CN114047735A - 一种多工业主机的故障检测方法、***和服务*** - Google Patents
一种多工业主机的故障检测方法、***和服务*** Download PDFInfo
- Publication number
- CN114047735A CN114047735A CN202210029690.8A CN202210029690A CN114047735A CN 114047735 A CN114047735 A CN 114047735A CN 202210029690 A CN202210029690 A CN 202210029690A CN 114047735 A CN114047735 A CN 114047735A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- fault detection
- preset
- industrial
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 68
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 57
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 abstract description 21
- 230000006870 function Effects 0.000 description 12
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000013480 data collection Methods 0.000 description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 239000012535 impurity Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- 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
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31356—Automatic fault detection and isolation
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种多工业主机的故障检测方法、***和服务***，涉及故障检测领域。该方法包括：根据预设数据采集点获取多个工业主机的运行数据，对所述运行数据进行预处理，获得第一特征数据，根据预设模型参数和训练后的故障检测模型对所述第一特征数据进行故障分析，根据分析结果调取对应的检修报告发送到终端，实现能够实时有效监测到现场多个工业主机的故障，并及时上传，实现自动化实时故障检测，且降低检测成本，方便维修人员能够及时对故障设备进行维修，保证终端设备的正常运行，为维修人员提供更好的使用感，不必受限于技术经验。
Description
技术领域
本发明涉及故障检测领域，尤其涉及一种多工业主机的故障检测方法、***和服务***。
背景技术
在故障检修方案，通过故障检测装置，将故障记录机设于工业现场，连接相应的设备检测其运行信息，将故障采集机设置于控制室中，并通过通信模块接收故障记录机采集到的故障信息，通过单片机控制单元对接收的数据信息进行处理监控，再通过工作人员人工定位到发生故障的设备，对故障设备进行检修，很依赖工作人员的技术经验，且在故障设备较多，故障原因较为繁杂时，工作人员无法详尽精确获得故障设备，延误检修时机，造成的危害不可估量。
发明内容
本发明所要解决的技术问题是针对现有技术的不足，提供一种多工业主机的故障检测方法、***和服务***。
本发明解决上述技术问题的技术方案如下：
一种多工业主机的故障检测方法，包括：
S1，根据预设数据采集点获取多个工业主机的运行数据；
S2，对所述运行数据进行预处理，获得第一特征数据；
S3，根据预设模型参数和训练后的故障检测模型对所述第一特征数据进行故障分析；
S4，根据分析结果调取对应的检修报告发送到终端。
本发明的有益效果是：本方案通过采集点获取多个工业主机的运行数据，对所述运行数据进行预处理，获得第一特征数据，根据预设模型参数和训练后的故障检测模型对所述第一特征数据进行故障分析，根据分析结果调取对应的检修报告发送到终端，实现能够实时有效监测到现场多个工业主机的故障，并及时上传。
本方案实现自动化实时故障检测，且降低检测成本，方便维修人员能够及时对故障设备进行维修，保证终端设备的正常运行，为工人提供更好的使用感。
进一步地，所述S1之前还包括：
在多个预设数据采集点中分别设置类型ID；
根据每个类型ID给对应预设数据采集点分配匹配的工业主机；
通过多个预设数据采集点采集，并发送包括类型ID的对应工业主机的运行数据；
其中，根据每个工业主机的运行数据获得每个类型ID。
采用上述进一步方案的有益效果是：本方案通过在多个预设数据采集点中设置的类型ID，能够给多个工业主机分配合适数据采集点，并能够对采集的数据进行初步划分，有效管理大量运行数据。
进一步地，还包括：
根据类型ID对获取的运行数据进行划分获得第一数据集；
根据已知故障数据库的故障数据集结合所述第一数据集构建训练数据集。
采用上述进一步方案的有益效果是：本方案通过类型ID优化样本数据能够更好的在训练数据集中包围训练参数，保持训练数据松紧适中，有益于提高模型训练精度。
进一步地，还包括：
通过一个生成器和两个识别器的神经网络结构构建故障检测模型；
根据多个预设模型参数结合所述训练数据集对所述故障检测模型进行训练获得训练后的故障检测模型；
其中，所述两个识别器分别为第一识别器和第二识别器；所述第一识别器包括一个深度置信网络。
采用上述进一步方案的有益效果是：本方案通过构建故障检测模型结合预设模型参数，来关联运行数据中的故障数据，并从运行数据中识别出故障数据。
进一步地，所述对所述运行数据进行预处理，获得第一特征数据具体包括：
对所述运行数据进行变量筛选，获得包括工业主机故障参数的运行参数；
对所述包括工业主机故障参数的运行参数进行格式转换；
对格式转换后的运行参数进行去重和去噪处理，获得第一特征数据。
采用上述进一步方案的有益效果是：本方案通过预处理，将运行数据中的杂质数据，无用重复数据都剔除掉，并筛选出包含故障参数的变量，以提高故障识别精度和准确率。
进一步地，还包括：根据类型ID获得预设模型参数。
本发明解决上述技术问题的另一种技术方案如下：
一种多工业主机的故障检测***，包括：数据获取模块、预处理模块、故障分析模块和调取模块；
所述数据获取模块用于根据预设数据采集点获取多个工业主机的运行数据；
所述预处理模块用于对所述运行数据进行预处理，获得第一特征数据；
所述故障分析模块用于根据预设模型参数和训练后的故障检测模型对所述第一特征数据进行故障分析；
所述调取模块用于根据分析结果调取对应的检修报告发送到终端。
本发明的有益效果是：本方案通过采集点获取多个工业主机的运行数据，对所述运行数据进行预处理，获得第一特征数据，根据预设模型参数和训练后的故障检测模型对所述第一特征数据进行故障分析，根据分析结果调取对应的检修报告发送到终端，实现能够实时有效监测到现场多个工业主机的故障，并及时上传。
本方案实现自动化实时故障检测，且降低检测成本，方便维修人员能够及时对故障设备进行维修，保证终端设备的正常运行，为工人提供更好的使用感。
进一步地，还包括：数据采集模块，用于在多个预设数据采集点中分别设置类型ID；
根据每个类型ID给对应预设数据采集点分配匹配的工业主机；
通过多个预设数据采集点采集，并发送包括类型ID的对应工业主机的运行数据；
其中，根据每个工业主机的运行数据获得每个类型ID。
采用上述进一步方案的有益效果是：本方案通过在多个预设数据采集点中设置的类型ID，能够给多个工业主机分配合适数据采集点，并能够对采集的数据进行初步划分，有效管理大量运行数据。
进一步地，还包括：训练数据构建模块，用于根据类型ID对获取的运行数据进行划分获得第一数据集；
根据已知故障数据库的故障数据集结合所述第一数据集构建训练数据集。
采用上述进一步方案的有益效果是：本方案通过类型ID优化样本数据能够更好的在训练数据集中包围训练参数，保持训练数据松紧适中，有益于提高模型训练精度。
进一步地，还包括：模型构建训练模块，用于通过一个生成器和两个识别器的神经网络结构构建故障检测模型；
根据多个预设模型参数结合所述训练数据集对所述故障检测模型进行训练获得训练后的故障检测模型；
其中，所述两个识别器分别为第一识别器和第二识别器；所述第一识别器包括一个深度置信网络。
采用上述进一步方案的有益效果是：本方案通过构建故障检测模型结合预设模型参数，来关联运行数据中的故障数据，并从运行数据中识别出故障数据。
进一步地，所述预处理模块具体用于对所述运行数据进行变量筛选，获得包括工业主机故障参数的运行参数；
对所述包括工业主机故障参数的运行参数进行格式转换；
对格式转换后的运行参数进行去重和去噪处理，获得第一特征数据。
采用上述进一步方案的有益效果是：本方案通过预处理，将运行数据中的杂质数据，无用重复数据都剔除掉，并删选出包含故障参数的变量，以提高故障识别精度和准确率。
进一步地，还包括：模型参数构建模块，用于根据类型ID获得预设模型参数。
本发明解决上述技术问题的另一种技术方案如下：
一种包括多工业主机的服务***，包括：采用上述任一方案所述的一种多工业主机的故障检测***。
本发明附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。
附图说明
图1为本发明的实施例提供的一种多工业主机的故障检测方法的流程示意图；
图2为本发明的实施例提供的一种多工业主机的故障检测***的结构框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实施例只用于解释本发明，并非用于限定本发明的范围。
如图1所示，为本发明实施例提供的一种多工业主机的故障检测方法，包括：
S1，根据预设数据采集点获取多个工业主机的运行数据；
需要说明得是，在某一实施例中，在多个预设数据采集点中分别设置类型ID；根据每个类型ID给对应预设数据采集点分配匹配的工业主机；通过多个预设数据采集点采集，并发送包括类型ID的对应工业主机的运行数据；其中，根据每个工业主机的运行数据获得每个类型ID。
在某一实施例中，多个预设数据采集点可以是设置在工业主机中具有远程通信和数据写入读出功能的模块，例如4G/5G/wifi+可供读写的存储单元，实现工业主机运行的数据的存储和发送。需要说明的是，不同类型的工业主机，通过类型ID进行区别，根据类型ID分配对应的数据采集点，例如，A类工业主机、B类工业主机，分别分配A类数据采集点、B类数据采集点。
S2，对所述运行数据进行预处理，获得第一特征数据；
需要说明得是，在某一实施例中，对所述运行数据进行变量筛选，获得包括工业主机故障参数的运行参数；对所述包括工业主机故障参数的运行参数进行格式转换；对格式转换后的运行参数进行去重和去噪处理，获得第一特征数据。
S3，根据预设模型参数和训练后的故障检测模型对所述第一特征数据进行故障分析；其中，根据类型ID获得预设模型参数。
需要说明得是，在某一实施例中，通过一个生成器和两个识别器的神经网络结构构建故障检测模型；根据多个预设模型参数结合所述训练数据集对所述故障检测模型进行训练获得训练后的故障检测模型；
其中，所述两个识别器分别为第一识别器和第二识别器；所述第一识别器包括一个深度置信网络。
S4，根据分析结果调取对应的检修报告发送到终端。需要说明的时，在后台服务器中根据故障原因匹配对应的解决方案建立检修报表，已知分析结果中的故障原因即可根据该检修报表获得检修报告，当分析结果是新故障则根据该新故障更新该检修报表，并匹配新解决方案。
本方案通过采集点获取多个工业主机的运行数据，对所述运行数据进行预处理，获得第一特征数据，根据预设模型参数和训练后的故障检测模型对所述第一特征数据进行故障分析，根据分析结果调取对应的检修报告发送到终端，实现能够实时有效监测到现场多个工业主机的故障，并及时上传。
本方案实现自动化实时故障检测，且降低检测成本，方便维修人员能够及时对故障设备进行维修，保证终端设备的正常运行，为工人提供更好的使用感。
优选地，在上述任意实施例中，所述S1之前还包括：
在多个预设数据采集点中分别设置类型ID；
根据每个类型ID给对应预设数据采集点分配匹配的工业主机；
通过多个预设数据采集点采集，并发送包括类型ID的对应工业主机的运行数据；
其中，根据每个工业主机的运行数据获得每个类型ID。
本方案通过在多个预设数据采集点中设置的类型ID，能够给多个工业主机分配合适数据采集点，并能够对采集的数据进行初步划分，有效管理大量运行数据。
优选地，在上述任意实施例中，还包括：
根据类型ID对获取的运行数据进行划分获得第一数据集；
根据已知故障数据库的故障数据集结合所述第一数据集构建训练数据集。
本方案通过类型ID优化样本数据能够更好的在训练数据集中包围训练参数，保持训练数据松紧适中，有益于提高模型训练精度。
优选地，在上述任意实施例中，还包括：
通过一个生成器和两个识别器的神经网络结构构建故障检测模型；
根据多个预设模型参数结合所述训练数据集对所述故障检测模型进行训练获得训练后的故障检测模型；
其中，所述两个识别器分别为第一识别器和第二识别器；所述第一识别器包括一个深度置信网络。在某一实施例中，深度置信网络包括三层受限玻尔兹曼机和一个soft-max ；受限玻尔兹曼机的各隐藏层的网络结点个数分别为400、200和50；soft-max的输出层的网络结点个数为2；受限玻尔兹曼机的各隐藏层的偏差初始化均为0。权重初始化为符合标准正态分布的随机数；生成器和第二识别器均由一个四层全连接网络构成，参数初始化由pytorch工具里的nn.Linear ()函数完成;生成器的各隐藏层的网络结点个数分别为400、400、200，生成器的输出层的网络结点个数为64；第二识别器的各隐藏层的网络结点个数分别为400、400、200，第二识别器的输出层由一个Sigmoid函数构成；
训练对抗生成神经网络可以包括首先，训练第一识别器，将训练集数据输入第一识别器，进行网络正向传递计算，得到预测结果y_hat，计算y_hat和实际结果y之间的交叉嫡，反向传播机制通过Adam优化器来更新参数，更新迭代次数设为300次；然后，训练第二识别器,将生成器和真实时序报文输入到第二识别器，损失函数设为预测结果和真实结果的交叉嫡加上惩罚项gp，反向传播机制通过Adam优化器来更新参数，更新迭代参数为5次；每训练5次第二识别器，训练1次生成器；最后，训练生成器，生成器的损失函数设为生成报文与真实报文间的均方差，反向传播通过Adam优化算法来更新生成器的参数;将第二识别器与生成器组成循环训练3000次，将最终训练得到的第二识别器作为最终的对抗生成神经网络模型。
本方案通过构建故障检测模型结合预设模型参数，来关联运行数据中的故障数据，并从运行数据中识别出故障数据。
优选地，在上述任意实施例中，所述对所述运行数据进行预处理，获得第一特征数据具体包括：
对所述运行数据进行变量筛选，获得包括工业主机故障参数的运行参数；
对所述包括工业主机故障参数的运行参数进行格式转换；
对格式转换后的运行参数进行去重和去噪处理，获得第一特征数据。
本方案通过预处理，将运行数据中的杂质数据，无用重复数据都剔除掉，并筛选出包含故障参数的变量，以提高故障识别精度和准确率。
优选地，在上述任意实施例中，还包括：根据类型ID获得预设模型参数。
在某一实施例中，如图2所示，一种多工业主机的故障检测***，包括：数据获取模块1101、预处理模块1102、故障分析模块1103和调取模块1104；
所述数据获取模块1101用于根据预设数据采集点获取多个工业主机的运行数据；
需要说明得是，在某一实施例中，在多个预设数据采集点中分别设置类型ID；根据每个类型ID给对应预设数据采集点分配匹配的工业主机；通过多个预设数据采集点采集，并发送包括类型ID的对应工业主机的运行数据；其中，根据每个工业主机的运行数据获得每个类型ID。
在某一实施例中，多个预设数据采集点可以是设置在工业主机中具有远程通信和数据写入读出功能的模块，例如4G/5G/wifi+可供读写的存储单元，实现工业主机运行的数据的存储和发送。需要说明的是，不同类型的工业主机，通过类型ID进行区别，根据类型ID分配对应的数据采集点，例如，A类工业主机、B类工业主机，分别分配A类数据采集点、B类数据采集点。
所述预处理模块1102用于对所述运行数据进行预处理，获得第一特征数据；
需要说明得是，在某一实施例中，对所述运行数据进行变量筛选，获得包括工业主机故障参数的运行参数；对所述包括工业主机故障参数的运行参数进行格式转换；对格式转换后的运行参数进行去重和去噪处理，获得第一特征数据。
所述故障分析模块1103用于根据预设模型参数和训练后的故障检测模型对所述第一特征数据进行故障分析；需要说明得是，在某一实施例中，通过一个生成器和两个识别器的神经网络结构构建故障检测模型；根据多个预设模型参数结合所述训练数据集对所述故障检测模型进行训练获得训练后的故障检测模型；
所述调取模块1104用于根据分析结果调取对应的检修报告发送到终端。需要说明的时，在后台服务器中根据故障原因匹配对应的解决方案建立检修报表，已知分析结果中的故障原因即可根据该检修报表获得检修报告，当分析结果是新故障则根据该新故障更新该检修报表，并匹配新解决方案。
本方案通过采集点获取多个工业主机的运行数据，对所述运行数据进行预处理，获得第一特征数据，根据预设模型参数和训练后的故障检测模型对所述第一特征数据进行故障分析，根据分析结果调取对应的检修报告发送到终端，实现能够实时有效监测到现场多个工业主机的故障，并及时上传。
本方案实现自动化实时故障检测，且降低检测成本，方便维修人员能够及时对故障设备进行维修，保证终端设备的正常运行，为工人提供更好的使用感。
优选地，在上述任意实施例中，还包括：数据采集模块，用于在多个预设数据采集点中分别设置类型ID；
根据每个类型ID给对应预设数据采集点分配匹配的工业主机；
通过多个预设数据采集点采集，并发送包括类型ID的对应工业主机的运行数据；
其中，根据每个工业主机的运行数据获得每个类型ID。
本方案通过在多个预设数据采集点中设置的类型ID，能够给多个工业主机分配合适数据采集点，并能够对采集的数据进行初步划分，有效管理大量运行数据。
优选地，在上述任意实施例中，还包括：训练数据构建模块，用于根据类型ID对获取的运行数据进行划分获得第一数据集；
根据已知故障数据库的故障数据集结合所述第一数据集构建训练数据集。
本方案通过类型ID优化样本数据能够更好的在训练数据集中包围训练参数，保持训练数据松紧适中，有益于提高模型训练精度。
优选地，在上述任意实施例中，还包括：模型构建训练模块，用于通过一个生成器和两个识别器的神经网络结构构建故障检测模型；
根据多个预设模型参数结合所述训练数据集对所述故障检测模型进行训练获得训练后的故障检测模型；
其中，所述两个识别器分别为第一识别器和第二识别器；所述第一识别器包括一个深度置信网络。在某一实施例中，深度置信网络包括三层受限玻尔兹曼机和一个soft-max ；受限玻尔兹曼机的各隐藏层的网络结点个数分别为400、200和50；soft-max的输出层的网络结点个数为2；受限玻尔兹曼机的各隐藏层的偏差初始化均为0。权重初始化为符合标准正态分布的随机数；生成器和第二识别器均由一个四层全连接网络构成，参数初始化由pytorch工具里的nn.Linear ()函数完成;生成器的各隐藏层的网络结点个数分别为400、400、200，生成器的输出层的网络结点个数为64；第二识别器的各隐藏层的网络结点个数分别为400、400、200，第二识别器的输出层由一个Sigmoid函数构成；
训练对抗生成神经网络可以包括首先，训练第一识别器，将训练集数据输入第一识别器，进行网络正向传递计算，得到预测结果y_hat，计算y_hat和实际结果y之间的交叉嫡，反向传播机制通过Adam优化器来更新参数，更新迭代次数设为300次；然后，训练第二识别器,将生成器和真实时序报文输入到第二识别器，损失函数设为预测结果和真实结果的交叉嫡加上惩罚项gp，反向传播机制通过Adam优化器来更新参数，更新迭代参数为5次；每训练5次第二识别器，训练1次生成器；最后，训练生成器，生成器的损失函数设为生成报文与真实报文间的均方差，反向传播通过Adam优化算法来更新生成器的参数;将第二识别器与生成器组成循环训练3000次，将最终训练得到的第二识别器作为最终的对抗生成神经网络模型。
本方案通过构建故障检测模型结合预设模型参数，来关联运行数据中的故障数据，并从运行数据中识别出故障数据。
优选地，在上述任意实施例中，所述预处理模块1102具体用于对所述运行数据进行变量筛选，获得包括工业主机故障参数的运行参数；
对所述包括工业主机故障参数的运行参数进行格式转换；
对格式转换后的运行参数进行去重和去噪处理，获得第一特征数据。
本方案通过预处理，将运行数据中的杂质数据，无用重复数据都剔除掉，并删选出包含故障参数的变量，以提高故障识别精度和准确率。
优选地，在上述任意实施例中，还包括：模型参数构建模块，用于根据类型ID获得预设模型参数。
在某一实施例中，一种包括多工业主机的服务***，包括：采用上述任一实施例所述的一种多工业主机的故障检测***。
可以理解，在一些实施例中，可以包含如上述各实施例中的部分或全部可选实施方式。
需要说明的是，上述各实施例是与在先方法实施例对应的产品实施例，对于产品实施例中各可选实施方式的说明可以参考上述各方法实施例中的对应说明，在此不再赘述。
读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
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。
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发明实施例方案的目的。
另外，在本发明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，也可以是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，也可以采用软件功能单元的形式实现。
集成的单元如果以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，或者该技术方案的全部或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-OnlyMemory）、随机存取存储器（RAM，RandomAccessMemory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种多工业主机的故障检测方法，其特征在于，包括：
S1，根据预设数据采集点获取多个工业主机的运行数据；
S2，对所述运行数据进行预处理，获得第一特征数据；
S3，根据预设模型参数和训练后的故障检测模型对所述第一特征数据进行故障分析；
S4，根据分析结果调取对应的检修报告发送到终端；
所述S1之前还包括：
在多个预设数据采集点中分别设置类型ID；
根据每个类型ID给对应预设数据采集点分配匹配的工业主机；
通过多个预设数据采集点采集，并发送包括类型ID的对应工业主机的运行数据；
其中，根据每个工业主机的运行数据获得每个类型ID。
2.根据权利要求1所述的一种多工业主机的故障检测方法，其特征在于，还包括：
根据类型ID对获取的运行数据进行划分获得第一数据集；
根据已知故障数据库的故障数据集结合所述第一数据集构建训练数据集。
3.根据权利要求2所述的一种多工业主机的故障检测方法，其特征在于，还包括：
通过一个生成器和两个识别器的神经网络结构构建故障检测模型；
根据多个预设模型参数结合所述训练数据集对所述故障检测模型进行训练获得训练后的故障检测模型；
其中，所述两个识别器分别为第一识别器和第二识别器；所述第一识别器包括一个深度置信网络。
4.根据权利要求1所述的一种多工业主机的故障检测方法，其特征在于，所述对所述运行数据进行预处理，获得第一特征数据具体包括：
对所述运行数据进行变量筛选，获得包括工业主机故障参数的运行参数；
对所述包括工业主机故障参数的运行参数进行格式转换；
对格式转换后的运行参数进行去重和去噪处理，获得第一特征数据。
5.根据权利要求1或3所述的一种多工业主机的故障检测方法，其特征在于，还包括：根据类型ID获得预设模型参数。
6.一种多工业主机的故障检测***，其特征在于，包括：数据获取模块、预处理模块、故障分析模块和调取模块；
所述数据获取模块用于根据预设数据采集点获取多个工业主机的运行数据；
所述预处理模块用于对所述运行数据进行预处理，获得第一特征数据；
所述故障分析模块用于根据预设模型参数和训练后的故障检测模型对所述第一特征数据进行故障分析；
所述调取模块用于根据分析结果调取对应的检修报告发送到终端；
还包括：数据采集模块，用于在多个预设数据采集点中分别设置类型ID；
根据每个类型ID给对应预设数据采集点分配匹配的工业主机；
通过多个预设数据采集点采集，并发送包括类型ID的对应工业主机的运行数据；
其中，根据每个工业主机的运行数据获得每个类型ID。
7.根据权利要求6所述的一种多工业主机的故障检测***，其特征在于，还包括：训练数据构建模块，用于根据类型ID对获取的运行数据进行划分获得第一数据集；
根据已知故障数据库的故障数据集结合所述第一数据集构建训练数据集。
8.一种包括多工业主机的服务***，其特征在于，包括：采用上述权利要求6-7任一项的一种多工业主机的故障检测***。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210029690.8A CN114047735A (zh) | 2022-01-12 | 2022-01-12 | 一种多工业主机的故障检测方法、***和服务*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210029690.8A CN114047735A (zh) | 2022-01-12 | 2022-01-12 | 一种多工业主机的故障检测方法、***和服务*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114047735A true CN114047735A (zh) | 2022-02-15 |
Family
ID=80196278
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210029690.8A Pending CN114047735A (zh) | 2022-01-12 | 2022-01-12 | 一种多工业主机的故障检测方法、***和服务*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114047735A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116359683A (zh) * | 2023-02-28 | 2023-06-30 | 四川大唐国际甘孜水电开发有限公司 | 一种基于信息交互的局部放电模式识别方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103914735A (zh) * | 2014-04-17 | 2014-07-09 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及*** |
| CN109635958A (zh) * | 2018-12-12 | 2019-04-16 | 成都航天科工大数据研究院有限公司 | 一种基于边缘计算的预测性工业设备维护方法及维护*** |
| CN110749462A (zh) * | 2019-07-19 | 2020-02-04 | 华瑞新智科技（北京）有限公司 | 一种基于边缘计算的工业设备故障检测方法及*** |
| CN112465244A (zh) * | 2020-12-04 | 2021-03-09 | 重庆忽米网络科技有限公司 | 一种基于TensorFlow的工业设备预检预修模型的训练方法及装置 |
| CN113612786A (zh) * | 2021-08-09 | 2021-11-05 | 上海交通大学宁波人工智能研究院 | 一种车辆总线的入侵检测***及方法 |
-
2022
- 2022-01-12 CN CN202210029690.8A patent/CN114047735A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103914735A (zh) * | 2014-04-17 | 2014-07-09 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及*** |
| CN109635958A (zh) * | 2018-12-12 | 2019-04-16 | 成都航天科工大数据研究院有限公司 | 一种基于边缘计算的预测性工业设备维护方法及维护*** |
| CN110749462A (zh) * | 2019-07-19 | 2020-02-04 | 华瑞新智科技（北京）有限公司 | 一种基于边缘计算的工业设备故障检测方法及*** |
| CN112465244A (zh) * | 2020-12-04 | 2021-03-09 | 重庆忽米网络科技有限公司 | 一种基于TensorFlow的工业设备预检预修模型的训练方法及装置 |
| CN113612786A (zh) * | 2021-08-09 | 2021-11-05 | 上海交通大学宁波人工智能研究院 | 一种车辆总线的入侵检测***及方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116359683A (zh) * | 2023-02-28 | 2023-06-30 | 四川大唐国际甘孜水电开发有限公司 | 一种基于信息交互的局部放电模式识别方法及*** |
| CN116359683B (zh) * | 2023-02-28 | 2023-12-26 | 四川大唐国际甘孜水电开发有限公司 | 一种基于信息交互的局部放电模式识别方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111124840B (zh) | 业务运维中告警的预测方法、装置与电子设备 | |
| CN103646086B (zh) | 一种垃圾文件的清理方法和装置 | |
| US7567948B2 (en) | Method and system for obtaining a combination of faulty parts from a dispersed parts tree | |
| CN108334033A (zh) | 基于物联网与机器学习的冲床组故障预测方法及其*** | |
| CN108537259A (zh) | 基于粗糙集-神经网络模型的列控车载设备故障分类与识别方法 | |
| CN101536002A (zh) | 用于工艺监控的***和方法 | |
| CN102130783A (zh) | 神经网络的智能化告警监控方法 | |
| DE102004015504A1 (de) | Verfahren und Vorrichtung zur diagnostischen Wahl eines Wartungskonzepts für ein komplexes System | |
| CN106685674A (zh) | 网络事件预测以及建立网络事件预测模型的方法和装置 | |
| CN116578040A (zh) | 一种面向机床故障诊断的数字孪生模型构建方法、***及终端 | |
| DE102004015503A1 (de) | Verfahren und Vorrichtung zum Korrigieren diagnostischer Analysekonzepte in komplexen Systemen | |
| CN109684320B (zh) | 监测数据在线清洗的方法和设备 | |
| CN107004234A (zh) | 用于组件故障模式监测的***和方法 | |
| CN114047735A (zh) | 一种多工业主机的故障检测方法、***和服务*** | |
| CN115719283A (zh) | 一种智能化会计管理*** | |
| CN114818353A (zh) | 一种基于故障特征关系图谱的列控车载设备故障预测方法 | |
| CN111078457A (zh) | 一种基于大数据的存储故障分析方法与装置 | |
| CN114528942A (zh) | 工程机械的数据样本库的构建、故障预测方法及工程机械 | |
| CN110399278B (zh) | 基于数据中心异常监控的告警融合***及方法 | |
| CN114781473A (zh) | 轨道交通设备状态预测方法、装置、设备及存储介质 | |
| CN113825162B (zh) | 电信网络故障原因定位方法及装置 | |
| CN114936776A (zh) | 业务数据的处理方法、装置、设备及存储介质 | |
| CN114612246A (zh) | 对象集合识别方法、装置、计算机设备及存储介质 | |
| Azvine et al. | Intelligent process analytics for CRM | |
| CN113269368B (zh) | 一种基于数据驱动的民机安全趋势预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220215 |
|
| RJ01 | Rejection of invention patent application after publication |