CN116993167B - 一种生产过程中实时风险判断方法及系统 - Google Patents

一种生产过程中实时风险判断方法及系统 Download PDF

Info

Publication number
CN116993167B
CN116993167B CN202311261441.2A CN202311261441A CN116993167B CN 116993167 B CN116993167 B CN 116993167B CN 202311261441 A CN202311261441 A CN 202311261441A CN 116993167 B CN116993167 B CN 116993167B
Authority
CN
China
Prior art keywords
risk
anomaly detection
training
data set
time
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.)
Active
Application number
CN202311261441.2A
Other languages
English (en)
Other versions
CN116993167A (zh
Inventor
任勤雷
范垂荣
朱静
张肇伦
王雪
安小刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Waterborne Transport Research Institute
Original Assignee
China Waterborne Transport Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Waterborne Transport Research Institute filed Critical China Waterborne Transport Research Institute
Priority to CN202311261441.2A priority Critical patent/CN116993167B/zh
Publication of CN116993167A publication Critical patent/CN116993167A/zh
Application granted granted Critical
Publication of CN116993167B publication Critical patent/CN116993167B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种生产过程中实时风险判断方法及系统，用于港口区域生产过程中的风险判断，该方法包括：实时获取港口区域生产过程中的时间序列数据，形成训练数据集，找出所述时间序列数据中未出风险时的时间序列数据，作为未出风险训练数据集；设置异常检测模型，根据所述未出风险训练数据集训练所述异常检测模型，找出与未出风险时的时间序列数据相对应的超平面和决策边界，将所述训练数据集输入到所述异常检测模型中，从而对港口区域进行风险异常检测；设置风险预测模型，根据所述训练数据集，对所述风险预测模型进行训练，找出港口区域发生风险的概率。

Description

一种生产过程中实时风险判断方法及系统
技术领域
本发明属于生产过程中实时风险判断技术领域，更具体地，涉及一种生产过程中实时风险判断方法及系统。
背景技术
生产过程中实时风险判断是确保生产安全和高效运作的重要环节。以下是一些常用的实时风险判断方法：
1.数据监测与传感器技术：在生产现场设置传感器，实时监测关键参数如温度、压力、湿度、流量等。数据监测可以帮助及时察觉异常情况并采取措施。
2.故障预警系统：利用数据监测技术和先进的算法建立故障预警系统，通过对历史数据的学习，预测潜在风险，并在问题发生前发出警报。
但是现有技术中，并没有一种技术方案先对港口区域进行异常检测，然后再对风险进行预测。
发明内容
为解决以上技术特征，本发明提出一种生产过程中实时风险判断方法，用于港口区域生产过程中的风险判断，包括：
实时获取港口区域生产过程中的时间序列数据，形成训练数据集，找出所述时间序列数据中未出风险时的时间序列数据，作为未出风险训练数据集；
设置异常检测模型，根据所述未出风险训练数据集训练所述异常检测模型，找出与未出风险时的时间序列数据相对应的超平面和决策边界，将所述训练数据集输入到所述异常检测模型中，从而对港口区域进行风险异常检测；
设置风险预测模型，根据所述训练数据集，对所述风险预测模型进行训练，找出港口区域发生风险的概率。
进一步的，所述异常检测模型为：
，
其中，为第/>个拉格朗日乘子，/>为第/>个拉格朗日乘子，/>为第/>个类别标签，/>为第/>个类别标签，/>为第个未出风险时的时间序列数据，/>为第/>个核函数的权重，/>为第/>个核函数的计算结果，/>为用于控制第/>个核函数偏移的常数，/>为第/>个核函数的次数。
进一步的，还包括：
设置所述异常检测模型的约束条件，查找满足所述约束条件的一组拉格朗日乘子，并计算超平面和决策边界，从而进行异常检测。
进一步的，所述风险预测模型为：
，
其中，为权重向量,/>为权重向量/>的第/>个分量，/>为正则化参数，/>为第/>个训练样本的第一松弛变量，/>为第/>个训练样本的第二松弛变量，/>为L2正则化的参数。
进一步的，还包括：
设置所述风险预测模型的约束条件，用于对预测误差进行控制，提高所述风险预测模型的泛化能力。
本发明还提出一种生产过程中实时风险判断系统，用于港口区域生产过程中的风险判断，包括：
获取数据模块，用于实时获取港口区域生产过程中的时间序列数据，形成训练数据集，找出所述时间序列数据中未出风险时的时间序列数据，作为未出风险训练数据集；
异常检测模块，用于设置异常检测模型，根据所述未出风险训练数据集训练所述异常检测模型，找出与未出风险时的时间序列数据相对应的超平面和决策边界，将所述训练数据集输入到所述异常检测模型中，从而对港口区域进行风险异常检测；
风险预测模块，用于设置风险预测模型，根据所述训练数据集，对所述风险预测模型进行训练，找出港口区域发生风险的概率。
进一步的，所述异常检测模型为：
，
其中，为第/>个拉格朗日乘子，/>为第/>个拉格朗日乘子，/>为第/>个类别标签，/>为第/>个类别标签，/>为第/>个未出风险时的时间序列数据，/>为第/>个核函数的权重，/>为第/>个核函数的计算结果，/>为用于控制第/>个核函数偏移的常数，/>为第/>个核函数的次数。
进一步的，还包括：
设置所述异常检测模型的约束条件，查找满足所述约束条件的一组拉格朗日乘子，并计算超平面和决策边界，从而进行异常检测。
进一步的，所述风险预测模型为：
，
其中，为权重向量,/>为权重向量/>的第/>个分量，/>为正则化参数，/>为第/>个训练样本的第一松弛变量，/>为第/>个训练样本的第二松弛变量，/>为L2正则化的参数。
进一步的，还包括：
设置所述风险预测模型的约束条件，用于对预测误差进行控制，提高所述风险预测模型的泛化能力。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
本发明通过实时获取港口区域生产过程中的时间序列数据，形成训练数据集，找出所述时间序列数据中未出风险时的时间序列数据，作为未出风险训练数据集；设置异常检测模型，根据所述未出风险训练数据集训练所述异常检测模型，找出与未出风险时的时间序列数据相对应的超平面和决策边界，将所述训练数据集输入到所述异常检测模型中，从而对港口区域进行风险异常检测；设置风险预测模型，根据所述训练数据集，对所述风险预测模型进行训练，找出港口区域发生风险的概率。本发明通过以上技术方案能够根据港口区域实时数据对港口进行异常检测，同时还能够进行风险预测，大大提高了港口生产的安全性。
附图说明
图1是本发明实施例1的方法的流程图；
图2是本发明实施例2的系统的结构图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
本发明提供的方法可以在如下的终端环境中实施，所述终端可以包括一个或多个如下部件：处理器、存储介质和显示屏。其中，存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现下述实施例所述的方法。
处理器可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个终端内的各个部分，通过运行或执行存储在存储介质内的指令、程序、代码集或指令集，以及调用存储在存储介质内的数据，执行终端的各种功能和处理数据。
存储介质可以包括随机存储介质(Random Access Memory，RAM)，也可以包括只读存储介质(Read-Only Memory，ROM)。存储介质可用于存储指令、程序、代码、代码集或指令。
显示屏用于显示各个应用程序的用户界面。
本发明公式中所有下角标只为了区分个参数，并没有实际含义。
除此之外，本领域技术人员可以理解，上述终端的结构并不构成对终端的限定，终端可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。比如，终端中还包括射频电路、输入单元、传感器、音频电路、电源等部件，在此不再赘述。
实施例1
如图1所示，本发明实施例提供一种生产过程中实时风险判断方法，用于港口区域生产过程中的风险判断，包括：
步骤101，实时获取港口区域生产过程中的时间序列数据，/>为在时间t的特征数据，形成训练数据集，找出所述时间序列数据中未出风险时的时间序列数据，作为未出风险训练数据集；
具体的，时间序列数据x可以为以下数据的一种或几种：
1.船舶进出港时间：记录船舶抵达和离港的时间，用于监测船舶运营情况和港口交通流量。
2.船舶靠泊时间：监测船舶靠泊码头的时间，以优化港口作业效率。
3.港口吞吐量：记录港口每日、每周或每月的货物吞吐量，用于评估港口运营状况。
4.码头装卸效率：监测码头货物装卸的速度和效率，以优化港口作业流程。
5.港口设备状态：记录港口设备（如起重机、堆高机等）的运行状态和故障情况，用于设备维护和预防性保养。
6.气象数据：监测港口周围的气象变化，包括风速、风向、气温、降水等，以确保安全航行和港区管理。
7.船舶污染排放：记录船舶的排放数据，包括废水排放和废气排放，以实现环保监管。
8.港口安全数据：监测港口安全设施的状态，如摄像头监控、安保巡逻等。
9.港区交通流量：记录港区内道路交通流量和拥堵情况，以规划交通管制和路线优化。
10.港口货物存储容量：监测港口货物仓库的存储容量和使用情况，以确保货物的有效管理和运输。
步骤102，设置异常检测模型，根据所述未出风险训练数据集训练所述异常检测模型，找出与未出风险时的时间序列数据相对应的超平面和决策边界，将所述训练数据集输入到所述异常检测模型中，从而对港口区域进行风险异常检测；
在所述异常检测模型中，本实施例将训练集中的正常样本（未出风险训练数据集）作为输入，目标是找到一个最优的超平面，使得绝大部分正常样本都在超平面的同一侧，而异常样本则在超平面的另一侧，所述异常检测模型为：
，
其中，为第/>个拉格朗日乘子，/>为第/>个拉格朗日乘子，/>为第/>个类别标签（如果全为1，则代表正常样本），/>为第/>个类别标签，/>为第/>个未出风险时的时间序列数据，/>为第/>个核函数的权重，/>为第/>个核函数的计算结果，K’是径向基函数RBF，用于度量样本/>和/>之间的相似度，/>为用于控制第/>个核函数偏移的常数，/>为第/>个核函数的次数。
设置所述异常检测模型的约束条件，查找满足所述约束条件的一组拉格朗日乘子，并计算超平面和决策边界，从而进行异常检测。
具体的，所述异常检测模型的约束条件为：
，
，
为正则化参数，是一个超参数，用于在最大化间隔和最小化回归误差之间进行权衡，较大的/>值允许模型具有较小的误差，但可能导致过拟合；而较小的/>值则更注重最大化间隔，可能导致较大的回归误差，但具有更好的泛化性能。
步骤103，设置风险预测模型，根据所述训练数据集，对所述风险预测模型进行训练，找出港口区域发生风险的概率。
所述风险预测模型为：
，
其中，为权重向量,/>为权重向量/>的第/>个分量，/>为正则化参数，/>为第/>个训练样本的第一松弛变量，/>为第/>个训练样本的第二松弛变量，/>为L2正则化的参数，通常用于控制 L2 正则化或岭回归正则化，L2 正则化会根据权重向量q的平方范数在目标函数中添加罚项，用于防止过拟合，使得模型对数据中的噪声更加鲁棒，较大的值会增强正则化效果，使模型的权重更小，有助于减少过拟合；
本实施例一个示例是 ε-不敏感 SVM 回归（ε-Insensitive SVM Regression），在ε-不敏感回归中，允许训练样本在一个ε的范围内具有零误差，而超出这个范围时才计算误差，这样的做法可以使模型对于小于ε的误差不敏感，即在ε范围内的误差被认为是可接受的，而大于ε的误差才被认为是需要优化的，因此在ε-不敏感回归中，引入额外的松弛变量来表示每个样本在ε范围内的误差，/>仍然是主要的松弛变量，表示样本超出ε范围的误差，而/>则用于表示样本在ε范围内的误差，通过引入/>，将误差范围控制在ε内，并优化模型使得误差尽量在ε范围内，从而得到更加容忍小误差的回归模型。
具体的风险预测模型的约束条件为：
，
，
，
其中，为是训练样本/>对应的真实标签或目标值，通过模型预测的结果来逼近真实标签/>，/>表示将训练样本/>经过高维组合映射得到的新特征向量，这个映射函数/>将训练样本/>从原始特征空间映射到更高维的特征空间，使得原始数据在高维空间中可以更好地拟合非线性关系，本实施例使用核技巧（kernel trick），可以在不显示计算/>的情况下，通过核函数K’来直接计算样本在高维空间中的内积，从而避免了高维空间的计算复杂性。
实施例2
如图2所示，本发明实施例还提供一种生产过程中实时风险判断系统，用于港口区域生产过程中的风险判断，包括：
获取数据模块，用于实时获取港口区域生产过程中的时间序列数据，/>为在时间t的特征数据，形成训练数据集，找出所述时间序列数据中未出风险时的时间序列数据，作为未出风险训练数据集；
具体的，时间序列数据x可以为以下数据的一种或几种：
1.船舶进出港时间：记录船舶抵达和离港的时间，用于监测船舶运营情况和港口交通流量。
2.船舶靠泊时间：监测船舶靠泊码头的时间，以优化港口作业效率。
3.港口吞吐量：记录港口每日、每周或每月的货物吞吐量，用于评估港口运营状况。
4.码头装卸效率：监测码头货物装卸的速度和效率，以优化港口作业流程。
5.港口设备状态：记录港口设备（如起重机、堆高机等）的运行状态和故障情况，用于设备维护和预防性保养。
6.气象数据：监测港口周围的气象变化，包括风速、风向、气温、降水等，以确保安全航行和港区管理。
7.船舶污染排放：记录船舶的排放数据，包括废水排放和废气排放，以实现环保监管。
8.港口安全数据：监测港口安全设施的状态，如摄像头监控、安保巡逻等。
9.港区交通流量：记录港区内道路交通流量和拥堵情况，以规划交通管制和路线优化。
10.港口货物存储容量：监测港口货物仓库的存储容量和使用情况，以确保货物的有效管理和运输。
异常检测模块，用于设置异常检测模型，根据所述未出风险训练数据集训练所述异常检测模型，找出与未出风险时的时间序列数据相对应的超平面和决策边界，将所述训练数据集输入到所述异常检测模型中，从而对港口区域进行风险异常检测；
在所述异常检测模型中，本实施例将训练集中的正常样本（未出风险训练数据集）作为输入，目标是找到一个最优的超平面，使得绝大部分正常样本都在超平面的同一侧，而异常样本则在超平面的另一侧，所述异常检测模型为：
，
其中，为第/>个拉格朗日乘子，/>为第/>个拉格朗日乘子，/>为第/>个类别标签（如果全为1，则代表正常样本），/>为第/>个类别标签，/>为第/>个未出风险时的时间序列数据，/>为第/>个核函数的权重，/>为第/>个核函数的计算结果，K’是径向基函数RBF，用于度量样本/>和/>之间的相似度，/>为用于控制第/>个核函数偏移的常数，/>为第/>个核函数的次数。
设置所述异常检测模型的约束条件，查找满足所述约束条件的一组拉格朗日乘子，并计算超平面和决策边界，从而进行异常检测。
具体的，所述异常检测模型的约束条件为：
，
，
为正则化参数，是一个超参数，用于在最大化间隔和最小化回归误差之间进行权衡，较大的/>值允许模型具有较小的误差，但可能导致过拟合；而较小的/>值则更注重最大化间隔，可能导致较大的回归误差，但具有更好的泛化性能。
风险预测模块，用于设置风险预测模型，根据所述训练数据集，对所述风险预测模型进行训练，找出港口区域发生风险的概率。
所述风险预测模型为：
，
其中，为权重向量,/>为权重向量/>的第/>个分量，/>为正则化参数，/>为第/>个训练样本的第一松弛变量，/>为第/>个训练样本的第二松弛变量，/>为L2正则化的参数，通常用于控制 L2 正则化或岭回归正则化，L2 正则化会根据权重向量q的平方范数在目标函数中添加罚项，用于防止过拟合，使得模型对数据中的噪声更加鲁棒，较大的值会增强正则化效果，使模型的权重更小，有助于减少过拟合；
本实施例一个示例是 ε-不敏感 SVM 回归（ε-Insensitive SVM Regression），在ε-不敏感回归中，允许训练样本在一个ε的范围内具有零误差，而超出这个范围时才计算误差，这样的做法可以使模型对于小于ε的误差不敏感，即在ε范围内的误差被认为是可接受的，而大于ε的误差才被认为是需要优化的，因此在ε-不敏感回归中，引入额外的松弛变量来表示每个样本在ε范围内的误差，/>仍然是主要的松弛变量，表示样本超出ε范围的误差，而/>则用于表示样本在ε范围内的误差，通过引入/>，将误差范围控制在ε内，并优化模型使得误差尽量在ε范围内，从而得到更加容忍小误差的回归模型。
具体的风险预测模型的约束条件为：
，
，
，
其中，为是训练样本/>对应的真实标签或目标值，通过模型预测的结果来逼近真实标签/>，/>表示将训练样本/>经过高维组合映射得到的新特征向量，这个映射函数/>将训练样本/>从原始特征空间映射到更高维的特征空间，使得原始数据在高维空间中可以更好地拟合非线性关系，本实施例使用核技巧（kernel trick），可以在不显示计算/>的情况下，通过核函数K’来直接计算样本在高维空间中的内积，从而避免了高维空间的计算复杂性。
实施例3
本发明实施例还提出一种存储介质，存储有多条指令，所述指令用于实现所述的一种生产过程中实时风险判断方法。
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，存储介质被设置为存储用于执行实施例1方法的程序代码。
实施例4
本发明实施例还提出一种电子设备，包括处理器和与所述处理器连接的存储介质，所述存储介质存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行一种生产过程中实时风险判断方法。
具体的，本实施例的电子设备可以是计算机终端，所述计算机终端可以包括：一个或多个处理器、以及存储介质。
其中，存储介质可用于存储软件程序以及模块，如本发明实施例中的一种生产过程中实时风险判断方法，对应的程序指令/模块，处理器通过运行存储在存储介质内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的一种生产过程中实时风险判断方法。存储介质可包括高速随机存储介质，还可以包括非易失性存储介质，如一个或者多个磁性存储系统、闪存、或者其他非易失性固态存储介质。在一些实例中，存储介质可进一步包括相对于处理器远程设置的存储介质，这些远程存储介质可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输系统调用存储介质存储的信息及应用程序，以执行实施例1方法步骤；
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中，应所述理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的系统实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者所述技术方案的全部或部分可以以软件产品的形式体现出来，所述计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储介质(ROM，Read-Only Memory)、随机存取存储介质(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (6)

1.一种生产过程中实时风险判断方法，用于港口区域生产过程中的风险判断，其特征在于，包括：
实时获取港口区域生产过程中的时间序列数据，形成训练数据集，找出所述时间序列数据中未出风险时的时间序列数据，作为未出风险训练数据集；
设置异常检测模型，根据所述未出风险训练数据集训练所述异常检测模型，找出与未出风险时的时间序列数据相对应的超平面和决策边界，将所述训练数据集输入到所述异常检测模型中，从而对港口区域进行风险异常检测，其中，所述异常检测模型为：
，
其中，为第/>个拉格朗日乘子，/>为第/>个拉格朗日乘子，/>为第/>个类别标签，为第/>个类别标签，/>为第/>个未出风险时的时间序列数据，/>为第/>个核函数的权重，/>为第/>个核函数的计算结果，/>为用于控制第/>个核函数偏移的常数，为第/>个核函数的次数；
设置风险预测模型，根据所述训练数据集，对所述风险预测模型进行训练，找出港口区域发生风险的概率，其中，所述风险预测模型为：
，
其中，为权重向量, />为权重向量/>的第/>个分量，/>为正则化参数，/>为第/>个训练样本的第一松弛变量，/>为第/>个训练样本的第二松弛变量，/>为L2正则化的参数。
2.如权利要求1所述的一种生产过程中实时风险判断方法，其特征在于，还包括：
设置所述异常检测模型的约束条件，查找满足所述约束条件的一组拉格朗日乘子，并计算超平面和决策边界，从而进行异常检测。
3.如权利要求1所述的一种生产过程中实时风险判断方法，其特征在于，还包括：
设置所述风险预测模型的约束条件，用于对预测误差进行控制，提高所述风险预测模型的泛化能力。
4.一种生产过程中实时风险判断系统，用于港口区域生产过程中的风险判断，其特征在于，包括：
获取数据模块，用于实时获取港口区域生产过程中的时间序列数据，形成训练数据集，找出所述时间序列数据中未出风险时的时间序列数据，作为未出风险训练数据集；
异常检测模块，用于设置异常检测模型，根据所述未出风险训练数据集训练所述异常检测模型，找出与未出风险时的时间序列数据相对应的超平面和决策边界，将所述训练数据集输入到所述异常检测模型中，从而对港口区域进行风险异常检测，其中，所述异常检测模型为：
，
其中，为第/>个拉格朗日乘子，/>为第/>个拉格朗日乘子，/>为第/>个类别标签，为第/>个类别标签，/>为第/>个未出风险时的时间序列数据，/>为第/>个核函数的权重， />为第/>个核函数的计算结果，/>为用于控制第/>个核函数偏移的常数，为第/>个核函数的次数；
风险预测模块，用于设置风险预测模型，根据所述训练数据集，对所述风险预测模型进行训练，找出港口区域发生风险的概率，其中，所述风险预测模型为：
，
其中，为权重向量, />为权重向量/>的第/>个分量，/>为正则化参数，/>为第/>个训练样本的第一松弛变量，/>为第/>个训练样本的第二松弛变量，/>为L2正则化的参数。
5.如权利要求4所述的一种生产过程中实时风险判断系统，其特征在于，还包括：
设置所述异常检测模型的约束条件，查找满足所述约束条件的一组拉格朗日乘子，并计算超平面和决策边界，从而进行异常检测。
6.如权利要求4所述的一种生产过程中实时风险判断系统，其特征在于，还包括：
设置所述风险预测模型的约束条件，用于对预测误差进行控制，提高所述风险预测模型的泛化能力。
CN202311261441.2A 2023-09-27 2023-09-27 一种生产过程中实时风险判断方法及系统 Active CN116993167B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311261441.2A CN116993167B (zh) 2023-09-27 2023-09-27 一种生产过程中实时风险判断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311261441.2A CN116993167B (zh) 2023-09-27 2023-09-27 一种生产过程中实时风险判断方法及系统

Publications (2)

Publication Number Publication Date
CN116993167A CN116993167A (zh) 2023-11-03
CN116993167B true CN116993167B (zh) 2023-12-15

Family

ID=88525273

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311261441.2A Active CN116993167B (zh) 2023-09-27 2023-09-27 一种生产过程中实时风险判断方法及系统

Country Status (1)

Country Link
CN (1) CN116993167B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109978270A (zh) * 2019-03-29 2019-07-05 大连海事大学 一种集装箱船航次装箱量预测方法
CN112270355A (zh) * 2020-10-28 2021-01-26 长沙理工大学 基于大数据技术与sae-gru的主动安全预测方法
CN115510737A (zh) * 2022-08-29 2022-12-23 集美大学 一种计算船舶碰撞风险的方法、装置及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111951606B (zh) * 2020-07-29 2021-07-30 武汉理工大学 一种船舶碰撞风险评估与预警方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109978270A (zh) * 2019-03-29 2019-07-05 大连海事大学 一种集装箱船航次装箱量预测方法
CN112270355A (zh) * 2020-10-28 2021-01-26 长沙理工大学 基于大数据技术与sae-gru的主动安全预测方法
CN115510737A (zh) * 2022-08-29 2022-12-23 集美大学 一种计算船舶碰撞风险的方法、装置及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
港口水域通航风险支持向量机评价模型;陈少阳;胡甚平;;中国水运(下半月)(第07期);全文 *

Also Published As

Publication number Publication date
CN116993167A (zh) 2023-11-03

Similar Documents

Publication Publication Date Title
Pandit et al. SCADA‐based wind turbine anomaly detection using Gaussian process models for wind turbine condition monitoring purposes
US20190219994A1 (en) Feature extractions to model large-scale complex control systems
US10728282B2 (en) Dynamic concurrent learning method to neutralize cyber attacks and faults for industrial asset monitoring nodes
Lepolesa et al. Electricity theft detection in smart grids based on deep neural network
EP3373552A1 (en) Multi-modal, multi-disciplinary feature discovery to detect cyber threats in electric power grid
US20180260561A1 (en) Generic framework to detect cyber threats in electric power grid
CN109766992B (zh) 基于深度学习的工控异常检测及攻击分类方法
Nakhodchi et al. Steeleye: An application-layer attack detection and attribution model in industrial control systems using semi-deep learning
RU2012155276A (ru) Обнаружение и анализ злоумышленной атаки
CN117056864B (zh) 一种管道漏损预警方法及系统
CN115208604B (zh) 一种ami网络入侵检测的方法、装置及介质
CN115296933A (zh) 一种工业生产数据风险等级评估方法及系统
CN108931700A (zh) 一种基于WSNs的电网安全风险预警系统
CN108805427B (zh) 一种基于大数据的配电网运行状态风险预警系统
Ruan et al. Deep learning-based fault prediction in wireless sensor network embedded cyber-physical systems for industrial processes
Rajesh et al. Evaluation of machine learning algorithms for detection of malicious traffic in scada network
Cheng et al. Energy theft detection in an edge data center using deep learning
CN116993167B (zh) 一种生产过程中实时风险判断方法及系统
CN110650124A (zh) 一种基于多层回声状态网络的网络流量异常检测方法
CN116709243B (zh) 一种智能换电站电池管理与调度系统
CN116956148A (zh) 一种电力系统数据交互安全威胁信息分析方法
US20200110881A1 (en) Framework for determining resilient manifolds
Liang et al. An efficiency-accuracy tradeoff for IDSs in VANETs with markov-based reputation scheme
Bouyeddou et al. Detecting cyber-attacks in modern power systems using an unsupervised monitoring technique
Jeffries et al. Behavior-based approach to misuse detection of a simulated SCADA system

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