CN115309134A - 工业控制***的故障检测方法、装置、设备及存储介质 - Google Patents
工业控制***的故障检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115309134A CN115309134A CN202210817205.3A CN202210817205A CN115309134A CN 115309134 A CN115309134 A CN 115309134A CN 202210817205 A CN202210817205 A CN 202210817205A CN 115309134 A CN115309134 A CN 115309134A
- Authority
- CN
- China
- Prior art keywords
- monitoring data
- target
- fault detection
- detection result
- cumulative sum
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 110
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims abstract description 356
- 238000004458 analytical method Methods 0.000 claims abstract description 140
- 238000000034 method Methods 0.000 claims abstract description 83
- 230000008569 process Effects 0.000 claims abstract description 26
- 230000001186 cumulative effect Effects 0.000 claims description 112
- 230000002159 abnormal effect Effects 0.000 claims description 90
- 238000010438 heat treatment Methods 0.000 claims description 23
- 238000009423 ventilation Methods 0.000 claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 34
- 238000004378 air conditioning Methods 0.000 description 17
- 238000009825 accumulation Methods 0.000 description 16
- 238000001816 cooling Methods 0.000 description 14
- 238000012423 maintenance Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000007788 liquid Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007710 freezing Methods 0.000 description 3
- 230000008014 freezing Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供一种工业控制***的故障检测方法、装置、设备及存储介质。方法包括:获取工业控制***中目标设备在运行过程中的目标监测数据;根据目标设备从模型库中确定预先构建的目标分析模型;其中,模型库中包括多种场景分别对应的分析模型,每种场景包括至少一种设备,每个分析模型根据对应场景下的设备在发生故障时的监测数据的特征构建;利用目标分析模型对目标监测数据进行分析,获得目标分析模型输出的故障检测结果。本申请通过针对不同类型的设备选择不同的分析模型,利用分析模型对设备在运行过程中产生的监测数据进行分析,从而获得故障检测结果,提高了故障检测结果的效率及准确率。
Description
技术领域
本申请涉及设备安全检测技术领域,具体而言,涉及一种工业控制***的故障检测方法、装置、设备及存储介质。
背景技术
工业控制***是工业生产中实现自动化控制、精准控制的重要控制***之一,例如:暖通水***、风***等等。以暖通空调水***为例,暖通空调水***中包括多种设备,例如:冷水机组、冷却塔、水泵、板换、精密空调和管路等等。这些设备在运行过程中可能会出现故障,有些故障会导致整个暖通空调水***无法工作。因此,需要对暖通空调水***中的各个设备的运行状态进行检测。
上述各种设备中均设置有多种传感器,来监测设备在运行过程中产生的数据。目前,通过运维人员对产生的数据根据经验进行分析,以确定设备是否发生了故障。由于运维人员的经验参差不齐,会导致判断不准确以及判断效率低的问题。
发明内容
本申请实施例的目的在于提供一种工业控制***的故障检测方法、装置、设备及存储介质,用以提高对工业控制***故障检测的效率及准确性。
第一方面,本申请实施例提供一种工业控制***的故障检测方法,包括:获取工业控制***中目标设备在运行过程中的目标监测数据;根据目标设备从模型库中确定预先构建的目标分析模型;其中,模型库中包括多种场景分别对应的分析模型,每种场景包括至少一种设备,每个分析模型根据对应场景下的设备在发生故障时的监测数据的特征构建;利用目标分析模型对目标监测数据进行分析,获得目标分析模型输出的故障检测结果。
本申请实施例通过针对不同类型的设备选择不同的分析模型,利用分析模型对设备在运行过程中产生的监测数据进行分析,从而获得故障检测结果,提高了故障检测结果的效率及准确率。
在任一实施例中,目标分析模型包括该目标设备在正常运行状态下的监测数据阈值;所述利用目标分析模型对目标监测数据进行分析,获得目标分析模型输出的故障检测结果,包括:通过目标分析模型计算目标监测数据与监测数据阈值之间的第一偏差,若第一偏差大于第一预设阈值,则确定目标监测数据为异常点;根据确定出的异常点确定所述故障检测结果。
本申请实施例通过预先设定目标设备在正常运行状态下对应的监测数据阈值,从而在目标监测数据超出该监测数据阈值时,能够及时发现异常。
在任一实施例中,在根据异常点确定所述故障检测结果时,若在预设时间段内,异常点的个数大于第一预设个数,则确定目标设备发生故障。本申请实施例采用了统计的思想,当异常点个数大于第一预设个数则认为目标设备发生故障,降低了虚警率,提高了故障检测的可信度。
在任一实施例中,目标分析模型包括各设备对应的相关监测数据的预定物理关系,预定物理关系为预先根据各设备对应的相关参数之间的关系确定;目标监测数据包括距离当前时间最近的第一时间段内的第一目标监测数据和第二目标监测数据,且所述第一目标监测数据和所述第二目标监测数据具备所述预定物理关系;所述利用目标分析模型对目标监测数据进行分析,获得目标分析模型输出的故障检测结果,包括:通过目标分析模型中的预定物理关系和第二目标监测数据计算获得预测数据;计算每个预测数据大于对应的第一目标监测数据,且预测数据与第一目标监测数据的第一上偏差累积和;以及计算预测数据小于对应的第一目标监测数据,且预测数据与第一目标监测数据的第一下偏差累积和;根据第一上偏差累积和,和/或,第一下偏差累积和获得故障检测结果。
本申请实施例中预先确定设备在正常运行过程中对应参数之间具备某一特定的物理关系,并根据该预定物理关系和参数确定设备是否故障,期间,将监测过程中发生的微小偏移量进行累加,从而放大了偏移效果,提高了监测过程中小偏移的灵敏度,通过这种方式可以准确的、高效的获得故障检测结果。
在任一实施例中,所述根据第一上偏差累积和,和/或,第一下偏差累积和获得故障检测结果,包括:若第一上偏差累积和大于第二预设阈值,和/或,第一下偏差累积和小于第三预设阈值,则确定故障检测结果为设备故障。
本申请实施例中,若第一上偏差累积和大于第二预设阈值,则说明相关参数的实际值偏小,此时确定设备发生故障;若第一下偏差累积和小于第三预设阈值,则说明相关参数的实际值偏大,也可以确定设备发生故障;若第一上偏差累积和大于第二预设阈值,且第一下偏差累积和小于第三预设阈值,说明相关参数的实际值波动严重,也可以确定设备发生故障,从而可以全面、准确的对设备进行故障检测。
在任一实施例中,所述根据第一上偏差累积和,和/或,第一下偏差累积和获得所述故障检测结果,包括:若第一上偏差累积和大于第二预设阈值,和/或,第一下偏差累积和小于第三预设阈值,确定目标监测数据为异常点;若距离当前时间最近的第二时间段内,异常点的个数大于第二预设个数,则确定故障检测结果为设备故障;其中,第二时间段大于第一时间段。
本申请实施例利用统计思想,在异常点数据大于第二预设个数时确定发生了故障,在保证***可靠性的同时,减低了***的虚警率,提高了故障检测的可信度。
在任一实施例中,目标监测数据为距离当前时间最近的第三时间段的监测数据;该目标监测数据包括多个监测点数据,利用目标分析模型对目标监测数据进行分析,获得目标分析模型输出的故障检测结果,包括:按照预设窗口从目标监测数据中获取多个监测数据组;针对每一监测数据组,计算监测数据组的平均值;计算监测数据组中每一监测点数据与平均值之间的第二偏差,并根据第二偏差统计第二上偏差累积和以及第二下偏差累积和;根据第二上偏差累积和以及第二下偏差累积和获得故障检测结果。
本申请实施例通过将目标监测数据与对应窗口的平均值进行比较,并计算第二上偏差累积和以及第二下偏差累积和,根据第二上偏差累积和以及第二下偏差累积和确定目标监测数据是否异常,进而可以准确的确定对应的设备是否故障。
在任一实施例中,所述根据第二上偏差累积和以及第二下偏差累积和获得故障检测结果,包括:若第二上偏差累积和大于第四预设阈值,和/或,第二下偏差累积和小于第五预设阈值,确定监测数据组为异常点;若多个监测数据组中,异常点的个数占比大于预设占比,则确定故障检测结果为设备故障。
本申请实施例中,如果第二上偏差累积和大于第四预设阈值,则说明目标监测数据逐渐增大,如果第二下偏差累积和小于第五预设阈值,则说明目标监测数据逐渐减小,如果第二上偏差累积和大于第四预设阈值,同时第二下偏差累积和小于第五预设阈值,则说明目标监测数据有较大的波动,上述三种情况均认为设备发生故障。
在任一实施例中,在获得目标分析模型输出的故障检测结果之后,该方法还包括:若故障检测结果为设备故障,则向预先设定的终端发送报警信息。本申请实施例通过在发现设备故障时,向终端发送报警信息,使得运维人员可以及时对故障进行处理。
第二方面,本申请实施例提供一种工业控制***的故障检测装置,包括:数据获取模块,用于获取目标设备在运行过程中的目标监测数据;模型确定模块,用于根据目标设备从模型库中确定预先构建的目标分析模型;其中,模型库中包括多种场景分别对应的分析模型,每种场景包括至少一种设备,每个分析模型根据对应场景下的设备在发生故障时的监测数据的特征构建;分析模块,用于利用目标分析模型对目标监测数据进行分析,获得目标分析模型输出的故障检测结果。
在任一实施例中,该模型确定模块具体用于:根据目标设备和目标监测数据从模型库中确定预先构建的目标分析模型。
在任一实施例中,该目标分析模型包括目标设备在正常运行状态下的监测数据阈值;该分析模块具体用于:通过目标分析模型计算目标监测数据与监测数据阈值之间的第一偏差,若第一偏差大于第一预设阈值,则确定目标监测数据为异常点;根据确定出的异常点确定故障检测结果。
在任一实施例中,该分析模块具体用于:若在预设时间段内,异常点的个数大于第一预设个数,则故障检测结果为目标设备故障。
在任一实施例中,该目标分析模型包括各设备对应的相关监测数据的预定物理关系,预定物理关系为预先根据各设备对应的相关参数之间的关系确定;目标监测数据包括距离当前时间最近的第一时间段内的第一目标监测数据和第二目标监测数据,且第一目标监测数据和第二目标监测数据具备预定物理关系;
该分析模块具体用于:通过目标分析模型中的预定物理关系和第二目标监测数据计算获得预测数据;计算每个预测数据大于对应的第一目标监测数据,且预测数据与第一目标监测数据的第一上偏差累积和;以及计算预测数据小于对应的第一目标监测数据,且预测数据与所述第一目标监测数据的第一下偏差累积和;根据第一上偏差累积和,和/或,第一下偏差累积和获得故障检测结果。
在任一实施例中,该分析模块具体用于:若第一上偏差累积和大于第二预设阈值,和/或,第一下偏差累积和小于第三预设阈值,则确定故障检测结果为设备故障。
在任一实施例中,该分析模块具体用于:若第一上偏差累积和大于第二预设阈值,和/或,第一下偏差累积和小于第三预设阈值,确定目标监测数据为异常点;若距离当前时间最近的第二时间段内,异常点的个数大于第二预设个数,则确定故障检测结果为设备故障;其中,第二时间段大于第一时间段。
在任一实施例中,该目标监测数据为距离当前时间最近的第三时间段的监测数据;且该目标监测数据包括多个监测点数据;
该分析模块具体用于:按照预设窗口从所述目标监测数据中获取多个监测数据组;针对每一所述监测数据组,计算监测数据组的平均值;计算监测数据组中每一监测点数据与平均值之间的第二偏差,并根据第二偏差统计第二上偏差累积和以及第二下偏差累积和;根据第二上偏差累积和以及第二下偏差累积和获得故障检测结果。
在任一实施例中,该分析模块具体用于:若第二上偏差累积和大于第四预设阈值,和/或,第二下偏差累积和小于第五预设阈值,确定监测数据组为异常点;若多个监测数据组中,异常点的个数占比大于预设占比,则确定故障检测结果为设备故障。
在任一实施例中,该装置还包括报警模块,用于:若故障检测结果为设备故障,则向预先设定的终端发送报警信息。
在任一实施例中,该工业控制***为暖通水***或风***。
第三方面,本申请实施例提供一种电子设备,包括:处理器、存储器和总线,其中,处理器和存储器通过所述总线完成相互间的通信;存储器存储有可被处理器执行的程序指令,处理器调用程序指令能够执行第一方面的方法。
第四方面,本申请实施例提供一种非暂态计算机可读存储介质,包括:非暂态计算机可读存储介质存储计算机指令,计算机指令使计算机执行第一方面的方法。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为一种常见的暖通空调水***结构示意图;
图2为本申请实施例提供的一种暖通空调水***的故障检测方法流程示意图;
图3为本申请实施例提供的第一场景下的故障检测方法流程示意图;
图4为本申请实施例提供的第二场景下故障检测方法流程示意图;
图5为本申请实施例提供的第三类场景下故障检测方法流程示意图;
图6为本申请实施例提供的一种暖通空调水***的故障检测装置结构示意图;
图7为本申请实施例提供的电子设备实体结构示意图。
具体实施方式
工业控制***中由于包含多种设备,且每种设备的设备数量至少为一个,每个设备包含至少一个传感器,用于检测该设备在运行过程中的数据。通过传感器监测的数据可以反映出对应设备的运行状态。以暖通空调水***为例,图1为一种常见的暖通空调水***结构示意图,如图1所示,该暖通空调水***包括冷却塔、冷却泵、冷机、冷冻泵等设备。在暖通空调水***运行过程中,难免会出现某一个或某几个设备发生故障的情况,为了避免设备故障导致暖通空调水***无法运行,目前,通过运维人员对传感器采集到的数据进行人工分析,从而判断设备是否发生故障。由于暖通空调水***中包括大量的设备,且每个设备会产生至少一种监测数据,会造成运维人员的工作量大,故障检测效率低,无法及时发现发生故障的设备。再有,运维人员的经验参差不齐,同样的监测数据,有些运维人员认为设备发生了故障,有的运维人员则认为设备没有故障,从而故障检测的准确率低。
为了解决上述技术问题,本申请发明人经过研究发现,暖通空调水***在长期运行后,通常会生成大批的历史监测数据,这些历史监测数据作为数据基础,可以用于机器学习,即,在机器学习方法中,利用历史监测数据进行建模,从而可以更好的理解设备的运行特性。另外,发明人还发现不同设备其在故障时,监测数据呈现不同的特征,因此,根据发生了故障的设备监测数据的特征不同,将设备进行分类,并且针对每个类型进行建模。
因此,本申请实施例提供一种工业控制***的故障检测方法,该方法通过获取到的设备的目标监测数据,将目标监测数据输入设备对应的分析模型中进行分析,从而可以及时、准确的获得该设备是否发生了故障。
应当说明的是,本申请实施例提供一种工业控制***的故障检测方法可以应用于暖通水***、新风***、污水处理***等,本申请实施例不对具体的应用场景进行限定。但为了便于描述,本申请实施例以暖通空调水***这一应用场景,对该故障检测方法进行描述。因此,本申请实施例的执行主体可以是暖通空调水***的数据中心,也可以是与数据中心通信连接的其他终端或服务器,终端具体可以为智能手机、平板电脑、计算机、个人数字助理(Personal Digital Assitant,PDA)等;服务器具体可以为应用服务器,也可以为Web服务器。为了便于描述,本申请实施例采用数据中心作为执行主体进行描述。
下面将结合附图对本申请技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本申请的技术方案,因此只作为示例,而不能以此来限制本申请的保护范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。
在本申请实施例的描述中,技术术语“第一”“第二”等仅用于区别不同对象,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本申请实施例的描述中,“多个”的含义是两个以上,除非另有明确具体的限定。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
在本申请实施例的描述中,术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
在本申请实施例的描述中,术语“多个”指的是两个以上(包括两个),同理,“多组”指的是两组以上(包括两组),“多片”指的是两片以上(包括两片)。
在本申请实施例的描述中,技术术语“中心”“纵向”“横向”“长度”“宽度”“厚度”“上”“下”“前”“后”“左”“右”“竖直”“水平”“顶”“底”“内”“外”“顺时针”“逆时针”“轴向”“径向”“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请实施例和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请实施例的限制。
在本申请实施例的描述中,除非另有明确的规定和限定,技术术语“安装”“相连”“连接”“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;也可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请实施例中的具体含义。
图2为本申请实施例提供的一种工业控制***的故障检测方法流程示意图,如图2所示,以工业控制***为暖通空调水***为例,该方法包括:
步骤101:获取工业控制***中目标设备在运行过程中的目标监测数据。
其中,目标设备为暖通空调水***中所包含的多个设备中的任意一个待检测的设备。例如可以为:冷机、冷却塔、水泵、冷却泵和冷冻泵等。可以理解的是,不同的工业控制***其对应的目标设备不同。目标监测数据为目标设备中的传感器监测获得的数据,也可以为与目标设备的故障检测相关的其他设备的传感器监测获得的数据。可以理解的是,目标监测数据可能是一种传感器监测获得的数据,也可能是多种传感器分别监测获得的数据。具体根据目标设备在进行故障检测时所需的传感器的监测数据为准。例如:定压补水装置的故障与否只跟液位相关,当液位低于某个值时,便认为发生故障,因此,该设备对应的目标监测数据为液位传感器监测获得的液位数据。又如:冷却泵或冷冻泵的故障与否除了跟水泵频率有关,还跟流过该水泵对应的电机的电流有关,因此,该设备对应的目标监测数据包括水泵频率和电机电流。
再有,对于同一目标设备,其可能出现故障的类型也有多种,不同的故障类型所需不同的传感器数据反映。
数据中心获取的目标监测数据可以是暖通空调水***中的对应目标设备上的传感器直接将其发送给数据中心,也可以是通过中间介质传递给数据中心,本申请实施例对此不作具体限定。该中间介质可以是分别与暖通空调***和数据中心通信连接的电子设备。
步骤102:根据目标设备从模型库中确定预先构建的目标分析模型;其中,模型库中包括多种场景分别对应的分析模型,每种场景包括至少一种设备,每个分析模型根据对应场景下的设备在发生故障时的监测数据的特征构建。
在具体的实施过程中,根据设备在发生故障时,其传感器监测到的数据特征不同对设备进行分类,获得多种场景。例如:第一类场景为:传感器的监测数据明确,发生的故障具有明确原因,以及造成故障后果具备固定趋势的设备故障场景。例如:冷机出水温度、冷却塔液位。第二类场景为:设备的故障需要通过多个具备强相关性的、且具有明显物理意义的监测数据确定的设备故障场景。例如:风机或水泵,其频率与功率具备强相关物理关系。第三类场景为:传感器数据具备明显变化趋势(例如:上升、下降或剧烈波动)的设备故障场景。例如:总管压力、蓄冷罐温度等。
应当说明的是,上述场景只是一些举例,本申请实施例可以根据具体的待检测的***所包含的设备不同进行场景种类的划分,本申请实施例对此不作具体限定。
以上述场景为例,每种场景对应至少一种设备,一个场景可以包含一个分析模型,也可以包含多个分析模型,具体可根据实际情况设定,本申请实施例对此不作具体限定。例如:对于第一类场景,可构建一个分析模型,即,根据该类场景下的各个设备处于正常运行状态下的监测数据阈值构建分析模型。对于第二类场景,不同的设备其对应的预定物理关系不同,因此,可以在第二类场景中,针对不同的设备的预定物理关系构建不同的分析模型。
在构建好分析模型后,根据构建的分析模型生成模型库,当获取到目标设备的目标监测数据后,根据目标设备从模型库中获取对应的目标分析模型。可以理解的是,对于目标设备来说,其发生故障的类型可能有多种,并且,不同的故障类型,其传感器所呈现的数据特征不同,因此,在确定目标分析模型时,还可以根据目标设备以及目标监测数据进行确定。当然,对于只可能出现一种故障类型的目标设备,只根据目标设备便可确定目标分析模型。
步骤103:利用所述目标分析模型对所述目标监测数据进行分析,获得所述目标分析模型输出的故障检测结果。
其中,故障检测结果用于表征目标设备是否发生故障,可以理解的是,当目标设备发生故障时,也可以理解为暖通空调水***发生了故障。
本申请实施例通过针对不同类型的设备选择不同的分析模型,利用分析模型对设备在运行过程中产生的监测数据进行分析,从而获得故障检测结果,提高了故障检测结果的效率及准确率。
在上述实施例的基础上,对于目标设备属于上述实施例中的第一类场景的情况,其目标分析模型包括目标设备在正常运行状态下的监测数据阈值;上述步骤103具体包括:
通过目标分析模型计算目标监测数据与监测数据阈值之间的第一偏差,若第一偏差大于第一预设阈值,则确定目标监测数据为异常点;
根据确定的异常点确定故障检测结果。
在具体的实施过程中,目标分析模型中可以包括多种设备在正常运行时,对应的监测数据阈值,且该监测数据阈值包括至少一种参数的阈值。因此,监测数据阈值也可以理解为表征对应设备处于正常运行时的数值范围。
在获得目标设备的目标监测数据后,从目标分析模型中获取该目标设备对应的监测数据阈值,并将计算目标监测数据与该监测数据阈值之间的第一偏差,如果该第一偏差大于第一预设阈值,则确定目标监测数据为异常点。
其中,第一偏差可以包括第一上偏差和第一下偏差,所谓第一上偏差是指目标监测数据大于监测数据阈值的上限,且目标监测数据与监测数据阈值的上限的差值绝对值。所谓第一下偏差是指目标监测数据小于监测数据阈值的下限,且目标监测数据与监测数据阈值的下限的差值绝对值。
第一预设阈值可以包括第一上偏差对应的第一预设上阈值和下偏差对应的第一预设下阈值。在判断目标监测数据是否为异常点时,可以将第一上偏差与第一预设上阈值进行比较,将第一下偏差与第一预设下阈值进行比较。当然,第一预设上阈值可以与第一预设下阈值相等。
在实际应用中,数据中心可以实时的每获取一个目标监测数据,则对该目标监测数据进行异常点分析,也可以每次获取一个预设时间段的目标监测数据,例如:获取2秒内目标设备产生的目标监测数据,对预设时间段内的每个目标监测数据进行异常点分析。下面分别针对上述两种情况进行描述:
(1)每次获取一个目标监测数据的情况:
在按照上述方法对该目标监测数据进行分析,获得该目标监测数据是否为异常点之后,获取在该目标监测数据对应的当前时间之前的预设时间段内的异常点个数,可以理解的是,预设时间段内的异常点个数为数据中心在历史时间点对获取到的监测数据进行分析统计获得。例如:目标设备每1秒钟产生一个目标监测数据,在2022年5月30日10:00获得到目标监测数据,并且分析获得该目标监测数据为异常点,假设预设时间段为1分钟,那么获取2022年5月30日9:59-10:00这段时间的所有异常点的个数,此时该异常点的个数中包括目标监测数据这一异常点。
在判断目标设备是否故障时,可以通过在预设时间段内异常点的个数来确定,假设设定第一预设个数为40个,若异常个数超过40个,则说明目标设备发生了故障。可以理解的是,第一预设个数的设定可以根据异常的比例计算,即,预设时间段内共产生的监测数据的个数乘以预设比例获得的值即为第一预设个数。
(2)每次获取预设时间段内的目标监测数据的情况:
对获取到的预设时间段内的每个目标监测数据进行上述分析,以确定是否为异常点。并判断异常点的个数为否大于第一预设个数,若大于则确定目标设备发生故障,否则,说明目标设备未发生故障。可以理解的是,第一预设个数的设定与(1)中设定的一致,此处不再赘述。
应当说明的是,本申请实施例之所以设定异常个数大于第一预设个数才确定目标设备发生故障,是因为设备在正常运行过程中,可能会出现目标监测数据在某个瞬间有不稳定的情况,但并不影响设备的运行。以及,传感器在监测设备运行过程中,也可能会在某个瞬间发生监测误差。所以,为了避免误报警,本申请实施例设置了异常点的个数大于第一预设个数这个条件。
除了根据异常点的个数是否大于第一预设个数来确定目标设备故障与否外,还可以根据异常点数量占预设时间段内总监测点个数的比例确定,例如:若异常点数量占总监测点个数的比例大于60%,则确定目标设备发生故障。还可以根据连续异常点的数量确定目标设备是否故障,例如:若在预设时间段内,连续异常点的数量大于10(可根据实际情况设定)个,则确定目标设备发生故障。
图3为本申请实施例提供的第一场景下的故障检测方法流程示意图,如图3所示,该方法包括:
步骤201:读取监测传感器点位;可以理解的是,传感器为设置在目标设备上的用于监测目标设备运行状态的,通过传感器可以获得目标监测数据。
步骤202:计算目标监测数据和监测数据阈值的第一上偏差,若大于上控制限,则确定该目标监测数据为异常点,即执行步骤203;否则不报警,即执行步骤206;可以理解的是,第一上偏差的计算方法参见上面的描述,此处不再赘述。
步骤203:确定该目标监测数据为异常点;
步骤204:判断预设时间段内异常点的个数是否大于第一预设个数,如果大于则执行步骤205,否则,执行步骤206。
步骤205:报警处理,具体可以向预先配置好的终端发送报警信息。
步骤206:不报警,并且可以继续执行步骤201,即,继续监控传感器监测到的目标监测数据。
本申请实施例通过将监测过程中发生的微小偏移量进行累加,从而放大了偏移效果,提高了监测过程中小偏移的灵敏度,并利用统计思想,在异常点数据大于第一预设个数时确定发生了故障,在保证***可靠性的同时,减低了***的虚警率,提高了故障检测的可信度。
在上述实施例的基础上,对于目标设备属于上述实施例中的第二类场景的情况,其目标分析模型包括各设备对应的相关监测数据的预定物理关系,该预定物理关系为预先根据各设备对应的相关参数之间的关系确定;目标监测数据包括距离当前时间最近的第一时间段内的第一目标监测数据和第二目标监测数据。可以理解的是,第一时间段可以为预先设定的,具体可以为1小时,也可以为2小时,还可以是其他时间段,本申请实施例对此不作具体限定。例如:若第一时间段为1个小时,若当前时间为2022年6月21日14:00,那么获取到的第一目标监测数据和第二目标监测数据对应的时间为:2022年6月21日13:00-14:00之间的数据。第一目标监测数据和第二目标监测数据为具备预定物理关系的相关监测数据。不同的设备对应的相关监测数据不同。以水泵为例,水泵频率和流过水泵的电机的电流之间具备预定物理关系,水泵频率为第一目标监测数据,电流为第二目标监测数据。以冷却塔为例,冷却塔的温度与湿球温度、风机转速具备预定物理关系,那么,冷却塔温度为第一目标监测数据,湿球温度和风机转速为第二目标监测数据。
在确定具体的预定物理关系时,仍以水泵为例,获取水泵在正常运行状态下的频率数据和电流数据,对频率数据和电流数据进行拟合,获得对应的物理关系。同样的,对于冷却塔来说,获取冷却塔在正常运行中的冷却塔温度、湿球温度和风机转速,将冷却塔温度作为因变量,将湿球温度和风机转速作为自变量,进行拟合计算,从而获得对应的物理关系。
应当说明的是,在实际应用中,首先确定设备都可因变量,也就是反应设备是否正常运行的第一参数,然后获取设备对应的传感器监测到的多种第二参数,采用相关性计算方法计算与第一参数具有相关关系的第二参数,再将第一参数与具有相关关系的第二参数进行拟合,确定物理关系。由于不同的设备,其对应的相关监测数据不同,且确定预定物理关系的方法也不同,本申请实施例不对预定物理关系的具备确定方法进行限定。
上述实施例中的步骤103具体包括:
通过目标分析模型中的预定物理关系和第二目标监测数据计算获得预测数据;
计算每个预测数据大于对应的第一目标监测数据,且预测数据与第一目标监测数据的第一上偏差累积和;以及计算预测数据小于对应的第一目标监测数据,且预测数据与第一目标监测数据的第一下偏差累积和;
根据第一上偏差累积和,和/或,第一下偏差累积和获得故障检测结果。
在具体的实施过程中,将第二目标监测数据代入预设物理关系中,计算获得预测数据,该预测数据为根据预定物理关系和第二目标监测数据计算的第一目标监测数据的预测值。
在获得预测数据后,计算预测数据与第一目标监测数据对应的偏差累积和,该偏差累积和包括第一上偏差累积和以及第一下偏差累积和。
其中,第一上偏差累积和的计算方法如下:
获取距离当前时间最近的历史的第一时间段内,预测数据大于第一目标监测数据,且预测数据减去第一目标监测数据的差值;将这些差值相加获得第一上偏差累积和。
第一下偏差累积和的计算方法如下:
获取距离当前时间最近的历史的第一时间段内,预测数据小于第一目标监测数据,且预测数据减去第一目标监测数据的差值;将这些差值相加获得第一下偏差累积和。
在计算获得第一上偏差累积和以及第一下偏差累积和之后,可以根据第一上偏差累积和以及/或第一下偏差累积和确定故障检测结果。
本申请实施例中预先确定设备在正常运行过程中对应参数之间具备某一特定的物理关系,并根据该预定物理关系和参数确定设备是否故障,通过这种方式可以准确的、高效的获得故障检测结果。
在上述实施例的基础上,根据第一上偏差累积和以及/或第一下偏差累积和确定故障检测结果具体可包含如下情况:
情况1:若第一上偏差累积和大于第二预设阈值,则确定目标设备发生故障。
情况2:若第一下偏差累积和小于第三预设阈值,则确定目标设备发生故障。
情况3:若第一上偏差累积和大于第二预设阈值,且第一下偏差累积和小于第三预设阈值,则确定目标设备发生故障。
在上述实施例的基础上,根据第一上偏差累积和以及/或第一下偏差累积和确定故障检测结果具体可包含如下情况:
情况1:若第一上偏差累积和大于第二预设阈值,则确定目标监测数据为异常点。若在最近的第二时间段内,异常点的个数大于第二预设个数,则确定目标设备发生了故障。其中,第二预设个数为根据经验预先设定,本申请实施例对此不作具体限定。可以理解的是,第二时间段也为预先设定,且第二时间段大于第一时间段,具体可以为1小时,也可以为2小时,还可以是其他时间段,本申请实施例对此不作具体限定。例如:若第一时间段为1个小时,那么第二时间段可以为3个小时,假设当前时间为2022年6月21日14:00,那么获取到的第一目标监测数据和第二目标监测数据对应的时间为:2022年6月21日13:00-14:00之间的数据,第二时间段对应的时间为:2022年6月21日11:00-14:00。
情况2:若第一下偏差累积和小于第三预设阈值,则确定目标监测数据为异常点。若在最近的第二时间段内,异常点的个数大于第二预设个数,则确定目标设备发生了故障。其中,第二预设个数为根据经验预先设定,本申请实施例对此不作具体限定。
情况3:若第一上偏差累积和大于第二预设阈值,并且,第一下偏差累积和小于第三预设阈值,则确定目标监测数据为异常点。若在最近的第二时间段内,异常点的个数大于第二预设个数,则确定目标设备发生了故障。其中,第二预设个数为根据经验预先设定,本申请实施例对此不作具体限定。
情况4:若第一上偏差累积和大于第二预设阈值,则确定目标监测数据为异常点。若第一下偏差累积和小于第三预设阈值,也确定目标监测数据为异常点。在最近的第二时间段内,所有异常点的总个数大于第二预设个数,则确定目标设备发生故障。
应当说明的是,第二预设阈值和第三预设阈值为一个值,而非区间,其可以根据实际情况预先设定。
图4为本申请实施例提供的第二场景下故障检测方法流程示意图,如图4所示,该方法包括:
步骤301:获取目标监测数据;
步骤302:获取目标分析模型;根据目标设备从模型库中获取目标分析模型。
步骤303:根据预定物理关系和第二目标监测数据获得预测数据;可以理解的是,计算预测数据的方法参见上述实施例,此处不再赘述。
步骤304:计算第一上偏差累积和;计算第一上偏差累积和的方法参见上述实施例,此处不再赘述。
步骤305:计算第一下偏差累积和;计算第一上偏差累积和的方法参见上述实施例,此处不再赘述。并且,步骤304和步骤305可以同时执行,也可以先执行步骤305,再执行步骤304,本申请实施例对步骤304和步骤305的执行顺序进行限定。
步骤306:判断是否为异常点;若第一上偏差累积和大于第二预设阈值,和/或,第一下偏差累积和小于第三预设阈值,则确定目标监测数据为异常点。
步骤307:判断异常点的个数是否大于第二预设个数;在距离当前时间最近的第二时间段内,异常点的个数大于第二预设个数,则说明目标设备发生了故障,执行步骤308,否则执行步骤309。
步骤308:报警;具体可以向预先配置好的终端发送报警信息。
步骤309:不报警,并继续执行步骤301。
本申请实施例中,若第一上偏差累积和大于第二预设阈值,则说明相关参数的实际值偏小,此时确定设备发生故障;若第一下偏差累积和小于第三预设阈值,则说明相关参数的实际值偏大,也可以确定设备发生故障;若第一上偏差累积和大于第二预设阈值,且第一下偏差累积和小于第三预设阈值,说明相关参数的实际值波动严重,也可以确定设备发生故障,从而可以全面、准确的对设备进行故障检测。
在上述实施例的基础上,对于目标设备属于上述实施例中的第三类场景的情况,其目标监测数据为距离当前时间最近的第三时间段的监测数据,目标分析模型包括对目标监测数据进行分组、求平均值、求累积和、判断是否为异常点,以及判断是否故障等算法。可以理解的是,第三时间段也可以是预先设定的,具体可以为1小时,也可以为2小时,还可以是其他时间段,本申请实施例对此不作具体限定。例如:第三时间段为2小时,当前时间为2022年6月21日14:00,那么第三时间段对应的时间为:2022年6月21日12:00-14:00。且,第三时间段与第一时间段、第二时间段之间并没有时间上的关联,其采用第一、第二、第三只是为了进行名词上的区分,用于表征其为不同的时间段。
上述步骤103具体包括:
按照预设窗口从目标监测数据中获取多个监测数据组;
针对每一监测数据组,计算监测数据组的平均值;
计算监测数据组中每一目标监测数据与平均值之间的第二偏差,并根据第二偏差统计第二上偏差累积和以及第二下偏差累积和;
根据第二上偏差累积和以及第二下偏差累积和获得故障检测结果。
在具体的实施过程中,预设窗口的窗口大小可以为20,步长为1,也就是说,可以以连续20个监测点为一个监测数据组(目标监测数据中监测点个数大于20),计算每个监测数据组对应的平均值。
针对每个监测数据组,计算该监测数据组中每个监测点数据与平均值之间的第二偏差,可以理解的是,若监测点数据大于平均值,则将监测点数据减去平均值,计算获得第二上偏差;若监测点数据小于平均值,则将监测点数据减去平均值,计算获得第二下偏差。将该窗口内的所有第二上偏差相加获得第二上偏差累积和,将窗口内的所有第二下偏差相加获得第二下偏差累积和。
根据第二上偏差累积和以及第二下偏差累积和分析获得故障检测结果。
本申请实施例通过将目标监测数据与对应窗口的平均值进行比较,并计算第二上偏差累积和以及第二下偏差累积和,根据第二上偏差累积和以及第二下偏差累积和确定目标监测数据是否异常,进而可以准确的确定对应的设备是否故障。
在上述实施例的基础上,在获得第二上偏差累积和以及第二下偏差累积和之后,目标设备是否故障的判断方法如下:
方法1:若第二上偏差累积和大于第四预设阈值,则将该监测数据组认为是异常点,若多个监测数据组中,异常点的个数占比大于预设占比,则说明实际的目标监测数据上升超过一定程度,此时认为是由目标设备故障导致目标监测数据的实际值逐渐增大,此时确定目标设备发生故障。
方法2:若第二下偏差累积和小于第五预设阈值,则确定该监测数据组为异常点,若多个监测数据组中,异常点的个数占比大于预设占比,则说明实际的目标监测数据下降超过一定程度,此时认为是由目标设备故障导致目标监测数据的实际值逐渐减小,此时确定目标设备发生故障。
方法3:若第二上偏差累积和大于第四预设阈值,且第二下偏差累积和小于第五预设阈值,则确定该监测数据组为异常点,若多个监测数据组中,异常点的个数占比大于预设占比,则说明目标监测数据发生剧烈波动,此时确定目标设备发生故障。
方法4:若第二上偏差累积和大于第四预设阈值,则确定该监测数据组为异常点,若第二下偏差累积和小于第五预设阈值,也确定该监测数据组为异常点,若所有的异常点的数据占比大于预设占比,则确定目标设备发生故障。
图5为本申请实施例提供的第三类场景下故障检测方法流程示意图,如图5所示,该方法包括:
步骤401:获取目标监测数据;
步骤402:按照预设窗口从目标监测数据中获取多个监测数据组;
步骤403:计算每个监测数据组的平均值;
步骤404:若监测点数据大于平均值加偏置,则将偏差加入第二上偏差累积和;
步骤405:统计第二上偏差累积和是否大于第四预设阈值,若大于则确定该监测数据组对应的报警值置为1。
步骤406:若监测点数据小于平均值加偏置,则将偏差加入第二下偏差累积和;
步骤407:统计第二下偏差累积和是否小于第五预设阈值,若小于则确定该监测数据组对应的报警值置为1。
步骤408:判断步骤405和步骤407的报警值是否均为1,若是,则确定该监测数据组为异常点。
步骤409:判断多个监测数据组中,属于异常点的个数占全部监测数据组个数的比值大于预设占比,若是,则确定目标设备发生故障,执行步骤410;否则执行步骤411。
步骤410:报警,向预先设定的终端发送报警信息。
步骤411:不报警,并继续执行步骤401。
本申请实施例中,如果第二上偏差累积和大于第四预设阈值,则说明目标监测数据逐渐增大,如果第二下偏差累积和小于第五预设阈值,则说明目标监测数据逐渐减小,如果第二上偏差累积和大于第四预设阈值,同时第二下偏差累积和小于第五预设阈值,则说明目标监测数据有较大的波动,上述三种情况均认为设备发生故障。
图6为本申请实施例提供的一种工业控制***的故障检测装置结构示意图,该装置可以是电子设备上的模块、程序段或代码。应理解,该装置与上述图2方法实施例对应,能够执行图2方法实施例涉及的各个步骤,该装置具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。所述装置包括:数据获取模块501、模型确定模块502和分析模块503,其中:
数据获取模块501用于获取目标设备在运行过程中的目标监测数据;模型确定模块502用于根据目标设备从模型库中确定预先构建的目标分析模型;其中,模型库中包括多种场景分别对应的分析模型,每种场景包括至少一种设备,每个分析模型根据对应场景下的设备在发生故障时的监测数据的特征构建;分析模块503用于利用目标分析模型对目标监测数据进行分析,获得目标分析模型输出的故障检测结果。
在上述实施例的基础上,目标分析模型包括目标设备在正常运行状态下的监测数据阈值;
该分析模块503具体用于:
通过目标分析模型计算目标监测数据与监测数据阈值之间的第一偏差,若第一偏差大于第一预设阈值,则确定目标监测数据为异常点;
若在预设时间段内,异常点的个数大于第一预设个数,则故障检测结果为目标设备故障。
在上述实施例的基础上,目标分析模型包括各设备对应的相关监测数据的预定物理关系,预定物理关系为预先根据各设备对应的相关参数之间的关系确定;目标监测数据包括距离当前时间最近的第一时间段内的第一目标监测数据和第二目标监测数据,且第一目标监测数据和第二目标监测数据具备预定物理关系;
该分析模块503具体用于:
通过目标分析模型中的预定物理关系和第二目标监测数据计算获得预测数据;
计算每个预测数据大于对应的第一目标监测数据,且预测数据与第一目标监测数据的第一上偏差累积和;以及计算预测数据小于对应的第一目标监测数据,且预测数据与第一目标监测数据的第一下偏差累积和;
根据第一上偏差累积和,和/或,第一下偏差累积和获得故障检测结果。
在上述实施例的基础上,分析模块503具体用于:
若第一上偏差累积和大于第二预设阈值,和/或,第一下偏差累积和小于第三预设阈值,则确定故障检测结果为设备故障。
在上述实施例的基础上,分析模块503具体用于:
若第一上偏差累积和大于第二预设阈值,和/或,第一下偏差累积和小于第三预设阈值,确定该目标监测数据为异常点;
若距离当前时间最近的第二时间段内,异常点的个数大于第二预设个数,则确定故障检测结果为设备故障;第二时间段大于第一时间段。
在上述实施例的基础上,目标监测数据为距离当前时间最近的第三时间段的监测数据;目标监测数据包括多个监测点数据;
分析模块503具体用于:
按照预设窗口从目标监测数据中获取多个监测数据组;
针对每一监测数据组,计算监测数据组的平均值;
计算监测数据组中每一监测点数据与平均值之间的第二偏差,并根据第二偏差统计第二上偏差累积和以及第二下偏差累积和;
根据第二上偏差累积和以及第二下偏差累积和获得故障检测结果。
在上述实施例的基础上,分析模块503具体用于:
若第二上偏差累积和大于第四预设阈值,和/或,第二下偏差累积和小于第五预设阈值,确定监测数据组为异常点;
若多个监测数据组中,异常点的个数占比大于预设占比,则确定故障检测结果为设备故障。
在上述实施例的基础上,该装置还包括报警模块,用于:
若所述故障检测结果为设备故障,则向预先设定的终端发送报警信息。
在上述实施例的基础上,该工业控制***为暖通水***或风***。
图7为本申请实施例提供的电子设备实体结构示意图,如图7所示,所述电子设备,包括:处理器(processor)601、存储器(memory)602和总线603;其中,
所述处理器601和存储器602通过所述总线603完成相互间的通信;
所述处理器601用于调用所述存储器602中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:获取工业控制***中目标设备在运行过程中的目标监测数据;根据所述目标设备从模型库中确定预先构建的目标分析模型;其中,所述模型库中包括多种场景分别对应的分析模型,每种场景包括至少一种设备,每个分析模型根据对应场景下的设备在发生故障时的监测数据的特征构建;利用所述目标分析模型对所述目标监测数据进行分析,获得所述目标分析模型输出的故障检测结果。
处理器601可以是一种集成电路芯片,具有信号处理能力。上述处理器601可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。其可以实现或者执行本申请实施例中公开的各种方法、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。
存储器602可以包括但不限于随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)等。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态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,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取工业控制***中目标设备在运行过程中的目标监测数据;根据所述目标设备从模型库中确定预先构建的目标分析模型;其中,所述模型库中包括多种场景分别对应的分析模型,每种场景包括至少一种设备,每个分析模型根据对应场景下的设备在发生故障时的监测数据的特征构建;利用所述目标分析模型对所述目标监测数据进行分析,获得所述目标分析模型输出的故障检测结果。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取工业控制***中目标设备在运行过程中的目标监测数据;根据所述目标设备从模型库中确定预先构建的目标分析模型;其中,所述模型库中包括多种场景分别对应的分析模型,每种场景包括至少一种设备,每个分析模型根据对应场景下的设备在发生故障时的监测数据的特征构建;利用所述目标分析模型对所述目标监测数据进行分析,获得所述目标分析模型输出的故障检测结果。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,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单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
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。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (24)
1.一种工业控制***的故障检测方法,其特征在于,包括:
获取工业控制***中目标设备在运行过程中的目标监测数据;
根据所述目标设备从模型库中确定预先构建的目标分析模型;其中,所述模型库中包括多种场景分别对应的分析模型,每种场景包括至少一种设备,每个分析模型根据对应场景下的设备在发生故障时的监测数据的特征构建;
利用所述目标分析模型对所述目标监测数据进行分析,获得所述目标分析模型输出的故障检测结果。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标设备从模型库中确定预先构建的目标分析模型,包括:
根据所述目标设备和所述目标监测数据从所述模型库中确定预先构建的目标分析模型。
3.根据权利要求1所述的方法,其特征在于,所述目标分析模型包括所述目标设备在正常运行状态下的监测数据阈值;
所述利用所述目标分析模型对所述目标监测数据进行分析,获得所述目标分析模型输出的故障检测结果,包括:
通过所述目标分析模型计算所述目标监测数据与所述监测数据阈值之间的第一偏差,若所述第一偏差大于第一预设阈值,则确定所述目标监测数据为异常点;
根据确定出的异常点确定所述故障检测结果。
4.根据权利要求3所述的方法,其特征在于,所述根据确定出的异常点确定所述故障检测结果,包括:
若在预设时间段内,异常点的个数大于第一预设个数,则所述故障检测结果为所述目标设备故障。
5.根据权利要求1所述的方法,其特征在于,所述目标分析模型包括各设备对应的相关监测数据的预定物理关系,所述预定物理关系为预先根据各设备对应的相关参数之间的关系确定;所述目标监测数据包括距离当前时间最近的第一时间段内的第一目标监测数据和第二目标监测数据,且所述第一目标监测数据和所述第二目标监测数据具备所述预定物理关系;
所述利用所述目标分析模型对所述目标监测数据进行分析,获得所述目标分析模型输出的故障检测结果,包括:
通过所述目标分析模型中的预定物理关系和所述第二目标监测数据计算获得预测数据;
计算每个预测数据大于对应的第一目标监测数据,且所述预测数据与所述第一目标监测数据的第一上偏差累积和;以及计算所述预测数据小于对应的所述第一目标监测数据,且所述预测数据与所述第一目标监测数据的第一下偏差累积和;
根据所述第一上偏差累积和,和/或,所述第一下偏差累积和获得所述故障检测结果。
6.根据权利要求5所述的方法,其特征在于,所述根据所述第一上偏差累积和,和/或,所述第一下偏差累积和获得所述故障检测结果,包括:
若所述第一上偏差累积和大于第二预设阈值,和/或,所述第一下偏差累积和小于第三预设阈值,则确定所述故障检测结果为设备故障。
7.根据权利要求5所述的方法,其特征在于,所述根据所述第一上偏差累积和,和/或,所述第一下偏差累积和获得所述故障检测结果,包括:
若所述第一上偏差累积和大于第二预设阈值,和/或,所述第一下偏差累积和小于第三预设阈值,确定所述目标监测数据为异常点;
若距离当前时间最近的第二时间段内,所述异常点的个数大于第二预设个数,则确定所述故障检测结果为设备故障;所述第二时间段大于所述第一时间段。
8.根据权利要求1所述的方法,其特征在于,所述目标监测数据为距离当前时间最近的第三时间段的监测数据;所述目标监测数据包括多个监测点数据;
所述利用所述目标分析模型对所述目标监测数据进行分析,获得所述目标分析模型输出的故障检测结果,包括:
按照预设窗口从所述目标监测数据中获取多个监测数据组;
针对每一所述监测数据组,计算所述监测数据组的平均值;
计算所述监测数据组中每一监测点数据与平均值之间的第二偏差,并根据所述第二偏差统计第二上偏差累积和以及第二下偏差累积和;
根据所述第二上偏差累积和以及所述第二下偏差累积和获得所述故障检测结果。
9.根据权利要求8所述的方法,其特征在于,所述根据所述第二上偏差累积和以及所述第二下偏差累积和获得所述故障检测结果,包括:
若所述第二上偏差累积和大于第四预设阈值,和/或,所述第二下偏差累积和小于第五预设阈值,确定所述监测数据组为异常点;
若所述多个监测数据组中,异常点的个数占比大于预设占比,则确定所述故障检测结果为设备故障。
10.根据权利要求1所述的方法,其特征在于,在获得所述目标分析模型输出的故障检测结果之后,所述方法还包括:
若所述故障检测结果为设备故障,则向预先设定的终端发送报警信息。
11.根据权利要求1-10任一项所述的方法,其特征在于,所述工业控制***为暖通水***或风***。
12.一种工业控制***的故障检测装置,其特征在于,包括:
数据获取模块,用于获取工业控制***中目标设备在运行过程中的目标监测数据;
模型确定模块,用于根据所述目标设备从模型库中确定预先构建的目标分析模型;其中,所述模型库中包括多种场景分别对应的分析模型,每种场景包括至少一种设备,每个分析模型根据对应场景下的设备在发生故障时的监测数据的特征构建;
分析模块,用于利用所述目标分析模型对所述目标监测数据进行分析,获得所述目标分析模型输出的故障检测结果。
13.根据权利要求12所述的装置,其特征在于,所述模型确定模块具体用于:
根据所述目标设备和所述目标监测数据从所述模型库中确定预先构建的目标分析模型。
14.根据权利要求12所述的装置,其特征在于,所述目标分析模型包括所述目标设备在正常运行状态下的监测数据阈值;
所述分析模块具体用于:
通过所述目标分析模型计算所述目标监测数据与所述监测数据阈值之间的第一偏差,若所述第一偏差大于第一预设阈值,则确定所述目标监测数据为异常点;
根据确定出的异常点确定所述故障检测结果。
15.根据权利要求14所述的装置,其特征在于,所述分析模块具体用于:
若在预设时间段内,异常点的个数大于第一预设个数,则所述故障检测结果为所述目标设备故障。
16.根据权利要求12所述的装置,其特征在于,所述目标分析模型包括各设备对应的相关监测数据的预定物理关系,所述预定物理关系为预先根据各设备对应的相关参数之间的关系确定;所述目标监测数据包括距离当前时间最近的第一时间段内的第一目标监测数据和第二目标监测数据,且所述第一目标监测数据和所述第二目标监测数据具备所述预定物理关系;
所述分析模块具体用于:
通过所述目标分析模型中的预定物理关系和所述第二目标监测数据计算获得预测数据;
计算每个预测数据大于对应的第一目标监测数据,且所述预测数据与所述第一目标监测数据的第一上偏差累积和;以及计算所述预测数据小于对应的所述第一目标监测数据,且所述预测数据与所述第一目标监测数据的第一下偏差累积和;
根据所述第一上偏差累积和,和/或,所述第一下偏差累积和获得所述故障检测结果。
17.根据权利要求16所述的装置,其特征在于,所述分析模块具体用于:
若所述第一上偏差累积和大于第二预设阈值,和/或,所述第一下偏差累积和小于第三预设阈值,则确定所述故障检测结果为设备故障。
18.根据权利要求16所述的装置,其特征在于,所述分析模块具体用于:
若所述第一上偏差累积和大于第二预设阈值,和/或,所述第一下偏差累积和小于第三预设阈值,确定所述目标监测数据为异常点;
若距离当前时间最近的第二时间段内,所述异常点的个数大于第二预设个数,则确定所述故障检测结果为设备故障;所述第二时间段大于所述第一时间段。
19.根据权利要求12所述的装置,其特征在于,所述目标监测数据为距离当前时间最近的第三时间段的监测数据;所述目标监测数据包括多个监测点数据;
所述分析模块具体用于:
按照预设窗口从所述目标监测数据中获取多个监测数据组;
针对每一所述监测数据组,计算所述监测数据组的平均值;
计算所述监测数据组中每一监测点数据与平均值之间的第二偏差,并根据所述第二偏差统计第二上偏差累积和以及第二下偏差累积和;
根据所述第二上偏差累积和以及所述第二下偏差累积和获得所述故障检测结果。
20.根据权利要求19所述的装置,其特征在于,所述分析模块具体用于:
若所述第二上偏差累积和大于第四预设阈值,和/或,所述第二下偏差累积和小于第五预设阈值,确定所述监测数据组为异常点;
若所述多个监测数据组中,异常点的个数占比大于预设占比,则确定所述故障检测结果为设备故障。
21.根据权利要求12所述的装置,其特征在于,所述装置还包括报警模块,用于:
若所述故障检测结果为设备故障,则向预先设定的终端发送报警信息。
22.根据权利要求12-21任一项所述的装置,其特征在于,所述工业控制***为暖通水***或风***。
23.一种电子设备,其特征在于,包括:处理器、存储器和总线,其中,
所述处理器和所述存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1-11任一项所述的方法。
24.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令被计算机运行时,使所述计算机执行如权利要求1-11任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210817205.3A CN115309134A (zh) | 2022-07-12 | 2022-07-12 | 工业控制***的故障检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210817205.3A CN115309134A (zh) | 2022-07-12 | 2022-07-12 | 工业控制***的故障检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115309134A true CN115309134A (zh) | 2022-11-08 |
Family
ID=83857591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210817205.3A Pending CN115309134A (zh) | 2022-07-12 | 2022-07-12 | 工业控制***的故障检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115309134A (zh) |
-
2022
- 2022-07-12 CN CN202210817205.3A patent/CN115309134A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3465021B1 (en) | Method and computer system for monitoring an hvac system | |
US9255578B2 (en) | Systems and methods to monitor pump cavitation | |
KR102364621B1 (ko) | 공기조화기 시스템 및 그 제어방법 | |
JP5468041B2 (ja) | プラントの機器維持管理システム | |
US9898917B2 (en) | Method and apparatus for providing environmental management using smart alarms | |
JP6749488B2 (ja) | 異常重要度算出システム、異常重要度算出装置、及び異常重要度算出プログラム | |
CN111272454B (zh) | 异常诊断装置及异常诊断方法 | |
US20150241304A1 (en) | Method for the computer-assisted monitoring of the operation of a technical system, particularly of an electrical energy-generating installation | |
JP2004240642A (ja) | プラント機器の保守支援装置 | |
CN112542034B (zh) | 一种智能燃气表微小流泄漏的识别方法、***及设备 | |
CN109269027B (zh) | 一种自动寻优的空调制冷控制方法、***及装置 | |
CN114387762A (zh) | 一种楼宇数据管理的方法、装置、设备及存储介质 | |
CN115059634B (zh) | 鼓风设备的故障诊断方法及装置、电子设备 | |
EP3187950A1 (en) | A method for managing alarms in a control system | |
JP4341779B2 (ja) | 空調機の異常検知装置及び異常検知方法 | |
CN113590427B (zh) | 一种监控指标异常的告警方法、装置、存储介质和设备 | |
CN115309134A (zh) | 工业控制***的故障检测方法、装置、设备及存储介质 | |
CN115371205B (zh) | 空调***循环的异常检测方法、装置、电子设备及介质 | |
CN116884183A (zh) | 氢气预警方法、装置、终端设备及存储介质 | |
CN113934191A (zh) | 一种冷水机组故障诊断*** | |
CN115127194B (zh) | 用于检测中央空调冷水机组故障的方法、设备和介质 | |
CN102736588B (zh) | 监控方法及*** | |
Westphalen et al. | System & component diagnostics | |
CN113900887A (zh) | 一种除湿机状态告警方法与装置 | |
CN114266190A (zh) | 制冷设备的预警方法、制冷设备及存储介质 |
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 |