CN118015812A - 一种设备异常报警方法 - Google Patents
一种设备异常报警方法 Download PDFInfo
- Publication number
- CN118015812A CN118015812A CN202410247865.1A CN202410247865A CN118015812A CN 118015812 A CN118015812 A CN 118015812A CN 202410247865 A CN202410247865 A CN 202410247865A CN 118015812 A CN118015812 A CN 118015812A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- equipment
- state
- representing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 115
- 230000005856 abnormality Effects 0.000 title claims abstract description 54
- 230000002159 abnormal effect Effects 0.000 claims abstract description 59
- 238000007781 pre-processing Methods 0.000 claims abstract description 40
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 81
- 238000012549 training Methods 0.000 claims description 40
- 238000010801 machine learning Methods 0.000 claims description 14
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010187 selection method Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 238000013112 stability test Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 10
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 description 36
- 230000008569 process Effects 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 15
- 230000008859 change Effects 0.000 description 12
- 230000001960 triggered effect Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于故障报警技术领域，具体涉及一种设备异常报警方法，旨在解决现有的设备异常报警方法会出现误报或者漏报的情况，无法实现精准预警，导致维护效率低下，甚至出现生产线中断以及安全事故的问题。本方法包括：获取待监测的设备的传感器数据，作为输入数据；对输入数据进行预处理，得到预处理数据；提取预处理数据的特征；将提取的特征输入预构建的状态识别模型，得到待监测的设备的状态；若待监测的设备的状态为异常，则自动发送报警通知。本发明实现了设备异常的精准预警，提升了维护效率。
Description
技术领域
本发明属于故障报警技术领域，具体涉及一种设备异常报警方法。
背景技术
随着物联网（IoT）、大数据分析、人工智能等先进技术的广泛应用，各类生产设备的运行状态监测和故障预测变得日益重要。在生产过程中，任何关键设备的意外停机或性能下降都可能导致生产线中断、产品质量问题甚至安全事故，严重影响企业的生产效率和经济效益。
传统的设备维护主要依赖定期检修和人工巡检，但这种方法往往存在滞后性和低效率的问题，不能及时发现并处理突发性设备故障。因此，基于实时数据采集与智能分析的设备异常报警方法应运而生，它通过集成传感器网络获取设备运行过程中的各种参数，例如现有常用的一种监控方法，通过使用传感器和监控系统来监测设备的运行状态，并在发现异常情况时发送报警通知，具体为：安装传感器（温度、振动、压力传感器等等）：根据设备的特点和需要监测的参数，选择合适的传感器进行安装，例如，温度传感器用于监测设备温度，压力传感器用于监测设备压力等；连接监控系统：将传感器与监控系统进行连接，确保传感器可以向监控系统发送数据；设置阈值：根据设备正常运行的参数范围，设置相应的阈值，例如，如果设备温度正常范围为20℃到40℃，可以设置温度传感器的阈值为超过40℃即为异常情况；监测数据：监控系统会定期获取传感器发送的数据，并对数据进行分析和比对，如果监测到数据超过设定的阈值，即判断为设备异常；发送报警通知：一旦监控系统监测到设备异常，会自动发送报警通知，通知可以通过短信、邮件、手机应用等方式发送给相关人员，以便及时采取措施修复设备或进行其他必要的操作；处理异常情况：收到报警通知后，相关人员应立即采取措施处理设备异常，可以进行设备检修、更换关键部件、调整设备参数等操作，以恢复设备正常运行。
然而，单纯依靠阈值监控的方式存在一定的局限性。由于设备运行状态受到多种复杂因素的影响，固定阈值难以适应所有工况变化，尤其是在面对设备老化、环境变化以及偶发的非典型故障模式时，传统的阈值报警方法可能会出现误报或者漏报的情况，导致维护效率低下且无法实现精准预测。
随着大数据、云计算及人工智能技术的发展，机器学习已成为新一代技术的主流趋势。相较于传统阈值监控，利用机器学习算法可以从海量的历史数据和实时数据中挖掘出设备运行的内在规律与潜在关联，并建立动态模型来描述设备的健康状况。通过持续训练与优化，能够准确识别复杂的设备行为模式，实现更精细的故障诊断与预警功能。基于此，本发明提出了一种设备异常报警方法。
发明内容
为了解决现有技术中的上述问题，即为了解决现有的设备异常报警方法会出现误报或者漏报的情况，无法实现精准预警，导致维护效率低下，甚至出现生产线中断以及安全事故的问题。本发明第一方面，提出了一种设备异常报警方法，该方法包括：
S10，获取待监测的设备的传感器数据，作为输入数据；
S20，对所述输入数据进行预处理，得到预处理数据；所述预处理包括数据清洗、数据归一化操作；
S30，提取所述预处理数据的特征；
S40，将提取的特征输入预构建的状态识别模型，得到所述待监测的设备的状态；
S50，若所述待监测的设备的状态为异常，则自动发送报警通知；
其中，所述状态识别模型基于机器学习模型构建；所述状态识别模型，其训练方法为：
A10，确定所述状态识别模型的参数空间，并创建参数网格；
A20，对于所述参数网格中的每一个参数组合，通过交叉验证方法训练其对应的状态识别模型并评估性能指标；所述性能指标包括准确率、精确率、召回率；
A30，选取性能指标最好的参数组合，对所述状态识别模型重新进行训练。
在一些优选的实施方式中，训练其对应的状态识别模型，其方法为：
B10，获取历史传感器数据，作为训练数据，对所述训练数据进行数据增强，构建训练数据集；
B20，对所述训练数据进行预处理，并提取预处理后的数据的特征；
B30，对提取的特征进行特征筛选；所述特征筛选方法包括方差选择方法、相关系数选择方法、递归特征消除方法；
B40，将筛选后的特征输入所述状态识别模型，得到状态识别结果；
B50，基于所述状态识别结果及其对应的标签，计算损失值，进而更新所述状态识别模型的模型参数；
B60，循环B10-B50，直至得到训练好的状态识别模型。
在一些优选的实施方式中，若所述机器学习模型为支持向量机；则所述支持向量机在训练时，损失函数为：
；
其中，是权重向量，/>是偏置项，/>是第/>个样本的特征向量，/>是第/>个样本的标签，/>是惩罚系数。
本发明的第二方面，提出了一种设备异常报警方法，该方法包括：
获取待监测的设备的历史传感器数据，作为输入数据；所述历史传感器数据为基于时间序列的数据；
对所述输入数据进行预处理，得到预处理数据；所述预处理包括平稳性检验和差分处理；
确定ARIMA模型的参数p、d和q，进而拟合所述ARIMA模型；其中，所述d为ARIMA模型需要的差分的阶数；所述p为基于时间序列的数据本身的滞后数；所述q为预测误差的滞后数；
将所述预处理数据输入拟合的ARIMA模型，得到预测结果；
计算所述预测结果与实际观测值之间的差值，若所述差值大于设定的差值阈值，则判断所述待监测的设备的状态为异常，自动发送报警通知。
在一些优选的实施方式中，确定ARIMA模型的参数p、d和q，其方法为：
根据所述输入数据的自相关图和偏自相关图，确定ARIMA模型的参数p、d和q。
在一些优选的实施方式中，所述ARIMA模型的自回归部分为：
其中，是外部因素或指标的观测值，/>是对应的系数，/>表示常数项，/>表示在t时间点的误差项，/>表示自回归部分的参数，用来描述当前值与过去p个时间点值之间的关系，/>表示时间序列数据。
在一些优选的实施方式中，将所述ARIMA模型的差分部分与自回归部分相结合，得到的模型为：
其中，表示进行d阶差分运算，/>表示时间序列/>经过d阶差分后的值，表示时间序列数据，/>表示自回归部分的参数，用来描述当前值与过去p个时间点值之间的关系，/>表示常数项，/>表示在t时间点的误差项。
在一些优选的实施方式中，所述ARIMA模型为：
其中，表示时间序列数据，/>表示自回归部分的参数，用来描述当前值与过去p个时间点值之间的关系，/>表示常数项，/>表示在t时间点的误差项，/>表示ARIMA模型中MA模型的参数，用来描述当前值与过去q个时间点的误差之间的关系，表示ARIMA模型自回归部分的参数，用来描述当前值与过去p个时间点值之间的关系，/>表示误差项/>与过去第/>个误差项/>的协方差，表示过去第/>个误差项/>的方差。
本发明的第三方面，提出了一种设备异常报警方法，该方法包括以下步骤：
获取待监测的设备的传感器数据，作为输入数据；
对所述输入数据进行预处理，得到预处理数据；
基于所述预处理数据，获取所述待监测的设备的状态；
若所述待监测的设备的状态为异常，自动发送报警通知；
其中，基于所述预处理数据，获取所述待监测的设备的状态，其方法为：
提取所述预处理数据的特征；将提取的特征输入预构建的状态识别模型，得到所述待监测的设备的状态；所述状态识别模型基于机器学习模型构建；
或
确定ARIMA模型的参数p、d和q，进而拟合所述ARIMA模型；将所述预处理数据输入拟合的ARIMA模型，得到预测结果；计算所述预测结果与实际观测值之间的差值，获取所述待监测的设备的状态；所述d为ARIMA模型需要的差分的阶数；所述p为基于时间序列的数据本身的滞后数；所述q为预测误差的滞后数。
本发明的有益效果：
本发明实现了设备异常的精准预警，提升了维护效率。
本发明借助深度学习、支持向量机、随机森林等先进的机器学习算法，不仅可以识别已知的故障类型，还能有效预测未知或渐进式的设备失效模式。因此，将机器学习应用于设备异常报警不仅显著提高了设备运维的预见性和准确性，还为实现智能工厂和预防性维护提供了有力的技术支撑。
附图说明
通过阅读参照以下附图所做的对非限制性实施例所做的详细描述，本申请的其他特征、目的和优点将会变得更明显。
图1是本发明第一实施例的一种设备异常报警方法的流程示意图；
图2是本发明的状态识别模型训练过程的示意图；
图3是本发明第三实施例的一种设备异常报警方法的流程示意图。
具体实施方式
为使本发明的目的、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。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本发明第一实施例的一种设备异常报警方法，如图1所示， 为了更清晰地对本发明设备异常报警方法进行说明，下面结合附图对本发明方法一种实施例中各步骤进行展开详述。
在下述实施例中，先对状态识别模型的训练过程进行详述，再对通过一种设备异常报警方法进行报警通知的过程进行详述。
1、状态识别模型的训练过程，如图2所示
A10，确定所述状态识别模型的参数空间，并创建参数网格；
在本实施例中，通过调整状态识别模型（基于机器学习算法构建，例如支持向量机（SVM）算法、随机森林（Random Forest）算法）的超参数，寻找最优的参数组合，提高模型的性能。可以使用网格搜索、随机搜索等方法，在指定的参数范围内搜索最优参数组合，以达到模型的最佳性能。
在本发明中，优选使用网格搜索方法进行参数调优。网格搜索是一种通过遍历给定的参数组合来寻找最佳参数的方法。
首先，先确定参数空间：需要确定要调优的参数和其可能的取值范围。例如，对于支持向量机（SVM）算法，可以选择调优的参数为（惩罚系数）和/>（核函数的参数），其取值范围可以设置为不同的整数或浮点数。/>控制了模型对错误分类的惩罚程度（即惩罚系数），较小的/>值表示模型更容忍错误分类，允许有更多的错误样本出现。而较大的/>值表示模型对错误分类的惩罚更严厉，会迫使模型更加拟合训练数据。/>值的选择需要根据问题的复杂度和数据的特点进行调整。如果问题相对简单，数据集中存在噪声或异常值，可以考虑选择较小的/>值以减少过拟合的风险。如果问题复杂或训练数据较少，可以选择较大的/>值以更好地拟合训练数据。例如在异常监测中，希望模型更加关注异常样本，而不是正常样本。因此，可以选择较大的/>值，以增加对异常样本的惩罚。例如，可以将/>的范围设定为[0.1, 1, 10]。
控制了高斯核函数的影响范围（核函数的参数），它控制着高斯核函数的影响范围。较小的/>值表示高斯核函数的影响范围较大，较大的/>值表示影响范围较小。/>值的选择同样需要根据问题的复杂度和数据的特点进行调整。较小的/>值可以使模型更加平滑，决策边界更加宽松，适用于数据集较大或样本间差异较大的情况。较大的值可以使模型更加敏感，决策边界更加复杂，适用于数据集较小或样本间差异较小的情况。例如，在异常监测中，希望模型能够捕捉到异常样本的细微变化。因此，可以选择较小的/>值，以增加高斯核函数的影响范围。例如，可以将/>的范围设定为/>。
创建一个参数网格，包含所有参数可能的组合。网格搜索会遍历这个参数网格，对每个参数组合进行模型训练和评估。对于每个参数组合，都会训练一个模型并评估其性能。参数网格如表1所示：
表1
A20，对于所述参数网格中的每一个参数组合，通过交叉验证方法训练其对应的状态识别模型并评估性能指标；所述性能指标包括准确率、精确率、召回率；
在本实施例中，为了准确评估每个模型的性能，优选使用交叉验证技术。将训练数据集分成K（例如K=5）个折（fold），依次将其中的K-1个折作为训练集，剩下的一个折作为验证集，进行模型训练和评估。重复K次，每次选择不同的验证集，并计算平均性能指标。
通过交叉验证，计算每个参数组合对应的模型的性能指标，如准确率、精确率、召回率等。根据指标选择最佳的参数组合，即具有最佳性能的模型。
A30，选取性能指标最好的参数组合，对所述状态识别模型重新进行训练。
在本实施例中，使用最佳参数组合训练最终模型，并对测试数据集进行评估，得出最终的性能指标。
即通过以上步骤，可以使用网格搜索方法，可以系统地遍历参数空间，来优化例如SVM模型的参数选择，找到最佳的参数组合，从而提高模型的准确性和鲁棒性。在实际应用中，可以根据具体问题和数据特点来调整参数空间和网格搜索的步骤，以达到最优模型性能，也可以自动化地进行参数调优，避免了人工尝试不同参数组合的繁琐过程，并且可以提高模型的准确性和鲁棒性。
其中，训练其对应的状态识别模型，方法为：
B10，获取历史传感器数据，作为训练数据，对所述训练数据进行数据增强，构建训练数据集；
在本实施例中，先收集待监测的设备的历史传感器数据，包括正常和异常情况下的数据。为了进一步保证样本的充足，提升模型的泛华能力，对训练数据进行数据增强，生成更多的样本。数据增强例如旋转、翻转、缩放等。
B20，对所述训练数据进行预处理，并提取预处理后的数据的特征；
在本实施例中，对训练数据进行预处理，包括数据清洗、数据归一化等操作，以确保数据质量和一致性。然后提取出对设备状态具有区分度的特征。例如，对于温度传感器，可以提取出平均温度、温度波动等特征；对于振动传感器数据，可以提取时域特征（均值、方差、峰值、偏度等）、频域特征以及时域-频域特征。
B30，对提取的特征进行特征筛选；所述特征筛选方法包括方差选择方法、相关系数选择方法、递归特征消除方法；
在本实施例中，根据特征的重要性和相关性，选择最具有区分度的特征。可以使用特征选择（筛选）算法，如方差选择、相关系数选择、递归特征消除等，来筛选出最相关的特征，减少冗余特征对模型的干扰。
B40，将筛选后的特征输入所述状态识别模型，得到状态识别结果；
B50，基于所述状态识别结果及其对应的标签，计算损失值，进而更新所述状态识别模型的模型参数；
在本实施例中，优选支持向量机模型，损失函数为：
其中，是权重向量，/>是偏置项，/>是第/>个样本的特征向量，/>是第/>个样本的标签，/>是惩罚系数。其中，第一项是正则化项，用于控制模型的复杂度。第二项是损失函数，用于计算错误分类的惩罚。/>是一个超参数，用于平衡正则化项和损失函数之间的权重。较小的/>值会降低错误分类的惩罚，从而使模型更容忍错误分类。较大的/>值会增加错误分类的惩罚，从而使模型更严格地拟合训练数据。
B60，循环B10-B50，直至得到训练好的状态识别模型。
在本实施例中，循环对模型进行训练，直至得到训练好的状态识别模型。
2、一种设备异常报警方法
S10，获取待监测的设备的传感器数据，作为输入数据；
在本实施例中，实时获取设备的传感器数据。
S20，对所述输入数据进行预处理，得到预处理数据；
在本实施例中，对实时获取的传感器数据进行预处理；预处理包括数据清洗、数据归一化操作。
S30，提取所述预处理数据的特征；
S40，将提取的特征输入预构建的状态识别模型，得到所述待监测的设备的状态；
S50，若所述待监测的设备的状态为异常，则自动发送报警通知。
在本实施例中，将算法模型集成到设备监控系统中，实时监测设备状态。如果监测到设备异常，即判断为设备出现问题；例如，构建一个异常监测模型（即状态识别模型）监测工业设备的振动异常。当模型监测到振动数据与正常模式有显著偏离时，可以认为设备出现异常。
一旦监控系统监测到设备异常，会自动发送报警通知。通知可以通过短信、邮件、手机应用等方式发送给相关人员，以便及时采取措施修复设备或进行其他必要的操作。另外，测点维度相同异常报警的（上次推送的等级和本次即将要推送的等级一样（例如，高于正常的异常等级分为：预警，报警，危险；低于正常的异常等级分为：低预警，低报警，低危险）），已推送的报警，用户没处理，在规定的时间窗内，不再推送报警。等规定的时间窗过去后，重新按照已有规则判定是否要报警推送；若异常等级升级，则立即报警。即相同异常等级，在一个时间窗内，只报警一次，异常等级升级（异常更严重），立即报警。
通过以上步骤，可以使用机器学习算法来识别设备异常，提高设备监测的准确性和效率，以保障设备正常运行和安全。
本发明第二实施例的一种设备异常报警方法，该方法包括：
在设备异常报警领域，可以使用统计学中的Z-score方法来监测设备的异常行为并触发报警。假设要监测工业设备的压力异常，可以使用Z-score方法，通过计算压力数据的标准差和平均值的差异来判断是否存在异常。具体如下：
收集设备压力的历史数据，计算平均值（）和标准差（/>）。
对于当前的压力值（），计算其Z-score值：/>；其中，/>是当前的压力值，/>是压力数据的平均值，/>是压力数据的标准差。
Z-score方法通过将数据转化为标准正态分布来判断是否存在异常。当Z-score的绝对值大于某个阈值时，表示该数据点与平均值相比有显著差异，可能存在异常。较大的Z-score值表示离平均值越远，异常的可能性越大。在本实施例中，如果Z-score的绝对值大于某个阈值（例如3），则判断该压力值为异常值。需要注意的是，具体的阈值选择需要根据问题的特点和数据的分布进行调整。较大的阈值会导致较少的异常被监测到，而较小的阈值会导致较多的正常值被误判为异常。在实际应用中，可以通过交叉验证等方法来选择最佳的阈值，以达到准确地监测异常并降低误报的目标。
当监测到异常压力值时，触发报警通知相关人员进行处理。
本发明第三实施例的一种设备异常报警方法，如图3所示，该方法包括：
获取待监测的设备的历史传感器数据，作为输入数据；所述历史传感器数据为基于时间序列的数据；
在本实施例中，假设有一个时间序列数据集，表示每天的设备运行状态，希望使用ARIMA模型来进行异常监测。则首先收集设备每天的运行状态数据，形成一个时间序列数据集。
对所述输入数据进行预处理，得到预处理数据；所述预处理包括平稳性检验和差分处理；
在本实施例中，对时间序列数据集进行预处理。
确定ARIMA模型的参数p、d和q，进而拟合所述ARIMA模型；
将所述预处理数据输入拟合的ARIMA模型，得到预测结果；
在本实施例中，根据时间序列数据的自相关图（ACF）和偏自相关图（PACF），确定ARIMA模型的参数p、d和q（d为ARIMA模型需要的差分的阶数；p为基于时间序列的数据本身的滞后数；q为预测误差的滞后数）。使用确定的参数p、d和q，拟合ARIMA模型（自回归移动平均模型可以用于分析时间序列数据，并预测未来的数值。如果预测值与实际观测值之间的差异超过一定阈值，可以判断为异常并触发报警）。
ARIMA（p，d，q）模型由三个部分组成：
AR自回归部分：根据过去的观测值与当前的观测值之间的关系进行预测。
I差分部分：对时间序列数据进行差分处理，以使其变为平稳序列。
MA移动平均部分：根据过去的误差（预测值与实际观测值之间的差异）与当前的误差之间的关系进行预测。
ARIMA模型的数学公式如下：
表示自回归部分，可以表示为：/>。
表示差分部分，可以表示为：/>；
表示移动平均部分，可以表示为：
其中，表示自回归部分的参数，用来描述当前值与过去p个时间点值之间的关系，/>表示时间序列数据，/>表示自回归部分的参数，用来描述当前值与过去p个时间点值之间的关系，/>表示常数项，/>表示在t时间点的误差项。
为了进一步实现更精确的预测，本发明对ARIMA模型进行了改进，具体如下：
1）修改AR自回归部分：
在原始ARIMA模型中，AR部分只考虑了过去观测值与当前观测值之间的关系。然而，在设备异常监测中，可能存在更复杂的时间依赖关系。因此，可以将AR部分扩展为更高阶的自回归模型，以考虑更多过去观测值与当前观测值之间的关系。这样可以更准确地预测设备数据的变化趋势和异常情况。
2）修改I差分部分：
在原始ARIMA模型中，AR部分只考虑了过去观测值与当前观测值之间的关系。然而，在设备异常监测中，可能存在更复杂的时间依赖关系。因此，可以将AR部分扩展为更高阶的自回归模型，以考虑更多过去观测值与当前观测值之间的关系。这样可以更准确地预测设备数据的变化趋势和异常情况。
3）修改MA移动平均部分
在原始ARIMA模型中，MA部分主要考虑了过去误差与当前误差之间的关系。然而，在设备异常监测中，可能存在更复杂的误差依赖关系。因此，可以将MA部分扩展为更高阶的移动平均模型，以考虑更多过去误差与当前误差之间的关系。这样可以更准确地捕捉设备数据的异常情况和噪声。
通过上述对ARIMA模型方程的修改，可以更准确地建模设备的异常情况，并通过比较预测值与实际观测值之间的差异来触发设备异常报警。这样可以提高设备异常监测的准确性和可靠性。在其他实施例中，可以将上述三种改进方法进行结合。
针对第一点改进，即修改AR自回归部分：
在原始的模型中，只考虑了过去观测值与当前观测值之间的关系，通过使用/>个滞后项来建模这种关系。然而，在设备异常监测中，设备数据的变化可能受到多个因素的影响，而不仅仅是过去的观测值。
为了更准确地捕捉这种复杂的关系，可以引入更多的外部因素或指标来扩展AR自回归部分。这些外部因素可以是其他传感器的数据、环境条件、操作状态等。通过将这些因素引入AR模型中，可以更全面地考虑设备数据的变化趋势和异常情况。改进后的模型表示为：
其中，是外部因素或指标的观测值，/>是对应的系数。
通过引入外部因素或指标，可以更准确地建模设备数据的变化趋势和异常情况。这些因素可以提供更多的信息，更好地预测设备数据的变化，并及时发现异常情况。同时，通过合理选择和权衡这些外部因素，可以进一步提高对设备数据的预测准确性和异常监测性能。
外部因素或指标是指与设备数据变化趋势和异常情况相关的其他影响因素。具体示例可能因设备类型和应用场景而异，下面以一个假设的示例来说明：
假设要预测某个设备的转速变化，而设备的转速受到电源频率和设备负载两个因素的影响。可以将电源频率和设备负载作为外部因素引入AR模型中，改进原始的模型。改进后的/>模型为：
其中，是电源频率的观测值，/>是设备负载的观测值，/>是电源频率的系数，/>是设备负载的系数。
在计算过程中，首先需要收集并记录设备的转速数据、电源频率数据和设备负载数据。然后，根据收集到的数据，可以计算出每个时间点的电源频率和设备负载的观测值。接下来，可以使用ARIMA模型的拟合算法，例如最小二乘法，来估计模型中的系数。这样，就可以得到每个外部因素的系数值，以及AR自回归部分的系数值。最后，可以使用改进后的模型来进行预测。给定当前时间点的电源频率和设备负载的观测值，以及之前的观测值和估计的系数，可以计算出当前时间点的设备转速的预测值。
例如：假设要监测一台电动机的转速，并设计一个设备异常报警方法。收集并记录了过去一段时间内的电动机的转速数据、电源频率数据和电动机负载数据。
首先，根据收集到的数据，计算出每个时间点的电源频率和电动机负载的观测值。接下来，使用ARIMA模型的拟合算法，例如最小二乘法，来估计模型中的系数。假设选择了模型，即/>。然后，可以得到电源频率和电动机负载的系数值，例如，/>，/>，/>。最后，可以使用改进后的/>模型来进行预测。给定当前时间点的电源频率和电动机负载的观测值，以及之前的观测值和估计的系数，可以计算出当前时间点的电动机转速的预测值。通过比较预测值与实际观测值之间的差异，可以判断电动机转速是否异常。如果差异超过预先设定的阈值，就可以触发报警机制，例如发送警报通知工作人员或自动停止电动机运行。通过这种设备异常报警方法，可以更准确地预测电动机转速的变化趋势和异常情况，并及时采取措施进行处理，以确保设备的正常运行和安全性。
针对第二点改进，即修改I差分部分：
在ARIMA模型中，表示差分部分，表示对时间序列进行d阶差分。在这种情况下，可以将差分部分与/>模型相结合，得到/>模型。具体来说，可以将模型表示为：
其中，表示进行d阶差分运算，/>表示时间序列/>经过d阶差分后的值。
这样，就可以通过先对时间序列进行d阶差分，然后再应用模型来预测设备数据的变化趋势和异常情况。
具体步骤为：收集并记录设备数据，包括设备的温度、压力、电流、转速、振动等指标；对时间序列进行d阶差分运算，得到差分后的时间序列；应用/>模型拟合算法，例如最小二乘法，来估计模型中的系数；根据估计的系数，进行设备数据的预测，得到的预测值；通过将预测值与实际观测值进行比较，判断设备数据的变化趋势和异常情况。通过这种/>模型，可以更准确地预测设备数据的变化趋势和异常情况。差分部分能够帮助去除时间序列的非平稳性，使得模型更加稳定和可靠。同时，结合/>模型，可考虑到时间序列的自相关性，提高预测的准确性。
例如：假设要监测一台电动汽车的电池电量，并设计一个设备异常报警方法。收集并记录了过去一段时间内的电池电量数据。
首先，计算出每个时间点的电池电量的一阶差分值，即；接下来，使用/>模型来预测电池电量的变化趋势和异常情况。假设选择了/>模型，即p=1，d=1；然后，可以得到一阶差分后的电池电量的系数值，例如/>；最后，可以使用改进后的/>模型来进行预测。给定当前时间点的电池电量观测值，以及之前的观测值和估计的系数，可以计算出当前时间点的电池电量的预测值。通过比较预测值与实际观测值之间的差异，可以判断电池电量是否异常。如果差异超过预先设定的阈值，就可以触发报警机制，例如发送警报通知车主或自动停止充电。
这种设备异常报警方法有以下益处：更准确的预测：ARIMA模型能够考虑时间序列的自相关性和趋势性，通过差分运算可以消除非平稳性，使得预测更加准确和稳定；及时发现异常：通过比较预测值与实际观测值之间的差异，可以及时发现电池电量的异常情况，避免电池过度放电或充电，提高电池的使用寿命和安全性；智能化报警：设备异常报警方法可以与智能化系统相结合，实现自动报警和通知功能，减少人工干预，提高报警的效率和及时性；通过这种设备异常报警方法，可以更准确地预测电池电量的变化趋势和异常情况，并及时采取措施进行处理，确保电动汽车的正常使用和安全性。
针对第三点改进，即修改MA移动平均部分：
在ARIMA模型中，表示移动平均部分，考虑了过去误差与当前误差之间的关系。在设备异常监测中，可以使用ARIMA模型的MA部分来捕捉设备数据的异常情况和噪声。具体来说，可以将ARIMA模型表示为：
其中，表示白噪声误差项，是一个均值为0、方差为/>的随机变量。
在这个模型中，部分的系数/>、/>、…、/>表示过去/>个误差与当前误差之间的关系。通过估计这些系数，可以更准确地预测设备数据的变化趋势和异常情况。
具体步骤为：收集并记录设备数据，包括设备的温度、压力、电流、转速、振动等指标；将设备数据进行平稳性处理，例如差分运算，确保时间序列是平稳的；选择合适的ARIMA模型，包括、/>和差分阶数d；估计ARIMA模型的参数，包括/>部分的系数/>、/>、…、/>和/>部分的系数/>、/>、…、/>；使用估计的参数来预测设备数据的变化趋势和异常情况；通过比较预测值与实际观测值之间的差异，判断设备数据的异常情况；通过这种ARIMA模型，可以更准确地预测设备数据的变化趋势和异常情况。MA部分能够考虑过去误差与当前误差之间的关系，帮助捕捉设备数据的异常情况和噪声，提高预测的准确性。
更进一步地：在ARIMA模型中，部分的系数/>、/>、…、/>表示过去/>个误差与当前误差之间的关系。这些系数可以通过最小二乘法或其他参数估计方法来估计。
部分的系数/>、/>、…、/>表示为：/>
其中，表示误差项/>与过去第/>个误差项/>的协方差，表示过去第/>个误差项/>的方差。
这是因为：过去误差与当前误差之间的关系：设备的异常情况和噪声可能受到过去时间点的影响，因此考虑过去误差与当前误差之间的关系可以更准确地捕捉设备数据的异常情况和噪声。模型的灵活性：通过引入部分，可以根据实际情况选择合适的阶数q，以适应不同设备的异常情况和噪声特征。那如何考虑过去误差与当前误差之间的关系：协方差呢？本发明通过计算误差项/>与过去第/>个误差项/>的协方差，可以quantitatively measure 过去误差与当前误差之间的关系。如果两者之间存在显著的相关性，协方差将为非零值。方差：通过计算过去第/>个误差项/>的方差，可以度量过去误差项的离散程度。方差越大，说明过去误差项的影响越大。
另外，在拟合ARIMA模型时，可以使用最大似然估计（Maxium LikelihoodEstimation）或其他优化算法来估计模型的参数。通过拟合ARIMA模型，可以得到预测值，并与实际观测值进行比较。如果预测值与实际观测值之间的差异超过设定的阈值，则可以判断为异常，并触发报警。且在训练时，可以采用参数网格进行训练，详见第一方面实施例的参数网格训练步骤，此处不在一一陈述。在其他实施例中，使用模型集成技术，结合多个模型的预测结果，提高模型的准确性和鲁棒性。可以使用集成方法，如投票法、堆叠法等，将多个模型的预测结果进行综合，得到更准确的预测结果。
计算所述预测结果与实际观测值之间的差值，若所述差值大于设定的差值阈值，则判断所述待监测的设备的状态为异常，自动发送报警通知。
在本实施例中，根据模型的预测结果与实际观测值之间的差异，设定一个阈值（在其他实施例中，通过阈值，可把采集的数值分为正常、预警、报警、危险，低预警，低报警，低危险；高于正常的异常等级有预警，报警，危险。低于正常的异常等级有低预警，低报警，低危险）。如果预测结果与实际观测值间的差异超过阈值，则判断为异常。
为了更清楚如何通过ARIMA模型，本发明结合设备异常报警领域给出具体的实例。
假设有一个工厂，其中的机器每天产生大量的数据，希望使用ARIMA模型来进行异常监测，并触发设备异常报警。
准备数据集：收集机器每天的运行状态数据，包括温度、压力、振动、转速等多个指标的时间序列数据；数据预处理：对时间序列数据进行预处理，包括平稳性检验和差分处理；确定ARIMA模型的参数：根据时间序列数据的自相关图（ACF）和偏自相关图（PACF），确定ARIMA模型的参数p、d和q；拟合ARIMA模型：使用确定的参数p、d和q，拟合ARIMA模型；模型评估：通过对比模型的预测结果与实际观测值，评估模型的准确性和性能。异常监测：根据模型的预测结果与实际观测值之间的差异，设定一个阈值。如果预测结果与实际观测值之间的差异超过阈值，则判断为异常，并触发设备异常报警。
例如，可以使用ARIMA模型对机器温度数据进行异常监测。假设已经拟合了ARIMA(1, 1, 1)模型，并设定了一个阈值为2，表示预测结果与实际观测值之间的差异大于2时判断为异常。
根据模型，得到如下的公式：
对于新的温度数据，根据ARIMA模型的公式进行预测，并计算预测结果与实际观测值之间的差异。假设得到的预测结果为30℃，实际观测值为28℃，差异为2℃。由于差异等于阈值2℃，因此判断该温度数据为异常，并触发设备异常报警。通过ARIMA模型的预测结果与实际观测值之间的差异，可以及时发现设备的异常情况，并触发报警，以便工程师及时处理和修复设备问题，保证工厂的正常运行。
进一步，结合设备异常报警领域给出一个更具挑战性的实例：
假设有一个电力系统，其中包含多个发电机和变压器，并且每个设备都有多个传感器监测其运行状态。希望使用ARIMA模型进行异常监测，并触发设备异常报警。
准备数据集：收集每个设备的多个传感器数据，包括电流、电压、温度等多个指标的时间序列数据。然后数据预处理、确定ARIMA模型的参数、拟合ARIMA模型、模型评估、异常监测（和上述设备异常报警实例中的步骤相同，此处不在展开描述）。
例如，可以使用ARIMA模型对发电机的电流数据进行异常监测。假设已经拟合了模型，并设定了一个阈值为3，表示预测结果与实际观测值之间的差异大于3时判断为异常
根据模型，可以得到如下的公式：
对于新的电流数据，根据ARIMA模型的公式进行预测，并计算预测结果与实际观测值之间的差异。假设得到的预测结果为100A，实际观测值为95A，差异为5A。由于差异等于阈值3A，因此判断该电流数据为异常，并触发设备异常报警。
通过ARIMA模型的预测结果与实际观测值之间的差异，可以及时发现设备的异常情况，并触发报警，以便工程师及时处理和修复设备问题，确保电力系统的安全和稳定运行。
此外，还可以使用其他的异常监测算法，如基于聚类的离群点监测、基于分类的异常监测等，根据具体的设备和数据特点选择合适的算法进行异常监测。
本发明第四实施例的一种设备异常报警方法，该方法包括：
获取待监测的设备的传感器数据，作为输入数据；
对所述输入数据进行预处理，得到预处理数据；
基于所述预处理数据，获取所述待监测的设备的状态；
若所述待监测的设备的状态为异常，自动发送报警通知；
其中，基于所述预处理数据，获取所述待监测的设备的状态，其方法为：
提取所述预处理数据的特征；将提取的特征输入预构建的状态识别模型，得到所述待监测的设备的状态；所述状态识别模型基于机器学习模型构建；或确定ARIMA模型的参数p、d和q，进而拟合所述ARIMA模型；将所述预处理数据输入拟合的ARIMA模型，得到预测结果；计算所述预测结果与实际观测值之间的差值，获取所述待监测的设备的状态；所述d为ARIMA模型需要的差分的阶数；所述p为基于时间序列的数据本身的滞后数；所述q为预测误差的滞后数。
在本实施例中，若通过状态识别模型获取待监测的设备的状态，则输入数据为待监测的设备的传感器数据，预处理方法为：数据清洗、数据归一化操作；若通过ARIMA模型获取待监测的设备的状态，则输入数据为历史传感器数据，预处理为平稳性检验和差分处理；其余处理过程与第一、第三实施例中的处理过程一样，此处不再一一陈述。
本发明第五实施例的一种设备异常报警系统，该系统包括：
第一数据获取模块，配置为获取待监测的设备的传感器数据，作为输入数据；
第一预处理模块，配置为对所述输入数据进行预处理，得到预处理数据；所述预处理包括数据清洗、数据归一化操作；
特征提取模块，配置为提取所述预处理数据的特征；
状态识别模块，配置为将提取的特征输入预构建的状态识别模型，得到所述待监测的设备的状态；
第一报警通知模块，配置为若所述待监测的设备的状态为异常，则自动发送报警通知；
其中，所述状态识别模型基于机器学习模型构建；所述状态识别模型，其训练方法为：
A10，确定所述状态识别模型的参数空间，并创建参数网格；
A20，对于所述参数网格中的每一个参数组合，通过交叉验证方法训练其对应的状态识别模型并评估性能指标；所述性能指标包括准确率、精确率、召回率；
A30，选取性能指标最好的参数组合，对所述状态识别模型重新进行训练。
所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的第五实施例的系统的具体的工作过程及有关说明，可以参考前述第一实施例的方法中的对应过程，在此不再赘述。
本发明第六实施例的一种设备异常报警系统，该系统包括：
第二数据获取模块，配置为获取待监测的设备的历史传感器数据，作为输入数据；所述历史传感器数据为基于时间序列的数据；
第二预处理模块，配置为对所述输入数据进行预处理，得到预处理数据；所述预处理包括平稳性检验和差分处理；
模型拟合模块，配置为确定ARIMA模型的参数p、d和q，进而拟合所述ARIMA模型；
结果预测模块，配置为将所述预处理数据输入拟合的ARIMA模型，得到预测结果；
第二报警通知模块，配置为计算所述预测结果与实际观测值之间的差值，若所述差值大于设定的差值阈值，则判断所述待监测的设备的状态为异常，自动发送报警通知。
所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的第六实施例的系统的具体的工作过程及有关说明，可以参考前述第三实施例的方法中的对应过程，在此不再赘述
需要说明的是，上述实施例提供的第五实施例和/或的第六实施例的一种设备异常报警系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第七实施例的一种电子设备，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的第一实施例和/或第二实施例和/或第三实施例和/或第四实施例的一种设备异常报警方法。
本发明第八实施例的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指令，所述计算机指令用于被计算机执行以实现上述的第一实施例和/或第二实施例和/或第三实施例和/或第四实施例的一种设备异常报警方法。
所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的一种电子设备、计算机可读存储介质的具体工作过程及有关说明，可以参考前述方法实例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序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。为了清楚地说明电子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。这些功能究竟以电子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。本领域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发明的范围。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨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/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (9)
1.一种设备异常报警方法，其特征在于，该方法包括以下步骤：
S10，获取待监测的设备的传感器数据，作为输入数据；
S20，对所述输入数据进行预处理，得到预处理数据；所述预处理包括数据清洗、数据归一化操作；
S30，提取所述预处理数据的特征；
S40，将提取的特征输入预构建的状态识别模型，得到所述待监测的设备的状态；
S50，若所述待监测的设备的状态为异常，则自动发送报警通知；
其中，所述状态识别模型基于机器学习模型构建；所述状态识别模型，其训练方法为：
A10，确定所述状态识别模型的参数空间，并创建参数网格；
A20，对于所述参数网格中的每一个参数组合，通过交叉验证方法训练其对应的状态识别模型并评估性能指标；所述性能指标包括准确率、精确率、召回率；
A30，选取性能指标最好的参数组合，对所述状态识别模型重新进行训练。
2.根据权利要求1所述的一种设备异常报警方法，其特征在于，训练其对应的状态识别模型，其方法为：
B10，获取历史传感器数据，作为训练数据，对所述训练数据进行数据增强，构建训练数据集；
B20，对所述训练数据进行预处理，并提取预处理后的数据的特征；
B30，对提取的特征进行特征筛选；所述特征筛选方法包括方差选择方法、相关系数选择方法、递归特征消除方法；
B40，将筛选后的特征输入所述状态识别模型，得到状态识别结果；
B50，基于所述状态识别结果及其对应的标签，计算损失值，进而更新所述状态识别模型的模型参数；
B60，循环B10-B50，直至得到训练好的状态识别模型。
3.根据权利要求2所述的一种设备异常报警方法，其特征在于，若所述机器学习模型为支持向量机；则所述支持向量机在训练时，损失函数为：
；
其中，是权重向量，/>是偏置项，/>是第/>个样本的特征向量，/>是第/>个样本的标签，/>是惩罚系数。
4.一种设备异常报警方法，其特征在于，该方法包括以下步骤：
获取待监测的设备的历史传感器数据，作为输入数据；所述历史传感器数据为基于时间序列的数据；
对所述输入数据进行预处理，得到预处理数据；所述预处理包括平稳性检验和差分处理；
确定ARIMA模型的参数p、d和q，进而拟合所述ARIMA模型；其中，所述d为ARIMA模型需要的差分的阶数；所述p为基于时间序列的数据本身的滞后数；所述q为预测误差的滞后数；
将所述预处理数据输入拟合的ARIMA模型，得到预测结果；
计算所述预测结果与实际观测值之间的差值，若所述差值大于设定的差值阈值，则判断所述待监测的设备的状态为异常，自动发送报警通知。
5.根据权利要求4所述的一种设备异常报警方法，其特征在于，确定ARIMA模型的参数p、d和q，其方法为：
根据所述输入数据的自相关图和偏自相关图，确定ARIMA模型的参数p、d和q。
6.根据权利要求5所述的一种设备异常报警方法，其特征在于，所述ARIMA模型的自回归部分为：
；
其中，是外部因素或指标的观测值，/>是/>对应的系数，/>表示常数项，/>表示在t时间点的误差项，/>表示自回归部分的参数，用来描述当前值与过去p个时间点值之间的关系，/>表示时间序列数据。
7.根据权利要求5所述的一种设备异常报警方法，其特征在于，将所述ARIMA模型的差分部分与自回归部分相结合，得到的模型为：
；
其中，表示进行d阶差分运算，/>表示时间序列/>经过d阶差分后的值，/>表示时间序列数据，/>表示自回归部分的参数，用来描述当前值与过去p个时间点值之间的关系，/>表示常数项， />表示在t时间点的误差项。
8.根据权利要求5所述的一种设备异常报警方法，其特征在于，所述ARIMA模型为：
；
；
其中，表示时间序列数据，/>表示自回归部分的参数，用来描述当前值与过去p个时间点值之间的关系，/>表示常数项，/>表示在t时间点的误差项，/>表示ARIMA模型中MA模型的参数，用来描述当前值与过去q个时间点的误差之间的关系，表示ARIMA模型自回归部分的参数，用来描述当前值与过去p个时间点值之间的关系，/>表示误差项/>与过去第/>个误差项/>的协方差，/>表示过去第/>个误差项/>的方差。
9.一种设备异常报警方法，其特征在于，该方法包括以下步骤：
获取待监测的设备的传感器数据，作为输入数据；
对所述输入数据进行预处理，得到预处理数据；
基于所述预处理数据，获取所述待监测的设备的状态；
若所述待监测的设备的状态为异常，自动发送报警通知；
其中，基于所述预处理数据，获取所述待监测的设备的状态，其方法为：
提取所述预处理数据的特征；将提取的特征输入预构建的状态识别模型，得到所述待监测的设备的状态；所述状态识别模型基于机器学习模型构建；
或
确定ARIMA模型的参数p、d和q，进而拟合所述ARIMA模型；将所述预处理数据输入拟合的ARIMA模型，得到预测结果；计算所述预测结果与实际观测值之间的差值，获取所述待监测的设备的状态；所述d为ARIMA模型需要的差分的阶数；所述p为基于时间序列的数据本身的滞后数；所述q为预测误差的滞后数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410247865.1A CN118015812A (zh) | 2024-03-05 | 2024-03-05 | 一种设备异常报警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410247865.1A CN118015812A (zh) | 2024-03-05 | 2024-03-05 | 一种设备异常报警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118015812A true CN118015812A (zh) | 2024-05-10 |
Family
ID=90950464
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410247865.1A Pending CN118015812A (zh) | 2024-03-05 | 2024-03-05 | 一种设备异常报警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118015812A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118226180A (zh) * | 2024-05-22 | 2024-06-21 | 贵州桥梁建设集团有限责任公司 | 一种高速公路机电系统异常状态实时监测方法 |
-
2024
- 2024-03-05 CN CN202410247865.1A patent/CN118015812A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118226180A (zh) * | 2024-05-22 | 2024-06-21 | 贵州桥梁建设集团有限责任公司 | 一种高速公路机电系统异常状态实时监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Prognostics and health management: A review of vibration based bearing and gear health indicators | |
| Yang | An intelligent condition-based maintenance platform for rotating machinery | |
| Niu et al. | Intelligent condition monitoring and prognostics system based on data-fusion strategy | |
| Yan et al. | Fisher’s discriminant ratio based health indicator for locating informative frequency bands for machine performance degradation assessment | |
| CN116559598B (zh) | 一种智慧配电网故障定位方法及系统 | |
| US20170161963A1 (en) | Method of identifying anomalies | |
| CN118015812A (zh) | 一种设备异常报警方法 | |
| WO2016089238A1 (en) | Monitoring of a device having a movable part | |
| 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 | |
| CN111353911A (zh) | 电力设备运维方法、系统、设备和存储介质 | |
| Martínez-Rego et al. | Fault detection via recurrence time statistics and one-class classification | |
| CN116975604B (zh) | 贴片机驱动系统的故障预测方法及系统 | |
| Shao et al. | Detecting wind turbine anomalies using nonlinear dynamic parameters-assisted machine learning with normal samples | |
| JP2022546771A (ja) | ユーティリティシステム資産の効率的なｒｕｌ解析を促進するための無関係フィルタの使用 | |
| CN117932322A (zh) | 一种面粉设备故障诊断方法及系统 | |
| CN117331790A (zh) | 一种用于数据中心的机房故障检测方法及装置 | |
| KR102253230B1 (ko) | 원전설비의 예측 진단 방법 및 시스템 | |
| CN118154174A (zh) | 一种工业设备智慧运维云平台 | |
| CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
| CN117786461A (zh) | 水泵的故障诊断方法、控制设备及其存储介质 | |
| CN111506636A (zh) | 一种基于自回归和近邻算法的居民用电行为分析的系统及方法 | |
| Srilakshmi et al. | A Review on Fault Detection Diagnosis and Prognosis in Vibration Measurement through Wavelets on Machine Elements | |
| Kenyon et al. | Development of an intelligent system for detection of exhaust gas temperature anomalies in gas turbines | |
| KR102196611B1 (ko) | 원전설비의 예측 진단 방법 및 시스템 | |
| Chen et al. | An integrated method for condition monitoring of rotating machines |
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 |