本发明涉及设备异常检测，特别是涉及一种工业设备异常预警方法、装置、介质及产品。
背景技术：
1、中国以工业互联网平台为引擎，探索工业制造业数字化、智能化转型发展新模式。传统工业以主机厂为优势，借助底层工业设备实现数据互联。而计算机领域则以数据算法以及通信连接为切入点，结合人工智能算法以及通用大数据框架对底层工业数据进行分析建模，为工业互联网平台以及基础设备的安全提供保障。工业设备数据分析通常被定为时序数据挖掘，而其中主要的任务是设备异常检测。高炉煤气余压透平发电装置(blastfurnace top gas recovery turbine unit，trt)是中国冶金企业常用的节能装置，工作原理是利用布袋除尘净化后的高炉炉顶煤气的余热和余压，将煤气输入到一台透平机组，将压力和热能转化为机械能，从而实现能量回收。trt静叶是控制高炉顶压的关键设备，也是保证trt开机成功的重要设备。trt静叶控制是trt系统的核心控制，要保证其安全性、稳定性，所以在实际工作中对trt静叶控制系统进行检测具有十分重要的意义。由于时序数据通常不具有状态标签，所以也是无监督学习问题。现有的主流工业设备异常检测技术分为基于传统的机器学习的模型、基于深度学习的模型。
2、传统的机器学习模型，如支持向量回归(support vector regression，svr)、随机森林和岭回归等，这些方法通过线性关系对序列间的特征进行建模，对于真实世界中许多非线性高维数据集并不适用。
3、深度学习网络进行时间序列预测成为人们研究的方向，基于长短期记忆网络的方法可以收集输入数据历史变化，提高时间序列捕捉长期依赖关系的能力，但也存在梯度下降和梯度爆炸的缺点。随着研究的深入，人们在传统的长短期记忆网络(long short-termmemory，lstm)模型上进行了改进，例如卷积lstm(convlstm)和多元注意lstm-fcn，以及双级递归神经网络，它们克服了训练长期和短期混合视野的递归神经网络的问题。然而，这些模型对于非周期数据的预测时，需要消耗大量的时间成本且鲁棒性较差。基于时间卷积网络(temporal convolutional network，tcn)。tcn通过因果卷积实现并行计算，通过调整动态调整感受野捕捉数据的时序信息，tcn多用于处理单维的序列数据。基于多元时间卷积网络的并行非对称结构多通道残块算法，可以对非周期性的多元时间序列建模。tcn模型处理一维输入模型时表现优异，但在面对高维数据集时，无法捕捉序列之间的相关性，于是图神经网络(graph neural networks，gnn)也开始应用于时序数据异常检测领域。图神经网络常应用于处理图结构数据，挖掘图结构数据间的关系，如交通数据、推荐系统等。后经过变体产生了通过聚合邻居节点进行特征表示的图卷积网络(graph convolutionalnetworks，gcn)。在gcn的基础上又提出了图注意力网络(graph attention networks，gat)，在聚合过程中通过可学习的注意力函数对邻居节点分配权重。
4、在早期的研究中，这些模型的构建通常都是参考专家经验设置的框架，针对单参数设置报警限，多参数设置相似度阈值。但是现有方法仍存在预警准确性低的问题。
技术实现思路
1、本发明的目的是提供一种工业设备异常预警方法、装置、介质及产品，提高了trt静叶控制系统预警的准确性。
2、为实现上述目的，本发明提供了如下方案：
3、一种工业设备异常预警方法，包括：
4、获取trt静叶控制系统的当前时段的核心参数序列；任一时段的核心参数序列包括任一时段各时刻的核心参数，所述核心参数包括：静叶开度和高炉顶压；任一时段的长度是利用自相关分析法确定的；
5、将所述当前时段的核心参数序列输入至核心参数预测模型中，得到下一时段的核心参数序列的预测值；所述核心参数预测模型是利用多组当前历史时段的核心参数序列和下一历史时段的核心参数序列对时间卷积网络进行训练得到的；
6、基于下一时段的核心参数序列的预测值判断下一时段中是否存在核心异常时刻，得到第一判断结果；所述核心异常时刻为核心参数的预测值存在异常的时刻；
7、若所述第一判断结果为是，则基于下一时段中各核心异常时刻的核心参数的预测值计算对应核心异常时刻的核心异常得分；
8、判断任一核心异常得分是否大于预设核心阈值，得到第二判断结果；
9、若所述第二判断结果为是，则基于核心异常得分大于预设核心阈值的核心异常时刻进行停机预警；
10、若所述第一判断结果为否或所述第二判断结果为否，则获取trt静叶控制系统的当前时段的传感器参数序列；任一时段的传感器参数序列包括任一时段各时刻的传感器参数，所述传感器参数包括：轴承温度、轴承转速、振动频率和煤气流量；
11、将所述当前时段的传感器参数序列输入至传感器参数预测模型中，得到下一时段的传感器参数序列的预测值；所述传感器参数预测模型是利用多组当前历史时段的传感器参数序列和下一历史时段的传感器参数序列对图神经网络进行训练得到的；
12、基于下一时段的传感器参数序列的预测值判断下一时段中是否存在传感器异常时刻，得到第三判断结果；所述传感器异常时刻为传感器参数的预测值存在异常的时刻；
13、若所述第三判断结果为是，则基于下一时段中所有传感器异常时刻的传感器参数的预测值计算下一时段的累积异常得分；
14、判断所述下一时段的累积异常得分是否超出预设累积阈值，得到第四判断结果；
15、若所述第四判断结果为是，则基于下一时段中所有传感器异常时刻进行报警。
16、可选地，所述核心参数预测模型的训练过程，包括：
17、获取多组当前历史时段的核心参数序列和下一历史时段的核心参数序列；
18、构建所述时间卷积网络；
19、采用指数加权移动平均法，分别对各当前历史时段的核心参数序列和各下一历史时段的核心参数序列进行平滑处理，得到对应的处理后的当前历史时段的核心参数序列和处理后的下一历史时段的核心参数序列；
20、以各处理后的当前历史时段的核心参数序列为输入，以对应的处理后的下一历史时段的核心参数序列为输出，对所述时间卷积网络进行训练，得到所述核心参数预测模型。
21、可选地，基于下一时段的核心参数序列的预测值判断下一时段中是否存在核心异常时刻，得到第一判断结果，包括：
22、将下一时段中的任一时刻确定为第一待判断时刻；
23、基于所述下一时段中所有时刻的静叶开度的预测值，计算所述第一待判断时刻的第一异常参数；
24、基于所述下一时段中所有时刻的高炉顶压的预测值，计算所述第一待判断时刻的第二异常参数；
25、若所述第一待判断时刻的第一异常参数的绝对值大于核心异常阈值或所述第一待判断时刻的第二异常参数的绝对值大于核心异常阈值时，则所述第一待判断时刻为核心异常时刻。
26、可选地，所述传感器参数预测模型的训练过程，包括：
27、获取多组当前历史时段的传感器参数序列和下一历史时段的传感器参数序列；
28、构建所述图神经网络；
29、采用指数加权移动平均法，分别对各当前历史时段的传感器参数序列和各下一历史时段的传感器参数序列进行平滑处理，得到对应的处理后的当前历史时段的传感器参数序列和处理后的下一历史时段的传感器参数序列；
30、以各处理后的当前历史时段的传感器参数序列为输入，以对应的处理后的下一历史时段的传感器参数序列为输出，对所述图神经网络进行训练，得到所述传感器参数预测模型。
31、可选地，基于下一时段的传感器参数序列的预测值判断下一时段中是否存在传感器异常时刻，得到第三判断结果，包括：
32、若下一时段中存在连续的多个时刻的传感器参数的预测值大于停机限，则传感器参数的预测值大于停机限的多个时刻均为传感器异常时刻。
33、一种计算机装置，包括：存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现上述任一项所述的工业设备异常预警方法的步骤。
34、一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现上述任一项所述的工业设备异常预警方法的步骤。
35、一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现上述任一项所述的工业设备异常预警方法的步骤。
36、根据本发明提供的具体实施例，本发明公开了以下技术效果：
37、本发明公开了一种工业设备异常预警方法、装置、介质及产品，首先，获取trt静叶控制系统的当前时段的核心参数序列；将当前时段的核心参数序列输入至核心参数预测模型中，得到下一时段的核心参数序列的预测值；基于下一时段的核心参数序列的预测值判断下一时段中是否存在核心异常时刻，得到第一判断结果；若第一判断结果为是，则基于下一时段中各核心异常时刻的核心参数的预测值计算对应核心异常时刻的核心异常得分；判断任一核心异常得分是否大于预设核心阈值，得到第二判断结果；若第二判断结果为是，则基于核心异常得分大于预设核心阈值的核心异常时刻进行停机预警；其次，若第一判断结果为否或第二判断结果为否，则获取trt静叶控制系统的当前时段的传感器参数序列；将当前时段的传感器参数序列输入至传感器参数预测模型中，得到下一时段的传感器参数序列的预测值；基于下一时段的传感器参数序列的预测值判断下一时段中是否存在传感器异常时刻，得到第三判断结果；若第三判断结果为是，则基于下一时段中所有传感器异常时刻的传感器参数的预测值计算下一时段的累积异常得分；判断下一时段的累积异常得分是否超出预设累积阈值，得到第四判断结果；若第四判断结果为是，则基于下一时段中所有传感器异常时刻进行报警。本发明时候利用关键参数进行故障预警，当关键参数不存在预警情况时，再利用传感器参数进行进一步预警，提高了trt静叶控制系统预警的准确性。
1.一种工业设备异常预警方法，其特征在于，所述方法包括：
2.根据权利要求1所述的工业设备异常预警方法，其特征在于，所述核心参数预测模型的训练过程，包括：
3.根据权利要求1所述的工业设备异常预警方法，其特征在于，基于下一时段的核心参数序列的预测值判断下一时段中是否存在核心异常时刻，得到第一判断结果，包括：
4.根据权利要求1所述的工业设备异常预警方法，其特征在于，所述传感器参数预测模型的训练过程，包括：
5.根据权利要求1所述的工业设备异常预警方法，其特征在于，基于下一时段的传感器参数序列的预测值判断下一时段中是否存在传感器异常时刻，得到第三判断结果，包括：
6.一种计算机装置，包括：存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-5中任一项所述工业设备异常预警方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-5中任一项所述工业设备异常预警方法的步骤。
8.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-5中任一项所述工业设备异常预警方法的步骤。
