CN106677761B - 一种故障预测方法及装置 - Google Patents

Abstract

本发明实施例公开了一种故障预测方法，包括：获取被监测设备的示功图，得到待测示功图；将所述待测示功图与预先获得的样本集合中每个样本对应的示功图进行匹配，获得所述待测示功图与所述每个样本对应的示功图之间的匹配度；其中，所述样本集合中的每个样本对应一种故障工作状态；从所述匹配度中获取匹配度最大值；将所述匹配度最大值的样本对应的故障工作状态确定为所述被监测设备的预测故障。本发明实施例提供的故障预测方法，能够实现对被监测设备故障的提前预测，故障预测的结果准确，预测效率高，降低了故障风险及危害，且无需人工比对示功图，节约了人工成本。

Description

一种故障预测方法及装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种故障预测方法及装置。

背景技术

示功图是一种用来反映抽油机悬点载荷随悬点位移变化规律的封闭曲线，一般以悬点位移为横坐标、以悬点载荷为纵坐标，示出了被检测设备的具体工作状态。在实际的油田采油工作中，经常靠分析示功图来判断抽油机的工作状况以及抽油机和油井的故障原因。

在石油开采业中，由于油田通常位于远离人口居住且地理环境较为复杂的地区，一旦油井或抽油机出现故障，工作人员不能第一时间发现问题及时赶赴修理，影响到抽油机的工作效率，某些故障还会危害到油井或油田的安全。因此，通过对示功图的变化趋势的预测，就能够对可能出现故障的抽油机和油井进行提前预判，降低油井或抽油机故障的风险和危害。

目前，在实际工作过程中，普遍是通过人工预测的方式，根据设备在当前时刻生成的示功图对设备故障进行预测，人工成本高。并且，该预测方法完全依赖于人的经验，预测结果的准确性不稳定，预测效率低。

发明内容

有鉴于此，本发明提供了一种故障预测方法及装置，能够解决现有技术中人工成本高，预测结果的准确性不稳定，预测效率低的问题。

本发明实施例提供的故障预测方法，包括：

获取被监测设备的示功图，得到待测示功图；

将所述待测示功图与预先获得的样本集合中每个样本对应的示功图进行匹配，获得所述待测示功图与所述每个样本对应的示功图之间的匹配度；其中，所述样本集合中的每个样本对应一种故障工作状态；

从所述匹配度中获取匹配度最大值；

将所述匹配度最大值的样本对应的故障工作状态确定为所述被监测设备的预测故障。

优选的，所述每个样本对应所述被监测设备从正常工作状态发展到该样本所对应的故障工作状态之间不同时刻生成的示功图。

优选的，所述将所述待测示功图与预先获得的样本集合中的每个样本对应的示功图进行匹配，获得所述待测示功图与所述每个样本对应的示功图之间的匹配度，具体包括：

对所述待测示功图以及所述样本集合中每个样本对应的示功图进行分区；

逐一将所述待测示功图的每个区域和待匹配样本对应的示功图中与该区域坐标范围相同的区域进行匹配，获得所述待测示功图的每个区域和所述待匹配样本对应的示功图中与该区域坐标范围相同的区域之间的匹配度；其中，所述待匹配样本为所述样本集合中任意一个样本；

根据所述待测示功图的每个区域与所述待匹配样本对应的示功图中与该区域坐标范围相同的区域之间的匹配度，得到所述待测示功图与所述待匹配样对应的示功图之间的匹配度。

优选的，所述逐一将所述待测示功图的每个区域和待匹配样本对应的示功图中与该区域坐标范围相同的区域进行匹配，获得所述待测示功图的每个区域和所述待匹配样本对应的示功图中与该区域坐标范围相同的区域之间的匹配度，具体包括：

确定所述待测示功图中位于待测区域内的曲线，得到待测曲线，所述待测区域为所述待测示功图中的任意一个区域；

确定所述待匹配样本对应的每张示功图中位于待匹配区域内的曲线，得到所述待匹配样本对应的每张示功图的待匹配曲线，所述待匹配样本对应至少一张示功图，所述待匹配区域的坐标范围与所述待测区域的坐标范围相同；

根据所述待测曲线，从所述待匹配样本对应的每张示功图的待匹配曲线中确定至少一个满足预设要求的曲线；其中，所述满足预设要求为所述待测曲线上采样点的数量与所述满足预设要求的曲线上采样点的数量之差的绝对值在预设范围内；

获取所述待测曲线的特征以及所述满足预设要求的曲线的特征；

对比所述待测曲线的特征与所述满足预设要求的曲线的特征，获得所述待测曲线的特征与所述满足预设要求的曲线的特征之间的相似度；

根据所述待测曲线的特征与每个满足预设要求的曲线的特征之间的相似度，获得所述待测示功图的待测区域和所述待匹配样本对应的示功图的待匹配区域之间的匹配度。

优选的，所述待测曲线的特征包括每个以所述待测曲线上待测点为顶点的第一角的角度，所述第一角的一条边为该待测点与该待测点前一个待测点之间的连线，所述第一角的另一条边为该待测点与该待测点后一个待测点之间的连线；

所述满足预设要求的曲线的特征包括每个以所述满足预设要求的曲线上待匹配点为顶点的第二角的角度，所述第二角的一条边为该待匹配点与待匹配点前一个待匹配点之间的连线，所述第二角的另一条边为该待匹配点与待匹配点后一个待匹配点之间的连线；

其中，所述待测点为所述待测曲线上的前k个采样点，所述待匹配点为所述满足预设要求的曲线上的前k个采样点；或，所述待测点为所述待测曲线上的后k个采样点，所述待匹配点为所述满足预设要求的曲线上的后k个采样点；0≤k≤min(N,M)，且k为整数，N为所述待测曲线上采样点的数量，M为所述满足预设要求的曲线上采样点的数量。

优选的，所述对比所述待测曲线的特征与所述满足预设要求的曲线的特征，获得所述待测曲线的特征与所述满足预设要求的曲线的特征之间的相似度，具体包括：

按照公式

得到所述待测曲线与所述满足预设要求的曲线之间的角度变化值d；其中，Δθ_i为以所述待测曲线上第i个待测点为顶点的角的角度与以所述满足预设要求的曲线上第i个待匹配点为顶点的角的角度之差；

根据所述角度变化值d，获得所述待测曲线的特征与所述满足预设要求的曲线的特征之间的相似度。

本发明实施例提供的故障预测装置，包括：获取模块、匹配模块和确定模块；

所述获取模块，用于获取被监测设备的示功图，得到待测示功图；还用于从所述匹配模块获得的匹配度中获取匹配度最大值；

所述匹配模块，用于将所述待测示功图与预先获得的样本集合中每个样本对应的示功图进行匹配，获得所述待测示功图与所述每个样本对应的示功图之间的匹配度；其中，所述样本集合中的每个样本对应一种故障工作状态；

所述确定模块，用于将所述匹配度最大值的样本对应的故障工作状态确定为所述被监测设备的预测故障。

优选的，所述每个样本对应所述被监测设备从正常工作状态发展到该样本所对应的故障工作状态之间不同时刻生成的示功图。

优选的，所述匹配模块，具体包括：处理子模块和匹配子模块；

所述处理子模块，用于对所述待测示功图以及所述样本集合中每个样本对应的示功图进行分区；还用于根据所述待测示功图的每个区域与所述待匹配样本对应的示功图中与该区域坐标范围相同的区域之间的匹配度，得到所述待测示功图与所述待匹配样对应的示功图之间的匹配度；

所述匹配子模块，用于逐一将所述待测示功图的每个区域和待匹配样本对应的示功图中与该区域坐标范围相同的区域进行匹配，获得所述待测示功图的每个区域和所述待匹配样本对应的示功图中与该区域坐标范围相同的区域之间的匹配度；其中，所述待匹配样本为所述样本集合中任意一个样本。

优选的，所述匹配子模块，具体包括：确定子模块、获取子模块和对比子模块；

所述确定子模块，用于确定所述待测示功图中位于待测区域内的曲线，得到待测曲线，所述待测区域为所述待测示功图中的任意一个区域；还用于确定所述待匹配样本对应的每张示功图中位于待匹配区域内的曲线，得到所述待匹配样本对应的每张示功图的待匹配曲线，所述待匹配样本对应至少一张示功图，所述待匹配区域的坐标范围与所述待测区域的坐标范围相同；还用于根据所述待测曲线，从所述待匹配样本对应的每张示功图的待匹配曲线中确定至少一个满足预设要求的曲线；其中，所述满足预设要求为所述待测曲线上采样点的数量与所述满足预设要求的曲线上采样点的数量之差的绝对值在预设范围内；

所述获取子模块，用于获取所述待测曲线的特征以及所述满足预设要求的曲线的特征；还用于根据所述待测曲线的特征与每个满足预设要求的曲线的特征之间的相似度，获得所述待测示功图的待测区域和所述待匹配样本对应的示功图的待匹配区域之间的匹配度；

所述对比子模块，用于对比所述待测曲线的特征与所述满足预设要求的曲线的特征，获得所述待测曲线的特征与所述满足预设要求的曲线的特征之间的相似度。

优选的，所述待测曲线的特征包括每个以所述待测曲线上待测点为顶点的第一角的角度，所述第一角的一条边为该待测点与该待测点前一个待测点之间的连线，所述第一角的另一条边为该待测点与该待测点后一个待测点之间的连线；

所述满足预设要求的曲线的特征包括每个以所述满足预设要求的曲线上待匹配点为顶点的第二角的角度，所述第二角的一条边为该待匹配点与待匹配点前一个待匹配点之间的连线，所述第二角的另一条边为该待匹配点与待匹配点后一个待匹配点之间的连线；

其中，所述待测点为所述待测曲线上的前k个采样点，所述待匹配点为所述满足预设要求的曲线上的前k个采样点；或，所述待测点为所述待测曲线上的后k个采样点，所述待匹配点为所述满足预设要求的曲线上的后k个采样点；0≤k≤min(N,M)，且k为整数，N为所述待测曲线上采样点的数量，M为所述满足预设要求的曲线上采样点的数量。

优选的，所述对比子模块，具体包括：计算子模块；

所述计算子模块，用于按照公式

得到所述待测曲线与所述满足预设要求的曲线之间的角度变化值d；其中，Δθ_i为以所述待测曲线上第i个待测点为顶点的角的角度与以所述满足预设要求的曲线上第i个待匹配点为顶点的角的角度之差；还用于根据所述角度变化值d，获得所述待测曲线的特征与所述满足预设要求的曲线的特征之间的相似度。

与现有技术相比，本发明至少具有以下优点：

本发明实施例提供的故障预测方法，通过被监测设备的示功图对其可能或即将出现的故障进行预测。在获取到被监测设备的待测示功图后，将其与预先得到的样本集合中每个样本对应的示功图进行匹配，得到待测示功图与样本集合中每个样本对应的示功图之间的匹配度。样本集合中每个样本对应一种故障工作状态，某一个样本对应的示功图为预先得到的该样本所对应的故障工作状态下或发展为该故障工作状态时所绘制出的被检测设备的示功图。这样，就能够根据待测示功图与每个样本对应的示功图之间的匹配度，得到与待测示功图匹配度最大的示功图所对应的样本，该样本所对应的故障工作原因为被监测设备可能或即将出现的故障，即被监测设备的预测故障。本发明实施例提供的故障预测方法，能够实现对被监测设备故障的提前预测，故障预测的结果准确，预测效率高，降低了故障风险及危害，且无需人工比对示功图，节约了人工成本。

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中记载的一些实施例，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它的附图。

图1为一种示功图；

图2为本发明提供的故障预测方法实施例的流程示意图；

图3为在各种工作状态下所绘制出的抽油机的示功图；

图4为在不同工作时刻下所绘制出的抽油机的示功图；

图5为本发明实施例提供的故障预测方法中获得待测示功图与每个样本对应的示功图之间的匹配度的流程示意图；

图6为本发明实施例提供的故障预测方法中对待测示功图进行分区后相邻的两个区域的示意图；

图7为本发明提供的故障预测装置的结构示意图。

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，所描述的实施例仅是本发明一部分实施例，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，都属于本发明保护的范围。

为方便理解本发明实施例提供的具体方案，结合图1举例示出的示功图介绍本发明实施例中所涉及的示功图的生成方法。以抽油机的示功图为例，该示功图以抽油机的悬点位移为横坐标、以抽油机悬点处的负载为纵坐标，一般包括200-250个采样点，每个采样点表示抽油机悬点在该位移时的负载。将所有采样点连线即可构成如图1所示的示功图。若是根据动力仪在抽油机悬点处测得结果所绘制的示功图，则称为实测示功图。在油田采油实际工作过程中，经常靠分析实测示功图来判断抽油机的工作状况，这样能够比较准确的判断抽油杆断脱、油管漏失、油井结蜡、出砂、泵脱和油管脱等故障。

下面以抽油机的示功图为例，介绍本发明实施例提供的故障预测方法。需要说明的是，本发明实施例提供的故障预测方法不仅能够应用于对抽油机故障的预测，还可以应用于其他设备的故障预测，本发明并不对应用场景做任何限定。

方法实施例：

参见图2，该图为本发明提供的故障预测方法实施例的流程示意图。

本发明实施例提供的故障预测方法，包括：

S201：获取被监测设备的示功图，得到待测示功图。

需要说明的是，所述待测示功图可以为被检测设备当前时刻的实测示功图，也可以为在此之前任意工作时刻绘制得到的该被检测设备的示功图。然而，根据当前时刻的实测示功图对被检测设备的故障进行预测，能够更加准确的得到被检测设备的故障预测结果。

S202：将所述待测示功图与预先获得的样本集合中每个样本对应的示功图进行匹配，获得所述待测示功图与所述每个样本对应的示功图之间的匹配度；其中，所述样本集合中的每个样本对应一种故障工作状态。

对于抽油机来说，在不同的工作状态下，一般会生成与图3所示的15种示功图中某一张类似的示功图。其中，图3(1)和图3(2)为正常工作状态下绘制出的示功图，图3(3)-图3(15)分别为不同的故障工作状态下绘制出的示功图。

因此，可以将预先得到的在各种不同的故障工作状态下绘制出的示功图为样本构建样本集合。之后，将待测示功图分别与样本集合中每个代表不同故障的样本所对应的示功图进行匹配，获得待测示功图与每个代表不同故障的样本之间的匹配度。之后，根据上述匹配度，即可确定出待测示功图与哪个样本所对应的示功图的匹配度最高，匹配度高的样本对应的故障工作状态就是被监测设备的预测故障(即被监测设备可能或即将出现的故障)。

此外，在对多台抽油机的历史工作状态进行监控时，发现每台抽油机从正常的工作状态发展为出现故障的整个生命周期中均是一个循序渐进的过程，对于所绘制出的该抽油机的示功图来说也是一个由正常工作时绘制出的示功图逐渐形变为故障时绘制出的示功图的过程。具体如图4所示，在抽油机正常工作状态下(即T1时刻)绘制出的示功图，随着时间的变化逐渐形变为可能或即将产生故障时(即Ta时刻，1<a<n)绘制出的示功图，最后形变为代表故障状态下(即Tn时刻)绘制出的示功图，Tn时刻该抽油机出现了故障，无法工作。

因此，为了对被检测设备的故障进行预测，降低故障的风险和危害，样本对应的示功图可以为对多台不同的抽油机进行历史数据采集时，获得到的抽油机在发生该样本对应的故障前某一时刻(即Ta时刻)绘制出的一张或者多张示功图。

进一步的，为了更加准确的对被检测设备进行故障预测，样本集合中每个样本对应所述被监测设备从正常工作状态发展到该样本所对应的故障工作状态之间不同时刻生成的示功图。

这样，对被检测设备的故障预测，可以理解为是对其生成的示功图的变化趋势的预测，就是获取待测示功图与样本集合中哪个样本所对应的示功图的匹配度最高。

在本实施例优选的实施方案中，该匹配度为概率。本领域技术人员可以通过获取P(Y_z|X)，即在待测示功图X的条件下出现样本集合中某一样本对应的示功图Y_z的概率，来表示待测示功图X与样本集合中某一样本对应的示功图Y_z之间的匹配度，z为小于等于样本集合中样本数量的正整数。

需要说明的是，被检测设备出现样本集合中某一样本所对应的故障可认为是独立事件，因此根据朴素贝叶斯模型可得到：

对于不同的样本所对应的示功图Y_z来说，P(X)均相同，则上述公式等价于求P(X|Y_z)P(Y_z)，即在待测示功图X的条件下出现样本集合中某一样本对应的示功图Y_z的概率等价于在样本集合中某一样本对应的示功图Y_z中出现待测示功图X的概率乘以该示功图Y_z在样本集合中出现的概率。

下面以匹配度为概率进行说明，本领域技术人员还可以根据实际情况具体选择将何种参数作为待测示功图与样本集合中每个样本对应的示功图之间的匹配度，具体实施方式与概率类似，这里不再一一赘述。

在本实施例的一些可能的实现方式中，如图5所示，步骤S202具体包括以下步骤：

S2021：对所述待测示功图以及所述样本集合中每个样本对应的示功图进行分区。

作为一个示例，可以将示功图的横轴和纵轴各分为10等份，整张示功图被划分为100个区域，具体如图1中虚线所示。

从图3所示的15种示功图可看出，在不同的故障状态对应的示功图之间，即使两张示功图较为相似，但在某些区域还是存在着较大的差异。如图3(3)和图3(6)，只在曲线右上角的某一段存在差距。因此，将示功图分区后逐一将待测示功图和样本对应的示功图中坐标范围相同的区域进行匹配能够提高匹配的精度以及匹配结果的准确性。

这里需要说明的是，示功图中的每个区域均可看作是相对独立的，在计算概率时可将每个区域均看作是独立事件来进行计算。

S2022：逐一将所述待测示功图的每个区域和待匹配样本对应的示功图中与该区域坐标范围相同的区域进行匹配，获得所述待测示功图的每个区域和所述待匹配样本对应的示功图中与该区域坐标范围相同的区域之间的匹配度；其中，所述待匹配样本为所述样本集合中任意一个样本。

这里需要说明的是，在进行示功图之间的匹配时，需考虑到每张示功图之间的坐标轴设置的差距，可事先将待测示功图和样本集合对应的每张示功图进行整体的标准化处理，使其坐标轴范围相同，以保证匹配度获取的准确性。

还需要说明的是，由于示功图为一条封闭的曲线，作为一个示例，本领域技术人员可以通过对比待测示功图中的曲线与样本集合中每个样本对应的示功图中的曲线，来将待测示功图与样本集合中每个样本对应的示功图进行匹配。

因此，在本实施例优选的实施方案中，步骤S2022可以包括以下步骤：

第一步，确定所述待测示功图中位于待测区域内的曲线，得到待测曲线，所述待测区域为所述待测示功图中的任意一个区域；确定所述待匹配样本对应的每张示功图中位于待匹配区域内的曲线，得到所述待匹配样本对应的每张示功图的待匹配曲线，所述待匹配样本对应至少一张示功图，所述待匹配区域的坐标范围与所述待测区域的坐标范围相同。

第二步，根据所述待测曲线，从所述待匹配样本对应的每张示功图的待匹配曲线中确定至少一个满足预设要求的曲线；其中，所述满足预设要求为所述待测曲线上采样点的数量与所述满足预设要求的曲线上采样点的数量之差的绝对值在预设范围内。

可以理解的是，由于示功图是根据实际检测得到的采样点绘制的，因此当待测曲线上采样点的数量与满足预设要求的曲线上采样点的数量相接近时，这两条曲线相似的可能性较高。

这样，所述预设范围的最小值可以为待测曲线上采样点的数量与每条满足预设要求的曲线上采样点的数量之差的绝对值中的最小值。而预设范围的最大值可以根据实际情况具体设定，这里不再一一列举。预设范围的最小值和最大值可以相等。

作为一个示例，待测曲线上采样点的数量为5且待匹配样本对应的4张示功图。当待匹配样本对应的4张示功图的待匹配曲线上分别有2个、3个、5个和6个采样点时，满足预设要求的曲线为采样点数量为5个的待匹配曲线；当待匹配样本对应的4张示功图的待匹配曲线上分别有2个、3个、4个和6个采样点时，满足预设要求的曲线为采样点数量为4个的待匹配曲线以及采样点数量为6个的待匹配曲线；当待匹配样本对应的4张示功图的待匹配曲线上分别有2个、3个、4个和7个采样点时，满足预设要求的曲线为采样点数量为4个的待匹配曲线。

第三步，获取所述待测曲线的特征以及所述满足预设要求的曲线的特征。

在一个例子中，所述待测曲线的特征包括每个以所述待测曲线上待测点为顶点的第一角的角度，所述第一角的一条边为该待测点(顶角处的待测点)与该待测点(顶角处的待测点)前一个待测点之间的连线，所述第一角的另一条边为该待测点(顶角处的待测点)与该待测点(顶角处的待测点)后一个待测点之间的连线；

所述满足预设要求的曲线的特征包括每个以满足预设要求的曲线上待匹配点为顶点的第二角的角度，所述第二角的一条边为该待匹配点(顶角处的待匹配点)与该待匹配点(顶角处的待匹配点)前一个待匹配点之间的连线，所述第二角的另一条边为该待匹配点(顶角处的待匹配点)与该待匹配点(顶角处的待匹配点)后一个待匹配点之间的连线；

其中，所述待测点为所述待测曲线上的前k个采样点，所述待匹配点为所述满足预设要求的曲线上的前k个采样点；或，所述待测点为所述待测曲线上的后k个采样点，所述待匹配点为所述满足预设要求的曲线上的后k个采样点；0≤k≤min(N,M)，且k为整数，N为所述待测曲线上采样点的数量，M为所述满足预设要求的曲线上采样点的数量。

可以理解的是，实际对比过程中，受采样间隔的影响，待测区域中可能存在数量较多的采样点。而在对比待测曲线的特征和待匹配曲线的特征时，可能只需对比部分采样点就可以确定两条曲线之间的相似度。这样，在获取待测曲线的特征和待匹配曲线的特征时，只需将对应的前k个或后k个采样点作为待测点和待匹配点，相应的减小了计算量，提高了故障预测的速度。

以待测示功图为例，参见图6举例示出的分区后得到的待测示功图中两个相邻的区域。左侧区域中只有一个采样点，右侧区域中包括点1、点2、点3和点4这四个采样点。若待测点为前3个采样点，则右侧区域(即待测区域)内曲线的特征可以表示为(θ₁,θ₂,θ₃,3)，其中θ₁、θ₂和θ₃分别为以点1、点2和点3为顶点的角的角度，3为待测点的数量。需要说明的是，上述角度均不大于180°。获取待匹配区域内曲线的特征的方法与此类似，这里不再赘述。

这样，就能得到待测示功图的每个区域内曲线的特征，以及样本集合中每个样本所对应的每张示功图上每个区域内曲线的特征。

这里需要说明的是，由于样本集合中每个样本对应被监测设备从正常工作状态发展到该样本所对应的故障工作状态之间不同时刻生成的多张示功图，而被检测设备绘制出的示功图是一个由正常工作时绘制出的示功图逐渐形变为故障时绘制出的示功图的过程。因此，为了简化对比曲线的特征的过程、提高对比结果的准确性，在找到多条满足预设要求的曲线时，可以通过对比每条满足预设要求的曲线的特征，只保留相似度较高(即对应角的角度变化小)的多条满足预设要求的曲线中的一条。例如，对两条满足预设要求的曲线来说，其特征分别为(φ₁,φ₂,φ₃,3)和(Φ₁,Φ₂,Φ₃,3)。当|Φ₁-φ₁|≤5°且|Φ₂-φ₂|≤5°且|Φ₃-φ₃|≤5°时(即两条满足预设要求的曲线的每个以对应的采样点间为顶点的角的角度之差均小于5°)，说明这两条曲线的形状很接近，因此舍去(φ₁,φ₂,φ₃,3)或(Φ₁,Φ₂,Φ₃,3)所对应的曲线，无需重复对比待测曲线与这两条相似的满足预设要求的曲线。可以理解的是，本领域技术人员可以根据实际情况设置表示角度变化范围小的角度差值(即上述的5°)，这里不再一一列举。

还需要说明的是，具体实施时，还可以先获取待匹配样本对应的每张示功图的待匹配曲线的特征，并舍去每张示功图的待匹配区域内待匹配点数量相同的曲线中相应角的角度变化小的曲线，只保留其中一条。

对于样本集合中每个样本来说，均能得到如下训练集用于表示该样本对应的多张示功图在某一个区域内曲线的变化趋势：

其中，θ_vw为第v个元组中以第w个待匹配点为顶点的角的角度，1≤v≤m，1≤w≤n_w，n_v为第v个元组中角度的个数，m为该训练集中元组的数量。当某一区域中采样点的个数小于或等于1时，该区域中曲线的特征记为(0,0)。

这样，就能得到在待检测设备的整个生命周期中，随着示功图的变化，所绘制的每张示功图的每个区域内曲线的特征的变化规律。

之后，再在上述训练集包括曲线的特征所对应的曲线中，确定满足预设要求的曲线并获取到每个满足预设要求的曲线的特征。

第四步，对比所述待测曲线的特征与所述满足预设要求的曲线的特征，获得所述待测曲线的特征与所述满足预设要求的曲线的特征之间的相似度。

这里需要说明的是，如果在对示功图进行分区时，划分出的单元格的数量足够多时，就可以忽略正在匹配的两个单元格内采样点位置的差距。在进行单元格之间的匹配时，将该两个单元格上次序相同的采样点视为对应的采样点进行对比即可。

作为一个例子，可计算待测区域内曲线的特征中每个角度与满足预设要求的曲线的特征中相应角度之间的差值来获得上述相似度。

具体的，获得上述相似度的方法包括：按照公式

得到所述待测曲线与所述满足预设要求的曲线之间的角度变化值d；其中，Δθ_i为以所述待测曲线上第i个待测点为顶点的角的角度与以所述满足预设要求的曲线上第i个待匹配点为顶点的角的角度之差；根据所述角度变化值d，获得所述待测曲线的特征与所述满足预设要求的曲线的特征之间的相似度。

可以理解的是，待测曲线的特征中的角度与满足预设要求的曲线的特征中相对应的角度之间的差值越小，则说明待测曲线与该满足预设要求的曲线的特征所对应的曲线之间越相似。

因此，当存在多个满足预设要求的曲线的特征时，则按照上述公式

计算待测曲线的特征中的角度与每个满足预设要求的曲线的特征中相应角度之间的差值之后，只取其中的最小角度变化值d_min来获得待测曲线的特征与满足预设要求的曲线的特征之间的相似度。

在本实施例的一些可能的实现方式中，在获得所述待测曲线的特征与所述满足预设要求的曲线的特征之间的相似度时，可将最小角度变化值d_min代入高斯公式中，来计算上述相似度F，如

这里需要说明的是，在获取上述相似度时，本领域技术人员可采用任意一种具有以下特征的公式来进行计算，本发明实施例中并不对此做任何限定，这里也不再一一列举。该特征为：当输入变量的值越小时，输出的结果越大，即输入值与输出值成反比。

第五步，根据所述待测曲线的特征与每个满足预设要求的曲线的特征之间的相似度，获得所述待测示功图的待测区域和所述待匹配样本对应的示功图的待匹配区域之间的匹配度。

因此，在样本集合中某一样本对应的示功图Y中出现待测示功图X的第b个区域x_b的概率

为待测示功图的第b个区域x_b内曲线的特征与待匹配样本对应的示功图Y_z的满足预设要求的曲线的特征之间的相似度。可以理解的是，b为大于或等于1且小于或等于总分区数量的整数。若将待测示功图划分为100个区域，则1≤b≤100。

S2023：根据所述待测示功图的每个区域与所述待匹配样本对应的示功图中与该区域坐标范围相同的区域之间的匹配度，得到所述待测示功图与所述待匹配样对应的示功图之间的匹配度。

需要说明的是，对于示功图中的每个区域均可看作是相对独立的，因此待测示功图与待匹配样对应的示功图之间的匹配度就等于待测示功图的每个区域与待匹配样本对应的示功图中与该区域坐标范围相同的区域之间的匹配度的乘积，即：

其中，X＝{x₁,x₂,…,x₁₀₀}，P(x_b|Y_z)为在样本集合中某一样本对应的示功图Y_z中出现待测示功图X第b个区域x_b的概率。之后，再计算P(X|Y_z)P(Y_z)，其中P(Y_z)即示功图Y_z在样本集合所对应的示功图中出现的概率，可以很容易的根据预先得到的样本集合的构成来获得。

S203：从所述匹配度中获取匹配度最大值。

这里需要说明的是，通过上述步骤S201-S202能够得到待测示功图与每个样本对应的示功图之间的匹配度。之后，根据上述匹配度，即可确定出待测示功图与哪个样本所对应的示功图的匹配度最高，匹配度高的样本对应的故障工作状态就是被监测设备的预测故障(即被监测设备可能或即将出现的故障)。

以抽油机故障为例，样本集合共包括15个样本，样本与图3所示的15种示功图一一对应。通过上述步骤S201-S202能够得到待测示功图与每个样本对应示功图之间的匹配度，分别为P(X|Y₁)，P(X|Y₂)，…，P(X|Y₁₅)。之后，P(X|Y₁)，P(X|Y₂)，…，P(X|Y₁₅)中最大值对应的样本即被监测设备可能或即将出现的故障。

S204：将所述匹配度最大值的样本对应的故障工作状态确定为所述被监测设备的预测故障。

可以理解的是，待测示功图X的条件下出现样本集合中某一样本对应的示功图Y_z的概率越大，则说明被检测设备即将出现该样本所对应的故障工作状态的可能性越大。这样，该样本所对应的故障工作状态就是当前被检测设备的预测故障。

本实施例提供的故障预测方法，通过被监测设备的示功图对其可能或即将出现的故障进行预测。在获取到被监测设备的待测示功图后，将其与预先得到的样本集合中每个样本对应的示功图进行匹配，得到待测示功图与样本集合中每个样本对应的示功图之间的匹配度。样本集合中每个样本对应一种故障工作状态，某一个样本对应的示功图为预先得到的该样本所对应的故障工作状态下或发展为该故障工作状态时所绘制出的被检测设备的示功图。这样，就能够根据待测示功图与每个样本对应的示功图之间的匹配度，得到与待测示功图匹配度最大的示功图所对应的样本，该样本所对应的故障工作原因为被监测设备可能或即将出现的故障，即被监测设备的预测故障。本实施例提供的故障预测方法，能够实现对被监测设备故障的提前预测，故障预测的结果准确，预测效率高，降低了故障风险及危害，且无需人工比对示功图，节约了人工成本。

基于上述实施例提供的故障预测方法，本发明实施例还提供了一种故障预测装置。

装置实施例：

参见图7，该图为本发明提供的故障预测装置实施例的结构示意图。

本实施例提供的故障预测装置，包括：获取模块100、匹配模块200和确定模块300；

所述获取模块100，用于获取被监测设备的示功图，得到待测示功图；还用于从所述匹配模块获得的匹配度中获取匹配度最大值；

所述匹配模块200，用于将所述待测示功图与预先获得的样本集合中每个样本对应的示功图进行匹配，获得所述待测示功图与所述每个样本对应的示功图之间的匹配度；其中，所述样本集合中的每个样本对应一种故障工作状态；

在本实施例优选的实施方案中，所述每个样本对应所述被监测设备从正常工作状态发展到该样本所对应的故障工作状态之间不同时刻生成的示功图。

在本实施例的一些可能的实现方式中，所述匹配模块200，具体包括：处理子模块和匹配子模块(均未在图中示出)；

所述处理子模块，用于对所述待测示功图以及所述样本集合中每个样本对应的示功图进行分区；还用于根据所述待测示功图的每个区域与所述待匹配样本对应的示功图中与该区域坐标范围相同的区域之间的匹配度，得到所述待测示功图与所述待匹配样对应的示功图之间的匹配度；

所述匹配子模块，用于逐一将所述待测示功图的每个区域和待匹配样本对应的示功图中与该区域坐标范围相同的区域进行匹配，获得所述待测示功图的每个区域和所述待匹配样本对应的示功图中与该区域坐标范围相同的区域之间的匹配度；其中，所述待匹配样本为所述样本集合中任意一个样本。

在本实施例的一些可能的实现方式中，所述匹配子模块，具体包括：确定子模块、获取子模块和对比子模块；

所述确定子模块，用于确定所述待测示功图中位于待测区域内的曲线，得到待测曲线，所述待测区域为所述待测示功图中的任意一个区域；还用于确定所述待匹配样本对应的每张示功图中位于待匹配区域内的曲线，得到所述待匹配样本对应的每张示功图的待匹配曲线，所述待匹配样本对应至少一张示功图，所述待匹配区域的坐标范围与所述待测区域的坐标范围相同；还用于根据所述待测曲线，从所述待匹配样本对应的每张示功图的待匹配曲线中确定至少一个满足预设要求的曲线；其中，所述满足预设要求为所述待测曲线上采样点的数量与所述满足预设要求的曲线上采样点的数量之差的绝对值在预设范围内；

所述获取子模块，用于获取所述待测曲线的特征以及所述满足预设要求的曲线的特征；还用于根据所述待测曲线的特征与每个满足预设要求的曲线的特征之间的相似度，获得所述待测示功图的待测区域和所述待匹配样本对应的示功图的待匹配区域之间的匹配度；

在本实施例优选的实施方案中，所述待测曲线的特征包括每个以所述待测曲线上待测点为顶点的第一角的角度，所述第一角的一条边为该待测点与该待测点前一个待测点之间的连线，所述第一角的另一条边为该待测点与该待测点后一个待测点之间的连线；所述满足预设要求的曲线的特征包括每个以所述满足预设要求的曲线上待匹配点为顶点的第二角的角度，所述第二角的一条边为该待匹配点与待匹配点前一个待匹配点之间的连线，所述第二角的另一条边为该待匹配点与待匹配点后一个待匹配点之间的连线。

其中，所述待测点为所述待测曲线上的前k个采样点，所述待匹配点为所述满足预设要求的曲线上的前k个采样点；或，所述待测点为所述待测曲线上的后k个采样点，所述待匹配点为所述满足预设要求的曲线上的后k个采样点；0≤k≤min(N,M)，且k为整数，N为所述待测曲线上采样点的数量，M为所述满足预设要求的曲线上采样点的数量。

所述对比子模块，用于对比所述待测曲线的特征与所述满足预设要求的曲线的特征，获得所述待测曲线的特征与所述满足预设要求的曲线的特征之间的相似度。

在本实施例的一些可能的实现方式中，所述对比子模块，具体包括：计算子模块；

所述计算子模块，用于按照公式得到所述待测曲线与所述满足预设要求的曲线之间的角度变化值d；其中，Δθ_i为以所述待测曲线上第i个待测点为顶点的角的角度与以所述满足预设要求的曲线上第i个待匹配点为顶点的角的角度之差；还用于根据所述角度变化值d，获得所述待测曲线的特征与所述满足预设要求的曲线的特征之间的相似度。

所述确定模块300，用于将所述匹配度最大值的样本对应的故障工作状态确定为所述被监测设备的预测故障。

本实施例提供的故障预测装置，通过被监测设备的示功图对其可能或即将出现的故障进行预测。在获取模块获取到被监测设备的待测示功图后，匹配模块将其与预先得到的样本集合中每个样本对应的示功图进行匹配，得到待测示功图与样本集合中每个样本对应的示功图之间的匹配度。样本集合中每个样本对应一种故障工作状态，某一个样本对应的示功图为预先得到的该样本所对应的故障工作状态下或发展为该故障工作状态时所绘制出的被检测设备的示功图。这样，确定模块就能够根据待测示功图与每个样本对应的示功图之间的匹配度，得到与待测示功图匹配度最大的示功图所对应的样本，该样本所对应的故障工作原因为被监测设备可能或即将出现的故障，即被监测设备的预测故障。本实施例提供的故障预测装置，能够实现对被监测设备故障的提前预测，故障预测的结果准确，预测效率高，降低了故障风险及危害，且无需人工比对示功图，节约了人工成本。

需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述比较简单，相关之处参见方法部分说明即可。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (8)

1.一种故障预测方法，其特征在于，包括：

获取被监测设备的示功图，得到待测示功图；

将所述待测示功图与预先获得的样本集合中每个样本对应的示功图进行匹配，获得所述待测示功图与所述每个样本对应的示功图之间的匹配度；其中，所述样本集合中的每个样本对应一种故障工作状态；所述每个样本对应所述被监测设备从正常工作状态发展到该样本所对应的故障工作状态之间不同时刻生成的示功图；

从所述匹配度中获取匹配度最大值；

将所述匹配度最大值的样本对应的故障工作状态确定为所述被监测设备的预测故障。

2.根据权利要求1所述的故障预测方法，其特征在于，所述将所述待测示功图与预先获得的样本集合中的每个样本对应的示功图进行匹配，获得所述待测示功图与所述每个样本对应的示功图之间的匹配度，具体包括：

对所述待测示功图以及所述样本集合中每个样本对应的示功图进行分区；

逐一将所述待测示功图的每个区域和待匹配样本对应的示功图中与该区域坐标范围相同的区域进行匹配，获得所述待测示功图的每个区域和所述待匹配样本对应的示功图中与该区域坐标范围相同的区域之间的匹配度；其中，所述待匹配样本为所述样本集合中任意一个样本；

根据所述待测示功图的每个区域与所述待匹配样本对应的示功图中与该区域坐标范围相同的区域之间的匹配度，得到所述待测示功图与所述待匹配样对应的示功图之间的匹配度。

3.根据权利要求2所述的故障预测方法，其特征在于，所述逐一将所述待测示功图的每个区域和待匹配样本对应的示功图中与该区域坐标范围相同的区域进行匹配，获得所述待测示功图的每个区域和所述待匹配样本对应的示功图中与该区域坐标范围相同的区域之间的匹配度，具体包括：

确定所述待测示功图中位于待测区域内的曲线，得到待测曲线，所述待测区域为所述待测示功图中的任意一个区域；

确定所述待匹配样本对应的每张示功图中位于待匹配区域内的曲线，得到所述待匹配样本对应的每张示功图的待匹配曲线，所述待匹配样本对应至少一张示功图，所述待匹配区域的坐标范围与所述待测区域的坐标范围相同；

根据所述待测曲线，从所述待匹配样本对应的每张示功图的待匹配曲线中确定至少一个满足预设要求的曲线；其中，所述满足预设要求为所述待测曲线上采样点的数量与所述满足预设要求的曲线上采样点的数量之差的绝对值在预设范围内；

获取所述待测曲线的特征以及所述满足预设要求的曲线的特征；

对比所述待测曲线的特征与所述满足预设要求的曲线的特征，获得所述待测曲线的特征与所述满足预设要求的曲线的特征之间的相似度；

根据所述待测曲线的特征与每个满足预设要求的曲线的特征之间的相似度，获得所述待测示功图的待测区域和所述待匹配样本对应的示功图的待匹配区域之间的匹配度。

4.根据权利要求3所述的故障预测方法，其特征在于，

所述待测曲线的特征包括每个以所述待测曲线上待测点为顶点的第一角的角度，所述第一角的一条边为该待测点与该待测点前一个待测点之间的连线，所述第一角的另一条边为该待测点与该待测点后一个待测点之间的连线；

所述满足预设要求的曲线的特征包括每个以所述满足预设要求的曲线上待匹配点为顶点的第二角的角度，所述第二角的一条边为该待匹配点与该待匹配点前一个待匹配点之间的连线，所述第二角的另一条边为该待匹配点与该待匹配点后一个待匹配点之间的连线；

其中，所述待测点为所述待测曲线上的前k个采样点，所述待匹配点为所述满足预设要求的曲线上的前k个采样点；或，所述待测点为所述待测曲线上的后k个采样点，所述待匹配点为所述满足预设要求的曲线上的后k个采样点；0≤k≤min(N,M)，且k为整数，N为所述待测曲线上采样点的数量，M为所述满足预设要求的曲线上采样点的数量。

5.一种故障预测装置，其特征在于，包括：获取模块、匹配模块和确定模块；

所述获取模块，用于获取被监测设备的示功图，得到待测示功图；还用于从所述匹配模块获得的匹配度中获取匹配度最大值；

所述匹配模块，用于将所述待测示功图与预先获得的样本集合中每个样本对应的示功图进行匹配，获得所述待测示功图与所述每个样本对应的示功图之间的匹配度；其中，所述样本集合中的每个样本对应一种故障工作状态；

所述确定模块，用于将所述匹配度最大值的样本对应的故障工作状态确定为所述被监测设备的预测故障；

所述每个样本对应所述被监测设备从正常工作状态发展到该样本所对应的故障工作状态之间不同时刻生成的示功图。

6.根据权利要求5所述的故障预测装置，其特征在于，所述匹配模块，具体包括：处理子模块和匹配子模块；

所述处理子模块，用于对所述待测示功图以及所述样本集合中每个样本对应的示功图进行分区；还用于根据所述待测示功图的每个区域与待匹配样本对应的示功图中与该区域坐标范围相同的区域之间的匹配度，得到所述待测示功图与所述待匹配样对应的示功图之间的匹配度；

所述匹配子模块，用于逐一将所述待测示功图的每个区域和待匹配样本对应的示功图中与该区域坐标范围相同的区域进行匹配，获得所述待测示功图的每个区域和所述待匹配样本对应的示功图中与该区域坐标范围相同的区域之间的匹配度；其中，所述待匹配样本为所述样本集合中任意一个样本。

7.根据权利要求6所述的故障预测装置，其特征在于，所述匹配子模块，具体包括：确定子模块、获取子模块和对比子模块；

所述确定子模块，用于确定所述待测示功图中位于待测区域内的曲线，得到待测曲线，所述待测区域为所述待测示功图中的任意一个区域；还用于确定所述待匹配样本对应的每张示功图中位于待匹配区域内的曲线，得到所述待匹配样本对应的每张示功图的待匹配曲线，所述待匹配样本对应至少一张示功图，所述待匹配区域的坐标范围与所述待测区域的坐标范围相同；还用于根据所述待测曲线，从所述待匹配样本对应的每张示功图的待匹配曲线中确定至少一个满足预设要求的曲线；其中，所述满足预设要求为所述待测曲线上采样点的数量与所述满足预设要求的曲线上采样点的数量之差的绝对值在预设范围内；

所述获取子模块，用于获取所述待测曲线的特征以及所述满足预设要求的曲线的特征；还用于根据所述待测曲线的特征与每个满足预设要求的曲线的特征之间的相似度，获得所述待测示功图的待测区域和所述待匹配样本对应的示功图的待匹配区域之间的匹配度；

所述对比子模块，用于对比所述待测曲线的特征与所述满足预设要求的曲线的特征，获得所述待测曲线的特征与所述满足预设要求的曲线的特征之间的相似度。

8.根据权利要求7所述的故障预测装置，其特征在于，

所述待测曲线的特征包括每个以所述待测曲线上待测点为顶点的第一角的角度，所述第一角的一条边为该待测点与该待测点前一个待测点之间的连线，所述第一角的另一条边为该待测点与该待测点后一个待测点之间的连线；

所述满足预设要求的曲线的特征包括每个以所述满足预设要求的曲线上待匹配点为顶点的第二角的角度，所述第二角的一条边为该待匹配点与待匹配点前一个待匹配点之间的连线，所述第二角的另一条边为该待匹配点与待匹配点后一个待匹配点之间的连线；

其中，所述待测点为所述待测曲线上的前k个采样点，所述待匹配点为所述满足预设要求的曲线上的前k个采样点；或，所述待测点为所述待测曲线上的后k个采样点，所述待匹配点为所述满足预设要求的曲线上的后k个采样点；0≤k≤min(N,M)，且k为整数，N为所述待测曲线上采样点的数量，M为所述满足预设要求的曲线上采样点的数量。

Images