CN106096789A - 一种基于机器学习技术的可自感知异常的工控安全防护与报警*** - Google Patents
一种基于机器学习技术的可自感知异常的工控安全防护与报警*** Download PDFInfo
- Publication number
- CN106096789A CN106096789A CN201610456945.3A CN201610456945A CN106096789A CN 106096789 A CN106096789 A CN 106096789A CN 201610456945 A CN201610456945 A CN 201610456945A CN 106096789 A CN106096789 A CN 106096789A
- Authority
- CN
- China
- Prior art keywords
- module
- signal
- data
- machine learning
- learning techniques
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Emergency Management (AREA)
- Alarm Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于机器学习技术的可自感知异常的工控安全防护与报警***,其包括数据采集和预处理模块、数据存储单元、异常检测单元、操作单元,其中数据存储单元包括本地存储模块和网络存储模块,异常检测单元包括预测模块、分析模块、判断模块和决策模块,操作单元包括报警模块和保护模块;该***配置在需要监控的工控***中,采集工控***之间信号发送的数据并进行预处理后,对所述数据基于机器学习框架的异常性进行检测,当有异常于常规操作的情况发生时,自动发出报警或是产生相关的拒绝指令。
Description
技术领域
本发明涉及一种基于机器学习技术的工控安全防护与报警与***,属于工控安全技术领域。
背景技术
工业控制***是运用控制理论、计算机科学、仪器仪表等技术,对生产过程的各种信息采集、分析、处理,并进行优化控制和合理的调度、管理,以达到提高生产效率的一种控制***。工业控制***安全可以分成三个方面,即功能安全、物理安全和信息安全。其中功能安全是为了达到设备和工厂安全功能,受保护的、和控制设备的安全相关部分必须正确执行其功能,而且当失效或故障发生时,设备或***必须仍能保持安全条件或进入到安全状态。我们可以通过采集工控***之间的信号发送的数据来进行异常检测,通过历史模式和模型预测来判断数据异常。
发明内容
本发明提供一种基于机器学习技术的可自感知异常的工控安全防护与报警***,其基于机器学习技术,监测控制***之间的信号发送。当有异于常规操作的情况发生时,自动产生报警或是保护相关的设备拒绝指令。
该***,其包括:
数据采集和预处理模块,用于监控控制***之间的信号发送,采集控制***之间信号发送的数据,并将这些数据处理成反应信号发送方向和顺序的信号流的形式,将所述信号流送入异常检测单元;
异常检测单元,用于接收相应的信号流,并对所述信号流基于机器学习技术进行异常性检测,判断是否有异常于常规操作的情况发生;
数据存储单元,用于存储历史信号流数据库样本;
操作单元,用于根据异常检测单元得出的结论,作出正常操作、发出报警或是产生相关的拒绝指令的操作。
其中,所述异常检测单元包括预测模块、分析模块、判断模块和决策模块。
其中,所述操作单元包括:
报警模块,当接收到决策模块发送的报警信号时,所述报警模块会自动产生报警;
保护模块,当接收到决策模块发送的保护信号时,所述保护模块会发出拒绝操作的指令,使控制***无法进行相关操作。
其中,所述预测模块用于在假设无异常的情况下,提供信号流数据集的统计预测数据。
其中,所述分析模块用于接收预测模块得出的统计预测数据,并根据所述统计预测数据估算从数据采集和预处理模块获取的下一次信号流数据。
其中,所述判断模块用于根据所述分析模块估算的下一次信号流数据集的预测值和所述数据采集和预处理模块获取的下一次信号流数据的实际值,对所述下一次信号流数据集的异常性进行判断。
其中,所述决策模块用于接收所述判断模块作出的异常性判断结果,根据所述异常性判断结果作出正常操作、发出报警或是产生相关的拒绝指令的操作的决策,并将决策结果发送给操作单元,同时根据所述异常性判断结果对所述预测模块作出更新,将本次信号流数据集发送给数据存储单元以更新历史信号流数据库样本。
其中,所述数据存储单元包括:
本地存储模块,用于将信号流数据集和样本数据存储在本地服务器主机中;
网络存储模块,用于将本地服务器主机中的历史数据的镜像副本定期更新在云服务器中,避免因本地服务器主机损坏造成的损失。
本发明的有益效果包括:
1、通过机器学习技术对控制***之间信号发送进行异常检测,从而提供在假设无异常情况下信号流状态的统计分布预测,提高了工控***的异常识别率,同时节约了大量的人力。
2、所述工控安全防护与报警***可自感知异常,并在发现异常后,作出自动产生报警或是保护相关的设备拒绝指令的操作。
3、数据存储单元中的网络存储模块可将本地服务器主机中的历史数据的镜像副本定期更新在云服务器中,避免因服务器主机损坏造成的损失。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1是本发明基于机器学习技术的可自感知的工控安全防护与报警***的框架图。
图2是本发明中检测步骤示意方框图。
图3是本发明中信号流数据集的异常性判断方法流程图。
图4是本发明中决策模块进行决策的步骤示意方框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示,本发明公开一种基于机器学习技术的可自感知异常的工控安全防护与报警***,其包括:数据采集和预处理模块,用于监控控制***之间的信号发送,采集控制***之间信号发送的数据,并将这些数据处理成反应信号发送方向与顺序的信号流的形式,将其送入异常检测单元,用于检测异常;异常检测单元,用于接收相应的信号流数据,并对所述数据基于机器学习框架进行异常性检测,得出是否有异常于常规操作的情况发生的结论;数据存储单元,用于存储历史信号流数据库样本;操作单元,用于根据异常检测单元得出的结论,作出正常操作、发出报警或是产生相关的拒绝指令的操作。
如图2所示,本发明提出的所述基于机器学习技术的可自感知异常的工控安全防护与报警***中,检测步骤包括:1、获取数据并对其进行预处理;2、对数据进行分析并判断;3、决策控制***是否有异常;4、将决策结果发送给操作单元并进行相关操作。
本发明提出的所述基于机器学习技术的可自感知异常的工控安全防护与报警***中,所述异常检测单元包括:预测模块,用于提供在假设无异常的情况下,信号流数据集的预测数据;分析模块,用于接收预测模块得出的统计预测数据,并根据所述预测数据估算从数据采集和预处理模块获取的下一次信号流数据;判断模块,用于根据下一次信号流数据集的预测值和实际值,对所述下一次信号流数据集的异常性进行判断;决策模块,用于接收判断模块作出的异常性判断结果,根据所述异常性判断结果作出正常操作、发出报警或是产生相关的拒绝指令的操作的决策,并将决策结果发送给操作单元,同时根据所述异常性判断结果对所述预测模块作出更新,将本次信号流数据集发送给数据存储单元以更新历史信号流数据库样本。
如图3所示,本发明提出的所述基于机器学习技术的可自感知异常的工控安全防护与报警***中,所述判断模块对所述下一次信号流数据集的异常性进行判断的方法包括以下步骤:
3.1、比较所述预测值与从数据采集与预处理模块获取的下一次信号流数据的实际值,得出两者的差值Δ;
3.2、从数据存储单元获取与所测信号流数据具有相同的时间步长和***操作背景的历史数据库样本,计算该样本的标准差;
3.3、比较所述差值与标准差范围:
如果差值Δ不在[-δ,δ]的范围之内,计算偏离值P,其中P=||Δ|-δ|,判断模块将偏离值P发送给决策模块;如果差值Δ在[-δ,δ]的范围之内,判断模块向决策模块发送一个肯定信号,确定无异常情况。
如图4所示,本发明提出的所述基于机器学习技术的可自感知异常的工控安全防护与报警***中,所述决策模块进行决策的方法包括以下步骤:
4.1、决策模块接收判断模块发送的数据,若数据为偏离值P,则进行步骤4.2,若数据为一个肯定信号,则进行步骤4.3;
4.2、决策模块接收偏离值P,将偏离值P与已设定的判定值λ进行比较,若偏离值P小于判定值λ,决策模块向操作单元的报警模块发送报警信号;若偏离值P大于等于判定值λ,决策模块则向操作单元的保护模块发送保护信号。同时,决策模块在数据存储单元中更新本次的信号流数据样本,并标记为异常事件;
4.3、决策模块接收到肯定信号,则将相应的判断模块与数据存储单元中的样本数据进行更新,用于检测下一次的信号流数据。
本发明提出的所述基于机器学习技术的可自感知异常的工控安全防护与报警***中,所述数据存储单元包括:本地存储模块,用于本地存储信号流数据集、样本数据,将所述数据存储在本地服务器主机中;网络存储模块,用于将本地服务器主机中的历史数据的镜像副本定期更新在云服务器中,避免因服务器主机损坏造成的损失。
本发明提出的所述基于机器学习技术的可自感知异常的工控安全防护与报警***中,所述操作单元包括:报警模块,当接收到决策模块发送的报警信号时,所述报警模块会自动产生报警;保护模块,当接收到决策模块发送的保护信号时,所述保护模块会发出拒绝操作的指令,使控制***无法进行相关操作。
本发明与传统工控安全防护与报警***相比,通过机器学习技术对控制***之间信号发送进行异常检测,从而提供在假设无异常情况下信号流状态的统计分布预测,提高了工控***的异常识别率,同时节约了大量的人力。
本发明与传统工控安全防护与报警***相比,所述工控安全防护与报警***可自感知异常,并在发现异常后,作出自动产生报警或是保护相关的设备拒绝指令的操作。
本发明与传统工控安全防护与报警***相比,通过数据存储单元中的网络存储模块可将本地服务器主机中的历史数据的镜像副本定期更新在云服务器中,避免因服务器主机损坏造成的损失。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (8)
1.一种基于机器学习技术的工控安全防护与报警***,其特征在于,其包括:
数据采集和预处理模块,用于监控控制***之间的信号发送,采集控制***之间信号发送的数据,并将这些数据处理成反应信号发送方向和顺序的信号流的形式,将所述信号流送入异常检测单元;
异常检测单元,用于接收相应的信号流,并对所述信号流基于机器学习技术进行异常性检测,判断是否有异常于常规操作的情况发生;
数据存储单元,用于存储历史信号流数据库样本;
操作单元,用于根据异常检测单元得出的结论,作出正常操作、发出报警或是产生相关的拒绝指令的操作。
2.根据权利要求1所述的基于机器学习技术的工控安全防护与报警***,其特征在于,所述异常检测单元包括预测模块、分析模块、判断模块和决策模块。
3.根据权利要求2所述的基于机器学习技术的工控安全防护与报警***,其特征在于,所述操作单元包括:
报警模块,当接收到决策模块发送的报警信号时,所述报警模块会自动产生报警;
保护模块,当接收到决策模块发送的保护信号时,所述保护模块会发出拒绝操作的指令,使控制***无法进行相关操作。
4.根据权利要求2所述的基于机器学习技术的工控安全防护与报警***,其特征在于,所述预测模块用于在假设无异常的情况下,提供信号流数据集的统计预测数据。
5.根据权利要求4所述的基于机器学习技术的工控安全防护与报警***,其特征在于,所述分析模块用于接收预测模块得出的统计预测数据,并根据所述统计预测数据估算从数据采集和预处理模块获取的下一次信号流数据。
6.根据权利要求5所述的基于机器学习技术的工控安全防护与报警***,其特征在于,所述判断模块用于根据所述分析模块估算的下一次信号流数据集的预测值和所述数据采集和预处理模块获取的下一次信号流数据的实际值,对所述下一次信号流数据集的异常性进行判断。
7.根据权利要求3所述的基于机器学习技术的工控安全防护与报警***,其特征在于,所述决策模块用于接收所述判断模块作出的异常性判断结果,根据所述异常性判断结果作出正常操作、发出报警或是产生相关的拒绝指令的操作的决策,并将决策结果发送给操作单元,同时根据所述异常性判断结果对所述预测模块作出更新,将本次信号流数据集发送给数据存储单元以更新历史信号流数据库样本。
8.根据权利要求1所述的基于机器学习技术的工控安全防护与报警***,其特征在于,所述数据存储单元包括:
本地存储模块,用于将信号流数据集和样本数据存储在本地服务器主机中;
网络存储模块,用于将本地服务器主机中的历史数据的镜像副本定期更新在云服务器中,避免因本地服务器主机损坏造成的损失。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610456945.3A CN106096789A (zh) | 2016-06-22 | 2016-06-22 | 一种基于机器学习技术的可自感知异常的工控安全防护与报警*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610456945.3A CN106096789A (zh) | 2016-06-22 | 2016-06-22 | 一种基于机器学习技术的可自感知异常的工控安全防护与报警*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106096789A true CN106096789A (zh) | 2016-11-09 |
Family
ID=57238231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610456945.3A Pending CN106096789A (zh) | 2016-06-22 | 2016-06-22 | 一种基于机器学习技术的可自感知异常的工控安全防护与报警*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106096789A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109189024A (zh) * | 2018-09-27 | 2019-01-11 | 鲁班嫡系机器人(深圳)有限公司 | 一种包括监控单元的工业自动化***、工厂及监控方法 |
DE202019102856U1 (de) | 2019-05-21 | 2019-06-04 | Abb Schweiz Ag | Vorrichtung zur Aufbereitung von Alarmmeldungen |
CN109983412A (zh) * | 2016-12-14 | 2019-07-05 | 欧姆龙株式会社 | 控制装置、控制程序以及控制方法 |
CN110730156A (zh) * | 2018-07-17 | 2020-01-24 | 国际商业机器公司 | 用于异常检测的分布式机器学习 |
US10558863B2 (en) | 2017-07-19 | 2020-02-11 | Pegatron Corporation | Video surveillance system and video surveillance method |
CN111078757A (zh) * | 2019-12-19 | 2020-04-28 | 武汉极意网络科技有限公司 | 一种自主学习的业务风控规则引擎***及风险评估方法 |
CN112559803A (zh) * | 2020-07-08 | 2021-03-26 | 北京德风新征程科技有限公司 | 一种基于迭代的数据异常检测方法和检测*** |
CN113377806A (zh) * | 2021-06-18 | 2021-09-10 | 南通大学 | 一种嵌入式机器学习人工智能数据分析处理*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807314A (zh) * | 2009-02-17 | 2010-08-18 | 同济大学 | 嵌入式车辆工况混杂异构数据信息实时处理方法 |
CN103246265A (zh) * | 2013-04-26 | 2013-08-14 | 河海大学常州校区 | 机电设备检测维护***及检测维护方法 |
CN104615122A (zh) * | 2014-12-11 | 2015-05-13 | 深圳市永达电子股份有限公司 | 一种工控信号检测***及检测方法 |
-
2016
- 2016-06-22 CN CN201610456945.3A patent/CN106096789A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807314A (zh) * | 2009-02-17 | 2010-08-18 | 同济大学 | 嵌入式车辆工况混杂异构数据信息实时处理方法 |
CN103246265A (zh) * | 2013-04-26 | 2013-08-14 | 河海大学常州校区 | 机电设备检测维护***及检测维护方法 |
CN104615122A (zh) * | 2014-12-11 | 2015-05-13 | 深圳市永达电子股份有限公司 | 一种工控信号检测***及检测方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109983412A (zh) * | 2016-12-14 | 2019-07-05 | 欧姆龙株式会社 | 控制装置、控制程序以及控制方法 |
CN109983412B (zh) * | 2016-12-14 | 2022-09-16 | 欧姆龙株式会社 | 控制装置、计算机可读记录介质以及控制方法 |
US10558863B2 (en) | 2017-07-19 | 2020-02-11 | Pegatron Corporation | Video surveillance system and video surveillance method |
CN110730156A (zh) * | 2018-07-17 | 2020-01-24 | 国际商业机器公司 | 用于异常检测的分布式机器学习 |
CN110730156B (zh) * | 2018-07-17 | 2022-03-22 | 国际商业机器公司 | 用于异常检测的分布式机器学习 |
CN109189024A (zh) * | 2018-09-27 | 2019-01-11 | 鲁班嫡系机器人(深圳)有限公司 | 一种包括监控单元的工业自动化***、工厂及监控方法 |
DE202019102856U1 (de) | 2019-05-21 | 2019-06-04 | Abb Schweiz Ag | Vorrichtung zur Aufbereitung von Alarmmeldungen |
CN111078757A (zh) * | 2019-12-19 | 2020-04-28 | 武汉极意网络科技有限公司 | 一种自主学习的业务风控规则引擎***及风险评估方法 |
CN111078757B (zh) * | 2019-12-19 | 2023-09-08 | 武汉极意网络科技有限公司 | 一种自主学习的业务风控规则引擎***及风险评估方法 |
CN112559803A (zh) * | 2020-07-08 | 2021-03-26 | 北京德风新征程科技有限公司 | 一种基于迭代的数据异常检测方法和检测*** |
CN113377806A (zh) * | 2021-06-18 | 2021-09-10 | 南通大学 | 一种嵌入式机器学习人工智能数据分析处理*** |
CN113377806B (zh) * | 2021-06-18 | 2022-12-27 | 南通大学 | 一种嵌入式机器学习人工智能数据分析处理*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106096789A (zh) | 一种基于机器学习技术的可自感知异常的工控安全防护与报警*** | |
CN110210512B (zh) | 一种自动化日志异常检测方法及*** | |
US20190179691A1 (en) | Log-based computer failure diagnosis | |
CN112910089A (zh) | 一种变电站二次设备故障逻辑可视化方法及*** | |
KR20180108446A (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
US11409962B2 (en) | System and method for automated insight curation and alerting | |
Pavlovski et al. | Hierarchical convolutional neural networks for event classification on PMU measurements | |
CN115640915B (zh) | 一种智慧燃气管网压缩机安全管理方法和物联网*** | |
CN116125361B (zh) | 电压互感器误差评估方法、***、电子设备及存储介质 | |
CN110247800A (zh) | 一种智能变电站交换机在线监测*** | |
CN104615122B (zh) | 一种工控信号检测***及检测方法 | |
CN112734977B (zh) | 一种基于物联网的设备风险预警***及算法 | |
CN115372816A (zh) | 基于数据分析的配电开关设备运行故障预测***及方法 | |
CN114267178A (zh) | 一种车站的智能运营维护方法及装置 | |
CN118071159B (zh) | 一种基于gpt的智慧园区安全应急管理***及方法 | |
CN116805068A (zh) | 一种基于大数据的故障监测预警***及方法 | |
CN116094174A (zh) | 基于知识图谱的电网运维监控方法、***、设备及介质 | |
CN105743220A (zh) | 一种调度自动化监控信息分析处理***及方法 | |
He et al. | Online distributed process monitoring and alarm analysis using novel canonical variate analysis with multicorrelation blocks and enhanced contribution plot | |
CN114137302A (zh) | 一种电能计量器具检定全过程监控*** | |
CN115689320A (zh) | 基站运行的健康管理方法、装置及计算机可读存储介质 | |
Shuan et al. | Network equipment failure prediction with big data analytics | |
CN106125643A (zh) | 一种基于机器学习技术的工控安防方法 | |
CN110007171A (zh) | 变压器在线监测数据误报警的筛查方法及*** | |
Sim et al. | Missing data imputation algorithm for transmission systems based on multivariate imputation with principal component analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161109 |