CN111830931B - 一种dcs***的故障诊断方法 - Google Patents

Abstract

本发明提供了一种DCS***的故障诊断方法，该故障诊断方法包括：获取DCS***的运维日志；根据运维日志建立状态语料库，状态语料库包含M个设备的状态信息及M个设备中每个设备的ID；给状态语料库中不同的状态赋予不同的设定值；统计M个设备中每个设备的设定值随时间的变化情况。通过建立包含M个设备的状态信息及每个设备的ID，给不同的状态信息赋予不同的设定值，统计故障矩阵中M个设备，n个时间节点设备的设定值随时间的变化情况，以及故障矩阵中出现故障的设备总体故障分，将设备的故障状态随时间轴的变化通过设定值随时间轴的变化展现出来，使DCS***中的设备的故障变化情况直观化，便于诊断出DCS***中设备的故障变化情况。

Description

一种DCS***的故障诊断方法

技术领域

本发明涉及工业控制技术领域，尤其涉及一种DCS***的故障诊断方法。

背景技术

由数以千计的各种类型测控传感器、通讯设备和计算机***组成DCS***(Distribute Control System，分布式控制***)是现代电力企业的核心监控***，实时上传电厂所有生产数据，并控制着***全部运行参数，在电厂生产过程中发挥着关键作用。据统计，在各种类型的安全事故中，由于DCS***本身出现故障而导致的安全事故占整个安全事故的60％左右。因此，DCS***本身的可靠性对于电力企业安全生产至关重要。现阶段，DCS***自身的运行状态全部记录在***的运维日志中。由于运维日志全部由英文字符记录，格式多样，设备众多，每小时有几十万条记录，人工处理难以胜任。

发明内容

本发明提供了一种DCS***的故障诊断方法，用以利用DCS***的运维日志对DCS***的故障进行诊断，实现对DCS***中的设备进行故障快速诊断及溯源。

本发明提供了一种DCS***的故障诊断方法，其中，该DCS***包括多个设备。该故障诊断方法包括：获取DCS***的运维日志；根据运维日志建立状态语料库，其中，状态语料库包含M个设备的状态信息及M个设备中每个设备的ID；给状态语料库中不同的状态信息赋予不同的设定值；统计状态语料库中M个设备中每个设备的设定值随时间的变化情况。

在上述的方案中，通过建立包含M个设备的状态信息及每个设备的ID，给不同的状态信息赋予不同的设定值，并统计M个设备中每个设备的设定值随时间的变化情况，从而将设备的故障状态随时间轴的变化通过设定值随时间轴的变化展现出来，从而使DCS***中的设备的故障变化情况直观化，便于诊断出DCS***中的设备的故障变化情况，实现对DCS***中的设备进行故障快速诊断及溯源。

在一个具体的实施方式中，根据运维日志建立状态语料库具体为：按行遍历DCS***的运维日志；利用自然语言处理的分词算法，将DCS***的运维日志转存为同一设定格式；统计代表故障信息的关键字，建立M个设备的状态语料库。通过利用自然语言处理技术将格式杂乱无序、信息量巨大的运维日志转换成易于统计分析的同一设定格式文件，便于通过统计代表故障信息的关键字，建立状态语料库。

在一个具体的实施方式中，该同一设定格式为csv格式，以便于利用自然语言处理的词语统计算法进行统计分析。

在一个具体的实施方式中，给状态语料库中不同的状态信息赋予不同的设定值具体为：给无故障的状态赋予0；给第一故障状态赋予1；给第二故障状态赋予2；…；给第N故障状态赋予故障数N。以便于直观的展示出设备的故障状态类别。

在一个具体的实施方式中，统计M个设备中每个设备的设定值随时间的变化情况包括：从M个设备中筛选出m个设备，其中，m个设备中的每个设备在设定时间段内至少发生一次故障；在设定时间段内，m个设备中至少有一个设备出现故障时，拾取一个时间节点，共拾取n个时间节点；以n个时间节点按时间先后顺序排列，作为矩阵的行，以m个设备中在对应时间节点上出现故障的ID作为矩阵的列，建立如下的故障矩阵X：

其中，故障矩阵X中的x_ij代表第i个设备在第j个时间节点时的故障数，以将多个设备的状态变化情况通过矩阵的方式展现出来，更加直观化。

在一个具体的实施方式中，统计M个设备中每个设备的设定值随时间的变化情况还包括：将代表不同故障状态的故障数赋予不同的颜色，绘制故障图谱。通过制定着色规则，构造***故障彩色图谱，以图象的形式反映***设备的故障状态以及发生的时间顺序，更加直观化。

在一个具体的实施方式中，统计M个设备中每个设备的设定值随时间的变化情况还包括：统计n个时间节点中每个时间节点发生故障的设备的ID及对应的故障数；以m个设备中每个设备的故障发生时间为轴线，绘制DCS***的故障传播链，以便于发现各个设备之间故障的传播情况，实现故障自动诊断和快速溯源。

在一个具体的实施方式中，以m个设备中每个设备的故障发生时间为轴线，绘制DCS***的故障传播链具体为：绘制m个设备的ID；n个时间节点中任意相邻的两个时间节点之间，采用单向箭头连接m个设备中故障发生在前的ID与故障发生在后设备的ID，且单向箭头由故障发生在前设备的ID指向故障发生在后设备的ID，以更加直观的展示出各个设备之间的故障传播情况。

在一个具体的实施方式中，故障数从1～N由小到大，依次表征设备故障状态的严重程度，以通过各个设备的故障数变化情况展现出各个设备的故障严重程度由轻到重，使故障数的数值大小与故障严重程度呈正相关。

在一个具体的实施方式中，统计M个设备中每个设备的设定值随时间的变化情况还包括：对故障矩阵X中的行求和，得到：

其中，

表示第i个设备在设定时间段中的故障数之和，可以得到每个设备对***故障的贡献度，从而确定需要重点关注的设备。

在一个具体的实施方式中，统计M个设备中每个设备的设定值随时间的变化情况还包括：以故障矩阵X中每行的故障数作为指数函数e^x的自变量，采用如下公式对每行进行求和：

其中，

表示第i个设备在设定时间段中的故障严重程度，以更加真实的模拟某一设备在一段时间内的故障状态对整个***的损害程度。

在一个具体的实施方式中，统计M个设备中每个设备的设定值随时间的变化情况还包括：对故障矩阵X中的列求和，得到：

其中，

表示m个设备在第j时间节点的故障数之和，可以得到每个时间节点下***故障的贡献度，从而确定需要重点关注的时间节点。

在一个具体的实施方式中，统计M个设备中每个设备的设定值随时间的变化情况还包括：以故障矩阵X中每列的故障数作为指数函数e^x的自变量，采用如下公式对每列进行求和：

其中，

表示第j时间节点下m个设备的故障严重程度，以更加真实的模拟某一时间节点下m个设备的故障情况对整个***的损害程度。

在一个具体的实施方式中，统计M个设备中每个设备的设定值随时间的变化情况还包括：以故障矩阵X中的所有元素作为指数函数e^x的自变量，采用如下公式对故障矩阵X的所有元素进行求和：

其中，Fault_score表示在设定时间段内所述m个设备的故障严重程度，以更加真实的模拟某一时间段内m个设备的故障情况对整个***的损害程度。

附图说明

图1为本发明实施例提供的一种DCS***的故障诊断方法的流程图；

图2为本发明实施例提供的一种绘制故障传播链的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例仅仅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。

为了方便理解本发明实施例提供的DCS***的故障诊断方法，下面首先说明一下本发明实施例提供的DCS***的故障诊断方法的应用场景，该DCS***的故障诊断方法应用于工业控制***领域，其中，该DCS***包括多个设备，该故障诊断方法用于对DCS***中的多个设备进行故障诊断。下面结合附图对该DCS***的故障诊断方法进行详细的叙述。

参考图1，本发明实施例提供DCS***的故障诊断方法包括：

S10：获取DCS***的运维日志；

S20：根据运维日志建立状态语料库，其中，状态语料库包含M个设备的状态信息及M个设备中每个设备的ID；

S30：给状态语料库中不同的状态信息赋予不同的设定值；

S40：统计状态语料库中M个设备中每个设备的设定值随时间的变化情况。

在上述的方案中，通过建立包含M个设备的状态信息及每个设备的ID，给不同的状态信息赋予不同的设定值，并统计M个设备中每个设备的设定值随时间的变化情况，从而将设备的故障状态随时间轴的变化通过设定值随时间轴的变化展现出来，从而使DCS***中的设备的故障变化情况直观化，便于诊断出DCS***中的设备的故障变化情况，实现对DCS***中的设备进行故障快速诊断及溯源。下面结合附图对上述各个步骤进行详细的介绍。

首先，获取DCS***的运维日志。具体实现时，可以下载运维日志，可以将运维日志保存为txt格式。应当理解的是，运维日志的保存格式并不限于txt格式。

其次，根据运维日志建立状态语料库，其中，状态语料库包含M个设备的状态信息及M个设备中每个设备的ID。其中，每个设备的ID作为区分不同设备的标号，其可以用于区分不同设备。

在具体根据运维日志建立状态语料库时，可以按行遍历DCS***的运维日志；之后利用自然语言处理的分词算法，将DCS***的运维日志转存为同一设定格式；接着，统计代表故障信息的关键字，建立M个设备的状态语料库。通过利用自然语言处理技术将格式杂乱无序、信息量巨大的运维日志转换成易于统计分析的同一设定格式文件，便于通过统计代表故障信息的关键字，建立状态语料库。其中，该同一设定格式可以选择为csv格式，以便于利用自然语言处理的词语统计算法进行统计分析。具体将txt格式的运维日志转换为csv格式时，可以利用python的自然语言处理功能，将txt格式的文本文件转换为csv格式的文件。具体的，可以根据运维日志本身的文件格式特征设计运维日志中英文单词的分词字典；之后遍历txt格式运维日志文件的所有行，基于分词字典以行为单位分词；接下来，将分词结果记录到csv格式文件中，作为之后的分析基础；之后，整理csv格式文件，删除空行、重复项以及表头；接下来，统计代表故障信息的关键字，建立DCS***中设备故障的状态语料库。另外，除了上述示出将运维日志转存为csv格式的文件外，还可以采用其他的方式。例如，还可以将DCS***的运维日志中的各项信息转存为设定格式的表格，以便于利用自然语言处理的词语统计算法进行统计分析。

接下来，给状态语料库中不同的状态信息赋予不同的设定值。可以通过基于状态语料库筛选csv格式运维日志文件中的故障状态信息，给不同的故障类型标以不同的整数值。例如，给状态语料库中不同的状态信息赋予不同的设定值可以采用：给无故障的状态赋予故障数0；给第一故障状态赋予故障数1；给第二故障状态赋予故障数2；…；给第N故障状态赋予故障数N。以便于直观的展示出设备的故障状态类别。在给不同的故障类型标识不同的设定值时，可以故障数从1～N由小到大，依次表征设备故障状态的严重程度由轻到重，使故障数的数值大小与故障严重程度呈正相关，以通过各个设备的故障数变化情况展现出各个设备的故障严重程度。

接下来，统计M个设备中每个设备的设定值随时间的变化情况。具体的，可以建立故障矩阵的方式统计，其包括：从M个设备中筛选出m个设备，其中，该m个设备中的每个设备在设定时间段内至少发生一次故障；在设定时间段内，m个设备中至少有一个设备出现故障时，拾取一个时间节点，共拾取n个时间节点；以n个时间节点按时间先后顺序排列，作为矩阵的行，以m个设备中在对应时间节点上出现故障的ID作为矩阵的列，建立如下的故障矩阵X：

其中，故障矩阵X中的x_ij代表第i个设备在第j个时间段的故障数，以将多个设备的状态变化情况通过矩阵的方式展现出来，更加直观化。其中上述的m小于或等于M，可以从M个设备中选取任意想要关注的m个设备。上述的设定时间段是指具有至少一个设备发生故障的一段时间，其可以为任意想要关注的时间段。

例如，在故障设备数m＝4，4个故障设备的ID分别为ID_1、ID_2、ID_3、ID_4。4个设备在设定时间段内存在4个时间节点，依次为第一时间节点、第二时间节点、第三时间节点及第四时间节点。在每个时间节点时，4个设备中至少有一个设备发生故障。譬如，在第一时间节点ID_2设备及ID_4设备发生故障，其中，ID_2设备的故障类型的故障数为1，ID_4设备的故障类型的故障数为3；另两个故障设备正常，用故障数0表示。在第二时间节点，ID_1设备发生故障类型的故障数为2的故障，其他三个设备无故障。在第三时间节点，ID_2设备发生故障类型的故障数为2的故障，其他三个设备无故障。在第四时间节点，ID_1设备发生故障类型的故障数为1的故障，ID_3设备发生故障类型的故障数为1的故障，其他两个设备无故障。建立的4×4故障矩阵X为：

通过采用矩阵的方式将多个设备的状态变化情况展现出来，更加直观化。应当理解的是，上述仅仅示出了一种对不同的故障类型赋予不同的故障值的方式，除此之外，还可以采用其他的方式，例如，可以将无故障的赋予故障数0，将有故障的赋予故障数1，此时所建立的故障矩阵X可以为：

另外，该统计M个设备中每个设备的设定值随时间的变化情况还可以包括：将不同的故障数赋予不同的颜色，绘制故障图谱。通过制定着色规则，构造***故障彩色图谱，以图象的形式反映***设备的故障状态以及发生的时间顺序，更加直观化。

例如，可以用以下的方式给不同的故障数标识不同的颜色，0—绿色，1—黄色，2—红色,3—蓝色，…。所建立的故障彩色图谱可以为：

通过制定着色规则，构造***故障彩色图谱，以图象的形式反映***设备的故障状态以及发生的时间顺序，更加直观化。

另外，该统计M个设备中每个设备的设定值随时间的变化情况还可以包括：

统计n个时间节点中每个时间节点发生故障的设备的ID及对应的故障数；

以m个设备中每个设备的故障发生时间为轴线，绘制DCS***的故障传播链，以便于发现各个设备之间故障的传播情况，实现故障自动诊断和快速溯源。

具体的，可以保留故障矩阵X中的横轴，作为时间轴。将故障矩阵X中的纵轴压缩为仅有时间轴的一维矢量。具体的压缩方式为，在故障矩阵X的每一列中，仅将每个时间节点上发生故障的设备ID提到故障矩阵的第一行中，所得到的矩阵为：

[ID_2+ID_4 ID_1 ID_2 ID1+ID_3]

时间轴

通过该方式，能够清晰的得到，不同设备随发生故障的先后顺序，以便于溯源。

具体实现以m个设备中每个设备的故障发生时间为轴线，绘制DCS***的故障传播链时，可以先绘制m个设备的ID；之后，n个时间节点中任意相邻的两个时间节点之间，采用单向箭头连接m个设备中故障发生在前的ID与故障发生在后设备的ID，且单向箭头由故障发生在前设备的ID指向故障发生在后设备的ID，以更加直观的展示出各个设备之间的故障传播情况。例如，参考图2，首先绘制不同设备ID的框图，以便于4个设备的ID。第一时间节点上ID_2设备与ID_4设备发生故障，其作为故障源头。在第二时间节点上，ID_1设备发生故障，则采用单向箭头连接ID_2设备与ID_1设备，且单向箭头由ID_2设备指向ID_1设备，同时采用单向箭头连接ID_4设备与ID_1设备，且单向箭头由ID_4设备指向ID_1设备。在第三时间节点上，ID_2设备发生故障，则采用单向箭头连接ID_1设备与ID_2设备，且单向箭头由ID_1设备指向ID_2设备。在第四时间节点上，ID_1设备及ID_3设备发生故障，则采用单向箭头连接ID_2设备与ID_3设备，且单向箭头由ID_2设备指向ID_3设备，同时采用单向箭头连接ID_2设备与ID_1设备，且单向箭头由ID_2设备指向ID_1设备。应当理解的是，上述仅仅示出了绘制传播链的一种方式，除此之外，还可以采用其他能够表示出设备之间的故障传播关系的传播链图。

另外，在故障数从1～N由小到大，依次表征设备故障状态的严重程度由轻到重时，该统计M个设备中每个设备的设定值随时间的变化情况还可以包括：对故障矩阵X中的行求和，得到：

其中，

表示第i个设备在设定时间段中的故障数之和可以得到每个设备对***故障的贡献度，从而确定需要重点关注的设备。例如，将上述的故障矩阵X中的行求和，得到：

sum₁＝[3 3 1 3]

可以更直观的得到每个设备对***故障的贡献度，从而确定需要重点关注的设备。

统计M个设备中每个设备的设定值随时间的变化情况还可以采用如下的方式：以故障矩阵X中每行的故障数作为指数函数e^x的自变量，采用如下公式对每行进行求和：

其中，

表示第i个设备在设定时间段中的故障严重程度。通过将每个设备在n个时间节点下的故障数变化作为指数函数e^x的自变量，将原来呈线性变化的故障数变换为呈扩散且非线性的变化，从而更加真实地模拟出设备的故障数越大，对***的损害程度越严重的情况，以更加真实的模拟某一设备在一段时间内的故障状态对整个***的损害程度。

另外，在故障数从1～N由小到大，依次表征设备故障状态的严重程度由轻到重时，该统计M个设备中每个设备的设定值随时间的变化情况还可以包括：对故障矩阵X中的列求和，得到：

其中，

示m个设备在第j时间节点的故障数之和，可以得到每个时间节点下***故障的贡献度，从而确定需要重点关注的时间节点。

另外，统计M个设备中每个设备的设定值随时间的变化情况还可以采用如下的方式：以故障矩阵X中每列的故障数作为指数函数e^x的自变量，采用如下公式对每列进行求和：

其中，

表示第j时间节点下m个设备的故障严重程度。通过将每个时间节点下的m个设备的故障数作为指数函数e的自变量，将原来呈线性变化的故障数变换为呈扩散且非线性的变化，从而更加真实地模拟出设备的故障数越大，对***的损害程度越严重的情况，以更加真实的模拟某一时间节点下m个设备的故障情况对整个***的损害程度。

统计M个设备中每个设备的设定值随时间的变化情况还可以采用如下方式：以故障矩阵X中的所有元素作为指数函数e^x的自变量，采用如下公式对故障矩阵X的所有元素进行求和：

其中，Fault_score表示在设定时间段内所述m个设备的故障严重程度。通过将n个时间节点下的m个设备的故障数作为指数函数e^x的自变量，将原来呈线性变化的故障数变换为呈扩散且非线性的变化，从而更加真实地模拟出设备的故障数越大，对***的损害程度越严重的情况，以更加真实的模拟某一时间段内m个设备的故障情况对整个***的损害程度。

通过建立包含M个设备的状态信息及每个设备的ID，给状态语料库中不同的状态信息赋予不同的设定值，并统计M个设备中每个设备的设定值随时间的变化情况，从而将设备的故障状态随时间轴的变化通过设定值随时间轴的变化展现出来，从而使DCS***中的设备的故障变化情况直观化，便于诊断出DCS***中的设备的故障变化情况，实现对DCS***中的设备进行故障快速诊断及溯源。

以上所述，仅为本发明的具体实施方式，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该以权利要求的保护范围为准。

Claims (14)

1.一种DCS***的故障诊断方法，其中，所述DCS***包括多个设备，其特征在于，所述故障诊断方法包括：

获取所述DCS***的运维日志；

根据所述运维日志建立状态语料库；其中，所述状态语料库包含M个设备的状态信息及所述M个设备中每个设备的ID；

给所述状态语料库中不同的状态信息赋予不同的设定值；

统计所述状态语料库中所述M个设备中每个设备的设定值随时间的变化情况。

2.如权利要求1所述的故障诊断方法，其特征在于，所述根据所述运维日志建立所述状态语料库具体为：

按行遍历所述DCS***的运维日志；

利用自然语言处理的分词算法，将所述运维日志转存为同一设定格式；

统计代表状态信息的关键字，建立所述M个设备的状态语料库。

3.如权利要求2所述的故障诊断方法，其特征在于，所述同一设定格式为csv格式。

4.如权利要求1所述的故障诊断方法，其特征在于，所述给所述状态语料库中不同的状态信息赋予不同的设定值具体为：

给无故障的状态赋予故障数0；

给第一故障状态赋予故障数1；

给第二故障状态赋予故障数2；

…

给第N故障状态赋予故障数N。

5.如权利要求4所述的故障诊断方法，其特征在于，所述统计所述M个设备中每个设备的设定值随时间的变化情况包括：

从所述M个设备中筛选出m个设备，其中，所述m个设备中的每个设备在设定时间段内至少发生一次故障；

在所述设定时间段内，所述m个设备中至少有一个设备出现故障时拾取一个时间节点，共拾取n个时间节点；

以所述n个时间节点按时间先后顺序排列，作为矩阵的行，以所述m个设备中在对应时间节点上出现故障的ID作为矩阵的列，建立如下的故障矩阵X：

其中，故障矩阵X中的x_ij代表第i个设备在第j个时间节点时的故障数。

6.如权利要求5所述的故障诊断方法，其特征在于，所述统计所述m个设备中每个设备的设定值随时间的变化情况还包括：

将代表不同故障状态的故障数赋予不同的颜色，绘制故障图谱。

7.如权利要求5所述的故障诊断方法，其特征在于，所述统计所述M个设备中每个设备的设定值随时间的变化情况还包括：

统计所述n个时间节点中每个时间节点发生故障的设备的ID及对应的故障数；

以所述m个设备中每个设备的故障发生时间为轴线，绘制所述DCS***的故障传播链。

8.如权利要求7所述的故障诊断方法，其特征在于，所述以所述m个设备中每个设备的故障发生时间为轴线，绘制所述DCS***的故障传播链具体为：

绘制所述m个设备的ID；

所述n个时间节点中任意相邻的两个时间节点之间，采用单向箭头连接所述m个设备中故障发生在前设备的ID与故障发生在后设备的ID，且所述单向箭头由故障发生在前设备的ID指向故障发生在后设备的ID。

9.如权利要求5所述的故障诊断方法，其特征在于，所述故障数从1～N由小到大，依次表征设备故障状态的严重程度由轻到重。

10.如权利要求9所述的故障诊断方法，其特征在于，所述统计所述M个设备中每个设备的设定值随时间的变化情况还包括：

对故障矩阵X中的行求和，得到：

其中，

表示第i个设备在所述设定时间段中的故障数之和。

11.如权利要求9所述的故障诊断方法，其特征在于，所述统计所述M个设备中每个设备的设定值随时间的变化情况还包括：

以故障矩阵X中每行的故障数作为指数函数e^x的自变量，采用如下公式对每行进行求和：

其中，

表示第i个设备在所述设定时间段中的故障严重程度。

12.如权利要求9所述的故障诊断方法，其特征在于，所述统计所述M个设备中每个设备的设定值随时间的变化情况还包括：

对故障矩阵X中的列求和，得到：

其中，

表示所述m个设备在第j个时间结点的故障数之和。

13.如权利要求9所述的故障诊断方法，其特征在于，所述统计所述M个设备中每个设备的设定值随时间的变化情况还包括：

以故障矩阵X中每列的故障数作为指数函数e^x的自变量，采用如下公式对每列进行求和：

其中，

表示第j时间节点下所述m个设备的故障严重程度。

14.如权利要求9所述的故障诊断方法，其特征在于，所述统计所述M个设备中每个设备的设定值随时间的变化情况还包括：

以故障矩阵X中的所有元素作为指数函数e^x的自变量，采用如下公式对故障矩阵X的所有元素进行求和：

其中，Fault_score表示在所述设定时间段内所述m个设备的故障严重程度。

Images