(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201810330799.9
(22)申请日 2018.04.13
(71)申请人 北京华电智慧科技产业有限公司
地址 102206 北京市昌平区回龙观镇朱辛
庄北农路2号主楼D座1229室
(72)发明人 鲍镇 李祖毅 王宏盛
(74)专利代理机构 北京金言诚信知识产权代理
有限公司 11229
代理人 周淑娟
(51)Int.Cl.
G06K 9/62(2006.01)
G06F 17/50(2006.01)
(54)发明名称在线异常的监测诊断方法和系统(57)摘要本发明提供一种在线异常的监测诊断方法和系统。其中，方法包括：基于有向图模型定义全部信号的因果关系和条件关系；基于有向图模型对信号的定义，对获取的历史数据中的信号分类并建立历史数据的训练集以进行模型训练并确定模型参数；基于 将在线监测所获取的实时数据放入训练好的模型中所得到的实时数据中的信号的实时数据理论值，确定实时数据中的信号是否存在异常。还包括应用该方法的系统和存储执行该方法的程序的计算机可读介质。以解决通过有向图模型为工业生产运营全流程构建完整逻辑关系和因果关系、并结合机器学习实现更合理、更正确、更准确和高效的生产在线异常诊断
预测的问题。权利要求书2页 说明书11页 附图4页CN 108596229 A 2018.09.28
C N 108596229
A
1.一种在线异常的监测诊断方法，其特征在于，包括：
基于有向图模型定义全部信号的因果关系和条件关系；
基于有向图模型对信号的定义，对获取的历史数据中的信号分类并建立历史数据的训练集以进行模型训练并确定模型参数；
基于将在线监测所获取的实时数据放入训练好的模型中所得到的实时数据中的信号的实时数据理论值，确定实时数据中的信号是否存在异常。
2.如权利要求1所述的方法，其特征在于，基于有向图模型定义全部信号的因果关系和条件关系，包括：
通过影响评估和信号相关性程度，建立有向图模型；和/或，
将被监测的信号确定为结果，则定义与结果信号存在直接联系的信号为因果关系，定义与结果未存在直接联系但有间接联系的信号为条件关系，并基于所述关系将信号归类，其中，包括三个种类：直接影响因素、条件影响因素、结果。
3.如权利要求2所述的方法，其特征在于，通过影响评估和信号的相关性程度，建立有向图模型，包括：通过决策树算法和/或皮尔逊系数来分析每个信号之间的关系，评估影响和确定信号相关性程度。
4.如权利要求2或3所述的方法，其特征在于，
基于有向图模型对信号的定义，对获取的历史数据中的信号分类并建立历史数据的训练集以进行模型训练并确定模型参数，包括：
从存储的历史数据中获取一段时间某单个环节相应的所有信号的历史数据；根据信号的归类，对历史数据中信号的种类进行划分；按照训练数据和验证数据设定比例并以时间为序做好数据的训练集；基于训练集中的历史数据，进行模型训练并确定模型参数，以获得训练好的模型；
和/或，
基于将在线监测所获取的实时数据放入训练好的模型中所得到的实时数据中的信号的实时数据理论值，确定实时数据中的信号是否存在异常，包括：
获取对应历史数据的某单个环节相应的所有信号的实时数据；将实时数据放入已经训练好的模型中，预测得到实时数据中对应的每个信号的理论值；对比实时数据理论值和实时数据的实际值的差异，以产生的偏差判断是否为异常点，以确定实时数据中的信号是否存在异常。
5.如权利要求4所述的方法，其特征在于，基于训练集中的历史数据，进行模型训练并确定模型参数，以获得训练好的模型，包括：
将训练集放入LSTM模型中，对模型进行训练，确定模型最优参数，得到在99％的置信区间内每个目标信号的理论值范围，以获得训练好的模型；
或者，将训练集放入层次聚类模型进行训练，确定模型最优参数，以获得训练好的模型。
6.如权利要求5所述的方法，其特征在于，将训练集放入LSTM模型中，对模型进行训练，确定模型最优参数，包括：
将训练集放入LSTM模型中，利用反向传导算法对模型进行训练，设置最大训练次数，并随机设置多组初始化参数，根据验证数据和预测数据进行对比，将最好的一组参数选择作
为最优模型的参数。
7.如权利要求1-6之一所述的方法，还包括：
基于确定存在异常的信号作为输入，推导异常时其他信号的实时数据理论值，确定异常发生的原因。
8.如权利要求7所述的方法，基于确定存在异常的信号作为输入，推导异常时其他信号的实时数据理论值，确定异常发生的原因，包括：
基于有向图模型定义全部信号的因果关系和条件关系，对出现异常的信号归类；
将结果类型的信号的实时数据的实际值作为输入推导其他与其关联的其他信号的实时数据的理论值；
对比与其关联的其他信号的实时数据的理论值和相应的所述其他信号的实时数据的实际值，确定异常发生的原因。
9.一种在线异常的监测诊断系统，其特征在于，包括：
对被监测诊断的目标进行在线异常的监测诊断的数据处理终端，与该终端连接的获取历史数据和/或实时数据的数据获取服务器；
其中，数据处理终端的处理器执行如上述权利要求1-8任一方法中的对目标的在线异常的监测诊断的数据处理过程；
和/或，
其中，数据获取服务器执行如上述权利要求1-8任一方法中的获取数据的处理，以发送给数据处理终端的处理器执行如上述权利要求1-8任一方法中的在线异常的监测诊断的数据处理；
和/或，
存储数据的数据库，连接所述数据处理终端和所述数据获取服务器；
所述数据库存储如上述权利要求1-8任一方法中的模型参数、实时数据、和/或历史数据，以提供给数据处理终端的处理器执行如上述权利要求1-8任一方法中的在线异常的监测诊断的数据处理。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述程序被数据处理终端的处理器执行时，实现的权利要求1-8任一方法的步骤。
在线异常的监测诊断方法和系统
技术领域
[0001]本申请涉及工业生产中出现故障时的异常诊断，尤其涉及在线异常的监测诊断方法和系统。
背景技术
[0002]工业生产中，现有的异常监测、故障诊断，通常是基于大量的生产数据、通过算法发现其逻辑因果关系，从而帮助管理员实现监测和诊断，这样的方式其结果往往导致在工业生产的运行监测诊断上实用性不强、误报率极高，有时甚至能达到99％以上。
[0003]以电厂系统的磨煤机系统为例，通常，对磨煤机系统的运行监测是利用集中分散控制系统DCS进行。DCS通过在磨煤机系统的末端设备上安装传感器，传感器将采集的信号经过模数转换(即将诸如温度、压力、电流、电压等模拟信号转换成数字信号)，再由通信设备和网络传输到监控大屏幕上，以实现为管理人员提供对磨煤机系统在生产运行时的监测。这样，在DCS中，管理人员对具体的单个信号参数设置有报警阈值，从而实现报警和通知被监控的系统出现故障(异常)，比如：磨煤机的电流信号，能够体现磨煤机是否工作正常，对于1000MW(兆瓦)的机组，电流信号一般在100A(安)以下，一旦超过100A则可能代表系统出现了问题。但若设置此100A为阈值，一旦真的超过了这个阈值，可能意味着设备本身会受到损伤，而若将阈值设置太低，又会产生过多的误报，给管理人员带来很多不必要的麻烦而增加监测成本。
[0004]再者，目前很多优化工业生产系统以及异常诊断的方式，都针对单个环节，比如磨煤机系统，存
在很多优化调整的方式，如：动态调整风煤比、控制一氧化碳浓度等等，但其缺乏跨越环节的联系。以主蒸汽温度这个信号为例，其实主蒸汽是从锅炉燃烧加热了水所得到的，而锅炉的热量是由磨煤机提供的燃料燃烧产生的，总体看来主蒸汽温度是否能够达到最优调整的状态和磨煤机的运行方式有很大关系，但磨煤机系统的多个信号，如：一次风压差、煤粉温度、磨煤机电机电流等等，就目前对其异常的监测诊断来说，很难将这些信号所包含的关系量化、更难以将这些关系融入到生产管理中。
[0005]由于上述缺陷，还会引发更多不良后果，比如严重的情况下会立刻停机、或因为长时间亚健康运行导致运维成本增加、或因为性能问题导致燃料成本增加等等，这对电厂来说也会严重影响企业收益等。
[0006]为此，需要提供一种改进的为工业生产运行时的发生故障等异常情况进行监测诊断的方式，其能为生产运行的系统的各个信号数据等建立起因果关系(即原因和结果的对应关系)，提升在线异常情况的监测诊断效率，减少误报、减少运维成本、适用性高，方便管理人员快速诊断异常，到生产运营中的故障和异常原因等，防止系统设备等发生损坏，等等。
发明内容
[0007]本申请的主要目的在于提供一种在线异常的监测诊断方法和系统，以解决通过有
向图模型为工业生产运营全流程构建完整逻辑关系和因果关系，并结合机器学习实现更合理、更正确、更准确和高效的诊断预测的问题。
[0008]通过本申请一方面提供一种在线异常的监测诊断方法，包括：基于有向图模型定义全部信号的因果关系和条件关系；基于有向图模型对信号的定义，对获取的历史数据中的信号分类并建立历史数据的训练集以进行模型训练并确定模型参数；基于将在线监测所获取的实时数据放入训练好的模型中所得到的实时数据中的信号的实时数据理论值，确定实时数据中的信号是否存在异常。
[0009]其中，基于有向图模型定义全部信号的因果关系和条件关系，包括：通过影响评估和信号相关性程度，建立有向图模型；和/或，将被监测的信号确定为结果，则定义与结果信号存在直接联系的信号为因果关系，定义与结果未存在直接联系但有间接联系的信号为条件关系，并基于所述关系将信号归类，其中，包括三个种类：直接影响因素、条件影响因素、结果，以建立有向图模型。
[0010]其中，通过影响评估和信号的相关性程度，建立有向图模型，包括：通过决策树算法和/或皮尔逊系数来分析每个信号之间的关系，评估影响和确定信号相关性程度。[0011]其中，基于有向图模型对信号的定义，对获取的历史数据中的信号分类并建立历史数据的训练集以进行模型训练并确定模型参数，包括：从存储的历史数据中获取一段时间某单个环节相应的所有信号的历史数据；根据信号的归类，对历史数据中信号的种类进行划分；按照训练数据和验证数据设定比例并以时间为序做好数据的训练集；
基于训练集中的历史数据，进行模型训练并确定模型参数，以获得训练好的模型；和/或，基于将在线监测所获取的实时数据放入训练好的模型中所得到的实时数据中的信号的实时数据理论值，确定实时数据中的信号是否存在异常，包括：获取对应历史数据的某单个环节相应的所有信号的实时数据；将实时数据放入已经训练好的模型中，预测得到实时数据中对应的每个信号的理论值；对比实时数据理论值和实时数据的实际值的差异，以产生的偏差判断是否为异常点，以确定实时数据中的信号是否存在异常。
[0012]其中，基于训练集中的历史数据，进行模型训练并确定模型参数，以获得训练好的模型，包括：将训练集放入LSTM模型中，对模型进行训练，确定模型最优参数，得到在99％的置信区间内每个目标信号的理论值范围，以获得训练好的模型；或者，将训练集放入层次聚类模型进行训练，确定模型最优参数，以获得训练好的模型。
[0013]其中，将训练集放入LSTM模型中，对模型进行训练，确定模型最优参数，包括：将训练集放入LSTM模型中，利用反向传导算法对模型进行训练，设置最大训练次数，并随机设置多组初始化参数，根据验证数据和预测数据进行对比，将最好的一组参数选择作为最优模型的参数。其中，还包括：基于确定存在异常的信号作为输入，推导异常时其他信号的实时数据理论值，确定异常发生的原因。
[0014]其中，基于确定存在异常的信号作为输入，推导异常时其他信号的实时数据理论值，确定异常发生的原因，包括：基于有向图模型定义全部信号的因果关系和条件关系，对出现异常的信号归类；将结
果类型的信号的实时数据的实际值作为输入推导其他与其关联的其他信号的实时数据的理论值；对比与其关联的其他信号的实时数据的理论值和相应的所述其他信号的实时数据的实际值，确定异常发生的原因。
[0015]本申请另一方面提供一种在线异常的监测诊断系统，包括：对被监测诊断的目标
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议