CN111338876B - 一种故障模式与影响分析的决策方法、***及存储介质 - Google Patents
一种故障模式与影响分析的决策方法、***及存储介质 Download PDFInfo
- Publication number
- CN111338876B CN111338876B CN202010093089.6A CN202010093089A CN111338876B CN 111338876 B CN111338876 B CN 111338876B CN 202010093089 A CN202010093089 A CN 202010093089A CN 111338876 B CN111338876 B CN 111338876B
- Authority
- CN
- China
- Prior art keywords
- template
- data stream
- fault
- target data
- stream template
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 238000013507 mapping Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 2
- 239000002609 medium Substances 0.000 description 14
- 239000011159 matrix material Substances 0.000 description 9
- 238000007726 management method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000011058 failure modes and effects analysis Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/26—Functional testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
- G06F11/324—Display of status information
- G06F11/327—Alarm or error message display
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供了一种故障模式与影响分析的决策方法、***及存储介质，包括：获取目标设备状态各监测点的设备状态数据；将目标数据流模板与正常模板做模板匹配；当所述目标数据流模板与正常模板的模板匹配度小于第一标准阈值时，则认定所述目标数据流模板为故障数据流；将所述目标数据流模板与故障数据流模板做模板匹配，所述故障数据流模板为设备发生故障时的数据流模板；当所述目标数据流模板与故障数据流模板的模板匹配度大于或等于第二标准阈值时，则认定所述目标数据流模板对应已注册的故障，输出与所述目标数据流模板对应的决策；否则，则认定所述目标数据流模板对应新故障。既可以适应硬件形态的灵活多变，又能够准确判断出故障并给出决策。
Description
技术领域
本申请涉及通信技术领域，尤其涉及一种故障模式与影响分析的决策方法、***及存储介质。
背景技术
目前3C行业客户对自动化设备的计算机集成管理需求迫切，且需求量大。自动化设备的计算机集成管理的终端服务器业务层以经理信息***(EIS:ExecutiveInformation Systems)作为线体运行数据的管控载体，对下层数据源(机台和线体构成)进行数据的“线体级管控(Line Control，LC)”。在设备状态的管控上，LC强调结果和报警呼告，缺乏对故障成因的分析与决策，对于设备商自身的应用价值不强。
在通信行业，数通网管软件利用故障模式与理想分析法(FMEA：Failure Mode andEffects Analysis)对网络中各网元(服务器节点)设备进行异常监控和故障排查。FMEA首先是对服务器用到的各种元器件进行老化模型、电气特性、热特性等物理模型进行统计和录入，并根据硬件设计规则将元器件模型整合成老化、电、热等物理层面的故障经验模型，录入到数通网管软件中，以设备定期反馈的状态信息作为模型输入，以故障判断作为输出，实现对各网元的监控。
但是在3C行业，设备的实现方式多是客制化的自动化方案，硬件工作方式是动态的，涉及电磁学、机械学、动力学、光学等更多学科，设备的硬件构成多样，而通信行业的服务器工作方式是静止的，硬件构成以电路板元器件为主，所以客制化自动化设备的硬件信息是无法像服务器那样用固定的电子学模型和热学模型去描述和监控的。如果再按照服务器的电子学模式去统计元器件的缺陷模型，数据源无法收敛；而且因为是客制化方案，需求随时会存在变更的可能性，产品形态和功能需求的迭代速度远高于通信行业，因此硬件设计规则也无法收敛。
发明内容
本申请提供了一种故障模式与影响分析的决策方法、***及存储介质，既可以适应硬件形态的灵活多变，又能够准确判断出故障并给出决策。
第一方面，本申请提供了一种故障模式与影响分析的决策方法，所述方法包括：
获取目标设备状态各监测点的设备状态数据，将所述设备状态数据用统一的时间维度按照数据页形式形成目标数据流模板；
将所述目标数据流模板与正常模板做模板匹配，所述正常模板为设备正常运行时的数据流模板；
当所述目标数据流模板与正常模板的模板匹配度小于第一标准阈值时，则认定所述目标数据流模板为故障数据流；
将所述目标数据流模板与故障数据流模板做模板匹配，所述故障数据流模板为设备发生故障时的数据流模板；
当所述目标数据流模板与故障数据流模板的模板匹配度大于或等于第二标准阈值时，则认定所述目标数据流模板对应已注册的故障；根据所述目标数据流模板对应已注册的故障以及决策链表中的决策映射，输出所述目标数据流模板对应的决策；
当所述目标数据流模板与故障数据流模板的模板匹配度小于第二标准阈值时，则认定所述目标数据流模板对应新故障。
可选的，上述故障模式与影响分析的决策方法中，所述方法还包括：
当所述目标数据流模板对应新故障时，进行三级关联性决策分析，挖掘所述目标数据流模板对应的决策，更新决策链表。
可选的，上述故障模式与影响分析的决策方法中，将所述目标数据流模板与正常模板做模板匹配之前，所述方法还包括：
通过时域采样构建设备的正常模板。
可选的，上述故障模式与影响分析的决策方法中，所述方法还包括：
当所述目标数据流模板对应新故障时，根据所述目标数据流模板更新故障数据流模板数据库。
可选的，上述故障模式与影响分析的决策方法中，所述方法还包括：
当所述目标数据流模板对应新故障时，提示出现新故障以及需要更新决策。
可选的，上述故障模式与影响分析的决策方法中，将所述设备状态数据用统一的时间维度按照数据页形式形成目标数据流模板，包括：
通过时域整合以设备运行周期为单位将所述设备状态数据整合成与正常模板格式一样的数据流模板。
可选的，上述故障模式与影响分析的决策方法中，所述方法还包括：
利用所述目标数据流模板与所述已注册的故障数据流模板的相似度，进行所述目标数据流模板故障归类。
可选的，上述故障模式与影响分析的决策方法中，根据所述目标数据流模板更新故障数据流模板数据库，包括：
根据所述目标数据流模板更新故障数据流模板数据库；
在所述目标数据流模板上添加未注册标识，所述未注册标识用于标识所述目标数据流模板对应新故障。
第二方面，本申请提供了一种故障模式与影响分析的决策***，包括：
设备状态数据获取模块，用于获取目标设备状态各监测点的设备状态数据，将所述设备状态数据用统一的时间维度按照数据页形式形成目标数据流模板；
目标数据流模板匹配模块，用于将所述目标数据流模板与正常模板做模板匹配，所述正常模板为设备正常运行时的数据流模板；
故障数据流模板匹配模块，用于当所述目标数据流模板与故障数据流模板的模板匹配度大于或等于第二标准阈值时，则认定所述目标数据流模板对应已注册的故障；
决策输出模块，用于根据所述目标数据流模板对应已注册的故障以及决策链表中的决策映射，输出所述目标数据流模板对应的决策；
新故障匹配模块，用于当所述目标数据流模板与故障数据流模板的模板匹配度小于第二标准阈值时，则认定所述目标数据流模板对应新故障。
第三方面，本申请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内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任意一项所述的故障模式与影响分析的决策方法。
本申请提供的故障模式与影响分析的决策方法、***及存储介质,获取目标设备状态各监测点的设备状态数据，生成目标数据流模板，将目标数据流模板与正常模板做模板匹配；当目标数据流模板与正常模板的模板匹配度小于第一标准阈值时，认为目标数据流模板为故障数据流；在目标数据流模板为故障数据流时，将目标数据流模板与故障数据流模板做模板匹配，若目标数据流模板与故障数据流模板的模板匹配度大于或等于第二标准阈值，则认定所述目标数据流模板对应已注册的故障，即目标设备发生已注册类型的故障，结合决策链表输出与目标数据流模板对应的决策，若目标数据流模板与故障数据流模板的模板匹配度小于，则认定目标数据流模板对应新故障，即目标设备发生已注册类型外的故障。本申请中，利用时间数据流的矩阵形式，对设备状态实现了量化监控，对故障的描述实现了彻底的数字化；利用时间数据流的矩阵形式，将模板匹配的概念应用到了故障判别中，使得故障的判断从现象推理转化为数据量化判别，大幅提升了判别的准确性；利用故障决策分析链表，对故障影响进行逆向回溯，既能实现对故障成因的分析，有效提升排查效率。进而本申请提供的故障模式与影响分析的决策方法、***及存储介质，既可以适应硬件形态的灵活多变，又能够准确判断出故障并给出决策。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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为本申请实施例提供的一种故障模式与影响分析的决策方法的结构流程图；
图2为本申请实施例提供的设备状态数据表；
图3为本申请实施例提供的数据流模板的结构示意图；
图4为本申请实施例提供的故障模式与影响分析的决策的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
为适应硬件形态的灵活多变，又能够准确判断出故障并给出决策，本申请实施例提供了一种故障模式与影响分析的决策方法、***及存储介质。
下面首先对本申请实施例所提供的故障模式与影响分析的决策方法。
附图1为本申请实施例提供的故障模式与影响分析的决策方法的流程图，所述故障模式与影响分析的决策方法主要用于对非标自动化机台设备上PLC、PC、MCU的控制器。通过对非标自动化机台设备上PLC、PC、MCU进行FMEA数据挖掘，利用机台故障数据模板管理和故障决策映射与决策经验更新的业务模式，利用设备控制数据链表布局所有硬件信息映射在设备寄存器或数据缓存上，避开了设备多技术构成的多模型描述，全部转化为数值表达，做到数据源形式的收敛；将寄存器反映的所有硬件信息统一到二维数据矩阵上，对矩阵的时间数据流进行记录，构建数据流模板，并与正常状态数据流模板进行比对，通过比较的方式不仅能够鉴别故障，还能避开设计规则的具体细节，做到对设计规则的收敛；通过查询故障记录，并进行故障决策分析，生成决策链表；若后续再出现同样的故障，可以直接给出决策；若出现新故障，可进行分析与记录，对故障进行“学习”，不断优化决策效能。
如附图1所示，本申请实施例提供的故障模式与影响分析的决策方法，包括：
S100：获取目标设备状态各监测点的设备状态数据，将所述设备状态数据用统一的时间维度按照数据页形式形成目标数据流模板。
在本申请实施例中，目标设备为监测范围内的非标自动化机台设备，主要是对非标自动化机台设备上的PLC、PC、MCU进行监测，利用非标自动化机台设备硬件信息映射在非标自动化机台设备上的PLC、PC、MCU的寄存器上，获取非标自动化机台设备上的PLC、PC、MCU上寄存器反映的非标自动化机台设备硬件信息，用作目标设备状态监测点的设备状态数据。
汇总该目标设备状态各监测点的设备状态数据，将各设备的数据进行制表，如附图2所示。利用制表将所有数据用统一的时间维度按照数据页的形式陈列成一个三维矩阵，每个数据页的数据矩阵中的元素是设备各状态观测点在采样时的量值，该三维矩阵本质上是一段时间内、以制表为单位的设备状态数据流，在本申请实施例中被称为数据流模板。因此，在本申请实施例中将获取到的目标设备状态各监测点的设备状态数据汇总，将汇总后的设备状态数据用统一的时间维度按照数据页形式形成目标数据流模板，如图3所示。
S200：将所述目标数据流模板与正常模板做模板匹配，所述正常模板为设备正常运行时的数据流模板。
在本申请实施例中，预先获取设备正常运行时设备状态各监测点的设备状态数据，建立正常模板，正常模板为设备正常运行时的数据流模板，正常模板为设备建立故障参照时的参照模板。可选的，在本申请实施例中，通过时域采样构建设备的正常模板。
在本申请实施例中，将目标数据流模板与正常模板做模板匹配，计算目标数据流模板与正常模板之间的匹配度。可选的，利用目标数据流模板与正常模板中设备状态数据的相似度计算目标数据流模板与正常模板的匹配度。目标数据流模板与正常模板中设备状态数据的相似度计算可采用欧式距离、曼哈顿距离、LSH算法等方法进行计算。
设定用于衡量目标数据流模板与正常模板之间模板匹配关系的第一标准阈值，当数据流模板与正常模板的模板匹配度大于或等于第一标准阈值时，则认为标数据流模板为正常数据流，对应的认定目标设备未发生故障；当目标数据流模板与正常模板的模板匹配度小于第一标准阈值时，执行步骤S300。本申请实施例中，可根据实际需要选择第一标准阈值的大小，第一标准阈值可选0.6、0.8等。
S300：当所述目标数据流模板与正常模板的模板匹配度小于第一标准阈值时，则认定所述目标数据流模板为故障数据流。
当目标数据流模板与正常模板的模板匹配度小于第一标准阈值时，则认为标数据流模板为故障数据流，对应的认定目标设备发生了故障。当认定目标设备发生了故障时，继续执行步骤S400。
S400：将所述目标数据流模板与故障数据流模板做模板匹配，所述故障数据流模板为设备发生故障时的数据流模板。
在本申请实施例中，预先获取设备发生故障时设备状态各监测点的设备状态数据，建立故障数据流模板，即故障数据流模板为设备故障状态运行时的数据流模板。故障数据流模板为已注册的故障数据流，已注册的故障数据流以故障数据流模板的形式保存至故障历史数据库。
当认定目标设备发生了故障时，将目标数据流模板与故障历史数据库中的故障数据流模板做模板匹配，计算目标数据流模板与故障数据流模板之间的匹配度。可选的，利用目标数据流模板与故障数据流模板中设备状态数据的相似度计算目标数据流模板与故障数据流模板的匹配度。目标数据流模板与故障数据流模板中设备状态数据的相似度计算可采用欧式距离、曼哈顿距离、LSH算法等方法进行计算。
设定用于衡量目标数据流模板与故障数据流模板之间模板匹配关系的第二标准阈值，当数据流模板与正常模板的模板匹配度大于或等于第一标准阈值时，执行步骤S500；当数据流模板与正常模板的模板匹配度小于第一标准阈值时，执行步骤S600。本申请实施例中，可根据实际需要选择第二标准阈值的大小，第二标准阈值可选0.6、0.8等。
S500：当所述目标数据流模板与故障数据流模板的模板匹配度大于或等于第二标准阈值时，则认定所述目标数据流模板对应已注册的故障。
当数据流模板与正常模板的模板匹配度大于或等于第一标准阈值时，则认定目标数据流模板与故障数据流模板相似度符合标准，认为目标数据流模板与已注册的故障对应，即目标设备发生了已注册的故障。当目标设备发生了已注册的故障，则执行步骤S501。
S501：根据所述目标数据流模板对应已注册的故障以及决策链表中的决策映射，输出与所述目标数据流模板对应的决策。
在本申请实施例中，当目标设备发生已注册的故障时，根据已注册故障的决策链表中的映射关系，输出与目标数据流模板对应已注册的故障对应的决策。决策链表的结构如附图4所示。决策链表是通过三级关联性决策分析获取，用于针对非标自动化机台设备进行的故障决策分析。
在本申请实施例中，如附图4所示的决策链表具有三级关联性决策分析功能，其三级的输入为模板形态的故障数据，每一个故障模板对应一个三级故障描述，即图4所述的“故障细节描述”，上升至二级“故障归类”的过程，可以依照人工维护经验指定，或者利用与其它已注册故障模板的相似度数据自动归类，二级到一级的关系为预先确定，但是也可以根据权限进行配置或修改。在本申请实施例中，可利用所述目标数据流模板与所述已注册的故障数据流模板的相似度，进行所述目标数据流模板故障归类。
S600：当所述目标数据流模板与故障数据流模板的模板匹配度小于第二标准阈值时，则认定所述目标数据流模板对应新故障。
当数据流模板与正常模板的模板匹配度小于第一标准阈值时，则认定目标数据流模板与故障数据流模板相似度不符合标准，认为目标数据流模板与已注册的故障不对应，即认为目标数据流模板对应新故障，目标设备发生了新故障。
当认定目标设备发生了新故障时，可以进行新故障提醒，如输出新故障提示，可表示为“出现新故障”等。进一步，当认定目标设备发生了新故障时，可输出新故障提示，表示“出现新故障，决策要更新”等，同时可采用以“新故障，请更新决策”作为决策输出，以保证监测节奏不被打乱。
在本申请实施例中，决策链表中具有三级关联性决策分析的功能，提供人工经验与智能识别的数据录入接口，可实现对故障现象的逐级分析，可用于更新决策链表。具体的，当目标数据流模板对应新故障时，进行三级关联性决策分析，挖掘目标数据流模板对应的决策，更新决策链表。
在本申请实施例中，当认定目标设备发生了故障时，根据目标设备的目标数据流模板更新故障历史数据库。当目标设备发生的故障为已注册的故障时，在目标数据流模板上标注已注册标识，用于表示故障历史数据库中的更新为已注册的故障类型；当目标设备发生的故障为新故障时，在目标数据流模板上标注为注册标识，用于表示故障历史数据库中的更新为未注册的故障类型。在本申请实施例中，利用故障的注册标识，有效识别并记录新的故障，并利用人工经验和相似度数据辅助判别的方式，提升故障归类的效率和准确度。
可选的，实时查询故障历史数据库，当发现故障历史数据库的更新为已经注册的故障时直接进行决策映射，找出目标数据流模板对应的已经注册故障的决策进行输出；当发现故障历史数据库的更新为未注册的故障时，输出新故障提示，可表示为“出现新故障”、“出现新故障，决策要更新”等。
本申请提供的故障模式与影响分析的决策方法，利用时间数据流的矩阵形式，对设备状态实现了量化监控，对故障的描述实现了彻底的数字化；利用时间数据流的矩阵形式，将模板匹配的概念应用到了故障判别中，使得故障的判断从现象推理转化为数据量化判别，大幅提升了判别的准确性；利用故障决策分析链表，对故障影响进行逆向回溯，既能实现对故障成因的分析，有效提升排查效率；同时便于经验积累，成为现场设备广利的有效工具，有利于对设备制程起到全面优化。进而本申请提供的故障模式与影响分析的决策方法，既可以适应硬件形态的灵活多变，又能够准确判断出故障并给出决策。
基于本申请实施例提供的故障模式与影响分析的决策方法，本申请实施例还提供了一种故障模式与影响分析的决策***。
本申请实施例提供的故障模式与影响分析的决策***，包括：
设备状态数据获取模块，用于获取目标设备状态各监测点的设备状态数据，将所述设备状态数据用统一的时间维度按照数据页形式形成目标数据流模板；
目标数据流模板匹配模块，用于将所述目标数据流模板与正常模板做模板匹配，所述正常模板为设备正常运行时的数据流模板；
故障数据流模板匹配模块，用于当所述目标数据流模板与故障数据流模板的模板匹配度大于或等于第二标准阈值时，则认定所述目标数据流模板对应已注册的故障；
决策输出模块，用于根据所述目标数据流模板对应已注册的故障以及决策链表中的决策映射，输出所述目标数据流模板对应的决策；
新故障匹配模块，用于当所述目标数据流模板与故障数据流模板的模板匹配度小于第二标准阈值时，则认定所述目标数据流模板对应新故障。
基于本申请实施例提供的故障模式与影响分析的决策方法，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所述的故障模式与影响分析的决策方法。故障模式与影响分析的决策方法参见上述实施例，在此不再赘述。
存储介质是指任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机***存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机***中，或者可以位于不同的第二计算机***中，第二计算机***通过网络(诸如因特网)连接到第一计算机***。第二计算机***可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机***中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
需要说明的是，本说明书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，相关之处参见方法实施例的部分说明即可。本领域技术人员在考虑说明书及实践这里的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (6)
1.一种故障模式与影响分析的决策方法，其特征在于，所述方法包括：
获取目标设备状态各监测点的设备状态数据，将所述设备状态数据用统一的时间维度按照数据页形式形成目标数据流模板；
将所述目标数据流模板与正常模板做模板匹配，所述正常模板为设备正常运行时的数据流模板，其中，所述将所述目标数据流模板与正常模板做模板匹配，包括：
利用所述目标数据流模板与正常模板中设备状态数据的相似度，计算所述目标数据流模板与正常模板的匹配度；
所述将所述设备状态数据用统一的时间维度按照数据页形式形成目标数据流模板，包括：
通过时域整合以设备运行周期为单位将所述设备状态数据整合成与所述正常模板格式一样的数据流模板；
当所述目标数据流模板与正常模板的模板匹配度小于第一标准阈值时，则认定所述目标数据流模板为故障数据流；
将所述目标数据流模板与故障数据流模板做模板匹配，所述故障数据流模板为设备发生故障时的数据流模板，所述目标数据流模板、所述正常模板和所述故障数据流模板，均为由多个数据页的二维数据矩阵构成的三维矩阵，所述二维数据矩阵中的元素是设备各状态观测点在采样时的量值，其中，所述将所述目标数据流模板与故障数据流模板做模板匹配，包括：
利用所述目标数据流模板与故障数据流模板中设备状态数据的相似度，计算所述目标数据流模板与所述故障数据流模板的匹配度；
当所述目标数据流模板与故障数据流模板的模板匹配度大于或等于第二标准阈值时，则认定所述目标数据流模板对应已注册的故障；根据所述目标数据流模板对应已注册的故障以及决策链表中的决策映射，输出与所述目标数据流模板对应的决策；
当所述目标数据流模板与故障数据流模板的模板匹配度小于第二标准阈值时，则认定所述目标数据流模板对应新故障；
当所述目标数据流模板对应新故障时，进行三级关联性决策分析，挖掘所述目标数据流模板对应的决策，更新决策链表，其中，所述三级关联性决策分析的过程包括三级分析上升至二级分析的过程，以及二级分析上升至一级分析的过程，所述三级分析用于根据所述目标数据流模板描述故障细节，所述二级分析用于对所述故障细节进行归类，得到故障类别，所述一级分析用于根据所述故障类别确定决策内容；
当所述目标数据流模板对应新故障时，根据所述目标数据流模板更新故障数据流模板数据库；在所述目标数据流模板上添加未注册标识，所述未注册标识用于标识所述目标数据流模板对应新故障。
2.根据权利要求1所述的故障模式与影响分析的决策方法，其特征在于，将所述目标数据流模板与正常模板做模板匹配之前，所述方法还包括：
通过时域采样构建设备的正常模板。
3.根据权利要求1所述的故障模式与影响分析的决策方法，其特征在于，所述方法还包括：
当所述目标数据流模板对应新故障时，提示出现新故障以及需要更新决策。
4.根据权利要求1所述的故障模式与影响分析的决策方法，其特征在于，所述方法还包括：
利用所述目标数据流模板与所述已注册的故障数据流模板的相似度，进行所述目标数据流模板故障归类。
5.一种故障模式与影响分析的决策***，其特征在于，包括：
设备状态数据获取模块，用于获取目标设备状态各监测点的设备状态数据，将所述设备状态数据用统一的时间维度按照数据页形式形成目标数据流模板；
目标数据流模板匹配模块，用于将所述目标数据流模板与正常模板做模板匹配，所述正常模板为设备正常运行时的数据流模板，其中，所述将所述目标数据流模板与正常模板做模板匹配，包括：
利用所述目标数据流模板与正常模板中设备状态数据的相似度，计算所述目标数据流模板与正常模板的匹配度；
所述将所述设备状态数据用统一的时间维度按照数据页形式形成目标数据流模板，包括：
通过时域整合以设备运行周期为单位将所述设备状态数据整合成与所述正常模板格式一样的数据流模板；
所述目标数据流模板匹配模块，还用于将所述目标数据流模板与故障数据流模板做模板匹配，所述故障数据流模板为设备发生故障时的数据流模板，所述目标数据流模板、所述正常模板和所述故障数据流模板，均为由多个数据页的二维数据矩阵构成的三维矩阵，所述二维数据矩阵中的元素是设备各状态观测点在采样时的量值，其中，所述将所述目标数据流模板与故障数据流模板做模板匹配，包括：
利用所述目标数据流模板与故障数据流模板中设备状态数据的相似度，计算所述目标数据流模板与所述故障数据流模板的匹配度；
故障数据流模板匹配模块，用于当所述目标数据流模板与故障数据流模板的模板匹配度大于或等于第二标准阈值时，则认定所述目标数据流模板对应已注册的故障；
决策输出模块，用于根据所述目标数据流模板对应已注册的故障以及决策链表中的决策映射，输出所述目标数据流模板对应的决策；
新故障匹配模块，用于当所述目标数据流模板与故障数据流模板的模板匹配度小于第二标准阈值时，则认定所述目标数据流模板对应新故障；
所述新故障匹配模块，还用于当所述目标数据流模板对应新故障时，进行三级关联性决策分析，挖掘所述目标数据流模板对应的决策，更新决策链表，其中，所述三级关联性决策分析的过程包括三级分析上升至二级分析的过程，以及二级分析上升至一级分析的过程，所述三级分析用于根据所述目标数据流模板描述故障细节，所述二级分析用于对所述故障细节进行归类，得到故障类别，所述一级分析用于根据所述故障类别确定决策内容；
所述新故障匹配模块，还用于当所述目标数据流模板对应新故障时，根据所述目标数据流模板更新故障数据流模板数据库；在所述目标数据流模板上添加未注册标识，所述未注册标识用于标识所述目标数据流模板对应新故障。
6.一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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-4任意一项所述的故障模式与影响分析的决策方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010093089.6A CN111338876B (zh) | 2020-02-14 | 2020-02-14 | 一种故障模式与影响分析的决策方法、***及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010093089.6A CN111338876B (zh) | 2020-02-14 | 2020-02-14 | 一种故障模式与影响分析的决策方法、***及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111338876A CN111338876A (zh) | 2020-06-26 |
| CN111338876B true CN111338876B (zh) | 2024-04-02 |
Family
ID=71183395
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010093089.6A Active CN111338876B (zh) | 2020-02-14 | 2020-02-14 | 一种故障模式与影响分析的决策方法、***及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111338876B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112035721A (zh) * | 2020-07-22 | 2020-12-04 | 大箴(杭州)科技有限公司 | 一种爬虫集群监控方法、装置、存储介质及计算机设备 |
| CN112163618B (zh) * | 2020-09-27 | 2024-06-04 | 珠海格力电器股份有限公司 | 一种设备故障的检测方法及检测*** |
| CN116882968B (zh) * | 2023-06-29 | 2024-04-26 | 三峡科技有限责任公司 | 一种故障缺陷全过程处理的设计和实现方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109947786A (zh) * | 2017-10-17 | 2019-06-28 | 中车株洲电力机车研究所有限公司 | 风电场中故障自动排查方法、装置及计算机可读存储介质 |
| CN110046419A (zh) * | 2019-04-11 | 2019-07-23 | 天津工业大学 | 一种基于ctma-dl算法的动设备故障类型在线诊断方法 |
-
2020
- 2020-02-14 CN CN202010093089.6A patent/CN111338876B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109947786A (zh) * | 2017-10-17 | 2019-06-28 | 中车株洲电力机车研究所有限公司 | 风电场中故障自动排查方法、装置及计算机可读存储介质 |
| CN110046419A (zh) * | 2019-04-11 | 2019-07-23 | 天津工业大学 | 一种基于ctma-dl算法的动设备故障类型在线诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111338876A (zh) | 2020-06-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111338876B (zh) | 一种故障模式与影响分析的决策方法、***及存储介质 | |
| CN110321371B (zh) | 日志数据异常检测方法、装置、终端及介质 | |
| CN116009480B (zh) | 一种数控机床的故障监测方法、装置、设备及存储介质 | |
| KR101508641B1 (ko) | 생산 공정에서 데이터마이닝을 이용하여 제품 상태를 예측하는 장치 및 방법 | |
| CN116467674B (zh) | 一种配电网智能故障处理融合更新***及其方法 | |
| CN111881164B (zh) | 基于边缘计算和路径分析的数据处理方法及大数据云平台 | |
| CN117743909A (zh) | 一种基于人工智能的供热***故障分析方法及装置 | |
| CN117195451A (zh) | 一种基于图论的桥梁监测数据修复方法 | |
| US20200310897A1 (en) | Automatic optimization fault feature generation method | |
| CN114564349B (zh) | 一种服务器的监控方法、装置、电子设备及存储介质 | |
| CN110716101B (zh) | 电力线路故障定位方法、装置、计算机和存储介质 | |
| Giannoulidis et al. | A context-aware unsupervised predictive maintenance solution for fleet management | |
| CN117540894B (zh) | 生成检验计划的方法、设备及存储介质 | |
| CN117707050B (zh) | 基于云计算的数控机床实时监控与数据分析***及方法 | |
| JP6707215B1 (ja) | エンジニアリングツール、学習装置、およびデータ収集システム | |
| CN112805642B (zh) | 用于远程管理工业机器的配置的***和方法 | |
| Cheng et al. | Application of System Operation and Maintenance Knowledge Base based on Machine Learning in Automobile Industry | |
| CN117493905A (zh) | 日志异常检测方法、装置、设备及介质 | |
| CN118134508A (zh) | 基于共识机制的产品溯源方法及*** | |
| CN117056209A (zh) | 软件缺陷预测模型、解释方法以及量化评估方法 | |
| CN118276544A (zh) | 故障根源的预测方法、***、设备、介质及车辆 | |
| CN116703645A (zh) | 终端采集数据缺失的填修方法、装置、设备及存储介质 | |
| CN115248773A (zh) | 地图数据监测验证方法及组件式地图数据业务云平台 | |
| CN116701133A (zh) | 一种日志文件的识别方法、装置和电子设备 | |
| CN118194213A (zh) | 一种车辆自动导航动态监管方法 |
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 |