[發(fā)明專利]基于聚類的設(shè)備運(yùn)行監(jiān)測(cè)方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201910551256.4
• 申請(qǐng)日: 2019-06-24
• 公開(kāi)（公告）號(hào): CN112131069B
• 公開(kāi)（公告）日: 2023-07-21
• 發(fā)明（設(shè)計(jì)）人: 孫耕;魏五星;吳禮華;徐婉芬;吳玲
• 申請(qǐng)（專利權(quán)）人: 中船重工特種設(shè)備有限責(zé)任公司
• 主分類號(hào): G06F11/30
• 分類號(hào): G06F11/30;G06F18/23213;G06F18/214
• 代理公司: 武漢智權(quán)專利代理事務(wù)所(特殊普通合伙) 42225
• 代理人: 沈林華

本發(fā)明公開(kāi)了一種基于聚類的設(shè)備運(yùn)行監(jiān)測(cè)方法及系統(tǒng)，涉及設(shè)備運(yùn)行監(jiān)測(cè)技術(shù)領(lǐng)域，包括以下步驟：采集設(shè)備訓(xùn)練運(yùn)行時(shí)的多個(gè)訓(xùn)練數(shù)據(jù)集，通過(guò)相關(guān)性分析分別將每個(gè)訓(xùn)練數(shù)據(jù)集分成多個(gè)訓(xùn)練數(shù)據(jù)組，每個(gè)訓(xùn)練數(shù)據(jù)組包含一個(gè)主訓(xùn)練數(shù)據(jù)成分；使用K均值聚類算法對(duì)所述訓(xùn)練數(shù)據(jù)集的所有主訓(xùn)練數(shù)據(jù)成分進(jìn)行訓(xùn)練學(xué)習(xí)，聚類生成第一聚類模型，第一聚類模型將所有訓(xùn)練數(shù)據(jù)集的所有主訓(xùn)練數(shù)據(jù)成分形成的點(diǎn)聚類至多個(gè)工況類別區(qū)域；采集設(shè)備實(shí)時(shí)運(yùn)行的至少一個(gè)監(jiān)測(cè)數(shù)據(jù)集，該監(jiān)測(cè)數(shù)據(jù)集的所有主監(jiān)測(cè)數(shù)據(jù)成分形成一判斷點(diǎn)；根據(jù)所述判斷點(diǎn)和第一聚類模型中各個(gè)工況類別區(qū)域，判斷設(shè)備運(yùn)行是否正常。本發(fā)明能準(zhǔn)確判斷設(shè)備的運(yùn)行狀態(tài)，提高設(shè)備運(yùn)行安全性。

技術(shù)領(lǐng)域

本發(fā)明涉及設(shè)備運(yùn)行監(jiān)測(cè)技術(shù)領(lǐng)域，具體涉及一種基于聚類的設(shè)備運(yùn)行監(jiān)測(cè)方法及系統(tǒng)。

背景技術(shù)

在生產(chǎn)建設(shè)中，需要對(duì)各種設(shè)備的運(yùn)行狀態(tài)進(jìn)行監(jiān)控，防止出現(xiàn)生產(chǎn)事故。傳統(tǒng)的監(jiān)控手段主要獲取生產(chǎn)設(shè)備的運(yùn)行時(shí)的某個(gè)參數(shù)，根據(jù)這些運(yùn)行狀態(tài)參數(shù)，與預(yù)設(shè)的閾值進(jìn)行比較，若該參數(shù)超過(guò)閾值的規(guī)定，則判定設(shè)備運(yùn)行異常。

由于設(shè)備越來(lái)越復(fù)雜，這種以設(shè)備運(yùn)行參數(shù)與閾值比較的方式往往不能準(zhǔn)確的反映設(shè)備真實(shí)的運(yùn)行狀態(tài)。例如某個(gè)參數(shù)超過(guò)了預(yù)設(shè)的閾值的規(guī)定，設(shè)備其實(shí)仍然是正常的運(yùn)行狀態(tài)；或者某個(gè)參數(shù)沒(méi)有超過(guò)了預(yù)設(shè)的閾值的規(guī)定，設(shè)備卻已經(jīng)運(yùn)行異常。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)中存在的缺陷，本發(fā)明的目的在于提供一種基于聚類的設(shè)備運(yùn)行監(jiān)測(cè)方法及系統(tǒng)，其能準(zhǔn)確判斷設(shè)備的運(yùn)行狀態(tài)，提高設(shè)備運(yùn)行的安全性。

為達(dá)到以上目的，本發(fā)明采取的技術(shù)方案是：一種基于聚類的設(shè)備運(yùn)行監(jiān)測(cè)方法，包括以下步驟：

采集設(shè)備訓(xùn)練運(yùn)行時(shí)的多個(gè)訓(xùn)練數(shù)據(jù)集，通過(guò)相關(guān)性分析分別將每個(gè)訓(xùn)練數(shù)據(jù)集分成多個(gè)訓(xùn)練數(shù)據(jù)組，每個(gè)訓(xùn)練數(shù)據(jù)組包含一個(gè)主訓(xùn)練數(shù)據(jù)成分；

使用K均值聚類算法對(duì)所述訓(xùn)練數(shù)據(jù)集的所有主訓(xùn)練數(shù)據(jù)成分進(jìn)行訓(xùn)練學(xué)習(xí)，聚類生成第一聚類模型，每個(gè)訓(xùn)練數(shù)據(jù)集的所有主訓(xùn)練數(shù)據(jù)成分形成一個(gè)點(diǎn)，第一聚類模型將所有訓(xùn)練數(shù)據(jù)集的所有主訓(xùn)練數(shù)據(jù)成分形成的點(diǎn)聚類至多個(gè)工況類別區(qū)域；

采集設(shè)備實(shí)時(shí)運(yùn)行的至少一個(gè)監(jiān)測(cè)數(shù)據(jù)集，通過(guò)相關(guān)性分析將該監(jiān)測(cè)數(shù)據(jù)集分成多個(gè)監(jiān)測(cè)數(shù)據(jù)組，每個(gè)監(jiān)測(cè)數(shù)據(jù)組包括一個(gè)主監(jiān)測(cè)數(shù)據(jù)成分，該監(jiān)測(cè)數(shù)據(jù)集的所有主監(jiān)測(cè)數(shù)據(jù)成分形成一判斷點(diǎn)；

根據(jù)所述判斷點(diǎn)和第一聚類模型中各個(gè)工況類別區(qū)域，判斷設(shè)備運(yùn)行是否正常。

在上述技術(shù)方案的基礎(chǔ)上，根據(jù)所述判斷點(diǎn)和第一聚類模型中各個(gè)工況類別區(qū)域，判斷設(shè)備運(yùn)行是否正常，包括以下步驟：

每種工況類別區(qū)域包括正常運(yùn)行區(qū)域和異常運(yùn)行區(qū)域，若所述判斷點(diǎn)落入第一聚類模型中的一種工況類別的正常運(yùn)行區(qū)域，則設(shè)備運(yùn)行正常；

若所述判斷點(diǎn)未落入第一聚類模型中所有工況類別區(qū)域或者落入第一聚類模型中一種工況類別的異常運(yùn)行區(qū)域，則設(shè)備運(yùn)行異常。

在上述技術(shù)方案的基礎(chǔ)上，還包括以下步驟：

基于離散時(shí)間馬爾科夫鏈DIMC，對(duì)第一聚類模型中各個(gè)工況類別之間相互轉(zhuǎn)換的概率進(jìn)行計(jì)算，根據(jù)計(jì)算結(jié)果生成工況轉(zhuǎn)換模型。

在上述技術(shù)方案的基礎(chǔ)上，還包括以下步驟：

采集設(shè)備實(shí)時(shí)運(yùn)行的連續(xù)兩個(gè)監(jiān)測(cè)數(shù)據(jù)集，若該兩個(gè)監(jiān)測(cè)數(shù)據(jù)集對(duì)應(yīng)的判斷點(diǎn)分別落入第一聚類模型中兩種工況類別的正常運(yùn)行區(qū)域，查詢工況轉(zhuǎn)換模型中記錄的對(duì)應(yīng)于該兩種工況類別發(fā)生轉(zhuǎn)換的概率，若概率低于預(yù)設(shè)的閾值，則設(shè)備運(yùn)行異常；反之，則設(shè)備運(yùn)行正常。

在上述技術(shù)方案的基礎(chǔ)上，還包括以下步驟：

每個(gè)訓(xùn)練數(shù)據(jù)集的每個(gè)訓(xùn)練數(shù)據(jù)組包括一個(gè)主訓(xùn)練數(shù)據(jù)成分、或者一個(gè)主訓(xùn)練數(shù)據(jù)成分和至少一個(gè)次訓(xùn)練數(shù)據(jù)成分；