CN117111568A - 基于物联网的设备监测方法、装置、设备及存储介质 - Google Patents
基于物联网的设备监测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117111568A CN117111568A CN202311376957.1A CN202311376957A CN117111568A CN 117111568 A CN117111568 A CN 117111568A CN 202311376957 A CN202311376957 A CN 202311376957A CN 117111568 A CN117111568 A CN 117111568A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- equipment
- parameter
- monitored
- monitoring parameter
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 260
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 230000036541 health Effects 0.000 claims abstract description 79
- 230000005856 abnormality Effects 0.000 claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims description 55
- 238000012545 processing Methods 0.000 claims description 34
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012806 monitoring device Methods 0.000 claims description 9
- 230000006855 networking Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 27
- 238000007726 management method Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 15
- 238000012423 maintenance Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000012790 confirmation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000013097 stability assessment Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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)
- Signal Processing (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请实施例提供一种基于物联网的设备监测方法、装置、设备及存储介质,涉及设备监测技术领域。所述方法包括:实时采集物联网平台中各个被监测设备的监测参数;初始化每一监测参数的管制阈值,并对管制阈值进行自适应调整;确定每一监测参数对应的状态相关性系数;根据各个被监测设备的监测参数、管制阈值以及对应的状态相关性系数确定被监测设备的健康指数;根据各个被监测设备的健康指数以及预设的异常判定规则对所述物联网平台进行设备监测。本申请实施例通过在监测过程中初始化管制阈值并实时自适应调整阈值,从而能够根据不同场景进行阈值设置,并且能够在长时间监测中实时调整最佳的管制阈值,有效提高了设备监测诊断的准确性和稳定性。
Description
技术领域
本申请涉及设备监测技术领域,具体而言,涉及一种基于物联网的设备监测方法、装置、设备及存储介质。
背景技术
近年来随着物联网技术和工业的深度结合,越来越多的企业为了提高设备的运维效率和可靠性,选择将设备连接到物联网。通过物联网接入,设备可以将运行数据发送到云平台或者本地服务器进行存储和分析,操作人员可以实时监控设备的运行状态和指标参数,如果发现设备的异常,就可以远程控制设备进行调整或者关闭,或采取相应的措施进行维修或者更换。
目前,对于物联网设备的监测和诊断,通常是根据设备厂商提供的说明书中给到的参数阈值,在平台中设置固定的参数上下限进行监测诊断,并在实时采集的参数超过阈值则产生告警信息,并通知相关人员。但是,设备厂家给出的参数上下限范围,是根据设备型号统一划定,是设备在实验室条件下给出的标准范围;而复杂应用场景中即使同一型号的设备管制阈值也不尽相同;另外,随着时间、环境和设备本身状态的变化,管制阈值还会逐渐产生漂移。因此,根据设备型号统一划定的参数阈值进行设备的监测诊断,难以适用于不同环境、不同时间的实际场景,设备监测诊断的准确性和稳定性不高。综上,亟需一种能够提高设备监测诊断的准确性和稳定性的方案。
发明内容
本申请实施例的目的在于提供一种基于物联网的设备监测方法、装置、设备及存储介质,用以提高设备监测诊断的准确性和稳定性。
第一方面,本申请实施例提供了一种基于物联网的设备监测方法,包括:
实时采集物联网平台中各个被监测设备的至少一项监测参数;
初始化每一所述监测参数对应的管制阈值,并基于实时采集的监测参数对所述管制阈值进行自适应调整;
确定每一所述监测参数对应的状态相关性系数;
根据各个被监测设备的至少一项监测参数、自适应调整的管制阈值以及各项监测参数对应的状态相关性系数确定所述被监测设备的健康指数;
根据各个被监测设备的健康指数以及预设的异常判定规则对所述物联网平台进行设备监测。
在本申请实施例中,通过在监测过程中初始化管制阈值并实时自适应调整阈值,从而能够根据不同场景进行阈值设置,并且能够在长时间监测中实时调整最佳的管制阈值,有效提高了设备监测诊断的准确性和稳定性。
在一些可能的实施例中,所述实时采集物联网平台中各个被监测设备的至少一项监测参数,包括:
基于各个被监测设备的物模型确定与所述被监测设备关联绑定的辅助传感器;
实时采集所述被监测设备的设备参数以及辅助传感器的传感器参数,作为所述被监测设备的至少一项监测参数。
在本申请实施例中,监测数据除了包括被监测设备本身的设备参数之外,还包括相关联绑定的辅助传感器的传感器数据,从而能够对被监测设备进行更全面的监测,提高了设备监测的全面性。
在一些可能的实施例中,所述初始化每一所述监测参数对应的管制阈值,并基于实时采集的监测参数对所述管制阈值进行自适应调整,包括:
获取所述被监测设备在一段连续时间内的多组监测参数样本集,并将所述多组监测参数样本集按照被监测设备的状态标记为正常和异常两个状态维度;
按一定比例将多组监测参数样本集划分为基础组样本集和训练组样本集;
计算基础组样本集中各个监测参数的样本均值和样本标准差,并根据各个监测参数的样本均值和样本标准差确定该监测参数的初始管制阈值;
基于所述初始管制阈值对所述训练组样本集中的各个监测参数标记为为正常和异常两个状态维度;
将训练组样本集中的各个监测参数标记的状态与对应的被监测设备的标记状态进行对比,并根据对比结果对所述初始管制阈值进行调整,得到初始化的每一所述监测参数对应的管制阈值;
在后续设备监测过程中,基于通过所述训练组样本集对初始管制阈值进行调整的方式,根据实时采集的监测参数对初始化的管制阈值进行自适应调整。
在本申请实施例中,通过根据连续监测数据来对管制阈值进行初始化和自适应调整,能够有效提高设备监测诊断的准确性和稳定性。
在一些可能的实施例中,所述确定每一所述监测参数对应的状态相关性系数,包括:
获取所述被监测设备在一段连续时间内的多组监测参数样本集,并获取与所述监测参数样本集对应的设备状态数据集;其中,设备状态数据集包括设备正常和设备异常两种维度的标记;
计算所述监测参数样本集的均值和标准差,计算所述设备状态数据集的均值和标准差,根据所述监测参数样本集的均值和所述设备状态数据集的均值计算所述监测参数样本集与所述设备状态数据集的协方差;
根据所述监测参数样本集的标准差、所述设备状态数据集的标准差和所述协方差确定所述监测参数对应的状态相关性系数。
在本申请实施例中,通过计算监测参数样本集与设备状态数据集的均值、标准差和协方差等数据,并基于这些数据综合确定监测参数对应的状态相关性系数,从而能够准确获取监测参数与设备状态的相关性,进一步提高了设备监测的准确性。
在一些可能的实施例中,所述根据各个被监测设备的至少一项监测参数、自适应调整的管制阈值以及各项监测参数对应的状态相关性系数确定所述被监测设备的健康指数,包括:
根据被监测设备的各个监测参数及其对应的管制阈值确定所述监测参数的异常概率;
根据被监测设备的各个监测参数的异常概率以及对应的状态相关性系数进行加权计算得到所述被监测设备的健康指数。
在本申请实施例中,根据各个监测参数的异常概率以及该参数对应的状态相关性系数进行加权计算得到单个监测设备的健康指数,从而能够从概率统计的角度估计设备的健康度,进一步提高了设备监测的准确性。
在一些可能的实施例中,所述根据各个被监测设备的健康指数以及预设的异常判定规则对所述物联网平台进行设备监测,包括:
获取预先配置的被监测设备系统的设备级联关系,并根据所述设备级联关系确定所述被监测设备系统中各个被监测设备的层级权重;
根据各个被监测设备的健康指数及其对应的层级权重进行加权计算得到所述被监测设备系统的系统整体健康指数。
在本申请实施例中,通过根据各个设备的健康指数以及各个设备的层级权重进行加权计算,能够对被监测设备系统整体进行安全指数评价,从而提高了设备监测的全面性。
在一些可能的实施例中,所述基于物联网的设备监测方法还包括:
根据各个被监测设备的至少一项监测参数以及自适应调整的管制阈值识别到异常参数时,产生一条针对所述被监测设备的告警信息;其中,所述告警信息包括被监测设备ID、异常参数ID、管制阈值、异常数值、告警等级、告警时间和处理状态中的至少一种;
当判断异常参数的参数类型为该被监测设备的关键参数,则对所述告警信息中的告警等级进行升级;其中所述关键参数是状态相关性系数大于设定阈值的监测参数;
当判断预设时间段内产生的针对于同一被监测设备的告警信息超过设定数量时,则对所述告警信息中的告警等级进行升级。
在本申请实施例中,通过根据设备监测情况生成详细的告警信息,并根据特殊情况对告警信息的告警等级进行升级,从而提高了设备监测的便捷性,并进一步提高了设备监测的准确性。
第二方面,本申请实施例提供了一种基于物联网的设备监测装置,包括:
数据采集模块,用于实时采集物联网平台中各个被监测设备的至少一项监测参数;
阈值调整模块,用于初始化每一所述监测参数对应的管制阈值,并基于实时采集的监测参数对所述管制阈值进行自适应调整;
系数确定模块,用于确定每一所述监测参数对应的状态相关性系数;
参数评估模块,用于根据各个被监测设备的至少一项监测参数、自适应调整的管制阈值以及各项监测参数对应的状态相关性系数确定所述被监测设备的健康指数;
设备监测模块,用于根据各个被监测设备的健康指数以及预设的异常判定规则对所述物联网平台进行设备监测。
第三方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时可实现第一方面任一实施例所述的方法。
第四方面,本申请实施例提供了一种计算机程序产品,所述的计算机程序产品包括计算机程序,其中,所述的计算机程序被处理器执行时可实现第一方面任一实施例所述的方法。
第五方面,本申请实施例提供了一种电子设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述程序时可实现第一方面任一实施例所述的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使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前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种基于物联网的设备监测方法的流程示意图;
图2为本申请实施例提供的设备健康模型参数构建示意图;
图3为本申请实施例提供的单个参数管制阈值初始化及优化流程示意图;
图4为本申请实施例提供的设备模型关键性参数确认流程示意图;
图5为本申请实施例提供的单台设备健康指数诊断流程示意图;
图6为本申请实施例提供的单台设备健康指数诊断流程示意图;
图7为本申请实施例提供的多设备系统健康指数计算流程示意图;
图8为本申请实施例提供的基于物联网的设备监测的系统架构示意图;
图9为本申请实施例提供的一种基于物联网的设备监测装置的结构示意图;
图10为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,当前物联网平台的设备接入和数据读取技术已经较为成熟,但是企业在实际应用物联网平台对设备进行管理时,仍然存在较高的技术门槛和人工运维成本,并且设备监测的效果也不够理想,主要表现为:
1.监测参数阈值设置难:为了满足设备状态监测需求,需要用户设置参数的上下限阈值。在实际应用过程中,设备厂家并不会给出所有参数的上下限范围,例如很多非标设备根本就没有给出参数的上下限范围。这些指标参数就只能进行数据监测,无法判断是否参数是否正常,更没有办法自动告警。
2.监测参数阈值设置不精确:设备厂家给出的参数上下限范围,是根据设备型号统一划定的,是设备在实验室理想条件下给出的标准范围。而事实上,在复杂应用场景中即使同一型号的设备其管制阈值也不尽相同;随着时间、环境和设备本身状态的变化,管制阈值还会逐渐产生漂移;此时根据设备型号统一划定的参数阈值范围就不再适用。
3.设备诊断模型依赖专家经验:当前对物联网设备的健康诊断模型,大都依赖专家经验定义需要重点监测的参数、参数一旦产生异常可能造成的故障类型、故障等级。但随着工业发展日新月异,越来越多的新设备类型开始应用于生产生活,并没有过多的专家经验去定义重要参数、异常故障等级。
为了解决以上管制阈值配置的缺失、不准确和漂移变化,就导致了企业需要投入人工成本进行参数的配置、调整,和处理不准确的告警信息。
4、告警信息的判断高度依赖人工:设备一旦产生异常,往往不是一个参数异常而是几个参数都异常,物联网平台就会产生多条告警信息;甚至在维修期间,设备还会持续的产生告警信息;设备恢复后这些冗余的告警信息都需要人工去进行处理。
针对于上述现有技术存在的缺陷,如图1所示,本申请实施例提供了一种基于物联网的设备监测方法,可以包括步骤:
S1、实时采集物联网平台中各个被监测设备的至少一项监测参数;
S2、初始化每一监测参数对应的管制阈值,并基于实时采集的监测参数对管制阈值进行自适应调整;
S3、确定每一监测参数对应的状态相关性系数;
S4、根据各个被监测设备的至少一项监测参数、自适应调整的管制阈值以及各项监测参数对应的状态相关性系数确定被监测设备的健康指数;
S5、根据各个被监测设备的健康指数以及预设的异常判定规则对物联网平台进行设备监测。
需要说明的是,通过预先配置的数据接口实时采集物联网平台中每个设备的监测参数,监测参数可以是一项或多项,并且每项监测参数可以配置不同的采集频率,例如对于重点监测对象,则以更高的数据采集频率进行数据采集。对于各个监测参数的异常诊断,均具有一个对应的管制阈值上下限,这个管制阈值可以预先设定一个较为宽松的值,再在后续的监测中根据实时采集的参数进行自适应更新。然后,确定每一个监测参数对应的状态相关性系数,该相关性系数可以根据一段时间的参数监测进行适应性调整得到。然后,可以根据实时采集的监测参数、对应的自适应调整的管制阈值以及相应的状态相关性系数综合判定设备的健康指数,最后根据监测指数以及预设的异常判定规则进行异常诊断,以实现对物联网设备的自适应监测。
在本申请实施例中,通过在监测过程中初始化管制阈值并实时自适应调整阈值,从而能够根据不同场景进行阈值设置,并且能够在长时间监测中实时调整最佳的管制阈值,有效提高了设备监测诊断的准确性和稳定性。
在一些可能的实施例中,步骤S1(实时采集物联网平台中各个被监测设备的至少一项监测参数)可以包括:
S101、基于各个被监测设备的物模型确定与被监测设备关联绑定的辅助传感器;
S102、实时采集被监测设备的设备参数以及辅助传感器的传感器参数,作为被监测设备的至少一项监测参数。
需要说明的是,监测数据除了包括被监测设备本身的设备参数之外,还包括相关联绑定的辅助传感器的传感器数据,从而能够对被监测设备进行更全面的监测,提高了设备监测的全面性。例如,预先对需要监测的设备进行注册,并将该设备绑定对应的物模型;另外,对可以起到辅助监测作用的传感器进行注册,并绑定对应的物模型;然后将监测传感器和对应的被监测设备,按照实际的业务对应进行关联绑定;系统会自动按照绑定关系,创建对应设备的健康模型,所包含的监测参数包括被监测设备参数和关联绑定的传感器参数。
如图2中示例,业务中有需要监测的设备1,同时增加了传感器1、传感器2、传感器3等对设备1进行辅助监测,以上设备在完成了设备注册通讯、并选择了各自对应的物模型后,系统自动产生了设备1的健康诊断模型,该模型中的监测参数包括设备1本身的参数1.A.1、1.A.2、1.A.3、1.A.n,也包括传感器的参数1.B.1、1.B.2、2.C.1、2.C.2、3.D.1、3.D.2。
在一些可能的实施例中,步骤S2(初始化每一监测参数对应的管制阈值,并基于实时采集的监测参数对管制阈值进行自适应调整)可以包括:
S201、获取被监测设备在一段连续时间内的多组监测参数样本集,并将多组监测参数样本集按照被监测设备的状态标记为正常和异常两个状态维度;
S202、按一定比例将多组监测参数样本集划分为基础组样本集和训练组样本集;
S203、计算基础组样本集中各个监测参数的样本均值和样本标准差,并根据各个监测参数的样本均值和样本标准差确定该监测参数的初始管制阈值;
S204、基于初始管制阈值对训练组样本集中的各个监测参数标记为为正常和异常两个状态维度;
S205、将训练组样本集中的各个监测参数标记的状态与对应的被监测设备的标记状态进行对比,并根据对比结果对初始管制阈值进行调整,得到初始化的每一监测参数对应的管制阈值;
S206、在后续设备监测过程中,基于通过训练组样本集对初始管制阈值进行调整的方式,根据实时采集的监测参数对初始化的管制阈值进行自适应调整。
在本申请实施例中,通过根据连续监测数据来对管制阈值进行初始化和自适应调整,能够有效提高设备监测诊断的准确性和稳定性。如图3所示,该图中展示了单个参数如何根据参数的连续监测,进行管制阈值的初始设置和逐步优化,该过程可以包括如下步骤:
步骤1、构建设备E的健康模型参数,使用平台对设备E进行一段时间的连续监测,形成一个样本量不小于1000(数值根据实际需求设定)的数据集,数据集中包括了设备健康模型的各个监测参数(X,Y,Z…);
步骤2、将数据集整体按照E的状态标记为两个状态维度(设备正常标记为E State=1,设备异常标记为E State =0);
步骤3、取前100个“E State=1”状态的参数集作为初始模型计算基础(基础组样本集),将单个参数视为一个随机变量X,设参数X的样本数量为n,计算X的以下特征值的初始值:
样本均值(即高斯分布样本期望μ):μ=
样本标准差δ:
参数初始模型:管制阈值下限:μ–3δ ;管制阈值上限:μ + 3δ 。
经配置后,99.6%(数值根据实际需求设定)的数据会被视为正常数据,边缘0.4%的数据会纳入是否异常的计算范围。
步骤4、使用其他900个数据集(训练组样本集)对参数X的初始模型进行机器学习:
按照步骤3中的初始阈值对训练组数据集中的对应参数X是否正常进行判断,然后和数据集中的设备状态是否异常进行比对,并逐步阈值调优;
参数X异常的判断规则为:
规则1: 连续3个监测值落在初始模型管制阈值之外;
规则2: 连续5点中有3个监测值落在初始模型管制阈值之外;
上述规则的设置目的不仅是确认参数的极小概率情况在连续发生,也可以对个别噪点数据进行过滤。
经过步骤2,参数X也可以被标记为两个状态维度:设备正常标记为X state = 1,设备异常标记为X state =0;
参数状态和设备状态的关联关系是:设备状态E State (n)= X state (n) ×Ystate (n) ×Z state (n)…即单个参数异常则设备一定异常,设备正常则所有参数正常;其优化过程为:
当出现Xn State = 0,En State=1的错误时,将Xn代入原样本中的USL/LSL(管制阈值上下限)作为新的边界值重新计算模型管制阈值上下限,此时管制阈值会逐步放松。
当出现Xn State =0,En State=0时,即阈值被验证,此时将触发规则的Xn数列中(规则1中连续的3个点,规则2中连续5个点中超出的3个点, 偏差最小的点,即min丨Xn-μ丨) ,代入原样本中的USL/LSL作为新的边界值重新计算模型管制阈值上下限;此时管制阈值会逐步收紧。
由于管制阈值的范围总是整体数据范围的99.6%,偶然出现的噪点不会对模型产生较大调整,但如果反复出现偏峰值纠正模型,u值会逐渐偏移,最终使模型阈值较好的覆盖正常范围。
经过训练组样本集调整的X参数的初始阈值即可作为告警管制上下限,初始化到系统模块132参数阈值评估中,供后续验证使用。
步骤5、参数初始阈值投入使用后,在设备监测过程中采用步骤4的方式持续进行阈值调整。
在一些可能的实施例中,步骤S3(确定每一监测参数对应的状态相关性系数)可以包括:
S301、获取被监测设备在一段连续时间内的多组监测参数样本集,并获取与监测参数样本集对应的设备状态数据集;其中,设备状态数据集包括设备正常和设备异常两种维度的标记;
S302、计算监测参数样本集的均值和标准差,计算设备状态数据集的均值和标准差,根据监测参数样本集的均值和设备状态数据集的均值计算监测参数样本集与设备状态数据集的协方差;
S303、根据监测参数样本集的标准差、设备状态数据集的标准差和协方差确定监测参数对应的状态相关性系数。
在本申请实施例中,通过计算监测参数样本集与设备状态数据集的均值、标准差和协方差等数据,并基于这些数据综合确定监测参数对应的状态相关性系数,从而能够准确获取监测参数与设备状态的相关性,进一步提高了设备监测的准确性。
如图4所示,该图展示了评估一个设备健康模型中各个参数的状态相关系数的流程,以及如何确定关键参数。可以通过以下步骤实现:
步骤1、构建设备E的健康模型参数(X,Y,Z…),参数数量最少1个;初始化其中各个参数的初始阈值模型并在投入使用后持续优化;使用平台对设备E进行一段时间的连续监测,形成一个样本量不小于1000(数值可根据实际需求设定)的数据集,且其中应至少覆盖一次以上的设备异常数据;
步骤2、经过模型监测后,每个单个参数都会成一个数据集X(X1, X2, ..., Xn),假设将设备状态正常标记为E State =1,设备异常标记为E State =0,则同时会得到一个由0、1构成的数据集(EState 1, EState 2, ..., EState n);
步骤3、计算X和EState之间的皮尔逊相关系数R:
X 的均值:mean_X = (X1 + X2 + ... + Xn) / n;
EState 的均值:mean_EState = (EState1 + EState2 + ... + EStaten) / n;
X 的标准差:std_X = sqrt(((X1 - mean_X)²+ (X2 - mean_X) ² + ... + (Xn- mean_X) ²) / (n-1));
EState的标准差:std_EState = sqrt(((EState1 - mean_EState) ²+ (EState2- mean_EState) ²+ ... + (EStaten - mean_EState) ²) / (n-1));
X和EState的协方差:Sum_XEState = ((X1 - mean_X) × (EState1 - mean_EState) + (X2 - mean_X)×(EState2 - mean_EState) + ... + (Xn - mean_X)×(EStaten - mean_EState)) / (n-1);
计算相关系数:R = Sum_X EState / (std_X × std_EState);
可以理解的是,相关系数R取值范围为-1到1;当r=1时,表示完全正相关;当r=-1时,表示完全负相关;当r=0时,表示无线性相关性,因此相关系数然后按照R的绝对值进行计算。
当设备E在故障模型管理中,设置了多种故障类型时,应将设备状态按照故障类型区别开来分开统计不同故障类型下,每个系数的相关性。
步骤4、对每个参数在每个故障类型下的相关性系数进行加权后统计;
假设E设备有i种故障状态,且故障在所有故障中发生的概率分别为P(i),健康模型参数(X,Y,Z…)和故障i的状态相关性系数R(x,i) 、R(y,i)、R(z,i) ;则X参数的状态相关性系数为:R= ∑(丨R(x,i)丨× P(i));
最后,将R>0.6(经验值)的参数认定为关键参数,即,当此参数异常时,设备大概率会发生异常。
在一些可能的实施例中,步骤S4(根据各个被监测设备的至少一项监测参数、自适应调整的管制阈值以及各项监测参数对应的状态相关性系数确定被监测设备的健康指数)可以包括:
S401、根据被监测设备的各个监测参数及其对应的管制阈值确定监测参数的异常概率;
S402、根据被监测设备的各个监测参数的异常概率以及对应的状态相关性系数进行加权计算得到被监测设备的健康指数。
在本申请实施例中,根据各个监测参数的异常概率以及该参数对应的状态相关性系数进行加权计算得到单个监测设备的健康指数,从而能够从概率统计的角度估计设备的健康度,进一步提高了设备监测的准确性。如图5所示,该图展示了单台设备根据设备健康模型进行设备健康度诊断的流程,具体包括以下流程:
步骤1、设备E的完整健康模型应包括:监测参数、管制阈值、状态相关性系数;在进行健康度评估时,系统可以根据健康模型进行数据采集,并取设备E最新监测的30组数据进行评估;
步骤2、其中单个参数需计算以下参数:
参数当前阈值管制下限=LSL,阈值管制上限=为USL;
规格差:T = USL – LSL;
规格中心值:SL = LSL + T/2;
偏移度指标:
离散度指标:
其中,δ代表30组数据的某个监测参数的标准差;
稳定度指标:Cpk = Cp( 1 –丨Ca丨)
Cpk值对应的就是当前参数的异常风险值,那么:异常概率= (1 - CPK) / 2×100%
步骤3、各个参数的异常概率,并根据其状态相关性系数加权平均的结果,就是当前设备的失效概率:
假设设备E有n个参数,状态相关性系数为R,则设备的失效概率:F(%)= ∑(R(n)×CPK(n)) ×100%,则设备的健康指数=100% -F(%)。
在一些可能的实施例中,步骤S5(根据各个被监测设备的健康指数以及预设的异常判定规则对物联网平台进行设备监测)可以包括:
S501、基于物联网平台的设备级联关系确定各个被监测设备的层级权重;
S502、根据各个被监测设备的健康指数及其对应的层级权重进行加权计算得到物联网平台的系统整体健康指数。
在本申请实施例中,通过根据各个设备的健康指数以及各个设备的层级权重进行加权计算,能够对被监测设备系统整体进行安全指数评价,从而提高了设备监测的全面性。如图6所示,该图展示了在多设备节点的系统内评估系统整体风险性的过程,可以通过以下步骤实现:
步骤1、用户可以预先构建需要评估的被监测设备系统,并配置设备在系统内的级联关系。将单个设备视为节点,则多个设备节点构成了系统的拓扑结构。
步骤2、记录设备节点所在的层级,然后并按照 “华罗庚优选法(0.618法)”对层级1,层级2,……的权重比进行计算;
设共有n个层级节点,当n=1时,节点权重=100%;
当n>1时,各节点层级权重为F(x),则:
当x=1时,F(x)= 0.618;
当1>x>n时,F(x)= 0.618×(1-sum(F1:F(x-1)));
当x=n时,F(x)=1-sum(F1:F(x-1);
当同一层级中,存在多个并行节点时,层级权重平均计算到每个节点上;
整个系统的健康指数=sum(节点设备健康指数×所在节点的权重比例);
如图6中所示为例,该被监测设备系统由6台设备构成,在同一设备系统中,物联网设备1位于第一层节点,其权重为0.618;
物联网设备1.1和物联网设备1.2位于第二层节点,第二层的权重为0.236,则物联网设备1.1和物联网设备1.2的权重为0.118;
同理,物联网设备1.1.1、物联网设备1.1.2、物联网设备12.1的权重为0.049;
按照上述方法加权计算设备健康指数之后,可以计算出整个系统健康指数:93.67%。
在一些可能的实施例中,基于物联网的设备监测方法还可以包括:
S601、根据各个被监测设备的至少一项监测参数以及自适应调整的管制阈值识别到异常参数时,产生一条针对被监测设备的告警信息;其中,告警信息包括被监测设备ID、异常参数ID、管制阈值、异常数值、告警等级、告警时间和处理状态中的至少一种;
S602、当判断异常参数的参数类型为该被监测设备的关键参数,则对告警信息中的告警等级进行升级;其中关键参数是状态相关性系数大于设定阈值的监测参数;
S603、当判断预设时间段内产生的针对于同一被监测设备的告警信息超过设定数量时,则对告警信息中的告警等级进行升级。
在本申请实施例中,通过根据设备监测情况生成详细的告警信息,并根据特殊情况对告警信息的告警等级进行升级,从而提高了设备监测的便捷性,并进一步提高了设备监测的准确性。如图7所示,该图展示了告警信息从发生到被处理的全流程,步骤如下:
步骤1、首先同步参数管制阈值,并按照异常规则,对监测参数进行连续性监测,当参数被判定为异常后,产生一条告警信息,主要字段包括:告警信息ID、被监测设备ID、异常参数ID、管制阈值、异常数值、告警等级(初始1级)、告警时间、处理状态(未处理)、处理人(空)、处理结果(空)、最后更新时间;
其中,被监测设备ID 是指被判定异常的参数归属的设备健康模型对应的设备ID;告警等级可以共分3级,初始化为1级,最高为3级;处理状态包括:未处理、处理中、处理完毕;处理人包括:智能归并、人工处理人员账号ID,自动恢复;处理结果包括:忽略、有效。
步骤2、查询当前设备是否已存在处理状态=处理中的告警信息,若有,即可知道设备确实已经异常、且人员已经开始处理,此时为了避免重复告警对业务人员造成干扰,系统自动将告警信息状态修改为:处理状态(处理完毕)、处理人(智能归并)、处理结果(有效),同时直接跳转步骤7:数据推送给参数阈值评估模块进行管制阈值的数据优化;
步骤3、判断异常参数是否为关键参数(根据状态相关性系数确定),如是,告警等级+1;
步骤4、判断当前同一设备未处理告警数量是否>1;即是否存在单参数持续告警、或者同时多参数告警;如是,告警等级+1;
步骤5、持续监测告警状态是否被人工改变,如是,人工介入后,可选择处理结果为“忽略”,此时修改告警信息的对应字段为处理状态(处理完毕)、处理人(人工处理人员账号ID)、处理结果(忽略)、最后更新时间;或人工介入后,可选择处理结果为“确认”,此时修改告警信息的对应字段为处理状态(处理中)、处理人(人工处理人员账号ID)、处理结果(确认)、最后更新时间;等待人工二次修正处理状态为已完成;步骤5处理完成的数据直接跳转步骤7:数据推送给参数阈值评估模块进行管制阈值的数据优化;
步骤6、如人工一直未处理、则系统持续监测扫描对应参数的读值,如已回复正常,系统自动将告警信息状态修改为:处理状态(处理完毕)、处理人(自动恢复)、处理结果(忽略)。
如系统自动扫描一直未回复的,则重复步骤5和步骤6,直到告警信息被处理完毕。
基于上述方案,本申请实施例的方法可以通过如图8所示的系统来实现,该系统通过物联网服务装置与物联网设备进行通讯,具体功能模块包括:物联网管理模块11、设备注册管理模块12、设备健康模型模块13、设备健康诊断模块14、设备告警管理模块15,其中:
其中物联网管理模块11用于定义物联网服务装置和被监测设备间的通讯协议管理、物模型定义,包括通讯协议管理子模块111、物模型管理子模块112。所述物模型用于定义具有相同能力或特征的设备接入平台的通讯内容数据模型,用统一格式描述设备的属性参数、事件参数、命令,可以用来表示设备的状态、控制设备的操作。
设备注册管理模块12用于完成平台相关设备的平台身份注册、适用物模型配置、接入网络配置,完成配置的物联网设备具有唯一识别ID。所述平台设备可包括被监测设备121、监测传感器122、物联网服务装置123。特别的,本平台除了可以对被监测设备121本身的回传参数进行监测分析,还可以增加辅助传感器对设备进行周边参数监测,并通过关联设备-辅助传感器的关系,将设备参数、辅助参数共同纳入健康模型的参数评价范围。如,可对物联网设备增加配置温湿度传感器、噪音传感器、气体传感器、振动传感器等多种传感器等多种功能传感器,辅助采集被监测设备某些部位的温度、湿度、噪音、气体浓度、振动幅度等参数,并在健康模型计算过程中一起纳入计算范围,评价辅助参数的故障关联概率、敏感程度。
设备健康模型模块13包括关键参数评估子模块131、参数阈值评估子模块132、故障类型管理子模块133。关键参数评估子模块131计算不同故障模型发生时设备各种参数的故障关联概率,敏感性(状态相关性系数),从而确定设备健康模型中多个参数中的关键参数。参数阈值评估子模块132用于平台通过对设备参数的持续数据监测和智能分析,自动评估计算设备参数管制上下限、中心线、管制离散度,并在后续的监测中持续优化。故障类型管理子模块133配置设备的故障类型。
设备健康诊断模块14包括单台设备健康诊断子模块141、系统整体风险评估子模块142;其中单台设备健康诊断子模块141还包括设备健康度诊断子模块1411、设备故障预测子模块1412。单台设备健康诊断子模块141用于对平台内单台设备按照健康模型,对当前设备所处的状态进行稳定性评估,一个完整的设备健康模型应包括:设备健康模型参数、参数管制阈值、参数加权相关系数;设备健康度诊断子模块1411中,单台设备的健康度等于其被监测的多个参数稳定性结果,按照参数关键性程度加权后计算的结果;所述单个参数的稳定度评估包括参数监测值中心线漂移程度、监测值的离散程度。设备故障预测子模块1412,设备的故障发生是通过设备单个参数历史故障概率对设备后续的故障参数、故障类型、及可能发生的故障时间做出预测,综合计算后得出设备故障的预测;系统整体风险评估子模块142中系统整体风险概率,是由组成系统的多台串并联设备以影响程度加权计算。
设备告警管理模块15包括告警规则管理子模块151、监测告警管理子模块152;其中告警规则管理子模块151还包括告警阈值触发子模块1511、告警等级判断子模块1512、告警智能处理子模块1513;监测告警管理子模块152还包括告警信息展示子模块1521、告警信息处理子模块1522。告警规则管理子模块151用于对设备监测过程中发现的各种异常进行如何触发、何值触发、是否严重、如何处理等各种规则进行配置,其中告警阈值触发子模块1511用于监测设备实时采集的参数数值进行阈值比对,并按照配置规则对超出阈值的参数产生告警信息,告警阈值来自参数阈值评估子模块132,触发方式可包括单点触发、连续触发、多数触发、差分触发等多种方式;告警等级判断子模块1512根据关键参数评估子模块131中得出的参数故障关联概率、敏感性(状态相关性系数)、系统整体风险评估子模块142中配置的设备对系统的影响程度共同判断异常的告警等级、告警智能处理子模块1513中提供了告警信息按照设备来源、异常处理进度状态进行智能归并,告警后触发定时任务在设备恢复正常后自动修复告警异常信息等多种智能处理方式。监测告警管理子模块152用于集中展示和处理系统中所有被触发的告警信息。告警信息展示子模块1521用于集中展示告警信息、归属设备、处理状态等信息,告警信息处理子模块1522用于查看所有告警信息的原始记录信息、处理信息、处理方式(系统自动/人工处理)、处理结果及对应的时间信息,同时1522提供了人工手动处理平台告警信息的入口。
与现有技术相比,本申请实施例具有如下有益效果:
1.在原有只监测设备本身参数的基础上,引入了更多辅助监测传感器参数共同作为设备健康诊断的参数,诊断模型更完善,适用设备类型范围更广,除了标准化可以接入物联网的标准设备、也可适用于非标设备、甚至无法联网的纯机械设备也可通过外置辅助传感器的模式,构建其健康诊断模型;提高了设备监测的全面性和准确性。
2.通过对设备参数的监测数据自适应产生监测管制阈值、并在后续的监测和告警处理过程中持续对阈值进行自优化,摆脱了参数阈值必须手动设定、必须有参考范围的限制;提高了设备监测的准确性。
3.设备参数自动诊断和故障的相关系数以及是否为关键性指标,自动构建设备健康诊断模型,摆脱了对经验值和专家知识的依赖;
4.设备参数从设置到优化都是根据单台设备的实际测量值,做到了一设备一模型,提高了监测的精确性;
5.告警信息产生后,自动归纳、监听、处理,非必要不需要人工多次介入,大大降低了人工运维成本。
综上,本申请实施例实现了通用设备的平台自适应、自配置、自监管,非必要告警不需人工介入的全托管模式,大大提高了设备监测运维的自动化、精确化、智能化,降低人工实施成本和运维成本。
请参考图9,图9示出了本申请的一些实施例提供的基于物联网的设备监测装置的组成框图。应理解,该基于物联网的设备监测装置与上述图1方法实施例对应,能够执行上述方法实施例涉及的各个步骤,该基于物联网的设备监测装置的具体功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。
图9的基于物联网的设备监测装置包括至少一个能以软件或固件的形式存储于存储器中或固化在基于物联网的设备监测装置中的软件功能模块,该基于物联网的设备监测装置包括:
数据采集模块910,用于实时采集物联网平台中各个被监测设备的至少一项监测参数;
阈值调整模块920,用于初始化每一监测参数对应的管制阈值,并基于实时采集的监测参数对管制阈值进行自适应调整;
系数确定模块930,用于确定每一监测参数对应的状态相关性系数;
参数评估模块940,用于根据各个被监测设备的至少一项监测参数、自适应调整的管制阈值以及各项监测参数对应的状态相关性系数确定被监测设备的健康指数;
设备监测模块950,用于根据各个被监测设备的健康指数以及预设的异常判定规则对物联网平台进行设备监测。
可以理解的是上述装置项实施例,是与本发明方法项实施例相对应的,本发明实施例提供的一种基于物联网的设备监测装置,可以实现本发明任意一项方法项实施例提供的基于物联网的设备监测方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法中的对应过程,在此不再过多赘述。
如图10所示,本申请的一些实施例提供一种电子设备1000,该电子设备1000包括:存储器1010、处理器1020以及存储在存储器1010上并可在处理器1020上运行的计算机程序,其中,处理器1020通过总线1030从存储器1010读取程序并执行所述程序时可实现如上述基于物联网的设备监测方法包括的任意实施例的方法。
处理器1020可以处理数字信号,可以包括各种计算结构。例如复杂指令集计算机结构、结构精简指令集计算机结构或者一种实行多种指令集组合的结构。在一些示例中,处理器1020可以是微处理器。
存储器1010可以用于存储由处理器1020执行的指令或指令执行过程中相关的数据。这些指令和/或数据可以包括代码,用于实现本申请实施例描述的一个或多个模块的一些功能或者全部功能。本公开实施例的处理器1020可以用于执行存储器1010中的指令以实现上述所示的方法。存储器1010包括动态随机存取存储器、静态随机存取存储器、闪存、光存储器或其它本领域技术人员所熟知的存储器。
本申请的一些实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行方法实施例所述的方法。
本申请的一些实施例还提供一种计算机程序产品,所述计算机程序产品在计算机上运行时,使得计算机执行方法实施例所述的方法。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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,本申请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该技术方案的部分可以以软件产品的形式体现出来,该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(可以是个人计算机,服务器,或者网络设备等)执行本申请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、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
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。
Claims (10)
1.一种基于物联网的设备监测方法,其特征在于,包括:
实时采集物联网平台中各个被监测设备的至少一项监测参数;
初始化每一所述监测参数对应的管制阈值,并基于实时采集的监测参数对所述管制阈值进行自适应调整;
确定每一所述监测参数对应的状态相关性系数;
根据各个被监测设备的至少一项监测参数、自适应调整的管制阈值以及各项监测参数对应的状态相关性系数确定所述被监测设备的健康指数;
根据各个被监测设备的健康指数以及预设的异常判定规则对所述物联网平台进行设备监测。
2.根据权利要求1所述的基于物联网的设备监测方法,其特征在于,所述实时采集物联网平台中各个被监测设备的至少一项监测参数,包括:
基于各个被监测设备的物模型确定与所述被监测设备关联绑定的辅助传感器;
实时采集所述被监测设备的设备参数以及辅助传感器的传感器参数,作为所述被监测设备的至少一项监测参数。
3.根据权利要求1所述的基于物联网的设备监测方法,其特征在于,所述初始化每一所述监测参数对应的管制阈值,并基于实时采集的监测参数对所述管制阈值进行自适应调整,包括:
获取所述被监测设备在一段连续时间内的多组监测参数样本集,并将所述多组监测参数样本集按照被监测设备的状态标记为正常和异常两个状态维度;
按一定比例将多组监测参数样本集划分为基础组样本集和训练组样本集;
计算基础组样本集中各个监测参数的样本均值和样本标准差,并根据各个监测参数的样本均值和样本标准差确定该监测参数的初始管制阈值;
基于所述初始管制阈值对所述训练组样本集中的各个监测参数标记为为正常和异常两个状态维度;
将训练组样本集中的各个监测参数标记的状态与对应的被监测设备的标记状态进行对比,并根据对比结果对所述初始管制阈值进行调整,得到初始化的每一所述监测参数对应的管制阈值;
在后续设备监测过程中,基于通过所述训练组样本集对初始管制阈值进行调整的方式,根据实时采集的监测参数对初始化的管制阈值进行自适应调整。
4.根据权利要求1所述的基于物联网的设备监测方法,其特征在于,所述确定每一所述监测参数对应的状态相关性系数,包括:
获取所述被监测设备在一段连续时间内的多组监测参数样本集,并获取与所述监测参数样本集对应的设备状态数据集;其中,设备状态数据集包括设备正常和设备异常两种维度的标记;
计算所述监测参数样本集的均值和标准差,计算所述设备状态数据集的均值和标准差,根据所述监测参数样本集的均值和所述设备状态数据集的均值计算所述监测参数样本集与所述设备状态数据集的协方差;
根据所述监测参数样本集的标准差、所述设备状态数据集的标准差和所述协方差确定所述监测参数对应的状态相关性系数。
5.根据权利要求1所述的基于物联网的设备监测方法,其特征在于,所述根据各个被监测设备的至少一项监测参数、自适应调整的管制阈值以及各项监测参数对应的状态相关性系数确定所述被监测设备的健康指数,包括:
根据被监测设备的各个监测参数及其对应的管制阈值确定所述监测参数的异常概率;
根据被监测设备的各个监测参数的异常概率以及对应的状态相关性系数进行加权计算得到所述被监测设备的健康指数。
6.根据权利要求1所述的基于物联网的设备监测方法,其特征在于,所述根据各个被监测设备的健康指数以及预设的异常判定规则对所述物联网平台进行设备监测,包括:
获取预先配置的被监测设备系统的设备级联关系,并根据所述设备级联关系确定所述被监测设备系统中各个被监测设备的层级权重;
根据各个被监测设备的健康指数及其对应的层级权重进行加权计算得到所述被监测设备系统的系统整体健康指数。
7.根据权利要求1所述的基于物联网的设备监测方法,其特征在于,还包括:
根据各个被监测设备的至少一项监测参数以及自适应调整的管制阈值识别到异常参数时,产生一条针对所述被监测设备的告警信息;其中,所述告警信息包括被监测设备ID、异常参数ID、管制阈值、异常数值、告警等级、告警时间和处理状态中的至少一种;
当判断异常参数的参数类型为该被监测设备的关键参数,则对所述告警信息中的告警等级进行升级;其中所述关键参数是状态相关性系数大于设定阈值的监测参数;
当判断预设时间段内产生的针对于同一被监测设备的告警信息超过设定数量时,则对所述告警信息中的告警等级进行升级。
8.一种基于物联网的设备监测装置,其特征在于,包括:
数据采集模块,用于实时采集物联网平台中各个被监测设备的至少一项监测参数;
阈值调整模块,用于初始化每一所述监测参数对应的管制阈值,并基于实时采集的监测参数对所述管制阈值进行自适应调整;
系数确定模块,用于确定每一所述监测参数对应的状态相关性系数;
参数评估模块,用于根据各个被监测设备的至少一项监测参数、自适应调整的管制阈值以及各项监测参数对应的状态相关性系数确定所述被监测设备的健康指数;
设备监测模块,用于根据各个被监测设备的健康指数以及预设的异常判定规则对所述物联网平台进行设备监测。
9.一种电子设备,其特征在于,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器执行所述程序时可实现权利要求1-7任一所述的基于物联网的设备监测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1-7任一所述的基于物联网的设备监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311376957.1A CN117111568B (zh) | 2023-10-24 | 2023-10-24 | 基于物联网的设备监测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311376957.1A CN117111568B (zh) | 2023-10-24 | 2023-10-24 | 基于物联网的设备监测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117111568A true CN117111568A (zh) | 2023-11-24 |
CN117111568B CN117111568B (zh) | 2024-01-19 |
Family
ID=88795115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311376957.1A Active CN117111568B (zh) | 2023-10-24 | 2023-10-24 | 基于物联网的设备监测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117111568B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117784697A (zh) * | 2024-01-31 | 2024-03-29 | 成都秦川物联网科技股份有限公司 | 智慧燃气管网数据采集终端智能控制方法与物联网系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013041492A (ja) * | 2011-08-18 | 2013-02-28 | Ihi Corp | 異常診断装置 |
US20150179046A1 (en) * | 2013-12-20 | 2015-06-25 | International Business Machines Corporation | Mobile device loss prevention |
US20180113773A1 (en) * | 2016-10-21 | 2018-04-26 | Accenture Global Solutions Limited | Application monitoring and failure prediction |
CN109015111A (zh) * | 2018-07-06 | 2018-12-18 | 华中科技大学 | 一种基于信息融合及支持向量机的刀具状态在线监测方法 |
CN109472369A (zh) * | 2017-09-06 | 2019-03-15 | 云南电网有限责任公司保山供电局 | 电力设备的监测方法及装置 |
CN113468798A (zh) * | 2021-05-10 | 2021-10-01 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 基于最小二乘支持向量机算法的中速磨煤机故障预警方法及系统 |
CN113761728A (zh) * | 2021-08-24 | 2021-12-07 | 威海广泰空港设备股份有限公司 | 基于车联网平台的机场电动特种车辆故障预警方法 |
-
2023
- 2023-10-24 CN CN202311376957.1A patent/CN117111568B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013041492A (ja) * | 2011-08-18 | 2013-02-28 | Ihi Corp | 異常診断装置 |
US20150179046A1 (en) * | 2013-12-20 | 2015-06-25 | International Business Machines Corporation | Mobile device loss prevention |
US20180082571A1 (en) * | 2013-12-20 | 2018-03-22 | International Business Machines Corporation | Mobile device loss prevention |
US20180113773A1 (en) * | 2016-10-21 | 2018-04-26 | Accenture Global Solutions Limited | Application monitoring and failure prediction |
CN109472369A (zh) * | 2017-09-06 | 2019-03-15 | 云南电网有限责任公司保山供电局 | 电力设备的监测方法及装置 |
CN109015111A (zh) * | 2018-07-06 | 2018-12-18 | 华中科技大学 | 一种基于信息融合及支持向量机的刀具状态在线监测方法 |
CN113468798A (zh) * | 2021-05-10 | 2021-10-01 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 基于最小二乘支持向量机算法的中速磨煤机故障预警方法及系统 |
CN113761728A (zh) * | 2021-08-24 | 2021-12-07 | 威海广泰空港设备股份有限公司 | 基于车联网平台的机场电动特种车辆故障预警方法 |
Non-Patent Citations (2)
Title |
---|
吴国华: "基于SDG-QTA的核动力装置故障诊断技术研究", 《原子能科学技术》, vol. 50, no. 8, pages 1467 - 1473 * |
耿梦晓: "复杂机械产品装配系统设备健康管理方法研究", 《中国优秀硕士学位论文全文数据库(电子期刊)工程科技Ⅱ辑》, pages 035 - 199 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117784697A (zh) * | 2024-01-31 | 2024-03-29 | 成都秦川物联网科技股份有限公司 | 智慧燃气管网数据采集终端智能控制方法与物联网系统 |
CN117784697B (zh) * | 2024-01-31 | 2024-05-24 | 成都秦川物联网科技股份有限公司 | 智慧燃气管网数据采集终端智能控制方法与物联网系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117111568B (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111143102B (zh) | 异常数据检测方法、装置、存储介质及电子设备 | |
CN112101764B (zh) | 基于状态监测的船舶技术状况综合评估系统 | |
CN117111568B (zh) | 基于物联网的设备监测方法、装置、设备及存储介质 | |
KR20180108446A (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
EP2166422B1 (en) | Method of alarm mask generation and condition monitoring of wind turbines | |
EP2419796A1 (en) | Apparatus and method for model quality estimation and model adaptation in multivariable process control | |
CN114978956B (zh) | 智慧城市网络设备性能异常突变点检测方法及装置 | |
CN110968619A (zh) | 基于故障树(fta)的液压机自学习故障诊断方法及系统 | |
CN111879349A (zh) | 一种传感器数据偏差自适应修正方法 | |
CN105793789A (zh) | 用于过程单元中的全部过程区段的自动的监视和状态确定的计算机实现的方法和系统 | |
CN114021784A (zh) | 设备的剩余使用寿命的确定方法、装置和电子设备 | |
CN114066262A (zh) | 一种电网调度后评估异常指标溯因推理方法、系统、装置及存储介质 | |
CN117176560A (zh) | 一种基于物联网的监测设备监管系统及其方法 | |
CN115086089A (zh) | 一种用于网络安全评估预测的方法及系统 | |
CN116483054A (zh) | 一种工业机器人运行状态监测预警系统及方法 | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
CN117614978A (zh) | 一种用于数字化车间的信息安全通信管理系统 | |
CN117596119A (zh) | 一种基于snmp协议的设备数据采集与监控方法及系统 | |
CN115392812B (zh) | 一种异常根因定位方法、装置、设备及介质 | |
CN116545867A (zh) | 一种监控通信网络网元性能指标异常的方法及装置 | |
CN111382946B (zh) | 设备健康状态的自主评估方法、系统及工业互联网设备 | |
WO2021042233A1 (en) | Remote diagnosis system, apparatus and method for power tool | |
CN113869373A (zh) | 设备异常检测方法、装置、计算机设备和存储介质 | |
US20200112577A1 (en) | Graph-based sensor ranking | |
CN117933727B (zh) | 基于物联网的工业大数据处理方法及系统 |
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 |