CN110298497A - 基于大数据的工业预测维修***及其使用方法 - Google Patents
基于大数据的工业预测维修***及其使用方法 Download PDFInfo
- Publication number
- CN110298497A CN110298497A CN201910501389.0A CN201910501389A CN110298497A CN 110298497 A CN110298497 A CN 110298497A CN 201910501389 A CN201910501389 A CN 201910501389A CN 110298497 A CN110298497 A CN 110298497A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- sample
- fault
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于大数据的工业预测维修***及其使用方法,该方法包括:获取历史运行数据,根据所述历史运行数据得到若干训练样本,所述训练样本包括故障样本以及正常样本;基于所述若干训练样本对广度和深度Wide And Deep模型进行训练,得到故障检测模型;将所述正常样本输入所述故障检测模型,得到若干第一输出值;根据所述若干第一输出值,确定故障阈值;将待检测机械的当前运行数据输入所述故障检测模型,得到第二输出值;检测所述第二输出值是否大于所述故障阈值;若所述第二输出值大于所述故障阈值,则输出告警提示。通过本发明,能及时引导维修人员发现设备的故障状态,为设备的安全高效运行提供技术保障。
Description
技术领域
本发明涉及机械故障诊断技术领域,尤其涉及基于大数据的工业预测维修***及其使用方法。
背景技术
石油化工装置有着长周期、连续性生产的特点,石化装置中机泵和机组更是关键设备,生产装置运行中一旦关键设备发生故障或失效就会引起严重后果,不仅设备受损,整个生产装置还会全面停车,甚至会出现安全事故。因此对于设备运行的安全性和可靠性的要求也越来越高。
现有的故障维修或计划维修属于预防性维修,一般是在机械出现故障后进行维修,或是在固定时间对机械进行维修。若是在机械出现故障后才进行维修,会发生非正常运行的情况;若是在固定时间对机械进行维修,又可能出现维修过度的情况,会加速机械的损耗。
发明内容
本发明的主要目的在于提供一种基于大数据的工业预测维修***及其使用方法,旨在解决现有技术中无法预测设备在什么时候需要进行维修的技术问题。
为实现上述目的,本发明提供一种基于大数据的工业预测维修***的使用方法,所述基于大数据的工业预测维修***的使用方法包括以下步骤:
获取历史运行数据,根据所述历史运行数据得到若干训练样本,所述训练样本包括故障样本以及正常样本;
基于所述若干训练样本对广度和深度Wide And Deep模型进行训练,得到故障检测模型;
将所述正常样本输入所述故障检测模型,得到若干第一输出值;
根据所述若干第一输出值,确定故障阈值;
将待检测机械的当前运行数据输入所述故障检测模型,得到第二输出值;
检测所述第二输出值是否大于所述故障阈值;
若所述第二输出值大于所述故障阈值,则输出告警提示。
可选的,所述获取历史运行数据,根据所述历史运行数据得到若干训练样本,所述训练样本包括故障样本以及正常样本的步骤包括:
获取历史运行数据,并将所述历史运行数据中处于故障状态的机械的运行数据标记为故障数据,将所述历史运行数据中处于正常状态的机械的运行数据标记为正常数据;
将所述故障数据作为故障样本,将所述正常数据作为正常样本,并设置所述故障样本的标签为第一标签,设置所述正常样本的标签为第二标签。
可选的,所述历史运行数据包括:
机械的DCS数据和/或本特利***数据。
可选的,所述广度和深度Wide And Deep模型包括深度神经网络DNN模型以及线性模型,所述基于所述若干训练样本对广度和深度Wide And Deep模型进行训练,得到故障检测模型的步骤包括:
将单个训练样本输入广度和深度Wide And Deep模型,得到单个训练样本对应的DNN模型输出值以及线性模型输出值;
叠加所述DNN模型输出值以及线性模型输出值,得到叠加值,基于σ函数确定所述叠加值对应的类别,并判断所述类别与所述单个训练样本对应的标签是否一致;
若一致,则记作预测正确,若不一致,则记作预测错误;
将新的单个训练样本作为单个训练样本,并执行将单个训练样本输入广度和深度Wide And Deep模型,得到单个训练样本对应的DNN模型输出值以及线性模型输出值的步骤,直至遍历所有训练样本;
统计得到预测正确的次数a,预测错误的次数b;
通过公式:
计算得到训练误差值e;
检测所述训练误差值是否小于或等于预设误差值;
若所述训练误差值小于或等于预设误差值,则将当前的Wide And Deep模型作为故障检测模型;
若所述训练误差值大于预设误差值,则基于所述训练误差值更新DNN模型以及线性模型的参数,得到新的Wide And Deep模型;
将所述新的Wide And Deep模型作为Wide And Deep模型,并执行所述将单个训练样本输入广度和深度Wide And Deep模型,得到单个训练样本对应的DNN模型输出值以及线性模型输出值的步骤。
可选的,所述根据所述若干第一输出值,确定故障阈值的步骤包括:
选取所述若干第一输出值中的最大值,将所述最大值作为故障阈值。
此外,为实现上述目的,本发明还提供一种基于大数据的工业预测维修***,所述基于大数据的工业预测维修***包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被处理器执行时实现如上所述的基于大数据的工业预测维修***的使用方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的基于大数据的工业预测维修***的使用方法的步骤。
本发明中,获取历史运行数据,根据所述历史运行数据得到若干训练样本,所述训练样本包括故障样本以及正常样本;基于所述若干训练样本对广度和深度Wide And Deep模型进行训练,得到故障检测模型;将所述正常样本输入所述故障检测模型,得到若干第一输出值;根据所述若干第一输出值,确定故障阈值;将待检测机械的当前运行数据输入所述故障检测模型,得到第二输出值;检测所述第二输出值是否大于所述故障阈值;若所述第二输出值大于所述故障阈值,则输出告警提示。通过本发明,基于企业生产过程中积累的海量历史数据训练Wide And Deep模型,得到故障预测模型,然后通过故障预测模型基于设备的当前运行数据,进行故障预测,能及时引导维修人员发现设备的故障状态,为设备的安全高效运行提供技术保障。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的基于大数据的工业预测维修***结构示意图;
图2为本发明基于大数据的工业预测维修***的使用方法第一实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,图1为本发明实施例方案涉及的硬件运行环境的基于大数据的工业预测维修***结构示意图。
如图1所示,该基于大数据的工业预测维修***可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的基于大数据的工业预测维修***结构并不构成对基于大数据的工业预测维修***的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及计算机程序。
在图1所示的基于大数据的工业预测维修***中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的计算机程序,并执行以下操作:
获取历史运行数据,根据所述历史运行数据得到若干训练样本,所述训练样本包括故障样本以及正常样本;
基于所述若干训练样本对广度和深度Wide And Deep模型进行训练,得到故障检测模型;
将所述正常样本输入所述故障检测模型,得到若干第一输出值;
根据所述若干第一输出值,确定故障阈值;
将待检测机械的当前运行数据输入所述故障检测模型,得到第二输出值;
检测所述第二输出值是否大于所述故障阈值;
若所述第二输出值大于所述故障阈值,则输出告警提示。
进一步地,处理器1001可以调用存储器1005中存储的计算机程序,还执行以下操作:
获取历史运行数据,并将所述历史运行数据中处于故障状态的机械的运行数据标记为故障数据,将所述历史运行数据中处于正常状态的机械的运行数据标记为正常数据;
将所述故障数据作为故障样本,将所述正常数据作为正常样本,并设置所述故障样本的标签为第一标签,设置所述正常样本的标签为第二标签。
进一步地,处理器1001可以调用存储器1005中存储的计算机程序,还执行以下操作:
所述历史运行数据包括:机械的DCS数据和/或本特利***数据。
进一步地,处理器1001可以调用存储器1005中存储的计算机程序,还执行以下操作:
将单个训练样本输入广度和深度Wide And Deep模型,得到单个训练样本对应的DNN模型输出值以及线性模型输出值;
叠加所述DNN模型输出值以及线性模型输出值,得到叠加值,基于σ函数确定所述叠加值对应的类别,并判断所述类别与所述单个训练样本对应的标签是否一致;
若一致,则记作预测正确,若不一致,则记作预测错误;
将新的单个训练样本作为单个训练样本,并执行将单个训练样本输入广度和深度Wide And Deep模型,得到单个训练样本对应的DNN模型输出值以及线性模型输出值的步骤,直至遍历所有训练样本;
统计得到预测正确的次数a,预测错误的次数b;
通过公式:
计算得到训练误差值e;
检测所述训练误差值是否小于或等于预设误差值;
若所述训练误差值小于或等于预设误差值,则将当前的Wide And Deep模型作为故障检测模型;
若所述训练误差值大于预设误差值,则基于所述训练误差值更新DNN模型以及线性模型的参数,得到新的Wide And Deep模型;
将所述新的Wide And Deep模型作为Wide And Deep模型,并执行所述将单个训练样本输入广度和深度Wide And Deep模型,得到单个训练样本对应的DNN模型输出值以及线性模型输出值的步骤。
进一步地,处理器1001可以调用存储器1005中存储的计算机程序,还执行以下操作:
选取所述若干第一输出值中的最大值,将所述最大值作为故障阈值。
参照图2,图2为本发明基于大数据的工业预测维修***的使用方法第一实施例的流程示意图。
在一实施例中,基于大数据的工业预测维修***的使用方法包括:
步骤S10,获取历史运行数据,根据所述历史运行数据得到若干训练样本,所述训练样本包括故障样本以及正常样本;
本实施例中,获取企业生产过程中积累的各状态下机械的运行数据,作为历史运行数据。
在一可选实施例中,步骤S10包括:
获取历史运行数据,并将所述历史运行数据中处于故障状态的机械的运行数据标记为故障数据,将所述历史运行数据中处于正常状态的机械的运行数据标记为正常数据;将所述故障数据作为故障样本,将所述正常数据作为正常样本,并设置所述故障样本的标签为第一标签,设置所述正常样本的标签为第二标签。其中,历史运行数据包括:机械的DCS数据和/或本特利***数据。DCS数据包括温度数据、压力数据等,本特利***数据即设备波形频谱数据。
本实施例中,获取的历史运行数据中包括:处于故障状态的机械的运行数据以及处于正常状态的机械的运行数据。将处于故障状态的机械的运行数据标记为故障数据,并将故障数据作为故障样本;将处于正常状态的机械的运行数据标记为正常数据,并将正常数据作为正常样本。将故障样本的标签设置为第一标签,例如“1”,表示该样本对应的机械状态为故障,将正常样本的标签设置为第二标签,例如“0”,表示该样本对应的机械状态为正常。
步骤S20,基于所述若干训练样本对广度和深度Wide And Deep模型进行训练,得到故障检测模型;
本实施例中,广度和深度Wide And Deep模型包括深度神经网络DNN模型以及线性模型,步骤S20包括:
步骤S201,将单个训练样本输入广度和深度Wide And Deep模型,得到单个训练样本对应的DNN模型输出值以及线性模型输出值;
本实施例中,假设训练样本为训练样本1至训练样本1000,则首先将训练样本1输入广度和深度Wide And Deep模型,得到训练样本1对应的DNN模型输出值X1以及线性模型输出值Y1。
步骤S202,叠加所述DNN模型输出值以及线性模型输出值,得到叠加值,基于σ函数确定所述叠加值对应的类别,并判断所述类别与所述单个训练样本对应的标签是否一致;
本实施例中,将X1以及Y1叠加,得到叠加值Z,然后基于σ函数确定所述叠加值对应的类别(故障或正常),然后判断类别与训练样本1对应的标签是否一致。其中,σ函数即激活函数,用于二元分类。
步骤S203,若一致,则记作预测正确,若不一致,则记作预测错误;
本实施例中,若训练样本1为正常样本,则其标签为第二标签,代表该样本对应的机械状态为正常,若基于σ函数确定的类别为正常,则预测正确,若σ函数确定的类别为故障,则预测错误。若训练样本1为故障样本,则其标签为第一标签,代表该样本对应的机械状态为故障,若基于σ函数确定的类别为正常,则预测错误,若σ函数确定的类别为故障,则预测正确。
步骤S204,将新的单个训练样本作为单个训练样本,并执行将单个训练样本输入广度和深度Wide And Deep模型,得到单个训练样本对应的DNN模型输出值以及线性模型输出值的步骤,直至遍历所有训练样本;
本实施例中,执行完上述步骤S201至步骤S203之后,以新的单个训练样本作为单个训练样本,重复上述步骤S201至步骤S203,直至遍历所有训练样本。
步骤S205,统计得到预测正确的次数a,预测错误的次数b;
本实施例中,通过上述步骤S201至步骤S204,即可得到所有训练样本对应的预测情况。
步骤S206,通过公式:
计算得到训练误差值e;
本实施例中,通过上述公式,即可计算预测错误的次数在总训练次数中所占的比例,例如总训练样本数为1000,若预测错误次数为100,则训练误差值e为10%。
步骤S207,检测所述训练误差值是否小于或等于预设误差值;
本实施例中,预设误差值根据实际需要进行判断,例如设置为5%。
步骤S208,若所述训练误差值小于或等于预设误差值,则将当前的Wide And Deep模型作为故障检测模型;
本实施例中,若训练误差值小于或等于预设误差值,则说明当前的Wide And Deep模型的预测精度较高,符合实际需求,因此,可将当前的Wide And Deep模型作为故障检测模型。
步骤S209,若所述训练误差值大于预设误差值,则基于所述训练误差值更新DNN模型以及线性模型的参数,得到新的Wide And Deep模型;
本实施例中,若训练误差值大于预设误差值,则说明当前的Wide And Deep模型预测精度较低,因此,需基于训练误差值对DNN模型以及线性模型的参数进行更新,得到新的Wide And Deep模型。
步骤S210,将所述新的Wide And Deep模型作为Wide And Deep模型,并执行所述将单个训练样本输入广度和深度Wide And Deep模型,得到单个训练样本对应的DNN模型输出值以及线性模型输出值的步骤。
本实施例中,需要对新的Wide And Deep模型进行训练,将新的Wide And Deep模型作为Wide And Deep模型,并跳转执行步骤S201。
本实施例中,使用Wide and Deep深度学习模型。其中Wide端对应的是线性模型,输入特征可以是连续特征,也可以是稀疏的离散特征。线性模型训练中通过L1正则化,能够很快收敛到有效的特征组合中。Deep端对应的是DNN模型,每个特征对应一个低维的实数向量,我们称之为特征的embedding。DNN模型通过反向传播调整隐藏层的权重,并且更新特征的embedding。Wide and Deep整个模型的输出是线性模型输出与DNN模型输出的叠加。模型训练采用的是联合训练,模型的训练误差会同时反馈到线性模型和DNN模型中进行参数更新。相比于集成训练中单个模型进行独立训练,模型的融合仅在最终做预测阶段进行,联合训练中模型的融合是在训练阶段进行的,单个模型的权重更新会受到Wide端和Deep端对模型训练误差的共同影响。因此在模型的特征设计阶段,Wide端模型和Deep端模型只需要分别专注于擅长的方面,Wide端模型通过离散特征的交叉组合进行记忆,Deep端模型通过特征的embedding进行泛化,这样单个模型的大小和复杂度也能得到控制,而整体模型的性能仍能得到提高。该模型在深度学习框架tensorflow上进行开发,构造一个n层m节点的Wide&Deep模型,其中Wide部分用逻辑回归,Deep部分用DNN网络,以csv格式作为样本输入格式,模型保存成tensorflow的pb格式,采用P40的GPU作为硬件基础,通过tensorflow-serving提供推理服务。
步骤S30,将所述正常样本输入所述故障检测模型,得到若干第一输出值;
本实施例中,在得到故障检测模型后,将正常样本输入故障检测模型。例如将正常样本1至正常样本500输入故障检测模型,即可得到500个第一输出值。
步骤S40,根据所述若干第一输出值,确定故障阈值;
一可选实施例中,可以以若干第一输出值的平均值作为故障阈值。
另一可选实施例中,步骤S40包括:
选取所述若干第一输出值中的最大值,将所述最大值作为故障阈值。
本实施例中,选取若干第一输出值中的最大值,并将最大值作为故障阈值。
步骤S50,将待检测机械的当前运行数据输入所述故障检测模型,得到第二输出值;
本实施例中,待检测机械的当前运行数据,即该机械当前的DCS数据和/或本特利***数据。DCS数据包括温度数据、压力数据等,本特利***数据即设备波形频谱数据。将待检测机械的当前运行数据输入故障检测模型,即可得到该故障检测模型基于当前运行数据的预测值,即第二输出值。
步骤S60,检测所述第二输出值是否大于所述故障阈值;
步骤S70,若所述第二输出值大于所述故障阈值,则输出告警提示。
本实施例中,若第二输出值大于故障阈值,而故障阈值是基于若干正常样本得到的第一输出值中的最大值,则说明当前机械的当前运行数据不属于正常状态下运行的机械的运行数据,即说明待检测机械很大可能存在故障或将要出现故障,因此,输出告警提示,以供维修人员及时对该机械进行检修。
本实施例中,获取历史运行数据,根据所述历史运行数据得到若干训练样本,所述训练样本包括故障样本以及正常样本;基于所述若干训练样本对广度和深度Wide AndDeep模型进行训练,得到故障检测模型;将所述正常样本输入所述故障检测模型,得到若干第一输出值;根据所述若干第一输出值,确定故障阈值;将待检测机械的当前运行数据输入所述故障检测模型,得到第二输出值;检测所述第二输出值是否大于所述故障阈值;若所述第二输出值大于所述故障阈值,则输出告警提示。通过本实施例,基于企业生产过程中积累的海量历史数据训练Wide And Deep模型,得到故障预测模型,然后通过故障预测模型基于设备的当前运行数据,进行故障预测,能及时引导维修人员发现设备的故障状态,为设备的安全高效运行提供技术保障。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上基于大数据的工业预测维修***的使用方法各个实施例的步骤。
本发明计算机可读存储介质的具体实施例与上述基于大数据的工业预测维修***的使用方法的各个实施例基本相同,在此不做赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种基于大数据的工业预测维修***的使用方法,其特征在于,所述基于大数据的工业预测维修***的使用方法包括以下步骤:
获取历史运行数据,根据所述历史运行数据得到若干训练样本,所述训练样本包括故障样本以及正常样本;
基于所述若干训练样本对广度和深度Wide And Deep模型进行训练,得到故障检测模型;
将所述正常样本输入所述故障检测模型,得到若干第一输出值;
根据所述若干第一输出值,确定故障阈值;
将待检测机械的当前运行数据输入所述故障检测模型,得到第二输出值;
检测所述第二输出值是否大于所述故障阈值;
若所述第二输出值大于所述故障阈值,则输出告警提示。
2.如权利要求1所述的基于大数据的工业预测维修***的使用方法,其特征在于,所述获取历史运行数据,根据所述历史运行数据得到若干训练样本,所述训练样本包括故障样本以及正常样本的步骤包括:
获取历史运行数据,并将所述历史运行数据中处于故障状态的机械的运行数据标记为故障数据,将所述历史运行数据中处于正常状态的机械的运行数据标记为正常数据;
将所述故障数据作为故障样本,将所述正常数据作为正常样本,并设置所述故障样本的标签为第一标签,设置所述正常样本的标签为第二标签。
3.如权利要求2所述的基于大数据的工业预测维修***的使用方法,其特征在于,所述历史运行数据包括:
机械的DCS数据和/或本特利***数据。
4.如权利要求2所述的基于大数据的工业预测维修***的使用方法,其特征在于,所述广度和深度Wide And Deep模型包括深度神经网络DNN模型以及线性模型,所述基于所述若干训练样本对广度和深度Wide And Deep模型进行训练,得到故障检测模型的步骤包括:
将单个训练样本输入广度和深度Wide And Deep模型,得到单个训练样本对应的DNN模型输出值以及线性模型输出值;
叠加所述DNN模型输出值以及线性模型输出值,得到叠加值,基于σ函数确定所述叠加值对应的类别,并判断所述类别与所述单个训练样本对应的标签是否一致;
若一致,则记作预测正确,若不一致,则记作预测错误;
将新的单个训练样本作为单个训练样本,并执行将单个训练样本输入广度和深度WideAnd Deep模型,得到单个训练样本对应的DNN模型输出值以及线性模型输出值的步骤,直至遍历所有训练样本;
统计得到预测正确的次数a,预测错误的次数b;
通过公式:
计算得到训练误差值e;
检测所述训练误差值是否小于或等于预设误差值;
若所述训练误差值小于或等于预设误差值,则将当前的Wide And Deep模型作为故障检测模型;
若所述训练误差值大于预设误差值,则基于所述训练误差值更新DNN模型以及线性模型的参数,得到新的Wide And Deep模型;
将所述新的Wide And Deep模型作为Wide And Deep模型,并执行所述将单个训练样本输入广度和深度Wide And Deep模型,得到单个训练样本对应的DNN模型输出值以及线性模型输出值的步骤。
5.如权利要求1所述的基于大数据的工业预测维修***的使用方法,其特征在于,所述根据所述若干第一输出值,确定故障阈值的步骤包括:
选取所述若干第一输出值中的最大值,将所述最大值作为故障阈值。
6.一种基于大数据的工业预测维修***,其特征在于,所述基于大数据的工业预测维修***包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如下步骤:
获取历史运行数据,根据所述历史运行数据得到若干训练样本,所述训练样本包括故障样本以及正常样本;
基于所述若干训练样本对广度和深度Wide And Deep模型进行训练,得到故障检测模型;
将所述正常样本输入所述故障检测模型,得到若干第一输出值;
根据所述若干第一输出值,确定故障阈值;
将待检测机械的当前运行数据输入所述故障检测模型,得到第二输出值;
检测所述第二输出值是否大于所述故障阈值;
若所述第二输出值大于所述故障阈值,则输出告警提示。
7.如权利要求6所述的基于大数据的工业预测维修***,其特征在于,所述计算机程序被所述处理器执行时还实现如下步骤:
获取历史运行数据,并将所述历史运行数据中处于故障状态的机械的运行数据标记为故障数据,将所述历史运行数据中处于正常状态的机械的运行数据标记为正常数据;
将所述故障数据作为故障样本,将所述正常数据作为正常样本,并设置所述故障样本的标签为第一标签,设置所述正常样本的标签为第二标签。
8.如权利要求6所述的基于大数据的工业预测维修***,其特征在于,所述计算机程序被所述处理器执行时还实现如下步骤:
将单个训练样本输入广度和深度Wide And Deep模型,得到单个训练样本对应的DNN模型输出值以及线性模型输出值;
叠加所述DNN模型输出值以及线性模型输出值,得到叠加值,基于σ函数确定所述叠加值对应的类别,并判断所述类别与所述单个训练样本对应的标签是否一致;
若一致,则记作预测正确,若不一致,则记作预测错误;
将新的单个训练样本作为单个训练样本,并执行将单个训练样本输入广度和深度WideAnd Deep模型,得到单个训练样本对应的DNN模型输出值以及线性模型输出值的步骤,直至遍历所有训练样本;
统计得到预测正确的次数a,预测错误的次数b;
通过公式:
计算得到训练误差值e;
检测所述训练误差值是否小于或等于预设误差值;
若所述训练误差值小于或等于预设误差值,则将当前的Wide And Deep模型作为故障检测模型;
若所述训练误差值大于预设误差值,则基于所述训练误差值更新DNN模型以及线性模型的参数,得到新的Wide And Deep模型;
将所述新的Wide And Deep模型作为Wide And Deep模型,并执行所述将单个训练样本输入广度和深度Wide And Deep模型,得到单个训练样本对应的DNN模型输出值以及线性模型输出值的步骤。
9.如权利要求6所述的基于大数据的工业预测维修***,其特征在于,所述计算机程序被所述处理器执行时还实现如权利要求3或5所述的基于大数据的工业预测维修***的使用方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910501389.0A CN110298497A (zh) | 2019-06-11 | 2019-06-11 | 基于大数据的工业预测维修***及其使用方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910501389.0A CN110298497A (zh) | 2019-06-11 | 2019-06-11 | 基于大数据的工业预测维修***及其使用方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110298497A true CN110298497A (zh) | 2019-10-01 |
Family
ID=68027850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910501389.0A Pending CN110298497A (zh) | 2019-06-11 | 2019-06-11 | 基于大数据的工业预测维修***及其使用方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110298497A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110830515A (zh) * | 2019-12-13 | 2020-02-21 | 支付宝(杭州)信息技术有限公司 | 流量检测方法、装置、电子设备 |
CN110988563A (zh) * | 2019-12-23 | 2020-04-10 | 厦门理工学院 | 一种ups故障检测方法、装置、设备和存储介质 |
CN111144639A (zh) * | 2019-12-24 | 2020-05-12 | 国电南京自动化股份有限公司 | 一种基于alln算法的地铁设备故障预测方法及*** |
CN111651505A (zh) * | 2020-06-05 | 2020-09-11 | 中国民用航空厦门空中交通管理站 | 一种基于数据驱动的设备运行态势分析预警方法及*** |
CN111708343A (zh) * | 2019-10-31 | 2020-09-25 | 中国科学院沈阳自动化研究所 | 一种面向制造业行业现场工艺行为异常行为检测方法 |
CN112163618A (zh) * | 2020-09-27 | 2021-01-01 | 珠海格力电器股份有限公司 | 一种设备故障的检测方法及检测*** |
CN112465244A (zh) * | 2020-12-04 | 2021-03-09 | 重庆忽米网络科技有限公司 | 一种基于TensorFlow的工业设备预检预修模型的训练方法及装置 |
CN113065679A (zh) * | 2019-12-27 | 2021-07-02 | 北京国双科技有限公司 | 设备维修性能监测方法及装置 |
CN113255977A (zh) * | 2021-05-13 | 2021-08-13 | 江西鑫铂瑞科技有限公司 | 基于工业互联网的智慧工厂生产设备故障预测方法及*** |
CN114399321A (zh) * | 2021-11-15 | 2022-04-26 | 湖南快乐阳光互动娱乐传媒有限公司 | 一种业务***稳定性分析方法、装置和设备 |
CN117272032A (zh) * | 2023-11-22 | 2023-12-22 | 青岛埃恩斯信息技术科技有限公司 | 一种基于振动检测的空压机故障诊断方法与装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108427658A (zh) * | 2018-03-12 | 2018-08-21 | 北京奇艺世纪科技有限公司 | 一种数据预测方法、装置及电子设备 |
CN108596645A (zh) * | 2018-03-13 | 2018-09-28 | 阿里巴巴集团控股有限公司 | 一种信息推荐的方法、装置及设备 |
CN109196527A (zh) * | 2016-04-13 | 2019-01-11 | 谷歌有限责任公司 | 广度和深度机器学习模型 |
CN109284866A (zh) * | 2018-09-06 | 2019-01-29 | 安吉汽车物流股份有限公司 | 商品订单预测方法及装置、存储介质、终端 |
US20190050750A1 (en) * | 2017-08-11 | 2019-02-14 | Linkedln Corporation | Deep and wide machine learned model for job recommendation |
CN109747685A (zh) * | 2019-01-15 | 2019-05-14 | 北京交大思诺科技股份有限公司 | 应答器***故障预警平台 |
-
2019
- 2019-06-11 CN CN201910501389.0A patent/CN110298497A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109196527A (zh) * | 2016-04-13 | 2019-01-11 | 谷歌有限责任公司 | 广度和深度机器学习模型 |
US20190050750A1 (en) * | 2017-08-11 | 2019-02-14 | Linkedln Corporation | Deep and wide machine learned model for job recommendation |
CN108427658A (zh) * | 2018-03-12 | 2018-08-21 | 北京奇艺世纪科技有限公司 | 一种数据预测方法、装置及电子设备 |
CN108596645A (zh) * | 2018-03-13 | 2018-09-28 | 阿里巴巴集团控股有限公司 | 一种信息推荐的方法、装置及设备 |
CN109284866A (zh) * | 2018-09-06 | 2019-01-29 | 安吉汽车物流股份有限公司 | 商品订单预测方法及装置、存储介质、终端 |
CN109747685A (zh) * | 2019-01-15 | 2019-05-14 | 北京交大思诺科技股份有限公司 | 应答器***故障预警平台 |
Non-Patent Citations (3)
Title |
---|
Z.B. ZHENG 等: "Wide and Deep Convolutional Neural Networks for Electricity-Theft Detection to Secure Smart Grids", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》 * |
张米露 等: "一种融合分形与BP网络PCA的海流机故障检测方法", 《电机与控制学报》 * |
杜江 等: "深广神经网络在变压器故障诊断中的应用", 《中北大学学报(自然科学版)》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111708343A (zh) * | 2019-10-31 | 2020-09-25 | 中国科学院沈阳自动化研究所 | 一种面向制造业行业现场工艺行为异常行为检测方法 |
CN111708343B (zh) * | 2019-10-31 | 2021-11-09 | 中国科学院沈阳自动化研究所 | 一种面向制造业行业现场工艺行为异常行为检测方法 |
CN110830515A (zh) * | 2019-12-13 | 2020-02-21 | 支付宝(杭州)信息技术有限公司 | 流量检测方法、装置、电子设备 |
CN110988563A (zh) * | 2019-12-23 | 2020-04-10 | 厦门理工学院 | 一种ups故障检测方法、装置、设备和存储介质 |
CN110988563B (zh) * | 2019-12-23 | 2022-04-01 | 厦门理工学院 | 一种ups故障检测方法、装置、设备和存储介质 |
CN111144639A (zh) * | 2019-12-24 | 2020-05-12 | 国电南京自动化股份有限公司 | 一种基于alln算法的地铁设备故障预测方法及*** |
CN113065679A (zh) * | 2019-12-27 | 2021-07-02 | 北京国双科技有限公司 | 设备维修性能监测方法及装置 |
CN111651505B (zh) * | 2020-06-05 | 2023-05-16 | 中国民用航空厦门空中交通管理站 | 一种基于数据驱动的设备运行态势分析预警方法及*** |
CN111651505A (zh) * | 2020-06-05 | 2020-09-11 | 中国民用航空厦门空中交通管理站 | 一种基于数据驱动的设备运行态势分析预警方法及*** |
CN112163618A (zh) * | 2020-09-27 | 2021-01-01 | 珠海格力电器股份有限公司 | 一种设备故障的检测方法及检测*** |
CN112163618B (zh) * | 2020-09-27 | 2024-06-04 | 珠海格力电器股份有限公司 | 一种设备故障的检测方法及检测*** |
CN112465244A (zh) * | 2020-12-04 | 2021-03-09 | 重庆忽米网络科技有限公司 | 一种基于TensorFlow的工业设备预检预修模型的训练方法及装置 |
CN113255977A (zh) * | 2021-05-13 | 2021-08-13 | 江西鑫铂瑞科技有限公司 | 基于工业互联网的智慧工厂生产设备故障预测方法及*** |
CN114399321A (zh) * | 2021-11-15 | 2022-04-26 | 湖南快乐阳光互动娱乐传媒有限公司 | 一种业务***稳定性分析方法、装置和设备 |
CN117272032A (zh) * | 2023-11-22 | 2023-12-22 | 青岛埃恩斯信息技术科技有限公司 | 一种基于振动检测的空压机故障诊断方法与装置 |
CN117272032B (zh) * | 2023-11-22 | 2024-02-13 | 青岛埃恩斯信息技术科技有限公司 | 一种基于振动检测的空压机故障诊断方法与装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298497A (zh) | 基于大数据的工业预测维修***及其使用方法 | |
US10671060B2 (en) | Data-driven model construction for industrial asset decision boundary classification | |
Zio | Challenges in the vulnerability and risk analysis of critical infrastructures | |
KR102574016B1 (ko) | 파워 네트워크 애셋들의 조건 분류를 위한 방법들 및 디바이스들 | |
Abbasghorbani et al. | Reliability‐centred maintenance for circuit breakers in transmission networks | |
US20120245791A1 (en) | Apparatus and method for predicting mixed problems with vehicle | |
de Jonge | Discretizing continuous-time continuous-state deterioration processes, with an application to condition-based maintenance optimization | |
Langeron et al. | A modeling framework for deteriorating control system and predictive maintenance of actuators | |
CN110334948B (zh) | 基于特征量预测的电力设备局部放电严重程度评估方法及*** | |
Pattison et al. | Intelligent integrated maintenance for wind power generation | |
CN107679576A (zh) | 车辆的故障监测方法及装置 | |
CN104298843A (zh) | 一种基于着色随机Petri网的复杂机构动态级联可靠性建模方法 | |
Al‐Garni et al. | Artificial neural network application of modeling failure rate for Boeing 737 tires | |
CN113343581B (zh) | 基于图马尔可夫神经网络的变压器故障的诊断方法 | |
Luo et al. | A new accident analysis method based on complex network and cascading failure | |
CN104462842A (zh) | 一种基于贝叶斯网络的故障数据挖掘诊断方法 | |
CN104598736A (zh) | 一种自适应多核组合相关向量机的滚动轴承寿命预测模型 | |
CN110334865A (zh) | 一种基于卷积神经网络的电力设备故障率预测方法及*** | |
US20170356349A1 (en) | System and method to enhance lean blowout monitoring | |
CN103309342A (zh) | 一种针对工业控制***的防危性验证方案 | |
US9719881B2 (en) | Scalable framework for managing civil structure monitoring devices | |
Taleb-Berrouane et al. | Dynamic RAMS analysis using advanced probabilistic approach | |
CN115409264A (zh) | 基于馈线故障预测的配电网抢修驻点位置优化方法 | |
Kröger | Achieving resilience of large-scale engineered infrastructure systems | |
CN107679744A (zh) | 基于线路脆弱性指标的大电网战略通道动态辨识方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191001 |
|
RJ01 | Rejection of invention patent application after publication |