一种系统参数预警方法、系统、装置及介质与流程

1.本技术涉及与系统参数监测领域，特别是涉及一种系统参数预警方法、系统、装置及介质。


背景技术：

2.传统的电厂依靠值班员对设备的运行中各参数进行监控，当参数超过高、低限时，系统就会对值班员进行报警提示，值班员通过提示对设备进行调试处理；但对值班员来说，通过参数的变动范围，提前对设备进行调试和管理，也是至关重要的；现在的电厂一般是通过设定一个预测值，将预测值上下5％的范围作为参数变动范围的限值范围，当参数对应的值超过该限值范围时，对值班员进行预警，从而提示值班员对设备进行调试。
3.但是采用预测值的上下5％的范围作为限值范围，该限制范围一般是根据值班员的经验进行设置，缺乏理论的依据，这就导致通过上述方法对设备的参数进行监测时，会经常出现误报或漏报的情况，从而使值班员不能够根据准确的预警提示，对设备进行处理。
4.所以，如何设计一种对系统参数预警更为准确的方法，是本领域技术人员亟待解决的问题。


技术实现要素：

5.本技术的目的是提供一种系统参数预警方法、系统、装置及介质；以解决工厂内对系统参数监测预警不准确，导致误报或漏报等情况，从而使值班员并不能够及时对设备进行处理的问题。
6.为解决上述技术问题，本技术提供一种系统参数预警方法，包括：
7.获取系统参数及与系统参数对应的影响参数的实时数据；
8.根据系统参数及与系统参数对应的影响参数的历史数据获取训练数据；其中训练数据包括系统参数的预警范围数据；
9.通过实时数据修正训练数据；
10.根据实时数据与修正后的训练数据获取系统参数对应的参数健康度；
11.根据参数健康度判断是否预警。
12.优选地，根据系统参数及与系统参数对应的影响参数的历史数据获取训练数据包括：
13.对系统参数及与系统参数对应的影响参数的历史数据进行数据清洗；
14.对数据清洗后的历史数据进行归一化处理；
15.将归一化处理后的历史数据通过聚类和归类处理分为预设数量的聚类；
16.根据聚类中的历史数据获取训练数据。
17.优选地，通过实时数据修正训练数据包括：
18.对实时数据进行归一化处理；
19.通过欧式距离法从聚类中获取归一化处理后的实时数据对应的聚类；
20.根据实时数据及实时数据与聚类的距离信息对训练数据进行修正。
21.优选地，实时数据包括：系统参数的实时参数值，影响参数的实时参数值；
22.历史数据包括：系统参数的历史参数值，影响参数的历史参数值；
23.训练数据包括：模型上限、模型下限、期望值上限、期望值下限、系统参数的预期参数值。
24.优选地，根据聚类中的历史数据获取训练数据包括：
25.将系统参数的历史参数值的最大值作为模型上限；
26.将系统参数的历史参数值的最小值作为模型下限；
27.获取系统参数的历史参数值对应的均值并将均值作为系统参数的预期参数值；
28.根据系统参数的历史参数值和标准差公式获取标准差；
29.根据预期参数值和标准差和模型上限和模型下限确定期望值上限和期望值下限。
30.优选地，根据实时数据与修正后的训练数据获取系统参数对应的参数健康度包括：
31.根据实时数据与修正后的训练数据的关系选取对应的预设公式获取系统参数对应的参数健康度。
32.优选地，根据参数健康度判断是否对系统参数进行预警包括：
33.若参数健康度不小于预设值，则不预警；
34.若参数健康度小于预设值，则预警。
35.为解决上述技术问题，本技术还提供一种系统参数预警系统，包括：
36.第一获取模块，用于获取系统参数及与系统参数对应的影响参数的实时数据；
37.第二获取模块，用于根据系统参数及与系统参数对应的影响参数的历史数据获取训练数据；其中训练数据包括系统参数的预警范围数据；
38.修正模块，用于通过实时数据修正训练数据；
39.第三获取模块，用于根据实时数据与修正后的训练数据获取系统参数对应的参数健康度；
40.判断模块，用于根据参数健康度判断是否预警。
41.为解决上述技术问题，本技术还提供一种系统参数预警装置，包括存储器，用于存储计算机程序；
42.处理器，用于执行计算机程序时实现如上述的系统参数预警方法的步骤。
43.为解决上述技术问题，本技术还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述的系统参数预警方法的步骤。
44.本技术所提供的系统参数预警方法，包括：获取系统参数及系统参数对应的影响参数的实时数据；并通过上述参数的历史数据获取训练数据；该训练数据中包括系统参数预警范围数据；根据实时数据和通过其修正的训练数据获取系统参数对应的参数健康度；最后通过参数健康度判断是否预警。通过上述方法，使用实时数据修正获取的训练数据，从而使训练数据中的预警范围数据随着实时数据的变化而变化，不使用固定的范围作为预警范围，从而降低了监测时出现的误报或漏报，使对系统参数的预警更为准确。
45.本技术还提供一种系统参数预警系统、装置及介质，与上述方法对应，故具有相同
的有益效果。
附图说明
46.为了更清楚地说明本技术实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
47.图1为本技术实施例提供的一种系统参数预警方法的流程图；
48.图2为本技术实施例提供的一种系统参数的历史数据的正态分布曲线图；
49.图3为本技术实施例提供的模型训练的流程图；
50.图4为本技术实施例提供的模型使用的流程图；
51.图5为本技术实施例提供的一种系统参数预警系统的结构图；
52.图6为本技术实施例提供的一种系统参数预警装置的结构图。
具体实施方式
53.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本技术保护范围。
54.本技术的核心是提供一种系统参数预警方法、系统、装置及介质。
55.为了使本技术领域的人员更好地理解本技术方案，下面结合附图和具体实施方式对本技术作进一步的详细说明。
56.本技术的核心是提供一种系统参数预警方法，该方法主要涉及系统参数监测领域，主要应用与对工厂设备中的各种系统参数进行监测预警；主要解决当下工厂对设备中的系统参数监测采用固定的范围作为预警范围，导致出现误报或漏报的情况，进而使值班员不能够根据准确的预警提示，对设备进行及时的处理的问题。其中不对该设备具体限定，但此设备需包含有，存储器和处理器，存储器用来存储各参数产生的数据信息，处理器用于对这些信息进行处理，从而能够对值班员进行及时的预警；在本实施例中同样不具体限定存储器和处理器的型号，能够实现上述要求即可。
57.如图1所示，该方法包括如下步骤：
58.s10：获取系统参数及与系统参数对应的影响参数的实时数据。
59.其中系统参数为所需监测参数，其可以为电压、电流等，一个系统参数其值的大小可能会受到其它参数的影响，如对电压参数，其影响参数可以有滤波参数，温度参数等；当某参数其对应的影响参数过多时，可以选择几个对该参数影响较大参数最为影响参数；其中实时数据为当前设备当前产生的数据，或直接输入的检测数据，这里不做具体限定；其中该步骤即为获取系统参数和其对应影响参数对应的实时数据；如实时数据表表所示：
60.表1
61.参数x1参数x2参数x3参数y6.23.1212
62.该表中，设置一个系统参数y，其对应的影响参数为x1、x2、x3；以及各参数对应的
数值。
63.s11：根据系统参数及与系统参数对应的影响参数的历史数据获取训练数据；其中训练数据包括系统参数的预警范围数据。
64.其中根据该系统参数与其影响参数的历史数据获取到训练数据，该训练数据能够反应历史数据中系统参数的一些变化规律；其中训练数据可以但不限于包括：通过历史数据得到的该系统参数的初步预警范围数据；该初步预警范围数据，能够根据该预警范围数据进行判断是否预警，但是预警仍不够准确。其中历史数据如历史数据表表2所示：
65.表2
66.行数参数x1参数x2参数x3参数y16.53.321126.73.12.5836.62.2620
……………
10800006.54315
67.其中，设定该参数y有100多万条历史数据，需要通过这些历史数据获取到训练数据，其中的预警范围数据，具体的实现方式可以为对所有的参数y计算其平均值，同样计算出各影响参数的平均值，设定这些平均值为其预警范围数据。
68.s12：通过实时数据修正训练数据。
69.该步骤则体现通过实时数据对训练数据中的各数据进行修正，从而使实时数据与后续判断是否对系统参数进行预警产生联系，其中该步骤也体现出所获取的训练数据会随着实时数据的变化而变化，从而使预警范围更加的准确，从而使预警的准确度得到提高。其中具体如何修正，其中一种方式是通过将实时数据与获取的训练数据进行求均值，使获取的均值更为准确。
70.s13：根据实时数据与修正后的训练数据获取系统参数对应的参数健康度。
71.其中参数健康度反应该系统参数是否健康，根据该参数健康度从而判断是否需要预警。其中该参数健康度通过获取的实时数据与修正后的训练数据进行获取；其中具体的参数健康度获取方法为，判断实时数据中的参数y对应的值与修正后训练数据的值的大小关系，若参数y对应的值不在该训练数据中的预警范围内，则参数健康度低，若处于该预警范围中，则参数健康度高。
72.s14：根据参数健康度判断是否预警。
73.根据上述步骤所述，当参数健康度较高时，对该系统参数不进行预警，若参数健康度较低，则对该系统参数进行预警；其中对预警的方式不进行限定，可以为蜂鸣器或指示灯等多种方式；其中设置的预警，是指设备可能出现故障，但故障并不影响设备的运行，需要值班员进行及时的处理。若参数健康度为0，则不进行预警，而是选择报警，其中设置的报警，为该设备的系统已采取强制措施，如对设备进行强制关机，从而避免设备的损坏，其中报警的方式一般与预警方式有所不同，从而避免值班员的错误理解。
74.本实施例中提出的系统参数预警方法，使用系统参数的实时数据修正通过其历史数据获取的训练数据，从而使训练数据中的预警范围数据随着实时数据的变化而变化，不使用固定的范围作为预警范围，从而降低了监测时出现的误报或漏报，使该系统参数的预
警更为准确。
75.在上述实施例的基础上，对根据系统参数及与系统参数对应的影响参数的历史数据获取训练数据进行具体限定，该步骤包括：对系统参数及与系统参数对应的影响参数的历史数据进行数据清洗；对数据清洗后的历史数据进行归一化处理；将归一化处理后的历史数据通过聚类和归类处理分为预设数量的聚类；根据聚类中的历史数据获取训练数据。
76.考虑到直接通过历史数据的平均值获取的训练数据，其准确率不高，所以需对历史数据进行其它方式的处理；其中数据清理是指去除历史数据中一些特殊格式的数据，如空格等；而且历史数据中会存在数据丢失或重复等情况，通过数据清理，就能够解决上述出现状况；从而获取更为准确的历史数据；其中数据清理的方式可以为补全数据、丢弃数据等。
77.考虑到获取的历史数据之间不在同一量纲上，数据之间没有可比性，所以对经过数据清洗的历史数据进行归一化处理，其中较为常见的为z-score方法，其中只对影响参数的历史数据进行归一化处理，其中具体公式为：
[0078][0079]
另一公式为：
[0080][0081]
其中x表示各影响参数的历史数据，μ表示影响参数的历史数据的平均值，δ表示影响参数的历史数据的标准差，x
normalization
表示影响参数的历史数据归一化后的数据；其中xi为影响参数的第i个历史数据。
[0082]
所以上述实施例中的历史数据表中的数据对应变化为如归一化历史数据表表3所示
[0083]
表3
[0084]
行数参数x1参数x2参数x3参数y1-0.904534030.23354968-0.883541261121.50755672-0.07784989-0.56225353830.30151134-1.479147991.6867605920
……………
1079000-0.904534031.32344821-0.240965815
[0085]
其中，因为历史数据的数量过多，所以通过聚类的方法将100多万条数据分为预设数量的聚类，其中在本实施例中使用k均值聚类方法，该方法通过从数据中随机选取k个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个对象，则该聚类的中心就会根据其包含的对象进行重新计算，直到所有的历史数据都分配到聚类中，在本实施例设定k为100，通过聚类处理的影响参数的历史数据如聚类中心表表4所示：
[0086]
表4
[0087]
行数x1中心点x2中心点x3中心点1x1_c1x2_c1x3_c12x1_c2x2_c2x3_c23x1_c3x2_c3x3_c3
…………
100x1_c100x2_c100x3_c100
[0088]
归类处理即计算出每一条历史数据对应各聚类中心点的距离，其中该距离通过欧式距离法进行计算，具体公式如下：
[0089][0090]
其中x1为第一行数据中参数x1的值，其中x2为该行中参数x2的值，其中x3为该行中参数x3的值，其中x1_ci、x2_ci、x3_ci为第一行数据对应的聚类中心点的各值，d为该行数据与其聚类中心点的距离。通过上述方法计算出每一条数据对应每个聚类中心点距离，找到每一条数据与其最近的聚类中心点的距离，并对数据记录上该聚类中心点的标签；最后通过这些处理后的历史数据来获取训练数据。
[0091]
在本实施例中限定需要对历史数据进行相关处理，通过处理后的历史数据获取训练数据，从而保证获取的训练数据的准确性。
[0092]
在上述实施例的基础上，限定实时数据包括：系统参数的实时参数值y
real
，影响参数的实时参数值；历史数据包括：系统参数的历史参数值，影响参数的历史参数值；训练数据包括：模型上限h
model
、模型下限l
model
、期望值上限h
expect
、期望值下限l
expect
、系统参数的预期参数值y
expect
。
[0093]
其中实时数据与历史数据与上述表内数据对应，不进行具体描述，其中训练数据包括的模型上限和模型下限为预警的限值，即当y
real
》h
model
或y
real
《l
model
时，就要进行预警。其中期望值上限h
expect
、期望值下限l
expect
是指当y
real
处在这两值中间时，为理想状态不进行预警，其中系统参数的预期参数值y
expect
为系统参数的理想预期值。
[0094]
本实施例给出一个较优的训练数据，其中训练数据包括多个范围数据，从而对实时数据与其做比较得到的结果更加多样，从而给值班员更准确的提示。
[0095]
在上述实施例的基础上，对根据聚类中的历史数据获取训练数据进行限定，该步骤包括：将系统参数的历史参数值的最大值作为模型上限；将系统参数的历史参数值的最小值作为模型下限；获取系统参数的历史参数值对应的均值并将均值作为系统参数的预期参数值；根据系统参数的历史参数值和标准差公式获取标准差；根据预期参数值和标准差和模型上限和模型下限确定期望值上限和期望值下限。
[0096]
其中模型上下限的确定要选取极端情况，分别为系统参数其历史数据中最大值与最小值作为初始的模型上下限；其中系统参数的预期值则是根据系统参数对应的历史参数值的平均值，选取该值为预期参数值，其中期望值上下限则需要根据该系统参数的历史参数值和对应的标准差，其中标准差公式如下：
[0097]
[0098]
其中δ为所需计算的标准差，yi为第i个系统参数对应的历史参数值。μ为系统参数对应的历史参数值的平均值也为该系统参数的预期参数值，n为历史参数值的数量。
[0099]
其中期望值上下限的确定是通过，判断参数y是否符合正态分布理论(μ，σ)，其中σ即为上述求出的标准差δ，其中正态分布曲线如图2所示，若符合，可以看到(μ-2σ，μ+2σ)可以涵盖到95％的数据，所以认为，运行参数在(μ-2σ，μ+2σ)是一个理想的工作区间，而当参数y不符合正态分布时，会出现μ-2σ《l
model
或者μ+2σ》h
model
的情况；所以针对上述两种情况，对期望值上下限的确定也同样从这两方面进行考虑；
[0100]
对于期望值下限l
expect
：
[0101]
当(μ-l
model
)
×
0.1+l
model
《μ-2σ时，
[0102]
l
expect
＝μ-2σ；
[0103]
当(μ-l
model
)
×
0.1+l
model
≥μ-2σ时，
[0104]
l
expect
＝(μ-l
model
)
×
0.1+l
model
。
[0105]
对于期望值上限h
expect
：
[0106]
当(h
model-μ)
×
0.9+μ》μ+2σ时，
[0107]hexpect
＝μ+2σ；
[0108]
当(h
model-μ)
×
0.9+μ≤μ+2σ时，
[0109]hexpect
＝(h
model-μ)
×
0.9+μ。
[0110]
在本实施例中给出一种如何确定训练数据中的各数据的方式，使获取的训练数据更加准确，从而能使预警的更加准确。
[0111]
在上述实施例的基础上，限定通过实时数据修正训练数据包括：对实时数据进行归一化处理；通过欧式距离法从聚类中获取归一化处理后的实时数据对应的聚类；根据实时数据及实时数据与聚类的距离信息对训练数据进行修正。
[0112]
上述实施例中对历史数据进行相关处理，所以在本实施例中对实时数据需进行同样的相关处理，其中归一化处理和欧氏距离法这里不再进行赘述；其中实时数据对应的聚类为实时数据其整体距离最短的聚类ca，即对三个影响参数到该聚类中心点的和最小，该距离为d，x1维度的距离为d
cax1
，x2维度的距离为d
cax2
，x3维度的距离为d
cax3
；和分别距离单个参数x1最短距离的聚类为cx1，此维度的距离为d
cx1
；距离单个参数x2最短的聚类为cx2，此维度的距离为d
cx2
距离单个参数x3最短的距离为cx3，此维度的距离为d
cx3
。
[0113]
对于获取的均值μ的修正分别是从上述三个维度进行修正，如下述公式：
[0114][0115]
其中公式中的i为第几维度上的修正，μi当i为1时，则是对μ进行第一维度上的修正；其中d
caxi
对应上述的d
cax1
，d
cxi
对应上述的d
cx1
，μ
cxi
对应为cx1聚类中系统参数对应的历史参数值的平均值，μ
ca
为ca聚类中系统参数对应的历史参数值的平均值。当i等于2或3时，如上述所述，不再进行叙述。
[0116]
求出各个维度上μ的修正，这里三个维度，所以对μ的修正如下：
[0117]
[0118]
其中对于模型上限h
model
、模型下限l
model
、期望值上限h
expect
、期望值下限l
expect
采用同样的修正方法，公式如下：
[0119][0120]
其中，该公式中的i也表示第几维度上的修正，hli可以为上述提到的模型上限h
model
、模型下限l
model
、期望值上限h
expect
、期望值下限l
expect
四个参数中任意一个，等号右边中的hl
cxi
和hl
ca
与等号左边的hl对应，且对应该参数在cxi聚类和ca聚类对应的模型上下限或期望值上下限的值，其中等式左边获取到的为下式中h
model1
、l
model1
等数据；最终修正后的值分别为：
[0121][0122][0123][0124][0125]
本实施例中，限定如何使用实时数据对获取的训练数据进行修正，因为考虑到该系统参数对应的每一个影响参数对训练数据中范围数据的影响，从而使获取的修正后的训练数据更加的准确，提高了预警的准确性。
[0126]
上述实施例中没有限定一种较好的获取参数健康度的方法，作为一种优选地实施例，本实施例限定根据实时数据与修正后的训练数据的关系选取对应的预设公式获取系统参数对应的参数健康度。
[0127]
其中实时数据与修正后的训练数据的关系为大小关系，其中实时数据包括：系统参数的实时参数值y
real
；修正后的训练数据包括：修正后的模型上限h
model
、模型下限l
model
、期望值上限h
expect
、期望值下限l
expect
、系统参数的预期参数值y
expect
。
[0128]
当l
expect
≤y
real
≤h
expect
时，此时系统参数对应的值，处于训练数据中的期望值上下限之间，此时健康度healthy为满分100分；
[0129]
当l
expect
》y
real
》l
model
时，对应的公式如下：
[0130][0131]
当h
expect
《y
real
《h
model
时，对应的公式如下：
[0132][0133]
当系统参数对应的值处于期望值上下限与模型上下限之间时，此时健康度仍很健康，选取上述的公式，计算具体健康度的大小；
[0134]
当y
real
＝h
model
或y
real
＝l
model
时，即系统参数对应的值处于训练数据中的模型上下限之间，此时仍无需预警，但此时健康度healthy为90分，此时到达预警的临界点；
[0135]
其中设定当健康度为0时进行报警，其中报警对应的上下限为l0和h0。该上下限一般为系统默认设置，当处在该上下限之外时，系统已经出现故障，需对设备进行强制关机等操作；若系统并没有设置该上下限，则本实施例限定：l0＝l
model-(h
model-l
model
)和h0＝h
model
+(h
model-l
model
)；该上下限是通过选取模型上下限的一倍作为指标进行选取。
[0136]
而当l0《y
real
《l
model
时，对应的公式为：
[0137]
当h0》y
real
》h
model
时，对应的公式为：
[0138]
此时为系统参数对应的值处于报警上下限与预警限制上下限之间，此时健康度低于90分，且已触发预警。
[0139]
本实施例给出一种参数健康度的判定规则，其中以90分为限制，当参数健康度低于90分时进行预警，当参数健康度不下于90分时，不进行预警，且当参数健康度为0分时，进行报警；通过本实施例提供的判定规则，能够使值班员能够观察设备运行时健康度的变化情况；从而使值班员能够及时的发现问题。
[0140]
在上述实施例的基础上，对根据参数健康度判断是否对系统参数进行预警限定，该步骤包括：若参数健康度不小于预设值，则不预警；若参数健康度小于预设值，则预警。
[0141]
其中在上述实施例中限定该预设值为90分，当然该预设值在不同工厂内有不同标准，可以根据需求进行设定。
[0142]
本实施例给出一种预警判定规则，能够根据工厂设定的预警的预设值，来对值班员进行预警，从而提醒值班员对设备进行及时的检测。
[0143]
作为一种优选地实施例，在本实施例中，对上述处理过程，训练出一个模型，其中模型训练过程，如图3所示，s20：系统参数及其影响参数的确定；s21：采集各参数的历史数据；s22：对历史数据进行数据清理；s23：对影响参数对应的数据进行归一化处理；s24：对影响参数进行聚类；s25：对历史数据进行归类；s26：通过对系统参数进行正态分布获取训练数据。模型的使用过程，如图4所示，s30：获取实时数据；s31：对实时数据中影响参数对应的数据进行归一化处理；s32：通过欧氏距离法查找与实时数据最近的聚类；s33：获取对与每个影响参数最近的聚类；s34：通过上述聚类与实时数据的距离对训练数据进行修正；s35：利用设定的健康度评分规则和预警判断方法进行判断是否进行预警。
[0144]
其中本实施例提供的模型训练过程和模型使用的过程与上述方法相对应，故具有与上述方法实施例相同的有益效果。
[0145]
在上述实施例中，对于系统参数预警方法进行了详细描述，本技术还提供系统参数预警装置对应的实施例。需要说明的是，本技术从两个角度对装置部分的实施例进行描述，一种是基于功能模块的角度，另一种是基于硬件的角度。
[0146]
基于功能模块角度，如图5所示，本技术提供了一种系统参数预警系统对应的实施例，其中该系统包括：
[0147]
第一获取模块10，用于获取系统参数及系统参数对应的影响参数的实时数据；
[0148]
第二获取模块11，用于根据系统参数及系统参数对应的影响参数的历史数据获取训练数据；其中训练数据包括系统参数的预警范围数据；
[0149]
修正模块12，用于通过实时数据修正训练数据；
[0150]
第三获取模块13，用于根据实时数据与修正后的训练数据获取系统参数对应的参数健康度；
[0151]
判断模块14，用于根据参数健康度判断是否对系统参数进行预警。
[0152]
由于系统参数预警系统部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
[0153]
本实施例提供的系统参数预警系统，与上述方法对应，故具有与上述方法相同的有益效果。
[0154]
基于硬件角度；本实施例提供一种系统参数预警装置；如图6所示，系统参数预警装置包括：存储器20，用于存储计算机程序；
[0155]
处理器21，用于执行计算机程序时实现如上述实施例中所提到的系统参数预警方法的步骤。
[0156]
本实施例提供的系统参数预警装置可以包括但不限于智能手机、平板电脑、笔记本电脑或台式电脑等。
[0157]
其中，处理器21可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器21可以采用数字信号处理器(digital signal processor，dsp)、现场可编程门阵列(field－programmable gate array，fpga)、可编程逻辑阵列(programmable logic array，pla)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称中央处理器(central processing unit，cpu)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器21可以集成有图像处理器(graphics processing unit，gpu)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器21还可以包括人工智能(artificial intelligence，ai)处理器，该ai处理器用于处理有关机器学习的计算操作。
[0158]
存储器20可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器20还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器20至少用于存储以下计算机程序201，其中，该计算机程序被处理器21加载并执行之后，能够实现前述任一实施例公开的系统参数预警方法的相关步骤。另外，存储器20所存储的资源还可以包括操作系统202和数据203等，存储方式可以是短暂存储或者永久存储。其中，操作系统202可以包括windows、unix、linux等。数据203可以包括但不限于系统参数预警方法包含的数据等。
[0159]
在一些实施例中，系统参数预警装置还可包括有显示屏22、输入输出接口23、通信接口24、电源25以及通信总线26。
[0160]
本领域技术人员可以理解，图6中示出的结构并不构成对系统参数预警装置的限定，可以包括比图示更多或更少的组件。
[0161]
本技术实施例提供的系统参数预警装置，包括存储器和处理器，处理器在执行存储器存储的程序时，能够实现如下方法：系统参数预警方法。
[0162]
本实施例提供的系统参数预警装置，与上述方法对应，故具有与上述方法相同的有益效果。
[0163]
最后，本技术还提供一种计算机可读存储介质对应的实施例。计算机可读存储介
质上存储有计算机程序，计算机程序被处理器执行时实现如上述方法实施例中记载的步骤。
[0164]
可以理解的是，如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0165]
本实施例提供的计算机可读存储介质，与上述方法对应，故具有与上述方法相同的有益效果。
[0166]
以上对本技术所提供的系统参数预警方法、系统、装置及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以对本技术进行若干改进和修饰，这些改进和修饰也落入本技术权利要求的保护范围内。
[0167]
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

技术特征：
1.一种系统参数预警方法，其特征在于，包括：获取系统参数及与所述系统参数对应的影响参数的实时数据；根据所述系统参数及与所述系统参数对应的影响参数的历史数据获取训练数据；其中所述训练数据包括所述系统参数的预警范围数据；通过所述实时数据修正所述训练数据；根据所述实时数据与修正后的所述训练数据获取所述系统参数对应的参数健康度；根据所述参数健康度判断是否预警。2.根据权利要求1所述的系统参数预警方法，其特征在于，所述根据所述系统参数及与所述系统参数对应的影响参数的历史数据获取训练数据包括：对所述系统参数及与所述系统参数对应的影响参数的历史数据进行数据清洗；对所述数据清洗后的所述历史数据进行归一化处理；将所述归一化处理后的所述历史数据通过聚类和归类处理分为预设数量的聚类；根据所述聚类中的所述历史数据获取所述训练数据。3.根据权利要求2所述的系统参数预警方法，其特征在于，所述通过所述实时数据修正所述训练数据包括：对所述实时数据进行归一化处理；通过欧式距离法从所述聚类中获取所述归一化处理后的所述实时数据对应的聚类；根据所述实时数据及所述实时数据与所述聚类的距离信息对所述训练数据进行修正。4.根据权利要求3所述的系统参数预警方法，其特征在于，所述实时数据包括：所述系统参数的实时参数值，所述影响参数的实时参数值；所述历史数据包括：所述系统参数的历史参数值，所述影响参数的历史参数值；所述训练数据包括：模型上限、模型下限、期望值上限、期望值下限、所述系统参数的预期参数值。5.根据权利要求4所述的系统参数预警方法，其特征在于，所述根据所述聚类中的所述历史数据获取所述训练数据包括：将所述系统参数的历史参数值的最大值作为所述模型上限；将所述系统参数的历史参数值的最小值作为所述模型下限；获取所述系统参数的历史参数值对应的均值并将所述均值作为所述系统参数的预期参数值；根据所述系统参数的历史参数值和标准差公式获取标准差；根据所述预期参数值和所述标准差和所述模型上限和所述模型下限确定所述期望值上限和所述期望值下限。6.根据权利要求5所述的系统参数预警方法，其特征在于，所述根据所述实时数据与修正后的所述训练数据获取所述系统参数对应的参数健康度包括：根据所述实时数据与修正后的所述训练数据的关系选取对应的预设公式获取所述系统参数对应的参数健康度。7.根据权利要求1至6任一项所述的系统参数预警方法，其特征在于，所述根据所述参数健康度判断是否对所述系统参数进行预警包括：若所述参数健康度不小于预设值，则不预警；
若所述参数健康度小于所述预设值，则预警。8.一种系统参数预警系统，其特征在于，包括：第一获取模块，用于获取系统参数及与所述系统参数对应的影响参数的实时数据；第二获取模块，用于根据所述系统参数及与所述系统参数对应的影响参数的历史数据获取训练数据；其中所述训练数据包括所述系统参数的预警范围数据；修正模块，用于通过所述实时数据修正所述训练数据；第三获取模块，用于根据所述实时数据与修正后的所述训练数据获取所述系统参数对应的参数健康度；判断模块，用于根据所述参数健康度判断是否预警。9.一种系统参数预警装置，其特征在于，包括存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述的系统参数预警方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的系统参数预警方法的步骤。

技术总结
本申请公开了一种系统参数预警方法、系统、装置及介质、主要涉及系统参数监测领域，该方法包括：获取系统参数及其对应的影响参数的实时数据；并通过上述参数的历史数据获取训练数据；该训练数据中包括系统参数预警范围数据；根据实时数据和通过其修正的训练数据获取系统参数对应的参数健康度，根据此参数健康度判断是否预警。通过上述方法，使用实时数据修正获取的训练数据，从而使训练数据中的预警范围数据根据实时数据的变化而变化，避免使用固定的范围作为预警范围，从而降低了监测时出现的误报或漏报，使预警更为准确。其中提到的系统参数预警系统、装置及介质与上述方法对应，具有相同的有益效果。具有相同的有益效果。具有相同的有益效果。


技术研发人员：李戎 李杰 孙继超 马超 马欣
受保护的技术使用者：杭州和利时自动化有限公司
技术研发日：2022.10.24
技术公布日：2023/1/6