CN111414999B - 一种设备运行状态的监测方法及装置 - Google Patents
一种设备运行状态的监测方法及装置 Download PDFInfo
- Publication number
- CN111414999B CN111414999B CN202010341683.2A CN202010341683A CN111414999B CN 111414999 B CN111414999 B CN 111414999B CN 202010341683 A CN202010341683 A CN 202010341683A CN 111414999 B CN111414999 B CN 111414999B
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- point data
- value
- predicted value
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000005259 measurement Methods 0.000 claims abstract description 67
- 238000011156 evaluation Methods 0.000 claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 abstract description 14
- 230000009286 beneficial effect Effects 0.000 description 5
- 239000007789 gas Substances 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002918 waste heat Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明适用于能源技术领域,提供了一种设备运行状态的监测方法及装置,该方法包括:根据设备的历史数据,获取设备的测点数据;采用时间序列模型对测点数据进行处理,获取设备在预设时刻的预测值;采用逆向误差神经网络对测点数据和预测值进行处理,获取残差预测值;根据预测值和残差预测值,获取评价基准值;根据设备的测点数据和评价基准值,确定设备在预设时刻的置信区间;根据设备在预设时刻的运行数据以及置信区间,确定设备的运行状态。本发明基于时间序列模型和逆向误差神经网络算法实时监测设备的实际运行状态,结合置信区间范围确定设备的运行状态,保证了预测的准确性、便捷性和迅速性。
Description
技术领域
本发明涉及能源技术领域,尤其涉及一种设备运行状态的监测方法及装置。
背景技术
能源站中的设备在运行过程中由于使用时间、使用方式以及使用地点的不同会导致同样的设备表现出不同的运行状态。目前,设备是否处于正常的运行状态,主要通过监测设备某些测量点与标准阈值或者规定的一些限定值的距离来发现设备运行状态是否正常。
然而,大多数设备的运行阈值或者限定值主要来源于设备厂家的设备额定参数或者通过专业技术人员根据经验提供,由于这些阈值或者限定值通常是固定值,无法根据设备运行状态实时调整,导致无法对设备的实际运行状做出准确的监测,从而无法保证设备的正常运行。
发明内容
有鉴于此,本发明实施例提供了一种设备运行状态的监测方法、装置、终端设备及计算机可读存储介质,以解决现有技术无法对设备的实际运行状态做出准确的监测,从而无法保证设备的正常运行的技术问题。
第一方面,本发明提供了一种设备运行状态的监测方法,包括:
根据设备的历史数据,获取所述设备的测点数据;
采用时间序列模型对所述测点数据进行处理,获取所述设备在预设时刻的预测值;
采用逆向误差神经网络对所述测点数据和所述预测值进行处理,获取残差预测值;
根据所述预测值和所述残差预测值,获取评价基准值;
根据所述设备的测点数据和所述评价基准值,确定所述设备在所述预设时刻的置信区间;
根据所述设备在所述预设时刻的运行数据以及所述置信区间,确定所述设备的运行状态。
优选地,所述根据设备的历史数据,获取所述设备的测点数据,包括:
对获取的设备的历史数据进行预处理,以获取经过预处理的时间序列数据,所述预处理包括去除所述历史数据中的重复数据和/或异常数据;
按照预设步长对所述时间序列数据进行分组,并计算每组数据的平均值,以获取所述设备的测点数据。
优选地,所述时间序列模型包括差分整合移动平均自回归模型。
所述采用逆向误差神经网络对所述测点数据和所述预测值进行处理,获取残差预测值,包括:
根据所述测点数据和所述预测值,获取初始残差值;
所述逆向误差神经网络对所述初始残差值进行处理,获取残差预测值。
优选地,所述根据所述测点数据和所述预测值,获取初始残差值,包括:
根据所述测点数据,获取所述设备在所述预设时刻的运行数据;
将所述预测值与所述运行数据做差,以获取所述初始残差值。
优选地,所述根据所述预测值和所述残差预测值,获取评价基准值步骤中,所述评价基准值为所述预测值和所述残差预测值之和。
优选地,所述根据所述设备的测点数据和所述评价基准值,确定所述设备在所述预设时刻的置信区间,包括:
根据所述设备的测点数据,获取所述测点数据的平均值;
根据所述测点数据的平均值,获取所述测点数据的标准差;
根据所述评价基准值和所述测点数据的标准差,确定所述设备在所述预设时刻的置信区间。
第二方面,本发明提供了一种设备运行状态的监测装置,包括:
测点数据获取模块,用于根据设备的历史数据,获取所述设备的测点数据;
预测值获取模块,用于采用时间序列模型对所述测点数据进行处理,获取所述设备在预设时刻的预测值;
残差预测值获取模块,用于采用逆向误差神经网络对所述测点数据和所述预测值进行处理,获取残差预测值;
评价基准值获取模块,用于根据所述预测值和所述残差预测值,获取评价基准值;
置信区间确定模块,用于根据所述设备的测点数据和所述评价基准值,确定所述设备在所述预设时刻的置信区间;
运行状态确定模块,用于根据所述设备在所述预设时刻的运行数据以及所述置信区间,确定所述设备的运行状态。
第三方面,本发明提供了一种可读介质,包括执行指令,当电子设备的处理器执行所述执行指令时,所述电子设备执行如第一方面中任一所述的设备运行状态的监测方法。
第四方面,本发明提供了一种电子设备,包括处理器以及存储有执行指令的存储器,当所述处理器执行所述存储器存储的所述执行指令时,所述处理器执行如第一方面中任一所述的设备运行状态的监测方法。
本发明实施例提供的设备运行状态的监测方法的有益效果至少在于:本发明结合大数据技术,基于时间序列模型和逆向误差神经网络算法的结合使用,可在远程情况下,实时监测并获取目标设备的实际运行状态,再结合设备运行的合理置信区间范围,有效克服了现有技术中设备实际运行状态预测不准确的缺点,同时准确的预测结果利于后续工作的调度优化。本实施例提供的监测方法整体运算简单,保证了预测的准确性、便捷性和迅速性,提升了整体处理速度,节约了处理资源。
上述的非惯用的优选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
为了更清楚地说明本发明实施例或现有的技术方案,下面将对实施例或现有技术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发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种设备运行状态的监测方法的流程示意图;
图2为本发明一实施例提供的另一种设备运行状态的监测方法的流程示意图;
图3为本发明一实施例提供的一种设备运行状态的监测装置的结构示意图;
图4为本发明一实施例提供的一种电子设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。若未特别指明,实施例中所用的技术手段为本领域技术人员所熟知的常规手段。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
大数据以及物联网技术的发展使得远程检测设备运行状态的想法越来越被人们接受,运用数据实时监测设备的运行状态,当发现运行数据偏离运行标准(阈值或者限值)时,有时候是设备运行异常导致,但是有时候是因为设备运行条件的不断变化导致运行标准的变化。
设备运行标准一般遵从设备厂家设定的一些固定的阈值或者限值,但是对于一些运行参数标准,可以引入一种相对的评价标准或者是动态的评价标准,这种标准是针对同一设备在同样运行环境(地理、位置、工况)下的同一监测量,评价标准主要有两部分组成一个是评价基准值,一个是置信区间的确定。
本发明结合大数据技术,基于时间序列和神经网络算法,提出一种设备运行状态的监测方法。
参见图1所示,为本发明提供的设备运行状态的监测方法的具体实施例。本实施例中,所述方法具体包括以下步骤:
步骤101:根据设备的历史数据,获取所述设备的测点数据。
所述设备可以是能源站中的任意设备,根据确定的目标设备收集汇总其全部或需要的历史数据信息。
本实施例中涉及的测点数据可利用测点数据获取模块实现。所述测点数据获取模块,主要用于根据设备的历史数据,获取所述设备的测点数据。所述测点数据获取模块可以包括预处理单元和测点数据获取单元,且预处理单元和测点数据获取单元可以串联。
具体的,可通过预处理单元中去除可能出现的重复数据和/或异常数据,再通过测点数据获取单元对所述时间序列数据进行预设步长分组。由此获得所述设备的测点数据。
步骤102:采用时间序列模型对所述测点数据进行处理,获取所述设备在预设时刻的预测值。
时间序列算法是一种比较成熟的针对时间序列数据可以实现预测的算法,本实施例采用的数据信息是按照时间排序的,适合采用时间序列的方法预测。时间序列模型可以包括自回归模型(Autoregressive model,AR)、自回归滑动平均模型(Autoregressivemoving average model,ARMA)、差分整合移动平均自回归模型(Autoregressiveintegrated moving average,ARIMA)等。本实施例中可以优选差分整合移动平均自回归模型(Autoregressive integrated moving average,ARIMA)对目标设备的预定时刻进行预测。本步骤中涉及的测点数据可利用预测值获取模块实现。
应当理解的是,差分整合移动平均自回归模型为本实施例优选模型之一,当然也可以是其他时间序列模型或者算法,此处不作限制。
步骤103:采用逆向误差神经网络对所述测点数据和所述预测值进行处理,获取残差预测值。
BP(back propagation,反向传播)神经网络是一种多层的反馈神经网络,是应用最广泛的神经网络之一,具有很强的非线性映射能力以及自学习、自适应能力,其可以包括多层前馈神经网络和逆向误差神经网络。
本实施例中涉及的残差预测值可利用残差预测值获取模块实现。所述残差预测值获取模块用于对将所述预测值与所述运行数据的差值,即所述初始残差值进行运算处理,来获取残差预测值。所述残差预测值获取模块可以包括初始残差值获取单元和残差预测值获取单元。
具体的,所述初始残差值获取单元可以根据所述测点数据,获取所述设备在所述预设时刻的运行数据,进而获取初始残差值;所述残差预测值获取单元是逆向误差神经网络对所述初始残差值进行处理,获取残差预测值。
步骤104:根据所述预测值和所述残差预测值,获取评价基准值。
基于所述残差预测值为实数(包括有理数和无理数),是带有正负号的,所以所述预测值和所述残差预测值进行加和处理即可得到评价基准值。
本步骤中涉及的测点数据可利用评价基准值获取模块实现。
步骤105:根据所述设备的测点数据和所述评价基准值,确定所述设备在所述预设时刻的置信区间。
设备运行的评价基准值只是一个参考值,设备合理运行理论上是一个区间,在该区间内的运行数据都是合理的范围,反之则异常。
本步骤中涉及的测点数据可利用置信区间确定模块实现。所述置信区间确定模块主要用于对所述设备的测点数据和所述评价基准值进行计算处理,获取测点数据的平均值和标准差,进而确定置信区间。所述置信区间确定模块可以包括平均值获取单元、标准差获取单元和置信区间获取单元。
具体的,平均值获取单元可以基于测点数据得到平均值,标准差获取单元可以基于平均值得到标准差,置信区间获取单元可以基于标准差和评价基准值得到置信区间。
步骤106:根据所述设备在所述预设时刻的运行数据以及所述置信区间,确定所述设备的运行状态。
基于所述设备在所述预设时刻的运行数据(或者称为实际值)和置信区间,可以判断和确定所述设备实时运行状态。
本步骤中涉及的测点数据可利用运行状态确定模块实现。
通过以上技术方案可知,本实施例存在的有益效果是:结合大数据技术,基于时间序列模型和逆向误差神经网络算法的结合使用,可在远程情况下,实时监测并获取目标设备的实际运行状态,再结合设备运行的合理置信区间范围,有效克服了现有技术中设备实际运行状态预测不准确的缺点,同时准确的预测结果利于后续工作的调度优化。本实施例提供的监测方法整体运算简单,保证了预测的准确性、便捷性和迅速性,提升了整体处理速度,节约了处理资源。
图1所示仅为本发明所述方法的基础实施例,在其基础上进行一定的优化和拓展,还能够得到所述方法的其他优选实施例。
如图2所示,为本发明所述设备运行状态的监测方法的另一个具体实施例。本实施例在前述实施例的基础上,结合具体应用场景进行进一步的叙述。所述方法具体包括以下步骤:
步骤201:对获取的设备的历史数据进行预处理,以获取经过预处理的时间序列数据,所述预处理包括去除所述历史数据中的重复数据和/或异常数据。
整理历史数据时,可以收集尽可能多的数据,这样能够保证预测的准确性。
本步骤中涉及的预处理可利用测点数据获取模块的预处理单元实现。
步骤202:按照预设步长对所述时间序列数据进行分组,并计算每组数据的平均值,以获取所述设备的测点数据。
历史数据集,指的是设备运行的历史标准数据,根据统计学理论,样本的均值可以视作理论均值,也就是设备运行的理论准值。本实施例采用的测点数据,按照时间排序,例如所述的预设步长,可以理解为每10条数据作为一组数据序列,计算其均值作为新的测点数据。应当理解的是,5条数据、20条数据、99条数据均可以作为一组数据序列,此处不作限制。
历史数据集中数据测点的选取与要监测的设备属性相关,如要观察锅炉排烟温度正常与否,需要输入的就是锅炉排烟温度数据。也可以这样理解:测点数据为目标设备某个属性的数据。应当理解的是,关于设备属性的数据测点数据可以为锅炉排烟温度、也可以为排烟余热等设备的各种属性数据信息,此处不作限制。
本步骤中涉及的测点数据可利用测点数据获取模块的测点数据获取单元实现。
步骤203:采用差分整合移动平均自回归模型对所述测点数据进行处理,获取所述设备在预设时刻的预测值。
本实施例中可以优选差分整合移动平均自回归模型对目标设备的预定时刻进行预测。应当理解的是,差分整合移动平均自回归模型为本实施例优选模型之一,当然也可以是其他时间序列模型或者算法,此处不作限制。
步骤204:根据所述测点数据和所述预测值,获取初始残差值。
本步骤中涉及的初始残差值可利用残差预测值获取模块的初始残差值获取单元实现。
具体的,根据所述测点数据,获取所述设备在所述预设时刻的运行数据;将所述预测值与所述运行数据做差,以获取所述初始残差值。
步骤205:所述逆向误差神经网络对所述初始残差值进行处理,获取残差预测值。
逆向误差神经网络的学***方和最小。
为了进一步提高预测准确度,采用逆向误差神经网络算法对历史数据中的测点数据(实际值)和时间序列的预测值的非线性残差进行预测,进而修正时间序列的预测值,最后输出最终的预测结果。应当理解的是,逆向误差神经网络算法为本实施例优选算法之一,当然也可以是其他神经网络算法,此处不作限制。
所述预测值与所述运行数据做差,作为所述逆向误差神经网络的输入数据,以实现对差分整合移动平均自回归模型算法的反馈,使得预测结果更加准确。
本步骤中涉及的残差预测值可利用残差预测值获取模块的残差预测值获取单元实现。
步骤206:所述根据所述预测值和所述残差预测值,获取评价基准值步骤中,所述评价基准值为所述预测值和所述残差预测值之和。
步骤207:根据所述设备的测点数据,获取所述测点数据的平均值。
上述测点数据的平均值可以为:按照时间排序,每10条数据作为一组数据序列,计算其平均值应当理解的是,5条数据、20条数据、99条数据均可以作为一组数据序列,此处不作限制。
本步骤中涉及的平均值可利用置信区间确定模块的平均值获取单元实现。
步骤208:根据所述测点数据的平均值,获取所述测点数据的标准差。
基于上述平均值和所述测点数据,可以获取所述测点数据的标准差σ。
本步骤中涉及的标准差可利用置信区间确定模块的标准差获取单元实现。
步骤209:根据所述评价基准值和所述测点数据的标准差,确定所述设备在所述预设时刻的置信区间。
本实施例采用3σ方式确定置信区间,所述置信区间为:
其中,为所述评价基准值,σ为所述测点数据的标准差。
本步骤中涉及的置信区间可利用置信区间确定模块的置信区间获取单元实现。
步骤210:根据所述设备在所述预设时刻的运行数据以及所述置信区间,确定所述设备的运行状态。
本步骤中涉及的运行状态可利用运行状态确定模块实现。
通过以上技术方案可知,本实施例在图1所述实施例的基础上,进一步存在的有益效果是:通过对时间序列数据进行数据预处理,去掉重复数据和/或异常数据使基础数据更整齐干净;对时间序列数据进行分组使处理后的数据更接近标准数据,为后续步骤数据的进一步处理奠定基础,提高预测准确性;同时根据上述计算结果,可以简单快速计算出设备实时运行状态,其合理的运行范围可以判断设备的运行状态是否异常。
如图3所示,为本发明所述设备运行状态的监测装置的一个具体实施例。本实施例所述装置,即用于执行图1~2所述方法的实体装置。其技术方案本质上与上述实施例一致,上述实施例中的相应描述同样适用于本实施例中。本实施例中所述装置包括:
测点数据获取模块301,用于根据设备的历史数据,获取所述设备的测点数据;
预测值获取模块302,用于采用时间序列模型对所述测点数据进行处理,获取所述设备在预设时刻的预测值;
残差预测值获取模块303,用于采用逆向误差神经网络对所述测点数据和所述预测值进行处理,获取残差预测值;
评价基准值获取模块304,用于根据所述预测值和所述残差预测值,获取评价基准值;
置信区间确定模块305,用于根据所述设备的测点数据和所述评价基准值,确定所述设备在所述预设时刻的置信区间;
运行状态确定模块306,用于根据所述设备在所述预设时刻的运行数据以及所述置信区间,确定所述设备的运行状态。
另外在图3所示实施例的基础上,优选的,所述测点数据获取模块301可以包括:
预处理单元,用于对获取的设备的历史数据进行预处理,以获取经过预处理的时间序列数据,所述预处理包括去除所述历史数据中的重复数据和/或异常数据。
测点数据获取单元,用于按照预设步长对所述时间序列数据进行分组,并计算每组数据的平均值,以获取所述设备的测点数据。
优选的,所述残差预测值获取模块303可以包括:
初始残差值获取单元,用于根据所述测点数据和所述预测值,获取初始残差值。
具体的,根据所述测点数据,获取所述设备在所述预设时刻的运行数据;将所述预测值与所述运行数据做差,以获取所述初始残差值。
残差预测值获取单元,用于所述逆向误差神经网络对所述初始残差值进行处理,获取残差预测值。
优选的,所述置信区间确定模块305可以包括:
平均值获取单元,用于根据所述设备的测点数据,获取所述测点数据的平均值。
标准差获取单元,用于根据所述测点数据的平均值,获取所述测点数据的标准差。
置信区间获取单元,用于根据所述评价基准值和所述测点数据的标准差,确定所述设备在所述预设时刻的置信区间。
图4是本发明实施例提供的一种电子设备的结构示意图。在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放执行指令。具体地,执行指令即可被执行的计算机程序。存储器可以包括内存和非易失性存储器,并向处理器提供执行指令和数据。
在一种可能实现的方式中,处理器从非易失性存储器中读取对应的执行指令到内存中然后运行,也可从其它设备上获取相应的执行指令,以在逻辑层面上形成设备运行状态的监测装置。处理器执行存储器所存放的执行指令,以通过执行的执行指令实现本发明任一实施例中提供的设备运行状态的方法。
上述如本发明图3所示实施例提供的设备运行状态的监测装置执行的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central ProcessingUnit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
本发明实施例还提出了一种可读介质,该可读存储介质存储有执行指令,存储的执行指令被电子设备的处理器执行时,能够使该电子设备执行本发明任一实施例中提供的设备运行状态的监测方法,并具体用于执行如图1~图2所示的方法。
前述各个实施例中所述的电子设备可以为计算机。
本领域内的技术人员应明白,本发明的实施例可提供为方法或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例,或软件和硬件相结合的形式。
本发明中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意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、商品或者设备不仅包括那些要素,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、商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“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (6)
1.一种设备运行状态的监测方法,其特征在于,包括:
根据设备的历史数据,获取所述设备的测点数据;
采用时间序列模型对所述测点数据进行处理,获取所述设备在预设时刻的预测值;
采用逆向误差神经网络对所述测点数据和所述预测值进行处理,获取残差预测值;
根据所述预测值和所述残差预测值,获取评价基准值,所述评价基准值为所述预测值和所述残差预测值之和;
根据所述设备的测点数据和所述评价基准值,确定所述设备在所述预设时刻的置信区间;
根据所述设备在所述预设时刻的运行数据以及所述置信区间,确定所述设备的运行状态;
所述根据设备的历史数据,获取所述设备的测点数据,包括:
对获取的设备的历史数据进行预处理,以获取经过预处理的时间序列数据,所述预处理包括去除所述历史数据中的重复数据和/或异常数据;
按照预设步长对所述时间序列数据进行分组,并计算每组数据的平均值,以获取所述设备的测点数据;
所述采用逆向误差神经网络对所述测点数据和所述预测值进行处理,获取残差预测值,包括:
根据所述测点数据和所述预测值,获取初始残差值;
所述逆向误差神经网络对所述初始残差值进行处理,获取残差预测值;
所述根据所述设备的测点数据和所述评价基准值,确定所述设备在所述预设时刻的置信区间,包括:
根据所述设备的测点数据,获取所述测点数据的平均值;
根据所述测点数据的平均值,获取所述测点数据的标准差;
根据所述评价基准值和所述测点数据的标准差,确定所述设备在所述预设时刻的置信区间,所述置信区间为:
其中,为所述评价基准值,/>为所述测点数据的标准差。
2.如权利要求1所述的设备运行状态的监测方法,其特征在于,所述时间序列模型包括差分整合移动平均自回归模型。
3.如权利要求1所述的设备运行状态的监测方法,其特征在于,所述根据所述测点数据和所述预测值,获取初始残差值,包括:
根据所述测点数据,获取所述设备在所述预设时刻的运行数据;
将所述预测值与所述运行数据做差,以获取所述初始残差值。
4.一种设备运行状态的监测装置,其特征在于,包括:
测点数据获取模块,用于根据设备的历史数据,获取所述设备的测点数据;
预测值获取模块,用于采用时间序列模型对所述测点数据进行处理,获取所述设备在预设时刻的预测值;
残差预测值获取模块,用于采用逆向误差神经网络对所述测点数据和所述预测值进行处理,获取残差预测值;
评价基准值获取模块,用于根据所述预测值和所述残差预测值,获取评价基准值,所述评价基准值为所述预测值和所述残差预测值之和;
置信区间确定模块,用于根据所述设备的测点数据和所述评价基准值,确定所述设备在所述预设时刻的置信区间;
运行状态确定模块,用于根据所述设备在所述预设时刻的运行数据以及所述置信区间,确定所述设备的运行状态;
所述测点数据获取模块包括:
预处理单元,用于对获取的设备的历史数据进行预处理,以获取经过预处理的时间序列数据,所述预处理包括去除所述历史数据中的重复数据和/或异常数据;
测点数据获取单元,用于按照预设步长对所述时间序列数据进行分组,并计算每组数据的平均值,以获取所述设备的测点数据;
所述残差预测值获取模块包括:
初始残差值获取单元,用于根据所述测点数据和所述预测值,获取初始残差值;
残差预测值获取单元,用于通过所述逆向误差神经网络对所述初始残差值进行处理,获取残差预测值;
所述置信区间确定模块包括:
平均值获取单元,用于根据所述设备的测点数据,获取所述测点数据的平均值;
标准差获取单元,用于根据所述测点数据的平均值,获取所述测点数据的标准差;
置信区间获取单元,用于根据所述评价基准值和所述测点数据的标准差,确定所述设备在所述预设时刻的置信区间,所述置信区间为:
其中,为所述评价基准值,/>为所述测点数据的标准差。
5.一种可读介质,包括执行指令,当电子设备的处理器执行所述执行指令时,所述电子设备执行如权利要求1至3中任一权项所述的设备运行状态的监测方法。
6.一种电子设备,包括处理器以及存储有执行指令的存储器,当所述处理器执行所述存储器存储的所述执行指令时,所述处理器执行如权利要求1至3中任一权项所述的设备运行状态的监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010341683.2A CN111414999B (zh) | 2020-04-27 | 2020-04-27 | 一种设备运行状态的监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010341683.2A CN111414999B (zh) | 2020-04-27 | 2020-04-27 | 一种设备运行状态的监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111414999A CN111414999A (zh) | 2020-07-14 |
CN111414999B true CN111414999B (zh) | 2023-08-22 |
Family
ID=71492065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010341683.2A Active CN111414999B (zh) | 2020-04-27 | 2020-04-27 | 一种设备运行状态的监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111414999B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112115418B (zh) * | 2020-08-13 | 2024-03-26 | 深圳市智物联网络有限公司 | 一种偏态估计信息的获取方法、装置及设备 |
CN112422376A (zh) * | 2020-10-15 | 2021-02-26 | 招商华软信息有限公司 | 非标准化设备自动化接入云平台的方法、电子设备、存储介质 |
CN112668887A (zh) * | 2020-12-29 | 2021-04-16 | 新奥数能科技有限公司 | 业务数据获取方法、装置、可读存储介质及电子设备 |
CN113300371B (zh) * | 2021-05-31 | 2022-07-12 | 广东电网有限责任公司 | 一种配电房实时电压的确定方法及装置 |
CN113190429B (zh) * | 2021-06-03 | 2022-07-19 | 河北师范大学 | 服务器性能预测方法、装置及终端设备 |
CN114066089A (zh) * | 2021-11-25 | 2022-02-18 | 中国工商银行股份有限公司 | 批量作业运行耗时区间确定方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101771758A (zh) * | 2008-12-31 | 2010-07-07 | 北京亿阳信通软件研究院有限公司 | 一种性能指标值正常波动范围的动态确定方法及其装置 |
CN104380739A (zh) * | 2013-04-05 | 2015-02-25 | 索尼公司 | 图像处理设备和图像处理方法 |
CN106529145A (zh) * | 2016-10-27 | 2017-03-22 | 浙江工业大学 | 一种基于arima‑bp神经网络的桥梁监测数据预测方法 |
CN106599271A (zh) * | 2016-12-22 | 2017-04-26 | 江苏方天电力技术有限公司 | 一种燃煤机组排放监测时序数据异常值检测方法 |
CN107092582A (zh) * | 2017-03-31 | 2017-08-25 | 江苏方天电力技术有限公司 | 一种基于残差后验的异常值在线检测及置信度评估方法 |
CN107194034A (zh) * | 2017-04-21 | 2017-09-22 | 广州明珞汽车装备有限公司 | 一种基于gpr的设备损伤检测方法及*** |
CN107633331A (zh) * | 2017-09-26 | 2018-01-26 | 北京福布罗科技有限公司 | 时间序列模型建立方法及装置 |
CN109948714A (zh) * | 2019-03-22 | 2019-06-28 | 华南理工大学 | 基于残差卷积和递归神经网络的中文场景文本行识别方法 |
CN110297712A (zh) * | 2019-05-20 | 2019-10-01 | 贵州联科卫信科技有限公司 | 一种面向区块链节点负载预测的arima组合预测方法 |
CN110400010A (zh) * | 2019-07-11 | 2019-11-01 | 新华三大数据技术有限公司 | 预测方法、装置、电子设备以及计算机可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040236673A1 (en) * | 2000-10-17 | 2004-11-25 | Eder Jeff Scott | Collaborative risk transfer system |
US20040102937A1 (en) * | 2002-11-21 | 2004-05-27 | Honeywell International Inc. | Energy forecasting using model parameter estimation |
-
2020
- 2020-04-27 CN CN202010341683.2A patent/CN111414999B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101771758A (zh) * | 2008-12-31 | 2010-07-07 | 北京亿阳信通软件研究院有限公司 | 一种性能指标值正常波动范围的动态确定方法及其装置 |
CN104380739A (zh) * | 2013-04-05 | 2015-02-25 | 索尼公司 | 图像处理设备和图像处理方法 |
CN106529145A (zh) * | 2016-10-27 | 2017-03-22 | 浙江工业大学 | 一种基于arima‑bp神经网络的桥梁监测数据预测方法 |
CN106599271A (zh) * | 2016-12-22 | 2017-04-26 | 江苏方天电力技术有限公司 | 一种燃煤机组排放监测时序数据异常值检测方法 |
CN107092582A (zh) * | 2017-03-31 | 2017-08-25 | 江苏方天电力技术有限公司 | 一种基于残差后验的异常值在线检测及置信度评估方法 |
CN107194034A (zh) * | 2017-04-21 | 2017-09-22 | 广州明珞汽车装备有限公司 | 一种基于gpr的设备损伤检测方法及*** |
CN107633331A (zh) * | 2017-09-26 | 2018-01-26 | 北京福布罗科技有限公司 | 时间序列模型建立方法及装置 |
CN109948714A (zh) * | 2019-03-22 | 2019-06-28 | 华南理工大学 | 基于残差卷积和递归神经网络的中文场景文本行识别方法 |
CN110297712A (zh) * | 2019-05-20 | 2019-10-01 | 贵州联科卫信科技有限公司 | 一种面向区块链节点负载预测的arima组合预测方法 |
CN110400010A (zh) * | 2019-07-11 | 2019-11-01 | 新华三大数据技术有限公司 | 预测方法、装置、电子设备以及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
潘轶彪,等.基于多层感知器的异常数据实时检测方法.《上海交通大学学报》.2011,第45卷(第8期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111414999A (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111414999B (zh) | 一种设备运行状态的监测方法及装置 | |
CN109143094B (zh) | 一种动力电池的异常数据检测方法和装置 | |
CN112311611B (zh) | 数据异常的监测方法、装置和电子设备 | |
CN110688617B (zh) | 风机振动异常检测方法及装置 | |
CN108204341B (zh) | 风电场运行状态的识别方法和装置 | |
CN112799898B (zh) | 基于分布式故障检测的互联***故障节点定位方法及*** | |
US11620539B2 (en) | Method and device for monitoring a process of generating metric data for predicting anomalies | |
EP4131094A1 (en) | Prediction method and apparatus, readable medium, and electronic device | |
CN110391840B (zh) | 太阳同步轨道卫星遥测参数异常判断方法和*** | |
CN111523205B (zh) | 过热蒸汽的比焓确定方法及装置 | |
CN111191838A (zh) | 一种集成人工智能算法的工业设备状态管控方法和装置 | |
CN116187552A (zh) | 异常检测方法、计算设备及计算机存储介质 | |
CN111078456A (zh) | 设备故障诊断方法、装置、计算机可读存储介质和电子设备 | |
CN112330063B (zh) | 设备故障预测方法、装置以及计算机可读存储介质 | |
CN110866682A (zh) | 基于历史数据的地下电缆预警方法和装置 | |
CN111127242A (zh) | 一种基于小样本数据的电力***可靠性动态实时评估方法 | |
CN116879758A (zh) | 一种基于熵值算法的动力电池电压故障在线诊断处理方法 | |
CN109740235B (zh) | 确定燃煤锅炉节煤量的方法、装置、可读介质及电子设备 | |
CN110553678A (zh) | 多传感器***检测方法、装置、计算机设备和存储介质 | |
JPH10187226A (ja) | プラント状態予測装置 | |
CN109858119B (zh) | 一种动态能效建模方法、装置、可读介质及电子设备 | |
CN115686734A (zh) | 虚拟机扩缩容方法、装置、计算设备及计算机存储介质 | |
CN111626573B (zh) | 一种目标数据的确定方法、装置、可读介质及电子设备 | |
CN112733453A (zh) | 一种基于联合学习的设备预测性维护方法及装置 | |
CN112066356A (zh) | 锅炉热效率在线监测方法、装置、可读介质及电子设备 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230724 Address after: 065001 China (Hebei) Pilot Free Trade Zone Daxing Airport Area Langfang Airport Economic Zone Hangyidao Free Trade Zone Science and Technology Innovation Base 2101, Langfang City, Hebei Province Applicant after: Xinao Xinzhi Technology Co.,Ltd. Address before: 100102 10th floor, 1 Wangjing East Road, Chaoyang District, Beijing Applicant before: ENNEW DIGITAL TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |