CN110988563B - 一种ups故障检测方法、装置、设备和存储介质 - Google Patents
一种ups故障检测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN110988563B CN110988563B CN201911340569.1A CN201911340569A CN110988563B CN 110988563 B CN110988563 B CN 110988563B CN 201911340569 A CN201911340569 A CN 201911340569A CN 110988563 B CN110988563 B CN 110988563B
- Authority
- CN
- China
- Prior art keywords
- data
- ups
- fault
- working
- state
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 238000009418 renovation Methods 0.000 claims abstract description 35
- 239000000203 mixture Substances 0.000 claims abstract description 31
- 230000002427 irreversible effect Effects 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000012423 maintenance Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 abstract description 7
- 230000002035 prolonged effect Effects 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 238000013024 troubleshooting Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 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
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种UPS故障检测方法、装置、设备和存储介质，方法包括：获取UPS的当前时刻的第一工作数据；其中，所述第一工作数据包括故障数据以及正常工作数据；基于混合高斯模型检测UPS的工作状态，并输出UPS对应的故障类型以及整修意见；其中，工作状态包括不可逆故障状态及正常工作状态；当检测工作状态为正常工作状态时，基于xgboost模型判断第一工作数据是否为间歇性故障数据，并当判断第一工作数据是间歇性故障数据时，继续判断上一时刻的第二工作数据是否为间歇性故障数据，并输出UPS对应的故障类型以及整修意见。能够有效对故障类型进行区分，设立故障等级精细化故障类型，***故障，避免不可逆故障的出现，提高设备寿命。
Description
技术领域
本发明涉及UPS故障检测技术领域，尤其涉及一种UPS故障检测方法、装置、设备和存储介质。
背景技术
故障预测与健康管理(Prognosis and Health Management,PHM)，近年来被广泛应用于各类电子设备的故障诊断及故障预测：例如是故障诊断和预测，即电子***的故障诊断，尤其侧重于预诊断；以及根据诊断或监测信息给出客观合理的***健康状态评价，从而做出恰当的决策对***进行健康管理。
目前，UPS***故障检测技术几乎都是人工经验检测的方法，如在UPS***的机器出现故障后通过人工对UPS***进行测试，找出问题的原因，更换对应组件，但是一旦UPS***的设备出现故障，相应的数据库很可能出现数据丢失问题，同时UPS***的故障排查难度大，每次部分组件的异常会很大程度的降低设备寿命。
发明内容
针对上述问题，本发明的目的在于提供一种UPS故障检测方法、装置、设备和存储介质，能够有效对故障类型进行区分，设立故障等级精细化故障类型，***故障，避免不可逆故障的出现，提高设备寿命。
本发明实施例提供了一种UPS故障检测方法，包括：
获取UPS的当前时刻的第一工作数据；其中，所述第一工作数据包括故障数据以及正常工作数据；
基于混合高斯模型检测所述UPS的工作状态，并输出UPS对应的故障类型以及整修意见；其中，所述工作状态包括不可逆故障状态以及正常工作状态；
当检测所述工作状态为正常工作状态时，基于xgboost模型判断所述第一工作数据是否为间歇性故障数据，并当判断所述第一工作数据是间歇性故障数据时，继续判断上一时刻的第二工作数据是否为间歇性故障数据，并输出UPS对应的故障类型以及整修意见。
优选地，获取UPS的工作数据的步骤之前，包括：
获取UPS的历史时刻的第三工作数据生成的数据集；
基于高斯混合算法对所述数据集进行拟合，以构建高斯混合模型；
基于xgboost算法对所述数据集进行拟合，以构建xgboost模型。
优选地，所述故障类型包括一级故障、二级故障以及三级故障。
优选地，基于混合高斯模型检测所述UPS的工作状态，并输出UPS对应的故障类型以及整修意见，具体为：
将所述第一工作数据输入至混合高斯模型中，以通过概率密度函数计算所述第一工作数据的概率密度值；
通过所述第一工作数据的概率密度值检测所述UPS的工作状态；其中，当所述第一工作数据的概率密度值小于设定的阈值时，所述UPS的工作状态为不可逆故障状态，当所述第一工作数据的概率密度值大于等于设定的阈值时，所述UPS的工作状态为正常数据状态；
当判断所述工作状态为不可逆故障状态时，则输出UPS故障类型为一级故障，整修意见为立即停机检修；
当判断所述工作状态为正常工作状态时，则输出UPS为状态健康，并将所述第一工作数据输入至xgboost模型中进行检测。
优选地，当检测所述工作状态为正常工作状态时，基于xgboost模型判断所述第一工作数据是否为间歇性故障数据，并当判断所述第一工作数据是间歇性故障数据时，继续判断上一时刻的第二工作数据是否为间歇性故障数据，并输出UPS对应的故障类型以及整修意见，具体为：
当检测所述UPS的工作状态为正常工作状态时，将所述第一工作数据输入至xgboost模型中，以计算所述第一工作数据在xgboost模型在每棵cart分类树上叶子节点的得分概率值；
判断所述第一工作数据的得分概率值是否小于设定的阈值；
当判断所述第一工作数据的得分概率值不小于设定的阈值时，则判断所述第一工作数据不是间歇性故障数据，并输出UPS为状态健康；
当判断所述第一工作数据的得分概率值小于设定的阈值时，则判断所述第一工作数据是间歇性故障数据，并继续判断上一时刻的第二工作数据是否为间歇性故障数据；
当判断所述第二工作数据是间歇性故障数据时，则输出UPS对应的故障类型为连续间歇性故障数据数据的二级故障，整修意见为安排检修；
当判断所述第二工作数据不是间歇性故障数据时，则输出UPS对应的故障类型为间歇性故障数据的三级故障，整修意见为记录状态。
第二方面，本发明实施例还提供一种UPS故障检测装置，包括：
第一工作数据获取单元，用于获取UPS的当前时刻的第一工作数据；其中，所述第一工作数据包括故障数据以及正常工作数据；
工作状态检测单元，用于基于混合高斯模型检测所述UPS的工作状态，并输出UPS对应的故障类型以及整修意见；其中，所述工作状态包括不可逆故障状态以及正常工作状态；
故障类型以及整修意见输出单元，用于当检测所述工作状态为正常工作状态时，基于xgboost模型判断所述第一工作数据是否为间歇性故障数据，并当判断所述第一工作数据是间歇性故障数据时，继续判断上一时刻的第二工作数据是否为间歇性故障数据，并输出UPS对应的故障类型以及整修意见。
优选地，还包括：
数据集获取单元，用于获取UPS的历史时刻的第三工作数据生成的数据集；
高斯混合模型构建单元，用于基于高斯混合算法对所述数据集进行拟合，以构建高斯混合模型；
xgboost模型构建单元，用于基于xgboost算法对所述数据集进行拟合，以构建xgboost模型。
优选地，所述故障类型包括一级故障、二级故障以及三级故障。
优选地，工作状态检测单元，具体包括：
第一计算模块，用于将所述第一工作数据输入至混合高斯模型中，以通过概率密度函数计算所述第一工作数据的概率密度值；
第一检测模块，用于通过所述第一工作数据的概率密度值检测所述UPS的工作状态；其中，当所述第一工作数据的概率密度值小于设定的阈值时，所述UPS的工作状态为不可逆故障状态，当所述第一工作数据的概率密度值大于等于设定的阈值时，所述UPS的工作状态为正常数据状态；
第一判断模块，用于当判断所述工作状态为不可逆故障状态时，则输出UPS故障类型为一级故障，整修意见为立即停机检修；
输出模块，用于当判断所述工作状态为正常工作状态时，则输出UPS为状态健康，并将所述第一工作数据输入至xgboost模型中进行检测。
优选地，故障类型以及整修意见输出单元，具体包括：
第二计算模块，用于当检测所述UPS的工作状态为正常工作状态时，将所述第一工作数据输入至xgboost模型中，以计算所述第一工作数据在xgboost模型在每棵cart分类树上叶子节点的得分概率值；
第二判断模块，用于判断所述第一工作数据的得分概率值是否小于设定的阈值；
第三判断模块，用于当判断所述第一工作数据的得分概率值不小于设定的阈值时，则判断所述第一工作数据不是间歇性故障数据，并输出UPS为状态健康；
第四判断模块，用于当判断所述第一工作数据的得分概率值小于设定的阈值时，则判断所述第一工作数据是间歇性故障数据，并继续判断上一时刻的第二工作数据是否为间歇性故障数据；
第五判断模块，用于当判断所述第二工作数据是间歇性故障数据时，则输出UPS对应的故障类型为连续间歇性故障数据数据的二级故障，整修意见为安排检修；
第六判断模块，用于当判断所述第二工作数据不是间歇性故障数据时，则输出UPS对应的故障类型为间歇性故障数据的三级故障，整修意见为记录状态。
本发明实施例还提供了一种UPS故障检测设备，包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序能够被所述处理器执行以实现上述实施例所述的UPS故障检测方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述实施例所述的UPS故障检测方法。
上述一个实施例中，先通过基于混合高斯模型检测所述UPS的正常工作状态、不可逆工作状态，然后针对正常工作状态的UPS，基于xgboost模型以及逻辑判断，检测获取的UPS的工作数据是间歇性故障数据还是连续间歇性故障数据，从而根据检测结果输出UPS对应的故障类型以及整修意见，可以有效对故障类型进行区分，设立故障等级精细化故障类型，***故障，避免不可逆故障的出现，提高设备寿命，并根据相应预测提前进行检修，避免数据丢失问题，同时解决故障排查难度大。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式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发明的一些实施方式，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。
图1是本发明第一实施例提供的一种UPS故障检测方法的流程示意图。
图2是本发明第二施例提供的一种UPS故障检测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明第一实施例提供了一种UPS故障检测方法，可应用于UPS故障检测设备中，其可由UPS故障检测设备来执行，特别的，由UPS故障检测设备内的一个或多个处理器来执行，并至少包括如下步骤：
S101，获取UPS的当前时刻的第一工作数据；其中，所述第一工作数据包括故障数据以及正常工作数据。
S102，基于混合高斯模型检测UPS的工作状态，并输出UPS对应的故障类型以及整修意见；其中，所述工作状态包括不可逆故障状态以及正常工作状态；
在本实施例中，所述高斯混合模型是基于高斯混合算法(使用似然函数和E-M算法)对UPS的历史时刻的第三工作数据生成的数据集进行拟合构建的，具体地，通过似然函数表示高斯混合模型：
其中，p(yn；μ,Σ)是样本分布的概率密度函数，具体包括如下步骤：
1、由于无法直接求解似然函数，需要使用E-M算法转化为迭代函数先求最大化Q函数，最大化Q函数表达式为：
其中，γt,k为yt样本属于k个模型，T为样本数量，K为K个高斯模型，E(γt,k|yt,μi,Σi,πi)是对γ的估计；其中，E(γt,k|yt,μi,Σi,πi)的表达式为：
2、对Q函数中的μ，∑，π求偏导，得到高斯混合模型的三个参数μ，∑，π，则μ，∑，π的表达式分别如下：
3、将数据集代入联合概率密度函数进行拟合得到高斯混合模型，其中，概率密度函数为：
混合高斯模型的表达式为：
其中，πk为权重，ui为均值，Σi方差。
在本实施例中，所述故障类型包括一级故障、二级故障以及三级故障，则基于混合高斯模型检测所述UPS的工作状态，并输出UPS对应的故障类型以及整修意见，具体为：
将所述第一工作数据输入至混合高斯模型中，以通过概率密度函数计算所述第一工作数据的概率密度值；
通过所述第一工作数据的概率密度值检测所述UPS的工作状态；其中，当所述第一工作数据的概率密度值小于设定的阈值时，所述UPS的工作状态为不可逆故障状态，当所述第一工作数据的概率密度值大于等于设定的阈值时，所述UPS的工作状态为正常数据状态；
当判断所述工作状态为不可逆故障状态时，则输出UPS故障类型为一级故障，整修意见为立即停机检修；
当判断所述工作状态为正常工作状态时，则输出UPS为状态健康，并将所述第一工作数据输入至xgboost模型中进行检测。
S103，当检测所述工作状态为正常工作状态时，基于xgboost模型判断所述第一工作数据是否为间歇性故障数据，并当判断所述第一工作数据是间歇性故障数据时，继续判断上一时刻的第二工作数据是否为间歇性故障数据，并输出UPS对应的故障类型以及整修意见。
在本实施例中，间歇性故障数据是指UPS故障持续一段有限时间，不经任何修复性维护活动，随后又自行恢复执行所需功能产生的数据。连续间歇性故障数据数据是指UPS一直出现间歇故障，连续间歇故障与不可逆故障存在相关性，连续间歇故障会导致不可逆故障。不可逆故障状态就是UPS出现损坏，需要经过修复性维护活动才能恢复工作，简单理解就是不可逆故障状态需要人工修复，故障等级高，间歇性故障数据就是出现以下一会又能工作，故障等级低。
在本实施例中，所述xgboost模型是基于基于xgboost算法对对UPS的历史时刻的第三工作数据生成的数据集进行拟合构建的，具体地，通过建立的xgboost损失函数，通过最小化损失函数构建最优xgboost模型：
其中，T表示树模型叶子节点数目，ω表示当前叶子节点的权重，γ，λ表示惩罚系数，C为正则项。
在本实施例中，构建xgboost模型具体步骤为：
1、由于无法直接求解上式，需要使用泰勒算法对上式展开得到目标函数：
其中，n为样本点个数
2、上式目标函数为对样本点的遍历转化为对叶子节点的遍历：
其中，T为叶子节点数量
3、化简上式，将ωj系数表示成Gj、Hj。并对ωj求导数，当导数为零时，此时ωj对应损失函数有最小值，对应最优xgboost模型：
4、建立xgboost数模型，使用上式最优树模型对应的目标函数：
作为建树依据，判断节点***前后目标函数得分：
其中，
为***后左子树得分，
为***后右子树得分，
***前得分。
因此，当检测所述工作状态为正常工作状态时，基于xgboost模型判断所述第一工作数据是否为间歇性故障数据，并当判断所述第一工作数据是间歇性故障数据时，继续判断上一时刻的第二工作数据是否为间歇性故障数据，并输出UPS对应的故障类型以及整修意见，具体包括如下步骤：
当检测所述UPS的工作状态为正常工作状态时，将所述第一工作数据输入至xgboost模型中，以计算所述第一工作数据在xgboost模型在每棵cart分类树上叶子节点的得分概率值；
判断所述第一工作数据的得分概率值是否小于设定的阈值；
当判断所述第一工作数据的得分概率值不小于设定的阈值时，则判断所述第一工作数据不是间歇性故障数据，并输出UPS为状态健康；
当判断所述第一工作数据的得分概率值小于设定的阈值时，则判断所述第一工作数据是间歇性故障数据，并继续判断上一时刻的第二工作数据是否为间歇性故障数据；
当判断所述第二工作数据是间歇性故障数据时，则输出UPS对应的故障类型为连续间歇性故障数据数据的二级故障，整修意见为安排检修；
当判断所述第二工作数据不是间歇性故障数据时，则输出UPS对应的故障类型为间歇性故障数据的三级故障，整修意见为记录状态。
例如xgboost模型得到多棵cart分类树，计算第一工作数据在每棵cart分类树上叶子节点的得分，将该得分通过softmax归一化映射到区间(0，1)，对应第一工作数据的概率值，并在概率值大于0.5时为正常工作数据，小于0.5时为间歇故障数据。
综上，本实施例中，先通过基于混合高斯模型检测所述UPS的正常工作状态、不可逆工作状态，然后针对正常工作状态的UPS，基于xgboost模型以及逻辑判断，检测获取的UPS的工作数据是间歇性故障数据还是连续间歇性故障数据，从而根据检测结果输出UPS对应的故障类型以及整修意见，可以有效对故障类型进行区分，设立故障等级精细化故障类型，***故障，避免不可逆故障的出现，提高设备寿命，并根据相应预测提前进行检修，避免数据丢失问题，同时解决故障排查难度大。
本发明第二实施例：
参见图2，本发明第二实施例还提供一种UPS故障检测装置，包括：
第一工作数据获取单元100，用于获取UPS的当前时刻的第一工作数据；其中，所述第一工作数据包括故障数据以及正常工作数据；
工作状态检测单元200，用于基于混合高斯模型检测所述UPS的工作状态，并输出UPS对应的故障类型以及整修意见；其中，所述工作状态包括不可逆故障状态以及正常工作状态；
故障类型以及整修意见输出单元300，用于当检测所述工作状态为正常工作状态时，基于xgboost模型判断所述第一工作数据是否为间歇性故障数据，并当判断所述第一工作数据是间歇性故障数据时，继续判断上一时刻的第二工作数据是否为间歇性故障数据，并输出UPS对应的故障类型以及整修意见。
优选地，还包括：
数据集获取单元，用于获取UPS的历史时刻的第三工作数据生成的数据集；
高斯混合模型构建单元，用于基于高斯混合算法对所述数据集进行拟合，以构建高斯混合模型；
xgboost模型构建单元，用于基于xgboost算法对所述数据集进行拟合，以构建xgboost模型。
优选地，所述故障类型包括一级故障、二级故障以及三级故障。
优选地，工作状态检测单元200，具体包括：
第一计算模块，用于将所述第一工作数据输入至混合高斯模型中，以通过概率密度函数计算所述第一工作数据的概率密度值；
第一检测模块，用于通过所述第一工作数据的概率密度值检测所述UPS的工作状态；其中，当所述第一工作数据的概率密度值小于设定的阈值时，所述UPS的工作状态为不可逆故障状态，当所述第一工作数据的概率密度值大于等于设定的阈值时，所述UPS的工作状态为正常数据状态；
第一判断模块，用于当判断所述工作状态为不可逆故障状态时，则输出UPS故障类型为一级故障，整修意见为立即停机检修；
输出模块，用于当判断所述工作状态为正常工作状态时，则输出UPS为状态健康，并将所述第一工作数据输入至xgboost模型中进行检测。
优选地，故障类型以及整修意见输出单元300，具体包括：
第二计算模块，用于当检测所述UPS的工作状态为正常工作状态时，将所述第一工作数据输入至xgboost模型中，以计算所述第一工作数据在xgboost模型在每棵cart分类树上叶子节点的得分概率值；
第二判断模块，用于判断所述第一工作数据的得分概率值是否小于设定的阈值；
第三判断模块，用于当判断所述第一工作数据的得分概率值不小于设定的阈值时，则判断所述第一工作数据不是间歇性故障数据，并输出UPS为状态健康；
第四判断模块，用于当判断所述第一工作数据的得分概率值小于设定的阈值时，则判断所述第一工作数据是间歇性故障数据，并继续判断上一时刻的第二工作数据是否为间歇性故障数据；
第五判断模块，用于当判断所述第二工作数据是间歇性故障数据时，则输出UPS对应的故障类型为连续间歇性故障数据数据的二级故障，整修意见为安排检修；
第六判断模块，用于当判断所述第二工作数据不是间歇性故障数据时，则输出UPS对应的故障类型为间歇性故障数据的三级故障，整修意见为记录状态。
本发明第三实施例还提供了一种UPS故障检测设备，包括处理器、存储器以及存储在所述存储器内的计算机程序，所述计算机程序能够被所述处理器执行以实现上述实施例所述的UPS故障检测方法。
本发明第四实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述实施例所述的UPS故障检测方法。
示例性的，所述计算机程序可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在UPS故障检测设备中的执行过程。
所述UPS故障检测设备可包括但不仅限于处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是UPS故障检测设备的示例，并不构成对UPS故障检测设备的限定，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，例如所述UPS故障检测设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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，所述UPS故障检测设备的控制中心，利用各种接口和线路连接整个UPS故障检测设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述UPS故障检测设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述UPS故障检测设备集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种UPS故障检测方法，其特征在于，包括：
获取UPS的当前时刻的第一工作数据；其中，所述第一工作数据包括故障数据以及正常工作数据；
根据第一工作数据，基于混合高斯模型检测UPS的工作状态，并输出UPS对应的故障类型以及整修意见；其中，所述工作状态包括不可逆故障状态以及正常工作状态；
当检测所述工作状态为正常工作状态时，基于xgboost模型判断所述第一工作数据是否为间歇性故障数据，并当判断所述第一工作数据是间歇性故障数据时，继续判断上一时刻的第二工作数据是否为间歇性故障数据，并输出UPS对应的故障类型以及整修意见，具体为：
当检测所述UPS的工作状态为正常工作状态时，将所述第一工作数据输入至xgboost模型中，以计算所述第一工作数据在xgboost模型在每棵cart分类树上叶子节点的得分概率值；
判断所述第一工作数据的得分概率值是否小于设定的阈值；
当判断所述第一工作数据的得分概率值不小于设定的阈值时，则判断所述UPS不是间歇性故障数据，并输出UPS为状态健康；
当判断所述第一工作数据的得分概率值小于设定的阈值时，则判断所述第一工作数据是间歇性故障数据，并继续判断上一时刻的第二工作数据是否为间歇性故障数据；
当判断所述第二工作数据是间歇性故障数据时，则输出UPS对应的故障类型为连续间歇性故障数据的二级故障，整修意见为安排检修；
当判断所述第二工作数据不是间歇性故障数据时，则输出UPS对应的故障类型为间歇性故障数据的三级故障，整修意见为记录状态。
2.根据权利要求1所述UPS故障检测方法，其特征在于，获取UPS的工作数据的步骤之前，包括：
获取UPS的历史时刻的第三工作数据生成的数据集；
基于高斯混合算法对所述数据集进行拟合，以构建混合高斯模型；
基于xgboost算法对所述数据集进行拟合，以构建xgboost模型。
3.根据权利要求2所述UPS故障检测方法，其特征在于，所述故障类型包括一级故障、二级故障以及三级故障。
4.根据权利要求3所述UPS故障检测方法，其特征在于，基于混合高斯模型检测所述UPS的工作状态，并输出UPS对应的故障类型以及整修意见，具体为：
将所述第一工作数据输入至混合高斯模型中，以通过概率密度函数计算所述第一工作数据的概率密度值；
通过所述第一工作数据的概率密度值检测所述UPS的工作状态；其中，当所述第一工作数据的概率密度值小于设定的阈值时，所述UPS的工作状态为不可逆故障状态，当所述第一工作数据的概率密度值大于等于设定的阈值时，所述UPS的工作状态为正常数据状态；
当判断所述工作状态为不可逆故障状态时，则输出UPS故障类型为一级故障，整修意见为立即停机检修；
当判断所述工作状态为正常工作状态时，则输出UPS为状态健康，并将所述第一工作数据输入至xgboost模型中进行检测。
5.一种UPS故障检测装置，其特征在于，包括：
第一工作数据获取单元，用于获取UPS的当前时刻的第一工作数据；其中，所述第一工作数据包括故障数据以及正常工作数据；
工作状态检测单元，用于基于混合高斯模型检测所述UPS的工作状态，并输出UPS对应的故障类型以及整修意见；其中，所述工作状态包括不可逆故障状态以及正常工作状态；
故障类型以及整修意见输出单元，用于当检测所述工作状态为正常工作状态时，基于xgboost模型判断所述第一工作数据是否为间歇性故障数据，并当判断所述第一工作数据是间歇性故障数据时，继续判断上一时刻的第二工作数据是否为间歇性故障数据，并输出UPS对应的故障类型以及整修意见，具体用于：当检测所述UPS的工作状态为正常工作状态时，将所述第一工作数据输入至xgboost模型中，以计算所述第一工作数据在xgboost模型在每棵cart分类树上叶子节点的得分概率值；
判断所述第一工作数据的得分概率值是否小于设定的阈值；
当判断所述第一工作数据的得分概率值不小于设定的阈值时，则判断所述UPS不是间歇性故障数据，并输出UPS为状态健康；
当判断所述第一工作数据的得分概率值小于设定的阈值时，则判断所述第一工作数据是间歇性故障数据，并继续判断上一时刻的第二工作数据是否为间歇性故障数据；
当判断所述第二工作数据是间歇性故障数据时，则输出UPS对应的故障类型为连续间歇性故障数据的二级故障，整修意见为安排检修；
当判断所述第二工作数据不是间歇性故障数据时，则输出UPS对应的故障类型为间歇性故障数据的三级故障，整修意见为记录状态。
6.根据权利要求5所述UPS故障检测装置，其特征在于，还包括：
数据集获取单元，用于获取UPS的历史时刻的第三工作数据生成的数据集；
高斯混合模型构建单元，用于基于高斯混合算法对所述数据集进行拟合，以构建混合高斯模型；
xgboost模型构建单元，用于基于xgboost算法对所述数据集进行拟合，以构建xgboost模型。
7.一种UPS故障检测设备，包括处理器、存储器以及存储在所述存储器中且被配置由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述UPS故障检测方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至4中任意一项所述的UPS故障检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911340569.1A CN110988563B (zh) | 2019-12-23 | 2019-12-23 | 一种ups故障检测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911340569.1A CN110988563B (zh) | 2019-12-23 | 2019-12-23 | 一种ups故障检测方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110988563A CN110988563A (zh) | 2020-04-10 |
| CN110988563B true CN110988563B (zh) | 2022-04-01 |
Family
ID=70075854
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911340569.1A Active CN110988563B (zh) | 2019-12-23 | 2019-12-23 | 一种ups故障检测方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110988563B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112559279A (zh) * | 2020-11-10 | 2021-03-26 | 深圳前海有电物联科技有限公司 | 不间断电源***故障预测方法、设备和计算机可读存储介质 |
| CN113325308B (zh) * | 2021-04-13 | 2023-02-17 | 北京中大科慧科技发展有限公司 | 一种用于数据中心的供电故障检测方法 |
| CN113687259B (zh) * | 2021-09-23 | 2023-11-24 | 北京中大科慧科技发展有限公司 | 一种用于数据中心的机房ups检测方法及*** |
| WO2023201532A1 (zh) * | 2022-04-19 | 2023-10-26 | 宁德时代新能源科技股份有限公司 | 异常电芯的识别方法、装置、电子设备及存储介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015121176A1 (en) * | 2014-02-11 | 2015-08-20 | Ge Aviation Systems Limited | Method of identifying anomalies |
| CN105912843A (zh) * | 2016-04-07 | 2016-08-31 | 福建师范大学 | 基于两视角和粒子滤波的非监督故障预报方法 |
| CN106597245A (zh) * | 2016-11-04 | 2017-04-26 | 山东科技大学 | 一种igbt故障的监测装置及方法 |
| CN107132310A (zh) * | 2017-03-28 | 2017-09-05 | 浙江大学 | 基于高斯混合模型的变压器设备健康状态判别方法 |
| CN108197014A (zh) * | 2017-12-29 | 2018-06-22 | 东软集团股份有限公司 | 故障诊断方法、装置及计算机设备 |
| CN108460397A (zh) * | 2017-12-26 | 2018-08-28 | 东软集团股份有限公司 | 设备故障类型的分析方法、装置、储存介质和电子设备 |
| CN108802525A (zh) * | 2018-06-06 | 2018-11-13 | 浙江宇天科技股份有限公司 | 基于小样本的设备故障智能预测方法 |
| CN109190670A (zh) * | 2018-08-02 | 2019-01-11 | 大连理工大学 | 一种基于可扩展提升树的充电桩故障预测方法 |
| CN109543210A (zh) * | 2018-09-28 | 2019-03-29 | 国电电力宁夏新能源开发有限公司 | 一种基于机器学***台的风电机组故障预测*** |
| CN109635873A (zh) * | 2018-12-19 | 2019-04-16 | 佛山科学技术学院 | 一种ups故障预测方法 |
| CN110135492A (zh) * | 2019-05-13 | 2019-08-16 | 山东大学 | 基于多高斯模型的设备故障诊断与异常检测方法及*** |
| CN110298497A (zh) * | 2019-06-11 | 2019-10-01 | 武汉蓝智科技有限公司 | 基于大数据的工业预测维修***及其使用方法 |
| CN110378427A (zh) * | 2019-07-23 | 2019-10-25 | 上海电气风电集团有限公司 | 风电叶片的叶根螺栓的故障检测方法、***、设备及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10284008B2 (en) * | 2016-09-13 | 2019-05-07 | Abb Schweiz Ag | Isolated parallel ups system with fault location detection |
-
2019
- 2019-12-23 CN CN201911340569.1A patent/CN110988563B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015121176A1 (en) * | 2014-02-11 | 2015-08-20 | Ge Aviation Systems Limited | Method of identifying anomalies |
| CN105912843A (zh) * | 2016-04-07 | 2016-08-31 | 福建师范大学 | 基于两视角和粒子滤波的非监督故障预报方法 |
| CN106597245A (zh) * | 2016-11-04 | 2017-04-26 | 山东科技大学 | 一种igbt故障的监测装置及方法 |
| CN107132310A (zh) * | 2017-03-28 | 2017-09-05 | 浙江大学 | 基于高斯混合模型的变压器设备健康状态判别方法 |
| CN108460397A (zh) * | 2017-12-26 | 2018-08-28 | 东软集团股份有限公司 | 设备故障类型的分析方法、装置、储存介质和电子设备 |
| CN108197014A (zh) * | 2017-12-29 | 2018-06-22 | 东软集团股份有限公司 | 故障诊断方法、装置及计算机设备 |
| CN108802525A (zh) * | 2018-06-06 | 2018-11-13 | 浙江宇天科技股份有限公司 | 基于小样本的设备故障智能预测方法 |
| CN109190670A (zh) * | 2018-08-02 | 2019-01-11 | 大连理工大学 | 一种基于可扩展提升树的充电桩故障预测方法 |
| CN109543210A (zh) * | 2018-09-28 | 2019-03-29 | 国电电力宁夏新能源开发有限公司 | 一种基于机器学***台的风电机组故障预测*** |
| CN109635873A (zh) * | 2018-12-19 | 2019-04-16 | 佛山科学技术学院 | 一种ups故障预测方法 |
| CN110135492A (zh) * | 2019-05-13 | 2019-08-16 | 山东大学 | 基于多高斯模型的设备故障诊断与异常检测方法及*** |
| CN110298497A (zh) * | 2019-06-11 | 2019-10-01 | 武汉蓝智科技有限公司 | 基于大数据的工业预测维修***及其使用方法 |
| CN110378427A (zh) * | 2019-07-23 | 2019-10-25 | 上海电气风电集团有限公司 | 风电叶片的叶根螺栓的故障检测方法、***、设备及介质 |
Non-Patent Citations (6)
| Title |
|---|
| The applications of XGBoost in Fault Diagnosis of Power Networks;Bo Wang et al.;《2019 IEEE Innovative Smart Grid Technologies - Asia (ISGT Asia)》;20191024;第3496-3500 页 * |
| XGBoost-Based Algorithm Interpretation and Application on Post-Fault Transient Stability Status Prediction of Power System;Minghua Chen et al.;《IEEE Access》;20190121;第7卷;第13149 - 13158页 * |
| 基于数据挖掘的风电机组变桨***劣化状态在线辨识方法;郭慧东 等;《中国电机工程学报》;20160505;第36卷(第9期);第2389-2396页 * |
| 基于高斯混合模型的汽轮机转轴故障诊断方法;罗婵纯 等;《华电技术》;20171031;第39卷(第10期);第6-9 页 * |
| 应用深度自编码网络和XGBoost的风电机组发电机故障诊断;赵洪山 等;《电力***自动化》;20190110;第43卷(第1期);第81-86页 * |
| 风电机组关键部件故障预测技术研究;邸帅;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》;20180315(第03期);C042-82 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110988563A (zh) | 2020-04-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110988563B (zh) | 一种ups故障检测方法、装置、设备和存储介质 | |
| US11746753B2 (en) | Method and apparatus for detecting fault, method and apparatus for training model, and device and storage medium | |
| CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| CN107944721B (zh) | 一种通用的基于数据挖掘的机器学习方法、装置以及*** | |
| CN110837852A (zh) | 一种轧机齿轮箱的故障诊断方法、装置及终端设备 | |
| CN111179115A (zh) | 故障处理辅助决策方法、装置、存储介质及电子设备 | |
| CN115936658A (zh) | 一种电力设备异常检测方法、***、可读存储介质 | |
| CN110264055B (zh) | 部件危害性评估方法、装置、设备及计算机可读存储介质 | |
| CN117318069B (zh) | 一种供电***故障自愈方法及*** | |
| CN113487182B (zh) | 设备健康状态评估方法、装置、计算机设备和介质 | |
| CN116860562B (zh) | 一种用于数据中台数据质量的监控方法及*** | |
| CN108009063A (zh) | 一种电子设备故障阈值检测的方法 | |
| CN113987027A (zh) | 一种基于故障预测的设备状态确定方法、装置及介质 | |
| CN107977626B (zh) | 一种电子设备工作数据的分组方法 | |
| CN108009582B (zh) | 一种电子设备标准工作指标设置的方法 | |
| CN117909864A (zh) | 一种电力故障预测***及方法 | |
| CN110348005B (zh) | 配网设备状态数据处理方法、装置、计算机设备及介质 | |
| CN116415851A (zh) | 一种基于深度学习的设施运维性态指标智能识别评价方法 | |
| CN113204280B (zh) | 一种诊断电源故障的方法、***、设备及介质 | |
| CN116383606A (zh) | 一种分布式医疗设备的恒流温度采集方法及*** | |
| CN113986618B (zh) | 集群脑裂自动修复方法、***、装置及存储介质 | |
| CN113486583B (zh) | 设备的健康评估方法、装置、计算机设备及计算机可读存储介质 | |
| CN112906914B (zh) | 轨道交通it设备故障分析方法、装置和电子设备 | |
| CN117439899B (zh) | 一种基于大数据的通信机房巡检方法及*** | |
| CN113902261A (zh) | 用于风控催收的数据处理方法和装置 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Peng Yanqing Inventor after: Chen Hongyu Inventor before: Chen Hongyu Inventor before: Peng Yanqing |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |