CN117076260A - 一种参数及设备异常检测方法及装置 - Google Patents
一种参数及设备异常检测方法及装置 Download PDFInfo
- Publication number
- CN117076260A CN117076260A CN202311340225.7A CN202311340225A CN117076260A CN 117076260 A CN117076260 A CN 117076260A CN 202311340225 A CN202311340225 A CN 202311340225A CN 117076260 A CN117076260 A CN 117076260A
- Authority
- CN
- China
- Prior art keywords
- output data
- data
- current
- predicted value
- periodic variation
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 48
- 238000001514 detection method Methods 0.000 title claims description 23
- 230000000737 periodic effect Effects 0.000 claims abstract description 253
- 238000000034 method Methods 0.000 claims abstract description 97
- 230000008859 change Effects 0.000 claims abstract description 59
- 230000002159 abnormal effect Effects 0.000 claims abstract description 36
- 238000005070 sampling Methods 0.000 claims abstract description 34
- 230000001960 triggered effect Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 82
- 238000004364 calculation method Methods 0.000 claims description 32
- 125000004122 cyclic group Chemical group 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 56
- 238000003745 diagnosis Methods 0.000 description 23
- 238000004590 computer program Methods 0.000 description 12
- 238000012544 monitoring process Methods 0.000 description 12
- 238000002405 diagnostic procedure Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000002372 labelling Methods 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012880 independent component analysis Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/302—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a software system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
- G06F11/324—Display of status information
- G06F11/327—Alarm or error message display
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种参数及设备异常检测方法及装置,涉及计算机技术领域,包括:获取当前输入数据以及当前输出数据;基于当前输入数据以及上一个采样周期的输入数据确定输入数据等周期变化量,确定当前输入数据是否满足目标输入数据范围,确定输入数据等周期变化量是否满足输入数据等周期变化量范围;若否,进行相应的预警,触发预测值确定操作,得到与当前输出数据对应的当前数据等周期变化量预测值;若均满足,则直接触发预测值确定操作,判断当前数据等周期变化量预测值是否符合基于目标输出数据范围和输出数据等周期变化量范围确定的判断条件,若否,判定当前输出数据异常,进行相应的预警。由此,本申请能够对设备及工况参数异常进行诊断。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种参数及设备异常检测方法及装置。
背景技术
由于现代工业过程在生产流程和自动化程度上都非常复杂,对可靠性和安全性的要求越来越高,系统任何部分的故障都可能导致整个系统故障。因此,早期检测潜在或发生的故障在工业过程中非常重要。流程工业设备异常及工况参数异常的及时诊断对于提高生产效率、稳定性,降低停机时间和维修成本,提高安全性和可靠性,以及降低能源消耗和环境影响具有重要的意义。通过合理的异常诊断方法和系统,可以实现对设备运行状态的实时监测和故障诊断,提高工业生产的效率、质量和可持续发展能力。
工业流程工艺过程参数及设备预警具有以下特点:1、大量DCS(distributedcontrol system,分布式控制)正常工况控制数据,难以获取异常数据;2、异常数据标注以及异常专家经验收集成本高;3、增加额外的工业检测设备,直接投入成本及运营维护等成本难以推广;4、生产设备及工艺点种类多,需要具有一定的泛化性;5、工业流程工艺过程参数及设备监控的规模大,性能要求具有规模部署能力。
流程工业设备异常及工况参数异常诊断的主要方法包括以下几种:
①基于规则的诊断方法:基于预先设定的规则和逻辑,将设备异常和工况参数异常与已知的故障模式进行匹配。通过监测工况参数的变化和设备状态的异常,触发相应的规则以判断异常情况,并给出相应的诊断结果。
②基于模型的诊断方法:建立设备运行的数学模型,通过与实际测量数据的比对,检测设备状态的偏差和异常。常用的模型包括物理模型、统计模型、机器学习模型等。该方法可以通过对模型的参数优化和故障诊断算法的优化来提高诊断准确性和效果。
③基于统计分析的诊断方法:通过对历史数据进行统计分析,寻找设备异常和工况参数异常的模式和规律。常用的统计方法包括均值、方差、概率分布等。通过设定合适的阈值和异常判定规则,可以及时发现异常情况并进行诊断。
在过去的几十年中,多变量统计过程监测(Mutivariate Statistical ProcessMonitoring,MSPM) 技术被广泛用于复杂工业过程的故障诊断。MSPM主要包括主成分分析(Principal Component Analysis,PCA) ,独立成分分析(independent componentanalysis ICA) 和偏最小二乘法(Partial least squares regression,PLS) 。通过使用统计分析方法从大量输入和输出过程数据中提取潜在特征,以诊断工业过程的故障。因此,称为数据驱动方法的MSPM通常用于工业系统中的过程监控和故障诊断。
④基于机器学习的诊断方法:利用机器学习算法对大量的训练数据进行学习和训练,建立设备异常和工况参数异常的模式和模型。常用的机器学习算法包括支持向量机(Support Vector Machine,SVM)、决策树、神经网络等。通过对实时数据的监测和分析,利用训练好的模型进行异常诊断。
⑤基于专家系统的诊断方法:利用专家系统的知识表示和推理机制,将领域专家的知识和经验融入到诊断系统中。通过与专家系统中的规则和知识库进行推理和判断,实现设备异常和工况参数异常的诊断。
但是,目前这些技术都无法解决异常数据缺失、建模成本高、部署运行成本等的问题,因此如何在对时滞较小的工艺工况参数及设备进行异常诊断时克服上述问题是目前急需解决的。
发明内容
有鉴于此,本发明的目的在于提供一种参数及设备异常检测方法及装置,能够对时滞较小的工艺工况参数及设备进行异常诊断预警,并具有广泛的适用性,能够解决异常数据缺失、建模成本高、部署运行成本等的问题。其具体方案如下:
第一方面,本申请公开了一种参数及设备异常检测方法,包括:
获取预先确定的目标输入数据范围、输入数据等周期变化量范围、目标输出数据范围、输出数据等周期变化量范围、各目标预测模型以及目标弹性系数;
获取在当前采样周期内采集到的一组连续的时序数据以得到当前输入数据,并获取与所述当前输入数据对应的当前输出数据;
基于所述当前输入数据以及上一个采样周期采集的输入数据确定输入数据等周期变化量,并确定所述当前输入数据是否满足所述目标输入数据范围,且确定所述输入数据等周期变化量是否满足所述输入数据等周期变化量范围;
若不满足,则进行相应的预警,并触发预测值确定操作,以得到与所述当前输出数据对应的当前数据等周期变化量预测值;若均满足,则直接触发所述预测值确定操作,并基于所述目标弹性系数判断所述当前数据等周期变化量预测值是否符合基于所述目标输出数据范围和所述输出数据等周期变化量范围确定的判断条件,若不符合,则判定所述当前输出数据异常,并进行相应的预警;
其中,所述预测值确定操作为利用各所述目标预测模型并基于所述当前输入数据以及所述输入数据等周期变化量确定所述当前数据等周期变化量预测值;所述当前数据等周期变化量预测值包括当前输出数据等周期变化量预测值、当前输出数据等周期变化量最大值的预测值以及当前输出数据等周期变化量最小值的预测值。
可选的,所述基于所述当前输入数据以及上一个采样周期采集的输入数据确定输入数据等周期变化量,包括:
对所述当前输入数据进行特征扩展,并基于扩展后的所述当前输入数据以及上一个采样周期采集的输入数据确定所述输入数据等周期变化量。
可选的,获取预先确定的目标输入数据范围、输入数据等周期变化量范围、目标输出数据范围以及输出数据等周期变化量范围之前,还包括:
在离线训练阶段对全部历史数据进行统计,以根据统计结果确定所述目标输入数据范围、所述输入数据等周期变化量范围、所述目标输出数据范围以及所述输出数据等周期变化量范围。
可选的,获取预先确定的各目标预测模型之前,还包括:
在所述离线训练阶段收集基于预设采样周期获取的历史输入数据与历史输出数据;
对所述历史输入数据以及所述历史输出数据进行特征扩展,以得到扩展后的历史输入数据和扩展后的历史输出数据;
基于所述扩展后的历史输入数据以及所述扩展后的历史输出数据分别确定历史输入数据等周期变化量和历史输出数据等周期变化量;
基于预设规则将各所述历史数据进行划分,以得到训练数据集;所述历史数据包括所述历史输入数据、历史输出数据、所述历史输入数据等周期变化量和所述历史输出数据等周期变化量;
利用所述训练数据集对基于梯度提升决策树算法构建的初始模型进行训练,以得到各所述目标预测模型;其中,各所述目标预测模型为分别对所述输出数据等周期变化量、所述输出数据等周期变化量的最大值以及所述输出数据等周期变化量的最小值进行预测的模型。
可选的,获取预先确定的目标弹性系数之前,还包括:
在所述离线训练阶段基于所述训练数据集以及各所述目标预测模型进行预测得到各第一历史数据等周期变化量预测值;所述第一历史数据等周期变化量预测值包括历史输出数据等周期变化量预测值、历史输出数据等周期变化量最大值的预测值以及历史输出数据等周期变化量最小值的预测值;
根据各所述第一历史数据等周期变化量预测值以及所述当前弹性系数计算历史输出数据预测值、历史输出数据最大值的预测值以及历史输出数据最小值的预测值,以得到各第一计算结果;
基于各所述第一计算结果以及所述当前弹性系数,判断所述训练数据集中与所述历史输出数据对应的各所述第一历史数据等周期变化量预测值是否满足所述判断条件,以得到相应的第一判断结果;
基于所述第一判断结果对所述当前弹性系数进行相应的调整,以得到所述目标弹性系数。
可选的,所述基于所述第一判断结果对所述当前弹性系数进行相应的调整,以得到所述目标弹性系数,包括:
若所述第一判断结果表征不满足所述判断条件,则对所述当前弹性系数进行相应的调整,将调整后弹性系数作为所述当前弹性系数,并重新跳转至所述在所述离线训练阶段基于所述训练数据集以及各所述目标预测模型进行预测得到各第一历史数据等周期变化量预测值的步骤;
若所述第一判断结果表征满足所述判断条件,则利用基于所述预设规则对各所述历史数据进行划分后得到的验证数据集,以及各所述目标预测模型进行预测得到各第二历史数据等周期变化量预测值;所述第二历史数据等周期变化量预测值包括历史输出数据等周期变化量预测值、历史输出数据等周期变化量最大值的预测值以及历史输出数据等周期变化量最小值的预测值;
根据各所述第二历史数据等周期变化量预测值以及所述当前弹性系数计算历史输出数据预测值、历史输出数据最大值的预测值以及历史输出数据最小值的预测值,以得到各第二计算结果;
基于各所述第二计算结果以及所述当前弹性系数,判断所述训练数据集中与所述历史输出数据对应的各所述第二历史数据等周期变化量预测值是否满足所述判断条件,以得到相应的第二判断结果;
基于所述第二判断结果对所述当前弹性系数进行相应的调整,以得到所述目标弹性系数。
可选的,所述基于所述第二判断结果对所述当前弹性系数进行相应的调整,以得到所述目标弹性系数,包括:
若所述第二判断结果表征不满足所述判断条件,则对所述当前弹性系数进行相应的调整,将调整后弹性系数作为所述当前弹性系数,并重新跳转至所述在所述离线训练阶段基于所述训练数据集以及各所述目标预测模型进行预测得到各第一历史数据等周期变化量预测值的步骤;
若所述第二判断结果表征满足所述判断条件,则结束离线训练,并将所述当前弹性系数确定为所述目标弹性系数。
可选的,根据各所述历史数据等周期变化量预测值以及所述当前弹性系数计算历史输出数据预测值、历史输出数据最大值的预测值以及历史输出数据最小值的预测值,以得到各计算结果,包括:
利用所述历史数据等周期变化量预测值与上一次迭代的历史输出数据之间的和确定所述历史输出数据预测值;
确定所述历史输出数据等周期变化量最大值的预测值与所述历史输出数据等周期变化量预测值之间的第一差值,并确定所述第一差值与所述当前弹性系数的第一乘积结果;
根据所述第一乘积结果与上一次迭代的历史输出数据之间的和确定所述历史输出数据最大值的预测值;
确定所述历史输出数据等周期变化量最小值的预测值与所述历史输出数据等周期变化量预测值之间的第二差值,并确定所述第二差值与所述当前弹性系数的第二乘积结果;
根据所述第二乘积结果与上一次迭代的历史输出数据之间的和确定所述历史输出数据最小值的预测值。
可选的,基于各所述计算结果以及所述当前弹性系数,判断所述数据集中与所述历史输出数据对应的各所述历史数据等周期变化量预测值是否满足所述判断条件,包括:
判断所述历史输出数据最大值的预测值是否大于或等于所述历史输入数据且小于或等于所述目标输出数据范围中历史输出数据范围的最大值,以及所述历史输出数据最小值的预测值是否大于或等于所述目标输出数据范围中历史输出数据范围的最小值且小于或等于所述历史输出数据;
判断所述第一乘积结果是否小于或等于所述历史输出数据等周期变化量范围的最大值;
确定所述历史输出数据等周期变化量预测值与所述历史输出数据等周期变化量最小值的预测值之间的第三差值;
判断所述第三差值与所述当前弹性系数的第三乘积结果是否小于或等于所述历史输出数据等周期变化量范围的最大值。
可选的,所述基于所述目标弹性系数判断所述当前数据等周期变化量预测值是否符合基于所述目标输出数据范围和所述输出数据等周期变化量范围确定的判断条件,包括:
确定所述当前输出数据等周期变化量最大值的预测值与所述当前输出数据等周期变化量预测值之间的第四差值,并确定所述第四差值与所述目标弹性系数的第四乘积结果;
根据所述第四乘积结果与上一次迭代的输出数据之间的和确定所述当前输出数据最大值的预测值;
确定所述当前输出数据等周期变化量最小值的预测值与所述当前输出数据等周期变化量预测值之间的第五差值,并确定所述第五差值与所述目标弹性系数的第五乘积结果;
根据所述第五乘积结果与上一次迭代的输出数据之间的和确定所述当前输出数据最小值的预测值;
判断所述当前输出数据最大值的预测值是否大于或等于所述当前输入数据且小于或等于所述目标输出数据范围中当前输出数据范围的最大值,以及所述当前输出数据最小值的预测值是否大于或等于所述目标输出数据范围中当前输出数据范围的最小值且小于或等于所述当前输入数据;
判断所述第四乘积结果是否小于或等于所述当前输出数据等周期变化量范围的最大值;
确定所述当前输出数据等周期变化量预测值与所述当前输出数据等周期变化量最小值的预测值之间的第六差值;
判断所述第六差值与所述目标弹性系数的第六乘积结果是否小于或等于所述当前输出数据等周期变化量范围的最大值。
第二方面,本申请公开了一种参数及设备异常检测装置,包括:
第一获取模块,用于获取预先确定的目标输入数据范围、输入数据等周期变化量范围、目标输出数据范围、输出数据等周期变化量范围、各目标预测模型以及目标弹性系数;
第二获取模块,用于获取在当前采样周期内采集到的一组连续的时序数据以得到当前输入数据,并获取与所述当前输入数据对应的当前输出数据;
数据判断模块,用于基于所述当前输入数据以及上一个采样周期采集的输入数据确定输入数据等周期变化量,并确定所述当前输入数据是否满足所述目标输入数据范围,且确定所述输入数据等周期变化量是否满足所述输入数据等周期变化量范围;
判断结果执行模块,用于若不满足,则进行相应的预警,并触发预测值确定操作,以得到与所述当前输出数据对应的当前数据等周期变化量预测值;若均满足,则直接触发所述预测值确定操作,并基于所述目标弹性系数判断所述当前数据等周期变化量预测值是否符合基于所述目标输出数据范围和所述输出数据等周期变化量范围确定的判断条件,若不符合,则判定所述当前输出数据异常,并进行相应的预警;
其中,所述预测值确定操作为利用各所述目标预测模型并基于所述当前输入数据以及所述输入数据等周期变化量确定所述当前数据等周期变化量预测值;所述当前数据等周期变化量预测值包括当前输出数据等周期变化量预测值、当前输出数据等周期变化量最大值的预测值以及当前输出数据等周期变化量最小值的预测值。
第三方面,本申请公开了一种电子设备,包括:
存储器,用于保存计算机程序;
处理器,用于执行所述计算机程序以实现前述的参数及设备异常检测方法。
第四方面,本申请公开了一种计算机可读存储介质,用于保存计算机程序,所述计算机程序被处理器执行时实现前述的参数及设备异常检测方法。
本申请在对参数及设备异常进行检测时,首先获取预先确定的目标输入数据范围、输入数据等周期变化量范围、目标输出数据范围、输出数据等周期变化量范围、各目标预测模型以及目标弹性系数;之后获取在当前采样周期内采集到的一组连续的时序数据以得到当前输入数据,并获取与所述当前输入数据对应的当前输出数据;并基于所述当前输入数据以及上一个采样周期采集的输入数据确定输入数据等周期变化量,并确定所述当前输入数据是否满足所述目标输入数据范围,且确定所述输入数据等周期变化量是否满足所述输入数据等周期变化量范围;最后若不满足,则进行相应的预警,并触发预测值确定操作,以得到与所述当前输出数据对应的当前数据等周期变化量预测值;若均满足,则直接触发所述预测值确定操作,并基于所述目标弹性系数判断所述当前数据等周期变化量预测值是否符合基于所述目标输出数据范围和所述输出数据等周期变化量范围确定的判断条件,若不符合,则判定所述当前输出数据异常,并进行相应的预警;其中,所述预测值确定操作为利用各所述目标预测模型并基于所述当前输入数据以及所述输入数据等周期变化量确定所述当前数据等周期变化量预测值;所述当前数据等周期变化量预测值包括当前输出数据等周期变化量预测值、当前输出数据等周期变化量最大值的预测值以及当前输出数据等周期变化量最小值的预测值。可见,本申请能够将数据驱动的机器学习模型与流程行业监控系统时序数据特点相结合,实现对时滞较小的工艺工况参数及设备进行异常诊断预警,同时具有广泛的适用性,适应流程行业现场流程行业工艺及设备类型,并且利用现有正常工况数据进行训练,解决了异常数据缺失问题;无需数据标注及工艺专家机理建模过程,解决了建模成本高问题;并且解决了部署运行成本问题,具有一定的灵活性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种参数及设备异常检测方法流程图;
图2为本申请公开的一种具体的离线训练阶段各参数获取方法流程图;
图3为本申请公开的一种具体的在线运行参数及设备异常检测方法流程图;
图4为本申请公开的一种参数及设备异常检测装置结构示意图;
图5为本申请公开的一种电子设备结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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所有其他实施例,都属于本发明保护的范围。
目前,基于规则的诊断方法,缺点:规则的定义和维护需要人工参与,难以覆盖复杂的异常情况,对新的未知故障模式需要不断更新和改进规则。基于模型的诊断方法:缺点:模型建立需要耗费时间和资源,对于复杂系统可能难以准确建模,对模型参数的精确性要求较高。基于统计分析的诊断方法:缺点:对数据的质量和数量要求较高,可能受到异常数据和噪声的干扰,难以处理复杂的非线性系统。难以实现对不同工况条件进行区分,导致诊断精度较低。基于机器学习的诊断方法:缺点:需要大量的训练数据,模型训练和优化过程相对较复杂,对特征选择和模型选择有一定挑战。其中深度神经网络对特征选择要求较低,但对训练数据大且模型选择要求高、训练以及推理运行成本较高。基于专家系统的诊断方法:缺点:对专家知识的获取和表示需要较大的人力成本,难以处理复杂的非线性系统,对新的未知故障模式需要不断更新和扩展专家知识。为了解决上述技术问题,本申请公开了一种参数及设备异常检测方法,能够对时滞较小的工艺工况参数及设备进行异常诊断预警,并具有广泛的适用性,能够解决异常数据缺失、建模成本高、部署运行成本等的问题。
参见图1所示,本发明实施例公开了一种参数及设备异常检测方法,包括:
步骤S11、获取预先确定的目标输入数据范围、输入数据等周期变化量范围、目标输出数据范围、输出数据等周期变化量范围、各目标预测模型以及目标弹性系数。
本实施例中,筛选流程行业工程中需要诊断工况及设备的DCS或PLC(Programmable Logic Controller,可编程逻辑控制器)控制系统监控相关变量,其中变量尽可能覆盖设备及工况参数相关变量。选择需要判断的关键变量作为因变量,与其他变量构成工艺上的因果关系。例如火力发电厂中给水泵运行诊断中给变频器频率、阀门开度等对流量具有因果影响。将某一时刻影响自变量为,对应因变量/>。在开始检测之前,采集正常历史工况自变量为/>,对应的因变量/>,数据采样间隔为Δt;此时需要获取在离线阶段就得到的目标输入数据范围(/>、/>)、输入数据等周期变化量范围(/>)、目标输出数据范围(/>、/>)、输出数据等周期变化量范围(/>)、各目标预测模型以及目标弹性系数(/>)。需要指出的是,这里的等周期变化量是指在周期相同时数据的变化量。其中,对于目标输入数据范围、输入数据等周期变化量范围、目标输出数据范围以及输出数据等周期变化量范围,是在离线训练阶段对全部历史数据进行统计,根据统计结果确定出的。就是根据工况数据集统计:
;
其中,为训练数据集样本。
同时需要指出的是,考虑到正常历史数据并不能完全覆盖所有工况,、/>、、/>、/>、/>,均需要根据实际工艺情况及专家经验在原有统计数据基础上进行调整。
在离线阶段确定目标预测模型,就是在所述离线训练阶段收集基于预设采样周期获取的历史输入数据与历史输出数据/>;对所述历史输入数据以及所述历史输出数据进行特征扩展,以得到扩展后的历史输入数据和扩展后的历史输出数据;基于所述扩展后的历史输入数据以及所述扩展后的历史输出数据分别确定历史输入数据等周期变化量/>和历史输出数据等周期变化量/>;之后基于预设规则将各所述历史数据进行划分,以得到训练数据集;所述历史数据包括所述历史输入数据、历史输出数据、所述历史输入数据等周期变化量和所述历史输出数据等周期变化量;同时需保证训练集包含所有正常工况数据。利用所述训练数据集对基于梯度提升决策树算法构建的初始模型进行训练,以得到各所述目标预测模型;其中,各所述目标预测模型为分别对所述输出数据等周期变化量、所述输出数据等周期变化量的最大值以及所述输出数据等周期变化量的最小值进行预测的模型。训练数据集采用LightGBM(Light Gradient Boosting Machine,轻量级梯度提升机器学习)及XGBoost(eXtreme Gradient Boosting,极端梯度提升)GBDT(Gradient Boosting Decision Tree,梯度提升决策树)模型训练,训练三个预测模型。这样一来,采用GBDT算法可省略输入变量特征归一化;训练及推理速度快,占用硬件资源少;可直接采用分位数方法获得置信区间;具有一定可解释性,直观图解(包络曲线,及特征重要程度。);支持GPU(graphicsprocessing unit,图形处理器)加速;配套工具完善,支持PMML(Predictive Model MarkupLanguage,预言模型标记语言)导出功能及Java运行集成。在4输入1输出设备的2万条数据约2s内完成训练。同时,模型具有一定的扩展性,可选用不同的模型特点扩展至多输出。
另外,对于目标弹性系数β,如图2所示(由于绘图显示问题,图2中y^同其他类似),在所述离线训练阶段基于所述训练数据集以及各所述目标预测模型进行预测得到各第一历史数据等周期变化量预测值;所述第一历史数据等周期变化量预测值包括历史输出数据等周期变化量预测值/>、历史输出数据等周期变化量最大值的预测值/>以及历史输出数据等周期变化量最小值的预测值/>;根据各所述第一历史数据等周期变化量预测值以及所述当前弹性系数计算历史输出数据预测值、历史输出数据最大值的预测值以及历史输出数据最小值的预测值,以得到各第一计算结果。其中,根据各所述历史数据等周期变化量预测值以及所述当前弹性系数计算历史输出数据预测值、历史输出数据最大值的预测值以及历史输出数据最小值的预测值,以得到各计算结果,包括:利用所述历史数据等周期变化量预测值与上一次迭代的历史输出数据之间的和确定所述历史输出数据预测值;确定所述历史输出数据等周期变化量最大值的预测值与所述历史输出数据等周期变化量预测值之间的第一差值,并确定所述第一差值与所述当前弹性系数的第一乘积结果;根据所述第一乘积结果与上一次迭代的历史输出数据之间的和确定所述历史输出数据最大值的预测值;确定所述历史输出数据等周期变化量最小值的预测值与所述历史输出数据等周期变化量预测值之间的第二差值,并确定所述第二差值与所述当前弹性系数的第二乘积结果;根据所述第二乘积结果与上一次迭代的历史输出数据之间的和确定所述历史输出数据最小值的预测值。具体来说,就是根据这三个公式进行计算以确定计算结果:
;
;
。
其中,初始β=1。其中将,/>作为输入特征,/>作为输出特征,使用训练数据使用采用LightGBM及XGBoost等GBDT模型训练/>,以及分位数为95%的/>以及分位数为5%的/>,分位数可以根据需要进行调整。基于各所述第一计算结果以及所述当前弹性系数,判断所述训练数据集中与所述历史输出数据对应的各所述第一历史数据等周期变化量预测值是否满足所述判断条件,以得到相应的第一判断结果;其中,基于各所述计算结果以及所述当前弹性系数,判断所述数据集中与所述历史输出数据对应的各所述历史数据等周期变化量预测值是否满足所述判断条件,包括:判断所述历史输出数据最大值的预测值是否大于或等于所述历史输入数据且小于或等于所述目标输出数据范围中历史输出数据范围的最大值,以及所述历史输出数据最小值的预测值是否大于或等于所述目标输出数据范围中历史输出数据范围的最小值且小于或等于所述历史输出数据;判断所述第一乘积结果是否小于或等于所述历史输出数据等周期变化量范围的最大值;确定所述历史输出数据等周期变化量预测值与所述历史输出数据等周期变化量最小值的预测值之间的第三差值;判断所述第三差值与所述当前弹性系数的第三乘积结果是否小于或等于所述历史输出数据等周期变化量范围的最大值。就是判断所有训练集数据是否满足:
;
;
;
。
也就是说,这四个公式就是指上述判断条件。
同时,若所述第一判断结果表征不满足所述判断条件,就是上述四个公式存在不成立的情况,则对所述当前弹性系数进行相应的调整,一般来说就是向大调整β,将调整后弹性系数β作为所述当前弹性系数,并重新跳转至所述在所述离线训练阶段基于所述训练数据集以及各所述目标预测模型进行预测得到各第一历史数据等周期变化量预测值的步骤;若所述第一判断结果表征满足所述判断条件,即当前四个公式同时成立,则利用基于所述预设规则对各所述历史数据进行划分后得到的验证数据集,并且需保证验证集包含所有正常工况数据,以及各所述目标预测模型进行预测得到各第二历史数据等周期变化量预测值;所述第二历史数据等周期变化量预测值包括历史输出数据等周期变化量预测值、历史输出数据等周期变化量最大值的预测值以及历史输出数据等周期变化量最小值的预测值;根据各所述第二历史数据等周期变化量预测值以及所述当前弹性系数计算历史输出数据预测值、历史输出数据最大值的预测值以及历史输出数据最小值的预测值,以得到各第二计算结果;其中,第二计算结果的获取过程,同上述第二计算结果相同,只是这里利用了验证数据集中的数据进行计算,具体来说,就是根据这三个公式进行计算以确定计算结果:
;
;
。
之后,使用训练数据使用采用LightGBM及XGBoost等GBDT模型训练,以及分位数为95%的/>以及分位数为5%的/>。之后基于各所述第二计算结果以及所述当前弹性系数,判断所述训练数据集中与所述历史输出数据对应的各所述第二历史数据等周期变化量预测值是否满足所述判断条件,以得到相应的第二判断结果;这里同第一判断结果获取过程相同,就是利用验证数据集中的数据,再次判断这四个公式是否能够同时成立:
;
;
;
。
若所述第二判断结果表征不满足所述判断条件,就是这四个公式不能同时成立,则对所述当前弹性系数进行相应的调整(向大调整β),将调整后弹性系数作为所述当前弹性系数,并重新跳转至所述在所述离线训练阶段基于所述训练数据集以及各所述目标预测模型进行预测得到各第一历史数据等周期变化量预测值的步骤;若所述第二判断结果表征满足所述判断条件,则结束离线训练,并将所述当前弹性系数确定为所述目标弹性系数。同时,需要指出的是,,/>的判断已均为现有工况与历史工况相差过大时,其预测值分位数范围反而扩大,当预测值大于允许的最大工况时,其预测范围失去意义,同时也说明当前工况距离历史正常工况偏离较远。其中/>及β均为不影响训练模型可调整参数,可以根据需要反复调整已达到理想状态。
步骤S12、获取在当前采样周期内采集到的一组连续的时序数据以得到当前输入数据,并获取与所述当前输入数据对应的当前输出数据。
本实施例中,采集实时输入和输出数据,/>,同时,需要注意的是,采样周期需要相同。
步骤S13、基于所述当前输入数据以及上一个采样周期采集的输入数据确定输入数据等周期变化量,并确定所述当前输入数据是否满足所述目标输入数据范围,且确定所述输入数据等周期变化量是否满足所述输入数据等周期变化量范围。
本实施例中,基于所述当前输入数据以及上一个采样周期采集的输入数据确定输入数据等周期变化量,包括:对所述当前输入数据进行特征扩展,并基于扩展后的所述当前输入数据以及上一个采样周期采集的输入数据确定所述输入数据等周期变化量。之后,便需要判断当前输入数据是否满足离线训练工艺范围中确定的/>,,其中/>,/>,/>,/>。
需要指出的是,在实际过程中,由于,/>,/>中已知其中两个均可知另一个,为计算简单使用/>,/>作为离线训练及在线运行的输入特征变量,也可采用/>,/>作为离线训练及在线运行的输入特征变量,但需要离线训练及在线运行的输入特征变量相一致。
步骤S14、若不满足,则进行相应的预警,并触发预测值确定操作,以得到与所述当前输出数据对应的当前数据等周期变化量预测值;若均满足,则直接触发所述预测值确定操作,并基于所述目标弹性系数判断所述当前数据等周期变化量预测值是否符合基于所述目标输出数据范围和所述输出数据等周期变化量范围确定的判断条件,若不符合,则判定所述当前输出数据异常,并进行相应的预警。
本实施例中,首先需要指出,如图3所示,所述预测值确定操作为利用各所述目标预测模型并基于所述当前输入数据以及所述输入数据等周期变化量确定所述当前数据等周期变化量预测值;所述当前数据等周期变化量预测值包括当前输出数据等周期变化量预测值、当前输出数据等周期变化量最大值的预测值以及当前输出数据等周期变化量最小值的预测值。
若所述当前输入数据不满足所述目标输入数据范围或所述输入数据等周期变化量不满足所述输入数据等周期变化量范围,或者都不满足,首先进行相应的预警,诊断异常。之后再利用各所述目标预测模型并基于所述当前输入数据以及所述输入数据等周期变化量确定当前输出数据等周期变化量预测值/>、当前输出数据等周期变化量最大值的预测值/>以及当前输出数据等周期变化量最小值的预测值,就是离线训练的步骤的三个GBDT模型,/>,/>作为输入,分别预测/>的上下限、/>。同时,/>,/>。之后,基于所述目标弹性系数判断所述当前数据等周期变化量预测值是否符合基于所述目标输出数据范围和所述输出数据等周期变化量范围确定的判断条件。其中,基于所述目标弹性系数判断所述当前数据等周期变化量预测值是否符合基于所述目标输出数据范围和所述输出数据等周期变化量范围确定的判断条件,包括:确定所述当前输出数据等周期变化量最大值的预测值与所述当前输出数据等周期变化量预测值之间的第四差值,并确定所述第四差值与所述目标弹性系数的第四乘积结果;根据所述第四乘积结果与上一次迭代的输出数据之间的和确定所述当前输出数据最大值的预测值;确定所述当前输出数据等周期变化量最小值的预测值与所述当前输出数据等周期变化量预测值之间的第五差值,并确定所述第五差值与所述目标弹性系数的第五乘积结果;根据所述第五乘积结果与上一次迭代的输出数据之间的和确定所述当前输出数据最小值的预测值;判断所述当前输出数据最大值的预测值是否大于或等于所述当前输入数据且小于或等于所述目标输出数据范围中当前输出数据范围的最大值,以及所述当前输出数据最小值的预测值是否大于或等于所述目标输出数据范围中当前输出数据范围的最小值且小于或等于所述当前输入数据;判断所述第四乘积结果是否小于或等于所述当前输出数据等周期变化量范围的最大值;确定所述当前输出数据等周期变化量预测值与所述当前输出数据等周期变化量最小值的预测值之间的第六差值;判断所述第六差值与所述目标弹性系数的第六乘积结果是否小于或等于所述当前输出数据等周期变化量范围的最大值。就是判断这四个公式是否能够同时成立:
;
;
;
。
若不满足条件则判断异常预警后,记录当前/>作为下一次迭代/>,记录当前作为下一次迭代的/>,并再次进入获取在当前采样周期内采集到的一组连续的时序数据以得到当前输入数据,并获取与所述当前输入数据对应的当前输出数据的步骤,进行下一轮检测。同时,需要指出的是,/>,/>的判断已均为现有工况与历史工况相差过大时,其预测值分位数范围反而扩大,当预测值大于允许的最大工况时,其预测范围失去意义,同时也说明当前工况距离历史正常工况偏离较远。其中/>及β均为不影响训练模型可调整参数,可以根据需要反复调整已达到理想状态。在线运行时,根据人工确认反馈,如正常值,可适当调整增大β值,如异常值,则保持β现状,如发生漏报可根据调小β值。反复迭代,可得到理想β值,此时无需重新训练模型。这样一来,在保证时滞小于分钟内的设备及工艺参数异常诊断的前提下,将异常诊断的分类问题转化为回归问题,减少建模所需的人工标注及模型调试成本。同时,相对于对y值直接预测具有明显的提升,具有较好的检测精度。根据需要进行模型训练后,弹性系数β,/>,/>,/>,/>,/>,/>均可以根据实际情况进行调整,具有一定的灵活性。根据实际的误报及漏报在投入运行后根据实际效果反馈迭代获得理想值。具有较好的泛化能力,针对流程行业设备及工况异常诊断能力,包括常用辅机设备,包括风机、给水泵、磨煤机等。
由上可知,本申请在对参数及设备异常进行检测时,首先获取预先确定的目标输入数据范围、输入数据等周期变化量范围、目标输出数据范围、输出数据等周期变化量范围、各目标预测模型以及目标弹性系数;之后获取在当前采样周期内采集到的一组连续的时序数据以得到当前输入数据,并获取与所述当前输入数据对应的当前输出数据;并基于所述当前输入数据以及上一个采样周期采集的输入数据确定输入数据等周期变化量,并确定所述当前输入数据是否满足所述目标输入数据范围,且确定所述输入数据等周期变化量是否满足所述输入数据等周期变化量范围;最后若不满足,则进行相应的预警,并触发预测值确定操作,以得到与所述当前输出数据对应的当前数据等周期变化量预测值;若均满足,则直接触发所述预测值确定操作,并基于所述目标弹性系数判断所述当前数据等周期变化量预测值是否符合基于所述目标输出数据范围和所述输出数据等周期变化量范围确定的判断条件,若不符合,则判定所述当前输出数据异常,并进行相应的预警;其中,所述预测值确定操作为利用各所述目标预测模型并基于所述当前输入数据以及所述输入数据等周期变化量确定所述当前数据等周期变化量预测值;所述当前数据等周期变化量预测值包括当前输出数据等周期变化量预测值、当前输出数据等周期变化量最大值的预测值以及当前输出数据等周期变化量最小值的预测值。可见,本申请能够将数据驱动的机器学习模型与流程行业监控系统时序数据特点相结合,实现对时滞较小的工艺工况参数及设备进行异常诊断预警,同时具有广泛的适用性,适应流程行业现场流程行业工艺及设备类型,并且利用现有正常工况数据进行训练,解决了异常数据缺失问题;无需数据标注及工艺专家机理建模过程,解决了建模成本高问题;并且解决了部署运行成本问题,具有一定的灵活性。
本申请公开了一种具体的参数及设备异常检测方法,具体来说,由于控制系统采用定周期采集,可得到使用定周期多元时间序列对应的因变量,/>为连续时间序列采样数量,根据控制等周期∆t采集时间序列数据的组成,由于流程行业特征变量具有连续型,可以假设/>,/>是连续的,即/>与/>变量有关,因此设t时刻的多元泰勒一阶展开式,/>为偏差干扰项,分析过程如下:
;
;
可知与/>、/>、/>及/>相关。
建立数据驱动模型,利用模型计算预测值/>,并获得/>的置信区间,进而可获得/>及其置信区间。利用控制系统监控变量的等周期时间序列历史数据/>,其中,易获得/>,易得/>。
选择适当的数据驱动回归模型,将,/>作为输入数据,/>作为回归预测数据,利用/>、/>及/>训练模型,并获得/>的置信区间。这里采用GBDT相关算法,包括XGBoost、LightGBM算法进行回归预测以及自带的分位数(5%~95%)回归,在相同模型参数的前提下,且使用相同输入数据下训练三个模型,分别预测/>,以及分位数为95%的/>以及分位数为5%的/>,进而可得/>,由于/>及随机干扰/>,添加弹性系数β,(β≥1)调整容忍误差范围,使得、/>,根据正常历史时序数据量及工艺要求先设定β值(如β=3),进而获得/>。根据工艺设定阈值/>、/>、/>,即y特征变量在正常工况最大、最小值及∆t时间内最大变化量绝对值,其可由工艺专家设定,也可采用统计方式获取。当满足:时,则判断工况正常;当不满足/>时,则异常预警;其中β可以在使用过程中进行调整。当/>,偏离模型较远时会导致/>或/>使得检测失去意义,因此也可以判别设备或工况异常。当发生误报时可制定策略向大调整β;当发生漏报时可制定策略向小调整β,从而在不重新训练模型微调预测的敏感度。
从工艺视角来看,确定了设备及工艺过程t时刻所处工况,/>确定了再此工况下各个变量对因变量/>的贡献量的叠加,而具体模型斜率由模型从正常工况历史数据中学习。一般情况下,流程行业变量变化是连续缓慢的,相对时间间隔∆t变量及因变量相对于实际量程范围较小,且考虑到正常历史工况时序数据不充分以及部分惯性导致时非稳态过程,可以调整β提高过程容忍度。通常情况,流程行业根据设备及工艺特性,从控制系统采集∆t一般可以采用1~10s,不宜采用因变量惯性过大的系统,以防止超出设备及工况异常时限要求。此方法同样使用具有控制系统闭环调节的装置,由于闭环系统使工艺设备装置趋于稳定,可视为统一装置,同样适用此方法。
由上可知,本申请将数据驱动的机器学习模型与流程行业监控系统时序数据特点相结合,在保证时滞小于分钟内的设备及工艺参数异常诊断的前提下,将异常诊断的分类问题转化为回归问题,减少建模所需的人工标注及模型调试成本。
参见图4所示,本发明实施例公开了一种参数及设备异常检测装置,包括:
第一获取模块11,用于获取预先确定的目标输入数据范围、输入数据等周期变化量范围、目标输出数据范围、输出数据等周期变化量范围、各目标预测模型以及目标弹性系数;
第二获取模块12,用于获取在当前采样周期内采集到的一组连续的时序数据以得到当前输入数据,并获取与所述当前输入数据对应的当前输出数据;
数据判断模块13,用于基于所述当前输入数据以及上一个采样周期采集的输入数据确定输入数据等周期变化量,并确定所述当前输入数据是否满足所述目标输入数据范围,且确定所述输入数据等周期变化量是否满足所述输入数据等周期变化量范围;
判断结果执行模块14,用于若不满足,则进行相应的预警,并触发预测值确定操作,以得到与所述当前输出数据对应的当前数据等周期变化量预测值;若均满足,则直接触发所述预测值确定操作,并基于所述目标弹性系数判断所述当前数据等周期变化量预测值是否符合基于所述目标输出数据范围和所述输出数据等周期变化量范围确定的判断条件,若不符合,则判定所述当前输出数据异常,并进行相应的预警;
其中,所述预测值确定操作为利用各所述目标预测模型并基于所述当前输入数据以及所述输入数据等周期变化量确定所述当前数据等周期变化量预测值;所述当前数据等周期变化量预测值包括当前输出数据等周期变化量预测值、当前输出数据等周期变化量最大值的预测值以及当前输出数据等周期变化量最小值的预测值。
由上可知,本申请在对参数及设备异常进行检测时,首先获取预先确定的目标输入数据范围、输入数据等周期变化量范围、目标输出数据范围、输出数据等周期变化量范围、各目标预测模型以及目标弹性系数;之后获取在当前采样周期内采集到的一组连续的时序数据以得到当前输入数据,并获取与所述当前输入数据对应的当前输出数据;并基于所述当前输入数据以及上一个采样周期采集的输入数据确定输入数据等周期变化量,并确定所述当前输入数据是否满足所述目标输入数据范围,且确定所述输入数据等周期变化量是否满足所述输入数据等周期变化量范围;最后若不满足,则进行相应的预警,并触发预测值确定操作,以得到与所述当前输出数据对应的当前数据等周期变化量预测值;若均满足,则直接触发所述预测值确定操作,并基于所述目标弹性系数判断所述当前数据等周期变化量预测值是否符合基于所述目标输出数据范围和所述输出数据等周期变化量范围确定的判断条件,若不符合,则判定所述当前输出数据异常,并进行相应的预警;其中,所述预测值确定操作为利用各所述目标预测模型并基于所述当前输入数据以及所述输入数据等周期变化量确定所述当前数据等周期变化量预测值;所述当前数据等周期变化量预测值包括当前输出数据等周期变化量预测值、当前输出数据等周期变化量最大值的预测值以及当前输出数据等周期变化量最小值的预测值。可见,本申请能够将数据驱动的机器学习模型与流程行业监控系统时序数据特点相结合,实现对时滞较小的工艺工况参数及设备进行异常诊断预警,同时具有广泛的适用性,适应流程行业现场流程行业工艺及设备类型,并且利用现有正常工况数据进行训练,解决了异常数据缺失问题;无需数据标注及工艺专家机理建模过程,解决了建模成本高问题;并且解决了部署运行成本问题,具有一定的灵活性。
在一些具体的实施例中,所述第一获取模块11,还可以包括:
数据统计单元,用于在离线训练阶段对全部历史数据进行统计,以根据统计结果确定所述目标输入数据范围、所述输入数据等周期变化量范围、所述目标输出数据范围以及所述输出数据等周期变化量范围。
在一些具体的实施例中,所述第一获取模块11,还可以包括:
历史数据获取单元,用于在所述离线训练阶段收集基于预设采样周期获取的历史输入数据与历史输出数据;
历史数据扩展单元,用于对所述历史输入数据以及所述历史输出数据进行特征扩展,以得到扩展后的历史输入数据和扩展后的历史输出数据;
历史数据确定单元,用于基于所述扩展后的历史输入数据以及所述扩展后的历史输出数据分别确定历史输入数据等周期变化量和历史输出数据等周期变化量;
历史数据划分单元,用于基于预设规则将各所述历史数据进行划分,以得到训练数据集;所述历史数据包括所述历史输入数据历史输出数据、所述历史输入数据等周期变化量和所述历史输出数据等周期变化量;
预测模型获取单元,用于利用所述训练数据集对基于梯度提升决策树算法构建的初始模型进行训练,以得到各所述目标预测模型;其中,各所述目标预测模型为分别对所述输出数据等周期变化量、所述输出数据等周期变化量的最大值以及所述输出数据等周期变化量的最小值进行预测的模型。
在一些具体的实施例中,所述第一获取模块11,还可以包括:
第一历史数据等周期变化量预测值预测子模块,用于在所述离线训练阶段基于所述训练数据集以及各所述目标预测模型进行预测得到各第一历史数据等周期变化量预测值;所述第一历史数据等周期变化量预测值包括历史输出数据等周期变化量预测值、历史输出数据等周期变化量最大值的预测值以及历史输出数据等周期变化量最小值的预测值;
第一计算结果获取子模块,用于根据各所述第一历史数据等周期变化量预测值以及所述当前弹性系数计算历史输出数据预测值、历史输出数据最大值的预测值以及历史输出数据最小值的预测值,以得到各第一计算结果;
第一判断结果获取单元,用于基于各所述第一计算结果以及所述当前弹性系数,判断所述训练数据集中与所述历史输出数据对应的各所述第一历史数据等周期变化量预测值是否满足所述判断条件,以得到相应的第一判断结果;
弹性系数调整子模块,用于基于所述第一判断结果对所述当前弹性系数进行相应的调整,以得到所述目标弹性系数。
在一些具体的实施例中,所述弹性系数调整子模块,具体可以包括:
跳转单元,用于若所述第一判断结果表征不满足所述判断条件,则对所述当前弹性系数进行相应的调整,将调整后弹性系数作为所述当前弹性系数,并重新跳转至所述在所述离线训练阶段基于所述训练数据集以及各所述目标预测模型进行预测得到各第一历史数据等周期变化量预测值的步骤;
历史数据等周期变化量预测值预测单元,用于若所述第一判断结果表征满足所述判断条件,则利用基于所述预设规则对各所述历史数据进行划分后得到的验证数据集,以及各所述目标预测模型进行预测得到各第二历史数据等周期变化量预测值;所述第二历史数据等周期变化量预测值包括历史输出数据等周期变化量预测值、历史输出数据等周期变化量最大值的预测值以及历史输出数据等周期变化量最小值的预测值;
第二计算结果获取单元,用于根据各所述第二历史数据等周期变化量预测值以及所述当前弹性系数计算历史输出数据预测值、历史输出数据最大值的预测值以及历史输出数据最小值的预测值,以得到各第二计算结果;
第二判断结果获取单元,用于基于各所述第二计算结果以及所述当前弹性系数,判断所述训练数据集中与所述历史输出数据对应的各所述第二历史数据等周期变化量预测值是否满足所述判断条件,以得到相应的第二判断结果;
弹性系数调整单元,用于基于所述第二判断结果对所述当前弹性系数进行相应的调整,以得到所述目标弹性系数。
在一些具体的实施例中,所述弹性系数调整单元,具体可以包括:
跳转子单元,用于若所述第二判断结果表征不满足所述判断条件,则对所述当前弹性系数进行相应的调整,将调整后弹性系数作为所述当前弹性系数,并重新跳转至所述在所述离线训练阶段基于所述训练数据集以及各所述目标预测模型进行预测得到各第一历史数据等周期变化量预测值的步骤;
目标弹性系数确定单元,用于若所述第二判断结果表征满足所述判断条件,则结束离线训练,并将所述当前弹性系数确定为所述目标弹性系数。
在一些具体的实施例中,所述数据判断模块13,还可以包括:
数据扩展单元,用于对所述当前输入数据进行特征扩展,并基于扩展后的所述当前输入数据以及上一个采样周期采集的输入数据确定所述输入数据等周期变化量。
在一些具体的实施例中,所述装置,具体可以用于利用所述历史数据等周期变化量预测值与上一次迭代的历史输出数据之间的和确定所述历史输出数据预测值;确定所述历史输出数据等周期变化量最大值的预测值与所述历史输出数据等周期变化量预测值之间的第一差值,并确定所述第一差值与所述当前弹性系数的第一乘积结果;根据所述第一乘积结果与上一次迭代的历史输出数据之间的和确定所述历史输出数据最大值的预测值;确定所述历史输出数据等周期变化量最小值的预测值与所述历史输出数据等周期变化量预测值之间的第二差值,并确定所述第二差值与所述当前弹性系数的第二乘积结果;根据所述第二乘积结果与上一次迭代的历史输出数据之间的和确定所述历史输出数据最小值的预测值。
在一些具体的实施例中,所述装置,具体可以用于判断所述历史输出数据最大值的预测值是否大于或等于所述历史输入数据且小于或等于所述目标输出数据范围中历史输出数据范围的最大值,以及所述历史输出数据最小值的预测值是否大于或等于所述目标输出数据范围中历史输出数据范围的最小值且小于或等于所述历史输出数据;判断所述第一乘积结果是否小于或等于所述历史输出数据等周期变化量范围的最大值;确定所述历史输出数据等周期变化量预测值与所述历史输出数据等周期变化量最小值的预测值之间的第三差值;判断所述第三差值与所述当前弹性系数的第三乘积结果是否小于或等于所述历史输出数据等周期变化量范围的最大值。
在一些具体的实施例中,所述判断结果执行模块14,具体可以包括:
第四乘积结果确定单元,用于确定所述当前输出数据等周期变化量最大值的预测值与所述当前输出数据等周期变化量预测值之间的第四差值,并确定所述第四差值与所述目标弹性系数的第四乘积结果;
输出数据最大值的预测值确定单元,用于根据所述第四乘积结果与上一次迭代的输出数据之间的和确定所述当前输出数据最大值的预测值;
第五乘积结果确定单元,用于确定所述当前输出数据等周期变化量最小值的预测值与所述当前输出数据等周期变化量预测值之间的第五差值,并确定所述第五差值与所述目标弹性系数的第五乘积结果;
输出数据最小值的预测值确定单元,用于根据所述第五乘积结果与上一次迭代的输出数据之间的和确定所述当前输出数据最小值的预测值;
预测值判断单元,用于判断所述当前输出数据最大值的预测值是否大于或等于所述当前输入数据且小于或等于所述目标输出数据范围中当前输出数据范围的最大值,以及所述当前输出数据最小值的预测值是否大于或等于所述目标输出数据范围中当前输出数据范围的最小值且小于或等于所述当前输入数据;
第四乘积结果判断单元,用于判断所述第四乘积结果是否小于或等于所述当前输出数据等周期变化量范围的最大值;
第六差值确定单元,用于确定所述当前输出数据等周期变化量预测值与所述当前输出数据等周期变化量最小值的预测值之间的第六差值;
第六差值判断单元,用于判断所述第六差值与所述目标弹性系数的第六乘积结果是否小于或等于所述当前输出数据等周期变化量范围的最大值。
进一步的,本申请实施例还公开了一种电子设备,图5是根据一示例性实施例示出的电子设备20结构图,图中的内容不能认为是对本申请的使用范围的任何限制。
图5为本申请实施例提供的一种电子设备20的结构示意图。该电子设备 20,具体可以包括:至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中,所述存储器22用于存储计算机程序,所述计算机程序由所述处理器21加载并执行,以实现前述任一实施例公开的参数及设备异常检测方法中的相关步骤。另外,本实施例中的电子设备20具体可以为电子计算机。
本实施例中,电源23用于为电子设备20上的各硬件设备提供工作电压;通信接口24能够为电子设备20创建与外界设备之间的数据传输通道,其所遵 循的通信协议是能够适用于本申请技术方案的任意通信协议,在此不对其进 行具体限定;输入输出接口25,用于获取外界输入数据或向外界输出数据,其具体的接口类型可以根据具体应用需要进行选取,在此不进行具体限定。
另外,存储器22作为资源存储的载体,可以是只读存储器、随机存储器、 磁盘或者光盘等,其上所存储的资源可以包括操作系统221、计算机程序222 等,存储方式可以是短暂存储或者永久存储。
其中,操作系统221用于管理与控制电子设备20上的各硬件设备以及计算 机程序222,其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的参数及设备异常检测方法的计算机程序之外,还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的,本申请还公开了一种计算机可读存储介质,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现前述公开的参数及设备异常检测方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容,在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的技术方案进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (11)
1.一种参数及设备异常检测方法,其特征在于,包括:
获取预先确定的目标输入数据范围、输入数据等周期变化量范围、目标输出数据范围、输出数据等周期变化量范围、各目标预测模型以及目标弹性系数;
获取在当前采样周期内采集到的一组连续的时序数据以得到当前输入数据,并获取与所述当前输入数据对应的当前输出数据;
基于所述当前输入数据以及上一个采样周期采集的输入数据确定输入数据等周期变化量,并确定所述当前输入数据是否满足所述目标输入数据范围,且确定所述输入数据等周期变化量是否满足所述输入数据等周期变化量范围;
若不满足,则进行相应的预警,并触发预测值确定操作,以得到与所述当前输出数据对应的当前数据等周期变化量预测值;若均满足,则直接触发所述预测值确定操作,并基于所述目标弹性系数判断所述当前数据等周期变化量预测值是否符合基于所述目标输出数据范围和所述输出数据等周期变化量范围确定的判断条件,若不符合,则判定所述当前输出数据异常,并进行相应的预警;
其中,所述预测值确定操作为利用各所述目标预测模型并基于所述当前输入数据以及所述输入数据等周期变化量确定所述当前数据等周期变化量预测值;所述当前数据等周期变化量预测值包括当前输出数据等周期变化量预测值、当前输出数据等周期变化量最大值的预测值以及当前输出数据等周期变化量最小值的预测值。
2.根据权利要求1所述的参数及设备异常检测方法,其特征在于,所述基于所述当前输入数据以及上一个采样周期采集的输入数据确定输入数据等周期变化量,包括:
对所述当前输入数据进行特征扩展,并基于扩展后的所述当前输入数据以及上一个采样周期采集的输入数据确定所述输入数据等周期变化量。
3.根据权利要求1所述的参数及设备异常检测方法,其特征在于,获取预先确定的目标输入数据范围、输入数据等周期变化量范围、目标输出数据范围以及输出数据等周期变化量范围之前,还包括:
在离线训练阶段对全部历史数据进行统计,以根据统计结果确定所述目标输入数据范围、所述输入数据等周期变化量范围、所述目标输出数据范围以及所述输出数据等周期变化量范围。
4.根据权利要求1所述的参数及设备异常检测方法,其特征在于,获取预先确定的各目标预测模型之前,还包括:
在所述离线训练阶段收集基于预设采样周期获取的历史输入数据与历史输出数据;
对所述历史输入数据以及所述历史输出数据进行特征扩展,以得到扩展后的历史输入数据和扩展后的历史输出数据;
基于所述扩展后的历史输入数据以及所述扩展后的历史输出数据分别确定历史输入数据等周期变化量和历史输出数据等周期变化量;
基于预设规则将各所述历史数据进行划分,以得到训练数据集;所述历史数据包括所述历史输入数据、历史输出数据、所述历史输入数据等周期变化量和所述历史输出数据等周期变化量;
利用所述训练数据集对基于梯度提升决策树算法构建的初始模型进行训练,以得到各所述目标预测模型;其中,各所述目标预测模型为分别对所述输出数据等周期变化量、所述输出数据等周期变化量的最大值以及所述输出数据等周期变化量的最小值进行预测的模型。
5.根据权利要求4所述的参数及设备异常检测方法,其特征在于,获取预先确定的目标弹性系数之前,还包括:
在所述离线训练阶段基于所述训练数据集以及各所述目标预测模型进行预测得到各第一历史数据等周期变化量预测值;所述第一历史数据等周期变化量预测值包括历史输出数据等周期变化量预测值、历史输出数据等周期变化量最大值的预测值以及历史输出数据等周期变化量最小值的预测值;
根据各所述第一历史数据等周期变化量预测值以及所述当前弹性系数计算历史输出数据预测值、历史输出数据最大值的预测值以及历史输出数据最小值的预测值,以得到各第一计算结果;
基于各所述第一计算结果以及所述当前弹性系数,判断所述训练数据集中与所述历史输出数据对应的各所述第一历史数据等周期变化量预测值是否满足所述判断条件,以得到相应的第一判断结果;
基于所述第一判断结果对所述当前弹性系数进行相应的调整,以得到所述目标弹性系数。
6.根据权利要求5所述的参数及设备异常检测方法,其特征在于,所述基于所述第一判断结果对所述当前弹性系数进行相应的调整,以得到所述目标弹性系数,包括:
若所述第一判断结果表征不满足所述判断条件,则对所述当前弹性系数进行相应的调整,将调整后弹性系数作为所述当前弹性系数,并重新跳转至所述在所述离线训练阶段基于所述训练数据集以及各所述目标预测模型进行预测得到各第一历史数据等周期变化量预测值的步骤;
若所述第一判断结果表征满足所述判断条件,则利用基于所述预设规则对各所述历史数据进行划分后得到的验证数据集,以及各所述目标预测模型进行预测得到各第二历史数据等周期变化量预测值;所述第二历史数据等周期变化量预测值包括历史输出数据等周期变化量预测值、历史输出数据等周期变化量最大值的预测值以及历史输出数据等周期变化量最小值的预测值;
根据各所述第二历史数据等周期变化量预测值以及所述当前弹性系数计算历史输出数据预测值、历史输出数据最大值的预测值以及历史输出数据最小值的预测值,以得到各第二计算结果;
基于各所述第二计算结果以及所述当前弹性系数,判断所述训练数据集中与所述历史输出数据对应的各所述第二历史数据等周期变化量预测值是否满足所述判断条件,以得到相应的第二判断结果;
基于所述第二判断结果对所述当前弹性系数进行相应的调整,以得到所述目标弹性系数。
7.根据权利要求6所述的参数及设备异常检测方法,其特征在于,所述基于所述第二判断结果对所述当前弹性系数进行相应的调整,以得到所述目标弹性系数,包括:
若所述第二判断结果表征不满足所述判断条件,则对所述当前弹性系数进行相应的调整,将调整后弹性系数作为所述当前弹性系数,并重新跳转至所述在所述离线训练阶段基于所述训练数据集以及各所述目标预测模型进行预测得到各第一历史数据等周期变化量预测值的步骤;
若所述第二判断结果表征满足所述判断条件,则结束离线训练,并将所述当前弹性系数确定为所述目标弹性系数。
8.根据权利要求5或6所述的参数及设备异常检测方法,其特征在于,根据各所述历史数据等周期变化量预测值以及所述当前弹性系数计算历史输出数据预测值、历史输出数据最大值的预测值以及历史输出数据最小值的预测值,以得到各计算结果,包括:
利用所述历史数据等周期变化量预测值与上一次迭代的历史输出数据之间的和确定所述历史输出数据预测值;
确定所述历史输出数据等周期变化量最大值的预测值与所述历史输出数据等周期变化量预测值之间的第一差值,并确定所述第一差值与所述当前弹性系数的第一乘积结果;
根据所述第一乘积结果与上一次迭代的历史输出数据之间的和确定所述历史输出数据最大值的预测值;
确定所述历史输出数据等周期变化量最小值的预测值与所述历史输出数据等周期变化量预测值之间的第二差值,并确定所述第二差值与所述当前弹性系数的第二乘积结果;
根据所述第二乘积结果与上一次迭代的历史输出数据之间的和确定所述历史输出数据最小值的预测值。
9.根据权利要求8所述的参数及设备异常检测方法,其特征在于,基于各所述计算结果以及所述当前弹性系数,判断所述数据集中与所述历史输出数据对应的各所述历史数据等周期变化量预测值是否满足所述判断条件,包括:
判断所述历史输出数据最大值的预测值是否大于或等于所述历史输入数据且小于或等于所述目标输出数据范围中历史输出数据范围的最大值,以及所述历史输出数据最小值的预测值是否大于或等于所述目标输出数据范围中历史输出数据范围的最小值且小于或等于所述历史输出数据;
判断所述第一乘积结果是否小于或等于所述历史输出数据等周期变化量范围的最大值;
确定所述历史输出数据等周期变化量预测值与所述历史输出数据等周期变化量最小值的预测值之间的第三差值;
判断所述第三差值与所述当前弹性系数的第三乘积结果是否小于或等于所述历史输出数据等周期变化量范围的最大值。
10.根据权利要求6所述的参数及设备异常检测方法,其特征在于,所述基于所述目标弹性系数判断所述当前数据等周期变化量预测值是否符合基于所述目标输出数据范围和所述输出数据等周期变化量范围确定的判断条件,包括:
确定所述当前输出数据等周期变化量最大值的预测值与所述当前输出数据等周期变化量预测值之间的第四差值,并确定所述第四差值与所述目标弹性系数的第四乘积结果;
根据所述第四乘积结果与上一次迭代的输出数据之间的和确定所述当前输出数据最大值的预测值;
确定所述当前输出数据等周期变化量最小值的预测值与所述当前输出数据等周期变化量预测值之间的第五差值,并确定所述第五差值与所述目标弹性系数的第五乘积结果;
根据所述第五乘积结果与上一次迭代的输出数据之间的和确定所述当前输出数据最小值的预测值;
判断所述当前输出数据最大值的预测值是否大于或等于所述当前输入数据且小于或等于所述目标输出数据范围中当前输出数据范围的最大值,以及所述当前输出数据最小值的预测值是否大于或等于所述目标输出数据范围中当前输出数据范围的最小值且小于或等于所述当前输入数据;
判断所述第四乘积结果是否小于或等于所述当前输出数据等周期变化量范围的最大值;
确定所述当前输出数据等周期变化量预测值与所述当前输出数据等周期变化量最小值的预测值之间的第六差值;
判断所述第六差值与所述目标弹性系数的第六乘积结果是否小于或等于所述当前输出数据等周期变化量范围的最大值。
11.一种参数及设备异常检测装置,其特征在于,包括:
第一获取模块,用于获取预先确定的目标输入数据范围、输入数据等周期变化量范围、目标输出数据范围、输出数据等周期变化量范围、各目标预测模型以及目标弹性系数;
第二获取模块,用于获取在当前采样周期内采集到的一组连续的时序数据以得到当前输入数据,并获取与所述当前输入数据对应的当前输出数据;
数据判断模块,用于基于所述当前输入数据以及上一个采样周期采集的输入数据确定输入数据等周期变化量,并确定所述当前输入数据是否满足所述目标输入数据范围,且确定所述输入数据等周期变化量是否满足所述输入数据等周期变化量范围;
判断结果执行模块,用于若不满足,则进行相应的预警,并触发预测值确定操作,以得到与所述当前输出数据对应的当前数据等周期变化量预测值;若均满足,则直接触发所述预测值确定操作,并基于所述目标弹性系数判断所述当前数据等周期变化量预测值是否符合基于所述目标输出数据范围和所述输出数据等周期变化量范围确定的判断条件,若不符合,则判定所述当前输出数据异常,并进行相应的预警;
其中,所述预测值确定操作为利用各所述目标预测模型并基于所述当前输入数据以及所述输入数据等周期变化量确定所述当前数据等周期变化量预测值;所述当前数据等周期变化量预测值包括当前输出数据等周期变化量预测值、当前输出数据等周期变化量最大值的预测值以及当前输出数据等周期变化量最小值的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311340225.7A CN117076260B (zh) | 2023-10-17 | 2023-10-17 | 一种参数及设备异常检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311340225.7A CN117076260B (zh) | 2023-10-17 | 2023-10-17 | 一种参数及设备异常检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117076260A true CN117076260A (zh) | 2023-11-17 |
CN117076260B CN117076260B (zh) | 2024-01-26 |
Family
ID=88704679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311340225.7A Active CN117076260B (zh) | 2023-10-17 | 2023-10-17 | 一种参数及设备异常检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117076260B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060058898A1 (en) * | 2004-09-10 | 2006-03-16 | Emigholz Kenneth F | System and method for abnormal event detection in the operation of continuous industrial processes |
US20190370610A1 (en) * | 2018-05-29 | 2019-12-05 | Microsoft Technology Licensing, Llc | Data anomaly detection |
CN111130940A (zh) * | 2019-12-26 | 2020-05-08 | 众安信息技术服务有限公司 | 异常数据检测方法、装置及服务器 |
CN111209934A (zh) * | 2019-12-26 | 2020-05-29 | 大唐新疆清洁能源有限公司 | 风机故障预报警方法及系统 |
CN111597729A (zh) * | 2020-05-27 | 2020-08-28 | 北京天泽智云科技有限公司 | 加工设备工艺参数优化方法及系统 |
CN112835769A (zh) * | 2021-02-24 | 2021-05-25 | 北京顶象技术有限公司 | 一种业务数据异常诊断方法、装置、设备及存储介质 |
CN114186738A (zh) * | 2021-12-10 | 2022-03-15 | 北京百度网讯科技有限公司 | 一种故障预警方法、装置、电子设备和存储介质 |
CN115201608A (zh) * | 2022-07-26 | 2022-10-18 | 广东粤电靖海发电有限公司 | 一种基于神经网络的电厂设备运行参数监测方法 |
CN116413604A (zh) * | 2022-10-21 | 2023-07-11 | 杭州安脉盛智能技术有限公司 | 一种电池参数监测方法、系统、装置及存储介质 |
CN116661397A (zh) * | 2023-06-26 | 2023-08-29 | 浙江中控技术股份有限公司 | 设备状态的确定方法、装置及电子设备 |
-
2023
- 2023-10-17 CN CN202311340225.7A patent/CN117076260B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060058898A1 (en) * | 2004-09-10 | 2006-03-16 | Emigholz Kenneth F | System and method for abnormal event detection in the operation of continuous industrial processes |
US20190370610A1 (en) * | 2018-05-29 | 2019-12-05 | Microsoft Technology Licensing, Llc | Data anomaly detection |
CN111130940A (zh) * | 2019-12-26 | 2020-05-08 | 众安信息技术服务有限公司 | 异常数据检测方法、装置及服务器 |
CN111209934A (zh) * | 2019-12-26 | 2020-05-29 | 大唐新疆清洁能源有限公司 | 风机故障预报警方法及系统 |
CN111597729A (zh) * | 2020-05-27 | 2020-08-28 | 北京天泽智云科技有限公司 | 加工设备工艺参数优化方法及系统 |
CN112835769A (zh) * | 2021-02-24 | 2021-05-25 | 北京顶象技术有限公司 | 一种业务数据异常诊断方法、装置、设备及存储介质 |
CN114186738A (zh) * | 2021-12-10 | 2022-03-15 | 北京百度网讯科技有限公司 | 一种故障预警方法、装置、电子设备和存储介质 |
CN115201608A (zh) * | 2022-07-26 | 2022-10-18 | 广东粤电靖海发电有限公司 | 一种基于神经网络的电厂设备运行参数监测方法 |
CN116413604A (zh) * | 2022-10-21 | 2023-07-11 | 杭州安脉盛智能技术有限公司 | 一种电池参数监测方法、系统、装置及存储介质 |
CN116661397A (zh) * | 2023-06-26 | 2023-08-29 | 浙江中控技术股份有限公司 | 设备状态的确定方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117076260B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11487252B2 (en) | Process model identification in a process control system | |
JP2023017888A (ja) | 根本的原因分析を実行してプラントワイド操業での希少イベントの発生の予測モデルを構築するコンピュータシステムおよび方法 | |
US10809704B2 (en) | Process performance issues and alarm notification using data analytics | |
Lindemann et al. | Anomaly detection and prediction in discrete manufacturing based on cooperative LSTM networks | |
US8065251B2 (en) | Dynamic management of a process model repository for a process control system | |
CN108763729B (zh) | 基于网络结构熵的流程工业机电系统耦合状态评估方法 | |
EP3296822B1 (en) | Model-plant mismatch detection using model parameter data clustering for paper machines or other systems | |
WO2022171788A1 (de) | Vorhersagemodell zum vorhersagen von produktqualitätsparameterwerten | |
CN111580384B (zh) | 水泥生产中分解炉温度pid控制系统参数自动调整方法 | |
CN113325721A (zh) | 一种工业系统无模型自适应控制方法及系统 | |
Lee et al. | In-line predictive monitoring framework | |
CN113539382B (zh) | 一种亚磷酸二甲酯关键工艺参数的预警定位方法及系统 | |
Ayech et al. | New adaptive moving window PCA for process monitoring | |
CN117076260B (zh) | 一种参数及设备异常检测方法及装置 | |
CN117245872A (zh) | 一种批次注塑过程的状态补偿模型控制方法及系统 | |
EP3869286A1 (en) | System and method for detecting turbine underperformance and operation anomaly | |
WO2018224649A1 (en) | Method and distributed control system for carrying out an automated industrial process | |
Yang et al. | Root Cause Location Based on Prophet and Kernel Density Estimation | |
Afzal et al. | Forecasting in industrial process control: A hidden Markov model approach | |
Wang et al. | On-line modeling and monitoring for multi-operation batch processes with infinite data types | |
CN117111446B (zh) | 一种磁悬浮飞轮电机模糊pid控制优化方法 | |
CN117870034B (zh) | 洁净室环境参数的控制方法、装置及系统 | |
CN117666448B (zh) | 基于物联网能耗预测的节能方法、装置、设备及介质 | |
CN117273402B (zh) | 基于物联网技术的玻璃深加工生产线节能管理系统及方法 | |
CN111443686B (zh) | 基于多目标优化与证据迭代更新的工业报警器设计方法 |
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 |