CN111047082A - 设备的预警方法及装置、存储介质和电子装置 - Google Patents
设备的预警方法及装置、存储介质和电子装置 Download PDFInfo
- Publication number
- CN111047082A CN111047082A CN201911215395.6A CN201911215395A CN111047082A CN 111047082 A CN111047082 A CN 111047082A CN 201911215395 A CN201911215395 A CN 201911215395A CN 111047082 A CN111047082 A CN 111047082A
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- measuring point
- input data
- value
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000006243 chemical reaction Methods 0.000 claims abstract description 51
- 230000002159 abnormal effect Effects 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims description 84
- 230000036541 health Effects 0.000 claims description 50
- 238000012545 processing Methods 0.000 claims description 31
- 230000002776 aggregation Effects 0.000 claims description 23
- 238000004220 aggregation Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 15
- 230000005856 abnormality Effects 0.000 claims description 14
- 230000003068 static effect Effects 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 abstract description 23
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000006698 induction Effects 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 description 46
- 230000000875 corresponding effect Effects 0.000 description 29
- 230000006870 function Effects 0.000 description 20
- 238000013507 mapping Methods 0.000 description 10
- 238000004088 simulation Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012216 screening Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 6
- 238000013145 classification model Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000013210 evaluation model Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/185—Electrical failure alarms
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Emergency Management (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种设备的预警方法及装置、存储介质和电子装置,其中,该方法包括:获取第一设备在第一时刻之前的第一时间段内的历史输入数据,第一设备为高压变频设备;根据历史输入数据,确定第一设备的目标测点在第一时刻的测点预测值;当根据测点预测值和第一设备的目标测点在第一时刻的测点实际值确定出第一设备存在异常时,对第一设备进行预警;此外,还可以根据历史输入数据预测第一设备按照历史输入数据运行的情况下,在第一时间段之后的一个或多个时间段的各个时间段内,第一设备发生故障的概率。通过本发明,解决了相关技术中的高压变频设备的检修方式,由于故障感应不足、故障处理不及时,导致存在设备运行安全性和可靠性差的问题。
Description
技术领域
本发明涉及通信领域,具体而言,涉及一种设备的预警方法及装置、存储介质和电子装置。
背景技术
目前,相关技术中,高压变频设备在诸多行业领域(比如发电、化工、冶金、石油、水泥、煤矿等不同行业领域)具有广泛的应用。因此,为保证工业生产的效率,需要保证高压变频设备的正常运转以及设备故障后的及时维修。目前采用的检修模式一般为:事后检修或者计划检修。
事后检修是指设备发生故障或其他失效时,进行非计划检修。然而,由于故障发生的不确定性,无法确定故障可能什么时候发生,而如果发生故障,则会打乱生产计划,无法确保设备运行的安全可靠性,进而造成很大的影响。
计划检修是指针对无备用的主要设备进行定期检修,防止设备故障引起停运事件。然而,在检修期间需要设备停机,经济性不高,对设备工作期间发生的潜在或者明显故障感应能力不足,致使设备在非检修期间带病工作。
因此,相关技术中的高压变频设备的检修方式,由于故障感应不足、故障处理不及时,导致存在设备运行安全性和可靠性差的问题。
发明内容
本申请实施例提供了一种设备的预警方法及装置、存储介质和电子装置,以至少解决相关技术中的高压变频设备的检修方式,由于故障感应不足、故障处理不及时,导致存在设备运行安全性和可靠性差的问题。
根据本申请实施例的一个方面,提供了一种设备的预警方法,包括:获取第一设备在第一时刻之前的第一时间段内的历史输入数据,其中,第一设备为高压变频设备;根据历史输入数据,确定第一设备的目标测点在第一时刻的测点预测值;在根据测点预测值和第一设备的目标测点在第一时刻的测点实际值确定出第一设备存在异常的情况下,对第一设备进行预警。
根据本申请实施例的另一个方面,提供了一种设备的预警装置,包括:第一获取单元,用于获取第一设备在第一时刻之前的第一时间段内的历史输入数据,其中,第一设备为高压变频设备;第一确定单元,用于根据历史输入数据,确定第一设备的目标测点在第一时刻的测点预测值;预警单元,用于在根据测点预测值和第一设备的目标测点在第一时刻的测点实际值确定出第一设备存在异常的情况下,对第一设备进行预警。
可选地,第一确定单元包括:输入模块,用于将历史输入数据输入到第一故障模型,得到第一故障模型输出的测点预测值,其中,第一故障模型用于预测第一设备在正常工作的情况下,第一设备的目标测点在第一时刻输出的测点值。
可选地,上述装置还包括:第二获取单元,用于获取在将历史输入数据输入到第一故障模型,得到第一故障模型输出的测点预测值之前,获取第一训练数据,其中,第一训练数据为第二设备在运行正常的情况下,第二设备在第二时间段的第一输入数据和第二设备的目标测点的第一输出数据,其中,第一输出数据为第二设备的目标测点在第二时间段后的测点值,第二设备为高压变频设备;第一训练单元,用于使用第一输入数据对第一训练模型进行训练,得到第一故障模型,其中,第一故障模型输出的、与第一输入数据对应的输出数据与第一输出数据之间的误差小于或者等于第一误差阈值。
可选地,上述装置还包括:第三获取单元,用于在对第一设备进行预警之前,获取目标测点在第一时刻的测点实际值;第二确定单元,用于在测点预测值和测点实际值的残差大于或者等于目标预设阈值的情况下,确定出第一设备存在异常。
可选地,上述装置还包括:检测单元,用于在根据历史输入数据,确定第一设备的目标测点在第一时刻的测点预测值之前,检测第一设备的运行状态,其中,运行状态为以下之一:开机状态,停机状态,开停机切换状态;第三确定单元,用于确定与运行状态对应的异常检测阈值;第四确定单元,用于在对第一设备进行预警之前,根据测点预测值、目标测点在第一时刻的测点实际值以及异常检测阈值,确定出第一设备存在异常。
可选地,上述装置还包括:输入单元,用于在获取第一设备在第一时刻之前的第一时间段内的历史输入数据之后,将历史输入数据输入到第二故障模型,得到第二故障模型输出的预测结果,其中,第二故障模型用于预测第一设备按照历史输入数据运行的情况下,在第一时间段后的一个或多个时间段的各个时间段内,第一设备发生故障的概率。
可选地,上述装置还包括:第四获取单元,用于在将历史输入数据输入到第二故障模型,得到第二故障模型输出的预测结果之前,获取第二训练数据,其中,第二训练数据为第三设备在第三时间段的第二输入数据和第三设备的第二输出数据,第二输出数据为第三设备在第三时间段后的多个预设时间段内的各个时间段发生是否故障的指示信息,第三设备为高压变频设备;第二训练单元,用于使用第二输入数据对第二训练模型进行训练,得到第二故障模型,其中,第二故障模型输出的、与第二输入数据对应的输出数据与第二输出数据之间的误差小于或者等于第二误差阈值。
可选地,上述装置还包括:第五确定单元,用于在将历史输入数据输入到第二故障模型,得到第二故障模型输出的预测结果之后,根据得到的预测结果,确定出第一设备在第二时刻发生故障的概率;第六确定单元,用于根据第一设备在第二时刻发生故障的概率,确定出第一设备的健康度,其中,第一设备的健康度与第一设备在第二时刻发生故障的概率负相关。
可选地,上述装置还包括:第五获取单元,用于在根据历史输入数据,确定第一设备的目标测点在第一时刻的测点预测值之后,获取目标测点在第一时刻的测点实际值;第七确定单元,用于根据测点预测值和测点实际值之间的残差值,确定出第一设备的健康度,其中,第一设备的健康度与测点预测值和测点实际值之间的残差值负相关。
可选地,第一获取单元包括:获取模块,用于获取第一设备在第一时间段内的原始输入数据;第一处理模块,用于过滤原始输入数据中的异常数据,并对过滤后的数据按照时间进行补足,得到时间间隔均匀的目标时序数据;提取模块,用于使用预定长度的时间窗口从目标时序数据中依次提取出多个聚合特征;第二处理模块,用于对多个聚合特征进行宽表化处理,得到历史输入数据。
可选地,提取模块包括以下至少之一:第一提取子模块,用于在目标时序数据包括与静态测点对应的第一类时序数据的情况下,使用预定长度的时间窗口从第一类时序数据中依次提取出多个第一类特征,其中,第一类特征为位于同一时间窗口内的第一类时序数据的平均值,目标测点包括静态测点,多个聚合特征包括多个第一类特征;第二提取子模块,用于在目标时序数据包括与动态测点对应的第二类时序数据的情况下,使用预定长度的时间窗口从第二类时序数据中依次提取出多个第二类特征,其中,第二类特征包括位于同一时间窗口内的第二类时序数据的平均值、标准差、最大值、最小值和中位数中的至少之一,目标测点包括动态测点,多个聚合特征包括多个第二类特征。
根据本发明的又一个实施例,还提供了一种计算机可读的存储介质,存储介质中存储有计算机程序,其中,计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,存储器中存储有计算机程序,处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,采用使用历史数据对高压变频设备的故障进行预警的方式,通过获取第一设备在第一时刻之前的第一时间段内的历史输入数据,其中,第一设备为高压变频设备;根据历史输入数据,确定第一设备的目标测点在第一时刻的测点预测值;在根据测点预测值和第一设备的目标测点在第一时刻的测点实际值确定出第一设备存在异常的情况下,对第一设备进行预警,由于根据第一设备的目标测点在第一时刻的测点预测值与测点实际值确定设备是否存在异常,并对异常进行预警,可以起到对设备故障进行预警的目的,达到了提高设备运行安全性和可靠性的技术效果,从而解决相关技术中的高压变频设备的检修方式,由于故障感应不足、故障处理不及时,导致存在设备运行安全性和可靠性差的问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本申请实施例的一种可选的服务器的硬件结构框图;
图2是根据本申请实施例的一种可选的设备的预警方法的流程示意图;
图3是根据本申请实施例的一种可选的数据处理的流程示意图;
图4是根据本申请实施例的一种可选的高频变压器的示意图;
图5是根据本申请实施例的一种可选的提取聚合特征的流程示意图;
图6为根据本申请实施例的一种可选的故障预警方式的流程示意图;
图7为根据本申请实施例的一种可选的故障预测方式的流程示意图;
图8为根据本申请实施例的一种可选的多分类模型的构建流程示意图;
图9是根据本申请实施例的另一种可选的设备的预警方法的流程示意图;
图10是根据本申请实施例的一种可选的设备的预警装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
首先,在对本申请实施例进行描述的过程中出现的部分名词或者术语适用于如下解释:
(1)ODS(Operational Data Store,操作数据存储)层,是数据仓库体系结构中的一个可选部分,也被称为“贴源层”。
(2)DWD(Data Warehouse Detail,细节数据)层,是业务层与数据仓库的隔离层。
(3)DWS(Data Warehouse Service,服务数据)层,基于DWB上的基础数据,整合汇总成分析某一个主题域的服务数据,一般是宽表。
根据本申请实施例的一个方面,提供了一种设备的预警方法。可选地,该方法可以在服务器、云端服务器、特定网关或者类似的运算装置中执行。以运行在服务器上为例,图1是根据本申请实施例的一种可选的服务器的硬件结构框图。如图1所示,服务器10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述服务器还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述服务器的结构造成限定。例如,服务器10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本申请实施例中的设备的预警方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至服务器10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个NIC(Network Interface Controller,网络适配器),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为RF(Radio Frequency,射频)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种运行于上述服务器上的设备的预警方法,图2是根据本申请实施例的一种可选的设备的预警方法的流程示意图,如图2所示,该流程包括如下步骤:
步骤S202,获取第一设备在第一时刻之前的第一时间段内的历史输入数据,其中,第一设备为高压变频设备;
步骤S204,根据历史输入数据,确定第一设备的目标测点在第一时刻的测点预测值;
步骤S206,在根据测点预测值和第一设备的目标测点在第一时刻的测点实际值确定出第一设备存在异常的情况下,对第一设备进行预警。
可选地,上述步骤的执行主体可以为服务器、云端服务器等,但不限于此。
通过上述步骤,由于根据第一设备的目标测点在第一时刻的测点预测值与测点实际值确定设备是否存在异常,并对异常进行预警,可以起到对设备故障进行预警的目的,解决了相关技术中的高压变频设备的检修方式,由于故障感应不足、故障处理不及时,导致存在设备运行安全性和可靠性差的问题,提高了设备运行安全性和可靠性。
下面结合图2对本申请实施例中的上述设备的预警方法进行说明。
在步骤S202中,获取第一设备在第一时刻之前的第一时间段内的历史输入数据,其中,第一设备为高压变频设备。
第一设备可以是高压变频设备。可以基于大数据云平台和机器学习技术,对电力设备(高压变频设备)的高压变频器进行智能的预测性维护。
在对高压变频设备进行预测性维护时,可以现场采集设备的运行数据,例如,可以采集多台高压变频设备(例如,100台)的实时运行数据(例如,电流、电压、功率等)。采集到的多台高压变频设备的实时运行数据可以保存到服务器中,上述服务器可以是一个服务器,也可以是服务器集群,还可以是云端服务器。
对于多台高压变频设备中第一设备,可以获取第一设备在第一时刻之前的第一时间段内的历史输入数据(原始输入数据,设备原始数据),其中,历史输入数据可以是由采集的第一设备在第一时间段内的历史运行数据确定的。
作为一种可选的实施方案,获取第一设备在第一时刻之前的第一时间段内的历史输入数据包括:获取第一设备在第一时间段内的原始输入数据;过滤原始输入数据中的异常数据,并对过滤后的数据按照时间进行补足,得到时间间隔均匀的目标时序数据;使用预定长度的时间窗口从目标时序数据中依次提取出多个聚合特征;对多个聚合特征进行宽表化处理,得到历史输入数据。
对于设备原始数据,可以对设备原始数据进行预处理,得到满足之后的数据使用需求的数据(例如,历史输入数据)。对设备原始数据的预处理可以包括但不限于以下至少之一:过滤脏数据,数据补足,数据聚合,宽表化操作。
例如,如图3所示,对设备原始数据的预处理流程可以包括以下步骤:
步骤1,建立ODS层数据。
ODS层即操作数据层,ODS层中存储了所有的设备原始数据。
步骤2,建立DWD层数据。
在DWD层进行数据处理操作,包括:
步骤1,将设备原始数据中的设备ID(Identifier,标识)和测点ID进行拆分,并过滤掉原始数据中的脏数据(例如,异常值,缺失值);
步骤2,对数据进行补足,例如,对采集间隔时间大于1秒小于4小时的数据按秒补足;
步骤3,对测点值按分钟做最大、最小、均值、中位数、标准差聚合,得到聚合数据;
步骤4,对聚合数据进行宽表化操作,也就是,将聚合出的值拆分成不同的列,得到处理后的DWS层数据。
其中,对于数据补足,高压变频设备的运行数据可以是在有变化才会上传,会存在一些数据间隔不均匀的情况,比如,同一个测点有时隔5秒有下一条数据,有时隔5小时,对数据进行补足就是将数据补足成每秒都有数据。
例如,9:00:00出现一条v=50的数据,下一条发生在9:05:00,v=10,这时候就把9:00:01到9:04:59的数据都补足成v=50。
需要说明的是,数据处理的目的在于处理原始数据中存在的不合理数据,而不合理数据主要是数据中的缺失值,这是由于高压变频器的数据采集器上传数据的原则是“数据发生变化才上传数据”导致的,因此,需要进行大量的缺失值填充,采用的填充方式为向后填充。
补足后的数据为时间间隔均匀的时序数据(目标时序数据),可以对得到的目标时序数据进行数据聚合,聚合的方式为使用一定长度的时间窗口,每次提取位于该时间窗口中的时序数据的聚合特征。
对于数据聚合后的聚合特征,可以进行宽表化操作,也就是,将聚合出的值拆分成不同的列,可以得到DWS层数据。
通过本实施例,通过对设备的原始运行数据进行预处理,可以得到适用于故障预警算法的数据,提高故障预警的准确性。
对于数据聚合,可以针对动态节点和静态节点采用不同的聚合特征。
作为一种可选的实施方案,使用预定长度的时间窗口从目标时序数据中依次提取出多个聚合特征包括以下至少之一:
在目标时序数据包括与静态测点对应的第一类时序数据的情况下,使用预定长度的时间窗口从第一类时序数据中依次提取出多个第一类特征,其中,第一类特征为位于同一时间窗口内的第一类时序数据的平均值;
在目标时序数据包括与动态测点对应的第二类时序数据的情况下,使用预定长度的时间窗口从第二类时序数据中依次提取出多个第二类特征,其中,第二类特征包括位于同一时间窗口内的第二类时序数据的平均值、标准差、最大值、最小值和中位数中的至少之一。
其中,目标测点可以包括:静态节点和/或动态测点,多个聚合特征包括多个第一类特征和/或多个第二类特征。
高压变频器(如图4所示)一般具有多个测点,可以对高压变频器的测点进行如下筛选和分类:
(1)剔除绝大多数无效测点或无意义测点,剩余的测点为有效测点;
(2)根据测点记录的数据是否实时发生变化,进一步将有效测点分类成动态测点和静态测点。
其中,动态测点主要为变频器运行过程中的电流、电压和功率等参数,静态测点为变频器的一些设定参数。
例如,高压变频器的测点约为500多个,剔除绝大多数无效测点或无意义测点,剩余的有效测点为142个,其中,动态测点为59个,静态测点为83个。
对于时序数据的聚合,可以对一定长度的时间窗口提取聚合特征(如,如图5所示),提取特征的具体方式为对一定长度(例如,每分钟)的时间窗口的数据提取动态测点的平均值、标准差、最大值、最小值和中位数等特征,对一定长度(例如,每分钟)的时间窗口的数据提取静态测点的平均值特征。
通过本实施例,针对高压变频设备的动态测点和静态测点分别提取聚合特征,可以减少数据处理量,提高数据处理的效率。
对于处理后的第一设备的历史运行数据,可以保存在特定的服务器中。服务器中存储的数据的数据格式可以如表1所示,其中,pid可以包含设备ID和测点ID。
表1
序号 | 字段名称 | 类型 | 描述 |
1 | pid | string | 点号ID(主键) |
2 | dqf | bigint | 数据质量码 |
3 | ptime | bigint | 时间 |
4 | pvalue | string | 数据值 |
需要说明的是,对于设备原始数据,可以对原始数据进行数据建模,数据建模的目标为对业务数据进行数据加工,输出能用于建模的成熟数据,数据建模可以包括数据处理和特征工程两个主要环节,上述过滤脏数据、数据补足等属于数据建模中的数据处理环节,上述数据聚合属于数据建模中的特征工程环节。
在第一时刻(可以是当前时刻),可以采集第一设备目标测点实际输出数据,按照前述类似的方式进行预处理(例如,数据聚合),得到目标测点在第一时刻的测点实际值。
在得到目标测点在第一时刻的测点实际值之前、之后、或者过程中,可以获取服务器中保存的第一设备在第一时刻之前的第一时间段内(之前的一分钟、五分钟等)的历史输入数据。
在步骤S204中,根据历史输入数据,确定第一设备的目标测点在第一时刻的测点预测值。
在得到历史输入数据之后,可以根据历史输入数据,确定第一设备的目标测点在第一时刻的测点预测值。上述目标测点可以包括但不限于以下至少之一:输出电压,输出电流和输出功率。
作为一种可选的实施方案,根据历史输入数据,确定第一设备的目标测点在第一时刻的测点预测值包括:将历史输入数据输入到第一故障模型,得到第一故障模型输出的测点预测值,其中,第一故障模型用于预测第一设备在正常工作的情况下,第一设备的目标测点在第一时刻输出的测点值。
高压变频器设备在健康运行状态下,输入、输出的状态信息存在一定映射关系。当设备的输出与输入的关系发生偏离,各个参数之间的期望映射关系被破坏,设备很可能处于异常状态。
基于输入和输出的映射关系,可以根据第一设备在第一时间段内的历史输入数据,对第一设备的目标测点在第一时刻的测点值进行预测,预测使用的模型为第一故障模型(故障预警模型),其中,该第一故障模型用于预测第一设备在正常工作的情况下,第一设备的目标测点在第一时刻输出的测点值。
可以将高压变频器在正常工作状态下的测点数据构造成记忆矩阵,矩阵的行向量代表某一时刻所有测点的运行数据,列向量代表测点在不同时刻的运行数据。梳理变频器组成部分各个测点间的关系(输入量或输出量),构造输入量和输出量关系的映射模型(第一故障模型)。
通过本实施例,通过使用已建立的故障预警模型根据历史输入数据对目标测点的测点值进行预测,可以提高测点预测值的准确性,同时提高预测的效率。
为了构建第一故障模型,可以使用对第一训练模型进行模型训练。采用的算法不同,可以采用不同方式进行模型训练。
作为一种可选的实施方案,在将历史输入数据输入到第一故障模型,得到第一故障模型输出的测点预测值之前,获取第一训练数据,其中,第一训练数据为第二设备在运行正常的情况下,第二设备在第二时间段的第一输入数据和第二设备的目标测点的第一输出数据,其中,第一输出数据为第二设备的目标测点在第二时间段后的测点值,第二设备为高压变频设备;使用第一输入数据对第一训练模型进行训练,得到第一故障模型,其中,第一故障模型输出的、与第一输入数据对应的输出数据与第一输出数据之间的误差小于或者等于第一误差阈值。
对模型进行训练可以是对设备进行仿真的过程。可以采用不同的回归算法(线性或者非线性)对高压变频器的输入和输出(例如,1min输出电流统计量)进行建模,得到第一故障模型(故障预警模型,故障预警模型)。可用的算法模型可以包括但不限于以下之一:random forest(随机森林)算法模型,GBDT(Gradient Boosting Decision Tree,梯度提升迭代决策树)算法模型,XGB(eXtreme Gradient Boosting,极端梯度提升)算法模型,lasso(Least absolute shrinkage and selection operator,最小绝对值收敛和选择算子)算法模型,LinearRegression(线性回归)算法模型,Ridge回归(岭回归)算法模型。
结合不同的算法指标,例如,R2(R-Square,决定系数),MAE(Mean AbsoluteError,平均绝对误差),RMSE(Root Mean Squard Error,均方根误差),误差率等,选用的模型可以是:random forest算法模型,GBDT算法模型和XGB算法模型。其中,以random forest算法模型较优。
例如,以XGBoost算法模型为例,可以利用XGBoost算法框架进行设备仿真。XGBoost是一种监督学习方法,它由若干个CART(Classification And Regression Tree,分类与回归树,一种决策树方法)通过提升(boosting)方法集成而来。该算法的数学模型可用公式(1)来表示:
上述数学模型的目标函数如公式(2)所示:
模型训练的依据是最小化目标函数,XGBoost采用加法训练的方式分步骤进行模型训练:
...
其中,每颗CART子树可以表示为:
ft(x)=wq(x),w∈RT,q:Rd→{1,2,...,T}
这里,T表示有T个叶子节点,这T个叶子节点的值(分数)组成了一个T维向量w;q(x)表示一个映射,用来将样本映射到1至T的某个值,即将样本分到某个叶子节点,所以q(x)也代表了CART的树结构,wq(x)即表示这棵树属于样本x的预测值。
XGBoost的训练依赖于每个子树的训练和选择:首先,优化XGBoost中的第一棵树,然后优化第二颗,直至优化完K棵树为止。每颗子树需要训练的参数包含两部分:树结构和叶子节点上的分数。
在树结构q(x)确定的情况下,叶子节点的分数通过最小化目标函数得到,而此时对应的目标函数可以用来评判树结构的好坏。最小化后的目标函数的值与叶子节点的分数无关。目标函数越小,说明树的结构越好。通过更改树结构,可以找到最小的目标函数,而该目标函数对应的叶子节点。
对于树的结构来说有近乎无限多可能,为了学习出最佳的树结构,要从一层层的节点开始。大致过程是先假设树结构只有一个单节点,算出一个此时的目标函数值,再计算切分单节点后的目标函数值,两者比较,若切分后的函数值更小,则选择切分后的树,否则,不切分。
对于第一故障模型的训练,可以获取第一训练模型的第一训练数据,该第一训练数据包括:第二设备(与第一设备可以是相同的高压变频设备,也可以是不同的高压变频设备)在第二时间段的第一输入数据,以及与第一输入数据对应的第一输出数据(第二设备的目标测点在第二时间段后的测点值)。
为了保证模型的准确性,第一时间段与第二时间段的时长可以相同,第一时间段与第一时刻之间的时间关系与第二时间段与第一输出数据所对应的时刻之间的时间关系相同。
使用第一输入数据对第一训练模型进行训练,通过多轮迭代训练,在输出的、与第一输入数据对应的输出数据与第一输出数据之间的误差小于或者等于第一误差阈值(满足目标函数时与第一输入数据对应的输出数据和第一输出数据之间的误差可以作为第一误差阈值)时,可以认为训练已经结束,得到第一故障模型。
例如,第一训练模型是一种XGBoost回归树模型,训练所使用的目标函数可以如公式(2)所示,通过对第一训练模型进行训练可以得到训练好的XGBoost回归树模型。
通过本实施例,通过使用第一训练数据对第一训练模型进行模型训练,可以提高使用第一故障模型进行故障预测的准确性。
例如,对于第一故障模型,针对设备关键测点的实时状态进行回归拟合,算法的输入特征可以包括但不限于以下至少之一:启动频率,减速时间,加速时间,输入功率,输入功率因数,目标频率,实际频率,运行状态,输出功率因数,A、B、C相输入电流,输入线电压,直流电压。
算法在预测过程中,每隔一定时间间隔(例如,每五分钟)运行一次。利用输入特征在前一时间间隔(例如,前五分钟)内的5种统计值:最大值、最小值、平均值、方差和中位数作为输入向量,通过算法模型计算出当前设备测点的预测值。
作为一种可选的实施方案,在对第一设备进行预警之前,可以获取目标测点在第一时刻的测点实际值;在测点预测值和测点实际值的残差大于或者等于目标预设阈值的情况下,确定出第一设备存在异常。
可以将第一故障模型输出的预测值与设备的实际值做绝对差,即得到设备测点的残差。此时,若残差大于一定阈值,则确定出第一设备存在异常,可以为故障报警。上述阈值的确定方法可以如下:
在所有已得的该测点的历史数据中,计算所有设备在正常运行时刻的算法预测值和设备实际值之间的残差,并将所得残差按照从小到大排列。可以采取97分位的残差值作为故障报警的阈值。
通过本实施例,根据测点预测值和测点实际值的残差进行设备异常判断,可以提高异常判断的效率,提高异常发现的及时性。
设备仿真的输出为表2中的仿真测点的测点值:输出电流、输出功率以及直流电压,这些仿真测点的不同测点值可以对应不同的故障类型。
表2
故障名 | 仿真测点 |
输出过流速断保护 | 变频输出电流 |
输出过负荷保护 | 变频输出电流,输出功率 |
失速警告 | 变频输出电流 |
单元驱动保护 | 直流电压 |
单元直流电压保护 | 直流电压 |
输入欠压警告 | 直流电压 |
在得到预测值和测点实际值之后,可以对第一设备的运行状态进行预测,确定第一设备处于异常状态。
作为一种可选的实施方案,在根据历史输入数据,确定第一设备的目标测点在第一时刻的测点预测值之前,检测第一设备的运行状态,其中,运行状态为以下之一:开机状态,停机状态,开停机切换状态;确定与运行状态对应的参异常检测阈值;在对第一设备进行预警之前,根据测点预测值、目标测点在所述第一时刻的测点实际值以及异常检测阈值,确定出第一设备存在异常。
针对设备的不同状态,可以在检测异常的方式和阈值有所差别。可以在故障预警***运行时(例如,故障预警算法被调用启动之时),截取当前时刻之前的一段增量数据进行数据处理(得到历史输入数据),用来对目标测点的值进行预测(例如,如图6所示)。之后算法将检测出设备的当前状态(开机、停机以及开停机切换状态),目的在于针对各个不同状态分别进行异常预警。
在获取到设备的当前状态之后,可以针对当前状态进行异常检测配置,如异常检测阈值等。例如,设备从停机到开机,目标测点(如,输出电压)会有一个比较大的变化,此时的异常检测阈值需要设定的比较大。在所有配置完成后,将输入送入第一故障模型(例如,XGBoost回归模型)进行目标测点仿真值的预测。待预测结果输出后,与测点的实际值进行比较,产生残差结果。若残差大于异常检测阈值,则可以确定设备即将发生故障,可以对设备进行故障预警。
通过本实施例,针对设备不同的运行状态设置不同的异常检测阈值,可以提高故障预警的针对性,进而提高故障预警的准确性。
下面结合可选示例对使用第一故障模型进行故障告警的方式进行说明,在本示例中,第一故障模型为XGBoost回归树模型,预警使用的是残差预警。其中,针对表2中所示的6种关键故障,给出表2中对应的故障的仿真测点。
在本示例中,可以使用训练好的仿真模型(第一故障模型)对历史故障进行反演分析,计算得到输出电流模型预测值和输出电流实际值间的残差值,设定相应的残差报警阈值,当残差值超过设定的阈值时即报出相应的故障。
图7为根据本申请实施例的一种可选的故障预警方式的示意图,如图7所示,该方法可以包括以下步骤:
步骤1,建立模型。
可以梳理变频器的各个测点间的关系(输入量or输出量),构造输入量和输出量关系的映射模型(仿真模型)。
步骤2,训练模型。
对于构建的映射模型,可以通过输入数据和输出数据,提取相应的特征(输入输出特征),然后用机器学习的方式进行模型训练映射模型,得到仿真模型(第一故障模型)并保存。
步骤3,应用模型。
监控变频器的实时运行数据。根据变频器的实时输入特征,调用模型进行预测,输出模型预测值(目标测点的测点预测值)。例如,当算法(模型)被调用时,可以截取当前时刻之前的一段增量数据进行数据处理,用来对目标测点的值进行预测。
步骤4,残差计算。
计算模型的输出特征与实际输出特征的绝对值差值即输出特征残差。
步骤5,异常判断。
在输出特征残差中选取合适的阈值作为异常(或事故)的预警信号。当实时输出与基于当前输入的期望输出偏离较大(超过设定的阈值),发出设备异常状态预警。
整个预测功能(应用模型、残差计算和异常判断)可以循环周期调用。
其中,在构建模型和使用模型时,可以对输入测点和输出测点(目标出测点)进行配置,例如,可以配置输入特征、窗口等等。
另外,在输出特征的多个测点中,并非所有测点均超出阈值才报警,而是只要有目标比例(例如,80%,可以根据需要进行设定)或者目标个数的测点显示超出阈值,即可报警故障即将发生。
在步骤S206中,在根据测点预测值和第一设备的目标测点在第一时刻的测点实际值确定出第一设备存在异常的情况下,对第一设备进行预警。
如果根据测点预测值和测点实际值确定出第一设备存在异常(很可能即将发生故障),则可以对第一设备进行预警。
对第一故障进行预警的方式可以是:向预警设备发送通知消息,该通知消息用于指示预警设备发送告警信息。在获取到该告警信息之后,管理人员可以及时对第一设备进行检测,提前预防故障的发生,减少由于设备故障造成的损失。
除了故障预警以外,还可以对设备进行故障预测和/或健康度评估。故障预测和健康度评估可以是在对设备进行故障预警之后执行的,也可以是独立执行的。
对于故障预测,预测的结果可以是包括但不限于:故障发生的概率以及发生时间。可选地,可以获取第一设备在第一时间段内的历史输入数据,其中,第一设备为高压变频设备;获取与历史输入数据对应的预测结果,其中,预测结果用于表示第一设备按照历史输入数据运行的情况下,在第一时间段之后的一个或多个时间段的各个时间段内,第一设备发生故障的概率。历史输入数据的获取以及预处理方式与前述类似,在此不做赘述。
作为一种可选的实施方案,在获取第一设备在第一时刻之前的第一时间段内的历史输入数据之后,将历史输入数据输入到第二故障模型,得到第二故障模型输出的预测结果,其中,第二故障模型用于预测第一设备按照历史输入数据运行的情况下,在第一时间段后的一个或多个时间段的各个时间段内,第一设备发生故障的概率。
获取预测结果的方式可以是:将历史输入数据输入到第二故障模型(故障预测模型),由第二故障模型根据历史输入数据确定该预测结果。第二故障模型可以是基于故障预测算法的模型,故障预测算法的目标是建立一个多分类模型用于设备的检修维护,算法接收设备的实时数据之后输出设备不同生产周期发生故障的概率。
在得到第二故障模型之后,可以将历史输入数据输入到第二故障模型,得到第二故障模型输出与该故障类型对应的预测结果,该预测结果用于表示第一设备按照历史输入数据运行的情况下,在第一时间段之后的一个或多个时间段的各个时间段内,第一设备发生故障的概率。
在得到预测结果之后,可以将得到的预测结果保存到目标服务器中,以生成第一设备的故障预测报告。
通过本实施例,通过当前设备的历史运行数据判断故障在后期若干时间段发生的概率,可以为设备的检修维护提供依据,可以对设备故障进行***,避免由于设备发生故障造成的损失,从而解决相关技术中的高压变频设备的检修方式,由于故障感应不足、故障处理不及时,导致存在设备运行安全性和可靠性差的问题,达到提高设备运行的安全性和可靠性。
为了得到第二故障模型,可以在使用第二故障模型之前,使用对第二训练模型进行训练,得到第二故障模型。
作为一种可选的实施方案,在将历史输入数据输入到第二故障模型,得到第二故障模型输出与运行状态对应的故障类型对应的预测结果之前,获取第二训练数据,其中,第二训练数据为第三设备在第三时间段的第二输入数据和第三设备的第二输出数据,其中,第二输出数据为第三设备在第三时间段后的多个预设时间段内的各个时间段发生是否故障的指示信息,第三设备为高压变频设备;使用第二输入数据对第二训练模型进行训练,得到第二故障模型,其中,第二故障模型输出的、与第二输入数据对应的输出数据与第二输出数据之间的误差小于或者等于第二误差阈值。
训练第二训练模型所使用的第二训练数据可以是第三设备(与第一设备可以是相同的高压变频设备,也可以是不同的高压变频设备)在第三时间段的第二输入数据和第三设备的第二输出数据,第二输入数据和第三输出数据可以是第三设备的历史运行数据经数据处理之后得到的数据,其中,第三设备与第一设备可以是相同的高压变频设备,也可以是不同的高压变频设备。
为了建立故障预测模型(第二故障模型),在对高压变频设备的历史运行数据进行处理时,还可以加入衍生特征TTF(Time to Failure),TTF=下一次故障发生时间-当前时段时间。可以根据故障记录表,对设备数据点位信息进行标注,得到衍生特征TTF。可以将TTF根据生产周期划分为不同的时间段,衍生出故障发生区段。也可根据故障周期是否发生故障划分为本周期内是否有故障发生。
例如,如表3所示,TTF被划分了多个时间段,进而衍生出故障发生区段(每个故障发生区段包括一个或多个划分的时间段),以及每个故障时间区段是否发生故障(0表示未发生故障,1表示发生故障)。
表3
TTF | 故障时间区段 | 区段故障发生 |
25 | 3 | 0 |
24 | 3 | 0 |
23 | 3 | 0 |
表3(续)
TTF | 故障时间区段 | 区段故障发生 |
22 | 3 | 0 |
21 | 2 | 0 |
20 | 2 | 0 |
19 | 2 | 0 |
18 | 2 | 0 |
17 | 1 | 0 |
16 | 1 | 0 |
15 | 1 | 0 |
14 | 1 | 0 |
13 | 0 | 1 |
12 | 0 | 1 |
对于高压变频设备的原始运行数据,可以进行数据处理以及特征工程,得到能用于建模的成熟数据(第二训练数据),其中,
(1)数据处理主要包括缺失值处理,异常值处理;
(2)特征工程主要包括OneHot编码,特征归一化等。
在机器学习中对于离散的特征使用OneHot编码,将这些特征扩展到欧式空间,离散特征取值就对应欧式空间的某个点,计算特征之间的距离更加合理。
数据没有归一化之数据特征的量纲很可能不同,在机器学习过程中难以区分特征重要性,这些特征可能会影响机器学习最后的收敛过程。归一化常用的方法包括:StandardScaler、MinMaxScaler、MaxAbsScaler等。
通过特征工程,可以提取出多个测点的原始运行数据中的多个特征(例如,一定长度的时间窗口内的时序数据的平均值、标准差、最大值、最小值和中位数等特征、以及TTF)。对于提取出的特征,可以进行特征筛选,筛选出满足模型需求的特征。
特征筛选分为单变量特征筛选,多变量特征筛选。单变量特征筛选,通过单变量评分保留一定个数,一定比例的特征,变量评分的方式包括:卡方检验、p值检验,方差等。多变量特征筛选采用递归式的特征消除,使用一个机器学习模型来进行多轮训练,每轮训练结束后,消除若干个权值系数对应的特征,再基于新的特征集进行下一轮训练。在特征集合上不断的重复递归这个步骤,直到最终达到所需要的特征数量为止。常用的特征方式可以是:单变量特征选择、递归式特征选择模型和基于模型特征重要性的特征选择等。
对于特征筛选后的剩余特征,可以用于进行模型训练。在进行模型训练时,可以对多个不同的模型进行建模,同时比对多个模型,最终输出最优化模型(模型对比-参数寻优-模型校验-模型输出-评估函数-模型解释)。
需要说明的是,第二故障模型可以是多分类模型,为了建立该多分类模型,可以获取每条实时数据的多分类标签,特征工程阶段可以获取衍生特征TTF(单位:分钟),结合业务经验,可以将TTF的数值离散成区间0-60,60-120,120-600,600-1200和1200++,得到多分类模型的标签,便于进行建模并输出算法结果。
对于第二故障模型,可以使用上述数据处理和特征工程的方式对第三设备的设备原始数据进行数据处理,得到第二训练数据,第二训练数据为第三设备在第三时间段的第二输入数据和第三设备的第二输出数据,第二输出数据为第三设备在第三时间段后的多个预设时间段内的各个时间段发生是否故障的指示信息。
通过使用第二训练数据对第二训练模型进行训练,在模型满足模型训练的目标函数时(此时,第二故障模型输出的、与第二输入数据对应的输出数据与第二输出数据之间的误差小于或者等于第二误差阈值),可以认为训练结束,得到第二故障模型。
通过本实施例,使用第二训练数据对第二训练模型进行训练,可以提高使用第二故障模型进行故障预测的准确性。
除了故障预测以外,还可以对设备的健康度进行评估。
作为一种可选的实施方案,在将历史输入数据输入到第二故障模型,得到第二故障模型输出的预测结果之后,方法还包括:根据得到的预测结果,确定出第一设备在第二时刻发生故障的概率;根据第一设备在第二时刻发生故障的概率,确定出第一设备的健康度,其中,第一设备的健康度与第一设备在第二时刻发生故障的概率负相关。
对第一设备的健康度评估所使用的健康度评估算法的数据处理和算法原理和故障预测算法十分相似,只是将多分类问题转化成二分类问题。算法模型可以输出第一设备在当前时刻发生故障的概率,进而确定出第一设备的目标健康度。设备的健康度与设备发生故障的概率是负相关的,设备发生故障的概率越大,设备的健康度越低,设备发生故障的概率越小,设备的健康度越高。
例如,算法模型可以输出第一设备在当前时刻发生故障的概率为60%,健康度评分故障不发生的概率乘以10,也就是4分。
通过本实施例,根据设备发生故障的概率确定设备的健康度,可以保证健康度确定的准确性。
作为另一种可选的实施方案,在根据历史输入数据,确定第一设备的目标测点在第一时刻的测点预测值之后,可以获取目标测点在第一时刻的测点实际值;根据测点预测值和测点实际值之间的残差值,确定出第一设备的健康度,其中,第一设备的健康度与测点预测值和测点实际值之间的残差值负相关。
健康度评估还可以是基于目标测点预测值与实际值的残差。测点预测值和测点实际值之间的残差值可以视为设备健康度的一个评估指标。残差值和健康度负相关,残差值越大,说明测点预测值和测点实际值的差别越大,设备即将发生故障的概率越大,设备的健康度越低。
可以根据设备的历史运行数据和仿真模型预测输出得到该设备的历史预测数据的残差值分布,根据该分布选取出三个阈值:残差下限值、残差上限值和残差最大值。可以将残差最大值对应的健康度设置为0分,将残差报警上限的健康度设置为60分,残差报警下限的健康度设置为100分,中间值使用线性插值的方式计算得到健康度得分,便得到设备整体的健康度评估结果,也就是,残差值与健康度之间的对应关系。
通过本实施例,根据目标测点的测点预测值和测点实际值之间的残差值确定设备的健康度,可以保证健康度确定的准确性。
下面结合可选示例对本申请实施例中的设备的预警方法进行说明。在本示例中,基于大数据云平台和机器学习技术,通过高压变频设备故障预警算法、高压变频设备故障预测算法和高压变频设备健康度评估算法,对电力设备高压变频器进行智能的预测性维护。
在本实施例中,使用的算法模型包括:故障预警模型(第一故障模型)、故障预测模型(第二故障模型)和健康度评估模型。故障预警模型根据高压变频器设备在健康运行状态下,输入、输出的状态信息之间的映射关系,构建的输入量和输出量关系的映射模型。故障预测模型为通过机器学习的方式建立的多分类模型,通过输入当前设备的数据,预测设备不同生产周期发生故障的概率,适用于中期设备检修维护。健康度评估模型的数据处理和算法原理和故障预测模型类似,只是将多分类问题转化成二分类问题,算法模型输出设备在当前时刻发生故障的概率,并根据发生故障的概率评估设备的健康度。
如图9所示,本示例中的设备的预警方法可以包括以下步骤:
步骤S902,利用历史数据通过算法模型发现故障模式。
可以利用采集到的高压变频设备(可以是设备参数相同的多个设备)的历史运行数据,对历史运行数据进行数据建模(数据处理和特征工程等环节),得到用于建模的成熟数据(模型训练数据),不同的模型使用的历史运行数据可以是相同的,也可以是不同的,使用的训练数据可以相同,也可以是不同的。
对于处理后得到的模型训练数据,对故障预警模型、故障预测模型和健康度评估模型进行训练,得到训练好的故障预警模型、故障预测模型和健康度评估模型,其中,
故障预警模型用于根据当前时刻的测点预测值和测点实际值进行异常预警;
故障预测模型用于根据设备的时间片段的特征,判断在后期若干时间段发生故障的概率;
健康度评估模型用于根据设备当前时刻发生故障的概率,确定设备的健康度评分。
各个模型可以配置到算法服务器中,可以通过算法引擎进行访问。算法可提供的功能主要有四个部分,分别是:设备健康管理,故障预测,能效提升以及关键因素识别。这四项功能将有效服务相关的用户、技术人员,也将更有利于管理层全面地进行业务及人员管理。
步骤S904,采集数据现场设备的运行数据。
对于高压变频设备,可以实时采集设备的原始运行数据。
步骤S906,在线实时计算进行故障的预警和捕获。
对于采集到的设备的原始运行数据,经过过滤、筛选等操作之后,向算法引擎发出请求,使得算法在算法引擎中开始运行,得到算法输出结果,算法输出结果中可以包括:异常预警、预测的在后期若干时间段发生故障的概率以及设备的健康度。
算法输出结果可以保存到云数据库,被服务平台中的WEB及应用服务访问,或生成智能报表。
通过本示例,从基于单个传感器的诊断转变到基于智能***的预测。应用基于云计算、大数据、物联网及人工智能的智能***,可以提高装备的运行安全性、***可靠性和维修性;减少装备停机维修时间;降低装备的整个寿命周期成本。并且,从事后维修和定期维修转变到基于状态的维修。仅仅对有证据表明需要维修的进行维修,从而保证装备安全性、可靠性,并节省总的费用。
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根据上述实施例的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一个存储介质(如ROM(Read-Only Memory,只读存储器)/RAM(Random Access Memory,随机存取存储器)、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。
根据本申请实施例的另一个方面,提供了一种用于实施上述设备的预警方法的设备的预警装置。可选地,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图10是根据本申请实施例的一种可选的设备的预警装置的结构框图,如图10所示,该装置包括:
(1)第一获取单元1002,用于获取第一设备在第一时刻之前的第一时间段内的历史输入数据,其中,第一设备为高压变频设备;
(2)第一确定单元1004,与第一获取单元1002相连,用于根据历史输入数据,确定第一设备的目标测点在第一时刻的测点预测值;
(3)预警单元1006,与第一确定单元1004相连,用于在根据测点预测值和第一设备的目标测点在第一时刻的测点实际值确定出第一设备存在异常的情况下,对第一设备进行预警。
可选地,第一获取单元1002可以用于上述实施例中的步骤S202,第一确定单元1004可以用于上述实施例中的步骤S204,预警单元1006可以用于执行上述实施例中的步骤S206。
通过上述模块,由于根据第一设备的目标测点在第一时刻的测点预测值与测点实际值确定设备是否存在异常,并对异常进行预警,可以起到对设备故障进行预警的目的,解决了相关技术中的高压变频设备的检修方式,由于故障感应不足、故障处理不及时,导致存在设备运行安全性和可靠性差的问题,提高了设备运行安全性和可靠性。
作为一种可选的实施方案,第一确定单元1004包括:
(1)输入模块,用于将历史输入数据输入到第一故障模型,得到第一故障模型输出的测点预测值,其中,第一故障模型用于预测第一设备在正常工作的情况下,第一设备的目标测点在第一时刻输出的测点值。
作为一种可选的实施方案,上述装置还包括:
(1)第二获取单元,用于获取在将历史输入数据输入到第一故障模型,得到第一故障模型输出的测点预测值之前,获取第一训练数据,其中,第一训练数据为第二设备在运行正常的情况下,第二设备在第二时间段的第一输入数据和第二设备的目标测点的第一输出数据,其中,第一输出数据为第二设备的目标测点在第二时间段后的测点值,第二设备为高压变频设备;
(2)第一训练单元,用于使用第一输入数据对第一训练模型进行训练,得到第一故障模型,其中,第一故障模型输出的、与第一输入数据对应的输出数据与第一输出数据之间的误差小于或者等于第一误差阈值。
作为一种可选的实施方案,上述装置还包括:
(1)第三获取单元,用于在对第一设备进行预警之前,获取目标测点在第一时刻的测点实际值;
(2)第二确定单元,用于在测点预测值和测点实际值的残差大于或者等于目标预设阈值的情况下,确定出第一设备存在异常。
作为一种可选的实施方案,上述装置还包括:
(1)检测单元,用于在根据历史输入数据,确定第一设备的目标测点在第一时刻的测点预测值之前,检测第一设备的运行状态,其中,运行状态为以下之一:开机状态,停机状态,开停机切换状态;
(2)第三确定单元,用于从第一设备的多个测点中确定与运行状态对应的异常检测阈值;
(3)第四确定单元,用于在对第一设备进行预警之前,根据测点预测值、目标测点在第一时刻的测点实际值以及异常检测阈值,确定出第一设备存在异常。
作为一种可选的实施方案,上述装置还包括:
(1)输入单元,用于在获取第一设备在第一时刻之前的第一时间段内的历史输入数据之后,将历史输入数据输入到第二故障模型,得到第二故障模型输出的预测结果,其中,第二故障模型用于预测第一设备按照历史输入数据运行的情况下,在第一时间段后的一个或多个时间段的各个时间段内,第一设备发生故障的概率。
作为一种可选的实施方案,上述装置还包括:
(1)第四获取单元,用于在将历史输入数据输入到第二故障模型,得到第二故障模型输出的预测结果之前,获取第二训练数据,其中,第二训练数据为第三设备在第三时间段的第二输入数据和第三设备的第二输出数据,第二输出数据为第三设备在第三时间段后的多个预设时间段内的各个时间段发生是否故障的指示信息,第三设备为高压变频设备;
(2)第二训练单元,用于使用第二输入数据对第二训练模型进行训练,得到第二故障模型,其中,第二故障模型输出的、与第二输入数据对应的输出数据与第二输出数据之间的误差小于或者等于第二误差阈值。
作为一种可选的实施方案,上述装置还包括:
(1)第五确定单元,用于在将历史输入数据输入到第二故障模型,得到第二故障模型输出的预测结果之后,根据得到的预测结果,确定出第一设备在第二时刻发生故障的概率;
(2)第六确定单元,用于根据第一设备在第二时刻发生故障的概率,确定出第一设备的健康度,其中,第一设备的健康度与第一设备在第二时刻发生故障的概率负相关。
作为一种可选的实施方案,上述装置还包括:
(1)第五获取单元,用于在根据历史输入数据,确定第一设备的目标测点在第一时刻的测点预测值之后,获取目标测点在第一时刻的测点实际值;
(2)第七确定单元,用于根据测点预测值和测点实际值之间的残差值,确定出第一设备的健康度,其中,第一设备的健康度与测点预测值和测点实际值之间的残差值负相关。
作为一种可选的实施方案,第一获取单元1002包括:
(1)获取模块,用于获取第一设备在第一时间段内的原始输入数据;
(2)第一处理模块,用于过滤原始输入数据中的异常数据,并对过滤后的数据按照时间进行补足,得到时间间隔均匀的目标时序数据;
(3)提取模块,用于使用预定长度的时间窗口从目标时序数据中依次提取出多个聚合特征;
(4)第二处理模块,用于对多个聚合特征进行宽表化处理,得到历史输入数据。
作为一种可选的实施方案,提取模块包括以下至少之一:
(1)第一提取子模块,用于在目标时序数据包括与静态测点对应的第一类时序数据的情况下,使用预定长度的时间窗口从第一类时序数据中依次提取出多个第一类特征,其中,第一类特征为位于同一时间窗口内的第一类时序数据的平均值,目标测点包括静态测点,多个聚合特征包括多个第一类特征;
(2)第二提取子模块,用于在目标时序数据包括与动态测点对应的第二类时序数据的情况下,使用预定长度的时间窗口从第二类时序数据中依次提取出多个第二类特征,其中,第二类特征包括位于同一时间窗口内的第二类时序数据的平均值、标准差、最大值、最小值和中位数中的至少之一,目标测点包括动态测点,多个聚合特征包括多个第二类特征。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
根据本申请实施例的又一个方面,提供了一种计算机可读的存储介质。可选地,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行本申请实施例中所提供的上述任一项方法中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取第一设备在第一时刻之前的第一时间段内的历史输入数据,其中,第一设备为高压变频设备;
S2,根据历史输入数据,确定第一设备的目标测点在第一时刻的测点预测值;
S3,在根据测点预测值和第一设备的目标测点在第一时刻的测点实际值确定出第一设备存在异常的情况下,对第一设备进行预警。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、ROM、RAM、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
根据本申请实施例的又一个方面,提供了一种电子装置,包括:处理器(该存储器可以是图1中的处理器102)和存储器(该存储器可以是图1中的存储器104),该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行本申请实施例中所提供的上述任一项方法中的步骤。
可选地,上述电子装置还可以包括传输装置(该传输装置可以是图1中的传输装置106)以及输入输出设备(该输入输出设备可以是图1中的输入输出设备108),其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取第一设备在第一时刻之前的第一时间段内的历史输入数据,其中,第一设备为高压变频设备;
S2,根据历史输入数据,确定第一设备的目标测点在第一时刻的测点预测值;
S3,在根据测点预测值和第一设备的目标测点在第一时刻的测点实际值确定出第一设备存在异常的情况下,对第一设备进行预警。
可选地,本实施例中的可选示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (14)
1.一种设备的预警方法,其特征在于,包括:
获取第一设备在第一时刻之前的第一时间段内的历史输入数据,其中,所述第一设备为高压变频设备;
根据所述历史输入数据,确定所述第一设备的目标测点在所述第一时刻的测点预测值;
在根据所述测点预测值和所述第一设备的目标测点在所述第一时刻的测点实际值确定出所述第一设备存在异常的情况下,对所述第一设备进行预警。
2.根据权利要求1所述的方法,其特征在于,根据所述历史输入数据,确定所述第一设备的目标测点在所述第一时刻的所述测点预测值包括:
将所述历史输入数据输入到第一故障模型,得到所述第一故障模型输出的所述测点预测值,其中,所述第一故障模型用于预测所述第一设备在正常工作的情况下,所述第一设备的目标测点在所述第一时刻输出的测点值。
3.根据权利要求2所述的方法,其特征在于,在将所述历史输入数据输入到所述第一故障模型,得到所述第一故障模型输出的所述测点预测值之前,所述方法还包括:
获取第一训练数据,其中,所述第一训练数据为第二设备在运行正常的情况下,所述第二设备在第二时间段的第一输入数据和所述第二设备的目标测点的第一输出数据,其中,所述第一输出数据为所述第二设备的目标测点在所述第二时间段后的测点值,所述第二设备为高压变频设备;
使用所述第一输入数据对第一训练模型进行训练,得到所述第一故障模型,其中,所述第一故障模型输出的、与所述第一输入数据对应的输出数据与所述第一输出数据之间的误差小于或者等于第一误差阈值。
4.根据权利要求1所述的方法,其特征在于,在对所述第一设备进行预警之前,所述方法还包括:
获取所述目标测点在所述第一时刻的所述测点实际值;
在所述测点预测值和所述测点实际值之间的残差值大于或者等于目标预设阈值的情况下,确定出所述第一设备存在异常。
5.根据权利要求1所述的方法,其特征在于,
在根据所述历史输入数据,确定所述第一设备的所述目标测点在所述第一时刻的所述测点预测值之前,所述方法还包括:检测所述第一设备的运行状态,其中,所述运行状态为以下之一:开机状态,停机状态,开停机切换状态;确定与所述运行状态对应的异常检测阈值;
在对所述第一设备进行预警之前,所述方法还包括:根据所述测点预测值、所述目标测点在所述第一时刻的所述测点实际值以及所述异常检测阈值,确定出所述第一设备存在异常。
6.根据权利要求1所述的方法,其特征在于,在获取所述第一设备在所述第一时刻之前的所述第一时间段内的历史输入数据之后,所述方法还包括:
将所述历史输入数据输入到第二故障模型,得到所述第二故障模型输出的预测结果,其中,所述第二故障模型用于预测所述第一设备按照所述历史输入数据运行的情况下,在所述第一时间段后的一个或多个时间段的各个时间段内,所述第一设备发生故障的概率。
7.根据权利要求6所述的方法,其特征在于,在将所述历史输入数据输入到所述第二故障模型,得到所述第二故障模型输出的所述预测结果之前,所述方法还包括:
获取第二训练数据,其中,所述第二训练数据为第三设备在第三时间段的第二输入数据和所述第三设备的第二输出数据,所述第二输出数据为所述第三设备在所述第三时间段后的多个预设时间段内的各个时间段发生是否故障的指示信息,所述第三设备为高压变频设备;
使用所述第二输入数据对第二训练模型进行训练,得到所述第二故障模型,其中,所述第二故障模型输出的、与所述第二输入数据对应的输出数据与所述第二输出数据之间的误差小于或者等于第二误差阈值。
8.根据权利要求6所述的方法,其特征在于,在将所述历史输入数据输入到所述第二故障模型,得到所述第二故障模型输出的所述预测结果之后,所述方法还包括:
根据得到的所述预测结果,确定出所述第一设备在第二时刻发生故障的概率;
根据所述第一设备在所述第二时刻发生故障的概率,确定出所述第一设备的健康度,其中,所述第一设备的健康度与所述第一设备在所述第二时刻发生故障的概率负相关。
9.根据权利要求1所述的方法,其特征在于,在根据所述历史输入数据,确定所述第一设备的所述目标测点在所述第一时刻的所述测点预测值之后,所述方法还包括:
获取所述目标测点在所述第一时刻的所述测点实际值;
根据所述测点预测值和所述测点实际值之间的残差值,确定出所述第一设备的健康度,其中,所述第一设备的健康度与所述测点预测值和所述测点实际值之间的残差值负相关。
10.根据权利要求1至9中任一项所述的方法,其特征在于,获取所述第一设备在所述第一时刻之前的所述第一时间段内的所述历史输入数据包括:
获取所述第一设备在所述第一时间段内的原始输入数据;
过滤所述原始输入数据中的异常数据,并对过滤后的数据按照时间进行补足,得到时间间隔均匀的目标时序数据;
使用预定长度的时间窗口从所述目标时序数据中依次提取出多个聚合特征;
对所述多个聚合特征进行宽表化处理,得到所述历史输入数据。
11.根据权利要求10所述的方法,其特征在于,使用所述预定长度的所述时间窗口从所述目标时序数据中依次提取出所述多个聚合特征包括以下至少之一:
在所述目标时序数据包括与静态测点对应的第一类时序数据的情况下,使用所述预定长度的所述时间窗口从所述第一类时序数据中依次提取出多个第一类特征,其中,所述第一类特征为位于同一时间窗口内的所述第一类时序数据的平均值,所述目标测点包括所述静态测点,所述多个聚合特征包括所述多个第一类特征;
在所述目标时序数据包括与动态测点对应的第二类时序数据的情况下,使用所述预定长度的所述时间窗口从所述第二类时序数据中依次提取出多个第二类特征,其中,所述第二类特征包括位于同一时间窗口内的所述第二类时序数据的平均值、标准差、最大值、最小值和中位数中的至少之一,所述目标测点包括所述动态测点,所述多个聚合特征包括所述多个第二类特征。
12.一种设备的预警装置,其特征在于,包括:
第一获取单元,用于获取第一设备在第一时刻之前的第一时间段内的历史输入数据,其中,所述第一设备为高压变频设备;
第一确定单元,用于根据所述历史输入数据,确定所述第一设备的目标测点在所述第一时刻的测点预测值;
预警单元,用于在根据所述测点预测值和所述第一设备的目标测点在所述第一时刻的测点实际值确定出所述第一设备存在异常的情况下,对所述第一设备进行预警。
13.一种计算机可读的存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行权利要求1至11中任一项中所述的方法。
14.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行权利要求1至11中任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911215395.6A CN111047082B (zh) | 2019-12-02 | 2019-12-02 | 设备的预警方法及装置、存储介质和电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911215395.6A CN111047082B (zh) | 2019-12-02 | 2019-12-02 | 设备的预警方法及装置、存储介质和电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111047082A true CN111047082A (zh) | 2020-04-21 |
CN111047082B CN111047082B (zh) | 2024-03-29 |
Family
ID=70233217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911215395.6A Active CN111047082B (zh) | 2019-12-02 | 2019-12-02 | 设备的预警方法及装置、存储介质和电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111047082B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111562037A (zh) * | 2020-05-15 | 2020-08-21 | 云南电网有限责任公司电力科学研究院 | 一种温度表的故障检测方法及装置 |
CN111626498A (zh) * | 2020-05-25 | 2020-09-04 | 成都中电熊猫显示科技有限公司 | 设备运行状态预测方法、装置、设备及存储介质 |
CN111664490A (zh) * | 2020-06-28 | 2020-09-15 | 海尔优家智能科技(北京)有限公司 | 烟机的控制方法和装置及存储介质 |
CN112163708A (zh) * | 2020-09-30 | 2021-01-01 | 卖点国际展示(深圳)有限公司 | 基于智能展示终端的监控管理***及方法 |
CN112257745A (zh) * | 2020-09-11 | 2021-01-22 | 煤炭科学技术研究院有限公司 | 基于隐马尔可夫的煤矿井下***健康度预测方法及装置 |
CN112396250A (zh) * | 2020-11-30 | 2021-02-23 | 中船动力研究院有限公司 | 一种柴油机故障预测方法、装置、设备及存储介质 |
CN112433926A (zh) * | 2020-11-27 | 2021-03-02 | 中国建设银行股份有限公司 | 基于it产品的故障分析方法、***、设备和存储介质 |
CN112613709A (zh) * | 2020-12-15 | 2021-04-06 | 智光研究院(广州)有限公司 | 电力设备综合状态评估方法、装置、电子设备和存储介质 |
CN112633583A (zh) * | 2020-12-29 | 2021-04-09 | 南方电网调峰调频发电有限公司 | 发电机组振动预测方法、装置、计算机设备和存储介质 |
CN112885047A (zh) * | 2021-01-15 | 2021-06-01 | 湖南五凌电力科技有限公司 | 机组、变压器和辅机状态监测智能预警方法 |
CN113033913A (zh) * | 2021-04-16 | 2021-06-25 | 上海电气集团股份有限公司 | 空调故障预测性维护方法、***、电子设备及存储介质 |
CN113312804A (zh) * | 2021-07-29 | 2021-08-27 | 湖南五凌电力科技有限公司 | 变压器的温度预警方法、装置、设备及存储介质 |
CN113626242A (zh) * | 2021-08-11 | 2021-11-09 | 中国银行股份有限公司 | 一种数据处理方法、装置及电子设备 |
CN113658414A (zh) * | 2021-07-30 | 2021-11-16 | 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 | 矿场设备故障预警方法、装置、终端设备及存储介质 |
CN113743531A (zh) * | 2021-09-14 | 2021-12-03 | 华润电力技术研究院有限公司 | 一种设备工况预警方法及相关装置 |
CN113775327A (zh) * | 2020-06-05 | 2021-12-10 | 中国石油化工股份有限公司 | 钻井异常的检测方法、装置、设备、钻井和存储介质 |
CN113985202A (zh) * | 2021-10-26 | 2022-01-28 | 广东电网有限责任公司 | 一种电容故障预警方法、装置、电子设备及存储介质 |
CN114088389A (zh) * | 2021-12-10 | 2022-02-25 | 华润电力技术研究院有限公司 | 一种齿轮变速箱的数据处理方法和相关装置 |
CN114298437A (zh) * | 2022-01-04 | 2022-04-08 | 国家能源集团国源电力有限公司 | 设备预警的方法及装置 |
CN115237040A (zh) * | 2022-09-23 | 2022-10-25 | 河北东来工程技术服务有限公司 | 一种船舶设备安全操作管理方法、***、装置和介质 |
CN116101657A (zh) * | 2023-04-13 | 2023-05-12 | 惠州市华达通气体制造股份有限公司 | 氨水储存设备的预警方法、装置、设备及存储介质 |
CN116664110A (zh) * | 2023-06-08 | 2023-08-29 | 湖北华中电力科技开发有限责任公司 | 一种基于业务中台的电力营销数字化方法和*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109470946A (zh) * | 2018-09-18 | 2019-03-15 | 中国电力科学研究院有限公司 | 一种发电设备故障检测方法及*** |
CN110188961A (zh) * | 2019-06-03 | 2019-08-30 | 北京中科奥创科技有限公司 | 配电***的健康度预测方法、***和计算机可读存储介质 |
CN110334740A (zh) * | 2019-06-05 | 2019-10-15 | 武汉大学 | 人工智能推理融合的电力设备故障检测定位方法 |
CN110441584A (zh) * | 2019-08-26 | 2019-11-12 | 珠海格力电器股份有限公司 | 设备运行状态监测方法、装置、存储介质和*** |
-
2019
- 2019-12-02 CN CN201911215395.6A patent/CN111047082B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109470946A (zh) * | 2018-09-18 | 2019-03-15 | 中国电力科学研究院有限公司 | 一种发电设备故障检测方法及*** |
CN110188961A (zh) * | 2019-06-03 | 2019-08-30 | 北京中科奥创科技有限公司 | 配电***的健康度预测方法、***和计算机可读存储介质 |
CN110334740A (zh) * | 2019-06-05 | 2019-10-15 | 武汉大学 | 人工智能推理融合的电力设备故障检测定位方法 |
CN110441584A (zh) * | 2019-08-26 | 2019-11-12 | 珠海格力电器股份有限公司 | 设备运行状态监测方法、装置、存储介质和*** |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111562037A (zh) * | 2020-05-15 | 2020-08-21 | 云南电网有限责任公司电力科学研究院 | 一种温度表的故障检测方法及装置 |
CN111626498A (zh) * | 2020-05-25 | 2020-09-04 | 成都中电熊猫显示科技有限公司 | 设备运行状态预测方法、装置、设备及存储介质 |
CN111626498B (zh) * | 2020-05-25 | 2023-10-24 | 成都京东方显示科技有限公司 | 设备运行状态预测方法、装置、设备及存储介质 |
CN113775327B (zh) * | 2020-06-05 | 2024-04-09 | 中国石油化工股份有限公司 | 钻井异常的检测方法、装置、设备、钻井和存储介质 |
CN113775327A (zh) * | 2020-06-05 | 2021-12-10 | 中国石油化工股份有限公司 | 钻井异常的检测方法、装置、设备、钻井和存储介质 |
CN111664490A (zh) * | 2020-06-28 | 2020-09-15 | 海尔优家智能科技(北京)有限公司 | 烟机的控制方法和装置及存储介质 |
CN112257745A (zh) * | 2020-09-11 | 2021-01-22 | 煤炭科学技术研究院有限公司 | 基于隐马尔可夫的煤矿井下***健康度预测方法及装置 |
CN112257745B (zh) * | 2020-09-11 | 2023-09-12 | 煤炭科学技术研究院有限公司 | 基于隐马尔可夫的煤矿井下***健康度预测方法及装置 |
CN112163708A (zh) * | 2020-09-30 | 2021-01-01 | 卖点国际展示(深圳)有限公司 | 基于智能展示终端的监控管理***及方法 |
CN112433926A (zh) * | 2020-11-27 | 2021-03-02 | 中国建设银行股份有限公司 | 基于it产品的故障分析方法、***、设备和存储介质 |
CN112433926B (zh) * | 2020-11-27 | 2024-03-01 | 中国建设银行股份有限公司 | 基于it产品的故障分析方法、***、设备和存储介质 |
CN112396250B (zh) * | 2020-11-30 | 2024-04-26 | 中船动力研究院有限公司 | 一种柴油机故障预测方法、装置、设备及存储介质 |
CN112396250A (zh) * | 2020-11-30 | 2021-02-23 | 中船动力研究院有限公司 | 一种柴油机故障预测方法、装置、设备及存储介质 |
CN112613709B (zh) * | 2020-12-15 | 2024-01-05 | 智光研究院(广州)有限公司 | 电力设备综合状态评估方法、装置、电子设备和存储介质 |
CN112613709A (zh) * | 2020-12-15 | 2021-04-06 | 智光研究院(广州)有限公司 | 电力设备综合状态评估方法、装置、电子设备和存储介质 |
CN112633583A (zh) * | 2020-12-29 | 2021-04-09 | 南方电网调峰调频发电有限公司 | 发电机组振动预测方法、装置、计算机设备和存储介质 |
CN112885047A (zh) * | 2021-01-15 | 2021-06-01 | 湖南五凌电力科技有限公司 | 机组、变压器和辅机状态监测智能预警方法 |
CN113033913A (zh) * | 2021-04-16 | 2021-06-25 | 上海电气集团股份有限公司 | 空调故障预测性维护方法、***、电子设备及存储介质 |
CN113033913B (zh) * | 2021-04-16 | 2024-03-19 | 上海电气集团股份有限公司 | 空调故障预测性维护方法、***、电子设备及存储介质 |
CN113312804A (zh) * | 2021-07-29 | 2021-08-27 | 湖南五凌电力科技有限公司 | 变压器的温度预警方法、装置、设备及存储介质 |
CN113312804B (zh) * | 2021-07-29 | 2021-12-07 | 湖南五凌电力科技有限公司 | 变压器的温度预警方法、装置、设备及存储介质 |
CN113658414B (zh) * | 2021-07-30 | 2023-03-10 | 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 | 矿场设备故障预警方法、装置、终端设备及存储介质 |
CN113658414A (zh) * | 2021-07-30 | 2021-11-16 | 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 | 矿场设备故障预警方法、装置、终端设备及存储介质 |
CN113626242A (zh) * | 2021-08-11 | 2021-11-09 | 中国银行股份有限公司 | 一种数据处理方法、装置及电子设备 |
CN113743531A (zh) * | 2021-09-14 | 2021-12-03 | 华润电力技术研究院有限公司 | 一种设备工况预警方法及相关装置 |
CN113985202B (zh) * | 2021-10-26 | 2023-05-26 | 广东电网有限责任公司 | 一种电容故障预警方法、装置、电子设备及存储介质 |
CN113985202A (zh) * | 2021-10-26 | 2022-01-28 | 广东电网有限责任公司 | 一种电容故障预警方法、装置、电子设备及存储介质 |
CN114088389A (zh) * | 2021-12-10 | 2022-02-25 | 华润电力技术研究院有限公司 | 一种齿轮变速箱的数据处理方法和相关装置 |
CN114298437A (zh) * | 2022-01-04 | 2022-04-08 | 国家能源集团国源电力有限公司 | 设备预警的方法及装置 |
CN115237040B (zh) * | 2022-09-23 | 2022-12-16 | 河北东来工程技术服务有限公司 | 一种船舶设备安全操作管理方法、***、装置和介质 |
CN115237040A (zh) * | 2022-09-23 | 2022-10-25 | 河北东来工程技术服务有限公司 | 一种船舶设备安全操作管理方法、***、装置和介质 |
CN116101657A (zh) * | 2023-04-13 | 2023-05-12 | 惠州市华达通气体制造股份有限公司 | 氨水储存设备的预警方法、装置、设备及存储介质 |
CN116664110A (zh) * | 2023-06-08 | 2023-08-29 | 湖北华中电力科技开发有限责任公司 | 一种基于业务中台的电力营销数字化方法和*** |
CN116664110B (zh) * | 2023-06-08 | 2024-03-29 | 湖北华中电力科技开发有限责任公司 | 一种基于业务中台的电力营销数字化方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN111047082B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047082B (zh) | 设备的预警方法及装置、存储介质和电子装置 | |
CN110110870B (zh) | 一种基于事件图谱技术的设备故障智能监控方法 | |
CN109501834B (zh) | 一种道岔转辙机故障预测方法及装置 | |
CN113708493B (zh) | 基于云边协同的配电终端运维方法、装置和计算机设备 | |
CN109905885B (zh) | 一种确定巡检基站列表的方法以及巡检装置 | |
CN112817280A (zh) | 一种用于火电厂智慧监盘报警***实现方法 | |
CN109977624A (zh) | 基于深度神经网络的光伏电站缓变故障监测方法 | |
US10444746B2 (en) | Method for managing subsystems of a process plant using a distributed control system | |
CN117689214B (zh) | 一种柔性直流牵引供电***能量路由器动态安全评估方法 | |
CN117176560B (zh) | 一种基于物联网的监测设备监管***及其方法 | |
TWI684139B (zh) | 基於自動學習的基地台異常之預測的系統與方法 | |
US20230034061A1 (en) | Method for managing proper operation of base station and system applying the method | |
CN117041312A (zh) | 基于物联网的企业级信息技术监控*** | |
CN117808166A (zh) | 云化plc的化工安全自动化检测监控*** | |
CN116992346A (zh) | 一种基于人工智能大数据分析的企业生产数据处理*** | |
CN116070143A (zh) | 一种基于人工智能的配电网多源异构数据融合方法及*** | |
CN114253242A (zh) | 一种基于vpn的物联网云端设备数据采集*** | |
CN115858606A (zh) | 时序数据的异常检测方法、装置、设备及存储介质 | |
CN117216702A (zh) | 变电设备参数处理方法、装置及电子设备 | |
CN117113135A (zh) | 一种可对异常数据整理分类的碳排放异常监测分析*** | |
CN111740856B (zh) | 基于异常检测算法的网络通信设备告警采集异常预警方法 | |
CN113642171A (zh) | 一种基于大数据的输变电设备健康状态评估***及方法 | |
CN114579824B (zh) | 应用于工业互联网的设备状态识别方法及识别终端 | |
CN116957543B (zh) | 基于大数据的智慧燃气设备管理方法和物联网*** | |
Lv et al. | Informer-based anomaly detection for internet tv service in home network |
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 |