本发明涉及智能监控，特别是涉及一种基于区间观测的实时监控方法与系统。
背景技术：
1、在工业生产和设备运维中，实时监控被监控对象的运行状态是保障系统安全、稳定、高效运行的关键。传统的监控方法主要有两种：一种是基于单点阈值的监控，即将实时数据与预先设定的上下限阈值进行比较，判断是否超出正常范围；另一种是基于模型的监控，即使用数学模型刻画被监控对象的输入输出关系，通过实时数据验证模型，判断运行状态是否异常。
2、然而，这两种方法都存在一定的局限性。基于单点阈值的监控只能检测较为极端的异常情况，对于一些早期的、局部的异常征兆，往往缺乏敏感性和预见性。而基于模型的监控对系统的建模精度和计算复杂度要求较高，在实际应用中受到模型失配、参数漂移等因素的影响，导致监控的准确性和实时性下降。
3、因此，亟需一种新的实时监控方法，能够充分挖掘实时数据的统计特征，自适应地判断运行状态，并及时调整控制参数，以提高监控的智能化水平和控制的自动化程度。
技术实现思路
1、有鉴于此，本发明实施例的目的在于提供一种基于区间观测的实时监控方法与系统，以解决上述技术问题。
2、为达上述目的，第一方面，本发明实施例提供了一种基于区间观测的实时监控方法，所述方法包括以下步骤：
3、s1：获取被监控对象的实时运行参数，并根据预设的区间阈值，将所述实时运行参数划分为若干个区间；
4、s2：对每个区间内的实时运行参数进行统计分析，得到每个区间的统计特征值；
5、s3：将所述每个区间的统计特征值与预设的标准模型进行比较，计算每个区间的偏差度；
6、s4：根据所述每个区间的偏差度，判断所述被监控对象的运行状态是否异常，若异常，则发出预警信号；
7、s5：根据所述预警信号，自动调整所述被监控对象的控制参数，使所述被监控对象恢复正常运行状态。
8、在一些可能的实施方式中，步骤s1具体包括：
9、s1.1：通过传感器采集被监控对象的实时运行参数；
10、s1.2：预先设定每个实时运行参数的正常运行区间对应的区间阈值；
11、s1.3：根据预设的区间阈值，将被监控对象的实时运行参数划分为若干个区间。
12、在一些可能的实施方式中，步骤s2具体包括：
13、s2.1：计算每个区间内实时运行参数的统计量，所述统计量包括均值、方差、峰度和偏度；
14、s2.2：将计算得到的统计量作为本区间的统计特征值。
15、在一些可能的实施方式中，步骤s3具体包括：
16、s3.1：从标准模型库中读取与当前被监控对象对应的标准模型；其中，所述标准模型是根据所述被监控对象的历史正常运行参数通过机器学习算法建立的；
17、s3.2：将每个区间的统计特征值与所述标准模型进行逐一比较，计算每个区间的偏差度。
18、在一些可能的实施方式中，步骤s4具体包括：
19、s4.1：设定偏差度阈值，当所述偏差度超过所述偏差度阈值时，判定所述被监控对象的运行状态为异常状态；
20、s4.2：当所述被监控对象的运行状态为异常状态时生成预警信号，并发出所述预警信号；其中，所述预警信号包括声光报警、短信通知或者邮件提醒。
21、在一些可能的实施方式中，步骤s5具体包括：
22、s5.1：根据所述预警信号，确定需要调整的控制参数；
23、s5.2：根据预设的调整策略，计算所述控制参数的调整幅度；其中，所述调整策略采用基于规则的专家系统，和/或，基于强化学习的智能优化算法；
24、s5.3：根据计算出的所述控制参数的调整幅度，确定调整后的控制参数，将所述调整后的控制参数发送至所述被监控对象，使所述被监控对象恢复正常运行状态。
25、第二方面，提供一种基于区间观测的实时监控系统，其包括：
26、数据采集模块，用于获取被监控对象的实时运行参数；
27、数据处理模块，用于将实时运行参数划分为若干个区间，并对每个区间内的实时运行参数进行统计分析；
28、状态评估模块，用于将每个区间的统计特征值与预设的标准模型进行比较，计算每个区间的偏差度，并判断被监控对象的运行状态是否异常；
29、预警输出模块，用于在检测到异常时发出预警信号；
30、控制调节模块，用于根据所述预警信号自动调整被监控对象的控制参数。
31、在一些可能的实施方式中，所述数据采集模块，具体包括：
32、传感器，用于采集被监控对象的模拟量的实时运行参数；
33、数据采集卡，用于将传感器采集到的模拟量的实时运行参数转换为数字量的实时运行参数；
34、工业计算机，用于接收和存储所述数字量的实时运行参数。
35、在一些可能的实施方式中，所述数据处理模块，具体包括：
36、数据划分单元，用于根据预设的区间阈值将所述实时运行参数划分为若干个区间；
37、统计分析单元，用于对每个区间内的实时运行参数进行统计分析，得到每个区间的统计特征值。
38、在一些可能的实施方式中，所述状态评估模块，具体包括：
39、标准模型库，用于存储各类被监控对象的标准模型；所述标准模型是根据被监控对象的历史正常运行参数通过机器学习算法建立的；
40、偏差度计算单元，用于计算每个区间的统计特征值与所述标准模型之间的偏差度；
41、异常判断单元，用于根据所述偏差度判断被监控对象的运行状态是否异常。
42、在一些可能的实施方式中，所述预警输出模块包括:
43、偏差度阈值设定单元,用于设定偏差度阈值；
44、异常状态判定单元,用于当所述偏差度超过所述偏差度阈值时，判定所述被监控对象的运行状态为异常状态；
45、预警信号生成单元，用于当所述被监控对象的运行状态为异常状态时生成预警信号；
46、预警信号发送单元，用于发出所述预警信号；其中，所述预警信号包括声光报警、短信通知或者邮件提醒。
47、在一些可能的实施方式中，所述控制调节模块包括:
48、控制参数确定单元，用于根据所述预警信号，确定需要调整的控制参数；
49、调整幅度计算单元，用于根据预设的调整策略，计算所述控制参数的调整幅度；其中，所述调整策略采用基于规则的专家系统，和/或，基于强化学习的智能优化算法；
50、控制参数调整单元，用于根据计算出的所述控制参数的调整幅度，确定调整后的控制参数；
51、控制参数下发单元，用于将所述调整后的控制参数发送至所述被监控对象，使所述被监控对象恢复正常运行状态。
52、上述技术方案具有如下有益效果：
53、通过区间划分和统计分析，提高了监控的粒度和敏感性，能够及时发现局部的、早期的异常征兆，避免事故的扩大和蔓延。
54、通过偏差度比较和阈值判断，简化了监控的模型和计算，降低了系统的实现难度和运行开销，提高了监控的实时性和可靠性。
55、通过智能优化和自动调节，实现了监控与控制的一体化，提高了系统的自适应能力和自愈能力，减少了人工干预和决策的延迟。
56、该方法具有通用性和可扩展性，可以灵活地应用于不同领域、不同对象的实时监控。
1.一种基于区间观测的实时监控方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤s1具体包括：
3.根据权利要求1所述的方法，其特征在于，步骤s2具体包括：
4.根据权利要求1所述的方法，其特征在于，步骤s3具体包括：
5.根据权利要求1所述的方法，其特征在于，步骤s4具体包括：
6.根据权利要求1所述的方法，其特征在于，步骤s5具体包括：
7.一种基于区间观测的实时监控系统，其特征在于，包括：
8.根据权利要求7所述的系统，其特征在于，所述数据采集模块，具体包括：
9.根据权利要求7所述的系统，其特征在于，所述数据处理模块，具体包括：
10.根据权利要求7所述的系统，其特征在于，所述状态评估模块，具体包括：
