CN118053127A - 一种工业设备状态监控管理方法 - Google Patents
一种工业设备状态监控管理方法 Download PDFInfo
- Publication number
- CN118053127A CN118053127A CN202410451156.5A CN202410451156A CN118053127A CN 118053127 A CN118053127 A CN 118053127A CN 202410451156 A CN202410451156 A CN 202410451156A CN 118053127 A CN118053127 A CN 118053127A
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal
- dimension
- acquisition time
- abnormal data
- 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 30
- 238000007726 management method Methods 0.000 title claims description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 283
- 238000011156 evaluation Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000000694 effects Effects 0.000 claims abstract description 27
- 238000010586 diagram Methods 0.000 claims abstract description 26
- 238000010276 construction Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 abstract description 11
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 30
- 238000009826 distribution Methods 0.000 description 8
- 238000013480 data collection Methods 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及数据处理技术领域。具体涉及一种工业设备状态监控管理方法。包括：实时采集工业设备的第一维度运行数据；将当前时刻之前且距当前时刻预设时长内采集的所述第一维度运行数据均匀划分为多段，并分别依据每段所述第一维度运行数据搭建箱线图；依据各个箱线图识别出异常数据；计算异常数据的异常表现程度值以及异常数据对应的箱线图的搭建效果评价值；依据所述异常表现程度值和所述搭建效果评价值计算对应的异常数据的异常真实性评价值；判断异常数据的异常真实性。采用本发明的工业设备状态监控管理方法可以大大提高对采集的异常数据识别的准确性，避免系统发出虚假报警信号影响正常生产的技术问题。
Description
技术领域
本发明一般地涉及数据处理技术领域。更具体地，本发明涉及一种工业设备状态监控管理方法。
背景技术
工业设备状态监控管理方法是工业互联网发展的重要组成部分，通过互联网和物联网技术实现设备之间、设备与系统之间的实时数据交互和信息共享，实现产业数字化转型。工业设备状态监控管理方法的研发旨在通过实时监测设备运行状态，及时发现潜在问题并采取预防措施，从而提高生产效率和产品质量。但是，在对工业设备状态进行监控时，由于设备所处环境等外界影响，会导致所监测的数据结果存在一定误判率。
工业设备的状态监控多依据对设备运行时的异常数据进行监测来实现，而箱线图对异常数据进行识别是一种常见的方法，箱线图可以同时显示多个设备或时间段的数据分布情况，便于用户进行比较分析，找出异常设备或异常时间段。箱线图也可以直观地显示数据的中心位置、离散程度和异常情况，有助于用户深入理解数据的特征和分布规律。在对设备状态进行监控时，首先要采集设备运行时的部分参数或数据，这就需要传感器来获取数据。但是，传感器本身的电子元件（如放大器、模拟-数字转换器等）引入的电子噪声可能会影响到传感器输出的准确性。而且，传感器多安装在工厂内，周围环境中的电磁干扰、振动、温度变化等因素可能会对传感器的测量结果产生影响，例如，电磁干扰可能导致传感器信号的失真，振动和温度变化可能影响传感器的机械结构和灵敏度。这种噪声可能会误导监测算法，使其错误地将噪声数据识别为异常情况，导致误报异常。这种情况下，监测系统会发出虚假的报警信号，影响正常生产。
发明内容
为解决上述一个或多个技术问题，本发明在如下方面中提供方案。
在第一方面中，本发明提供了一种工业设备状态监控管理方法，包括：
实时采集工业设备的第一维度运行数据；
将当前时刻之前且距当前时刻预设时长内采集的所述第一维度运行数据均匀划分为多段，并分别依据每段所述第一维度运行数据搭建箱线图；
依据各个箱线图识别出异常数据；
计算异常数据的异常表现程度值以及异常数据对应的箱线图的搭建效果评价值；
依据所述异常表现程度值和所述搭建效果评价值计算对应的异常数据的异常真实性评价值，所述异常真实性评价值用于表征异常数据为真实异常数据的可能性；
响应于所述异常真实性评价值大于异常真实性评价值阈值，则判定对应的异常数据为真实异常数据；响应于所述异常真实性评价值小于或等于异常真实性评价值阈值，则判定对应的异常数据为正常数据。
在一个实施例中，所述异常数据的异常表现程度的计算方法包括：
在采集第一维度运行数据的同时采集除第一维度运行数据之外的其他维度的运行数据；
分别依据各个维度运行数据在异常数据采集时刻的值、在异常数据采集时刻的前一采集时刻的值以及在异常数据采集时刻的后一采集时刻的值计算各个维度的运行数据的局部变化量；
将各个维度的运行数据的局部变化量作为一组数据，计算出该组数据的离散程度即为异常数据的异常表现程度。
在一个实施例中，所述各个维度的运行数据包括第一维度运行数据、第二维度运行数据和第三维度运行数据；异常数据采集时刻第一维度运行数据的局部变化量计算表达式为：
；
异常数据采集时刻第二维度运行数据的局部变化量计算表达式为：
；
异常数据采集时刻第三维度运行数据的局部变化量计算表达式为：
；
以上各式中，表示异常数据采集时刻的第一维度运行数据的局部变化量，/>表示异常数据采集时刻的第二维度运行数据的局部变化量，/>表示异常数据采集时刻的第三维度运行数据的局部变化量；/>表示异常数据采集时刻t采集的第一维度运行数据，表示异常数据采集时刻t的前一采集时刻采集的第一维度运行数据，/>表示异常数据采集时刻t的后一采集时刻采集的第一维度运行数据，/>表示异常数据采集时刻t的第二维度运行数据，/>表示异常数据采集时刻t的前一采集时刻的第二维度运行数据，表示异常数据采集时刻t的后一采集时刻的第二维度运行数据，/>表示异常数据采集时刻t的第三维度运行数据，/>表示异常数据采集时刻t的前一采集时刻的第三维度运行数据，/>表示异常数据采集时刻t的后一采集时刻的第三维度运行数据。
在一个实施例中，所述第一维度运行数据为设备电流，所述第二维度运行数据为设备的电压，所述第三维度运行数据为设备温度。
在一个实施例中，所述异常数据的异常表现程度计算表达式为：
式中，表示异常数据的异常表现程度。
在一个实施例中，所述异常数据的异常真实性评价值计算表达式为：
式中，为异常数据的异常真实性评价值，/>为异常电流数据的异常表现程度值，/>为异常电流数据所处箱线的搭建效果评价值，/>为归一化函数。
在一个实施例中，所述异常真实性评价值阈值取值为0.53。
在一个实施例中，在采集第一维度运行数据时采集间隔为1s。
在一个实施例中，在判定对应的异常数据为真实异常数据时，对其进行标记并报警提醒工作人员。
本发明的技术效果为：本发明在对工业设备的状态进行监控时，不是直接依据采集的运行数据的值的大小来判断运行数据是否属于异常数据，而是在采集到异常数据之后进一步计算出其异常表现程度和对应的箱线图的搭建效果，依据异常表现程度和箱线图的搭建效果综合评估该异常数据是否为真实的异常数据，在判定为真实的异常数据时对工作人员进行报警提醒，在判定为正常数据时，不进行报警。因此，采用本发明的工业设备状态监控管理方法可以大大提高对采集的异常数据识别的准确性，避免系统发出虚假报警信号影响正常生产的技术问题。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1是示意性示出本发明的实施例的工业设备状态监控管理方法流程图；
图2是示意性示出本发明的实施例的异常数据的异常表现程度计算方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
下面结合附图来详细描述本发明的具体实施方式。
工业设备状态监控管理方法实施例：
如图1所示，本发明的工业设备状态监控管理方法，包括：
S101、实时采集工业设备的第一维度运行数据。
第一维度运行数据可以为设备的电流、电压、功率、电源频率、温度或者其他合适的运行参数。可通过在工业设备上安装传感器采集第一维度运行数据，数据采集间隔可以为1s或其他合适的时长。在传感器中内置数据传输装置，将采集数据传输至设备监控系统中，通过对设备运行时的数据异常情况进行识别来实现对设备的状态监控。本实施例中的工业设备可以是传输带、变压器、数控机床、车床等用于工业生产的设备。
S102、搭建多个箱线图，具体为：将当前时刻之前且距当前时刻预设时长内采集的所述第一维度运行数据均匀划分为多段，并分别依据每段所述第一维度运行数据搭建箱线图。
每段第一维度运行数据对应的时长可以为半小时、1小时或者其他合适的时长，优选地，本实施例中每段第一维度运行数据对应的时长1小时。预设时长为每段第一维度运行数据对应的时长的整数倍，且倍数大于2。
S103、依据各个箱线图识别出异常数据。
箱线图又名盒须图、盒式图或箱线图，是一种用作显示一组数据分散情况资料的统计图。主要用于反映原始数据分布的特征，还可以进行多组数据分布特征的比较，从而识别出异常数据。
每个箱线图都包含上边缘和下边缘，超过箱线上边缘或上边缘的数据即为该箱线所识别的异常电流数据。
S104、计算异常数据的异常表现程度值以及异常数据对应的箱线图的搭建效果评价值。
计算异常数据的异常表现程度值有多种方法，例如：其中一种方法是：计算异常数据所在的某个窗口的数据的方差，利用方差的大小来评判异常数据的异常程度；通常在一组数据中，异常数据的出现会导致该组数据的方差变大，因此可依据异常数据所在的某个窗口内数据的方差来计算异常数据的异常程度。
另外一种方法是：依据异常数据采集时刻多个维度运行数据的变化量的一致性来综合评判异常数据的异常表现程度。通常情况下，工业设备的某一维度的运行数据发生突变时，也会影响其他维度的运行数据的变化，因此，可依据异常数据采集时刻多个维度运行数据的变化量的一致性来综合评判异常数据的异常表现程度。多个维度运行数据是指工业设备运行时多个类型的运行参数。
对第一维度运行数据所对应的箱线来说，具有离群表现的异常数据会致使其所处分段内数据分布不均匀，可能导致该分段的部分特征量发生偏移，致使箱线搭建效果不好，降低了该分段数据所处箱线识别异常数据的准确率。同时，若箱线所识别出的异常数据距离箱线的边缘较近，表明该箱线的搭建受特征量偏离的影响较大，导致箱线发生了形变，致使部分正常数据被划分到了箱线外而识别为异常。因此，可以依据箱线内数据的分布情况以及异常数据到对应箱线的异常上限之间的距离和异常下限之间的距离来评估箱线搭建效果的好坏。
S105、计算异常数据的异常真实性评价值，具体为：依据所述异常表现程度值和所述搭建效果评价值计算对应的异常数据的异常真实性评价值，所述异常真实性评价值用于表征异常数据为真实异常数据的可能性；
在利用传感器采集数据时，由于传感器本身的电子元件以及设备运行时的震动等，会导致传感器所采集数据中存在噪声，进而影响最终所获异常数据识别结果的准确性，即将正常数据误判为异常数据，影响决策者的判断。因此，需要计算异常数据的异常真实性评价值，分析其异常真实性，进而获得真实的异常数据，以便于决策者对其设备管理做出正确决策。
箱线图是通过数据所处分段的数据特征值，来获得一个内限范围，数据超过这个内限范围即可认为该数据为异常数据。工业设备通常连接有负载，对于一些处于负载变化时间节点上采集的数据来说，负载的突然变化会导致这些数据超过内限范围，被识别为异常数据，但其实际上是正常数据。也就是说，箱线图所获异常数据本身可能不具有异常表现，但是因为人为调节设备参数等原因导致该数据突然发生变化，具有了离群表现而被误判为了异常数据。此时，这些异常数据的离群表现致使所处分段内数据不均匀，导致该段数据搭建箱线图所需部分特征值发生偏离，会降低箱线搭建效果，即箱线搭建效果越差，异常数据为真实异常数据的可能性越小。此外，异常数据的异常表现程度值越大，说明该异常数据越有可能为真实的异常数据。因此，可依据异常数据对应的箱线图搭建效果以及异常数据的异常表现程度值来评判异常数据的真实性，且异常数据的异常真实性评价值与异常数据对应的箱线图搭建效果呈正相关，与异常数据的异常表现程度值呈正相关。
S106、判断异常数据的异常真实性，具体为：响应于所述异常真实性评价值大于异常真实性评价值阈值，则判定对应的异常数据为真实异常数据；响应于所述异常真实性评价值小于或等于异常真实性评价值阈值，则判定对应的异常数据为正常数据。
异常真实性评价值阈值可以取经验值0.53或者其他合适的数值，在本实施例中，异常真实性评价值阈值取值为0.53。异常真实性评价值越大，说明异常数据越可能为真实的运行数据。当箱线图所识别异常电流数据的异常真实性<0.53时，可认为该异常电流数据的真实性较低，其实际上为正常数据，受噪声的影响被识别为了异常数据。将异常真实性低于所设阈值的异常数据识别结果修正为正常数据。
在判定对应的异常数据为真实异常数据之后可对异常数据进行标记并进行报警，以便现场工作人员停止工业设备的运行，并对其进行维修。
本发明在对工业设备的状态进行监控时，不是直接依据采集的运行数据的值的大小来判断运行数据是否属于异常数据，而是在采集到异常数据之后进一步计算出其异常表现程度和对应的箱线图的搭建效果，依据异常表现程度和箱线图的搭建效果综合评估该异常数据是否为真实的异常数据，在判定为真实的异常数据时对工作人员进行报警提醒，在判定为正常数据时，不进行报警。因此，采用本发明的工业设备状态监控管理方法可以大大提高对采集的异常数据识别的准确性，避免系统发出虚假报警信号影响正常生产的技术问题。
在一个实施例中，所述异常数据的异常表现程度的方法包括：
S201、在采集第一维度运行数据的同时采集除第一维度运行数据之外的其他维度的运行数据。
S202、计算各个维度的运行数据的局部变化量，具体为：分别依据各个维度运行数据在异常数据采集时刻的值、在异常数据采集时刻的前一采集时刻的值以及在异常数据采集时刻的后一采集时刻的值计算各个维度的运行数据的局部变化量。
局部变化量是指运行数据在其邻域范围内的变化量，邻域范围是指异常数据采集时刻之前的采集时刻和之后的采集时刻之间的时间段构成的范围。
S203、计算异常数据的异常表现程度，具体为：将各个维度的运行数据的局部变化量作为一组数据，计算出该组数据的离散程度即为异常数据的异常表现程度。
由以上实施例可知，在计算异常数据的异常表现程度值时需依据各个维度运行数据在异常数据采集时刻的值、在异常数据采集时刻的前一采集时刻的值以及在异常数据采集时刻的后一采集时刻的值计算各个维度的运行数据的局部变化量，在一个实施例中，所述各个维度的运行数据包括第一维度运行数据、第二维度运行数据和第三维度运行数据；异常数据采集时刻第一维度运行数据的局部变化量计算表达式为：
（1）
异常数据采集时刻第二维度运行数据的局部变化量计算表达式为：
（2）
异常数据采集时刻第三维度运行数据的局部变化量计算表达式为：
（3）
式（1）至式（3）中，表示异常数据采集时刻的第一维度运行数据的局部变化量，表示异常数据采集时刻的第二维度运行数据的局部变化量，/>表示异常数据采集时刻的第三维度运行数据的局部变化量；/>表示异常数据采集时刻t采集的第一维度运行数据，/>表示异常数据采集时刻t的前一采集时刻采集的第一维度运行数据，/>表示异常数据采集时刻t的后一采集时刻采集的第一维度运行数据，/>表示异常数据采集时刻t的第二维度运行数据，/>表示异常数据采集时刻t的前一采集时刻的第二维度运行数据，/>表示异常数据采集时刻t的后一采集时刻的第二维度运行数据，/>表示异常数据采集时刻t的第三维度运行数据，/>表示异常数据采集时刻t的前一采集时刻的第三维度运行数据，/>表示异常数据采集时刻t的后一采集时刻的第三维度运行数据。
第一维度运行数据、第二维度运行数据和第三维度运行数据分别为工业设备不同类型的运行参数，例如电流、电压、温度、功率等运行参数。在一个实施例中，第一维度运行数据为设备的电流，第二维度运行数据和第三维度运行数据可以分别是设备的电压和设备温度。
由以上实施例可知，在计算出各个维度的运行数据的局部变化量之后，将各个维度的运行数据的局部变化量作为一组数据，计算出该组数据的离散程度即为异常数据的异常表现程度，在一个实施例中，异常数据的异常表现程度计算表达式为：
（4）
式中，表示异常数据采集时刻的第一维度运行数据的局部变化量，/>表示异常数据采集时刻的第二维度运行数据的局部变化量，/>表示异常数据采集时刻的第三维度运行数据的局部变化量；/>表示异常数据的异常表现程度。
由以上实施例可知，可以依据箱线内数据的分布情况以及异常数据到对应箱线的边缘的距离来评估箱线搭建效果的好坏，在一个实施例中，箱线图搭建效果的计算表达式为：
（5）
式中，为异常数据对应的箱线X中的第i个第一维度运行数据的值，/>为异常电流数据对应的箱线X中的第一维度运行数据的均值，/>为异常电流数据对应的箱线X中的第一维度运行数据个数，/>用以反映异常电流数据对应的箱线X的分布均匀程度；为异常电流数据对应的箱线X中所识别出的异常数据Y到箱线X的边缘的最小距离，/>为异常电流数据对应的箱线X中所识别出的异常数据的个数，/>用以反映异常数据对应的箱线X搭建时受特征量偏离的影响。
箱线X有上边缘和下边缘，可分别计算异常数据Y到箱线X的上边缘的距离以及异常数据Y到箱线X的下边缘的距离，比较两者大小，从中选出较小的距离即为异常数据Y到箱线X的边缘的最小距离。
通常情况下，箱线内各个数据与箱线内所有数据的均值的差值累计和越小，则该箱线内数据分布越均匀，箱线搭建的效果就越好；同时，该箱线所获异常数据距离箱线的距离越远，则该箱线的搭建受特征量偏离的影响就越小，该箱线搭建的效果就越好。
由以上实施例可知，异常数据的异常真实性评价值与以及异常数据对应的箱线图搭建效果均呈正相关。在一个实施例中，异常数据的异常真实性评价值计算表达式为：
（6）
式中，为异常数据的异常真实性评价值，/>为异常电流数据的异常表现程度值，/>为异常电流数据所处箱线的搭建效果评价值，/>为归一化函数。
在本说明书的描述中，“多个”、“若干个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体的限定。
虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用对本文所描述的本发明实施例的各种替代方案。
Claims (9)
1.一种工业设备状态监控管理方法，其特征在于，包括：
实时采集工业设备的第一维度运行数据；
将当前时刻之前且距当前时刻预设时长内采集的所述第一维度运行数据均匀划分为多段，并分别依据每段所述第一维度运行数据搭建箱线图；
依据各个箱线图识别出异常数据；
计算异常数据的异常表现程度值以及异常数据对应的箱线图的搭建效果评价值；
依据所述异常表现程度值和所述搭建效果评价值计算对应的异常数据的异常真实性评价值，所述异常真实性评价值用于表征异常数据为真实异常数据的可能性；
响应于所述异常真实性评价值大于异常真实性评价值阈值，则判定对应的异常数据为真实异常数据；响应于所述异常真实性评价值小于或等于异常真实性评价值阈值，则判定对应的异常数据为正常数据。
2.如权利要求1所述的工业设备状态监控管理方法，其特征在于，所述异常数据的异常表现程度的计算方法包括：
在采集第一维度运行数据的同时采集除第一维度运行数据之外的其他维度的运行数据；
分别依据各个维度运行数据在异常数据采集时刻的值、在异常数据采集时刻的前一采集时刻的值以及在异常数据采集时刻的后一采集时刻的值计算各个维度的运行数据的局部变化量；
将各个维度的运行数据的局部变化量作为一组数据，计算出该组数据的离散程度即为异常数据的异常表现程度。
3.如权利要求2所述的工业设备状态监控管理方法，其特征在于，所述各个维度的运行数据包括第一维度运行数据、第二维度运行数据和第三维度运行数据；异常数据采集时刻第一维度运行数据的局部变化量计算表达式为：
；
异常数据采集时刻第二维度运行数据的局部变化量计算表达式为：
；
异常数据采集时刻第三维度运行数据的局部变化量计算表达式为：
；
以上各式中，表示异常数据采集时刻的第一维度运行数据的局部变化量，/>表示异常数据采集时刻的第二维度运行数据的局部变化量，/>表示异常数据采集时刻的第三维度运行数据的局部变化量；/>表示异常数据采集时刻t采集的第一维度运行数据，/>表示异常数据采集时刻t的前一采集时刻采集的第一维度运行数据，/>表示异常数据采集时刻t的后一采集时刻采集的第一维度运行数据，/>表示异常数据采集时刻t的第二维度运行数据，/>表示异常数据采集时刻t的前一采集时刻的第二维度运行数据，/>表示异常数据采集时刻t的后一采集时刻的第二维度运行数据，/>表示异常数据采集时刻t的第三维度运行数据，/>表示异常数据采集时刻t的前一采集时刻的第三维度运行数据，/>表示异常数据采集时刻t的后一采集时刻的第三维度运行数据。
4.如权利要求3所述的工业设备状态监控管理方法，其特征在于，所述第一维度运行数据为设备电流，所述第二维度运行数据为设备的电压，所述第三维度运行数据为设备温度。
5.如权利要求3所述的工业设备状态监控管理方法，其特征在于，所述异常数据的异常表现程度计算表达式为：
式中，表示异常数据的异常表现程度。
6.如权利要求1所述的工业设备状态监控管理方法，其特征在于，所述异常数据的异常真实性评价值计算表达式为：
式中，为异常数据的异常真实性评价值，/>为异常电流数据的异常表现程度值，/>为异常电流数据所处箱线的搭建效果评价值，/>为归一化函数。
7.如权利要求1所述的工业设备状态监控管理方法，其特征在于，所述异常真实性评价值阈值取值为0.53。
8.如权利要求1~7任意一项所述的工业设备状态监控管理方法，其特征在于，在采集第一维度运行数据时采集间隔为1s。
9.如权利要求1~7任意一项所述的工业设备状态监控管理方法，其特征在于，在判定对应的异常数据为真实异常数据时，对其进行标记并报警提醒工作人员。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410451156.5A CN118053127B (zh) | 2024-04-16 | 2024-04-16 | 一种工业设备状态监控管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410451156.5A CN118053127B (zh) | 2024-04-16 | 2024-04-16 | 一种工业设备状态监控管理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118053127A true CN118053127A (zh) | 2024-05-17 |
| CN118053127B CN118053127B (zh) | 2024-06-21 |
Family
ID=91053887
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410451156.5A Active CN118053127B (zh) | 2024-04-16 | 2024-04-16 | 一种工业设备状态监控管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118053127B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118395386A (zh) * | 2024-06-25 | 2024-07-26 | 北京平开智能电气有限公司 | 面向智慧植物工厂的植物生长监测方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106227640A (zh) * | 2016-07-27 | 2016-12-14 | 北京市环境保护监测中心 | 一种基于自动监测仪器的异常数据检测方法及系统 |
| US20230015731A1 (en) * | 2020-04-02 | 2023-01-19 | China Three Gorges Corporation | Real-time abnormity-diagnosing and interpolation method for water regime-monitoring data |
| CN115717590A (zh) * | 2022-11-22 | 2023-02-28 | 西安交通大学 | 一种压缩机智能异常检测方法及相关装置 |
| US20230203753A1 (en) * | 2021-12-23 | 2023-06-29 | Aktiebolaget Skf | Method and apparatus for anomaly detection on a doctor blade of a papermaking machine, and computing device |
| CN117390378A (zh) * | 2023-12-07 | 2024-01-12 | 北京中创慧谷数据科技有限公司 | 一种双碳平台数据智能管理方法及系统 |
| CN117522086A (zh) * | 2024-01-05 | 2024-02-06 | 中国建筑科学研究院有限公司 | 一种数字化低碳社区能耗管理系统 |
| CN117520831A (zh) * | 2023-10-27 | 2024-02-06 | 中车青岛四方车辆研究所有限公司 | 牵引电机异常检测方法、检测装置、检测设备及存储介质 |
| CN117556364A (zh) * | 2024-01-12 | 2024-02-13 | 济南福深兴安科技有限公司 | 一种矿用矿压安全智能监测系统 |
| CN117574102A (zh) * | 2024-01-17 | 2024-02-20 | 山东华中重钢有限公司 | 基于大数据分析的钢结构疲劳寿命预测方法 |
| CN117786371A (zh) * | 2024-02-27 | 2024-03-29 | 聊城市检验检测中心 | 一种温度监测数据优化预测分析方法及系统 |
-
2024
- 2024-04-16 CN CN202410451156.5A patent/CN118053127B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106227640A (zh) * | 2016-07-27 | 2016-12-14 | 北京市环境保护监测中心 | 一种基于自动监测仪器的异常数据检测方法及系统 |
| US20230015731A1 (en) * | 2020-04-02 | 2023-01-19 | China Three Gorges Corporation | Real-time abnormity-diagnosing and interpolation method for water regime-monitoring data |
| US20230203753A1 (en) * | 2021-12-23 | 2023-06-29 | Aktiebolaget Skf | Method and apparatus for anomaly detection on a doctor blade of a papermaking machine, and computing device |
| CN115717590A (zh) * | 2022-11-22 | 2023-02-28 | 西安交通大学 | 一种压缩机智能异常检测方法及相关装置 |
| CN117520831A (zh) * | 2023-10-27 | 2024-02-06 | 中车青岛四方车辆研究所有限公司 | 牵引电机异常检测方法、检测装置、检测设备及存储介质 |
| CN117390378A (zh) * | 2023-12-07 | 2024-01-12 | 北京中创慧谷数据科技有限公司 | 一种双碳平台数据智能管理方法及系统 |
| CN117522086A (zh) * | 2024-01-05 | 2024-02-06 | 中国建筑科学研究院有限公司 | 一种数字化低碳社区能耗管理系统 |
| CN117556364A (zh) * | 2024-01-12 | 2024-02-13 | 济南福深兴安科技有限公司 | 一种矿用矿压安全智能监测系统 |
| CN117574102A (zh) * | 2024-01-17 | 2024-02-20 | 山东华中重钢有限公司 | 基于大数据分析的钢结构疲劳寿命预测方法 |
| CN117786371A (zh) * | 2024-02-27 | 2024-03-29 | 聊城市检验检测中心 | 一种温度监测数据优化预测分析方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 孙力帆;张雅媛;郑国强;冀保峰;何子述;: "基于D-S证据理论的智能温室环境控制决策融合方法", 农业机械学报, no. 01, 25 January 2018 (2018-01-25) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118395386A (zh) * | 2024-06-25 | 2024-07-26 | 北京平开智能电气有限公司 | 面向智慧植物工厂的植物生长监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118053127B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN118053127B (zh) | 一种工业设备状态监控管理方法 | |
| CN111277332B (zh) | 工程应用中光模块的性能状态检测方法、装置及电子设备 | |
| CN105718715B (zh) | 异常检测方法和设备 | |
| EP2260268B1 (en) | Method for process monitoring in a utility system | |
| US9354968B2 (en) | Systems and methods for data quality control and cleansing | |
| CN113407371B (zh) | 数据异常监测方法、装置、计算机设备和存储介质 | |
| CN110209560B (zh) | 数据异常检测方法及检测装置 | |
| US11609830B2 (en) | Method for investigating a functional behavior of a component of a technical installation, computer program, and computer-readable storage medium | |
| EP2689307A2 (en) | Degrading sensor detection implemented within a transmitter | |
| CN115689393A (zh) | 一种基于物联网的电力系统实时动态监测系统及方法 | |
| CN107077135B (zh) | 用于识别设备中的干扰的方法和辅助系统 | |
| CN113762604B (zh) | 一种工业互联网大数据服务系统 | |
| CN118300273B (zh) | 基于多场耦合的电缆室故障预警系统 | |
| CN113656389B (zh) | 一种智能工厂异常数据处理方法、装置、系统及存储介质 | |
| JP2020068025A (ja) | 履歴及び時系列の共同分析に基づく異常の特性評価のためのシステム及び方法 | |
| CN116663747B (zh) | 一种基于数据中心基础设施的智能预警方法及系统 | |
| KR20210137435A (ko) | 산업 환경에서 에너지 소비를 평가하기 위한 방법, 시스템, 및 컴퓨터 프로그램 제품 | |
| CN118312908B (zh) | 基于云计算的电力数据处理系统 | |
| CN118275034B (zh) | 一种智能抗干扰压力变送器 | |
| CN110991074A (zh) | 一种位移传感器测量数据有效性的判定方法 | |
| CN117978628A (zh) | 一种基于智慧园区通信控制方法及系统 | |
| CN117111568B (zh) | 基于物联网的设备监测方法、装置、设备及存储介质 | |
| CN117150447A (zh) | 一种倾斜数据监测方法、系统、装置、设备及介质 | |
| Wu et al. | A generalized conforming run length control chart for monitoring the mean of a variable | |
| CN113704323A (zh) | 一种基于htm改进的时序异常检测算法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |