基于趋势分析的设备异常监测系统及方法

摘要

本发明实施例提供一种基于趋势分析的设备异常监测系统及方法，所述系统包括：数据采集单元、特征提取单元、趋势识别单元、对比分析单元和异常监测单元，其中，数据采集单元用于采集预设测点的实时运行数据；特征提取单元用于根据预设测点的类型对实时运行数据进行特征匹配，得到对应的信号特征；趋势识别单元用于根据预设的趋势识别算法对信号特征进行趋势识别，得到基元类型；对比分析单元用于根据预设测点的基元类型进行自比较和互比较，得到预设测点的自比较结果和互比较结果；异常检测单元用于根据比较结果判断预设测点是否存在异常。采用本方法能够进行大量测点的趋势对比分析，便于客户直观、快速定位异常设备与进行异常原因的排查。

说明书

技术领域

本发明涉及设备异常监测技术领域，尤其涉及一种基于趋势分析的设备异常监测系统及方法。

背景技术

在各种工业现场，有大量的关键设备，其正常可靠的运行对整个工厂的运营和产生经济效益至关重要。如果这些设备出现故障，将会给整个工业运营带来巨大的经济损失，所以需要对这些设备是否出现异常进行实时监控。比如：对于核电站各关键设备稳态运行时的异常监测。

为了对工业领域中的各关键设备进行状态监测，现场往往会敷设大量传感器以及配套的数采系统对采集到的数据进行实时监测。常规的监测系统缺陷主要在于仅通过测点阈值进行监控，即测点发生阈值超限则产生相应报警，工程师进行响应并对该报警测点所属系统、所属设备、所属部件进行定位，查看该测点报警时间前后历史趋势，在此基础上再进行一些必要的分析工作。这种方式具有一定局限性，首先，对相关阈值的门限设置要求较高，门限过窄违背设备实际运行规律频繁发生报警造成现场工作人员疲于响应，设置过宽则发生阈值报警时设备可能已发生不可逆转性破坏并对工厂的生产造成无法挽回影响。最理想的方式是设置较宽的固定门限并在此基础上密切关注各测点趋势变化情况。由此则要求工程师按照在线巡检的方式频繁调出关键测点历史趋势去分析其走势并进行可能原因的分析判断，但是一般工厂下有多台核心设备，每个设备涉及的相关测点往往就数十个，如此海量的测点仅靠人工在线巡视的方法显然加大了有关人员的工作负担。

针对上述问题，所以目前亟需一种解决上述问题的设备异常监测系统。

发明内容

针对现有技术中存在的问题，本发明实施例提供一种基于趋势分析的设备异常监测系统及方法。

本发明实施例提供一种基于趋势分析的设备异常监测系统，包括：数据采集单元、特征提取单元、趋势识别单元、对比分析单元和异常监测单元，其中，

所述数据采集单元用于采集预设测点的实时运行数据；

所述特征提取单元用于根据预设测点的类型对对应的实时运行数据进行特征匹配，得到所述预设测点对应的信号特征；

所述趋势识别单元用于根据预设的趋势识别算法对所述信号特征进行趋势识别，得到所述预设测点对应的基元类型；

所述对比分析单元用于根据所述预设测点的基元类型进行自比较和互比较，得到所述预设测点的自比较结果和互比较结果；

所述异常检测单元用于根据所述自比较结果和互比较结果判断所述预设测点是否存在异常。

本发明实施例提供一种基于趋势分析的设备异常监测方法，包括：

所述数据采集单元采集预设测点的实时运行数据，并将所述实时运行数据发送至所述特征提取单元；

所述特征提取单元根据预设测点的类型对对应的实时运行数据进行特征匹配，得到所述预设测点对应的信号特征，并将所述信号特征发送至所述趋势识别单元；

所述趋势识别单元根据预设的趋势识别算法对所述信号特征进行趋势识别，得到所述预设测点对应的基元类型，并将所述基元类型发送至所述对比分析单元；

所述对比分析单元根据所述预设测点的基元类型进行自比较和互比较，得到所述预设测点的自比较结果和互比较结果，并将所述自比较结果和互比较结果发送至所述异常检测单元；

所述异常检测单元根据所述自比较结果和互比较结果判断所述预设测点是否存在异常。

在其中一个实施例中，所述方法还包括：

所述特征提取单元根据预设测点的类型匹配对应的特征提取类型，并通过所述特征提取类型对所述实时运行数据进行特征提取，得到所述预设测点对应的信号特征。

在其中一个实施例中，所述特征提取类型，包括：

离散特征提取、平滑特征提取、波动特征提取。

在其中一个实施例中，所述方法还包括：

对所述预设测点进行趋势假设，得到置信度阈值；

根据所述信号特征进行统计计算，将所述统计计算结果与所述置信度阈值对比，根据对比结果确定所述预设测点对应的基元类型。

在其中一个实施例中，所述方法还包括：

所述趋势识别单元对所述信号特征进行突变校验，识别所述预设测点的瞬变类型，所述预设测点对应的基元类型包括所述瞬变类型。

在其中一个实施例中，所述方法还包括：

获取检测设备中的与所述预设测点属性相关的关联测点，并获取所述关联测点的基元类型，将所述预设测点的基元类型与所述关联测点的基元类型进行比较，根据比较结果得到所述预设测点的自比较结果。

在其中一个实施例中，所述方法还包括：

获取预设的物理关联维度，通过所述物理关联维度获取与所述预设测点物理关联的关联测点；

或，获取预设测点和待确定测点的正常数据，计算所述预设测点的正常数据与所述待确定测点的正常数据之间的相关性，通过所述相关性计算结果确定所述待确定测点中的关联测点。

在其中一个实施例中，所述方法还包括：

获取与检测设备同类型的关联设备，获取所述关联设备中与所述预设测点相同位置的第二关联测点，获取所述第二关联测点的基元类型；

将所述预设测点的基元类型与所述第二关联测点的基元类型进行比较，根据比较结果得到所述预设测点的互比较结果。

本发明实施例提供的基于趋势分析的设备异常监测系统及方法，通过借助人工智能的深度学习，能够进行大量关联测点的趋势对比分析，便于客户直观、快速定位异常设备与进行异常原因的排查。

附图说明

为了更清楚地说明本发明实施例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为本发明实施例中基于趋势分析的设备异常监测系统的结构图；

图2为本发明实施例中基于趋势分析的设备异常监测方法的流程图。

具体实施方式

图1为本发明实施例提供的基于趋势分析的设备异常监测系统的结构示意图，如图1所示，本发明实施例提供了一种基于趋势分析的设备异常监测系统，包括：数据采集单元101、特征提取单元102、趋势识别单元103、对比分析单元104、异常监测单元105。

其中，数据采集单元101与特征提取单元102连接，用于采集预设测点的实时运行数据，其中，实时运行数据包括但不限于温度、压力、流量、电流、功率、电压、转速以及振动等数据类型。

特征提取单元102与数据采集单元101、趋势识别单元103连接，用于根据预设测点的类型对对应的实时运行数据进行特征匹配，得到预设测点对应的信号特征。

趋势识别单元103与特征提取单元102、对比分析单元104连接，用于根据预设的趋势识别算法对信号特征进行趋势识别，得到预设测点对应的基元类型，识别的基元类型可以包括上升、下降、平稳、上瞬变和下瞬变等类型。

对比分析单元104与趋势识别单元103、异常监测单元105连接，用于根据预设测点的基元类型进行自比较和互比较，得到预设测点的自比较结果和互比较结果，互比较主要是在同类型设备相同测点之间进行，这里同类型设备的概念是：设备结构相同且设备运行工况一致或相似，对于这一类设备其监测测点对象趋势往往相同，可对同类型设备相同测点通过互比较的方式以直观找寻存在趋势异常测点并定位可能发生异常的设备。

自比较则是针对单一设备进行，单一设备可存在多个关联测点集合，各关联测点集合之间也存在重复测点。在该单元下通过引入机理分析与数据分析两种关联方式对采集到的同一设备下的测点进行拆分、关联再合并。机理关联分析主要从设备物理关联、热力关联、时间关联这几个维度结合工程师对监测对象的理解进行测点关联，具有一定客观依据以及主观经验。数据关联分析主要从清洗后的设备健康运行工况下的数据入手，引入数据分析方法对各测点之间正相关、负相关以及非线性相关进行计算，并将结果作为测点关联的依据。

异常检测单元105与对比分析单元104连接，用于根据自比较结果和互比较结果判断预设测点是否存在异常。具体地，在自比较中，此单元下可直接根据各关联测点特征趋势变化进行设备或部件运行状态的整体监测也可将关联测点实时生成的趋势规则与健康规则库或异常规则库进行匹配，以进行设备状态监测。在互比较中，对于同类型设备相同测点采集到的数据进行趋势识别，引入冗余参数差异识别的方法，当单一设备或少数设备测点趋势与其他同类型设备测点趋势发生差异时则提醒工程师相关设备可能存在异常情况，需要引起工程师的关注并进行进一步分析。

采用本实施方式中所提供的基于趋势分析的设备异常监测系统，通过借助人工智能的深度学习，能够进行大量关联测点的趋势对比分析，便于客户直观、快速定位异常设备与进行异常原因的排查。

基于图1所示的基于趋势分析的设备异常监测系统，本实施方式还提供了一种基于趋势分析的设备异常监测方法，如图2所示，该方法主要包括以下几个步骤：

步骤S201，所述数据采集单元采集预设测点的实时运行数据，并将所述实时运行数据发送至所述特征提取单元。

具体地，数据采集单元采集预设测点的实时运行数据，其中，实时运行数据包括但不限于温度、压力、流量、电流、功率、电压、转速以及振动等数据类型，并将实时运行数据发送至特征提取单元。

步骤S202，所述特征提取单元根据预设测点的类型对对应的实时运行数据进行特征匹配，得到所述预设测点对应的信号特征，并将所述信号特征发送至所述趋势识别单元。

具体地，特征提取单元根据预设测点的类型对对应的实时运行数据进行特征匹配，得到预设测点对应的信号特征，并将信号特征发送至趋势识别单元。

步骤S203，所述趋势识别单元根据预设的趋势识别算法对所述信号特征进行趋势识别，得到所述预设测点对应的基元类型，并将所述基元类型发送至所述对比分析单元。

具体地，趋势识别单元根据预设的趋势识别算法对信号特征进行趋势识别，得到预设测点对应的基元类型，识别的基元类型可以包括上升、下降、平稳、上瞬变和下瞬变等类型步骤，并将基元类型发送至对比分析单元。

S204，所述对比分析单元根据所述预设测点的基元类型进行自比较和互比较，得到所述预设测点的自比较结果和互比较结果，并将所述自比较结果和互比较结果发送至所述异常检测单元。

具体地，对比分析单元根据预设测点的基元类型进行自比较和互比较，得到预设测点的自比较结果和互比较结果，并将自比较结果和互比较结果发送至异常检测单元，其中，互比较主要是在同类型设备相同测点之间进行，这里同类型设备的概念是：设备结构相同且设备运行工况一致或相似，对于这一类设备其监测测点对象趋势往往相同，可对同类型设备相同测点通过互比较的方式以直观找寻存在趋势异常测点并定位可能发生异常的设备。

自比较则是针对单一设备进行，单一设备可存在多个关联测点集合，各关联测点集合之间也存在重复测点。在该单元下通过引入机理分析与数据分析两种关联方式对采集到的同一设备下的测点进行拆分、关联再合并。机理关联分析主要从设备物理关联、热力关联、时间关联这几个维度结合工程师对监测对象的理解进行测点关联，具有一定客观依据以及主观经验。数据关联分析主要从清洗后的设备健康运行工况下的数据入手，引入数据分析方法对各测点之间正相关、负相关以及非线性相关进行计算，并将结果作为测点关联的依据。

步骤S205，所述异常检测单元根据所述自比较结果和互比较结果判断所述预设测点是否存在异常。

具体地，异常检测单元根据自比较结果和互比较结果判断预设测点是否存在异常。具体地，在自比较中，此单元下可直接根据各关联测点特征趋势变化进行设备或部件运行状态的整体监测也可将关联测点实时生成的趋势规则与健康规则库或异常规则库进行匹配，以进行设备状态监测。在互比较中，对于同类型设备相同测点采集到的数据进行趋势识别，引入冗余参数差异识别的方法，当单一设备或少数设备测点趋势与其他同类型设备测点趋势发生差异时则提醒工程师相关设备可能存在异常情况，需要引起工程师的关注并进行进一步分析。

另外，对比分析单元可通过离线训练或在线训练的方式生成，在建立过程中相关专家可以根据关联分析结果建立各测点之间趋势规则库，该规则库可以是健康规则库也可以是异常规则库，比如泵类设备入口流量趋势升高其出口流量趋势也必定升高，轴承冷却水入口温度降低轴承温度也必定降低，这一类趋势规则为健康规则，反之则为异常规则。

本发明实施例提供的基于趋势分析的设备异常监测方法，通过借助人工智能的深度学习，能够进行大量关联测点的趋势对比分析，便于客户直观、快速定位异常设备与进行异常原因的排查。

在上述实施例的基础上，所述基于趋势分析的设备异常监测方法，还包括：

所述特征提取单元根据预设测点的类型匹配对应的特征提取类型，并通过所述特征提取类型对所述实时运行数据进行特征提取，得到所述预设测点对应的信号特征。

本发明实施例中，在获取测点的原始数据（实时运行数据）后首先进行特征匹配，不同测点根据其特性需要匹配不同的对应特征。比如设备电功率相关测点在出现异常时可能会存在瞬时变化的情况，此时则需要匹配原始数据作为分析特征以便进行相关信息的提取，而流量相关测点在大部分情况下不会出现瞬时变化因而可以根据需要进行其他特征的提取。在本系统中，各测点提取的特征可以根据需要进行自由配置，提取特征包括但不限于离散特征、平滑特征、波动特征等。特征提取方式包括：

离散特征的获取：输入测点历史数据与特征提取精度v，采用等宽法将数据分成v个区间，根据连续测点落入的区间赋予其对应离散值，最终得到需要的离散特征。采用该方法的好处是可以对原始数据进行噪声的抑制并且与所采用的趋势识别算法契合度高。系统中可自由调整特征提取精度v值以对噪声抑制水平进行灵活调节，v值越小噪声抑制越大，原始数据丢失的信息也就越多，反之亦然。

波动特征的提取：对选取测点提取波动特征，建立宽度为w的窗口，每次滑动步长为l，每次滑动后通过公式

平滑特征的提取：对选取测点提取平滑特征，建立宽度为w的窗口，每次滑动步长为l，每次滑动后计算窗口内数据的平均值即为所求的平滑特征指标。

本发明实施例通过不同测点根据其特性需要匹配不同的对应特征，并且对应不同的特征提取方法，能够得到更准确的特征提取数据。

在上述实施例的基础上，所述基于趋势分析的设备异常监测方法，还包括：

对所述预设测点进行趋势假设，得到置信度阈值；

根据所述信号特征进行统计计算，将所述统计计算结果与所述置信度阈值对比，根据对比结果确定所述预设测点对应的基元类型。

本发明实施例中，对于预设测点的趋势预测，可以对预设测点进行趋势假设，得到置信度阈值，然后根据信号特征进行统计计算，将统计计算结果与置信度阈值对比，根据对比结果确定预设测点对应的基元类型，还可以对信号特征进行突变校验，识别所述预设测点的瞬变类型，其中，基元类型的预测可以包括通过长期趋势的基元识别以及瞬时趋势的基元识别，具体的步骤可以为：

长期趋势的基元识别：

a.令事件H

b.计算统计指标S，将离散化特征按照采集时间给出用y

c.基于统计指标S计算检验统计量Z，统计量公式大于、等于、小于零时分别为：

d.在双边趋势检验中，对于给定的显著性水平，若

瞬时趋势的基元识别：

趋势识别单元还会对关联测点的原始数据进行突变校验，识别趋势的基类为上瞬变和下瞬变。分别用u、d表示上、下限，h表示突变容忍尺度默认取3，通常基于各监测测点对象分布特性给出。u=Q

本发明实施例通过对预测关联测进行长期趋势的基元识别以及瞬时趋势的基元识别，得到预设测点的全面趋势信息，方便后续根据趋势信息判断预设测点是否存在异常。

在上述实施例的基础上，所述基于趋势分析的设备异常监测方法，还包括根据预设测点的基元类型进行自比较和互比较，包括：

自比较步骤：

获取检测设备中的与所述预设测点属性相关的关联测点，并获取所述关联测点的基元类型，将所述预设测点的基元类型与所述关联测点的基元类型进行比较，根据比较结果得到所述预设测点的自比较结果。

获取检测设备中的与所述预设测点属性相关的关联测点，包括：

获取预设的物理关联维度，通过所述物理关联维度获取与所述预设测点物理关联的关联测点；

或，获取预设测点和待确定测点的正常数据，计算所述预设测点的正常数据与所述待确定测点的正常数据之间的相关性，通过所述相关性计算结果确定所述待确定测点中的关联测点。

互比较步骤：

获取与检测设备同类型的关联设备，获取所述关联设备中与所述预设测点相同位置的第二关联测点，获取所述第二关联测点的基元类型；

将所述预设测点的基元类型与所述第二关联测点的基元类型进行比较，根据比较结果得到所述预设测点的互比较结果。

本发明实施例中，互比较主要是在同类型设备相同测点之间进行，这里同类型设备的概念是：设备结构相同且设备运行工况一致或相似，对于这一类设备其监测测点对象趋势往往相同，可对同类型设备相同测点通过互比较的方式以直观找寻存在趋势异常测点并定位可能发生异常的设备。

自比较则是针对单一设备进行，单一设备可存在多个关联测点集合，各关联测点集合之间也存在重复测点。在该单元下通过引入机理分析与数据分析两种关联方式对采集到的同一设备下的测点进行拆分、关联再合并。机理关联分析主要从设备物理关联、热力关联、时间关联这几个维度结合工程师对监测对象的理解进行测点关联，具有一定客观依据以及主观经验。数据关联分析主要从清洗后的设备健康运行工况下的数据入手，引入数据分析方法对各测点之间正相关、负相关以及非线性相关进行计算，并将结果作为测点关联的依据。基于数据分析方法的各传感器关联度详细计算方式如下：

X={xi,i=1,2,3…n}，Y={yi,i=1,2,3…n}，n为样本数量，X和Y为待分析的两组测点。

线性关联度中的正相关与负相关计算方式如下：

其中，r为线性相关系数，和为测点X和Y的平均值。

非线性相关计算如下：

其中，p(x,y)为X和Y的联合概率密度，p(x)，p(y)为边缘概率。

假设D={(xi,yi),i=1,2,…,n}为有序对的集合，定义划分G将待分析测点X和Y按照值域分割为用G表示的网格，根据得到的每一种网格划分内部计算互信息MI(X,Y)，提取不同划分方式中的MI(X,Y)最大值。其中，D|G表示数据D在采用G方式进行划分。

最终，非线关联度计算结果如下：

其中B(n)为网格划分上限值，取B(n)=n0.6。

最终通过线性关联度r与非线性关联度MIC得到基于数据分析方式获得的关联测点，本系统中关联度阈值可调(默认为0.3)，若r的绝对值或MIC值大于给定的关联阈值即认为待分析测点之间存在关联性需要将其列为关联测点。

本发明实施例通过寻找关联测点和关联设备进行自比较和互比较判断预设测点是否存在异常，能够得到准确的判断结果。

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。