CN110955226B - 设备故障预测方法、装置、计算机设备和存储介质 - Google Patents
设备故障预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110955226B CN110955226B CN201911157656.3A CN201911157656A CN110955226B CN 110955226 B CN110955226 B CN 110955226B CN 201911157656 A CN201911157656 A CN 201911157656A CN 110955226 B CN110955226 B CN 110955226B
- Authority
- CN
- China
- Prior art keywords
- distance
- data sequence
- operation data
- current
- equipment
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 85
- 238000009825 accumulation Methods 0.000 claims description 36
- 238000006073 displacement reaction Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 8
- 230000000903 blocking effect Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 10
- 230000001186 cumulative effect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 3
- 238000011068 loading method Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请涉及一种设备故障预测方法、装置、计算机设备和存储介质。所述方法包括：获取目标设备对应的当前运行数据序列，当前运行数据序列包括目标设备在当前时间段对应的多个运行数据，运行数据序列中的运行数据是按照运行时间排序的；获取参考运行数据序列集合，参考运行数据序列集合包括设备故障对应的运行数据序列或者设备正常对应的运行数据序列中的至少一种；分别计算当前运行数据序列与参考运行数据序列集合中各个参考运行数据序列的距离，组成目标距离集合；根据目标距离集合和距离阈值进行对比，得到对比结果，根据对比结果得到目标设备对应的故障预测结果。采用本方法能够提高设备故障预测效率。
Description
技术领域
本申请涉及物联网技术领域，特别是涉及一种设备故障预测方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展，出现了物联网(The Internet of Things，IOT)技术，物联网是通过射频识别、红外感应器、全球定位***或者激光扫描器等信息传感设备，按约定的协议，把设备与互联网相连接，进行信息交换和通信，以实现对设备的智能化识别、定位、跟踪、监控和管理的一种网络。由于物联网中的设备可能存在故障，因此人们进行需要对物联网中的设备进行故障检测。
然而，目前采用人工对物联网中的设备进行故障检测，当物联网中的设备越来越多时，对物联网中的设备的故障检测会耗费大量的人力和时间，导致设备故障预测效率低。
发明内容
基于此，有必要针对上述技术设备故障预测效率低的问题，提供一种能够提高设备故障预测效率的设备故障预测方法、装置、计算机设备和存储介质。
一种设备故障预测方法，所述方法包括：获取目标设备对应的当前运行数据序列，所述当前运行数据序列包括所述目标设备在当前时间段对应的多个运行数据，所述运行数据序列中的运行数据是按照运行时间排序的；获取参考运行数据序列集合，所述参考运行数据序列集合包括设备故障对应的运行数据序列或者设备正常对应的运行数据序列中的至少一种；分别计算所述当前运行数据序列与所述参考运行数据序列集合中各个参考运行数据序列的距离，组成目标距离集合；根据所述目标距离集合和距离阈值进行对比，得到对比结果，根据所述对比结果得到所述目标设备对应的故障预测结果。
在一些实施例中，所述参考运行数据序列集合为设备故障对应的运行数据序列，根据所述目标距离集合和距离阈值进行对比，得到对比结果，根据所述对比结果得到所述目标设备对应的故障预测结果，包括：计算所述目标距离集合中的最小距离；将所述最小距离与所述距离阈值进行对比，得到对比结果；当所述对比结果为所述最小距离小于所述距离阈值时，确定所述目标设备对应的故障预测结果为故障。
在一些实施例中，所述故障预测结果还包括预测故障类型，当所述对比结果为所述最小距离小于所述距离阈值时，确定所述目标设备对应的故障预测结果为故障，包括：当所述对比结果为所述最小距离小于所述距离阈值时，获取所述最小距离对应的参考运行数据序列，作为目标参考运行数据序列；获取所述目标参考运行数据序列对应的故障类型，作为所述目标设备对应的预测故障类型。
在一些实施例中，所述分别计算所述当前运行数据序列与所述参考运行数据序列集合中各个参考运行数据序列的距离，包括：根据所述当前运行数据序列与所述参考运行数据序列得到距离矩阵，所述当前运行数据序列包括n个当前运行数据，所述参考运行数据序列包括m个参考运行数据，所述距离矩阵中，第i行第j列的矩阵值为第i个当前运行数据与第j个参考运行数据之间的距离；根据所述距离矩阵得到累加矩阵，所述累加矩阵中的矩阵值为最小累加距离，所述最小累加距离根据距离矩阵中的距离值以及所述累加矩阵中位置在前的矩阵值得到；根据所述累加矩阵中的矩阵值，得到所述当前运行数据序列与所述参考运行数据序列的距离。
在一些实施例中，所述目标设备为下料设备，所述参考运行数据序列集合为设备故障对应的运行数据序列，所述获取目标设备对应的当前运行数据序列包括：获取所述下料设备对应的当前位移数据序列，所述当前位移数据序列包括所述下料设备在当前时间段中多个时刻分别对应的当前位移数据；所述根据所述目标距离集合和距离阈值进行对比，得到对比结果，根据所述对比结果得到所述目标设备对应的故障预测结果包括：当所述目标距离集合中的距离小于所述距离阈值时，确定所述下料设备对应的故障预测结果为堵塞。
在一些实施例中，所述距离阈值的得到步骤包括：获取标准运行数据序列集合，所述标准运行数据序列集合中的故障运行数据序列为设备故障对应的运行数据序列；获取正常运行数据序列集合，根据所述正常运行数据序列集合以及所述标准运行数据序列集合进行距离计算，得到第一距离；获取故障运行数据序列集合，根据故障运行数据序列集合以及所述标准运行数据序列集合进行距离计算，得到第二距离；根据所述第一距离以及所述第二距离，确定所述距离阈值，所述距离阈值小于等于第一距离且大于等于第二距离。
在一些实施例中，所述根据所述正常运行数据序列集合以及所述标准运行数据序列集合进行距离计算，得到第一距离，包括：分别计算各个所述正常运行数据序列与所述标准运行数据序列集合中的各个标准运行数据序列的距离，得到与各个所述正常运行数据序列分别对应的距离集合；获取各个所述正常运行数据序列分别对应的距离集合中的最小距离，组成最小距离集合；计算所述最小距离集合中的最小距离，得到第一距离。
一种设备故障预测装置，所述装置包括：当前运行数据序列获取模块，用于获取目标设备对应的当前运行数据序列，所述当前运行数据序列包括所述目标设备在当前时间段对应的多个运行数据，所述运行数据序列中的运行数据是按照运行时间排序的；参考运行数据序列集合获取模块，用于获取参考运行数据序列集合，所述参考运行数据序列集合包括设备故障对应的运行数据序列或者设备正常对应的运行数据序列中的至少一种；目标距离集合组成模块，用于分别计算所述当前运行数据序列与所述参考运行数据序列集合中各个参考运行数据序列的距离，组成目标距离集合；故障预测结果得到模块，用于根据所述目标距离集合和距离阈值进行对比，得到对比结果，根据所述对比结果得到所述目标设备对应的故障预测结果。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述设备故障预测方法的步骤。
一种计算机可读存储介质，其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上述设备故障预测方法的步骤。
上述设备故障预测方法、装置、计算机设备和存储介质，获取目标设备对应的当前运行数据序列以及参考运行数据序列集合，分别计算当前运行数据序列与参考运行数据序列集合中各个参考运行数据序列的距离，组成目标距离集合，根据目标距离集合和距离阈值进行对比，得到对比结果，根据对比结果得到目标设备对应的故障预测结果，实现了对设备的自动故障预测，从而提高了设备故障预测的效率。
附图说明
图1为一些实施例中设备故障预测方法的应用场景图；
图2A为一些实施例中设备故障预测方法的流程示意图；
图2B为一些实施例中运行数据集合的流程示意图；
图3为一些实施例中设备故障预测方法的流程示意图；
图4为一些实施例中设备故障预测方法的流程示意图；
图5A为一些实施例中计算当前运行数据序列与参考运行数据序列的距离步骤的流程示意图；
图5B为一些实施例中计算运行数据序列之间距离方法的示意图；
图5C为一些实施例中计算运行数据序列之间距离方法的示意图；
图6为一些实施例中距离阈值得到步骤的流程示意图；
图7为一些实施例中第一距离得到步骤的流程示意图；
图8为一些实施例中设备故障预测方法的流程示意图；
图9为一些实施例中设备故障预测装置的结构框图；
图10为一些实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的设备故障预测方法，可以应用于如图1所示的应用环境中。该应用环境包括目标设备102、目标设备内的传感器以及服务器104。其中，目标设备102与传感器之间可以通过有线或无线的方式进行通信，传感器用于采集目标设备102的运行数据。目标设备102通过内部的传感器通过网络与服务器104通过网络进行通信。传感器可以将采集到的数据发送给服务器104。
具体的，服务器104可以通过传感器获取目标设备102发生故障之前一段时间内采集得到的故障运行数据序列以及目标设备102正常运行的一段时间之内的正常运行数据序列，根据故障运行数据序列以及正常运行数据序列，通过计算运行数据序列之间的距离得到距离阈值。服务器104可以获取当前运行数据序列，分别计算当前运行数据序列与参考运行数据序列集合中各个参考运行数据序列的距离，组成目标距离集合，根据目标距离集合和计算得到的距离阈值进行对比，得到对比结果，根据对比结果得到目标设备对应的故障预测结果。当故障预测结果为故障时，服务器104可以将故障预测结果反馈给相关人员，例如维修人员，或者发出设备停止指令，使得设备可以停止生产。其中，目标设备102可以为生产设备。传感器可以为一个或多个，可以包括各种类型的传感器，例如位移传感器和加速度传感器等，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一些实施例中，如图2A所示，提供了一种设备故障预测方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
S202，获取目标设备对应的当前运行数据序列，当前运行数据序列包括目标设备在当前时间段对应的多个运行数据，运行数据序列中的运行数据是按照运行时间排序的。
具体的，目标设备为需要进行故障预测的设备，可以是生产设备，例如下料口。运行数据指的是设备运行时产生的数据，例如可以为设备运行时的位移、速度或者加速度中的至少一个。运行数据序列指的是由运行数据组成的序列，运行数据序列中的运行数据可以是按照时间进行排序的。当前时间段是当前时刻所在的时间段。运行数据序列对应的当前时间段的时间长度可以是根据需要进行设置的，可以获取当前时间段中每个时刻对应的运行数据，例如，当前时间段的长度可以是10分钟，则可以获取每分钟对应的一个运行数据，组成当前运行数据序列。每分钟对应的数据可以是某一个时刻例如第5秒对应的瞬时运行数据，也可以对每秒的运行数据进行统计，得到统计数据，例如可以是该分钟内的运行数据平均值。
在一些实施例中，运行数据序列为时间序列(time series)。时间序列是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。时间序列中的时间可以是年份、季度、月份或其他任何时间形式。
在一些实施例中，运行数据序列是通过对获取到的运行数据集合按照预设规则进行分割得到的。其中，运行数据集合中的运行数据可以是由目标设备对应的传感器发送的，运行数据集合中的运行数据可以是根据时间进行排序的。可以按照预设时长和预设步长对运行数据集合进行分割，得到运行数据序列，如图2B所示。图2B中的表格的第一列的time表示时间，第二列的value表示运行数据，value列对应的数据组成的集合为运行数据集合。P1以及P2为根据时长T和步长N对运行数据集合进行分割得到的运行数据序列。一般而言，时长T大于步长N。
S204，获取参考运行数据序列集合，参考运行数据序列集合包括设备故障对应的运行数据序列或者设备正常对应的运行数据序列中的至少一种。
具体的，参考运行数据序列集合是由参考运行数据序列组成的集合，可以是该设备对应的历史运行数据序列。例如参考运行数据序列可以为设备故障对应的运行数据序列，也可以为设备正常对应的运行数据序列。设备故障对应的运行数据序列为设备出现故障之前预设时间内对应的运行数据组成的序列，设备正常对应的运行数据序列为设备正常运行时预设时间内对应的运行数据组成的序列。例如，当确定设备故障时，可以获取故障发生之前10分钟内的运行数据，组成运行数据序列。设备故障对应的运行数据序列可以对应有故障类型，设备故障对应的运行数据序列不同，对应的故障类型可以相同也可以不同。
在一些实施例中，组成参考运行数据序列集合由设备故障之前对应的运行数据序列组成。具体的，可以收集设备故障之前的多个运行数据，根据收集到的故障设备时对应的多个运行数据，得到多个参考运行数据序列，组成参考运行数据序列集合。
S206，分别计算当前运行数据序列与参考运行数据序列集合中各个参考运行数据序列的距离，组成目标距离集合。
具体的，目标距离集合为当前运行数据序列与参考运行数据序列集合中各个参考运行数据序列的距离组成的集合。例如，假设当前运行数据序列为A，参考运行数据序列集合包括B、C以及D三个参考运行数据序列，A与B的距离为AB，A与C的距离为AC，A与D的距离为AD，则目标距离集合为距离AB、距离AC以及距离AD组成的集合。距离计算方法可以根据需要设置，例如可以采用欧式距离方法进行计算。
在一些实施例中，距离用于反映相似度，距离越小相似度越大，距离越大相似度越小。例如，对于时间序列Q和时间序列C，若时间序列Q与时间序列C的距离越小相似度越大。
在一些实施例中，可以根据计算时间序列相似度的计算方法得到运行数据序列之间的距离，计算时间序列相似度的计算方法例如可以是DTW(Dynamic Time Warping，动态时间归整)算法。DTW算法基于动态规划的思想，可以衡量两个长度不一致的时间序列之间的相似度。
S208，根据目标距离集合和距离阈值进行对比，得到对比结果，根据对比结果得到目标设备对应的故障预测结果。
具体的，距离阈值可以是预先设置的，可以根据经验得到，也可以通过大量的数据计算得到。，例如通过大量的运行数据序列计算得到的。故障预测结果可以为设备正常或者设备异常，其中设备异常可以为具体的设备异常类型，例如，设备突发停止运行等。
在一些实施例中，可以获取目标距离集合中的最小距离，将目标距离集合中的最小距离与距离阈值进行对比，得到对比结果。
在一些实施例中，可以计算目标距离集合中的距离的平均值，将目标距离集合中的距离的平均值与距离阈值进行对比，得到对比结果。
在一些实施例中，当对比结果小于距离阈值时，确定目标设备对应的故障预测结果为设备故障。
在一些实施例中，当对比结果大于距离阈值时，确定目标设备对应的故障预测结果为设备故障。
在一些实施例中，如果参考运行数据序列集合包括设备正常对应的运行数据序列，距离阈值为设备正常对应的距离阈值，则当目标距离小于距离阈值时，预测结果为设备正常。
在一些实施例中，如果参考运行数据序列集合包括设备故障对应的运行数据序列，距离阈值为设备故障对应的距离阈值，则当目标距离小于距离阈值时，预测结果为设备故障。
例如，待测时间序列与故障时间序列进行DTW运算，得出值为1.02，与非故障时间序列进行DTW运算，得出值为9.24，如果设备故障对应的距离阈值为2。则认为要比较的时间序列为故障时间序列，则预测下料口即将堵塞。
上述设备故障预测方法中，获取目标设备对应的当前运行数据序列以及参考运行数据序列集合，分别计算当前运行数据序列与参考运行数据序列集合中各个参考运行数据序列的距离，组成目标距离集合，根据目标距离集合和距离阈值进行对比，得到对比结果，由于参考运行数据序列为历史运行数据序列，因此可以对未来进行预测，因此可以根据对比结果得到目标设备对应的故障预测结果，实现对设备的自动故障预测，从而提高了设备故障预测的效率。
上述设备故障预测方法可以用于对物联网设备中的设备进行故障预测。现阶段，工业物联网设备故障预测尚处于起步阶段，比如下料口堵塞预测，需要依靠手持式振动故障检测设备进行预测，给企业带来极大不便。并且，由于没有通过物联网(IOT，Internet ofthings)与大数据(big data)技术，使得手持式振动故障检测设备所采集的运行数据并不具备很强的泛化能力，不能进行大力推广，并且手持式振动检测设备，需要投入大量人力维护，设备故障预测效率低。而采用本申请的设备故障预测方法，通过采集该设备发送故障前对应的运行数据序列，对故障进行预测。可以实现对物联网中设备的自动故障预测，从而提高了物联网中设备故障预测的效率。
其中，物联网，即“万物相连的互联网”，是互联网基础上的延伸和扩展的网络，是将各种信息传感设备与互联网结合起来而形成的一个巨大网络，实现在任何时间和任何地点，人、机及物的互联互通。大数据是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。
在一些实施例中，参考运行数据序列集合为设备故障对应的运行数据序列，如图3所示，步骤S208即根据目标距离集合和距离阈值进行对比，得到对比结果，根据对比结果得到目标设备对应的故障预测结果，包括：
S302，计算目标距离集合中的最小距离。
S304，将最小距离与距离阈值进行对比，得到对比结果。
S306，当对比结果为最小距离小于距离阈值时，确定目标设备对应的故障预测结果为故障。
具体的，目标距离集合包括多个距离，对比结果可以是最小距离与距离阈值的差，当对比结果小于零时说明最小距离小于距离阈值，当对比结果大于零时说明最小距离大于距离阈值。服务器可以计算出目标距离集合中的最小距离，并比较该最小距离与距离阈值的大小关系，当最小距离小于距离阈值时，确定目标设备对应的故障预测结果为故障。
上述本申请实施例中，通过目标距离集合中的最小距离与距离阈值进行对比，由于参考运行数据序列集合为设备故障对应的运行数据序列，且最小距离对应的参考运行数据序列与当前运行数据序列的相似度为最大的，因此根据最小距离与距离阈值进行对比，得到的故障预测结果准确度高。
在一些实施例中，故障预测结果还包括预测故障类型，如图4所示，步骤S306当对比结果为最小距离小于距离阈值时，确定目标设备对应的故障预测结果为故障，包括：
S402，当对比结果为最小距离小于距离阈值时，获取最小距离对应的参考运行数据序列，作为目标参考运行数据序列。
S404，获取目标参考运行数据序列对应的故障类型，作为目标设备对应的预测故障类型。
具体的，参考运行数据序列可以有多个，不同的参考运行数据序列可以对应不同的故障类型，也可以对应相同的故障类型。例如对于参考运行数据序列S1，对应的故障类型可以为E1，对于参考运行数据序列S2，对应的故障类型可以为E2，对于参考运行数据序列S3，对应的故障类型也可以为E2。当确定对比结果为最小距离小于距离阈值时，可以获取得到最小距离的参考运行数据序列，进而得到对应的故障类型。故障类型例如可以是设备停止运行、设备堵塞以及设备停电等。
在一些实施例中，服务器中将参考运行数据序列与对应的故障类型关联存储，可以根据参考运行数据序列，获取到对应的故障类型。
上述本申请实施例中，根据最小距离，得到最小距离对应的参考运行数据序列，并得到最小距离对应的参考运行数据序列对应的故障类型，从而可以得到目标设备发生的故障的类型，因此，可以提高维护人员对设备进行问题定位以及解决问题的效率。
在一些实施例中，如图5A所示，步骤S206中的分别计算当前运行数据序列与参考运行数据序列集合中各个参考运行数据序列的距离，包括：
S502，根据当前运行数据序列与参考运行数据序列得到距离矩阵，当前运行数据序列包括n个当前运行数据，参考运行数据序列包括m个参考运行数据，距离矩阵中，第i行第j列的矩阵值为第i个当前运行数据与第j个参考运行数据之间的距离。
具体的，距离矩阵中第i行第j列的矩阵值可以是第i个当前运行数据与第j个参考运行数据差的绝对值，也可以是第i个当前运行数据与第j个参考运行数据差的平方。如图5B所示，展示了时间序列A和时间序列B对应的距离矩阵，其中，时间序列A的长度为n，时间序列B的长度为m，假设A＝q1,q2,...,qi,...,qn，B＝c1,c2,...,cj,...,cm。则距离矩阵中位置(i,j)对应的矩阵元素表示qi和cj两个点的距离，即qi和cj两个点之间的相似度。qi和cj两个点的距离可以用d(qi,cj)表示，d(qi,cj)越小则表示qi和cj两个点之间的相似度越高。一般采用欧式距离计算两个数据之间的距离(相似度)，例如d(qi,cj)＝(qi-cj)2，也可以采用数据差的绝对值作为数据之间的距离。
在一些实施例中，距离矩阵可以为n×m或者m×n的。例如对于长度为6的当前运行数据序列q＝[3，5，6，7，7，1]，长度为7的参考运行数据序列c＝[3，6，6，7，8，1，1]，对应的距离矩阵可以为6×7或7×6的。其中6×7的距离矩阵如表1所示。[3，5，6，7，7，1]中的每一个数据都为运行数据。表1中加粗的内容为参考运行数据序列[3，6，6，7，8，1，1]，斜体的内容为当前运行数据序列为[3，5，6，7，7，1]。灰色区域的内容代表的是距离矩阵，可以看出距离矩阵为6行7列的。将表1中参考运行数据序列和当前运行数据序列的位置交换后得到的是7×6的距离矩阵。距离矩阵中的距离值为当前运行数据与参考运行数据之差的绝对值，第1行第1列的矩阵值为第1个当前运行数据与第1个参考运行数据之间的距离，即第1行第1列的矩阵值为3和3差的绝对值，由于3和3的差为0，因此表中第1行第1列的矩阵值为0。
表1
在一些实施例中，若n＝m，则可以直接计算时间序列A和时间序列B之间的距离；若n不等于m，则可以先对齐时间序列A和时间序列B。当然，若n＝m也可以进行对齐操作。为了对齐时间序列A和时间序列B，可以构造一个n×m的矩阵网格。
S504，根据距离矩阵得到累加矩阵，累加矩阵中的矩阵值为最小累加距离，最小累加距离根据距离矩阵中的距离值以及累加矩阵中位置在前的矩阵值得到。
具体的，可以根据距离矩阵得到对应的累加矩阵，根据累加矩阵得到当前运行数据序列与参考运行数据序列的距离。累加矩阵中的矩阵值为起点到该点的最小累加距离，最小累加距离可以根据公式(1)计算得到。
D(i,j)＝d(qi,cj)+min{D(i-1,j-1),D(i-1,j),D(i,j-1)} (1)
其中，D(i,j)表示从距离矩阵的起点位置到位置(i，j)的最小累加距离(cumulative distances)，如图5C所示，D(i,j)只能根据D(i-1,j)，D(i,j-1)和D(i-1,j-1)这三个最小累加距离得到。公式(1)表示最小累加距离D(i,j)为(i,j)位置对应的距离值d(qi,cj)与可以到达(i,j)位置的最小的邻近元素对应的最小累加距离的和。D(i,j)越小，数据的相似度越高。例如，可以根据公式(1)得到表1对应的累加矩阵，如表2中的灰色区域所示。以第2行第2列中的累加距离1为例来进行说明，第2行第2列的最小累加距离可以表示为D(2,2)，只能根据D(1,2)，D(2,1)和D(1,1)这三个累加距离中的最小值得到，由于D(1,2)＝3，D(2,1)＝2，D(1,1)＝0，由此可知，D(1,2)，D(2,1)和D(1,1)这三个累加距离中的最小值为D(1,1)＝0，因此D(2,2)＝d(q2,c2)+D(1,1)＝d(5,6)+D(1,1),其中d(5,6)表示数据5与数据6之间的距离，可以将数据5与数据6的绝对值作为数据5与数据6之间的距离，因此d(5,6)＝1，从而D(2,2)＝1+0＝1。
表2
S506，根据累加矩阵中的矩阵值，得到当前运行数据序列与参考运行数据序列的距离。
具体的，可以获取累加矩阵中终点位置的矩阵值，作为当前运行数据序列与参考运行数据序列的距离，对于n行以及m列的累加矩阵，终点位置是指第n行第m列。例如，从表2可以得到D(6,7)＝1，即从矩阵的起点到终点的最短路径对应的最小距离为1，因此，当前运行数据序列q与参考运行数据序列c之间的距离为1。
在一些实施例中，当前运行数据序列与参考运行数据序列的距离对应有最短路径，该最短路径为得到累加矩阵中终点为值的矩阵值所涉及到的矩阵值对应的位置。例如，得到D(6,7)涉及到表2中的深灰色区域，因此，当前运行数据序列q与参考运行数据序列c之间的距离对应的最短路径为表2中深灰色区域组成的部分。这样相当于得到了从矩阵的起点到终点的最短路径对应的距离值，通过该最短路径的距离值可以准确反映当前运行数据序列与参考运行序列的距离，因此提高了计算当前运行数据序列与参考运行数据序列的距离的准确度。
上述本申请实施例中，根据距离矩阵中的矩阵值得到对应的累加矩阵，根据累加矩阵中的矩阵值得到当前运行数据序列与参考运行数据序列的距离，技术方法简单快捷，提高了计算运行数据序列之间相似度的效率。
在一些实施例中，目标设备为下料设备，参考运行数据序列集合为设备故障对应的运行数据序列，步骤S202中的获取目标设备对应的当前运行数据序列包括：获取下料设备对应的当前位移数据序列，当前位移数据序列包括下料设备在当前时间段中多个时刻分别对应的当前位移数据。步骤S208即根据目标距离集合和距离阈值进行对比，得到对比结果，根据对比结果得到目标设备对应的故障预测结果包括：当目标距离集合中的距离小于距离阈值时，确定下料设备对应的故障预测结果为堵塞。
具体的，下料设备用于运输材料，材料可以从下料设备中输出。当前位移数据序列为当前时间段下料设备振动时的位移数据组成的序列。距离阈值可以是根据下料设备堵塞时对应的位移数据序列以及不堵塞时对应的位移数据序列得到的，当最小距离小于距离阈值时，可以认为当前位移数据序列为下料设备堵塞时对应的位移数据序列，从而可以确定下料设备对应的故障预测结果为堵塞。
在一些实施例中，可以当目标距离集合中存在小于距离阈值的距离时，确定下料设备对应的故障预测结果为堵塞。
在一些实施例中，目标距离集合中可以有多个小于距离阈值的距离，可以当目标距离集合中有预设数量的距离小于距离阈值时，确定下料设备对应的故障预测结果为堵塞。
上述本申请实施例中，根据下料设备对应的当前位移数据序列以及设备故障对应的运行数据序列，得到最小距离，将最小距离与距离阈值进行对比，得到对比结果，当对比结果为最小距离小于距离阈值时，确定下料设备对应的故障预测结果为堵塞，由于位移能够反映下料设备的运行情况，因此实现了对下料设备故障的自动预测，提高了对下料设备故障预测的效率。
在一些实施例中，距离阈值是预先通过获取历史运行数据计算得到的，如图6所示，距离阈值的得到步骤包括：
S602，获取标准运行数据序列集合，标准运行数据序列集合中的故障运行数据序列为设备故障对应的运行数据序列。
S604，获取正常运行数据序列集合，根据正常运行数据序列集合以及标准运行数据序列集合进行距离计算，得到第一距离。
S606，获取故障运行数据序列集合，根据故障运行数据序列集合以及标准运行数据序列集合进行距离计算，得到第二距离。
S608，根据第一距离以及第二距离，确定距离阈值，距离阈值小于等于第一距离且大于等于第二距离。
具体的，故障运行数据序列集合是由设备故障对应的运行数据序列组成的集合。可以将预先得到的多个故障运行数据序列进行分组，得到标准运行数据序列集合和故障运行数据序列集合，可以将预先获取到的设备正常对应的运行数据序列组成正常运行数据序列集合。
在一些实施例中，可以分别计算各个正常运行数据序列与标准运行数据序列集合中的各个标准运行数据序列的距离，根据计算得到的距离得到第一距离。
在一些实施例中，可以分别计算各个故障运行数据序列与标准运行数据序列集合中的各个标准运行数据序列的距离，根据计算得到的距离得到第二距离。
在一些实施例中，可以获取最大值为第一距离并且最小值为第二距离的区域，在该区域中选取数据，作为距离阈值。
上述本申请实施例中，根据正常运行数据序列集合以及标准运行数据序列集合进行距离计算，得到第一距离，根据故障运行数据序列集合以及标准运行数据序列集合进行距离计算，得到第二距离，由于标准运行数据序列集合包括的是故障运行数据序列，因此第一距离可以代表正常运行数据序列与标准运行数据序列集合中的故障运行数据序列的最值距离，第二距离可以代表故障运行数据序列与标准运行数据序列集合中的故障运行数据序列的最值距离，因此，根据第一距离以及第二距离确定的距离阈值识别正常运行数据序列以及故障运行数据序列的准确度高。
在一些实施例中，如图7所示，根据正常运行数据序列集合以及标准运行数据序列集合进行距离计算，得到第一距离，包括：
S702，分别计算各个正常运行数据序列与标准运行数据序列集合中的各个标准运行数据序列的距离，得到与各个正常运行数据序列分别对应的距离集合。
具体的，若正常运行数据序列包括A1和A2，标准运行数据序列包括B1,、B2和B3，且A1与B1、B2和B3的距离分别为A1B1、A1B2以及A1B3，A2与B1、B2和B3的距离分别为A2B1、A2B2以及A2B3。则正常运行数据序列A1对应的距离集合为{A1B1，A1B2，A1B3}，正常运行数据序列A2对应的距离集合为{A2B1，A2B2，A2B3}。
S704，获取各个正常运行数据序列分别对应的距离集合中的最小距离，组成最小距离集合。
具体的，最小距离为距离最小的距离。具体的，若正常运行数据序列A1对应的距离集合为{A1B1，A1B2，A1B3}中的最小距离为A1B1，正常运行数据序列A2对应的距离集合为{A2B1，A2B2，A2B3}中的最小距离为A2B1，则最小距离集合为{A1B1，A2B1}。
S706，计算最小距离集合中的最小距离，得到第一距离。
具体的，若最小距离集合中包括第一最小距离、第二最小距离以及第三最小距离，且第一最小距离为三者中的最小的，则将第一最小距离作为第一距离。例如，若最小距离集合为{A1B1，A2B1}，且A1B1为A1B1和A2B1中最小的，则将A1B1作为第一距离。
在一些实施例中，获取故障运行数据序列集合，根据故障运行数据序列集合以及标准运行数据序列集合进行距离计算，得到第二距离，包括：分别计算各个故障运行数据序列与标准运行数据序列集合中的各个标准运行数据序列的距离，得到与各个故障运行数据序列分别对应的距离集合；获取各个故障运行数据序列分别对应的距离集合中的最小距离，组成第一最小距离集合；计算第一最小距离集合中的最大距离，得到第二距离。
上述本申请实施例中，计算最小距离集合中的最小距离，将最小距离集合中的最小距离作为第一距离，由于最小距离集合中的最小距离可以反映正常运行数据序列与标准运行数据序列集合中的故障运行数据序列之间的最小距离，因此，得到的第一距离的准确度高。
在一些实施例中，本申请设备故障预测方法对应的流程图如图8所述。图8中的流程是通过大数据平台完成的。图8中的数据(data)可以为振动传感器发送的下料设备的振动数据，振动数据与时间相关，振动数据例如可以是某个时间的位移数据、某个时间的速度数据或者某个时间的加速度数据等，大数据平台可以将多个振动数据按照时间进行排序得到时间序列。其中，振动传感器可以通过LoRa协议向大数据平台发送数据。当然，振动传感器也可以通过WiFi(Wireless Fidelity，无线保真)技术向大数据平台发送数据。图8可以包括第一阶段和第二阶段。第一阶段为模型训练阶段，通过模型训练得到距离阈值。第二阶段为根据距离阈值对设备的故障进行实时预测的阶段。其中，第一阶段可以包括：
步骤1，数据接收与存储。
具体的，振动传感器采集下料设备的振动数据，通过LoRa协议将振动数据发送给大数据平台。大数据分析平台通过kafka组件接收运行数据，并通过kafka组件将运行数据保存在本地数据仓库，其中，kafka组件为一种高吞吐量的分布式发布订阅消息***，本地数据仓库可以为大数据存储层，可以包括hdfs(Hadoop Distributed File System，分布式文件***)、hbase以及hive。其中，hbase是一个分布式的、面向列的开源数据库，hive是一个数据仓库工具，用来进行数据提取、转化以及加载。
步骤2，振动数据预处理。
具体的，对数据进行ETL(Extract-Transform-Load，抽取-转换-加载)。其中，ETL用来描述将数据从来源端经过抽取(extract)、转换(transform)、加载(load)至目的端的过程。大数据平台可以通过Spark SQL组件将振动数据进行抽取以及清洗转换之后加载到数据仓库，主要包括对数据缺失的填充，异常值的剔除和修正。其中，Spark SQL组件为Spark离线处理组件。
步骤3：振动数据切片。
具体的，振动数据为与时间相关的数据，振动数据组成的序列为时间序列。可以对振动数据进行切片得到多个振动数据序列。大数据平台可以利用Spark SQL将振动数据按照时间分割成相同大小的时间序列。基于时间序列的数据Sraw可以按照时间窗为K，步长为L切割成若干时间片段Pi＝[ti,Si]，其中每个时间片段均包括时间窗内包括的所有传感器数据信息。其中，i＝1,2,3…。振动数据可以是下料设备正常时的数据，也可以是下料设备发生故障时的数据。可以根据下料设备正常时的数据得到非故障时间序列，根据下料设备发生故障时的数据得到故障时间序列。时间窗口一般为时间序列数据周期的倍数关系，步长也是时间序列数据周期的倍数，且时间窗口最好大于步长的长度的。时间序列数据周期与有设备决定，不同的机器，机器特性不同，它的数据周期不一定相同，因此不同的设备可以对应不同的时间窗为K以及步长L。
步骤4：计算距离阈值。
具体的，当得到多个故障时间序列和非故障时间序列时，可以将多个故障时间序列组成两个集合，第一集合和第二集合，可以将多个非故障时间序列组成第三集合。可以从第一组合中选取一个故障时间序列与第二集合中的各个故障时间序列分别进行距离计算，得到距离的最小值，作为第一最值，可以从第三集合中选取一个非故障时间序列与第二集合中的各个故障时间序列分别进行距离计算，得到距离的最小值，作为第二最值，可以将距离阈值限定在第一最值和第二最值之间(可以包括第一最值或者第二最值中的至少一个)。重复上述过程，不断调节距离阈值，得到最优的距离阈值，并将其部署到应用层。
第二阶段可以包括：
步骤1，通过Spark streaming(大数据Spark框架实时处理组件)不断的接收和处理Kafka中的数据，得到待测时间序列；
步骤2，将待测时间序列加载到具有距离阈值的模型中，对待测时间序列进行预测。
上述本申请实施例，采用振动传感器采集物联网设备的振动数据，并通过LoRa协议传输数据到大数据分析平台，通过大数据分析平台分析接收得到振动数据组成的时间序列，通过DTW技术，建立故障预测模型，从而精准预测下料口故障的发生。从而，提出了一种基于物联网采集数据，通过大数据分析能力，分析大量时间序列，建立基于振动信号的机器学习模型，预测下料口堵塞情况，并极大的提高模型泛化能力。
应该理解的是，虽然上述各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述各实施例的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一些实施例中，如图9所示，提供了一种设备故障预测装置，包括：当前运行数据序列获取模块902、参考运行数据序列集合获取模块904、目标距离集合组成模块906和故障预测结果得到模块908，其中：
当前运行数据序列获取模块902，用于获取目标设备对应的当前运行数据序列，当前运行数据序列包括目标设备在当前时间段对应的多个运行数据，运行数据序列中的运行数据是按照运行时间排序的。
参考运行数据序列集合获取模块904，用于获取参考运行数据序列集合，参考运行数据序列集合包括设备故障对应的运行数据序列或者设备正常对应的运行数据序列中的至少一种。
目标距离集合组成模块906，用于分别计算当前运行数据序列与参考运行数据序列集合中各个参考运行数据序列的距离，组成目标距离集合。
故障预测结果得到模块908，用于根据目标距离集合和距离阈值进行对比，得到对比结果，根据对比结果得到目标设备对应的故障预测结果。
在一些实施例中，参考运行数据序列集合为设备故障对应的运行数据序列，故障预测结果得到模块908包括：
最小距离计算单元，用于计算目标距离集合中的最小距离。
对比结果得到单元，用于将最小距离与距离阈值进行对比，得到对比结果。
故障预测结果确定单元，用于当对比结果为最小距离小于距离阈值时，确定目标设备对应的故障预测结果为故障。
在一些实施例中，故障预测结果还包括预测故障类型，故障预测结果确定单元还用于当对比结果为最小距离小于距离阈值时，获取最小距离对应的参考运行数据序列，作为目标参考运行数据序列；获取目标参考运行数据序列对应的故障类型，作为目标设备对应的预测故障类型。
在一些实施例中，目标距离集合组成模块906，包括：
距离矩阵得到单元，用于根据当前运行数据序列与参考运行数据序列得到距离矩阵，当前运行数据序列包括n个当前运行数据，参考运行数据序列包括m个参考运行数据，距离矩阵中，第i行第j列的矩阵值为第i个当前运行数据与第j个参考运行数据之间的距离。
累加矩阵得到单元，用于根据距离矩阵得到累加矩阵，累加矩阵中的矩阵值为最小累加距离，最小累加距离根据距离矩阵中的距离值以及累加矩阵中位置在前的矩阵值得到。
距离得到单元，用于根据累加矩阵中的矩阵值，得到当前运行数据序列与参考运行数据序列的距离。
在一些实施例中，目标设备为下料设备，参考运行数据序列集合为设备故障对应的运行数据序列，当前运行数据序列获取模块902还用于当前位移数据序列获取单元，用于获取下料设备对应的当前位移数据序列，当前位移数据序列包括下料设备在当前时间段中多个时刻分别对应的当前位移数据；故障预测结果得到模块908，还用于当目标距离集合中的距离小于距离阈值时，确定下料设备对应的故障预测结果为堵塞。
在一些实施例中，设备故障预测装置还包括距离阈值的得到模块，距离阈值的得到模块包括：
标准运行数据序列集合获取单元，用于获取标准运行数据序列集合，标准运行数据序列集合中的故障运行数据序列为设备故障对应的运行数据序列。
第一距离得到单元，用于获取正常运行数据序列集合，根据正常运行数据序列集合以及标准运行数据序列集合进行距离计算，得到第一距离。
第二距离得到单元，用于获取故障运行数据序列集合，根据故障运行数据序列集合以及标准运行数据序列集合进行距离计算，得到第二距离。
距离阈值确定单元，用于根据第一距离以及第二距离，确定距离阈值，距离阈值小于等于第一距离且大于等于第二距离。
在一些实施例中，第一距离得到单元还用于分别计算各个正常运行数据序列与标准运行数据序列集合中的各个标准运行数据序列的距离，得到与各个正常运行数据序列分别对应的距离集合；获取各个正常运行数据序列分别对应的距离集合中的最小距离，组成最小距离集合；计算最小距离集合中的最小距离，得到第一距离。
关于设备故障预测装置的具体限定可以参见上文中对于设备故障预测方法的限定，在此不再赘述。上述设备故障预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一些实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种设备故障预测方法。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一些实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述设备故障预测方法的步骤。
在一些实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述设备故障预测方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种设备故障预测方法，所述方法包括：
获取下料设备对应的运行数据集合；所述运行数据集合中的运行数据按照时间进行排序；
按照预设时长以及预设步长对所述运行数据集合进行分割，得到所述下料设备对应的当前运行数据序列，所述当前运行数据序列包括所述下料设备在当前时间段对应的多个运行数据，所述当前运行数据序列中的运行数据是按照运行时间排序的；所述当前运行数据序列为所述下料设备对应的当前位移数据序列；所述当前位移数据序列包括所述下料设备在当前时间段中多个时刻分别对应的当前位移数据；
获取参考运行数据序列集合，所述参考运行数据序列集合包括设备堵塞对应的运行数据序列；
分别计算所述当前运行数据序列与所述参考运行数据序列集合中各个参考运行数据序列的距离，组成目标距离集合；
当所述目标距离集合中的距离小于距离阈值时，确定所述下料设备对应的故障预测结果为堵塞；所述距离阈值根据第一距离以及第二距离确定，所述距离阈值小于等于所述第一距离且大于等于第二距离，所述第一距离根据正常运行数据序列集合以及标准运行数据序列集合进行距离计算得到，所述第二距离根据故障运行数据序列集合以及所述标准运行数据序列集合进行距离计算得到，所述标准运行数据序列集合中的序列为设备堵塞对应的运行数据序列；所述正常运行数据序列集合为下料设备正常时对应的运行数据序列组成的集合。
2.根据权利要求1所述的方法，其特征在于，所述当所述目标距离集合中的距离小于距离阈值时，确定所述下料设备对应的故障预测结果为堵塞包括：
计算所述目标距离集合中的最小距离；
将所述最小距离与所述距离阈值进行对比，得到对比结果；
当所述对比结果为所述最小距离小于所述距离阈值时，确定所述下料设备对应的故障预测结果为堵塞。
3.根据权利要求2所述的方法，其特征在于，所述当所述对比结果为所述最小距离小于所述距离阈值时，确定所述下料设备对应的故障预测结果为堵塞包括：
当所述对比结果为所述最小距离小于所述距离阈值时，获取所述最小距离对应的参考运行数据序列，作为目标参考运行数据序列；
获取所述目标参考运行数据序列对应的故障类型，当所述目标参考运行数据序列对应的故障类型为堵塞时，确定所述下料设备对应的故障预测结果为堵塞。
4.根据权利要求1所述的方法，其特征在于，所述分别计算所述当前运行数据序列与所述参考运行数据序列集合中各个参考运行数据序列的距离，包括：
根据所述当前运行数据序列与所述参考运行数据序列得到距离矩阵，所述当前运行数据序列包括n个当前运行数据，所述参考运行数据序列包括m个参考运行数据，所述距离矩阵中，第i行第j列的矩阵值为第i个当前运行数据与第j个参考运行数据之间的距离；
根据所述距离矩阵得到累加矩阵，所述累加矩阵中的矩阵值为最小累加距离，所述最小累加距离根据距离矩阵中的距离值以及所述累加矩阵中位置在前的矩阵值得到；
根据所述累加矩阵中的矩阵值，得到所述当前运行数据序列与所述参考运行数据序列的距离。
5.根据权利要求1所述的方法，其特征在于，所述距离阈值根据下料设备堵塞时对应的位移数据序列以及不堵塞时对应的位移数据序列得到。
6.根据权利要求1所述的方法，其特征在于，所述运行数据集合为所述下料设备对应的振动传感器采集得到的。
7.根据权利要求1所述的方法，其特征在于，得到所述第一距离的步骤包括：
分别计算各个所述正常运行数据序列与所述标准运行数据序列集合中的各个标准运行数据序列的距离，得到与各个所述正常运行数据序列分别对应的距离集合；
获取各个所述正常运行数据序列分别对应的距离集合中的最小距离，组成最小距离集合；
计算所述最小距离集合中的最小距离，得到第一距离。
8.一种设备故障预测装置，其特征在于，所述装置包括：
当前运行数据序列获取模块，用于获取下料设备对应的运行数据集合，所述运行数据集合中的运行数据按照时间进行排序，按照预设时长以及预设步长对所述运行数据集合进行分割，得到所述下料设备对应的当前运行数据序列，所述当前运行数据序列包括所述下料设备在当前时间段对应的多个运行数据，所述当前运行数据序列中的运行数据是按照运行时间排序的；所述当前运行数据序列为所述下料设备对应的当前位移数据序列；所述当前位移数据序列包括所述下料设备在当前时间段中多个时刻分别对应的当前位移数据；
参考运行数据序列集合获取模块，用于获取参考运行数据序列集合，所述参考运行数据序列集合包括设备堵塞对应的运行数据序列；
目标距离集合组成模块，用于分别计算所述当前运行数据序列与所述参考运行数据序列集合中各个参考运行数据序列的距离，组成目标距离集合；
故障预测结果得到模块，用于当所述目标距离集合中的距离小于距离阈值时，确定所述下料设备对应的故障预测结果为堵塞；所述距离阈值根据第一距离以及第二距离确定，所述距离阈值小于等于所述第一距离且大于等于第二距离，所述第一距离根据正常运行数据序列集合以及标准运行数据序列集合进行距离计算得到，所述第二距离根据故障运行数据序列集合以及所述标准运行数据序列集合进行距离计算得到，所述标准运行数据序列集合中的序列为设备堵塞对应的运行数据序列；所述正常运行数据序列集合为下料设备正常时对应的运行数据序列组成的集合。
9.一种计算机设备，包括存储器、处理器及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时实现权利要求1至7中任一项所述设备故障预测方法的步骤。
10.一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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述设备故障预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911157656.3A CN110955226B (zh) | 2019-11-22 | 2019-11-22 | 设备故障预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911157656.3A CN110955226B (zh) | 2019-11-22 | 2019-11-22 | 设备故障预测方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110955226A CN110955226A (zh) | 2020-04-03 |
| CN110955226B true CN110955226B (zh) | 2021-04-13 |
Family
ID=69978233
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911157656.3A Active CN110955226B (zh) | 2019-11-22 | 2019-11-22 | 设备故障预测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110955226B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112148733A (zh) * | 2020-09-15 | 2020-12-29 | 珠海格力电器股份有限公司 | 确定故障类型的方法、装置、电子装置和计算机可读介质 |
| CN112731022B (zh) * | 2020-12-18 | 2023-06-23 | 阳光智维科技股份有限公司 | 光伏逆变器故障检测方法、设备及介质 |
| CN113092900B (zh) * | 2021-03-22 | 2023-04-07 | 阳光新能源开发股份有限公司 | 光伏逆变器的状态检测方法、装置及计算机可读存储介质 |
| CN113077000B (zh) * | 2021-04-06 | 2021-11-02 | 东莞先知大数据有限公司 | 特征序列对齐方法 |
| CN113434567A (zh) * | 2021-05-18 | 2021-09-24 | 广东中发星通技术有限公司 | 一种用于预警列车驱动设备早期故障特征的方法及*** |
| CN114414227B (zh) * | 2021-12-29 | 2023-05-26 | 华电电力科学研究院有限公司 | 一种设备碰撞感知方法、装置、设备及存储介质 |
| CN116258281B (zh) * | 2023-05-12 | 2023-07-25 | 欣灵电气股份有限公司 | 基于云平台管理的物联网消防监测及调控*** |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10671915B2 (en) * | 2015-07-31 | 2020-06-02 | Brighterion, Inc. | Method for calling for preemptive maintenance and for equipment failure prevention |
| WO2017051631A1 (ja) * | 2015-09-24 | 2017-03-30 | 富士フイルム株式会社 | 故障診断装置、故障診断方法、及び故障診断プログラム |
| CN105467975B (zh) * | 2015-12-29 | 2018-08-03 | 山东鲁能软件技术有限公司 | 一种设备故障诊断方法 |
| CN105548764B (zh) * | 2015-12-29 | 2018-11-06 | 山东鲁能软件技术有限公司 | 一种电力设备故障诊断方法 |
| CN108829755B (zh) * | 2018-05-25 | 2021-04-13 | 国网山东省电力公司青岛供电公司 | 基于迭代最近点的变压器故障案例匹配搜索方法 |
| CN110196792B (zh) * | 2018-08-07 | 2022-06-14 | 腾讯科技（深圳）有限公司 | 故障预测方法、装置、计算设备及存储介质 |
| CN109063190B (zh) * | 2018-08-29 | 2020-07-14 | 百度在线网络技术（北京）有限公司 | 用于处理数据序列的方法和装置 |
-
2019
- 2019-11-22 CN CN201911157656.3A patent/CN110955226B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110955226A (zh) | 2020-04-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110955226B (zh) | 设备故障预测方法、装置、计算机设备和存储介质 | |
| CN110929934A (zh) | 设备故障预测方法、装置、计算机设备和存储介质 | |
| CN110086649B (zh) | 异常流量的检测方法、装置、计算机设备及存储介质 | |
| CN111193608B (zh) | 网络质量探测监控方法、装置、***和计算机设备 | |
| EP3017403A2 (en) | System and method for abnormality detection | |
| CN112416643A (zh) | 无监督异常检测方法与装置 | |
| CN112435126B (zh) | 账户识别方法、装置、计算机设备和存储介质 | |
| CN109714201B (zh) | 网络***可靠性评估方法、装置、计算机设备和存储介质 | |
| CN115081957B (zh) | 一种危废暂存及监测的危废管理平台 | |
| CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
| TW201928713A (zh) | 領先輔助參數的選擇方法以及結合關鍵參數及領先輔助參數進行設備維護預診斷的方法 | |
| CN113157524A (zh) | 基于大数据的异常问题解决方法、***、设备和存储介质 | |
| CN110866682B (zh) | 基于历史数据的地下电缆预警方法和装置 | |
| CN117076258A (zh) | 一种基于互联网云端的远程监控方法及*** | |
| CN114679327B (zh) | 网络攻击等级确定方法、装置、计算机设备和存储介质 | |
| CN113704018A (zh) | 应用运维数据处理方法、装置、计算机设备及存储介质 | |
| Gajic et al. | An improved anomaly detection in mobile networks by using incremental time-aware clustering | |
| CN116074316A (zh) | 基于边缘计算和区块链的防篡改可信的碳排数据处理方法 | |
| CN113938306B (zh) | 一种基于数据清洗规则的可信认证方法及*** | |
| CN116794510A (zh) | 故障预测方法、装置、计算机设备和存储介质 | |
| CN111614520B (zh) | 一种基于机器学习算法的idc流量数据预测方法及装置 | |
| CN110262421A (zh) | 生产设备的控制方法和装置 | |
| CN112819386A (zh) | 带有异常的时间序列数据生成方法、***及存储介质 | |
| CN110838940A (zh) | 地下电缆巡检任务配置方法和装置 | |
| CN114120592B (zh) | 用于故障报警的方法及装置、电子设备、存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231113 Address after: Room 202, Building A, Garden City Digital Building, No. 1079 Nanhai Avenue, Yanshan Community, China Merchants Street, Nanshan District, Shenzhen City, Guangdong Province, 518067 Patentee after: Shenzhen Huirong IoT Investment Enterprise (Limited Partnership) Address before: 518051 202, huayuancheng digital building, 1079 Nanhai Avenue, zhaoshang street, Nanshan District, Shenzhen City, Guangdong Province Patentee before: SHENZHEN GENERAL INTERCONNECTION TECHNOLOGY Co.,Ltd. |
|
| TR01 | Transfer of patent right |