CN117928139A - 制冰机运行状态实时监控***及方法 - Google Patents
制冰机运行状态实时监控***及方法 Download PDFInfo
- Publication number
- CN117928139A CN117928139A CN202410313986.1A CN202410313986A CN117928139A CN 117928139 A CN117928139 A CN 117928139A CN 202410313986 A CN202410313986 A CN 202410313986A CN 117928139 A CN117928139 A CN 117928139A
- Authority
- CN
- China
- Prior art keywords
- real
- range
- time
- running state
- ice
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012544 monitoring process Methods 0.000 title claims abstract description 42
- 230000002159 abnormal effect Effects 0.000 claims abstract description 78
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000004590 computer program Methods 0.000 claims description 24
- 230000005856 abnormality Effects 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 9
- 230000006835 compression Effects 0.000 description 7
- 238000007906 compression Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 6
- 239000013535 sea water Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012806 monitoring device Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000003507 refrigerant Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于计算机及制冰设备监测检测技术领域。提供了制冰机运行状态实时监控***及方法。其中,所述方法包括:接收制冰机的第一实时运行参数,并将第一实时运行参数与预设的正常运行范围进行比对,获得比对结果;若比对结果位于第一范围,则判定制冰机的运行状态为异常;若比对结果位于第二范围,则判定制冰机的运行状态为正常;若比对结果位于第三范围,则使用异常预测模型对第一实时运行参数进行分析处理,获得异常预测结果,根据异常预测结果判定制冰机的运行状态;将制冰机的运行状态在监控设备上进行实时输出。
Description
技术领域
本发明涉及计算机及制冰设备监测检测技术领域,具体而言,涉及一种制冰机运行状态实时监控***及方法。
背景技术
制冰机是一种将水通过蒸发器由制冷***的制冷剂冷却后生成冰的制冷机械设备。为确保制冰作业的可靠运行,需要对制冰机的运行状态进行综合分析,并在监控设备上实时输出,在出现异常情况时,维护人员可及时进行处理。现有的制冰机运行状态监控***一般是将制冰机的实时运行参数与预设的阈值范围进行比较,在实时运行参数超出阈值范围时即判定为存在异常。然而,制冰机也会存在轻微“异常”情况,这种轻微“异常”情况可能是制冰机在受外界因素影响的正常运行波动,也可能是后续异常状态的前兆。如何对该轻微“异常”情况是否真的存在异常进行准确判断,是目前亟需解决的技术问题。
发明内容
对此,本发明提供了一种制冰机运行状态实时监控方法、***、电子设备及计算机存储介质,以解决上述技术问题。
本发明的第一方面提供了一种制冰机运行状态实时监控方法,所述方法包括如下步骤:接收制冰机的第一实时运行参数,并将所述第一实时运行参数与预设的正常运行范围进行比对,获得比对结果;若比对结果位于第一范围,则判定制冰机的运行状态为异常;若比对结果位于第二范围,则判定制冰机的运行状态为正常;若比对结果位于第三范围,则使用异常预测模型对所述第一实时运行参数进行分析处理,获得异常预测结果,根据所述异常预测结果判定制冰机的运行状态;将制冰机的运行状态在监控设备上进行实时输出;其中,所述第一范围的第一部分、所述第三范围的第一部分、所述第二范围、所述第三范围的第二部分、所述第一范围的第二部分依次邻接。
在一些实施例中,在所述使用异常预测模型对所述第一实时运行参数进行分析处理之前,还包括:计算所述第一实时运行参数与所述第二范围的等效中心点的距离值,根据所述距离值确定第一指定时长;根据所述第一指定时长进行前溯以获得第二实时运行参数;其中,所述第二实时运行参数用于输入所述异常预测模型。
在一些实施例中,所述等效中心点通过以下方式确定:获取所述制冰机在第二时长内的历史监控数据,根据所述历史监控数据中获得制冰机的运行状态被判定为异常的趋势;根据所述趋势中的正趋势和负趋势确定正调整偏差和负调整偏差,依据所述正调整偏差和负调整偏差对所述第二范围的实际中心点分别进行正向和负向的调整,调整完成后的点位即为所述等效中心点。
在一些实施例中,所述方法还包括:获取所述制冰机在第三时长内的制冰订单数据,根据所述制冰订单数据解析得出制冰订单类型数量;根据所述制冰订单类型数量确定得到更新频率,根据所述更新频率对所述等效中心点进行更新。
在一些实施例中,使用异常预测模型对所述第一实时运行参数进行分析处理,获得异常预测结果,包括:将所述第二实时运行参数及关联运行参数输入所述异常预测模型,所述异常预测模型输出实时运行参数预测数据集,所述实时运行参数预测数据集中包含若干预测运行参数,各所述预测运行参数分别与未来不同时刻对应;其中,所述关联运行参数指的是与所述第二实时运行参数对应的部件的关联部件的运行参数。
在一些实施例中,所述异常预测模型输出实时运行参数预测数据集,包括:所述异常预测模型输出第一数量的所述预测运行参数;根据所述异常预测模型的预测准确率将除在先的第二数量的所述预测运行参数以外的其它所述预测运行参数删除,构造得到所述实时运行参数预测数据集。
在一些实施例中,根据所述异常预测结果判定制冰机的运行状态,包括:将所述异常预测结果中包含的各预测运行参数与预设的正常运行范围进行比对,获得比对结果;若任一比对结果均位于所述第一范围,则判定制冰机的运行状态为异常;若全部比对结果位于所述第二范围,则判定制冰机的运行状态为正常;若小于第一比例的比对结果位于所述第三范围、剩余的比对结果位于所述第二范围,则判定制冰机的运行状态为正常。
本发明的第二方面提供了一种制冰机运行状态实时监控***,包括通信设备、处理设备、存储设备、监控设备,所述处理设备分别与所述存储设备、所述通信设备、所述监控设备电连接;所述通信设备,用于获取制冰机的实时运行参数,并传输给所述处理设备;所述存储设备,用于存储计算机程序;所述处理设备,用于调取并执行所述存储设备中的计算机程序,以执行如前任一项所述的方法,以实现对制冰机的运行状态的判断;所述监控设备,用于将所述处理设备生成的制冰机的运行状态的判断结果进行实时输出。
本发明第三方面还公开了一种电子设备,包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个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以实现如前任一项所述的方法。
本发明的第四方面提供了一种计算机存储介质,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以实现如前任一项所述的方法。
本发明的第五方面提供了一种计算机程序产品,当计算机程序产品在终端上运行时,使得终端执行时以实现如前任一项所述的方法。
本发明的有益效果在于:相比于传统的制冰机运行状态监测方式,本发明能够实现对制冰机轻微异常情况下的准确预测分析,不仅可以辅助维护人员对异常运行状态进行及时处置,还可以辅助其对潜在异常情况的提前处理,从而实现对制冰机的更好的状态监控及运维。
附图说明
为了更清楚地说明本发明实施例的技术方案,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发明的某些实施例,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它相关的附图。
图1是本发明实施例公开的一种制冰机运行状态实时监控方法的流程示意图。
图2是本发明实施例公开的卷积神经网络(卷积核为3)的结构示意图。
图3是本发明实施例公开的卷积神经网络的数据传输流程的示意图。
图4是本发明实施例公开的一种制冰机运行状态实时监控***的结构示意图。
具体实施方式
以下由特定的具体实施例说明本申请的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本申请的其他优点及功效,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。基于本申请中的实施例,本领域普通技术人员在没有做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。
此外,下面所描述的本申请不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
如图1所示,本发明实施例公开了一种制冰机运行状态实时监控方法,所述方法包括如下步骤:接收制冰机的第一实时运行参数,并将所述第一实时运行参数与预设的正常运行范围进行比对,获得比对结果;若比对结果位于第一范围,则判定制冰机的运行状态为异常;若比对结果位于第二范围,则判定制冰机的运行状态为正常;若比对结果位于第三范围,则使用异常预测模型对所述第一实时运行参数进行分析处理,获得异常预测结果,根据所述异常预测结果判定制冰机的运行状态;将制冰机的运行状态在监控设备上进行实时输出;其中,所述第一范围的第一部分、所述第三范围的第一部分、所述第二范围、所述第三范围的第二部分、所述第一范围的第二部分依次邻接。
在本发明实施例中,本发明设置了三个运行范围,即第一范围、第二范围和第三范围,其中,第二范围是用于判定制冰机的实时运行参数的绝对正常范围,第一范围则是用于判定制冰机的实时运行参数的绝对异常范围,第三范围是位于第一范围和第二范围的邻接区域的部分,其代表了制冰机的轻度异常运行状态。于是,本发明针对上述三种实时运行参数采用不同的异常判定方式,具体地,在实时运行参数位于第一范围时可直接判定为运行异常,位于第二范围时可直接判定为运行正常;而在位于第三范围时,此时无法直接根据固定阈值来判定制冰机的运行异常情况,所以,本发明采用异常预测模型来分析制冰机的实时运行参数,从而输出异常预测结果,再据此确定制冰机的运行状态是否异常。相比于传统的制冰机运行状态监测方式,本发明能够实现对制冰机轻微异常情况下的准确预测分析,不仅可以辅助维护人员对异常运行状态进行及时处置,还可以辅助其对潜在异常情况的提前处理,从而实现对制冰机的更好的状态监控及运维。
本发明中的异常预测模型优选使用卷积神经网络进行构建。构建出的异常预测模型基本结构如图2-图3所示。具体地,本发明中的异常预测模型从输入开始依次包括C1卷积层、S2池化层、C3卷积层、S4池化层、C5卷积层、F6全连接层和O7输出层。其中,卷积层的卷积核宽度为3;池化层采用平均池化(average pooling)。全连接层中的每个基本单元都从上一层接收数据,正向数据由卷积层和池化层输出到全连接的第一层F1,第一层F1包括实例化了的k1个基本模块;F1层对接收的数据进行计算后传入下一层全连接F2,第二层F2包括实例化了的k2个基本模块。依照上序,数据一直传到最后一层全连接层Fn层,Fn层包含kn个基本模块,Fn层计算得到的数据传入输出层。
上述异常预测模型在搭建好之后,需要使用整理好的数据集对其进行训练,数据集中包含经过人工/机器标注的数据[Ai,Bi],Ai是涉及海水制冰机轻微异常情况下的运行参数矩阵,Bi则是人工/机器标注的关于异常与否的信息。对于训练过程,则不再赘述。
其中,对第一范围、第二范围、第三范围举例说明如下:A1=[a1,a2]、[a5,a6],A2=[a3,a4],A3=[a2,a3]、[a4,a5], a1<a2<a3<a4<a5<a6。也即,第三范围实际上是第一范围与第二范围和第三范围的过渡区域,当制冰机的实时运行参数位于该区域时,并不能唯一判定其运行状态是否异常,进而使用上述的异常预测模型进行综合分析。
举例说明如下:压缩机是海水制冰机的关键部件,接收到的第一实时运行参数为压缩比、进气压力、排气压力、压缩机电流波动数值、压缩机电压波动数值等,将第一实时运行参数中的压缩比与预设的压缩比正常运行范围进行比对。若压缩比位于第一范围,则判定制冰机的运行状态为异常;若压缩比位于第二范围,则判定制冰机的运行状态为正常。若压缩比位于第三范围,说明压缩机目前处于轻微异常状态,此时无法直接根据固定阈值来判定压缩机的运行异常情况,所以将第一实时运行参数中的压缩比、进气压力、排气压力、压缩机电流波动数值、压缩机电压波动数值等全部输入异常预测模型,使用经过充分训练的异常预测模型来分析此时的轻微异常是压缩机自身故障导致(即压缩机处于异常状态),还是因为输入电压/电流的正常波动所致(即压缩机处于正常状态)。
在一些实施例中,在所述使用异常预测模型对所述第一实时运行参数进行分析处理之前,还包括:计算所述第一实时运行参数与所述第二范围的等效中心点的距离值,根据所述距离值确定第一指定时长;根据所述第一指定时长进行前溯以获得第二实时运行参数;其中,所述第二实时运行参数用于输入所述异常预测模型。
在本发明实施例中,对于轻微异常的运行状态,仅使用单一时刻的第一实时运行参数是不够的,需要使用更多的数据作为预测基础,否则无法确保预测准确性。所以,本发明根据第一实时运行参数与第二范围的等效中心点的距离值来确定向前筛选多长时间的制冰机的实时运行参数数据(即实时运行参数的历史数据)。上述距离值可以用于表征制冰机实时运行参数偏离正常运行范围的幅度,而且距离值与第一指定时长的大小是负向关联关系,即距离值越大,则“异常”倾向越明显,此时仅需要确定更小时段内的实时运行参数的历史数据,这样可以提升预测速率;反之则“异常”倾向越不明显,此时需要确定更大时段内的实时运行参数的历史数据,这样可以提升预测准确性。如此设置,可以实现预测准确性和预测速率之间的平衡。
在一些实施例中,所述等效中心点通过以下方式确定:获取所述制冰机在第二时长内的历史监控数据,根据所述历史监控数据获得制冰机的运行状态被判定为异常的趋势;根据所述趋势中的正趋势和负趋势确定正调整偏差和负调整偏差,依据所述正调整偏差和负调整偏差对所述第二范围的实际中心点分别进行正向和负向的调整,调整完成后的点位即为所述等效中心点。
在本发明实施例中,第二范围的等效中心点可以是第二范围的实际中心点,即(a3+a4)/2。但是,受累计运行年份、保养状态等因素的影响,制冰机的正常运行状态会存在较大的不确定性,此时依据第二范围的实际中心点作为前述距离值的计算基准,容易导致轻微异常的偏离幅度的计算结果不够准确。对此,本发明从制冰机的历史监控数据中提取制冰机的运行状态被判定为异常的统计数据,并进一步分析其被判定为异常的趋势,该趋势包括多个趋势子段,每个趋势子段具有各自的异常增加趋势或异常降低趋势,而且异常增加趋势、异常降低趋势还配置有与其增加或降低幅度对应的调整偏差值,调整偏差值也对应着正调整偏差和负调整偏差。最后,根据全部趋势子段对应的正调整偏差或负调整偏差,对第二范围的实际中心点分别进行正向和负向的偏差调整,便得到了最终的等效中心点。经过上述偏差调整后,得到的等效中心点大概率不会位于上述的实际中心点,而是会有一定幅度的左右偏差,而该偏差与制冰机近期的异常情况相关,据此计算得出的距离值能够更准确的反映制冰机本次的实时运行参数偏离正常运行范围的幅度。
其中,上述趋势指的是制冰机的运行状态被判定为异常的次数、时间间隔、频率等。
在一些实施例中,所述方法还包括:获取所述制冰机在第三时长内的制冰订单数据,根据所述制冰订单数据解析得出制冰订单类型数量;根据所述制冰订单类型数量确定得到更新频率,根据所述更新频率对所述等效中心点进行更新。
在本发明实施例中,等效中心点需要随着制冰机的累计运行年份、保养状态等因素,按照一定频率进行更新,这样才能够确保等效中心点的准确性。而且,制冰订单类型的数量越多,则制冰机需要越多的进行制冰作业参数的自动或人为切换,相应地出现异常的概率也就越大。对此,本发明对制冰机在近期(即第三时长)的制冰订单数据进行获取及分析,并根据其中涉及的制冰订单类型数量来确定更新频率,即制冰订单类型数量越大,则制冰机出现异常的概率越大,此时提高更新频率,即更快的进行等效中心点的更新。
其中,制冰机的制冰订单类型包括纯水制冰、海水制冰,海水制冰中又包括多种不同浓度(例如,盐度为15%-40%)的海水制冰。本发明通过对近期的制冰订单数据进行解析及统计计算,便可以得到上述的制冰订单类型数量。
在一些实施例中,使用异常预测模型对所述第一实时运行参数进行分析处理,获得异常预测结果,包括:将所述第二实时运行参数及关联运行参数输入所述异常预测模型,所述异常预测模型输出实时运行参数预测数据集,所述实时运行参数预测数据集中包含若干预测运行参数,各所述预测运行参数分别与未来不同时刻对应;其中,所述关联运行参数指的是与所述第二实时运行参数对应的部件的关联部件的运行参数。
在本发明实施例中,为了实现对当前处于轻微异常情况中的实时运行参数的异常与否进行更为准确的判断,本发明使用异常预测模型来预测该实时运行参数对应的部件在未来各时刻中的预测运行参数,通过分析未来时刻的预测运行参数便可以辅助判定制冰机的轻微异常是正常波动还是异常前兆。
为了提升异常预测模型的预测准确性,除了前述确定出的第二实时运行参数,本发明还将与第二实时运行参数对应的部件的关联部件的运行参数即关联运行参数输入到了异常预测模型中,上述部件的关联部件指的是与上述部件具有电性连接、机械连接的部件,上述的连接可以是直接连接,也可以是间接连接。
对于关联部件,举例说明如下:制冰模组与电源模组是关联部件,电源模组的电力供应状态会影响到制冰模组的运行状态,比如电源模组的供应的电流的电压不足时,会导致制冰模组的制冰功率不能完全输出,而此时制冰模组的轻微异常并非是自身异常,而是电源模组的电力供应异常导致。于是,本发明通过综合分析各部件及其关联部件的运行参数,实现了对各部件的预测运行参数的更准确的预测,有利于后续对各部件在轻微异常情况下的异常与否的准确判定。
另外,部件间的关联关系可以预先指定,具体不再赘述。
在一些实施例中,所述异常预测模型输出实时运行参数预测数据集,包括:所述异常预测模型输出第一数量的所述预测运行参数;根据所述异常预测模型的预测准确率将除在先的第二数量的所述预测运行参数以外的其它所述预测运行参数删除,构造得到所述实时运行参数预测数据集。
在本发明实施例中,本发明中的异常预测模型对前述运行参数进行预测处理后,可以获得较多数量的预测运行参数,这些预测运行参数跨越了较大时间跨度,显然,越靠后(即距离当前时刻越远)的预测运行参数的可信度越低。对此,本发明根据异常预测模型的预测准确率来筛选位于前面的(即距离当前时刻越近)的一定数量的预测运行参数来构造实时运行参数预测数据集,这样可以提高后续对于制冰机的运行状态异常与否的判断准确度。
另外,异常预测模型的预测准确率可以通过对该模型在训练过程中及后续投入预测使用过程中输出的预测数据的二次核验及统计分析得出,可不作具体限定。预测准确率与第二数量应当是正向关联关系。
在一些实施例中,根据所述异常预测结果判定制冰机的运行状态,包括:将所述异常预测结果中包含的各预测运行参数与预设的正常运行范围进行比对,获得比对结果;若任一比对结果均位于所述第一范围,则判定制冰机的运行状态为异常;若全部比对结果位于所述第二范围,则判定制冰机的运行状态为正常;若小于第一比例的比对结果位于所述第三范围、剩余的比对结果位于所述第二范围,则判定制冰机的运行状态为正常。
在本发明实施例中,通过前述异常预测模型可以实现对轻微异常情况的深度分析,在深度分析的结果即预测得出的未来时刻的任一预测运行参数位于第一范围,则判定制冰机当前的轻微异常属于后续异常的前兆,此时判定制冰机处于异常状态;以及,在预测运行参数全部位于第二范围,则判定制冰机当前的轻微异常属于正常波动,此时判定制冰机处于正常状态;以及,在预测运行参数仅小比例的位于第三范围,则判定制冰机当前的轻微异常也大概率属于正常波动,也可以将制冰机判定为处于正常状态。
如图4所示,本发明实施例还公开了一种制冰机运行状态实时监控***,包括通信设备、处理设备、存储设备、监控设备,所述处理设备分别与所述存储设备、所述通信设备、所述监控设备电连接;所述通信设备,用于获取制冰机的实时运行参数,并传输给所述处理设备;所述存储设备,用于存储计算机程序;所述处理设备,用于调取并执行所述存储设备中的计算机程序,以执行如前述实施例所述的方法,以实现对制冰机的运行状态的判断;所述监控设备,用于将所述处理设备生成的制冰机的运行状态的判断结果进行实时输出。
本发明实施例还公开了一种电子设备,包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个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以实现如前述实施例所述的方法。
本发明实施例还公开了一种计算机存储介质,所述计算机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以实现如前述实施例所述的方法。
本发明实施例还公开了一种计算机程序产品,当计算机程序产品在终端上运行时,使得终端执行时以实现如前述实施例所述的方法。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (10)
1.一种制冰机运行状态实时监控方法,其特征在于,包括如下步骤:接收制冰机的第一实时运行参数,并将所述第一实时运行参数与预设的正常运行范围进行比对,获得比对结果;若比对结果位于第一范围,则判定制冰机的运行状态为异常;若比对结果位于第二范围,则判定制冰机的运行状态为正常;若比对结果位于第三范围,则使用异常预测模型对所述第一实时运行参数进行分析处理,获得异常预测结果,根据所述异常预测结果判定制冰机的运行状态;将制冰机的运行状态在监控设备上进行实时输出;其中,所述第一范围的第一部分、所述第三范围的第一部分、所述第二范围、所述第三范围的第二部分、所述第一范围的第二部分依次邻接。
2.根据权利要求1所述的一种制冰机运行状态实时监控方法,其特征在于:在所述使用异常预测模型对所述第一实时运行参数进行分析处理之前,还包括:计算所述第一实时运行参数与所述第二范围的等效中心点的距离值,根据所述距离值确定第一指定时长;根据所述第一指定时长进行前溯以获得第二实时运行参数;其中,所述第二实时运行参数用于输入所述异常预测模型。
3.根据权利要求2所述的一种制冰机运行状态实时监控方法,其特征在于:所述等效中心点通过以下方式确定:获取所述制冰机在第二时长内的历史监控数据,根据所述历史监控数据获得制冰机的运行状态被判定为异常的趋势;根据所述趋势中的正趋势和负趋势确定正调整偏差和负调整偏差,依据所述正调整偏差和负调整偏差对所述第二范围的实际中心点分别进行正向和负向的调整,调整完成后的点位即为所述等效中心点。
4.根据权利要求2或3所述的一种制冰机运行状态实时监控方法,其特征在于:所述方法还包括:获取所述制冰机在第三时长内的制冰订单数据,根据所述制冰订单数据解析得出制冰订单类型数量;根据所述制冰订单类型数量确定得到更新频率,根据所述更新频率对所述等效中心点进行更新。
5.根据权利要求2所述的一种制冰机运行状态实时监控方法,其特征在于:使用异常预测模型对所述第一实时运行参数进行分析处理,获得异常预测结果,包括:将所述第二实时运行参数及关联运行参数输入所述异常预测模型,所述异常预测模型输出实时运行参数预测数据集,所述实时运行参数预测数据集中包含若干预测运行参数,各所述预测运行参数分别与未来不同时刻对应;其中,所述关联运行参数指的是与所述第二实时运行参数对应的部件的关联部件的运行参数。
6.根据权利要求5所述的一种制冰机运行状态实时监控方法,其特征在于:所述异常预测模型输出实时运行参数预测数据集,包括:所述异常预测模型输出第一数量的所述预测运行参数;根据所述异常预测模型的预测准确率将除在先的第二数量的所述预测运行参数以外的其它所述预测运行参数删除,构造得到所述实时运行参数预测数据集。
7.根据权利要求6所述的一种制冰机运行状态实时监控方法,其特征在于:根据所述异常预测结果判定制冰机的运行状态,包括:将所述异常预测结果中包含的各预测运行参数与预设的正常运行范围进行比对,获得比对结果;若任一比对结果均位于所述第一范围,则判定制冰机的运行状态为异常;若全部比对结果位于所述第二范围,则判定制冰机的运行状态为正常;若小于第一比例的比对结果位于所述第三范围、剩余的比对结果位于所述第二范围,则判定制冰机的运行状态为正常。
8.一种制冰机运行状态实时监控***,包括通信设备、处理设备、存储设备、监控设备,所述处理设备分别与所述存储设备、所述通信设备、所述监控设备电连接;所述通信设备,用于获取制冰机的实时运行参数,并传输给所述处理设备;所述存储设备,用于存储计算机程序;其特征在于:所述处理设备,用于调取并执行所述存储设备中的计算机程序,以执行如权利要求1-7任一所述的方法,以实现对制冰机的运行状态的判断;所述监控设备,用于将所述处理设备生成的制冰机的运行状态的判断结果进行实时输出。
9.一种电子设备,包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个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计算机程序以实现如权利要求1-7任一所述的方法。
10.一种计算机存储介质,所述计算机存储介质存储有计算机程序,其特征在于:所述计算机程序被处理器执行以实现如权利要求1-7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410313986.1A CN117928139B (zh) | 2024-03-19 | 2024-03-19 | 制冰机运行状态实时监控***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410313986.1A CN117928139B (zh) | 2024-03-19 | 2024-03-19 | 制冰机运行状态实时监控***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117928139A true CN117928139A (zh) | 2024-04-26 |
CN117928139B CN117928139B (zh) | 2024-06-04 |
Family
ID=90757878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410313986.1A Active CN117928139B (zh) | 2024-03-19 | 2024-03-19 | 制冰机运行状态实时监控***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117928139B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1719033A (zh) * | 2004-07-09 | 2006-01-11 | 株式会社神户制钢所 | 压缩机 |
KR100755404B1 (ko) * | 2006-08-11 | 2007-09-04 | 엘지전자 주식회사 | 냉장고의 제어방법 |
JP2007334766A (ja) * | 2006-06-16 | 2007-12-27 | National Institute Of Advanced Industrial & Technology | 異常領域検出装置および異常領域検出方法 |
JP2011179790A (ja) * | 2010-03-03 | 2011-09-15 | Hoshizaki Electric Co Ltd | 自動製氷機 |
JP2014005945A (ja) * | 2012-06-21 | 2014-01-16 | Hoshizaki Electric Co Ltd | 自動製氷機 |
CN107576117A (zh) * | 2017-08-24 | 2018-01-12 | 合肥华凌股份有限公司 | 制冰控制方法、***及制冰机 |
CN108829535A (zh) * | 2018-06-08 | 2018-11-16 | 上海擎创信息技术有限公司 | 数据处理方法、终端及计算机可读存储介质 |
CN113154734A (zh) * | 2021-04-21 | 2021-07-23 | 广东新宝电器股份有限公司 | 制冰控制方法、控制装置及制冰机 |
EP3876060A1 (de) * | 2020-03-06 | 2021-09-08 | Robert Bosch GmbH | Verfahren und recheneinheit zur ursachenanalyse eines anomalen zustandes einer maschine |
CN113778802A (zh) * | 2021-09-15 | 2021-12-10 | 深圳前海微众银行股份有限公司 | 异常预测方法及设备 |
CN113970206A (zh) * | 2020-07-09 | 2022-01-25 | 青岛海尔电冰箱有限公司 | 控制方法、自动制冰机及冰箱 |
CN114383372A (zh) * | 2020-10-19 | 2022-04-22 | 海信(山东)冰箱有限公司 | 冰箱制冰机的控制方法及冰箱 |
CN114519696A (zh) * | 2021-12-31 | 2022-05-20 | 扬州盛强薄膜材料有限公司 | 基于光学智能化的pvc热收缩膜检测方法及*** |
WO2023010636A1 (zh) * | 2021-07-31 | 2023-02-09 | 广东美的制冷设备有限公司 | 空调器的高低压阀状态检测方法、装置、空调器与介质 |
CN116820014A (zh) * | 2023-08-24 | 2023-09-29 | 山西交通科学研究院集团有限公司 | 一种交通机电设备智能化监控预警方法及*** |
-
2024
- 2024-03-19 CN CN202410313986.1A patent/CN117928139B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1719033A (zh) * | 2004-07-09 | 2006-01-11 | 株式会社神户制钢所 | 压缩机 |
JP2007334766A (ja) * | 2006-06-16 | 2007-12-27 | National Institute Of Advanced Industrial & Technology | 異常領域検出装置および異常領域検出方法 |
KR100755404B1 (ko) * | 2006-08-11 | 2007-09-04 | 엘지전자 주식회사 | 냉장고의 제어방법 |
JP2011179790A (ja) * | 2010-03-03 | 2011-09-15 | Hoshizaki Electric Co Ltd | 自動製氷機 |
JP2014005945A (ja) * | 2012-06-21 | 2014-01-16 | Hoshizaki Electric Co Ltd | 自動製氷機 |
CN107576117A (zh) * | 2017-08-24 | 2018-01-12 | 合肥华凌股份有限公司 | 制冰控制方法、***及制冰机 |
CN108829535A (zh) * | 2018-06-08 | 2018-11-16 | 上海擎创信息技术有限公司 | 数据处理方法、终端及计算机可读存储介质 |
EP3876060A1 (de) * | 2020-03-06 | 2021-09-08 | Robert Bosch GmbH | Verfahren und recheneinheit zur ursachenanalyse eines anomalen zustandes einer maschine |
CN113970206A (zh) * | 2020-07-09 | 2022-01-25 | 青岛海尔电冰箱有限公司 | 控制方法、自动制冰机及冰箱 |
CN114383372A (zh) * | 2020-10-19 | 2022-04-22 | 海信(山东)冰箱有限公司 | 冰箱制冰机的控制方法及冰箱 |
CN113154734A (zh) * | 2021-04-21 | 2021-07-23 | 广东新宝电器股份有限公司 | 制冰控制方法、控制装置及制冰机 |
WO2023010636A1 (zh) * | 2021-07-31 | 2023-02-09 | 广东美的制冷设备有限公司 | 空调器的高低压阀状态检测方法、装置、空调器与介质 |
CN113778802A (zh) * | 2021-09-15 | 2021-12-10 | 深圳前海微众银行股份有限公司 | 异常预测方法及设备 |
CN114519696A (zh) * | 2021-12-31 | 2022-05-20 | 扬州盛强薄膜材料有限公司 | 基于光学智能化的pvc热收缩膜检测方法及*** |
CN116820014A (zh) * | 2023-08-24 | 2023-09-29 | 山西交通科学研究院集团有限公司 | 一种交通机电设备智能化监控预警方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117928139B (zh) | 2024-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10109122B2 (en) | System for maintenance recommendation based on maintenance effectiveness estimation | |
US7395188B1 (en) | System and method for equipment life estimation | |
EP3182346A1 (en) | A system for maintenance recommendation based on performance degradation modeling and monitoring | |
CN113383282A (zh) | 校正离子注入半导体制造工具中的部件故障 | |
CN108829933A (zh) | 一种半导体制造设备的预测性维护与健康管理的方法 | |
CN109308519A (zh) | 一种基于神经网络的制冷设备故障预测方法 | |
CN114167838B (zh) | 一种伺服***多尺度健康评估与故障预测方法 | |
CN114267178B (zh) | 一种车站的智能运营维护方法及装置 | |
CN102970698A (zh) | 无线传感器网络故障检测方法 | |
CN110850297A (zh) | 一种通过大数据预测轨交锂电池soh的方法 | |
CN112598144A (zh) | 基于相关性分析的cnn-lstm突发故障预警方法 | |
CN115827411A (zh) | 一种用于自动化设备的在线监测及运维评估***和方法 | |
CN112529053A (zh) | 一种服务器中时序数据短期预测方法及*** | |
CN115617606A (zh) | 设备监测方法和***、电子设备、存储介质 | |
CN117928139B (zh) | 制冰机运行状态实时监控***及方法 | |
US20160275407A1 (en) | Diagnostic device, estimation method, non-transitory computer readable medium, and diagnostic system | |
CN112418662A (zh) | 一种利用人工神经网络的配电网运行可靠性分析方法 | |
CN115640542A (zh) | 基于贝叶斯理论的智能电能表状态评估方法及评估装置 | |
CN112100919B (zh) | 一种基于re-cf-ekf算法的滚动轴承剩余寿命预测方法 | |
CN108664696A (zh) | 一种冷水机组运行状态的测评方法及装置 | |
CN115879680A (zh) | 钢铁表面缺陷判定规则管理*** | |
CN112836380A (zh) | 一种智能制造生产线故障预估与维修方法 | |
CN117808157B (zh) | 基于智能识别的未报备停电行为预测分析*** | |
CN114528914B (zh) | 一种人在回路的冷水主机状态监测方法、终端及存储介质 | |
CN117346418B (zh) | 冷水机组的控制方法、装置、存储介质及电子设备 |
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 |