CN114936675A - 一种故障预警方法、装置、存储介质及电子设备 - Google Patents
一种故障预警方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN114936675A CN114936675A CN202210451033.2A CN202210451033A CN114936675A CN 114936675 A CN114936675 A CN 114936675A CN 202210451033 A CN202210451033 A CN 202210451033A CN 114936675 A CN114936675 A CN 114936675A
- Authority
- CN
- China
- Prior art keywords
- early warning
- state data
- sensors
- fault
- difference
- 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 69
- 238000012544 monitoring process Methods 0.000 claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 abstract description 6
- 238000007619 statistical method Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000007689 inspection Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000002955 isolation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012795 verification Methods 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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
-
- 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
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本申请涉及轨道交通故障预警技术领域,公开了一种故障预警方法,其特征在于,所述方法包括:获取所有目标传感器的运行状态数据,所述所有目标传感器均为同类传感器;通过故障预警模型根据所述运行状态数据对所述所有目标传感器进行监控预警;其中,所述故障预警模型根据所述目标传感器的多个同类传感器的运行状态数据生成。以列车同类传感器的运行状态数据为基础,对同类传感器之间的状态数据差异进行统计分析,然后提取差异的变化特征及分布规律,进而构建一套传感器异常自检方法,以实现列车同类传感器***突发性故障和渐变性故障的智能预警,为售后人员的维护工作预先提供建议,保障列车安全、高效运行。
Description
技术领域
本申请涉及轨道交通故障预警技术领域,特别地涉及一种故障预警方法、装置、存储介质以及电子设备。
背景技术
目前,关于传感器本身故障预警方面的研究主要集中在以下四类:基于专家经验的预警模型、基于智能硬件分析的故障预警模型、基于报警跳闸限值的故障预警模型和基于数据驱动的故障预警模型。
基于专家经验的预警模型主要以相关专家、操作人员的积累经验知识为基础,定性或定量描述故障过程各设备的故障现象及故障模式。在传感器出现异常征兆后通过***推理、演绎等方式模拟过程专家在监测上的推理能力,从而自动完成传感器故障预警。这种方法依赖于经验知识,主观性较大。
基于智能硬件分析的故障预警模型的预警思路需要在监控的传感器上再加装高性能传感器,通过信号的采集解调分析进行超前预警。这种预警方法需要额外加装设备成本较高,且在某些情况下受安装条件限制不可行。
基于报警跳闸限值的故障预警模型的预警模式主要的监控标准是厂家阈值或者行业阈值,在待监控传感器参数超限后进行及时的报警或跳闸,保护设备及人身安全。在这种预警方式下故障预警时间多处于故障的晚期,同时也无法检测到阈值以内的故障隐患。
基于数据驱动的故障预警模型的思路是利用传感器自身运行时的状态数据,横向或纵向获取传感器状态数据特征和变化规律,并根据其进行突发性故障和趋势性异常的预警分析。该方法无需加装额外设备,仅利用传感器自身状态数据进行预警,投入成本低且适用性强。
针对列车的同类传感器,由于被测对象的一致性,正常工作的同类传感器之间几乎不可能出现测量数据差异较大的情况。
发明内容
针对上述问题,本申请提出一种故障预警方法、装置、存储介质及电子设备,以列车同类传感器的运行状态数据为基础,对同类传感器之间的状态数据差异进行统计分析,然后提取差异的变化特征及分布规律,进而构建一套传感器异常自检方法,以实现列车同类传感器***突发性故障和渐变性故障的智能预警,为售后人员的维护工作预先提供建议,保障列车安全、高效运行。
本申请的第一个方面,提供了一种故障预警方法,所述方法包括:
获取所有目标传感器的运行状态数据,所述所有目标传感器均为同类传感器;
通过故障预警模型根据所述运行状态数据对所述所有目标传感器进行监控预警;
其中,所述故障预警模型根据所述目标传感器的多个同类传感器的运行状态数据生成。
在一些实施例中,所述故障预警模型的生成步骤,包括:
获取所述多个同类传感器的运行状态数据;
根据所述运行状态数据获取原始状态数据差值序列;
根据所述运行状态数据获取窗口特征值差值序列;
根据所述原始状态数据差值序列和所述窗口特征值差值序列生成所述故障预警模型。
在一些实施例中,所述多个同类传感器均为历史未发生过故障的传感器。
在一些实施例中,在所述获取多个同类传感器的运行状态数据之后,还包括:
对所述多个同类传感器的运行状态数据进行过滤处理。
在一些实施例中,所述根据所述原始状态数据差值序列和所述窗口特征值差值序列生成所述故障预警模型,包括:
根据所述原始状态数据差值序列和所述窗口特征值差值序列获取预警阈值区间和差异值时间序列;
对所述差异值时间序列进行平稳性分析,得到分析结果;
获取发生过故障的同类传感器的历史故障数据;
根据所述原始状态数据差值序列、所述窗口特征值差值序列以及所述预警阈值区间生成突发故障预警模型,或,根据所述分析结果和所述历史故障数据生成渐变故障预警模型。
在一些实施例中,若所述故障预警模型为突发故障预警模型,则所述通过故障预警模型根据所述运行状态数据对所述所有目标传感器进行监控预警,包括:
从所述所有目标传感器的运行状态数据中,获取当前时间窗口下的原始状态数据差值和窗口特征值差值;
对所述当前时间窗口下的原始状态数据差值和连续多个时间窗口的窗口特征值差值进行异常判定;
当判定所述当前时间窗口存在异常状态差值数据或连续多个时间窗口存在异常窗口特征值时,进行预警。
在一些实施例中,所述对所述当前时间窗口下的原始状态数据差值进行异常判定,包括:
获取所述当前时间窗口下的原始状态数据差值不在所述预警阈值区间内的预警条数;
若所述预警条数不小于预设预警条数,则确定所述当前时间窗口存在异常状态差值数据。
在一些实施例中,所述对连续多个时间窗口的窗口特征值差值进行异常判定,包括:
如果所述当前时间窗口下的窗口特征值差值不在所述预警阈值区间内,则所述当前时间窗口出现了特征值异常;
若连续出现特征值异常的窗口个数不小于预设异常窗口个数,则确定所述后续连续多个时间窗口存在异常窗口特征值。
在一些实施例中,若所述故障预警模型为渐变故障预警模型,则所述通过故障预警模型根据所述运行状态数据对所述所有目标传感器进行监控预警,包括:
根据所述所有目标传感器的运行状态数据,获取所述同类传感器的故障概率;
当所述故障概率不小于预设预警概率阈值时,进行预警。
本申请的第二个方面,提供了一种故障预警装置,所述装置包括:
获取模块,用于获取所有目标传感器的运行状态数据,所述所有目标传感器均为同类传感器;
预警模块,用于通过故障预警模型根据所述运行状态数据对所有所述目标传感器进行监控预警;
生成模块,用于根据根据所述目标传感器的多个同类传感器的运行状态数据生成所述故障预警模型。
本申请的第三个方面,提供了一种存储介质,该存储介质存储的计算机程序,可被一个或多个处理器执行,用以实现如上所述的故障预警方法。
本申请的第四个方面,提供了一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,所述存储器和所述处理器之间互相通信连接,该计算机程序被所述处理器执行时,实现如上所述的故障预警方法。
与现有技术相比,本申请的技术方案具有以下优点或有益效果:
1、利用同类传感器自身的运行状态数据进行故障预警,能更有效、更直接地发现潜在故障可能;同时,通过大量历史正常数据和故障数据进行模型构建和验证,监测和预警结果可靠性更高;
2、引入滑窗的方式来计算差异特征,避免了时间维度上数据信息的丢失,保证了信息的完整性;
3、引入平稳性分析来对同类传感器之间的差异是否存在趋势性变化判断,简单客观地对趋势性故障进行了定性;
4、根据拟合差异值数据来构建趋势性故障概率预测模型,能够及时、准确预告故障,提高维护效率,降低故障成本。
附图说明
为了更清楚地说明本申请实施例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简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种故障预警方法的流程图;
图2为本申请实施例提供的一种突发性故障预警方法的流程示意图;
图3为本申请实施例提供的一种渐变性故障预警方法的流程示意图;
图4为本申请实施例提供的一种装置的结构示意图;
图5为本申请实施例提供的一种电子设备的连接框图。
具体实施方式
以下将结合附图及实施例来详细说明本申请的实施方式,借此对本申请如何应用技术手段来解决技术问题,并达到相应技术效果的实现过程能充分理解并据以实施。本申请实施例以及实施例中的各个特征,在不相冲突前提下可以相互结合,所形成的技术方案均在本申请的保护范围之内。
实施例一
本实施例提供一种故障预警方法,图1为本申请实施例提供的一种故障预警方法的流程图,如图1所示,本实施例的方法包括:
S110、获取所有目标传感器的运行状态数据,所述所有目标传感器均为同类传感器。
可选的,目标传感器包括多个传感器且均为同类传感器。
在一些实施例中,在所述获取所有目标传感器的运行状态数据,所述所有目标传感器均为同类传感器之后,还包括:
对所述运行状态数据进行过滤处理。
可选的,过滤处理包括去除所述运行状态数据中的垃圾数据,垃圾数据可以包括:空值、错误值等。垃圾数据还可以包括非正常工作工况下的数据,比如,刚上电时的数据,部件隔离或过分相等数据。
需要说明的是,在对目标传感器的运行状态数据进行优化的时候,还可以剔除掉其他用户认为是垃圾数据的数据,具体的垃圾数据可以根据用户的实际需求进行设定,此处不做特殊限定。
S120、通过故障预警模型根据所述运行状态数据对所述所有目标传感器进行监控预警。
需要说明的是,所述故障预警模型根据所述目标传感器的多个同类传感器的运行状态数据生成。
在一些实施例中,所述故障预警模型的生成步骤,包括:
获取所述多个同类传感器的运行状态数据;
根据所述运行状态数据获取原始状态数据差值序列;
根据所述运行状态数据获取窗口特征值差值序列;
根据所述原始状态数据差值序列和所述窗口特征值差值序列生成所述故障预警模型。
在一些实施例中,所述多个同类传感器均为历史未发生过故障的传感器。
可选的,获取多个同类传感器的运行状态数据包括:获取历史未发生故障的多个同类传感器的运行状态数据。
需要说明的是,所述多个同类传感器均为历史未发生过故障的传感器不包括任何一个目标传感器。
可选的,上述序列均包括数组array。
需要说明的是,同类传感器包括能够检测相同类别数据的多个传感器,在一定程度上,只要两个传感器所起的作用相同且都能检测同一类别数据,那么这两个传感器就可称为同类传感器。
在一些实施例中,在所述获取多个同类传感器的运行状态数据之后,还包括:
对所述多个同类传感器的运行状态数据进行过滤处理。
可选的,在获取历史未发生故障的同类传感器的运行状态数据之后,剔除其中的空值或错误值,然后对数据进行过滤,排除非正常工作工况下(比如,***刚上电、部件隔离或过分相等)的传感器数据。
可选的,垃圾数据可以包括:空值、错误值等。垃圾数据还可以包括非正常工作工况下的数据,比如,刚上电时的数据,部件隔离或过分相等数据。
需要说明的是,在对目标传感器的运行状态数据进行优化的时候,还可以剔除掉其他用户认为是垃圾数据的数据,具体的垃圾数据可以根据用户的实际需求进行设定,此处不做特殊限定。
可选的,原始状态差值可表示为X_diff=X_a-X_b,其中a,b表示为两个同类的传感器,X_a和X_b为分别为传感器的状态序列。同类传感器也可包括更多传感器的情况,比如,X_diff=X_a-X_b-X_c-…X_n,其中在该式中X_n表示为第n个传感器的状态序列。
在一些实施例中,所述窗口特征值差值序列,包括:
均值,变化率。
可选的,确定时间窗长度T,以重叠率为P的方式进行滑窗;对于单一窗口的状态序列计算该窗口内数据的均值、变化率等特征值,比如,传感器a在时间窗长度为t0~tn下的序列{Xa_t0,Xa_t1,Xa_t2,......,Xa_tn},计算该序列的均值(时间序列求平均),变化率det=(Xa_t1-Xa_t0)/(t1-t0)。可以分别获得传感器a和b的窗口特征值差值序列,进而计算同类传感器窗口特征的差值序列,比如,Y_diff=Y_a-Y_b,其中a和b表示为2个同类传感器,Y_a和Y_b分别为传感器a和b的窗口特征值(均值、变化率等)序列。
需要说明的是,在本实施例中通过均值和变化率来反映窗口特征信息,也可以采用方差、中值等特征来替代。
在一些实施例中,所述根据所述原始状态数据差值序列和所述窗口特征值差值序列生成所述故障预警模型,包括:
根据所述原始状态数据差值序列和所述窗口特征值差值序列获取预警阈值区间和差异值时间序列;
对所述差异值时间序列进行平稳性分析,得到分析结果;
获取发生过故障的同类传感器的历史故障数据;
根据所述原始状态数据差值序列、所述窗口特征值差值序列以及所述预警阈值区间生成突发故障预警模型,或,根据所述分析结果和所述历史故障数据生成渐变故障预警模型。
可选的,其他同类传感器包括发生过故障的同类传感器。
在一些实施例中,所述根据所述原始状态数据差值序列和所述窗口特征值差值序列获取预警阈值区间,包括:
根据所述原始状态数据差值序列和所述窗口特征值差值序列获取均值mean和标准差std;
分别将mean-3*std和mean+3*std作为所述预警阈值区间的上限和下限。
可选的,针对上述差值序列(原始状态数据差值序列、窗口特征值差值序列),分别计算其均值mean和标准差std,取[mean-3*std,mean+3*std]作为上下限阈值。上下限阈值也可以采用[0.01%,99.99%]分位数等其他方式进行表示。
需要说明的是,上下限阈值可以根据用户的实际需求进行设定,具体此处不做特殊限定。
可选的,根据所述原始状态数据差值序列和所述窗口特征值差值序列获取均值mean和标准差std,其中,均值mean可通过下式获得:
标准差std可通过下式获得:
可选的,在获取差值序列(原始状态数据差值序列、窗口特征值差值序列)之后,获取差异值时间序列。
可选的,根据前述获取到的原始状态数据差值序列和窗口特征值差值序列,获取差异值时间序列,比如,若原始状态数据差值序列中的差值不满足预设差值要求,则将该时间窗口保存到差异值时间序列中,其中,具体的预设差值要求可根据专家经验或实际需求进行设定。
可选的,对获取到的差异值时间序列通过ADF单位根检验方法进行平稳性分析,若差异序列不存在单位根,则序列是平稳的,即差异值不存在渐变性趋势;反之,则认为序列是非平稳的,对差异值时间序列进行拟合,并结合历史故障数据,构建渐变故障预警模型。
需要说明的是,虽然在本实施例中选用ADF单位根检验方法进行差异值平稳性检验,但是也可以选取PP检验、KPSS检验、LMC检验等方法进行差异值平稳性检验。
在一些实施例中,若所述故障预警模型为突发故障预警模型,则所述通过故障预警模型根据所述运行状态数据对所述所有目标传感器进行监控预警,包括:
从所述所有目标传感器的运行状态数据中,获取当前时间窗口下的原始状态数据差值和窗口特征值差值;
对所述当前时间窗口下的原始状态数据差值和连续多个时间窗口的窗口特征值差值进行异常判定;
当判定所述当前时间窗口存在异常状态差值数据或连续多个时间窗口存在异常窗口特征值时,进行预警。
可选的,当前窗口包括从当前时刻往前追溯窗口长度的时间序列。
在一些实施例中,所述对所述当前时间窗口下的原始状态数据差值进行异常判定,包括:
获取所述当前时间窗口下的原始状态数据差值不在所述预警阈值区间内的预警条数;
若所述预警条数不小于预设预警条数,则确定所述当前时间窗口存在异常状态差值数据。
在一些实施例中,所述对连续多个时间窗口的窗口特征值差值进行异常判定,包括:
如果所述当前时间窗口下的窗口特征值差值不在所述预警阈值区间内,则所述当前时间窗口出现了特征值异常;
若连续出现特征值异常的窗口个数不小于预设异常窗口个数,则确定所述后续连续多个时间窗口存在异常窗口特征值。
可选的,对于原始值差值序列,当前窗口内状态数据差值不满足所述预警阈值区间的条数超过p*T,则进行报警,其中p为(0,1)之间的值;对于窗口特征值差值序列,若连续t个窗口的特征值差值不满足所述预警阈值区间,则进行报警,其中t为大于等于1的整数。
需要说明的是,参数时间窗长度T、重叠率P、比例p和窗口数t可根据历史数据的具体表现和/或专家经验确定,也可以根据用户的实际需求进行调整,具体此处不做特殊限定。
可选的,突发故障预警可参考图2,图2为本申请实施例提供的一种突发性故障预警方法的示意图。
可选的,当对目标传感器进行预警后,分别获取所有目标传感器中多个传感器的原始状态数据和窗口特征值,进而根据传感器的原始状态数据和原始状态数据的变化趋势,或者,根据传感器的窗口特征值和窗口特征值的变化趋势,定位出现故障的传感器。
在一些实施例中,若所述故障预警模型为渐变故障预警模型,则所述通过故障预警模型根据所述运行状态数据对所述所有目标传感器进行监控预警,包括:
根据所述所有目标传感器的运行状态数据,获取所述同类传感器的故障概率;
当所述故障概率不小于预设预警概率阈值时,进行预警。
可选的,通过由自回归模型(Auto-Regressive and Moving Average,简称ARMA模型)对差异值时间序列进行拟合,建立差异值与序列的函数dt=fun(xt),其中xt为从t时刻往前追溯的时间窗口序列。对于渐变性故障,差异值为0时,定义故障概率为0,故障发生时刻,故障概率为1,该时刻的差异值d,针对时刻t,则t时刻的故障概率可表示为Pt=dt/d。
可选的,预设预警概率阈值可以根据专家经验设定,比如,将预设预警概率阈值设为k,当当前同类传感器故障概率大于设定阈值时,输出趋势性故障预警结果;反之,传感器正常,继续进行监控;其中k为(0,1)之间的值。
可选的,渐变故障预警可参考图3,图3为本申请实施例提供的一种渐变性故障预警方法的示意图。
需要说明的是,对于传感器的实时运行状态数据,累计时间长度为T的数据作为一个窗口输入,并按照上述步骤计算其差值序列(原始状态数据差值序列、窗口特征值差值序列),再根据上述的预警策略进行预警判断;若判断有故障则输出预警结果;反之则持续监控传感器状态数据。
本实施例提供的故障预警方法包括:获取所有目标传感器的运行状态数据,所述所有目标传感器均为同类传感器;通过故障预警模型根据所述运行状态数据对所述所有目标传感器进行监控预警;其中,所述故障预警模型根据所述目标传感器的多个同类传感器的运行状态数据生成。以列车同类传感器的运行状态数据为基础,对同类传感器之间的状态数据差异进行统计分析,然后提取差异的变化特征及分布规律,进而构建一套传感器异常自检方法,以实现列车同类传感器***突发性故障和渐变性故障的智能预警,为售后人员的维护工作预先提供建议,保障列车安全、高效运行。
实施例二
本实施例提供一种故障预警装置,本装置实施例可以用于执行本申请方法实施例,对于本装置实施例中未披露的细节,请参照本申请方法实施例。图4为本申请实施例提供的一种装置的结构示意图,如图4所示,本实施例提供的装置400包括:
获取模块401,用于获取所有目标传感器的运行状态数据,所述所有目标传感器均为同类传感器;
预警模块402,用于通过故障预警模型根据所述运行状态数据对所述所有目标传感器进行监控预警;
生成模块403,用于根据所述目标传感器的多个同类传感器的运行状态数据生成所述故障预警模型。
在一些实施例中,生成模块403包括:第一获取单元,第二获取单元,第三获取单元,生成单元;其中,
第一获取单元,用于获取所述多个同类传感器的运行状态数据;
第二获取单元,用于根据所述运行状态数据获取原始状态数据差值序列;
第三获取单元,用于根据所述运行状态数据获取窗口特征值差值序列;
生成单元,用于根据所述原始状态数据差值序列和所述窗口特征值差值序列生成所述故障预警模型。
在一些实施例中,所述多个同类传感器均为历史未发生过故障的传感器。
在一些实施例中,获取模块401包括过滤单元,用于在所述获取多个同类传感器的运行状态数据之后,对所述多个同类传感器的运行状态数据进行过滤处理。
在一些实施例中,所述生成单元,包括:第一获取子单元,分析子单元,第二获取子单元,生成子单元;其中,
第一获取子单元,用于根据所述原始状态数据差值序列和所述窗口特征值差值序列获取预警阈值区间和差异值时间序列;
分析子单元,用于对所述差异值时间序列进行平稳性分析,得到分析结果;
第二获取子单元,用于获取发生过故障的同类传感器的历史故障数据;
生成子单元,用于根据所述原始状态数据差值序列、所述窗口特征值差值序列以及所述预警阈值区间生成突发故障预警模型,或,根据所述分析结果和所述历史故障数据生成渐变故障预警模型。
在一些实施例中,预警模块402包括:第一获取单元,第一判定单元,预警单元;其中,第一获取单元用于若所述故障预警模型为突发故障预警模型,从所述所有目标传感器的运行状态数据中,获取当前时间窗口下的原始状态数据差值和窗口特征值差值;
第一判定单元,用于若所述故障预警模型为突发故障预警模型,对所述当前时间窗口下的原始状态数据差值和连续多个时间窗口的窗口特征值差值进行异常判定;
预警单元,用于若所述故障预警模型为突发故障预警模型,当判定所述当前时间窗口存在异常状态差值数据或连续多个时间窗口存在异常窗口特征值时,进行预警。
在一些实施例中,判定单元包括:获取子单元,确定子单元;其中,
获取子单元,用于获取所述当前时间窗口下的原始状态数据差值不在所述预警阈值区间内的预警条数;
确定子单元,用于若所述预警条数不小于预设预警条数,则确定所述当前时间窗口存在异常状态差值数据。
在一些实施例中,所述对连续多个时间窗口的窗口特征值差值进行异常判定,包括:
如果所述当前时间窗口下的窗口特征值差值不在所述预警阈值区间内,则所述当前时间窗口出现了特征值异常;
若连续出现特征值异常的窗口个数不小于预设异常窗口个数,则确定所述后续连续多个时间窗口存在异常窗口特征值。
在一些实施例中,预警模块402还包括:第二获取单元,第二判定单元;其中,若所述故障预警模型为渐变故障预警模型,第二获取单元用于根据所述所有目标传感器的运行状态数据,获取所述同类传感器的故障概率;第二判定单元,用于当所述故障概率不小于预设预警概率阈值时,通过预警单元进行预警。
需要说明的是,上述各个模块/单元可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块/单元而言,上述各个模块/单元可以位于同一处理器中;或者上述各个模块/单元还可以按照任意组合的形式分别位于不同的处理器中。
本实施例的装置包括:获取模块401,用于获取所有目标传感器的运行状态数据,所述所有目标传感器均为同类传感器;预警模块402,用于通过故障预警模型根据所述运行状态数据对所述所有目标传感器进行监控预警;生成模块403,用于根据根据所述目标传感器的多个同类传感器的运行状态数据生成所述故障预警模型。以列车同类传感器的运行状态数据为基础,对同类传感器之间的状态数据差异进行统计分析,然后提取差异的变化特征及分布规律,进而构建一套传感器异常自检方法,以实现列车同类传感器***突发性故障和渐变性故障的智能预警,为售后人员的维护工作预先提供建议,保障列车安全、高效运行。
实施例三
本实施例还提供一种存储介质,该存储介质中存储有计算机程序,该计算机程序被处理器执行时可以实现如实施例一中的方法步骤,本实施例在此不再重复赘述。
其中,存储介质还可单独包括计算机程序、数据文件、数据结构等,或者包括其组合。存储介质或计算机程序可被计算机软件领域的技术人员具体设计和理解,或存储介质对计算机软件领域的技术人员而言可以是公知和可用的。存储介质的示例包括:磁性介质,例如硬盘、软盘和磁带;光学介质,例如,CDROM盘和DVD;磁光介质,例如,光盘;和硬件装置,具体被配置以存储和执行计算机程序,例如,只读存储器(ROM)、随机存取存储器(RAM)、闪存;或服务器、app应用商城等。计算机程序的示例包括机器代码(例如,由编译器产生的代码)和包含高级代码的文件,可由计算机通过使用解释器来执行高级代码。所描述的硬件装置可被配置为用作一个或多个软件模块,以执行以上描述的操作和方法,反之亦然。另外,存储介质可分布在联网的计算机***中,可以分散的方式存储和执行程序代码或计算机程序。
实施例四
图5为本申请实施例提供的一种电子设备的连接框图,如图5所示,该电子设备500可以包括:处理器501,存储器502,多媒体组件503,输入/输出(I/O)接口504,以及通信组件505。
其中,处理器501用于执行如实施例一方法中的全部或部分步骤。存储器502用于存储各种类型的数据,这些数据例如可以包括电子设备中的任何应用程序或方法的指令,以及应用程序相关的数据。
处理器501可以是专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(Digital Signal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable LogicDevice,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述实施例一中的方法。
存储器502可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
多媒体组件503可以包括屏幕和音频组件,该屏幕可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或通过通信组件发送。音频组件还包括至少一个扬声器,用于输出音频信号。
I/O接口504为处理器501和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。
通信组件505用于该电子设备500与其他设备之间进行有线或无线通信。有线通信包括通过网口、串口等进行通信;无线通信包括:Wi-Fi、蓝牙、近场通信(Near FieldCommunication,简称NFC)、2G、3G、4G、5G,或它们中的一种或几种的组合。因此相应的该通信组件505可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
综上,本申请提供的一种故障预警方法、装置、存储介质以及电子设备,该方法包括:获取所有目标传感器的运行状态数据,所述所有目标传感器均为同类传感器;通过故障预警模型根据所述运行状态数据对所述所有目标传感器进行监控预警;其中,所述故障预警模型根据所述目标传感器的多个同类传感器的运行状态数据生成。以列车同类传感器的运行状态数据为基础,对同类传感器之间的状态数据差异进行统计分析,然后提取差异的变化特征及分布规律,进而构建一套传感器异常自检方法,以实现列车同类传感器***突发性故障和渐变性故障的智能预警,为售后人员的维护工作预先提供建议,保障列车安全、高效运行。
另外应该理解到,在本申请所提供的实施例中所揭露的方法或***,也可以通过其它的方式实现。以上所描述的方法或***实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的方法和装置的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、计算机程序段或计算机程序的一部分,模块、计算机程序段或计算机程序的一部分包含一个或多个用于实现规定的逻辑功能的计算机程序。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生,实际上也可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机程序的组合来实现。
在本申请中,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、装置或者设备中还存在另外的相同要素;如果有描述到“第一”、“第二”等仅用于描述目的,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或者隐含指明所指示的技术特征的先后关系;在本申请的描述中,除非另有说明,术语“多个”、“多”的含义是指至少两个;如果有描述到服务器,需要说明的是,服务器可以是独立的物理服务器或终端,也可以是多个物理服务器构成的服务器集群,可以是能够提供云服务器、云数据库、云存储和CDN等基础云计算服务的云服务器;在本申请中如果有描述到智能终端或移动设备,需要说明的是,智能终端或移动设备可以是手机、平板电脑、智能手表、上网本、可穿戴电子设备、个人数字助理(Personal Digital Assistant,PDA)、增强现实技术设备(Augmented Reality,AR)、虚拟现实设备(Virtual Reality,VR)、智能电视、智能音响、个人计算机(Personal Computer,PC)等,但并不局限于此,本申请对智能终端或移动设备的具体形式不做特殊限定。
最后需要说明的是,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”、“一个示例”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申请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一定指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何的一个或多个实施例或示例中以合适的方式进行结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例都是示例性的,所述的内容只是为了便于理解本申请而采用的实施方式,并非用以限定本申请。任何本申请所属技术领域内的技术人员,在不脱离本申请所公开的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本申请的保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (12)
1.一种故障预警方法,其特征在于,所述方法包括:
获取所有目标传感器的运行状态数据,所述所有目标传感器均为同类传感器;
通过故障预警模型根据所述运行状态数据对所述所有目标传感器进行监控预警;
其中,所述故障预警模型根据所述目标传感器的多个同类传感器的运行状态数据生成。
2.根据权利要求1所述的方法,其特征在于,所述故障预警模型的生成步骤,包括:
获取所述多个同类传感器的运行状态数据;
根据所述运行状态数据获取原始状态数据差值序列;
根据所述运行状态数据获取窗口特征值差值序列;
根据所述原始状态数据差值序列和所述窗口特征值差值序列生成所述故障预警模型。
3.根据权利要求1所述的方法,其特征在于,所述多个同类传感器均为历史未发生过故障的传感器。
4.根据权利要求2所述的方法,其特征在于,在所述获取多个同类传感器的运行状态数据之后,还包括:
对所述多个同类传感器的运行状态数据进行过滤处理。
5.根据权利要求2所述的方法,其特征在于,所述根据所述原始状态数据差值序列和所述窗口特征值差值序列生成所述故障预警模型,包括:
根据所述原始状态数据差值序列和所述窗口特征值差值序列获取预警阈值区间和差异值时间序列;
对所述差异值时间序列进行平稳性分析,得到分析结果;
获取发生过故障的同类传感器的历史故障数据;
根据所述原始状态数据差值序列、所述窗口特征值差值序列以及所述预警阈值区间生成突发故障预警模型,或,根据所述分析结果和所述历史故障数据生成渐变故障预警模型。
6.根据权利要求1所述的方法,其特征在于,若所述故障预警模型为突发故障预警模型,则所述通过故障预警模型根据所述运行状态数据对所述所有目标传感器进行监控预警,包括:
从所述所有目标传感器的运行状态数据中,获取当前时间窗口下的原始状态数据差值和窗口特征值差值;
对所述当前时间窗口下的原始状态数据差值和连续多个时间窗口的窗口特征值差值进行异常判定;
当判定所述当前时间窗口存在异常状态差值数据或连续多个时间窗口存在异常窗口特征值时,进行预警。
7.根据权利要求6所述的方法,其特征在于,所述对所述当前时间窗口下的原始状态数据差值进行异常判定,包括:
获取所述当前时间窗口下的原始状态数据差值不在所述预警阈值区间内的预警条数;
若所述预警条数不小于预设预警条数,则确定所述当前时间窗口存在异常状态差值数据。
8.根据权利要求6所述的方法,其特征在于,所述对连续多个时间窗口的窗口特征值差值进行异常判定,包括:
如果所述当前时间窗口下的窗口特征值差值不在所述预警阈值区间内,则所述当前时间窗口出现了特征值异常;
若连续出现特征值异常的窗口个数不小于预设异常窗口个数,则确定所述后续连续多个时间窗口存在异常窗口特征值。
9.根据权利要求1所述的方法,其特征在于,若所述故障预警模型为渐变故障预警模型,则所述通过故障预警模型根据所述运行状态数据对所述所有目标传感器进行监控预警,包括:
根据所述所有目标传感器的运行状态数据,获取所述同类传感器的故障概率;
当所述故障概率不小于预设预警概率阈值时,进行预警。
10.一种故障预警装置,其特征在于,包括:
获取模块,用于获取所有目标传感器的运行状态数据,所述所有目标传感器均为同类传感器;
预警模块,用于通过故障预警模型根据所述运行状态数据对所述所有目标传感器进行监控预警;
生成模块,用于根据根据所述目标传感器的多个同类传感器的运行状态数据生成所述故障预警模型。
11.一种存储介质,其特征在于,所述存储介质存储的计算机程序,当被一个或多个处理器执行时,实现如权利要求1~9中任一项所述的故障预警方法。
12.一种电子设备,其特征在于,包括存储器和处理器,所述存储器上存储有计算机程序,所述存储器和所述处理器之间互相通信连接,当所述计算机程序被所述处理器执行时,执行如权利要求1~9中任一项所述的故障预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210451033.2A CN114936675A (zh) | 2022-04-26 | 2022-04-26 | 一种故障预警方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210451033.2A CN114936675A (zh) | 2022-04-26 | 2022-04-26 | 一种故障预警方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114936675A true CN114936675A (zh) | 2022-08-23 |
Family
ID=82862694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210451033.2A Pending CN114936675A (zh) | 2022-04-26 | 2022-04-26 | 一种故障预警方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114936675A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115817178A (zh) * | 2022-11-14 | 2023-03-21 | 宁德时代新能源科技股份有限公司 | 故障预警方法、装置、电池、车辆及存储介质 |
CN116399402A (zh) * | 2023-04-18 | 2023-07-07 | 南京晓庄学院 | 一种用于生态环境监测的无线传感器的故障预警*** |
CN116520755A (zh) * | 2023-06-29 | 2023-08-01 | 深圳东原电子有限公司 | 一种音响的自动化产线监测预警方法及*** |
CN117132266A (zh) * | 2023-10-25 | 2023-11-28 | 山东四季汽车服务有限公司 | 一种基于区块链的汽车服务安全保障方法及*** |
-
2022
- 2022-04-26 CN CN202210451033.2A patent/CN114936675A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115817178A (zh) * | 2022-11-14 | 2023-03-21 | 宁德时代新能源科技股份有限公司 | 故障预警方法、装置、电池、车辆及存储介质 |
CN116399402A (zh) * | 2023-04-18 | 2023-07-07 | 南京晓庄学院 | 一种用于生态环境监测的无线传感器的故障预警*** |
CN116399402B (zh) * | 2023-04-18 | 2024-01-23 | 南京晓庄学院 | 一种用于生态环境监测的无线传感器的故障预警*** |
CN116520755A (zh) * | 2023-06-29 | 2023-08-01 | 深圳东原电子有限公司 | 一种音响的自动化产线监测预警方法及*** |
CN116520755B (zh) * | 2023-06-29 | 2023-09-26 | 深圳东原电子有限公司 | 一种音响的自动化产线监测预警方法及*** |
CN117132266A (zh) * | 2023-10-25 | 2023-11-28 | 山东四季汽车服务有限公司 | 一种基于区块链的汽车服务安全保障方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114936675A (zh) | 一种故障预警方法、装置、存储介质及电子设备 | |
EP3379360B1 (en) | Anomaly detection system and anomaly detection method | |
CN107426013B (zh) | 设备信息监测方法、装置及*** | |
JP2003526859A5 (zh) | ||
CN108696368B (zh) | 一种网元健康状态的检测方法及设备 | |
US9524223B2 (en) | Performance metrics of a computer system | |
CN109088775B (zh) | 异常监控方法、装置以及服务器 | |
CA2540336A1 (en) | Equipment component monitoring and replacement management system | |
CN111353911A (zh) | 电力设备运维方法、***、设备和存储介质 | |
CN109597746B (zh) | 故障分析方法及装置 | |
CN105450454A (zh) | 一种服务监控告警方法以及装置 | |
CN110808864A (zh) | 通信预警方法、装置及*** | |
CN112286771A (zh) | 一种针对全域资源监控的告警方法 | |
JP6718367B2 (ja) | 判定システム、判定方法、及びプログラム | |
CN112532435A (zh) | 一种运维方法、运维管理平台、设备及介质 | |
CN111400114A (zh) | 基于深度递归网络大数据计算机***故障检测方法及*** | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
KR20160062259A (ko) | 차량 이상 상태를 관리하기 위한 방법, 시스템 및 컴퓨터 판독 가능한 기록매체 | |
CN112905463B (zh) | 软件测试监控方法、装置、电子设备及可读存储介质 | |
CN116108394A (zh) | 一种工控***流量异常检测方法、装置及介质 | |
JPS61228501A (ja) | プラントの異常時処置決定方法 | |
CN115471968A (zh) | 一种电缆防盗报警装置 | |
CN113746862A (zh) | 一种基于机器学习的异常流量检测方法、装置和设备 | |
CN103425125B (zh) | 基于连续状态的电气***故障诊断方法 | |
CN113533891A (zh) | 一种故障诊断***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 |