CN107238508B - 一种设备状态诊断方法及装置 - Google Patents
一种设备状态诊断方法及装置 Download PDFInfo
- Publication number
- CN107238508B CN107238508B CN201710599875.1A CN201710599875A CN107238508B CN 107238508 B CN107238508 B CN 107238508B CN 201710599875 A CN201710599875 A CN 201710599875A CN 107238508 B CN107238508 B CN 107238508B
- Authority
- CN
- China
- Prior art keywords
- sample
- classification
- failure
- failure modes
- tested sample
- 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
- 238000002405 diagnostic procedure Methods 0.000 title claims abstract description 9
- 238000003745 diagnosis Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012098 association analyses Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000004888 barrier function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种设备状态诊断方法及装置，该方法包括：对获取到的历史样本进行处理得到典型样本故障分类及其特征值；对所述被测样本进行相似度判断得到故障初步分类；获得所述故障初步分类对应的样本特征值，进行加权计算得到相似度参数，并确定所述被测样本的故障分类；当所述故障分类为单一种类时，将所述故障分类确定为所述被测样本的故障诊断分类；若不是单一种类，则创建精确模型，将所述故障初步分类输入到所述精确模型中进行判断，得到所述被测样本的故障诊断分类。通过本发明实现了提高了设备状态诊断的准确度和精确度的目的。
Description
技术领域
本发明涉及设备生产监控技术领域，特别是涉及一种基于机器学习的设备状态智能诊断方法及装置。
背景技术
在工业生产领域中，传统的设备状态监测方案是通过定阈值监测或者简单的多阈值监测判断的，但是这种方案可以通用地解决一类状态检测问题。随着被监测状态和参数的多样化以及所处行业生产过程的复杂化或者其他非一致性的客观条件，基于传统的定值监测技术越来越不能适应这种变化，难以保证状态判断结果的准确度。
为了解决这一问题，在现有的技术情况下，采用的是有经验的人员配合监测系统实现人工干预和预判断从而进行有效的判断，由于基于个人经验的差异以及种种思维惯性，这种机器结合人工的方法具有一定的局限性。
发明内容
针对于上述问题，本发明提供一种设备状态诊断方法及装置，实现了提高了设备状态诊断的准确度和精确度的目的。
为了实现上述目的，根据本发明的第一方面，提供了一种设备状态诊断方法，该方法包括：
对获取到的历史样本进行处理得到典型样本故障分类及其特征值，其中所述历史样本为设备历史故障样本数据；
根据所述典型样本故障分类及其特征值，对所述被测样本进行相似度判断得到所述被测样本的故障初步分类；
获得所述故障初步分类对应的样本特征值，对所述样本特征值进行加权计算得到相似度参数，并根据所述相似度参数确定所述被测样本的故障分类；
判断所述故障分类的种类数量是否满足预设条件，如果是，则将所述故障分类确定为所述被测样本的故障诊断分类，其中，所述预设条件为所述故障初步分类为单一种类；
当所述故障分类的种类数量不满足所述预设条件时，创建精确模型，将所述故障初步分类输入到所述精确模型中进行判断，得到所述被测样本的故障诊断分类。
优选的，所述根据所述典型样本故障分类及其特征值，对所述被测样本进行相似度判断得到所述被测样本的故障初步分类，包括：
根据所述典型样本故障分类及其特征值，确定每种故障分类的判断条件；
依据所述判断条件，对所述被测样本进行参数关联分析，判断得到所述被测样本的故障初步分类。
优选的，所述当所述故障分类的种类数量不满足所述预设条件时，创建精确模型，将所述故障分类输入到所述精确模型中进行判断，得到所述被测样本的故障诊断分类，包括：
当所述故障初步分类的结果为多个分类时，获取各个分类下的历史样本；
对所述历史样本通过相似度评判标准进行评判，得到各个分类下对应的历史样本的相似度值；
对所述相似度值进行排序，将相似度值最高的对应的分类作为所述被测样本的故障诊断分类。
优选的，当对所述相似度值进行排序，得到相似值最高的对应的分类为多个时，该方法还包括：
根据人工经验对所述多个分类进行判断分析，得到唯一的故障分类，将所述分类作为所述被测样本的故障诊断分类。
优选的，当确定所述被测样本的故障诊断分类之后，该方法还包括：
将所述被测样本记录到历史样本数据库中，并对所述典型样本故障分类进行修正。
根据本发明的第二方面，提供了一种设备状态诊断装置，该装置包括：
处理模块，用于对获取到的历史样本进行处理得到典型样本故障分类及其特征值，其中所述历史样本为设备历史故障样本数据；
第一判断模块，用于根据所述典型样本故障分类及其特征值，对所述被测样本进行相似度判断得到所述被测样本的故障初步分类；
分类模块，用于获得所述故障初步分类对应的样本特征值，对所述样本特征值进行加权计算得到相似度参数，并根据所述相似度参数确定所述被测样本的故障分类；
第二判断模块，用于判断所述故障分类的种类数量是否满足预设条件，如果是，则将所述故障分类确定为所述被测样本的故障诊断分类，其中，所述预设条件为所述故障初步分类为单一种类；
第三判断模块，用于当所述故障分类的种类数量不满足所述预设条件时，创建精确模型，将所述故障初步分类输入到所述精确模型中进行判断，得到所述被测样本的故障诊断分类。
优选的，所述第一判断模块包括：
确定单元，用于根据所述典型样本故障分类及其特征值，确定每种故障分类的判断条件；
初步判断单元，用于依据所述判断条件，对所述被测样本进行参数关联分析，判断得到所述被测样本的故障初步分类。
优选的，所述第三判断模块包括：
获取单元，用于当所述故障初步分类的结果为多个分类时，获取各个分类下的历史样本；
评判单元，用于对所述历史样本通过相似度评判标准进行评判，得到各个分类下对应的历史样本的相似度值；
排序单元，用于对所述相似度值进行排序，将相似度值最高的对应的分类作为所述被测样本的故障诊断分类。
优选的，当对所述相似度值进行排序，得到相似值最高的对应的分类为多个时，该装置还包括：
人工判断单元，用于根据人工经验对所述多个分类进行判断分析，得到唯一的故障分类，将所述分类作为所述被测样本的故障诊断分类。
优选的，当确定所述被测样本的故障诊断分类之后，该装置还包括：
修正模块，用于将所述被测样本记录到历史样本数据库中，并对所述典型样本故障分类进行修正。
相较于现有技术，本发明对获取到的历史样本进行处理得到典型样本故障分类及其特征值；对所述被测样本进行相似度判断得到所述被测样本的故障初步分类；获得所述故障初步分类对应的样本特征值，进行加权计算得到相似度参数，并确定所述被测样本的故障分类；判断所述故障分类的种类数量是否满足预设条件，如果是，则将所述故障分类确定为所述被测样本的故障诊断分类；当所述故障分类的种类数量不满足所述预设条件时，创建精确模型，将所述故障初步分类输入到所述精确模型中进行判断，得到所述被测样本的故障诊断分类。本发明基于历史样本作为分类和判断的依据有效解决了现有技术中个体差异和人工判断不准确的情况，并且在本发明中采用了多次判断使结果更加准确，降低了误判的可能性，最后将被测样本归入历史样本数据库中，随着数据库中数据的增加，使后续的判断可信度越来越高，进而实现了提高了设备状态诊断的准确度和精确度的目的。
附图说明
为了更清楚地说明本发明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发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例一提供的一种设备状态诊断方法的流程示意图；
图2为本发明实施例二对应的图1中S12步骤获取故障初步分类的流程示意图；
图3为本发明实施例二对应的图1中S16步骤精确模型判断的流程示意图；
图4为本发明实施例三提供的一种设备状态诊断装置的结构示意图。
具体实施方式
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。
本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，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、系统、产品或设备没有设定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。
实施例一
参见图1为本发明实施例一提供的一种设备状态诊断方法的流程示意图，该方法包括以下步骤：
S11、对获取到的历史样本进行处理得到典型样本故障分类及其特征值，其中所述历史样本为设备历史故障样本数据；
具体的，在历史样本数据库中获取到历史样本数据后，采用统计学方法对样本数据进行初步的归类和整理，通常会使用K-近邻算法进行归纳，得到典型样本故障分类，分类的数量通过人工判断结合历史数据整理会逐渐增多。举例说明，比如获取到汽轮机历史故障样本数据，对其进行典型样本的故障分类可以分为转子突变性不平衡、转子不对中、转子形状热弯曲、专职支承部件松动、转轴径向碰磨、旋转失速和油膜涡动这几类典型故障，此处只是举例说明故障类型，但是不局限于上述几类故障分类。并根据现有技术中的方法获得对应的样本特征值。并且，典型样本数据的归类应以同类型全部样本历史数据作为参考。
S12、根据所述典型样本故障分类及其特征值，对所述被测样本进行相似度判断得到所述被测样本的故障初步分类；
具体的，将被测样本与所述典型样本故障分类进行比较获得被测样本的初步分类。计算相似度时应以时间维度以及样本置信率作为主要参考，过老的记录和过新的记录在相似度比例中应占比更低，作为被多次近邻的样本其置信度应该更高，若所有相似度低于一个标准值，则该状态应该作为一个新故障分类进行处理，作为孤本样本，应排除在相似度计算中。
S13、获得所述故障初步分类对应的样本特征值，对所述样本特征值进行加权计算得到相似度参数，并根据所述相似度参数确定所述被测样本的故障分类；
具体的，当确定了被测样本的初步分类后还有对所述初步分类进行验证，以确定该初步分类是否为被测样本的故障分类。
S14、判断所述故障分类的种类数量是否满足预设条件，如果是，则执行步骤S15，如果否，则执行步骤S16。
S15、将所述故障分类确定为所述被测样本的故障诊断分类，其中，所述预设条件为所述故障初步分类为单一种类；
S16、当所述故障分类的种类数量不满足所述预设条件时，创建精确模型，将所述故障初步分类输入到所述精确模型中进行判断，得到所述被测样本的故障诊断分类。
具体的，确定所述被测样本的故障分类后，如果得到的分类种类为多种需要进行进一步判断，已得到最接近故障分类记作故障诊断分类。
通过本发明实施例一公开的技术方案，对获取到的历史样本进行处理得到典型样本故障分类及其特征值；对所述被测样本进行相似度判断得到所述被测样本的故障初步分类；获得所述故障初步分类对应的样本特征值，进行加权计算得到相似度参数，并确定所述被测样本的故障分类；判断所述故障分类的种类数量是否满足预设条件，如果是，则将所述故障分类确定为所述被测样本的故障诊断分类；当所述故障分类的种类数量不满足所述预设条件时，创建精确模型，将所述故障初步分类输入到所述精确模型中进行判断，得到所述被测样本的故障诊断分类。本发明基于历史样本作为分类和判断的依据有效解决了现有技术中个体差异和人工判断不准确的情况，并且在本发明中采用了多次判断使结果更加准确，降低了误判的可能性，最后将被测样本归入历史样本数据库中，随着数据库中数据的增加，使后续的判断可信度越来越高，进而实现了提高了设备状态诊断的准确度和精确度的目的。
实施例二
参照本发明实施例一和图1中所描述的S11到S16步骤的具体过程，并参见图2，所述步骤S12根据所述典型样本故障分类及其特征值，对所述被测样本进行相似度判断得到所述被测样本的故障初步分类，具体包括以下步骤：
S121、根据所述典型样本故障分类及其特征值，确定每种故障分类的判断条件；
S122、依据所述判断条件，对所述被测样本进行参数关联分析，判断得到所述被测样本的故障初步分类。
具体的，在获得了典型样本故障分类后，针对不同分类情况下，归纳明确的判断条件，然后对被测样本进行参数关联性分析归类，获得被测样本的故障初步分类。其中，根据样本特征值和故障类型会存在不同的归类方法，最简单的是手动归类即由专家自己分类；或者是基于线性回归，逻辑回归聚类等多种归类方式，均可作为本发明中提到的参数关联性分析归类的手段，本发明对此不做限定。
参见图3，所述步骤S16当所述故障分类的种类数量不满足所述预设条件时，创建精确模型，将所述故障分类输入到所述精确模型中进行判断，得到所述被测样本的故障诊断分类，具体包括：
S161、当所述故障初步分类的结果为多个分类时，获取各个分类下的历史样本；
S162、对所述历史样本通过相似度评判标准进行评判，得到各个分类下对应的历史样本的相似度值；
S163、对所述相似度值进行排序，将相似度值最高的对应的分类作为所述被测样本的故障诊断分类。
可以理解的是，在确定了被测样本其可能的故障分类后，针对其可能的故障分类下面的样本创建精确模型，即结合历史数据总结样本分布得出较为准确的特征值和故障分类表现的联系程度，后经数学提到计算得出较为准确的判断模型；方法为对故障分类下的历史样本通过相似度评判标准进行评判也就是在获得了所述历史样本的特征值后，采用K-临近算法，对特征值进行加权计算获得所述各个历史样本的相似度值，然后基于所述精确模型进行相似性判断，得出相似度值进行排序，确认其相似度值较高的对应的分类作为所述被测样本的故障诊断分类。其中，相似度评判标准可由外部参数设定或者模型内部设定，然后采用逻辑回归算法或神经网络分类器，根据实时数据计算的特征值计算代价函数，通过反复迭代使得该样本数据的代价函数最小，这样可以获得相似度值。
同时，若经过精确模型判断后仍为多个故障分类，需要对应的分类作为所述被测样本的故障诊断分类。通常可以交由人工判断或者记录置信率(基于记录时间以及该记录被近似的次数和概率)进行更广度的确认，确认其单一故障分类作为故障诊断分类。
当确定所述被测样本的故障诊断分类之后，该方法还包括：
将所述被测样本记录到历史样本数据库中，并对所述典型样本故障分类进行修正。
可以理解的是，确认结果后，结果应记录在历史样本数据库中，同时完成历史库中的典型故障特征及典型故障样本修正，进一步可以为样本置信率修正，对于数量较少的样本，其置信率应该交由人工修正。
并且说明，在本发明中的样本的置信率标识该样本在某个故障分类下的概率，给出的是判断结果的可信度，对于大子样的区间估计与置信率的计算方法如下：
根据本发明实施例二公开的技术方案，对获取到的历史样本进行处理得到典型样本故障分类及其特征值，对被测样本进行初步判断时采用K-近邻算法判断故障所述类型，去除一定的符合相似度的分类所述，采用的K-近邻算法精确度高，方法成熟，既可以用来作分类也可以用来做回归。在本发明中首先是初步分类的判断，根据相似度确定初步分类的准确性，然后是进行精确判断得到最终的分类，如果分类不单一还采用人工干预进行判断，这样保证了判断结果的准确性，降低了误判的可能性。由于所有的判断过程都是机器算法完成，即采用机器学习方式，随着数据库内数据的增加，该判定可信度将越来越高。进而实现了提高了设备状态诊断的准确度和精确度的目的。
实施例三
与本发明实施例一和实施例二所公开的一种设备诊断方法相对应，本发明的实施例三还提供了一种设备诊断装置，参见图4，该装置包括：
处理模块1，用于对获取到的历史样本进行处理得到典型样本故障分类及其特征值，其中所述历史样本为设备历史故障样本数据；
第一判断模块2，用于根据所述典型样本故障分类及其特征值，对所述被测样本进行相似度判断得到所述被测样本的故障初步分类；
分类模块3，用于获得所述故障初步分类对应的样本特征值，对所述样本特征值进行加权计算得到相似度参数，并根据所述相似度参数确定所述被测样本的故障分类；
第二判断模块4，用于判断所述故障分类的种类数量是否满足预设条件，如果是，则将所述故障分类确定为所述被测样本的故障诊断分类，其中，所述预设条件为所述故障初步分类为单一种类；
第三判断模块5，用于当所述故障分类的种类数量不满足所述预设条件时，创建精确模型，将所述故障初步分类输入到所述精确模型中进行判断，得到所述被测样本的故障诊断分类。
对应的，所述第一判断模块2包括：
确定单元21，用于根据所述典型样本故障分类及其特征值，确定每种故障分类的判断条件；
初步判断单元22，用于依据所述判断条件，对所述被测样本进行参数关联分析，判断得到所述被测样本的故障初步分类。
对应的，所述第三判断模块5包括：
获取单元51，用于当所述故障初步分类的结果为多个分类时，获取各个分类下的历史样本；
评判单元52，用于对所述历史样本通过相似度评判标准进行评判，得到各个分类下对应的历史样本的相似度值；
排序单元53，用于对所述相似度值进行排序，将相似度值最高的对应的分类作为所述被测样本的故障诊断分类。
具体的，当对所述相似度值进行排序，得到相似值最高的对应的分类为多个时，该装置还包括：
人工判断单元，用于根据人工经验对所述多个分类进行判断分析，得到唯一的故障分类，将所述分类作为所述被测样本的故障诊断分类。
对应的，当确定所述被测样本的故障诊断分类之后，该装置还包括：
修正模块6，用于将所述被测样本记录到历史样本数据库中，并对所述典型样本故障分类进行修正。
在本发明的实施例三中，在处理模块中得到了典型样本故障分类及其特征值，在第一判断模块中得到所述被测样本的故障初步分类；在分类模块中确定所述被测样本的故障分类；在第二判断模块中，如果故障分类结果为单一分类，将将所述故障分类确定为所述被测样本的故障诊断分类，在第三判断模块中，将不是单一分类的进行再次判断得到所述被测样本的故障诊断分类。本发明基于历史样本作为分类和判断的依据有效解决了现有技术中个体差异和人工判断不准确的情况，并且在本发明中采用了多次判断使结果更加准确，降低了误判的可能性，最后将被测样本归入历史样本数据库中，随着数据库中数据的增加，使后续的判断可信度越来越高，进而实现了提高了设备状态诊断的准确度和精确度的目的。
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，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种设备状态诊断方法，其特征在于，该方法包括：
对获取到的历史样本进行处理得到典型样本故障分类及其特征值，其中所述历史样本为设备历史故障样本数据；
根据所述典型样本故障分类及其特征值，对被测样本进行相似度判断得到所述被测样本的故障初步分类；
获得所述故障初步分类对应的样本特征值，对所述样本特征值进行加权计算得到相似度参数，并根据所述相似度参数确定所述被测样本的故障分类；
判断所述故障分类的种类数量是否满足预设条件，如果是，则将所述故障分类确定为所述被测样本的故障诊断分类，其中，所述预设条件为所述故障初步分类为单一种类；
当所述故障分类的种类数量不满足所述预设条件时，创建精确模型，将所述故障初步分类输入到所述精确模型中进行判断，得到所述被测样本的故障诊断分类;
其中，所述当所述故障分类的种类数量不满足所述预设条件时，创建精确模型，将所述故障分类输入到所述精确模型中进行判断，得到所述被测样本的故障诊断分类，包括：
当所述故障初步分类的结果为多个分类时，获取各个分类下的历史样本；
对所述历史样本通过相似度评判标准进行评判，得到各个分类下对应的历史样本的相似度值；
对所述相似度值进行排序，将相似度值最高的对应的分类作为所述被测样本的故障诊断分类。
2.根据权利要求1所述的方法，其特征在于，所述根据所述典型样本故障分类及其特征值，对所述被测样本进行相似度判断得到所述被测样本的故障初步分类，包括：
根据所述典型样本故障分类及其特征值，确定每种故障分类的判断条件；
依据所述判断条件，对所述被测样本进行参数关联分析，判断得到所述被测样本的故障初步分类。
3.根据权利要求1所述的方法，其特征在于，当对所述相似度值进行排序，得到相似值最高的对应的分类为多个时，该方法还包括：
根据人工经验对所述多个分类进行判断分析，得到唯一的故障分类，将所述分类作为所述被测样本的故障诊断分类。
4.根据权利要求1所述的方法，其特征在于，当确定所述被测样本的故障诊断分类之后，该方法还包括：
将所述被测样本记录到历史样本数据库中，并对所述典型样本故障分类进行修正。
5.一种设备状态诊断装置，其特征在于，该装置包括：
处理模块，用于对获取到的历史样本进行处理得到典型样本故障分类及其特征值，其中所述历史样本为设备历史故障样本数据；
第一判断模块，用于根据所述典型样本故障分类及其特征值，对被测样本进行相似度判断得到所述被测样本的故障初步分类；
分类模块，用于获得所述故障初步分类对应的样本特征值，对所述样本特征值进行加权计算得到相似度参数，并根据所述相似度参数确定所述被测样本的故障分类；
第二判断模块，用于判断所述故障分类的种类数量是否满足预设条件，如果是，则将所述故障分类确定为所述被测样本的故障诊断分类，其中，所述预设条件为所述故障初步分类为单一种类；
第三判断模块，用于当所述故障分类的种类数量不满足所述预设条件时，创建精确模型，将所述故障初步分类输入到所述精确模型中进行判断，得到所述被测样本的故障诊断分类；
其中，所述第三判断模块包括：
获取单元，用于当所述故障初步分类的结果为多个分类时，获取各个分类下的历史样本；
评判单元，用于对所述历史样本通过相似度评判标准进行评判，得到各个分类下对应的历史样本的相似度值；
排序单元，用于对所述相似度值进行排序，将相似度值最高的对应的分类作为所述被测样本的故障诊断分类。
6.根据权利要求5所述的装置，其特征在于，所述第一判断模块包括：
确定单元，用于根据所述典型样本故障分类及其特征值，确定每种故障分类的判断条件；
初步判断单元，用于依据所述判断条件，对所述被测样本进行参数关联分析，判断得到所述被测样本的故障初步分类。
7.根据权利要求5所述的装置，其特征在于，当对所述相似度值进行排序，得到相似值最高的对应的分类为多个时，该装置还包括：
人工判断单元，用于根据人工经验对所述多个分类进行判断分析，得到唯一的故障分类，将所述分类作为所述被测样本的故障诊断分类。
8.根据权利要求5所述的装置，其特征在于，当确定所述被测样本的故障诊断分类之后，该装置还包括：
修正模块，用于将所述被测样本记录到历史样本数据库中，并对所述典型样本故障分类进行修正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710599875.1A CN107238508B (zh) | 2017-07-21 | 2017-07-21 | 一种设备状态诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710599875.1A CN107238508B (zh) | 2017-07-21 | 2017-07-21 | 一种设备状态诊断方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107238508A CN107238508A (zh) | 2017-10-10 |
| CN107238508B true CN107238508B (zh) | 2019-08-30 |
Family
ID=59988100
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710599875.1A Active CN107238508B (zh) | 2017-07-21 | 2017-07-21 | 一种设备状态诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107238508B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108268899B (zh) * | 2018-01-22 | 2019-03-01 | 清华大学 | 一种电子元件的检测方法、装置和设备 |
| CN110319918A (zh) * | 2018-03-28 | 2019-10-11 | 深圳金智凌轩视讯技术有限公司 | 通过声音检测设备状态的方法及装置 |
| CN108830306A (zh) * | 2018-05-30 | 2018-11-16 | 东软集团股份有限公司 | 业务数据的工作流故障诊断方法与装置、介质和电子设备 |
| CN109214527B (zh) * | 2018-08-09 | 2020-10-30 | 南瑞集团有限公司 | 一种变压器故障早期诊断预警方法和系统 |
| CN110334775B (zh) * | 2019-07-12 | 2023-07-18 | 广东工业大学 | 一种基于宽度学习的无人机线路故障识别方法和装置 |
| CN114330481A (zh) * | 2021-11-11 | 2022-04-12 | 杭州柯林电气股份有限公司 | 变压器安全检测方法及检测装置 |
| CN114088388B (zh) * | 2021-12-10 | 2024-09-06 | 深圳市出新知识产权管理有限公司 | 一种齿轮变速箱的故障诊断方法和故障诊断装置 |
| CN114417331A (zh) * | 2021-12-30 | 2022-04-29 | 安天科技集团股份有限公司 | 病毒特征可信度的确定方法、装置、电子设备及存储介质 |
| CN114937462A (zh) * | 2022-05-17 | 2022-08-23 | 国网黑龙江省电力有限公司佳木斯供电公司 | 基于声纹智能诊断高压断路器故障检测方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH03211425A (ja) * | 1990-01-17 | 1991-09-17 | Hitachi Ltd | 機械の異常音診断装置 |
| CN100491954C (zh) * | 2007-02-02 | 2009-05-27 | 浙江大学 | 一种基于纯振动信号的发动机状态检测装置及方法 |
| CN103217286A (zh) * | 2013-03-23 | 2013-07-24 | 中国水利电力物资有限公司 | 基于故障数据的风电机组传动系统故障识别方法和系统 |
| CN103439091B (zh) * | 2013-06-25 | 2015-11-18 | 国电大渡河检修安装有限公司 | 水轮机转轮叶片裂纹故障早期预警和诊断方法及系统 |
| CN104156627B (zh) * | 2014-08-29 | 2017-04-19 | 中国石油大学(北京) | 一种基于设备工况的故障诊断方法及装置 |
| CN104700148A (zh) * | 2015-04-02 | 2015-06-10 | 刘岩 | 一种基于行为的电机故障诊断方法 |
| CN106021771A (zh) * | 2016-05-30 | 2016-10-12 | 天河国云（北京）科技有限公司 | 一种故障诊断方法及装置 |
| CN106778848A (zh) * | 2016-12-02 | 2017-05-31 | 上海电机学院 | 一种基于多类Probit模型的锌精馏塔故障诊断方法 |
-
2017
- 2017-07-21 CN CN201710599875.1A patent/CN107238508B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN107238508A (zh) | 2017-10-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107238508B (zh) | 一种设备状态诊断方法及装置 | |
| Al-Dahidi et al. | Remaining useful life estimation in heterogeneous fleets working under variable operating conditions | |
| CN109086793A (zh) | 一种风力发电机的异常识别方法 | |
| CN111878320B (zh) | 风力发电机组的监控方法、系统及计算机可读存储介质 | |
| CN114358124B (zh) | 基于深度对抗卷积神经网络的旋转机械新故障诊断方法 | |
| US7716152B2 (en) | Use of sequential nearest neighbor clustering for instance selection in machine condition monitoring | |
| CN108647707B (zh) | 概率神经网络创建方法、故障诊断方法及装置、存储介质 | |
| CN112763214A (zh) | 基于多标签零样本学习的滚动轴承故障诊断方法 | |
| CN111190349A (zh) | 船舶机舱设备状态监测及故障诊断方法、系统及介质 | |
| Liu et al. | Fault diagnosis of rod pumping wells based on support vector machine optimized by improved chicken swarm optimization | |
| CN102339347A (zh) | 用于技术系统的计算机辅助分析的方法 | |
| Zhao et al. | Fault prognosis of wind turbine generator using SCADA data | |
| CN110727257A (zh) | 基于k均值聚类算法的设备运行诊断方法和装置 | |
| Strączkiewicz et al. | Supervised and unsupervised learning process in damage classification of rolling element bearings | |
| CN116562746B (zh) | 一种被服物流站点的被服数据监控方法及相关装置 | |
| CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
| CN114066239A (zh) | 一种用户用电量异常检测方法及装置 | |
| CN114358125A (zh) | 一种基于多源信息深度融合的旋转机械故障自动识别方法 | |
| CN114356897A (zh) | 基于数据融合的机电作动器故障诊断方法 | |
| CN116975718A (zh) | 基于自监督学习的滚动轴承跨域故障诊断方法 | |
| CN114418042A (zh) | 一种基于聚类分析的工业机器人运行趋势诊断方法 | |
| Riantama et al. | Examining equipment condition monitoring for predictive maintenance, a case of typical process industry | |
| Lotfan et al. | Bearing fault detection using fuzzy C-means and hybrid C-means-subtractive algorithms | |
| CN117312972A (zh) | 一种刮板输送机减速器健康状态识别方法 | |
| Merkt | Predictive models for maintenance optimization: an analytical literature survey of industrial maintenance strategies |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: No. 309 Liuhe Road, Binjiang District, Hangzhou City, Zhejiang Province (High tech Zone) Patentee after: Zhongkong Technology Co.,Ltd. Country or region after: China Address before: No. six, No. 309, Binjiang District Road, Hangzhou, Zhejiang Patentee before: ZHEJIANG SUPCON TECHNOLOGY Co.,Ltd. Country or region before: China |