本发明专利技术公开了PLC程序变量监控信息自动生成的方法和装置，至少包括以下步骤：步骤S1，收集并预处理历史时序变量数据包获得历史数据集；步骤S2，将历史数据集馈送到特征提取模块进行特征提取计算并得到特征集；步骤S3，对特征集中所有特征计算特征重要性分数；步骤S4，基于特征重要性分数和隔离森林算法以及专家知识计算分析出高相关性的变量作为监控信息加入到监控变量字典，并将该变量字典中的变量用于工业平台软件上进行实时监控。本发明专利技术基于无监督机器学习结果和专家知识，可以在工业平台软件上自动为PLC程序生成需要监控的变量列表，帮助开发监控人员在测试期间更快找出问题，检测出更细微的异常，提高安全性。提高安全性。提高安全性。
【技术实现步骤摘要】
一种PLC程序变量监控信息自动生成的方法和装置
[0001]本专利技术属于PLC程序变量监控及异常检测
，具体涉及一种PLC程序变量监控信息自动生成的方法和装置。
技术介绍
[0002]工业4.0时代，数据驱动与工业控制程序和工业设备的产品优化、生产、服务密不可分，尤其是随着云计算技术的发展，云组态、云监控的概念应运而生，通过云服务器对工业PLC设备进行实时监控可以更好地保存和整合历史监控数据，这些大量产生的历史数据价值还有待进一步的开发利用。
[0003]此外，工业控制系统越来越复杂，对复杂程序系统的高级监控提出了更高的要求，尤其是在PLC程序变量监控领域。多数情况下，由人为的监控人员基于先验专家知识对程序变量实时自定义监控往往会忽视一些细微的异常，忽略一些与设备运行状态高相关性的变量。此外，也有基于机器学习的异常特征检测领域的方法，该方法通过提取特征进行学习后找到重要特征，需要对计算特征相关的多个变量进行异常检测，导致生成的监控变量字典过长，且变量之间的相关性不明确，对开发测试人员不够友好。
[0004]因此需要一种智能的自动化监控系统提出一种PLC程序变量监控信息自动生成的方法。
[0005]故，针对现有技术存在的技术缺陷，实有必要提出一种技术方案以解决现有技术存在的技术问题。
技术实现思路
[0006]本专利技术的目的在于克服现有技术的不足，适应实际应用需要，提供一种PLC程序变量监控信息自动生成的方法和装置，基于历史监控数据的整合后对数据集进行特征的提取，通过无监督机器学习方法检测异常细微特征，结合专家知识自动生成精炼变量监控信息，提取的所有特征计算其特征重要性分数用于进一步分析出与设备运行状态高相关性的变量加入到监控变量字典，再由工业平台软件对监控变量字典的变量进行实时监控。在面对复杂程序系统时可以更快速地生成变量监控列表，同时补充专家知识容易忽略的与设备异常相关的变量，帮助开发监控人员在测试期间更快找出问题，检测出更细微的异常，提高安全性。
[0007]为了解决现有技术存在的技术问题，本专利技术的技术方案如下：
[0008]PLC程序变量监控信息自动生成的方法，至少包括以下步骤：
[0009]步骤S1，收集并预处理历史时序变量数据包获得历史数据集；
[0010]步骤S2，将历史数据集馈送到特征提取模块进行特征提取计算并得到特征集；
[0011]步骤S3，对特征集中所有特征计算特征重要性分数；
[0012]步骤S4，基于特征重要性分数和隔离森林算法以及专家知识计算分析出高相关性的变量作为监控信息加入到监控变量字典，并将该变量字典中的变量用于工业平台软件上
进行实时监控。
[0013]作为进一步的改进方案，在上述一种PLC程序变量监控信息自动生成的方法中，S1中数据类别包括PLC变量、监控设备状态的传感器数据等在设备运行周期内不同时间的值，每个数据包按时间跨度为设备最小运行周期划分数据集。
[0014]作为进一步的改进方案，在上述一种PLC程序变量监控信息自动生成的方法中，S2中特征提取模块采取基于聚类的无监督学习方法提取，基于数据的局部和全局标准差来提取潜在特征。
[0015]作为进一步的改进方案，在上述一种PLC程序变量监控信息自动生成的方法中，S3中，基于可解释人工智能的思想，计算特征集中所有特征的标准差和皮尔逊相关系数，基于这两个值进行特征重要性评分，定义特征x的特征重要性分数为f(x),具体计算公式如下：
[0016][0017]其中，σ表示标准差，r为该特征与程序结果的皮尔逊相关系数，n为特征集大小。
[0018]作为进一步的改进方案，在上述一种PLC程序变量监控信息自动生成的方法中，S4包括以下步骤：
[0019]S4
‑
1，通过隔离森林算法计算设备异常周期的异常分，异常分大于τ则定义为异常周期，τ为预定义值；
[0020]S4
‑
2，定义特征x的特征重要性分数为f(x)，在异常周期中分析所有变量，如果存在特征x
j
和x
k
，其中x
j
是由变量v
i
参与计算所得特征，而特征x
k
不属于变量v
i
参与计算所得特征，且f(x
j
)>δf(x
k
)，则将v
i
定义为需要监控的变量并加入到监控变量字典，δ为预定义值；
[0021]S4
‑
3，基于专家知识表明一些变量本身特别相关，则加入到监控变量字典。
[0022]优选地，S4
‑
1中对采集到的所有设备周期数据生成隔离森林算法计算的设备周期χ的异常分利用如下公式计算：
[0023][0024]其中，e为生成的隔离森林中所有树的平均路径长度，c为比较不同大小森林的归一化因子。
[0025]本专利技术还公开了一种PLC程序变量监控信息自动生成的装置，至少包括：
[0026]数据获取模块，用于收集并预处理历史时序变量数据包获得历史数据集；
[0027]特征提取模块，用于对历史数据集进行特征提取计算并得到特征集；
[0028]特征重要性分数计算模块，用于对特征集中所有特征计算特征重要性分数；
[0029]监控信息计算模块，用于基于特征重要性分数和隔离森林算法以及专家知识计算分析出高相关性的变量作为监控信息加入到监控变量字典，并将该变量字典中的变量用于工业平台软件上进行实时监控。
[0030]作为进一步的改进方案，特征重要性分数计算模块中，计算特征集中所有特征的标准差和皮尔逊相关系数，基于标准差和皮尔逊相关系数进行特征重要性评分，定义特征x的特征重要性分数为f(x),具体计算公式如下：
[0031][0032]其中，σ表示标准差，r为该特征与程序结果的皮尔逊相关系数，n为特征集大小。
[0033]作为进一步的改进方案，监控信息计算模块数据处理包括以下步骤：
[0034]S4
‑
1，通过隔离森林算法计算设备异常周期的异常分，异常分大于τ则定义为异常周期，τ为预定义值；
[0035]S4
‑
2，在异常周期中分析所有变量，如果存在特征x
j
和x
k
，其中x
j
是由变量v
i
参与计算所得特征，而特征x
k
不属于变量v
i
参与计算所得特征，且f(x
j
)>δf(xk)，则将v
i
定义为需要监控的变量并加入到监控变量字典，δ为预定义值；
[0036]S4
‑
3，基于专家知识表明一些变量本身特别相关，作为监控信息加入到监控变量字典。
[0037]作为进一步的改进方案，S4
‑
1中，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种PLC程序变量监控信息自动生成的方法，其特征在于，至少包括以下步骤：步骤S1，收集并预处理历史时序变量数据包获得历史数据集；步骤S2，将历史数据集馈送到特征提取模块进行特征提取计算并得到特征集；步骤S3，对特征集中所有特征计算特征重要性分数；步骤S4，基于特征重要性分数和隔离森林算法以及专家知识计算分析出高相关性的变量作为监控信息加入到监控变量字典，并将该变量字典中的变量用于工业平台软件上进行实时监控。2.根据权利要求1所述的PLC程序变量监控信息自动生成的方法，其特征在于，步骤S1中，历史数据的类别至少包括PLC变量、监控设备状态的传感数据，每个数据包按时间跨度为设备最小运行周期划分数据集。3.根据权利要求1所述的PLC程序变量监控信息自动生成的方法，其特征在于，步骤S2中，特征提取模块采取基于聚类的无监督学习方法，并基于数据的局部和全局方差来提取潜在特征。4.根据权利要求1所述的PLC程序变量监控信息自动生成的方法，其特征在于，步骤S3中，计算特征集中所有特征的标准差和皮尔逊相关系数，基于标准差和皮尔逊相关系数进行特征重要性评分，定义特征x的特征重要性分数为f(x),具体计算公式如下：其中，σ表示标准差，r为该特征与程序结果的皮尔逊相关系数，n为特征集大小。5.根据权利要求4所述的PLC程序变量监控信息自动生成的方法，其特征在于，步骤S4包括以下步骤：S4
‑
1，通过隔离森林算法计算设备异常周期的异常分，异常分大于τ则定义为异常周期，τ为预定义值；S4
‑
2，在异常周期中分析所有变量，如果存在特征x
j
和x
k
，其中x
j
是由变量v
i
参与计算所得特征，而特征x
k
不属于变量v
i
参与计算所得特征，且f(x
j
)>δf(x
k
)，则将v
i
定义为需要监控的变量并加入到监控变量字典，δ为预定义值；S4
‑
3，基于专家知识表明一些变量本身特别相关，作为监控信息加入到监控变量字典。6.根据权利要求5所述的PLC程序变量监控信息自动生成的方法，其特征在于，S4
‑
1中，对采集到的所有设备周期数...
【专利技术属性】
技术研发人员：严义，王涛，邬惠峰，赵建勇，陈佰平，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。