CN110333995A - 对工业设备运行状态进行监测的方法及装置 - Google Patents
对工业设备运行状态进行监测的方法及装置 Download PDFInfo
- Publication number
- CN110333995A CN110333995A CN201910612985.6A CN201910612985A CN110333995A CN 110333995 A CN110333995 A CN 110333995A CN 201910612985 A CN201910612985 A CN 201910612985A CN 110333995 A CN110333995 A CN 110333995A
- Authority
- CN
- China
- Prior art keywords
- data collection
- line data
- industrial equipment
- base
- operating status
- 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 98
- 238000009434 installation Methods 0.000 title claims abstract description 42
- 238000013480 data collection Methods 0.000 claims abstract description 156
- 238000012360 testing method Methods 0.000 claims description 26
- 238000007689 inspection Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 19
- 239000006185 dispersion Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010832 independent-sample T-test Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000007474 system interaction Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3452—Performance evaluation by statistical analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/3476—Data logging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开一种对工业设备运行状态进行监测的方法及装置，所述方法包括：获取工业设备的基线数据集和运行数据集；参考所述运行数据集对齐所述基线数据集得到新的基线数据集；计算所述运行数据集和所述新的基线数据集之间的相关系数；根据所述相关系数确定所述工业设备的运行状态。采用运行数据集和对齐之后的基线数据集之间的相关性，从运行数据集和对齐之后的基线数据集所构成曲线之间的整体相似度来判断当前设备的运行状态，能够发现在正常阈值范围内的异常波动，从而避免了潜在的故障隐患。
Description
技术领域
本申请涉及工业控制技术领域，尤其涉及一种对工业设备运行状态进行监测的方法及装置。
背景技术
工业设备在运行过程中，设备传感器会周期性地产生各种设备运行状态数据，通过对这些运行状态数据进行实时采集和监测，能够随时了解设备的性能状况，达到对设备故障进行及时告警、对设备潜在故障进行提前预警的目的。
对工业设备运行状态进行监测(判断工业设备性能状态下降)最简单最常用的方法是设定状态阈值，当运行状态数据超出阈值范围以外时，表明设备运行在一个非正常的状态，即认为设备已经出现或者即将出现故障。进一步地，当设备运行曲线较为复杂，不能直接通过状态阈值方法判断时，可以采用对比设备当前运行数据与设备正常基线数据的方法，当两组数据存在“较大差异”时，认为设备运行异常。
在设备当前运行数据与设备正常基线数据进行对比时，当前多采用上下限阈值曲线方法(参见图1)，该方法难度适中、处理高效、实用性强，并且无论曲线多么复杂，都可以进行对比判断。但伴随着工业设备精度越来越高，对数据的判断要求也越来越精细，上下限阈值曲线方法存在以下问题需要改进：在上下限阈值曲线范围内的异常波动无法被检测到(参见图1)，因为运行曲线中的所有数据都在正常范围内，所以判定为设备正常运行。
发明内容
本申请实施例提供一种对工业设备运行状态进行监测的方法及装置，用于至少解决上述技术问题之一。
第一方面，本申请实施例提供一种对工业设备运行状态进行监测的方法，包括：获取工业设备的基线数据集和运行数据集；
参考所述运行数据集对齐所述基线数据集得到新的基线数据集；
计算所述运行数据集和所述新的基线数据集之间的相关系数；
根据所述相关系数确定所述工业设备的运行状态。
第二方面，本申请实施例提供一种对工业设备运行状态进行监测的装置，包括：
数据获取程序模块，用于获取工业设备的基线数据集和运行数据集；
数据对齐程序模块，用于参考所述运行数据集对齐所述基线数据集得到新的基线数据集；
计算程序模块，用于计算所述运行数据集和所述新的基线数据集之间的相关系数；
第一状态确定程序模块，用于根据所述相关系数确定所述工业设备的运行状态。
第三方面，本申请实施例提供一种存储介质，所述存储介质中存储有一个或多个包括执行指令的程序，所述执行指令能够被电子设备(包括但不限于计算机，服务器，或者网络设备等)读取并执行，以用于执行本申请上述任一项对工业设备运行状态进行监测的方法。
第四方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个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至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请上述任一项对工业设备运行状态进行监测的方法。
第五方面，本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述任一项对工业设备运行状态进行监测的方法。
本申请实施例的有益效果在于：采用运行数据集和对齐之后的基线数据集之间的相关性，从运行数据集和对齐之后的基线数据集所构成曲线之间的整体相似度来判断当前设备的运行状态，能够发现在正常阈值范围内的异常波动，从而避免了潜在的故障隐患。
附图说明
为了更清楚地说明本申请实施例的技术方案，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为传统上下限阈值曲线方法的示意图；
图2为本申请的对工业设备运行状态进行监测的方法的一实施例的流程图；
图3为传统上下限阈值曲线方法另一种情况的示意图；
图4为本申请对工业设备运行状态进行监测的方法中时标对齐过程之前的状态图；
图5为本申请对工业设备运行状态进行监测的方法中时标对齐过程之后的状态图；
图6为本申请对工业设备运行状态进行监测的方法中差值集中度检验流程图；
图7为本申请对工业设备运行状态进行监测的方法中差值离散度检验流程图；
图8为本申请对工业设备运行状态进行监测的装置一实施例的原理框图；
图9为本申请的电子设备的一实施例的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
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。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
在本申请中，“模块”、“装置”、“***”等指应用于计算机的相关实体，如硬件、硬件和软件的组合、软件或执行中的软件等。详细地说，例如，元件可以、但不限于是运行于处理器的过程、处理器、对象、可执行元件、执行线程、程序和/或计算机。还有，运行于服务器上的应用程序或脚本程序、服务器都可以是元件。一个或多个元件可在执行的过程和/或线程中，并且元件可以在一台计算机上本地化和/或分布在两台或多台计算机之间，并可以由各种计算机可读介质运行。元件还可以根据具有一个或多个数据包的信号，例如，来自一个与本地***、分布式***中另一元件交互的，和/或在因特网的网络通过信号与其它***交互的数据的信号通过本地和/或远程过程来进行通信。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”，不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本申请的对工业设备运行状态进行监测的方法，采用基线对比方法，可以应用于工业互联网领域智能物联网网关、边缘应用网关、边缘计算平台等场景，在智能网关采集到设备运行状态原始数据后，使用该基线对比方法，对这些数据进行处理和对比，过滤出与设备性能状态相关的异常信息，以完成设备监测、故障告警或预警等相关功能。
如图2所示，本申请实施例提供一种对工业设备运行状态进行监测的方法，该方法应用于工业设备监控装置，该方法包括：
S10、获取工业设备的基线数据集和运行数据集；所述基线数据集为与所述运行数据集在相同场景下采集的所述工业设备的运行参数的数据集合。
示例性地，接收到设备当前运行状态数据集合，该数据集合为时间序列数据集，表示该设备的某一项技术指标，比如电流，在某一时间段内一系列时间点的状态数据值的集合，定义为运行数据集。
加载该设备正常运行时的数据集合，该数据集合与S11所示运行数据集的运行场景相同，定义为基线数据集。
S20、参考所述运行数据集对齐所述基线数据集得到新的基线数据集。
示例性地，对运行数据集和基线数据集进行时标对齐。由于运行数据集和基线数据集的采样周期和时间跨度有可能不同，即时间标签互不相同，出于数据对比的需要，对两组数据集进行“时标对齐”，利用插值算法将数据处理为在同一组时间标签下的两组数据集，所述基线数据集的采样频率大于所述运行数据集的采样频率。
通过对基线数据集和运行数据集进行对齐，解决了基线数据集和运行数据集采样频率不同的问题，由于工业设备实际运行过程中虽然也会采集各种参数的运行数据并存储，但是出于经济性的考虑(一方面是存储空间开销的考虑，另一方面是计算量开销方面的考虑)，所以采样周期一般较大，采样频率低。
但是，在进行检测时为了提升准确度与可靠度，所以需要以更高的采样率采集更多的数据，来判断当前设备的运行状态。从而导致了基线数据集采样频率高于运行数据集采样频率的情况。因此，本申请中通过对齐的预处理巧妙的解决了以上问题的存在。
S30、计算所述运行数据集和所述新的基线数据集之间的相关系数；
S40、根据所述相关系数确定所述工业设备的运行状态。
示例性地，用统计算法计算得出运行数据集和基线数据集的相关系数r，如果r小于某个阈值，例如，该阈值为0.9，表示两组数据集没有很强的正相关性，即认为运行曲线异常。
如图1所示，为传统上下限阈值曲线方法另一种情况的示意图。发明人在实现本申请的过程中发现，电流状态曲线1和电流状态曲线2都在上下限阈值范围内，所以不会判定为设备曲线异常，但电流状态曲线2明显存在一定幅度内的频繁波动，这些异常波动有可能预示着潜在的故障隐患，必须要加以进一步检测。
在本实施例中，采用运行数据集和对齐之后的基线数据集之间的相关性，从运行数据集和对齐之后的基线数据集所构成曲线之间的整体相似度来判断当前设备的运行状态，能够发现在正常阈值范围内的异常波动，从而避免了潜在的故障隐患。
如图3所示，为传统上下限阈值曲线方法的示意图。该方法使用的上下限阈值曲线(或者直线)，是在设备正常运行时的状态数据基础上，结合专家经验，经过分析训练得到的。在对设备当前运行曲线进行检测时，要求运行曲线任一时点的数据值均不能超出上下限阈值曲线范围，否则即判定设备运行曲线异常。在实际应用场景下，极个别时点的运行数据值超限，会导致整条运行曲线被判定为异常，产生虚警或者误报，但如果为了减少误报而放宽上下限阈值的限制，又可能造成对比精度不足。因此，发明人对前述实施例进行了完善之后得出了如下实施例：
在一些实施例中，当根据所述相关系数确定所述工业设备的运行状态正常时，所述方法还包括：
根据所述运行数据集和所述新的基线数据集进行显著性检验；
根据显著性检验的结果确定所述工业设备的运行状态。
示例性地，对运行数据集和新的基线数据集进行显著性检验。用双总体检验算法计算得出运行数据集和新的基线数据集两组数据的检验统计量，两组数据没有显著差异的概率p，如果p小于某个阈值，比如0.05，表示两组数据集有很大的概率存在显著差异，即认为运行曲线异常。从而能够避免极个别时点的运行数据值超限，会导致整条运行曲线被判定为异常，产生虚警或者误报。
在一些实施例中，当根据显著性检验的结果确定所述工业设备的运行状态正常时，所述方法还包括：
将所述运行数据集和所述新的基线数据集的相同时间点值做差，得到差值数据集；
对所述差值数据集进行集中度检验；
根据集中度检验结果确定所述工业设备的运行状态。
示例性地，对运行数据集和基线数据集的差值进行集中度检验。首先计算出运行数据集和基线数据集在同一时间标签对应数据的差值，定义为差值数据集，然后计算出差值数据集的切尾均值，如果切尾均值的绝对值大于某个阈值，比如0.1，即认为运行曲线异常。
在一些实施例中，当根据显著性检验的结果确定所述工业设备的运行状态正常时，所述方法还包括：
对所述差值数据集进行分散度检验；
根据分散度检验结果确定所述工业设备的运行状态。
示例性地，对运行数据集和新的基线数据集的差值进行离散度检验。计算出差值数据集的切尾平均差，如果切尾平均差大于某个阈值，比如0.4，即认为运行曲线异常。
在一些实施例中，步骤S10中所定义的运行数据集，在本方法中作为被检测数据，实时或准实时地采集自设备传感器，运行数据集是一组双维度的时间序列数据集：
第一个维度是时间标签，在本方法中，设定数据集中第一个数据样本的采集时间为0，后续数据样本采集时间为在此基础上的相对时间；
第二个维度是数据值，表示在当前时间标签时刻所采集到的运行状态数据值。
步骤S10中所定义的基线数据集，在本方法中作为标准数据，来自于该设备或者该类设备在正常运行时的状态数据历史备份。基线数据集也是一组双维度的时间序列数据集。
在某些应用场景下，运行数据集和基线数据集的采集时间标签完全相同，并且呈现严格的周期性，那么此时双维度数据集可以简化为单维度数据集，即只有数据值维度，这种简化不会影响本方法的正确性和精确性。
如图4所示，为本申请对工业设备运行状态进行监测的方法中时标对齐过程之前的状态图。由于运行数据集和基线数据集的采样周期和时间跨度有可能不同，即两个数据集的时间标签互不相同，出于数据对比的需要，对两组数据集进行“时标对齐”处理，见后续步骤。
如图5所示，为本申请对工业设备运行状态进行监测的方法中时标对齐过程之后的状态图。“时标对齐”过程具体分为以下几个步骤：
步骤一计算时标对齐后的时间跨度
运行数据集和基线数据集的首个样本的时间标签均为“0”，最后一个样本的时间标签即为各自数据集的时间跨度。时标对齐后的时间跨度的计算方法是：以运行数据集的时间标签为选择对象，选取不超过基线数据集时间跨度的所有时间标签，作为时标对齐后的时间标签；其中最大的时间标签，即为时标对齐后的时间跨度。
步骤二对基线数据集进行插值
以基线数据集所有数据作为“训练数据集”，以时标对齐后的时间跨度内所有时间标签作为“插值点”，进行插值计算，输出的结果为：时标对齐后的时间标签下的基线数据值。成熟的插值算法有很多种，其中比较适合本申请所述性能检测场景的插值算法包括：临近点插值、线性插值、二次样条插值等。
步骤三重新定义基线数据集
将插值计算输出的结果“时标对齐后的时间标签下的基线数据值”定义为新的基线数据集，至此，新的基线数据集与运行数据集有相同的时间跨度、相同的时间标签、相同的样本数量，便于后续步骤的数据处理和对比。
示例性地，前述实施例中的步骤S30和S40中，相关性检验是通过计算和比较两组数据集的相关系数来检验它们之间的相关程度，通俗地讲，就是检验两条数据曲线的“形状”相似程度。相关系数的值域范围在-1.0～1.0之间，两条曲线越相似，相关系数越大，当两条曲线完全相同时，相关系数为1.0。相关性检验包括以下步骤：
步骤一、运行数据集：用a＝{a1，a2，…，an}表示，新的基线数据集：用b＝{b1，b2，…，bn}表示；
步骤二、确定相关系数阈值rt，作为判断运行曲线是否异常的依据。若rt取值过大，容易造成误报，若rt取值过小，容易造成漏报，一般取值范围在0.9—0.99之间；
步骤三、分别计算a和b的算术平均值：
步骤四、计算a与b对应样本的乘的平均值：
步骤五、计算a与b的协方差：
步骤六、分别计算a和b的样本方差：
步骤七、计算a与b的相关系数：
步骤八、判断相关系数r的值，如果r大于阈值rt，则认为a和b正相关；反之则认为a和b非正相关，即运行曲线异常。
其中，运行数据集a和基线数据集b，经过“时标对齐”过程的处理，所有对应样本的时间标签是完全相同的，所以在本图“相关性检验”处理过程中，可以不考虑采样时间因素的影响。
示例性地，前述实施例中的显著性检验是用于对比运行数据集与新的基线数据集之间是否有差异，以及这种差异是否显著的方法。显著性检验方法有很多种，在本申请中采用双总体独立样本t检验方法。显著性检验包括以下步骤：
步骤一、运行数据集：用a＝{a1，a2，…，an}表示，基线数据集：用b＝{b1，b2，…，bn}表示；
步骤二、确定检验水准α的取值，作为判断运行曲线是否异常的依据。若α取值过大，容易造成误报，若α取值过小，容易造成漏报，一般取值范围在0.001—0.1之间；
步骤三、分别计算a和b的算术平均值：
步骤四、分别计算a和b的样本方差：
步骤五、假设a和b无显著差异，计算独立样本检验统计量：
步骤六、根据样本数量n和检验统计量t，查询界值表，确定概率p值；
步骤七、如果p值大于检验水准α，则认为a和b无显著差异；反之则认为a和b有显著差异，即运行曲线异常。
其中，对于步骤六，在本申请所适用场景中，我们只关心运行数据集和基线数据集是否有显著差异，而不关心总体均值是前者大还是后者大，所以在查询界值表时采用双侧检验；另外，运行数据集a和基线数据集b的样本数量都为n，自由度都为n-1，所以在查询界值表时输入的自由样本总数为2(n-1)。
图6为本申请对工业设备运行状态进行监测的方法中差值集中度检验流程图。差值集中度中的“差值”是指由运行数据集与基线数据集对应样本的代数差构成的一组数据集，这组“差值”的总体水平反映了运行曲线和基线曲线的总体“靠近”程度；集中度是指一组数据向某一中心值靠拢的倾向，反映集中度的统计指标有均值、众数、中位数等，在本申请中，采用切尾均值作为检验差值集中度的统计指标。切尾均值是指在一组数据集中，去掉两端的极端值后计算得到的算术平均数，它综合了均值和中位数两种统计指标的优点。
在本申请所适用场景中，可选择的切尾方法有三种：一是按数量切尾，分别确定“切掉”上极端值和下极端值的样本数量；二是按比例切尾，分别确定“切掉”上极端值和下极端值的样本比例；三是按阈值切尾，分别确定上端阈值和下端阈值，“切掉”超出阈值范围以外的样本。如图所示为运行数据集与基线数据集的差值曲线，上下两端各切掉一个极端值后，计算得到的切尾均值为mean＝0.08，将该值的绝对值与预先确定的阈值进行比较，如果该值大于阈值，则认为运行曲线异常。
图7为本申请对工业设备运行状态进行监测的方法中差值离散度检验流程图。离散度代表的是一组数据集中各样本值远离中心值的程度。反映集中度的统计指标有方差、标准差、极差、平均差等，在本申请中，采用切尾平均差作为检验差值离散度的统计指标。切尾平均差是指在一组数据集中，去掉两端的极端值后计算得到的平均差。平均差表示一组数据集中各个样本值之间差异程度，为各个样本值同平均值的离差绝对值的算术平均数。
差值离散度检验与差值集中度检验采用相同的切尾后数据样本集，如图所示，计算得到的切尾平均差为md＝0.15，将该值与预先确定的阈值进行比较，如果该值大于阈值，则认为运行曲线异常。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作合并，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。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的部分，可以参见其他实施例的相关描述。
如图8所示，本申请的实施例还提供一种对工业设备运行状态进行监测的装置800，包括：
数据获取程序模块810，用于获取工业设备的基线数据集和运行数据集；
数据对齐程序模块820，用于参考所述运行数据集对齐所述基线数据集得到新的基线数据集；
计算程序模块830，用于计算所述运行数据集和所述新的基线数据集之间的相关系数；
第一状态确定程序模块840，用于根据所述相关系数确定所述工业设备的运行状态。
采用运行数据集和对齐之后的基线数据集之间的相关性，从运行数据集和对齐之后的基线数据集所构成曲线之间的整体相似度来判断当前设备的运行状态，能够发现在正常阈值范围内的异常波动，从而避免了潜在的故障隐患。
在一些实施例中，本申请的对工业设备运行状态进行监测的装置还包括：
显著性检验程序模块，用于当根据所述相关系数确定所述工业设备的运行状态正常时，根据所述运行数据集和所述新的基线数据集进行显著性检验；
第二状态确定程序模块，用于根据显著性检验的结果确定所述工业设备的运行状态。
示例性地，对运行数据集和新的基线数据集进行显著性检验。用双总体检验算法计算得出运行数据集和新的基线数据集两组数据的检验统计量，两组数据没有显著差异的概率p，如果p小于某个阈值，比如0.05，表示两组数据集有很大的概率存在显著差异，即认为运行曲线异常。从而能够避免极个别时点的运行数据值超限，会导致整条运行曲线被判定为异常，产生虚警或者误报。
在一些实施例中，本申请的对工业设备运行状态进行监测的装置还包括：
差值计算程序模块，用于当根据显著性检验的结果确定所述工业设备的运行状态正常时，将所述运行数据集和所述新的基线数据集的相同时间点值做差，得到差值数据集；
集中度校验程序模块，用于对所述差值数据集进行集中度检验；
第三状态确定程序模块，用于根据集中度检验结果确定所述工业设备的运行状态。
在一些实施例中，本申请的对工业设备运行状态进行监测的装置还包括：
分散度校验程序模块，用于当根据显著性检验的结果确定所述工业设备的运行状态正常时，对所述差值数据集进行分散度检验；
第四状态确定程序模块，用于根据分散度检验结果确定所述工业设备的运行状态。
在一些实施例中，本申请实施例提供一种非易失性计算机可读存储介质，所述存储介质中存储有一个或多个包括执行指令的程序，所述执行指令能够被电子设备(包括但不限于计算机，服务器，或者网络设备等)读取并执行，以用于执行本申请上述任一项对工业设备运行状态进行监测的方法。
在一些实施例中，本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述任一项对工业设备运行状态进行监测的方法。
在一些实施例中，本申请实施例还提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个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至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行对工业设备运行状态进行监测的方法。
在一些实施例中，本申请实施例还提供一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现对工业设备运行状态进行监测的方法。
上述本申请实施例的对工业设备运行状态进行监测的装置可用于执行本申请实施例的对工业设备运行状态进行监测的方法，并相应的达到上述本申请实施例的实现对工业设备运行状态进行监测的方法所达到的技术效果，这里不再赘述。本申请实施例中可以通过硬件处理器(hardware processor)来实现相关功能模块。
图9是本申请另一实施例提供的执行对工业设备运行状态进行监测的方法的电子设备的硬件结构示意图，如图9所示，该设备包括：
一个或多个处理器910以及存储器920，图9中以一个处理器910为例。
执行对工业设备运行状态进行监测的方法的设备还可以包括：输入装置930和输出装置940。
处理器910、存储器920、输入装置930和输出装置940可以通过总线或者其他方式连接，图9中以通过总线连接为例。
存储器920作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的对工业设备运行状态进行监测的方法对应的程序指令/模块。处理器910通过运行存储在存储器920中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例对工业设备运行状态进行监测的方法。
存储器920可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储根据对工业设备运行状态进行监测的装置的使用所创建的数据等。此外，存储器920可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器920可选包括相对于处理器910远程设置的存储器，这些远程存储器可以通过网络连接至对工业设备运行状态进行监测的装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置930可接收输入的数字或字符信息，以及产生与对工业设备运行状态进行监测的装置的用户设置以及功能控制有关的信号。输出装置940可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器920中，当被所述一个或者多个处理器910执行时，执行上述任意方法实施例中的对工业设备运行状态进行监测的方法。
上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。
本申请实施例的电子设备以多种形式存在，包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等，例如iPad。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。
(4)服务器:提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、***总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子装置。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上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。
Claims (10)
1.一种对工业设备运行状态进行监测的方法，包括：
获取工业设备的基线数据集和运行数据集；
参考所述运行数据集对齐所述基线数据集得到新的基线数据集；
计算所述运行数据集和所述新的基线数据集之间的相关系数；
根据所述相关系数确定所述工业设备的运行状态。
2.根据权利要求1所述的方法，其中，所述基线数据集为与所述运行数据集在相同场景下采集的所述工业设备正常运行时的运行参数的数据集合。
3.根据权利要求1所述的方法，其中，当根据所述相关系数确定所述工业设备的运行状态正常时，所述方法还包括：
根据所述运行数据集和所述新的基线数据集进行显著性检验；
根据显著性检验的结果确定所述工业设备的运行状态。
4.根据权利要求3所述的方法，其中，当根据显著性检验的结果确定所述工业设备的运行状态正常时，所述方法还包括：
将所述运行数据集和所述新的基线数据集的相同时间点值做差，得到差值数据集；
对所述差值数据集进行集中度检验；
根据集中度检验结果确定所述工业设备的运行状态。
5.根据权利要求4所述的方法，其中，当根据显著性检验的结果确定所述工业设备的运行状态正常时，所述方法还包括：
对所述差值数据集进行分散度检验；
根据分散度检验结果确定所述工业设备的运行状态。
6.一种对工业设备运行状态进行监测的装置，包括：
数据获取程序模块，用于获取工业设备的基线数据集和运行数据集；
数据对齐程序模块，用于参考所述运行数据集对齐所述基线数据集得到新的基线数据集；
计算程序模块，用于计算所述运行数据集和所述新的基线数据集之间的相关系数；
第一状态确定程序模块，用于根据所述相关系数确定所述工业设备的运行状态。
7.根据权利要求6所述的装置，其中，还包括：
显著性检验程序模块，用于当根据所述相关系数确定所述工业设备的运行状态正常时，根据所述运行数据集和所述新的基线数据集进行显著性检验；
第二状态确定程序模块，用于根据显著性检验的结果确定所述工业设备的运行状态。
8.根据权利要求7所述的装置，其中，还包括：
差值计算程序模块，用于当根据显著性检验的结果确定所述工业设备的运行状态正常时，将所述运行数据集和所述新的基线数据集的相同时间点值做差，得到差值数据集；
集中度校验程序模块，用于对所述差值数据集进行集中度检验；
第三状态确定程序模块，用于根据集中度检验结果确定所述工业设备的运行状态。
9.一种电子设备，其包括：至少一个处理器，以及与所述至少一个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至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任意一项所述方法的步骤。
10.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-5中任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910612985.6A CN110333995A (zh) | 2019-07-09 | 2019-07-09 | 对工业设备运行状态进行监测的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910612985.6A CN110333995A (zh) | 2019-07-09 | 2019-07-09 | 对工业设备运行状态进行监测的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110333995A true CN110333995A (zh) | 2019-10-15 |
Family
ID=68143364
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910612985.6A Pending CN110333995A (zh) | 2019-07-09 | 2019-07-09 | 对工业设备运行状态进行监测的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110333995A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110836786A (zh) * | 2019-11-19 | 2020-02-25 | 北京瑞莱智慧科技有限公司 | 机械故障监测方法、装置、***、介质和计算设备 |
| CN111046340A (zh) * | 2019-12-10 | 2020-04-21 | 珠海格力电器股份有限公司 | 家用电器使用情况评估方法、装置、电子设备及存储介质 |
| CN112233420A (zh) * | 2020-10-14 | 2021-01-15 | 腾讯科技（深圳）有限公司 | 一种智能交通控制***的故障诊断的方法及装置 |
| CN112798896A (zh) * | 2021-03-02 | 2021-05-14 | 西门子电力自动化有限公司 | 开关柜故障诊断的方法与装置 |
| CN112988506A (zh) * | 2021-02-19 | 2021-06-18 | 山东英信计算机技术有限公司 | 一种大数据服务器节点性能监测方法及*** |
| CN114662698A (zh) * | 2022-02-11 | 2022-06-24 | 南京英锐祺科技有限公司 | 工业互联网多模态机器学习数据处理方法 |
| CN114675120A (zh) * | 2022-06-01 | 2022-06-28 | 安徽凯川电力保护设备有限公司 | 一种基于5g技术的电力保护设备自动监测*** |
| CN115597630A (zh) * | 2022-12-13 | 2023-01-13 | 深圳市徐港电子有限公司（Cn） | 车辆导航装置的检测方法、***及电子设备 |
| CN117221008A (zh) * | 2023-11-07 | 2023-12-12 | 中孚信息股份有限公司 | 基于反馈机制的多行为基线修正方法、***、装置及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104792350A (zh) * | 2015-04-01 | 2015-07-22 | 国网电力科学研究院 | 一种大坝监测自动化比测方法 |
| CN106656368A (zh) * | 2017-02-13 | 2017-05-10 | 中国联合网络通信集团有限公司 | 通信***监控方法及装置 |
| CN107636619A (zh) * | 2015-08-06 | 2018-01-26 | 新日铁住金***集成株式会社 | 信息处理装置、信息处理***、信息处理方法及程序 |
| CN109634802A (zh) * | 2018-11-12 | 2019-04-16 | 平安科技（深圳）有限公司 | 进程监控方法及终端设备 |
| WO2019071438A1 (zh) * | 2017-10-10 | 2019-04-18 | 西门子公司 | 对流程行业中的设备进行状态监测的方法、装置及介质 |
-
2019
- 2019-07-09 CN CN201910612985.6A patent/CN110333995A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104792350A (zh) * | 2015-04-01 | 2015-07-22 | 国网电力科学研究院 | 一种大坝监测自动化比测方法 |
| CN107636619A (zh) * | 2015-08-06 | 2018-01-26 | 新日铁住金***集成株式会社 | 信息处理装置、信息处理***、信息处理方法及程序 |
| CN106656368A (zh) * | 2017-02-13 | 2017-05-10 | 中国联合网络通信集团有限公司 | 通信***监控方法及装置 |
| WO2019071438A1 (zh) * | 2017-10-10 | 2019-04-18 | 西门子公司 | 对流程行业中的设备进行状态监测的方法、装置及介质 |
| CN109634802A (zh) * | 2018-11-12 | 2019-04-16 | 平安科技（深圳）有限公司 | 进程监控方法及终端设备 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110836786A (zh) * | 2019-11-19 | 2020-02-25 | 北京瑞莱智慧科技有限公司 | 机械故障监测方法、装置、***、介质和计算设备 |
| CN110836786B (zh) * | 2019-11-19 | 2020-10-23 | 北京瑞莱智慧科技有限公司 | 机械故障监测方法、装置、***、介质和计算设备 |
| CN111046340A (zh) * | 2019-12-10 | 2020-04-21 | 珠海格力电器股份有限公司 | 家用电器使用情况评估方法、装置、电子设备及存储介质 |
| CN112233420A (zh) * | 2020-10-14 | 2021-01-15 | 腾讯科技（深圳）有限公司 | 一种智能交通控制***的故障诊断的方法及装置 |
| CN112233420B (zh) * | 2020-10-14 | 2023-12-15 | 腾讯科技（深圳）有限公司 | 一种智能交通控制***的故障诊断的方法及装置 |
| CN112988506A (zh) * | 2021-02-19 | 2021-06-18 | 山东英信计算机技术有限公司 | 一种大数据服务器节点性能监测方法及*** |
| CN112798896A (zh) * | 2021-03-02 | 2021-05-14 | 西门子电力自动化有限公司 | 开关柜故障诊断的方法与装置 |
| CN114662698A (zh) * | 2022-02-11 | 2022-06-24 | 南京英锐祺科技有限公司 | 工业互联网多模态机器学习数据处理方法 |
| CN114675120A (zh) * | 2022-06-01 | 2022-06-28 | 安徽凯川电力保护设备有限公司 | 一种基于5g技术的电力保护设备自动监测*** |
| CN115597630A (zh) * | 2022-12-13 | 2023-01-13 | 深圳市徐港电子有限公司（Cn） | 车辆导航装置的检测方法、***及电子设备 |
| CN117221008A (zh) * | 2023-11-07 | 2023-12-12 | 中孚信息股份有限公司 | 基于反馈机制的多行为基线修正方法、***、装置及介质 |
| CN117221008B (zh) * | 2023-11-07 | 2024-02-23 | 中孚信息股份有限公司 | 基于反馈机制的多行为基线修正方法、***、装置及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110333995A (zh) | 对工业设备运行状态进行监测的方法及装置 | |
| CN113518011B (zh) | 异常检测方法和装置、电子设备及计算机可读存储介质 | |
| CN110708204A (zh) | 一种基于运维知识库的异常处理方法、***、终端及介质 | |
| AU2017274576B2 (en) | Classification of log data | |
| US20170364561A1 (en) | Telemetry data contextualized across datasets | |
| Jiang et al. | Efficient fault detection and diagnosis in complex software systems with information-theoretic monitoring | |
| US20140195860A1 (en) | Early Detection Of Failing Computers | |
| US9489379B1 (en) | Predicting data unavailability and data loss events in large database systems | |
| CN103746829A (zh) | 一种基于集群的故障感知***及其方法 | |
| CN111666187B (zh) | 用于检测异常响应时间的方法和装置 | |
| CN113360722B (zh) | 一种基于多维数据图谱的故障根因定位方法及*** | |
| CN115033463B (zh) | 一种***异常类型确定方法、装置、设备和存储介质 | |
| CN109522193A (zh) | 一种运维数据的处理方法、***及装置 | |
| CN100586202C (zh) | 故障定位的方法及装置 | |
| CN117041029A (zh) | 网络设备故障处理方法、装置、电子设备及存储介质 | |
| CN115529595A (zh) | 一种日志数据的异常检测方法、装置、设备及介质 | |
| CN110490486A (zh) | 一种企业大数据管理*** | |
| CN114978877B (zh) | 一种异常处理方法、装置、电子设备及计算机可读介质 | |
| CN114610561A (zh) | ***监测方法、装置、电子设备及计算机可读存储介质 | |
| CN111865673A (zh) | 一种自动化故障管理方法、装置及*** | |
| CN115561546A (zh) | 电力***异常检测报警*** | |
| CN115660262A (zh) | 一种基于数据库应用的工程智慧质检方法、***及介质 | |
| CN108304276A (zh) | 一种日志处理方法、装置及电子设备 | |
| CN114138601A (zh) | 一种业务告警方法、装置、设备及存储介质 | |
| CN113760689A (zh) | 接口故障的报警方法、装置、设备及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191015 |
|
| RJ01 | Rejection of invention patent application after publication |