一种基于机器学习技术的可自感知异常的工控安全防护与报警系统的利记博彩app
【专利摘要】本发明公开了一种基于机器学习技术的可自感知异常的工控安全防护与报警系统，其包括数据采集和预处理模块、数据存储单元、异常检测单元、操作单元，其中数据存储单元包括本地存储模块和网络存储模块，异常检测单元包括预测模块、分析模块、判断模块和决策模块，操作单元包括报警模块和保护模块；该系统配置在需要监控的工控系统中，采集工控系统之间信号发送的数据并进行预处理后，对所述数据基于机器学习框架的异常性进行检测，当有异常于常规操作的情况发生时，自动发出报警或是产生相关的拒绝指令。
【专利说明】
一种基于机器学习技术的可自感知异常的工控安全防护与报警系统
技术领域
[0001]本发明涉及一种基于机器学习技术的工控安全防护与报警与系统，属于工控安全技术领域。
【背景技术】
[0002]工业控制系统是运用控制理论、计算机科学、仪器仪表等技术，对生产过程的各种信息采集、分析、处理，并进行优化控制和合理的调度、管理，以达到提高生产效率的一种控制系统。工业控制系统安全可以分成三个方面，即功能安全、物理安全和信息安全。其中功能安全是为了达到设备和工厂安全功能，受保护的、和控制设备的安全相关部分必须正确执行其功能，而且当失效或故障发生时，设备或系统必须仍能保持安全条件或进入到安全状态。我们可以通过采集工控系统之间的信号发送的数据来进行异常检测，通过历史模式和模型预测来判断数据异常。
【发明内容】
[0003]本发明提供一种基于机器学习技术的可自感知异常的工控安全防护与报警系统，其基于机器学习技术，监测控制系统之间的信号发送。当有异于常规操作的情况发生时，自动产生报警或是保护相关的设备拒绝指令。
[0004]该系统，其包括:
[0005]数据采集和预处理模块，用于监控控制系统之间的信号发送，采集控制系统之间信号发送的数据，并将这些数据处理成反应信号发送方向和顺序的信号流的形式，将所述信号流送入异常检测单元；
[0006]异常检测单元，用于接收相应的信号流，并对所述信号流基于机器学习技术进行异常性检测，判断是否有异常于常规操作的情况发生；
[0007]数据存储单元，用于存储历史信号流数据库样本；
[0008]操作单元，用于根据异常检测单元得出的结论，作出正常操作、发出报警或是产生相关的拒绝指令的操作。
[0009]其中，所述异常检测单元包括预测模块、分析模块、判断模块和决策模块。
[0010]其中，所述操作单元包括:
[0011 ]报警模块，当接收到决策模块发送的报警信号时，所述报警模块会自动产生报警；
[0012]保护模块，当接收到决策模块发送的保护信号时，所述保护模块会发出拒绝操作的指令，使控制系统无法进行相关操作。
[0013]其中，所述预测模块用于在假设无异常的情况下，提供信号流数据集的统计预测数据。
[0014]其中，所述分析模块用于接收预测模块得出的统计预测数据，并根据所述统计预测数据估算从数据采集和预处理模块获取的下一次信号流数据。
[0015]其中，所述判断模块用于根据所述分析模块估算的下一次信号流数据集的预测值和所述数据采集和预处理模块获取的下一次信号流数据的实际值，对所述下一次信号流数据集的异常性进行判断。
[0016]其中，所述决策模块用于接收所述判断模块作出的异常性判断结果，根据所述异常性判断结果作出正常操作、发出报警或是产生相关的拒绝指令的操作的决策，并将决策结果发送给操作单元，同时根据所述异常性判断结果对所述预测模块作出更新，将本次信号流数据集发送给数据存储单元以更新历史信号流数据库样本。
[0017]其中，所述数据存储单元包括:
[0018]本地存储模块，用于将信号流数据集和样本数据存储在本地服务器主机中；
[0019]网络存储模块，用于将本地服务器主机中的历史数据的镜像副本定期更新在云服务器中，避免因本地服务器主机损坏造成的损失。
[0020]本发明的有益效果包括:
[0021]1、通过机器学习技术对控制系统之间信号发送进行异常检测，从而提供在假设无异常情况下信号流状态的统计分布预测，提高了工控系统的异常识别率，同时节约了大量的人力。
[0022]2、所述工控安全防护与报警系统可自感知异常，并在发现异常后，作出自动产生报警或是保护相关的设备拒绝指令的操作。
[0023]3、数据存储单元中的网络存储模块可将本地服务器主机中的历史数据的镜像副本定期更新在云服务器中，避免因服务器主机损坏造成的损失。
【附图说明】
[0024]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中:
[0025]图1是本发明基于机器学习技术的可自感知的工控安全防护与报警系统的框架图。
[0026]图2是本发明中检测步骤示意方框图。
[0027]图3是本发明中信号流数据集的异常性判断方法流程图。
[0028]图4是本发明中决策模块进行决策的步骤示意方框图。
【具体实施方式】
[0029]下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
[0030]如图1所示，本发明公开一种基于机器学习技术的可自感知异常的工控安全防护与报警系统，其包括:数据采集和预处理模块，用于监控控制系统之间的信号发送，采集控制系统之间信号发送的数据，并将这些数据处理成反应信号发送方向与顺序的信号流的形式，将其送入异常检测单元，用于检测异常;异常检测单元，用于接收相应的信号流数据，并对所述数据基于机器学习框架进行异常性检测，得出是否有异常于常规操作的情况发生的结论;数据存储单元，用于存储历史信号流数据库样本;操作单元，用于根据异常检测单元得出的结论，作出正常操作、发出报警或是产生相关的拒绝指令的操作。
[0031]如图2所示，本发明提出的所述基于机器学习技术的可自感知异常的工控安全防护与报警系统中，检测步骤包括:1、获取数据并对其进行预处理;2、对数据进行分析并判断;3、决策控制系统是否有异常;4、将决策结果发送给操作单元并进行相关操作。
[0032]本发明提出的所述基于机器学习技术的可自感知异常的工控安全防护与报警系统中，所述异常检测单元包括:预测模块，用于提供在假设无异常的情况下，信号流数据集的预测数据;分析模块，用于接收预测模块得出的统计预测数据，并根据所述预测数据估算从数据采集和预处理模块获取的下一次信号流数据;判断模块，用于根据下一次信号流数据集的预测值和实际值，对所述下一次信号流数据集的异常性进行判断;决策模块，用于接收判断模块作出的异常性判断结果，根据所述异常性判断结果作出正常操作、发出报警或是产生相关的拒绝指令的操作的决策，并将决策结果发送给操作单元，同时根据所述异常性判断结果对所述预测模块作出更新，将本次信号流数据集发送给数据存储单元以更新历史信号流数据库样本。
[0033]如图3所示，本发明提出的所述基于机器学习技术的可自感知异常的工控安全防护与报警系统中，所述判断模块对所述下一次信号流数据集的异常性进行判断的方法包括以下步骤:
[0034]3.1、比较所述预测值与从数据采集与预处理模块获取的下一次信号流数据的实际值，得出两者的差值A ;
[0035]3.2、从数据存储单元获取与所测信号流数据具有相同的时间步长和系统操作背景的历史数据库样本，计算该样本的标准差；
[0036]3.3、比较所述差值与标准差范围:
[0037]如果差值Δ不在[-δ，δ]的范围之内，计算偏离值P，其中P=I I Δ卜δ|，判断模块将偏离值P发送给决策模块;如果差值A在[_δ，δ ]的范围之内，判断模块向决策模块发送一个肯定信号，确定无异常情况。
[0038]如图4所示，本发明提出的所述基于机器学习技术的可自感知异常的工控安全防护与报警系统中，所述决策模块进行决策的方法包括以下步骤:
[0039]4.1、决策模块接收判断模块发送的数据，若数据为偏离值P，则进行步骤4.2，若数据为一个肯定信号，则进行步骤4.3;
[0040]4.2、决策模块接收偏离值P，将偏离值P与已设定的判定值λ进行比较，若偏离值P小于判定值λ，决策模块向操作单元的报警模块发送报警信号;若偏离值P大于等于判定值λ，决策模块则向操作单元的保护模块发送保护信号。同时，决策模块在数据存储单元中更新本次的信号流数据样本，并标记为异常事件；
[0041]4.3、决策模块接收到肯定信号，则将相应的判断模块与数据存储单元中的样本数据进行更新，用于检测下一次的信号流数据。
[0042]本发明提出的所述基于机器学习技术的可自感知异常的工控安全防护与报警系统中，所述数据存储单元包括:本地存储模块，用于本地存储信号流数据集、样本数据，将所述数据存储在本地服务器主机中；网络存储模块，用于将本地服务器主机中的历史数据的镜像副本定期更新在云服务器中，避免因服务器主机损坏造成的损失。
[0043]本发明提出的所述基于机器学习技术的可自感知异常的工控安全防护与报警系统中，所述操作单元包括:报警模块，当接收到决策模块发送的报警信号时，所述报警模块会自动产生报警;保护模块，当接收到决策模块发送的保护信号时，所述保护模块会发出拒绝操作的指令，使控制系统无法进行相关操作。
[0044]本发明与传统工控安全防护与报警系统相比，通过机器学习技术对控制系统之间信号发送进行异常检测，从而提供在假设无异常情况下信号流状态的统计分布预测，提高了工控系统的异常识别率，同时节约了大量的人力。
[0045]本发明与传统工控安全防护与报警系统相比，所述工控安全防护与报警系统可自感知异常，并在发现异常后，作出自动产生报警或是保护相关的设备拒绝指令的操作。
[0046]本发明与传统工控安全防护与报警系统相比，通过数据存储单元中的网络存储模块可将本地服务器主机中的历史数据的镜像副本定期更新在云服务器中，避免因服务器主机损坏造成的损失。
[0047]以上所述，仅为本发明较佳的【具体实施方式】，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
【主权项】
1.一种基于机器学习技术的工控安全防护与报警系统，其特征在于，其包括: 数据采集和预处理模块，用于监控控制系统之间的信号发送，采集控制系统之间信号发送的数据，并将这些数据处理成反应信号发送方向和顺序的信号流的形式，将所述信号流送入异常检测单元； 异常检测单元，用于接收相应的信号流，并对所述信号流基于机器学习技术进行异常性检测，判断是否有异常于常规操作的情况发生； 数据存储单元，用于存储历史信号流数据库样本； 操作单元，用于根据异常检测单元得出的结论，作出正常操作、发出报警或是产生相关的拒绝指令的操作。2.根据权利要求1所述的基于机器学习技术的工控安全防护与报警系统，其特征在于，所述异常检测单元包括预测模块、分析模块、判断模块和决策模块。3.根据权利要求2所述的基于机器学习技术的工控安全防护与报警系统，其特征在于，所述操作单元包括: 报警模块，当接收到决策模块发送的报警信号时，所述报警模块会自动产生报警； 保护模块，当接收到决策模块发送的保护信号时，所述保护模块会发出拒绝操作的指令，使控制系统无法进行相关操作。4.根据权利要求2所述的基于机器学习技术的工控安全防护与报警系统，其特征在于，所述预测模块用于在假设无异常的情况下，提供信号流数据集的统计预测数据。5.根据权利要求4所述的基于机器学习技术的工控安全防护与报警系统，其特征在于，所述分析模块用于接收预测模块得出的统计预测数据，并根据所述统计预测数据估算从数据采集和预处理模块获取的下一次信号流数据。6.根据权利要求5所述的基于机器学习技术的工控安全防护与报警系统，其特征在于，所述判断模块用于根据所述分析模块估算的下一次信号流数据集的预测值和所述数据采集和预处理模块获取的下一次信号流数据的实际值，对所述下一次信号流数据集的异常性进行判断。7.根据权利要求3所述的基于机器学习技术的工控安全防护与报警系统，其特征在于，所述决策模块用于接收所述判断模块作出的异常性判断结果，根据所述异常性判断结果作出正常操作、发出报警或是产生相关的拒绝指令的操作的决策，并将决策结果发送给操作单元，同时根据所述异常性判断结果对所述预测模块作出更新，将本次信号流数据集发送给数据存储单元以更新历史信号流数据库样本。8.根据权利要求1所述的基于机器学习技术的工控安全防护与报警系统，其特征在于，所述数据存储单元包括: 本地存储模块，用于将信号流数据集和样本数据存储在本地服务器主机中； 网络存储模块，用于将本地服务器主机中的历史数据的镜像副本定期更新在云服务器中，避免因本地服务器主机损坏造成的损失。
【文档编号】G06Q10/04GK106096789SQ201610456945
【公开日】2016年11月9日
【申请日】2016年6月22日
【发明人】黄滟鸿, 郭欣, 史建琦, 李昂, 方徽星
【申请人】华东师范大学