CN104915552A - 一种预测系统故障的方法及装置 - Google Patents

Abstract

本发明提供了一种预测系统故障的方法及装置，所述方法包括：从当前系统的运行状态数据中提取故障指标；根据所述故障指标之间的相互关系和所述故障指标与故障之间的非线性关系建立故障预测模型；根据所述故障预测模型对所述当前系统进行故障预测。本发明通过将故障指标之间的相互关系和故障指标与故障之间的非线性关系建立故障预测模型，并通过故障预测模型对当前系统进行故障预测，能够预测未来预定时间范围内的故障发生概率，不仅预测准确率较高，而且能够应用在各种复杂的系统中。

Description

一种预测系统故障的方法及装置

技术领域

本发明涉及计算机领域，尤其涉及一种预测系统故障的方法及装置。

背景技术

现有的预测系统故障的方法通常由人为指定的观测指标对应的预测结果来间接预测系统故障，而在实际运行过程中，系统的运行可能受多种不确定因素的影响，导致现有的预测系统故障的方法存在实时性差且预测准确率较低的问题，并且其应用范围也较窄。

发明内容

本发明解决的技术问题之一是现有的预测设备故障的方法存在实时性差且预测准确率较低。

根据本发明一方面的一个实施例，提供了一种预测系统故障的方法，包括：

从当前系统的运行状态数据中提取故障指标；

根据所述故障指标之间的相互关系和所述故障指标与故障之间的非线性关系建立故障预测模型；

根据所述故障预测模型对所述当前系统进行故障预测。

根据本发明另一方面的一个实施例，提供了一种预测系统故障的装置，包括：

用于从当前系统的运行状态数据中提取故障指标的装置；

用于根据所述故障指标之间的相互关系和所述故障指标与故障之间的非线性关系建立故障预测模型的装置；

用于根据所述故障预测模型对所述当前系统进行故障预测的装置。

由于本实施例可以通过将故障指标之间的相互关系和故障指标与故障之间的非线性关系建立故障预测模型，并通过故障预测模型对当前系统进行故障预测，能够预测未来预定时间范围内的故障发生概率，不仅预测准确率较高，而且能够应用在各种复杂的系统中。

本领域普通技术人员将了解，虽然下面的详细说明将参考图示实施例、附图进行，但本发明并不仅限于这些实施例。而是，本发明的范围是广泛的，且意在仅通过后附的权利要求限定本发明的范围。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1示出根据本发明一个实施例的预测系统故障的方法的流程图。

图2示出根据本发明的实施例一和二终通过深度学习方法建立故障预测模型的示意图。

图3示出根据本发明的实施例一和二在不同的时间点针对该故障进行372次预测的结果示意图。

图4示出根据本发明另一个实施例的预测系统故障的方法的流程图。

图5示出根据本发明一个实施例的预测系统故障的装置的结果图。

图6示出根据本发明另一个实施例的预测系统故障的装置的结果图。

附图中相同或相似的附图标记代表相同或相似的部件。

具体实施方式

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

在上下文中所称“计算机设备”，也称为“电脑”，是指可以通过运行预定程序或指令来执行数值计算和/或逻辑计算等预定处理过程的智能电子设备，其可以包括处理器与存储器，由处理器执行在存储器中预存的存续指令来执行预定处理过程，或是由ASIC、FPGA、DSP等硬件执行预定处理过程，或是由上述二者组合来实现。计算机设备包括但不限于服务器、个人电脑、笔记本电脑、平板电脑、智能手机等。

所述计算机设备包括用户设备与计算机设备。其中，所述用户设备包括但不限于电脑、智能手机、PDA等；所述计算机设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量计算机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。其中，所述计算机设备可单独运行来实现本发明，也可接入网络并通过与网络中的其他计算机设备的交互操作来实现本发明。其中，所述计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、VPN网络等。

需要说明的是，所述用户设备、计算机设备和网络等仅为举例，其他现有的或今后可能出现的计算机设备或网络如可适用于本发明，也应包含在本发明保护范围以内，并以引用方式包含于此。

后面所讨论的方法(其中一些通过流程图示出)可以通过硬件、软件、固件、中间件、微代码、硬件描述语言或者其任意组合来实施。当用软件、固件、中间件或微代码来实施时，用以实施必要任务的程序代码或代码段可以被存储在机器或计算机可读介质(比如存储介质)中。(一个或多个)处理器可以实施必要的任务。

这里所公开的具体结构和功能细节仅仅是代表性的，并且是用于描述本发明的示例性实施例的目的。但是本发明可以通过许多替换形式来具体实现，并且不应当被解释成仅仅受限于这里所阐述的实施例。

应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。

应当理解的是，当一个单元被称为“连接”或“耦合”到另一单元时，其可以直接连接或耦合到所述另一单元，或者可以存在中间单元。与此相对，当一个单元被称为“直接连接”或“直接耦合”到另一单元时，则不存在中间单元。应当按照类似的方式来解释被用于描述单元之间的关系的其他词语(例如“处于...之间”相比于“直接处于...之间”，“与...邻近”相比于“与...直接邻近”等等)。

这里所使用的术语仅仅是为了描述具体实施例而不意图限制示例性实施例。除非上下文明确地另有所指，否则这里所使用的单数形式“一个”、“一项”还意图包括复数。还应当理解的是，这里所使用的术语“包括”和/或“包含”规定所陈述的特征、整数、步骤、操作、单元和/或组件的存在，而不排除存在或添加一个或更多其他特征、整数、步骤、操作、单元、组件和/或其组合。

还应当提到的是，在一些替换实现方式中，所提到的功能/动作可以按照不同于附图中标示的顺序发生。举例来说，取决于所涉及的功能/动作，相继示出的两幅图实际上可以基本上同时执行或者有时可以按照相反的顺序来执行。

由于在现有技术中，基于时间序列的故障预测实现方案主要通过人工指定设备参数的指标，并根据该指标的预测结果，间接判断设备在未来是否会发生故障。例如，通过arima(Autoregressive Integrated Moving AverageModel，自回归积分滑动平均模型)算法预测某设备的某电压值，从而为该设备的故障预测提供支持。但该基于时间序列预测的故障预测存在如下技术缺点：

1.通过人为指定观测指标，如某电压值，来预测设备故障，会较大程度上受限于人的主观经验，且在覆盖度上存在缺陷；

2.通过预测人为指定的指标的预测结果来间接预测设备故障，预测流程较长，准确度较低；

3.对认为指定的指标的时间序列数据预测过程，是将指标时序看作由单源或固定的多源系统生成的信号，并基于此假设来对时序进行预测，而实际情况中，设备的运行可能会受到多种不确定因素的综合影响，而该预测方法主要考虑各指标对设备故障的单独影响，对指标之间的相互作用所蕴含的信息难以识别。

4.通过实现确定监控指标，系统优化周期较长，难以实现大型系统的实时性预测要求。

为解决上述技术问题，本发明一个实施例提出了一种预测系统故障的方法，结合图1所示，所述方法包括如下步骤：

S100、从当前系统的运行状态数据中提取故障指标；

S110、根据各故障指标之间的相互关系和故障指标与故障之间的非线性关系建立故障预测模型；

S120、根据该故障预测模型对当前系统进行故障预测。

下面对各步骤做进一步详细介绍。

步骤S100中，计算机设备从当前系统的运行状态数据中提取故障指标。

其中，获取当前系统的运行状态数据可通过在系统中各设备的模块安装监控传感器，该监控传感器可用于实时记录系统中各模块的运行状态数据。

例如，在一大型风力发电系统中，通常包括风轮、发电机、调速和调向机构、传动机构、停车机构、电控器、逆变器等设备。在上述这些设备中安装的监控传感器能够采集这些设备的转速、输出功率等参数，这些参数即可作为当前系统的运行状态数据。

在一可选实施例中，从当前系统运行状态数据中提取故障指标包括：

从故障记录中提取故障指标数据，并根据监测到的当前系统的运行状态数据筛选出所述故障指标。

例如，当风轮受到阵风冲击时，风轮的各个叶片会受到短暂而频繁的冲击载荷，而这个冲击载荷也会传递到传动链上的各个部件，使得各个部件也受到复杂交变的冲击，导致风力发电系统中的各种设备在运行过程中出现的各种故障之间存在关联。由阵风冲击风轮导致的故障主要包括以下两种：叶片自身发生的故障为叶片断裂、疲劳失效、偏移、弯曲等，叶片导致其它设备发生的故障为传动机构的齿轮损坏、逆变器误动作、发电机过热等。但是如果阵风的强度较低，又不会造成风力发电系统中的设备在短时间内损坏，因此在对系统故障进行预测的过程中就需要对当前系统的运行状态数据进行筛选。首先可将不同设备的故障进行分类，然后从各种运行数据的范围中筛选出可能引起故障的部分作为故障指标。

在本实施例中，例举了叶片发生断裂、疲劳失效、偏移、弯曲等故障以及由叶片导致其它设备发生传动机构的齿轮损坏、逆变器误动作、发电机过热等故障，而仅为例举，本领域技术人员应理解从风力发电系统中的其它设备的运行状态数据中提取故障指标也应落入本发明的保护范围，为简明起见，仅以引用方式包含于此，而不做赘述。

步骤S110中，计算机设备根据各故障指标之间的相互关系和故障指标与故障之间的非线性关系建立故障预测模型。

现有的故障预测方法通常采用人工指定的指标进行预测，并且无法获知到指标之间的相互影响。因此，本实施例可通过深度学习方法建立故障预测模型，在该故障预测模型中能够体现出各个故障指标之间的相互关系以及故障指标与故障之间的非线性关系。

通过深度学习方法建立故障预测模型的示意图如图2所示，其中状态特征隐层是由原始特征自动学习得到，该状态特征隐层在向最终判断结果传递之前还需经过如下公式的转换，以体现不同特征簇的原始特征之间的非线性关系：

$S\left(x\right)=\frac{1}{1+e^{-x}}$

在一可选实施例中，故障预测模型的建立过程包括：

将所述当前系统的运行状态数据通过流式计算系统进行规范化预处理；

根据所述故障记录确定出经过所述规范化预处理的所述运行状态数据中的故障指标数据；

通过深度学习确定所述故障指标数据与故障之间的非线性关系，并建立故障预测模型。

步骤S120中，计算机设备根据该故障预测模型对当前系统进行故障预测。

在建立故障预测模型后，可由计算机设备获取当前系统的运行状态数据，并根据该故障预测模型对未来预定时间(例如24～48小时范围内的任意时间)对各设备发生故障的概率进行预测。

以大型风力发电系统中的各个设备发生故障的概率进行预测为例进行说明：在大型风力发电系统中，有一类典型的电子故障是变桨充电器反馈丢失，本实施例将监控设备在过去一段时间内的状态参数当做上述故障预测模型的原始特征，通过模型学习得到的参数，判断该设备在未来一段时间内是否会发生该变桨充电器反馈丢失的故障，图3所示是在不同的时间点针对该故障进行372次预测的结果。其中，纵坐标是每次预测的结果，值越大，则故障发生的概率越大。此时，本实施例根据图中黑色横线所示的阈值进行判断，高于此阈值则认为系统会发生故障，低于此阈值，则认为系统不会发生故障。采用上述技术方案的实际意义在于发现设备故障所投入的成本会大大降低，如下：

经过验证预测出的故障中只需检查的样本占13.1％(46/352)左右，可发现的故障样本占80％(16/20)左右。随着系统的运行状态数据以及故障记录的不断更新，故障预测模型数据的也在不断更新，故障预测的准确率与覆盖率还会进一步提升。

在一可选实施例中，如图4所示，所述方法还包括：

步骤S130，计算机设备根据分类预测指标评判的预测值与实际值之间的差异度对系统发生故障的概率进行优化处理。

下面通过具体的实施例对本发明提出的预测系统故障的方法进行详细说明。

实施例一

通过应用本技术方案，在国内某风力发电公司的发电设备故障预测中，预测准确率大大提高，分类预测指标AUC达到0.9以上。远高出竞争对手提供的解决方案。

AUC指标通常用来衡量一个分类预测系统结果的好坏。传统的使用准确率与召回率来衡量时，不同的召回率条件对应了不同准确率结果，因此单单从召回率率来考虑，很难直接比较不同分类系统结果的好坏。

而AUC可以克服这一问题，AUC的取值为0～1之间，其中AUC越接近1，说明该分类系统的效果越好。

具体到该应用中，AUC达到0.9以上意味着绝大部分应该发现的故障都能被系统准确检测出来。

由于能够准确预测未来24h～48h的故障发生概率，使得该公司在设备维护上的投入产出比例得到明显改善。只需要使用原成本的不到20％，即可覆80％以上的故障运维。

图4示出根据本发明一个实施例的预测系统故障的装置(以下简称“预测系统故障装置”)400，该预测系统故障装置可以是计算机设备或是计算机设备中的一个装置。结合图4中所示，该预测系统故障装置包括：

用于从当前系统的运行状态数据中提取故障指标的装置(以下简称“提取装置”)410；

用于根据所述故障指标之间的相互关系和所述故障指标与故障之间的非线性关系建立故障预测模型的装置(以下简称“模型建立装置”)420；

用于根据所述故障预测模型对所述当前系统进行故障预测的装置(以下简称“故障预测装置”)430。

下面对各装置做进一步详细介绍。

提取装置410中，计算机设备从当前系统的运行状态数据中提取故障指标。

其中，获取当前系统的运行状态数据可通过在系统中各设备的模块安装监控传感器，该监控传感器可用于实时记录系统中各模块的运行状态数据。

例如，在一大型风力发电系统中，通常包括风轮、发电机、调速和调向机构、传动机构、停车机构、电控器、逆变器等设备。在上述这些设备中安装的监控传感器能够采集这些设备的转速、输出功率等参数，这些参数即可作为当前系统的运行状态数据。

在一可选实施例中，如图5所示，提取装置410包括：

从故障记录中提取故障指标数据，并根据监测到的当前系统的运行状态数据筛选出所述故障指标的子装置(以下简称“筛选子装置”)411。

例如，当风轮受到阵风冲击时，风轮的各个叶片会受到短暂而频繁的冲击载荷，而这个冲击载荷也会传递到传动链上的各个部件，使得各个部件也受到复杂交变的冲击，导致风力发电系统中的各种设备在运行过程中出现的各种故障之间存在关联。由阵风冲击风轮导致的故障主要包括以下两种：叶片自身发生的故障为叶片断裂、疲劳失效、偏移、弯曲等，叶片导致其它设备发生的故障为传动机构的齿轮损坏、逆变器误动作、发电机过热等。但是如果阵风的强度较低，又不会造成风力发电系统中的设备在短时间内损坏，因此在对系统故障进行预测的过程中就需要对当前系统的运行状态数据进行筛选。首先可将不同设备的故障进行分类，然后从各种运行数据的范围中筛选出可能引起故障的部分作为故障指标。

在本实施例中，例举了叶片发生断裂、疲劳失效、偏移、弯曲等故障以及由叶片导致其它设备发生传动机构的齿轮损坏、逆变器误动作、发电机过热等故障，而仅为例举，本领域技术人员应理解从风力发电系统中的其它设备的运行状态数据中提取故障指标也应落入本发明的保护范围，为简明起见，仅以引用方式包含于此，而不做赘述。

模型建立装置420中，计算机设备根据各故障指标之间的相互关系和故障指标与故障之间的非线性关系建立故障预测模型。

现有的故障预测方法通常采用人工指定的指标进行预测，并且无法获知到指标之间的相互影响。因此，本实施例可通过深度学习方法建立故障预测模型，在该故障预测模型中能够体现出各个故障指标之间的相互关系以及故障指标与故障之间的非线性关系。

通过深度学习方法建立故障预测模型的示意图如图2所示，其中状态特征隐层是由原始特征自动学习得到，该状态特征隐层在向最终判断结果传递之前还需经过如下公式的转换，以体现不同特征簇的原始特征之间的非线性关系：

$S\left(x\right)=\frac{1}{1+e^{-x}}$

在一可选实施例中，如图5所示，模型建立装置420包括：

用于将所述当前系统的运行状态数据通过流式计算系统进行规范化预处理的子装置(以下简称“”预处理子装置)421；

用于根据所述故障记录确定出经过所述规范化预处理的所述运行状态数据中的故障指标数据的子装置(以下简称“故障指标数据确定子装置”)422；

用于通过深度学习确定所述故障指标数据与故障之间的非线性关系，并建立故障预测模型(以下简称“建立子装置”)423。

故障预测装置430中，计算机设备根据该故障预测模型对当前系统进行故障预测。

在一可选实施例中，如图5所示，故障预测装置430包括：

用于获取在所述故障预测模型建立之后的当前系统的运行状态数据，并根据所述故障预测模型对未来预定时间内所述系统发生故障的概率进行预测的子装置(以下简称“概率预测子装置”)431。具体地，在建立故障预测模型后，可由计算机设备获取当前系统的运行状态数据，并根据该故障预测模型对未来预定时间(例如24～48小时范围内的任意时间)对各设备发生故障的概率进行预测。

以大型风力发电系统中的各个设备发生故障的概率进行预测为例进行说明：在大型风力发电系统中，有一类典型的电子故障是变桨充电器反馈丢失，本实施例将监控设备在过去一段时间内的状态参数当做上述模型的原始特征，通过故障预测模型学习得到的参数，判断该设备在未来一段时间内是否会发生该变桨充电器反馈丢失的故障，如图3所示是在不同的时间点针对该故障进行372次预测的结果。其中，纵坐标是每次预测的结果，值越大，则故障发生的概率越大。此时，本实施例根据图中黑色横线所示的阈值进行判断，高于此阈值则认为系统会发生故障，低于此阈值，则认为系统不会发生故障。采用上述技术方案的实际意义在于发现设备故障所投入的成本会大大降低，如下：

经过验证预测出的故障中只需检查的样本占13.1％(46/352)左右，可发现的故障样本占80％(16/20)左右。随着系统的运行状态数据以及故障记录的不断更新，故障预测模型数据的也在不断更新，故障预测的准确率与覆盖率还会进一步提升。

在一可选实施例中，如图5所示，故障预测装置430还包括：

用于根据分类预测指标评判的预测值与实际值之间的差异度对所述系统发生故障的概率进行优化处理子装置(以下简称“优化子装置”)432。

下面通过具体的实施例对本发明提出的预测系统故障的装置进行详细说明。

实施例二

通过应用本技术方案，在国内某风力发电公司的发电设备故障预测中，预测准确率大大提高，分类预测指标AUC达到0.9以上。远高出竞争对手提供的解决方案。

AUC指标通常用来衡量一个分类预测系统结果的好坏。传统的使用准确率与召回率来衡量时，不同的召回率条件对应了不同准确率结果，因此单单从召回率率来考虑，很难直接比较不同分类系统结果的好坏。

而AUC可以克服这一问题，AUC的取值为0～1之间，其中AUC越接近1，说明该分类系统的效果越好。

具体到该应用中，AUC达到0.9以上意味着绝大部分应该发现的故障都能被系统准确检测出来。

由于能够准确预测未来24h～48h的故障发生概率，使得该公司在设备维护上的投入产出比例得到明显改善。只需要使用原成本的不到20％，即可覆80％以上的故障运维。

需要注意的是，本发明可在软件和/或软件与硬件的组合体中被实施，例如，本发明的各个装置可采用专用集成电路(ASIC)或任何其他类似硬件设备来实现。在一个实施例中，本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本发明的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (10)

1.一种预测系统故障的方法，其中，包括：

从当前系统的运行状态数据中提取故障指标；

根据所述故障指标之间的相互关系和所述故障指标与故障之间的非线性关系建立故障预测模型；

根据所述故障预测模型对所述当前系统进行故障预测。

2.根据权利要求1所述的方法，其中，从当前系统运行状态数据中提取故障指标包括：

从故障记录中提取故障指标数据，并根据监测到的当前系统的运行状态数据筛选出所述故障指标。

3.根据权利要求2所述的方法，其中，所述故障预测模型的建立过程包括：

将所述当前系统的运行状态数据通过流式计算系统进行规范化预处理；

根据所述故障记录确定出经过所述规范化预处理的所述运行状态数据中的故障指标数据；

通过深度学习确定所述故障指标数据与故障之间的非线性关系，并建立故障预测模型。

4.根据权利要求1至3任意一项所述的方法，其中，根据所述故障预测模型对所述当前系统进行故障预测包括：

获取在所述故障预测模型建立之后的当前系统的运行状态数据，并根据所述故障预测模型对未来预定时间内所述系统发生故障的概率进行预测。

5.根据权利要求4所述的方法，其中，根据所述故障预测模型对所述当前系统进行故障预测包括还包括：

根据分类预测指标评判的预测值与实际值之间的差异度对所述系统发生故障的概率进行优化处理。

6.一种预测系统故障的装置，其中，包括：

用于从当前系统的运行状态数据中提取故障指标的装置；

用于根据所述故障指标之间的相互关系和所述故障指标与故障之间的非线性关系建立故障预测模型的装置；

用于根据所述故障预测模型对所述当前系统进行故障预测的装置。

7.根据权利要求6所述的装置，其中，用于从当前系统的运行状态数据中提取故障指标的装置包括：

从故障记录中提取故障指标数据，并根据监测到的当前系统的运行状态数据筛选出所述故障指标的子装置。

8.根据权利要求7所述的装置，其中，用于根据所述故障指标之间的相互关系和所述故障指标与故障之间的非线性关系建立故障预测模型的装置包括：

用于将所述当前系统的运行状态数据通过流式计算系统进行规范化预处理的子装置；

用于根据所述故障记录确定出经过所述规范化预处理的所述运行状态数据中的故障指标数据的子装置；

用于通过深度学习确定所述故障指标数据与故障之间的非线性关系，并建立故障预测模型的子装置。

9.根据权利要求6至8任意一项所述的装置，其中，用于根据所述故障预测模型对所述当前系统进行故障预测的装置包括：

用于获取在所述故障预测模型建立之后的当前系统的运行状态数据，并根据所述故障预测模型对未来预定时间内所述系统发生故障的概率进行预测的子装置。

10.根据权利要求9所述的装置，其中，用于根据所述故障预测模型对所述当前系统进行故障预测的装置还包括：

用于根据分类预测指标评判的预测值与实际值之间的差异度对所述系统发生故障的概率进行优化处理子装置。