CN113359682B - 设备故障预测方法、装置、设备故障预测平台及介质 - Google Patents
设备故障预测方法、装置、设备故障预测平台及介质 Download PDFInfo
- Publication number
- CN113359682B CN113359682B CN202110738714.2A CN202110738714A CN113359682B CN 113359682 B CN113359682 B CN 113359682B CN 202110738714 A CN202110738714 A CN 202110738714A CN 113359682 B CN113359682 B CN 113359682B
- Authority
- CN
- China
- Prior art keywords
- state data
- dimension
- fault
- prediction model
- data set
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供一种设备故障预测方法、装置、设备故障预测平台及介质,涉及故障预测技术领域。该方法包括:获取目标设备的状态数据集,该状态数据集中包括该目标设备的多个维度的状态数据;对该状态数据集中各维度的状态数据进行分析处理,构建特征向量;将该特征向量输入预先训练的故障预测模型,得到该故障预测模型输出的该目标设备的故障类型。应用本申请实施例,可以对设备故障类型进行***,进而避免“维修不足”、“过剩维修”或者“维修性故障”的现象。
Description
技术领域
本申请涉及故障预测技术领域,具体而言,涉及一种设备故障预测方法、装置、设备故障预测平台及介质。
背景技术
设备的与测试维护是当前的一个重要话题,也是智能制造业亟待解决的问题,而设备的故障诊断是实现预测性维护的前提。
目前,主要以时间为维度,定期对设备进行检测来保证设备长期稳定运行。然而,这种方式存在“维修不足”、“过剩维修”或者“维修性故障”的现象。
发明内容
本申请的目的在于,针对上述现有技术中的不足,提供一种设备故障预测方法、装置、设备故障预测平台及介质,可以对设备故障类型进行***,进而避免“维修不足”、“过剩维修”或者“维修性故障”的现象。
为实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请实施例提供了一种设备故障预测方法,所述方法包括:
获取目标设备的状态数据集,所述状态数据集中包括所述目标设备的多个维度的状态数据;
对所述状态数据集中各维度的状态数据进行分析处理,构建特征向量;
将所述特征向量输入预先训练的故障预测模型,得到所述故障预测模型输出的所述目标设备的故障类型。
可选地,所述对所述状态数据集中各维度的状态数据进行分析处理,构建特征向量,包括:
确定所述状态数据集中各维度的状态数据之间的相关系数;
根据所述相关系数,构建所述特征向量。
可选地,所述确定所述状态数据集中各维度的状态数据之间的相关系数之前,所述方法还包括:
对所述状态数据集中各维度的状态数据进行预处理,得到预处理后的状态数据集;
所述确定所述状态数据集中各维度的状态数据之间的相关系数,包括:
确定预处理后的状态数据集中各维度的状态数据之间的相关系数。
可选地,所述状态数据集中包括频率状态数据,所述得到所述故障预测模型输出的所述目标设备的故障类型之后,所述方法还包括:
对所述状态数据集中的频率状态数据进行频谱分析,得到频谱分析结果;
根据所述频谱分析结果,确定所述目标设备中发生所述故障类型的单元装置。
可选地,将所述特征向量输入预先训练的故障预测模型,得到所述故障预测模型输出的所述目标设备的故障类型之前,所述方法还包括:
根据多个设备的历史状态数据,构建训练样本以及测试样本;
使用所述训练样本训练初始故障预测模型,得到中间故障预测模型;
使用所述测试样本对所述中间故障预测模型进行预测,得到所述故障预测模型。
可选地,所述将所述特征向量输入预先训练的故障预测模型,得到故障预测模型输出的所述目标设备的故障类型之后,所述方法还包括:
根据所述目标设备的故障类型,生成并输出预警信息。
可选地,所述方法还包括:
根据所述目标设备的故障类型,生成诊断报告,所述诊断报告中包括:所述故障类型以及所述故障类型对应的至少一种故障原因。
第二方面,本申请实施例提供了一种设备故障预测装置,所述装置包括:
获取模块,用于获取目标设备的状态数据集,所述状态数据集中包括所述目标设备的多个维度的状态数据;
构建模块,用于对所述状态数据集中各维度的状态数据进行分析处理,构建特征向量;
确定模块,用于将所述特征向量输入预先训练的故障预测模型,得到所述故障预测模型输出的所述目标设备的故障类型。
可选地,所述构建模块,具体用于确定所述状态数据集中各维度的状态数据之间的相关系数;根据所述相关系数,构建所述特征向量。
可选地,所述装置还包括:处理模块;
所述处理模块,用于对所述状态数据集中各维度的状态数据进行预处理,得到预处理后的状态数据集;
相应地,所述确定模块,还用于确定预处理后的状态数据集中各维度的状态数据之间的相关系数。
可选地,所述状态数据集中包括频率状态数据,所述装置还包括:分析模块;
所述分析模块,用于对所述状态数据集中的频率状态数据进行频谱分析,得到频谱分析结果;
相应地,所述确定模块,还用于根据所述频谱分析结果,确定所述目标设备中发生所述故障类型的单元装置。
可选地,所述装置还包括:训练模块、预测模块;
所述构建模块,还用于根据多个设备的历史状态数据,构建训练样本以及测试样本;
所述训练模块,用于使用所述训练样本训练初始故障预测模型,得到中间故障预测模型;
所述预测模块,用于使用所述测试样本对所述中间故障预测模型进行预测,得到所述故障预测模型。
可选地,所述装置还包括:生成模块;
所述生成模块,还用于根据所述目标设备的故障类型,生成并输出预警信息。
可选地,所述生成模块,还用于根据所述目标设备的故障类型,生成诊断报告,所述诊断报告中包括:所述故障类型以及所述故障类型对应的至少一种故障原因。
第三方面,本申请实施例提供了一种设备故障预测平台,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当所述设备故障预测平台运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行上述第一方面的所述设备故障预测方法的步骤。
第四方面,本申请实施例提供了一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述第一方面的所述设备故障预测方法的步骤。
本申请的有益效果是:
本申请实施例提供一种设备故障预测方法、装置、设备故障预测平台及介质,可根据历史状态数据集与故障类型之间的关系,建立的故障类型与各维度的状态数据之间的关联关系,对目标设备对应的状态数据集中各维度的状态数据进行分析处理,可确定出每个维度状态数据与其他维度状态数据之间的关联关系,基于每个维度状态数据与其他维度状态数据之间的关联关系可构建出每个维度状态数据对应的特征向量,最后将每个维度状态数据对应的特征向量分别输入预先训练的故障预测模型中,通过该故障预测模型可***出该目标设备存在的故障类型,这样可以避免“维修不足”、“过剩维修”或者“维修性故障”的现象。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种设备故障预测方法的流程示意图;
图2为本申请实施例提供的另一种设备故障预测方法的流程示意图;
图3为本申请实施例提供的又一种设备故障预测方法的流程示例图;
图4为本申请实施例提供的再一种设备故障预测方法的流程示意图;
图5为本申请实施例提供的一种预警信息显示示意图;
图6为本申请实施例提供的一种状态数据的频谱图示意图;
图7为本申请实施例提供的一种设备故障预测装置的结构示意图;
图8为本申请实施例提供的一种设备故障预测平台的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本申请一部分实施例,而不是全部的实施例。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通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,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在对本申请实施例进行详细解释之前,首先对本申请的应用场景予以介绍。该应用场景具体可为对煤矿领域中机电设备的健康状况进行预测的场景,也可为对其他领域机电设备的健康状况进行预测的场景,本申请不对其进行限定。本申请以煤矿领域中的机电设备为例进行说明,机电设备可包括提升设备、压力设备、排水设备、驱动设备等,以其中一种机电设备(目标设备)来说,设备故障预测平台通过采集设备获取目标设备的状态数据,通过该目标设备的状态数据以及预先训练的故障预测模型对该目标设备的故障类型进行预测,该设备故障预测平台可安装在终端设备上,该终端设备的具体形态可为平板电脑、笔记本电脑、台式电脑等。
其中,该设备故障预测平台可通过多个机电设备的历史状态数据以及预设的深度神经网络框架,如长短期记忆(LSTM,Long-Short Term Memory)网络框架训练得到故障预测模型,该故障预测模型可***出目标设备是否发生故障,并且发生故障的故障类型,也就是说,可以对目标设备进行预测性维护,这样提高对煤矿机电设备管理的自动化水平,使煤矿机电设备的质量、稳定性以及安全性得到了保证。
如下结合附图对本申请所提到的设备故障预测方法进行示例说明。图1为本申请实施例提供的一种设备故障预测方法的流程示意图,该方法可应用于支持上述提到的设备故障预测平台运行的后台(如服务器)。如图1所示,该方法可以包括:
S101、获取目标设备的状态数据集,该状态数据集中包括该目标设备的多个维度的状态数据。
其中,多维度的状态数据可指状态数据的类型包括多种,状态数据用于表示状态参数的具体数值,维度用于表示状态参数的类型。状态参数的类型与监测装置的类型相关,可预先根据目标设备的类型设置与目标设备关联的监测装置,通过监测装置获取目标设备的某些维度的状态数据,如目标设备为压力设备时,可设置压力传感器,通过压力传感器获取压力设备的压力参数;如目标设备为驱动设备时,可设置频率监测装置,通过频率监测装置获取驱动设备的振动信息,进而得到频率参数,也就是说,目标设备的状态数据的维度与目标设备的类型具有一定的相关性。
需要说明的是,目标设备的状态参数还可包括运行时间参数、安装位置参数等,服务器可根据预设周期获取目标设备的多个维度的状态参数的具体数值,并将各类型的状态参数的具体数值组成状态数据集,将目标设备的标识与该状态数据集进行关联存储。其中,该状态数据集中可包括如下状态参数,如电流、电压、频率、温度、位移、速度等,本申请不对其进行限定。
S102、对该状态数据集中各维度的状态数据进行分析处理,构建特征向量。
其中,可根据历史状态数据集与故障类型之间的关系,建立各维度状态参数之间的关联关系,根据该关联关系可对目标设备的状态数据集中的各维度的状态数据进行关联性分析。
具体的,可根据各故障类型对应的历史状态数据集确定出异常维度的状态数据,以同一个故障类型对应的多个历史状态数据集来说,可根据每个历史状态数据集中的异常维度的状态数据,确定出每个异常维度的状态数据与其他异常维度的状态数据之间的关联关系,以此类推,最终可建立各状态数据对应的维度之间的关联关系。根据各状态数据对应的维度之间的关联关系可确定出该目标设备的状态数据集中各维度的状态数据之间的关联关系,根据每个维度的状态数据与其他维度的状态数据之间的关联关系可构建出每个维度的状态数据对应的特征向量。
S103、将特征向量输入预先训练的故障预测模型,得到该故障预测模型输出的该目标设备的故障类型。
其中,分别将每个维度的状态数据对应的特征向量输入该故障预测模型中,该故障预测模型可确定出该目标设备与多个故障类型之间的匹配程度,最后可将匹配程度最高的故障类型确定为该目标设备的故障类型。其中,故障类型可包括两类,一类是机械故障类型,如共振故障、不平衡故障、错误故障、轴承损伤故障等,另一类是电气故障,如定子磁场故障、转子断裂故障等,需要说明的是,本申请不对故障类型进行限定。
综上所述,本申请提供的设备故障预测方法中,可根据历史状态数据集与故障类型之间的关系,建立的故障类型与各维度的状态数据之间的关联关系,对目标设备对应的状态数据集中各维度的状态数据进行分析处理,可确定出每个维度状态数据与其他维度状态数据之间的关联关系,基于每个维度状态数据与其他维度状态数据之间的关联关系可构建出每个维度状态数据对应的特征向量,最后将每个维度状态数据对应的特征向量分别输入预先训练的故障预测模型中,通过该故障预测模型可***出该目标设备存在的故障类型,这样可以避免“维修不足”、“过剩维修”或者“维修性故障”的现象。
图2为本申请实施例提供的另一种设备故障预测方法的流程示意图。可选地,如图2所示,上述对该状态数据集中各维度的状态数据进行分析处理,构建特征向量,包括:
S201、确定该状态数据集中各维度的状态数据之间的相关系数。
其中,可根据各状态数据对应的维度之间的关联关系确定出该目标设备的状态数据集中各维度的状态数据之间的关联关系。具体的,通过下述方式确定各状态数据对应的维度之间的关联关系,即各种类型的状态数据之间的关联关系。举例来说,假设有三个历史状态数据集(如状态数据集1、状态数据集2、状态数据集3)对应的故障类型均为A型故障,状态数据集1中可包括多个状态数据的类型(如状态数据a、状态数据b、状态数据c、状态数据d……),其中,状态数据a、状态数据c均为异常数据;状态数据集2中的状态数据b为异常数据,状态数据集3中的状态数据b、状态数据c均为异常数据,那么可得出状态数据a分别与状态数据b、状态数据c之间具有关联性。
也就是说,状态数据a与状态数据b、状态数据c之间的关联性要比其他状态数据(如状态数据d)之间的关联性强,且状态数据a与状态数据c之间的关联性比状态数据a与状态数据b之间的关联性强,依次类此,可确定出各类型的状态数据之间的关联关系,且用相关系数的大小表示关联关系的强弱,其中,状态数据a与状态数据b之间的相关系数可用a1表示、状态数据a与状态数据c之间的相关系数可用a2表示,可知a2大于a1,将每个类型的状态数据与其他类型的状态数据之间的相关系数用列表的形式存储在数据库中。
根据上述得出的各维度(类型)的状态数据之间的关联关系,可确定出该目标设备的状态数据集中各维度的状态数据之间的关联关系,根据每个维度的状态数据与其他维度的状态数据之间的关联关系可构建出每个维度的状态数据对应的特征向量。继续上述举例来说,假设目标设备对应的状态数据集中包括维度为a的状态数据、维度为b的状态数据以及维度为c的状态数据,可通过查表的方式,得到维度为a的状态数据与维度为b的状态数据之间的相关系数为a1,维度为a的状态数据与维度为c的状态数据之间的相关系数为a2,同理,通过查表的方式可得出维度为a的状态数据与其他维度的状态数据之间的相关系数,最终可确定出该目标设备对应的状态数据集合中各维度的状态数据之间的相关系数。
S202、根据相关系数,构建特征向量。
其中,可对每个维度的状态数据进行编码,得到编码结果,再结合每个维度的状态数据与其他维度的状态数据之间的相关系数,将相关系数与对应的编码结果相乘,最终可得到每个维度的状态数据对应的特征向量。
可以看出,将多个维度的状态数据之间建立连接,并且每个维度的状态数据之间有不同程度的关联性,这样可以使每个维度的状态数据不再是一个单独的个体,可以更精确的对目标设备的故障类型进行预测,可以为后期维修管理提供准确、可靠的依据,从而节约维修费用,避免目标设备意外停机和重大事故发生。实现设备维修管理的科学化、规范化、***化、信息化,提高设备维修管理水平,提升设备运行的安全性和可靠性。
可选地,上述确定该状态数据集中各维度的状态数据之间的相关系数之前,该方法还包括:对该状态数据集中各维度的状态数据进行预处理,得到预处理后的状态数据集。
其中,可根据目标设备的类型对状态数据集中各维度的状态数据进行筛选处理,具体的,可根据与该目标设备属于同一类型的设备(如驱动设备)对应的历史状态数据集与故障类型之间的对应关系,确定出能够导致驱动设备发生故障的状态数据所属的维度,也就是说,某些维度的状态数据可能对驱动设备是否发生故障根本没有影响,可将这些维度的状态数据称为待删除状态数据,从驱动设备对应的状态数据集中确定出与待删除状态数据维度相匹配的状态数据,并将其删除,随后可确定出删除后的状态数据集中各维度的状态数据之间的相关系数,可知,这样可以减少构建的特征向量的数量,进而可以提高故障预测模型的处理效率。
图3为本申请实施例提供的又一种设备故障预测方法的流程示例图。可选地,如图3所示,该状态数据集中包括频率状态数据,上述得到该故障预测模型输出的该目标设备的故障类型之后,该方法还可以包括:
S301、对该状态数据集中的频率状态数据进行频谱分析,得到频谱分析结果。
S302、根据该频谱分析结果,确定该目标设备中发生该故障类型的单元装置。
其中,目标设备有对应的工作频率,目标设备对应的状态数据集中的频率状态数据是利用快速傅里叶变换技术对采集到的振动信号进行分析而获取,将频率状态数据与目标设备对应的工作频率进行比较,确定该频率状态数据与目标设备对应的工作频率之间的关系,若该频率状态数据为目标设备对应的工作频率的分数倍,即频谱分析结果为目标设备的频率状态数据小于工作频率。
基于此,可再根据目标设备中各单元装置对应的故障频率区间与目标设备的频率状态数据之间的关系,可确定出目标设备中发生该故障类型的单元装置。假设目标设备的频率状态数据刚好落在了单元装置1对应的故障频率区间内,那么可预测出目标设备中的单元装置1将要发生故障的故障类型为该目标设备对应的故障类型。
可以看出,通过对目标设备对应的状态数据集中的频率状态数据进行频谱分析,可以更精确的得到是目标设备中哪个单元装置将要发生这种故障类型的故障,这样可以为后期的维度管理提供更准确、更可靠的依据。
图4为本申请实施例提供的再一种设备故障预测方法的流程示意图。可选地,如图4所示,上述将该特征向量输入预先训练的故障预测模型,得到该故障预测模型输出的该目标设备的故障类型之前,该方法还包括:
S401、根据多个设备的历史状态数据,构建训练样本以及测试样本。
其中,可收集多个设备的不同历史时刻对应的状态数据,每个历史时刻对应的状态数据可包括多个维度,每个设备的不同历史时刻的不同维度的状态数据可组成状态数据集。以一个设备一个历史时刻来说,不仅可以获取到该设备在该历史时刻对应的状态数据集,还可以获取到该设备在该历史时刻对应的真实故障类型,可将状态数据集以及真实故障类型组成一组样本,最后可获取到多组样本,每组样本中的特征为状态数据集中的各维度的状态数据,标签为真实故障类型。根据训练参数,可从多组样本中确定出用于训练初始故障模型的训练样本,以及用于测试训练后模型的测试样本。
S402、使用训练样本训练初始故障预测模型,得到中间故障预测模型。
其中,该初始故障预测模型的神经网络框架可为长短期记忆(LSTM,Long-ShortTerm Memory)网络框架,将训练样本中的特征作为该初始故障预测模型的输入,将训练样本中的标签作为该初始故障预测模型的输出,对该初始故障预测模型进行训练,也就是说,该初始故障预测模型根据输入的各状态数据,可得到预测故障类型,将预测故障类型与真实故障类型进行对比,根据两者之间的误差调整该初始故障预测模型中的学习参数,直至满足训练停止条件,进而可得到中间故障预测模型。
S403、使用测试样本对该中间故障预测模型进行预测,得到故障预测模型。
将测试样本中的特征输入该中间故障预测模型,该中间故障预测模型可输出该测试样本中的特征对应的故障类型,将该故障类型与该测试样本中的标签进行对比,可得到该中间故障预测模型的准确率,将该准确率与预设准确率进行比较,当该准确率大于或等于预设准确率时,代表着该中间故障预测模型为该故障预测模型,当该准确率小于预设准确率时,需要继续对该中间故障预测模型中的学习参数进行调整,直到计算出的准确率大于或等于预设准确率,那么可将对应的中间故障预测模型作为该故障预测模型。
可以看出,利用训练得到的故障预测模型可以定量的对各设备的健康状况进行分析。
可选地,上述将特征向量输入预先训练的故障预测模型,得到故障预测模型输出的该目标设备的故障类型之后,该方法还包括:根据该目标设备的故障类型,生成并输出预警信息。
其中,在已知目标设备的故障类型的前提下,可根据故障类型与状态数据之间的关系,确定出属于异常维度的状态数据,比如该故障类型为共振,那么可能引起共振的状态数据包括频率、速度等,即该预警信息中可包括需要重点关注的状态数据,如该目标设备产生的频率数据以及速度数据等,并且,可在显示频率数据以及速度数据的图表中用提醒图标标识超过阈值的频率点以及速度点。图5为本申请实施例提供的一种预警信息显示示意图,如图5所示,工作人员可根据实际需求从设备故障预测平台上调取与目标设备发生故障相关的状态数据(如速度数据),可用折线图的展示方式展示速度数据,将速度数据的图表信息显示在设备故障预测平台的界面上,该图表中的横坐标表示时间,纵坐标表示速度,若某个时刻的速度异常,可用提醒图标(如原点)进行标识。
这样可以使工作人员更直观的对目标设备的健康状态进行了解,在目标设备产生潜在故障时及时做出反应。
可选地,该方法还可以包括:根据该目标设备的故障类型,生成诊断报告,该诊断报告中包括:该故障类型以及该故障类型对应的至少一种故障原因。
其中,每个故障类型可对应至少一种故障原因,可预先将故障类型与故障原因之间的关联关系存储在数据库中,在确定出目标设备的故障类型后,可从数据库中查找对应的故障原因,将目标设备的故障类型以及对应的故障原因记录在诊断报告中,将诊断报告存储在数据库中,该设备故障预测平台可支持工作人员对诊断报告进行浏览,并且还可将诊断报告以多种文件形式(如PDF、XML)进行下载、打印。
可选地,工作人员在对目标设备进行实际考察后,可根据考察结果对诊断报告中的某些信息进行修正,如对初始的多个故障原因进行筛选,精确目标设备产生该故障类型的故障原因。
可以看出,诊断报告中增加故障原因可以为后期的维修管理提供可靠的依据,使维修管理人员可以高效率的对目标设备进行维修管理,节约维修费用。通过实际考察对诊断报告进行修正,可以优化目标设备的故障预测过程,提高故障预测精度。
可选地,在获取到目标设备的多个维度的状态数据后,该设备故障预测平台可利用预先设置的显示方式对多个维度的数据进行显示,如可利用波形图对目标设备的加速度状态数据进行展示;利用频谱图可分别对速度、加速度、位移等状态数据进行展示。图6为本申请实施例提供的一种状态数据的频谱图示意图,图6中的频谱图上的横坐标表示频率,纵坐标表示幅度。
这样可以使工作人员更直观的从不同角度对目标设备的工作状态进行查看,方便工作人员及时了解目标设备的关键信息。
图7为本申请实施例提供的一种设备故障预测装置的结构示意图。如图7所示,该装置可以包括:
获取模块701,用于获取目标设备的状态数据集,该状态数据集中包括该目标设备的多个维度的状态数据;
构建模块702,用于对该状态数据集中各维度的状态数据进行分析处理,构建特征向量;
确定模块703,用于将特征向量输入预先训练的故障预测模型,得到该故障预测模型输出的该目标设备的故障类型。
可选地,构建模块702,具体用于确定状态数据集中各维度的状态数据之间的相关系数;根据相关系数,构建特征向量。
可选地,该装置还包括:处理模块;
该处理模块,用于对状态数据集中各维度的状态数据进行预处理,得到预处理后的状态数据集;
相应地,确定模块703,还用于确定预处理后的状态数据集中各维度的状态数据之间的相关系数。
可选地,该状态数据集中包括频率状态数据,该装置还包括:分析模块;
该分析模块,用于对状态数据集中的频率状态数据进行频谱分析,得到频谱分析结果;
相应地,确定模块703,还用于根据频谱分析结果,确定目标设备中发生故障类型的单元装置。
可选地,该装置还包括:训练模块、预测模块;
构建模块702,还用于根据多个设备的历史状态数据,构建训练样本以及测试样本;
该训练模块,用于使用训练样本训练初始故障预测模型,得到中间故障预测模型;
该预测模块,用于使用测试样本对中间故障预测模型进行预测,得到故障预测模型。
可选地,该装置还包括:生成模块;
该生成模块,还用于根据目标设备的故障类型,生成并输出预警信息。
可选地,该生成模块,还用于根据目标设备的故障类型,生成诊断报告,诊断报告中包括:故障类型以及故障类型对应的至少一种故障原因。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器,或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(Central Processing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上***(system-on-a-chip,简称SOC)的形式实现。
图8为本申请实施例提供的一种设备故障预测平台的结构示意图,如图8所示,该设备故障预测平台可以包括:处理器801、存储介质802和总线803,存储介质802存储有处理器801可执行的机器可读指令,当该设备故障预测平台运行时,处理器801与存储介质802之间通过总线803通信,处理器801执行机器可读指令,以执行上述方法实施例的步骤。具体实现方式和技术效果类似,这里不再赘述。
可选地,本申请还提供一种存储介质,存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述方法实施例的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本申请各个实施例方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。以上仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.一种设备故障预测方法,其特征在于,所述方法包括:
获取目标设备的状态数据集,所述状态数据集中包括所述目标设备的多个维度的状态数据;
对所述状态数据集中各维度的状态数据进行分析处理,构建特征向量;
将所述特征向量输入预先训练的故障预测模型,得到所述故障预测模型输出的所述目标设备的故障类型;
其中,所述对所述状态数据集中各维度的状态数据进行分析处理,构建特征向量,包括:
确定所述状态数据集中各维度的状态数据之间的相关系数,各维度的状态数据之间的相关系数用于指示每个维度的状态数据与其它维度的状态数据之间的相关系数;
根据所述相关系数,构建所述特征向量;
所述根据所述相关系数,构建所述特征向量,包括:
对各维度的状态数据进行编码,得到各维度的状态数据的编码结果;
将每个维度的状态数据与其它维度的状态数据之间的相关系数和各维度的状态数据的编码结果相乘,构建各维度的状态数据的特征向量。
2.根据权利要求1所述的方法,其特征在于,所述确定所述状态数据集中各维度的状态数据之间的相关系数之前,所述方法还包括:
对所述状态数据集中各维度的状态数据进行预处理,得到预处理后的状态数据集;
所述确定所述状态数据集中各维度的状态数据之间的相关系数,包括:
确定预处理后的状态数据集中各维度的状态数据之间的相关系数。
3.根据权利要求1或2所述的方法,其特征在于,所述状态数据集中包括频率状态数据,所述得到所述故障预测模型输出的所述目标设备的故障类型之后,所述方法还包括:
对所述状态数据集中的频率状态数据进行频谱分析,得到频谱分析结果;
根据所述频谱分析结果,确定所述目标设备中发生所述故障类型的单元装置。
4.根据权利要求1所述的方法,其特征在于,将所述特征向量输入预先训练的故障预测模型,得到所述故障预测模型输出的所述目标设备的故障类型之前,所述方法还包括:
根据多个设备的历史状态数据,构建训练样本以及测试样本;
使用所述训练样本训练初始故障预测模型,得到中间故障预测模型;
使用所述测试样本对所述中间故障预测模型进行预测,得到所述故障预测模型。
5.根据权利要求1所述的方法,其特征在于,所述将所述特征向量输入预先训练的故障预测模型,得到故障预测模型输出的所述目标设备的故障类型之后,所述方法还包括:
根据所述目标设备的故障类型,生成并输出预警信息。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
根据所述目标设备的故障类型,生成诊断报告,所述诊断报告中包括:所述故障类型以及所述故障类型对应的至少一种故障原因。
7.一种设备故障预测装置,其特征在于,所述装置包括:
获取模块,用于获取目标设备的状态数据集,所述状态数据集中包括所述目标设备的多个维度的状态数据;
构建模块,用于对所述状态数据集中各维度的状态数据进行分析处理,构建特征向量;
确定模块,用于将所述特征向量输入预先训练的故障预测模型,得到所述故障预测模型输出的所述目标设备的故障类型;
其中,所述构建模块,具体用于确定所述状态数据集中各维度的状态数据之间的相关系数,各维度的状态数据之间的相关系数用于指示每个维度的状态数据与其它维度的状态数据之间的相关系数;根据所述相关系数,构建所述特征向量;
其中,所述构建模块,还具体用于对各维度的状态数据进行编码,得到各维度的状态数据的编码结果;将每个维度的状态数据与其它维度的状态数据之间的相关系数和各维度的状态数据的编码结果相乘,构建各维度的状态数据的特征向量。
8.一种设备故障预测平台,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当所述设备故障预测平台运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1-6任一项所述设备故障预测方法的步骤。
9.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1-6任一项所述设备故障预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110738714.2A CN113359682B (zh) | 2021-06-30 | 2021-06-30 | 设备故障预测方法、装置、设备故障预测平台及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110738714.2A CN113359682B (zh) | 2021-06-30 | 2021-06-30 | 设备故障预测方法、装置、设备故障预测平台及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113359682A CN113359682A (zh) | 2021-09-07 |
CN113359682B true CN113359682B (zh) | 2022-12-02 |
Family
ID=77537490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110738714.2A Active CN113359682B (zh) | 2021-06-30 | 2021-06-30 | 设备故障预测方法、装置、设备故障预测平台及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113359682B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114492869A (zh) * | 2022-01-25 | 2022-05-13 | 王启明 | 一种基于物联网技术的配电***健康诊断方法 |
CN115338867A (zh) * | 2022-08-31 | 2022-11-15 | 上海木蚁机器人科技有限公司 | 移动机器人的故障状态监测方法、装置和设备 |
CN115805810A (zh) * | 2022-10-31 | 2023-03-17 | 宁德时代新能源科技股份有限公司 | 电池故障预测方法、装置、设备、存储介质和程序产品 |
CN116307259B (zh) * | 2023-05-10 | 2023-10-31 | 天宇正清科技有限公司 | 一种矿山设备的维修性预测方法、装置、设备和介质 |
CN117454314B (zh) * | 2023-12-19 | 2024-03-05 | 深圳航天科创泛在电气有限公司 | 风力机组件运行状态预测方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106324406A (zh) * | 2016-09-21 | 2017-01-11 | 许继集团有限公司 | 一种变压器直流偏磁故障诊断方法及装置 |
CN109612730A (zh) * | 2018-12-29 | 2019-04-12 | 北京航天测控技术有限公司 | 一种基于预白化分析的滚动轴承故障定位方法 |
CN110469461A (zh) * | 2019-08-14 | 2019-11-19 | 树根互联技术有限公司 | 一种风机齿带的断裂预估方法、其装置及可读存储介质 |
CN110929934A (zh) * | 2019-11-22 | 2020-03-27 | 深圳市通用互联科技有限责任公司 | 设备故障预测方法、装置、计算机设备和存储介质 |
CN111060838A (zh) * | 2019-12-31 | 2020-04-24 | 中国人民解放军陆军军医大学第二附属医院 | 一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法 |
CN111105063A (zh) * | 2018-10-26 | 2020-05-05 | 北京国双科技有限公司 | 故障预测、模型构建方法、装置、处理器及可读存储介质 |
CN111914875A (zh) * | 2020-06-05 | 2020-11-10 | 华南理工大学 | 一种基于贝叶斯lstm模型的旋转机械的故障预警方法 |
CN112785016A (zh) * | 2021-02-20 | 2021-05-11 | 南京领行科技股份有限公司 | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 |
CN112884199A (zh) * | 2021-01-15 | 2021-06-01 | 华自科技股份有限公司 | 水电站设备故障预测方法、装置、计算机设备和存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7035770B2 (en) * | 2003-12-18 | 2006-04-25 | Taiwan Semiconductor Manufacturing Company, Ltd. | Fuzzy reasoning model for semiconductor process fault detection using wafer acceptance test data |
CN103942568B (zh) * | 2014-04-22 | 2017-04-05 | 浙江大学 | 一种基于无监督特征选择的分类方法 |
CN109034521B (zh) * | 2018-06-07 | 2021-11-16 | 国电南瑞科技股份有限公司 | 一种电网调度控制***的智能运维架构设计方法 |
CN111883228B (zh) * | 2020-07-28 | 2023-07-07 | 平安科技(深圳)有限公司 | 基于知识图谱的健康信息推荐方法、装置、设备及介质 |
CN111949886B (zh) * | 2020-08-28 | 2023-11-24 | 腾讯科技(深圳)有限公司 | 一种用于信息推荐的样本数据生成方法和相关装置 |
-
2021
- 2021-06-30 CN CN202110738714.2A patent/CN113359682B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106324406A (zh) * | 2016-09-21 | 2017-01-11 | 许继集团有限公司 | 一种变压器直流偏磁故障诊断方法及装置 |
CN111105063A (zh) * | 2018-10-26 | 2020-05-05 | 北京国双科技有限公司 | 故障预测、模型构建方法、装置、处理器及可读存储介质 |
CN109612730A (zh) * | 2018-12-29 | 2019-04-12 | 北京航天测控技术有限公司 | 一种基于预白化分析的滚动轴承故障定位方法 |
CN110469461A (zh) * | 2019-08-14 | 2019-11-19 | 树根互联技术有限公司 | 一种风机齿带的断裂预估方法、其装置及可读存储介质 |
CN110929934A (zh) * | 2019-11-22 | 2020-03-27 | 深圳市通用互联科技有限责任公司 | 设备故障预测方法、装置、计算机设备和存储介质 |
CN111060838A (zh) * | 2019-12-31 | 2020-04-24 | 中国人民解放军陆军军医大学第二附属医院 | 一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法 |
CN111914875A (zh) * | 2020-06-05 | 2020-11-10 | 华南理工大学 | 一种基于贝叶斯lstm模型的旋转机械的故障预警方法 |
CN112884199A (zh) * | 2021-01-15 | 2021-06-01 | 华自科技股份有限公司 | 水电站设备故障预测方法、装置、计算机设备和存储介质 |
CN112785016A (zh) * | 2021-02-20 | 2021-05-11 | 南京领行科技股份有限公司 | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 |
Non-Patent Citations (1)
Title |
---|
唐明珠等.基于梯度提升决策树的风电机组齿轮箱故障检测.《湖南电力》.2019,(第06期), * |
Also Published As
Publication number | Publication date |
---|---|
CN113359682A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113359682B (zh) | 设备故障预测方法、装置、设备故障预测平台及介质 | |
EP3902992B1 (en) | Scalable system and engine for forecasting wind turbine failure | |
EP2905665B1 (en) | Information processing apparatus, diagnosis method, and program | |
EP3413154B1 (en) | Equipment diagnostic device, equipment diagnostic method, and equipment diagnostic program | |
EP2759938B1 (en) | Operations management device, operations management method, and program | |
US10852357B2 (en) | System and method for UPS battery monitoring and data analysis | |
EP3183622B1 (en) | Population-based learning with deep belief networks | |
RU2649542C1 (ru) | Способ и система удаленного мониторинга объектов | |
CN112083244B (zh) | 综合化航空电子设备故障智能诊断*** | |
US20210232104A1 (en) | Method and system for identifying and forecasting the development of faults in equipment | |
JP2000259223A (ja) | プラント監視装置 | |
CN110852509A (zh) | Igbt模块的故障预测方法、装置及存储介质 | |
CN112396250B (zh) | 一种柴油机故障预测方法、装置、设备及存储介质 | |
Qiu et al. | Remaining useful life estimation for rolling bearing with SIOS-based indicator and particle filtering | |
CN111664083A (zh) | 一种基于贝叶斯网络的核电主泵故障诊断方法 | |
da Silva Arantes et al. | A novel unsupervised method for anomaly detection in time series based on statistical features for industrial predictive maintenance | |
WO2023072724A1 (en) | System, apparatus and method for monitoring condition of an asset in technical installation | |
CN113948159B (zh) | 一种变压器的故障检测方法、装置及设备 | |
CN115600695B (zh) | 一种计量设备的故障诊断方法 | |
JP7062505B2 (ja) | 設備管理支援システム | |
US11339763B2 (en) | Method for windmill farm monitoring | |
de León Hijes et al. | Assessment of functional condition of equipment in industrial plants based on multiple measurements | |
Vicêncio et al. | An intelligent predictive maintenance approach based on end-of-line test logfiles in the automotive industry | |
Randrianandraina et al. | Wind turbine generator bearing anomaly detection and explanation using rrcf approach | |
Suzuki et al. | An anomaly detection system for advanced maintenance services |
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 |