CN112465237A - 基于大数据分析的故障预测方法、装置、设备和存储介质 - Google Patents
基于大数据分析的故障预测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN112465237A CN112465237A CN202011394687.3A CN202011394687A CN112465237A CN 112465237 A CN112465237 A CN 112465237A CN 202011394687 A CN202011394687 A CN 202011394687A CN 112465237 A CN112465237 A CN 112465237A
- Authority
- CN
- China
- Prior art keywords
- fault
- pause
- target
- yield
- target equipment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000007405 data analysis Methods 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000012163 sequencing technique Methods 0.000 claims abstract description 16
- 238000004519 manufacturing process Methods 0.000 claims description 33
- 238000010586 diagram Methods 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 3
- 238000012517 data analytics Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 9
- 238000013024 troubleshooting Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000007787 solid Substances 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06Q50/04—Manufacturing
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请实施例提供一种基于大数据分析的故障预测方法、装置、设备和存储介质;本申请实施例中基于大数据分析的故障预测方法,包括:获取目标设备的产量时序数据,根据所述产量时序数据,确定所述目标设备的各停顿时长;将各所述停顿时长进行分类后排序,获得所述目标设备各故障类型对应的停顿时长序列;分别统计各所述停顿时长序列中相邻的停顿时长之间的时间间隔,获得所述目标设备各故障类型的故障周期信息;基于所述目标设备各故障类型的故障周期信息,预测所述目标设备的故障发生信息;本申请实施例中通过对产量时序数据进行大数据分析,获得目标设备各故障类型的故障周期信息,以实现目标设备的故障发生信息准确预测。
Description
技术领域
本申请实施例涉及数字化生产线大数据分析领域技术领域,具体涉及一种基于大数据分析的故障预测方法、装置、设备和存储介质。
背景技术
随着计算机技术的发展,数字化产线在制造行业的应用越来越多。
数字化产线的可靠性与设备故障和暂时停机息息相关,数字化产线的生产过程中出现设备故障或暂时停机的现象,通常需要维修人员进行现场检查,由于维修人员不知道引起设备故障或暂时停机的原因,因此,需要维修人员进行全线检查,这样设备故障或暂时停机原因查找的时间随之增长,数字化产线中设备稼动时间缩短;为了有效地提高设备稼动时间,对设备故障或暂时停机进行准确地预测,以避免设备故障,减少暂时停机次数,或者缩短设备故障与暂时停机原因排查时间,就变得尤为重要。
由于数字化产线复杂,引起设备故障或暂时停机原因较多,当前主要根据维修人员经验对设备故障进行预测,这样的设备故障预测方法容易受到人为因素的影响,设备故障预测不够准确。
发明内容
本申请实施例提供一种基于大数据分析的故障预测方法、装置、设备和存储介质,旨在解决现有的设备故障预测难度大,设备故障预测准确性低的技术问题。
一方面,本申请实施例提供一种基于大数据分析的故障预测方法,所述基于大数据分析的故障预测方法包括以下步骤:
获取目标设备的产量时序数据,根据所述产量时序数据,确定所述目标设备的各停顿时长;
将各所述停顿时长进行分类后排序,获得所述目标设备各故障类型对应的停顿时长序列;
分别统计各所述停顿时长序列中相邻的停顿时长之间的时间间隔,获得所述目标设备各故障类型的故障周期信息;
基于所述目标设备各故障类型的故障周期信息,预测所述目标设备的故障发生信息。
在本申请一些实施方案中,所述将各所述停顿时长进行分类后排序,获得所述目标设备各故障类型对应的停顿时长序列,包括:
将各所述停顿时长按预设分类策略进行分类,获得停顿时长子集合,分别将各所述停顿时长子集合中的停顿时长按照各所述停顿时长的先后顺序排列,获得所述目标设备各故障类型对应的停顿时长序列;或,
将各所述停顿时长按散点图分类方式进行分类,获得停顿时长子集合,分别将各所述停顿时长子集合中的停顿时长按照各所述停顿时长的先后顺序排列,获得所述目标设备各故障类型对应的停顿时长序列。
在本申请一些实施方案中,所述分别统计各所述停顿时长序列中相邻的停顿时长之间的时间间隔,获得所述目标设备各故障类型的故障周期信息,包括:
分别统计各所述停顿时长序列中相邻的停顿时长之间的时间间隔,获得所述目标设备各故障类型的多个单次停顿周期;
分别将各故障类型的多个单次停顿周期进行正态分布拟合回归,获得所述目标设备各故障类型的故障周期信息。
在本申请一些实施方案中,所述分别将各故障类型的多个单次停顿周期进行正态分布拟合回归,获得所述目标设备各故障类型的故障周期信息,包括:
分别将各故障类型的多个单次停顿周期进行加权平均,获得各故障类型的平均停顿周期;
分别计算各故障类型的多个单次停顿周期和所述平均停顿周期的周期方差,并将所述平均停顿周期和所述周期方差作为所述目标设备各故障类型的故障周期信息。
在本申请一些实施方案中,所述获取目标设备的产量时序数据,根据所述产量时序数据,确定所述目标设备的各停顿时长,包括:
在到达采样周期时采集目标设备的产量数据,将采集到的所述产量数据按照所述产量数据的采集时间先后排序形成产量时序数据;
计算所述产量时序数据中各产量数据对所述采样周期的导数,获得产率波形图;
将所述产率波形图中的产率数据错位相减,获得产率变化锯齿图;
根据所述产率变化锯齿图确定所述目标设备的状态,根据所述目标设备的状态的切换时间,确定所述目标设备的各停顿时长。
在本申请一些实施方案中,所述将所述产率波形图中的产率数据错位相减,获得产率变化锯齿图,包括:
对所述产率波形图进行预处理,并将经过预处理的产率波形图中的产率数据错位相减,获得产率变化锯齿图;或,
将所述产率波形图中的产率数据错位相减,获得初始锯齿图,对所述初始锯齿图进行滤波处理,获得产率变化锯齿图。
在本申请一些实施方案中,所述根据所述产率变化锯齿图确定所述目标设备的状态,根据所述目标设备的状态的切换时间,确定所述目标设备的各停顿时长,包括:
将所述产率变化锯齿图中的突变点划分为设备关闭点和设备启动点;
分别计算所述产率变化锯齿图中相邻的所述设备关闭点和所述设备开启点之间的各时间间隔,将各所述时间间隔作为所述目标设备的各停顿时长。
在本申请一些实施方案中,所述基于所述目标设备各故障类型的故障周期信息,预测所述目标设备的故障发生信息,包括:
接收故障预测指令,获取所述故障预测指令对应的目标故障类型;
根据所述目标故障类型的历史停顿记录和所述目标设备各故障类型的故障周期信息,预测所述目标设备发生所述目标故障类型的故障发生时间。
在本申请一些实施方案中,所述基于所述目标设备各故障类型的故障周期信息,预测所述目标设备的故障发生信息,包括:
接收故障预测指令,获取所述故障预测指令对应待预测的目标时间;
根据所述目标时间和所述目标设备各故障类型的故障周期信息,预测所述目标时间发生概率最大的目标故障类型。
另一方面,本申请实施例还提供一种基于大数据分析的故障预测装置,所述基于大数据分析的故障预测装置包括:
获取确定模块,用于获取目标设备的产量时序数据,根据所述产量时序数据,确定所述目标设备的各停顿时长;
故障分类模块,用于将各所述停顿时长进行分类后排序,获得所述目标设备各故障类型对应的停顿时长序列;
周期确定模块,用于分别统计各所述停顿时长序列中相邻的停顿时长之间的时间间隔,获得所述目标设备各故障类型的故障周期信息;
故障预测模块,用于基于所述目标设备各故障类型的故障周期信息,预测所述目标设备的故障发生信息。
另一方面,本申请实施例还提供一种基于大数据分析的故障预测设备,所述基于大数据分析的故障预测设备包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行以实现所述的基于大数据分析的故障预测方法。
另一方面,本申请实施例还提供一种存储介质,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行所述的基于大数据分析的故障预测方法中的步骤。
本申请实施例的技术方案中通过对目标设备的产量时序数据进行大数据分析,获得目标设备一段时间的多个停顿时长,实现了对设备的停顿时长进行全面分析;其次,将各停顿时长进行分类后排序,形成目标设备各故障类型对应的停顿时长序列;然后,分别统计每个故障类型对应停顿时长序列中的停顿时长的信息,获得目标设备各故障类型的故障周期信息,最后根据目标设备各故障类型的故障周期信息,预测目标设备的故障发生信息,实现了基于大数据分析预测不同种类故障的发生信息,使得设备故障预测更加准确,与此同时,在设备故障发生之前进行设备故障准确预测,可以减少设备故障的发生频率,或者缩短设备故障原因的排查时间,进一步地提高了数字化设备稼动时间,提高产品生产效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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的一些实施例,对于本领域技术人员来讲,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是本申请实施例提供的基于大数据分析的故障预测的场景示意图;
图2是本申请实施例中提供的基于大数据分析的故障预测方法的第一实施例流程示意图;
图3是本申请实施例中提供的基于大数据分析的故障预测方法中第二实施例的流程示意图;
图4是本申请实施例中提供的基于大数据分析的故障预测方法中第三实施例的流程示意图;
图5是本申请实施例中提供的基于大数据分析的故障预测方法中产量时序数据的示意图;
图6是本申请实施例中提供的基于大数据分析的故障预测方法中的产率波形图;
图7是本申请实施例中提供的基于大数据分析的故障预测方法中经过预处理之后的产率波形图;
图8是本申请实施例中提供的基于大数据分析的故障预测方法中的产率变化锯齿图;
图9是本申请实施例中提供的基于大数据分析的故障预测方法中第四实施例的流程示意图;
图10是本申请实施例中提供的基于大数据分析的故障预测方法中第五实施例的流程示意图;
图11是本申请实施例中提供的基于大数据分析的故障预测装置的一个实施例结构示意图;
图12是本申请实施例中提供的基于大数据分析的故障预测设备的一个实施例结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明包含的范围。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本申请实施例中,“示例性”一词用来表示“用作例子、例证或说明”。本申请实施例中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明,给出了以下描述。在以下描述中,为了解释的目的而列出了细节。应当明白的是,本领域普通技术人员可以认识到,在不使用这些特定细节的情况下也可以实现本发明。在其它实例中,不会对公知的结构和过程进行详细阐述,以避免不必要的细节使本发明的描述变得晦涩。因此,本发明并非旨在限于所示的实施例,而是与符合本申请实施例所公开的原理和特征的最广范围相一致。
本申请实施例中提供一种基于大数据分析的故障预测方法、装置、设备及存储介质,以下分别进行详细说明。
本发明实施例中的基于大数据分析的故障预测方法应用于基于大数据分析的故障预测装置,基于大数据分析的故障预测装置设置于基于大数据分析的故障预测设备,基于大数据分析的故障预测设备中设置有一个或多个处理器、存储器,以及一个或多个应用程序,其中一个或多个应用程序被存储于存储器中,并配置为由处理器执行以实现基于大数据分析的故障预测方法;基于大数据分析的故障预测设备可以是终端,例如,手机或平板电脑,基于大数据分析的故障预测设备还可以是一台服务器,或者多台服务器组成的服务集群。
如图1所示,图1为本申请实施例基于大数据分析的故障预测的场景示意图,本发明实施例中基于大数据分析的故障预测场景中包括基于大数据分析的故障预测设备100(基于大数据分析的故障预测设备100中集成有基于大数据分析的故障预测装置),基于大数据分析的故障预测设备100中运行基于大数据分析的故障预测对应的存储介质,以执行基于大数据分析的故障预测的步骤。
可以理解的是,图1所示基于大数据分析的故障预测的场景中的基于大数据分析的故障预测设备,或者基于大数据分析的故障预测设备中包含的装置并不构成对本发明实施例的限制,即,基于大数据分析的故障预测的场景中包含的设备数量、设备种类,或者各个设备中包含的装置数量、装置种类不影响本发明实施例中技术方案整体实现,均可以算作本发明实施例要求保护技术方案的等效替换或衍生。
本发明实施例中基于大数据分析的故障预测设备100主要用于:获取目标设备的产量时序数据,根据所述产量时序数据,确定所述目标设备的各停顿时长;将各所述停顿时长进行分类后排序,获得所述目标设备各故障类型对应的停顿时长序列;分别统计各所述停顿时长序列中相邻的停顿时长之间的时间间隔,获得所述目标设备各故障类型的故障周期信息;基于所述目标设备各故障类型的故障周期信息,预测所述目标设备的故障发生信息。
本发明实施例中该基于大数据分析的故障预测设备100可以是独立的基于大数据分析的故障预测设备,也可以是基于大数据分析的故障预测设备组成的基于大数据分析的故障预测设备网络或基于大数据分析的故障预测设备集群,例如,本发明实施例中所描述的基于大数据分析的故障预测设备100,其包括但不限于计算机、网络主机、单个网络基于大数据分析的故障预测设备、多个网络基于大数据分析的故障预测设备集或多个基于大数据分析的故障预测设备构成的云基于大数据分析的故障预测设备。其中,云基于大数据分析的故障预测设备由基于云计算(Cloud Computing)的大量计算机或网络基于大数据分析的故障预测设备构成。
本领域技术人员可以理解,图1中示出的应用环境,仅仅是与本申请实施例方案一种应用场景,并不构成对本申请实施例方案应用场景的限定,其他的应用环境还可以包括比图1中所示更多或更少的基于大数据分析的故障预测设备,或者基于大数据分析的故障预测设备网络连接关系,例如图1中仅示出1个基于大数据分析的故障预测设备,可以理解的,该基于大数据分析的故障预测的场景还可以包括一个或多个其他基于大数据分析的故障预测设备,具体此处不作限定;该基于大数据分析的故障预测设备100中还可以包括存储器。
此外,本申请实施例基于大数据分析的故障预测的场景中基于大数据分析的故障预测设备100可以设置显示装置,或者基于大数据分析的故障预测设备100中不设置显示装置与外接的显示装置200通讯连接,显示装置200用于输出基于大数据分析的故障预测设备中基于大数据分析的故障预测方法执行的结果。基于大数据分析的故障预测设备100可以访问后台数据库300(后台数据库可以是基于大数据分析的故障预测设备的本地存储器中,后台数据库还可以设置在云端),后台数据库300中保存有基于大数据分析的故障预测相关的信息。
需要说明的是,图1所示的基于大数据分析的故障预测的场景示意图仅仅是一个示例,本发明实施例描述的基于大数据分析的故障预测的场景是为了更加清楚的说明本发明实施例的技术方案,并不构成对于本发明实施例提供的技术方案的限定。
基于上述基于大数据分析的故障预测的场景,提出了基于大数据分析的故障预测方法的实施例。
如图2所示,图2为本申请实施例中基于大数据分析的故障预测方法的第一实施例流程示意图,本实施例中基于大数据分析的故障预测方法包括步骤201-204:
201,获取目标设备的产量时序数据,根据所述产量时序数据,确定所述目标设备的各停顿时长。
本实施例中的基于大数据分析的故障预测方法应用在基于大数据分析的故障预测设备,基于大数据分析的故障预测设备种类不作具体限定,例如,基于大数据分析的故障预测设备可以是终端或者服务器,本实施例中以终端为例进行说明。
可以理解的是,基于大数据分析的故障预测方法对应的计算机程序独立运行,故障预测方法对应的计算机程序直接安装在终端上就可以实现故障预测,此外,基于大数据分析的故障预测方法对应的计算机程序还可以搭载到第三方的应用软件上,终端安装第三方应用软件,就可以实现基于大数据分析的故障预测方法,例如,基于大数据分析的故障预测方法对应的计算机程序搭载在MES***(英文全称:Manufacturing Execution System,中文全称:制造企业生产过程执行***,MES***是一套面向制造企业车间执行层的生产信息化协同管理平台),通过运行MES***以实现故障预测方法。
终端获取目标设备的产量时序数据,产量时序数据是采集时间段中各个采集周期采集到的产量数据按照时间排序形成的,产量时序数据的数量较多。
例如,终端中设置产量数据的采集时间段(采集时间段可以根据设备故障或暂时停机频率设置,例如设备故障频率为每天一次,则采集时间段设置为1个月),终端在采集时间段内各采集周期(采集周期可以根据不同产线的产品产量设置,例如,采集周期设置为10分钟)采集产量数据,终端将采集到的产量数据按照采集时间的先后排列形成产量时序数据。
终端分析产量时序数据,确定目标设备的工作状态,即,若采集周期采集到的产量时序数据没有变化,终端则判定目标设备处于停止状态;若采集周期采集到的产量时序数据中产量增加,终端则判定目标设备处于工作状态;终端统计目标设备停机状态下的各个停顿时长。
本实施例中终端对产量时序数据进行大数据分析,以根据产量时序数据以确定目标设备的状态,获得目标设备在历史时间段的多个停顿时长,以对多个停顿时长进行分析,最终获得目标设备的停顿规律信息。
202,将各所述停顿时长进行分类后排序,获得所述目标设备各故障类型对应的停顿时长序列。
即,由于目标设备不同故障类型的停顿时长不同,例如,1、目标设备中产品模具移动,对移动产品模具进行查找和复位,造成目标设备的停顿时长为2-5分钟;2、目标设备中器件老化,查找目标设备中老化器件并进行器件更新,造成目标设备的停顿时长为20-30分钟等;终端将各所述停顿时长进行分类,获得各故障类型的停顿时长子集合,终端将停顿时长子集合中的停顿时长进行排列,获得所述目标设备各故障类型对应的停顿时长序列。
本实施例中终端对多个停顿时长进行分类后排序,获得目标设备各故障类型对应的停顿时长序列的方式不作具体限定,例如,
实现方式一:将各所述停顿时长按预设分类策略进行分类,获得停顿时长子集合,分别将各所述停顿时长子集合中的停顿时长按照各所述停顿时长的先后顺序排列,获得所述目标设备各故障类型对应的停顿时长序列,或,
实现方式二:将各所述停顿时长按散点图分类方式进行分类,获得停顿时长子集合,分别将各所述停顿时长子集合中的停顿时长按照各所述停顿时长的先后顺序排列,获得所述目标设备各故障类型对应的停顿时长序列。
可以理解的是,终端选择利用实现方式一或者利用实现方式二;或者终端可以同时使用两种实现方式,例如,终端按照预设分类策略(预设分类策略可以根据历史的设备停顿时长设置,例如,预设分类策略为0-10分钟为第一类,11-30分钟为第二类)对多个停顿时长进行分类,获得目标设备各故障类型的停顿时长子集合;终端按照预设分类策略分类完成之后,终端判断是否存在未分类的停顿时长,若不存在未分类的停顿时长,则终端判定分类完成;若存在未分类的停顿时长,则终端将未分类的停顿时长按照散点图方式进行分类,以将全部的停顿时长进行分类。
本实施例中终端对停顿时长进行分类,以获得不同故障类型的停顿时长子集合,终端分别将各停顿时长子集合中的停顿时长按照各停顿时长的先后顺序排列,获得目标设备各故障类型对应的停顿时长序列。
203,分别统计各所述停顿时长序列中相邻的停顿时长之间的时间间隔,获得所述目标设备各故障类型的故障周期信息。
终端分别统计各停顿时长序列中相邻的停顿时长之间的时间间隔,即,终端分别获取停顿时长序列中各个停顿时长的发生时间,终端统计相邻的停顿时长之间的时间间隔,终端将各个时间间隔进行加权,获得目标设备不同故障类型的故障发生周期。
此外,由于目标设备的故障发生周期会受到偶然因素的影响,因此,终端对目标设备各故障种类的故障发生周期进行分析,获得目标设备各故障类型的故障发生概率,终端将各故障类型的故障发生周期和故障发生概率作为目标设备各故障类型的故障周期信息。
204,基于所述目标设备各故障类型的故障周期信息,预测所述目标设备的故障发生信息。
终端基于目标设备各故障类型的故障周期信息,预测目标设备的各故障类型的故障发生时间和各个时间的故障发生概率,例如,终端获取不同故障类型的历史最近停顿的时间,终端将历史最近停顿的时间加上故障发生周期,获得目标设备的故障发生时间。
本申请实施例的技术方案中通过对目标设备的产量时序数据进行大数据分析,获得目标设备一段时间的多个停顿时长,实现了对设备的停顿时长进行全面分析;其次,将各停顿时长进行分类后排序,形成目标设备各故障类型对应的停顿时长序列;然后,分别统计每个故障类型对应停顿时长序列中的停顿时长的信息,获得目标设备各故障类型的故障周期信息,最后根据目标设备各故障类型的故障周期信息,预测目标设备的故障发生信息,实现了基于大数据分析预测不同种类故障的发生信息,使得设备故障预测更加准确,与此同时,在设备故障发生之前进行设备故障准确预测,可以减少设备故障的发生频率,或者缩短设备故障原因的排查时间,进一步地提高了数字化设备稼动时间,提高产品生产效率。
如图3所示,图3是本申请实施例中提供的基于大数据分析的故障预测方法中第二实施例的流程示意图。
在本申请一些实施例中,停顿时长子集合中包括同故障类型的停顿时长,终端分析停顿时长子集合中的停顿时长,通过正态分布函数拟合回归,确定各个故障类型对应停顿时长的周期规律,具体地,包括步骤301-302:
301,分别统计各所述停顿时长序列中相邻的停顿时长之间的时间间隔,获得所述目标设备各故障类型的多个单次停顿周期。
终端分别统计各停顿时长序列中相邻的停顿时长之间的时间间隔,获得不同故障类型对应的多个单次停顿周期,例如,停顿时长子集合中包含5个停顿时长,分别为2020年11月19日统计到的停顿10分钟,2020年11月28日统计到的停顿9分钟,2020年12月09日统计到的停顿8分钟,2020年12月19日统计到的停顿10分钟和2020年12月28日统计到的停顿9分钟,终端统计相邻的两次停顿时长的时间间隔,获得所述故障类型对应的4个单次停顿周期分别为9天、11天、10天和9天。
302,分别将各故障类型的多个单次停顿周期进行正态分布拟合回归,获得所述目标设备各故障类型的故障周期信息。
终端分别将每个故障类型对应的多个单次停顿周期进行正态分布统计分类,即,终端计算多个单次停顿周期的平均停顿周期,终端根据多个单次停顿周期的平均停顿周期计算周期方差,终端按照正态分布函数,获得目标设备各故障类型的故障周期信息,具体地步骤302,包括:
(1)、分别将各故障类型的多个单次停顿周期进行加权平均,获得各故障类型的平均停顿周期;
(2)、分别计算各故障类型的多个单次停顿周期和所述平均停顿周期的周期方差,并将所述平均停顿周期和所述周期方差作为所述目标设备各故障类型的故障周期信息。
即,终端将每个故障类型对应的多个单次停顿周期进行加权平均,获得各个故障类型的平均停顿周期;平均停顿周期μ的计算函数为:μ=np.mean(data);其中,data,表示一个特定故障类型对应的多个单次停顿周期,具体示例如下:μ=E(x)=x1p1+x2p2+x3p3+...+xnpn;其中,μ表示一个故障类型的平均停顿周期;x1,...,xn:表示单次停顿周期;p1,...,pn:表示单次停顿周期x1,...,xn对应的统计概率。
进一步地,终端将单次停顿周期和平均停顿周期输入至方差函数,获得故障类型的周期方差,周期方差σ的计算函数为:σ=np.std(data),其中,data,表示一个特定故障类型对应的多个单次停顿周期,周期方差σ的计算具体示例如下:
上式中的x采用下式计算:
本实施例中由于停顿周期会受其他因素影响,终端对周期数据做正态分布统计分类,确定正态分布的N(μ,σ^2),本实施例中终端通过正态拟合回归,获得目标设备不同故障类型的故障周期信息,实现不同故障类型对应停顿周期的分类统计,以进行故障准确预测。
参照图4,图4是本申请实施例中提供的基于大数据分析的故障预测方法第三实施例的流程示意图。
在本申请一些实施例中,具体说明了终端根据产量时序数据确定设备状态信息,以根据设备状态信息确定设备的停顿时间,包括步骤401-404:
401,在到达采样周期时采集目标设备的产量数据,将采集到的所述产量数据按照所述产量数据的采集时间先后排序形成产量时序数据。
如图5所示,图5是本申请实施例中提供的产量时序数据的具体场景示意图;终端在到达采样周期(采样周期可以根据具体场景灵活设置)时采集目标设备的产量数据,终端将采集到的产量数据按照时间排序形成产量时序数据,本实施例中终端采集一段时间的产量数据,并将产量数据进行累积排序,形成产量时序数据,以进行大数据分析,具体地:
402,计算所述产量时序数据中各产量数据对所述采样周期的导数,获得产率波形图。
终端计算产量时序数据中各产量数据对采样周期的导数,获得设备的产率数据,终端将产率数据转换为产率波形图,如图6所示,图6是本申请实施例中提供的基于大数据分析的故障预测方法中的产率波形图。
具体地,终端对累积的产量时序数据的求导采用下式:
其中,dataderivative(i),表示第i个数据时的生产速度,求导处理后获得的不规则的矩形波,单位为件/秒;output(i),表示第i个数据时的累积产量,单位为件;Tcycle,表示数据采样周期,单位为秒。
403,将所述产率波形图中的产率数据错位相减,获得产率变化锯齿图。
终端将产率波形图中的产率数据错位相减,获得产率变化锯齿图,可以通过不同方式实现,例如,
实现方式一:对所述产率波形图进行预处理,并将经过预处理的产率波形图中的产率数据错位相减,获得产率变化锯齿图。
即,终端对产率波形图进行预处理,如图7所示,图7是本申请实施例中提供的基于大数据分析的故障预测方法中经过预处理之后的产率波形图,通常情况下设备正常工作时,设备的产率数据是恒定的,产率波形图为矩形图,但是由于受到采集周期(例如,采样周期过短导致两次采样数据无变动,采样周期过长导致两次采样周期的数值不完全一致)或者其他原因的影响,产率波形图中的产率数据会出现变动,因此,终端对产率波形图进行预处理(预处理包括降噪和归一化处理)以排除噪声,例如,在设备正常运转时,产率数据大于零,设备停顿时产率数据等于零,利用产率数据的该特征,终端设置一个阈值m去除产率数据噪声:如果dataderivative(i)>m,那么:dataderivative(i)=N,N=[0,1],N=1时,产率数据实现了归一化,以排除产率波形图中的噪声。
进一步地,终端将经过预处理的产率波形图中的产率数据错位相减,获得产率变化锯齿图,如图8所示,图8是本申请实施例中提供的基于大数据分析的故障预测方法中的产率变化锯齿图,即,在产率数据无变动的“1”时段和“0”时段得到结果都为零,在“1”降落为“0”下降边,错位相减获得“+1”数值;“0”上升为“1”的上升边,错位相减获得“-1”数值,终端采用下式进行错位相减:waveside(i)=dataderivative(i)-dataderivative(i+1),其中,waveside(i),表示矩形波的边缘,无量纲,获得特定故障种类的产率变化锯齿图。
实现方式二:将所述产率波形图中的产率数据错位相减,获得初始锯齿图,对所述初始锯齿图进行滤波处理,获得产率变化锯齿图。
即,终端将产率波形图中的产率数据错位相减,获得初始锯齿图,初始的初始锯齿图不准确,终端对初始锯齿图进行滤波处理,获得产率变化锯齿图,本实例中将产率波形图中的产率数据错位相减获得的初始锯齿图进行滤波处理,获得产率变化锯齿图,以根据产率变化锯齿图确定目标设备的状态,使得目标设备状态分析更加准确。
404,根据所述产率变化锯齿图确定所述目标设备的状态,根据所述目标设备的状态的切换时间,确定所述目标设备的各停顿时长。
终端根据产率变化锯齿图确定目标设备的状态变化信息,终端分析目标设备的状态变化信息,获得目标设备的各停顿时长,具体地,包括:
(1)、将所述产率变化锯齿图中的突变点划分为设备关闭点和设备启动点;
(2)、分别计算所述产率变化锯齿图中相邻的所述设备关闭点和所述设备开启点之间的各时间间隔,将各所述时间间隔作为所述目标设备的各停顿时长。
即,终端将产率变化锯齿图中的突变点划分为设备关闭点和设备启动点,例如,终端识别出产率变化锯齿图中“+1”的位置表示波的开始,紧接其后的“-1”表示波的结束,[1,-1]时间段内出现了一次设备停顿,[1,-1]时间段的时间长度(或者采样周期数)在本文中称为波宽,同时记录下该波出现的位置在“+1”处的时刻或者第n个采样周期;终端计算各个相邻的设备关闭点和设备开启点之间的时间,终端将设备关闭点和设备开启点之间的时间作为目标设备的停顿时长。本实施例中终端通过波形图的方式确定停顿时长,使得停顿时长的计算更加方便便捷。
参照图9,图9是本申请实施例中提供的基于大数据分析的故障预测方法第四实施例的流程示意图。
在本申请一些实施例中,具体说明了终端基于目标设备各故障类型的故障周期信息对目标设备进行故障预测,包括步骤501-502:
501,接收故障预测指令,获取所述故障预测指令对应的目标故障类型。
终端接收故障预测指令,故障预测指令的触发方式不作具体限定,即,故障预测指令可以是用户手动触发的,例如,用户在终端的页面中输入:“xx零件”故障预测;或者故障预测指令还可以是终端自动触发的,例如,终端中预先设置每天凌晨时间预测“xx零件”故障的出现时间,则终端在每天凌晨自动触发故障预测指令。
终端获取故障预测指令对应的目标故障类型,目标故障类型是指需要预测的故障类型。
502,根据所述目标故障类型的历史停顿记录和所述目标设备各故障类型的故障周期信息,预测所述目标设备发生所述目标故障类型的故障发生时间。
终端获取目标故障类型的历史停顿记录,其中,历史停顿记录中包括目标故障类型的单次停顿时长,和各次停顿时长的发生时间,终端根据历史停顿记录与目标设备各故障类型的故障周期信息,预测目标设备的故障发生时间,即,终端将历史停顿记录中最近一次的停顿发生时间加上该目标故障类型对应的故障周期,获得目标设备发生目标故障类型的故障发生时间。本实施例中终端根据接收到的故障预测指令,预测特定故障类型的发生时间,以根据预测结果进行提前规避。
参照图10,图10是本申请实施例中提供的基于大数据分析的故障预测方法第五实施例的流程示意图。
在本申请一些实施例中,具体说明了终端基于目标设备各故障类型的故障周期信息对目标设备进行故障预测,包括步骤601-602:
601,接收故障预测指令,获取所述故障预测指令对应待预测的目标时间。
终端接收故障预测指令,终端获取故障预测指令对应待预测的目标时间,即,当前目标设备发生故障,为了缩短目标设备的故障排查时间,终端将该时间作为目标时间,终端预测目标设备在目标时间最有可能发送的故障类型。
602,根据所述目标时间和所述目标设备各故障类型的故障周期信息,预测所述目标时间发生概率最大的目标故障类型。
终端获取目标设备各故障类型的故障周期信息,各故障类型的故障周期信息包括各故障类型的平均停顿周期和周期方差,终端将目标时间和目标设备各故障类型的平均停顿周期和周期方差进行结合分析,确定目标时间发生概率最大的目标故障类型;本实施例中终端在故障发生时,根据大数据分析获得的目标设备不同故障类型的故障周期信息进行故障种类预测,以减少故障排查时间。
如图11所示,图11是基于大数据分析的故障预测装置的一个实施例结构示意图。
为了更好实施本申请实施例中基于大数据分析的故障预测方法,在基于大数据分析的故障预测方法基础之上,本申请实施例中还提供一种基于大数据分析的故障预测装置,所述基于大数据分析的故障预测装置包括:
获取确定模块701,用于获取目标设备的产量时序数据,根据所述产量时序数据,确定所述目标设备的各停顿时长;
故障分类模块702,用于将各所述停顿时长进行分类后排序,获得所述目标设备各故障类型对应的停顿时长序列;
周期确定模块703,用于分别统计各所述停顿时长序列中相邻的停顿时长之间的时间间隔,获得所述目标设备各故障类型的故障周期信息;
故障预测模块704,用于基于所述目标设备各故障类型的故障周期信息,预测所述目标设备的故障发生信息。
在本申请一些实施例中,所述故障分类模块702,包括:
将各所述停顿时长按预设分类策略进行分类,获得停顿时长子集合,分别将各所述停顿时长子集合中的停顿时长按照各所述停顿时长的先后顺序排列,获得所述目标设备各故障类型对应的停顿时长序列;或,
将各所述停顿时长按散点图分类方式进行分类,获得停顿时长子集合,分别将各所述停顿时长子集合中的停顿时长按照各所述停顿时长的先后顺序排列,获得所述目标设备各故障类型对应的停顿时长序列。
在本申请一些实施例中,所述周期确定模块703,包括:
分别统计各所述停顿时长序列中相邻的停顿时长之间的时间间隔,获得所述目标设备各故障类型的多个单次停顿周期;
分别将各故障类型的多个单次停顿周期进行正态分布拟合回归,获得所述目标设备各故障类型的故障周期信息。
在本申请一些实施例中,所述分别将各故障类型的多个单次停顿周期进行正态分布拟合回归,获得所述目标设备各故障类型的故障周期信息,包括:
分别将各故障类型的多个单次停顿周期进行加权平均,获得各故障类型的平均停顿周期;
分别计算各故障类型的多个单次停顿周期和所述平均停顿周期的周期方差,并将所述平均停顿周期和所述周期方差作为所述目标设备各故障类型的故障周期信息。
在本申请一些实施例中,所述获取确定模块701,包括:
在到达采样周期时采集目标设备的产量数据,将采集到的所述产量数据按照所述产量数据的采集时间先后排序形成产量时序数据;
计算所述产量时序数据中各产量数据对所述采样周期的导数,获得产率波形图;
将所述产率波形图中的产率数据错位相减,获得产率变化锯齿图;
根据所述产率变化锯齿图确定所述目标设备的状态,根据所述目标设备的状态的切换时间,确定所述目标设备的各停顿时长。
在本申请一些实施例中,所述将所述产率波形图中的产率数据错位相减,获得产率变化锯齿图,包括:
对所述产率波形图进行预处理,并将经过预处理的产率波形图中的产率数据错位相减,获得产率变化锯齿图;或,
将所述产率波形图中的产率数据错位相减,获得初始锯齿图,对所述初始锯齿图进行滤波处理,获得产率变化锯齿图。
在本申请一些实施例中,所述根据所述产率变化锯齿图确定所述目标设备的状态,根据所述目标设备的状态的切换时间,确定所述目标设备的各停顿时长,包括:
将所述产率变化锯齿图中的突变点划分为设备关闭点和设备启动点;
分别计算所述产率变化锯齿图中相邻的所述设备关闭点和所述设备开启点之间的各时间间隔,将各所述时间间隔作为所述目标设备的各停顿时长。
在本申请一些实施例中,所述故障预测模块704,包括:
接收故障预测指令,获取所述故障预测指令对应的目标故障类型;
根据所述目标故障类型的历史停顿记录和所述目标设备各故障类型的故障周期信息,预测所述目标设备发生所述目标故障类型的故障发生时间。
在本申请一些实施例中,所述故障预测模块704,包括:
接收故障预测指令,获取所述故障预测指令对应待预测的目标时间;
根据所述目标时间和所述目标设备各故障类型的故障周期信息,预测所述目标时间发生概率最大的目标故障类型。
本申请实施例中基于大数据分析的故障预测装置通过对目标设备的产量时序数据进行大数据分析,获得目标设备一段时间的多个停顿时长,实现了对设备的停顿时长进行全面分析;其次,将各停顿时长进行分类后排序,形成目标设备各故障类型对应的停顿时长序列;然后,分别统计每个故障类型对应停顿时长序列中的停顿时长的信息,获得目标设备各故障类型的故障周期信息,最后根据目标设备各故障类型的故障周期信息,预测目标设备的故障发生信息,实现了基于大数据分析预测不同种类故障的发生信息,使得设备故障预测更加准确,与此同时,在设备故障发生之前进行设备故障准确预测,可以减少设备故障的发生频率,或者缩短设备故障原因的排查时间,进一步地提高了数字化设备稼动时间,提高产品生产效率。
本发明实施例还提供一种基于大数据分析的故障预测设备,如图12所示,图12是本申请实施例中提供的基于大数据分析的故障预测设备的一个实施例结构示意图。
基于大数据分析的故障预测设备集成了本发明实施例所提供的任一种基于大数据分析的故障预测装置,所述基于大数据分析的故障预测设备包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行上述基于大数据分析的故障预测方法实施例中任一实施例中所述的基于大数据分析的故障预测方法中的步骤。
具体来讲:基于大数据分析的故障预测设备可以包括一个或者一个以上处理核心的处理器801、一个或一个以上存储介质的存储器802、电源803和输入单元804等部件。本领域技术人员可以理解,图12中示出的基于大数据分析的故障预测设备结构并不构成对基于大数据分析的故障预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器801是该基于大数据分析的故障预测设备的控制中心,利用各种接口和线路连接整个基于大数据分析的故障预测设备的各个部分,通过运行或执行存储在存储器802内的软件程序和/或模块,以及调用存储在存储器802内的数据,执行基于大数据分析的故障预测设备的各种功能和处理数据,从而对基于大数据分析的故障预测设备进行整体监控。可选的,处理器801可包括一个或多个处理核心;优选的,处理器801可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器801中。
存储器802可用于存储软件程序以及模块,处理器801通过运行存储在存储器802的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器802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基于大数据分析的故障预测设备的使用所创建的数据等。此外,存储器802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。相应地,存储器802还可以包括存储器控制器,以提供处理器801对存储器802的访问。
基于大数据分析的故障预测设备还包括给各个部件供电的电源803,优选的,电源803可以通过电源管理***与处理器801逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。电源803还可以包括一个或一个以上的直流或交流电源、再充电***、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该基于大数据分析的故障预测设备还可包括输入单元804,该输入单元804可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,基于大数据分析的故障预测设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,基于大数据分析的故障预测设备中的处理器801会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器802中,并由处理器801来运行存储在存储器802中的应用程序,从而实现各种功能,如下:
获取目标设备的产量时序数据,根据所述产量时序数据,确定所述目标设备的各停顿时长;
将各所述停顿时长进行分类后排序,获得所述目标设备各故障类型对应的停顿时长序列;
分别统计各所述停顿时长序列中相邻的停顿时长之间的时间间隔,获得所述目标设备各故障类型的故障周期信息;
基于所述目标设备各故障类型的故障周期信息,预测所述目标设备的故障发生信息。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一存储介质中,并由处理器进行加载和执行。
为此,本发明实施例提供一种存储介质,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行本发明实施例所提供的任一种基于大数据分析的故障预测方法中的步骤。例如,所述计算机程序被处理器进行加载可以执行如下步骤:
获取目标设备的产量时序数据,根据所述产量时序数据,确定所述目标设备的各停顿时长;
将各所述停顿时长进行分类后排序,获得所述目标设备各故障类型对应的停顿时长序列;
分别统计各所述停顿时长序列中相邻的停顿时长之间的时间间隔,获得所述目标设备各故障类型的故障周期信息;
基于所述目标设备各故障类型的故障周期信息,预测所述目标设备的故障发生信息。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见上文针对其他实施例的详细描述,此处不再赘述。
具体实施时,以上各个单元或结构可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元或结构的具体实施可参见前面的方法实施例,在此不再赘述。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
以上对本申请实施例所提供的一种基于大数据分析的故障预测方法进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (12)
1.一种基于大数据分析的故障预测方法,其特征在于,所述基于大数据分析的故障预测方法包括:
获取目标设备的产量时序数据,根据所述产量时序数据,确定所述目标设备的各停顿时长;
将各所述停顿时长进行分类后排序,获得所述目标设备各故障类型对应的停顿时长序列;
分别统计各所述停顿时长序列中相邻的停顿时长之间的时间间隔,获得所述目标设备各故障类型的故障周期信息;
基于所述目标设备各故障类型的故障周期信息,预测所述目标设备的故障发生信息。
2.根据权利要求1所述的基于大数据分析的故障预测方法,其特征在于,所述将各所述停顿时长进行分类后排序,获得所述目标设备各故障类型对应的停顿时长序列,包括:
将各所述停顿时长按预设分类策略进行分类,获得停顿时长子集合,分别将各所述停顿时长子集合中的停顿时长按照各所述停顿时长的先后顺序排列,获得所述目标设备各故障类型对应的停顿时长序列;或,
将各所述停顿时长按散点图分类方式进行分类,获得停顿时长子集合,分别将各所述停顿时长子集合中的停顿时长按照各所述停顿时长的先后顺序排列,获得所述目标设备各故障类型对应的停顿时长序列。
3.根据权利要求1所述的基于大数据分析的故障预测方法,其特征在于,所述分别统计各所述停顿时长序列中相邻的停顿时长之间的时间间隔,获得所述目标设备各故障类型的故障周期信息,包括:
分别统计各所述停顿时长序列中相邻的停顿时长之间的时间间隔,获得所述目标设备各故障类型的多个单次停顿周期;
分别将各故障类型的多个单次停顿周期进行正态分布拟合回归,获得所述目标设备各故障类型的故障周期信息。
4.根据权利要求3所述的基于大数据分析的故障预测方法,其特征在于,所述分别将各故障类型的多个单次停顿周期进行正态分布拟合回归,获得所述目标设备各故障类型的故障周期信息,包括:
分别将各故障类型的多个单次停顿周期进行加权平均,获得各故障类型的平均停顿周期;
分别计算各故障类型的多个单次停顿周期和所述平均停顿周期的周期方差,并将所述平均停顿周期和所述周期方差作为所述目标设备各故障类型的故障周期信息。
5.根据权利要求1所述的基于大数据分析的故障预测方法,其特征在于,所述获取目标设备的产量时序数据,根据所述产量时序数据,确定所述目标设备的各停顿时长,包括:
在到达采样周期时采集目标设备的产量数据,将采集到的所述产量数据按照所述产量数据的采集时间先后排序形成产量时序数据;
计算所述产量时序数据中各产量数据对所述采样周期的导数,获得产率波形图;
将所述产率波形图中的产率数据错位相减,获得产率变化锯齿图;
根据所述产率变化锯齿图确定所述目标设备的状态,根据所述目标设备的状态的切换时间,确定所述目标设备的各停顿时长。
6.根据权利要求5所述的基于大数据分析的故障预测方法,其特征在于,所述将所述产率波形图中的产率数据错位相减,获得产率变化锯齿图,包括:
对所述产率波形图进行预处理,并将经过预处理的产率波形图中的产率数据错位相减,获得产率变化锯齿图;或,
将所述产率波形图中的产率数据错位相减,获得初始锯齿图,对所述初始锯齿图进行滤波处理,获得产率变化锯齿图。
7.根据权利要求5所述的基于大数据分析的故障预测方法,其特征在于,所述根据所述产率变化锯齿图确定所述目标设备的状态,根据所述目标设备的状态的切换时间,确定所述目标设备的各停顿时长,包括:
将所述产率变化锯齿图中的突变点划分为设备关闭点和设备启动点;
分别计算所述产率变化锯齿图中相邻的所述设备关闭点和所述设备开启点之间的各时间间隔,将各所述时间间隔作为所述目标设备的各停顿时长。
8.根据权利要求1所述的基于大数据分析的故障预测方法,其特征在于,所述基于所述目标设备各故障类型的故障周期信息,预测所述目标设备的故障发生信息,包括:
接收故障预测指令,获取所述故障预测指令对应的目标故障类型;
根据所述目标故障类型的历史停顿记录和所述目标设备各故障类型的故障周期信息,预测所述目标设备发生所述目标故障类型的故障发生时间。
9.根据权利要求1-8任意一项所述的基于大数据分析的故障预测方法,其特征在于,所述基于所述目标设备各故障类型的故障周期信息,预测所述目标设备的故障发生信息,包括:
接收故障预测指令,获取所述故障预测指令对应待预测的目标时间;
根据所述目标时间和所述目标设备各故障类型的故障周期信息,预测所述目标时间发生概率最大的目标故障类型。
10.一种基于大数据分析的故障预测装置,其特征在于,所述基于大数据分析的故障预测装置包括:
获取确定模块,用于获取目标设备的产量时序数据,根据所述产量时序数据,确定所述目标设备的各停顿时长;
故障分类模块,用于将各所述停顿时长进行分类后排序,获得所述目标设备各故障类型对应的停顿时长序列;
周期确定模块,用于分别统计各所述停顿时长序列中相邻的停顿时长之间的时间间隔,获得所述目标设备各故障类型的故障周期信息;
故障预测模块,用于基于所述目标设备各故障类型的故障周期信息,预测所述目标设备的故障发生信息。
11.一种基于大数据分析的故障预测设备,其特征在于,所述基于大数据分析的故障预测设备包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行以实现权利要求1至9中任一项所述的基于大数据分析的故障预测方法。
12.一种存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行权利要求1至9任一项所述的基于大数据分析的故障预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011394687.3A CN112465237B (zh) | 2020-12-02 | 2020-12-02 | 基于大数据分析的故障预测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011394687.3A CN112465237B (zh) | 2020-12-02 | 2020-12-02 | 基于大数据分析的故障预测方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112465237A true CN112465237A (zh) | 2021-03-09 |
CN112465237B CN112465237B (zh) | 2023-04-07 |
Family
ID=74805740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011394687.3A Active CN112465237B (zh) | 2020-12-02 | 2020-12-02 | 基于大数据分析的故障预测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112465237B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361823A (zh) * | 2021-07-16 | 2021-09-07 | 同济大学 | 一种基于预测数据的燃料电池故障预测方法及*** |
CN115758225A (zh) * | 2023-01-06 | 2023-03-07 | 中建科技集团有限公司 | 基于多模态数据融合的故障预测方法、装置与存储介质 |
CN116860538A (zh) * | 2023-07-18 | 2023-10-10 | 深圳唱刻科技有限公司 | 一种游戏手柄故障预测方法和游戏手柄运维*** |
CN118313568A (zh) * | 2024-06-07 | 2024-07-09 | 江苏中天互联科技有限公司 | 设备运行状态预测方法、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109828182A (zh) * | 2018-11-29 | 2019-05-31 | 广东电网有限责任公司信息中心 | 一种基于故障分类处理的电网***故障分析预警方法 |
CN110349289A (zh) * | 2019-06-21 | 2019-10-18 | 东软集团股份有限公司 | 故障预测方法、装置、存储介质和电子设备 |
CN110647539A (zh) * | 2019-09-26 | 2020-01-03 | 汉纳森(厦门)数据股份有限公司 | 一种用于车辆故障的预测方法和*** |
US20200371858A1 (en) * | 2018-01-19 | 2020-11-26 | Hitachi, Ltd. | Fault Predicting System and Fault Prediction Method |
-
2020
- 2020-12-02 CN CN202011394687.3A patent/CN112465237B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200371858A1 (en) * | 2018-01-19 | 2020-11-26 | Hitachi, Ltd. | Fault Predicting System and Fault Prediction Method |
CN109828182A (zh) * | 2018-11-29 | 2019-05-31 | 广东电网有限责任公司信息中心 | 一种基于故障分类处理的电网***故障分析预警方法 |
CN110349289A (zh) * | 2019-06-21 | 2019-10-18 | 东软集团股份有限公司 | 故障预测方法、装置、存储介质和电子设备 |
CN110647539A (zh) * | 2019-09-26 | 2020-01-03 | 汉纳森(厦门)数据股份有限公司 | 一种用于车辆故障的预测方法和*** |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361823A (zh) * | 2021-07-16 | 2021-09-07 | 同济大学 | 一种基于预测数据的燃料电池故障预测方法及*** |
CN115758225A (zh) * | 2023-01-06 | 2023-03-07 | 中建科技集团有限公司 | 基于多模态数据融合的故障预测方法、装置与存储介质 |
CN115758225B (zh) * | 2023-01-06 | 2023-08-29 | 中建科技集团有限公司 | 基于多模态数据融合的故障预测方法、装置与存储介质 |
CN116860538A (zh) * | 2023-07-18 | 2023-10-10 | 深圳唱刻科技有限公司 | 一种游戏手柄故障预测方法和游戏手柄运维*** |
CN116860538B (zh) * | 2023-07-18 | 2024-03-19 | 深圳唱刻科技有限公司 | 一种游戏手柄故障预测方法和游戏手柄运维*** |
CN118313568A (zh) * | 2024-06-07 | 2024-07-09 | 江苏中天互联科技有限公司 | 设备运行状态预测方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112465237B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112465237B (zh) | 基于大数据分析的故障预测方法、装置、设备和存储介质 | |
US10970186B2 (en) | Correlation-based analytic for time-series data | |
US9600394B2 (en) | Stateful detection of anomalous events in virtual machines | |
US9720823B2 (en) | Free memory trending for detecting out-of-memory events in virtual machines | |
US10248561B2 (en) | Stateless detection of out-of-memory events in virtual machines | |
CN111241453B (zh) | 页面访问时长采集方法、装置、介质及电子设备 | |
CN112188531B (zh) | 异常检测方法、装置、电子设备及计算机存储介质 | |
US20110238376A1 (en) | Automatic Determination of Dynamic Threshold for Accurate Detection of Abnormalities | |
US20100306597A1 (en) | Automated identification of performance crisis | |
CN112118143A (zh) | 流量预测模型、训练方法、预测方法、装置、设备及介质 | |
CN115794532A (zh) | 多指标智能动态阈值监控方法及*** | |
EP4343554A1 (en) | System monitoring method and apparatus | |
CN114697618A (zh) | 一种基于移动终端的楼宇控制方法及*** | |
CN116594857A (zh) | 一种基于人工智能的办公软件智能交互管理平台 | |
CN115729783A (zh) | 故障风险监控方法、设备、存储介质及程序产品 | |
CN111800807A (zh) | 一种基站用户数量告警的方法及装置 | |
CN114566964B (zh) | 一种配电网馈线自动化控制方法、装置、设备及存储介质 | |
CN116714469A (zh) | 充电桩健康监测方法、装置、终端及存储介质 | |
CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及*** | |
CN116819352A (zh) | 电池阈值的自适应设定方法、装置、设备及存储介质 | |
CN114398222A (zh) | 一种声明式可视化配置Prometheus监控告警的方法 | |
CN115019219A (zh) | 一种智慧工地的施工进度智能管理方法及*** | |
CN113986704A (zh) | 基于TS-Decomposition的数据中心高频故障时域预警方法及*** | |
WO2021087896A1 (en) | Data-driven graph of things for data center monitoring copyright notice | |
CN108427854B (zh) | 一种数据分析方法及其相关设备 |
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 |