CN113377595B - 故障诊断方法、装置、电子设备和存储介质 - Google Patents
故障诊断方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113377595B CN113377595B CN202110653856.9A CN202110653856A CN113377595B CN 113377595 B CN113377595 B CN 113377595B CN 202110653856 A CN202110653856 A CN 202110653856A CN 113377595 B CN113377595 B CN 113377595B
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- state information
- fault
- time
- software
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 216
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000001788 irregular Effects 0.000 claims abstract description 9
- 230000007704 transition Effects 0.000 claims description 67
- 239000011159 matrix material Substances 0.000 claims description 52
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000037408 Device failure Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Classifications
-
- 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
- G06F11/261—Functional testing by simulating additional hardware, e.g. fault simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明提供一种故障诊断方法、装置、电子设备和存储介质,方法包括:获取目标***中当前时间下各电子器件的状态信息;将当前时间下所有电子器件的状态信息输入至故障诊断模型中,得到故障诊断模型输出的故障诊断结果,故障诊断结果包括目标时间下所有电子器件的预估故障信息,当前时间与目标时间之间的时间间隔是可调的;故障诊断模型是在连续贝叶斯模型的基础上,应用目标***中各电子器件的样本状态信息训练得到的。本发明提供的方法、装置、电子设备和存储介质,建模阶段无需选取时间间隔,可以应用不规则时间序列的样本学习;在推理阶段,故障诊断预估的延迟时间可以不断增长变化,有效提高了故障诊断在时间层面上的灵活性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种故障诊断方法、装置、电子设备和存储介质。
背景技术
现代工业复杂***通常是在多个电子器件的控制下运行的。而这些电子器件,极可能随着时间推移发生故障,影响复杂***的性能乃至运行。因此,针对复杂***的电子器件故障诊断受到了相关人员的广泛关注。
目前多采用离散贝叶斯模型针对电子器件故障诊断进行建模。具体在采用离散贝叶斯模型进行建模时,需要对时间进行离散化,即选择一个最适合样本数据的时间间隔。
然而时间间隔的选取,一方面会导致样本数据中大量信息的丢失,影响故障诊断的可靠性,另一方面也会导致由此建模所得的故障诊断模型,在推理过程中故障发生的时间点受限于选取的时间间隔,而无法实现任意时间点或者任意时间段的故障诊断,直接影响了故障诊断的灵活性
发明内容
本发明提供一种故障诊断方法、装置、电子设备和存储介质,用以解决现有故障诊断问题。
本发明提供一种故障诊断方法,包括:
获取目标***中当前时间下各电子器件的状态信息;
将所述当前时间下所有电子器件的状态信息输入至故障诊断模型中,得到所述故障诊断模型输出的故障诊断结果,所述故障诊断结果包括目标时间下所有电子器件的预估故障信息,所述当前时间与所述目标时间之间的时间间隔是可调的;
所述故障诊断模型是在连续贝叶斯模型的基础上,应用所述目标***中各电子器件的样本状态信息训练得到的。
根据本发明提供的一种故障诊断方法,所述将所述当前时间下所有电子器件的状态信息输入至故障诊断模型中,得到所述故障诊断模型输出的故障诊断结果,包括:
将所述当前时间下所有电子器件的状态信息,以及目标时长输入至所述故障诊断模型中,得到所述故障诊断模型输出的所述目标时间下所有电子器件的预估故障信息;
所述目标时长是所述当前时间与所述目标时间之间的时间间隔。
根据本发明提供的一种故障诊断方法,所述状态信息包括硬件状态信息和/或软件状态信息;
所述预估故障信息包括预估硬件故障信息和/或预估软件故障信息。
根据本发明提供的一种故障诊断方法,所述硬件状态信息包括对应电子器件的当前硬件故障状态,或包括对应电子器件的当前硬件故障状态和历史硬件故障次数;
所述软件状态信息包括对应电子器件的当前软件故障状态,或包括对应电子器件的当前软件故障状态和历史软件故障次数。
根据本发明提供的一种故障诊断方法,所述故障诊断模型中包括联合状态转移矩阵,所述联合状态转移矩阵表示各种联合状态发生变化的状态转移速度,所述联合状态为各种状态信息的组合。
根据本发明提供的一种故障诊断方法,所述联合状态转移矩阵是基于各种状态信息的状态转移矩阵确定的。
根据本发明提供的一种故障诊断方法,所述将所述当前时间下所有电子器件的状态信息输入至故障诊断模型中,得到所述故障诊断模型输出的故障诊断结果,包括:
将当前时间下所有电子器件的状态信息输入至故障诊断模型中,由所述故障诊断模型基于当前时间下所有电子器件的状态信息确定当前联合概率分布,基于所述当前联合概率分布和所述联合状态转移矩阵进行故障诊断,得到所述故障诊断模型输出的故障诊断结果。
本发明还提供一种故障诊断装置,包括:
信息获取单元,用于获取目标***中当前时间下各电子器件的状态信息;
故障诊断单元,用于将所述当前时间下所有电子器件的状态信息输入至故障诊断模型中,得到所述故障诊断模型输出的故障诊断结果,所述故障诊断结果包括目标时间下所有电子器件的预估故障信息,所述当前时间与所述目标时间之间的时间间隔是可调的;
所述故障诊断模型是在连续贝叶斯模型的基础上,应用所述目标***中各电子器件的样本状态信息训练得到的。
本发明还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一种所述故障诊断方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述故障诊断方法的步骤。
本发明提供的故障诊断方法、装置、电子设备和存储介质,应用基于连续贝叶斯模型构建的故障诊断模型进行故障诊断,在建模阶段无需选取时间间隔,可以从不规则时间序列的样本中学习到故障诊断、推理的规律知识,能够有效提高故障诊断模型的可靠性;在推理阶段,可以支持实时故障诊断,且故障诊断预估的延迟时间可以不断增长变化,有效提高了故障诊断在时间层面上的灵活性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的故障诊断方法的流程示意图;
图2是本发明提供的故障诊断模型的结构示意图;
图3是本发明提供的故障诊断模型的简化结构示意图;
图4是本发明提供的故障诊断模型的简化结构示意图;
图5是本发明提供的故障诊断装置的结构示意图;
图6是本发明提供的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,下面将结合本发明中的附图,对本发明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,都属于本发明保护的范围。
目前的故障诊断建模依托于离散贝叶斯模型,需要将时间进行离散化,这对实际建模引入了很多不必要的挑战,例如如何选取适合的时间间隔,并且时间的离散化也限制了模型对于时间的表达能力。由此构建的故障诊断模型,不支持在任意时间点的故障诊断,也不支持在任意时间段的数据建模,并且不支持动态变化的失效率和维修率,无法给出一段时间的推理。
考虑到上述问题,本发明实施例提供了一种故障诊断方法。图1是本发明提供的故障诊断方法的流程示意图,如图1所示,该方法包括:
步骤110,获取目标***中当前时间下各电子器件的状态信息。
此处,目标***即需要进行故障诊断的复杂***,复杂***通常受到多个电子器件的控制。此处的电子器件可以是逻辑控制器、可编程的自动化控制器和工业电脑等。
针对于目标***,可以获取当前时间下目标***中各个电子器件的状态信息,以便于针对目标***进行故障诊断。此处,当前时间可以是实时采集各电子器件的状态信息的时间,也可以是指定的任意时间。状态信息是指对应电子器件的状态,可以是电子器件反映在硬件上的故障问题,例如是否存在故障,具体存在的故障是瞬间故障、间接故障还是永久性故障等,也可以是电子器件反映在软件上的症状状态,例如是否存在程序丢失、是否蓝屏等。
步骤120,将当前时间下所有电子器件的状态信息输入至故障诊断模型中,得到故障诊断模型输出的故障诊断结果,故障诊断结果包括目标时间下所有电子器件的预估故障信息,当前时间与所述目标时间之间的时间间隔是可调的;
故障诊断模型是在连续贝叶斯模型的基础上,应用目标***中各电子器件的样本状态信息训练得到的。
具体地,在进行故障诊断时,可以将步骤110中获取的所有电子器件的状态信息输入到预先训练好的故障诊断模型中,通过故障诊断模型对目标***进行故障诊断,从而得到当前时间之后一段时间内所有电子器件的预估故障信息,此处所指的一段时间是一个时间区间,其中包含了各个时间点的预估故障信息,包含目标时间的预估故障信息,当前时间与目标时间之间的时间间隔是可以随意调整的,例如可以在输入当前时间下所有电子器件的状态信息的同时,也将期望预估的目标时间一并输入到故障诊断模型中。
其中,故障诊断结果中包含的预估故障信息是针对每个电子器件而言的,预估故障信息反映对应电子器件在对应时间发生故障的概率,此处所指的故障可以是硬件上的故障,也可以是软件上的故障,本发明实施例对此不作具体限定。
此处,故障诊断模型是基于连续贝叶斯模型构建的,连续贝叶斯是基于概率论的可解释模型,能够很好地表达时间本身在***中的作用。基于连续贝叶斯构建的故障诊断模型在进行建模时,能够很好地支持不规则数据的建模,从而避免时间间隔选择带来的不必要工作,在进行推理时,可以支持任意时刻变量状态分布的推理,从而满足获取任意时间的推理情况的需求。
进一步地,在故障诊断模型的建模阶段,可以以连续贝叶斯模型作为初始模型,基于目标***中各电子器件的样本状态信息对初始模型进行训练,以实现模型的参数调整。此处,连续贝叶斯模型的结构选取,可以参考专家意见和实际应用情况,例如可以考虑将朴素贝叶斯模型作为初始模型结构。由于连续贝叶斯模型本身可以支持不规则数据的建模,因而无需进行时间间隔的选取设置,针对于预先收集的目标***中各电子器件的样本状态信息,也无需根据时间间隔再行离散化处理样本,因此可以直接应用不规则的样本数据,避免了样本数据的信息丢失,有助于提高由此建模得到的故障诊断模型的可靠性。
在故障诊断模型的推理阶段,可以直接输入某一时刻下所有电子器件的状态信息,即可由故障诊断模型推理得到在某一时刻之后一段时间内的所有电子器件的预估故障信息,此处推理所得的故障诊断结果可以支持不断增长的延迟时间,即某一时刻之后的一段时间可以是不断增长的,并且通过推理一段时间内所有电子器件的预估故障信息,也可以直接估算出各电子器件下次发生故障的时间。
本发明实施例提供的方法,应用基于连续贝叶斯模型构建的故障诊断模型进行故障诊断,在建模阶段无需选取时间间隔,可以从不规则时间序列的样本中学习到故障诊断、推理的规律知识,能够有效提高故障诊断模型的可靠性;在推理阶段,可以支持实时故障诊断,且故障诊断预估的延迟时间可以不断增长变化,有效提高了故障诊断在时间层面上的灵活性。
基于上述实施例,步骤120包括:
将当前时间下所有电子器件的状态信息,以及目标时长输入至故障诊断模型中,得到故障诊断模型输出的目标时间下所有电子器件的预估故障信息,目标时长是当前时间与目标时间之间的时间间隔。
具体地,针对于故障诊断模型,其输入不仅包含当前时间下所有电子器件的状态信息,还包含了期望通过故障诊断模型得到的预估故障信息与当前时间之间的时间间隔的时长即目标时长,例如2小时、3小时或者12小时20分等。
故障诊断模型可以通过输入的当前时间下所有电子器件的状态信息,推理得到当前时间之后所有时间下各电子器件的预估故障信息。在此基础上,故障诊断模型根据输入的目标时长,推理得到以当前时间为起始点、经过目标时长之后的时间下各电子器件的预估故障信息,作为目标时间下所有电子器件的预估故障信息,在为用户提供更加有针对性的预估结果的同时,能够有效降低故障诊断模型不断向后推理所消耗的计算资源。
基于上述任一实施例,状态信息包括硬件状态信息和/或软件状态信息;
预估故障信息包括预估硬件故障信息和/或预估软件故障信息。
具体地,硬件状态信息反映的是对应电子器件在硬件上的故障情况,例如是否存在故障,具体存在的故障是瞬间故障、间接故障还是永久性故障等。软件状态信息反映的是对应电子器件在软件上的故障情况,例如是否存在程序丢失、是否蓝屏等。相应地,预估硬件故障信息可以理解为估计得到的硬件状态信息,预估软件故障信息可以理解为估计得到的软件状态信息。
基于连续贝叶斯的故障诊断模型可以实现软硬件状态结合的故障诊断,例如针对目标***中各电子器件的突发的硬件状态信息变更,推理在下一段时间后各电子器件的预估硬件故障信息和预估软件故障信息;又例如针对目标***中各电子器件的突发的软件状态信息变更,推理在下一段时间后各电子器件的预估硬件故障信息和预估软件故障信息。
基于上述任一实施例,故障诊断模型可以简化为如图2所示的模型架构,图2中以F1、F2、…、Fn表示各电子器件,比如能量源、通讯模块等,其中n是电子器件的总数。F1、F2、…、Fn的取值用于表征对应电子器件的硬件状态信息,例如没有故障、瞬间故障、间接故障、永久故障等。
S1、S2、…、Sm表示与电子器件相关的软件症状,例如程序丢失、蓝屏等,其中,m即软件症状的总数,n和m可以相等也可以不等。S1、S2、…、Sm的取值用于表征对应电子器件相关软件症状的状态信息,即对应电子器件的软件状态信息,例如零次、一次、多于两次等。
在进行模型推理时,在可以观察到软件状态信息St的情况下,电子器件Ft’发生故障的概率即模型返回的条件概率P(Ft’|St),其中t为当前时间,t’为目标时间。
基于上述任一实施例,故障诊断模型中包括联合状态转移矩阵,联合状态转移矩阵表示各种联合状态发生变化的状态转移速度,联合状态为各种状态信息的组合。
具体地,联合状态即各电子器件的各种状态信息的组合形式,各种各样的状态信息可以相互进行组合,从而构成各种各样的联合状态,例如可以将各种硬件状态信息与各种软件状态信息进行组合。
故障诊断模型中预先存储的联合状态转移矩阵,反映了不同联合状态之间相互转换的状态转移速度。在确定输入到故障诊断模型中的当前时间下的状态信息的基础上,即可以以当前时间下的状态信息作为基准,结合联合状态转移矩阵,分析随着时间的推移联合状态转移的概率,从而得到目标时间下的预估故障信息。
基于上述任一实施例,联合状态转移矩阵是基于各种状态信息的状态转移矩阵确定的。
以下以状态信息包括软件状态信息和硬件状态信息的情况为例,说明联合状态转移矩阵的构建思路:
针对故障诊断模型中的任意一个变量,均需要给出该变量的状态转移矩阵。针对于存在父节点的变量,则需要根据父节点的所有取值组合,给出每个组合情况下该变量的状态转移矩阵。
图3是本发明提供的故障诊断模型的简化结构示意图,如图3所示,电子器件的硬件状态信息F是与电子器件相关的软件状态信息S的父节点,而F本身不具备父节点。
由此,在针对F构建状态转移矩阵时,仅需要考虑F本身的情况。假设F表示CPU故障情况,取值为True(CPU故障)和False(CPU正常),则变量F的状态转移矩阵QF可以表示为如下形式:
矩阵QF中的值表示以当前行对应的状态值为条件,对应列的变量值为查询值的状态转移速度。例如,矩阵QF中第一行第二列的元素,表示的是当前CPU正常的情况下,预计下一次发生CPU故障的状态转移速度为2,相应地当前CPU正常下次发生CPU故障所需要的时间为1/2=0.5。此处,状态转移速度值越大,则离开当前状态转入下一状态的速度越快,所需的时间越短。
在针对S构建状态转移矩阵时,考虑到F是S的父节点,则需要针对F的不同状态分别建立S的状态转移矩阵。假设S表示软件***故障情况,取值为True(软件***故障)和False(软件***正常),则可以分别构建F=True和F=False情况下S的状态转移矩阵QS|F=True和QS|F=False:
矩阵QS|F=True和QS|F=False中的值表示以当前行对应的状态值为条件,对应列的变量值为查询值的状态转移速度。例如,矩阵QS|F=False中第一行第二列的元素,表示的是当前CPU正常且软件***正常的情况下,预计下一次发生软件***故障的状态转移速度为4,相应地当前CPU正常且软件***正常时下次发生CPU故障所需要的时间为1/4=0.25。此处,状态转移速度值越大,则离开当前状态转入下一状态的速度越快,所需的时间越短。
在得到变量F和S的状态转移矩阵之后,即可计算出相应的联合状态转移矩阵QFS,联合状态转移矩阵QFS的大小为变量S、F所有取值的组合数。联合状态转移矩阵QFS中的每个元素,均表示从对应行所指示的联合状态,转移到对应列所指示的联合状态的状态转移速度。此处的联合状态包括变量F的取值和S的取值,例如联合状态(False,False)表示CPU正常且软件***正常,联合状态(True,False)表示CPU故障且软件***正常。
联合状态转移矩阵QFS的构建,可以通过查询QF和QS|F得到。例如从联合状态(False,False)转换到联合状态(True,False),即需要获取S取值为False的情况下,F从False转移到True的速度,即从QF中查询得到值为2。
又例如针对两个状态都发生变化的情况,从联合状态(False,False)转换到联合状态(True,True),F和S都发生了变化,取值为0。
由此可以得到如下形式的联合状态转移矩阵QFS:
其中,对角线上的矩阵值可以设置为该行其他值求和的相反数。
基于上述任一实施例,步骤120包括:
将当前时间下所有电子器件的状态信息输入至故障诊断模型中,由故障诊断模型基于当前时间下所有电子器件的状态信息确定当前联合概率分布,基于所述当前联合概率分布和所述联合状态转移矩阵进行故障诊断,得到故障诊断模型输出的故障诊断结果。
具体地,在故障诊断过程中,可以根据输入的当前时间下所有电子器件的状态信息,对初始状态下各种联合状态的概率分布进行更新,从而得到当前时间各种联合状态的概率分布,即当前联合概率分布,在此基础上,当前联合概率分布和预先训练得到的联合状态转移矩阵,即可分析预估接下来联合概率分布的变化情况,从而得到目标时间下各种电子器件发生故障的概率,即得到故障诊断结果。
例如,假设在初始时刻t=0时,变量F、S的联合分布概率p0=[0.1,0.2,0.4,0.3],其中0.1、0.2、0.4和0.3分别对应(False,False)、(True,False)、(False,True)和(True,True)。
此时观察到CPU发生了故障,即F=True,因此相应的联合概率也需要更新,即将p0中F=False项的第一、三项的概率分布设置为0,并对更新后的联合概率分布进行归一化处理,获得结合了证据的新概率,即当前联合概率分布p0=[0,0.4,0,0.6]。
此后,即可进行故障查询,例如已知CPU在t=0发生了故障,计算t’=1.1时刻软件***发生故障的概率,由以下公式获得:
上式中得到的四个概率值分别对应于(False,False)、(True,False)、(False,True)和(True,True),在需要计算变量S=True的概率时,可以将其中S取值为True的第三、第四项相加,即可得到在t’=1.1时刻,软件***发生故障的概率为0.18+0.39=0.57。
基于上述任一实施例,硬件状态信息包括对应电子器件的当前硬件故障状态,或包括对应电子器件的当前硬件故障状态和历史硬件故障次数;
软件状态信息包括对应电子器件的当前软件故障状态,或包括对应电子器件的当前软件故障状态和历史软件故障次数。
具体地,针对于硬件状态信息,不仅可以反映当前时间的硬件故障状态,例如是否发生硬件故障,具体发生硬件故障的类型,还可以包括历史硬件故障次数,用于说明在当前时间之前是否发生过硬件故障,在当前时间之前发生过硬件故障的类型和次数。
在进行故障诊断时,不仅当前时间的硬件故障状态会被分析考虑,在当前时间之前的历史硬件故障次数同样会列入被诊断分析的状态。
相同地,针对于软件状态信息,不仅可以反映当前时间的软件故障状态,例如是否发生软件故障,具体发生软件故障的类型,还可以包括历史软件故障次数,用于说明在当前时间之前是否发生过软件故障,在当前时间之前发生过软件故障的类型和次数。
在进行故障诊断时,不仅当前时间的软件故障状态会被分析考虑,在当前时间之前的历史软件故障次数同样会列入被诊断分析的状态。
例如在图4中,为了在故障诊断中引入电子器件生命周期的计算,可以在已有变量F、S的基础上进一步引入隐变量H,并将H作为F的父节点。可以理解的是,在硬件已经发生过故障的情况下,下次再发生故障的概率很有可能大于硬件之前没发生过故障的情况下下次发生故障的概率。
在已知电子器件之前发生过1次故障的情况下,电子器件下次发生故障的概率可以表示为P(F2=True|F1=True),再已知电子器件之前发生过两次故障的情况下,电子器件下次发生故障的概率可以表示为P(F3=True|F1=True,F2=True),此处F1=True、F2=True、F3=True可分别表示在时间点1、2、3发生故障。
通过隐变量H的应用,使得硬件状态信息中的历史硬件故障次数,以及软件状态信息中的历史软件故障次数,均可以反映在故障诊断的当前联合概率分布中,从而影响最终故障诊断的结果。
下面对本发明提供的故障诊断装置进行描述,下文描述的故障诊断装置与上文描述的故障诊断方法可相互对应参照。
图5是本发明提供的故障诊断装置的结构示意图,如图5所示,该装置包括:
信息获取单元510,用于获取目标***中当前时间下各电子器件的状态信息;
故障诊断单元520,用于将所述当前时间下所有电子器件的状态信息输入至故障诊断模型中,得到所述故障诊断模型输出的故障诊断结果,所述故障诊断结果包括目标时间下所有电子器件的预估故障信息,所述当前时间与所述目标时间之间的时间间隔是可调的;
所述故障诊断模型是在连续贝叶斯模型的基础上,应用所述目标***中各电子器件的样本状态信息训练得到的。
本发明实施例提供的装置,应用基于连续贝叶斯模型构建的故障诊断模型进行故障诊断,在建模阶段无需选取时间间隔,可以从不规则时间序列的样本中学习到故障诊断、推理的规律知识,能够有效提高故障诊断模型的可靠性;在推理阶段,可以支持实时故障诊断,且故障诊断预估的延迟时间可以不断增长变化,有效提高了故障诊断在时间层面上的灵活性。
基于上述任一实施例,故障诊断单元520用于:
将所述当前时间下所有电子器件的状态信息,以及目标时长输入至所述故障诊断模型中,得到所述故障诊断模型输出的所述目标时间下所有电子器件的预估故障信息;
所述目标时长是所述当前时间与所述目标时间之间的时间间隔。
基于上述任一实施例,所述状态信息包括硬件状态信息和/或软件状态信息;
所述预估故障信息包括预估硬件故障信息和/或预估软件故障信息。
基于上述任一实施例,所述硬件状态信息包括对应电子器件的当前硬件故障状态,或包括对应电子器件的当前硬件故障状态和历史硬件故障次数;
所述软件状态信息包括对应电子器件的当前软件故障状态,或包括对应电子器件的当前软件故障状态和历史软件故障次数。
基于上述任一实施例,所述故障诊断模型中包括联合状态转移矩阵,所述联合状态转移矩阵表示各种联合状态发生变化的状态转移速度,所述联合状态为各种状态信息的组合。
基于上述任一实施例,所述联合状态转移矩阵是基于各种状态信息的状态转移矩阵确定的。
基于上述任一实施例,故障诊断单元520用于:
将当前时间下所有电子器件的状态信息输入至故障诊断模型中,由所述故障诊断模型基于当前时间下所有电子器件的状态信息确定当前联合概率分布,基于所述当前联合概率分布和所述联合状态转移矩阵进行故障诊断,得到所述故障诊断模型输出的故障诊断结果。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(Processor)610、通信接口(Communications Interface)620、存储器(Memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行故障诊断方法,该方法包括:获取目标***中当前时间下各电子器件的状态信息;将所述当前时间下所有电子器件的状态信息输入至故障诊断模型中,得到所述故障诊断模型输出的故障诊断结果,所述故障诊断结果包括目标时间下所有电子器件的预估故障信息,所述当前时间与所述目标时间之间的时间间隔是可调的;所述故障诊断模型是在连续贝叶斯模型的基础上,应用所述目标***中各电子器件的样本状态信息训练得到的。
此外,上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的故障诊断方法,该方法包括:获取目标***中当前时间下各电子器件的状态信息;将所述当前时间下所有电子器件的状态信息输入至故障诊断模型中,得到所述故障诊断模型输出的故障诊断结果,所述故障诊断结果包括目标时间下所有电子器件的预估故障信息,所述当前时间与所述目标时间之间的时间间隔是可调的;所述故障诊断模型是在连续贝叶斯模型的基础上,应用所述目标***中各电子器件的样本状态信息训练得到的。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的故障诊断方法,该方法包括:获取目标***中当前时间下各电子器件的状态信息;将所述当前时间下所有电子器件的状态信息输入至故障诊断模型中,得到所述故障诊断模型输出的故障诊断结果,所述故障诊断结果包括目标时间下所有电子器件的预估故障信息,所述当前时间与所述目标时间之间的时间间隔是可调的;所述故障诊断模型是在连续贝叶斯模型的基础上,应用所述目标***中各电子器件的样本状态信息训练得到的。
以上所描述的装置实施例仅仅是示意性的,其中所述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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (4)
1.一种故障诊断方法,其特征在于,包括:
获取目标***中当前时间下各电子器件的状态信息;
将所述当前时间下所有电子器件的状态信息输入至故障诊断模型中,得到所述故障诊断模型输出的故障诊断结果,所述故障诊断结果包括目标时间下所有电子器件的预估故障信息,所述当前时间与所述目标时间之间的时间间隔是可调的;
所述故障诊断模型是在连续贝叶斯模型的基础上,应用所述目标***中各电子器件的样本状态信息训练得到的,所述样本状态信息是不规则的,且未根据时间间隔进行离散化处理;所述将所述当前时间下所有电子器件的状态信息输入至故障诊断模型中,得到所述故障诊断模型输出的故障诊断结果,包括:
将所述当前时间下所有电子器件的状态信息,以及目标时长输入至所述故障诊断模型中,得到所述故障诊断模型输出的所述目标时间下所有电子器件的预估故障信息;
所述目标时长是所述当前时间与所述目标时间之间的时间间隔;
所述状态信息包括硬件状态信息和软件状态信息;
所述预估故障信息包括预估硬件故障信息和预估软件故障信息;
所述硬件状态信息包括对应电子器件的当前硬件故障状态和历史硬件故障次数;
所述软件状态信息包括对应电子器件的当前软件故障状态和历史软件故障次数;
所述故障诊断模型中包括联合状态转移矩阵,所述联合状态转移矩阵表示各种联合状态发生变化的状态转移速度,所述联合状态为各种状态信息的组合,所述联合状态转移矩阵是基于各种状态信息的状态转移矩阵确定的,其中所述各种状态信息的状态转移矩阵包括所述硬件状态信息的状态转移矩阵,以及针对所述硬件状态信息的不同状态分别建立的软件状态信息的状态转移矩阵,所述硬件状态信息是与所述电子器件相关的所述软件状态信息的父节点,所述硬件状态信息的状态包括CPU故障和CPU正常,所述软件状态信息的状态包括软件***故障和软件***正常;
所述将所述当前时间下所有电子器件的状态信息输入至故障诊断模型中,得到所述故障诊断模型输出的故障诊断结果,包括:
将当前时间下所有电子器件的状态信息输入至故障诊断模型中,由所述故障诊断模型基于当前时间下所有电子器件的状态信息确定当前联合概率分布,基于所述当前联合概率分布和所述联合状态转移矩阵进行故障诊断,得到所述故障诊断模型输出的故障诊断结果。
2.一种故障诊断装置,其特征在于,包括:
信息获取单元,用于获取目标***中当前时间下各电子器件的状态信息;
故障诊断单元,用于将所述当前时间下所有电子器件的状态信息输入至故障诊断模型中,得到所述故障诊断模型输出的故障诊断结果,所述故障诊断结果包括目标时间下所有电子器件的预估故障信息,所述当前时间与所述目标时间之间的时间间隔是可调的;
所述故障诊断模型是在连续贝叶斯模型的基础上,应用所述目标***中各电子器件的样本状态信息训练得到的,所述样本状态信息是不规则的,且未根据时间间隔进行离散化处理;
所述故障诊断单元,还用于:
将所述当前时间下所有电子器件的状态信息,以及目标时长输入至所述故障诊断模型中,得到所述故障诊断模型输出的所述目标时间下所有电子器件的预估故障信息;
所述目标时长是所述当前时间与所述目标时间之间的时间间隔;
所述状态信息包括硬件状态信息和软件状态信息;
所述预估故障信息包括预估硬件故障信息和预估软件故障信息;
所述硬件状态信息包括对应电子器件的当前硬件故障状态和历史硬件故障次数;
所述软件状态信息包括对应电子器件的当前软件故障状态和历史软件故障次数;
所述故障诊断模型中包括联合状态转移矩阵,所述联合状态转移矩阵表示各种联合状态发生变化的状态转移速度,所述联合状态为各种状态信息的组合,所述联合状态转移矩阵是基于各种状态信息的状态转移矩阵确定的,其中所述各种状态信息的状态转移矩阵包括所述硬件状态信息的状态转移矩阵,以及针对所述硬件状态信息的不同状态分别建立的软件状态信息的状态转移矩阵,所述硬件状态信息是与所述电子器件相关的所述软件状态信息的父节点,所述硬件状态信息的状态包括CPU故障和CPU正常,所述软件状态信息的状态包括软件***故障和软件***正常;
所述故障诊断单元具体用于:
将当前时间下所有电子器件的状态信息输入至故障诊断模型中,由所述故障诊断模型基于当前时间下所有电子器件的状态信息确定当前联合概率分布,基于所述当前联合概率分布和所述联合状态转移矩阵进行故障诊断,得到所述故障诊断模型输出的故障诊断结果。
3.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1所述故障诊断方法的步骤。
4.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1所述故障诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110653856.9A CN113377595B (zh) | 2021-06-11 | 2021-06-11 | 故障诊断方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110653856.9A CN113377595B (zh) | 2021-06-11 | 2021-06-11 | 故障诊断方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113377595A CN113377595A (zh) | 2021-09-10 |
CN113377595B true CN113377595B (zh) | 2023-06-23 |
Family
ID=77574026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110653856.9A Active CN113377595B (zh) | 2021-06-11 | 2021-06-11 | 故障诊断方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113377595B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116736027B (zh) * | 2023-08-16 | 2023-10-27 | 深圳市环阳通信息技术有限公司 | 用于医疗自助终端的设备故障预警*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111637045A (zh) * | 2020-05-09 | 2020-09-08 | 哈尔滨工程大学 | 一种海洋平台空气压缩机故障诊断方法 |
CN112379325A (zh) * | 2019-11-25 | 2021-02-19 | 国家电网公司 | 一种用于智能电表的故障诊断方法及*** |
CN112731098A (zh) * | 2020-12-03 | 2021-04-30 | 西安电子科技大学 | 一种射频低噪放电路故障诊断方法、***、介质及应用 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103246943B (zh) * | 2013-05-31 | 2015-04-15 | 吉林大学 | 基于马尔可夫链的汽车运行工况多尺度预测方法 |
CN107991870B (zh) * | 2017-12-05 | 2020-10-27 | 暨南大学 | 一种电扶梯设备的故障预警与寿命预测方法 |
CN109800995A (zh) * | 2019-01-30 | 2019-05-24 | 北京数介科技有限公司 | 一种电网设备故障识别方法及*** |
CN112906969B (zh) * | 2021-03-01 | 2024-06-14 | 盛景智能科技(嘉兴)有限公司 | 发动机故障预测方法、装置、电子设备及存储介质 |
-
2021
- 2021-06-11 CN CN202110653856.9A patent/CN113377595B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112379325A (zh) * | 2019-11-25 | 2021-02-19 | 国家电网公司 | 一种用于智能电表的故障诊断方法及*** |
CN111637045A (zh) * | 2020-05-09 | 2020-09-08 | 哈尔滨工程大学 | 一种海洋平台空气压缩机故障诊断方法 |
CN112731098A (zh) * | 2020-12-03 | 2021-04-30 | 西安电子科技大学 | 一种射频低噪放电路故障诊断方法、***、介质及应用 |
Also Published As
Publication number | Publication date |
---|---|
CN113377595A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7504163B2 (ja) | 異常予知装置、異常予知システム、異常予知方法及び異常予知プログラム | |
DE102016008987B4 (de) | Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt | |
KR102118670B1 (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
EP2477141B1 (en) | Processor node, artificial neural network and method of operation of an artificial neural network | |
WO2014173257A1 (zh) | 操作员状态评估的可靠性分析方法及装置 | |
JP2009053938A (ja) | 複数モデルに基づく設備診断システム及びその設備診断方法 | |
JP2018112903A (ja) | プラント運転支援装置、プラント運転支援方法、プラント運転支援プログラム及び記録媒体 | |
CN112989522B (zh) | 模型训练方法、故障预测方法、装置及电子设备 | |
CN110309537B (zh) | 一种飞行器的智能健康预测方法及*** | |
JP2013196698A (ja) | システム監視 | |
JP2018528511A (ja) | 生産システムにおける出力効率の最適化 | |
CN113377595B (zh) | 故障诊断方法、装置、电子设备和存储介质 | |
CN114647525A (zh) | 诊断方法、装置、终端及存储介质 | |
JP6880560B2 (ja) | 故障予測装置、故障予測方法及び故障予測プログラム | |
US20210312284A1 (en) | System and method for validation and correction of real-time sensor data for a plant using existing data-based models of the same plant | |
JP6967099B2 (ja) | 学習モデル作成システム及び学習モデル作成方法 | |
Perreault et al. | Deriving prognostic continuous time Bayesian networks from D-matrices | |
US20240160165A1 (en) | Method and System for Predicting Operation of a Technical Installation | |
JP6963475B2 (ja) | 稼働モニタリング装置及びプログラム | |
CN116049642A (zh) | 一种故障诊断方法、***、电子设备及计算机存储介质 | |
EP3035251A2 (en) | Markov chain generation apparatus | |
EP4099623A1 (en) | A system and method for feature selection recommendation | |
CN117387925B (zh) | 一种阻尼器性能连续测试方法及*** | |
US20240134736A1 (en) | Anomaly detection using metric time series and event sequences for medical decision making | |
CN109474445B (zh) | 一种分布式***根源故障定位方法及装置 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 201114 room 1302, 13 / F, building 16, 2388 Chenhang Road, Minhang District, Shanghai Patentee after: Shanghai Bi Ren Technology Co.,Ltd. Country or region after: China Address before: 201114 room 1302, 13 / F, building 16, 2388 Chenhang Road, Minhang District, Shanghai Patentee before: Shanghai Bilin Intelligent Technology Co.,Ltd. Country or region before: China |