CN117319179B - 基于机理模型及工业物联网的设备异常监测方法及*** - Google Patents
基于机理模型及工业物联网的设备异常监测方法及*** Download PDFInfo
- Publication number
- CN117319179B CN117319179B CN202311600380.8A CN202311600380A CN117319179B CN 117319179 B CN117319179 B CN 117319179B CN 202311600380 A CN202311600380 A CN 202311600380A CN 117319179 B CN117319179 B CN 117319179B
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- module
- real
- abnormality
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 79
- 230000007246 mechanism Effects 0.000 title claims abstract description 79
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000002547 anomalous effect Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 24
- 238000012423 maintenance Methods 0.000 abstract description 7
- 238000007405 data analysis Methods 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请涉及一种基于机理模型及工业物联网的设备异常监测方法及***,通过根据获取得到的实时设备数据以及对应的历史故障数据,计算两者之间的相似度,先根据预设故障阈值以及相似度判断实时设备数据是否存在异常,且判断出存在那种故障类型,若存在异常,则再采用对应该故障类型的机理模型根据实时设备数据进行异常检测分析,若异常检测分析结果为设备存在异常,则发送对应设备的告警指令。本方法引入机理模型,在提高异常检测的准确性的同时,还通过大数据分析的方式对应历史数据来判断设备是否可能产生异常以及***存在哪种故障类型,在减小计算频次,提高计算性能的同时,有效减短设备的维修时间。
Description
技术领域
本申请涉及工业互联网技术领域,特别是涉及一种基于机理模型及工业物联网的设备异常监测方法及***。
背景技术
随着数据科学的发展,物联网越来越多的得到广泛的应用,通常利用传感器能够直接得到一些统计和信号特征作为指标,用于状态监控,异常检测。但对于很多设备正常运行本身就会涉及到不同的工况,不同的参数设置,使得所采集的传感器数据也是一直有变化的,而这种变化正是设备本身的物理机理的表现。因此很多情况无法单纯通过传感器的统计和信号特征来预测健康状况。
然而,在现有技术中均只能通过传感器接收的设备数据判断设备是否存在故障。但实际上,各设备都会出现多种故障,在接收到设备故障告警后,只能到设备现场才能进一步判断故障类型,并不能提前对故障类型进行预测。这样,也大大延长了维修时间。
发明内容
基于此,有必要针对上述技术问题,提供一种能够同时提高检测效率和准确性的基于机理模型及工业物联网的设备异常监测方法及***。
一种基于机理模型及工业物联网的设备异常监测方法,所述方法包括:
获取实时设备数据,所述实时设备数据包括与对应设备相关的多个运行参数;
根据所述实时设备数据提取对应设备的历史故障数据,计算所述历史故障数据与实时设备数据之间的相似度,其中,所述设备对应多个故障类型,所述历史故障数据包括设备的出现不同故障类型时各所述运行参数的历史数据,计算所述历史故障数据与实时设备数据之间的相似度时,针对每一种故障类型,计算该种故障类型对应历史数据与所述实时设备数据中各所述运行参数之间的相似度,计算所述相似度采用以下公式:
;
在上式中,表示一种故障类型对应的第i种运行参数的历史数据,/>表示所述实时设备数据中的第i种运行参数,n表示所述实时设备数据中运行参数的数量,Pm表示对应一种故障类型时的相似度;
根据预设故障阈值以及相似度判断所述实时设备数据是否存在异常,若所述实时设备数据存在某一故障类型的异常,则采用对应该设备的机理模型根据所述实时设备数据中与该故障类型相关的运行参数进行异常检测分析;
若所述异常检测分析结果为设备存在异常,则发送对应设备的告警指令。
在其中一实施例中,所述根据预设故障阈值以及相似度判断所述实时设备数据是否存在异常包括:
利用所述预设故障阈值分别针对各种故障类型对应的相似度进行判断,若某一故障类型对应的相似度大于等于所述预设故障阈值,则判断所述实时设备数据存在该故障类型的异常;
若某一故障类型对应的相似度小于所述预设故障阈值,则判断所述实时设备数据不存在该故障类型的异常。
本申请还提供了一种基于机理模型及工业物联网的设备异常监测***,包括设备数据采集模块、数据异常判断模块、机理模型分析模块以及设备异常告警模块;
所述设备数据采集模块,用于获取实时设备数据,所述实时设备数据包括与对应设备相关的多个运行参数,并将所述实时设备数据发送至所述数据异常判断模块;
所述数据异常判断模块,用于根据所述实时设备数据提取对应设备的历史故障数据,计算所述历史故障数据与实时设备数据之间的相似度,并根据预设故障阈值以及相似度判断所述实时设备数据是否存在异常,其中,所述设备对应多个故障类型,所述历史故障数据包括设备的出现不同故障类型时各所述运行参数的历史数据,计算所述历史故障数据与实时设备数据之间的相似度时,针对每一种故障类型,计算该种故障类型对应历史数据与所述实时设备数据中各所述运行参数之间的相似度,计算所述相似度采用以下公式:
;
在上式中,表示一种故障类型对应的第i种运行参数的历史数据,/>表示所述实时设备数据中的第i种运行参数,n表示所述实时设备数据中运行参数的数量,Pm表示对应一种故障类型时的相似度;
若所述实时设备数据存在某一故障类型的异常,则由所述机理模型分析模块采用对应该设备的机理模型根据所述实时设备数据中与该故障类型相关的运行参数进行异常检测分析,若所述异常检测分析结果为设备存在异常,则将述异常检测分析结果发送至所述设备异常告警模块;
所述设备异常告警模块,用于根据所述异常检测分析结果发送对应设备的告警指令。
在其中一实施例中,所述工业物联网异常监测***还包括:连接在所述设备数据采集模块与所述数据异常判断模块之间的数据处理模块;
所述数据处理模块,用于将所述设备数据采集模块采集的实时设备数据进行解密及解压后,转换为所述工业物联网异常监测***可识别的格式得到可识别的实时设备数据,再将所述可识别的实时设备数据发送至所述数据异常判断模块。
在其中一实施例中,所述工业物联网异常监测***还包括:设备管理模块和设备控制模块;
所述设备管理模块,用于接收设备管理指令,并将所述设备管理指令发送至所述设备控制模块;
所述设备控制模块,用于将所述设备管理指令根据设备协议转换成操作指令后,经由所述数据处理模块下发至设备。
在其中一实施例中,所述设备异常告警模块通过微信通知、短信通知或***内部通信的方式发送所述告警指令。
上述基于机理模型及工业物联网的设备异常监测方法及***,通过根据获取得到的实时设备数据以及对应的历史故障数据,计算两者之间的相似度,先根据预设故障阈值以及相似度判断实时设备数据是否存在异常,且判断出存在那种故障类型,若存在异常,则再采用对应该故障类型的机理模型根据实时设备数据进行异常检测分析,若异常检测分析结果为设备存在异常,则发送对应设备的告警指令。本方法引入机理模型,在提高异常检测的准确性的同时,还通过大数据分析的方式对应历史数据来判断设备是否可能产生异常以及***存在哪种故障类型,并在采用机理模型采用预测得到的故障类型对应的机理模型进行判断,在减小计算频次,提高计算性能的同时,有效减短设备的维修时间。
附图说明
图1为一个实施例中基于机理模型及工业物联网的设备异常监测方法的流程示意图;
图2为一个实施例中基于机理模型及工业物联网的设备异常监测***的结构示意图;
图3为图2中所示的***中实施本文中设备异常状态监测方法的流程示意图;
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
针对现有技术中,通过物联网***的设备监控方法的异常检测效率和准确性都具有局限性的问题,如图1所示,提供了一种基于机理模型及工业物联网的设备异常监测方法,包括以下步骤:
步骤S100,获取实时设备数据,所述实时设备数据包括与对应设备相关的多个运行参数;
步骤S110,根据实时设备数据提取对应设备的历史故障数据,计算历史故障数据与实时设备数据之间的相似度;
步骤S120,根据预设故障阈值以及相似度判断所述实时设备数据是否存在异常,若存在异常,则采用对应的机理模型根据所述实时设备数据进行异常检测分析;
步骤S130,若异常检测分析结果为设备存在异常,则发送对应设备的告警指令。
在本实施例中,由于在将机理模型引入物联网***对设备的状态进行检测时,其机理模型在进行异常分析时,由于机理模型参数与计算都比较复杂,频繁的计算对计算机性能损耗较大,所以在本方法中,在引入机理模型的同时,还通过大数据分析的方式对比历史数据来先来初步判断设备是否可能产生异常,从而减小机理模型的计算频次,从而提高计算机性能,同时提高计算效率。
在步骤S100中,实际上,本方法可同时对多个设备的状态进行监控,在本文中以一个设备为例进行说明。在对多个设备进行监测时,可通过设置接收各设备上传的实时数据的频率以防止数据量过大而造成的网络拥塞,同时,也防止设备数据采集量不够,影响设备异常状态监测结果。
在步骤S110中,每个设备对应多种故障类型,也就是说各设备可发生的故障有多种类型,有可能设备出现一种故障类型,也有可能同时出现多种。而在本方法中,通过与历史故障数据进行对比,从而初步判断当前设备是否存在异常,以及属于哪一种故障类型。
在本实施例中,历史故障数据包括设备出现不同故障类型时各运行参数的历史数据。假设,历史故障数据有M种故障类型,则每一种故障类型对应的历史运行参数为:Sm={D1,D2,D3,...,Dn}。而实时接收的设备参数表示为:Sc={C1,C2,C3,...,Cn}。
进一步的,计算历史故障数据与实时设备数据之间的相似度时,针对每一种故障类型,计算该种故障类型对应历史数据与实时设备数据中各运行参数之间的相似度。
在本实施例中,计算相似度采用以下公式:
(1)
在公式(1)中,表示一种故障类型对应的第i种运行参数的历史数据,/>表示实时设备数据中的第i种运行参数,n表示实时设备数据中运行参数的数量,Pm表示对应一种故障类型时的相似度。
在步骤S120中,根据预设故障阈值以及相似度判断实时设备数据是否存在异常包括:利用预设故障阈值分别针对各种故障类型对应的相似度进行判断,若某一故障类型对应的相似度大于等于预设故障阈值,则判断实时设备数据存在该故障类型的异常,若某一故障类型对应的相似度小于预设故障阈值,则判断实时设备数据不存在该故障类型的异常。
为了进一步说明,利用历史故障数据和实时设备数据之间的相似度来进行初步判断设备数据异常这一过程,进行举例说明:
设对应一进行状态监测的设备的实时设备数据包括5个运行参数,分别包括:入口和出口的压力差P,转速W,电机扭矩M,泵扭矩T,泵出口流量Q,而历史故障数据如表1所示:
表1 历史故障数据
而设实时设备数据如表2所示:
表2 实时设备数据
根据公式(1)针对每一种故障类型计算历史数据和实时数据之间的相似度,则可以得到:
;
;
;
在以上的算式中,P1、P2、 P3、 P4分别为故障1至故障4的相似度。
接着,在假设预设故障阈值等于零时,可以看到P1大于零,则说明当前接收到的实时设备数据存储在故障1的异常,接下来,采用机理模型进一步对该故障进行确认。
在对故障阈值进行预设时,可以根据具体情况进行设置,若故障阈值设置的较低,则判断故障的概率会更高,则更消耗计算机性能,若故障阈值设置的较高,则判断故障的概率会小,并不会消耗更多的计算机性能,但是可能出现误检。在进行设置时,可以根据对应的工业设备的重要性,或者是某一故障的权重大小进行预设。
在步骤S130中,若存在异常,则采用对应的机理模型根据实时设备数据进行异常检测分析包括:若实时设备数据存在某一故障类型的异常,则采用对应该设备的机理模型根据所述实时设备数据中与该故障类型相关的运行参数进行异常检测分析。
在本实施例中,对每一个被监测的工业设备均构建有分别对应多种故障类别的多个机理模型。在根据历史数据以及实时数据判断当前工业设备存在异常时,则根据判断得到的故障类型调用对应的机理模型根据实时数据进行最终的判断。这样进一步提高了设备监测的准确率及效率。并且,对于维修人员来说,提前预知了设备的故障类型,根据预测得到的故障类型可以提前设定维系方案,并提前准备所需要的维修配件,这样可以有效缩短维修时间。
在本实施例中,若经由步骤S120的处理判断当前设备数据不存在异常,则进行后续步骤,再回到步骤S100对下一时刻获取的设备数据进行监测。
最后在步骤S140 中,根据分析结果发送相应的告警指令。
在本文中,还提供了一种实施于上述设备异常监测方法的基于机理模型及工业物联网的设备异常状态监测***,包括设备数据采集模块、数据异常判断模块、机理模型分析模块以及设备异常告警模块。其中,设备数据采集模块用于获取实时设备数据,实时设备数据包括与对应设备相关的多个运行参数,并将实时设备数据发送至数据异常判断模块。数据异常判断模块用于根据实时设备数据提取对应设备的历史故障数据,计算历史故障数据与实时设备数据之间的相似度,并根据预设故障阈值以及相似度判断实时设备数据是否存在异常,若存在异常,则由机理模型分析模块采用对应的机理模型根据实时设备数据进行异常检测分析,若异常检测分析结果为设备存在异常,则将异常检测分析结果发送至设备异常告警模块,最后由设备异常告警模块根据异常检测分析结果发送对应设备的告警指令。
在本实施例中,该***还包括设备连接模块用于与多个终端设备连接以及数据交换,终端设备通过该模块将设备数据上传到设备采集模块。同时,设备控制模块在需要控制设备时,将控制指令通过设备连接模块下发到设备上来实现控制。
在本实施例中,该***还包括:连接在设备数据采集模块与数据异常判断模块之间的数据处理模块。数据处理模块将设备数据采集模块采集的实时设备数据进行解密及解压后,转换为工业物联网异常监测***可识别的格式得到可识别的实时设备数据,再将可识别的实时设备数据发送至数据异常判断模块。
具体的,数据处理模块负责将设备数据转换***所需的格式,以及保证数据的安全性和传输性,将设备控制模块下发的数据进行加密、压缩处理,同时将数据采集模块上传的数据进行解密、解压处理。
在本实施例中,该***还包括:设备管理模块和设备控制模块。设备管理模块用于接收设备管理指令,并将设备管理指令发送至设备控制模块。而设备控制模块将设备管理指令根据设备协议转换成操作指令后,经由数据处理模块下发至设备。
具体的,设备管理模块还用于管理平台所有设备,可以查看、添加、删除、编辑设备信息包括设备名称、机理模型匹配、设备SN码,并展示设备位置、设备连接状态、设备运动状态、设备开关等信息。通过管理模块页面可以对设备进行控制,控制命令将发送到设备控制模块,由设备控制模块转换成设备操作命令下发。
具体的,设备控制模块用于管理设备协议,解析设备操作命令,将设备上报的数据根据协议进行解析,并将解析出的数据上传至设备管理模块,对设备数据进行更新。同时将设备管理模块下发的设备操作根据设备协议转换成操作指令,通过数据处理模块以及设备连接模块下发到各设备终端,从而实现设备的远程操作。
在本实施例中,该***还包括:机理模型管理模块。机理模型管理模块用于管理平台机理模型,可以查询、添加、删除、编辑机理模型信息,包括机理模型名称、机理模型参数设置、机理模型参数模板等。同时管理机理模型与设备之间的绑定关系以及设置机理模型异常监测算法。在设备需要检测异常时,通过设备管理模块获取设备与机理模型的绑定关系,并通过对应的机理模型获取计算公式,根据公式计算是否产生故障。
在本实施例中,在数据异常判断模块中用于监控采集上报的实施设备数据,通过相似度计算当前数据与历史故障参数的近似度,根据近似度估计可能发生的故障,然后调用机理模型分析模块接口,对该设备进行机理模型异常分析,从而提高设备故障检测效率以及计算机利用率。在该模块中实施上述方法中步骤S110以及步骤S120,其具体限定参见上文中对于设备异常状态监测方法的限定,在此不再赘述。
在本实施例中,该***还包括:机理模型展示模块。机理模型展示模块使用3D模型,基于机理模型参数以及设备数据,使用3D模型对设备进行展示,从而让用户更直观的查看设备。
在本实施例中,机理模型分析模块具体实施上述方法中步骤S130,用于提供设备异常检测接口,数据异常判断模块在分析设备可能出现故障时,调用该模块接口触发检测,机理模型分析模块从设备管理模块,根据设备ID查找绑定的机理模型,并获取机理模型异常检测所需的参数类型,同时获取对应的设备数据以及异常检测公式,然后进行计算,并根据计算结果判断是否产生异常,如发生异常则调用设备异常告警模块接口进行告警。其中,异常检测公式为与根据数据异常判断模块得到故障类型对应的检测公式。
在本实施例中,设备异常告警模块负责提供告警接口,在判断设备发生异常时,调用该接口,然后通过微信通知、短信通知、***内部信的方式通知***管理人员。
如图2所示,提供了一种基于机理模型及工业物联网的设备异常监测***的结构示意图,该示意图中的各模块按照模块层次关系进行展示。
如图3所示,由图2所示的***中实施本文中设备异常监测方法的流程示意图。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储故障历史数据以及机理模型数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于机理模型及工业物联网的设备异常监测方法。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取实时设备数据,所述实时设备数据包括与对应设备相关的多个运行参数;
根据所述实时设备数据提取对应设备的历史故障数据,计算所述历史故障数据与实时设备数据之间的相似度;
根据预设故障阈值以及相似度判断所述实时设备数据是否存在异常,若存在异常,则采用对应的机理模型根据所述实时设备数据进行异常检测分析;
若所述异常检测分析结果为设备存在异常,则发送对应设备的告警指令。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取实时设备数据,所述实时设备数据包括与对应设备相关的多个运行参数;
根据所述实时设备数据提取对应设备的历史故障数据,计算所述历史故障数据与实时设备数据之间的相似度;
根据预设故障阈值以及相似度判断所述实时设备数据是否存在异常,若存在异常,则采用对应的机理模型根据所述实时设备数据进行异常检测分析;
若所述异常检测分析结果为设备存在异常,则发送对应设备的告警指令。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (2)
1.基于机理模型及工业物联网的设备异常监测***,其特征在于,包括设备数据采集模块、数据异常判断模块、机理模型分析模块以及设备异常告警模块;
所述设备数据采集模块,用于按照预设的接收频率获取实时设备数据,所述实时设备数据包括与对应设备相关的多个运行参数,并将所述实时设备数据发送至所述数据异常判断模块,所述设备数据采用模块同时接收多个设备的实时设备数据;
所述数据异常判断模块,用于根据所述实时设备数据提取对应设备的历史故障数据,计算所述历史故障数据与实时设备数据之间的相似度,并根据预设故障阈值以及相似度判断所述实时设备数据是否存在异常,其中,所述设备对应多个故障类型,所述历史故障数据包括设备的出现不同故障类型时各所述运行参数的历史数据,计算所述历史故障数据与实时设备数据之间的相似度时,针对每一种故障类型,计算该种故障类型对应历史数据与所述实时设备数据中各所述运行参数之间的相似度,计算所述相似度采用以下公式:
Pm=
在上式中,表示一种故障类型对应的第i种运行参数的历史数据,/>表示所述实时设备数据中的第i种运行参数,n表示所述实时设备数据中运行参数的数量,Pm表示对应一种故障类型时的相似度,根据预设故障阈值以及相似度判断所述实时设备数据是否存在异常,包括:利用所述预设故障阈值分别针对各种故障类型对应的相似度进行判断,若某一故障类型对应的相似度大于等于所述预设故障阈值,则判断所述实时设备数据存在该故障类型的异常,若某一故障类型对应的相似度小于所述预设故障阈值,则判断所述实时设备数据不存在该故障类型的异常,若所述实时设备数据存在某一故障类型的异常,则由所述机理模型分析模块采用对应该设备的机理模型根据所述实时设备数据中与该故障类型相关的运行参数进行异常检测分析,若所述异常检测分析结果为设备存在异常,则将述异常检测分析结果发送至所述设备异常告警模块;
所述设备异常告警模块,用于根据所述异常检测分析结果发送对应设备的告警指令;
所述设备异常监测***还包括:连接在所述设备数据采集模块与所述数据异常判断模块之间的数据处理模块,所述数据处理模块,用于将所述设备数据采集模块采集的实时设备数据进行解密及解压后,转换为所述工业物联网异常监测***可识别的格式得到可识别的实时设备数据,再将所述可识别的实时设备数据发送至所述数据异常判断模块,所述设备数据采集模块还保证数据的安全性和传输性,将设备控制模块下发的数据进行加密、压缩处理,同时将数据采集模块上传的数据进行解密、解压处理;
所述设备异常监测***还包括:设备管理模块和设备控制模块,所述设备管理模块,用于接收设备管理指令,并将所述设备管理指令发送至所述设备控制模块;所述设备控制模块,用于将所述设备管理指令根据设备协议转换成操作指令后,经由所述数据处理模块下发至设备;所述设备管理模块还用于管理设备异常监测***所有设备,可以查看、添加、删除、编辑设备信息包括设备名称、机理模型匹配、设备SN码,并展示设备位置、设备连接状态、设备运动状态、设备开关信息,通过管理模块页面可以对设备进行控制,控制命令将发送到设备控制模块,由设备控制模块转换成设备操作命令下发;所述设备控制模块用于管理设备协议,解析设备操作命令,将设备上报的数据根据协议进行解析,并将解析出的数据上传至设备管理模块,对设备数据进行更新,同时将设备管理模块下发的设备操作根据设备协议转换成操作指令,通过数据处理模块以及设备连接模块下发到各设备终端,从而实现设备的远程操作;
所述设备异常监测***还包括机理模型管理模块,用于管理机理模型,可以查询、添加、删除、编辑机理模型信息,包括机理模型名称、机理模型参数设置、机理模型参数模板;同时管理机理模型与各设备之间的绑定关系,以及设置机理模型异常监测算法;在设备需要检测异常时,通过机理模型管理模块获取设备与机理模型的绑定关系,并通过对应的机理模型获取计算公式,根据公式计算是否产生故障;
所述设备异常监测***还包括设备连接模块,用于与多个终端设备连接以及数据交换,终端设备通过该模块将设备数据上传到设备采集模块,同时,设备控制模块在需要控制设备时,将控制指令通过设备连接模块下发到设备上来实现控制。
2.根据权利要求1所述的设备异常监测***,其特征在于,所述设备异常告警模块通过微信通知、短信通知或***内部通信的方式发送所述告警指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311600380.8A CN117319179B (zh) | 2023-11-28 | 2023-11-28 | 基于机理模型及工业物联网的设备异常监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311600380.8A CN117319179B (zh) | 2023-11-28 | 2023-11-28 | 基于机理模型及工业物联网的设备异常监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117319179A CN117319179A (zh) | 2023-12-29 |
CN117319179B true CN117319179B (zh) | 2024-06-21 |
Family
ID=89274000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311600380.8A Active CN117319179B (zh) | 2023-11-28 | 2023-11-28 | 基于机理模型及工业物联网的设备异常监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117319179B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117689269B (zh) * | 2024-01-30 | 2024-05-14 | 深圳市微克科技股份有限公司 | 一种智能手表加工阶段的故障溯源方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106292612A (zh) * | 2016-10-10 | 2017-01-04 | 深圳万发创新进出口贸易有限公司 | 一种钢包烘烤器故障在线诊断*** |
CN113806969A (zh) * | 2021-10-26 | 2021-12-17 | 国家石油天然气管网集团有限公司 | 一种基于时域数据关联建模的压缩机组健康预测方法 |
CN116167748A (zh) * | 2023-04-20 | 2023-05-26 | 中国市政工程西南设计研究总院有限公司 | 一种城市地下综合管廊运维方法、***、装置及电子设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034521B (zh) * | 2018-06-07 | 2021-11-16 | 国电南瑞科技股份有限公司 | 一种电网调度控制***的智能运维架构设计方法 |
CN109635992A (zh) * | 2018-10-22 | 2019-04-16 | 成都万江港利科技股份有限公司 | 一种基于大数据的物联网设备运行分析诊断算法 |
CN111817891A (zh) * | 2020-07-07 | 2020-10-23 | 中国联合网络通信集团有限公司 | 网络故障处理方法、装置、存储介质及电子设备 |
CN112804336B (zh) * | 2020-10-29 | 2022-11-01 | 浙江工商大学 | 故障检测方法、装置、***、计算机可读存储介质 |
CN114630352B (zh) * | 2020-12-11 | 2023-08-15 | ***通信集团湖南有限公司 | 一种接入设备的故障监测方法和装置 |
-
2023
- 2023-11-28 CN CN202311600380.8A patent/CN117319179B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106292612A (zh) * | 2016-10-10 | 2017-01-04 | 深圳万发创新进出口贸易有限公司 | 一种钢包烘烤器故障在线诊断*** |
CN113806969A (zh) * | 2021-10-26 | 2021-12-17 | 国家石油天然气管网集团有限公司 | 一种基于时域数据关联建模的压缩机组健康预测方法 |
CN116167748A (zh) * | 2023-04-20 | 2023-05-26 | 中国市政工程西南设计研究总院有限公司 | 一种城市地下综合管廊运维方法、***、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117319179A (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117319179B (zh) | 基于机理模型及工业物联网的设备异常监测方法及*** | |
CN110425694B (zh) | 基于phm的高铁智能车站暖通空调能效控制管理方法 | |
RU2377628C2 (ru) | Система предотвращения нестандартной ситуации на производственном предприятии | |
US9189485B2 (en) | Time-series data diagnosing/compressing method | |
JP6933899B2 (ja) | プラント運転支援装置、プラント運転支援方法、及びプラント運転支援プログラム | |
CN106228270B (zh) | 一种大数据驱动的挤压设备的能耗预测方法及其*** | |
CN110798245B (zh) | 基于单模型的地下电缆故障预警方法和装置 | |
CN104639368A (zh) | 通信网络设备的故障处理方法及装置 | |
CN111208748A (zh) | 基于物联网的联动控制方法、***和计算机设备 | |
CN112254972B (zh) | 挖掘机油温预警方法、装置、服务器及挖掘机 | |
CN115358281B (zh) | 一种基于机器学习的冷热一体机监测控制方法及*** | |
CN117556332B (zh) | 基于物联网的加热炉余热利用管理方法、***及存储介质 | |
CN116071902B (zh) | 一种监控机房动力设备的方法、设备及介质 | |
CN111814331A (zh) | 复杂情况下多变点的设备剩余使用寿命预测方法 | |
CN113808727B (zh) | 设备监控方法、装置、计算机设备和可读存储介质 | |
CN110972210B (zh) | 基于农业物联网的LoRa网关断网决策方法及装置 | |
CN114884942A (zh) | 一种工业设备互联网云管理方法及*** | |
CN112963406A (zh) | 一种液压***的监测方法、装置、***和存储介质 | |
CN117170994B (zh) | Ipmi接口协议的故障预测扩展方法及*** | |
CN115225469A (zh) | 基于网络异型接口的网络监控***及方法 | |
CN114692743A (zh) | 故障预测方法、装置以及存储介质 | |
CN117527552A (zh) | 基于自编码器的监控告警方法、装置、物联网平台及介质 | |
CN116340106A (zh) | 页面监控方法、装置、计算机设备及可读存储介质 | |
CN112862124A (zh) | 一种基于信息***的智能一体化运维***、方法 | |
CN117251824A (zh) | 基于改进ds证据理论的电力***应急发电资源可靠性分析方法 |
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 |