一种色谱仪故障监测方法及装置与流程

1.本技术涉及色谱仪相关技术领域，为一种色谱仪的安全检测技术，具体为一种色谱仪故障监测方法及装置。


背景技术：

2.色谱仪能够进行色谱分离分析，可以对样品内的各物质进行定性定量分析。针对于色谱仪的使用场景，对于色谱仪的检测的准确性要求较高，而针对于色谱仪的准确率的影响主要基于色谱仪相关部件的故障造成。而基于色谱仪的故障主要基于日常对色谱仪的维护以及检修而识别，而这对于色谱仪的维护以及检修主要基于人为主观以及配套的相关检测设备进行，具有一定的主观性，并且因为检测程度以及检测方式的原因导致检测的结果不准确，从而造成色谱仪的故障的无法实时识别，而对于色谱仪的故障无法实时识别从而导致色谱检测的准确度的降低，并且色谱检测准确度的降低属于难以发现的异常状态。
3.如果针对于色谱仪的故障一直无法识别时，其能够导致在后续的检测阶段中产生的检测数据都为异常数据。


技术实现要素：

4.为了解决以上的技术问题，本技术提供一种色谱仪故障监测方法及装置，能够实现对于色谱仪使用过程中的故障信息进行识别和监测，并且基于色谱仪中的实时数据进行预警信息的获得，实现了实时故障监测与预警信息双重效果，提高了色谱仪的日常养护和监测水平。
5.为了达到上述目的，本技术实施例采用的技术方案如下：第一方面，一种色谱仪故障监测方法，配置于服务器，所述服务器与所述色谱仪和所述色谱仪对应的用户端进行通信，包括以下方法：获取所述色谱仪多个实时工作数据，多个所述实时工作数据为所述色谱仪多个部件工作中产生的数据；基于多个所述实时工作数据与预设的异常特征数据库进行比对，所述异常特征数据库中配置有多个异常活动特征信息；基于比对结果确定是否存在故障以及故障信息；将所述故障信息发送至对应的用户端；所述异常特征数据库中设置有多个异常特征子数据库，多个所述实时工作数据与对应的异常特征子数据库进行比对，多个异常特征子数据库与多个所述实时工作数据配置有数据标签，基于数据标签将多个所述实时工作数据与对应的所述异常特征子数据库进行比对，基于比对结果确定是否存在故障以及故障信息，具体包括以下方法：所述异常特征子数据库中配置有训练得到的数据阈值；所述实时工作数据与对应的所述异常特征子数据库中的数据阈值进行比较；基于比较结果确定是否存在故障以及故障信息。
6.在第一方面的第一种可实现方式中，所述数据阈值的训练包括以下方法：获取多个所述实时工作数据对应的样本数据，并确定所述样本数据中目标特征的特征取值；其中，所述目标特征为所述实时工作数据具有的特征；对所述特征取值进行变换，变换后的所述特征取值对应的概率密度分布结果符合设定的分布形态要求；根据变换后的所述特征取值
对应的概率密度分布结果和预先设定的各项所述实时工作数据的查出率，确定所述目标特征对应的阈值；其中，所述目标特征对应的阈值用于在各实时工作数据中查出各项所述实时工作数据，查出的各项实时工作数据的数量占全部各项所述实时工作数据的数量的比率为所述查出率。
7.结合第一方面的第一种可能的实现方式，在第二种可能的实现方式中，所述方法还包括：对变换后的所述特征取值进行概率密度分布，得到变换后的所述特征取值对应的概率密度分布结果；利用校验模型对变换后的所述特征取值对应的概率密度分布结果进行校验，得到变换后的所述特征取值对应的概率密度分布的形态与设定的分布形态之间的相似度；若所述相似度大于相似度阈值，则确定变换后的所述特征取值对应的概率密度分布结果符合设定的分布形态要求。
8.结合第一方面的第二种可能的实现方式，在第三种可能的实现方式中，所述实时工作数据与对应的所述异常特征子数据库中的数据阈值进行比较，基于比较结果确定是否存在故障以及故障信息，包括：基于所述实时工作数据大于等于数据阈值，则判定所述色谱仪存在故障；若所述实时工作数据小于数据阈值，则判定所述色谱仪不存在故障。
9.结合第一方面的第三种可能的实现方式，在第四种可能的实现方式中，当所述色谱仪不存在故障时，还包括基于所述实时工作数据以及预设的预警活动特征数据库进行比对获得预警信息，具体包括以下方法：构建预警活动特征数据库；提取多个所述实时工作数据中涉及的预警状态活动的预警状态活动特征；将所述预警状态活动特征与所述预警活动特征数据库进行比对，得到预警信息。
10.结合第一方面的第四种可能的实现方式，在第五种可能的实现方式中，提取多个所述实时工作数据中涉及的预警状态活动的预警状态活动特征，包括：基于所述实时工作数据的数据标签确定对应的预警决策网络，所述预警决策网络基于满足网络收敛要求进行训练得到；基于对应的所述预警决策网络对所述实时工作数据进行特征提取，得到所述预警状态活动特征。
11.结合第一方面的第五种可能的实现方式，在第六种可能的实现方式中，所述预警决策网络的训练包括以下方法：基于所述实时工作数据的数据标签确定与所述实时工作数据对应的初始决策网络；基于与多个所述实时工作数据对应的多个所述样本数据集对所述初始决策网络进行网络权重优化，以获得满足网络收敛要求的所述预警状态决策网络。
12.结合第一方面的第六种可能的实现方式，在第七种可能的实现方式中，基于相似度阈值确定对应的预警活动特征信息，并确定预警行为，包括：对处于阈值范围内的相似度进行排序，将排序最高值对应的相似度所对应的预警活动特征信息作为目标预警活动特征信息，基于所述目标预警活动特征信息确定对应的预警行为。
13.第二方面，提供一种色谱仪故障监测装置，包括：数据获取模块，用于获取所述色谱仪多个实时工作数据，多个所述实时工作数据为所述色谱仪多个部件工作中产生的数据；比对模块，用于将多个所述实时工作数据与预设的异常特征数据库进行比对，所述异常特征数据库中配置有多个异常活动特征信息；故障确定模块，用于确定是否存在故障以及故障信息；信息发送模块，用于将所述故障信息发送至对应的用户端。
14.在第二方面的第一种可实现方式中，所述装置还包括：预警信息获取模块，用于将所述实时工作数据以及预设的预警活动特征数据库进行比对获得预警信息。
15.第三方面，一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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时实现如上述任一项所述的方法。
16.第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法。
17.本技术实施例提供的技术方案中，通过获取色谱仪中的实时工作数据并且基于预设置的与实时工作数据相对应的异常特征数据库进行比对，基于异常特征数据库中的数据阈值实现对于实时工作数据表征的结果进行获取，得到故障以及对应的故障信息，并将故障信息发送至对应的用户端。并且，因为在色谱仪的日常使用中，不仅需要对进行中的异常进行识别，还需要针对于潜在的异常行为进行获取，在本实施例中还配置有预警信息获取方法，实现对于实时工作数据中的预警信息的获取，提高了对于色谱仪的日常管理和维护的准确性。
附图说明
18.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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。
19.附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例，其中示例数字在附图的各个视图中代表相似的机构。
20.图1是本技术实施例提供的系统的结构示意图。
21.图2是本技术实施例提供的终端设备的结构示意图。
22.图3是本技术的一些实施例所示的色谱仪故障监测方法的流程图。
23.图4是根据本技术实施例提供的装置方框示意图。
具体实施方式
24.为了更好的理解上述技术方案，下面通过附图以及具体实施例对本技术技术方案做详细的说明，应当理解本技术实施例以及实施例中的具体特征是对本技术技术方案的详细的说明，而不是对本技术技术方案的限定，在不冲突的情况下，本技术实施例以及实施例中的技术特征可以相互组合。
25.在下面的详细描述中，通过实例阐述了许多具体细节，以便提供对相关指导的全面了解。然而，对于本领域的技术人员来说，显然可以在没有这些细节的情况下实施本技术。在其他情况下，公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述，没有细节，以避免不必要的模糊本技术的方面。
26.本技术中使用流程图说明根据本技术的实施例的系统所执行的执行过程。应当明确理解的是，流程图的执行过程可以不按顺序执行。相反，这些执行过程可以以相反的顺序或同时执行。另外，可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。
memory，prom），可擦除只读存储器（erasable programmable read-only memory，eprom），电可擦除只读存储器（ele超声ric erasable programmable read-only memory，eeprom）等。
37.处理器可能是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器（dsp)）、专用集成电路（asic）、现场可编程门阵列（fpga）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
38.参阅图3，在本实施例中，针对于色谱仪故障监测方法，其工作逻辑为：获取色谱仪中的实时工作数据，将实时工作数据与设置的异常特征数据库进行比对，其中针对于异常特征数据库中配置有色谱仪的标准工作数据，并且在异常特征数据中配置有训练得到的数据阈值，将实时工作数据与数据阈值进行比对，判断实时工作数据是否处于数据阈值中，如果实时工作数据处于数据阈值中，则判定色谱仪的实时工作状态为正常，当实时工作数据不在数据阈值中，则判定色谱仪的实时工作状态为异常。并且，针对于异常特征数据库以及实时工作数据中都配置有数据标签，基于数据标签与对应的数据阈值产生关联，并且基于数据标签确定具体的故障信息性质。并且，在本实施例提供的色谱仪故障监测方法中，针对于非故障信息的实时工作数据通过预警方法得到预警信息，实现对于实时工作数据的预警识别。
39.针对于本实施例提供的工作逻辑提供一种色谱仪故障监测方法，参阅图3做详细的说明。
40.参阅图3，本实施例提供的色谱仪故障监测方法，具体包括以下方法：步骤s310. 获取所述色谱仪多个实时工作数据，多个所述实时工作数据为所述色谱仪多个部件工作中产生的数据。
41.在本实施例中，实时工作数据为色谱仪在进行工作时关键参数，包括色谱仪处理环境中的温度数据以及针对气相色谱仪中的气象流动速度数据以及针对于色谱仪中的关键部件的功率数据，其中针对于数据的获取主要基于设置在色谱仪工作环境中的传感器以及数据采集装置进行获得，例如针对于温度数据可以通过设置在色谱仪中的温度传感器进行获得，针对于气象流动速度数据通过设置在气相单元中的流量计进行获得。而针对于其他的类型数据在本实施例中不进行穷举。
42.步骤s320. 基于多个所述实时工作数据与预设的异常特征数据库进行比对，所述异常特征数据库中配置有多个异常活动特征信息。
43.在本实施例中，异常特征数据库内配置有多个异常活动特征信息，其中异常特征数据库中存储的数据为标准工作数据，例如针对于温度数据，在异常特征数据库中存储的数据为标准温度数据，其中异常活动特征信息为非标准工作数据，还是针对于温度数据，异常活动特征信息为非标准温度数据。并且，在本实施例中针对于标准工作数据以及非标准工作数据的分割基于设置的数据阈值，基于数据阈值以及获取到的实时工作数据进行比较得到比较结果，基于比较结果确定是否产生故障。
44.而针对于本实施例中的异常特征数据库，因为进行采集的色谱仪中的实时工作信
息包括多种类型的工作信息，所以针对于比对过程也需要进行针对性的比对，而针对于此，针对于异常特征数据库设置有多个异常特征子数据库，将实时工作数据与异常特征数据库进行比对实则为将不同类型的实时工作数据与对应的异常特征子数据库进行比对，基于预设置在异常特征子数据库中的数据阈值实现对于结果的获取。
45.在本实施例中，针对于实时工作数据与异常特征子数据库进行匹配基于在实时工作数据以及异常特征子数据库中配置的数据标签来实现，而针对于数据标签用于表征实时工作数据以及异常特征子数据库中数据的类型。在本实施例中，数据标签可以为文字标签、数字标签以及特定的符号标签。
46.步骤s330. 基于比对结果确定是否存在故障以及故障信息。
47.在本实施例中，针对于此过程包括以下方法：步骤s331.所述异常特征子数据库中配置有训练得到的数据阈值。
48.在本实施例中，数据阈值的获得并非基于人为经验进行获得，而是通过训练的方式进行，而针对于数据阈值的训练包括以下方法：获取多个所述实时工作数据对应的样本数据，并确定所述样本数据中目标特征的特征取值；其中，所述目标特征为所述实时工作数据具有的特征。对所述特征取值进行变换，变换后的所述特征取值对应的概率密度分布结果符合设定的分布形态要求。根据变换后的所述特征取值对应的概率密度分布结果和预先设定的各项所述实时工作数据的查出率，确定所述目标特征对应的阈值。
49.其中，所述目标特征对应的阈值用于在各实时工作数据中查出各项所述实时工作数据，查出的各项实时工作数据的数量占全部各项所述实时工作数据的数量的比率为所述查出率。
50.针对于变换后的所述特征取值进行概率密度分布，得到变换后的所述特征取值对应的概率密度分布结果。利用校验模型对变换后的所述特征取值对应的概率密度分布结果进行校验，得到变换后的所述特征取值对应的概率密度分布的形态与设定的分布形态之间的相似度。若所述相似度大于相似度阈值，则确定变换后的所述特征取值对应的概率密度分布结果符合设定的分布形态要求。
51.步骤s332.所述实时工作数据与对应的所述异常特征子数据库中的数据阈值进行比较。
52.步骤s333.基于比较结果确定是否存在故障以及故障信息。
53.针对于步骤s332和步骤s333，具体的判断方法为：基于所述实时工作数据大于等于数据阈值，则判定所述色谱仪存在故障；若所述实时工作数据小于数据阈值，则判定所述色谱仪不存在故障。
54.而针对于本实施例中步骤s310-步骤s330主要为对于实时工作数据中的故障信息进行识别，而针对于本实施例中的方法还包括基于获得到的故障情况进行预警识别，具体为步骤s340. 当所述色谱仪不存在故障时，还包括基于所述实时工作数据以及预设的预警活动特征数据库进行比对获得预警信息。
55.针对于步骤s340，具体包括以下方法：步骤s341.构建预警活动特征数据库。
56.针对于预警活动特征数据库基于获取到的预警活动特征进行集合得到，而针对于
预警活动特征的获得基于训练后的预警决策网络对历史色谱仪运行中的数据进行特征提取而得到。
57.而针对于预警决策网络的训练包括以下方法：基于历史运行过程中的实时工作数据的数据标签确定与所述实时工作数据对应的初始决策网络。基于与多个历史运行过程中的实时工作数据对应的多个所述样本数据集对所述初始决策网络进行网络权重优化，以获得满足网络收敛要求的所述预警状态决策网络。
58.在本实施例中，网络权重优化包括以下方法：确定第一历史数据中的第一历史预警状态活动特征以及第二历史数据中的第二历史预警状态活动特征。
59.依据初始决策网络，对所述第一参考数据和第二参考数据进行特征决策，获得所述第一参考数据的第一决策预警状态活动特征以及所述第二参考待识别人声数据的第二决策预警状态活动特征。
60.依据所述第一参考预警状态活动特征和第一决策预警状态活动特征、所述第二参考预警状态活动特征和第二决策预警状态活动特征，对所述初始决策网络进行网络权重优化，以获得满足网络收敛要求的预警决策网络。
61.在本实施例中，针对于网络权重优化基于配置与目标色谱仪相同环境下的参考色谱仪，基于参考色谱仪中涉及到的特征实现权重优化。
62.在本实施例中，针对于不同数据对应的初始决策网络的类型以及对应的结构不同，例如针对于图像数据其初始决策网络的类型为针对于图像的卷积神经网络，其卷积神经网络的结构针对于图像数据结构。
63.步骤s342.提取多个所述实时工作数据中涉及的预警状态活动的预警状态活动特征。
64.在本实施例中，针对于实时工作数据中的预警状态活动特征同样基于预警状态决策网络进行提取。
65.步骤s343.将所述预警状态活动特征与所述预警活动特征数据库进行比对，得到预警信息。
66.在本实施例中，主要是将预警状态活动特征与预警活动特征数据库中的特征进行比对，得到相似度，并基于设置的相似度阈值确定对应的预警活动特征信息，并确定预警行为，具体包括以下方法：对处于阈值范围内的相似度进行排序，将排序最高值对应的相似度所对应的预警活动特征信息作为目标预警活动特征信息，基于所述目标预警活动特征信息确定对应的预警行为。
67.参阅图4，本实施例还提供一种色谱仪故障监测装置400，包括：数据获取模块410，用于获取所述色谱仪多个实时工作数据，多个所述实时工作数据为所述色谱仪多个部件工作中产生的数据。比对模块420，用于将多个所述实时工作数据与预设的异常特征数据库进行比对，所述异常特征数据库中配置有多个异常活动特征信息。故障确定模块430，用于确定是否存在故障以及故障信息。信息发送模块440，用于将所述故障信息发送至对应的用户端。
68.在本实施例提供的色谱仪故障监测装置中还包括预警信息获取模块450，用于将
所述实时工作数据以及预设的预警活动特征数据库进行比对获得预警信息。
69.本技术实施例提供的技术方案中，通过获取色谱仪中的实时工作数据并且基于预设置的与实时工作数据相对应的异常特征数据库进行比对，基于异常特征数据库中的数据阈值实现对于实时工作数据表征的结果进行获取，得到故障以及对应的故障信息，并将故障信息发送至对应的用户端。并且，因为在色谱仪的日常使用中，不仅需要对进行中的异常进行识别，还需要针对于潜在的异常行为进行获取，在本实施例中还配置有预警信息获取方法，实现对于实时工作数据中的预警信息的获取，提高了对于色谱仪的日常管理和维护的准确性。
70.需要理解的是，针对上述内容没有进行名词解释的技术术语，本领域技术人员可以根据上述所公开的内容进行前后推导毫无疑义地确定其所指代的含义在此均不作限定。
71.本领域技术人员可以根据上述已公开的内容毫无疑义对一些预设的、基准的、预定的、设定的以及偏好标签的技术特征/技术术语进行确定，例如阈值、阈值区间、阈值范围等。对于一些未作解释的技术特征术语，本领域技术人员完全能够基于前后文的逻辑关系进行合理地、毫无疑义地推导，从而清楚、完整地实施上述技术方案。未作解释的技术特征术语的前缀，例如“第一”、“第二”、“示例”、
ꢀ“
目标”等，可以根据前后文进行毫无疑义地推导和确定。未作解释的技术特征术语的后缀，例如“集合”、“列表”等，也可以根据前后文进行毫无疑义地推导和确定。
72.本技术实施例公开的上述内容对于本领域技术人员而言是清楚完整的。应当理解，本领域技术人员基于上述公开的内容对未作解释的技术术语进行推导和分析的过程是基于本技术所记载的内容进行的，因此上述内容并不是对整体方案的创造性的评判。
73.上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅作为示例，而并不构成对本技术的限定。虽然此处并没有明确说明，本领域技术人员可以对本技术进行各种修改、改进和修正。该类修改、改进和修正在本技术中被建议，所以该类修改、改进、修正仍属于本技术示范实施例的精神和范围。
74.同时，本技术使用了特定术语来描述本技术的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本技术至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同部分两次或多次提到的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本技术的至少一个实施例中的某些特征、结构或特点可以进行适当的组合。
75.另外，本领域普通技术人员可以理解的是，本技术的各个方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们任何新的和有用的改进。相应地，本技术的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可以被称为“单元”、“组件”或“系统”。此外，本技术的各方面可以表现为位于至少一个计算机可读介质中的计算机产品，所述产品包括计算机可读程序编码。
76.计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或
传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤缆线、rf、或类似介质、或任何上述介质的组合。
77.本技术各方面执行所需的计算机程序码可以用一种或多种程序语言的任意组合编写，包括面向对象程序设计，如java、scala、smalltalk、eiffel、jade、emerald、c 、c#、vb.net，python等，或类似的常规程序编程语言，如"c"编程语言，visual basic，fortran 2003，perl，cobol 2002，php，abap，动态编程语言如python，ruby和groovy或其它编程语言。所述程式设计编码可以完全在用户计算机上执行、或作为独立的软体包在用户计算机上执行、或部分在用户计算机上执行部分在远程计算机执行、或完全在远程计算机或服务器上执行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网络(lan)或广域网(wan)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(saas)。
78.此外，除非申请专利范围中明确说明，本技术所述处理元件和序列的顺序、数位字母的使用、或其他名称的使用，并非用于限定本技术流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的申请专利范围并不仅限于披露的实施例，相反，申请专利范围旨在覆盖所有符合本技术实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件装置实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或行动装置上安装所描述的系统。
79.同样应当理解的是，为了简化本技术揭示的表述，从而帮助对至少一个发明实施例的理解，前文对本技术实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本技术对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。