CN107121616B - 一种用于对智能仪表进行故障定位的方法和装置 - Google Patents
一种用于对智能仪表进行故障定位的方法和装置 Download PDFInfo
- Publication number
- CN107121616B CN107121616B CN201610102755.1A CN201610102755A CN107121616B CN 107121616 B CN107121616 B CN 107121616B CN 201610102755 A CN201610102755 A CN 201610102755A CN 107121616 B CN107121616 B CN 107121616B
- Authority
- CN
- China
- Prior art keywords
- fault
- life cycle
- intelligent instrument
- information
- smart meter
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种用于对智能仪表进行故障定位的方法,其中,该方法包括:获得与当前发生故障的智能仪表相对应的故障信息;根据所述故障信息,以及基于所述智能仪表的生命周期所建立的故障关系模型,对所述智能仪表进行故障定位,获得定位结果信息。根据本发明的方案,能够基于生命周期理论来快速且精确地对智能仪表中发生的故障进行定位,以针对发生故障的智能仪表作出准确地故障处理决策。
Description
技术领域
本发明涉及智能仪表技术领域,尤其涉及一种用于对智能仪表进行故障定位的方法和装置。
背景技术
智能仪表在人们生活中的使用范围极为广泛,而随着智能仪表的使用量的增加,智能仪表的故障也越来越多,因此,智能仪表的故障排除和恢复工作也变得越来越重要。现有技术中,当智能仪表发生故障时,通常无需现成诊断而直接进行更换,之后,被更换掉的故障智能仪表可能被直接废弃或者在收回后再进行故障检测,这使得很多智能仪表在还存在较长剩余寿命的情况下便被废弃,造成了极大的资源浪费,而即便采用在收回后再进行故障检测的方案,也会造成时间上和成本上的浪费,且不利于智能仪表的管理。针对上述问题,目前存在以下解决方案:1)设计在线诊断系统,来监控智能仪表的异常;2)通过自动分拣系统来检测智能仪表的故障。然而,上述方案1)需要花费大量成本来建议在线诊断系统;上述方案2)为离线系统,用于处理已恢复的故障智能仪表。
发明内容
有鉴于此,本发明的一个实施例解决的问题之一是快速且准确地对当前发生故障的智能仪表进行故障定位。
根据本发明的一个实施例,提供了一种用于对智能仪表进行故障定位的方法,其中,该方法包括:
获得与当前发生故障的智能仪表相对应的故障信息;
根据所述故障信息,以及基于所述智能仪表的生命周期所建立的故障关系模型,对所述智能仪表进行故障定位,获得定位结果信息。
根据本发明的一个实施例,提供了一种用于对智能仪表进行故障定位的装置,其中,该装置包括:
获得单元,用于获得与当前发生故障的智能仪表相对应的故障信息;
故障定位单元,用于根据所述故障信息,以及基于所述智能仪表的生命周期所建立的故障关系模型,对所述智能仪表进行故障定位,获得定位结果信息。
与现有技术相比,本发明具有以下优点:基于生命周期理论,可将智能仪表的生命周期中的每个生命阶段用于智能仪表的故障分析,从而便于获得在整个生命周期内智能仪表的故障的全局视图,便于在整个生命周期内对智能仪表的管理;根据基于生命周期所建立的故障关系模型,可实现快速且准确地定位智能仪表的故障,如准确地获知故障所属的故障分类以及发生故障的模块等定位结果信息,并可基于定位结果信息及时作出故障处理决策,能够大大降低全局成本;可根据定位结果信息优化故障关系模型,从而无论环境和条件如何变化,均可实现故障关系模型的动态更新和优化;并且,通过基于生命周期理论所建立的故障关系模型,可呈现出智能仪表的故障以及生命状态之间复杂且定量的关系;通过将智能仪表的各个生命阶段与故障分类相联系,能够准确的得到每个生命阶段中的故障影响因子,且通过大数据分析,可准确地计算故障分类和故障影响因子之间的相关性,从而可更精确地定位智能仪表的故障,如可精确地获得智能仪表发生的故障所属的故障分类以及发生故障的模块等,从而便于及时地针对智能仪表的故障作出故障处理决策,且能够大大降低在智能电网中针对智能仪表的投入成本。
附图说明
本发明的其它特点、特征、优点和益处通过以下结合附图的详细描述将变得更加显而易见。
图1为根据本发明一个实施例的用于对智能仪表进行故障定位的方法的流程示意图;
图2为根据本发明另一个实施例的用于对智能仪表进行故障定位的方法的流程示意图;
图3为根据本发明一个实施例的用于对智能仪表进行故障定位的装置的结构示意图;
图4为根据本发明另一个实施例的用于对智能仪表进行故障定位的装置的结构示意图;
图5为根据本发明一个实施例的计算机设备的通用结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式,然而应该理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整的传达给本领域的技术人员。
图1为根据本发明一个实施例的用于对智能仪表进行故障定位的方法的流程示意图。
其中,所述智能仪表包括任何结合有计算机技术和检测技术的智能仪器,如智能电表、智能水表等。
其中,本实施例的方法主要通过计算机设备来实现,所述计算机设备包括但不限于网络设备和用户设备等;所述网络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(Cloud Computing)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;所述网络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;所述用户设备包括但不限于PC机、平板电脑等。
需要说明的是,所述计算机设备仅为举例,其他现有的或今后可能出现的计算机设备如可适用于本发明,也应包含在本发明保护范围以内,并以引用方式包含于此。
根据本实施例的方法包括步骤S110和步骤S120。
在步骤S110中,计算机设备获得与当前发生故障的智能仪表相对应的故障信息。
其中,所述故障信息包括任何与智能仪表所发生的故障相关的信息。优选地,所述故障信息包括智能仪表发生故障时所处于的其生命周期中的生命阶段。其中,智能仪表的生命周期表示智能仪表的全寿命周期,所述生命周期被划分为多个生命阶段;优选地,所述生命周期被划分为以下生命阶段:制造阶段,运输阶段,安装阶段,运行阶段,维护阶段,废弃阶段。需要说明的是,生命周期的划分与智能仪表的功能、适用区域、健康影响因子(能够影响智能仪表的健康状态的影响因子)、故障影响因子(能够引发智能仪表发生故障的影响因子)等多种因素相关,因此,应基于智能仪表的实际情况来将生命周期划分为若干个生命阶段。
更优选地,所述故障信息还包括智能仪表的当前故障等级、自诊断信息、发生故障时的外界环境信息、智能仪表的部分模块的温度等。
需要说明的是,上述故障信息仅为举例,而非对本发明的限制,本领域技术人员应能理解,任何与智能仪表所发生的故障相关的信息,均应包含在本发明所述的故障信息的范围内。
具体地,计算机设备可采用多种方式获得与当前发生故障的智能仪表相对应的故障信息。例如,计算机设备获得发生故障的智能仪表提供的自诊断数据;又例如,计算机设备获得第三方设备反馈的智能仪表的故障信息。
需要说明的是,上述举例仅为更好地说明本发明的技术方案,而非对本发明的限制,本领域技术人员应该理解,任何获得与当前发生故障的智能仪表相对应的故障信息的实现方式,均应包含在本发明的范围内。
在步骤S120中,计算机设备根据所述故障信息,以及基于所述智能仪表的生命周期所建立的故障关系模型,对所述智能仪表进行故障定位,获得定位结果信息。
其中,所述定位结果信息包括任何用于指示对智能仪表进行故障定位所获得的定位结果的信息。优选地,所述定位结果信息包括但不限于:
1)智能仪表中的故障所属的故障分类。其中,所述故障分类包括智能仪表可能发生的所有故障类别,优选地,所述故障分类包括但不限于:测量错误、外观损坏、显示错误、通讯错误、报告错误等。
2)智能仪表中发生故障的模块,如定位结果信息指示发生故障的模块为显示模块。
3)针对所述智能仪表的故障处理建议,如故障处理建议指示建议更换智能仪表的一个或多个模块,或者,建议直接废弃发生故障的智能仪表等。
需要说明的是,上述定位结果信息仅为举例,而非对本发明的限制,本领域技术人员应能理解,任何用于指示对智能仪表进行故障定位所获得的定位结果的信息,均应包含在本发明所述的定位结果信息的范围内。
其中,建立所述故障关系模型的方案将在后续实施例中予以详述,在此不再赘述。需要说明的是,基于智能仪表的生命周期所建立的故障关系模型,是表示故障关系模型所基于的生命周期(以及生命周期中所包含的生命阶段)与发生故障的智能仪表的生命周期(以及生命周期中所包含的生命阶段)是相同的。
具体地,计算机设备将所获得的故障信息作为基于生命周期所建立的故障关系模型的输入,来对发生故障的智能仪表进行故障定位,并将该故障关系模型的输出作为定位结果信息。
优选地,计算机设备可在对所述智能仪表进行故障定位之后,结合预测得到的智能仪表的健康状态(如剩余寿命长度),来进一步优化所述定位结果信息,以便作出更准确的故障处理建议。
需要说明的是,上述举例仅为更好地说明本发明的技术方案,而非对本发明的限制,本领域技术人员应该理解,任何根据所述故障信息,以及基于所述智能仪表的生命周期所建立的故障关系模型,对所述智能仪表进行故障定位,获得定位结果信息的实现方式,均应包含在本发明的范围内。
作为一种优选方案,本实施的方法还包括:计算机设备根据所述定位结果信息,优化所述故障关系模型。
根据本实施例的方案,基于生命周期理论,可将智能仪表的生命周期中的每个生命阶段用于智能仪表的故障分析,从而便于获得在整个生命周期内智能仪表的故障的全局视图,便于在整个生命周期内对智能仪表的管理;根据基于生命周期所建立的故障关系模型,可实现快速且准确地定位智能仪表的故障,如准确地获知故障所属的故障分类以及发生故障的模块等定位结果信息,并可基于定位结果信息及时作出故障处理决策(如智能仪表的更换,智能仪表中的部分模块的更换或维修等),能够大大降低全局成本;可根据定位结果信息优化故障关系模型,从而无论环境和条件如何变化,均可实现故障关系模型的动态更新和优化。
图2为本发明另一个实施例的用于对智能仪表进行故障定位的方法的流程示意图。根据本实施例的方法包括步骤S110、步骤S120、步骤S130和步骤S140,其中,所述步骤S110和所述步骤S120已在参照图1所示实施例中予以详述,在此不再赘述。
其中,所述步骤S130和所述步骤S140在所述步骤S110之前被执行。
在步骤S130中,计算机设备建立与所述智能仪表相对应的数据库,所述数据库用于收集预定义的故障分类、适用于所述生命周期的多个智能仪表的生命周期数据、以及所述多个智能仪表的模块信息。
优选地,所述数据库为分布式数据库。优选地,所述数据库基于智能仪表的生命周期以及生命周期中的各个生命阶段来建立。
其中,所述生命周期数据包括智能仪表的生命周期内的所有数据;优选地,所述生命周期数据包括智能仪表的生命周期中的每个生命阶段相对应的在线数据和离线数据。优选地,所述在线数据包括但不限于:用于测量系统的数据、故障数据(如历史发生故障的时间、模块以及故障所属的故障分类等),连续工作时间、气象数据、故障数据、电压数据、电磁干扰数据等;优选地,所述离线数据包括但不限于:智能电表的结构数据、模块信息、厂家(制造商、销售商等)数据、安装数据等。需要说明的是,优选地,数据库存储其收集到的每项生命周期数据,并记录每项生命周期数据所对应的生命阶段。
其中,所述模块信息包括任何与智能仪表中的模块相关的信息,如智能仪表所包含的各个模块,以及每个模块的参数等。
作为一个示例,对于一批同型号的智能电表,计算机设备基于该等智能电表的各个生命阶段(该等智能电表对应相同的生命周期,也即对应相同的多个生命阶段),建立与该等智能电表相对应的分布式数据库,该分布式数据库中存储有预定义的故障分类以及该等智能电表的模块信息(该等智能电表包括相同的多个模块),且用于收集该等智能电表的整个生命周期中的所有在线数据和离线数据。
在步骤S140中,计算机设备根据所述数据库进行基于所述生命周期的故障分析,来建立故障关系模型。
其中,计算机设备可采用多种机器学习方法来基于数据库进行故障分析,如多维矩阵分析、聚类分析、相关性分析、神经网络算法、或者上述至少两种方式的结合等。
作为一种优选方案,所述步骤S140进一步包括步骤S1410、步骤S1420和步骤S1430。
在步骤S1410中,计算机设备根据所述数据库进行基于所述生命周期的故障分析,确定多个故障影响因子,并计算所述多个故障影响因子中的每个故障影响因子和所述故障分类之间的相关性。
其中,所述故障影响因子包括能够引发智能仪表发生故障的任何影响因子,如智能仪表所处环境中的潮湿度和温度等。需要说明的是,所述故障影响因子可包括在智能仪表的整个生命周期内会引发故障的影响因子,以及仅在智能仪表的特定生命周期内会引发故障的影响因子。如,对于一批智能电表,潮湿度为与该批智能电表在整个生命周期内(也即所有的生命阶段)所对应的故障影响因子,温度仅为该批智能电表在运行阶段所对应的故障影响因子。
作为一个示例,计算机设备根据数据库中的所有数据进行基于所述生命周期的故障分析,确定故障影响因子M1和M2,并计算M1和故障分类之间的相关函数f(M1),以及M2和故障分类之间的相关函数f(M2)。
在步骤S1420中,计算机设备根据所述每个故障影响因子和所述故障分类之间的相关性,计算得到所述多个故障影响因子和所述故障分类之间的复合相关性信息。
其中,所述故障影响因子用于表示可物理表示的能够引发故障的影响因子,如潮湿度、温度等。
其中,所述复合相关性信息用于指示多个故障影响因子相结合与故障分类之间的复合相关性。
作为一个示例,在步骤S1410中,计算机设备根据数据库中的所有数据进行基于所述生命周期的故障分析,确定故障影响因子M1和M2,并计算M1和故障分类之间的相关函数f(M1),以及M2和故障分类之间的相关函数f(M2);在步骤S1420中,计算机设备根据f(M1)和f(M2)以及神经网络算法,计算得到M1、M2和故障分类之间的复合相关函数f(M1,M2)。
在步骤S1430中,计算机设备根据所述复合相关性信息,建立故障关系模型。
优选地,计算机设备根据多个故障因子相结合与故障分类之间的复合相关性信息,以及多个故障影响因子中的每个故障影响因子和故障分类之间的相关性,来建立故障关系模型。
根据本实施例的方案,通过基于生命周期理论所建立的故障关系模型,可呈现出智能仪表的故障以及生命状态之间复杂且定量的关系;通过将智能仪表的各个生命阶段与故障分类相联系,能够准确的得到每个生命阶段中的故障影响因子,且通过大数据分析,可准确地计算故障分类和故障影响因子之间的相关性,从而可更精确地定位智能仪表的故障,如可精确地获得智能仪表发生的故障所属的故障分类以及发生故障的模块等,从而便于及时地针对智能仪表的故障作出故障处理决策,且能够大大降低在智能电网中针对智能仪表的投入成本。
图3为根据本发明一个实施例的用于对智能仪表进行故障定位的装置的结构示意图。该用于对智能仪表进行故障定位的装置(以下简称为“定位装置100”)包括获得单元110和故障定位单元120。
获得单元110获得与当前发生故障的智能仪表相对应的故障信息。
其中,所述故障信息包括任何与智能仪表所发生的故障相关的信息。优选地,所述故障信息包括智能仪表发生故障时所处于的其生命周期中的生命阶段。其中,智能仪表的生命周期表示智能仪表的全寿命周期,所述生命周期被划分为多个生命阶段;优选地,所述生命周期被划分为以下生命阶段:制造阶段,运输阶段,安装阶段,运行阶段,维护阶段,废弃阶段。需要说明的是,生命周期的划分与智能仪表的功能、适用区域、健康影响因子(能够影响智能仪表的健康状态的影响因子)、故障影响因子(能够引发智能仪表发生故障的影响因子)等多种因素相关,因此,应基于智能仪表的实际情况来将生命周期划分为若干个生命阶段。
更优选地,所述故障信息还包括智能仪表的当前故障等级、自诊断信息、发生故障时的外界环境信息、智能仪表的部分模块的温度等。
需要说明的是,上述故障信息仅为举例,而非对本发明的限制,本领域技术人员应能理解,任何与智能仪表所发生的故障相关的信息,均应包含在本发明所述的故障信息的范围内。
具体地,获得单元110可采用多种方式获得与当前发生故障的智能仪表相对应的故障信息。例如,获得单元110获得发生故障的智能仪表提供的自诊断数据;又例如,获得单元110获得第三方设备反馈的智能仪表的故障信息。
需要说明的是,上述举例仅为更好地说明本发明的技术方案,而非对本发明的限制,本领域技术人员应该理解,任何获得与当前发生故障的智能仪表相对应的故障信息的实现方式,均应包含在本发明的范围内。
故障定位单元120根据所述故障信息,以及基于所述智能仪表的生命周期所建立的故障关系模型,对所述智能仪表进行故障定位,获得定位结果信息。
其中,所述定位结果信息包括任何用于指示对智能仪表进行故障定位所获得的定位结果的信息。优选地,所述定位结果信息包括但不限于:
1)智能仪表中的故障所属的故障分类。其中,所述故障分类包括智能仪表可能发生的所有故障类别,优选地,所述故障分类包括但不限于:测量错误、外观损坏、显示错误、通讯错误、报告错误等。
2)智能仪表中发生故障的模块,如定位结果信息指示发生故障的模块为显示模块。
3)针对所述智能仪表的故障处理建议,如故障处理建议指示建议更换智能仪表的一个或多个模块,或者,建议直接废弃发生故障的智能仪表等。
需要说明的是,上述定位结果信息仅为举例,而非对本发明的限制,本领域技术人员应能理解,任何用于指示对智能仪表进行故障定位所获得的定位结果的信息,均应包含在本发明所述的定位结果信息的范围内。
其中,建立所述故障关系模型的方案将在后续实施例中予以详述,在此不再赘述。需要说明的是,基于智能仪表的生命周期所建立的故障关系模型,是表示故障关系模型所基于的生命周期(以及生命周期中所包含的生命阶段)与发生故障的智能仪表的生命周期(以及生命周期中所包含的生命阶段)是相同的。
具体地,故障定位单元120将所获得的故障信息作为基于生命周期所建立的故障关系模型的输入,来对发生故障的智能仪表进行故障定位,并将该故障关系模型的输出作为定位结果信息。
优选地,故障定位单元120可在对所述智能仪表进行故障定位之后,结合预测得到的智能仪表的健康状态(如剩余寿命长度),来进一步优化所述定位结果信息,以便作出更准确的故障处理建议。
需要说明的是,上述举例仅为更好地说明本发明的技术方案,而非对本发明的限制,本领域技术人员应该理解,任何根据所述故障信息,以及基于所述智能仪表的生命周期所建立的故障关系模型,对所述智能仪表进行故障定位,获得定位结果信息的实现方式,均应包含在本发明的范围内。
作为一种优选方案,本实施的定位装置100还包括模型优化单元(图未示)。模型优化单元根据所述定位结果信息,优化所述故障关系模型。
根据本实施例的方案,基于生命周期理论,可将智能仪表的生命周期中的每个生命阶段用于智能仪表的故障分析,从而便于获得在整个生命周期内智能仪表的故障的全局视图,便于在整个生命周期内对智能仪表的管理;根据基于生命周期所建立的故障关系模型,可实现快速且准确地定位智能仪表的故障,如准确地获知故障所属的故障分类以及发生故障的模块等定位结果信息,并可基于定位结果信息及时作出故障处理决策(如智能仪表的更换,智能仪表中的部分模块的更换或维修等),能够大大降低全局成本;可根据定位结果信息优化故障关系模型,从而无论环境和条件如何变化,均可实现故障关系模型的动态更新和优化。
图4为本发明另一个实施例的用于对智能仪表进行故障定位的装置的结构示意图。该用于对智能仪表进行故障定位的装置(也即“定位装置100”)包括获得单元110、故障定位单元120、数据库建立单元130和第一模型建立单元140,其中,所述获得单元110、故障定位单元120已在参照图3所示实施例中予以详述,在此不再赘述。
其中,所述数据库建立单元130和第一模型建立单元140在获得单元110之前执行操作。
数据库建立单元130建立与所述智能仪表相对应的数据库,所述数据库用于收集预定义的故障分类、适用于所述生命周期的多个智能仪表的生命周期数据、以及所述多个智能仪表的模块信息。
优选地,所述数据库为分布式数据库。优选地,所述数据库基于智能仪表的生命周期以及生命周期中的各个生命阶段来建立。
其中,所述生命周期数据包括智能仪表的生命周期内的所有数据;优选地,所述生命周期数据包括智能仪表的生命周期中的每个生命阶段相对应的在线数据和离线数据。优选地,所述在线数据包括但不限于:用于测量系统的数据、故障数据(如历史发生故障的时间、模块以及故障所属的故障分类等),连续工作时间、气象数据、故障数据、电压数据、电磁干扰数据等;优选地,所述离线数据包括但不限于:智能电表的结构数据、模块信息、厂家(制造商、销售商等)数据、安装数据等。需要说明的是,优选地,数据库存储其收集到的每项生命周期数据,并记录每项生命周期数据所对应的生命阶段。
其中,所述模块信息包括任何与智能仪表中的模块相关的信息,如智能仪表所包含的各个模块,以及每个模块的参数等。
作为一个示例,对于一批同型号的智能电表,数据库建立单元130基于该等智能电表的各个生命阶段(该等智能电表对应相同的生命周期,也即对应相同的多个生命阶段),建立与该等智能电表相对应的分布式数据库,该分布式数据库中存储有预定义的故障分类以及该等智能电表的模块信息(该等智能电表包括相同的多个模块),且用于收集该等智能电表的整个生命周期中的所有在线数据和离线数据。
第一模型建立单元140根据所述数据库进行基于所述生命周期的故障分析,来建立故障关系模型。
其中,第一模型建立单元140可采用多种机器学习方法来基于数据库进行故障分析,如多维矩阵分析、聚类分析、神经网络算法、支持向量机、回归分析、深入学习方法等,或者上述至少两种方式的结合等。
作为一种优选方案,所述第一模型建立单元140进一步包括第一计算单元(图未示)、第二计算单元(图未示)和第二模型建立单元(图未示)。
第一计算单元根据所述数据库进行基于所述生命周期的故障分析,确定多个故障影响因子,并计算所述多个故障影响因子中的每个故障影响因子和所述故障分类之间的相关性。
其中,所述故障影响因子包括能够引发智能仪表发生故障的任何影响因子,如智能仪表所处环境中的潮湿度和温度等。需要说明的是,所述故障影响因子可包括在智能仪表的整个生命周期内会引发故障的影响因子,以及仅在智能仪表的特定生命周期内会引发故障的影响因子。如,对于一批智能电表,潮湿度为与该批智能电表在整个生命周期内(也即所有的生命阶段)所对应的故障影响因子,温度仅为该批智能电表在运行阶段所对应的故障影响因子。
作为一个示例,第一计算单元根据数据库中的所有数据进行基于所述生命周期的故障分析,确定故障影响因子M1和M2,并计算M1和故障分类之间的相关函数f(M1),以及M2和故障分类之间的相关函数f(M2)。
第二计算单元根据所述每个故障影响因子和所述故障分类之间的相关性,计算得到所述多个故障影响因子和所述故障分类之间的复合相关性信息。
其中,所述故障影响因子用于表示可物理表示的能够引发故障的影响因子,如潮湿度、温度等。
其中,所述复合相关性信息用于指示多个故障影响因子相结合与故障分类之间的复合相关性。
作为一个示例,第一计算单元根据数据库中的所有数据进行基于所述生命周期的故障分析,确定故障影响因子M1和M2,并计算M1和故障分类之间的相关函数f(M1),以及M2和故障分类之间的相关函数f(M2);第二计算单元根据f(M1)和f(M2)以及神经网络算法,计算得到M1、M2和故障分类之间的复合相关函数f(M1,M2)。
第二模型建立单元根据所述复合相关性信息,建立故障关系模型。
优选地,第二模型建立单元根据多个故障因子相结合与故障分类之间的复合相关性信息,以及多个故障影响因子中的每个故障影响因子和故障分类之间的相关性,来建立故障关系模型。
根据本实施例的方案,通过基于生命周期理论所建立的故障关系模型,可呈现出智能仪表的故障以及生命状态之间复杂且定量的关系;通过将智能仪表的各个生命阶段与故障分类相联系,能够准确的得到每个生命阶段中的故障影响因子,且通过大数据分析,可准确地计算故障分类和故障影响因子之间的相关性,从而可更精确地定位智能仪表的故障,如可精确地获得智能仪表发生的故障所属的故障分类以及发生故障的模块等,从而便于及时地针对智能仪表的故障作出故障处理决策,且能够大大降低在智能电网中针对智能仪表的投入成本。
图5示出了按照本发明一个实施例的计算机设备200的通用结构框图。计算机设备200可以包括存储器210和处理器220。存储器210可以存储可执行指令。处理器220可以根据存储器210所存储的可执行指令,实现上述用于获得智能仪表的健康预测信息的操作。
此外,本发明的实施例还提供了一种机器可读介质,其上存储有可执行指令,当所述可执行指令被执行时,使得机器执行处理器220所实现的操作。
上文通过附图和优选实施例对本发明进行了详细展示和说明,然而本发明不限于这些已揭示的实施例,本领域技术人员从中推导出来的其他方案也在本发明的保护范围之内。
Claims (8)
1.一种用于对智能仪表进行故障定位的方法,其中,该方法包括:
获得与当前发生故障的智能仪表相对应的故障信息;
根据所述故障信息,以及基于所述智能仪表的生命周期所建立的故障关系模型,对所述智能仪表进行故障定位,获得定位结果信息;其中所述故障关系模型是基于多个故障影响因子和故障分类之间的复合相关性信息而建立的;
其中所述故障信息包括智能仪表发生故障时所处于的其生命周期中的生命阶段。
2.根据权利要求1所述的方法,其中,在所述获得与当前发生故障的智能仪表相对应的故障信息的步骤之前,该方法还包括:
建立与所述智能仪表相对应的数据库,所述数据库用于收集预定义的故障分类、适用于所述生命周期的多个智能仪表的生命周期数据以及所述多个智能仪表的模块信息;
根据所述数据库进行基于所述生命周期的故障分析,来建立故障关系模型。
3.根据权利要求2所述的方法,其中,所述根据所述数据库进行基于所述生命周期的故障分析,来建立故障关系模型的步骤包括:
根据所述数据库进行基于所述生命周期的故障分析,确定多个故障影响因子,并计算所述多个故障影响因子中的每个故障影响因子和所述故障分类之间的相关性;
根据所述每个故障影响因子和所述故障分类之间的相关性,计算得到所述多个故障影响因子和所述故障分类之间的复合相关性信息;
根据所述复合相关性信息,建立故障关系模型。
4.一种用于对智能仪表进行故障定位的装置,其中,该装置包括:
获得单元,用于获得与当前发生故障的智能仪表相对应的故障信息;
故障定位单元,用于根据所述故障信息,以及基于所述智能仪表的生命周期所建立的故障关系模型,对所述智能仪表进行故障定位,获得定位结果信息;其中所述故障关系模型是基于多个故障影响因子和故障分类之间的复合相关性信息而建立的;
其中所述故障信息包括智能仪表发生故障时所处于的其生命周期中的生命阶段。
5.根据权利要求4所述的装置,其中,该装置还包括:
模型优化单元,用于根据所述定位结果信息,优化所述故障关系模型。
6.根据权利要求4所述的装置,其中,该装置还包括在第一获得单元之间执行操作的以下单元:
数据库建立单元,用于建立与所述智能仪表相对应的数据库,所述数据库用于收集预定义的故障分类、适用于所述生命周期的多个智能仪表的生命周期数据以及所述多个智能仪表的模块信息;
第一模型建立单元,用于根据所述数据库进行基于所述生命周期的故障分析,来建立故障关系模型。
7.根据权利要求6所述的装置,其中,所述第一模型建立单元包括:
第一计算单元,用于根据所述数据库进行基于所述生命周期的故障分析,确定多个故障影响因子,并计算所述多个故障影响因子中的每个故障影响因子和所述故障分类之间的相关性;
第二计算单元,用于根据所述每个故障影响因子和所述故障分类之间的相关性,计算得到所述多个故障影响因子和所述故障分类之间的复合相关性信息;
第二模型建立单元,用于根据所述复合相关性信息,建立故障关系模型。
8.根据权利要求4所述的装置,其中,所述定位结果信息包括以下至少一项:
-智能仪表中的故障所属的故障分类;
-智能仪表中发生故障的模块;
-针对所述智能仪表的故障处理建议。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610102755.1A CN107121616B (zh) | 2016-02-24 | 2016-02-24 | 一种用于对智能仪表进行故障定位的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610102755.1A CN107121616B (zh) | 2016-02-24 | 2016-02-24 | 一种用于对智能仪表进行故障定位的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107121616A CN107121616A (zh) | 2017-09-01 |
CN107121616B true CN107121616B (zh) | 2020-03-24 |
Family
ID=59716938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610102755.1A Active CN107121616B (zh) | 2016-02-24 | 2016-02-24 | 一种用于对智能仪表进行故障定位的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107121616B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197025B (zh) * | 2017-12-29 | 2021-04-09 | 大陆汽车车身电子系统(芜湖)有限公司 | 一种仪表压力测试系统及仪表压力测试方法 |
CN111581248A (zh) * | 2020-03-25 | 2020-08-25 | 中国电力科学研究院有限公司 | 一种确定智能电能表典型故障主要影响因素的方法和系统 |
CN112345874B (zh) * | 2021-01-11 | 2021-04-20 | 北京三维天地科技股份有限公司 | 一种基于5g的实验室仪器设备在线故障诊断方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102193836A (zh) * | 2011-04-18 | 2011-09-21 | 电子科技大学 | 机电设备的动态预防性维护方法 |
CN102495549A (zh) * | 2011-11-22 | 2012-06-13 | 中联重科股份有限公司 | 工程机械的远程维护决策系统及方法 |
CN103178615A (zh) * | 2013-02-05 | 2013-06-26 | 广东电网公司 | 电力设备故障监控方法及其系统 |
CN104915552A (zh) * | 2015-05-27 | 2015-09-16 | 百度在线网络技术(北京)有限公司 | 一种预测系统故障的方法及装置 |
CN105093109A (zh) * | 2015-07-10 | 2015-11-25 | 中国矿业大学 | 一种电机状态无线远程监测与互联系统及其方法 |
-
2016
- 2016-02-24 CN CN201610102755.1A patent/CN107121616B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102193836A (zh) * | 2011-04-18 | 2011-09-21 | 电子科技大学 | 机电设备的动态预防性维护方法 |
CN102495549A (zh) * | 2011-11-22 | 2012-06-13 | 中联重科股份有限公司 | 工程机械的远程维护决策系统及方法 |
CN103178615A (zh) * | 2013-02-05 | 2013-06-26 | 广东电网公司 | 电力设备故障监控方法及其系统 |
CN104915552A (zh) * | 2015-05-27 | 2015-09-16 | 百度在线网络技术(北京)有限公司 | 一种预测系统故障的方法及装置 |
CN105093109A (zh) * | 2015-07-10 | 2015-11-25 | 中国矿业大学 | 一种电机状态无线远程监测与互联系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107121616A (zh) | 2017-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108375715B (zh) | 一种配电网线路故障风险日预测方法及系统 | |
CN107766299B (zh) | 数据指标异常的监控方法及其系统、存储介质、电子设备 | |
JP6875179B2 (ja) | システム分析装置、及びシステム分析方法 | |
US20200081054A1 (en) | Power line issue diagnostic methods and apparatus using distributed analytics | |
CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
US20220035356A1 (en) | Equipment failure diagnosis support system and equipment failure diagnosis support method | |
CN113935497A (zh) | 智能运维故障处理方法、装置、设备及其存储介质 | |
CN112529036B (zh) | 一种故障预警方法、装置、设备及存储介质 | |
CN111949646B (zh) | 基于大数据的设备运行状况分析方法、装置、设备及介质 | |
US11016477B2 (en) | Devices, methods, and systems for a distributed rule based automated fault detection | |
CN107121943B (zh) | 一种用于获得智能仪表的健康预测信息的方法和装置 | |
CN111382494A (zh) | 用于检测工业机器的感知数据中的异常的系统及方法 | |
CN107121616B (zh) | 一种用于对智能仪表进行故障定位的方法和装置 | |
CN107679089A (zh) | 一种用于电力传感数据的清洗方法、装置和系统 | |
CN113196311A (zh) | 用于识别和预测机器的异常感测行为模式的系统和方法 | |
JP2016128973A (ja) | 予兆診断システム及び予兆診断方法 | |
CN117556366B (zh) | 基于数据筛选的数据异常检测系统及方法 | |
CN115453356A (zh) | 一种动力设备运行状态监测分析方法、系统、终端及介质 | |
CN118176467A (zh) | 用于监视技术安装中的资产的状况的系统、装置和方法 | |
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 | |
CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及系统 | |
JP5771318B1 (ja) | 異常診断装置及び異常診断方法 | |
CN116664098A (zh) | 一种光伏电站的异常检测方法及系统 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN115600695A (zh) | 一种计量设备的故障诊断方法 |
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 |