CN113807211A - 设备运行状态预警方法、计算机设备及存储介质 - Google Patents
设备运行状态预警方法、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113807211A CN113807211A CN202111010049.1A CN202111010049A CN113807211A CN 113807211 A CN113807211 A CN 113807211A CN 202111010049 A CN202111010049 A CN 202111010049A CN 113807211 A CN113807211 A CN 113807211A
- Authority
- CN
- China
- Prior art keywords
- characteristic data
- sample
- data
- control line
- early warning
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 230000004044 response Effects 0.000 claims abstract description 25
- 238000010586 diagram Methods 0.000 claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 238000007619 statistical method Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000009499 grossing Methods 0.000 claims description 45
- 238000009826 distribution Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000010248 power generation Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
Abstract
本申请涉及一种设备运行状态预警方法、计算机设备及存储介质,其方法包括实时获取目标设备的振动响应数据,对所述振动响应数据预处理后,得到振动特征数据;基于实时得到的振动特征数据构建样本集,对所述样本集统计分析,并计算得到T2控制图的控制线;根据所述振动特征数据和预设的预测模型,预测在预设未来期间内的目标特征数据;基于T2控制图的控制线绘制实时T2控制图,根据所述实时T2控制图,判断预测的目标特征数据是否异常,若是,则触发警报以通知用户。本申请能够提高对目标设备的监测效率和准确性。
Description
技术领域
本申请涉及设备监测技术领域,尤其是涉及一种设备运行状态预警方法、计算机设备及存储介质。
背景技术
近年来,随着科学技术的进步和大众对环保意识的提升,人们逐渐开始从火力发电转向为风力发电。为了提高生产效率,风力发电设备需不断提高效益,这便使得风力发电设备的结构日趋复杂。在工作过程中风力发电设备会经历正常-退化-最终失效三个阶段,其可用性、安全性和可靠性在不同程度上影响着风力发电设备的发电效率。因此,对风力发电设备的运行状态进行实时监测和故障报警,对于国家降低维护成本和生产损失、提高生产效益具有重要意义。由于风电场多建于远离城市的偏远地区或近海区域,交通不便,再加上风力发电机组又处于高空,对其维护显得更加困难,常规人工巡检方式存在检测成本高,检测故障不及时,漏检故障比例高等问题。
发明内容
有鉴于此,本申请提供一种设备运行状态预警方法、计算机设备及存储介质,用以解决现有风力发电设备故障监测不及时的技术问题。
为了解决上述问题,第一方面,本申请提供一种设备运行状态预警方法,所述方法包括:
实时获取目标设备的振动响应数据,对所述振动响应数据预处理后,得到振动特征数据;
基于实时得到的振动特征数据构建样本集,对所述样本集统计分析,并计算得到T2控制图的控制线;
根据所述振动特征数据和预设的预测模型,预测在预设未来期间内的目标特征数据;
基于T2控制图的控制线绘制实时T2控制图,根据所述实时T2控制图,判断预测的目标特征数据是否异常,若是,则触发警报以通知用户。
可选的,所述振动特征数据以目标设备的物理结构参数表征;所述样本集包括若干批样本数据,每批样本数据包括若干样本子集,每个样本子集包括若干个变量,每个变量表示目标设备对应监测位置的振动特征数据;则对所述样本集统计分析,并计算得到T2控制图的控制线,包括:
基于所述样本集,统计第k批样本数据中第j个变量的均值和样本方差,并统计第k个样本集中第j个变量和第h个变量之间的协方差,其中,k=1,2,...,m,m表示所述若干批样本数据的批次数,j=1,2,...,p,j≠h,p表示每个样本子集中多元变量的个数;
对每个变量在若干批样本数据中的均值、样本方差、协方差分别求平均,以获取每个变量的平均特征数据,并计算每批样本数据的T2统计量;
根据每批样本数据的T2统计量在χ2卡方分布模型上的分布规律,确定T2控制图的控制线。
可选的,所述计算每批样本数据的T2统计量,具体如下:
式中,n表示每批样本数据包含的样本子集个数;是一个p×1的向量,表示每批样本数据中每个变量在对应所有样本子集中的均值;p表示每个样本子集中多元变量的个数;的向量元素为 表示第j个变量的均值在所有若干批样本数据中的平均值;S表示样本协方差矩阵的p×p个均值,表示S样本协方差矩阵的对角元素,表示S样本协方差矩阵的非对角元素。
可选的,所述T2控制图的控制线包括上控制线和下控制线;
根据每批样本数据的T2统计量在χ2卡方分布模型上的分布规律,确定T2控制图的上控制线对应的阈值:
LCL=0
式中,UCL表示T2控制图的上控制线对应的阈值,β表示分布自由度,α表示分位数;LCL表示T2控制图的下控制线对应的阈值。
可选的,在根据所述振动特征数据和预设的预测模型,预测在预设未来期间内的目标特征数据中,所述预测模型包括一次指数平滑模型、二次指数平滑模型。
可选的,根据所述振动特征数据和预设的预测模型,预测在预设未来期间内的目标特征数据,包括:
根据时间序列中第t-1期的实际振动特征数据,基于一次指数平滑算法,计算第t期的预测振动特征数据并作为第t期的一次指数平滑值;
根据时间序列中第t期的一次指数平滑值,基于二次指数平滑算法,计算第t期的二次指数平滑值;
根据时间序列中第t期的一次指数平滑值和二次指数平滑值,预测计算预设未来期间内的目标特征数据,涉及公式如下:
Yt+T=at+bt·T
可选的,所述基于T2控制图的控制线,判断预测的目标特征数据是否异常,包括:
基于T2控制图的上控制线对应的阈值和下控制线对应的阈值,绘制实时T2控制图;
将实际T2控制图的上控制线和下控制线之间的区域以中心线,划分为两个等分区域,每个等分区域划分为三个等份子区域,分别从上控制线到下控制线依次为A+,B+,C+,C-,B-,A-六个等分子区域;
根据实际T2控制图以及划分的六个等分子区域,判断时间序列的目标特征数据是否符合预设的第一预警规则和/或第二预警规则,若是,则确定目标特征数据存在异常。
可选的,所述第一预警规则包括:
存在连续q个目标特征数据点落在实时T2控制图中心线一侧,其中q≥9;
和/或存在一目标特征数据点落在实时T2控制图的上控制线和下控制线之外;
和/或存在连续r个目标特征数据点递增或递减,其中,r≥6;
和/或存在连续u个目标特征数据点中相邻点交替上下,其中,u≥14;
所述第二预警规则包括:
存在连续w个目标特征数据点落在C+子区域和C-子区域以内,其中,w≥15;
和/或存在连续g个目标特征数据点中两点落在中心校同一侧的B+子区域以外或B-子区域以外,其中,g≥3;
和/或存在连续v个目标特征数据点中有四点落在C+子区域和C-子区域以外的子区域,其中,v≥5;
和/或存在连续z个目标特征数据点落在中心线两侧且无一点落在C+子区域或C-子区域内,其中,z≥8。
第二方面,本申请提供的一种计算机设备,采用如下的技术方案:
一种计算机设备,包括存储器、处理器以及存储在所述存储器中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所述设备运行状态预警方法的步骤。
第四方面,本申请提供的一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述设备运行状态预警方法的步骤。
采用上述实施例的有益效果是:通过获取目标设备的振动响应数据并进行预处理后,得到振动特征数据,基于振动特征数据构建样本集并进行统计分析,得到T2控制图的控制线,从而基于实时得到的控制线,绘制实时T2控制图,并利用振动特征数据和预测模型,预测在预设未来期间内的目标特征数据,从而利用实时T2控制图,判断预测的目标特征数据是否异常,并针对异常情况,触发警报通知用户,从而提高了对目标设备的监测效率和准确性。
附图说明
图1为本申请提供的设备运行状态预警***的应用场景示意图;
图2为本申请提供的设备运行状态预警方法一实施例的方法流程图;
图3为本申请提供的设备运行状态预警方法步骤S202一实施例的方法流程图;
图4为本申请提供的设备运行状态预警方法步骤S203一实施例的方法流程图;
图5为本申请提供的设备运行状态预警方法步骤S204一实施例的方法流程图;
图6为本申请提供的实时T2控制图一实施例的示意图;
图7为本申请提供的设备运行状态预警***一实施例的原理框图;
图8为本申请提供的计算机设备一实施例的原理框图。
具体实施方式
下面结合附图来具体描述本申请的优选实施例,其中,附图构成本申请一部分,并与本申请的实施例一起用于阐释本申请的原理,并非用于限定本申请的范围。
在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请提供了一种设备运行状态预警方法、计算机设备及存储介质,以下分别进行详细说明。
图1为本申请实施例所提供的设备运行状态预警***的场景示意图,该***可以包括服务器100,服务器100中集成有设备运行状态预警***,如图1中的服务器。
本申请实施例中服务器100主要用于:
实时获取目标设备的振动响应数据,对振动响应数据预处理后,得到振动特征数据;
基于实时得到的振动特征数据构建样本集,对样本集统计分析,并计算得到T2控制图的控制线;
根据振动特征数据和预设的预测模型,预测在预设未来期间内的目标特征数据;
基于T2控制图的控制线绘制实时T2控制图,根据实时T2控制图,判断预测的目标特征数据是否异常,若是,则触发警报以通知用户。
本申请实施例中,该服务器100可以是独立的服务器,也可以是服务器组成的服务器网络或服务器集群,例如,本申请实施例中所描述的服务器100,其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中,云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器构成。
可以理解的是,本申请实施例中所使用的终端200可以是既包括接收和发射硬件的设备,即具有能够在双向通信链路上,执行双向通信的接收和发射硬件的设备。这种设备可以包括:蜂窝或其他通信设备,其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。具体的终端200可以是台式机、便携式电脑、网络服务器、掌上电脑(Personal Digital Assistant,PDA)、移动手机、平板电脑、无线终端设备、通信设备、嵌入式设备等,本实施例不限定终端200的类型。
本领域技术人员可以理解,图1中示出的应用环境,仅仅是与本申请方案一种应用场景,并不构成对本申请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终端,例如图1中仅示出2个终端,可以理解的,该设备运行状态预警***还可以包括一个或多个其他终端,具体此处不作限定。
另外,参照图1所示,该设备运行状态预警***还可以包括存储器200,用于存储数据,如振动响应数据、振动特征数据等。
需要说明的是,图1所示的设备运行状态预警***的场景示意图仅仅是一个示例,本申请实施例描述的设备运行状态预警***以及场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着设备运行状态预警***的演变和新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
参照图2为本申请提供的设备运行状态预警方法一种实施例的方法流程图,该设备运行状态预警方法,包括下述步骤:
S201、实时获取目标设备的振动响应数据,对振动响应数据预处理后,得到振动特征数据;
S202、基于实时得到的振动特征数据构建样本集,对样本集统计分析,并计算得到T2控制图的控制线;
S203、根据振动特征数据和预设的预测模型,预测在预设未来期间内的目标特征数据;
S204、基于T2控制图的控制线绘制实时T2控制图,根据实时T2控制图,判断预测的目标特征数据是否异常,若是,则触发警报以通知用户。
本实施例通过获取目标设备的振动响应数据并进行预处理后,得到振动特征数据,基于振动特征数据构建样本集并进行统计分析,得到T2控制图的控制线,从而基于实时得到的控制线,绘制实时T2控制图,并利用振动特征数据和预测模型,预测在预设未来期间内的目标特征数据,从而利用实时T2控制图,判断预测的目标特征数据是否异常,并针对异常情况,触发警报通知用户,从而提高对目标设备的监测效率和准确性。
在本实施例的风力发电设备健康监测场景中,目标设备可以指风力发电设备,在目标设备的一些监测点布设多组振动传感器,在一些具体的实施例中,在风力发电设备的叶片与轮毂连接处的螺栓和叶片上安装多组振动传感器。需要说明的是,在其他实施例的健康监测场景中,目标设备也可以指其他需要进行健康监测的工业设备,布设传感器的位置和数量可以根据实际情况确定。
在本实施例中,振动响应数据包括振动频率、模态;振动特征数据以目标设备的物理结构参数表征,在一具体的实施例中,振动特征数据可以指风力发电设备监测点的刚度变化信息,在其他具体的实施例中,振动特征数据也可以指风力发电设备监测点的阻尼比变化信息;在本实施例中,采用传统的方法将振动响应数据处理为振动特征数据,可以利用刚度变化信息或阻尼变化信息反映目标设备对应监测点的失效信息。
在一实施例中,步骤S202中,基于实时获取的振动特征数据构建样本集,该样本集包括若干批样本数据,每批样本数据包括若干样本子集,每个样本子集包括若干个变量,每个变量表示目标设备对应监测位置的振动特征数据。
在本实施例中,为提升监测效率,每个样本子集包括两个变量;对于单变量控制图来说,出现预测错误的概率是0.0027,但采用两个单变量控制图时,出现预测错误的概率是0.0027的二次方,有效降低预测误差;在其他实施例中,可以采用三个或四个等变量个数,随着监测位点的增多,应用多变量控制图预测则更加精确。
参照图3为本申请提供的步骤S202一种实施例的方法流程图,该步骤S202中,对样本集统计分析,并计算得到T2控制图的控制线,包括下述步骤:
S301、基于样本集,统计第k批样本数据中第j个变量的均值和样本方差,并统计第k个样本集中第j个变量和第h个变量之间的协方差,其中,k=1,2,...,m,m表示若干批样本数据的批次数,j=1,2,...,p,j≠h,p表示每个样本子集中多元变量的个数;
具体地,统计第k批样本数据中第j个变量的均值,具体为:
统计第k个样本集中第j个变量和第h个变量之间的样本方差,具体为:
统计第k个样本集中第j个变量和第h个变量之间的协方差,具体为:
上式中,xijk表示第k批样本数据中第i个样本子集中第j个变量的振动特征数据,i=1,2,...,n,n表示每批样本数据包含的样本子集个数。
S302、对每个变量在若干批样本数据中的均值、样本方差、协方差分别求平均,以获取每个变量的平均特征数据,并计算每批样本数据的T2统计量;
进一步地,计算每批样本数据的T2统计量,具体如下:
式中,n表示每批样本数据包含的样本子集个数;是一个p×1的向量,表示每批样本数据中每个变量在对应所有样本子集中的均值;p表示每个样本子集中多元变量的个数;的向量元素为 表示第j个变量的均值在所有若干批样本数据中的平均值;S表示样本协方差矩阵的p×p个均值,表示S样本协方差矩阵的对角元素,表示S样本协方差矩阵的非对角元素。
S303、根据每批样本数据的T2统计量在χ2卡方分布模型上的分布规律,确定T2控制图的控制线。
在一实施例中,T2控制图的控制线包括上控制线和下控制线;
根据每批样本数据的T2统计量在χ2卡方分布模型上的分布规律,确定T2控制图的上控制线对应的阈值:
LCL=0
式中,UCL表示T2控制图的上控制线对应的阈值,β表示分布自由度,α表示分位数;LCL表示T2控制图的下控制线对应的阈值。在本实施例中,α=0.99865。
在一实施例中,在步骤S204即根据振动特征数据和预设的预测模型,预测在预设未来期间内的目标特征数据中,预测模型包括一次指数平滑模型、二次指数平滑模型。
在一实施例中,参照图4为本申请提供的步骤S203一种实施例的方法流程图,该步骤S203即根据振动特征数据和预设的预测模型,预测在预设未来期间内的目标特征数据,包括下述步骤:
S401、根据时间序列中第t-1期的实际振动特征数据,基于一次指数平滑算法,计算第t期的预测振动特征数据并作为第t期的一次指数平滑值,具体如下:
Ft=v·xt-1+(1-v)Ft-1
其中,v表示平滑系数,0<v<1,xt-1表示在t-1时刻的实际振动特征数据;Ft表示在t时刻的一次指数平滑值,即t-1时刻的下一期的预测值。
S402、根据时间序列中第t期的一次指数平滑值,基于二次指数平滑算法,计算第t期的二次指数平滑值,具体如下:
在本实施例中,通过在一次平滑指数的基础上再作一次指数平滑,即二次平滑,从而减少模型内在滞后性带来的预测误差影响,提高模型的预测精度;此外,通过使用二次平滑处理,可以有效进行短期预测,并且一般只需较少的振动特征数据就可以连续使用,并且能够自动调整异常数据。
S403、根据时间序列中第t期的一次指数平滑值和二次指数平滑值,预测计算预设未来期间内的目标特征数据,涉及公式如下:
Yt+T=at+bt·T
在本实施例中,平滑系数v取值范围为0.1-0.3,有利于反映出长期预测趋势。
在一实施例中,参照图5为本申请提供的步骤S204一种实施例的方法流程图,并参照图6,该步骤S204即基于T2控制图的控制线,判断预测的目标特征数据是否异常,包括下述步骤:
S501、基于T2控制图的上控制线对应的阈值和下控制线对应的阈值,绘制实际T2控制图;
S502、将实际T2控制图的上控制线和下控制线之间的区域以中心线,划分为两个等分区域,每个等分区域划分为三个等份子区域,分别从上控制线到下控制线依次为A+,B+,C+,C-,B-,A-六个等分子区域;如图6所示,中心线CL与下控制线LCL之间纵向差值为3σ,上控制线UCL与中心线CL之间纵向差值为3σ,σ为本实施例全部批样本数据的标准差;
S503、根据实际T2控制图以及划分的六个等分子区域,判断时间序列的目标特征数据是否符合预设的第一预警规则和/或第二预警规则,若是,则确定目标特征数据存在异常。
在一实施例中,步骤S503中第一预警规则包括如下:
存在连续q个目标特征数据点落在实际T2控制图中心线一侧,其中q≥9;在一具体的实施例中,q可以取9或10;
和/或存在一目标特征数据点落在实际T2控制图的上控制线和下控制线之外;
和/或存在连续r个目标特征数据点递增或递减,其中,r≥6;在一具体的实施例中,r可以取6或7;
和/或存在连续u个目标特征数据点中相邻点交替上下,其中,u≥14;在一具体的实施例中,u可以取14或15;
第二预警规则包括如下:
存在连续w个目标特征数据点落在C+子区域和C-子区域以内,其中,w≥15;在一具体的实施例中,w可以取15或16;
和/或存在连续g个目标特征数据点中两点落在中心校同一侧的B+子区域以外或B-子区域以外,其中,g≥3;在一具体的实施例中,w可以取3或4;
和/或存在连续v个目标特征数据点中有四点落在C+子区域和C-子区域以外的子区域,其中,v≥5;在一具体的实施例中,v可以取5或6;
和/或存在连续z个目标特征数据点落在中心线两侧且无一点落在C+子区域或C-子区域内,其中,z≥8;在一具体的实施例中,z可以取8或9。
需要说明的是,在其他实施例中,可以根据实际情况对第一/第二预警规则中各个连续阈值的取值进行确定。
本实施例通过获取目标设备的振动响应数据并进行预处理后,得到振动特征数据,基于振动特征数据构建样本集并进行统计分析,得到T2控制图的控制线,从而基于实时得到的控制线,绘制实时T2控制图,并利用振动特征数据和预测模型,预测在预设未来期间内的目标特征数据,从而利用实时T2控制图,判断预测的目标特征数据是否异常,并针对异常情况,触发警报通知用户,从而提高对目标设备的监测准确性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本实施例还提供一种设备运行状态预警***,该设备运行状态预警***与上述实施例中设备运行状态预警方法一一对应。如图7所示,该设备运行状态预警***包括数据获取模块701、统计分析模块702、预测模块703、预警判断模块704。各功能模块详细说明如下:
数据获取模块701,用于实时获取目标设备的振动响应数据,对振动响应数据预处理后,得到振动特征数据;
统计分析模块702,用于基于实时得到的振动特征数据构建样本集,对样本集统计分析,并计算得到T2控制图的控制线;
预测模块703,用于根据振动特征数据和预设的预测模型,预测在预设未来期间内的目标特征数据;
预警判断模块704,用于基于T2控制图的控制线绘制实时T2控制图,根据实时T2控制图,判断预测的目标特征数据是否异常,若是,则触发警报以通知用户。
关于设备运行状态预警***各个模块的具体限定可以参见上文中对于设备运行状态预警方法的限定,在此不再赘述。上述设备运行状态预警***中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
参照图8,本实施例还提供了一种计算机设备,该计算机设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该计算机设备包括处理器10、存储器20及显示器30。图8仅示出了计算机设备的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
存储器20在一些实施例中可以是计算机设备的内部存储单元,例如计算机设备的硬盘或内存。存储器20在另一些实施例中也可以是计算机设备的外部存储设备,例如计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器20还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器20用于存储安装于计算机设备的应用软件及各类数据,例如安装计算机设备的程序代码等。存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中,存储器20上存储有计算机程序40。
处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行存储器20中存储的程序代码或处理数据,例如执行设备运行状态预警方法等。
显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。显示器30用于显示在计算机设备的信息以及用于显示可视化的用户界面。计算机设备的部件10-30通过***总线相互通信。
在一实施例中,当处理器10执行存储器20中计算机程序40时实现以下步骤:
实时获取目标设备的振动响应数据,对振动响应数据预处理后,得到振动特征数据;
基于实时得到的振动特征数据构建样本集,对样本集统计分析,并计算得到T2控制图的控制线;
根据振动特征数据和预设的预测模型,预测在预设未来期间内的目标特征数据;
基于T2控制图的控制线绘制实时T2控制图,根据实时T2控制图,判断预测的目标特征数据是否异常,若是,则触发警报以通知用户。
本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,计算机程序被处理器执行时实现以下步骤:
实时获取目标设备的振动响应数据,对振动响应数据预处理后,得到振动特征数据;
基于实时得到的振动特征数据构建样本集,对样本集统计分析,并计算得到T2控制图的控制线;
根据振动特征数据和预设的预测模型,预测在预设未来期间内的目标特征数据;
基于T2控制图的控制线绘制实时T2控制图,根据实时T2控制图,判断预测的目标特征数据是否异常,若是,则触发警报以通知用户。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。
本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种设备运行状态预警方法,其特征在于,所述方法包括:
实时获取目标设备的振动响应数据,对所述振动响应数据预处理后,得到振动特征数据;
基于实时得到的振动特征数据构建样本集,对所述样本集统计分析,并计算得到T2控制图的控制线;
根据所述振动特征数据和预设的预测模型,预测在预设未来期间内的目标特征数据;
基于T2控制图的控制线绘制实时T2控制图,根据所述实时T2控制图,判断预测的目标特征数据是否异常,若是,则触发警报以通知用户。
2.根据权利要求1所述的设备运行状态预警方法,其特征在于,所述振动特征数据以目标设备的物理结构参数表征;所述样本集包括若干批样本数据,每批样本数据包括若干样本子集,每个样本子集包括若干个变量,每个变量表示目标设备对应监测位置的振动特征数据;则对所述样本集统计分析,并计算得到T2控制图的控制线,包括:
基于所述样本集,统计第k批样本数据中第j个变量的均值和样本方差,并统计第k个样本集中第j个变量和第h个变量之间的协方差,其中,k=1,2,...,m,m表示所述若干批样本数据的批次数,j=1,2,...,p,j≠h,p表示每个样本子集中多元变量的个数;
对每个变量在若干批样本数据中的均值、样本方差、协方差分别求平均,以获取每个变量的平均特征数据,并计算每批样本数据的T2统计量;
根据每批样本数据的T2统计量在χ2卡方分布模型上的分布规律,确定T2控制图的控制线。
5.根据权利要求2所述的设备运行状态预警方法,其特征在于,在根据所述振动特征数据和预设的预测模型,预测在预设未来期间内的目标特征数据中,所述预测模型包括一次指数平滑模型、二次指数平滑模型。
6.根据权利要求2所述的设备运行状态预警方法,其特征在于,根据所述振动特征数据和预设的预测模型,预测在预设未来期间内的目标特征数据,包括:
根据时间序列中第t-1期的实际振动特征数据,基于一次指数平滑算法,计算第t期的预测振动特征数据并作为第t期的一次指数平滑值;
根据时间序列中第t期的一次指数平滑值,基于二次指数平滑算法,计算第t期的二次指数平滑值;
根据时间序列中第t期的一次指数平滑值和二次指数平滑值,预测计算预设未来期间内的目标特征数据,涉及公式如下:
Yt+T=at+bt·T
7.根据权利要求4所述的设备运行状态预警方法,其特征在于,所述基于T2控制图的控制线,判断预测的目标特征数据是否异常,包括:
基于T2控制图的上控制线对应的阈值和下控制线对应的阈值,绘制实时T2控制图;
将实际T2控制图的上控制线和下控制线之间的区域以中心线,划分为两个等分区域,每个等分区域划分为三个等份子区域,分别从上控制线到下控制线依次为A+,B+,C+,C-,B-,A-六个等分子区域;
根据实际T2控制图以及划分的六个等分子区域,判断时间序列的目标特征数据是否符合预设的第一预警规则和/或第二预警规则,若是,则确定目标特征数据存在异常。
8.根据权利要求7所述的设备运行状态预警方法,其特征在于,所述第一预警规则包括:
存在连续q个目标特征数据点落在实时T2控制图中心线一侧,其中q≥9;
和/或存在一目标特征数据点落在实时T2控制图的上控制线和下控制线之外;
和/或存在连续r个目标特征数据点递增或递减,其中,r≥6;
和/或存在连续u个目标特征数据点中相邻点交替上下,其中,u≥14;
所述第二预警规则包括:
存在连续w个目标特征数据点落在C+子区域和C-子区域以内,其中,w≥15;
和/或存在连续g个目标特征数据点中两点落在中心校同一侧的B+子区域以外或B-子区域以外,其中,g≥3;
和/或存在连续v个目标特征数据点中有四点落在C+子区域和C-子区域以外的子区域,其中,v≥5;
和/或存在连续z个目标特征数据点落在中心线两侧且无一点落在C+子区域或C-子区域内,其中,z≥8。
9.一种计算机设备,其特征在于,包括存储器、处理器以及存储在所述存储器中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权利要求1至7任一项所述设备运行状态预警方法的步骤。
10.一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权利要求1至7任一项所述设备运行状态预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111010049.1A CN113807211A (zh) | 2021-08-31 | 2021-08-31 | 设备运行状态预警方法、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111010049.1A CN113807211A (zh) | 2021-08-31 | 2021-08-31 | 设备运行状态预警方法、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113807211A true CN113807211A (zh) | 2021-12-17 |
Family
ID=78942193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111010049.1A Pending CN113807211A (zh) | 2021-08-31 | 2021-08-31 | 设备运行状态预警方法、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807211A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116124398A (zh) * | 2023-02-08 | 2023-05-16 | 广州工程技术职业学院 | 旋转机械故障检测方法及装置、设备、存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825315A (zh) * | 2015-01-09 | 2016-08-03 | 国家电网公司 | 一种电能质量预警方法 |
CN108416386A (zh) * | 2018-03-08 | 2018-08-17 | 云南电网有限责任公司电力科学研究院 | 一种用于水电机组轴承温度异常判断的方法及*** |
CN109917213A (zh) * | 2019-04-09 | 2019-06-21 | 湘潭大学 | 一种基于降维融合与因子分析的接触网检测故障预警方法 |
CN112509292A (zh) * | 2020-12-15 | 2021-03-16 | 北京元心科技有限公司 | 故障预测方法、装置、电子设备及计算机可读存储介质 |
CN112767027A (zh) * | 2021-01-19 | 2021-05-07 | 杭州朗澈科技有限公司 | 一种基于业务感知的云成本预测方法和*** |
CN112884092A (zh) * | 2021-04-28 | 2021-06-01 | 深圳索信达数据技术有限公司 | Ai模型生成方法、电子设备及存储介质 |
-
2021
- 2021-08-31 CN CN202111010049.1A patent/CN113807211A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825315A (zh) * | 2015-01-09 | 2016-08-03 | 国家电网公司 | 一种电能质量预警方法 |
CN108416386A (zh) * | 2018-03-08 | 2018-08-17 | 云南电网有限责任公司电力科学研究院 | 一种用于水电机组轴承温度异常判断的方法及*** |
CN109917213A (zh) * | 2019-04-09 | 2019-06-21 | 湘潭大学 | 一种基于降维融合与因子分析的接触网检测故障预警方法 |
CN112509292A (zh) * | 2020-12-15 | 2021-03-16 | 北京元心科技有限公司 | 故障预测方法、装置、电子设备及计算机可读存储介质 |
CN112767027A (zh) * | 2021-01-19 | 2021-05-07 | 杭州朗澈科技有限公司 | 一种基于业务感知的云成本预测方法和*** |
CN112884092A (zh) * | 2021-04-28 | 2021-06-01 | 深圳索信达数据技术有限公司 | Ai模型生成方法、电子设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116124398A (zh) * | 2023-02-08 | 2023-05-16 | 广州工程技术职业学院 | 旋转机械故障检测方法及装置、设备、存储介质 |
CN116124398B (zh) * | 2023-02-08 | 2023-11-14 | 广州工程技术职业学院 | 旋转机械故障检测方法及装置、设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2021107642A4 (en) | Method, device, computer device and storage medium for detecting abnormal state of energy consumption | |
CN103261988B (zh) | 用于确定***情况的方法、计算机程序和计算机 | |
EP3869424A1 (en) | Equipment failure diagnosis support system and equipment failure diagnosis support method | |
CN110875851A (zh) | 地下电缆故障预警方法和装置 | |
CN116227363B (zh) | 一种传感分布优化的洪灾预警方法 | |
CN113807686A (zh) | 一种多目标海上应急资源调配方法及装置 | |
CN115237710A (zh) | 服务器温度预测方法、装置、计算机设备和存储介质 | |
CN112884199A (zh) | 水电站设备故障预测方法、装置、计算机设备和存储介质 | |
CN113807211A (zh) | 设备运行状态预警方法、计算机设备及存储介质 | |
CN112513883A (zh) | 异常检测方法和设备 | |
CN116418653A (zh) | 基于多指标根因定位算法的故障定位方法及装置 | |
CN110796272A (zh) | 垃圾满溢提醒方法及*** | |
CN115375039A (zh) | 一种工业设备故障预测方法、装置、电子设备及存储介质 | |
CN114257493A (zh) | 网络节点的故障预警方法、装置、介质及电子设备 | |
CN110995506B (zh) | 告警量异常的定位方法、装置、存储介质和计算机设备 | |
CN111190890B (zh) | 用户日用电量数据清洗方法、装置、设备和介质 | |
CN115774208A (zh) | 一种电池单元异常监测方法、装置、电子设备及介质 | |
CN114330875A (zh) | 环境信息确定方法、装置、电子设备及存储介质 | |
CN114399660A (zh) | 一种故障类型的确定方法、装置、电子设备及存储介质 | |
CN113824590A (zh) | 微服务网络的问题预测方法、计算机设备和存储介质 | |
CN115693962B (zh) | 一种变电站设备监测方法、装置、电子设备及介质 | |
Desnitsky et al. | Monitoring the state of materials in cyberphysical systems: water supply case study | |
CN116308303B (zh) | 基于设备数据的检修计划生成方法、装置、设备和介质 | |
CN117873838B (zh) | 一种电信设备环境温度监控方法及*** | |
CN116302661B (zh) | 一种异常预测方法、装置、电子设备及存储介质 |
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 |