CN111078456A - 设备故障诊断方法、装置、计算机可读存储介质和电子设备 - Google Patents

设备故障诊断方法、装置、计算机可读存储介质和电子设备 Download PDF

Info

Publication number
CN111078456A
CN111078456A CN201911362088.0A CN201911362088A CN111078456A CN 111078456 A CN111078456 A CN 111078456A CN 201911362088 A CN201911362088 A CN 201911362088A CN 111078456 A CN111078456 A CN 111078456A
Authority
CN
China
Prior art keywords
data set
fault
phenomenon
diagnosed
determining
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
Application number
CN201911362088.0A
Other languages
English (en)
Other versions
CN111078456B (zh
Inventor
黄建军
杨杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xinao Shuneng Technology Co Ltd
Original Assignee
Xinao Shuneng Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xinao Shuneng Technology Co Ltd filed Critical Xinao Shuneng Technology Co Ltd
Priority to CN201911362088.0A priority Critical patent/CN111078456B/zh
Publication of CN111078456A publication Critical patent/CN111078456A/zh
Application granted granted Critical
Publication of CN111078456B publication Critical patent/CN111078456B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0766—Error or fault reporting or storing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种设备故障诊断方法、装置、计算机可读存储介质及电子设备，方法包括：根据第一故障数据集和第一现象数据集之间的第一模型参数，确定获取的目标设备的待诊断现象数据集对应在所述第一故障数据集的发生概率；根据所述待诊断现象数据集对应在每个所述第一故障数据集的发生概率，确定所述待诊断现象数据集对应的第二故障数据集；根据所述待诊断现象数据集对应的第二故障数据集，确定所述目标设备对应的目标故障原因。通过本发明的技术方案，可更为准确的确定设备的故障原因。

Description

设备故障诊断方法、装置、计算机可读存储介质和电子设备
技术领域
本发明涉及能源技术领域，尤其涉及设备故障诊断方法、装置、计算机可读存储介质和电子设备。
背景技术
设备通常具有规模大、复杂程度高等特点，一旦发生故障，可能会引起链式反应，导致重大灾难性事故发生，因此，对设备进行故障诊断是保证其安全、高效运行的重要环节。
目前，主要通过综合利用专家经验，建立一系列的故障现象和故障原因之间的规则，从而形成知识库，当获取到故障现象时，通过知识库对该故障现象进行推理，从而确定该故障现象对应的故障原因，从而实现故障诊断。
但是，上述故障诊断依赖于专家经验，专家经验依赖于已经发生的故障，这些知识是有限的，因此，可能导致故障诊断的准确性相对较低。
发明内容
本发明提供了一种设备故障诊断方法、装置、计算机可读存储介质及电子设备，可提高故障诊断的准确性。
第一方面，本发明提供了一种设备故障诊断方法，包括：
根据第一故障数据集和第一现象数据集之间的第一模型参数，确定获取的目标设备的待诊断现象数据集对应在所述第一故障数据集的发生概率；
根据所述待诊断现象数据集对应在每个所述第一故障数据集的发生概率，确定所述待诊断现象数据集对应的第二故障数据集；
根据所述待诊断现象数据集对应的第二故障数据集，确定所述目标设备对应的目标故障原因。
优选地，还包括：
将所述待诊断现象数据集输入深度学习模型中，确定所述待诊断现象数据集对应的第三故障数据集；
所述根据所述待诊断现象数据集对应的第二故障数据集，确定所述目标设备对应的目标故障原因，包括：
根据所述待诊断现象数据集对应的第二故障数据集和第三故障数据集，确定所述目标设备对应的目标故障原因。
优选地，所述深度学习模型包括神经网络模型，所述神经网络模型基于所述目标设备对应的第二现象数据集和所述第二现象数据集对应的第四故障数据集训练获得。
优选地，所述第二现象数据集和第四故障数据集携带所述目标设备的设备功能标签。
优选地，还包括：
根据预设故障知识库，确定所述待诊断现象数据集对应的第五故障数据集；
所述根据所述待诊断现象数据集对应的第二故障数据集和第三故障数据集，确定所述目标设备对应的目标故障原因，包括：
根据所述待诊断现象数据集对应的第二故障数据集、第三故障数据集和第五故障数据集，确定所述目标设备对应的目标故障原因。
优选地，所述根据预设故障知识库，确定所述待诊断现象数据集对应的第五故障数据集，包括：
计算所述待诊断现象数据集和预设知识库中每个第三现象数据集的相似度；
当所述第三现象数据集对应的相似度满足第一预设条件时，将预设知识库中所述第三现象数据集对应的故障数据集作为所述待诊断现象数据集对应的第五故障数据集。
优选地，所述目标故障原因对应在所述第二故障数据集、第三故障数据集和第五故障数据集的出现次数和/或权重值满足第二预设条件。
优选地，所述根据第一故障数据集和第一现象数据集之间的第一模型参数，确定所述待诊断现象数据集对应在所述第一故障数据集的发生概率，包括：
根据第一故障数据集和每个第一现象数据集之间的第一模型参数，确定所述第一故障数据集对应的第二模型参数；
根据所述第一模型参数、所述第一现象数据集、所述第二模型参数和所述待诊断现象数据集，确定所述待诊断现象数据集对应在所述第一故障数据集的发生概率。
优选地，所述根据所述第一模型参数、所述第一现象数据、所述第二模型参数和所述待诊断现象数据集，确定所述待诊断现象数据集对应在所述第一故障数据集的发生概率，包括：
通过如下公式计算所述第一故障数据集的发生概率；其中，所述公式包括：
Figure BDA0002337435730000031
其中，Pr表征所述发生概率；yk表征第k个所述第一故障数据集；βk表征所述第一故障数据集对应的第二模型参数；xi表征第i个所述第一现象数据集；βi表征第i个所述第一现象数据集和第k个所述第一故障数据集对应的第一模型参数；n表征第i个所述第一现象数据集中故障现象的第一数量；2n表征所述第一现象数据集的第二数量；所述第一现象数据集包括n个故障现象分别对应的数据。
第二方面，本发明提供了一种设备故障诊断装置，包括：
概率确定模块，用于根据第一故障数据集和第一现象数据集之间的第一模型参数，确定获取的目标设备的待诊断现象数据集对应在所述第一故障数据集的发生概率；
第一诊断模块，用于根据所述待诊断现象数据集对应在每个所述第一故障数据集的发生概率，确定所述待诊断现象数据集对应的第二故障数据；
故障确定模块，用于根据所述待诊断现象数据集对应的第二故障数据集，确定所述目标设备对应的目标故障原因。
第三方面，本发明提供了一种计算机可读存储介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述处理器执行如第一方面中任一所述的方法。
第四方面，本发明提供了一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如第一方面中任一所述的方法。
本发明提供了一种设备故障诊断方法、装置、计算机可读存储介质及电子设备，该方法通过根据第一故障数据集和第一现象数据集之间的第一模型参数，确定获取的目标设备的待诊断现象数据集对应在第一故障数据集的发生概率，然后，根据待诊断现象数据集对应在每个第一故障数据集的发生概率，确定待诊断现象数据集对应的第二故障数据集，之后，即可根据待诊断现象数据集对应的第二故障数据集，确定目标设备对应的目标故障原因。综上所述，通过本发明的技术方案，可提高故障诊断的准确性。
上述的非惯用的优选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
为了更清楚地说明本发明实施例或现有的技术方案，下面将对实施例或现有技术描述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中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种设备故障诊断方法的流程示意图；
图2为本发明一实施例提供的一种设备故障诊断方法中步骤102的流程示意图；
图3为本发明一实施例提供的另一种设备故障诊断方法的流程示意图；
图4为本发明一实施例提供的另一种设备故障诊断方法中神经网络的流程示意图；
图5为本发明一实施例提供的又一种设备故障诊断方法的流程示意图；
图6为本发明一实施例提供的一种设备故障诊断装置的结构示意图一；
图7为本发明一实施例提供的一种设备故障诊断装置的结构示意图二；
图8为本发明一实施例提供的另一种设备故障诊断装置的结构示意图；
图9为本发明一实施例提供的又一种设备故障诊断装置的结构示意图一；
图10为本发明一实施例提供的又一种设备故障诊断装置的结构示意图二；
图11为本发明一实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例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。
如图1所述，本发明实施例提供了一种设备故障诊断方法，包括如下各个步骤：
步骤101，根据第一故障数据集和第一现象数据集之间的第一模型参数，确定获取的目标设备的待诊断现象数据集对应在所述第一故障数据集的发生概率；
步骤102，根据所述待诊断现象数据集对应在每个所述第一故障数据集的发生概率，确定所述待诊断现象数据集对应的第二故障数据集；
步骤103，根据所述待诊断现象数据集对应的第二故障数据集，确定所述目标设备对应的目标故障原因。
如图1所示的实施例，该方法通过第一故障数据集和第一现象数据集之间的第一模型参数，确定获取的目标设备的待诊断现象数据集对应在第一故障数据集的发生概率，然后，根据待诊断现象数据集对应在每个第一故障数据集的发生概率，确定待诊断现象数据集对应的一个或者多个第二故障数据集，之后，即可根据待诊断现象数据集对应的一个或者多个第二故障数据集，确定目标设备对应的目标故障原因。综上所述，通过本发明的技术方案，可提高故障诊断的准确性。
该实现方式中，根据待诊断现象数据集对应在每个所述第一故障数据集的发生概率，确定待诊断现象数据集对应的一个或多个第二故障数据集，具体可以通过如下方式实现：按照由大到小的顺序对发生概率进行排序，将排序靠前的若干个发生概率对应的第一故障数据集分别作为第二现象数据集，或者，确定大于预设值的若干个发生概率，并将若干个发生概率对应的第一故障数据集分别作为第二现象数据集。
该实现方式中，根据待诊断现象数据集对应的一个或多个第二故障数据集，确定目标设备对应的目标故障原因，具体可以通过如下方式实现：当第二故障数据集的数量为多个时，对若干个第二故障数据集对应的若干个故障原因进行组合，本发明实施例对组合方式不做限定，比如，可以将出现次数大于预设值的故障原因作为目标故障原因，或者将出现次数最多的故障原因作为目标故障原因。当第二故障数据集的数量为一个时，可将第二故障数据集对应的若干个故障原因作为目标故障原因。
相应的，基于本发明实施例提供的方法，可在一定程度上避免用户采用目标设备并未发生的故障原因所对应的维护手段对目标设备进行维护而造成时间上的浪费，从而防止未能对发生故障的目标设备进行及时且有效的维护而导致目标设备发生进一步损坏。
具体地，目标设备包括但不限于燃气锅炉、燃气管道及其他类型的设备，本发明各个实施例提供的方法尤其适用于燃气锅炉。目标设备包括若干个故障原因和若干个故障现象，将若干个故障现象形成若干个第一现象数据集，若干个故障原因可组成若干个第一故障数据集。其中，不同的第一现象数据集对应不同的故障现象；不同的第一故障数据集对应不同的故障原因。
需要说明的是，待诊断现象数据集指示了目标设备的运行情况，包括若干个故障现象，待诊断现象数据集中的数据通常是根据传感器采集的目标设备的运行数据分析得到的。第二故障数据集指示了目标设备发生待诊断现象数据集中的故障现象时，可能的若干个故障原因的集合。目标故障原因的数量为一个或多个，指示了目标设备发生待诊断现象数据集中的故障现象时有极大的可能对应的故障原因。
需要说明的是，对于训练好的模型，将第一现象数据集作为特征代入模型时，模型将该第一现象数据集被分类为第一故障数据集时的参数作为第一模型参数。其中，第一模型参数是由模型自行学习出来的，比如，神经网络中的权重和偏置，权重和偏置都是参数。
请参考图2，本发明一个实施例中，在图1所述实施例的基础上，步骤102所述根据第一故障数据集和第一现象数据集之间的第一模型参数，确定所述待诊断现象数据集对应在所述第一故障数据集的发生概率，包括：
步骤1021，根据第一故障数据集和每个第一现象数据集之间的第一模型参数，确定所述第一故障数据集对应的第二模型参数；
步骤1022，根据所述第一模型参数、所述第一现象数据集、所述第二模型参数和所述待诊断现象数据集，确定所述待诊断现象数据集对应在所述第一故障数据集的发生概率。
具体地，人为预先匹配好了第一现象数据集和第一现象数据集对应的第一故障数据集，基于人为预先匹配好了第一现象数据集和第一现象数据集对应的第一故障数据集训练多类别回归模型，即以每个第一现象数据集为输入，第一故障数据集为输出，代入训练好的多类别回归模型中进行机器学习，从而确定第一故障数据集和每个第一现象数据集之间的第一模型参数，基于第一故障数据集和每个第一现象数据集之间的第一模型参数，从而确定第一故障数据集对应的第二模型参数。其中，第二模型参数通常为匹配好了的第一现象数据集和第一现象数据集对应的第一故障数据集之间的第一模型参数。
优选地，所述根据所述第一模型参数、所述第一现象数据、所述第二模型参数和所述待诊断现象数据集，确定所述待诊断现象数据集对应在所述第一故障数据集的发生概率，包括：
通过如下公式计算所述第一故障数据集的发生概率；其中，所述公式包括：
Figure BDA0002337435730000081
其中，Pr表征所述发生概率；yk表征第k个所述第一故障数据集；βk表征所述第一故障数据集对应的第二模型参数；xi表征第i个所述第一现象数据集；βi表征第i个所述第一现象数据集和第k个所述第一故障数据集对应的第一模型参数；n表征第i个所述第一现象数据集中故障现象的第一数量；2n表征所述第一现象数据集的第二数量；所述第一现象数据集包括n个故障现象分别对应的数据。
举例来说，目标设备为燃气锅炉，假设燃气锅炉包括m个现象，用Pi表示第i个现象，其中每个现象Pi有“0”和“1”两种状态，“0”和“1”即为数据。如果此现象正常，则Pi＝0；反之，Pi＝1。这m个现象可构成2m个第一现象数据集：
Figure BDA0002337435730000082
同时假设我们有n个故障原因，用qi表示第i个故障原因，其中每个故障原因qi有“0”和“1”两种状态。如果此故障原因存在，则qi＝0；反之，qi＝1，那么这n个故障原因可以生成2n第一故障数据集：
Figure BDA0002337435730000091
第二故障数据集为2n个第一故障数据集中的一个，2m个第一现象数据集的具体内容见表1，2n个第一故障数据集的具体内容见表2。
Figure BDA0002337435730000092
表1
Figure BDA0002337435730000093
表2
表1和表2中的“0”和“1”表示故障现象对应的数据，数据是信息的载体，显而易见的，第一现象数据集本质上是一个向量，不同位置反映不同的故障现象。
针对表2中的每个第一故障数据集，利用预设的线性回归模型以及归一化因子(一个配分函数的对数形式)对该第一故障数据集和表1中的每个第一现象数据集进行机器学习，确定出第一故障数据集和表1中的每个第一现象数据集之间的第一模型参数，第二模型参数是从第一模型参数中确定出来的，其中，本发明对线性回归模型不做限定。举例来说，假设线性回归模型中的回归方程为一次方程，假设表1中的x1和表2中的y1对应，β1表示x1和y1之间的第一模型参数，假设当x1被分类为y1时的计算公式为w11x1+b11，其中，x1指的是表1中x1所在行的行数据形成的向量，w11和b11即为第一模型参数，即β1。假设x1和y1存在对应关系，即发生x1中的故障现象的原因是y1中的故障原因，此时，可将w11和b11作为第二模型参数。
需要说明的是，表1中不同的第一故障数据集的回归方程可以不同，也可以相同，本发明实施例对此不做限定。
如图3所示，在图1所示实施例中步骤101和步骤102的基础上，本发明实施例提供的另一种设备故障诊断方法，还包括如下步骤：
步骤301，将所述待诊断现象数据集输入深度学习模型中，确定所述待诊断现象数据集对应的第三故障数据集；
步骤302，根据所述待诊断现象数据集对应的第二故障数据集和第三故障数据集，确定所述目标设备对应的目标故障原因。
该实施例中，将待诊断现象数据集中的故障现象输入深度学习模型后，深度学习模型即可输出待诊断现象数据集对应第三故障数据集。之后，对第三故障数据集和第二故障数据集中的故障原因进行组合，组合方法不限，任何现有技术的组合方法皆可，从而确定出目标故障原因。
优选地，所述深度学习模型包括神经网络，所述神经网络模型基于所述目标设备对应的第二现象数据集和所述第二现象数据集对应的第四故障数据集训练获得。
神经网络模型具有很强的非线性映射能力，能准确地模拟复杂设备的故障诊断并具有并行处理能力、自学习能力和记忆能力。神经网络中的每个输入层神经元对应一个故障现象，而每一个输出层神经元对应一个或者多个故障原因。
该神经网络通过以第二现象数据集为输入，第二现象数据集对应的第四故障数据集为输出训练神经网络模型得到的。显而易见的，输入待诊断现象数据集中的故障现象到对应的神经网络模型中的输入神经元上，最终输入待诊断现象数据集对应的第三故障数据集。
需要说明的是，第二现象数据集和第一现象数据集可以相同也可以不同，相应的，第四故障数据集和第一故障数据集可以相同也可以不同。通常，第二现象数据集为表1，第四故障数据集为表2。
请参考图4，基于上述表1和表2的内容，假设第二现象数据集为第一现象数据集，第四故障数据集为第一故障数据集，则P1至Pm表示上述表1中某一第一现象数据集中的数据，y1至
Figure BDA0002337435730000111
分别包括上述表2中的故障数据集，a1，1至
Figure BDA0002337435730000112
以及a2，1至
Figure BDA0002337435730000113
均表示神经网络中的神经元，针对每个神经元，该神经元接收上层的输入，并利用激活函数对上层的输入进行非线性化后求和，获得该神经元的输出，以a1，1为例进行说明，a1，1的上层输入为(P1*w1+b1)、(P2*w2+b2)、…、(Pm*wm+bm)，a1，1的输入为(P1*w1+b1)*F(P1*w1+b1)+(P2*w2+b2)*F(P2*w2+b2)+…+(Pm*wm+bm)*F(Pm*wm+bm)，其中，F表示激活函数，可以为现有技术中的激活函数，比如，ReLU函数、Sigmod函数等，本发明实施例对此不做限定，其他神经元类同，这里不做过多描述。
优选地，所述第二现象数据集和第四故障数据集携带所述目标设备的设备功能标签。
考虑到目标设备的故障现象较多，同时目标设备通常位于某一***内，而且故障现象和故障原因之间的关系复杂，比如目标设备由于某一零部件产生了问题，可能会导致一系列的故障现象，则对于一个较复杂的***来说，现象数据集就会显得过于庞大，需要的神经网络模型也会过于庞大，不利于学习，从而可能会降低诊断效率及诊断结果的准确性。而目标设备的设备功能相对于设备现象的数量较少，忽略现象之间的连锁反应，仅仅从设备功能出发，能够降低现象数据集的数量，在一定程度上提高诊断效率以及诊断结果的准确性。
具体地，确定目标设备的多个设备功能，对于每个设备功能，确定该设备功能对应的故障现象和故障原因，并建立故障现象和故障原因之间的关系，从而建立每个故障原因和多个设备功能分别对应的故障现象之间的联系，使得复杂的***的现象数据集不显得过于庞大，从而提高诊断效率及诊断结果的准确性。
如图5所示，在图1所示实施例中的步骤101、步骤102以及图3所示实施例中步骤301的基础上，本发明实施例提供的又一种设备故障诊断方法，还包括如下步骤：
步骤501，根据预设故障知识库，确定所述待诊断现象数据集对应的第五故障数据集；
步骤502，根据所述待诊断现象数据集对应的第二故障数据集、第三故障数据集和第五故障数据集，确定所述目标设备对应的目标故障原因。
该实施例中，根据预设知识库，即可确定出待诊断现象数据集对应的第五故障数据集，之后，即可对第二故障数据集、第三故障数据集第五故障数据集中的故障原因进行组合，从而确定出若干个目标故障原因，该目标故障原因的准确性相对较高。
本发明一个实施例中，在图5所示的实施例的基础上，所述根据预设故障知识库，确定所述待诊断现象数据集对应的第五故障数据集，包括：
计算所述待诊断现象数据集和预设知识库中每个第三现象数据集的相似度；
当所述第三现象数据集对应的相似度满足第一预设条件时，将预设知识库中所述第三现象数据集对应的故障数据集作为所述待诊断现象数据集对应的第五故障数据集。
该实施例中，针对预设知识库中的每个第三现象数据集，确定待诊断现象数据集与第三现象数据集之间的相似度，当相似度满足第一预设条件时，将预设知识库中第三现象数据集对应的故障数据集作为待诊断现象数据集对应的第五故障数据集。
该实现方式中，相似度满足第一预设条件包括但不限于相似度大于第一预设值，或者，相似度最大。
具体地，待诊断现象数据集和第三现象数据集本质上是个向量，而且，相同位置的数据项对应相同的故障现象，计算待诊断现象数据集和第三现象数据集的相似度，该相似度可以是所有相同故障现象对应的两个数据项的乘积之和，当然，现有技术中的计算两个向量相似度的方法均可，本发明实施例对相似度的计算方法不做限定。举例来说，
显而易见的，根据目标设备所在***的工作环境、***知识(反映***的工作机理及结构知识)以及反映***因果的规则，建立预设知识库，预设知识库包括但不限于若干个第三现象数据集，以及每个第三现象数据集分别对应的故障数据集。其中，第三现象数据集和第一现象数据集可以相等，即第三现象数据集可以是表1。
举例来说，可以通过如下公式计算第五故障数据集。
Figure BDA0002337435730000131
其中，Ai表征预设知识库中第i个第三现象数据集；B表征待诊断现象数据集；N(Ai，B)表征预设知识库中第i个第三现象数据集和待诊断现象数据集的相似度；Ak表征最大相似度对应的第三现象数据集对应的故障数据集。
优选地，所述根据所述待诊断现象数据集对应的第二故障数据集、第三故障数据集和第五故障数据集，确定所述目标设备对应的目标故障原因，包括：
按照预设组合方式，对所述待诊断现象数据集对应的第二故障数据集、第三故障数据集和第五故障数据集中的故障原因进行组合，确定所述目标设备对应的目标故障原因。
该实施例中，按照预设组合方式，对待诊断现象数据集对应的第二故障数据集、第三故障数据集和第五故障数据集中的故障原因进行组合，确定目标设备对应的目标故障原因，从而确保目标故障原因的参考价值。
需要说明的是，第二故障数据集本质上是基于浅层学习模型确定的，第三故障数据集是基于深层学习模型确定的，第五故障数据集本质上是基于规则确定的，综合不同故障诊断方法从而确保目标故障原因的准确性。需要说明的是，也可以利用加入现有技术中的贝叶斯网络的故障诊断方法，进一步提高目标故障原因的准确性。
在这里，目标故障原因对应在所述第二故障数据集、第三故障数据集和第五故障数据集的出现次数和/或权重值满足第二预设条件。其中，出现次数和/或权重值满足第二预设条件包括：出现次数最大、权重值最大、出现次数和权重值的加权平均值最大、出现次数和权重值的加权求和值最大、出现次数大于预设值、权重值大于预设值、出现次数和权重值的加权平均值大于预设值、出现次数和权重值的加权求和值大于预设值等。本发明实施例对第二预设条件的内容不做限定，具体需要结合实际情况确定。
目标故障原因对应在第二故障数据集、第三故障数据集和第五故障数据集的出现次数，该出现次数指示了目标故障原因出现在第二故障数据集、第三故障数据集和第五故障数据集的总的次数。
目标故障原因对应在所述第二故障数据集、第三故障数据集和第五故障数据集的权重值，该权重综合考虑了不同故障诊断方法的准确性，考虑到第二故障数据集、第三故障数据集和第五故障数据集分别对应的第一权重值。具体地，针对每个故障原因，确定第二故障数据集、第三故障数据集、第四故障数据集中包含该故障原因的若干个故障数据集，并将这些故障数据集对应的第一权重值分别作为该故障原因的第二权重值，对这些第二权重值进行加权平均或者加权求和，从而确定故障原因的第三权重，该第三权重值即为目标故障原因对应在所述第二故障数据集、第三故障数据集和第五故障数据集的权重值。
基于与本发明方法实施例相同的构思，请参考图6，本发明实施例还提供了一种设备故障诊断装置，包括：
概率确定模块601，用于根据第一故障数据集和第一现象数据集之间的第一模型参数，确定获取的目标设备的待诊断现象数据集对应在所述第一故障数据集的发生概率；
第一诊断模块602，用于根据所述待诊断现象数据集对应在每个所述第一故障数据集的发生概率，确定所述待诊断现象数据集对应的第二故障数据；
故障确定模块603，用于根据所述待诊断现象数据集对应的第二故障数据集，确定所述目标设备对应的目标故障原因。
请参考图7，本发明一个实施例中，所述第一诊断模块602，包括：参数确定单元6021及概率确定单元6022；其中，
所述参数确定单元6021，用于根据第一故障数据集和每个第一现象数据集之间的第一模型参数，确定所述第一故障数据集对应的第二模型参数；
所述概率确定单元6022，用于根据所述第一模型参数、所述第一现象数据集、所述第二模型参数和所述待诊断现象数据集，确定所述待诊断现象数据集对应在所述第一故障数据集的发生概率。
本发明一个实施例中，所述概率确定单元6022，用于通过如下公式计算所述第一故障数据集的发生概率；其中，所述公式包括：
Figure BDA0002337435730000151
其中，Pr表征所述发生概率；yk表征第k个所述第一故障数据集；βk表征所述第一故障数据集对应的第二模型参数；xi表征第i个所述第一现象数据集；βi表征第i个所述第一现象数据集和第k个所述第一故障数据集对应的第一模型参数；n表征第i个所述第一现象数据集中故障现象的第一数量；2n表征所述第一现象数据集的第二数量；所述第一现象数据集包括n个故障现象分别对应的数据。
请参考图8，在图6所示实施例中的概率确定模块601、第一诊断模块602和故障确定模块603的基础上，本发明一个实施例中，还包括：第二诊断模块801；其中，
所述预测模型801，用于将所述待诊断现象数据集输入深度学习模型中，确定所述待诊断现象数据集对应的第三故障数据集；
则，所述故障确定模块603，用于根据所述待诊断现象数据集对应的第二故障数据集和第三故障数据集，确定所述目标设备对应的目标故障原因。
本发明一个实施例中，所述深度学习模型包括神经网络模型，所述神经网络模型基于所述目标设备对应的第二现象数据集和所述第二现象数据集对应的第四故障数据集训练获得。
本发明一个实施例中，所述第二现象数据集和第四故障数据集携带所述目标设备的设备功能标签。
请参考图9，在图6所示实施例中的概率确定模块601、第一诊断模块602、故障确定模块603以及图8所示实施例中的预测模型801的基础上，本发明一个实施例中，还包括：第三诊断模块901；其中，
所述第三诊断模块901，用于根据预设故障知识库，确定所述待诊断现象数据集对应的第五故障数据集；
则，所述故障确定模块603，用于根据所述待诊断现象数据集对应的第二故障数据集、第三故障数据集和第五故障数据集，确定所述目标设备对应的目标故障原因。
请参考图10，本发明一个实施例中，所述第三诊断模块901，包括：计算单元9011和故障诊断单元9012；其中，
所述计算单元9011，用于计算所述待诊断现象数据集和预设知识库中每个第三现象数据集的相似度；
所述故障诊断单元9012，用于当所述第三现象数据集对应的相似度满足第一预设条件时，将预设知识库中所述第三现象数据集对应的故障数据集作为所述待诊断现象数据集对应的第五故障数据集。
本发明一个实施例中，所述故障确定模块603，用于按照预设组合方式，对所述待诊断现象数据集对应的第二故障数据集、第三故障数据集和第五故障数据集中的故障原因进行组合，确定所述目标设备对应的目标故障原因。
图11是本发明实施例提供的一种电子设备的结构示意图。在硬件层面，该电子设备包括处理器111以及存储有执行指令的存储器112，可选地还包括内部总线113及网络接口114。其中，存储器112可能包含内存1121，例如高速随机存取存储器(Random-AccessMemory，RAM)，也可能还包括非易失性存储器1122(non-volatile memory)，例如至少1个磁盘存储器等；处理器111、网络接口114和存储器112可以通过内部总线113相互连接，该内部总线113可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等；内部总线113可以分为地址总线、数据总线、控制总线等，为便于表示，图11中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。当然，该电子设备还可能包括其他业务所需要的硬件。当处理器111执行存储器112存储的执行指令时，处理器111执行本发明任意一个实施例中的方法，并至少用于执行如图1、图2、图3或图5所示的方法。
在一种可能实现的方式中，处理器从非易失性存储器中读取对应的执行指令到内存中然后运行，也可从其它设备上获取相应的执行指令，以在逻辑层面上形成一种设备故障诊断装置。处理器执行存储器所存放的执行指令，以通过执行的执行指令实现本发明任一实施例中提供的一种设备故障诊断方法。
处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。
本发明实施例还提供了一种计算机可读存储介质，包括执行指令，当电子设备的处理器执行执行指令时，所述处理器执行本发明任意一个实施例中提供的方法。该电子设备具体可以是如图11所示的电子设备；执行指令是一种设备故障诊断装置所对应计算机程序。
本领域内的技术人员应明白，本发明的实施例可提供为方法或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或软件和硬件相结合的形式。
本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者锅炉不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者锅炉所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者锅炉中还存在另外的相同要素。
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理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权利要求范围之内。

Claims (13)

1.一种设备故障诊断方法，其特征在于，包括：
根据第一故障数据集和第一现象数据集之间的第一模型参数，确定获取的目标设备的待诊断现象数据集对应在所述第一故障数据集的发生概率；
根据所述待诊断现象数据集对应在每个所述第一故障数据集的发生概率，确定所述待诊断现象数据集对应的第二故障数据集；
根据所述待诊断现象数据集对应的第二故障数据集，确定所述目标设备对应的目标故障原因。
2.根据权利要求1所述的方法，其特征在于，还包括：
将所述待诊断现象数据集输入深度学习模型中，确定所述待诊断现象数据集对应的第三故障数据集；
所述根据所述待诊断现象数据集对应的第二故障数据集，确定所述目标设备对应的目标故障原因，包括：
根据所述待诊断现象数据集对应的第二故障数据集和第三故障数据集，确定所述目标设备对应的目标故障原因。
3.根据权利要2所述的方法，其特征在于，所述深度学习模型包括神经网络模型，所述神经网络模型基于所述目标设备对应的第二现象数据集和所述第二现象数据集对应的第四故障数据集训练获得。
4.根据权利要求3所述的方法，其特征在于，所述第二现象数据集和第四故障数据集携带所述目标设备的设备功能标签。
5.根据权利要求2所述的方法，其特征在于，还包括：
根据预设故障知识库，确定所述待诊断现象数据集对应的第五故障数据集；
所述根据所述待诊断现象数据集对应的第二故障数据集和第三故障数据集，确定所述目标设备对应的目标故障原因，包括：
根据所述待诊断现象数据集对应的第二故障数据集、第三故障数据集和第五故障数据集，确定所述目标设备对应的目标故障原因。
6.根据权利要求5所述的方法，其特征在于，所述根据预设故障知识库，确定所述待诊断现象数据集对应的第五故障数据集，包括：
计算所述待诊断现象数据集和预设知识库中每个第三现象数据集的相似度；
当所述第三现象数据集对应的相似度满足第一预设条件时，将预设知识库中所述第三现象数据集对应的故障数据集作为所述待诊断现象数据集对应的第五故障数据集。
7.根据权利要求5所述的方法，其特征在于，所述根据所述待诊断现象数据集对应的第二故障数据集、第三故障数据集和第五故障数据集，确定所述目标设备对应的目标故障原因，包括：
按照预设组合方式，对所述待诊断现象数据集对应的第二故障数据集、第三故障数据集和第五故障数据集中的故障原因进行组合，确定所述目标设备对应的目标故障原因。
8.根据权利要求7所述的方法，其特征在于，所述目标故障原因对应在所述第二故障数据集、第三故障数据集和第五故障数据集的出现次数和/或权重值满足第二预设条件。
9.根据权利要求1至8中任一所述的方法，其特征在于，所述根据第一故障数据集和第一现象数据集之间的第一模型参数，确定所述待诊断现象数据集对应在所述第一故障数据集的发生概率，包括：
根据第一故障数据集和每个第一现象数据集之间的第一模型参数，确定所述第一故障数据集对应的第二模型参数；
根据所述第一模型参数、所述第一现象数据集、所述第二模型参数和所述待诊断现象数据集，确定所述待诊断现象数据集对应在所述第一故障数据集的发生概率。
10.根据权利要求9所述的方法，其特征在于，所述根据所述第一模型参数、所述第一现象数据、所述第二模型参数和所述待诊断现象数据集，确定所述待诊断现象数据集对应在所述第一故障数据集的发生概率，包括：
通过如下公式计算所述第一故障数据集的发生概率；其中，所述公式包括：
Figure FDA0002337435720000031
其中，Pr表征所述发生概率；yk表征第k个所述第一故障数据集；βk表征所述第一故障数据集对应的第二模型参数；xi表征第i个所述第一现象数据集；βi表征第i个所述第一现象数据集和第k个所述第一故障数据集对应的第一模型参数；n表征第i个所述第一现象数据集中故障现象的第一数量；2n表征所述第一现象数据集的第二数量；所述第一现象数据集包括n个故障现象分别对应的数据。
11.一种设备故障诊断装置，其特征在于，包括：
概率确定模块，用于根据第一故障数据集和第一现象数据集之间的第一模型参数，确定获取的目标设备的待诊断现象数据集对应在所述第一故障数据集的发生概率；
第一诊断模块，用于根据所述待诊断现象数据集对应在每个所述第一故障数据集的发生概率，确定所述待诊断现象数据集对应的第二故障数据；
故障确定模块，用于根据所述待诊断现象数据集对应的第二故障数据集，确定所述目标设备对应的目标故障原因。
12.一种计算机可读存储介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述处理器执行如权利要求1至10中任一所述的方法。
13.一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如权利要求1至10中任一所述的方法。
CN201911362088.0A 2019-12-26 2019-12-26 设备故障诊断方法、装置、计算机可读存储介质和电子设备 Active CN111078456B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911362088.0A CN111078456B (zh) 2019-12-26 2019-12-26 设备故障诊断方法、装置、计算机可读存储介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911362088.0A CN111078456B (zh) 2019-12-26 2019-12-26 设备故障诊断方法、装置、计算机可读存储介质和电子设备

Publications (2)

Publication Number Publication Date
CN111078456A true CN111078456A (zh) 2020-04-28
CN111078456B CN111078456B (zh) 2023-05-16

Family

ID=70317870

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911362088.0A Active CN111078456B (zh) 2019-12-26 2019-12-26 设备故障诊断方法、装置、计算机可读存储介质和电子设备

Country Status (1)

Country Link
CN (1) CN111078456B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113064779A (zh) * 2021-03-04 2021-07-02 山东英信计算机技术有限公司 一种机器出厂诊断方法、***、设备和存储介质
CN113408642A (zh) * 2021-06-30 2021-09-17 广州江南科友科技股份有限公司 基于知识库专家规则的故障触发匹配方法、***和介质
CN113689042A (zh) * 2021-08-25 2021-11-23 华自科技股份有限公司 监测节点的故障源预测方法
CN116880442A (zh) * 2023-07-03 2023-10-13 广州汽车集团股份有限公司 故障诊断方法、装置、电子设备及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101419267A (zh) * 2008-12-03 2009-04-29 中国电力科学研究院 一种电网故障在线快速诊断与分析方法
CN102055604A (zh) * 2009-11-05 2011-05-11 ***通信集团山东有限公司 一种故障定位方法及其***
CN102496028A (zh) * 2011-11-14 2012-06-13 华中科技大学 一种复杂装备的事后维修故障分析方法
CN105095675A (zh) * 2015-09-07 2015-11-25 浙江群力电气有限公司 一种开关柜故障特征选择方法及装置
CN107168292A (zh) * 2017-06-21 2017-09-15 武汉理工大学 基于elm算法的水下航行器电路故障诊断方法
CN107222322A (zh) * 2016-03-22 2017-09-29 ***通信集团陕西有限公司 一种通信故障诊断方法及装置
CN108052974A (zh) * 2017-12-12 2018-05-18 苏州大学 一种故障诊断方法、***、设备及存储介质
EP3373041A1 (en) * 2017-03-07 2018-09-12 Honeywell International Inc. False alarm distribution in advanced receiver autonomous integrity monitoring
CN108663600A (zh) * 2018-05-09 2018-10-16 广东工业大学 一种基于输电网的故障诊断方法、装置及存储介质
US20190005400A1 (en) * 2016-09-20 2019-01-03 Southwest Petroleum University A fuzzy evaluation and prediction method for running status of mechanical equipment with occurrence probability of failure modes

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101419267A (zh) * 2008-12-03 2009-04-29 中国电力科学研究院 一种电网故障在线快速诊断与分析方法
CN102055604A (zh) * 2009-11-05 2011-05-11 ***通信集团山东有限公司 一种故障定位方法及其***
CN102496028A (zh) * 2011-11-14 2012-06-13 华中科技大学 一种复杂装备的事后维修故障分析方法
CN105095675A (zh) * 2015-09-07 2015-11-25 浙江群力电气有限公司 一种开关柜故障特征选择方法及装置
CN107222322A (zh) * 2016-03-22 2017-09-29 ***通信集团陕西有限公司 一种通信故障诊断方法及装置
US20190005400A1 (en) * 2016-09-20 2019-01-03 Southwest Petroleum University A fuzzy evaluation and prediction method for running status of mechanical equipment with occurrence probability of failure modes
EP3373041A1 (en) * 2017-03-07 2018-09-12 Honeywell International Inc. False alarm distribution in advanced receiver autonomous integrity monitoring
CN107168292A (zh) * 2017-06-21 2017-09-15 武汉理工大学 基于elm算法的水下航行器电路故障诊断方法
CN108052974A (zh) * 2017-12-12 2018-05-18 苏州大学 一种故障诊断方法、***、设备及存储介质
CN108663600A (zh) * 2018-05-09 2018-10-16 广东工业大学 一种基于输电网的故障诊断方法、装置及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CUI LI 等: ""Diagnose of Sub-module Fault in Modular Multilevel Converters Based on Moving Average Method"" *
杨俊凯;徐云杰;: "故障现象矢量距离判别方法在收割机故障诊断中的应用" *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113064779A (zh) * 2021-03-04 2021-07-02 山东英信计算机技术有限公司 一种机器出厂诊断方法、***、设备和存储介质
CN113408642A (zh) * 2021-06-30 2021-09-17 广州江南科友科技股份有限公司 基于知识库专家规则的故障触发匹配方法、***和介质
CN113689042A (zh) * 2021-08-25 2021-11-23 华自科技股份有限公司 监测节点的故障源预测方法
CN116880442A (zh) * 2023-07-03 2023-10-13 广州汽车集团股份有限公司 故障诊断方法、装置、电子设备及存储介质
CN116880442B (zh) * 2023-07-03 2024-06-11 广州汽车集团股份有限公司 故障诊断方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN111078456B (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
CN111078456A (zh) 设备故障诊断方法、装置、计算机可读存储介质和电子设备
US10223188B2 (en) Method and system for detecting symptoms and determining an optimal remedy pattern for a faulty device
Mi et al. Belief universal generating function analysis of multi-state systems under epistemic uncertainty and common cause failures
EP2342603B1 (en) Method and apparatus for creating state estimation models in machine condition monitoring
CN108681496A (zh) 磁盘故障的预测方法、装置及电子设备
JPH09244917A (ja) モデルベース診断システムの自動分析方法
JP2020173551A (ja) 故障予測装置、故障予測方法、コンピュータプログラム、計算モデルの学習方法および計算モデルの生成方法
CN111414999B (zh) 一种设备运行状态的监测方法及装置
KR20170127430A (ko) 센서 오차를 검출, 분류 및/또는 완화하는 방법 및 시스템
CN111624986A (zh) 基于案例库的故障诊断方法和***
JP2019016039A (ja) プロセスの異常状態診断方法および異常状態診断装置
Sharma et al. FM–a pragmatic tool to model, analyse and predict complex behaviour of industrial systems
Paikari et al. Defect prediction using case-based reasoning: An attribute weighting technique based upon sensitivity analysis in neural networks
CN113295399B (zh) 换流阀元件状态评估方法、装置、电子设备和存储介质
CN116166967A (zh) 基于元学习与残差网络的数据处理方法、设备和存储介质
JP2022020940A (ja) 異常診断システム
CN114637620A (zh) 一种基于svm算法的数据库***异常分类预测方法
Viertävä et al. Testing statistical significance of trends in learning, ageing and safety indicators
Rani et al. A single change point hazard rate software reliability model with imperfect debugging
CN114529001A (zh) 量子算法的指标评估方法、装置、终端及存储介质
CN112162528A (zh) 一种数控机床的故障诊断方法、装置、设备和存储介质
CN115759379A (zh) 一种基于故障症状与测试的故障发生概率评估方法
CN116362628B (zh) 电力***运行状态分析评估方法和装置
CN115374936A (zh) 神经网络模型裁剪方法、装置、设备及介质
CN110749813B (zh) 测试***及适应性测试制法产生方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant