一种设备异常报警方法与流程

本发明属于故障报警，具体涉及一种设备异常报警方法。

背景技术：

1、随着物联网（iot）、大数据分析、人工智能等先进技术的广泛应用，各类生产设备的运行状态监测和故障预测变得日益重要。在生产过程中，任何关键设备的意外停机或性能下降都可能导致生产线中断、产品质量问题甚至安全事故，严重影响企业的生产效率和经济效益。

2、传统的设备维护主要依赖定期检修和人工巡检，但这种方法往往存在滞后性和低效率的问题，不能及时发现并处理突发性设备故障。因此，基于实时数据采集与智能分析的设备异常报警方法应运而生，它通过集成传感器网络获取设备运行过程中的各种参数，例如现有常用的一种监控方法，通过使用传感器和监控系统来监测设备的运行状态，并在发现异常情况时发送报警通知，具体为：安装传感器（温度、振动、压力传感器等等）：根据设备的特点和需要监测的参数，选择合适的传感器进行安装，例如，温度传感器用于监测设备温度，压力传感器用于监测设备压力等；连接监控系统：将传感器与监控系统进行连接，确保传感器可以向监控系统发送数据；设置阈值：根据设备正常运行的参数范围，设置相应的阈值，例如，如果设备温度正常范围为20℃到40℃，可以设置温度传感器的阈值为超过40℃即为异常情况；监测数据：监控系统会定期获取传感器发送的数据，并对数据进行分析和比对，如果监测到数据超过设定的阈值，即判断为设备异常；发送报警通知：一旦监控系统监测到设备异常，会自动发送报警通知，通知可以通过短信、邮件、手机应用等方式发送给相关人员，以便及时采取措施修复设备或进行其他必要的操作；处理异常情况：收到报警通知后，相关人员应立即采取措施处理设备异常，可以进行设备检修、更换关键部件、调整设备参数等操作，以恢复设备正常运行。

3、然而，单纯依靠阈值监控的方式存在一定的局限性。由于设备运行状态受到多种复杂因素的影响，固定阈值难以适应所有工况变化，尤其是在面对设备老化、环境变化以及偶发的非典型故障模式时，传统的阈值报警方法可能会出现误报或者漏报的情况，导致维护效率低下且无法实现精准预测。

4、随着大数据、云计算及人工智能技术的发展，机器学习已成为新一代技术的主流趋势。相较于传统阈值监控，利用机器学习算法可以从海量的历史数据和实时数据中挖掘出设备运行的内在规律与潜在关联，并建立动态模型来描述设备的健康状况。通过持续训练与优化，能够准确识别复杂的设备行为模式，实现更精细的故障诊断与预警功能。基于此，本发明提出了一种设备异常报警方法。

技术实现思路

1、为了解决现有技术中的上述问题，即为了解决现有的设备异常报警方法会出现误报或者漏报的情况，无法实现精准预警，导致维护效率低下，甚至出现生产线中断以及安全事故的问题。本发明第一方面，提出了一种设备异常报警方法，该方法包括：

2、s10，获取待监测的设备的传感器数据，作为输入数据；

3、s20，对所述输入数据进行预处理，得到预处理数据；所述预处理包括数据清洗、数据归一化操作；

4、s30，提取所述预处理数据的特征；

5、s40，将提取的特征输入预构建的状态识别模型，得到所述待监测的设备的状态；

6、s50，若所述待监测的设备的状态为异常，则自动发送报警通知；

7、其中，所述状态识别模型基于机器学习模型构建；所述状态识别模型，其训练方法为：

8、a10，确定所述状态识别模型的参数空间，并创建参数网格；

9、a20，对于所述参数网格中的每一个参数组合，通过交叉验证方法训练其对应的状态识别模型并评估性能指标；所述性能指标包括准确率、精确率、召回率；

10、a30，选取性能指标最好的参数组合，对所述状态识别模型重新进行训练。

11、在一些优选的实施方式中，训练其对应的状态识别模型，其方法为：

12、b10，获取历史传感器数据，作为训练数据，对所述训练数据进行数据增强，构建训练数据集；

13、b20，对所述训练数据进行预处理，并提取预处理后的数据的特征；

14、b30，对提取的特征进行特征筛选；所述特征筛选方法包括方差选择方法、相关系数选择方法、递归特征消除方法；

15、b40，将筛选后的特征输入所述状态识别模型，得到状态识别结果；

16、b50，基于所述状态识别结果及其对应的标签，计算损失值，进而更新所述状态识别模型的模型参数；

17、b60，循环b10-b50，直至得到训练好的状态识别模型。

18、在一些优选的实施方式中，若所述机器学习模型为支持向量机；则所述支持向量机在训练时，损失函数为：

19、；

20、其中，是权重向量，是偏置项，是第个样本的特征向量，是第个样本的标签，是惩罚系数。

21、本发明的第二方面，提出了一种设备异常报警方法，该方法包括：

22、获取待监测的设备的历史传感器数据，作为输入数据；所述历史传感器数据为基于时间序列的数据；

23、对所述输入数据进行预处理，得到预处理数据；所述预处理包括平稳性检验和差分处理；

24、确定arima模型的参数 p、 d和 q，进而拟合所述arima模型；其中，所述 d为arima模型需要的差分的阶数；所述 p为基于时间序列的数据本身的滞后数；所述 q为预测误差的滞后数；

25、将所述预处理数据输入拟合的arima模型，得到预测结果；

26、计算所述预测结果与实际观测值之间的差值，若所述差值大于设定的差值阈值，则判断所述待监测的设备的状态为异常，自动发送报警通知。

27、在一些优选的实施方式中，确定arima模型的参数 p、 d和 q，其方法为：

28、根据所述输入数据的自相关图和偏自相关图，确定arima模型的参数 p、 d和 q。

29、在一些优选的实施方式中，所述arima模型的自回归部分为：

30、

31、其中，是外部因素或指标的观测值，是对应的系数，表示常数项，表示在t时间点的误差项，表示自回归部分的参数，用来描述当前值与过去 p个时间点值之间的关系，表示时间序列数据。

32、在一些优选的实施方式中，将所述arima模型的差分部分与自回归部分相结合，得到的模型为：

33、

34、其中，表示进行 d阶差分运算，表示时间序列经过 d阶差分后的值，表示时间序列数据，表示自回归部分的参数，用来描述当前值与过去 p个时间点值之间的关系，表示常数项，表示在t时间点的误差项。

35、在一些优选的实施方式中，所述arima模型为：

36、

37、

38、其中，表示时间序列数据，表示自回归部分的参数，用来描述当前值与过去 p个时间点值之间的关系，表示常数项，表示在t时间点的误差项，表示arima模型中ma模型的参数，用来描述当前值与过去 q个时间点的误差之间的关系，表示arima模型自回归部分的参数，用来描述当前值与过去 p个时间点值之间的关系，表示误差项与过去第个误差项的协方差，表示过去第个误差项的方差。

39、本发明的第三方面，提出了一种设备异常报警方法，该方法包括以下步骤：

40、获取待监测的设备的传感器数据，作为输入数据；

41、对所述输入数据进行预处理，得到预处理数据；

42、基于所述预处理数据，获取所述待监测的设备的状态；

43、若所述待监测的设备的状态为异常，自动发送报警通知；

44、其中，基于所述预处理数据，获取所述待监测的设备的状态，其方法为：

45、提取所述预处理数据的特征；将提取的特征输入预构建的状态识别模型，得到所述待监测的设备的状态；所述状态识别模型基于机器学习模型构建；

46、或

47、确定arima模型的参数 p、 d和 q，进而拟合所述arima模型；将所述预处理数据输入拟合的arima模型，得到预测结果；计算所述预测结果与实际观测值之间的差值，获取所述待监测的设备的状态；所述 d为arima模型需要的差分的阶数；所述 p为基于时间序列的数据本身的滞后数；所述 q为预测误差的滞后数。

48、本发明的有益效果：

49、本发明实现了设备异常的精准预警，提升了维护效率。

50、本发明借助深度学习、支持向量机、随机森林等先进的机器学习算法，不仅可以识别已知的故障类型，还能有效预测未知或渐进式的设备失效模式。因此，将机器学习应用于设备异常报警不仅显著提高了设备运维的预见性和准确性，还为实现智能工厂和预防性维护提供了有力的技术支撑。