CN116414097B - 基于工业设备数据的告警管理方法及*** - Google Patents
基于工业设备数据的告警管理方法及*** Download PDFInfo
- Publication number
- CN116414097B CN116414097B CN202310546030.1A CN202310546030A CN116414097B CN 116414097 B CN116414097 B CN 116414097B CN 202310546030 A CN202310546030 A CN 202310546030A CN 116414097 B CN116414097 B CN 116414097B
- Authority
- CN
- China
- Prior art keywords
- value
- moment
- abnormal
- node
- vrsk
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 43
- 230000002159 abnormal effect Effects 0.000 claims abstract description 116
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 101150094102 salm gene Proteins 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000227 grinding Methods 0.000 claims description 3
- 238000003801 milling Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 19
- 238000004519 manufacturing process Methods 0.000 abstract description 10
- 238000009529 body temperature measurement Methods 0.000 abstract description 2
- 238000001914 filtration Methods 0.000 description 5
- 208000012661 Dyskinesia Diseases 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31088—Network communication between supervisor and cell, machine group
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Alarm Systems (AREA)
Abstract
本发明属于数据采集和智能制造技术领域,提出了一种基于工业设备数据的告警管理方法,具体为:通过传感器采集工业设备数据,获得第一数值,然后根据历史上的各个第一数值进行预判分析计算第二数值并且捕获异动时刻,再结合各个工业设备的异动时刻构建告警模型,通过告警模型计算各个工业设备的异例风险,最后根据异例风险进行告警管理。解决传统测温的滞后性问题,同时增强了及时发现设备内部温度过高的问题的能力;另外能降低整体温度变化或者局部温度变化引起的全局性影响带来的非必要警报误报率,从而对工业环境中复杂的温度变化环境具有更强的适应性,大大提高工业设备的使用寿命和使用安全性。
Description
技术领域
本发明属于数据采集、智能制造技术领域,具体涉及基于工业设备数据的告警管理方法及***。
背景技术
工业生产中,通过采集各个生产链中各个生产设备的数据和信息,通过数据汇总和分析,能够实现基于原始资料提出更加符合生产要求的升级管理决策的目的。其中温度监控是工业物联网应用中的一个常见场景,温度传感器可以用于监测温度变化,将收集到的温度数据上传到云端进行处理和分析,用于监测生产机器和设备的温度变化,以预测设备故障和优化设备维护等。如果生产设备温度过高,设备的零部件会受到热膨胀和热应力的影响,从而导致零部件变形或失效,缩短设备的寿命;同时,高温也会使得设备的工作效率会降低,从而导致生产效率降低,能耗增加,进一步增加能源消耗和生产成本,甚至引起废气排放量增加,对工业生产形成不可预估的负面影响。
现有技术通常会通过安装在设备上的温度传感器实时监测设备的温度变化,一旦设备温度超出设定的阈值,就会发出警报,提醒工人采取措施,或者通过红外线测温仪可以通过红外线技术无接触地测量设备表面的温度,从而识别设备是否过热。这些方法只能监测设备表面的温度变化,而无法监测设备内部的温度变化,因此可能无法及时发现设备内部温度过高的问题,同时只能在温度发生变化后才能发现问题,因此会存在一定的滞后性,导致无法及时发现高温问题,进一步地,生产车间中不同设备的温度阈值可能存在差异,使用温度传感器识别温度过高的问题时,需要针对不同的设备进行设置,无法对不同设备进行直接比较,耗费的前期预备成本高昂。
发明内容
本发明的目的在于提出基于工业设备数据的告警管理方法及***,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
为了实现上述目的,根据本发明的一方面,提供基于工业设备数据的告警管理方法,所述方法包括以下步骤:
S100,在工业设备上布置传感器,并以传感器作为节点;
S200,通过传感器进行数据采集,获得第一数值;
S300,根据历史上的各个第一数值进行预判分析计算第二数值并且捕获异动时刻;
S400,结合各个工业设备的异动时刻构建告警模型,通过告警模型计算各个工业设备的异例风险;
S500,根据异例风险进行告警管理。
进一步地,步骤S100中,在工业设备上布置传感器,并以传感器作为节点的方法是:工业设备为车床、铣床、磨床或者刨床;所述传感器为温度传感器,温度传感器为热电偶传感器、热电阻传感器、表面温度传感器、热流传感器或红外线温度传感器中的任意一种,各个工业设备均布置至少一个温度传感器;以一个温度传感器作为一个节点。
进一步地,步骤S200中,通过传感器进行数据采集,获得第一数值的方法是:各个温度传感器实时地测量并且记录温度值,以一个时刻与其前一个时刻的温度值之差作为第一数值,各个节点每隔一个时间间隔TG获得一个第一数值,其中所述时间间隔的取值范围为TG∈[10,120]秒。
第一数值为两个测量时刻之间所测量数值的变化,即单位变化量,为进一步对所得测值在时序上的变化的特性进行预处理。
进一步地,步骤S300中,根据历史上的各个第一数值进行预判分析计算第二数值并且捕获异动时刻的方法是:
对一个节点,将第一数值记作vl_f;把当前时刻前一个小时内获得的各个第一数值的算术平均值记作st_vl_f;设定一个时间段作为观测周期WTG,其中WTG∈[5,15]分钟;定义一个时刻的高特征值vl_hs为该时刻的前WTG时间段内获得的各个第一数值中的最大值;
获取当前时刻前一小时内的各个第一数值和高特征值,分别构成第一序列和高特序列;将第一序列中出现极大值的数量与高特序列中出现极大值的数量之比记作伴升率ort;通过高特征值和伴升率计算当前时刻的异动观测值vl_hv:
其中exp()为自然常数e为底数的指数函数;获取前WTG时间段内各个时刻下的异动观测值并构成异动观测序列,将异动观测序列中出现极大值和出现极小值的时刻定义为异动时刻,并以vl_hv值作为第二数值vl_s。
由于在第二数值的计算过程中,由于存在部分接近零的第一数值对获取异动时刻的精确度不佳和特异性表达不足的现象,会导致出现后续计算获取警报灵敏度过低的问题,然而现有技术并无法解决这种第一数值导致异动时刻特异性表达不足的的问题,为了使得发明效果更好并解决该问题,消除所述特异性表达不足的现象,所以本发明提出了一个更优选的方案如下:
优选地,在步骤S300中,根据历史上的各个第一数值进行预判分析计算第二数值并且捕获异动时刻的方法是:对一个节点,将第一数值记作vl_f;将当前时刻之前的一个小时内获得的各个第一数值的算术平均值记作第一前沿均值;如果一个时刻的第一数值大于第一前沿均值并且其前一个时刻的第一数值小于第一前沿均值,或者如果一个时刻的第一数值小于第一前沿均值并且其前一个时刻的第一数值大于第一前沿均值,则定义这个时刻发生第一过滤事件;
从当前时刻逆时间顺序搜索最近两次发生第一过滤事件的时刻,将这两个时刻之间的时长记作第一参考周期;如果第一参考周期的时长超过一个小时,则将第一参考周期设定为一个小时;通过第一参考周期和第一数值计算获得第一数值对应时刻的异动参考值vl_rf,其计算方法是:
vl_rf=(vl_f-Lovl(vl_f,10×TA))/(Hivl(vl_f,10×TA)-Lovl(vl_f,10×TA));
其中TA代表第一参考周期中测量获得第一数值时刻的数量,Lovl(vl_f,10×TA)和Hivl(vl_f,10×TA)分别为周期低值函数和周期高值函数,其含义分别为获得最近获得的10×TA个第一数值中各个第一数值中的最小值和最大值;将一小时内各个时刻的异动参考值中的平均值记作E(vl_rf),将满足vl_rf>E(vl_rf)的时刻数量与满足vl_rf<E(vl_rf)的时刻数量之差的绝对值记作mwt;分别计算第三数值vl_t和第四数值vl_fo:
其中vl_t'和vl_fo'分别代表前一个时刻的第三数值和第四数值,当前一个时刻的第三数值不存在时设置vl_t'的值为0;如果在一个时刻满足vl_t>vl_fo而且其下一个时刻满足vl_t<vl_fo,或者如果在一个时刻满足vl_t<vl_fo而且其下一个时刻满足vl_t>vl_fo,则定义该时刻为异动时刻,并以异动参考值vl_rf作为第二数值vl_s。
有益效果:异动时刻和第二数值是根据各个时刻的数值残差算得,所以能够准确的标记出数值走向和趋势,而利用第一过滤事件则有效地甄选具有第一数据具有特异性变换或者区别性变化的时刻,有利于发掘或者发现识别节点内部温度变化趋势,因此能够提高对设备内部温度变化的识别度和灵敏度,进而可增强了及时发现设备内部温度过高的问题的能力,对温度发生异常变化规律进行合理抽样,从而优化温度预警中普遍存在的滞后性。
进一步地,步骤S400中,结合各个工业设备的异动时刻构建告警模型,通过告警模型计算各个工业设备的异例风险的方法是:设定一个时间段作为模型历史长度len_md,模型历史长度的取值范围为len_md∈[30,120]小时;以一个节点在最近时间段len_md内的各个第二数值作为一行,以同一个时刻下的各个节点的第二数值作为一列,构建一个矩阵作为告警模型ALM;以row作为告警模型的行号,以col代表告警模型的列号,以告警模型的第row行第col列的元素代表第row个节点的第col个时刻的第二数值;
当一个节点在某时刻为异动时刻,则为告警模型中对应的元素增添异动时刻的标记;如果ALM中某一时刻只有一个节点拥有异动时刻标记,则为该时刻做选持时刻标记;将ALM中有选持时刻标记的各个列组成一个矩阵作为选持模型SALM;
以j1作为节点的序号,计算第j1个节点的异例风险vrskj1:
其中j2为累加变量,vl_s为当前的第二数值,bllvj2为第j2个异动时刻的均衡级数,计算方法为:将第j1个节点的第j2个异动时刻在SALM中的对应列的序号记作记j3,SALM中第j3列的各个元素构成选持序列SALM[,j3];bllvj2=F_rk(SALM[j1,j3],)/ttd,其中ttd为节点的总量,F_rk(SALM[j1,j3],)代表在SALM的第j3列元素从大到小排列的序列中第j1个节点对应元素的序号;n_mt1为SALM第j1行中异动时刻的数量。
由于在构建选持模型的时候会引起大量数据丢失或者被浪费的现象,进而引起对异动时刻有灵敏性过高的问题,然而现有技术并未有提供解决该节选数据导致的灵敏度过度问题;为了让数据更好地解决该问题,消除对异动时刻的数据过于敏感的现象,所以本发明提出了一个更优选的方案如下:优选地,在步骤S400中,结合各个工业设备的异动时刻构建告警模型,通过告警模型计算各个工业设备的异例风险的方法还可以是:
设定一个时间段作为模型历史长度len_md,模型历史长度的取值范围为len_md∈[30,120]小时;以一个节点在最近时间段len_md内的各个第二数值作为一行,以同一个时刻下的各个节点的第二数值作为一列,构建一个矩阵作为告警模型ALM;以row作为告警模型的行号,以col代表告警模型的列号,以告警模型的第row行第col列的元素代表第row个节点的第col个时刻的第二数值;当一个节点在某时刻为异动时刻,则为告警模型中对应的元素增添异动时刻的标记,以识别模型中的异动时刻;
各个节点获得第一时刻量FMnt,节点的第一时刻量的计算方法是:从当前时刻开始逆时间顺序搜索,将最接近当前时刻的两个异动时刻之间的时刻数量记作节点的第一时刻量;将各个节点的第一时刻数量的中位数记作第二时刻量SMnt;
为ALM中各个拥有异动时刻标记的元素计算子异动量subv,计算方法如下:以当前异动时刻及其前SMnt个时刻记作潜异动时段,截取告警模型中时刻范围在潜异动时段之内的矩阵作为分析矩阵,以待计算subv的异动时刻记作当前异动时刻;
subv=rt_vbl×exp(1+dbl);
其中rt_vbl为异动均衡值,其计算方法是:如果分析矩阵中某一时刻所有节点均不存在异动时刻,则定义该时刻为均衡时刻,则rt_vbl的值为分析矩阵中均衡时刻的数量与第二时刻量的比值;dbl为均衡距离度,其计算方法是:dbl=van_mx/van_f_sq;其中van_mx代表当前异动时刻在分析矩阵中所对应的一行元素中的最大值,van_f_sq代表分析矩阵中所有元素的上四分位数;
根据子异动量计算各个节点的异例风险vrsk,以i1作为节点的序号,则第i1个节点的异例风险vrski1的计算方法是:
其中i2为累加变量,vl_s为当前时刻的第二数值,subvi2代表第i1个节点第i2个异动时刻的子异动量;n_mt代表告警模型中第i1行元素中有异动时刻标记的元素的数量,std代表告警模型中第i1行中各个拥有异动时刻标记的元素的方差。
其有益效果是,由于异例风险的计算过程中应用的是所有节点的数据,所以计算所得异例风险具有全局性意义,能降低整体温度变化或者局部温度变化引起的全局性影响带来的非必要警报误报率,同时能够准确的标记出温度异常的设备,减少为设备差异化或者工作差异化引起的警报误报率,因此能够提高警报精确性和及时性。
进一步地,步骤S500中,根据异例风险进行告警管理的方法是:
获取当前时刻各个节点的异例风险值vrsk,各个异例风险值的最小值和中位数分别记作vrsk_mn和vrsk_mid;将需要比对的节点的异例风险值记作vrsk_c;
如果节点的异例风险值vrsk_c满足vrsk_c<vrsk_mid+2(vrsk_mid-vrsk_mn),则定义该节点无警告需求;如果节点的异例风险值vrsk_c满足vrsk_c≥vrsk_mid+2(vrsk_mid-vrsk_mn),则定义该节点发生警告需求,向管理员发送告警信息,将需要发送警告需求的节点的序号发送到管理员的客户端或者移动设备,并停止该节点对应设备的运行。
优选地,其中,本发明中所有未定义的变量,若未有明确定义,均可为人工设置的阈值。
本发明还提供了基于工业设备数据的告警管理***,所述基于工业设备数据的告警管理***包括:处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述基于工业设备数据的告警管理方法中的步骤,所述基于工业设备数据的告警管理***可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中,可运行的***可包括,但不仅限于,处理器、存储器、服务器集群,所述处理器执行所述计算机程序运行在以下***的单元中:
节点初始单元,用于在工业设备上布置传感器,并以传感器作为节点;
数据采集单元,用于通过传感器进行数据采集,获得第一数值;
异动捕捉单元,用于根据历史上的各个第一数值进行预判分析计算第二数值并且捕获异动时刻;
模型构建单元,用于结合各个工业设备的异动时刻构建告警模型,通过告警模型计算各个工业设备的异例风险;
告警发生单元,用于根据异例风险进行告警管理。
本发明的有益效果为:本发明提供基于工业设备数据的告警管理方法及***,能有效对工业环境中的工业设备进行实时监测,对温度增加异常的设备进行警报,同时通过动态的异常识别,能提前对异常进行预测,解决传统测温的滞后性问题,同时增强了及时发现设备内部温度过高的问题的能力;另外能降低整体温度变化或者局部温度变化引起的全局性影响带来的非必要警报误报率,从而对工业环境中复杂的温度变化环境具有更强的适应性,大大提高工业设备的使用寿命和使用安全性。
附图说明
通过对结合附图所示出的实施方式进行详细说明,本发明的上述以及其他特征将更加明显,本发明附图中相同的参考标号表示相同或相似的元素,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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,在附图中:
图1所示为基于工业设备数据的告警管理方法的流程图;
图2所示为基于工业设备数据的告警管理***结构图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本发明的目的、方案和效果。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。
如图1所示为基于工业设备数据的告警管理方法的流程图,下面结合图1来阐述根据本发明的实施方式的基于工业设备数据的告警管理方法,所述方法包括以下步骤:
S100,在工业设备上布置传感器,并以传感器作为节点;
S200,通过传感器进行数据采集,获得第一数值;
S300,根据历史上的各个第一数值进行预判分析计算第二数值并且捕获异动时刻;
S400,结合各个工业设备的异动时刻构建告警模型,通过告警模型计算各个工业设备的异例风险;
S500,根据异例风险进行告警管理。
进一步地,步骤S100中,在工业设备上布置传感器,并以传感器作为节点的方法是:工业设备为车床、铣床、磨床或者刨床;所述传感器为温度传感器,温度传感器为热电偶传感器、热电阻传感器、表面温度传感器、热流传感器或红外线温度传感器中的任意一种,各个工业设备均布置至少一个温度传感器;以一个温度传感器作为一个节点。
进一步地,步骤S200中,通过传感器进行数据采集,获得第一数值的方法是:各个温度传感器实时地测量并且记录温度值,以一个时刻与其前一个时刻的温度值之差作为第一数值,各个节点每隔一个时间间隔TG获得一个第一数值,其中所述时间间隔的取值范围为TG∈[10,120]秒。
进一步地,步骤S300中,根据历史上的各个第一数值进行预判分析计算第二数值并且捕获异动时刻的方法是:
对一个节点,将第一数值记作vl_f;把当前时刻前一个小时内获得的各个第一数值的算术平均值记作st_vl_f;设定一个时间段作为观测周期WTG,其中WTG∈[5,15]分钟;定义一个时刻的高特征值vl_hs为该时刻的前WTG时间段内获得的各个第一数值中的最大值;
获取当前时刻前一小时内的各个第一数值和高特征值,分别构成第一序列和高特序列;将第一序列中出现极大值的数量与高特序列中出现极大值的数量之比记作伴升率ort;通过高特征值和伴升率计算当前时刻的异动观测值vl_hv:
其中exp()为自然常数e为底数的指数函数;获取各个时刻下的异动观测值并构成异动观测序列,将异动观测序列中出现极大值和出现极小值的时刻定义为异动时刻,并以vl_hv值作为第二数值vl_s。
优选地,在步骤S300中,根据历史上的各个第一数值进行预判分析计算第二数值并且捕获异动时刻的方法是:对一个节点,将第一数值记作vl_f;将当前时刻前一个小时内获得的各个第一数值的算术平均值记作第一前沿均值;如果一个时刻的第一数值大于第一前沿均值并且其前一个时刻的第一数值小于第一前沿均值,或者如果一个时刻的第一数值小于第一前沿均值并且其前一个时刻的第一数值大于第一前沿均值,则定义这个时刻发生第一过滤事件;
从当前时刻逆时间顺序搜索最近两次发生第一过滤事件的时刻,将这两个时刻之间的时长记作第一参考周期;如果第一参考周期的时长超过一个小时,则将第一参考周期设定为一个小时;通过第一参考周期和第一数值计算获得第一数值对应获得时刻的异动参考值vl_rf,其计算方法是:
vl_rf=(vl_f-Lovl(vl_f,10×TA))/(Hivl(vl_f,10×TA)-Lovl(vl_f,10×TA));
其中TA代表第一参考周期中测量获得第一数值时刻的数量,Lovl(vl_f,10×TA)和Hivl(vl_f,10×TA)分别为周期低值函数和周期高值函数,其含义分别为获得最近获得的10×TA个第一数值中各个第一数值中的最小值和最大值;将一小时内各个时刻的异动参考值中的平均值记作E(vl_rf),将满足vl_rf>E(vl_rf)的时刻数量与满足vl_rf<E(vl_rf)的时刻数量之差的绝对值记作mwt;分别计算第三数值vl_t和第四数值vl_fo:
其中vl_t'和vl_fo'分别代表前一个时刻的第三数值和第四数值,当前一个时刻的第三数值不存在时设置vl_t'的值为0;如果在一个时刻满足vl_t>vl_fo而且其下一个时刻满足vl_t<vl_fo,或者如果在一个时刻满足vl_t<vl_fo而且其下一个时刻满足vl_t>vl_fo,则定义该时刻为异动时刻,并以异动参考值vl_rf作为第二数值vl_s。
进一步地,步骤S400中,结合各个工业设备的异动时刻构建告警模型,通过告警模型计算各个工业设备的异例风险的方法是:设定一个时间段作为模型历史长度len_md,模型历史长度的取值范围为len_md∈[30,120]小时;以一个节点在最近时间段len_md内的各个第二数值作为一行,以同一个时刻下的各个节点的第二数值作为一列,构建一个矩阵作为告警模型ALM;
当一个节点在某时刻为异动时刻,则为告警模型中对应的元素增添异动时刻的标记;如果ALM中某一时刻只有一个节点拥有异动时刻标记,则为该时刻做选持时刻标记;将ALM中有选持时刻标记的各个列组成一个矩阵作为选持模型SALM;
以j1作为节点的序号,计算第j1个节点的异例风险vrskj1:
其中j2为累加变量,vl_s为当前的第二数值,bllvj2为第j2个异动时刻的均衡级数,计算方法为:将第j1个节点的第j2个异动时刻在SALM中的对应列的序号记作记j3,SALM中第j3列的各个元素构成选持序列SALM[,j3];bllvj2=F_rk(SALM[j1,j3],)/ttd,其中ttd为节点的总量,F_rk(SALM[j1,j3],)代表在SALM的第j3列元素从大到小排列的序列中第j1个节点对应元素的序号;n_mt1为SALM第j1行中异动时刻的数量。
优选地,在步骤S400中,结合各个工业设备的异动时刻构建告警模型,通过告警模型计算各个工业设备的异例风险的方法还可以是:
设定一个时间段作为模型历史长度len_md,模型历史长度的取值范围为len_md∈[30,120]小时;以一个节点在最近时间段len_md内的各个第二数值作为一行,以同一个时刻下的各个节点的第二数值作为一列,构建一个矩阵作为告警模型ALM;当一个节点在某时刻为异动时刻,则为告警模型中对应的元素增添异动时刻的标记,以识别模型中的异动时刻;
各个节点获得第一时刻量FMnt,节点的第一时刻量的计算方法是:从当前时刻开始逆时间顺序搜索,将最接近当前时刻的两个异动时刻之间的时刻数量记作节点的第一时刻量;将各个节点的第一时刻量的中位数记作第二时刻量SMnt;
为ALM中各个拥有异动时刻标记的元素计算子异动量subv,计算方法如下:截取告警模型中当前异动时刻到其前SMnt个时刻的矩阵作为分析矩阵;
subv=rt_vbl×exp(1+dbl);
其中rt_vbl为异动均衡值,其计算方法是:如果分析矩阵中某一时刻所有节点均不存在异动时刻,则定义该时刻为均衡时刻,则rt_vbl的值为分析矩阵中均衡时刻的数量与第二时刻量的比值;dbl为均衡距离度,其计算方法是:dbl=van_mx/van_f_sq;其中van_mx代表当前异动时刻在分析矩阵中所对应的一行元素中的最大值,van_f_sq代表分析矩阵中所有元素的上四分位数;
根据子异动量计算各个节点的异例风险vrsk,以i1作为节点的序号,则第i1个节点的异例风险vrski1的计算方法是:
其中i2为累加变量,vl_s为当前时刻的第二数值,subvi2代表第i1个节点第i2个异动时刻的子异动量;n_mt代表告警模型中第i1行元素中有异动时刻标记的元素的数量,std代表告警模型中第i1行中各个拥有异动时刻标记的元素的方差。
进一步地,步骤S500中,根据异例风险进行告警管理的方法是:
获取当前时刻各个节点的异例风险值vrsk,各个异例风险值的最小值和中位数分别记作vrsk_mn和vrsk_mid;将需要比对的节点的异例风险值记作vrsk_c;
如果节点的异例风险值vrsk_c满足vrsk_c<vrsk_mid+2(vrsk_mid-vrsk_mn),则定义该节点无警告需求;如果节点的异例风险值vrsk_c满足vrsk_c≥vrsk_mid+2(vrsk_mid-vrsk_mn),则定义该节点发生警告需求,向管理员发送告警信息,将需要发送警告需求的节点的序号发送到管理员的客户端或者移动设备,并停止该节点对应设备的运行。
本发明的实施例提供的基于工业设备数据的告警管理***,如图2所示为本发明的基于工业设备数据的告警管理***结构图,该实施例的基于工业设备数据的告警管理***包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于工业设备数据的告警管理***实施例中的步骤。
所述***包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下***的单元中:
节点初始单元,用于在工业设备上布置传感器,并以传感器作为节点;
数据采集单元,用于通过传感器进行数据采集,获得第一数值;
异动捕捉单元,用于根据历史上的各个第一数值进行预判分析计算第二数值并且捕获异动时刻;
模型构建单元,用于结合各个工业设备的异动时刻构建告警模型,通过告警模型计算各个工业设备的异例风险;
告警发生单元,用于根据异例风险进行告警管理。
所述基于工业设备数据的告警管理***可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端服务器等计算设备中。所述基于工业设备数据的告警管理***,可运行的***可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述例子仅仅是基于工业设备数据的告警管理***的示例,并不构成对基于工业设备数据的告警管理***的限定,可以包括比例子更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述基于工业设备数据的告警管理***还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal 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、分立硬件组件等。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,所述处理器是所述基于工业设备数据的告警管理***运行***的控制中心,利用各种接口和线路连接整个基于工业设备数据的告警管理***可运行***的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述基于工业设备数据的告警管理***的各种功能。所述存储器可主要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***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器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,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,从而有效地涵盖本发明的预定范围。此外,上文以发明人可预见的实施例对本发明进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
Claims (4)
1.基于工业设备数据的告警管理方法,其特征在于,所述方法包括以下步骤:
S100,在工业设备上布置传感器,并以传感器作为节点;
S200,通过传感器进行数据采集,获得第一数值;
S300,根据历史上的各个第一数值进行预判分析计算第二数值并且捕获异动时刻;
S400,结合各个工业设备的异动时刻构建告警模型,通过告警模型计算各个工业设备的异例风险;
S500,根据异例风险进行告警管理;
其中,步骤S200中,通过传感器进行数据采集,获得第一数值的方法是:各个温度传感器实时地测量并且记录温度值,以一个时刻与其前一个时刻的温度值之差作为第一数值,各个节点每隔一个时间间隔TG获得一个第一数值,其中所述时间间隔的取值范围为TG∈[10,120]秒;
其中,步骤S300中,根据历史上的各个第一数值进行预判分析计算第二数值并且捕获异动时刻的方法是:
对一个节点,将第一数值记作vl_f;把当前时刻前一个小时内获得的各个第一数值的算术平均值记作st_vl_f;设定一个时间段作为观测周期WTG,其中WTG∈[5,15]分钟;定义一个时刻的高特征值vl_hs为该时刻的前WTG时间段内获得的各个第一数值中的最大值;
获取当前时刻前一小时内的各个第一数值和高特征值,分别构成第一序列和高特序列;将第一序列中出现极大值的数量与高特序列中出现极大值的数量之比记作伴升率ort;通过高特征值和伴升率计算当前时刻的异动观测值vl_hv:
其中exp()为自然常数e为底数的指数函数;获取各个时刻下的异动观测值并构成异动观测序列,将异动观测序列中出现极大值和出现极小值的时刻定义为异动时刻,并以vl_hv值作为第二数值vl_s;
其中,在步骤S400中,结合各个工业设备的异动时刻构建告警模型,通过告警模型计算各个工业设备的异例风险的方法是:设定一个时间段作为模型历史长度len_md,模型历史长度的取值范围为len_md∈[30,120]小时;以一个节点在最近时间段len_md内的各个第二数值作为一行,以同一个时刻下的各个节点的第二数值作为一列,构建一个矩阵作为告警模型ALM;
当一个节点在某时刻为异动时刻,则为告警模型中对应的元素增添异动时刻的标记;如果ALM中某一时刻只有一个节点拥有异动时刻标记,则为该时刻做选持时刻标记;将ALM中有选持时刻标记的各个列组成一个矩阵作为选持模型SALM;以j1作为节点的序号,计算第j1个节点的异例风险vrskj1:
其中j2为累加变量,bllv为均衡级数,计算方法为:将第j1个节点第j2个异动时刻在SALM中的对应列的序号记作记j3,SALM中第j3列的各个元素构成选持序列SALM[,j3];bllv=F_rk(SALM[j1,j3],)/ttd,其中ttd为节点的总量,F_rk(SALM[j1,j3],)代表在SALM的第j3列元素从大到小排列的序列中,第j1个节点对应元素的序号,n_mt1代表SALM第j1行中异动时刻的数量。
2.根据权利要求1所述的基于工业设备数据的告警管理方法,,其特征在于,步骤S100中,在工业设备上布置传感器,并以传感器作为节点的方法是:工业设备为车床、铣床、磨床或者刨床;所述传感器为温度传感器,温度传感器为热电偶传感器、热电阻传感器、表面温度传感器、热流传感器或红外线温度传感器中的任意一种,各个工业设备均布置至少一个温度传感器;以一个温度传感器作为一个节点。
3.根据权利要求1所述的基于工业设备数据的告警管理方法,其特征在于,步骤S500中,根据异例风险进行告警管理的方法是:获取当前时刻各个节点的异例风险值vrsk,各个异例风险值的最小值和中位数分别记作vrsk_mn和vrsk_mid;
将需要比对的节点的异例风险值记作vrsk_c;如果节点的异例风险值vrsk_c满足vrsk_c<vrsk_mid+2(vrsk_mid-vrsk_mn),则定义该节点无警告需求;如果节点的异例风险值vrsk_c满足vrsk_c≥vrsk_mid+2(vrsk_mid-vrsk_mn),则定义该节点发生警告需求,向管理员发送告警信息,将需要发送警告需求的节点的序号发送到管理员的客户端或者移动设备,并停止该节点对应设备的运行。
4.基于工业设备数据的告警管理***,其特征在于,所述基于工业设备数据的告警管理***包括:处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1-3中任一项所述的基于工业设备数据的告警管理方法中的步骤,所述基于工业设备数据的告警管理***运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心的计算设备中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310546030.1A CN116414097B (zh) | 2023-05-15 | 2023-05-15 | 基于工业设备数据的告警管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310546030.1A CN116414097B (zh) | 2023-05-15 | 2023-05-15 | 基于工业设备数据的告警管理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116414097A CN116414097A (zh) | 2023-07-11 |
CN116414097B true CN116414097B (zh) | 2023-09-29 |
Family
ID=87052971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310546030.1A Active CN116414097B (zh) | 2023-05-15 | 2023-05-15 | 基于工业设备数据的告警管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116414097B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116659589B (zh) * | 2023-07-25 | 2023-10-27 | 澳润(山东)药业有限公司 | 基于数据分析的阿胶糕保存环境监测方法 |
CN117786464B (zh) * | 2024-02-22 | 2024-05-24 | 广州市原子高科同位素医药有限公司 | 一种电热恒温培养箱的异常预警方法及*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102011689B1 (ko) * | 2019-03-06 | 2019-08-19 | 주식회사 위엠비 | 시계열 데이터의 모니터링 방법, 모니터링 시스템 및 컴퓨터 프로그램 |
CN110501160A (zh) * | 2019-07-31 | 2019-11-26 | 中国神华能源股份有限公司神朔铁路分公司 | 列车轴承故障预警方法、装置、***和存储介质 |
WO2020019403A1 (zh) * | 2018-07-26 | 2020-01-30 | 平安科技(深圳)有限公司 | 用电量异常检测方法、装置、设备及可读存储介质 |
CN112365163A (zh) * | 2020-11-12 | 2021-02-12 | 杭州未名信科科技有限公司 | 一种工业设备异常检测方法、装置、存储介质及终端 |
CN113572625A (zh) * | 2020-04-28 | 2021-10-29 | ***通信集团浙江有限公司 | 故障预警方法、预警装置、设备及计算机介质 |
CN113671909A (zh) * | 2021-06-30 | 2021-11-19 | 云南昆钢电子信息科技有限公司 | 一种钢铁工控设备安全监测***和方法 |
CN114088389A (zh) * | 2021-12-10 | 2022-02-25 | 华润电力技术研究院有限公司 | 一种齿轮变速箱的数据处理方法和相关装置 |
CN114240247A (zh) * | 2021-12-31 | 2022-03-25 | 中国航空工业集团公司西安飞机设计研究所 | 一种基于风险度模型的综合告警等级跃迁方法 |
CN114254695A (zh) * | 2021-11-18 | 2022-03-29 | 中国空间技术研究院 | 一种航天器遥测数据自适应异常检测方法及装置 |
CN114353881A (zh) * | 2022-03-18 | 2022-04-15 | 广东银纳增材制造技术有限公司 | 一种基于复合传感器的设备异常监测方法及*** |
CN115713234A (zh) * | 2022-11-16 | 2023-02-24 | 南通慧泉数据有限公司 | 一种基于工业大数据的设备风险分析预警***及方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10733813B2 (en) * | 2017-11-01 | 2020-08-04 | International Business Machines Corporation | Managing anomaly detection models for fleets of industrial equipment |
US20200143292A1 (en) * | 2018-11-01 | 2020-05-07 | General Electric Company | Signature enhancement for deviation measurement-based classification of a detected anomaly in an industrial asset |
KR20230030542A (ko) * | 2021-08-25 | 2023-03-06 | 주식회사 타키온테크 | 랜덤 컷 포레스트 알고리즘을 이용한 ai 기반의 설비 데이터 이상 감지 시스템과 그 방법 |
-
2023
- 2023-05-15 CN CN202310546030.1A patent/CN116414097B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020019403A1 (zh) * | 2018-07-26 | 2020-01-30 | 平安科技(深圳)有限公司 | 用电量异常检测方法、装置、设备及可读存储介质 |
KR102011689B1 (ko) * | 2019-03-06 | 2019-08-19 | 주식회사 위엠비 | 시계열 데이터의 모니터링 방법, 모니터링 시스템 및 컴퓨터 프로그램 |
CN110501160A (zh) * | 2019-07-31 | 2019-11-26 | 中国神华能源股份有限公司神朔铁路分公司 | 列车轴承故障预警方法、装置、***和存储介质 |
CN113572625A (zh) * | 2020-04-28 | 2021-10-29 | ***通信集团浙江有限公司 | 故障预警方法、预警装置、设备及计算机介质 |
CN112365163A (zh) * | 2020-11-12 | 2021-02-12 | 杭州未名信科科技有限公司 | 一种工业设备异常检测方法、装置、存储介质及终端 |
CN113671909A (zh) * | 2021-06-30 | 2021-11-19 | 云南昆钢电子信息科技有限公司 | 一种钢铁工控设备安全监测***和方法 |
CN114254695A (zh) * | 2021-11-18 | 2022-03-29 | 中国空间技术研究院 | 一种航天器遥测数据自适应异常检测方法及装置 |
CN114088389A (zh) * | 2021-12-10 | 2022-02-25 | 华润电力技术研究院有限公司 | 一种齿轮变速箱的数据处理方法和相关装置 |
CN114240247A (zh) * | 2021-12-31 | 2022-03-25 | 中国航空工业集团公司西安飞机设计研究所 | 一种基于风险度模型的综合告警等级跃迁方法 |
CN114353881A (zh) * | 2022-03-18 | 2022-04-15 | 广东银纳增材制造技术有限公司 | 一种基于复合传感器的设备异常监测方法及*** |
CN115713234A (zh) * | 2022-11-16 | 2023-02-24 | 南通慧泉数据有限公司 | 一种基于工业大数据的设备风险分析预警***及方法 |
Non-Patent Citations (2)
Title |
---|
基于深度学习的工业设备健康监测***设计与实现;贾璇;《中国优秀硕士学位论文全文数据库 信息科技辑》(第3期);第I140-110页 * |
设备健康监测数据采集与分析模型构建;王娜;《自动化与仪器仪表》(第8期);第42-46页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116414097A (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116414097B (zh) | 基于工业设备数据的告警管理方法及*** | |
US10481195B2 (en) | Distributed IoT based sensor analytics for power line diagnosis | |
CN110555479A (zh) | 基于1dcnn与gru融合的故障特征学习与分类方法 | |
EP3364157A1 (en) | Method and system of outlier detection in energy metering data | |
CN116859831B (zh) | 一种基于物联网的工业大数据处理方法及*** | |
CN107122520B (zh) | 一种基于时空动态耦合的三维温度传感数据分析方法 | |
WO2022012137A1 (zh) | 风力发电机组的监控方法、***及计算机可读存储介质 | |
CN112882911B (zh) | 异常性能行为检测方法、***、装置及存储介质 | |
JP2015108990A (ja) | 異常検出装置及び異常検出方法 | |
Li et al. | Fault analysis system for agricultural machinery based on big data | |
CN109840671A (zh) | 运行改进效果计算设备、运行改进效果计算方法和记录介质 | |
CN111626360A (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
CN110266527B (zh) | 基于空间相关性的传感器节点故障分类报警方法及装置 | |
CN117171596A (zh) | 一种压力变送器的在线监测方法及*** | |
CN116428124A (zh) | 一种基于同型号设备数量较多的故障诊断方法 | |
CN117193502B (zh) | 基于机器学习的电竞主机电源状态分析方法 | |
JP2017157186A (ja) | 機器状態推定方法、機器状態推定装置及びデータ提供装置 | |
Leng et al. | Multi-layer parallel transformer model for detecting product quality issues and locating anomalies based on multiple time‑series process data in Industry 4.0 | |
Jarrett et al. | Monitoring variability and analyzing multivariate autocorrelated processes | |
CN117147166A (zh) | 一种发动机标定方法、装置、电子设备及存储介质 | |
Wu | [Retracted] Design of Intelligent Nursing System Based on Artificial Intelligence | |
CN114861749A (zh) | 一种基于深度原型网络的少样本轴承故障诊断方法 | |
CN113869403A (zh) | 基于便携式测温装置的温度检测方法及装置 | |
CN111158974A (zh) | 一种面向云服务器的硬件感知cpu能耗测算方法 | |
CN116489709B (zh) | 节点调度策略确定方法、终端设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Alarm Management Method and System Based on Industrial Equipment Data Granted publication date: 20230929 Pledgee: Agricultural Bank of China Limited Guangzhou Development Zone Branch Pledgor: Guangdong Sichuang Zhilian Technology Co.,Ltd. Registration number: Y2024980009261 |