CN117434911B - 设备运行状态监控方法、装置及电子设备 - Google Patents

设备运行状态监控方法、装置及电子设备 Download PDF

Info

Publication number
CN117434911B
CN117434911B CN202311757829.1A CN202311757829A CN117434911B CN 117434911 B CN117434911 B CN 117434911B CN 202311757829 A CN202311757829 A CN 202311757829A CN 117434911 B CN117434911 B CN 117434911B
Authority
CN
China
Prior art keywords
variable data
working condition
target
data
adjustable variable
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
Application number
CN202311757829.1A
Other languages
English (en)
Other versions
CN117434911A (zh
Inventor
查礼
李春喜
张娜
张兴国
杨伟
蔡莲香
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Business Intelligence Of Oriental Nations Corp ltd
Original Assignee
Business Intelligence Of Oriental Nations Corp ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Business Intelligence Of Oriental Nations Corp ltd filed Critical Business Intelligence Of Oriental Nations Corp ltd
Priority to CN202311757829.1A priority Critical patent/CN117434911B/zh
Publication of CN117434911A publication Critical patent/CN117434911A/zh
Application granted granted Critical
Publication of CN117434911B publication Critical patent/CN117434911B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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]
    • G05B19/41865—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 job scheduling, process planning, material flow
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G05B2219/32—Operator till task planning
    • G05B2219/32252—Scheduling production, machining, job shop
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Manufacturing & Machinery (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供一种设备运行状态监控方法、装置及电子设备，涉及计算机技术领域，方法包括：获取设备当前运行的数据对应的第一数据；第一数据包括目标工况变量数据和目标可调变量数据；基于第一关联关系和目标工况变量数据，确定目标工况变量数据对应的目标工况；第一关联关系表示划分的工况和工况变量数据之间的关系；基于第二关联关系、目标工况和目标可调变量数据，确定目标工况对应的最优可调变量数据；第二关联关系表示工况和最优可调变量数据之间的关系；基于最优可调变量数据，对设备的运行状态进行监控，实现设备运行状态的实时监控，能够及时应对动态的生产环境，提升了设备运行状态监控的准确性和效率，从而提升设备的稳定性。

Description

设备运行状态监控方法、装置及电子设备
技术领域
本发明涉及计算机技术领域，尤其涉及一种设备运行状态监控方法、装置及电子设备。
背景技术
传统的生产运行状态监控与优化技术，依赖专业的技术人员对设备上的各类传感器采集的温度、位移、流量、压力和电流等状态数据进行分析，给出一个人工诊断结果，并可视化展现出设备所处的一个运行状况，而且，依赖离线的历史数据进行分析，没有划分工况。比如，石油炼化常用的工艺流程为常减压蒸馏、催化裂化、延迟焦化、加氢裂化、溶剂脱沥青、加氢精制和催化等，对工艺流程的全生命周期的离线的历史数据按照同一种生产状态进行优化，而且对于分析人员的专业水平要求较高。
然而，传统的生产运行状态监控与优化技术，无法实时监测和响应生产过程中的变化，缺乏实时性和灵活性，难以应对动态的生产环境。
发明内容
本发明提供一种设备运行状态监控方法、装置及电子设备，用以解决现有技术中难以应对动态的生产环境的问题。
本发明提供一种设备运行状态监控方法，包括：
获取设备当前运行的数据对应的第一数据；所述第一数据包括目标工况变量数据和目标可调变量数据；所述目标工况变量数据和所述目标可调变量数据之间存在关联关系；
基于第一关联关系和所述目标工况变量数据，确定所述目标工况变量数据对应的目标工况；所述第一关联关系是基于所述设备运行的历史数据预先确定的，所述第一关联关系表示划分的工况和工况变量数据之间的关系；
基于第二关联关系、所述目标工况和所述目标可调变量数据，确定所述目标工况对应的最优可调变量数据；所述第二关联关系是基于所述设备运行的历史数据预先确定的；所述第二关联关系表示所述工况和最优可调变量数据之间的关系，所述最优可调变量数据用于指示所述设备在所述工况下的运行状态；
基于所述最优可调变量数据，对所述设备的运行状态进行监控。
根据本发明提供的一种设备运行状态监控方法，所述第一关联关系是基于以下步骤得到的：
获取所述设备运行的历史数据对应的第二数据，所述第二数据包括工况变量数据；
对所述工况变量数据进行工况划分，得到多个工况；每个所述工况对应不同的所述工况变量数据；
针对每个工况，基于所述工况对应的不同的所述工况变量数据，确定所述工况与所述工况变量数据之间的所述第一关联关系。
根据本发明提供的一种设备运行状态监控方法，所述第二数据还包括可调变量数据和优化变量数据，所述第二关联关系是基于以下步骤得到的：
基于所述工况的所述工况变量数据对应的所述可调变量数据，确定所述工况对应的所述最优可调变量数据；
基于所述最优可调变量数据，确定所述工况与所述最优可调变量数据之间的第二关联关系。
根据本发明提供的一种设备运行状态监控方法，所述基于所述工况的所述工况变量数据对应的所述可调变量数据，确定所述工况对应的所述最优可调变量数据，包括：
采用聚类算法对所述工况的所述工况变量数据对应的所述可调变量数据进行聚类，得到多个聚类簇；每个所述聚类簇包括多个不同的所述可调变量数据；
从所述多个聚类簇中确定目标聚类簇；所述目标聚类簇包括的所述可调变量数据的数量最多；
将所述目标聚类簇的聚类中心点对应的可调变量数据，确定为所述工况对应的所述最优可调变量数据。
根据本发明提供的一种设备运行状态监控方法，所述方法还包括：
将所述目标聚类簇包括的不同的所述可调变量数据对应的所述优化变量数据进行排序；
将排序后的优化变量数据和第一预设阈值进行比较；
将大于所述第一预设阈值的所述排序后的优化变量数据划分至优化区间，得到所述工况与所述优化区间之间的第三关联关系。
根据本发明提供的一种设备运行状态监控方法，所述基于所述工况的所述工况变量数据对应的所述可调变量数据，确定所述工况对应的所述最优可调变量数据，包括：
建立所述可调变量数据与所述优化变量数据之间的第四关联关系；所述优化变量数据用于指示每种工况下所述设备对应的生产目标值；所述生产目标值是预先设置的；
基于所述第四关联关系和所述工况的所述工况变量数据对应的所述可调变量数据，采用遗传算法确定所述可调变量数据与所述优化变量数据之间的最优解；
将所述最优解，确定为所述工况对应的所述最优可调变量数据。
根据本发明提供的一种设备运行状态监控方法，所述第一数据还包括目标优化变量数据，所述方法还包括：
基于所述第三关联关系和所述目标工况变量数据对应的所述目标工况，确定所述目标工况变量数据对应的目标优化区间；
基于所述目标优化区间，确定所述目标优化变量数据是否在所述目标优化区间内；
在所述目标优化变量数据不在所述目标优化区间内的情况下，确定所述设备待优化。
根据本发明提供的一种设备运行状态监控方法，所述方法还包括：
在所述数据对应的所述目标工况变量数据匹配不到对应的目标工况的情况下，记录所述数据；
在所记录数据的数量大于第二预设阈值的情况下，将所记录数据作为历史数据，并更新所述第一关联关系和所述第二关联关系。
本发明还提供一种设备运行状态监控装置，包括：
第一获取模块，用于获取设备当前运行的数据对应的第一数据；所述第一数据包括目标工况变量数据和目标可调变量数据；所述目标工况变量数据和所述目标可调变量数据之间存在关联关系；
第一确定模块，用于基于第一关联关系和所述目标工况变量数据，确定所述目标工况变量数据对应的目标工况；所述第一关联关系是基于所述设备运行的历史数据预先确定的，所述第一关联关系表示划分的工况和工况变量数据之间的关系；
第二确定模块，用于基于第二关联关系、所述目标工况和所述目标可调变量数据，确定所述目标工况对应的最优可调变量数据；所述第二关联关系是基于所述设备运行的历史数据预先确定的；所述第二关联关系表示所述工况和最优可调变量数据之间的关系，所述最优可调变量数据用于指示所述设备在所述工况下的运行状态；
监控模块，用于基于所述最优可调变量数据，对所述设备的运行状态进行监控。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述设备运行状态监控方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述设备运行状态监控方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述设备运行状态监控方法。
本发明提供的设备运行状态监控方法、装置及电子设备，通过获取设备当前运行的数据对应的第一数据；所述第一数据包括目标工况变量数据和目标可调变量数据；所述目标工况变量数据和所述目标可调变量数据之间存在关联关系；基于第一关联关系和所述目标工况变量数据，确定所述目标工况变量数据对应的目标工况；所述第一关联关系是基于所述设备运行的历史数据预先确定的，所述第一关联关系表示划分的工况和工况变量数据之间的关系；基于第二关联关系、所述目标工况和所述目标可调变量数据，确定所述目标工况对应的最优可调变量数据；所述第二关联关系是基于所述设备运行的历史数据预先确定的；所述第二关联关系表示所述工况和最优可调变量数据之间的关系，所述最优可调变量数据用于指示所述设备在所述工况下的运行状态；基于所述最优可调变量数据，对所述设备的运行状态进行监控。通过第一关联关系以及第二关联关系，确定目标工况对应的最优可调变量数据，实现设备运行状态的实时监控，能够及时应对动态的生产环境，提升了设备运行状态监控的准确性和效率，从而提升设备的稳定性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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。
图1是本发明提供的设备运行状态监控方法的流程示意图之一；
图2是本发明提供的设备运行状态监控方法的流程示意图之二；
图3是本发明提供的设备运行状态监控方法的流程示意图之三；
图4是本发明提供的设备运行状态监控装置的结构示意图；
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
下面结合图1-图3描述本发明的设备运行状态监控方法。
图1是本发明提供的设备运行状态监控方法的流程示意图之一，如图1所示，方法包括步骤101-步骤104；其中，
步骤101，获取设备当前运行的数据对应的第一数据；所述第一数据包括目标工况变量数据和目标可调变量数据；所述目标工况变量数据和所述目标可调变量数据之间存在关联关系。
需要说明的是，本发明提供的设备运行状态监控方法，适用于工业设备监控的场景中，该方法的执行主体可以为设备运行状态监控装置，例如电子设备、或者该设备运行状态监控装置中的用于执行设备运行状态监控方法的控制模块。
具体地，设备上配备多种传感器，例如，温度传感器、湿度传感器、浓度传感器、压力传感器和流量传感器，通过传感器采集当前设备运行的数据，例如，温度、湿度、浓度、压力和流量等数据。再根据采集的数据，确定设备运行的数据对应的第一数据；其中，第一数据包括目标工况变量数据和目标可调变量数据。第一数据还可以包括目标优化变量数据。比如，某化工行业中无水氢氟酸（Anhydrous Hydrogen Fluoride，AHF）单耗优化场景，目标工况变量为风机出风量、流量、转速、电流、压力和温度等；目标可调变量数据为换热器蒸汽流量、压力和蒸汽温度等；目标优化变量为无水氢氟酸（AHF）单耗。
需要说明的是，传感器采集的数据有一部分可以反应设备的目标工况变量数据、目标可调变量数据和目标优化变量数据，一部分目标工况变量数据、目标可调变量数据和目标优化变量数据不能通过传感器直接采集；例如，目标优化变量数据可以为化工行业的产品收率、设备能耗以及产品质量等，目标优化变量数据也可以为石油催化裂化行业的汽油收率和柴油收率等。对于不能反应设备的目标工况变量数据、目标可调变量数据和目标优化变量数据的数据，需要对采集的数据进行处理，得到设备运行的数据对应的目标工况变量数据、目标可调变量数据和目标优化变量数据。例如，建立生产参数与质量指标模型，将采集的数据输入至建立的生产参数与质量指标模型，得到建立生产参数与质量指标模型输出的目标工况变量数据、目标可调变量数据和目标优化变量数据，进而能够产生更多的目标工况变量数据、目标可调变量数据和目标优化变量数据。
可选地，采集的设备当前运行的数据可以为生产运行数据、工厂设备数据、传感器数据、人员管理数据、实验室数据、原材料数据等多方工业数据。
步骤102，基于第一关联关系和所述目标工况变量数据，确定所述目标工况变量数据对应的目标工况；所述第一关联关系是基于所述设备运行的历史数据预先确定的，所述第一关联关系表示划分的工况和工况变量数据之间的关系。
具体地，第一关联关系是基于设备运行的历史数据预先确定的，第一关联关系表示划分的工况和质量指标数据之间的关系。根据工况和工况变量数据之间的第一关联关系和获取的目标工况变量数据，可以确定目标工况变量数据对应的目标工况，实现目标工况变量数据的工况匹配。
步骤103，基于第二关联关系、所述目标工况和所述目标可调变量数据，确定所述目标工况对应的最优可调变量数据；所述第二关联关系是基于所述设备运行的历史数据预先确定的；所述第二关联关系表示所述工况和最优可调变量数据之间的关系，所述最优可调变量数据用于指示所述设备在所述工况下的运行状态。
具体地，第二关联关系是基于设备运行的历史数据预先确定的；第二关联关系表示工况和最优可调变量数据之间的关系，最优可调变量数据用于指示设备在该工况下的运行状态。例如，最优可调变量数据为温度、湿度、压力或者流量。最优可调变量数据用于指示调整设备在目标工况下的操作参数为最优可调变量数据时，设备对应的目标优化变量数据才能达到目标值。根据工况和最优可调变量数据之间的第二关联关系、目标工况变量数据对应的目标工况和目标可调变量数据，可以确定目标工况对应的最优可调变量数据（即推荐最优值）。
步骤104，基于所述最优可调变量数据，对所述设备的运行状态进行监控。
具体地，根据确定的最优可调变量数据，可以对设备的运行状态进行监控，从而实现设备在最优可调变量数据的情况下，设备对应的目标优化变量数据才能达到目标值。
可选地，在确定最优可调变量数据之后，根据目标工况下预设的生产目标值，可以确定优化指标提升值。例如，最优可调变量数据为10，目标工况下预设的生产目标值为9.7，则优化指标提升值为0.3。
本发明提供的设备运行状态监控方法，通过获取设备当前运行的数据对应的第一数据；所述第一数据包括目标工况变量数据和目标可调变量数据；所述目标工况变量数据和所述目标可调变量数据之间存在关联关系；基于第一关联关系和所述目标工况变量数据，确定所述目标工况变量数据对应的目标工况；所述第一关联关系是基于所述设备运行的历史数据预先确定的，所述第一关联关系表示划分的工况和工况变量数据之间的关系；基于第二关联关系、所述目标工况和所述目标可调变量数据，确定所述目标工况对应的最优可调变量数据；所述第二关联关系是基于所述设备运行的历史数据预先确定的；所述第二关联关系表示所述工况和最优可调变量数据之间的关系，所述最优可调变量数据用于指示所述设备在所述工况下的运行状态；基于所述最优可调变量数据，对所述设备的运行状态进行监控。通过第一关联关系以及第二关联关系，确定目标工况对应的目标操作参数，实现设备运行状态的实时监控，能够及时应对动态的生产环境，提升了设备运行状态监控的准确性和效率，从而提升设备的稳定性。
可选地，所述第一关联关系是基于以下步骤得到的：
（1）获取所述设备运行的历史数据对应的第二数据，所述第二数据包括工况变量数据。
具体地，通过设备上配备的多种传感器采集设备运行的历史数据，并将采集的历史数据保存至数据库中，例如，关系型数据库、时间序列数据库或者NoSQL数据库。再根据采集的数据，确定设备运行的数据对应的第二数据，其中，第二数据包括工况变量数据。
（2）对所述工况变量数据进行工况划分，得到多个工况；每个所述工况对应不同的所述工况变量数据。
具体地，采用偏差划分或者k-均值（means）聚类算法，对获取的工况变量数据进行工况划分，可以得到多个工况；其中，偏差划分采用设置分组步长，例如，当有一个工况变量时，分组步长为0.5，将工况变量数据划分为不同的组，每一组工况变量数据对应一个工况，例如，工况1对应的工况变量数据范围为[0.0,0.5 ) ，工况2对应的工况变量数据范围为[0.5,1]。当有两个工况变量时，设置每个工况变量对应的步长，为了方便举例，步长统一设置为0.5，取值区间都为[0,1],则可以生成4个工况；其中，工况1对应的工况变量数据范围为A：[0.0,0.5 ) ，B: [0.0,0.5 ) ；工况2对应的工况变量数据范围为A：[0.5,1] ，B:[0.0,0.5 )；工况3对应的工况变量数据范围为A：[0.0,0.5 )，B: [0.5,1]；工况4对应的工况变量数据范围为A：[0.5,1]，B: [0.5,1]，其他情况依次类推。
或者，采用k-means聚类算法将工况变量数据划分成多个聚类簇，每个聚类簇包括多个工况变量数据，每个聚类簇对应一个工况，例如，聚类簇1对应工况1，聚类簇2对应工况2。
需要说明的是，在对工况变量数据进行工况划分之前，对获取的历史数据进行预处理，其中，预处理的方式包括以下至少一项：数据整定与对齐、数据清洗。
选取所需的传感器以及传感器对应的历史数据，对历史数据进行数据整定与对齐，数据整定与对齐是确保不同数据源（不同的传感器）或数据集（不同的传感器采集的数据组成的数据集合）之间的数据在时间、空间标识以及数值等方面一致的过程。数据整定与对齐包括以下具体实现方式：
a）时间对齐：如果历史数据来自不同的时间，需要将它们进行对齐，以便进行时间序列分析或比较。
b）标识对齐：确保不同数据源的标识（例如设备标识ID、用户标识ID）一致，便于建立设备和数据之间的联系。
c）数值对齐：确保不同数据集中的数据在相同的单位和范围内，以便进行比较和分析。
在对历史数据进行数据整定与对齐之后，再对历史数据进行数据清洗。数据清洗包括以下具体实现方式：
a）异常值处理：根据设备指标上下限、3sigma和箱线图，识别和处理历史数据中的错误、误差、异常或不一致的值，以确保数据的质量和准确性。
b）数据转换：将数据转换为适合分析的格式，例如，数据类型转换、单位转换或者标准化。
c）空值填充：内置多种空值填充方法，例如常量、均值、回归等填充方法，以防止丢失数据对分析的影响。
d）数据重采样：将数据从原始采样频率转换为其他采样频率，例如，降低采样频率或提升采样频率。
（3）针对每个工况，基于所述工况对应的不同的所述工况变量数据，确定所述工况与所述工况变量数据之间的所述第一关联关系。
具体地，针对每个工况，根据工况对应的不同的工况变量数据，可以确定工况与工况变量数据之间的第一关联关系。
可选地，所述第二数据还包括可调变量数据和优化变量数据，所述第二关联关系是基于以下步骤得到的：
（a）基于所述工况的所述工况变量数据对应的所述可调变量数据，确定所述工况对应的所述最优可调变量数据。
具体地，根据工况的工况变量数据对应的可调变量数据，可以进一步确定工况对应的最优可调变量数据。
（b）基于所述最优可调变量数据，确定所述工况与所述最优可调变量数据之间的第二关联关系。
具体地，根据最优可调变量数据，可以进一步确定工况与最优可调变量数据之间的第二关联关系。
可选地，上述步骤（a）的具体实现方式包括：
（a-1）采用聚类算法对所述工况的所述工况变量数据对应的所述可调变量数据进行聚类，得到多个聚类簇；每个所述聚类簇包括多个不同的所述可调变量数据。
具体地，针对每个工况，采用聚类算法对该工况的工况变量数据对应的可调变量数据进行聚类，可以得到多个聚类簇；其中，每个聚类簇包括多个不同的可调变量数据。
（a-2）从所述多个聚类簇中确定目标聚类簇；所述目标聚类簇包括的所述可调变量数据的数量最多。
具体地，统计每个聚类簇包括的可调变量数据的数量，从多个聚类簇中确定包括的可调变量数据的数量最多的目标聚类簇。
（a-3）将所述目标聚类簇的聚类中心点对应的可调变量数据，确定为所述工况对应的所述最优可调变量数据。
具体地，将目标聚类簇的聚类中心点对应的可调变量数据（即可调变量值），确定为工况对应的最优可调变量数据（即历史最优）。
可选地，在得到工况对应的最优可调变量数据之后，将最优可调变量数据保存至数据库中，以便对设备实时运行的数据进行预测监控和优化。
可选地，将所述目标聚类簇包括的不同的所述可调变量数据对应的所述优化变量数据进行排序；将排序后的优化变量数据和第一预设阈值进行比较；将大于所述第一预设阈值的所述排序后的优化变量数据划分至优化区间，得到所述工况与所述优化区间之间的第三关联关系。
具体地，在得到目标聚类簇之后，将目标聚类簇包括的可调变量数据对应的优化变量数据进行由小到大或者由大到小排序，得到排序后的优化变量数据；将排序后的优化变量数据和第一预设阈值进行比较，例如，第一预设阈值为75；将大于第一预设阈值的排序后的优化变量数据划分至优化区间，可以得到工况与优化区间之间的第三关联关系。
可选地，上述步骤（a）的具体实现方式包括：
1）建立所述可调变量数据与优化变量数据之间的第四关联关系；所述优化变量数据用于指示每种工况下所述设备对应的生产目标值；所述生产目标值是预先设置的。
具体地，优化变量数据为预先设置的，例如，优化变量数据为产品收率、装置能耗或者产品质量。优化变量数据用于指示每种工况下设备对应的生产目标值，生产目标值是预先设置的。优化变量数据为未转换的单目标或者由多目标转换之后的单目标，在优化变量数据为由目标转换之后的单目标时，例如，化工行业的某个单目标=0.5汽油收率+0.5氢气收率，其中，汽油收率和氢气收率分别对应一个单目标，则为两个多目标转换为一个单目标，0.5表示每个单目标的权重；在优化变量数据为未转换的单目标时，例如，氯碱行业的单目标为电解槽的电单耗，权重为1。
采用自动机器学习算法，建立可调变量数据（即可调变量值）和优化变量数据之间的函数关系；其中，可调变量数据为影响优化变量数据的参数，例如，可调变量数据为流量或者压力等数据。自动机器学习框架中内置特征选择、超参数寻优和算法选择等多个模块，选择误差最小的最优模型以及参数，该最优模型为可调变量数据和优化变量数据之间的关系式。
2）基于所述第四关联关系和所述工况的所述工况变量数据对应的所述可调变量数据，采用遗传算法确定所述可调变量数据与优化变量数据之间的最优解。
具体地，根据第四关联关系和工况的工况变量数据对应的可调变量数据，可以采用遗传算法进行迭代优化，通过调整遗传算法的参数设置，例如搜索步长、种群大小和迭代次数等，以获得更好的决策变量（质量指标数据）的优化结果，最终求解得到可调变量数据与优化变量数据之间的最优解。其中，最优解表示在达到优化变量数据的情况下的可调变量数据（即设备运行参数）。
3）将所述最优解，确定为所述工况对应的所述最优可调变量数据。
具体发，将最优解可以确定为工况对应的最优可调变量数据（即理论最优）。
可选地，第一数据还包括目标优化变量数据。基于所述第三关联关系和所述目标工况变量数据对应的所述目标工况，确定所述目标工况变量数据对应的目标优化区间；基于所述目标优化区间，确定所述目标优化变量数据是否在所述目标优化区间内；在所述目标优化变量数据不在所述目标优化区间内的情况下，确定所述设备待优化。
具体地，在得到目标工况变量数据对应的目标工况之后，根据工况与优化区间之间的第三关联关系以及目标工况变量数据对应的目标工况，可以确定目标工况变量数据对应的目标优化区间；再根据目标优化区间内的目标优化变量数据对应的数据值，确定目标优化变量数据是否在目标优化区间表示的边界值之内。在目标优化变量数据不在目标优化区间内的情况下，确定该设备待优化，即存在故障的可能性较大，实现对设备运行状态的优化。
可选地，在目标优化变量数据在目标优化区间的情况下，确定该设备是正常的，不存在故障，实现目标优化区间的评估。
本发明提供的设备运行状态监控方法，在每种工况下以生产目标值为目标，提供最优的操作运行方向，找到设备运行的历史最佳状态，通过将获取的设备当前运行的数据对应的目标可调变量数据（当前状态）与第三关联关系和目标工况变量数据对应的目标工况，确定目标工况变量数据对应的目标优化区间，在目标工况变量数据不在目标优化区间内的情况下，确定设备待优化，从而提供设备运行的调整方向，从而提升设备的稳定性，提高产品质量的稳定性，降低能耗物耗，提高生产过程的安全性。
可选地，在所述数据对应的所述目标工况变量数据匹配不到对应的目标工况的情况下，记录所述数据；在所记录数据的数量大于第二预设阈值的情况下，将所记录数据作为历史数据，并更新所述第一关联关系和所述第二关联关系。
具体地，在当前设备运行的数据对应的目标工况变量数据、与工况和工况变量数据之间的第一关联关系匹配不到对应的目标工况的情况下，将当前设备运行的数据记录下来，在所记录数据的数量（2n，n表示实际记录的n条数据）大于第二预设阈值的情况下，将所记录数据作为历史数据，并重复执行确定第一关联关系和第二关联关系的步骤，并更新第一关联关系和第二关联关系。
本发明提供的设备运行状态监控方法，根据实际需求和限制，将本申请提供的方法集成到生成***中，实时或定期运行，以改进生产效率和降低成本。本发明提供的方法，能够预测设备或装备实时运行状态的目标工况，给出该目标工况下相应的目标操作参数（可调参数最优解），通过将目标操作参数与历史的操作参数对应的生成目标值进行对标，提供设备的运行调整方向，能够指导设备的生产，提升生产效率。
本发明提供的设备运行状态监控方法具有可复制性，可以应用至化工、制药、食品、电力和煤矿等工业领域。例如，氟化工生产设备通过生产运行状态的优化，将无水氢氟酸（Anhydrous Hydrogen Fluoride，AHF）单耗降低了0.07，氢铝单耗降低了0.18，天然气单耗降低了3.5；某石化连续重整装置，将三苯收率平均提升1.4%，辛烷值桶平均提高2.47。
图2是本发明提供的设备运行状态监控方法的流程示意图之二，如图2所示，方法包括步骤201-步骤208；其中，
步骤201，获取设备当前运行的数据对应的第一数据；其中，第一数据包括目标工况变量数据和目标可调变量数据，目标工况变量数据和目标可调变量数据之间存在关联关系。
步骤202，基于第一关联关系和所述目标工况变量数据，确定目标工况变量数据对应的目标工况；其中，第一关联关系是基于设备运行的历史数据预先确定的，第一关联关系表示划分的工况和工况变量数据之间的关系。
步骤203，基于第二关联关系、目标工况和目标可调变量数据，确定目标工况对应的最优可调变量数据；其中，第二关联关系是基于设备运行的历史数据预先确定的；第二关联关系表示工况和最优可调变量数据之间的关系，最优可调变量数据用于指示设备在工况下的运行状态。
步骤204，基于最优可调变量数据，对设备的运行状态进行监控。
步骤205，在数据对应的目标工况变量数据匹配不到对应的目标工况的情况下，记录数据。
步骤206，判断所记录数据的数量是否大于第二预设阈值。在所记录数据的数量大于第二预设阈值的情况下，转至步骤207；在所记录数据的数量不大于第二预设阈值的情况下，转至步骤208。
步骤207，将所记录数据作为历史数据，并更新第一关联关系和第二关联关系。
步骤208，清空记录。
本发明提供的设备运行状态监控方法，通过获取当前设备运行的数据对应的目标工况变量数据，以及工况和工况变量数据之间的第一关联关系，实现对实时的目标工况变量数据进行目标工况预测，进而通过可视化手段，使得设备的实时工况实时可视、可标定，从而实现关键设备的运行状态的实时监控。
图3是本发明提供的设备运行状态监控方法的流程示意图之三，如图3所示，方法包括步骤301-步骤320；其中，
步骤301，获取设备当前运行的历史数据，其中，历史数据对应的第二数据包括工况变量数据、可调变量数据和优化变量数据。
步骤302，数据整定与对齐、数据清洗。具体地，数据整定与对齐包括以下至少一项：时间对齐、标识对齐和数值对齐；数据清洗包括以下至少一项：异常值处理、数据转换、空值填充、数据重采样。
步骤303，工况划分。具体地，采用偏差划分或者k-means聚类算法对工况变量数据进行工况划分，得到多个工况；每个工况对应不同的工况变量数据。
步骤304，确定工况与工况变量数据之间的第一关联关系。针对每个工况，基于工况对应的不同的工况变量数据，采用偏差划分或者k-means聚类算法确定工况与工况变量数据之间的第一关联关系。
步骤305，聚类分析。采用聚类算法对工况对应的不同的工况变量数据进行聚类，得到多个聚类簇；每个聚类簇包括多个不同的工况变量数据。从多个聚类簇中确定目标聚类簇；目标聚类簇包括的不同的工况变量数据的数量最多。
步骤306，确定历史最优。将目标聚类簇的聚类中心点对应的工况变量数据，确定为工况对应的最优可调变量数据。
步骤307，确定工况与优化区间之间的第三关联关系。将目标聚类簇包括的不同的工况变量数据进行排序；将排序后的工况变量数据和第一预设阈值进行比较；将大于第一预设阈值的排序后的工况变量数据划分至优化区间，得到工况与优化区间之间的第三关联关系。
步骤308，自动机器学习建模。具体地，采用自动机器学习算法建立可调变量数据与优化变量数据之间的第四关联关系；优化变量数据用于指示每种工况下设备对应的生产目标值；生产目标值是预先设置的。
步骤309，遗传算法寻优。基于第四关联关系和工况变量数据对应的可调变量数据，采用遗传算法确定可调变量数据与优化变量数据之间的最优解。
步骤310，确定理论最优。将最优解确定为工况对应的最优可调变量数据。
步骤311，确定工况与最优可调变量数据之间的第二关联关系。
步骤312，优化样本库。优化样本库保存每种工况下的历史最优和理论最优，以及预先设置的生产目标值。
步骤313，获取设备当前运行的数据对应的第一数据；其中，第一数据包括目标工况变量数据和目标可调变量数据。
步骤314，目标工况匹配。基于第一关联关系和目标工况变量数据，确定目标工况变量数据对应的目标工况。
步骤315，确定最优可调变量数据。基于第二关联关系、目标工况和目标可调变量数据，确定目标工况对应的最优可调变量数据。
步骤316，基于最优可调变量数据，对设备的运行状态进行监控。
步骤317，确定优化指标提升值。具体地，根据目标工况下预设的生产目标值和最优可调变量数据，确定优化指标提升值。将最优可调变量数据减去生产目标值，得到优化指标提升值。例如，最优可调变量数据为10，目标工况下预设的生产目标值为9.7，则优化指标提升值为0.3。
步骤318，优化区间评估。基于第三关联关系和目标工况变量数据对应的目标工况，确定目标工况变量数据对应的目标优化区间；基于目标优化区间，确定目标优化变量数据是否在目标优化区间内；在目标优化变量数据不在目标优化区间内的情况下，确定设备待优化。
步骤319，在数据对应的目标工况变量数据匹配不到对应的目标工况的情况下，记录数据。
步骤320，更新第一关联关系和第二关联关系。在所记录数据的数量大于第二预设阈值的情况下，将所记录数据作为历史数据，并更新第一关联关系和第二关联关系。
本发明提供的设备运行状态监控方法，结合大数据分析技术，分析与收集历史数据，对历史数据进行整定对齐与数据清洗后，对处理后的数据进行工况划分；再设定优化变量数据，比如能耗最低、收益最大等，结合机器学习、遗传算法以及聚类算法确定最优可调变量数据（历史最优和理论最优），并把最优可调变量数据保存到数据库中；最后，对实时数据进行工况预测，识别设备当前所在运行工况，通过可视化手段，使得设备的实时工况实时可视、可标定，以对应工况下的历史最优为目标，提供最优的操作运行方向，使得设备达到最佳的运行状态，提高产品质量稳定性，降低能耗物耗。
下面对本发明提供的设备运行状态监控装置进行描述，下文描述的设备运行状态监控装置与上文描述的设备运行状态监控方法可相互对应参照。
图4是本发明提供的设备运行状态监控装置的结构示意图，如图4所示，设备运行状态监控装置400包括：第一获取模块401、第一确定模块402、第二确定模块403和监控模块404；其中，
第一获取模块401，用于获取设备当前运行的数据对应的第一数据；所述第一数据包括目标工况变量数据和目标可调变量数据；所述目标工况变量数据和所述目标可调变量数据之间存在关联关系；
第一确定模块402，用于基于第一关联关系和所述目标工况变量数据，确定所述目标工况变量数据对应的目标工况；所述第一关联关系是基于所述设备运行的历史数据预先确定的，所述第一关联关系表示划分的工况和工况变量数据之间的关系；
第二确定模块403，用于基于第二关联关系、所述目标工况和所述目标可调变量数据，确定所述目标工况对应的最优可调变量数据；所述第二关联关系是基于所述设备运行的历史数据预先确定的；所述第二关联关系表示所述工况和最优可调变量数据之间的关系，所述最优可调变量数据用于指示所述设备在所述工况下的运行状态；
监控模块404，用于基于所述最优可调变量数据，对所述设备的运行状态进行监控。
本发明提供的设备运行状态监控装置，通过获取设备当前运行的数据对应的第一数据；所述第一数据包括目标工况变量数据和目标可调变量数据；所述目标工况变量数据和所述目标可调变量数据之间存在关联关系；基于第一关联关系和所述目标工况变量数据，确定所述目标工况变量数据对应的目标工况；所述第一关联关系是基于所述设备运行的历史数据预先确定的，所述第一关联关系表示划分的工况和工况变量数据之间的关系；基于第二关联关系、所述目标工况和所述目标可调变量数据，确定所述目标工况对应的最优可调变量数据；所述第二关联关系是基于所述设备运行的历史数据预先确定的；所述第二关联关系表示所述工况和最优可调变量数据之间的关系，所述最优可调变量数据用于指示所述设备在所述工况下的运行状态；基于所述最优可调变量数据，对所述设备的运行状态进行监控。通过第一关联关系以及第二关联关系，确定目标工况对应的最优可调变量数据，实现设备运行状态的实时监控，能够及时应对动态的生产环境，提升了设备运行状态监控的准确性和效率，从而提升设备的稳定性。
可选地，所述设备运行状态监控装置400还包括：
第二获取模块，用于获取所述设备运行的历史数据对应的第二数据，所述第二数据包括工况变量数据；
工况划分模块，用于对所述工况变量数据进行工况划分，得到多个工况；每个所述工况对应不同的所述工况变量数据；
第三确定模块，用于针对每个工况，基于所述工况对应的不同的所述工况变量数据，确定所述工况与所述工况变量数据之间的所述第一关联关系。
可选地，所述第二数据还包括可调变量数据和优化变量数据，所述设备运行状态监控装置400还包括：
第四确定模块，用于基于所述工况的所述工况变量数据对应的所述可调变量数据，确定所述工况对应的所述最优可调变量数据；
第五确定模块，用于基于所述最优可调变量数据，确定所述工况与所述最优可调变量数据之间的第二关联关系。
可选地，所述第四确定模块，具体用于：
采用聚类算法对所述工况的所述工况变量数据对应的所述可调变量数据进行聚类，得到多个聚类簇；每个所述聚类簇包括多个不同的所述可调变量数据；
从所述多个聚类簇中确定目标聚类簇；所述目标聚类簇包括的所述可调变量数据的数量最多；
将所述目标聚类簇的聚类中心点对应的可调变量数据，确定为所述工况对应的所述最优可调变量数据。
可选地，所述设备运行状态监控装置400还包括：
排序模块，用于将所述目标聚类簇包括的不同的所述可调变量数据对应的所述优化变量数据进行排序；
比较模块，用于将排序后的优化变量数据和第一预设阈值进行比较；
优化区间划分模块，用于将大于所述第一预设阈值的所述排序后的优化变量数据划分至优化区间，得到所述工况与所述优化区间之间的第三关联关系。
可选地，所述第四确定模块，具体用于：
建立所述可调变量数据与所述优化变量数据之间的第四关联关系；所述优化变量数据用于指示每种工况下所述设备对应的生产目标值；所述生产目标值是预先设置的；
基于所述第四关联关系和所述工况的所述工况变量数据对应的所述可调变量数据，采用遗传算法确定所述可调变量数据与所述优化变量数据之间的最优解；
将所述最优解，确定为所述工况对应的所述最优可调变量数据。可选地，所述第一数据还包括目标优化变量数据，所述设备运行状态监控装置400还包括：
第六确定模块，用于基于所述第三关联关系和所述目标工况变量数据对应的所述目标工况，确定所述目标工况变量数据对应的目标优化区间；
第七确定模块，用于基于所述目标优化区间，确定所述目标优化变量数据是否在所述目标优化区间内；
第八确定模块，用于在所述目标优化变量数据不在所述目标优化区间内的情况下，确定所述设备待优化。
可选地，所述设备运行状态监控装置400还包括：
记录模块，用于在所述数据对应的所述目标工况变量数据匹配不到对应的目标工况的情况下，记录所述数据；
更新模块，用于在所记录数据的数量大于第二预设阈值的情况下，将所记录数据作为历史数据，并更新所述第一关联关系和所述第二关联关系。
图5是本发明提供的一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行设备运行状态监控方法，该方法包括：获取设备当前运行的数据对应的第一数据；所述第一数据包括目标工况变量数据和目标可调变量数据；所述目标工况变量数据和所述目标可调变量数据之间存在关联关系；基于第一关联关系和所述目标工况变量数据，确定所述目标工况变量数据对应的目标工况；所述第一关联关系是基于所述设备运行的历史数据预先确定的，所述第一关联关系表示划分的工况和工况变量数据之间的关系；基于第二关联关系、所述目标工况和所述目标可调变量数据，确定所述目标工况对应的最优可调变量数据；所述第二关联关系是基于所述设备运行的历史数据预先确定的；所述第二关联关系表示所述工况和最优可调变量数据之间的关系，所述最优可调变量数据用于指示所述设备在所述工况下的运行状态；基于所述最优可调变量数据，对所述设备的运行状态进行监控。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的设备运行状态监控方法，该方法包括：获取设备当前运行的数据对应的第一数据；所述第一数据包括目标工况变量数据和目标可调变量数据；所述目标工况变量数据和所述目标可调变量数据之间存在关联关系；基于第一关联关系和所述目标工况变量数据，确定所述目标工况变量数据对应的目标工况；所述第一关联关系是基于所述设备运行的历史数据预先确定的，所述第一关联关系表示划分的工况和工况变量数据之间的关系；基于第二关联关系、所述目标工况和所述目标可调变量数据，确定所述目标工况对应的最优可调变量数据；所述第二关联关系是基于所述设备运行的历史数据预先确定的；所述第二关联关系表示所述工况和最优可调变量数据之间的关系，所述最优可调变量数据用于指示所述设备在所述工况下的运行状态；基于所述最优可调变量数据，对所述设备的运行状态进行监控。
以上所描述的装置实施例仅仅是示意性的，其中所述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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种设备运行状态监控方法，其特征在于，包括：
获取设备当前运行的数据对应的第一数据；所述第一数据包括目标工况变量数据和目标可调变量数据；所述目标工况变量数据和所述目标可调变量数据之间存在关联关系；
基于第一关联关系和所述目标工况变量数据，确定所述目标工况变量数据对应的目标工况；所述第一关联关系是基于所述设备运行的历史数据预先确定的，所述第一关联关系表示划分的工况和工况变量数据之间的关系；
基于第二关联关系、所述目标工况和所述目标可调变量数据，确定所述目标工况对应的最优可调变量数据；所述第二关联关系是基于所述设备运行的历史数据预先确定的；所述第二关联关系表示所述工况和最优可调变量数据之间的关系，所述最优可调变量数据用于指示所述设备在所述工况下的运行状态；
基于所述最优可调变量数据，对所述设备的运行状态进行监控；
所述第一关联关系是基于以下步骤得到的：
获取所述设备运行的历史数据对应的第二数据，所述第二数据包括工况变量数据；
对所述工况变量数据进行工况划分，得到多个工况；每个所述工况对应不同的所述工况变量数据；
针对每个工况，基于所述工况对应的不同的所述工况变量数据，确定所述工况与所述工况变量数据之间的所述第一关联关系；
所述第二数据还包括可调变量数据和优化变量数据，所述第二关联关系是基于以下步骤得到的：
基于所述工况的所述工况变量数据对应的所述可调变量数据，确定所述工况对应的所述最优可调变量数据；
基于所述最优可调变量数据，确定所述工况与所述最优可调变量数据之间的第二关联关系；
所述基于所述工况的所述工况变量数据对应的所述可调变量数据，确定所述工况对应的所述最优可调变量数据，包括：
采用聚类算法对所述工况的所述工况变量数据对应的所述可调变量数据进行聚类，得到多个聚类簇；每个所述聚类簇包括多个不同的所述可调变量数据；
从所述多个聚类簇中确定目标聚类簇；所述目标聚类簇包括的所述可调变量数据的数量最多；
将所述目标聚类簇的聚类中心点对应的可调变量数据，确定为所述工况对应的所述最优可调变量数据。
2.根据权利要求1所述的设备运行状态监控方法，其特征在于，所述方法还包括：
将所述目标聚类簇包括的不同的所述可调变量数据对应的所述优化变量数据进行排序；
将排序后的优化变量数据和第一预设阈值进行比较；
将大于所述第一预设阈值的所述排序后的优化变量数据划分至优化区间，得到所述工况与所述优化区间之间的第三关联关系。
3.根据权利要求1所述的设备运行状态监控方法，其特征在于，所述基于所述工况的所述工况变量数据对应的所述可调变量数据，确定所述工况对应的所述最优可调变量数据，包括：
建立所述可调变量数据与所述优化变量数据之间的第四关联关系；所述优化变量数据用于指示每种工况下所述设备对应的生产目标值；所述生产目标值是预先设置的；
基于所述第四关联关系和所述工况的所述工况变量数据对应的所述可调变量数据，采用遗传算法确定所述可调变量数据与所述优化变量数据之间的最优解；
将所述最优解，确定为所述工况对应的所述最优可调变量数据。
4.根据权利要求2所述的设备运行状态监控方法，其特征在于，所述第一数据还包括目标优化变量数据，所述方法还包括：
基于所述第三关联关系和所述目标工况变量数据对应的所述目标工况，确定所述目标工况变量数据对应的目标优化区间；
基于所述目标优化区间，确定所述目标优化变量数据是否在所述目标优化区间内；
在所述目标优化变量数据不在所述目标优化区间内的情况下，确定所述设备待优化。
5.根据权利要求1至4任一项所述的设备运行状态监控方法，其特征在于，所述方法还包括：
在所述数据对应的所述目标工况变量数据匹配不到对应的目标工况的情况下，记录所述数据；
在所记录数据的数量大于第二预设阈值的情况下，将所记录数据作为历史数据，并更新所述第一关联关系和所述第二关联关系。
6.一种设备运行状态监控装置，其特征在于，包括：
第一获取模块，用于获取设备当前运行的数据对应的第一数据；所述第一数据包括目标工况变量数据和目标可调变量数据；所述目标工况变量数据和所述目标可调变量数据之间存在关联关系；
第一确定模块，用于基于第一关联关系和所述目标工况变量数据，确定所述目标工况变量数据对应的目标工况；所述第一关联关系是基于所述设备运行的历史数据预先确定的，所述第一关联关系表示划分的工况和工况变量数据之间的关系；
第二确定模块，用于基于第二关联关系、所述目标工况和所述目标可调变量数据，确定所述目标工况对应的最优可调变量数据；所述第二关联关系是基于所述设备运行的历史数据预先确定的；所述第二关联关系表示所述工况和最优可调变量数据之间的关系，所述最优可调变量数据用于指示所述设备在所述工况下的运行状态；
监控模块，用于基于所述最优可调变量数据，对所述设备的运行状态进行监控；
第二获取模块，用于获取所述设备运行的历史数据对应的第二数据，所述第二数据包括工况变量数据；
工况划分模块，用于对所述工况变量数据进行工况划分，得到多个工况；每个所述工况对应不同的所述工况变量数据；
第三确定模块，用于针对每个工况，基于所述工况对应的不同的所述工况变量数据，确定所述工况与所述工况变量数据之间的所述第一关联关系；
所述第二数据还包括可调变量数据和优化变量数据，第四确定模块，用于基于所述工况的所述工况变量数据对应的所述可调变量数据，确定所述工况对应的所述最优可调变量数据；
第五确定模块，用于基于所述最优可调变量数据，确定所述工况与所述最优可调变量数据之间的第二关联关系；
所述第四确定模块，具体用于：
采用聚类算法对所述工况的所述工况变量数据对应的所述可调变量数据进行聚类，得到多个聚类簇；每个所述聚类簇包括多个不同的所述可调变量数据；
从所述多个聚类簇中确定目标聚类簇；所述目标聚类簇包括的所述可调变量数据的数量最多；
将所述目标聚类簇的聚类中心点对应的可调变量数据，确定为所述工况对应的所述最优可调变量数据。
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述设备运行状态监控方法。
CN202311757829.1A 2023-12-20 2023-12-20 设备运行状态监控方法、装置及电子设备 Active CN117434911B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311757829.1A CN117434911B (zh) 2023-12-20 2023-12-20 设备运行状态监控方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311757829.1A CN117434911B (zh) 2023-12-20 2023-12-20 设备运行状态监控方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN117434911A CN117434911A (zh) 2024-01-23
CN117434911B true CN117434911B (zh) 2024-04-16

Family

ID=89553913

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311757829.1A Active CN117434911B (zh) 2023-12-20 2023-12-20 设备运行状态监控方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN117434911B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4653449A (en) * 1984-12-19 1987-03-31 Nippondenso Co., Ltd. Apparatus for controlling operating state of an internal combustion engine
DE10020448A1 (de) * 2000-04-26 2001-10-31 Daimler Chrysler Ag Verfahren und Vorrichtung zur Optimierung des Betriebs eines Verbrennungsmotors
CN106019935A (zh) * 2016-04-28 2016-10-12 天津市职业大学 基于约束模糊关联规则的多目标锅炉燃烧优化
CN106990763A (zh) * 2017-04-20 2017-07-28 浙江大学 一种基于数据挖掘的立磨运行调控***及方法
CN111046018A (zh) * 2019-11-06 2020-04-21 华北电力科学研究院有限责任公司 基于多目标优化的发电设备运行工况库构建方法和装置
CN111597223A (zh) * 2020-04-10 2020-08-28 神华国能集团有限公司 故障预警处理方法、装置及***
CN112286920A (zh) * 2020-10-27 2021-01-29 浙江中控技术股份有限公司 一种设备运行状态监控方法、装置及设备
CN112700085A (zh) * 2020-12-11 2021-04-23 华南理工大学 基于关联规则的复杂***稳态运行参数优化方法、***和介质
CN113868953A (zh) * 2021-09-29 2021-12-31 苏州浪潮智能科技有限公司 工业***中多机组运行优化方法、装置、***及存储介质
CN115587433A (zh) * 2022-09-23 2023-01-10 广州中电荔新热电有限公司 一种基于状态工况的机组耗差分析优化方法及***
CN116661397A (zh) * 2023-06-26 2023-08-29 浙江中控技术股份有限公司 设备状态的确定方法、装置及电子设备
WO2023221446A1 (zh) * 2022-10-11 2023-11-23 华电电力科学研究院有限公司 一种scr脱硝效能自动寻优调控方法和***

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4653449A (en) * 1984-12-19 1987-03-31 Nippondenso Co., Ltd. Apparatus for controlling operating state of an internal combustion engine
DE10020448A1 (de) * 2000-04-26 2001-10-31 Daimler Chrysler Ag Verfahren und Vorrichtung zur Optimierung des Betriebs eines Verbrennungsmotors
CN106019935A (zh) * 2016-04-28 2016-10-12 天津市职业大学 基于约束模糊关联规则的多目标锅炉燃烧优化
CN106990763A (zh) * 2017-04-20 2017-07-28 浙江大学 一种基于数据挖掘的立磨运行调控***及方法
CN111046018A (zh) * 2019-11-06 2020-04-21 华北电力科学研究院有限责任公司 基于多目标优化的发电设备运行工况库构建方法和装置
CN111597223A (zh) * 2020-04-10 2020-08-28 神华国能集团有限公司 故障预警处理方法、装置及***
CN112286920A (zh) * 2020-10-27 2021-01-29 浙江中控技术股份有限公司 一种设备运行状态监控方法、装置及设备
CN112700085A (zh) * 2020-12-11 2021-04-23 华南理工大学 基于关联规则的复杂***稳态运行参数优化方法、***和介质
CN113868953A (zh) * 2021-09-29 2021-12-31 苏州浪潮智能科技有限公司 工业***中多机组运行优化方法、装置、***及存储介质
CN115587433A (zh) * 2022-09-23 2023-01-10 广州中电荔新热电有限公司 一种基于状态工况的机组耗差分析优化方法及***
WO2023221446A1 (zh) * 2022-10-11 2023-11-23 华电电力科学研究院有限公司 一种scr脱硝效能自动寻优调控方法和***
CN116661397A (zh) * 2023-06-26 2023-08-29 浙江中控技术股份有限公司 设备状态的确定方法、装置及电子设备

Also Published As

Publication number Publication date
CN117434911A (zh) 2024-01-23

Similar Documents

Publication Publication Date Title
US10921759B2 (en) Computer system and method for monitoring key performance indicators (KPIs) online using time series pattern model
CN111275288B (zh) 基于XGBoost的多维数据异常检测方法与装置
CN106682814B (zh) 一种基于故障知识库的风电机组故障智能诊断方法
CN111259947A (zh) 一种基于多模态学习的电力***故障预警方法和***
CN113779496A (zh) 一种基于设备全景数据的电力设备状态评估方法及***
CN110750524A (zh) 一种有源配电网故障特征的确定方法及***
CN112818604A (zh) 一种基于风功率预测的风电机组风险度评估方法
CN117389236B (zh) 一种环氧丙烷生产过程优化方法及***
CN112446597A (zh) 贮箱质量评估方法、***、存储介质、计算机设备及应用
CN112241606A (zh) 基于cps决策模块的船舶智能设备运维的协同决策方法
CN116629627A (zh) 输电在线监测装置的智能检测***
CN111080074A (zh) 基于网络多特征关联的***服役安全态势要素获取方法
CN117172751A (zh) 一种智慧运维信息分析模型的构建方法
CN116933010A (zh) 一种基于多源数据融合与深度学习的负载率分析评价方法和***
CN117318614A (zh) 一种光伏逆变器故障预测方法
CN117434911B (zh) 设备运行状态监控方法、装置及电子设备
CN117930815A (zh) 一种基于云平台的风电机组远程故障诊断方法及***
WO2020253950A1 (en) Monitoring method, predicting method, monitoring system and computer program
CN116701919B (zh) 一种陀螺式氢燃料发电机的优化监测方法及***
CN111934903A (zh) 一种基于时序演化基因的Docker容器故障智能预测方法
CN116720983A (zh) 一种基于大数据分析的供电设备异常检测方法及***
CN114926075B (zh) 基于工时预测的机械零件生产调度方法
CN116293454A (zh) 一种基于蒸汽管网动态平衡的管理***、方法及介质
CN115034128A (zh) 一种智慧风电场智慧风电场风电机组评价方法
CN114660931A (zh) 用于石油化工过程故障诊断与识别的方法及***

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