CN117454299B - 异常节点的监测方法及系统 - Google Patents
异常节点的监测方法及系统 Download PDFInfo
- Publication number
- CN117454299B CN117454299B CN202311766815.6A CN202311766815A CN117454299B CN 117454299 B CN117454299 B CN 117454299B CN 202311766815 A CN202311766815 A CN 202311766815A CN 117454299 B CN117454299 B CN 117454299B
- Authority
- CN
- China
- Prior art keywords
- node
- data
- abnormal
- historical
- 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
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 211
- 238000012544 monitoring process Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004519 manufacturing process Methods 0.000 claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 15
- 238000012806 monitoring device Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000013105 post hoc analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种异常节点的监测方法及系统,该方法包括:确定并获取目标节点的实时节点数据和历史数据点集;计算实时节点数据与历史数据点集中各历史数据点之间的统计距离,并基于统计距离判断目标节点是否为异常节点;若是,则将目标节点识别为异常节点,并根据工控板卡生产系统中各异常节点的实时节点数据对对应的异常节点进行节点分类,得到对应的节点类别;基于节点类别确定对应的异常节点的监测策略,并根据监测策略监测工控板卡生产系统中对应的异常节点。本方法从时间上对不同设备节点的实时数据与历史数据进行比对识别异常节点,从空间上识别异常节点的类别,能够确定不同异常节点的监测策略,提高异常节点的监测准确性。
Description
技术领域
本发明涉及工控板卡生产领域,尤其涉及一种异常节点的监测方法及系统。
背景技术
在工控板卡生产系统中,异常节点通常指的是系统中出现了异常状态或者异常行为的节点。这些异常可能包括数据传输错误、设备故障、通信中断或者数值监测异常等情况。异常节点通常分为触发节点和故障节点,其中异常节点中的触发节点是指可以触发系统事件或引起系统状态变化的节点,例如设备监测到异常数值、设备启动或停止等。而异常节点中的故障节点则是指造成系统正常运行受阻或无法正常工作的节点,例如出现硬件故障、通信故障等。现有的进行异常节点的监测通常是通过使用故障诊断技术来监测异常节点。其中,一种有效的方法是基于机器学习算法,然而,一般的机器学习算法对数据质量和数据标注要求较高,需要充分的、高质量的数据样本来进行训练,而实际工业环境中获取高质量数据会面临一定的困难,导致监测效果不准确。
发明内容
本发明的主要目的在于解决现有的使用机器学习算法进行异常节点的监测由于难以获得获取高质量数据导致监测效果不准确的技术问题。
本发明第一方面提供了一种异常节点的监测方法,所述异常节点的监测方法应用于工控板卡生产系统,所述工控板卡生产系统包括多个设备节点;所述异常节点的监测方法包括:
确定所述多个设备节点中的目标节点,并获取所述目标节点的实时节点数据和历史数据点集;
计算所述实时节点数据与所述历史数据点集中各历史数据点之间的统计距离,并基于所述统计距离判断所述目标节点是否为异常节点;
若是,则将所述目标节点识别为异常节点,并根据所述工控板卡生产系统中各所述异常节点的实时节点数据对对应的异常节点进行节点分类,得到对应的异常节点的节点类别;
基于所述节点类别确定对应的异常节点的监测策略,并根据所述监测策略对所述工控板卡生产系统中对应的异常节点进行监测。
可选的,在本发明第一方面的第一种实现方式中,在所述确定所述多个设备节点中的目标节点,并获取所述目标节点的实时节点数据和历史数据点集之前,还包括:
获取所述目标节点的历史节点数据,并将历史节点数据进行时间维划分,得到多个历史时间维数据;
将各所述历史时间维数据作为历史数据点,计算各历史数据点之间的统计距离,并基于所述统计距离进行聚类,得到多个分类簇,以及各分类簇对应的核心数据点;
将所述多个分类簇中的历史数据点和所述核心数据点作为对应的目标节点的历史数据点集。
可选的,在本发明第一方面的第二种实现方式中,所述获取所述目标节点的历史节点数据,并将历史节点数据进行时间维划分,得到多个历史时间维数据包括:
获取所述目标节点的历史节点数据,并将历史节点数据进行第一时间维划分,得到多个第一时序数据;
分别对所述多个第一时序数据进行第二时间维划分,得到各第一时序数据对应的第二时序数据;
将各第一时序数据对应的第二时序数据进行均值处理,得到对应的历史时间维数据。
可选的,在本发明第一方面的第三种实现方式中,所述将各所述历史时间维数据作为历史数据点,计算各历史数据点之间的统计距离,并基于所述统计距离进行聚类,得到多个分类簇,以及各分类簇对应的核心数据点包括:
将各所述历史时间维数据作为历史数据点,并计算各历史数据点之间的多个数据距离,并根据所述数据距离对应的权重进行加权求和,得到对应的统计距离;
根据所有历史数据点之间的统计距离生成统计距离矩阵,并基于所述统计距离矩阵计算进行聚类的聚类半径和邻域最小样本数量;
遍历所有历史数据点,并根据所述对应的聚类半径生成遍历的历史数据点的邻域,并根据遍历的历史数据点与其他历史数据点之间的统计距离确定所述邻域中的邻域数据点;
判断所述遍历的历史数据点对应的邻域数据点的数量是否大于所述邻域最小样本数量;
若大于,则将遍历的历史数据点作为当前核心数据点,并判断所述当前核心数据点是否存在密度可达的其他核心数据点;
若存在,则根据所述当前核心数据点与密度可达的其他核心数据点生成分类簇;
若不大于或不存在,则遍历下一历史数据点;
在所有历史数据点完成遍历后,得到多个分类簇,以及各分类簇对应的核心数据点。
可选的,在本发明第一方面的第四种实现方式中,所述计算所述实时节点数据与所述历史数据点集中各历史数据点之间的统计距离,并基于所述统计距离判断所述目标节点是否为异常节点包括:
计算所述实时节点数据与所述历史数据点集中各核心数据点之间的统计距离;
根据所述统计距离判断所述实时节点数据是否在所述历史数据点集中的任一分类簇中;
若否,则将所述目标节点识别为异常节点;
若是,则将所述目标节点识别为正常节点。
可选的,在本发明第一方面的第五种实现方式中,所述节点类别包括故障节点和触发节点;
所述将所述目标节点识别为异常节点,并根据所述工控板卡生产系统中各所述异常节点的实时节点数据对对应的异常节点进行节点分类,得到对应的异常节点的节点类别包括:
将所述目标节点识别为异常节点,并根据所述工控板卡生产系统中各所述异常节点的实时节点数据计算各异常节点之间的数据相关性;
对所述数据相关性进行数据相关特征提取,得到相关性特征,并根据所述相关性特征确定各所述异常节点之间是否相关关系;
将存在相关关系的异常节点识别为触发节点,并将不存在相关关系的异常节点识别为故障节点。
可选的,在本发明第一方面的第六种实现方式中,所述将所述目标节点识别为异常节点,并根据所述工控板卡生产系统中各所述异常节点的实时节点数据计算各异常节点之间的数据相关性包括:
将所述目标节点识别为异常节点,并确定根据所述工控板卡生产系统中各所述异常节点的目标异常节点;
根据所述实时节点数据中的设备位置确定所述目标异常节点与其它异常节点之间的实际距离;
根据所述实际距离确定所述目标异常节点对应的邻近节点,并将各异常节点的实时节点数据进行时间窗划分,得到多个时间序列数据;
根据预设的相关性算法,计算所述目标异常节点的各时间序列数据与对应的邻近节点的时间序列数据之间的数据相关性。
本发明第二方面提供了一种异常节点的监测系统,所述异常节点的监测系统应用于工控板卡生产系统,所述工控板卡生产系统包括多个设备节点;所述异常节点的监测系统包括:
获取模块, 用于确定所述多个设备节点中的目标节点,并获取所述目标节点的实时节点数据和历史数据点集;
异常节点识别模块,用于计算所述实时节点数据与所述历史数据点集中各历史数据点之间的统计距离,并基于所述统计距离判断所述目标节点是否为异常节点;
节点分类模块,用于若所述统计距离判断所述目标节点是异常节点,则将所述目标节点识别为异常节点,并根据所述工控板卡生产系统中各所述异常节点的实时节点数据对对应的异常节点进行节点分类,得到对应的异常节点的节点类别;
监测模块,用于基于所述节点类别确定对应的异常节点的监测策略,并根据所述监测策略对所述工控板卡生产系统中对应的异常节点进行监测。
本发明第三方面提供了一种异常节点的监测设备,包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;所述至少一个处理器调用所述存储器中的所述指令,以使得所述异常节点的监测设备执行上述的异常节点的监测方法的步骤。
本发明的第四方面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中存储有指令,当其在计算机上运行时,使得计算机执行上述的异常节点的监测方法的步骤。
上述异常节点的监测方法及系统,通过确定并获取目标节点的实时节点数据和历史数据点集;计算实时节点数据与历史数据点集中各历史数据点之间的统计距离,并基于统计距离判断目标节点是否为异常节点;若是,则将目标节点识别为异常节点,并根据工控板卡生产系统中各异常节点的实时节点数据对对应的异常节点进行节点分类,得到对应的节点类别;基于节点类别确定对应的异常节点的监测策略,并根据监测策略监测工控板卡生产系统中对应的异常节点。本方法从时间上对不同设备节点的实时数据与历史数据进行比对识别异常节点,从空间上识别异常节点的类别,能够确定不同异常节点的监测策略,提高异常节点的监测准确性。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本发明实施例中异常节点的监测方法的一个实施例示意图;
图2为本发明实施例中异常节点的监测系统的一个实施例示意图;
图3为本发明实施例中异常节点的监测设备的一个实施例示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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,本邻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。
本发明实施例中所提到的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括其他没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种异常节点的监测方法进行详细介绍。所述异常节点的监测方法应用于工控板卡生产系统,所述工控板卡生产系统包括多个设备节点。如图1所示,该异常节点的监测的方法,本方法包括如下步骤:
101、确定多个设备节点中的目标节点,并获取目标节点的实时节点数据和历史数据点集;
在本发明的一个实施例中,设备节点是指系统或网络中的各个独立的设备单元,可以是设备、执行器、控制器、计算机等。通过识别特定的设备节点,并从这些设备节点中获取目标节点的当前采集到的实时数据以及过去的历史数据。每个设备节点都具有特定的功能和任务,用于收集、处理、传输或执行各种操作。实时节点数据是指设备节点当前采集到的实时数据。它反映了设备节点在某一时刻所观测或测量到的相关信息,如温度、湿度、压力、电流等物理量,或者某种状态的变化、事件触发等。实时节点数据通常以数字或模拟形式表示,并可通过适当的协议或接口进行传输和存储。举例来说,在工业自动化系统中有多个设备节点,如设备、执行器和PLC(可编程逻辑控制器)。在这种情况下,目标节点可以是某个设备,希望获取其实时节点数据和历史数据。实时节点数据可能是设备测量到的物理量,如压力值或流量值,而历史数据可以是过去一段时间内的数据记录,用于分析和监测系统运行状态,利用历史节点数据,可以生成历史数据点集。
进一步的,在所述确定所述多个设备节点中的目标节点,并获取所述目标节点的实时节点数据和历史数据点集之前,还包括:获取所述目标节点的历史节点数据,并将历史节点数据进行时间维划分,得到多个历史时间维数据;将各所述历史时间维数据作为历史数据点,计算各历史数据点之间的统计距离,并基于所述统计距离进行聚类,得到多个分类簇,以及各分类簇对应的核心数据点;将所述多个分类簇中的历史数据点和所述核心数据点作为对应的目标节点的历史数据点集。
具体的,时间维划分可以根据具体的需求和数据特点采用不同的方法。例如按照固定的时间间隔对历史数据进行划分。这种方法适用于周期性强的数据,或者据数据的变化情况和特征,动态地调整时间维的划分方式,以适应数据的变化。这种方法适用于具有较大波动性和不规律性的数据,在本实施例中,主要使用固定的时间间隔对历史数据进行划分。
具体的,统计距离是指用来计算历史数据点之间相似程度的一种指标,通常使用欧几里得距离、曼哈顿距离、余弦距离等方法进行计算。通过计算历史数据点之间的统计距离,可以发现它们之间的相关性、趋势、周期等特征,有助于后续的数据分析和建模。聚类是指将一组数据点划分为若干个簇(cluster)的过程。聚类算法可以根据不同的分类标准和距离度量方法,将数据点划分为不同的簇,从而揭示数据的内在结构和规律。聚类算法常用的方法包括K-means、层次聚类、密度聚类等。分类簇是指由聚类算法得到的数据点组成的簇,其内部的数据点之间具有一定的相似性和连续性。在本文中,分类簇是历史数据点按照其相似程度和时间维度划分得到的划分结果。核心数据点是指分类簇中与其他数据点距离较近或者占据了簇内比较重要位置的数据点,通常用于代表该簇的特征和属性。在本文中,核心数据点是通过计算各历史数据点之间的统计距离和聚类算法得到的簇的代表点。
进一步的,所述获取所述目标节点的历史节点数据,并将历史节点数据进行时间维划分,得到多个历史时间维数据包括:获取所述目标节点的历史节点数据,并将历史节点数据进行第一时间维划分,得到多个第一时序数据;分别对所述多个第一时序数据进行第二时间维划分,得到各第一时序数据对应的第二时序数据;将各第一时序数据对应的第二时序数据进行均值处理,得到对应的历史时间维数据。
具体的,要获取目标节点的历史节点数据。历史节点数据是指过去一段时间内目标节点所获得的数据点。接下来,将历史节点数据进行第一时间维划分,以得到多个第一时序数据。第一时间维划分是指按照固定的时间间隔或者特定的事件触发来划分历史节点数据。这样可以将历史节点数据划分为不同的时间段,例如每小时、每天、每周等。然后,对于每个第一时序数据,进行第二时间维划分。第二时间维划分是在第一时序数据的基础上再次进行时间维度的划分。同样,可以采用固定的时间间隔或者事件触发的方式进行划分,得到各个第一时序数据对应的第二时序数据。最后,将各个第一时序数据对应的第二时序数据进行均值处理。均值处理是指计算每个时序数据中数据点的平均值,得到对应的历史时间维数据。这样,就可以得到按时间维度划分并经过均值处理的历史时间维数据。通过对历史时间维数据进行均值处理,可以得到每个时间段内数据点的平均值,从而更好地了解数据的整体趋势。
进一步的, 所述将各所述历史时间维数据作为历史数据点,计算各历史数据点之间的统计距离,并基于所述统计距离进行聚类,得到多个分类簇,以及各分类簇对应的核心数据点包括:将各所述历史时间维数据作为历史数据点,并计算各历史数据点之间的多个数据距离,并根据所述数据距离对应的权重进行加权求和,得到对应的统计距离;根据所有历史数据点之间的统计距离生成统计距离矩阵,并基于所述统计距离矩阵计算进行聚类的聚类半径和邻域最小样本数量;遍历所有历史数据点,并根据所述对应的聚类半径生成遍历的历史数据点的邻域,并根据遍历的历史数据点与其他历史数据点之间的统计距离确定所述邻域中的邻域数据点;判断所述遍历的历史数据点对应的邻域数据点的数量是否大于所述邻域最小样本数量;若大于,则将遍历的历史数据点作为当前核心数据点,并判断所述当前核心数据点是否存在密度可达的其他核心数据点;若存在,则根据所述当前核心数据点与密度可达的其他核心数据点生成分类簇;若不大于或不存在,则遍历下一历史数据点;在所有历史数据点完成遍历后,得到多个分类簇,以及各分类簇对应的核心数据点。
具体的,由于不同的数据距离存在不同的缺点,例如欧几里得距离对于两个变相的时间序列的度量结果存在误差,因此可以在欧式距离的基础上,叠加其他数据距离进行加权求和,例如可以叠加JS散度距离,欧式距离在计算上是比较简单和直观的,而JS散度距离可以捕捉到不同分布之间的差异。通过加权求和,可以综合利用这两种距离度量的优点,从而更全面地评估历史数据点之间的差异程度。
具体的,在本实施例中的聚类算法主要为DBSCAN 算法,该算法的核心在于确定聚类半径和邻域最小样本数量,对于样本数量为N的数据集,由此可得N的数据点间的统计距离矩阵。接着,将统计距离矩阵每一行距离值按照由小到大的顺序进行排序得到一个新的排序后的统计距离矩阵。中每一行表示某个样本点与其他样本点的距离曲线。根据距离曲线的特点,可以利用陡峭点来估计样本所在簇的范围,包括邻域半径和邻域内样本点个数的阈值。同时,只选择位于距离曲线图下方的多条样本点的距离曲线作为DBSCAN的密度参数估计。通过这种方式,可以区分簇内样本和离群样本,并更准确地确定DBSCAN的参数。通过DBSCAN 算法算法,最后可以得到到多个分类簇,以及各分类簇对应的核心数据点。
102、计算实时节点数据与历史数据点集中各历史数据点之间的统计距离,并基于统计距离判断目标节点是否为异常节点;
在本发明的一个实施例中,所述计算所述实时节点数据与所述历史数据点集中各历史数据点之间的统计距离,并基于所述统计距离判断所述目标节点是否为异常节点包括:计算所述实时节点数据与所述历史数据点集中各核心数据点之间的统计距离;根据所述统计距离判断所述实时节点数据是否在所述历史数据点集中的任一分类簇中;若否,则将所述目标节点识别为异常节点;若是,则将所述目标节点识别为正常节点。
具体的,在该方法中,需要计算实时节点数据与历史数据点集中各核心数据点之间的统计距离。通过计算距离,可以衡量实时节点数据与每个核心数据点之间的相似性或差异性。接下来,根据统计距离来判断实时节点数据是否属于历史数据点集中的任一分类簇。如果实时节点数据与任何一个核心数据点的统计距离小于或等于预先定义的阈值,则可以认为实时节点数据属于某个分类簇。在这种情况下,将目标节点识别为正常节点,因为它与历史数据点集中的某个簇具有相似的特征和属性。相反,如果实时节点数据与所有核心数据点的统计距离都大于预先定义的阈值,则可以认为实时节点数据不属于任何分类簇。在这种情况下,将目标节点识别为异常节点,因为它与历史数据点集中的任何簇都没有足够的相似性。
103、若是,则将目标节点识别为异常节点,并根据工控板卡生产系统中各异常节点的实时节点数据对对应的异常节点进行节点分类,得到对应的异常节点的节点类别;
在本发明的一个实施例中,所述节点类别包括故障节点和触发节点;所述将所述目标节点识别为异常节点,并根据所述工控板卡生产系统中各所述异常节点的实时节点数据对对应的异常节点进行节点分类,得到对应的异常节点的节点类别包括:将所述目标节点识别为异常节点,并根据所述工控板卡生产系统中各所述异常节点的实时节点数据计算各异常节点之间的数据相关性;对所述数据相关性进行数据相关特征提取,得到相关性特征,并根据所述相关性特征确定各所述异常节点之间是否相关关系;将存在相关关系的异常节点识别为触发节点,并将不存在相关关系的异常节点识别为故障节点。
具体的,由于工控板卡生产系统中的各设备节点在工控板卡生产系统上高密度部署,节点之间存在空间相关性,即相邻节点的观测值具有较高的关联性。利用空间相关性可以协同感知事件信息,并判断异常节点的类型。在事件监测方面,通过分析相邻设备节点的观测值,可以验证事件的发生区域;在设备状态判断方面,利用空间相关性可以识别异常节点类型,具有较高空间相关性的异常节点属于事件节点,而与邻近节点不具备空间相关性的异常节点属于故障节点。因此,空间相关性在物联网监测环境是否正常以及设备状态是否正常的判断中具有重要作用。
具体的,相关性特征主要为两个时间序列数据在不同时间窗口之间的相关性程度的峰值和谷值,相关性特征可以输入模糊逻辑系统结构中,通过引入了模糊逻辑方法,定义了一个空间相关度指标来描述节点的空间相关性,通过指标大小来代表节点空间相关性的强弱。提出了一种基于时空相关性的模糊逻辑系统结构对传感器节点的空间相关特征进行分析,并计算得到每个异常节点的空间相度指标以评价节点的时空相关水平,从而对异常节点的来源进行识别。
进一步的,所述将所述目标节点识别为异常节点,并根据所述工控板卡生产系统中各所述异常节点的实时节点数据计算各异常节点之间的数据相关性包括:将所述目标节点识别为异常节点,并确定根据所述工控板卡生产系统中各所述异常节点的目标异常节点;根据所述实时节点数据中的设备位置确定所述目标异常节点与其它异常节点之间的实际距离;根据所述实际距离确定所述目标异常节点对应的邻近节点,并将各异常节点的实时节点数据进行时间窗划分,得到多个时间序列数据;根据预设的相关性算法,计算所述目标异常节点的各时间序列数据与对应的邻近节点的时间序列数据之间的数据相关性。
具体的,对于物联网传感器节点,可以通过在空间上布局传感器节点,并记录其物理距离。然后,找到距离目标节点最近的传感器节点,并获取它们各自的观测时间序列数据。为了计算节点之间的互相关系数,可以采用基于滑动时间窗口的互相关运算方法。首先,选择一个合适的时间窗口大小,例如10秒或1分钟,作为滑动窗口的长度。然后,将时间窗口依次滑动到每个时间点,以获取相应时间窗口内的观测数据。对于两个节点的观测时间序列数据,可以使用互相关函数计算它们之间的互相关系数。互相关系数可以反映两个时间序列数据之间的相关性程度,值介于-1和1之间。
104、基于节点类别确定对应的异常节点的监测策略,并根据监测策略对工控板卡生产系统中对应的异常节点进行监测。
在本发明的一个实施例中,事件节点通常指的是突发事件或异常事件,例如非正常操作、设备损坏等。对于事件节点,可以采取以下监测策略:实时报警:当监测到事件节点时,立即触发报警机制,向相关人员发送警报信息,以便及时处理。快速响应:及时采取必要的措施来控制和解决事件节点,防止其对整个生产系统造成进一步的影响。异常记录与分析:对事件节点进行详细记录和分析,以便后续进行事后分析和改进措施的制定。
具体的,故障节点通常指的是设备或组件出现故障或损坏的情况。对于故障节点,可以采取以下监测策略:预测性维护:通过实时监测和分析故障节点的数据,利用预测模型和算法,提前发现故障的迹象,从而进行预测性维护,减少停机时间和损失。自动诊断与修复:利用自动化技术和智能算法,对故障节点进行自动诊断,并尝试自动修复或提供相应的解决方案,以降低维修时间和人工干预。统计分析与优化:对故障节点进行统计分析,了解其发生的频率、原因等,以便进行改进和优化生产系统,降低故障概率。
在本实施例中,通过确定并获取目标节点的实时节点数据和历史数据点集;计算实时节点数据与历史数据点集中各历史数据点之间的统计距离,并基于统计距离判断目标节点是否为异常节点;若是,则将目标节点识别为异常节点,并根据工控板卡生产系统中各异常节点的实时节点数据对对应的异常节点进行节点分类,得到对应的节点类别;基于节点类别确定对应的异常节点的监测策略,并根据监测策略监测工控板卡生产系统中对应的异常节点。本方法从时间上对不同设备节点的实时数据与历史数据进行比对识别异常节点,从空间上识别异常节点的类别,能够确定不同异常节点的监测策略,提高异常节点的监测准确性。
上面对本发明实施例中异常节点的监测方法进行了描述,下面对本发明实施例中异常节点的监测系统进行描述,所述异常节点的监测系统应用于工控板卡生产系统,所述工控板卡生产系统包括多个设备节点,请参阅图2,本发明实施例中异常节点的监测系统一个实施例包括:
获取模块201, 用于确定所述多个设备节点中的目标节点,并获取所述目标节点的实时节点数据和历史数据点集;
异常节点识别模块202,用于计算所述实时节点数据与所述历史数据点集中各历史数据点之间的统计距离,并基于所述统计距离判断所述目标节点是否为异常节点;
节点分类模块203,用于若所述统计距离判断所述目标节点是异常节点,则将所述目标节点识别为异常节点,并根据所述工控板卡生产系统中各所述异常节点的实时节点数据对对应的异常节点进行节点分类,得到对应的异常节点的节点类别;
监测模块204,用于基于所述节点类别确定对应的异常节点的监测策略,并根据所述监测策略对所述工控板卡生产系统中对应的异常节点进行监测。
本发明实施例中,所述异常节点的监测系统运行上述异常节点的监测方法,所述异常节点的监测系统通过确定并获取目标节点的实时节点数据和历史数据点集;计算实时节点数据与历史数据点集中各历史数据点之间的统计距离,并基于统计距离判断目标节点是否为异常节点;若是,则将目标节点识别为异常节点,并根据工控板卡生产系统中各异常节点的实时节点数据对对应的异常节点进行节点分类,得到对应的节点类别;基于节点类别确定对应的异常节点的监测策略,并根据监测策略监测工控板卡生产系统中对应的异常节点。本方法从时间上对不同设备节点的实时数据与历史数据进行比对识别异常节点,从空间上识别异常节点的类别,能够确定不同异常节点的监测策略,提高异常节点的监测准确性。
上面图2从模块化功能实体的角度对本发明实施例中的中异常节点的监测系统进行详细描述,下面从硬件处理的角度对本发明实施例中异常节点的监测设备进行详细描述。
图3是本发明实施例提供的一种异常节点的监测设备的结构示意图,该异常节点的监测设备300可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)310(例如,一个或一个以上处理器)和存储器320,一个或一个以上存储应用程序333或数据332的存储介质330(例如一个或一个以上海量存储设备)。其中,存储器320和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对异常节点的监测设备300中的一系列指令操作。更进一步地,处理器310可以设置为与存储介质330通信,在异常节点的监测设备300上执行存储介质330中的一系列指令操作,以实现上述异常节点的监测方法的步骤。
异常节点的监测设备300还可以包括一个或一个以上电源340,一个或一个以上有线或无线网络接口350,一个或一个以上输入输出接口360,和/或,一个或一个以上操作系统331,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本邻域技术人员可以理解,图3示出的异常节点的监测设备结构并不构成对本发明提供的异常节点的监测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述异常节点的监测方法的步骤。
所属邻域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统或装置、单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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该技术方案的全部或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、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本邻域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.一种异常节点的监测方法,其特征在于,所述异常节点的监测方法应用于工控板卡生产系统,所述工控板卡生产系统包括多个设备节点;所述异常节点的监测方法包括:
获取目标节点的历史节点数据,并将历史节点数据进行第一时间维划分,得到多个第一时序数据;分别对所述多个第一时序数据进行第二时间维划分,得到各第一时序数据对应的第二时序数据;将各第一时序数据对应的第二时序数据进行均值处理,得到对应的历史时间维数据;将各所述历史时间维数据作为历史数据点,并计算各历史数据点之间的多个数据距离,并根据所述数据距离对应的权重进行加权求和,得到对应的统计距离;根据所有历史数据点之间的统计距离生成统计距离矩阵,并基于所述统计距离矩阵计算进行聚类的聚类半径和邻域最小样本数量;遍历所有历史数据点,并根据所述聚类半径生成遍历的历史数据点的邻域,并根据遍历的历史数据点与其他历史数据点之间的统计距离确定所述邻域中的邻域数据点;判断所述遍历的历史数据点对应的邻域数据点的数量是否大于所述邻域最小样本数量;若大于,则将遍历的历史数据点作为当前核心数据点,并判断所述当前核心数据点是否存在密度可达的其他核心数据点;若存在,则根据所述当前核心数据点与密度可达的其他核心数据点生成分类簇;若不大于或不存在,则遍历下一历史数据点;在所有历史数据点完成遍历后,得到多个分类簇,以及各分类簇对应的核心数据点;将所述多个分类簇中的历史数据点和所述核心数据点作为对应的目标节点的历史数据点集;
确定所述多个设备节点中的目标节点,并获取所述目标节点的实时节点数据和历史数据点集;
计算所述实时节点数据与所述历史数据点集中各历史数据点之间的统计距离,并基于所述统计距离判断所述目标节点是否为异常节点;
若是,则将所述目标节点识别为异常节点,并确定根据所述工控板卡生产系统中各所述异常节点的目标异常节点;根据所述实时节点数据中的设备位置确定所述目标异常节点与其它异常节点之间的实际距离;根据所述实际距离确定所述目标异常节点对应的邻近节点,并将各异常节点的实时节点数据进行时间窗划分,得到多个时间序列数据;根据预设的相关性算法,计算所述目标异常节点的各时间序列数据与对应的邻近节点的时间序列数据之间的数据相关性;对所述数据相关性进行数据相关特征提取,得到相关性特征,并根据所述相关性特征确定各所述异常节点之间是否相关关系;将存在相关关系的异常节点的节点类别识别为触发节点,并将不存在相关关系的异常节点的节点类别识别为故障节点;
基于所述节点类别确定对应的异常节点的监测策略,并根据所述监测策略对所述工控板卡生产系统中对应的异常节点进行监测。
2.根据权利要求1所述的异常节点的监测方法,其特征在于,所述计算所述实时节点数据与所述历史数据点集中各历史数据点之间的统计距离,并基于所述统计距离判断所述目标节点是否为异常节点包括:
计算所述实时节点数据与所述历史数据点集中各核心数据点之间的统计距离;
根据所述统计距离判断所述实时节点数据是否在所述历史数据点集中的任一分类簇中;
若否,则将所述目标节点识别为异常节点;
若是,则将所述目标节点识别为正常节点。
3.一种异常节点的监测系统,其特征在于,所述异常节点的监测系统应用于工控板卡生产系统,所述工控板卡生产系统包括多个设备节点;所述异常节点的监测系统包括:
获取模块, 用于获取目标节点的历史节点数据,并将历史节点数据进行第一时间维划分,得到多个第一时序数据;分别对所述多个第一时序数据进行第二时间维划分,得到各第一时序数据对应的第二时序数据;将各第一时序数据对应的第二时序数据进行均值处理,得到对应的历史时间维数据;将各所述历史时间维数据作为历史数据点,并计算各历史数据点之间的多个数据距离,并根据所述数据距离对应的权重进行加权求和,得到对应的统计距离;根据所有历史数据点之间的统计距离生成统计距离矩阵,并基于所述统计距离矩阵计算进行聚类的聚类半径和邻域最小样本数量;遍历所有历史数据点,并根据所述聚类半径生成遍历的历史数据点的邻域,并根据遍历的历史数据点与其他历史数据点之间的统计距离确定所述邻域中的邻域数据点;判断所述遍历的历史数据点对应的邻域数据点的数量是否大于所述邻域最小样本数量;若大于,则将遍历的历史数据点作为当前核心数据点,并判断所述当前核心数据点是否存在密度可达的其他核心数据点;若存在,则根据所述当前核心数据点与密度可达的其他核心数据点生成分类簇;若不大于或不存在,则遍历下一历史数据点;在所有历史数据点完成遍历后,得到多个分类簇,以及各分类簇对应的核心数据点;将所述多个分类簇中的历史数据点和所述核心数据点作为对应的目标节点的历史数据点集;确定所述多个设备节点中的目标节点,并获取所述目标节点的实时节点数据和历史数据点集;
异常节点识别模块,用于计算所述实时节点数据与所述历史数据点集中各历史数据点之间的统计距离,并基于所述统计距离判断所述目标节点是否为异常节点;
节点分类模块,用于若所述统计距离判断所述目标节点是异常节点,则将所述目标节点识别为异常节点,并确定根据所述工控板卡生产系统中各所述异常节点的目标异常节点;根据所述实时节点数据中的设备位置确定所述目标异常节点与其它异常节点之间的实际距离;根据所述实际距离确定所述目标异常节点对应的邻近节点,并将各异常节点的实时节点数据进行时间窗划分,得到多个时间序列数据;根据预设的相关性算法,计算所述目标异常节点的各时间序列数据与对应的邻近节点的时间序列数据之间的数据相关性;对所述数据相关性进行数据相关特征提取,得到相关性特征,并根据所述相关性特征确定各所述异常节点之间是否相关关系;将存在相关关系的异常节点的节点类别识别为触发节点,并将不存在相关关系的异常节点的节点类别识别为故障节点;
监测模块,用于基于所述节点类别确定对应的异常节点的监测策略,并根据所述监测策略对所述工控板卡生产系统中对应的异常节点进行监测。
4.一种异常节点的监测设备,其特征在于,所述异常节点的监测设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述异常节点的监测设备执行如权利要求1-2中任意一项所述的异常节点的监测方法的步骤。
5.一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指令,其特征在于,所述指令被处理器执行时实现如权利要求1-2中任意一项所述异常节点的监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311766815.6A CN117454299B (zh) | 2023-12-21 | 2023-12-21 | 异常节点的监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311766815.6A CN117454299B (zh) | 2023-12-21 | 2023-12-21 | 异常节点的监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117454299A CN117454299A (zh) | 2024-01-26 |
CN117454299B true CN117454299B (zh) | 2024-03-26 |
Family
ID=89583995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311766815.6A Active CN117454299B (zh) | 2023-12-21 | 2023-12-21 | 异常节点的监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117454299B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104950768A (zh) * | 2015-06-24 | 2015-09-30 | 哈尔滨工业大学 | 基于vme总线的光刻机双工件台控制系统多板卡通信方法 |
CN109032829A (zh) * | 2018-07-23 | 2018-12-18 | 腾讯科技(深圳)有限公司 | 数据异常检测方法、装置、计算机设备及存储介质 |
CN109800130A (zh) * | 2019-01-31 | 2019-05-24 | 郑州云海信息技术有限公司 | 一种设备监控方法、装置、设备及介质 |
CN112101480A (zh) * | 2020-09-27 | 2020-12-18 | 西安交通大学 | 一种多变量聚类与融合的时间序列组合预测方法 |
CN112799898A (zh) * | 2021-01-08 | 2021-05-14 | 北京科技大学 | 基于分布式故障检测的互联系统故障节点定位方法及系统 |
CN112882911A (zh) * | 2021-02-01 | 2021-06-01 | 中电科网络空间安全研究院有限公司 | 异常性能行为检测方法、系统、装置及存储介质 |
CN112953903A (zh) * | 2021-01-27 | 2021-06-11 | 南方电网科学研究院有限责任公司 | 一种异常监测方法、装置及介质 |
CN113344134A (zh) * | 2021-06-30 | 2021-09-03 | 广东电网有限责任公司 | 一种低压配电监控终端数据采集异常检测方法及系统 |
CN113902334A (zh) * | 2021-10-28 | 2022-01-07 | 上海众源网络有限公司 | 一种事件异常波动检测方法、系统、电子设备及存储介质 |
CN114048949A (zh) * | 2021-10-12 | 2022-02-15 | 浙江富日进材料科技有限公司 | 一种基于智能网联技术的材料生产加工控制方法及系统 |
CN115270954A (zh) * | 2022-07-25 | 2022-11-01 | 苏州卓联优智能科技有限公司 | 基于异常节点识别的无监督的apt攻击检测方法和系统 |
CN115329838A (zh) * | 2022-07-07 | 2022-11-11 | 武汉理工大学 | 一种考虑类别不平衡的属性图异常检测方法 |
CN116630319A (zh) * | 2023-07-24 | 2023-08-22 | 深圳信迈科技有限公司 | 基于机器学习的数据采集板卡焊接缺陷检测方法 |
CN117056849A (zh) * | 2023-10-12 | 2023-11-14 | 智能制造龙城实验室 | 一种无监督的复杂机械设备异常状态监测方法及系统 |
CN117232680A (zh) * | 2023-02-07 | 2023-12-15 | 南京森特智能科技有限公司 | 一种分布式光纤氨气管道防结晶温度实时监测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10841322B2 (en) * | 2018-01-18 | 2020-11-17 | General Electric Company | Decision system and method for separating faults from attacks |
US10990668B2 (en) * | 2018-09-17 | 2021-04-27 | General Electric Company | Local and global decision fusion for cyber-physical system abnormality detection |
-
2023
- 2023-12-21 CN CN202311766815.6A patent/CN117454299B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104950768A (zh) * | 2015-06-24 | 2015-09-30 | 哈尔滨工业大学 | 基于vme总线的光刻机双工件台控制系统多板卡通信方法 |
CN109032829A (zh) * | 2018-07-23 | 2018-12-18 | 腾讯科技(深圳)有限公司 | 数据异常检测方法、装置、计算机设备及存储介质 |
CN109800130A (zh) * | 2019-01-31 | 2019-05-24 | 郑州云海信息技术有限公司 | 一种设备监控方法、装置、设备及介质 |
CN112101480A (zh) * | 2020-09-27 | 2020-12-18 | 西安交通大学 | 一种多变量聚类与融合的时间序列组合预测方法 |
CN112799898A (zh) * | 2021-01-08 | 2021-05-14 | 北京科技大学 | 基于分布式故障检测的互联系统故障节点定位方法及系统 |
CN112953903A (zh) * | 2021-01-27 | 2021-06-11 | 南方电网科学研究院有限责任公司 | 一种异常监测方法、装置及介质 |
CN112882911A (zh) * | 2021-02-01 | 2021-06-01 | 中电科网络空间安全研究院有限公司 | 异常性能行为检测方法、系统、装置及存储介质 |
CN113344134A (zh) * | 2021-06-30 | 2021-09-03 | 广东电网有限责任公司 | 一种低压配电监控终端数据采集异常检测方法及系统 |
CN114048949A (zh) * | 2021-10-12 | 2022-02-15 | 浙江富日进材料科技有限公司 | 一种基于智能网联技术的材料生产加工控制方法及系统 |
CN113902334A (zh) * | 2021-10-28 | 2022-01-07 | 上海众源网络有限公司 | 一种事件异常波动检测方法、系统、电子设备及存储介质 |
CN115329838A (zh) * | 2022-07-07 | 2022-11-11 | 武汉理工大学 | 一种考虑类别不平衡的属性图异常检测方法 |
CN115270954A (zh) * | 2022-07-25 | 2022-11-01 | 苏州卓联优智能科技有限公司 | 基于异常节点识别的无监督的apt攻击检测方法和系统 |
CN117232680A (zh) * | 2023-02-07 | 2023-12-15 | 南京森特智能科技有限公司 | 一种分布式光纤氨气管道防结晶温度实时监测方法 |
CN116630319A (zh) * | 2023-07-24 | 2023-08-22 | 深圳信迈科技有限公司 | 基于机器学习的数据采集板卡焊接缺陷检测方法 |
CN117056849A (zh) * | 2023-10-12 | 2023-11-14 | 智能制造龙城实验室 | 一种无监督的复杂机械设备异常状态监测方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于聚类算法的企业设备状态智能监控系统设计;易尧 等;电脑与信息技术;20201015(第05期);正文第53-56页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117454299A (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11403164B2 (en) | Method and device for determining a performance indicator value for predicting anomalies in a computing infrastructure from values of performance indicators | |
US11307916B2 (en) | Method and device for determining an estimated time before a technical incident in a computing infrastructure from values of performance indicators | |
EP1958034B1 (en) | Use of sequential clustering for instance selection in machine condition monitoring | |
EP3553044A1 (en) | System and method of remote object monitoring | |
CN111538311B (zh) | 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置 | |
CN112462734B (zh) | 一种工业生产设备故障预测分析方法及模型 | |
US11675643B2 (en) | Method and device for determining a technical incident risk value in a computing infrastructure from performance indicator values | |
US20220179394A1 (en) | Machine tool management method, machine tool management system and medium | |
CN116224137A (zh) | 一种ups设备故障预警方法及系统 | |
JPWO2018146768A1 (ja) | 不良要因推定装置および不良要因推定方法 | |
CN117114454B (zh) | 一种基于Apriori算法的直流套管状态评估方法及系统 | |
CN115454778A (zh) | 大规模云网络环境下的时序指标异常智能监控系统 | |
CN116914917A (zh) | 一种基于大数据的配电柜运行状态监测管理系统 | |
CN111949496B (zh) | 一种数据检测方法及装置 | |
Becherer et al. | Intelligent choice of machine learning methods for predictive maintenance of intelligent machines | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
KR102474332B1 (ko) | 스마트 공장 시스템에서 설비 건강 안정도 예측 방법 및 이를 기록한 기록매체 | |
Basak et al. | Spatio-temporal AI inference engine for estimating hard disk reliability | |
Ferraro et al. | A novel approach for predictive maintenance combining GAF encoding strategies and deep networks | |
KR20230125116A (ko) | 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법 | |
CN117454299B (zh) | 异常节点的监测方法及系统 | |
CN117391675A (zh) | 一种数据中心基础设施运维管理方法 | |
CN115495274B (zh) | 基于时序数据的异常处理方法、网络设备和可读存储介质 | |
CN116907772A (zh) | 桥梁结构监测传感器的自诊断与故障源鉴别方法及系统 | |
Ding et al. | A data analytic engine towards self-management of cyber-physical systems |
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 |