一种基于工业大数据的设备风险分析预警系统及方法

技术领域

本发明涉及工业设备监控的领域,尤其涉及一种基于工业大数据的设备风险分析预警系统及方法。

背景技术

对于工业设备来说，安全生产是很重要的一部分,提前预知设备运行是否正常,是否会发生异常和故障,或者说发生异常和故障的概率有多大,进行“预测性维护”就尤为重要。其中,风险评估是所谓“预测性维护”的重头戏。

工业对象(设备)的故障,通常情况下是由设备的诊断机制来判别的,一般来说,这个判断是“硬判断”,设备的关键组件都有一组(一个或多个)正常运行的关键指标，一旦被诊断到有悖于这些关键指标的情况,既被判定为故障。但是,这些关键指标往往却并不代表这个组件运行本身的状态,关键指标未出现异常,并不能代表设备不存在故障,或不能说明设备不存在故障风险。

有鉴于此,有必要提出一种基于工业大数据的设备风险分析预警系统及方法。

发明内容

为了克服现有技术存在的缺点与不足,本发明提供一种基于工业大数据的设备风险分析预警系统及方法。

本发明所采用的技术方案是，一种基于工业大数据的设备风险分析预警系统，所述系统包括：工业设备运行数据读取组件、工业设备数据包压缩组件、异常运行发现组件、工业设备风险监控标准设定组件、工业设备数据实时录入更新组件、工业设备监控组件、工业设备调动组件、工业设备数据模型算法组件、风险评估结果传输组件、监控数据预警组件，其中，

所述工业设备运行数据读取组件用于对待监控工业设备数据进行读取配置，所述工业设备运行数据读取组件与所述工业设备数据包压缩组件电连接；

所述工业设备数据包压缩组件用于根据所述工业设备运行数据读取组件的工业设备数据读取配置，从工业设备数据库中读取待监控工业设备数据，并把工业设备数据标准化后压缩成约定的格式，所述工业设备数据包压缩组件分别与所述工业设备运行数据读取组件、所述异常运行发现组件以及所述工业设备数据模型算法组件电连接；

所述异常运行发现组件用于自动发现所述工业设备数据包压缩组件中标准化后的待监控工业设备数据表中哪些工业设备数据需要进行风险监控，所述异常运行发现组件分别与所述工业设备数据包压缩组件、所述工业设备数据风险监控规则生成与更新组件以及所述工业设备监控组件电连接；

所述工业设备风险监控标准设定组件用于对系统中进行标准参数的设定，所述工业设备数据规则配置组件与所述工业设备数据实时录入更新组件电连接；

所述工业设备数据实时录入更新组件用于根据所述监控规则配置组件用户自定义或默认的风险监控规则参数、所述工业设备数据包压缩组件标准化后的历史工业设备数据对监控规则，以及异常运行发现组件自动发现(挖掘)的需要进行风险监控工业设备数据进行风险监控规则特征提取，所述工业设备数据实时录入更新组件分别与所述监控规则配置组件、所述工业设备数据包压缩组件以及异常运行发现组件电连接；

所述工业设备监控组件用于支持人工对所述工业设备数据实时录入更新组件自生成的模型参数进行修改和调整，完善监控规则，或者由人工自主定义新的监控规则，所述工业设备监控组件分别与所述异常运行发现组件以及所述工业设备数据实时录入更新组件电连接；

所述工业设备调动组件用于完成系统中各个功能组件的统一调度和执行，所述工业设备调动组件分别与所述监控规则配置组件以及所述风险评估结果传输组件电连接；

所述工业设备数据模型算法组件用于根据所述工业设备数据实时录入更新组件自生成的工业设备数据监控规则综合所述工业设备监控组件的人工自定义规则对新增待风险监控工业设备数据进行计算，并判断该新增工业设备数据是否触发风险异常警报信号，所述工业设备数据模型算法组件分别与所述工业设备数据实时录入更新组件、所述工业设备监控组件以及所述风险评估结果传输组件电连接；

所述工业设备数据模型，表达式为：

其中，A(x)表示工业设备数据预警函数，F

所述风险评估结果传输组件根据工业设备数据模型算法组件的计算结果向工业设备数据监控平台发出相关警报信号，所述风险评估结果传输组件分别与所述工业设备数据模型算法组件以及所述监控数据预警组件电连接；

所述监控数据预警组件用于接收工业设备数据监控平台对警报信号数据的预警，并将该数据预警给所述工业设备数据实时录入更新组件根据人工预警对模型进行调整和优化，所述监控数据预警组件分别与所述工业设备数据实时录入更新组件以及所述风险评估结果传输组件电连接。

进一步地，所述工业设备数据包压缩组件包括待监控工业设备数据读取块子组件以及工业设备数据格式标准化子组件，所述待监控工业设备数据读取块子组件用于根据所述工业设备运行数据读取组件所设置好的工业设备数据读取方式对待监控工业设备数据或待监控工业设备数据的历史正常工业设备数据进行读取，所述工业设备数据格式标准化子组件用于将所述待监控工业设备数据读取块子组件读取的工业设备数据标准化成所述工业设备数据实时录入更新组件、工业设备数据模型算法组件可识别的标准工业设备数据格式。

进一步地，所述异常运行发现组件包括数值型工业设备数据筛选子组件以及强相关工业设备数据对筛选子组件，所述数值型工业设备数据筛选子组件用于将数值型数据筛选出来，所

述强相关工业设备数据对筛选子组件用于筛选出强相关工业设备数据。

进一步地，所述监控规则配置组件的监控规则模型为参数实时更新工业设备数据的监控模型。

一种基于工业大数据的设备风险分析预警方法，包括：

步骤Q1，对待监控工业设备数据进行读取配置；

步骤Q2，根据读取配置，从工业设备数据库中读取待监控工业设备数据，并把工业设备数据标准化成约定的格式；

步骤Q3，寻找发现标准化后的待监控工业设备数据表中哪些工业设备数据需要进行风险监控；

步骤Q4，对系统中进行标准参数的设定；

步骤Q5，根据步骤Q2中标准化后的工业设备数据、步骤Q3中需要进行风险监控的工业设备数据以及步骤Q4中自动监控规则模型的超参数进行风险监控规则特征提取；

步骤Q6，人工对步骤Q5中自生成的风险监控规则进行修改和调整，完善监控规则；

步骤Q7，根据步骤Q5中自生成的风险监控规则以及步骤Q6中人工修改的风险监控规则对待监控工业设备数据进行风险计算，并判断该新增工业设备数据是否触发风险异常警报信号。

步骤Q8：根据步骤Q7中的计算结果向工业设备数据监控平台发出相关警报信号。

进一步地，所述步骤Q8之后还包括步骤Q9：接收工业设备数据监控平台对警报信号数据的预警，并将该数据预警到步骤Q5中，对风险监控特征提取规则进行调整和优化。

进一步地，所述步骤Q2具体包括：

步骤Q21，根据读取配置，对工业设备数据库中的待监控工业设备数据或待监控工业设备数据的历史正常工业设备数据进行读取；

步骤Q22，把读取出的工业设备数据标准化成约定的格式。

进一步地，所述步骤Q3具体包括：

步骤Q31，从待监控工业设备数据表中筛选出数值型工业设备数据；

步骤Q32，根据筛选出的数值型数据历史工业设备数据，计算相关数据工业设备数据的协方差矩阵，得

到数据工业设备数据间的相关性度量；

步骤Q33，得到的不同工业设备数据相关度，筛选出强相关工业设备数据。

进一步地，所述步骤Q5具体包括：

步骤Q51，判断待监控工业设备数据是否为新的待监控工业设备数据；

步骤Q52，如果判断为新的工业设备数据，则进行风险监控规则模型参数学习；

步骤Q53，如果判断不是新工业设备数据，则判断当前时间点是否为待风险监控工业设备数据的更新时间点。如果到达更新时间点，则对待风险监控规则模型参数进行更新调整。

进一步地，所述步骤Q52具体包括：

步骤Q521，假设两个待风险检查数据对应的工业设备数据变量；

步骤Q522，根据历史工业设备数据进行线性回归，得到线性模型回归模型；

步骤Q523，计算线性回归模型与真实工业设备数据值的差值；

步骤Q524，计算历史差值的均值和标准差，得到鲸鱼算法的参数。

与现有技术相比，本发明提供的一种基于工业大数据的设备风险分析预警系统及方法，通过机器特征提取对工业设备数据风险进行监控，降低了漏报、误报率，同时大大降低了人工成本，提高了监控效率。

附图说明

图1为本发明的一种基于工业大数据的设备风险分析预警系统的结构示意图；

图2为本发明的一种基于工业大数据的设备风险分析预警方法的流程图；

图3为本发明的一种基于工业大数据的设备风险分析预警方法的步骤Q200的具体流程图；

图4为本发明的一种基于工业大数据的设备风险分析预警方法的步骤Q300的具体流程图；

图5为本发明的一种基于工业大数据的设备风险分析预警方法的步骤Q500的具体流程图；

图6为本发明的一种基于工业大数据的设备风险分析预警方法的步骤Q502的具体流程图。

具体实施方式

需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互结合,下面结合附图和有具体实施例对本申请作进一步详细说明。

如图1所示,一种基于工业大数据的设备风险分析预警系统及方法，

如图1所示，为本发明一种基于工业大数据的设备风险分析预警系统的一种实施例，该一种基于工业大数据的设备风险分析预警系统包括工业设备运行数据读取组件1、工业设备数据包压缩组件2、异常运行发现组件3、工业设备风险监控标准设定组件4、工业设备数据实时录入更新组件5、工业设备监控组件6、工业设备调动组件7、工业设备数据模型算法组件8、风险评估结果传输组件9、监控数据预警组件10，其中，

所述工业设备运行数据读取组件1用于对待监控工业设备数据进行读取配置，所述工业设备运行数据读取组件1与所述工业设备数据包压缩组件2电连接。工业设备运行数据读取组件1允许用户通过用户界面(基于Web或移动App的用户界面)，对待监控工业设备数据的工业设备数据源(包括：工业设备数据库类型、IP地址、用户、密码、待监控工业设备数据所在的工业设备数据表、待监控工业设备数据在表中的数据名等)、或者待监控工业设备数据前端读取接口进行配置；同时也可以支持用户输入符合系统设计标准的工业设备数据读取源代码脚本(例如：用python语言编写的工业设备数据读取脚本)。当用户在用户界面设置完成并确认后，设置的内容将通过应用服务器(可采用微服务的方式实现)将设置内容写入应用工业设备数据库(可采用mysql，postgresql，mongo等工业设备数据库)。

所述工业设备数据包压缩组件2用于根据所述工业设备运行数据读取组件1的工业设备数据读取配置，从工业设备数据库中读取待监控工业设备数据，并把工业设备数据标准化后压缩成约定的格式，所述工业设备数据包压缩组件2分别与所述工业设备运行数据读取组件1、所述异常运行发现组件3以及所述工业设备数据模型算法组件8电连接。工业设备数据包压缩组件2，一般包含以下子组件：(1)待监控工业设备数据读取组件21。该组件根据组件1所设置好的工业设备数据读取方式对待监控工业设备数据或待监控工业设备数据的历史正常工业设备数据进行读取。该组件一般通过计算服务组件来完成。面对海量的待监控工业设备数据，通常该计算服务组件可采用Apache Spark，Apache SparkStreaming等分布式计算引擎来实现，也可以采用弹性可扩展的微服务架构完成实时计算。工业设备数据读取组件根据用户输入的工业设备数据库类型、IP地址、用户、密码、待监控工业设备数据所在的工业设备数据表、待监控工业设备数据在表中的数据名等参数调用对应的工业设备数据库读取代码库对工业设备数据进行读取。如果用户配置了待监控工业设备数据的前端读取接口，则该组件根据配置的工业设备数据读取地址和参数进行工业设备数据获取。为了支持更丰富的工业设备数据读取方式，该组件也支持用户输入符合规范的工业设备数据读取代码脚本供计算服务组件调用获取工业设备数据。(2)工业设备数据格式标准化组件22。该组件将组件21读取的工业设备数据标准化成组件5、组件8可识别的标准工业设备数据格式，例如(key，value)、或者n维工业设备数据帧(DataFrame)的格式。

工业设备数据模型，表达式为：

其中，A(x)表示工业设备数据预警函数，F

所述异常运行发现组件3用于自动发现所述工业设备数据包压缩组件2中标准化后的待监控工业设备数据表中哪些工业设备数据需要进行风险监控，所述异常运行发现组件3分别与所述工业设备数据包压缩组件2、工业设备数据风险监控规则生成与更新组件5以及所述工业设备监控组件6电连接。异常运行发现组件3，该模型能够自动发现组件2中标准化后待监控工业设备数据表中哪些工业设备数据需要进行风险监控，解决传统人工查找、定义需要风险监控的数据存在的效率低，容易遗漏的缺点。该组件主要由以下两个组件组成：(1)数值型工业设备数据筛选子组件。本发明主要解决数值型工业设备数据风险监控的问题，所以需要首先将工业设备数据型数据筛选出来，在实现上，首先对工业设备数据类型标记为数值型的数据(2)强相关工业设备数据对筛选子组件32，该强相关工业设备数据筛选子组件32主要由以下步骤实现：

步骤1：根据组件31筛选出的数值型数据历史工业设备数据，计算相关数据工业设备数据的协方差矩阵，得到数据工业设备数据间的相关性度量；

步骤2：根据步骤1计算得到的不同工业设备数据相关度，筛选出强相关工业设备数据(相关度大于一定阈值)。

所述工业设备风险监控标准设定组件4用于对系统中进行标准参数的设定，所述工业设备数据规则配置组件4与所述工业设备数据实时录入更新组件5电连接。工业设备风险监控标准设定组件4，主要对系统中默认支持的监控参数进行配置，或自定义的工业设备数据风险监控规则进行配置。当两个工业设备数据高度线性相关(一致)时，通过一个数据对另一个进行线性回归，然后计算回归的值与待监控值的差值。假设这一差值服从正态分布，则当待监控数值与回归值的差值超过历史差值标准差的2倍以上时发出二级警报信号；当该差值大于历史差值标准差4倍以上时发出一级警报信号。

所述工业设备数据实时录入更新组件5用于根据所述监控规则配置组件4用户自定义或默认的风险监控规则参数、所述工业设备数据包压缩组件2标准化后的历史工业设备数据对监控规则，以及异常运行发现组件3自动发现(挖掘)的需要进行风险监控工业设备数据进行风险监控规则特征提取，所述工业设备数据实时录入更新组件5分别与所述监控规则配置组件3、所述工业设备数据包压缩组件2以及异常运行发现组件4电连接；该组件根据系统默认的风险监控规则模型，利用组件3监控出的强相关性数据对应的标准化后待监控历史工业设备数据对监控规则进行特征提取。根据工业设备数据的特性，我们可以设置如下风险规则监控模型。

参数实时更新工业设备数据的监控模型：工业行业的数值型工业设备数据中常常会出现近似线性相关的两个变量，例如基金的评级得分和基金的评级级别一般符合近似线性的关系。对两线性相关(工业设备数据)。首先，根据历史工业设备数据进行线性回归，得到线性模型；然后，计算线性模型预测值与工业设备数据真实值的差值，并对这些差值建立相应的高斯模型(即估计这些差值的均值和标准差)。

工业设备数据风险监控规则自生产与更新组件5可以设计成包含以下步骤：

步骤1：判断待监控工业设备数据是否为新的待监控工业设备数据；

步骤2：如果步骤1判断为新的工业设备数据，则进行风险监控规则模型参数学习41，计算步骤如下：

步骤2_1：假设两个待风险检查数据对应的工业设备数据变量为x和y；

步骤2_2：根据历史工业设备数据进行线性回归，得到线性模型回归模型。参数的估计方法可以采用最小二乘法、最大似然法等方法。

步骤2_3:计算线性回归模型与真实工业设备数据值的差值；

步骤2_4：计算历史差值的均值和标准差，得到鲸鱼算法的参数。

步骤3：如果不是新的待风险监控工业设备数据，则判断当前时间点是否为待风险监控工业设备数据的更新时间点。如果到达更新时间点，则对待风险监控规则模型参数进行更新调整42(计算方法如前所述，可以根据全量历史工业设备数据进行更新、也可以根据最近一段时间内历史工业设备数据进行更新)。否则结束当前组件。

这里就工业设备数据风险监控规则自生产与更新组件5中阐述的几种常用自动监控规则模型，获得新的待监控工业设备数据后的监控计算方法进行介绍：

当输入待监控工业设备数据时，利用前面建立的线性模型，计算计算预测值，然后计算预测值与待监控工业设备数据的差值，再将该差值输入组件4计算得到的预测值与真实值差值的高斯模型，得到该差值出现的概率，当该概率低于设定的数值时(由组件4进行配置)，则发出不同级别的警报信号信号。

如果组件4步骤2_4建立的是混合高斯模型，则需要将当前差值代入训练好的混合高斯模型，当输入数值的概率低于设定的数值时(由组件4进行配置)，则发出不同级别的警报信号信号。

上述的工业设备数据监控计算可以通过Apache Spark计算引擎实现。对实时性要求较高的可通过Spark Streaming，或者Apache Spark Flink来完成计算。

所述工业设备监控组件6用于支持人工对所述工业设备数据实时录入更新组件5自生成的模型参数进行修改和调整，完善监控规则，或者由人工自主定义新的监控规则，所述工业设备监控组件6分别与所述异常运行发现组件3以及所述工业设备数据实时录入更新组件5电连接；采用机器学习产生的工业设备数据风险监控规则，在历史正常工业设备数据较少的情况，容易出现监控规则不够完善的情况，工业设备数据实时录入更新组件5支持人工对自动生成的监控规则进行修改和添加新的规则。让自动生成规则与人工规则相配合，提高系统的灵活性及适应性。

所述工业设备调动组件7用于完成系统中各个功能组件的统一调度和执行，所述工业设备调动组件7分别与所述监控规则配置组件4以及所述风险评估结果传输组件9电连接；

所述工业设备数据模型算法组件8用于根据所述工业设备数据实时录入更新组件5自生成的工业设备数据监控规则综和所述工业设备监控组件6的人工自定义规则对新增待风险监控工业设备数据进行计算，并判断该新增工业设备数据是否触发风险异常警报信号，所述工业设备数据模型算法组件8分别与所述工业设备数据实时录入更新组件5、所述工业设备监控组件6以及所述风险评估结果传输组件9电连接；

所述风险评估结果传输组件9根据工业设备数据模型算法组件8的计算结果向工业设备数据监控平台发出相关警报信号，所述风险评估结果传输组件9分别与所述工业设备数据模型算法组件8以及所述监控数据预警组件10电连接。该组件将工业设备数据模型算法组件8输出的工业设备数据质量监控警报信号数据，包括触发警报信号的工业设备数据基本数据及警报信号级别等，利用消息推送系统，通过微信、短信、应用App等渠道推送给客户。例如：App推送可通过MQTT、XMPP等协议实现，也可以调用华为推送、阿里云移动推送、腾讯信鸽推送等第三方平台实现。

所述监控数据预警组件10用于接收工业设备数据监控平台对警报信号数据的预警，并将该数据预警给所述工业设备数据实时录入更新组件5根据人工预警对模型进行调整和优化，所述监控数据预警组件10分别与所述工业设备数据实时录入更新组件5以及所述风险评估结果传输组件9电连接。该组件主要接收工业设备数据监控平台对工业设备数据监控警报信号的预警数据，并将该预警数据预警给工业设备数据监控规则更新组件(组件4)根据人工预警对监控规则进行调整和优化。如果人工预警发出警报信号的信号为假信号，则需要预警给组件4根据当前输入数值及时进行监控规则调整。

如图2所示，为本发明一种基于工业大数据的设备风险分析预警方法的一种实施例，该方法包括：

步骤Q100，对待监控工业设备数据进行读取配置；

步骤Q200，根据读取配置，从工业设备数据库中读取待监控工业设备数据，并把工业设备数据标准化成约定的格式；

步骤Q300，寻找发现标准化后的待监控工业设备数据表中哪些工业设备数据需要进行风险监控；

步骤Q400，对系统中进行标准参数的设定；

步骤Q500，根据步骤Q200中标准化后的工业设备数据、步骤Q300中需要进行风险监控的工业设备数据以及步骤Q400中自动监控规则模型的超参数进行风险监控规则特征提取；

步骤Q600，人工对步骤Q500中自生成的风险监控规则进行修改和调整，完善监控规则；

步骤Q700，根据步骤Q500中自生成的风险监控规则以及步骤Q600中人工修改的风险监控规则对待监控工业设备数据进行风险计算，并判断该新增工业设备数据是否触发风险异常警报信号；

步骤Q800，根据步骤Q700中的计算结果向工业设备数据监控平台发出相关警报信号。

步骤Q900，接收工业设备数据监控平台对警报信号数据的预警，并将该数据预警到步骤Q500中，对风险监控特征提取规则进行调整和优化。

如图3所示，所述步骤Q200具体包括：

步骤Q201，根据读取配置，对工业设备数据库中的待监控工业设备数据或待监控工业设备数据的历史正常工业设备数据进行读取；

步骤Q202，把读取出的工业设备数据标准化成约定的格式。

如图4所示，所述步骤Q300具体包括：

步骤Q301，从待监控工业设备数据表中筛选出数值型工业设备数据；

步骤Q302，根据筛选出的数值型数据历史工业设备数据，计算相关数据工业设备数据的协方差矩阵，得到数据工业设备数据间的相关性度量；

步骤Q303，根据得到的不同工业设备数据相关度，筛选出强相关工业设备数据。

如图5所示，所述步骤Q500具体包括：

步骤Q501，判断待监控工业设备数据是否为新的待监控工业设备数据；

步骤Q502，如果判断为新的工业设备数据，则进行风险监控规则模型参数学习；

步骤Q503，如果判断不是新工业设备数据，则判断当前时间点是否为待风险监控工业设备数据的更新时间点。如果到达更新时间点，则对待风险监控规则模型参数进行更新调整。

如图6所示，所述步骤Q502具体包括：

步骤Q5021，假设两个待风险检查数据对应的工业设备数据变量；

步骤Q5022，根据历史工业设备数据进行线性回归，0得到线性模型回归模型；

步骤Q5023，计算线性回归模型与真实工业设备数据值的差值；

步骤Q5024，计算历史差值的均值和标准差，得到鲸鱼算法的参数。

本发明提供一种基于工业大数据的设备风险分析预警系统及监控方法，具有以下优点：

1、可以自动发现需要进行风险监控的工业设备数据，极大的提高了工业设备数据风险监控的效率、准确度和覆盖率。

2、发现需要进行风险监控的数据后，根据工业设备数据的历史值，自动学习工业设备数据风险监控规则，从而提高工业设备数据风险监控的质量、效率及覆盖面。

在本发明描述中，需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”、“固定”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。

尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解的是,在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型,本发明的范围由所附权利要求及其等同范围限定。