CN117932437A - 预测设备故障的方法、装置和存储介质 - Google Patents
预测设备故障的方法、装置和存储介质 Download PDFInfo
- Publication number
- CN117932437A CN117932437A CN202410114932.2A CN202410114932A CN117932437A CN 117932437 A CN117932437 A CN 117932437A CN 202410114932 A CN202410114932 A CN 202410114932A CN 117932437 A CN117932437 A CN 117932437A
- Authority
- CN
- China
- Prior art keywords
- equipment
- operation data
- current
- data
- model
- 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 74
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 37
- 230000007613 environmental effect Effects 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000004519 manufacturing process Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 description 15
- 238000012423 maintenance Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种预测设备故障的方法、装置和存储介质。其中,方法包括:对于各设备,在当前设备运行过程中,获取当前设备在当前时刻的设备运行数据;基于预先训练得到的环境模型对设备运行数据进行处理,得到预测时长内的预测运行数据;其中,环境模型用于模拟当前设备的运行环境;基于预测模型对预测运行数据分析处理,确定当前设备是否存在故障;若当前设备存在故障,则生成预警信息发送至设备管理***,以基于与设备管理***相对应的用户对当前设备进行维护。解决了预测设备故障的准确度较低的问题,提高预测设备故障的准确度。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及预测设备故障的方法、装置和存储介质。
背景技术
目前,主要通过对获取到的设备运行数据进行分析,得到设备运行状态;并根据专家经验生成故障库,以基于故障库匹配预测设备故障。但是,这种方法依赖于故障库的完善程度,而且设备运行状态受多种因素影响,导致预测结果容易出现偏差。
发明内容
本发明提供了一种预测设备故障的方法、装置和存储介质,以提高预测设备故障的准确度。
根据本发明的一方面,提供了一种预测设备故障的方法,该方法包括:
对于各设备,在当前设备运行过程中,获取所述当前设备在当前时刻的设备运行数据;
基于预先训练得到的环境模型对所述设备运行数据进行处理,得到预测时长内的预测运行数据;其中,所述环境模型用于模拟所述当前设备的运行环境;
基于预测模型对所述预测运行数据分析处理,确定所述当前设备是否存在故障;
若所述当前设备存在故障,则生成预警信息发送至设备管理***,以基于与所述设备管理***相对应的用户对所述当前设备进行维护。
进一步的,所述获取所述当前设备在当前时刻的设备运行数据,包括:
基于部署在所述当前设备上的至少一个传感器采集所述当前设备的设备运行数据,以及基于PLC采集所述当前设备的生产数据,并作为所述设备运行数据;
实时传输所述设备运行数据,以使与所述当前设备相对应的环境模型对所述设备运行数据进行处理。
进一步的,所述基于预先训练得到的环境模型对所述设备运行数据进行处理,得到预测时长内的预测运行数据,包括:
基于预先训练得到的环境模型模拟所述当前设备的运行环境,以在所述运行环境下对所述设备运行数据进行处理,得到预测时长内的预测运行数据。
进一步的,所述基于预测模型对所述预测运行数据分析处理,确定所述当前设备是否存在故障,包括:
将所述预测运行数据输入至所述预测模型中,确定所述当前设备在当前策略下所述预测运行数据是否存在故障。
进一步的,该方法还包括:
获取多个样本数据,其中,所述样本数据包括设备在第一时刻的历史运行数据以及相应预测时长内的实际历史运行数据,所述预测时长与所述第一时刻相对应;
基于所述多个样本数据对预先构建的环境模型和所述预测模型进行训练;其中,预先构建的环境模型是基于所述设备的运行环境确定的;
将所述环境模型输出的预测时长内的预测历史运行数据和所述实际历史运行数据,输入至所述预测模型中,得到故障预测结果;
基于所述故障预测结果以及所述实际历史运行数据,对所述环境模型以及所述预测模型中的模型参数进行修正。
进一步的,该方法还包括:
确定与所述实际历史运行数据所对应的偏差阈值,以基于所述偏差阈值,对所述预测模型中的模型参数进行修正。
进一步的,在所述当前设备存在故障的条件下,所述方法还包括:
输出所述当前设备的故障点位,以基于所述故障点位生成预警信息。
进一步的,该方法还包括:
将所述当前设备为故障状态下的设备运行数据和实际运行数据,作为训练样本;
基于所述训练样本更新所述环境模型以及所述预测模型的模型参数。
根据本发明的另一方面,提供了一种预测设备故障的装置,该装置包括:
运行数据获取模块,用于对于各设备,在当前设备运行过程中,获取所述当前设备在当前时刻的设备运行数据;
运行数据预测模块,用于基于预先训练得到的环境模型对所述设备运行数据进行处理,得到预测时长内的预测运行数据;其中,所述环境模型用于模拟所述当前设备的运行环境;
数据处理模块,用于基于预测模型对所述预测运行数据分析处理,确定所述当前设备是否存在故障;
预警模块,用于若所述当前设备存在故障,则生成预警信息发送至设备管理***,以基于与所述设备管理***相对应的用户对所述当前设备进行维护。
根据本发明的另一方面,提供了一种电子设备,该电子设备包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行本发明任一实施例的预测设备故障的方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机指令,计算机指令用于使处理器执行时实现本发明任一实施例的预测设备故障的方法。
本发明实施例的技术方案,对于各设备,在当前设备运行过程中,获取当前设备在当前时刻的设备运行数据;基于预先训练得到的环境模型对设备运行数据进行处理,得到预测时长内的预测运行数据;其中,环境模型用于模拟当前设备的运行环境;基于预测模型对预测运行数据分析处理,确定当前设备是否存在故障;若当前设备存在故障,则生成预警信息发送至设备管理***,以基于与设备管理***相对应的用户对当前设备进行维护。解决了预测设备故障的准确度较低的问题,提高预测设备故障的准确度。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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是根据本发明实施例提供的一种预测设备故障的方法的流程图;
图2是根据本发明实施例提供的一种具体的预测设备故障的方法的流程图;
图3是根据本发明实施例提供的一种具体的预测设备故障的流程示意图;
图4是根据本发明实施例提供的一种预测设备故障的装置的结构框图;
图5是根据本发明实施例提供的一种电子设备的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1是根据本发明实施例提供的一种预测设备故障的方法的流程图,本实施例可适用于基于环境模型进行预测设备故障的场景,可以由预测设备故障的装置来执行,该预测设备故障的装置可以采用硬件和/或软件的形式实现,并配置于电子设备的处理器中。
如图1所示,预测设备故障的方法包括以下步骤:
S110、对于各设备,在当前设备运行过程中,获取当前设备在当前时刻的设备运行数据。
可以理解的是,发生故障的设备与正常工作的设备相比,设备的运行状态不同,运行数据也不同,因此,为了确定各设备是否正常运行,可以获取设备的运行相关联的数据,以基于这些数据确定各设备的运行状态,实现故障预测。
其中,设备是需要进行故障预测的设备,例如,设备可以是目标***中的设备,设备与设备之间可以是上下游的关系。
设备运行数据是设备在运行过程中的一系列数据。
可以理解的是,考虑到设备运行数据与具体的应用场景有关,可以根据具体的应用场景确定运行数据。示例性的,对于车辆来说,运行数据包括与车辆运行有关的参数,可以包括车辆实时位置、行驶轨迹、发动机启动与关闭时间、发动机温度、发动机转速、节气门开度、变速箱档位信息、变速箱换挡模式以及车辆的行驶速度;对于电力设备,运行数据可以包括设备的电流、电压等。
本实施例中,获取当前设备在当前时刻的设备运行数据,包括:基于部署在当前设备上的至少一个传感器采集当前设备的设备运行数据,以及基于PLC采集当前设备的生产数据,并作为设备运行数据;实时传输设备运行数据,以使与当前设备相对应的环境模型对设备运行数据进行处理。
设备运行数据包括设备运行数据以及生产数据。
可以理解的是,为了建立故障与设备运行数据之间的对应关系,可以确定与设备性能相对应的量化指标。因此,可以基于传感器获取设备的测量数据,以作为功能模块的性能相对应的量化指标。
其中,设备运行数据可以是测量数据,是通过测量可以得到的物理量。
可选的,测量数据可以是设备的输入数据和/或输出数据,相对应的,对于当前设备的每个功能模块,将所有功能模块的输入数据和/或输出数据作为当前设备的设备运行数据。
可编程逻辑控制器(Programmable Logic Controller,PLC)是一种专门为在工业环境下应用而设计的数字运算操作电子***,PLC基于一种可编程的存储器采集生产数据,通过在存储器内部存储操作指令(例如,执行逻辑运算、顺序控制、定时、计数和算术运算等操作的指令),以通过数字式或模拟式的输入输出来控制各种类型的设备或生产过程。
生产数据可以包括设备状态及设备工装数据,例如,设备状态数据可以包括设备的开关机状态、报警数据、设备运行压力、速度和温度等实时数据,以及设备状态数据所对应的时间数据,设备工装数据可以包括工装模具的型号、寿命等使用信息。
可选的,基于PLC采集当前设备的生产数据包括:将PLC与设备相连接,既可以采集设备生产数据的当前值,又能对生产数据进行统计分析。考虑到PLC还具有数据记录单元,可以基于该数据记录单元获取PLC采集到的数据。这样做的好处是,PLC具有自检信号多的特点,因此,基于PLC获取生产数据,可以实现自诊断式设备监控,减少故障,提高设备的可靠性。
S120、基于预先训练得到的环境模型对设备运行数据进行处理,得到预测时长内的预测运行数据。
可以理解的是,考虑到设备的一些运行数据容易受到环境变量的影响,进而导致预测结果出现偏差,因此,建立了环境模型,以模拟设备的运行环境。
预测运行数据可以包括当前时刻之后预测时长内每一时刻的运行数据,也可以只包括当前时刻之后预测时长所对应的未来时刻的运行数据。
可选的,环境模型包括神经网络模型,用于基于设备运行数据和设备运行环境进行预测,以得到预测运行数据。
可选的,环境模型可以包括与当前设备相对应的设备仿真模型,以及与当前设备所处环境相对应的环境参数模型,其中,仿真模型可以是与当前设备相对应的物理模型或适于计算处理的数学模型。这样做的好处是,可以直接得到设备运行数据,以基于设备运行数据预测设备故障。
可以理解的是,在基于环境模型对设备运行数据进行处理之前,需要先对环境模型进行训练。
对环境模型进行训练包括:获取多个样本数据,其中,样本数据包括设备在第一时刻的历史运行数据以及相应预测时长内的实际历史运行数据,预测时长与第一时刻相对应;基于多个样本数据对预先构建的环境模型和预测模型进行训练;其中,预先构建的环境模型是基于所述设备的运行环境确定的;将环境模型输出的预测时长内的预测历史运行数据和所述实际历史运行数据,输入至所述预测模型中,得到故障预测结果;基于故障预测结果以及实际历史运行数据,对环境模型以及所述预测模型中的模型参数进行修正。
可以理解的是,多个样本数据可以是一段时间内的每一时刻对应的历史运行数据,每一时刻都可以看作一个第一时刻,每一时刻的运行数据可以作为一个样本数据,相对应的,实际历史运行数据可以包括与第一时刻之后预测时长所对应的每个历史时刻的运行数据。
可选的,样本数据可以包括设备故障状态下的运行数据以及设备正常工作状态下的运行数据。
可选的,将第一时刻的历史运行数据作为当前样本数据对应的一个输入样本,将相应预测时长内的实际历史运行数据为与该输入样本相对应的标签数据。相对应的,基于多个样本数据对预先构建的环境模型和预测模型进行训练包括:对于各样本数据,将当前样本数据中的输入样本(即设备在第一时刻的历史运行数据)输入至环境模型中,得到与输入样本相对应的输出数据(即预测时长内的预测历史运行数据)。
预测模型用于基于预测历史运行数据进行故障预测,得到与预测历史运行数据相对应的故障预测结果。
可选的,故障预测结果可以包括设备的运行状态,运行状态包括正常运行和故障。相对应的,基于故障预测结果以及实际历史运行数据,对环境模型以及预测模型中的模型参数进行修正包括:确定与实际历史运行数据相对应的实际设备运行状态,若该实际运行状态与故障预测结果不一致,则对环境模型以及预测模型中的模型参数进行修正,以使实际运行状态与故障预测结果一致;当实际运行状态与故障预测结果一致时,停止训练,得到环境模型和预测模型。这样做的好处是,可以防止过拟合。
可选的,对预测模型进行训练包括:对于每种设备,获取该设备在故障状态下的运行数据以及正常工作状态下的运行数据,作为预测训练样本中的输入样本,将运行数据所对应的真实运行状态作为与该输入样本相对应的标签数据,将每个输入样本与其相对应的标签数据作为一个预测训练样本,以得到多个预测训练样本;对于各预测训练样本,将当前预测训练样本中的输入样本输入至预测模型中,输出与当前输入样本对应的预测运行状态;基于预测运行状态、当前训练样本中标签数据以及预设损失函数,确定与当前输入样本相对应的损失值;基于该损失值对预测模型的模型参数进行修正,以使损失值减小;当损失函数收敛时,停止训练,得到预测模型。
本实施例中,对预测模型进行训练还包括:确定与实际历史运行数据所对应的偏差阈值,以基于偏差阈值,对预测模型中的模型参数进行修正。
其中,偏差阈值用于确定预测历史运行数据与实际历史运行数据之间的最大偏差程度。相对应的,确定与实际历史运行数据所对应的偏差阈值,以基于偏差阈值,对预测模型中的模型参数进行修正包括:确定预测历史运行数据与实际历史运行数据之间的实际偏差;若该实际偏差超过该偏差阈值,对预测模型中的模型参数进行修正,以使偏差减小;当偏差收敛时,停止训练,得到预测模型。
可以理解的是,运行数据包括各种类型的数据,不同数据的偏差程度所对应的设备状态可能不同,因此,对于每种数据,均设置了对应的偏差阈值,这样做的好处是,可以提高预测准确度。
可选的,偏差可以包括统计学偏差,统计学偏差可以包括与绝对偏差、相对偏差、标准偏差和相对平均偏差中的至少一种。
进一步的,基于预先训练得到的环境模型对设备运行数据进行处理,得到预测时长内的预测运行数据,包括:基于预先训练得到的环境模型模拟当前设备的运行环境,以在运行环境下对设备运行数据进行处理,得到预测时长内的预测运行数据。
具体的,将设备运行数据输入至预先训练得到的环境模型中,以基于该运行环境对该设备运行数据进行处理,得到与该设备运行数据相对应的预测时长内的预测运行数据,这样做的好处是,基于建模和数据分析技术提高了数据分析效率,而且使用仿真模型可以避免因改变真实设备参数而产生的成本,有助于长期实验和研究。
S130、基于预测模型对预测运行数据分析处理,确定当前设备是否存在故障。
可选的,考虑到设备类型不同,因此不同设备的运行数据也不同;而且对于同一设备,也可能包括不同类型的运行数据,因此,针对不同设备,训练与设备对应的预测模型,和/或,针对不同数据类型,训练与数据类型相对应的预测模型。
可选的,预测模型可以是分类模型,用于确定设备运行状态,相对应的,基于预测模型对预测运行数据分析处理,确定当前设备是否存在故障,包括:将预测运行数据输入至预先训练得到的预测模型中,以该预测运行数据进行处理,得到与该设备运行数据相对应的运行状态,若预测模型的分析结果为设备正常运行,确定当前设备不存在故障;若分析结果为设备存在故障,确定当前设备不存在故障。
可选的,预测模型用于确定故障类型,相对应的,基于预测模型对预测运行数据分析处理,确定当前设备是否存在故障,包括:将预测运行数据输入至预先训练得到的预测模型中,以该预测运行数据进行处理,得到与该设备运行数据相对应的分析结果,分析结果包括故障类型,若预测模型的分析结果为设备正常运行,确定当前设备不存在故障;若分析结果为具体的故障类型,确定当前设备存在该类型的故障。
本实施例中,基于预测模型对所述预测运行数据分析处理,确定当前设备是否存在故障,包括:将预测运行数据输入至所述预测模型中,确定当前设备在当前策略下预测运行数据是否存在故障。
其中,当前策略可以包括当前设备的入参。可选的,入参可以是各功能模块的输入数据、功能模块的属性参数以及环境模型中的环境参数中的至少一个。
可以理解的是,为了得到当前设备的运行数据,可以调整环境模型的参数设置,以得到各种策略相对应的运行数据,这样做的好处是,可以基于策略对应的仿真数据确定策略、预测运行数据以及设备工作状态之间的对应关系,提高故障预测准确度。
可选的,将预测运行数据输入至所述预测模型中,确定当前设备在当前策略下预测运行数据是否存在故障:包括:调整入参,得到当前入参对应的预测运行数据,将该将预测运行数据输入至预测模型中,得到与该预测运行数据相对应的数据分析处理结果,以基于该数据分析处理结果,确定当前设备是否存在故障。
可选的,策略可以包括维护策略,相对应的,将预测运行数据输入至所述预测模型中,确定当前设备在当前策略下预测运行数据是否存在故障,包括:在检测到设备存在故障之后,生成与该设备相对应的维护策略,以使工作人员基于该维护策略对设备进行维护,并得到该维护策略对应的预测运行数据。
S140、若当前设备存在故障,则生成预警信息发送至设备管理***,以基于与设备管理***相对应的用户对当前设备进行维护。
其中,预警信息可以是任何形式的预警信息,用于提醒用户有设备处于故障状态,这样做的好处是,便于用户及时进行干预,提高设备管理效率,增强安全性。
可选的,生成关于当前设备的预警信息,用于提示工作人员当前设备发生故障以及具体的故障类型。
设备管理***用于对各设备进行管理,当设备管理***接收到与至少一个设备相对应的预警信息时,基于设备管理***的人机交互模块对该预警信息进行处理,以告知用户,使得用户可以及时对该设备进行维修。
可以理解的是,设备包括至少一个功能模块,可以基于功能模块的运行数据确定功能模块是否发生故障,以确定当前设备中各功能模块是否正常运行。因此,为了对功能模块进行故障预测,可以对当前设备设置多个检测点位,用于获取与功能模块的相对应的运行数据,以基于这些数据确定各功能模块的运行状态,以基于模块运行数据确定当前设备是否存在故障,并在当前设备存在故障的条件下,输出当前设备的故障点位,以基于故障点位生成预警信息。
其中,故障电位可以设置在当前设备的各功能模块,用于检测该模块的运行数据。
具体的,在确定当前设备存在故障的条件下,确定该故障状态的运行数据相对应的故障功能模块,将该故障功能模块作为当前设备的故障电位,输出与该故障功能模块相对应的预警信息。
可选的,功能模块的运行数据包括与该功能模块相对应的模块标识,在当前设备存在故障的条件下,基于运行数据确定与该运行数据相对应的模块标识,并基于模块标识输出当前设备的故障点位,以基于故障点位生成预警信息。
可以理解的是,考虑到预测问题的性质可能随着时间有改变,导致模型预测的有效性随着时间衰减,这可能是由于真实设备可能出现训练样本中不涉及的故障,使得模型中使用和捕捉的假设改变或不再有效,因此可以将当前设备为故障状态下的设备运行数据和实际运行数据,作为训练样本;基于训练样本更新环境模型以及预测模型的模型参数,也就是说,基于设备运行数据更新训练样本,以对环境模型和预测模型进行更新训练。
可选的,训练样本可以只包括新数据,也可以包括新数据和旧数据。相对应的,可以这两种方式对模型参数进行更新,基于预测准确率较高的训练样本确定训练样本的更新策略。
本实施例的技术方案,通过环境模型来预测设备运行数据,并通过预测模型预测设备状态,并通过预警信息实现实时告警,辅助维护人员工作,实现故障设备的***性维护。
图2是根据本发明实施例提供的一种具体的预测设备故障的方法的流程图,配置于本实施例可适用于基于环境模型和预测模型预测设备故障的场景。
如图2所示,该预测设备故障的方法包括以下步骤:
S210、对于各设备,在当前设备运行过程中,基于部署在当前设备上的至少一个传感器采集当前设备的设备运行数据,以及基于PLC采集当前设备的生产数据,并作为设备运行数据。
参考图3,基于传感器采集当前设备的检测数据,并基于PLC采集当前设备的设备数据,以得到设备的运行数据和上下游的工艺流程相关的设备数据,并将检测数据和设备数据作为该设备的设备运行数据。
S220、实时传输设备运行数据,以使与当前设备相对应的环境模型对设备运行数据进行处理。
参考图3,将设备运行数据实时传输至配置了该预测设备故障的方法的故障预测设备。
S230、基于预先训练得到的环境模型模拟当前设备的运行环境,以在运行环境下对设备运行数据进行处理,得到预测时长内的预测运行数据,并将预测运行数据输入至预测模型中,确定当前设备在当前策略下预测运行数据是否存在故障。
参考图3,对环境模型和预测模型进行训练包括:基于环境模型对接收到的设备运行数据,进行预测,得到距当前时刻设定时长(例如2小时)的未来时刻所对应的预测历史运行数据,基于预测历史运行数据和距当前时刻设定时长(例如2小时)的未来时刻的实际历史运行数据,训练出环境模型以及预测模型,以得到当前检测电位的正常态运行趋势以及故障数据的运行趋势,并确定与正常态运行数据相对应的偏差阈值。
可选的,在积累了足够的故障状态的运行数据的情况下,基于运行数据对预测模型进行监督学习,基于预测模型确定该设备具体的故障功能模块。
进一步的,将环境模型和预测模型应用在真实生产环境中并进行实时检测,如果发现点位的运行状态趋势和环境模型中的正常态偏差度超过偏差阈值,则说明该点位异常,该设备发生故障。
S240、若当前设备存在故障,则生成预警信息发送至设备管理***,以基于与设备管理***相对应的用户对当前设备进行维护。
参考图3,若当前设备存在故障,则生成预警信息发送至设备管理***,设备管理***生成对应的维修计划或保养计划,以使工作人员对当前设备进行故障检测、保养和/或维修,以继续采集设备运行数据,以基于设备运行数据更新训练样本,以对环境模型和预测模型进行更新训练。
本发明实施例的技术方案,以实际设备运行数据和设备所在的工艺流程为基础,充分利用智能决策技术,通过构建设备环境模型和预测模型确定故障设备,实现设备的可预测性维护,能够全面提升智能化维护水平,降低专家经验依赖;对设备运行数据进行深度的全局数据分析,更高维度完成设备维护决策分析;与生产业务协同,提升整体维护效率,降低设备故障带来的损失,保证生产安全。
图4是根据本发明实施例提供的一种预测设备故障的装置的结构框图,本实施例可适用于基于仿真模型进行预测设备故障的场景,该装置可以采用硬件和/或软件的形式实现,集成于具有应用开发功能的电子设备的处理器中。
如图4所示,该预测设备故障的装置包括:运行数据获取模块401,用于对于各设备,在当前设备运行过程中,获取所述当前设备在当前时刻的设备运行数据;运行数据预测模块402,用于基于预先训练得到的环境模型对所述设备运行数据进行处理,得到预测时长内的预测运行数据;其中,所述环境模型用于模拟所述当前设备的运行环境;数据处理模块403,用于基于预测模型对所述预测运行数据分析处理,确定所述当前设备是否存在故障;预警模块404,用于若所述当前设备存在故障,则生成预警信息发送至设备管理***,以基于与所述设备管理***相对应的用户对所述当前设备进行维护。解决了预测设备故障的准确度较低的问题,提高预测设备故障的准确度。
可选的,运行数据获取模块401具体用于:
基于部署在所述当前设备上的至少一个传感器采集所述当前设备的设备运行数据,以及基于PLC采集所述当前设备的生产数据,并作为所述设备运行数据;
实时传输所述设备运行数据,以使与所述当前设备相对应的环境模型对所述设备运行数据进行处理。
可选的,运行数据预测模块402具体用于:
基于预先训练得到的环境模型模拟所述当前设备的运行环境,以在所述运行环境下对所述设备运行数据进行处理,得到预测时长内的预测运行数据。
可选的,数据处理模块403具体用于:
将所述预测运行数据输入至所述预测模型中,确定所述当前设备在当前策略下所述预测运行数据是否存在故障。
可选的,该装置还包括模型训练模块,该模型训练模块用于:
获取多个样本数据,其中,所述样本数据包括设备在第一时刻的历史运行数据以及相应预测时长内的实际历史运行数据,所述预测时长与所述第一时刻相对应;
基于所述多个样本数据对预先构建的环境模型和所述预测模型进行训练;其中,预先构建的环境模型是基于所述设备的运行环境确定的;
将所述环境模型输出的预测时长内的预测历史运行数据和所述实际历史运行数据,输入至所述预测模型中,得到故障预测结果;
基于所述故障预测结果以及所述实际历史运行数据,对所述环境模型以及所述预测模型中的模型参数进行修正。
可选的,该模型训练模块包括参数修正单元,该参数修正单元用于:
确定与所述实际历史运行数据所对应的偏差阈值,以基于所述偏差阈值,对所述预测模型中的模型参数进行修正。
可选的,该装置还包括故障点位输出模块,该故障点位输出模块用于:
输出所述当前设备的故障点位,以基于所述故障点位生成预警信息。
可选的,该装置还包括模型参数更新模块,该模型参数更新模块用于:
将所述当前设备为故障状态下的设备运行数据和实际运行数据,作为训练样本;
基于所述训练样本更新所述环境模型以及所述预测模型的模型参数。
本发明实施例所提供的预测设备故障的装置可执行本发明任一实施例所提供的预测设备故障的方法,具备执行方法相应的功能模块和有益效果。
图5是根据本发明实施例提供的一种电子设备的结构框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如预测设备故障的方法。
在一些实施例中,预测设备故障的方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的预测设备故障的方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行预测设备故障的方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程预测设备故障的装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的***和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种预测设备故障的方法,其特征在于,包括:
对于各设备,在当前设备运行过程中,获取所述当前设备在当前时刻的设备运行数据;
基于预先训练得到的环境模型对所述设备运行数据进行处理,得到预测时长内的预测运行数据;其中,所述环境模型用于模拟所述当前设备的运行环境;
基于预测模型对所述预测运行数据分析处理,确定所述当前设备是否存在故障;
若所述当前设备存在故障,则生成预警信息发送至设备管理***,以基于与所述设备管理***相对应的用户对所述当前设备进行维护。
2.根据权利要求1所述的方法,其特征在于,所述获取所述当前设备在当前时刻的设备运行数据,包括:
基于部署在所述当前设备上的至少一个传感器采集所述当前设备的设备运行数据,以及基于PLC采集所述当前设备的生产数据,并作为所述设备运行数据;
实时传输所述设备运行数据,以使与所述当前设备相对应的环境模型对所述设备运行数据进行处理。
3.根据权利要求1所述的方法,其特征在于,所述基于预先训练得到的环境模型对所述设备运行数据进行处理,得到预测时长内的预测运行数据,包括:
基于预先训练得到的环境模型模拟所述当前设备的运行环境,以在所述运行环境下对所述设备运行数据进行处理,得到预测时长内的预测运行数据。
4.根据权利要求1所述的方法,其特征在于,所述基于预测模型对所述预测运行数据分析处理,确定所述当前设备是否存在故障,包括:
将所述预测运行数据输入至所述预测模型中,确定所述当前设备在当前策略下所述预测运行数据是否存在故障。
5.根据权利要求1所述的方法,其特征在于,还包括:
获取多个样本数据,其中,所述样本数据包括设备在第一时刻的历史运行数据以及相应预测时长内的实际历史运行数据,所述预测时长与所述第一时刻相对应;
基于所述多个样本数据对预先构建的环境模型和所述预测模型进行训练;其中,预先构建的环境模型是基于所述设备的运行环境确定的;
将所述环境模型输出的预测时长内的预测历史运行数据和所述实际历史运行数据,输入至所述预测模型中,得到故障预测结果;
基于所述故障预测结果以及所述实际历史运行数据,对所述环境模型以及所述预测模型中的模型参数进行修正。
6.根据权利要求5所述的方法,其特征在于,还包括:
确定与所述实际历史运行数据所对应的偏差阈值,以基于所述偏差阈值,对所述预测模型中的模型参数进行修正。
7.根据权利要求1所述的方法,其特征在于,在所述当前设备存在故障的条件下,所述方法还包括:
输出所述当前设备的故障点位,以基于所述故障点位生成预警信息。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述当前设备为故障状态下的设备运行数据和实际运行数据,作为训练样本;
基于所述训练样本更新所述环境模型以及所述预测模型的模型参数。
9.一种预测设备故障的装置,其特征在于,包括:
运行数据获取模块,用于对于各设备,在当前设备运行过程中,获取所述当前设备在当前时刻的设备运行数据;
运行数据预测模块,用于基于预先训练得到的环境模型对所述设备运行数据进行处理,得到预测时长内的预测运行数据;其中,所述环境模型用于模拟所述当前设备的运行环境;
数据处理模块,用于基于预测模型对所述预测运行数据分析处理,确定所述当前设备是否存在故障;
预警模块,用于若所述当前设备存在故障,则生成预警信息发送至设备管理***,以基于与所述设备管理***相对应的用户对所述当前设备进行维护。
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指令,所述计算机指令用于使处理器执行时实现权利要求1-8中任一项所述的预测设备故障的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410114932.2A CN117932437A (zh) | 2024-01-26 | 2024-01-26 | 预测设备故障的方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410114932.2A CN117932437A (zh) | 2024-01-26 | 2024-01-26 | 预测设备故障的方法、装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117932437A true CN117932437A (zh) | 2024-04-26 |
Family
ID=90755436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410114932.2A Pending CN117932437A (zh) | 2024-01-26 | 2024-01-26 | 预测设备故障的方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117932437A (zh) |
-
2024
- 2024-01-26 CN CN202410114932.2A patent/CN117932437A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10521490B2 (en) | Equipment maintenance management system and equipment maintenance management method | |
US10402511B2 (en) | System for maintenance recommendation based on performance degradation modeling and monitoring | |
WO2023065584A1 (zh) | 设备的剩余使用寿命的确定方法、装置和电子设备 | |
Mathew et al. | Regression kernel for prognostics with support vector machines | |
CN111382494A (zh) | 用于检测工业机器的感知数据中的异常的***及方法 | |
CN112083244A (zh) | 综合化航空电子设备故障智能诊断*** | |
CN113196311A (zh) | 用于识别和预测机器的异常感测行为模式的***和方法 | |
KR102328842B1 (ko) | 설비 관리 방법 및 이를 실행하는 장치 | |
CN116000131A (zh) | 一种基于数据驱动的挤压机设备智能运维方法及*** | |
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 | |
CN112534371A (zh) | 优化用于监视工业机器操作的机器学习算法的准确度 | |
CN114819082A (zh) | 一种工厂产品一次校验合格率预测方法、装置及介质 | |
CN112286088A (zh) | 一种动力设备故障预测模型在线应用的方法及应用*** | |
CN117932437A (zh) | 预测设备故障的方法、装置和存储介质 | |
CN115338867A (zh) | 移动机器人的故障状态监测方法、装置和设备 | |
CN115357011A (zh) | 一种机器人故障处理方法、装置、介质以及电子设备 | |
JP2019191880A (ja) | 設備管理支援システム | |
CN114089206A (zh) | 一种电池冗余模块的寿命预测方法、***、介质及设备 | |
CN113011745A (zh) | 电网安全运维中的异常检测方法、装置、设备和介质 | |
Esteves et al. | Prognostics health management: perspectives in engineering systems reliability prognostics | |
Karagiorgou et al. | On making factories smarter through actionable predictions based on time-series data | |
Xin et al. | Run-time probabilistic model checking for failure prediction: A smart lift case study | |
Danishvar et al. | A PdM framework through the event-based genomics of machine breakdown | |
CN118091406B (zh) | 电机检测修复方法、装置、电子设备及存储介质 | |
CN115456168B (zh) | 强化学习模型的训练方法、能耗确定方法和装置 |
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 |