CN106875115A

CN106875115A - 一种基于大数据的设备调度预警方法及系统

Info

Publication number: CN106875115A
Application number: CN201710074154.9A
Authority: CN
Inventors: 姜岚; 赵贤林; 刘智; 桂峰
Original assignee: Huatian Engineering and Technology Corp MCC
Current assignee: Huatian Engineering and Technology Corp MCC
Priority date: 2017-02-10
Filing date: 2017-02-10
Publication date: 2017-06-20

Abstract

本发明提供一种基于大数据的设备调度预警方法及系统，设备调度预警方法包括以下步骤：采集数据形成检修记录数据集、运行记录数据集，经过模型训练，得到设备保养模型、设备运行模型以及设备停机模型；验证各个模型的可靠性；准备预测数据集，预测数据集选择线性函数的区间段应用到以上各模型中，并基于weka平台应用BP神经网络算法得到预测结果，并从所述预测结果中筛选出最佳保养周期、最佳运行时长、最佳停机时长，根据所得数据调度设备的运行、维修以及采买工作。本发明能够通过大数据学习，获得指导数据，按期保养设备，有效延长了设备的寿命、大幅降低了设备的事故率，降低了运营成本。

Description

一种基于大数据的设备调度预警方法及系统

技术领域

本发明涉及大数据领域以及机器学习领域，具体地说，涉及一种基于大数据的设备调度预警方法及系统。

背景技术

一切以数据说话，成为当今或者未来互联网发展的趋势。随着产业界数据量的爆炸式增长,行业大数据隐藏着的重要信息也备受关注。如何从海量的行业大数据中挖掘出有用的信息，是企业必须深入思考和解决的重要问题。

随着我国经济发展和城镇化的推进，对城市污水处理的需求日益增加。当前我国虽然在城市污水处理厂的建设方面取得了较大的进展，但是大部分污水处理厂都存在自动化水平低、轻视过程管理、能耗高、运维成本高等问题。如何通过应用先进的科学技术实现节能降耗是目前污水处理行业的一个重要研究方向。

污水提升泵房作为污水处理系统中仅次于鼓风机房的第二大能耗设备系统，对其工作过程做优化控制和管理，对实现污水处理厂实现节能降耗、降低运维成本有极重要的作用和意义。

发明内容

本发明针对污水提升泵在运行过程中频繁启停、停机时长不适度而造成设备使用寿命短，运营成本高等问题提出了基于大数据和机器学习的预警方法，能够有效预防污水提升泵的事故发生，按期保养设备，有效延长了污水提升泵的寿命、大幅降低了污水提升泵的事故率。

本发明提供一种基于大数据的设备调度预警方法，所述设备调度预警方法包括以下步骤：采集设备的检修记录数据和运行记录数据，形成检修记录数据集、运行记录数据集，经过模型训练，得到设备保养模型、设备运行模型以及设备停机模型；针对不同模型，准备测试数据集，验证各个模型的可靠性；在确认各个模型可靠后，准备预测数据集，预测数据集选择线性函数的区间段应用到设备保养模型、设备运行模型以及设备停机模型中，并基于weka平台应用BP神经网络算法进行迭代计算，得到预测结果，并从所述预测结果中筛选出最佳保养周期、最佳运行时长、最佳停机时长，其中，筛选出不发生故障最大保养周期作为最佳保养周期，筛选出不发生故障最大运行时长作为最佳运行时长，筛选出不发生故障最小停机时长作为最佳停机时长；根据所得数据调度设备的运行、维修以及采买工作。

优选地，若设备运行时间超出最佳运行时长，或设备停机时间低于最佳停机时长，则预警管理员采买设备。

优选地，设备停机时间小于最佳停机时长的50％，则预警管理员采买设备。

优选地，若设备的累计运行时长超过设备额定寿命的90％，则发出预警，并结合系统内置的设备信息给出设备采购建议。

优选地，监测设备运行时的瞬时电压和瞬时电流，若瞬时电压或瞬时电流的变化值超过允许偏差±10％，则自动关闭设备。

本发明还提供一种基于大数据的设备调度预警系统，包括：数据提取单元，所述数据提取单元提取设备的检修记录数据和运行记录数据，形成检修记录数据集、运行记录数据集；数据运算单元，所述数据运算单元根据检修记录数据集、运行记录数据集的数据进行模型训练，得到设备保养模型、设备运行模型以及设备停机模型，并基于weka平台应用BP神经网络算法进行迭代计算，得到预测结果，并从所述预测结果中筛选出最佳保养周期、最佳运行时长、最佳停机时长；预警单元，所述预警单元根据最佳保养周期、最佳运行时长、最佳停机时长数据发出预警信息。

优选地，数据运算单元根据预测数据的故障情况，选择不发生故障最大保养周期作为最佳保养周期；数据运算单元根据预测数据的故障情况，选择不发生故障最大运行时长作为最佳运行时长；数据运算单元根据预测数据的故障情况，选择不发生故障最小停机时长作为最佳停机时长。

优选地，若设备运行时间超出最佳运行时长，或设备停机时间低于最佳停机时长，则预警管理员采买设备；

优选地，若设备的累计运行时长超过设备额定寿命的90％，则发出预警，并结合系统内置的设备信息给出设备采购建议；

优选地，若瞬时电压或瞬时电流的变化值超过允许偏差±10％，则自动关闭设备。

附图说明

通过结合下面附图对其实施例进行描述，本发明的上述特征和技术优点将会变得更加清楚和容易理解。

图1是表示本发明实施例涉及的机器学习的框架图；

图2是表示本发明实施例涉及的预警方案的框架图。

具体实施方式

下面将参考附图来描述本发明所述的一种基于大数据的设备调度预警方法及系统的实施例。本领域的普通技术人员可以认识到，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式或其组合对所描述的实施例进行修正。因此，附图和描述在本质上是说明性的，而不是用于限制权利要求的保护范围。此外，在本说明书中，附图未按比例画出，并且相同的附图标记表示相同的部分。

相关概念解释：

机器学习：是一门多领域交叉学科，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它主要使用归纳、综合的方法来提升系统的知识。

数据集：按一定顺序、模式组织好的为机器学习的大数据称为数据集。

模型：机器学习算法根据数据集的数据学习，从而建立变量之间的数学关系，称之为模型。

下面以污水提升泵为例来说明基于大数据的设备调度预警方法，但本发明的方法和系统并不局限于污水提升泵，可以广泛的应用于需要频繁启停的设备管理系统中。

如图1所示，该方法主要包括提取污水提升泵检修记录数据、污水提升泵的运行记录数据，并通过机器学习的方法，得到最佳保养周期、最佳运行时长、最佳停机时长、累计运行时长的数据。根据所得数据调度污水提升泵运行和采买等工作。

一、下面说明获得最佳保养周期的方法。首先，提取污水提升泵的检修数据，形成污水提升泵检修记录的大数据，并基于weka(怀卡托智能分析环境)平台应用BP神经网络(Back Propagation)完成数据挖掘和计算，得到污水提升泵各项保养指标的最佳保养周期。其具体过程是，对污水提升泵的检修记录数据做特征提取，形成weka形式的检修记录数据集，weka数据集格式下：

@relation'lubrication'

@attribute period numeric

@attribute result{0,1}

@data

该数据集的属性如表1所示，包括：保养指标(离散数据)，保养周期(离散值)，是否故障(只有0和1取值)。通过基于weka平台应用BP神经网络(Back Propagation)能够得到设备最佳的保养周期，具体按照以下步骤进行：

1)按照数据集的格式，收集设备保养及故障数据，形成设备保养大数据，机器根据大数据学习，其学习的结果是建立变量之间的数学关系，获得设备保养模型。

2)按照数据集的格式，准备测试数据集，验证设备保养模型的可靠性。也就是说，先通过一些已知的数据来验证该设备保养模型的准确度，从而保证该设备保养模型预测的数据准确。

3)在验证设备保养模型可靠后，准备预测数据集，预测数据集通过设备保养模型得到预测结果，根据预测结果的故障情况，选取最佳保养周期。

如表1所示，旋转部位润滑的保养周期中，预测数据集具有区间10—1000(单位天)的步长为1的990个保养周期，用于预测故障情况。根据设备保养模型得到保养周期在10-1000天内的设备故障预测，并在预测结果集中筛选出不发生故障的最大保养周期，作为系统需要的最佳保养周期。从表1中选择的话，即最佳保养周期是从10天和1000天中通过不断的迭代计算得到。以上仅是简单举例。实际上，污水提升泵的保养指标不止一项。因此，针对每一项保养指标，均会得到一个最佳保养周期。

4)得出污水提升泵的各项指标的最佳保养周期后，系统会提前通知运维人员对设备进行保养。

还可以定期或不定期收集检修记录数据，用于机器学习，并根据检修记录数据重新计算最佳保养周期。

表1

保养指标	保养周期(天)	是否故障(0：否，1：是)
			旋转部位润滑	10	0
	11	0
				……	0
	1000	1

二、系统还记录污水提升泵运行过程的各项数据，包括启停时间、休息时间，结合污水提升泵的维修记录，基于weka平台应用BP神经网络(Back Propagation)，训练出设备的最佳运行方式，包括最佳运行时长，最佳停机时长，其中最佳运行时长是指启动后设备连续运行的时间，最佳停机时长是指设备停机后休息的最短时间。其具体步骤如下：

1)按照数据集的格式，收集实际运行数据，形成运行大数据，根据大数据学习获得设备运行模型。

2)按照数据集的格式，准备测试数据，验证模型的可靠性。也就是说，先通过一些已知的数据来验证该设备运行模型的准确度，从而保证该设备运行模型预测的数据准确。

3)在验证模型可靠后，准备预测数据集，预测数据集具有10-1000(小时)步长为1的990个数据，用于预测设备的故障情况，预测数据集通过设备运行模型得到预测结果，即设备故障情况，如表2所示。根据预测数据的故障情况，在预测结果中筛选出不发生故障的最大运行时长，作为最佳运行时长。

表2

三、同样地，获得最佳停机时长的步骤如下：

1)按照数据集的格式，收集实际运行数据，形成运行大数据，根据大数据学习得出设备停机模型。

2)按照数据集的格式，准备测试数据，验证模型的可靠性。也就是说，先通过一些已知的数据来验证该设备停机模型的准确度，从而保证该设备停机模型预测的数据准确。

3)在验证模型可靠后，准备预测数据集，预测数据集具有1-100(小时)，步长为1的100个数据，用于预测设备的故障情况，设备停机模型计算得出预测结果，即设备故障情况，如表3所示，根据预测数据的故障情况，筛选出不发生故障的最小停机时长，作为最佳停机时长。

表3

根据获得的最佳保养周期、最佳运行时长、最佳停机时长、累计运行时长数据可以合理调度设备使用，延长设备的使用寿命和减少水厂运营成本。

以上说明了根据运行、保养数据获得最佳保养周期、最佳运行时长、最佳停机时长的方法。下面结合图2来说明根据最佳保养周期、最佳运行时长、最佳停机时长、累计运行时长来合理调度和管理设备的方法。

在一个可选实施例中，如果设备运行时间超出最佳运行时长，或者设备停机时间低于最佳停机时间，则说明当前设备数量不足，系统则会经过计算，预警管理员采买指定数量的设备。

在一个可选实施例中，在判断系统设备数量是否充足时，根据设备停机时长来判断，例如，停机时长小于最佳停机时长的50％，系统则发出预警，建议采买更多设备。

在一个可选实施例中，系统还统计污水提升泵的累计运行时长，并以累计运行时长来判断设备是否接近报废期。例如，如果设备的累计运行时长超过设备额定寿命的90％，系统则发出预警，建议提前采买设备，并给出设备采购建议。

在一个可选实施例中，系统还监测设备运行时的瞬时电压和瞬时电流，当瞬时电压或瞬时电流发生变化，且超过允许偏差±10％时，系统自动关闭设备，并发出预警。

基于大数据的设备调度预警方法根据对检修记录大数据的学习，得出的各项指标最佳保养周期，并提前向相关人员推送消息，提高了设备保养得精准性，使得设备既不会因为长期不保养而导致缩短使用寿命，也不至于频繁保养到时浪费运营成本。基于大数据的设备调度预警方法根据对提升本具体运行大数据的学习，得出污水提升泵的最佳运行时长和最佳停机时长。系统根据学习的结果，严格控制设备运行方案，使得设备不至于超负荷运行而缩短生命，也不会停止过长时间而导致浪费。实现了设备的使用寿命的延长，运维成本的降低。还通过对设备的运行状态监测，及时发现突发情况，有效降低设备的事故了，延长了设备的使用寿命。

本发明还提供一种基于大数据的设备调度预警系统，包括数据提取单元、数据运算单元、预警单元。数据提取单元提取设备的检修记录数据和运行记录数据，形成检修记录数据集、运行记录数据集。所述数据运算单元根据检修记录数据集、运行记录数据集的数据，通过BP神经网络算法，得到最佳保养周期、最佳运行时长、最佳停机时长、累计运行时长的数据。所述预警单元根据最佳保养周期、最佳运行时长、最佳停机时长、累计运行时长数据发出预警信息。

其中，数据运算单元根据预测数据的故障情况，选取最佳保养周期的方法包括以下步骤：

1)按照数据集的格式，收集设备保养及故障数据，形成设备保养大数据，根据大数据学习得出设备保养模型。

2)按照数据集的格式，准备测试数据，验证设备保养模型的可靠性。也就是说，先通过一些已知的数据来验证该设备保养模型的准确度，从而保证该设备保养模型预测的数据准确。

3)在验证周期模型可靠后，准备预测数据集，预测数据集输入设备保养模型，采用BP神经网络算法，迭代计算得到预测结果，根据预测结果数据的故障情况，选取最佳保养周期。

数据运算单元根据预测数据的故障情况，选取最佳运行时长的方法包括以下步骤：

1)按照数据集的格式，收集实际运行数据，形成运行大数据，根据大数据学习得出设备运行模型。

2)按照数据集的格式，准备测试数据，验证模型的可靠性。也就是说，先通过一些已知的数据来验证该设备运行模型的准确度，从而保证该模型预测的数据准确。

3)在验证设备运行模型可靠后，准备预测数据集，预测数据集输入设备运行模型，采用BP神经网络算法，迭代计算得到预测结果，根据预测结果数据的故障情况，选取启动后最佳运行时长。

数据运算单元根据预测数据的故障情况，选取最佳停机时长的方法包括以下步骤：

2)按照数据集的格式，准备测试数据，验证模型的可靠性。也就是说，先通过一些已知的数据来验证该设备停机模型的准确度，从而保证该模型预测的数据准确。

3)在验证停机模型可靠后，准备预测数据集，预测数据集输入设备停机模型，采用BP神经网络算法，迭代计算得到预测结果，根据预测结果数据的故障情况，选取最佳停机时长。

在一个可选实施例中，如果设备运行时间超出最佳运行时长，或者设备停机时间低于最佳停机时间，则说明当前设备数量不足，预警单元则通知管理员，建议采买指定数量的设备。

在一个可选实施例中，根据设备停机时长来判断系统设备数量是否充足，例如，停机时长小于最佳停机时长的50％，预警单元则发出预警，建议采买更多设备。

在一个可选实施例中，系统还统计污水提升泵的累计运行时长，并以累计运行时长来判断设备是否接近报废期。例如，如果设备的累计运行时长超过设备额定寿命的90％，预警单元则发出预警，建议提前采买设备，并给出设备采购建议。

在一个可选实施例中，系统还监测设备运行时的瞬时电压和瞬时电流，当瞬时电压或瞬时电流发生变化，且超过允许偏差±10％时，预警单元发出预警，系统自动关闭设备。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于大数据的设备调度预警方法，其特征在于，所述设备调度预警方法包括以下步骤：

采集设备的检修记录数据和运行记录数据，形成检修记录数据集、运行记录数据集，经过模型训练，得到设备保养模型、设备运行模型以及设备停机模型；

针对不同模型，准备测试数据集，验证各个模型的可靠性；

在确认各个模型可靠后，准备预测数据集，预测数据集选择线性函数的区间段应用到设备保养模型、设备运行模型以及设备停机模型中，并基于weka平台应用BP神经网络算法进行迭代计算，得到预测结果，并从所述预测结果中筛选出最佳保养周期、最佳运行时长、最佳停机时长，

其中，筛选出不发生故障最大保养周期作为最佳保养周期，

筛选出不发生故障最大运行时长作为最佳运行时长，

筛选出不发生故障最小停机时长作为最佳停机时长；

根据所得数据调度设备的运行、维修以及采买工作。

2.根据权利要求1所述的基于大数据的设备调度预警方法，其特征在于，若设备运行时间超出最佳运行时长，或设备停机时间低于最佳停机时长，则预警管理员采买设备。

3.根据权利要求2所述的基于大数据的设备调度预警方法，其特征在于，若设备停机时间小于最佳停机时长的50％，则预警管理员采买设备。

4.根据权利要求1所述的基于大数据的设备调度预警方法，其特征在于，若设备的累计运行时长超过设备额定寿命的90％，则发出预警，并结合系统内置的设备信息给出设备采购建议。

5.根据权利要求1所述的基于大数据的设备调度预警方法，其特征在于，监测设备运行时的瞬时电压和瞬时电流，若瞬时电压或瞬时电流的变化值超过允许偏差±10％，则自动关闭设备。

6.一种基于大数据的设备调度预警系统，其特征在于，包括：

数据提取单元，所述数据提取单元提取设备的检修记录数据和运行记录数据，形成检修记录数据集、运行记录数据集；

数据运算单元，所述数据运算单元根据检修记录数据集、运行记录数据集的数据进行模型训练，得到设备保养模型、设备运行模型以及设备停机模型，并基于weka平台应用BP神经网络算法进行迭代计算，得到预测结果，并从所述预测结果中筛选出最佳保养周期、最佳运行时长、最佳停机时长；

预警单元，所述预警单元根据最佳保养周期、最佳运行时长、最佳停机时长数据发出预警信息。

7.根据权利要求6所述的基于大数据的设备调度预警系统，其特征在于，

数据运算单元根据预测数据的故障情况，选择不发生故障最大保养周期作为最佳保养周期；

数据运算单元根据预测数据的故障情况，选择不发生故障最大运行时长作为最佳运行时长；

数据运算单元根据预测数据的故障情况，选择不发生故障最小停机时长作为最佳停机时长。

8.根据权利要求6所述的基于大数据的设备调度预警系统，其特征在于，

若设备运行时间超出最佳运行时长，或设备停机时间低于最佳停机时长，则预警管理员采买设备。

9.根据权利要求6所述的基于大数据的设备调度预警系统，其特征在于，

若设备的累计运行时长超过设备额定寿命的90％，则发出预警，并结合系统内置的设备信息给出设备采购建议。

10.根据权利要求6所述的基于大数据的设备调度预警系统，其特征在于，

若瞬时电压或瞬时电流的变化值超过允许偏差±10％，则自动关闭设备。