基于人工智能预警系统的检测方法、检测系统和存储介质与流程

1.本发明涉及一种预警系统的检测方法，尤其是一种基于人工智能预警系统的检测方法、检测系统和存储介质。

背景技术：

2.目前的自动化控制系统中，已经开始引入人工智能模型对各测点进行分析，在各测点的监测值发生劣化且还未达到报警阈值之前发出预警，借此为维修争取更多的窗口时间。然而目前的基于人工智能预警系统，大部分存的误报率和漏报率较高的问题，不能完全发挥作用。

技术实现要素：

3.本发明的目的是提供一种基于人工智能预警系统的检测方法、检测系统和存储介质，能够降低预警系统的误报率和漏报率，使其更好的发挥作用。
4.本发明提供了一种基于人工智能预警系统的检测方法，包括下列步骤：
5.对监测对象分类，根据分类的类别选取对应的人工智能模型；
6.选取训练样本，结合手动调整各测点的残差超限触发阈值范围，对选取的人工智能模型进行训练；以及
7.将训练后的人工智能模型应用到监测对象。
8.本发明提供的基于人工智能预警系统的检测方法，通过对监测对象进行分类选取合适的人工智能模型，并且通过手动调整各测点的残差超限触发阈值范围对人工智能模型进行训练，在训练过程中对训练样本进行筛选优化，借此降低预警系统的误报率和漏报率，使其更好地发挥作用。
9.在基于人工智能预警系统的检测方法的再一种示意性实施方式中，对选取的人工智能模型进行训练的步骤包括：
10.将预设采样时间间隔的测点数据选取训练样本；以及
11.在训练样本中出现残差超限预警时进行分析和处理。
12.在基于人工智能预警系统的检测方法的又一种示意性实施方式中，进行分析和处理的步骤包括：
13.在一次训练结果中发现在一个时间段或时刻有测点发出残差超限预警时，判断是虚假故障事件还是为真实故障事件；
14.如判断为虚假故障事件，则通过手动调整残差超限触发阈值范围将虚假故障事件消除；以及
15.如判断为真实故障事件，则将这一个时间段或时刻的训练样本剔除，重新选择合格的训练样本进行训练。
16.在基于人工智能预警系统的检测方法的另一种示意性实施方式中，判断的步骤包括：
17.通过查阅运行或检修管理记录档案判断是虚假故障事件还是为真实故障事件；或是
18.用两条曲线分别表示测点的在各时间的实测值和期望值，并根据两条曲线形状的变化进行判断。
19.在基于人工智能预警系统的检测方法的另一种示意性实施方式中，根据两条曲线形状的变化进行判断的步骤包括：
20.确定两条曲线形状的变化趋势；
21.在两条曲线同为单调增加或同为单调减小、且测点的实测值和测点的期望值存在差值的时间小于一个预设的判断时间时，判断这属于虚假故障事件；
22.在两条曲线同为单调增加或同为单调减小、且在测点的实测值和测点的期望值的差的绝对值逐渐增大时，判断这属于真实故障事件；以及
23.在两条曲线中的一条曲线为单调增加、两条曲线中的另一条曲线为单调减小时，判断这属于真实故障事件。
24.在基于人工智能预警系统的检测方法的另一种示意性实施方式中，训练人工智能模型的步骤还包括：
25.在监测对象存在不同工况时为人工智能模型定义不同的运行模式；以及
26.为人工智能模型运行的每一个运行模式单独选取训练样本，结合手动调整各测点的残差超限触发阈值范围，对人工智能模型运行的每一个运行模式单独训练。
27.在基于人工智能预警系统的检测方法的另一种示意性实施方式中，训练人工智能模型的步骤还包括：在监测对象的多个工况存在重叠情况时，设置人工智能模型的对应各工况的运行模式的优先级。
28.在基于人工智能预警系统的检测方法的另一种示意性实施方式中，对监测对象分类的步骤包括：
29.将检测对象划分为属于多个专业类别的监测对象；
30.将划分为多个专业类别中的一个专业类别的监测对象，划分为属于多个层级类别的监测对象；以及
31.将划分为多个层级类别中的一个层级类别的监测对象，划分为属于多个类型类别的监测对象。
32.在基于人工智能预警系统的检测方法的另一种示意性实施方式中，专业类别包括锅炉、汽机、电气、化学和环保，层级类别包括机组级、系统级、主设备级和子设备级，类型类别包括电气类、机械类和性能类。
33.本发明提供了一种基于人工智能预警系统的检测系统，包括处理器和存储器。存储器中存储有可被处理器执行的应用程序，用于使得处理器执行上述的基于人工智能预警系统的检测方法。
34.本发明提供了一种计算机可读存储介质，其中存储有计算机可读指令，该计算机可以读指令用于执行上述的基于人工智能预警系统的检测方法。
附图说明
35.以下附图仅对本发明做示意性说明和解释，并不限定本发明的范围。
36.图1为基于人工智能预警系统的检测方法的一种示意性实施方式的流程示意图。
37.图2为基于人工智能预警系统的检测方法的部分流程示意图。
38.图3为基于人工智能预警系统的检测方法的部分流程示意图。
39.图4为基于人工智能预警系统的检测方法的另一种示意性实施方式的部分流程示意图。
40.图5为基于人工智能预警系统的检测系统的一种示意性实施方式的结构示意图。
41.标号说明
42.100检测系统
43.101处理器
44.102存储器
具体实施方式
45.为了对发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式，在各图中相同的标号表示结构相同或结构相似但功能相同的部件。
46.在本文中，“示意性”表示“充当实例、例子或说明”，不应将在本文中被描述为“示意性”的任何图示、实施方式解释为一种更优选的或更具优点的技术方案。
47.图1为基于人工智能预警系统的检测方法的一种示意性实施方式的流程示意图。参照图1，基于人工智能预警系统的检测方法包括下列步骤：
48.步骤s10：对监测对象分类，根据分类的类别选取对应的人工智能模型。监测对象的分类类别包括专业类别、层级类别和类型类别的三层递进式类别划分。专业类别包括锅炉、汽机、电气、化学和环保，层级类别包括机组级、系统级、主设备级和子设备级，类型类别包括电气类、机械类和性能类。图2为基于人工智能预警系统的检测方法的部分流程示意图，参照图2，具体应用中步骤s10包括：
49.步骤11：将检测对象划分为属于多个专业类别的监测对象。
50.步骤12：将划分为多个专业类别中的一个专业类别的监测对象，划分为属于多个层级类别的监测对象。
51.步骤13：将划分为多个层级类别中的一个层级类别的监测对象，划分为属于多个类型类别的监测对象。
52.以汽机专业为例，汽机抽真空系统模型属于系统级典型模型，真空异常作为直接影响汽轮机安全运行的重要因素之一，是直接引起汽机跳闸保护系统紧急动作的八大条件之一，对其进行实时监控和有效预警，很有必要。而对其真空度可能造成影响的因素很多，当真空异常时也可通过多种参数提前预测。例如小机真空、凝器真空、真空泵参数电流、进出口差压和轴封压力等测点。
53.步骤s20：选取训练样本，结合手动调整各测点的残差超限触发阈值范围，对选取的人工智能模型进行训练。通过手动调整各测点的残差超限触发阈值范围，可以对误报和漏报的情况进行调整，例如在一段相对稳定或正常的时间内，偶尔出现的短时甚至瞬间测点数值的急剧变化甚至突变情况时，根据需要，如果经判断确实为一个真实的异常甚至故障，如果此时测点数值波动的最大峰或谷值已经达到分散控制系统的报警定值时，为保证预警系统相对于分散控制系统的报警的响应灵敏度，此时可对该测点的残差超限触发阈值
的上限和下限阀值进行手动精确调整，使其提前于分散控制系统的定值报警。基于上述理由，步骤s20具体包括下列步骤s21和步骤s22：
54.步骤s21：将预设采样时间间隔的测点数据选取训练样本。测点预测值的科学性关键取决于训练样本的正确度，所以理论上每一次训练样本训练出的结果中都不应存在报警信息。因此要合理选择训练样本的时间段长短。训练样本时间过长虽能提高工况的完整度，但却可能会导致非正常时间段被选取，且受系统容量限制。训练样本时间过短，可以通过缩短采样周期的方法来提高训练样本测点的饱和度，但也一定程度上牺牲了训练样本时况的完整性，并且如果训练样本中含有非正常或错误时间，则会对样本质量造成更大的干扰影响。
55.步骤s22：在训练样本中出现残差超限预警时进行分析和处理。具体的，参照图3，步骤s22如下列步骤221至步骤223：
56.步骤s221：在一次训练结果中发现在一个时间段或时刻有测点发出残差超限预警时，判断是虚假故障事件还是为真实故障事件。具体判断步骤包括：
57.在一次训练结果中发现在一个时间段或时刻有测点发出残差超限预警时，判断是虚假故障事件还是为真实故障事件。具体的，可以通过查阅运行或检修管理记录档案判断是虚假故障事件还是为真实故障事件。或是用两条曲线分别表示测点的在各时间的实测值和期望值，并根据两条曲线形状的变化进行判断。具体步骤包括：确定两条曲线形状的变化趋势。在两条曲线同为单调增加或同为单调减小、且测点的实测值和测点的期望值存在差值的时间小于一个预设的判断时间时，判断这属于虚假故障事件。在两条曲线同为单调增加或同为单调减小、且在测点的实测值和测点的期望值的差的绝对值逐渐增大时，判断这属于真实故障事件。在两条曲线中的一条曲线为单调增加、两条曲线中的另一条曲线为单调减小时，判断这属于真实故障事件。
58.步骤s222：如判断为虚假故障事件，则通过手动调整残差超限触发阈值范围将虚假故障事件消除。
59.步骤s223：如判断为真实故障事件，则将这一个时间段或时刻的训练样本剔除，重新选择合格的训练样本进行训练。
60.本发明提供的基于人工智能预警系统的检测方法，通过对监测对象进行分类选取合适的人工智能模型，并且通过手动调整各测点的残差超限触发阈值范围对人工智能模型进行训练，在训练过程中对训练样本进行筛选优化，借此降低预警系统的误报率和漏报率，使其更好地发挥作用。
61.图4为基于人工智能预警系统的检测方法的另一种示意性实施方式的部分流程示意图。参照图4，步骤20包括：
62.步骤23：在监测对象存在不同工况时为人工智能模型定义不同的运行模式。不同工况例如系统设备的减负荷或启停过程。
63.步骤24：为人工智能模型运行的每一个运行模式单独选取训练样本，结合手动调整各测点的残差超限触发阈值范围，对人工智能模型运行的每一个运行模式单独训练。
64.步骤25：在监测对象的多个工况存在重叠情况时，设置人工智能模型的对应各工况的运行模式的优先级。此时预警系统将默认为以优先级最高的模式为实时遵循的模式工况。
65.本发明提供了一种基于人工智能预警系统的检测系统。参照图5，基于人工智能预警系统的检测系统100包括处理器101和存储器102；存储器102中存储有可被处理器101执行的应用程序，用于使得处理器101执行上述的基于人工智能预警系统的检测方法。
66.本发明提供了一种计算机可读存储介质，其中存储有计算机可读指令，该计算机可以读指令用于执行上述的基于人工智能预警系统的检测方法。
67.应当理解，虽然本说明书是按照各个实施例描述的，但并非每个实施例仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
68.上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施例的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方案或变更，如特征的组合、分割或重复，均应包含在本发明的保护范围之内。

技术特征：

1.基于人工智能预警系统的检测方法，其特征在于，包括下列步骤：对监测对象分类，根据分类的类别选取对应的人工智能模型；选取训练样本，结合手动调整各测点的残差超限触发阈值范围，对选取的人工智能模型进行训练；以及将训练后的人工智能模型应用到监测对象。2.如权利要求1所述的基于人工智能预警系统的检测方法，其特征在于，所述对选取的人工智能模型进行训练的步骤包括：将预设采样时间间隔的测点数据选取训练样本；以及在训练样本中出现残差超限预警时进行分析和处理。3.如权利要求2所述的基于人工智能预警系统的检测方法，其特征在于，所述进行分析和处理的步骤包括：在一次训练结果中发现在一个时间段或时刻有测点发出残差超限预警时，判断是虚假故障事件还是为真实故障事件；如判断为虚假故障事件，则通过手动调整残差超限触发阈值范围将虚假故障事件消除；以及如判断为真实故障事件，则将这一个时间段或时刻的训练样本剔除，重新选择合格的训练样本进行训练。4.如权利要求3所述的基于人工智能预警系统的检测方法，其特征在于，所述判断的步骤包括：通过查阅运行或检修管理记录档案判断是虚假故障事件还是为真实故障事件；或是用两条曲线分别表示测点的在各时间的实测值和期望值，并根据两条曲线形状的变化进行判断。5.如权利要求4所述的基于人工智能预警系统的检测方法，所述根据两条曲线形状的变化进行判断的步骤包括：确定两条曲线的变化趋势；在两条曲线同为单调增加或同为单调减小、且测点的实测值和测点的期望值存在差值的时间小于一个预设的判断时间时，判断这属于虚假故障事件；在两条曲线同为单调增加或同为单调减小、且在测点的实测值和测点的期望值的差的绝对值逐渐增大时，判断这属于真实故障事件；以及在两条曲线中的一条曲线为单调增加、两条曲线中的另一条曲线为单调减小时，判断这属于真实故障事件。6.如权利要求1所述的基于人工智能预警系统的检测方法，其特征在于，所述训练人工智能模型的步骤还包括：在监测对象存在不同工况时为人工智能模型定义不同的运行模式；以及为人工智能模型运行的每一个运行模式单独选取训练样本，结合手动调整各测点的残差超限触发阈值范围，对人工智能模型运行的每一个运行模式单独训练。7.如权利要求6所述的基于人工智能预警系统的检测方法，其特征在于，所述训练人工智能模型的步骤还包括：在监测对象的多个工况存在重叠情况时，设置人工智能模型的对应各工况的运行模式的优先级。
8.如权利要求1所述的基于人工智能预警系统的检测方法，其特征在于，所述对监测对象分类的步骤包括：将检测对象划分为属于多个专业类别的监测对象；将划分为多个所述专业类别中的一个所述专业类别的监测对象，划分为属于多个层级类别的监测对象；以及将划分为多个所述层级类别中的一个所述层级类别的监测对象，划分为属于多个类型类别的监测对象。9.如权利要求8所述的基于人工智能预警系统的检测方法，其特征在于，所述专业类别包括锅炉、汽机、电气、化学和环保，所述层级类别包括机组级、系统级、主设备级和子设备级，所述类型类别包括电气类、机械类和性能类。10.基于人工智能预警系统的检测系统，其特征在于，包括处理器(101)和存储器(102)；所述存储器(102)中存储有可被所述处理器(101)执行的应用程序，用于使得所述处理器(101)执行如权利要求1至9中任一项所述的基于人工智能预警系统的检测方法。11.计算机可读存储介质，其特征在于，其中存储有计算机可读指令，该计算机可以读指令用于执行如权利要求1至9中任一项所述的基于人工智能预警系统的检测方法。

技术总结

本发明提供了一种基于人工智能预警系统的检测方法，包括下列步骤：对监测对象分类，根据分类的类别选取对应的人工智能模型。选取训练样本，结合手动调整各测点的残差超限触发阈值范围，对选取的人工智能模型进行训练。将训练后的人工智能模型应用到监测对象。本发明提供的基于人工智能预警系统的检测方法，能够降低预警系统的误报率和漏报率，使其更好地发挥作用。本发明还提供了执行上述检测方法的检测系统和存储介质。系统和存储介质。系统和存储介质。