用于选择用于设备操作安全的可控参数的系统和方法与流程

本公开涉及设备操作安全领域，并且更具体地涉及一种用于选择用于设备操作安全的可控参数的系统和方法。

背景技术：

设备安全对于工厂操作是很重要的。生产过程中的设备故障可能是代价非常高的。制造商安全参数设置主要针对新设备，并且在设备开始老化时可能不再适合于该设备。然而，传统方法主要关注故障预测。传统方法不支持参数调节以便在设备处于各种危险情况下帮助减少设备故障。因此，存在需要为了选择用于设备操作安全的可控参数来调节参数设置以便安全地操作工厂设备的技术问题亟待解决。

技术实现要素：

本公开的示例提供了至少一种用于选择用于设备操作安全的可控参数的系统和方法。

在一个实施例中，本公开提供了一种用于选择用于设备操作安全的可控参数的系统，该系统可以包括存储器、显示器、通信接口以及与存储器、通信接口和显示器通信的电路。该电路可以被配置为：识别用于设备操作安全的关键安全监测指标(ksmi)并且收集可以与ksmi相关联的设备的可控参数的历史记录，并且根据第一回归来选择与ksmi具有高于用户可选阈值的相关性的可控参数的第一子集。

该电路还可以被配置为通过使用第二回归来从可控参数的第一子集中选择可控参数的第二子集，以预测ksmi，其中第二子集具有的可控参数的数目可以少于第一子集中的可控参数的数目同时保持用于预测ksmi的预定准确度水平，并且第二回归的残差可以被确定，并且残差的趋势可以通过使用基于频率的划分来预测。

该电路可以针对可控参数的第二子集的值的组合，来预测对于未来时间的设备操作安全，针对可控参数的第二子集中的每个可控参数确定安全范围，其中当可控参数在安全范围内时实现设备操作安全，根据确定的安全范围传输将针对设备操作安全而设置的可控参数。

在另一实施例中，本公开提供了一种方法，该方法可以包括识别用于设备操作安全的关键安全监测指标(ksmi)，并且收集可以与ksmi相关联的设备的可控参数的历史记录，根据第一回归选择可以与ksmi具有高于用户可选阈值的相关性的可控参数的第一子集。

该方法还可以包括通过使用第二回归从可控参数的第一子集中选择可控参数的第二子集，以来预测ksmi，其中第二子集可以具有的可控参数的数目可以少于第一子集中的可控参数的数目同时保持用于预测ksmi的预定准确度水平，并且第二回归的残差可以被确定，并且残差的趋势可以通过使用基于频率的划分来预测。

该方法可以包括针对可控参数的第二子集的值的组合，预测对于未来时间的设备操作安全，针对可控参数的第二子集中的每个可控参数确定安全范围，其中当可控参数在安全范围内时可以实现设备操作安全，并且根据确定的安全范围传输将针对设备操作安全而设置的可控参数。

在该方法的附加示例中，本公开提供了一种方法，该方法可以包括识别用于设备操作安全的关键安全监测指标(ksmi)并且收集可以与ksmi相关联的设备可控参数的历史记录，其中ksmi可以反映设备操作安全并且可以由制造商提供，并且根据第一回归选择可以与ksmi具有高于用户可选阈值的相关性的可控参数的第一子集，其中可控参数的第一子集可以根据每个可控参数对ksmi的重要性来选择，并且用户可选阈值可以衡量重要性。

该方法可以包括通过使用第二回归来从可控参数的第一子集中选择可控参数的第二子集，以预测ksmi，其中第二子集可以具有的可控参数的数目可以少于第一子集中的可控参数的数目的多个可控参数同时保持用于预测ksmi的预定准确度水平，并且第二回归的残差可以通过从实际ksmi中减去预测的ksmi的期望值来确定，该实际ksmi从收集的历史记录中导出，并且残差的趋势可以通过下述操作来预测：根据基于频率的划分将原始序列分解成多个级别并且使用信号重构将每个频率分量重建为时域中的序列分量，以及预测每个序列分量并且将结果求和以作为原始序列的预测。

该方法可以包括针对可控参数的第二子集的值的组合，预测对于未来时间的设备操作安全，针对可控参数的第二子集中的每个可控参数确定安全范围，其中当可控参数处于安全范围内时可以实现设备操作安全，并且其中对于未来时间的设备操作安全可以由安全概率来反映，该安全概率可以针对可控参数的第二子集的每个组合而被计算，并且安全范围可以通过选择在安全概率满足预定要求时的可控参数的第二子集的组合来确定，以及传输将针对设备操作安全而设置的可控参数，并且根据确定的安全范围来调节ksmi的可控参数以实现设备操作安全。

附图说明

参考以下附图和描述可以更好地理解这个系统和/或方法。参考以下附图来描述非限制性和非穷尽性描述。图中的组件不一定是按比例绘制的，而是将重点放在说明原理上。在附图中，除非另有说明，否则相同的附图标记在整个不同附图中可以指代相同的部分。

图1示出了图示用于设备操作安全的可控参数选择系统的示例系统图。

图2示出了用于选择用于设备操作安全的可控参数的逻辑的示例。

图3示出了设备操作以及关键安全监测指标(ksmi)和可控参数的示例。

图4示出了用于选择用于设备操作安全的可控参数的解决方案框架。

图5示出了用于数据准备的逻辑的示例。

图6示出了用于回归过程的逻辑的示例。

图7示出了用于ksmi偏差分析&预测的逻辑的示例。

图8示出了用于ksmi的偏差的分位数-分位数(qq)图的示例。

图9示出了基于频率分量的分析的示例。

图10示出了用于均值序列的分解和预测过程。

图11示出了小波-arima(wavelet-arima)预测模型与支持向量机(svm)、bp-nnet和自回归积分移动平均(arima)的通用酉预测模型之间的预测结果的比较。

图12示出了用于计算安全概率的逻辑的示例。

图13示出了用于选择参数的安全操作范围的逻辑的示例。

图14示出了空气量和入口压力的安全域。

图15示出了用于评估安全参数范围的逻辑的示例。

图16示出了可以用于选择用于设备操作安全的可控参数的计算机系统的示例。

具体实施方式

对于工厂而言，在生产过程中保持设备安全并且避免故障是很重要的。因此，提高实时或短期设备安全的有效决策支持可能是必要的。但是，制造商的默认设备安全设置可能并不合适。制造商的默认安全设置可能主要针对在额定生产条件下的新设备，并且在设备老化或处于非额定条件下时可能不再适合于该设备。

传统分析方法可能并不有效。例如，传统分析方法可能需要深厚的专业知识，并且其建模要求可能是实现的一大障碍。而且，传统的数据驱动方法可能依赖于大型样本记录。另外，传统方法可能主要集中在故障预测上，而且传统方法可能无法提供关于如何调节适当的参数的决策支持，以便在设备处于高故障风险情况时帮助减少设备故障或设备故障的可能性。传统方法可能只关心设备本身的参数。传统方法可能并不包括可能影响设备短期安全性和可靠性的其他设备和过程的参数。

本公开公开了一种新的系统和方法，其可以有效地提供设备本身和相关设备/过程的适当的参数设置范围，从而有助于以较小的建模复杂性和可接受的计算准确度，来减少设备的短期故障风险。设备参数可以根据设备的推荐的参数设置范围来设置和调节。

图1示出了描绘用于设备操作安全100的可控参数选择系统的示例系统图。如图1所示，可控参数选择系统101可以包括存储器106、显示电路107、通信接口103和可控参数选择电路105，显示电路107可以包括具有用户界面107b的用户显示设备107a。

根据图1，可控参数选择电路105可以包括程序指令1051和一个或多个中央处理单元(cpu)104，并且可以与存储器106、通信接口103、显示电路107、收集历史记录数据库102通信，收集历史记录数据库102可以存储可通过网络120从远程存储的历史数据中读取的数据。可控参数选择电路105还可以与设备控制系统130通信，设备控制系统130可以控制设备1301的参数设置。

存储器106可以存储数据，可以包括关键安全监测指标(ksmi)1061、可控参数的第一子集1062、可控参数的第二子集1063、残差1064、针对参数组合的设备操作安全性1065、用于可控参数的一个或多个安全范围1066、以及用户可选阈值1067。可控参数选择电路105可以通过执行程序指令1051以引起cpu104识别用于设备操作安全的关键安全监测指标(ksmi)1061并且收集可以与ksmi1061相关联的设备的可控参数的历史记录来配置。可控参数选择电路105可以通过网络120从远程存储的历史数据1021收集历史记录，并且可以将收集的历史记录存储在收集历史记录数据库102中。

可控参数选择电路105还可以引起cpu104根据第一回归来选择可控参数的第一子集1062，所述可控参数的第一子集1062与ksmi1061的相关性的值可以高于用户可选阈值1067。用户可选阈值1067可以从用户界面107b获取。用户可选阈值1067也可以是一个或多个预定值。可控参数选择电路105还可以引起cpu104通过使用第二回归从可控参数的第一子集1062中选择可控参数的第二子集1063以来预测ksmi1061，其中第二子集可以具有的可控参数的数目可以少于第一子集中的可控参数的数目同时保持用于预测ksmi的预定准确度水平，并且第二回归的残差1064被确定，并且残差的趋势通过使用基于频率的划分来预测。

通常，当使用更多可控参数时，可以更准确地预测ksmi。然而，为了通过避免有太多参数需要控制来保持ksmi预测简单化并且保持安全操作可适用，可以从可控参数的第一子集中选择较少可控参数来形成可控参数的第二子集。即使如此，当使用较少数目的可控参数时，仍然可以要求用于ksmi预测的特定准确度水平。因此，可以设置用于选择可控参数的第二子集的用户可选阈值或预定准确度水平，以确保当使用较少数目的可控参数时实现特定准确度水平。

可控参数选择电路105可以引起cpu104针对可控参数的第二子集1065的值的组合，来预测对于未来时间的设备操作安全，针对可控参数的第二子集中的每个可控参数确定安全范围1066，其中在可控参数在安全范围内时可以实现设备操作安全。可控参数选择电路105可以引起cpu104根据确定的安全范围1066传输要为设备操作安全而设置的可控参数。

图1所示的ksmi1061可以用于反映设备操作安全并且可以由制造商提供。可控参数的第一子集1062可以基于每个参数对ksmi1061的重要性来选择，并且用户可选阈值1067可以衡量该重要性。第一回归可以包括随机森林算法。

图1所示的残差1064可以通过从实际ksmi中减去预测的ksmi的期望值来确定，该实际ksmi从可以存储在收集历史记录数据库102中的收集的历史记录中导出。残差1064的趋势可以通过下述的操作来预测：根据基于频率的划分而将原始序列分解成多个级别并且使用信号重构来将每个频率分量重建为时域中的序列分量，以及预测每个序列分量并且将结果求和以作为原始序列的预测。

对于未来时间的设备操作安全可以由安全概率来反映，该安全概率可以针对可控参数的第二子集的每个组合来计算。安全范围1066可以通过选择当安全概率满足预定要求时的可控参数的第二子集1065的组合来确定。该预定要求可以是预定概率，例如95％。

图1中的可控参数选择电路105还可以引起cpu104预测针对ksmi的可控参数的多个集合，并且通过针对ksmi的可控参数的每个集合确定预测的安全范围，来评估可控参数的每个集合。图1中的可控参数选择电路105还可以引起cpu104根据确定的安全范围来调节ksmi的可控参数以实现设备操作安全。

图2示出了用于选择用于设备操作安全200的可控参数的逻辑的示例。逻辑200可以包括识别用于设备操作安全的关键安全监测指标(ksmi)并且收集可以与ksmi相关联的设备的可控参数的历史记录210，根据第一回归来选择可以与ksmi具有高于用户可选阈值的相关性的可控参数的第一子集220。

逻辑200可以包括通过使用第二回归来从可控参数的第一子集中选择可控参数的第二子集，以预测ksmi，其中第二子集可以具有的可控参数的数目可以少于第一子集中的可控参数的数目同时保持用于预测ksmi的预定准确度水平，并且第二回归的残差可以被确定，并且残差的趋势可以通过使用基于频率的划分230来预测。

逻辑200可以包括针对可控参数的第二子集240的值的组合，预测对于未来时间的设备操作安全，以及针对可控参数的第二子集中的每个可控参数确定安全范围，其中当可控参数在安全范围250内时可以实现设备操作安全性。逻辑200还可以包括根据确定的安全范围传输将为设备操作安全而设置的可控参数。逻辑200可以包括预测针对ksmi的可控参数的多个集合，并且通过针对ksmi的可控参数的每个集合确定预测的安全范围，来评估可控参数的每个集合260。逻辑200可以包括根据确定的安全范围来调节ksmi的可控参数，以实现设备操作安全。

在逻辑200中识别的ksmi可以用于反映设备操作安全并且可以由制造商提供。可由逻辑200选择的可控参数的第一子集可以基于每个参数对ksmi的重要性，并且逻辑200中使用的用户可选阈值可以衡量该重要性。

在逻辑200中进行的第一回归可以包括随机森林算法。可以在逻辑200中确定的残差可以通过从实际ksmi中减去预测的ksmi的期望值来确定，实际ksmi从收集的历史记录中导出。残差的趋势可以通过下述操作来预测：根据基于频率的划分将原始序列分解成多个级别并且使用信号重构将每个频率分量重建为时域中的序列分量，以及预测每个序列分量并且将结果求和以作为原始序列的预测。

对于未来时间的设备操作安全可以由安全概率来反映，该安全概率可以针对可在逻辑200中选择的可控参数的第二子集的每个组合来计算。可以在逻辑200中确定的安全范围200可以通过选择在安全概率满足可以是例如95％的预定概率的预定要求时的可控参数的第二子集的组合来确定。

逻辑200还可以包括根据确定的安全范围来调节ksmi的可控参数，以实现设备操作安全。

图3示出了设备操作以及关键安全监测指标(ksmi)和可控参数300的示例。炼油中的反应再生系统的av45轴系子系统可以被用作图3中的示例。如图3所示，轴系子系统包含主鼓风机(mab)310和电动机350以及燃气轮机(gt)360。主鼓风机310的安全操作可能受到各种因素的影响。可能影响图3中的mab310的安全操作的因素可以包括轴振动320、空气量、入口压力340、键合阶段372、出口压力374、转速378以及电压和电流376。

图4示出了用于选择用于设备操作安全400的可控参数的解决方案框架。图4示出了用于在不同的可控参数设置下预测设备故障可能性并且然后基于此来推荐适当的参数设置范围以确保更好的设备短期操作安全的各种步骤。如图4所示，解决方案框架可以包括数据准备410、在ksmi与其他参数420之间的回归分析、ksmi偏差分析&预测430、安全概率预测440、参数设置推荐450和模型评估460。

在数据准备410中，可以选择关键安全监测指标(ksmi)，并且可以收集可以与ksmi相关联的短期历史记录(例如，几天)。设备的安全状况可以由一些关键安全监测指标来反映，诸如车轴振动、温度等。当指标值超过警告值时，设备可能处于危险中。在数据准备410期间，还可以收集设备的操作可控参数以及相关的其他设备和过程数据的短期历史记录。诸如数据清理等数据预处理也可以在数据准备410中进行。

在ksmi与其他参数420之间的回归分析中，可以分析每个参数对设备安全的重要性，并且可以识别具有高重要性的可控参数。此外，可以建立在重要参数与ksmi之间的回归模型，并且可以认为这种模型在短期内(例如，几天)是相对稳定的。

在ksmi偏差分析&预测430中，可以经由回归模型获取历史记录的ksmi的期望值，并且可以计算ksmi的期望值与实际值之间的偏差。偏差可以反映由随机因素造成的波动。可以进行按日进行分组的偏差数据的正态分布测试。可以计算按日进行分组的偏差数据的均值&标准偏差，并且可以获取均值&标准偏差的时间序列。另外，可以预测均值&标准偏差序列的趋势。

在安全概率预测440中，可以设置每个预留的操作参数的主要值范围，并且可以生成主要参数设置集合。对于每个主要设置集合，可以计算ksmi的期望值，并且可以获取根据期望值和警告阈值的预测的偏差的操作余量，并且基于此，可以计算安全概率。

在参数设置推荐450中，可以选择符合安全要求的设置集合。可以确定参数的安全范围，并且如果存在多个ksmi，则对于每个ksmi，可以重复这个过程，并且可以组合可接受的设置集合，以确定作为最终结果的安全范围。

而且，在模型评估460中，可以通过安全操作模型针对历史记录的每天来预测安全参数范围。对于每个预测，如果设备在现实中安全工作，则真实参数集合属于预测的安全参数范围，或者如果设备在现实中处于危险中，并且实际参数集不属于预测的安全参数范围，则该预测可以被确定为正确。

图5示出了用于数据准备500的逻辑的示例。如图5所示，数据准备可以包括监测指标选择510、代表性操作参数选择520、历史记录收集530和数据预处理540。在监测指标选择510中，可以选择关键安全监测指标以反映安全状态。关键安全监测指标通常由制造商给出。当指标的值超过警告阈值时，设备可以被视为有风险。

在代表性操作参数选择520中，可以尽可能多地收集操作参数以用于稍后的后续分析。操作参数可以包括设备本身以及相关的过程和其他设备的可控参数。然而，这些参数中的一些可以彼此相关或者甚至是共线的(co-liner)。那些选择的代表性参数可以彼此独立以降低维度和计算复杂度。可以执行参数之间的相关分析或聚类分析。对于那些高度共线的参数，可以选择易于适应的一个参数来作为代表以确保独立性。如果多个参数可以被一个参数替代，则只能选择一个代表。

历史记录收集530可以收集所选择的参数和指标的历史记录。例如，可以提供27天的历史记录，并且前24天的历史记录可以用作训练集合来训练模型，并且最近3天的记录可以用作测试集合。可以形成数据预处理540以用于对所选择的数据进行预处理，以便用于后续分析，诸如数据清理、归一化等。

如图3所示，可以对炼油中的反应再生系统的av45轴系子系统进行数据准备。例如，在监测指标选择期间，可以监测轴振动320以评估转子设备的安全状态。可以选择径向轴振动320作为关键安全监测指标(ksmi)。在代表性参数选择期间，可以选择各种参数，可以包括mab310本身的参数(诸如入口压力340、出口压力374、空气量330)和其他相关设备的参数(诸如转速378、输入电压、电流和功率因数376)、以及燃气轮机360的键合阶段372。入口压力340和出口压力374可以是高度共线的，并且因此仅入口压力340可以得到保留。输入电压、电流和功率因数d376可以直接影响转速378，因此只能选择转速378。

在历史记录集合中，可以导出来自数据库的指标和所选择的参数的记录。表1示出了这些所选择的参数的历史记录的示例。

表2示出了在对表1中的历史记录进行数据处理之后的经处理数据的示例。在表1中，对于每个列，当可以每10分钟对参数进行监测时，每个参数每天可以有143个数据点。因此，为了避免由于不同大小而造成在后续建模中的较大误差，可以将所有列转换为相同的大小水平，如表2所示。

图6示出了用于回归过程600的逻辑的示例。分析模型可以是用于描述ksmi的公式和所选择的参数的准确模型。ksmi的期望值可以经由分析公式和参数的值来计算。然而，在实践中，建立复杂非线性系统的分析模型可能是很困难的。因此，可以使用数据驱动方法对指标和经预处理的参数进行拟合处理以选择对于ksmi最重要的参数，并且建立回归模型以得到不同操作条件下的指标的期望值。如图6所示，回归模型可以包括回归过程610、参数过滤620、回归重建630和获取期望值640。

在回归过程610中，当采用线性回归方法时，对于非线性系统可能存在较大误差。随机森林算法可以在机器学习中用于进行非线性拟合。因此，可以获取ksmi与参数之间的回归关系、以及每个参数对于指标而言的重要性。至于参数过滤620，具有低重要性的参数可以表示这些参数可能对指标没有大影响。这些参数于是可以被滤除，并且只有那些具有高于用户可选阈值的重要性的参数可以被保持，以降低尺寸并且简化模型，并且此外以避免由不相关参数引起的干扰。

在回归重建630中，可以对保留的参数和指标进行非线性拟合以重新生成回归模型。如果新模型的均方误差(mse)明显大于原始模型的均方误差(mse)，则可以再次恢复一些被移除的参数，并且可以重复上述步骤，直到新模型的mse并未著较大。为了获取期望值640，可以保留可能主要影响ksmi的参数，并且可以建立回归模型。模型可以被认为在短期内是稳定的。ksmi的期望值可以经由模型和保留的参数的值来获取，如公式1所示。

yexpect＝f(x1,x2….xi)---------------------公式1

在公式1中，yexpect是ksmi的期望值，f表示回归模型，xi是第i保留参数。

作为示例，回归过程可以使用随机森林算法，以基于训练集合的数据进行非线性回归。例如，所有树的mse可以是203.56。对于参数滤波，由随机森林计算的每个参数的重要性可以列于表2中。如表2所示，入口压力和空气量具有显著的重要性。因此，突出显示的入口压力和空气量可以被保留，并且其余参数可以被移除。

在选择入口压力和空气量之后，可以重建回归模型。在重建回归模型之后，新模型的mse可以是228.308。新模型的mse可能并不比原始模型大得多。因此，该过滤可以被认为是合理的。最后，一旦设定了空气量和进口压力，轴振动的期望值可以经由经过训练的随机森林回归模型来获取。

图7示出了用于ksmi偏差分析&预测700的逻辑的示例。ksmi偏差可以是ksmi的期望值与实际值之间的差异。在传统的分析方法中，可以表示设备本身的诸如老化和一些随机因素(噪声)等变化的偏差可以用于判断设备是否可控，并且可以用于评估其健康状态。因此，可以分析和预测在短时间未来内的偏差分布的趋势，从而通过结合先前获取的回归模型来辅助ksmi值的估计。

如图7所示，可以计算710偏差。对于训练集合中的数据点，偏差可以是随机森林回归模型的残差。而对于测试集合中的数据点，可以首先经由模型和该点的参数值，来计算每个点的期望指标值，然后可以通过从实际指标值中减去期望部分来计算偏差，如公式2所示。

yresidual＝yactual–yexpect-----------------公式2

在公式2中，yresidual是ksmi的期望值与实际值之间的偏差，yactual是实际值，yexpect是期望值。

可以进行正态曲线测试720。正态曲线测试可以检查每天的偏差数据是否呈正态分布。如果不是，则可以重新选择回归方法，或者可以调节随机森林算法的参数，直到大多数日子的数据均是正态分布的。之后，可以计算ksmi的均值和标准偏差(std)序列730。偏差水平可以通过使用均值&标准偏差来描述。可以计算每天的均值&标准偏差，以生成均值&标准偏差序列。

最终可以进行ksmi偏差预测740。由于均值&标准偏差序列可能不稳定，因此在预测趋势时，诸如svm、神经网络算法或arima等单一预测方法可能并不准确。因此，可以开发一种全面的wavelet-arima方法。根据wavelet-arima方法，原始序列可以进行多级分解，并且信号重构可以用于将每个频率分量重建为时域中的序列分量。然后，arima可以用于预测每个序列的分量，并且将结果求和以作为原始序列的预测。

例如，可以针对训练集合中的数据点(在样本的前24天内)进行偏差计算710。偏差可以是随机森林的残差。对于测试集合的偏差(在样本的剩余3天内)，可以将偏差计算为ksmi期望值与实际值的差值。正态曲线测试720可以通过使用qq图检查训练集合的每一天的偏差来进行。

图8示出了ksmi800的偏差的qq图的示例。如图8所示，如果大多数点靠近实线810并且在两条虚线820之间，则可以认为它是正态分布的。可以看出的是，除了第二天的分布830之外，大多数日子的数据均可以是正态分布的。因此，如果一天的ksmi偏差的均值&标准偏差是已知的，则可以确定偏差的分布。因此，可以通过使用前24天的数据作为训练集合并且使用最后3天的数据作为测试集合，来计算730每天的均值&标准偏差。

图9示出了基于频率分量的分析900的示例。如图9所示，可以将分解级别设置为三(3)，并且因此可以获取三(3)个高频分量910和一(1)个低频分量920。然而，也可以获取不同级别的分解，诸如三个低频分量和一个高频分量，或者三个高频分量和三个低频分量。常见类型的小波包括symlets、morlet、haar、daubechies等。例如，可以选择daubechies家族中的db8。作为图9所示的示例框架，可以分解具有3个水平的db8小波的均值序列，并且可以经由信号重构950将3个高频910和1个低频分量920重建为时域中的序列分量，并且arima930可以用于预测四个序列分量中的每个。最后，可以将序列分量的结果求和以作为最终预测结果940。图10示出了均值序列1000的分解和预测过程。如图10所示，预测结果的曲线1010非常好地匹配实际结果。通过使用与均值序列相同的过程，可以类似地处理std序列。std序列的预测结果也可以与实际结果非常匹配。

图11示出了wavelet-arima预测模型与诸如svm、bp-nnet和arima等通用酉预测模型之间的预测结果的比较1100。如图11所示，wavelet-arima1102的预测效果明显优于svm1104、bp-nnet1106和arima1108的预测效果。wavelet-arima可以将不稳定的原始序列分解成稳定的序列分量，并且从而提高预测准确度。

图12示出了用于计算安全概率1200的逻辑的示例1200。对于不久的将来的多天，可以生成参数设置集合的候选，并且可以基于预测的均值和std为每个设置集合计算相应的期望值、允许的余量和安全概率。如图12所示，可以生成参数设置集合1210。在实际操作中，参数可能不会剧烈变化。对于每个保留参数，可以由制造商设置或主要提供的值范围为[min-3*std，max+3*std](min、max和std可以由每个参数的历史记录来计算)。可以选择在值范围内的100个等距点。因此，如果保留参数的数目是n，则可以生成100^n个设置集合。另外，每个参数的设置点范围和数量可以根据操作要求(如存在)、调节难度和操作能力的限制而进行调节，如以下公式中所示。

xi∈[ximin,ximax]

ximin＝min(xi_his)-3*std(xi_his)

ximax＝max(xi_his)+3*std(xi_his)

在上面的公式中，xi是第i参数，xi_his是xi的历史记录集合。

可以进行期望值计算1220。对于每个参数设置集合，ksmi的期望值可以经由经过训练的随机森林回归模型来获取。期望值可以取决于所选择的参数设置集合，如下面的公式所示。

yexpect＝f(x1、x2….xi)

在以上公式中，yexpect是ksmi的期望值，f表示回归模型，xi是保留参数。

可以进行许可余量计算1230。ksmi的值可以包括期望部分和偏差部分。对于每个参数设置集合，一旦确定期望部分，偏差部分的余量可以通过以下公式来计算：

yshift＝ylim-yexpect

在这个公式中，yexpect是指标的期望值，yshift是许可余量，ylim是指标的安全限制值。

如此，可以获取安全概率。由于针对短期未来的偏差的均值和std可以已经被预测，并且它们可以遵循正态分布，所以可以使用典型的正态概率密度函数来计算哪个偏差部分可以不超过其100^n个参数设置集合中的每个的许可余量的概率。通过使用以下公式，可以将所计算的概率视为安全概率：

作为示例，可以针对包括空气量和入口压力在内的保留参数生成参数设置集合1210。例如，可以针对两个参数生成10000个设置集合。表4示出了生成的参数设置集合。

对于每个设置集合，可以经由经过训练的随机森林模型来获取轴振动的期望值，如表5所示。

也可以针对每个设置集合计算ksmi偏差的许可余量，如表6中所示。在表6中，ksmi的安全阈值可以是24天的振动记录的最大值加上当设备安全操作时的24天的振动记录的标准偏差的3倍。另外，在实际操作中，安全阈值也可以根据经验或规则或制造商手册来确定。这样，可以计算每个设置集合在不久的将来的安全概率，如表7所示。

图13示出了用于选择参数1300的安全操作范围的逻辑的示例。由于已经计算了每个设置集合的安全概率，因此可以选择在短时间将来符合安全要求的那些设置集合。也可以获取参数的安全范围。如图13所示，用于选择参数的安全操作范围的逻辑可以包括安全要求设置1310、安全设置集合选择1320、安全范围生成1330和设备控制器参数调节1340。

可以确定安全要求设置1310。可以定义ksmi的可接受的安全可能性作为安全要求。不同种类的机器或监测指标具有不同的安全要求，其不应当太高或太低。根据设备的重要性，95％或99％可以是不错的选择。

可以选择设置集合1320。在所有设置集合中，可以选择在短时间将来符合安全要求的设置集合。由于这些设置可以是离散的，但是通常可能很难在特定值下控制所有参数，因此每个设置点可以被视为是每个参数在设置与先前设置之间的连续间隔。

可以进行安全范围生成1330。可以组合设置集合(间隔)以获取最终的安全范围。安全范围可以提供可以有助于安全操作的参数范围。如果保留参数的数目较少，则可以在选择设置集合1320时通过合并所选择的设置集合来直接确定安全范围。否则，可以依次固定一些参数并且可以生成其他参数的设置集合，并且可以重复以上步骤以确定其余参数的安全范围。另外，当可以有多个ksmi时，可以针对每个ksmi重复整个过程，并且可以整合它们各自的参数安全设置。在获取参数的安全操作范围之后，可以调节1340设备可控参数。

可以将未来的第三天(第二十七天)作为示例。对于安全要求，安全要求可以设置为0.95，这表示轴振动超过安全阈值的概率不应当大于0.05。之后，可以选择安全概率符合要求的参数设置集合。表8突出显示了安全概率满足要求的参数设置集合。

图14示出了空气量和入口压力1400的安全范围。如图4所示，当合并所选择的设置集合时，可以获取空气量和入口压力1410的安全范围。

图15示出了用于评估安全参数范围1500的逻辑的示例。训练误差可以是训练样本上的平均损失。训练错误可以用来评估短期安全推荐方法的性能。当训练误差相对较低时，模型可以被认为是较好的。如图15所示，模型评估可以包括训练集合生成1510、ksmi偏差预测1520、安全参数范围计算1530、实际值和预测值比较1540以及训练误差计算1550。

可以基于历史记录来生成一系列训练集合和相应的测试集合。七(7)个连续日的观察可以用作训练集合，并且下一天的观察可以用作测试集合。可以在所有历史记录上重复这个过程，以产生(n-7)个训练集合和相应的测试集合(其中n是原始样本中的天数)。

可以预测ksmi偏差的均值和标准偏差。对于每个训练集合和测试集合，可以在训练集合上使用综合的wavelet-arima方法来模拟ksmi偏差的趋势，并且然后可以针对测试集合预测ksim偏差的均值和标准偏差。

可以计算测试集合的安全参数范围。对于测试集合，可以生成参数设置集合的候选，并且可以基于预测的ksmi偏差的均值和标准偏差，为每个设置集合计算相应的期望值、许可余量和安全概率。可以组合设置集合(间隔)以获取最终的安全范围。安全范围可以提供有助于安全操作的许可参数范围。

可以比较真实值和预测值。对于测试集合，如果设备在现实中安全工作，并且其实际参数集合在建议的安全参数范围内，或者如果设备在现实中处于危险中并且其实际参数集合不属于预测的安全参数范围，则可以假定该预测是正确的，否则该预测可以被认为是错误的。

可以计算训练误差。训练错误可以是针对所有测试集合的平均损失。如果训练误差相对较低，则模型可以被认为是较好的，否则，模型可能需要改进。

可以提供针对一个特定的训练和测试集合的示例。首先，可以预测ksmi偏差的均值和标准偏差。根据历史记录的第1天至第7天期间的ksmi偏差的观测结果，第8天ksmi偏差的预测的均值和标准偏差可以是-9.2和9.4。其次，可以计算测试集合的安全参数范围。对于第8天的历史记录，可以获取安全参数范围1410，并且还可以获取危险范围1420。

最后，可以比较测试集合的真实值和预测值。对于第8天的所有143个观测值，所有观测值中的95％属于预测的安全参数范围，并且其余5％的观测值不属于预测的安全参数范围。由于设备在现实中在第8天安全工作，则第8天的训练误差为5％。

与当前流行的安全分析方法不同，上面公开的方法可能并没有简单地预测设备故障可能性，而是分析不同参数设置下的故障可能性，并且推荐了更合适的参数设置范围，以获得更好的安全性。这种公开的方法还使用wavelets-arima混合方法来进行设备安全分析，以提高预测准确度。

图16示出了可以用于选择用于设备操作安全的可控参数的计算机系统1600的示例。参考图16，示出了计算系统的说明性实施例，该计算机系统可以用于由图1-2中的方法和系统所示的或在任何其他系统中的、被配置为执行本文中的本公开中讨论的方法的一个或多个的组件，并且该计算机系统被指定为1600。尽管计算机系统1600在图16中被示出为包括如图所示的所有组件，但是在本创造的范围内，与图16所示的相比，计算系统可以包括更少或更多的组件。

计算机系统1600可以包括可以被执行以引起计算机系统1600执行本文中公开的任何一个或多个方法、过程或基于计算机的功能的一组指令1624。例如，本文中描述的用于设备操作安全的可控参数选择可以是由指令集1624组成的程序，指令集1624由控制器1602执行，以执行本文中描述的任何一个或多个方法、过程或基于计算机的功能。这样的程序可以整体地或以任何部分的组合被存储在图16所示的一个或多个示例性存储器组件(诸如主存储器1604、静态存储器1606或磁盘驱动器1616)上。

如所描述的，计算机系统1600可以是移动设备。计算机系统1600也可以使用网络1618连接到其他计算机系统或外围设备。在已联网的部署中，计算机系统1600可以在服务器的能力下操作，或者作为服务器客户端用户网络环境中的客户端用户计算机来操作，或者作为对等(或分布式)网络环境中的对等计算机系统来操作。除了实现计算机系统1600的实施例之外，计算机系统1600还可以实现为或者并入到各种设备中，诸如个人计算机(“pc”)、平板电脑、机顶盒(“stb”)、个人数字助理(“pda”)、诸如智能手机或平板等移动设备、掌上型计算机、膝上型计算机、台式计算机、网络路由器、交换机或桥接器、或者能够执行指定要由该机器采取的动作的指令集(顺序或其他)的任何其他机器。在特定实施例中，计算机系统1600可以使用提供语音、视频或数据通信的电子设备来实现。此外，虽然示出了单个计算机系统1600，但是术语“系统”也应当被理解为包括单独或联合执行一组或多组指令以执行一个或多个计算机功能的系统或子系统的任何集合。

如图16所示，计算机系统1600可以包括控制器1102，诸如中央处理单元(“cpu”)、图形处理单元(“gpu”)或两者。此外，计算机系统1600可以包括主存储器1604，并且另外可以包括静态存储器1606。在计算机系统1600中包括多于一个存储器组件的实施例中，存储器组件可以经由总线1608彼此通信。如图所示，计算机系统1600还可以包括显示单元1610，诸如液晶显示器(“lcd”)、有机发光二极管(“oled”)、平板显示器、固态显示器或阴极射线管(“crt”)。另外，计算机系统1600可以包括一个或多个输入设备1612，诸如键盘、按钮、滚轮、用于图像捕获和/或视觉命令识别的数字相机、触摸屏、触摸板或频输入设备(例如，麦克风)。计算机系统1600还可以包括信号输出组件，诸如触觉反馈组件1614和可以包括扬声器或遥控器的信号生成设备1618。

虽然没有具体示出，但是计算机系统1600可以另外包括用于标识计算机系统1600的位置的gps(全球定位系统)组件。

另外，计算机系统1600可以包括定向单元1628，定向单元1628包括一个或多个陀螺仪和加速度计的任何组合。

计算机系统1600还可以包括网络接口设备1620以允许计算机系统1600经由无线或有线通信信道与其他设备通信。网络接口设备1620可以是用于经由wi-fi连接、蓝牙连接、近频通信连接、电信连接、因特网连接、有线以太网连接等与另一计算机系统通信的接口。计算机系统1600还可以可选地包括用于容纳计算机可读介质1622的盘驱动单元1616。计算机可读介质1622可以包括由控制器1602可执行的一组指令，和/或计算机可读介质1622可以由计算机系统1600用作附加的存储器存储装置。

在特定实施例中，如图16所示，盘驱动单元1616可以包括其中可以嵌入有诸如软件等一个或多个指令集1624的计算机可读介质1622。此外，指令1624可以实施如本文中描述的方法、过程或逻辑中的一个或多个。在特定实施例中，在由计算机系统1600执行期间，指令1624可以完全或至少部分地驻留在主存储器1604、静态存储器1606和/或控制器1602内。主存储器1604和控制器1602还可以包括计算机可读介质。

在替代实施例中，可以构建包括专用集成电路、可编程逻辑阵列和其他硬件设备在内的专用硬件实现以实现本文中描述的一个或多个方法。可以包括各种实施例的装置和系统的应用可以广泛地包括各种电子和计算机系统。本文中描述的一个或多个实施例可以使用具有相关控制和数据信号的两个或更多个特定互连硬件模块或设备来实现功能，相关控制和数据信号可以在模块之间或通过模块进行传送，或者作为专用集成电路的部分被传送。因此，本计算机系统1600可以包含软件、固件和硬件实现。术语“模块”或“单元”可以包括存储由处理器执行的代码的存储器(共享、专用或组)。

根据本公开的各种实施例，本文中描述的方法可以由计算机系统可执行的软件程序来实现。此外，在示例性的非限制性实施例中，实现可以包括分布式处理、组件/对象分布式处理和并行处理。或者，可以构建虚拟计算机系统处理以实现本文中描述的一个或多个方法或功能。

本公开意图包括指令1624或者响应于传播信号而接收和执行指令1624的计算机可读介质1622；从而使得连接到网络1618的设备可以通过网络1618传送语音、视频或数据。此外，指令1624可以经由网络接口设备1620通过网络1618发射或接收。

虽然计算机可读介质1624被示出为单个介质，但是术语“计算机可读介质”包括单个介质或多个介质，诸如集中式或分布式数据库、和/或存储一组或多组指令的相关联的高速缓存和服务器。术语“计算机可读介质”还应当包括能够存储、编码或携带用于由处理器执行的一组指令或引起计算机系统执行本文中公开的任何一个或多个方法或操作的任何有形介质。

在特定的非限制性的示例性实施例中，计算机可读介质1622可以包括固态存储器，诸如存储卡或其他封装，其容纳一个或多个非易失性只读存储器，诸如闪速存储器。此外，计算机可读介质1622可以是随机存取存储器或其他易失性可重写存储器。另外，计算机可读介质1622可以包括磁光或光学介质，诸如磁盘或磁带或其他存储设备以捕获通过传输介质传送的信息。到电子邮件或其他独立信息档案或档案集的数字文件附件可以被认为是等同于有形存储介质的分发介质。因此，本公开被认为包括计算机可读介质1622或分发介质以及其中可以存储数据或指令的其他等同物和后继介质中的任何一个或多个。计算机可读介质可以是暂态的或非暂态的。

尽管本说明书参考水和废水公司以及更广泛的资源和公用事业机构通常使用的特定标准和协议来描述可以在特定实施例中实现的组件和功能，但是本发明不限于这些标准和协议。例如，因特网和其他分组交换网络传输(例如，tcp/ip、udp/ip、html、http)的标准表示现有技术的示例。这些标准定期地被具有基本相同功能的更快或更有效的等同物所取代。因此，具有与本文中公开的那些相同或相似功能的替换标准和协议被认为是其等同物。

本文中描述的原理可以以很多不同的形式来实施。然而，并非所有图示的组件都是必需的，并且一些实现可以包括附加组件。在不偏离本文中阐述的权利要求的精神或范围的情况下，可以对组件的布置和类型进行变化。另外，可以提供不同的或更少的组件。

在整个说明书中以单数或复数提及“一个示例”、“示例”、“示例”、“一个实施例”、“实施例”、“示例实施例”等表示结合实施例或示例描述的一个或多个特定特征、结构或特性被包括在本公开的至少一个实施例或一个示例中。因此，短语“在一个实施例中”、“在实施例中”、“在示例实施例中”、“在一个示例中”、“在示例中”以单数或复数在整个说明书中的各个地方的出现不一定都指代相同的实施例或单个实施例。此外，特定特征、结构或特性可以在一个或多个实施例或示例中以任何合适的方式组合。

本文中的描述中使用的术语仅用于描述特定示例的目的，而并非意图是限制性的。如本文中使用的，除非上下文另外清楚地指出，否则单数形式“一个(a)”、“一个(an)”和“该(the)”旨在也包括复数形式。而且，如本文中以及随后的权利要求书中所使用的，除非上下文另外明确指出，否则在......中的含义包括“在......中”以及“在......上”。还应当理解，本文中使用的术语“和/或”是指并且包含一个或多个相关所列项目的任何一个和所有可能的组合。将进一步理解，当在本说明书中使用时，术语“可以包含”、“包含”、“包括”和/或“包括有”指明所陈述的特征、操作、元素、和/或组件的存在，但是并不排除一个或多个其他特征、操作、元素、组件和/或其组合的存在或添加。

示例性环境可以包括服务器、客户端和通信网络。服务器和客户端可以通过通信网络耦合以进行信息交换，诸如发送/接收识别信息，发送/接收诸如闪屏图像等数据文件等。尽管在环境中仅示出了一个客户端和一个服务器，但是可以包括任何数目的终端或服务器，并且也可以包括其他设备。

所描述的设备之间的通信可以包括用于向服务器和客户端或在多个服务器或客户端之间提供网络连接的任何适当类型的通信网络。例如，通信网络可以包括因特网或其他类型的计算机网络或电信网络，其是有线的或无线的。在实施例中，所公开的方法和装置可以例如在包括至少一个客户端的无线网络中实现。

在一些情况下，客户端可以是指具有特定计算能力的任何适当的用户终端，诸如个人计算机(pc)、工作站计算机、服务器计算机、手持式计算设备(平板电脑)、智能手机或手机、或任何其他用户端计算设备。在各种实施例中，客户端可以包括网络接入设备。客户端可以是固定的或移动的。

如本文中使用的，服务器可以是指被配置为提供某些服务器功能的一个或多个服务器计算机，诸如数据库管理和搜索引擎。服务器还可以包括并行执行计算机程序的一个或多个处理器。

应当注意，实施例/示例和实施例/示例中的特征可以在无冲突条件下相互组合。从下面结合附图的详细描述中，本发明的方面将变得显而易见。

应当注意，附图的流程图中所示的步骤可以使用可执行程序代码在一组计算机设备中执行。尽管在流程图中示出了示例逻辑顺序，但是在某些状态下步骤的顺序可以与图中的顺序不同。

根据以下结合附图的详细描述，本公开的示例中的目的、技术建议和优点将变得清楚和完整。下文中描述的示例仅仅是本公开的示例的一部分，而不是全部示例。基于这些示例，本领域技术人员可以在没有创造性工作的情况下获取所有其他示例。

本公开内容中的表格中公开的数字仅用于说明性目的。这些数字可以具有可以从本公开中省略的度量单位。表格中的说明性数字可以用于说明设备操作安全的可控参数选择。每个数字的度量单位可以与选择可控参数相关或不相关。

应当理解，以上提供的所有示例仅仅是本公开的一些优选示例。对于本领域的技术人员而言，本公开旨在覆盖被包括在本公开的原理内的各种修改和等同布置。