[发明专利]在线异常的监测诊断方法和系统

说明书

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。

技术领域

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

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。

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。

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。

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。

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，找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

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。

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。