CN114764967A - 联合学习框架下设备故障报警的方法 - Google Patents
联合学习框架下设备故障报警的方法 Download PDFInfo
- Publication number
- CN114764967A CN114764967A CN202110051037.7A CN202110051037A CN114764967A CN 114764967 A CN114764967 A CN 114764967A CN 202110051037 A CN202110051037 A CN 202110051037A CN 114764967 A CN114764967 A CN 114764967A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- alarm
- module
- equipment
- 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 53
- 238000010801 machine learning Methods 0.000 claims abstract description 54
- 238000012544 monitoring process Methods 0.000 claims abstract description 28
- 238000013145 classification model Methods 0.000 claims abstract description 19
- 230000000737 periodic effect Effects 0.000 claims description 66
- 230000002159 abnormal effect Effects 0.000 claims description 46
- 238000013499 data model Methods 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 15
- 238000007619 statistical method Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 10
- 230000001788 irregular Effects 0.000 claims description 10
- 230000008520 organization Effects 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims 1
- 230000009471 action Effects 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000002918 waste heat Substances 0.000 description 1
Images
Classifications
-
- 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
- G08B21/18—Status alarms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了联合学习框架下设备故障报警的方法，联合学习框架下设备故障报警的方法，包括以下步骤：S1设置数据点：在使用设备的关键部位数据点处设置不同的传感器，传感器从使用设备的各关键部位数据点处收集数据；S2数据分类：将各个传感器收集到的使用设备关键部位数据点的数据进行分类，使用分类模型进行学习。本发明提出的联合学习框架下设备故障报警的方法，通过设置机器学习模块对原始数据进行数据分类，并根据不同的的数据类型建立不同的报警模型，分性质进行报警，使得报警更加准确，在数据异常监测模块的作用下，可以通过人工反馈模块标注是否误报，可以辅助方法更快更准确的更新迭代。
Description
技术领域
本发明涉及联合学习设备故障报警技术领域，特别涉及联合学习框架下设备故障报警的方法。
背景技术
联合学习又称联邦学习，是一个机器学习框架，能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模。联邦学习作为分布式的机器学习范式,可以有效解决数据孤岛问题,让参与方在不共享数据的基础上联合建模,能从技术上打破数据孤岛,实现AI协作。联邦学习定义了机器学习框架，在此框架下通过设计虚拟模型解决不同数据拥有方在不交换数据的情况下进行协作的问题。虚拟模型是各方将数据聚合在一起的最优模型，各自区域依据模型为本地目标服务。联邦学习要求此建模结果应当无限接近传统模式，即将多个数据拥有方的数据汇聚到一处进行建模的结果。在联邦机制下，各参与者的身份和地位相同，可建立共享数据策略。由于数据不发生转移，因此不会泄露用户隐私或影响数据规范。为了保护数据隐私、满足合法合规的要求。
联邦学习有三大构成要素：数据源、联邦学习***、用户。三者间关系如图所示，在联邦学习***下，各个数据源方进行数据预处理，共同建立及其学习模型，并将输出结果反馈给用户。在传统的机器学习建模中，通常是把模型训练需要的数据集合到一个数据中心然后再训练模型，之后预测。在横向联邦学习中，可以看作是基于样本的分布式模型训练，分发全部数据到不同的机器，每台机器从服务器下载模型，然后利用本地数据训练模型，之后返回给服务器需要更新的参数；服务器聚合各机器上的返回的参数，更新模型，再把最新的模型反馈到每台机器。联合学习基本步骤如下：
1.参与方各自从服务器A下载最新模型；2.每个参与方利用本地数据训练模型，加密梯度上传给服务器A，服务器A聚各用户的梯度更新模型参数；3.服务器A返回更新后的模型给各参与方；4.各参与方更新各自模型。
综合能源***中集成了综合能源转化设备，比如发电机、余热蒸汽锅炉、锅炉、光伏和地源热泵等，就像一个能源转化和能源配置的工厂。因而当考虑综合能源***的经济、环保、高效等目标时，设备的异常报警成为我们解决问题的首要切入点。以智慧运维为目标，把现场设备连接至云端，实时从现场获取设备的运行数据。同时，在云端提供服务，不间断地扫描数据，将设备异常报警。让用户日常运维工作“够快、够准”。基于对数据和现场设备的理解，提供了异常报警方法。同时，加入联合学习框架，可以在全局模型的更新，迭代，融合更加的容易。联合学习框架下也会对数据提供更多的保护。
综合能源***有很多设备，一旦设备出现异常，会影响整个***的运行，所以及时的将设备异常报警是非常有必要的维护手段。根据行业专家、设备专家经验，将传感器放置于设备关键部位，并制定相关传感器参数的规则(例如设备的上下限等)。收集设备数据，并对数据进行分类，验证数据是否具备周期性，对于无周期性数据，(1)如果此项参数有规则，则进行规则判断，对不符合规则的数据进行报警。(2)如此项参数没有规则，则使用统计方法判定规则，加入置信区间，对超出置信区间的数据判断为异常，并报警。(3)具备周期性的数据，使用周期性模型进行学习，掌握数据周期性，当数据不符合周期变化时，进行报警处理。
上述所有报警，如经过人工反馈环节，则可标注是否为误报，并帮助加快更新模型。如(1)中出现误报，则需要通过专家或设备厂商校准后得到新规则并更新，如(2)中出现误报，将数据重新训练，得到统计模型的新参数，设置新的置信区间并更新，如(3)中出现误报，将数据用于重新训练周期性模型，修正参数并更新。
现有技术中采用的设备报警方法，存在以下问题：1、仅仅使用阀值规则，很多设备的周期无法或得，容易误报；2、数据无法得到训练和更新；3、不能人工反馈，更新速度慢；3、需要大量的人力来校准参数，工作效率低；4、仅适用于特定的设备，使用范围有限。
发明内容
本发明的目的在于提供联合学习框架下设备故障报警的方法，通过设置机器学习模块对原始数据进行数据分类，并根据不同的的数据类型建立不同的报警模型，分性质进行报警，且在数据异常监测模块的作用下，可以通过人工反馈模块标注是否误报，可以辅助方法更快更准确的更新迭代，机器学习模块在整个报警过程中应用，能够适用于不同能源场合下的设备报警方法，另外使用设备各数据点与全局模型模块连接接，可以使用自己的模型上传到总服务器，如果没有自己的模型，则可以从全局模型器下载报警模型，并在自己的数据点进行融合，学习，训练，得到答案，从而使得全局模型得到更新，适用性更强，模型更多，报警模型可以不断学习和自主创新，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：联合学习框架下设备故障报警的方法，包括以下步骤：
S1设置数据点：在使用设备的关键部位数据点处设置不同的传感器，传感器从使用设备的各关键部位数据点处收集数据；
S2数据分类：将各个传感器收集到的使用设备关键部位数据点的数据进行分类，使用分类模型进行学习，确定不同类型数据的报警模型；
S3异常汇总与反馈：将所有异常报警汇总，得到异常报告，针对异常情况，组织专家和维护人员对使用设备进行检查维护，如未发现异常则判断为误报，通过人工反馈，标注误报数据，并消除误报影响；
S4学习校正：机器学习模块针对S3中异常汇总，自动学习使用设备参数的新规则，针对不同的数据再次分类，重新进行校正；
S5加入联合学习框架：使用设备各数据点将各自的报警模型加入至联合学习框架中的全局模型模块中，全局模型模块接收报警模型，更新模型类型。
优选的，所述S2数据分类可以分为周期性数据和非周期性数据，其中非周期性数据又包括规则数据和无规则数据。
优选的，所述周期性数据进行模型学习包括以下步骤：
S211：确定周期方程中各个参数，根据确定的周期方程拟定周期曲线；
S212：录入新的数据，当数据跟随已有的周期曲线规律性变化时，则无异常，反之，当新数据偏离周期曲线时，使用设备报警。
优选的，所述有规则数据进行模型学习包括以下步骤：
S221：输入新的数据，根据使用设备出产时设定的阀值，对数据进行判断；
S222：在设定阀值的区间内，则无异常发生，反之超出阀值设定区间，使用设备报警。
优选的，所述无规则数据进行模型学习包括以下步骤：
S231：使用机器学习的方法剔除脏数据，机器学习方法可以采用聚类算法；
S232：将清洗后的数据使用统计方法确定规则，统计方法包括正态分布判断方法和泊松分布判断方法，确定模型参数，得到模型；
S233：录入新数据进模型，如果新数据在置信区间内，则无异常，反之，如果数据偏离置信区间，则使用设备报警。
优选的，所述S4学习校正包括以下内容：
S41：校正周期方程的参数或者重新确定周期方程中的参数值，根据新的参数值，确定周期方程，并根据新确定的周期方程拟定周期曲线；
S42：组织专家和使用设备厂商重新定使用设备阀值，取用新的阀值替换出厂设定阀值；
S43：机器学习，重新判断使用哪种统计方法，并计算更新该模型参数，获得新的模型。
优选的，所述S5加入联合学习框架包括以下内容：
S51：接收新的使用设备数据点的数据模型，采用加密方式上传，更新全局模型中报警模型；
S52：全局模型模块返回新的报警模型给数据点给已有的使用设备的数据点，覆盖原先使用设备的数据点报警模型；
S53：没有自己报警模型的使用设备数据点可以从全局模型模块中下载报警模型，并在自己的数据点进行融合、学习、训练，适应该数据点的数据特征。
优选的，所述使用设备内设置有多个数据点，各数据点均设置有报警模型应用模块，报警模型应用模块与传感器电性连接，使用设备内还设置有报警模块。
优选的，所述报警模型应用模块电性连接有机器学习模块，机器学习模块电性连接有数据异常监测模块，数据异常监测模块分别与报警模型应用模块和报警模块电性连接，数据异常监测模块连接有异常报告模块和人工反馈模块，人工反馈模块与机器学习模块通信连接，机器学习模块通信连接全局模型模块，全局模型模块与使用设备电性连接。
优选的，所述机器学习模块包括数据分类单元、模型确定单元和学习新规则单元，数据分类单元的输入端与报警模型应用模块电性连接，数据分类单元内设置有分类模型，分类模型采用FFT快速傅里叶变换模型，数据分类单元与模型确定单元电性连接，模型确定单元的输出端与数据异常监测模块电性连接，学习新规则单元分别与数据分类单元、人工反馈模块和全局模型模块电性连接。
与现有技术相比，本发明的有益效果是：
1、本发明提出的联合学习框架下设备故障报警的方法，通过设置机器学习模块对原始数据进行数据分类，并根据不同的的数据类型建立不同的报警模型，分性质进行报警，使得报警更加准确。
2、本发明提出的联合学习框架下设备故障报警的方法，在数据异常监测模块的作用下，可以通过人工反馈模块标注是否误报，可以辅助方法更快更准确的更新迭代。
3、本发明提出的联合学习框架下设备故障报警的方法，机器学习模块在整个报警过程中应用，能够适用于不同能源场合下的设备报警方法。
4、本发明提出的联合学习框架下设备故障报警的方法，使用设备各数据点与全局模型模块连接接，可以使用自己的模型上传到总服务器，如果没有自己的模型，则可以从全局模型器下载报警模型，并在自己的数据点进行融合，学习，训练，得到答案，从而使得全局模型得到更新，适用性更强，模型更多，报警模型可以不断学习和自主创新。
附图说明
图1为本发明的算法图；
图2为本发明的模块图；
图3为本发明的工作流程图；
图4为本发明的周期性数据模型学习流程图；
图5为本发明的周期性数据进行模型学习判断图；
图6为本发明的学习校正流程图；
图7为本发明的加入联合学习框架结构图；
图8为本发明的有规则数据模型学习流程图；
图9为本发明的有规则数据模型学习判断图；
图10为本发明的无规则数据模型学习流程图。
图中：1、使用设备；11、传感器；12、报警模型应用模块；13、报警模块；2、机器学习模块；21、数据分类单元；22、模型确定单元；23、学习新规则单元；3、数据异常监测模块；4、异常报告模块；5、人工反馈模块；6、全局模型模块。
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。
实施例一：
请参阅图1-图7，联合学习框架下设备故障报警的方法，包括以下步骤：
S1设置数据点：在使用设备1的关键部位数据点处设置不同的传感器11，传感器11从使用设备1的各关键部位数据点处收集数据；
S2数据分类：数据分类单元21将各个传感器11收集到的使用设备1关键部位数据点的数据进行分类，使用分类模型进行学习，确定不同类型数据的报警模型，数据分类可以分为周期性数据和非周期性数据，其中非周期性数据又包括规则数据和无规则数据；
请参阅图4-图5，周期性数据进行模型学习包括以下步骤：
S211：确定周期方程中各个参数，根据确定的周期方程拟定周期曲线；
S212：录入新的数据，当数据跟随已有的周期曲线规律性变化时，则无异常，反之，当新数据偏离周期曲线时，使用设备1报警，图5中画圈部分为新数据偏离周期曲线。
S3异常汇总与反馈：将所有异常报警汇总，得到异常报告，针对异常情况，组织专家和维护人员对使用设备1进行检查维护，如未发现异常则判断为误报，通过人工反馈，标注误报数据，并消除误报影响；
S4学习校正：机器学习模块2针对S3中异常汇总，学习新规则单元23自动学习使用设备1参数的新规则，针对不同的数据再次分类，重新进行校正；
S4学习校正包括以下内容：
S41：校正周期方程的参数或者重新确定周期方程中的参数值，根据新的参数值，确定周期方程，并根据新确定的周期方程拟定周期曲线；
S42：组织专家和使用设备1厂商重新定使用设备1阀值，取用新的阀值替换出厂设定阀值；
S43：机器学习，重新判断使用哪种统计方法，并计算更新该模型参数，获得新的模型。
其中步骤S41针对的是周期性数据模型出现异常后的学习校正方法。
S5加入联合学习框架：使用设备1各数据点将各自的报警模型加入至联合学习框架中的全局模型模块6中，全局模型模块6接收报警模型，更新模型类型，S5加入联合学习框架包括以下内容：
S51：接收新的使用设备1数据点的数据模型，采用加密方式上传，更新全局模型中报警模型；
S52：全局模型模块6返回新的报警模型给数据点给已有的使用设备1的数据点，覆盖原先使用设备1的数据点报警模型；
S53：没有自己报警模型的使用设备1数据点可以从全局模型模块6中下载报警模型，并在自己的数据点进行融合、学习、训练，适应该数据点的数据特征。
使用设备1内设置有多个数据点，各数据点均设置有报警模型应用模块12，报警模型应用模块12与传感器11电性连接，报警模型应用模块12用于接收报警模型，并将新的传感器11接收数据进行训练、学习，使用设备1内还设置有报警模块13，传感器11检测数据不在报警模型的正常数值内时，报警模块13报警，报警模型应用模块12电性连接有机器学习模块2，机器学习模块2电性连接有数据异常监测模块3，数据异常监测模块3分别与报警模型应用模块12和报警模块13电性连接，数据异常监测模块3检测报警情况，并将报警数据汇总，数据异常监测模块3连接有异常报告模块4和人工反馈模块5，异常报告模块4接收报警数据汇总，制成异常报告，人工反馈模块5与机器学习模块2通信连接，人工反馈模块5在接收报警模型应用模块12异常报警后，人工反馈模块5判断是否真有异常，未发现异常则判断为误报，通过人工反馈，标注误报数据，并消除误报影响，机器学习模块2通信连接全局模型模块6，全局模型模块6与使用设备1电性连接，机器学习模块2包括数据分类单元21、模型确定单元22和学习新规则单元23，数据分类单元21的输入端与报警模型应用模块12电性连接，数据分类单元21各个传感器11收集到的使用设备1关键部位数据点的数据进行分类，使用分类模型进行学习，确定不同类型数据的报警模型，数据分类单元21内设置有分类模型，分类模型采用FFT快速傅里叶变换模型，数据分类单元21与模型确定单元22电性连接，模型确定单元22确定不同类型数据对应的报警模型，模型确定单元22的输出端与数据异常监测模块3电性连接，学习新规则单元23分别与数据分类单元21、人工反馈模块5和全局模型模块6电性连接，学习新规则单元23自动学习使用设备1参数的新规则，针对不同的数据再次分类，重新进行校正。
实施例二：
联合学习框架下设备故障报警的方法，包括以下步骤：
S1设置数据点：在使用设备1的关键部位数据点处设置不同的传感器11，传感器11从使用设备1的各关键部位数据点处收集数据；
S2数据分类：数据分类单元21将各个传感器11收集到的使用设备1关键部位数据点的数据进行分类，使用分类模型进行学习，确定不同类型数据的报警模型，数据分类可以分为周期性数据和非周期性数据，其中非周期性数据又包括规则数据和无规则数据；
请参阅图8-图9，有规则数据进行模型学习包括以下步骤：
S221：输入新的数据，根据使用设备1出产时设定的阀值，对数据进行判断；
S222：在设定阀值的区间内，则无异常发生，反之超出阀值设定区间，使用设备1报警，图9中在上下限之间的数据值为正常值，上下限之外的数据值为报警数值。
S3异常汇总与反馈：将所有异常报警汇总，得到异常报告，针对异常情况，组织专家和维护人员对使用设备1进行检查维护，如未发现异常则判断为误报，通过人工反馈，标注误报数据，并消除误报影响；
S4学习校正：机器学习模块2针对S3中异常汇总，学习新规则单元23自动学习使用设备1参数的新规则，针对不同的数据再次分类，重新进行校正；
S4学习校正包括以下内容：
S41：校正周期方程的参数或者重新确定周期方程中的参数值，根据新的参数值，确定周期方程，并根据新确定的周期方程拟定周期曲线；
S42：组织专家和使用设备1厂商重新定使用设备1阀值，取用新的阀值替换出厂设定阀值；
S43：机器学习，重新判断使用哪种统计方法，并计算更新该模型参数，获得新的模型。
其中步骤S42针对的是有规则数据模型出现异常后的学习校正方法。
S5加入联合学习框架：使用设备1各数据点将各自的报警模型加入至联合学习框架中的全局模型模块6中，全局模型模块6接收报警模型，更新模型类型，S5加入联合学习框架包括以下内容：
S51：接收新的使用设备1数据点的数据模型，采用加密方式上传，更新全局模型中报警模型；
S52：全局模型模块6返回新的报警模型给数据点给已有的使用设备1的数据点，覆盖原先使用设备1的数据点报警模型；
S53：没有自己报警模型的使用设备1数据点可以从全局模型模块6中下载报警模型，并在自己的数据点进行融合、学习、训练，适应该数据点的数据特征。
使用设备1内设置有多个数据点，各数据点均设置有报警模型应用模块12，报警模型应用模块12与传感器11电性连接，报警模型应用模块12用于接收报警模型，并将新的传感器11接收数据进行训练、学习，使用设备1内还设置有报警模块13，传感器11检测数据不在报警模型的正常数值内时，报警模块13报警，报警模型应用模块12电性连接有机器学习模块2，机器学习模块2电性连接有数据异常监测模块3，数据异常监测模块3分别与报警模型应用模块12和报警模块13电性连接，数据异常监测模块3检测报警情况，并将报警数据汇总，数据异常监测模块3连接有异常报告模块4和人工反馈模块5，异常报告模块4接收报警数据汇总，制成异常报告，人工反馈模块5与机器学习模块2通信连接，人工反馈模块5在接收报警模型应用模块12异常报警后，人工反馈模块5判断是否真有异常，未发现异常则判断为误报，通过人工反馈，标注误报数据，并消除误报影响，机器学习模块2通信连接全局模型模块6，全局模型模块6与使用设备1电性连接，机器学习模块2包括数据分类单元21、模型确定单元22和学习新规则单元23，数据分类单元21的输入端与报警模型应用模块12电性连接，数据分类单元21各个传感器11收集到的使用设备1关键部位数据点的数据进行分类，使用分类模型进行学习，确定不同类型数据的报警模型，数据分类单元21内设置有分类模型，分类模型采用FFT快速傅里叶变换模型，数据分类单元21与模型确定单元22电性连接，模型确定单元22确定不同类型数据对应的报警模型，模型确定单元22的输出端与数据异常监测模块3电性连接，学习新规则单元23分别与数据分类单元21、人工反馈模块5和全局模型模块6电性连接，学习新规则单元23自动学习使用设备1参数的新规则，针对不同的数据再次分类，重新进行校正。
实施例三：
请参阅图1，联合学习框架下设备故障报警的方法，包括以下步骤：
S1设置数据点：在使用设备1的关键部位数据点处设置不同的传感器11，传感器11从使用设备1的各关键部位数据点处收集数据；
S2数据分类：数据分类单元21将各个传感器11收集到的使用设备1关键部位数据点的数据进行分类，使用分类模型进行学习，确定不同类型数据的报警模型，数据分类可以分为周期性数据和非周期性数据，其中非周期性数据又包括规则数据和无规则数据；
请参阅图10，无规则数据进行模型学习包括以下步骤：
S231：使用机器学习的方法剔除脏数据，机器学习方法可以采用聚类算法；
S232：将清洗后的数据使用统计方法确定规则，统计方法包括正态分布判断方法和泊松分布判断方法，确定模型参数，得到模型；
S233：录入新数据进模型，如果新数据在置信区间内，则无异常，反之，如果数据偏离置信区间，则使用设备1报警。
S3异常汇总与反馈：将所有异常报警汇总，得到异常报告，针对异常情况，组织专家和维护人员对使用设备1进行检查维护，如未发现异常则判断为误报，通过人工反馈，标注误报数据，并消除误报影响；
S4学习校正：机器学习模块2针对S3中异常汇总，学习新规则单元23自动学习使用设备1参数的新规则，针对不同的数据再次分类，重新进行校正；
S4学习校正包括以下内容：
S41：校正周期方程的参数或者重新确定周期方程中的参数值，根据新的参数值，确定周期方程，并根据新确定的周期方程拟定周期曲线；
S42：组织专家和使用设备1厂商重新定使用设备1阀值，取用新的阀值替换出厂设定阀值；
S43：机器学习，重新判断使用哪种统计方法，并计算更新该模型参数，获得新的模型。
其中步骤S43针对的是无规则数据模型出现异常后的学习校正方法。
S5加入联合学习框架：使用设备1各数据点将各自的报警模型加入至联合学习框架中的全局模型模块6中，全局模型模块6接收报警模型，更新模型类型，S5加入联合学习框架包括以下内容：
S51：接收新的使用设备1数据点的数据模型，采用加密方式上传，更新全局模型中报警模型；
S52：全局模型模块6返回新的报警模型给数据点给已有的使用设备1的数据点，覆盖原先使用设备1的数据点报警模型；
S53：没有自己报警模型的使用设备1数据点可以从全局模型模块6中下载报警模型，并在自己的数据点进行融合、学习、训练，适应该数据点的数据特征。
使用设备1内设置有多个数据点，各数据点均设置有报警模型应用模块12，报警模型应用模块12与传感器11电性连接，报警模型应用模块12用于接收报警模型，并将新的传感器11接收数据进行训练、学习，使用设备1内还设置有报警模块13，传感器11检测数据不在报警模型的正常数值内时，报警模块13报警，报警模型应用模块12电性连接有机器学习模块2，机器学习模块2电性连接有数据异常监测模块3，数据异常监测模块3分别与报警模型应用模块12和报警模块13电性连接，数据异常监测模块3检测报警情况，并将报警数据汇总，数据异常监测模块3连接有异常报告模块4和人工反馈模块5，异常报告模块4接收报警数据汇总，制成异常报告，人工反馈模块5与机器学习模块2通信连接，人工反馈模块5在接收报警模型应用模块12异常报警后，人工反馈模块5判断是否真有异常，未发现异常则判断为误报，通过人工反馈，标注误报数据，并消除误报影响，机器学习模块2通信连接全局模型模块6，全局模型模块6与使用设备1电性连接，机器学习模块2包括数据分类单元21、模型确定单元22和学习新规则单元23，数据分类单元21的输入端与报警模型应用模块12电性连接，数据分类单元21各个传感器11收集到的使用设备1关键部位数据点的数据进行分类，使用分类模型进行学习，确定不同类型数据的报警模型，数据分类单元21内设置有分类模型，分类模型采用FFT快速傅里叶变换模型，数据分类单元21与模型确定单元22电性连接，模型确定单元22确定不同类型数据对应的报警模型，模型确定单元22的输出端与数据异常监测模块3电性连接，学习新规则单元23分别与数据分类单元21、人工反馈模块5和全局模型模块6电性连接，学习新规则单元23自动学习使用设备1参数的新规则，针对不同的数据再次分类，重新进行校正。
综上所述：本联合学习框架下设备故障报警的方法，通过设置机器学习模块2对原始数据进行数据分类，并根据不同的的数据类型建立不同的报警模型，分性质进行报警，且在数据异常监测模块3的作用下，可以通过人工反馈模块5标注是否误报，可以辅助方法更快更准确的更新迭代，机器学习模块2在整个报警过程中应用，能够适用于不同能源场合下的设备报警方法，另外使用设备1各数据点与全局模型模块6连接接，可以使用自己的模型上传到总服务器，如果没有自己的模型，则可以从全局模型器下载报警模型，并在自己的数据点进行融合，学习，训练，得到答案，从而使得全局模型得到更新，适用性更强，模型更多，报警模型可以不断学习和自主创新。
以上，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披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (10)
1.联合学习框架下设备故障报警的方法，其特征在于，包括以下步骤：
S1设置数据点：在使用设备(1)的关键部位数据点处设置不同的传感器(11)，传感器(11)从使用设备(1)的各关键部位数据点处收集数据；
S2数据分类：将各个传感器(11)收集到的使用设备(1)关键部位数据点的数据进行分类，使用分类模型进行学习，确定不同类型数据的报警模型；
S3异常汇总与反馈：将所有异常报警汇总，得到异常报告，针对异常情况，组织专家和维护人员对使用设备(1)进行检查维护，如未发现异常则判断为误报，通过人工反馈，标注误报数据，并消除误报影响；
S4学习校正：机器学习模块(3)针对S3中异常汇总，自动学习使用设备(1)参数的新规则，针对不同的数据再次分类，重新进行校正；
S5加入联合学习框架：使用设备(1)各数据点将各自的报警模型加入至联合学习框架中的全局模型模块(6)中，全局模型模块(6)接收报警模型，更新模型类型。
2.如权利要求1所述的联合学习框架下设备故障报警的方法，其特征在于：所述S2数据分类可以分为周期性数据和非周期性数据，其中非周期性数据又包括规则数据和无规则数据。
3.如权利要求2所述的联合学习框架下设备故障报警的方法，其特征在于：所述周期性数据进行模型学习包括以下步骤：
S211：确定周期方程中各个参数，根据确定的周期方程拟定周期曲线；
S212：录入新的数据，当数据跟随已有的周期曲线规律性变化时，则无异常，反之，当新数据偏离周期曲线时，使用设备(1)报警。
4.如权利要求2所述的联合学习框架下设备故障报警的方法，其特征在于：所述有规则数据进行模型学习包括以下步骤：
S221：输入新的数据，根据使用设备(1)出产时设定的阀值，对数据进行判断；
S222：在设定阀值的区间内，则无异常发生，反之超出阀值设定区间，使用设备(1)报警。
5.如权利要求2所述的联合学习框架下设备故障报警的方法，其特征在于：所述无规则数据进行模型学习包括以下步骤：
S231：使用机器学习的方法剔除脏数据，机器学习方法可以采用聚类算法；
S232：将清洗后的数据使用统计方法确定规则，统计方法包括正态分布判断方法和泊松分布判断方法，确定模型参数，得到模型；
S233：录入新数据进模型，如果新数据在置信区间内，则无异常，反之，如果数据偏离置信区间，则使用设备(1)报警。
6.如权利要求1所述的联合学习框架下设备故障报警的方法，其特征在于：所述S4学习校正包括以下内容：
S41：校正周期方程的参数或者重新确定周期方程中的参数值，根据新的参数值，确定周期方程，并根据新确定的周期方程拟定周期曲线；
S42：组织专家和使用设备(1)厂商重新定使用设备(1)阀值，取用新的阀值替换出厂设定阀值；
S43：机器学习，重新判断使用哪种统计方法，并计算更新该模型参数，获得新的模型。
7.如权利要求1所述的联合学习框架下设备故障报警的方法，其特征在于：所述S5加入联合学习框架包括以下内容：
S51：接收新的使用设备(1)数据点的数据模型，采用加密方式上传，更新全局模型中报警模型；
S52：全局模型模块(6)返回新的报警模型给数据点给已有的使用设备(1)的数据点，覆盖原先使用设备(1)的数据点报警模型；
S53：没有自己报警模型的使用设备(1)数据点可以从全局模型模块(6)中下载报警模型，并在自己的数据点进行融合、学习、训练，适应该数据点的数据特征。
8.如权利要求1所述的联合学习框架下设备故障报警的方法，其特征在于：所述使用设备(1)内设置有多个数据点，各数据点均设置有报警模型应用模块(12)，报警模型应用模块(12)与传感器(11)电性连接，使用设备(1)内还设置有报警模块(13)。
9.如权利要求8所述的联合学习框架下设备故障报警的方法，其特征在于：所述报警模型应用模块(12)电性连接有机器学习模块(2)，机器学习模块(2)电性连接有数据异常监测模块(3)，数据异常监测模块(3)分别与报警模型应用模块(12)和报警模块(13)电性连接，数据异常监测模块(3)连接有异常报告模块(4)和人工反馈模块(5)，人工反馈模块(5)与机器学习模块(2)通信连接，机器学习模块(2)通信连接全局模型模块(6)，全局模型模块(6)与使用设备(1)电性连接。
10.如权利要求9所述的联合学习框架下设备故障报警的方法，其特征在于：所述机器学习模块(2)包括数据分类单元(21)、模型确定单元(22)和学习新规则单元(23)，数据分类单元(21)的输入端与报警模型应用模块(12)电性连接，数据分类单元(21)内设置有分类模型，分类模型采用FFT快速傅里叶变换模型，数据分类单元(21)与模型确定单元(22)电性连接，模型确定单元(22)的输出端与数据异常监测模块(3)电性连接，学习新规则单元(23)分别与数据分类单元(21)、人工反馈模块(5)和全局模型模块(6)电性连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110051037.7A CN114764967A (zh) | 2021-01-14 | 2021-01-14 | 联合学习框架下设备故障报警的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110051037.7A CN114764967A (zh) | 2021-01-14 | 2021-01-14 | 联合学习框架下设备故障报警的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114764967A true CN114764967A (zh) | 2022-07-19 |
Family
ID=82363105
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110051037.7A Pending CN114764967A (zh) | 2021-01-14 | 2021-01-14 | 联合学习框架下设备故障报警的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114764967A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106716158A (zh) * | 2014-06-11 | 2017-05-24 | 北京交通大学 | 电池荷电状态估算方法和装置 |
| CN109032829A (zh) * | 2018-07-23 | 2018-12-18 | 腾讯科技（深圳）有限公司 | 数据异常检测方法、装置、计算机设备及存储介质 |
| US20190050749A1 (en) * | 2017-08-11 | 2019-02-14 | Google Inc. | On-Device Machine Learning Platform |
| CN109933500A (zh) * | 2019-03-27 | 2019-06-25 | 新奥数能科技有限公司 | 设备故障告警方法、装置、可读介质及电子设备 |
| US20200218937A1 (en) * | 2019-01-03 | 2020-07-09 | International Business Machines Corporation | Generative adversarial network employed for decentralized and confidential ai training |
| US20200242511A1 (en) * | 2019-01-30 | 2020-07-30 | Oracle International Corporation | Dynamic Data Selection for a Machine Learning Model |
| JP2020149656A (ja) * | 2019-03-11 | 2020-09-17 | ドクエイ、インコーポレイテッドＤｏｃ．Ａｉ Ｉｎｃｏｒｐｏｒａｔｅｄ | 医療リサーチ適用のための連合ラーニングモデルを有するシステムおよび方法 |
| CN111737749A (zh) * | 2020-06-28 | 2020-10-02 | 南方电网科学研究院有限责任公司 | 基于联邦学习的计量装置告警预测方法及设备 |
| CN111865826A (zh) * | 2020-07-02 | 2020-10-30 | 大连理工大学 | 一种基于联邦学习的主动内容缓存方法 |
| CN112217626A (zh) * | 2020-08-24 | 2021-01-12 | 中国人民解放军战略支援部队信息工程大学 | 基于情报共享的网络威胁协同防御***及方法 |
-
2021
- 2021-01-14 CN CN202110051037.7A patent/CN114764967A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106716158A (zh) * | 2014-06-11 | 2017-05-24 | 北京交通大学 | 电池荷电状态估算方法和装置 |
| US20190050749A1 (en) * | 2017-08-11 | 2019-02-14 | Google Inc. | On-Device Machine Learning Platform |
| CN109032829A (zh) * | 2018-07-23 | 2018-12-18 | 腾讯科技（深圳）有限公司 | 数据异常检测方法、装置、计算机设备及存储介质 |
| US20200218937A1 (en) * | 2019-01-03 | 2020-07-09 | International Business Machines Corporation | Generative adversarial network employed for decentralized and confidential ai training |
| US20200242511A1 (en) * | 2019-01-30 | 2020-07-30 | Oracle International Corporation | Dynamic Data Selection for a Machine Learning Model |
| JP2020149656A (ja) * | 2019-03-11 | 2020-09-17 | ドクエイ、インコーポレイテッドＤｏｃ．Ａｉ Ｉｎｃｏｒｐｏｒａｔｅｄ | 医療リサーチ適用のための連合ラーニングモデルを有するシステムおよび方法 |
| CN109933500A (zh) * | 2019-03-27 | 2019-06-25 | 新奥数能科技有限公司 | 设备故障告警方法、装置、可读介质及电子设备 |
| CN111737749A (zh) * | 2020-06-28 | 2020-10-02 | 南方电网科学研究院有限责任公司 | 基于联邦学习的计量装置告警预测方法及设备 |
| CN111865826A (zh) * | 2020-07-02 | 2020-10-30 | 大连理工大学 | 一种基于联邦学习的主动内容缓存方法 |
| CN112217626A (zh) * | 2020-08-24 | 2021-01-12 | 中国人民解放军战略支援部队信息工程大学 | 基于情报共享的网络威胁协同防御***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8036999B2 (en) | Method for analyzing and classifying process data that operates a knowledge base in an open-book mode before defining any clusters | |
| CN110674189B (zh) | 一种智能变电站二次状态监测与故障定位的方法 | |
| CN108418841A (zh) | 基于ai的下一代关键信息基础设施网络安全态势感知*** | |
| CN115329812B (zh) | 一种基于人工智能的桥梁基础设施异常监测方法 | |
| CN117234785B (zh) | 基于人工智能自查询的集控平台错误分析*** | |
| CN105721194A (zh) | 移动网故障隐患智能定位*** | |
| CN107273924A (zh) | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 | |
| CN104299169A (zh) | 一种污水处理***信息安全在线风险分析方法及*** | |
| CN116882823A (zh) | 自纠错的多层级工程质量评定管理平台 | |
| CN110991799A (zh) | 一种配电网生产综合预警方法 | |
| CN116307641A (zh) | 一种面向数字化电厂的资源协同调度管理方法及*** | |
| CN117390529A (zh) | 多因素溯源的数据中台信息管理方法 | |
| CN114253242B (zh) | 一种基于vpn的物联网云端设备数据采集*** | |
| CN117370919B (zh) | 污水处理设备远程监控*** | |
| CN117311295B (zh) | 基于无线网络设备的生产质量提升方法及*** | |
| CN116976862B (zh) | 一种工厂设备信息化管理***及方法 | |
| CN114764967A (zh) | 联合学习框架下设备故障报警的方法 | |
| CN117739288A (zh) | 油气管道站场完整性管理*** | |
| CN117521498A (zh) | 一种充电桩引导式故障诊断预测方法及*** | |
| CN111623905A (zh) | 风电机组轴承温度预警方法及装置 | |
| CN116560946A (zh) | 一种基于云计算的土壤污染数据推送*** | |
| Fan et al. | A Bayesian framework to integrate knowledge-based and data-driven inference tools for reliable yield diagnoses | |
| CN115577821A (zh) | 一种设备剩余使用寿命的预测方法和装置 | |
| 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 | |
| TWI524724B (zh) | Telecommunication network alarm correlation analysis method |
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 |