏离清洗所得到的故障特征数据,当M=1时,第一训练节点的故障时域特征数据为对初始故障时域特征数据进行故障偏离清洗所得到的故障特征数据;进而基于故障时域特征代价值和故障空域特征代价值对基础故障预测神经网络的网络权重参数进行更新,并将更新后的基础故障预测神经网络作为第M+1训练节点的基础故障预测神经网络;同时将第M个训练节点的故障预测特征数据进行故障偏离清洗,生成第M+1训练节点的故障时域特征数据;然后基于待故障预测结果样本、故障空域特征数据和第M+1训练节点的故障时域特征数据对基础故障预测神经网络进行第M+1训练节点的训练;最后重复上述步骤,直到网络权重参数更新次数超过设定次数以获取待定故障预测神经网络。
一种可替代的实施方式中,针对步骤S130,本实施例可以基于所述故障预测结果中的故障定位数据和对应的故障归类标签分布,从云端修复策略库中获取与所述故障归类标签分布中每个故障归类标签对应的故障修复策略,并将获取到的每个故障修复策略与对应的故障定位数据的功能运行模块进行关联,然后基于所述每个故障修复策略对对应关联的功能运行模块进行修复。
一种可替代的实施方式中,针对步骤S110,获取所述砷烷合成控制系统的目标异常控制行为数据的步骤,包括:
步骤S111,获取所述砷烷合成控制系统的目标历史控制日志数据,所述目标历史控制日志数据包括待进行异常排查的候选薄弱控制环节数据。
步骤S112,获取与所述目标历史控制日志数据对应的第一控制状态描述向量,以及获取模板异常控制数据中各个模板薄弱控制环节各自对应的第二控制状态描述向量,所述第一控制状态描述向量反映所述目标历史控制日志数据的控制状态变化趋势,所述第二控制状态描述向量反映所述模板薄弱控制环节的异常状态趋势,所述模板薄弱控制环节对应有异常控制行为。
步骤S113,结合所述第一控制状态描述向量分别与每个所述第二控制状态描述向量进行特征聚类分析以获得特征聚类分析数据,结合所述特征聚类分析数据在所述模板异常控制数据的各个模板薄弱控制环节中获取与所述候选薄弱控制环节数据存在于同一特征聚类簇的至少一个参考模板薄弱控制环节。
步骤S114,对所述目标历史控制日志数据分别和每个所述参考模板薄弱控制环节的异常控制行为进行匹配,生成匹配数据对。
步骤S115,确定和所述匹配数据对对应的支撑度,例如可以确定所述目标历史控制日志数据分别和每个所述参考模板薄弱控制环节的异常控制行为的特征重合度,作为该支撑度。
步骤S116,结合所述支撑度在所述至少一个参考模板薄弱控制环节中确定与所述候选薄弱控制环节数据对应的目标模板薄弱控制环节。
步骤S117,获取所述目标模板薄弱控制环节对应的候选异常控制行为数据,并基于所述目标历史控制日志数据从所述候选异常控制行为数据中确定所述候选薄弱控制环节数据的目标异常控制行为数据。
采用以上步骤,首先获取目标历史控制日志数据,该目标历史控制日志数据包括待进行异常排查的候选薄弱控制环节数据,再获取与目标历史控制日志数据对应的第一控制状态描述向量,以及获取模板异常控制数据中各个模板薄弱控制环节各自对应的第二控制状态描述向量,第一控制状态描述向量反映目标历史控制日志数据的控制状态变化趋势,第二控制状态描述向量反映模板薄弱控制环节的异常状态趋势,模板薄弱控制环节对应有异常控制行为;结合第一控制状态描述向量分别与每个第二控制状态描述向量进行特征聚类分析以获得特征聚类分析数据,结合特征聚类分析数据在模板异常控制数据的各个模板薄弱控制环节中获取与候选薄弱控制环节数据存在于同一特征聚类簇的至少一个参考模板薄弱控制环节,之后对目标历史控制日志数据分别和每个所述参考模板薄弱控制环节的异常控制行为进行匹配,生成匹配数据对,然后确定和匹配数据对对应的支撑度,接着结合支撑度在至少一个参考模板薄弱控制环节中确定和候选薄弱控制环节数据对应的目标模板薄弱控制环节,然后获取所述目标模板薄弱控制环节对应的候选异常控制行为数据,并基于所述目标历史控制日志数据从所述候选异常控制行为数据中确定所述候选薄弱控制环节数据的目标异常控制行为数据,从而在进行所述砷烷合成控制系统的目标异常控制行为数据监控过程中,通过结合模板异常控制数据中各个模板薄弱控制环节进行特征聚类分析和数据匹配,可以提高目标异常控制行为数据监控的准确性。
图2示出了本申请实施例提供的用于实现上述的基于砷烷合成控制系统的故障分析方法的基于砷烷合成控制系统的故障分析系统100的硬件结构意图,如图2所示,基于砷烷合成控制系统的故障分析系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
在一些可替代的实施方式中,基于砷烷合成控制系统的故障分析系统100可以是单个基于砷烷合成控制系统的故障分析系统,也可以是基于砷烷合成控制系统的故障分析系统组。所述基于砷烷合成控制系统的故障分析系统组可以是集中式的,也可以是分布式的(例如,基于砷烷合成控制系统的故障分析系统100可以是分布式的系统)。在一些可替代的实施方式中,基于砷烷合成控制系统的故障分析系统100可以是本地的,也可以是远程的。例如,基于砷烷合成控制系统的故障分析系统100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如,基于砷烷合成控制系统的故障分析系统100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。在一些可替代的实施方式中,基于砷烷合成控制系统的故障分析系统100可以在云平台上实施。仅作为示例,该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
机器可读存储介质120可以储存数据和/或指令。在一些可替代的实施方式中,机器可读存储介质120可以存储从外部终端获取的数据。在一些可替代的实施方式中,机器可读存储介质120可以储存基于砷烷合成控制系统的故障分析系统100用来执行或使用来完成本申请中描述的示例性方法的数据及/或指令。在一些可替代的实施方式中,机器可读存储介质120可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取内存(RAM)。示例性RAM可包括主动随机存取存储器(DRAM)、双倍数据速率同步主动随机存取存储器(DDR SDRAM)、被动随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(PEROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些可替代的实施方式中,机器可读存储介质120可以在云平台上实现。仅作为示例,云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云,多层云等,或其任意组合。
在具体实现过程中,至少一个处理器110执行机器可读存储介质120存储的计算机可执行指令,使得处理器110可以执行如上方法实施例的基于砷烷合成控制系统的故障分析方法,处理器110、机器可读存储介质120以及通信单元140通过总线130连接,处理器110可以用于控制通信单元140的收发动作。
处理器110的具体实现过程可参见上述基于砷烷合成控制系统的故障分析系统100执行的各个方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
此外,本申请实施例还提供一种可读存储介质,所述可读存储介质中预设有计算机可执行指令,当处理器执行所述计算机可执行指令时,实现如上基于砷烷合成控制系统的故障分析方法。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。
Claims (10)
1.一种基于砷烷合成控制系统的故障分析方法,其特征在于,通过基于砷烷合成控制系统的故障分析系统实现,所述方法包括:
获取所述砷烷合成控制系统的目标异常控制行为数据,所述目标异常控制行为数据包括多个异常控制事件;
将所述目标异常控制行为数据加载到故障预测神经网络,通过所述故障预测神经网络对各所述异常控制事件进行故障预测,生成故障预测结果;
基于所述故障预测结果,对所述砷烷合成控制系统进行故障修复;
其中,所述故障预测神经网络是通过对基础故障预测神经网络进行循环网络权重参数更新和扩展网络权重参数更新生成的,其中所述循环网络权重参数更新是基于训练用异常控制行为数据和与所述训练用异常控制行为数据对应的故障时域特征数据及故障空域特征数据进行的,生成待定故障预测神经网络,所述扩展网络权重参数更新是基于与目标故障预测结果对应的第一故障知识图数据和第三故障知识图数据,以及与所述训练用异常控制行为数据对应的第二故障知识图数据进行的,生成所述故障预测神经网络,所述目标故障预测结果为所述待定故障预测神经网络对所述训练用异常控制行为数据进行故障预测生成的故障定位数据和对应的故障归类标签分布;所述第一故障知识图数据为对所述目标故障预测结果进行故障知识图生成的,所述第二故障知识图数据为对所述训练用异常控制行为数据中的异常控制事件进行故障知识图生成的,所述第三故障知识图数据为对所述目标故障预测结果中的异常控制事件进行故障知识图生成的,其中,故障知识图用以表示故障触发时的有向知识图,所述有向知识图由多个异常控制节点和所述多个异常控制节点之间的节点逻辑关系构成,所述故障时域特征数据用于表示故障在时域变化维度上的特征数据,所述故障空域特征数据用于表示故障在空域变化维度上的特征数据。
2.根据权利要求1所述的基于砷烷合成控制系统的故障分析方法,其特征在于,所述对基础故障预测神经网络进行循环网络权重参数更新,包括:
获取所述训练用异常控制行为数据,与所述训练用异常控制行为数据对应的初始故障时域特征数据及故障空域特征数据;
基于所述训练用异常控制行为数据、所述初始故障时域特征数据和所述故障空域特征数据对基础故障预测神经网络进行循环网络权重参数更新,生成所述待定故障预测神经网络。
3.根据权利要求2所述的基于砷烷合成控制系统的故障分析方法,其特征在于,所述基于所述训练用异常控制行为数据、所述初始故障时域特征数据和所述故障空域特征数据对基础故障预测神经网络进行循环网络权重参数更新,生成所述待定故障预测神经网络,包括:
将所述训练用异常控制行为数据加载到第M个训练节点的基础故障预测神经网络进行故障预测,生成第M个训练节点的故障预测特征数据,其中M为正整数;
基于所述第M个训练节点的故障预测特征数据和第M个训练节点的故障时域特征数据确定故障时域特征代价值,并基于所述第M个训练节点的故障预测特征数据和所述故障空域特征数据确定故障空域特征代价值,其中所述第M个训练节点的故障时域特征数据为网络权重参数更新后的第M-1训练节点的基础故障预测神经网络对所述训练用异常控制行为数据进行故障特征分析得到的故障预测特征数据经故障偏离清洗所得到的故障特征数据,当M=1时,第一训练节点的故障时域特征数据为对所述初始故障时域特征数据进行故障偏离清洗所得到的故障特征数据; 基于所述故障时域特征代价值和所述故障空域特征代价值对所述基础故障预测神经网络的网络权重参数进行更新,并将更新后的基础故障预测神经网络作为第M+1训练节点的基础故障预测神经网络;
对所述第M个训练节点的故障预测特征数据进行故障偏离清洗,生成第M+1训练节点的故障时域特征数据;
基于所述训练用异常控制行为数据、所述故障空域特征数据和所述第M+1训练节点的故障时域特征数据对所述第M+1训练节点的基础故障预测神经网络进行网络权重参数更新,并进行循环迭代,直到网络权重参数更新次数超过设定次数,生成所述待定故障预测神经网络;
其中,所述故障偏离清洗是基于目标故障特征点与设定故障特征分簇内不同簇内故障特征点的故障属性偏离值和一确定所述目标故障特征点与各所述簇内故障特征点的相对故障属性偏离值,并将所述相对故障属性偏离值大于0的目标簇内故障特征点作为显著性故障特征点,所述目标故障特征点为所述第M个训练节点的故障预测特征数据中的显著性故障特征点。
4.根据权利要求3所述的基于砷烷合成控制系统的故障分析方法,其特征在于,所述基于所述第M个训练节点的故障预测特征数据和第M个训练节点的故障时域特征数据确定故障时域特征代价值,包括:
获取所述第M个训练节点的故障预测特征数据和所述第M个训练节点的故障时域特征数据之间的相对熵值;
对所述第M个训练节点的故障时域特征数据进行时域衍生,生成时域衍生特征;
基于所述时域衍生特征和所述相对熵值确定所述故障时域特征代价值。
5.根据权利要求3所述的基于砷烷合成控制系统的故障分析方法,其特征在于,所述基于所述第M个训练节点的故障预测特征数据和所述故障空域特征数据确定故障空域特征代价值,包括:
对所述故障空域特征数据进行空域衍生,生成空域衍生特征;
基于所述第M个训练节点的故障预测特征数据和所述空域衍生特征确定所述故障空域特征代价值。
6.根据权利要求3所述的基于砷烷合成控制系统的故障分析方法,其特征在于,所述第M个训练节点的故障预测特征数据包括对应所述异常控制事件的显著性故障特征点和簇内故障特征点;
所述对所述第M个训练节点的故障预测特征数据进行故障偏离清洗,包括:
以所述第M个训练节点的故障预测特征数据中的任意一个显著性故障特征点为目标故障特征点,基于设定优化参数值确定所述目标故障特征点与设定故障特征分簇内各所述簇内故障特征点的故障属性偏离值;
基于所述故障属性偏离值与1的相减值,生成各所述簇内故障特征点与所述目标故障特征点的相对故障属性偏离值;
将所述相对故障属性偏离值大于0的目标簇内故障特征点划分为显著性故障特征点,并基于所述相对故障属性偏离值对所述目标簇内故障特征点设置低于所述目标故障特征点注意力值的不同注意力值。
7.根据权利要求1所述的基于砷烷合成控制系统的故障分析方法,其特征在于,所述扩展网络权重参数更新是基于与目标故障预测结果对应的第一故障知识图数据和第三故障知识图数据,以及与所述训练用异常控制行为数据对应的第二故障知识图数据进行的,生成所述故障预测神经网络,包括:
将所述第一故障知识图数据与所述第二故障知识图数据融合,生成实际故障知识图数据;
对所述实际故障知识图数据进行知识特征衍生,生成衍生知识特征;
将所述第三故障知识图数据与所述实际故障知识图数据进行区别特征提取,生成故障知识图区别特征;
基于所述故障知识图区别特征和所述衍生知识特征确定目标训练误差值,并依据所述目标训练误差值对所述待定故障预测神经网络进行扩展网络权重参数更新,生成所述故障预测神经网络。
8.根据权利要求1-7中任意一项所述的基于砷烷合成控制系统的故障分析方法,其特征在于,所述基于所述故障预测结果,对所述砷烷合成控制系统进行故障修复的步骤,包括:
基于所述故障预测结果中的故障定位数据和对应的故障归类标签分布,从云端修复策略库中获取与所述故障归类标签分布中每个故障归类标签对应的故障修复策略,并将获取到的每个故障修复策略与对应的故障定位数据的功能运行模块进行关联;
基于所述每个故障修复策略对对应关联的功能运行模块进行修复。
9.根据权利要求1-7中任意一项所述的基于砷烷合成控制系统的故障分析方法,其特征在于,所述获取所述砷烷合成控制系统的目标异常控制行为数据的步骤,包括:
获取所述砷烷合成控制系统的目标历史控制日志数据,所述目标历史控制日志数据包括待进行异常排查的候选薄弱控制环节数据;
获取与所述目标历史控制日志数据对应的第一控制状态描述向量,以及获取模板异常控制数据中各个模板薄弱控制环节各自对应的第二控制状态描述向量,所述第一控制状态描述向量反映所述目标历史控制日志数据的控制状态变化趋势,所述第二控制状态描述向量反映所述模板薄弱控制环节的异常状态趋势,所述模板薄弱控制环节对应有异常控制行为;
结合所述第一控制状态描述向量分别与每个所述第二控制状态描述向量进行特征聚类分析以获得特征聚类分析数据,结合所述特征聚类分析数据在所述模板异常控制数据的各个模板薄弱控制环节中获取与所述候选薄弱控制环节数据存在于同一特征聚类簇的至少一个参考模板薄弱控制环节;
对所述目标历史控制日志数据分别和每个所述参考模板薄弱控制环节的异常控制行为进行匹配,生成匹配数据对;
确定和所述匹配数据对对应的支撑度;
结合所述支撑度在所述至少一个参考模板薄弱控制环节中确定与所述候选薄弱控制环节数据对应的目标模板薄弱控制环节;
获取所述目标模板薄弱控制环节对应的候选异常控制行为数据,并基于所述目标历史控制日志数据从所述候选异常控制行为数据中确定所述候选薄弱控制环节数据的目标异常控制行为数据。
10.一种基于砷烷合成控制系统的故障分析系统,其特征在于,所述基于砷烷合成控制系统的故障分析系统包括处理器和机器可读存储介质,所述机器可读存储介质中存储有机器可执行指令,所述机器可执行指令由所述处理器加载并执行以实现权利要求1-9中任意一项所述的基于砷烷合成控制系统的故障分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310884873.2A CN116610104B (zh) | 2023-07-19 | 2023-07-19 | 基于砷烷合成控制系统的故障分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310884873.2A CN116610104B (zh) | 2023-07-19 | 2023-07-19 | 基于砷烷合成控制系统的故障分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116610104A true CN116610104A (zh) | 2023-08-18 |
CN116610104B CN116610104B (zh) | 2023-11-03 |
Family
ID=87678638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310884873.2A Active CN116610104B (zh) | 2023-07-19 | 2023-07-19 | 基于砷烷合成控制系统的故障分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116610104B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117436593A (zh) * | 2023-12-18 | 2024-01-23 | 广州市意立环保科技有限公司 | 基于人工智能的焚烧炉系统故障预测方法及系统 |
CN117519052A (zh) * | 2023-12-12 | 2024-02-06 | 博纯(泉州)半导体材料有限公司 | 基于电子气体生产制造系统的故障分析方法及系统 |
CN117743098A (zh) * | 2023-12-25 | 2024-03-22 | 深圳市朝阳辉科技有限公司 | 智慧能源大数据监控系统的故障定位方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100057649A1 (en) * | 2008-09-04 | 2010-03-04 | Chang Eun Lee | System and method for fault prediction in home network |
CN109639450A (zh) * | 2018-10-23 | 2019-04-16 | 平安壹钱包电子商务有限公司 | 基于神经网络的故障告警方法、计算机设备及存储介质 |
US20200241514A1 (en) * | 2019-01-28 | 2020-07-30 | Exxonmobil Research And Engineering Company | Method and systems for fault detection and identification |
US20200293653A1 (en) * | 2019-03-13 | 2020-09-17 | International Business Machines Corporation | Recurrent Neural Network Based Anomaly Detection |
CN112953629A (zh) * | 2021-03-16 | 2021-06-11 | 北京邮电大学 | 一种光网络故障预测不确定性分析方法及系统 |
CN114218403A (zh) * | 2021-12-20 | 2022-03-22 | 平安付科技服务有限公司 | 基于知识图谱的故障根因定位方法、装置、设备及介质 |
CN114785666A (zh) * | 2022-06-22 | 2022-07-22 | 北京必示科技有限公司 | 一种网络故障排查方法与系统 |
CN115373374A (zh) * | 2022-10-26 | 2022-11-22 | 山东省计算中心(国家超级计算济南中心) | 基于图神经和门控循环网络的工控异常检测方法及系统 |
CN116126569A (zh) * | 2022-11-01 | 2023-05-16 | 中国工商银行股份有限公司 | 智能运维方法及装置 |
CN116304617A (zh) * | 2023-02-15 | 2023-06-23 | 广东工业大学 | 基于神经网络的机电设备故障诊断方法及系统 |
-
2023
- 2023-07-19 CN CN202310884873.2A patent/CN116610104B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100057649A1 (en) * | 2008-09-04 | 2010-03-04 | Chang Eun Lee | System and method for fault prediction in home network |
CN109639450A (zh) * | 2018-10-23 | 2019-04-16 | 平安壹钱包电子商务有限公司 | 基于神经网络的故障告警方法、计算机设备及存储介质 |
US20200241514A1 (en) * | 2019-01-28 | 2020-07-30 | Exxonmobil Research And Engineering Company | Method and systems for fault detection and identification |
US20200293653A1 (en) * | 2019-03-13 | 2020-09-17 | International Business Machines Corporation | Recurrent Neural Network Based Anomaly Detection |
CN112953629A (zh) * | 2021-03-16 | 2021-06-11 | 北京邮电大学 | 一种光网络故障预测不确定性分析方法及系统 |
CN114218403A (zh) * | 2021-12-20 | 2022-03-22 | 平安付科技服务有限公司 | 基于知识图谱的故障根因定位方法、装置、设备及介质 |
CN114785666A (zh) * | 2022-06-22 | 2022-07-22 | 北京必示科技有限公司 | 一种网络故障排查方法与系统 |
CN115373374A (zh) * | 2022-10-26 | 2022-11-22 | 山东省计算中心(国家超级计算济南中心) | 基于图神经和门控循环网络的工控异常检测方法及系统 |
CN116126569A (zh) * | 2022-11-01 | 2023-05-16 | 中国工商银行股份有限公司 | 智能运维方法及装置 |
CN116304617A (zh) * | 2023-02-15 | 2023-06-23 | 广东工业大学 | 基于神经网络的机电设备故障诊断方法及系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117519052A (zh) * | 2023-12-12 | 2024-02-06 | 博纯(泉州)半导体材料有限公司 | 基于电子气体生产制造系统的故障分析方法及系统 |
CN117519052B (zh) * | 2023-12-12 | 2024-05-28 | 博纯(泉州)半导体材料有限公司 | 基于电子气体生产制造系统的故障分析方法及系统 |
CN117436593A (zh) * | 2023-12-18 | 2024-01-23 | 广州市意立环保科技有限公司 | 基于人工智能的焚烧炉系统故障预测方法及系统 |
CN117436593B (zh) * | 2023-12-18 | 2024-05-24 | 广州市意立环保科技有限公司 | 基于人工智能的焚烧炉系统故障预测方法及系统 |
CN117743098A (zh) * | 2023-12-25 | 2024-03-22 | 深圳市朝阳辉科技有限公司 | 智慧能源大数据监控系统的故障定位方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116610104B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116610104B (zh) | 基于砷烷合成控制系统的故障分析方法及系统 | |
KR102483025B1 (ko) | 운영 유지 시스템 및 방법 | |
CN110609759B (zh) | 一种故障根因分析的方法及装置 | |
EP3373552A1 (en) | Multi-modal, multi-disciplinary feature discovery to detect cyber threats in electric power grid | |
US20190219994A1 (en) | Feature extractions to model large-scale complex control systems | |
CN113391943B (zh) | 一种基于因果推断的微服务故障根因定位方法及装置 | |
CN110570012B (zh) | 一种基于Storm的电厂生产设备故障预警方法及系统 | |
CN112347716B (zh) | 基于q学习的电网脆弱点检测方法、系统、设备及介质 | |
Hang et al. | Power system transient stability assessment based on dimension reduction and cost-sensitive ensemble learning | |
EP3968479A1 (en) | Systems and methods for automatic power topology discovery | |
CN105991517A (zh) | 漏洞发掘方法和装置 | |
Kharchenko et al. | Security and availability models for smart building automation systems | |
US20150120640A1 (en) | Hierarchical probability model generation system, hierarchical probability model generation method, and program | |
US20180227167A1 (en) | System, method, computer program and data signal for fault detection and recovery of a network | |
CN117318033B (zh) | 一种结合数据孪生的电网数据管理方法及系统 | |
CN117909864A (zh) | 一种电力故障预测系统及方法 | |
CN113537614A (zh) | 电网工程造价预测模型的构建方法、系统、设备及介质 | |
CN117170980A (zh) | 一种服务器硬件异常预警方法、装置、设备及存储介质 | |
CN111522705A (zh) | 一种工业大数据智能运维解决方法 | |
CN116627773A (zh) | 产销差统计平台系统的异常分析方法及系统 | |
CN109784629B (zh) | 一种基于神经网络的变电站工控网络故障定位方法 | |
CN116822363A (zh) | 一种基于半马尔可夫过程的核电系统可靠性评价方法 | |
CN114039838B (zh) | 基于最大不相交双路由的电力通信网故障分析方法及相关设备 | |
Berry et al. | Triangulation and clique separator decomposition of claw-free graphs | |
CN117951626B (zh) | 一种基于智能优化算法的电网异常状态检测方法及系统 |
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 |