CN117892110A - 设备巡检方法、装置、设备及存储介质 - Google Patents
设备巡检方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117892110A CN117892110A CN202410033371.3A CN202410033371A CN117892110A CN 117892110 A CN117892110 A CN 117892110A CN 202410033371 A CN202410033371 A CN 202410033371A CN 117892110 A CN117892110 A CN 117892110A
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- cluster
- processed
- feature points
- 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.)
- Pending
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 276
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000013507 mapping Methods 0.000 claims abstract description 25
- 238000004590 computer program Methods 0.000 claims description 20
- 238000007726 management method Methods 0.000 description 19
- 239000013598 vector Substances 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 14
- 230000005540 biological transmission Effects 0.000 description 13
- 230000010365 information processing Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 239000000523 sample Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000000691 measurement method Methods 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
- 238000002360 preparation method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种设备巡检方法、装置、设备及存储介质,属于数据处理技术领域。包括:获取待巡检设备在目标巡检项上的待处理数据;对待处理数据进行特征映射,得到待处理数据在聚类图上的待处理特征点;聚类图是对待巡检设备在目标巡检项上的历史数据进行聚类得到的聚类簇集合;根据待处理特征点,在聚类簇集合所包括的多个特征点中确定位于目标区域内的聚类点;目标区域是以待处理特征点为几何中心、根据邻域半径构建的区域;根据预设数量以及位于目标区域内的聚类点的第一数量,确定巡检结果;巡检结果指示待巡检设备在目标巡检项上的性能指标是否发生异常。无需人工进行设备巡检,提高了巡检效率。
Description
技术领域
本申请涉及数据处理技术领域,特别涉及一种设备巡检方法、装置、设备及存储介质。
背景技术
目前,随着制造业的全面推进,工业控制系统的整体规模正在逐步扩大,随着科技进步和工业制造的高度自动化,许多工业设备需要定期进行巡检以确保其正常运行和安全性。
传统巡检技术中,工业设备的巡检通常由人工操作完成,大大降低了巡检效率。
发明内容
本申请提供了一种设备巡检方法、装置、设备及存储介质,提高巡检效率。所述技术方案如下:
第一方面,提供了一种设备巡检方法,所述方法包括:获取待巡检设备在目标巡检项上的待处理数据;对所述待处理数据进行特征映射,得到所述待处理数据在所述聚类图上的待处理特征点;所述聚类图是对所述待巡检设备在所述目标巡检项上的历史数据进行聚类得到的聚类簇集合;根据所述待处理特征点,在所述聚类簇集合所包括的多个特征点中确定位于目标区域内的聚类点;所述目标区域是以所述待处理特征点为几何中心、根据邻域半径构建的区域;根据预设数量以及所述位于目标区域内的聚类点的第一数量,确定巡检结果;所述巡检结果指示所述待巡检设备在所述目标巡检项上的性能指标是否发生异常。
第二方面,提供了一种设备巡检装置,所述装置包括:获取模块,用于获取待巡检设备在目标巡检项上的待处理数据;映射模块,用于对所述待处理数据进行特征映射,得到所述待处理数据在所述聚类图上的待处理特征点;所述聚类图是对所述待巡检设备在所述目标巡检项上的历史数据进行聚类得到的聚类簇集合;聚类点确定模块,用于根据所述待处理特征点,在所述聚类簇集合所包括的多个特征点中确定位于目标区域内的聚类点;所述目标区域是以所述待处理特征点为几何中心、根据邻域半径构建的区域;巡检结果确定模块,用于根据预设数量以及所述位于目标区域内的聚类点的第一数量,确定巡检结果;所述巡检结果指示所述待巡检设备在所述目标巡检项上的性能指标是否发生异常。
第三方面,提供了一种计算机设备,所述计算机设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述第一方面所述的方法。
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存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的方法。
第五方面,提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述第一方面所述的方法。
本申请实施例提供了一种设备巡检方法、装置、设备及存储介质,根据本申请提供的方案,获取待巡检设备在目标巡检项上的待处理数据,对待处理数据进行特征映射,得到待处理数据在聚类图上的待处理特征点。其中,聚类图是对待巡检设备在目标巡检项上的历史数据进行聚类得到的聚类簇集合。聚类图能够反映待巡检设备在目标巡检项上的聚类特性,聚类簇集合包括至少一个聚类簇,每个聚类簇包括多个特征点,将待处理数据映射到聚类图上,便于确定其与聚类簇集合之间的关系。之后,以待处理特征点为几何中心、根据邻域半径构建目标区域,根据待处理特征点,在聚类簇集合所包括的多个特征点中确定位于目标区域内的聚类点;根据预设数量以及位于目标区域内的聚类点的第一数量,确定巡检结果,巡检结果指示待巡检设备在目标巡检项上的性能指标是否发生异常。如此,可以结合待巡检设备在目标巡检项上的聚类特征(即,聚类簇集合中每个聚类簇中多个特征点的特征向量),快速确定待巡检设备在目标巡检项上的性能指标是否发生异常,而无需人工进行设备巡检,提高了巡检效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种设备巡检系统的框架图;
图2是本申请实施例提供的一种设备巡检方法的流程图;
图3是本申请实施例提供的另一种设备巡检方法的流程图;
图4是本申请实施例提供的再一种设备巡检方法的流程图;
图5是本申请实施例提供的又一种设备巡检方法的流程图;
图6是本申请实施例提供的一种设备巡检装置的结构示意图;
图7为本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
应当理解的是,本申请提及的“多个”是指两个或两个以上。在本申请的描述中,除非另有说明,“/”表示或的意思,比如,A/B可以表示A或B;本文中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,比如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,为了便于清楚描述本申请的技术方案,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
在对本申请实施例进行详细地解释说明之前,先对本申请实施例的应用场景予以说明。
本申请实施例提供的设备巡检方法用于对工业设备进行巡检,可以应用于各行各业、各类关键基础设施。工业设备的巡检可以涉及以下主体:各类研究机构、工控产品提供商、系统集成商、信息安全厂商等。
本申请实施例提供的设备巡检方法可以应用于计算机设备,例如,台式机、便携式电脑、网络服务器、掌上电脑、移动手机、平板电脑、无线终端设备、通信设备或嵌入式设备,本申请实施例不限定计算机设备的类型。
该计算机设备可以包括设备巡检系统,由设备巡检系统中的多个模块执行该设备巡检方法,如图1所示,图1是本申请实施例提供的一种设备巡检系统的框架图。设备巡检系统10是一个自动巡检系统,无需人工参与进行设备巡检。其中,设备巡检系统10包括信息采集模块11、基线学习模块12、信息处理模块13和巡检管理模块14。信息采集模块11、基线学习模块12、信息处理模块13和巡检管理模块14之间相互通信连接。
设备巡检系统10可以对工业控制系统中的设备进行设备巡检。工业控制系统包括多个设备,在巡检管理模块14添加工业控制系统中需要进行巡检的设备(即,待巡检设备),并进行相关巡检项(其包括目标巡检项)的配置和巡检时间的配置。设备巡检系统10基于巡检管理模块14的配置信息进行自动巡检。
工业控制系统所包括的多个设备属于不同的设备类型,设备类型包括但不限于工业主机设备、网络设备、安全设备和工业控制设备等。不同的设备类型需要采用不同的数据采集形式。基于此,信息采集模块11对工业控制系统中的不同设备采用多种采集方式进行采集设备数据。在实际巡检阶段,对采集的数据进行汇总后输送至信息处理模块13。需要说明的是,在巡检准备阶段,信息采集模块11还采集了设备的历史数据,将历史数据输送至基线学习模块12。
基线学习模块12利用接收到的历史数据,使用基于密度的聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)生成历史数据的聚类图,聚类图可以包括至少一个聚类簇,聚类簇表示设备处于正常状态,可以将其作为基线保存。其中,DBSCAN算法是一种基于密度的空间聚类算法,它能够将具有足够高密度的区域划分为簇,并可以发现任何形状的簇。DBSCAN还具有良好的抗噪声能力。
信息处理模块13对采集后的多种数据进行处理。对设备(包括网络设备、工业主机、工业控制设备、安全设备等)的实时状态进行计算,得到设备的当前采集数据在聚类图中位置。根据基线学习模块12所生成的数据模型(即,聚类簇集合),判断状态数据(当前采集数据在聚类图中位置)是否存在于聚类图上的某一个簇,来判断设备当前的状态是否处于正常状态,得到巡检结果,将巡检结果保存到数据仓库中为巡检管理模块14中的报表功能提供数据支持。
巡检管理模块14不仅包含设备的管理,巡检时间及巡检项的配置,还可以通过信息处理模块13计算出的巡检结果,以及预设模板,生成巡检报表及下载。预设模板可以是预先设置好的文档(Word)、表格(Excel)等相关技术。巡检报表提供的信息可让用户直观了解工业控制系统中不同设备的运行状态及处理建议。
相关技术中,人工巡检较多的依赖于人工经验,不仅费时费力,巡检效率较低,而且巡检结果的准确性较低。
本申请实施例提供的设备巡检系统10可以为工业控制系统中的工业设备提供完善的自动巡检功能和处理建议,提高了巡检效率和巡检结果的准确性,设备巡检系统10可以作为工业企业全面推进风险管理的工具。能够满足工业企业对自身工业设备进行定期巡检的需求,协助企业确定工业控制设备状态,评判设备是否存在故障或存在脆弱性。
以下对图1中设备巡检系统10实现的设备巡检方法进行具体说明,本申请实施例提供了一种设备巡检方法,如图2所示,图2是本申请实施例提供的一种设备巡检方法的流程图,该设备巡检方法包括:
S101、获取待巡检设备在目标巡检项上的待处理数据。
待巡检设备是工业设备,其包括多个巡检项,例如,(Central Processing Unit,CPU)的使用率、设备温度、上行传输速率、下行传输速率、磁盘占用率和设备指示灯等。目标巡检项为多个巡检项中的任一巡检项。
待处理数据是上述图1中信息采集模块11采集到的关于待巡检设备在目标巡检项上的数据。示例性的,以目标巡检项是上行传输速率为例,待处理数据可以是30兆比特每秒(Mbps)、100Mbps等。以目标巡检项是指示灯为例,待处理数据可以是亮或不亮,例如,可以采用“0”表示亮,“1”表示不亮,或者采用“0”表示不亮,“1”表示亮,对此不做限制。
本申请实施例中,可以每隔预设时间段通过轮询的方式获取待巡检设备在目标巡检项上的待处理数据。预设时间段可以由本领域技术人员根据实际情况进行设置,即,上述图1中巡检管理模块14配置的巡检时间,例如,30分钟(min)、1小时(hour)、一天等,对此本申请实施例不做限制。
S102、对待处理数据进行特征映射,得到待处理数据在聚类图上的待处理特征点;聚类图是对待巡检设备在目标巡检项上的历史数据进行聚类得到的聚类簇集合。
本申请实施例中,上述图1中设备巡检系统10中存储有多个设备的聚类图,每个设备的聚类图包括该设备在每个巡检项上的聚类图。在对待处理数据进行处理之前,先查询是否已经构建待巡检设备在目标巡检项上的聚类图,若设备巡检系统10中存储有待巡检设备在目标巡检项上的聚类图,即已构建待巡检设备在目标巡检项上的聚类图,则对待处理数据进行特征映射,以将待处理数据映射到聚类图上,便于确定其与聚类簇集合之间的关系。
在对历史数据进行聚类时,正常状态的历史数据可以聚类形成聚类簇,异常状态的历史数据无法形成聚类簇,那么聚类簇代表的是正常状态。也就是说,聚类簇集合中每个聚类簇均表示待巡检设备在目标巡检项上的性能指标处于正常状态。聚类簇集合包括至少一个聚类簇,每个聚类簇包括多个特征点(一个特征点对应一个历史数据)。
基于密度的聚类方法(DBSCAN),对待巡检设备在目标巡检项上的历史数据进行聚类,得到的聚类簇集合,聚类簇集合包括一个聚类簇或多个聚类簇,聚类簇能够反映待巡检设备在目标巡检项上的聚类特性。
示例性的,以目标巡检项是指示灯为例,指示灯包括亮”和“不亮”两种状态,对指示灯的历史数据进行聚类后,会得到两个聚类簇,分别反映指示灯为“亮”和“不亮”的聚类特性。以目标巡检项是上行传输速率为例,上行传输速率是离散数据,上行传输速率的大小与不同的时间段相关,在工作时间段,上行传输速率通常较低,在设备出现故障时,上行传输速率可以降为0。对上行传输速率的历史数据进行聚类后,会形成多个聚类簇,不同的聚类簇反映上行传输速率处于不同工作状态上的聚类特性,例如,一个聚类簇反映工作日的上行传输速率的聚类特性,另一个聚类簇反映节假日的上行传输速率的聚类特性。
本申请实施例中,根据待巡检设备在目标巡检项上的性能指标处于正常状态对应的聚类簇,滤除设备出现异常状态(例如,故障、安全隐患等)的聚类簇之后,构建聚类簇集合,从而生成聚类图。
由于是将待处理数据映射到聚类图上,因此,可以采用与生成聚类图时对历史数据的特征映射方式,对待处理数据进行特征映射。特征映射方式可以是将数据转换为向量的特征转换方法,包括但不限于热编码(One-Hot)、数值编码、统计特征提取、时间窗口切割,以及循环神经网络(Recurrent Neural Network,RNN)和卷积神经网络(ConvolutionalNeural Networks,CNN)等,对于特征映射的方式本申请实施例不做限制。
S103、根据待处理特征点,在聚类簇集合所包括的多个特征点中确定位于目标区域内的聚类点;目标区域是以待处理特征点为几何中心、根据邻域半径构建的区域。
以待处理特征点为几何中心、根据邻域半径构建目标区域,领域半径是在构建聚类簇时所设置的,可以由本领域技术人员根据实际情况进行适当设置,可以根据大量的实验数据的聚类过程确定邻域半径,对此本申请实施例不做限制。示例性的,以待处理特征点为圆心、以邻域半径作为半径,构建目标区域,该目标区域是圆形区域。
在聚类图中构建目标区域之后,可以统计聚类图中落在目标区域内的聚类点。计算聚类图中的特征点的特征向量与待处理特征点的特征向量之间的特征距离,当特征距离小于或等于邻域半径时,判定该特征点落在目标区域内,依次类推,从而统计出聚类图中落在目标区域内的聚类点的第一数量。
示例性的,特征距离可以是向量距离,包括但不限于余弦相似度(CosineSimilarity)、欧几里得距离(Euclidean Distance)、皮尔逊相关系数(PearsonCorrelation Coefficient)、曼哈顿距离(Manhattan Distance)等。其中,欧几里得距离也称为欧式距离,余弦相似度也称为余弦距离(Cosine Distance)。
S104、根据预设数量以及位于目标区域内的聚类点的第一数量,确定巡检结果;巡检结果指示待巡检设备在目标巡检项上的性能指标是否发生异常。
其中,预设数量是在构建聚类簇时所设置的,预设数量是构建一个聚类簇的样本点的最小样本数(Minpts)。
统计位于目标区域内的聚类点的第一数量,与预设数量进行对比,判断待处理特征点是否落在聚类簇中,从而确定巡检结果。结合待巡检设备在目标巡检项上的聚类特征(即,聚类簇集合中每个聚类簇中多个特征点的特征向量),若待处理特征点落在聚类簇中,则表示待巡检设备在目标巡检项上的性能指标未发生异常,反之,说明发生异常,本方案无需人工进行设备巡检,提高了巡检效率和巡检结果的准确性。
在一些实施例中,上述S104还可以通过以下方式实现。若第一数量大于或等于预设数量,则巡检结果指示待巡检设备在目标巡检项上的性能指标处于正常状态;若第一数量小于预设数量,则巡检结果指示待巡检设备在目标巡检项上的性能指标处于异常状态。
若第一数量大于或等于预设数量,说明待处理数据位于聚类簇集合的其中一个聚类簇中,由于聚类簇表示待巡检设备在目标巡检项上的性能指标处于正常状态,因此,该待处理数据能够表示待巡检设备在目标巡检项上的性能指标处于正常状态。
若第一数量小于预设数量,说明待处理数据均不位于聚类簇集合的所有聚类簇中,因此,该待处理数据能够表示待巡检设备在目标巡检项上的性能指标处于异常状态。
本申请实施例中,结合待巡检设备在目标巡检项上的聚类特征(即,聚类簇集合中每个聚类簇中多个特征点的特征向量),将判断待巡检设备在目标巡检项上的性能指标是否发生异常的问题,转换为待处理特征点是否落在聚类簇中的数据处理问题,可以由计算机设备执行,无需人工进行设备巡检,提高了巡检效率和巡检结果的准确性。
根据本申请提供的方案,获取待巡检设备在目标巡检项上的待处理数据,对待处理数据进行特征映射,得到待处理数据在聚类图上的待处理特征点。其中,聚类图是对待巡检设备在目标巡检项上的历史数据进行聚类得到的聚类簇集合。聚类图能够反映待巡检设备在目标巡检项上的聚类特性,聚类簇集合包括至少一个聚类簇,每个聚类簇包括多个特征点,将待处理数据映射到聚类图上,便于确定其与聚类簇集合之间的关系。之后,以待处理特征点为几何中心、根据邻域半径构建目标区域,根据待处理特征点,在聚类簇集合所包括的多个特征点中确定位于目标区域内的聚类点;根据预设数量以及位于目标区域内的聚类点的第一数量,确定巡检结果,巡检结果指示待巡检设备在目标巡检项上的性能指标是否发生异常。如此,可以结合待巡检设备在目标巡检项上的聚类特征(即,聚类簇集合中每个聚类簇中多个特征点的特征向量),快速确定待巡检设备在目标巡检项上的性能指标是否发生异常,而无需人工进行设备巡检,提高了巡检效率。
在一些实施例中,该设备巡检方法还包括聚类图的构建过程,如图3所示,图3是本申请实施例提供的另一种设备巡检方法的流程图。
S201、获取待巡检设备在目标巡检项上的多个历史数据。
上述图1中信息采集模块11可以每隔预设时间段通过轮询的方式获取待巡检设备在目标巡检项上的数据。将采集到的关于待巡检设备在目标巡检项上的数据作为历史数据。
S202、对多个历史数据进行特征映射,得到多个特征点。
对每个历史数据进行特征映射,得到每个历史数据的特征点。特征映射方式可以是将数据转换为向量的特征转换方法,可以参见上述S102中关于特征转换方法的介绍,此处不再赘述。
S203、根据多个特征点,计算每两个特征点的特征距离,得到每个特征点的多个特征距离。
计算每两个特征点之间的特征距离。特征距离可以是向量距离,可以参见上述S103中关于向量距离的介绍,此处不再赘述。
S204、统计候选特征点对应的区域中所包括的特征点的第二数量;候选特征点为多个特征点中的任一特征点,候选特征点对应的区域是以候选特征点为几何中心、根据邻域半径构建的区域,候选特征点对应的区域中所包括的特征点为特征距离小于或等于邻域半径的特征点。
本申请实施例中,是基于DBSCAN算法生成聚类图,在此,先对DBSCAN算法进行介绍,以便更好的理解本方案。
DBSCAN包括以下参数:邻域半径(eps)、预设数量(MinPts)和距离度量。其中,eps是DBSCAN算法中用来定义一个点的邻域范围的半径,若两个点之间距离小于eps,则认为它们属于同一簇。eps影响到簇的数量和大小,可以通过观察数据分布情况,使用k最近邻算法(k-Nearest Neighbor,KNN)距离图等方法来确定合适的eps值。MinPts是DBSCAN算法中规定在一个区域内必须包含至少MinPts个样本才能构成一个簇。对于噪声点或孤立点而言,由于周围没有足够数量的相似点,它们不会被划分到任何簇中。MinPts通常需要根据数据集特征进行调整。对于高维数据样本集或稠密数据样本集,较大的MinPts值可以有效地减少噪声点数量;对于低维数据样本集或稀疏数据样本集,较小的MinPts值可以更好地捕获聚类结构。DBSCAN算法需要通过距离计算来确定邻域范围和样本之间的相似程度。距离度量方法可以参见上述向量距离的描述。
DBSCAN算法如下:类别的形成是由密度达到某一阈值的区域决定的,这些区域可以被任意形状的边界所包围。基于此,DBSCAN算法将数据点分为三类,核心数据、边界数据和噪声数据,其中,核心数据表示半径eps内含有超过MinPts数目的数据。边界数据表示在半径eps内数据的数量小于MinPts,但是落在核心数据的邻域内。噪声数据表示既不是核心数据也不是边界数据的数据。
基于上述DBSCAN算法的介绍,以多个特征点中的任一特征点为例进行说明,为便于区分,将其称为候选特征点,以候选特征点为几何中心、根据邻域半径构建候选特征点对应的区域。获取候选特征点与其他特征点之间的特征距离,当特征距离小于或等于邻域半径时,判定该特征点落在候选特征点对应的区域内。依次类推,从而统计候选特征点对应的区域中所包括的特征点的第二数量。
S205、若第二数量大于或等于预设数量,则根据候选特征点以及与候选特征点对应的区域中所包括的特征点,构建聚类簇;若第二数量小于预设数量、且候选特征点对应的区域中所包括的特征点中存在具有聚类簇的其他特征点,则将候选特征点加入其他特征点的聚类簇中;若第二数量小于预设数量、且候选特征点对应的区域中所包括的特征点中不存在具有聚类簇的其他特征点,则将候选特征点作为噪声数据。
DBSCAN算法的步骤如下:对于历史数据中每一条未被处理的历史数据,计算其eps邻域(即,候选特征点对应的区域)。分为以下三种情况,第一种情况:若该eps邻域中有大于或等于MinPts(即,预设数量)数量的历史数据,则创建一个新的簇。将这条历史数据标记为已处理,并将位于该eps邻域中的所有历史数据标记为已处理。第二种情况:若一条历史数据的eps邻域中所包括的其他历史数据的数量小于MinPts,但是属于另一个簇的eps邻域,即,该eps邻域中存在可以构建成聚类簇的其他历史数据,则将这条历史数据加入到那个聚类簇中。第三种情况:若一条历史数据的eps邻域中所包括的其他历史数据的数量小于MinPts,并且也不属于任何其他簇的eps邻域,即,该eps邻域中也不存在可以构建成聚类簇的其他历史数据,则将这条历史数据标记为噪声数据。重复以上步骤,直到所有的历史数据都被访问,形成一个或多个聚类簇。
其中,噪声数据(即,异常状态下的数据)不能形成簇,也就是说,能够形成聚类簇的数据均表示性能指标处于正常状态。
S206、根据聚类簇,生成聚类图。
通过DBSCAN算法构建的聚类簇指示待巡检设备在目标巡检项上的性能指标处于正常状态,根据一个或多个聚类簇生成聚类图。该聚类图可以为上述图1中信息处理模块13判断巡检状态提供支持。利用聚类图的聚类特征(即,聚类簇集合中每个聚类簇中多个特征点的特征向量)能够判断待处理数据所反映的性能指标是否处于正常状态,无需人工进行设备巡检,提高了巡检结果的准确性和巡检效率。
在一些实施例中,如图4所示,图4是本申请实施例提供的再一种设备巡检方法的流程图。
S301、获取待巡检设备在目标巡检项上的待处理数据。
本示例中S301与上述图2中S101的技术实现过程和所达到的技术效果一致,可参见S101的描述,在此不再赘述。
S302、在未构建待巡检设备在目标巡检项上的聚类图的情况下,根据待处理数据和预设正常状态数据区间,确定巡检结果;其中,在待处理数据位于预设正常状态数据区间的情况下,巡检结果指示待巡检设备在目标巡检项上的性能指标处于正常状态;在待处理数据未位于预设正常状态数据区间的情况下,巡检结果指示待巡检设备在目标巡检项上的性能指标处于异常状态。
本申请实施例中,在对待处理数据进行处理之前,先查询是否已经构建待巡检设备在目标巡检项上的聚类图,若设备巡检系统10中没有存储待巡检设备在目标巡检项上的聚类图,则将待处理数据和预设正常状态数据区间进行对比,判断待处理数据是否落在预设正常状态数据区间。若待处理数据落在预设正常状态数据区间,则生成的巡检结果指示待巡检设备在目标巡检项上的性能指标处于正常状态。若待处理数据未落在预设正常状态数据区间,则生成的巡检结果指示待巡检设备在目标巡检项上的性能指标处于异常状态。
需要说明的是,预设正常状态数据区间可以由本领域技术人员根据实际情况进行适当设置,可以是对大量的关于待巡检设备在目标巡检项上的处于正常状态的实验数据进行统计之后得到的,对此本申请实施例不做限制。
结合上述图1,信息处理模块13在接收到信息采集模块11发送的工业设备状态数据(即,待处理数据)之后,先需要查询基线学习模块12是否生成基线(即,聚类图)。若生成基线,则通过计算状态数据是否存在于聚类图上的某一个聚类簇,来计算待巡检设备在目标巡检项上的性能指标是否处于正常状态。若未生成基线,则查询到巡检管理模块14中配置的采集待巡检设备的正常状态值(即,预设正常状态数据区间),将待处理数据与预设正常状态数据区间进行对比。若待处理数据落在正常状态值范围内,则代表待巡检设备在目标巡检项上的性能指标为正常,否则为异常。在所有的设备完成巡检后,将巡检生成的数据储存到数据仓库中,用于后续生成巡检报表,还可以供后续聚类图和预设正常状态数据区间的更新作为参考。
本申请实施例中,通过将待处理数据与预设正常状态数据区间进行对比,确定巡检结果,可以由计算机设备执行,无需人工进行设备巡检,提高了巡检效率和巡检结果的准确性。
在一些实施例中,上述S101还可以通过以下方式实现。根据待巡检设备的设备类型,确定数据采集形式;根据数据采集形式采集待巡检设备在目标巡检项上的数据,得到待处理数据。
工业控制系统包括多个设备,多个设备具有多个设备类型,包括但不限于工业主机设备、网络设备或安全设备和工业控制设备。
示例性的,工业主机设备可以是安装了操作系统的设备,例如,个人计算机(Personal Compurter,PC)、服务器、平板电脑等设备。网络设备可以是交换机、路由器和无线访问接入点(Wireless Access Point,AP)等设备。安全设备可以是防火墙、安全监测系统(safety monitoring system)和网闸等设备。工业控制设备可以是生产线、可编程逻辑控制器(Programmable Logic Controller,PLC)等。
上述图1中信息采集模块11采集到相关数据(待处理数据和历史数据)后,可以通过消息队列遥测传输协议(Message Queuing Telemetry Transport,MQTT)将相关数据发送到信息处理模块13和基线学习模块12。
设备类型不同,其采用的数据采集形式也不同。通过待巡检设备的设备类型,确定数据采集形式,进而根据数据采集形式采集待巡检设备在目标巡检项上的数据。上述图1中设备巡检系统10可以对多种设备类型的设备进行数据采集,以及判断采集到的数据反映该设备是否处于异常状态,提高了设备巡检应用场景的丰富性和多样性。
在一些实施例中,当设备类型为工业主机设备时,数据采集形式为通过预先设置的程序包进行数据采集;当设备类型为网络设备或安全设备时,数据采集形式为通过网络管理协议进行数据采集;当设备类型为工业控制设备,数据采集形式为通过厂商协议或数据接口进行数据采集。
上述图1中信息采集模块11在巡检时,可以通过轮询的方式对工业设备进行相关巡检项目的数据采集。对工业控制系统中的工业主机设备,通常安装了操作系统,因此,可以通过部署主机探针的方式进行数据采集,也就是,预先在工业主机设备上设置用于采集待处理数据的程序包,在进行数据采集时,可以通过预先在工业主机设备上设置的程序包进行数据采集,得到待处理数据。
对于工业控制系统中的网络设备和安全设备,通过简单网络管理协议(SimpleNetwork Management Protocol,SNMP)进行数据采集。
对于不同厂商的工业控制设备,使用厂商协议或数据接口对其设备进行采集。其中,厂商协议包括串行通信协议(Modbus protocol,Modbus),S7协议基于工业以太网技术的工业通信协议(例如,Profinet协议)等通信协议。Modbus协议是一种用于设备之间通信的应用层协议。S7协议和Profinet协议都是工业自动化领域中常用的通信协议。
本示例提供了不同的设备类型,以及各个设备类型对应的数据采集形式。提高了设备巡检应用场景的丰富性和多样性。
在一些实施例中,巡检结果包括待巡检设备的运行状态以及运行值,运行值指示待巡检设备在目标巡检项上的状态指数;在图1中S104之后,该设备巡检方法还包括以下步骤。当运行状态为正常状态时,根据巡检结果生成巡检报表;当运行状态为异常状态时,根据运行值所在的运行区间,以及预设故障知识库确定处理建议;预设故障知识库用于存储运行区间与预设处理建议之间的对应关系;根据巡检结果和处理建议,生成巡检报表。
巡检结果不仅包括待巡检设备的运行状态,运行状态可以是正常状态或异常状态,巡检结果还包括运行值,运行值可以是待处理数据的具体数值。示例性,以目标巡检项是上行传输速率为例,运行值可以为30兆比特每秒(Mbps)、500Mbps等。以目标巡检项是指示灯为例,运行值可以是“1”,表示亮。
当运行状态为正常状态时,根据巡检结果和预设模板,生成巡检报表。预设模板可以是预先设置好的文档(Word)、表格(Excel)、可携带文件格式(Portable DocumentFormat,PDF)等相关技术。将巡检结果以巡检报表的形式展示给用户,可以让用户直观了解工业控制系统中待巡检设备在目标巡检项上的运行状态。
图1的巡检管理模块14中还存储有预设故障知识库,该预设故障知识库中存储运行区间与预设处理建议之间的对应关系。该预设故障知识库可以由本领域技术人员根据实际情况进行适当设置,例如,可以通过对大量的异常状态时的处理意见数据进行统计之后得到的,对此本申请实施例不做限制。
当运行状态为异常状态时,根据运行值所在的运行区间,在预设故障知识库中查找该运行区间对应的处理建议,根据巡检结果、处理意见和预设模板,生成巡检报表。在异常状态时,将巡检结果以及处理意见以巡检报表的形式展示给用户,可以让用户直观了解工业控制系统中待巡检设备在目标巡检项上的运行状态,并参考处理意见进行后续的处理,提高工作效率。
上述图1中巡检管理模块14可以对巡检后的数据(即,巡检结果)生成巡检报表,巡检报表可以支持Excel、PDF、Word等多种格式导出报表,并生成处理建议,使得用户能方便地对巡检后的数据进行阅览、对比及后续的处理,提高了巡检结果的展示形式的丰富性,同时还提高了工作效率。
下面,将说明本申请实施例在一个实际的应用场景中的示例性应用。
基于上述图1-图4,如图5所示,图5是本申请实施例提供的又一种设备巡检方法的流程图,以下结合图1进行说明。
S401、配置工业设备的巡检项。
在上述图1的巡检管理模块14中添加工业控制系统中需要进行巡检的工业设备,并进行相关巡检项的配置以及巡检时间的配置。
S402、采集巡检项信息。
在实际巡检阶段,信息采集模块11对待巡检设备采用与待巡检设备的设备类型对应的采集方式进行采集。将采集到的巡检项信息(即,待处理数据)输送至信息处理模块13。
S403、信息处理。
上述图1的信息处理模块13对采集到的巡检项信息进行处理。对待巡检设备的待处理数据进行特征映射,将其映射到聚类图上。根据基线学习模块12所学习到的聚类图的聚类特征(即,聚类簇集合中每个聚类簇中多个特征点的特征向量),判断待处理数据对应的待处理特征点是否存在于聚类图上的某一个聚类簇,从而判断待巡检设备在目标巡检项上是否处于正常状态,得到巡检结果。将巡检结果发送至巡检管理模块14,为生成巡检报表提供数据支持。
S404、生成巡检报表。
上述图1的巡检管理模块14将巡检结果以巡检报表的形式呈现给用户,方便用户查看和处理异常情况,提高工作效率。
本申请提供的一种工业设备的自动巡检方法,可以作为保障工业控制系统的重要手段,协助企业判定当前工业设备状态,评判工业设备是否发生故障,提高巡检效率和减少人力资源的消耗,为企业尽早采取安全措施,降低工业设备存在的风险,为工业设备的故障处理提供支撑。
通过基于密度的聚类方法对待巡检设备在目标巡检项上的历史数据进行聚类,得到聚类图,聚类图能够反映待巡检设备在目标巡检项上的聚类特性,将待处理数据映射到聚类图上,结合聚类图的聚类特征(即,聚类簇集合中每个聚类簇中多个特征点的特征向量),确定待处理数据是否落在聚类簇集合中。若待处理特征点落在聚类簇中,则表示待巡检设备在目标巡检项上的性能指标未发生异常,反之,说明发生异常,本方案无需人工进行设备巡检,提高了巡检效率。
基于上述实施例提供的设备巡检方法,图6是本申请实施例提供的一种设备巡检装置的结构示意图。该装置可以由软件、硬件或者两者的结合实现成为计算机设备的部分或者全部。参见图6,该设备巡检装置60包括:获取模块601,用于获取待巡检设备在目标巡检项上的待处理数据;映射模块602,用于对待处理数据进行特征映射,得到待处理数据在聚类图上的待处理特征点;聚类图是对待巡检设备在目标巡检项上的历史数据进行聚类得到的聚类簇集合;聚类点确定模块603,用于根据待处理特征点,在聚类簇集合所包括的多个特征点中确定位于目标区域内的聚类点;目标区域是以待处理特征点为几何中心、根据邻域半径构建的区域;巡检结果确定模块604,用于根据预设数量以及位于目标区域内的聚类点的第一数量,确定巡检结果;巡检结果指示待巡检设备在目标巡检项上的性能指标是否发生异常。
可选地,巡检结果确定模块604,用于若第一数量大于或等于预设数量,则巡检结果指示待巡检设备在目标巡检项上的性能指标处于正常状态;若第一数量小于预设数量,则巡检结果指示待巡检设备在目标巡检项上的性能指标处于异常状态。
可选地,该设备巡检装置60还包括构建模块605;
获取模块601,用于获取待巡检设备在目标巡检项上的多个历史数据;
映射模块602,用于对多个历史数据进行特征映射,得到多个特征点;
构建模块605,用于根据多个特征点,计算每两个特征点的特征距离,得到每个特征点的多个特征距离;统计候选特征点对应的区域中所包括的特征点的第二数量;候选特征点为多个特征点中的任一特征点,候选特征点对应的区域是以候选特征点为几何中心、根据邻域半径构建的区域,候选特征点对应的区域中所包括的特征点为特征距离小于或等于邻域半径的特征点;若第二数量大于或等于预设数量,则根据候选特征点以及与候选特征点对应的区域中所包括的特征点,构建聚类簇;若第二数量小于预设数量、且候选特征点对应的区域中所包括的特征点中存在具有聚类簇的其他特征点,则将候选特征点加入其他特征点的聚类簇中;若第二数量小于预设数量、且候选特征点对应的区域中所包括的特征点中不存在具有聚类簇的其他特征点,则将候选特征点作为噪声数据;根据聚类簇,生成聚类图。
可选地,巡检结果确定模块604,还用于在未构建待巡检设备在目标巡检项上的聚类图的情况下,根据待处理数据和预设正常状态数据区间,确定巡检结果;其中,在待处理数据位于预设正常状态数据区间的情况下,巡检结果指示待巡检设备在目标巡检项上的性能指标处于正常状态;在待处理数据未位于预设正常状态数据区间的情况下,巡检结果指示待巡检设备在目标巡检项上的性能指标处于异常状态。
可选地,获取模块601,还用于根据待巡检设备的设备类型,确定数据采集形式;根据数据采集形式采集待巡检设备在目标巡检项上的数据,得到待处理数据。
可选地,当设备类型为工业主机设备时,数据采集形式为通过预先设置的程序包进行数据采集;当设备类型为网络设备或安全设备时,数据采集形式为通过网络管理协议进行数据采集;当设备类型为工业控制设备,数据采集形式为通过厂商协议或数据接口进行数据采集。
可选地,巡检结果包括待巡检设备的运行状态以及运行值,运行值指示待巡检设备在目标巡检项上的状态指数;
该设备巡检装置60还包括生成模块606;
生成模块606,用于当运行状态为正常状态时,根据巡检结果生成巡检报表;当运行状态为异常状态时,根据运行值所在的运行区间,以及预设故障知识库确定处理建议;预设故障知识库用于存储运行区间与预设处理建议之间的对应关系;根据巡检结果和处理建议,生成巡检报表。
以下对图1中的设备巡检系统10和设备巡检装置60之间的对应关系进行说明,该设备巡检装置60对应于上述图1中设备巡检系统10,信息采集模块11对应于获取模块601,基线学习模块12对应于构建模块605,信息处理模块13包括映射模块602、聚类点确定模块603和巡检结果确定模块604,巡检管理模块14包括生成模块606。
需要说明的是,上述实施例提供的设备巡检装置在对设备进行巡检时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
上述实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请实施例的保护范围。
上述实施例提供的设备巡检装置与设备巡检方法实施例属于同一构思,上述实施例中单元、模块的具体工作过程及带来的技术效果,可参见方法实施例部分,此处不再赘述。
基于上述实施例提供的设备巡检方法,图7为本申请实施例提供的一种计算机设备的结构示意图,如图7所示,计算机设备70包括:处理器701、存储器702以及存储在存储器702中并可在处理器701上运行的计算机程序703,处理器701执行计算机程序703时实现上述实施例中的设备巡检方法中的步骤。
计算机设备70可以是一个通用计算机设备或一个专用计算机设备。在具体实现中,计算机设备70可以是台式机、便携式电脑、网络服务器、掌上电脑、移动手机、平板电脑、无线终端设备、通信设备或嵌入式设备,本申请实施例不限定计算机设备70的类型。本领域技术人员可以理解,图7仅仅是计算机设备70的举例,并不构成对计算机设备70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,比如还可以包括输入输出设备、网络接入设备等。
处理器701可以是中央处理单元(Central Processing Unit,CPU),处理器701还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者也可以是任何常规的处理器。
存储器702在一些实施例中可以是计算机设备70的内部存储单元,比如计算机设备70的硬盘或内存。存储器702在另一些实施例中也可以是计算机设备70的外部存储设备,比如计算机设备70上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,存储器702还可以既包括计算机设备70的内部存储单元也包括外部存储设备。存储器702用于存储操作系统、应用程序、引导装载程序(Boot Loader)、数据以及其他程序等。存储器702还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机设备,该计算机设备包括:至少一个处理器、存储器以及存储在该存储器中并可在该至少一个处理器上运行的计算机程序,该处理器执行该计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当其在计算机上运行时,使得计算机执行上述各个方法实施例中的步骤。
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,本申请实现上述方法实施例中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,该计算机程序包括计算机程序代码,该计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。该计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、ROM(Read-Only Memory,只读存储器)、RAM(Random Access Memory,随机存取存储器)、CD-ROM(Compact Disc Read-Only Memory,只读光盘)、磁带、软盘和光数据存储设备等。本申请提到的计算机可读存储介质可以为非易失性存储介质,换句话说,可以是非瞬时性存储介质。
应当理解的是,实现上述实施例的全部或部分步骤可以通过软件、硬件、固件或者其任意结合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。该计算机指令可以存储在上述计算机可读存储介质中。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,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、或者计算机软件和电子硬件的结合来实现。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。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种设备巡检方法,其特征在于,所述方法包括:
获取待巡检设备在目标巡检项上的待处理数据;
对所述待处理数据进行特征映射,得到所述待处理数据在聚类图上的待处理特征点;所述聚类图是对所述待巡检设备在所述目标巡检项上的历史数据进行聚类得到的聚类簇集合;
根据所述待处理特征点,在所述聚类簇集合所包括的多个特征点中确定位于目标区域内的聚类点;所述目标区域是以所述待处理特征点为几何中心、根据邻域半径构建的区域;
根据预设数量以及所述位于目标区域内的聚类点的第一数量,确定巡检结果;所述巡检结果指示所述待巡检设备在所述目标巡检项上的性能指标是否发生异常。
2.如权利要求1所述的方法,其特征在于,所述根据预设数量以及所述位于目标区域内的聚类点的第一数量,确定巡检结果,包括:
若所述第一数量大于或等于所述预设数量,则所述巡检结果指示所述待巡检设备在所述目标巡检项上的性能指标处于正常状态;
若所述第一数量小于所述预设数量,则所述巡检结果指示所述待巡检设备在所述目标巡检项上的性能指标处于异常状态。
3.如权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述待巡检设备在所述目标巡检项上的多个历史数据;
对所述多个历史数据进行特征映射,得到多个特征点;
根据所述多个特征点,计算每两个特征点的特征距离,得到每个特征点的多个特征距离;
统计候选特征点对应的区域中所包括的特征点的第二数量;所述候选特征点为所述多个特征点中的任一特征点,所述候选特征点对应的区域是以所述候选特征点为几何中心、根据所述邻域半径构建的区域,所述候选特征点对应的区域中所包括的特征点为所述特征距离小于或等于所述邻域半径的特征点;
若所述第二数量大于或等于预设数量,则根据所述候选特征点以及与所述候选特征点对应的区域中所包括的特征点,构建聚类簇;
若所述第二数量小于所述预设数量、且所述候选特征点对应的区域中所包括的特征点中存在具有聚类簇的其他特征点,则将所述候选特征点加入其他特征点的聚类簇中;
若所述第二数量小于所述预设数量、且所述候选特征点对应的区域中所包括的特征点中不存在具有聚类簇的其他特征点,则将所述候选特征点作为噪声数据;
根据所述聚类簇,生成所述聚类图。
4.如权利要求1-3任一项所述的方法,其特征在于,所述获取待巡检设备在目标巡检项上的待处理数据之后,所述方法还包括:
在未构建所述待巡检设备在所述目标巡检项上的所述聚类图的情况下,根据所述待处理数据和预设正常状态数据区间,确定巡检结果;
其中,在所述待处理数据位于所述预设正常状态数据区间的情况下,所述巡检结果指示所述待巡检设备在所述目标巡检项上的性能指标处于正常状态;在所述待处理数据未位于所述预设正常状态数据区间的情况下,所述巡检结果指示所述待巡检设备在所述目标巡检项上的性能指标处于异常状态。
5.如权利要求1-3任一项所述的方法,其特征在于,所述获取待巡检设备在目标巡检项上的待处理数据,包括:
根据所述待巡检设备的设备类型,确定数据采集形式;
根据所述数据采集形式采集所述待巡检设备在所述目标巡检项上的数据,得到所述待处理数据。
6.如权利要求5所述的方法,其特征在于,
当所述设备类型为工业主机设备时,所述数据采集形式为通过预先设置的程序包进行数据采集;
当所述设备类型为网络设备或安全设备时,所述数据采集形式为通过网络管理协议进行数据采集;
当所述设备类型为工业控制设备,所述数据采集形式为通过厂商协议或数据接口进行数据采集。
7.如权利要求1-3任一项所述的方法,其特征在于,所述巡检结果包括所述待巡检设备的运行状态以及运行值,所述运行值指示所述待巡检设备在所述目标巡检项上的状态指数;
所述根据预设数量以及所述位于目标区域内的聚类点的第一数量,确定巡检结果之后,所述方法还包括:
当所述运行状态为正常状态时,根据所述巡检结果生成巡检报表;
当所述运行状态为异常状态时,根据所述运行值所在的运行区间,以及预设故障知识库确定处理建议;预设故障知识库用于存储运行区间与预设处理建议之间的对应关系;根据所述巡检结果和所述处理建议,生成所述巡检报表。
8.一种设备巡检装置,其特征在于,所述装置包括:
获取模块,用于获取待巡检设备在目标巡检项上的待处理数据;
映射模块,用于对所述待处理数据进行特征映射,得到所述待处理数据在聚类图上的待处理特征点;所述聚类图是对所述待巡检设备在所述目标巡检项上的历史数据进行聚类得到的聚类簇集合;
聚类点确定模块,用于根据所述待处理特征点,在所述聚类簇集合所包括的多个特征点中确定位于目标区域内的聚类点;所述目标区域是以所述待处理特征点为几何中心、根据邻域半径构建的区域;
巡检结果确定模块,用于根据预设数量以及所述位于目标区域内的聚类点的第一数量,确定巡检结果;所述巡检结果指示所述待巡检设备在所述目标巡检项上的性能指标是否发生异常。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1-7任一项所述的方法。
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存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410033371.3A CN117892110A (zh) | 2024-01-09 | 2024-01-09 | 设备巡检方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410033371.3A CN117892110A (zh) | 2024-01-09 | 2024-01-09 | 设备巡检方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117892110A true CN117892110A (zh) | 2024-04-16 |
Family
ID=90643977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410033371.3A Pending CN117892110A (zh) | 2024-01-09 | 2024-01-09 | 设备巡检方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117892110A (zh) |
-
2024
- 2024-01-09 CN CN202410033371.3A patent/CN117892110A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114298863B (zh) | 一种智能抄表终端的数据采集方法及系统 | |
CN103513983B (zh) | 用于预测性警报阈值确定工具的方法和系统 | |
CN110830450A (zh) | 基于统计的异常流量监测方法、装置、设备及存储介质 | |
CN116148679B (zh) | 一种电池健康状态的预测方法及相关装置 | |
CN112463543B (zh) | 业务数据的监控方法、规则数据生成方法、装置及系统 | |
CN112115306A (zh) | 用于执行高维传感器数据中的异常事件的自动根本原因分析的方法和系统 | |
CN111176953B (zh) | 一种异常检测及其模型训练方法、计算机设备和存储介质 | |
CN114861788A (zh) | 一种基于dbscan聚类的负荷异常检测方法及系统 | |
Apiletti et al. | Energy-saving models for wireless sensor networks | |
CN112199252A (zh) | 一种异常监控方法、装置及电子设备 | |
CN114356734A (zh) | 服务异常检测方法和装置、设备、存储介质 | |
CN112488877A (zh) | 一种用于能源服务平台的工业能耗可视化系统 | |
CN118265062A (zh) | 基站自动巡检数字管理系统和方法 | |
CN115221218A (zh) | 车辆数据的质量评估方法、装置、计算机设备和存储介质 | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
WO2024066720A1 (zh) | 指标阈值的确定方法、装置、存储介质及电子装置 | |
CN117892110A (zh) | 设备巡检方法、装置、设备及存储介质 | |
CN114598602A (zh) | 数据获取方法、装置、计算机设备及计算机可读存储介质 | |
CN114331688A (zh) | 一种银行柜面系统业务批量运行状态检测方法及装置 | |
CN112800110A (zh) | 电力物联网传感器弱敏感数据异常检测系统 | |
CN115473343B (zh) | 一种智能网关多主站并行接入测试方法 | |
CN111813631A (zh) | 一种面向云数据中心的资源态势可视化与分析方法 | |
CN116827808B (zh) | 一种基于工业物联网的多设备联合通讯系统、方法及设备 | |
CN113537363B (zh) | 一种异常对象检测方法及装置、电子设备及存储介质 | |
CN114885231B (zh) | 一种通讯协议自适应的信号采集方法、系统、终端及介质 |
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 |