CN107392258A - 一种设备故障元件排查方法及系统 - Google Patents

一种设备故障元件排查方法及系统 Download PDF

Info

Publication number
CN107392258A
CN107392258A CN201710661722.5A CN201710661722A CN107392258A CN 107392258 A CN107392258 A CN 107392258A CN 201710661722 A CN201710661722 A CN 201710661722A CN 107392258 A CN107392258 A CN 107392258A
Authority
CN
China
Prior art keywords
sensor
abnormal
probability
failure
exception
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.)
Granted
Application number
CN201710661722.5A
Other languages
English (en)
Other versions
CN107392258B (zh
Inventor
张强
杨善林
王婉莹
彭张林
陆效农
裴军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN201710661722.5A priority Critical patent/CN107392258B/zh
Publication of CN107392258A publication Critical patent/CN107392258A/zh
Priority to US16/053,994 priority patent/US20190041839A1/en
Application granted granted Critical
Publication of CN107392258B publication Critical patent/CN107392258B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Automation & Control Theory (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Selective Calling Equipment (AREA)

Abstract

本发明公开了一种设备故障元件排查方法及系统，通过获取元件状态异常数据和设备故障维修数据，建立故障‑元件‑传感器贝叶斯信念网络模型，并基于故障‑元件‑传感器贝叶斯信念网络模型，计算与元件相连的传感器检测到元件异常时元件实际异常的概率；将此概率按照从大到小的顺序依次排列，得到排列后的元件实际异常的概率，并通过排列后的元件实际异常的概率的顺序对应排列元件，则排列在前的元件为优先排查的元件。即采用本发明提供的方法或者系统，能够系统的建立故障、元件以及传感器三者之间的关系式，并根据此关系式能够快速的得到设备故障发生时最有可能出现故障的元件，避免人为主观进行故障排查，提高设备故障元件排查效率。

Description

一种设备故障元件排查方法及系统
技术领域
本发明涉及设备维修技术领域，特别是涉及一种设备故障元件排查方法及系统。
背景技术
目前液压机设备故障大多基于故障现象进行人为主观判断的故障排查，该方法容易受人主观意识以及技术人员自身技能限制，且故障排查靠经验进行，并不是基于一定的先后顺序进行排查，因此，容易造成一定的时间与精力的浪费，从而导致设备故障元件排查效率低。所以，如何提高设备故障元件排查效率，是设备维修技术领域急需要解决的问题。
发明内容
本发明的目的是提供一种设备故障元件排查方法及系统，利用传感器检测到元件异常数据与故障维修数据进行数据分析，得到设备故障发生时最有可能出现故障的元件，辅助故障排查，提高设备故障元件排查效率。
为实现上述目的，本发明提供了如下方案：
一种设备故障元件排查方法，所述设备故障元件排查方法，包括：
获取元件状态异常数据和设备故障维修数据；
根据所述元件状态异常数据和所述设备故障维修数据，建立故障-元件-传感器贝叶斯信念网络模型；所述故障-元件-传感器贝叶斯信念网络模型包括：传感器、元件以及设备设定故障；在所述故障-元件-传感器贝叶斯信念网络模型中，所述传感器与所述元件相连，所述元件与所述设备设定故障相连；所述传感器与所述元件相连表示所述传感器检测所述元件是否异常；所述元件与所述设备设定故障相连表示所述元件发生异常时引起所述设备设定故障；
根据所述故障-元件-传感器贝叶斯信念网络模型，计算与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率；
将与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率按照从大到小的顺序依次排列，得到排列后的元件实际异常的概率，并根据所述排列后的元件实际异常的概率的顺序对应排列所述元件，排列在前的所述元件为优先排查的元件。
可选的，所述根据所述元件状态异常数据和所述设备故障维修数据，建立故障-元件-传感器贝叶斯信念网络模型，具体包括：
根据所述元件状态异常数据，构建所述传感器异常-元件表；所述传感器异常-元件表包括传感器检测元件异常且元件实际异常的概率；所述元件状态异常数据包括传感器检测元件异常且元件实际异常的次数、传感器检测元件异常且元件实际未异常的次数以及传感器检测元件未异常且元件实际异常的次数；传感器检测元件异常且元件实际异常的概率表示所述传感器检测元件异常且元件实际异常的次数与元件异常次数的比；所述元件异常次数为传感器检测元件异常且元件实际异常的次数、传感器检测元件异常且元件实际未异常的次数、传感器检测元件未异常且元件实际异常的次数之和；
根据所述设备故障维修数据，生成故障字典；所述故障字典包括每个元件的第一概率；所述第一概率为所述元件发生异常时引起设备设定故障的概率；所述设备故障维修数据包括每个元件发生异常时引起的设备设定故障的次数；所述第一概率表示元件发生异常时引起设备设定故障的次数与每个元件发生异常时引起设备设定故障的次数之和的比；
根据所述故障字典和所述传感器异常-元件表，采用贝叶斯信念网络，建立故障-元件-传感器贝叶斯信念网络模型。
可选的，所述根据所述故障-元件-传感器贝叶斯信念网络模型，计算与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率，具体包括：
根据以下公式计算与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率：
式(1)中Ei表示第i个元件；S表示传感器；m表示传感器的个数；表示与所述元件Ei相连的m个传感器检测到元件Ei状态异常时所述元件Ei实际异常的概率。
可选的，所述设备故障元件排查方法还包括：
根据所述故障-元件-传感器贝叶斯信念网络和公式(2)，计算与所述设备设定故障相连的元件发生异常而引起所述设备设定故障的概率；所述公式(2)为：
式(2)中Fj表示第j个故障；E表示元件；n表示元件的个数；表示与所述设备设定故障Fj相连的n个元件发生异常而引起所述设备设定故障Fj出现的概率。
可选的，在将与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率按照从大到小的顺序依次排列，得到排列后的元件实际异常的概率，并根据所述排列后的元件实际异常的概率的顺序对应排列所述元件，排列在前的所述元件为优先排查的元件之前还包括：
判断所述元件的第一概率是否大于第一阈值且所述元件是否未与传感器相连，得到第一判断结果；
若所述第一判断结果表示所述元件的第一概率大于第一阈值且所述元件未与传感器相连，则在所述元件上连接所述传感器；
若所述第一判断结果表示所述元件的第一概率小于等于第一阈值或者所述元件与传感器相连，则保持所述元件与所述传感器的连接关系；
根据所述第一判断结果，更新所述故障-元件-传感器贝叶斯信念网络模型；
根据更新后的所述故障-元件-传感器贝叶斯信念网络模型，计算与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率。
可选的，所述根据所述第一判断结果，更新所述故障-元件-传感器贝叶斯信念网络模型，具体包括：
判断传感器检测元件异常且元件实际异常的概率是否大于或者等于第二阈值，得到第二判断结果；
若所述第二判断结果表示传感器检测元件异常且元件实际异常的概率大于或者等于第二阈值，则保留所述传感器；
若所述第二判断结果表示传感器检测元件异常且元件实际异常的概率小小于第二阈值，则判断与所述元件相连的传感器检测到元件状态异常时所述元件实际异常的概率是否大于或者等于第三阈值，得到第三判断结果；所述第三阈值表示除所述传感器外与所述元件相连的传感器检测到所述元件异常且所述元件实际异常的概率的设定倍数；
若所述第三判断结果表示与所述元件相连的传感器检测到元件状态异常时所述元件实际异常的概率大于或者等于第三阈值，则保留所述传感器；
若所述第三判断结果与所述元件相连的传感器检测到元件状态异常时所述元件实际异常的概率小于第三阈值，则删除所述传感器；
根据所述第一判断结果、所述第二判断结果以及所述第二判断结果，更新所述建立故障-元件-传感器贝叶斯信念网络模型。
可选的，所述设备故障元件排查方法还包括：
根据更新后的所述故障-元件-传感器贝叶斯信念网络模型，计算与所述更新后的设备设定故障相连的元件发生异常而引起所述设备设定故障的概率；
根据计算与所述更新后的设备设定故障相连的元件发生异常而引起所述设备设定故障的概率，建立设备风险预警数据库。
本发明还提供了一种设备故障元件排查系统，所述设备故障元件排查系统，包括：
获取模块，用于获取元件状态异常数据和设备故障维修数据；
建立模块，用于根据所述元件状态异常数据和所述设备故障维修数据，建立故障-元件-传感器贝叶斯信念网络模型；所述故障-元件-传感器贝叶斯信念网络模型包括：传感器、元件以及设备设定故障；在所述故障-元件-传感器贝叶斯信念网络模型中，所述传感器与所述元件相连；所述元件与所述设备设定故障相连；所述传感器与所述元件相连表示所述传感器检测所述元件是否异常；所述元件与所述设备设定故障相连表示所述元件发生异常时引起所述设备设定故障；
计算模块，用于根据所述故障-元件-传感器贝叶斯信念网络模型，计算与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率；
排列模块，用于将与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率按照从大到小的顺序依次排列，得到排列后的元件实际异常的概率，并根据所述排列后的元件实际异常的概率的顺序对应排列所述元件，排列在前的所述元件为优先排查的元件。
可选的，所述建立模块，具体包括：
构建单元，用于根据所述元件状态异常数据，构建所述传感器异常-元件表；所述传感器异常-元件表包括传感器检测元件异常且元件实际异常的概率；所述元件状态异常数据包括传感器检测元件异常且元件实际异常的次数、传感器检测元件异常且元件实际未异常的次数以及传感器检测元件未异常且元件实际异常的次数；传感器检测元件异常且元件实际异常的概率表示所述传感器检测元件异常且元件实际异常的次数与元件异常次数的比；所述元件异常次数为传感器检测元件异常且元件实际异常的次数、传感器检测元件异常且元件实际未异常的次数、传感器检测元件未异常且元件实际异常的次数之和；
生成单元，用于根据所述设备故障维修数据，生成故障字典；所述故障字典包括每个元件的第一概率；所述第一概率为所述元件发生异常时引起设备设定故障的概率；所述设备故障维修数据包括每个元件发生异常时引起的设备设定故障的次数；所述第一概率表示元件发生异常时引起设备设定故障的次数与每个元件发生异常时引起设备设定故障的次数之和的比；
建立单元，用于根据所述故障字典和所述传感器异常-元件表，采用贝叶斯信念网络，建立故障-元件-传感器贝叶斯信念网络模型。
可选的，所述计算模块，具体包括：
计算单元，用于根据以下公式计算与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率：
式(1)中Ei表示第i个元件；S表示传感器；m表示传感器的个数；表示与所述元件Ei相连的m个传感器检测到元件Ei状态异常时所述元件Ei实际异常的概率。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种设备故障元件排查方法及系统，通过获取元件状态异常数据和设备故障维修数据，并根据此数据建立故障-元件-传感器贝叶斯信念网络模型；然后基于所述故障-元件-传感器贝叶斯信念网络模型，计算与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率；并将与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率按照从大到小的顺序依次排列，得到排列后的元件实际异常的概率，并根据所述排列后的元件实际异常的概率的顺序对应排列所述元件，排列在前的所述元件为优先排查的元件。即采用本发明提供的方法或者系统，能够系统的建立故障、元件以及传感器三者之间的关系式，并根据此关系式能够快速的得到设备故障发生时最有可能出现故障的元件，避免人为主观进行故障排查，提高设备故障元件排查效率。
另外，本发明通过根据计算出与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率和与所述设备设定故障相连的元件发生异常而引起所述设备设定故障的概率，判断所述故障-元件-传感器贝叶斯信念网络是否需要添加或者删除传感器，并根据判断结果，更新故障-元件-传感器贝叶斯信念网络，提高故障、元件以及传感器三者之间关系式的准确度，进而在更新后的故障-元件-传感器贝叶斯信念网络的基础上，计算与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率，提高设备故障元件排查精度。
因此，采用本发明提供的一种设备故障元件排查方法及系统，不仅提高提高设备故障元件排查效率，同时也提高了提高设备故障元件排查精度。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例设备故障元件排查方法的流程示意图一；
图2为本发明实施例设备故障元件排查方法的流程示意图二；
图3为本发明实施例故障-元件-传感器贝叶斯信念网络模型的结构示意图；
图4为本发明实施例设备故障元件排查系统的结构示意图。
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。
本发明的目的是提供一种设备故障元件排查方法及系统，利用传感器检测到元件异常数据与故障维修数据进行数据分析，得到设备故障发生时最有可能出现故障的元件，辅助故障排查，提高设备故障元件排查效率。
故障字典：故障字典是指将装备的所有故障模式及其特征信息像字典一样全部罗列出来，或将故障诊断经验做出条理化的总结，以表格的形式反映出来。它可以只是故障模式与故障特征之间的简单描述关系，也可以是装备故障模式与其特征向量之间复杂非线性关系，还可以是装备故障模式预期特征向量之间的模糊关系。由于急于故障字典的诊断技术具有计算简单、关系明确、适用于线性与非线性系统的优点，非常适合于装备故障诊断与预测知识。
贝叶斯信念网络：简称贝叶斯网络，用图形表示一组随机变量之间的关系。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
图1为本发明实施例设备故障元件排查方法的流程示意图一，如图1所示，本发明提供的设备故障元件排查方法具体包括以下步骤：
步骤101：获取元件状态异常数据和设备故障维修数据。
步骤102：根据所述元件状态异常数据和所述设备故障维修数据，建立故障-元件-传感器贝叶斯信念网络模型；所述故障-元件-传感器贝叶斯信念网络模型包括：传感器、元件以及设备设定故障；在所述故障-元件-传感器贝叶斯信念网络模型中，所述传感器与所述元件相连，所述元件与所述设备设定故障相连；所述传感器与所述元件相连表示所述传感器检测所述元件是否异常；所述元件与所述设备设定故障相连表示所述元件发生异常时引起所述设备设定故障。
步骤103：根据所述故障-元件-传感器贝叶斯信念网络模型，计算与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率。
步骤104：将与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率按照从大到小的顺序依次排列，得到排列后的元件实际异常的概率，并根据所述排列后的元件实际异常的概率的顺序对应排列所述元件，排列在前的所述元件为优先排查的元件。
所述步骤102具体包括：
根据所述元件状态异常数据，构建所述传感器异常-元件表；所述传感器异常-元件表包括传感器检测元件异常且元件实际异常的概率；所述元件状态异常数据包括传感器检测元件异常且元件实际异常的次数、传感器检测元件异常且元件实际未异常的次数以及传感器检测元件未异常且元件实际异常的次数；传感器检测元件异常且元件实际异常的概率表示所述传感器检测元件异常且元件实际异常的次数与元件异常次数的比；所述元件异常次数为传感器检测元件异常且元件实际异常的次数、传感器检测元件异常且元件实际未异常的次数、传感器检测元件未异常且元件实际异常的次数之和。
根据所述设备故障维修数据，生成故障字典；所述故障字典包括每个元件的第一概率；所述第一概率为所述元件发生异常时引起设备设定故障的概率；所述设备故障维修数据包括每个元件发生异常时引起的设备设定故障的次数；所述第一概率表示元件发生异常时引起设备设定故障的次数与每个元件发生异常时引起设备设定故障的次数之和的比。
根据所述故障字典和所述传感器异常-元件表，采用贝叶斯信念网络，建立故障-元件-传感器贝叶斯信念网络模型。
所述步骤103具体包括：
根据以下公式计算与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率：
式(1)中Ei表示第i个元件；S表示传感器；m表示传感器的个数；表示与所述元件Ei相连的m个传感器检测到元件Ei状态异常时所述元件Ei实际异常的概率。
实施例二
图2为本发明实施例设备故障元件排查方法的流程示意图二，如图2所示，本发明提供的设备故障元件排查方法具体包括以下步骤：
步骤201：获取元件状态异常数据和设备故障维修数据。
步骤202：根据所述元件状态异常数据和所述设备故障维修数据，建立故障-元件-传感器贝叶斯信念网络模型；所述故障-元件-传感器贝叶斯信念网络模型包括：传感器、元件以及设备设定故障；在所述故障-元件-传感器贝叶斯信念网络模型中，所述传感器与所述元件相连，所述元件与所述设备设定故障相连；所述传感器与所述元件相连表示所述传感器检测所述元件是否异常；所述元件与所述设备设定故障相连表示所述元件发生异常时引起所述设备设定故障。
所述步骤202具体包括：
根据所述元件状态异常数据，构建所述传感器异常-元件表；所述传感器异常-元件表，如表1所述，包括多个Rji；Rji表示第i个传感器检测第j个元件异常且第n个元件实际异常的概率；所述元件状态异常数据包括传感器检测元件异常且元件实际异常的次数、传感器检测元件异常且元件实际未异常的次数以及传感器检测元件未异常且元件实际异常的次数；传感器检测元件异常且元件实际异常的概率表示所述传感器检测元件异常且元件实际异常的次数与元件异常次数的比；所述元件异常次数为传感器检测元件异常且元件实际异常的次数、传感器检测元件异常且元件实际未异常的次数、传感器检测元件未异常且元件实际异常的次数之和。
表1 传感器异常-元件表
根据所述设备故障维修数据，生成故障字典；所述故障字典包括每个元件的第一概率；所述第一概率为所述元件发生异常时引起设备设定故障的概率；所述设备故障维修数据，如表2所示，包括每个元件发生异常时引起的设备设定故障的次数；所述第一概率表示元件发生异常时引起设备设定故障的次数与每个元件发生异常时引起设备设定故障的次数之和的比。
表2 设备故障维修数据表
图3为本发明实施例故障-元件-传感器贝叶斯信念网络模型的结构示意图，如图3所示，根据所述故障字典和所述传感器异常-元件表，采用贝叶斯信念网络，建立故障-元件-传感器贝叶斯信念网络模型。其中，所述建立故障-元件-传感器贝叶斯信念网络模型具体算法是：
在Rnm≠0的传感器与元件之间画弧；
设T＝(F1,F2,……，Fd)为故障现象的全序；
For j＝1 to d do；
令FT(j)表示T中第j个次序最高的故障现象；
令π(FT(j))＝{FT(1)，FT(2)，……，FT(j-1)}表示排在FT(j)前面的故障元件的集合；
从π(FT(j))中去掉对Fj没有影响的故障元件(使用先验知识)；
在FT(j)和π(FT(j))中剩余的故障现象和故障元件之间画弧；
End for。
步骤203：根据所述故障-元件-传感器贝叶斯信念网络模型和公式(1)，计算与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率；所述公式(1)为：
式(1)中Ei表示第i个元件；S表示传感器；m表示传感器的个数；表示与所述元件Ei相连的m个传感器检测到元件Ei状态异常时所述元件Ei实际异常的概率，即表示有2m种概率相加。
步骤204：根据所述故障-元件-传感器贝叶斯信念网络和公式(2)，计算与所述设备设定故障相连的元件发生异常而引起所述设备设定故障的概率；所述公式(2)为：
式(2)中Fj表示第j个故障；E表示元件；n表示元件的个数；表示与所述设备设定故障Fj相连的n个元件发生异常而引起所述设备设定故障Fj出现的概率；即表示有2n种概率相加。
步骤205：根据所述与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率和所述设备设定故障相连的元件发生异常而引起所述设备设定故障的概率，更新所述建立故障-元件-传感器贝叶斯信念网络模型。
所述步骤205具体包括：
步骤2051：判断所述元件的第一概率是否大于第一阈值且所述元件是否未与传感器相连，得到第一判断结果。
步骤2052：若所述第一判断结果表示所述元件的第一概率大于第一阈值且所述元件未与传感器相连，则在所述元件上连接所述传感器。
步骤2053：若所述第一判断结果表示所述元件的第一概率小于等于第一阈值或者所述元件与传感器相连，则保持所述元件与所述传感器的连接关系。
所述步骤2051-步骤2053的具体算法为：在本发明实施例中第一阈值为0.3；
For i＝1 to do；
For j＝1 to do；
If P(故障现象＝异常|元件Eij＝异常，元件Ei*＝正常(*≠j))>0.3；
If元件Eij有条件监测异常状态但未设置传感器装置元件为关键元件，更新传感器配置，为该元件配置传感器；
Else不进行传感器配置更新；
End if；
End if；
End for；
End for；
步骤2054：判断传感器检测元件异常且元件实际异常的概率是否大于或者等于第二阈值，得到第二判断结果；
步骤2055：若所述第二判断结果表示传感器检测元件异常且元件实际异常的概率大于或者等于第二阈值，则保留所述传感器；
步骤2056：若所述第二判断结果表示传感器检测元件异常且元件实际异常的概率小小于第二阈值，则判断与所述元件相连的传感器检测到元件状态异常时所述元件实际异常的概率是否大于或者等于第三阈值，得到第三判断结果；所述第三阈值表示除所述传感器外与所述元件相连的传感器检测到所述元件异常且所述元件实际异常的概率的设定倍数；
步骤2057：若所述第三判断结果表示与所述元件相连的传感器检测到元件状态异常时所述元件实际异常的概率大于或者等于第三阈值，则保留所述传感器；
步骤2058：若所述第三判断结果与所述元件相连的传感器检测到元件状态异常时所述元件实际异常的概率小于第三阈值，则删除所述传感器；
步骤2059：根据所述第一判断结果、所述第二判断结果以及所述第二判断结果，更新所述建立故障-元件-传感器贝叶斯信念网络模型；
步骤2054-步骤2059具体算法如下：在本发明实施例中第二阈值为0.3；设定倍数为1.105；
For i＝1 to do；
For j＝1 to do；
If 仅使用传感器检测元件异常的概率Rij<0.3；
If 存在P(元件＝异常|其余传感器信息+该传感器信息)-P(元件＝异常|其余传感器)≥0.105传感器不为多余传感器；
Else传感器为多余传感器；
End if；
End if；
End for；
End for；
步骤2057：根据所述第一判断结果和所述第二判断结果，更新所述建立故障-元件-传感器贝叶斯信念网络模型。
步骤206：根据更新后的所述故障-元件-传感器贝叶斯信念网络模型，计算与所述更新后的元件相连的传感器检测到元件异常时所述元件实际异常的概率。
步骤207：将与所述更新后的元件相连的传感器检测到元件异常时所述元件实际异常的概率按照从大到小的顺序依次排列，得到排列后的元件实际异常的概率，并根据所述排列后的元件实际异常的概率的顺序对应排列所述元件，排列在前的所述元件为优先排查的元件。
步骤208：根据更新后的所述故障-元件-传感器贝叶斯信念网络模型，建立设备风险预警数据库。
所述步骤208具体包括：
计算与所述更新后的设备设定故障相连的元件发生异常而引起所述设备设定故障的概率。
根据计算与所述更新后的设备设定故障相连的元件发生异常而引起所述设备设定故障的概率，建立设备风险预警数据库。
所述设备风险预警数据库包括三级风险预警、二级风险预警以及一级风险预警；所述三级风险预警表示所述更新后的设备设定故障相连的元件发生异常而引起所述设备设定故障的概率>0.3时予以三级风险预警；所述二级风险预警表示所述更新后的设备设定故障相连的元件发生异常而引起所述设备设定故障的概率>0.6时予以二级风险预警；所述一级风险预警表示所述更新后的设备设定故障相连的元件发生异常而引起所述设备设定故障的概率>0.9时予以一级风险预警。
所述步骤208具体算法如下：
输入：传感器监测数据D＝(S1，S2，……，S*)；
实时逐条处理传感器监测数据；
X0＝(T1，T2，……，Tj)其中T*＝正常；
令X＝X0；
For i＝1 to do；
If Si＝异常Ti＝Si；
End if；
End for；
If X≠X0；
If P(故障现象＝异常|传感器异常状态＝X)>0.3发送三级风险预警，按照P大小发送；
P(元件＝异常|感器异常状态＝X)；
Else if P(故障现象＝异常|传感器异常状态＝X)>0.6发送二级风险预警，按照P大小发送P(元件＝异常|感器异常状态＝X)；
Else if P(故障现象＝异常|传感器异常状态＝X)>0.9发送一级风险预警，按照P大小发送P(元件＝异常|感器异常状态＝X)；
End if；
End if；
End if；
End if。
为达到上述目的，本发明还提供了一种设备故障元件排查系统。
图4为本发明实施例设备故障元件排查系统的结构示意图，如图4所示，所述设备故障元件排查系统，包括：
获取模块401，用于获取元件状态异常数据和设备故障维修数据。
建立模块402，用于根据所述元件状态异常数据和所述设备故障维修数据，建立故障-元件-传感器贝叶斯信念网络模型；所述故障-元件-传感器贝叶斯信念网络模型包括：传感器、元件以及设备设定故障；在所述故障-元件-传感器贝叶斯信念网络模型中，所述传感器与所述元件相连；所述元件与所述设备设定故障相连；所述传感器与所述元件相连表示所述传感器检测所述元件是否异常；所述元件与所述设备设定故障相连表示所述元件发生异常时引起所述设备设定故障。
计算模块403，用于根据所述故障-元件-传感器贝叶斯信念网络模型，计算与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率。
排列模块404，用于将与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率按照从大到小的顺序依次排列，得到排列后的元件实际异常的概率，并根据所述排列后的元件实际异常的概率的顺序对应排列所述元件，排列在前的所述元件为优先排查的元件。
其中，所述建立模块402，具体包括：
构建单元，用于根据所述元件状态异常数据，构建所述传感器异常-元件表；所述传感器异常-元件表包括传感器检测元件异常且元件实际异常的概率；所述元件状态异常数据包括传感器检测元件异常且元件实际异常的次数、传感器检测元件异常且元件实际未异常的次数以及传感器检测元件未异常且元件实际异常的次数；传感器检测元件异常且元件实际异常的概率表示所述传感器检测元件异常且元件实际异常的次数与元件异常次数的比；所述元件异常次数为传感器检测元件异常且元件实际异常的次数、传感器检测元件异常且元件实际未异常的次数、传感器检测元件未异常且元件实际异常的次数之和；
生成单元，用于根据所述设备故障维修数据，生成故障字典；所述故障字典包括每个元件的第一概率；所述第一概率为所述元件发生异常时引起设备设定故障的概率；所述设备故障维修数据包括每个元件发生异常时引起的设备设定故障的次数；所述第一概率表示元件发生异常时引起设备设定故障的次数与每个元件发生异常时引起设备设定故障的次数之和的比；
建立单元，用于根据所述故障字典和所述传感器异常-元件表，采用贝叶斯信念网络，建立故障-元件-传感器贝叶斯信念网络模型。
所述计算模块403，具体包括：
计算单元，用于根据以下公式计算与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率：
式(1)中Ei表示第i个元件；S表示传感器；m表示传感器的个数；表示与所述元件Ei相连的m个传感器检测到元件Ei状态异常时所述元件Ei实际异常的概率。
通过本发明提供了一种设备故障元件排查方法及系统，通过获取元件状态异常数据和设备故障维修数据，并根据此数据建立故障-元件-传感器贝叶斯信念网络模型；然后基于所述故障-元件-传感器贝叶斯信念网络模型，计算与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率；并将与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率按照从大到小的顺序依次排列，得到排列后的元件实际异常的概率，并根据所述排列后的元件实际异常的概率的顺序对应排列所述元件，排列在前的所述元件为优先排查的元件。即采用本发明提供的方法或者系统，能够系统的建立故障、元件以及传感器三者之间的关系式，并根据此关系式能够快速的得到设备故障发生时最有可能出现故障的元件，避免人为主观进行故障排查，提高设备故障元件排查效率。
另外，本发明通过根据计算出与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率和与所述设备设定故障相连的元件发生异常而引起所述设备设定故障的概率，判断所述故障-元件-传感器贝叶斯信念网络是否需要添加或者删除传感器，并根据判断结果，更新故障-元件-传感器贝叶斯信念网络，提高故障、元件以及传感器三者之间关系式的准确度，进而在更新后的故障-元件-传感器贝叶斯信念网络的基础上，计算与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率，提高设备故障元件排查精度。
因此，采用本发明提供的一种设备故障元件排查方法及系统，不仅提高提高设备故障元件排查效率，同时也提高了提高设备故障元件排查精度。
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。对于实施例公开的系统而言，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。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种设备故障元件排查方法，其特征在于，所述设备故障元件排查方法，包括：
获取元件状态异常数据和设备故障维修数据；
根据所述元件状态异常数据和所述设备故障维修数据，建立故障-元件-传感器贝叶斯信念网络模型；所述故障-元件-传感器贝叶斯信念网络模型包括：传感器、元件以及设备设定故障；在所述故障-元件-传感器贝叶斯信念网络模型中，所述传感器与所述元件相连，所述元件与所述设备设定故障相连；所述传感器与所述元件相连表示所述传感器检测所述元件是否异常；所述元件与所述设备设定故障相连表示所述元件发生异常时引起所述设备设定故障；
根据所述故障-元件-传感器贝叶斯信念网络模型，计算与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率；
将与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率按照从大到小的顺序依次排列，得到排列后的元件实际异常的概率，并根据所述排列后的元件实际异常的概率的顺序对应排列所述元件，排列在前的所述元件为优先排查的元件。
2.根据权利要求1所述的设备故障元件排查方法，其特征在于，所述根据所述元件状态异常数据和所述设备故障维修数据，建立故障-元件-传感器贝叶斯信念网络模型，具体包括：
根据所述元件状态异常数据，构建所述传感器异常-元件表；所述传感器异常-元件表包括传感器检测元件异常且元件实际异常的概率；所述元件状态异常数据包括传感器检测元件异常且元件实际异常的次数、传感器检测元件异常且元件实际未异常的次数以及传感器检测元件未异常且元件实际异常的次数；所述传感器检测元件异常且元件实际异常的概率表示所述传感器检测元件异常且元件实际异常的次数与元件异常次数的比；所述元件异常次数为传感器检测元件异常且元件实际异常的次数、传感器检测元件异常且元件实际未异常的次数、传感器检测元件未异常且元件实际异常的次数之和；
根据所述设备故障维修数据，生成故障字典；所述故障字典包括每个元件的第一概率；所述第一概率为所述元件发生异常时引起设备设定故障的概率；所述设备故障维修数据包括每个元件发生异常时引起的设备设定故障的次数；所述第一概率表示所述元件发生异常时引起设备设定故障的次数与所述每个元件发生异常时引起设备设定故障的次数之和的比；
根据所述故障字典和所述传感器异常-元件表，采用贝叶斯信念网络，建立故障-元件-传感器贝叶斯信念网络模型。
3.根据权利要求1所述的设备故障元件排查方法，其特征在于，所述根据所述故障-元件-传感器贝叶斯信念网络模型，计算与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率，具体包括：
根据以下公式计算与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率：
式(1)中Ei表示第i个元件；S表示传感器；m表示传感器的个数；表示与所述元件Ei相连的m个传感器检测到元件Ei状态异常时所述元件Ei实际异常的概率。
4.根据权利要求1所述的设备故障元件排查方法，其特征在于，所述设备故障元件排查方法还包括：
根据所述故障-元件-传感器贝叶斯信念网络和公式(2)，计算与所述设备设定故障相连的元件发生异常而引起所述设备设定故障的概率；所述公式(2)为：
式(2)中Fj表示第j个故障；E表示元件；n表示元件的个数；表示与所述设备设定故障Fj相连的n个元件发生异常而引起所述设备设定故障Fj出现的概率。
5.根据权利要求2所述的设备故障元件排查方法，其特征在于，在将与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率按照从大到小的顺序依次排列，得到排列后的元件实际异常的概率，并根据所述排列后的元件实际异常的概率的顺序对应排列所述元件，排列在前的所述元件为优先排查的元件之前还包括：
判断所述元件的第一概率是否大于第一阈值且所述元件是否未与传感器相连，得到第一判断结果；
若所述第一判断结果表示所述元件的第一概率大于第一阈值且所述元件未与传感器相连，则在所述元件上连接所述传感器；
若所述第一判断结果表示所述元件的第一概率小于等于第一阈值或者所述元件与传感器相连，则保持所述元件与所述传感器的连接关系；
根据所述第一判断结果，更新所述故障-元件-传感器贝叶斯信念网络模型；
根据更新后的所述故障-元件-传感器贝叶斯信念网络模型，计算与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率。
6.根据权利要求5所述的设备故障元件排查方法，其特征在于，所述根据所述第一判断结果，更新所述故障-元件-传感器贝叶斯信念网络模型，具体包括：
判断传感器检测元件异常且元件实际异常的概率是否大于或者等于第二阈值，得到第二判断结果；
若所述第二判断结果表示传感器检测元件异常且元件实际异常的概率大于或者等于第二阈值，则保留所述传感器；
若所述第二判断结果表示传感器检测元件异常且元件实际异常的概率小小于第二阈值，则判断与所述元件相连的传感器检测到元件状态异常时所述元件实际异常的概率是否大于或者等于第三阈值，得到第三判断结果；所述第三阈值表示除所述传感器外与所述元件相连的传感器检测到所述元件异常且所述元件实际异常的概率的设定倍数；
若所述第三判断结果表示与所述元件相连的传感器检测到元件状态异常时所述元件实际异常的概率大于或者等于第三阈值，则保留所述传感器；
若所述第三判断结果与所述元件相连的传感器检测到元件状态异常时所述元件实际异常的概率小于第三阈值，则删除所述传感器；
根据所述第一判断结果、所述第二判断结果以及所述第二判断结果，更新所述建立故障-元件-传感器贝叶斯信念网络模型。
7.根据权利要求6所述的设备故障元件排查方法，其特征在于，所述设备故障元件排查方法还包括：
根据更新后的所述故障-元件-传感器贝叶斯信念网络模型，计算与所述更新后的设备设定故障相连的元件发生异常而引起所述设备设定故障的概率；
根据计算与所述更新后的设备设定故障相连的元件发生异常而引起所述设备设定故障的概率，建立设备风险预警数据库。
8.一种设备故障元件排查系统，其特征在于，所述设备故障元件排查系统，包括：
获取模块，用于获取元件状态异常数据和设备故障维修数据；
建立模块，用于根据所述元件状态异常数据和所述设备故障维修数据，建立故障-元件-传感器贝叶斯信念网络模型；所述故障-元件-传感器贝叶斯信念网络模型包括：传感器、元件以及设备设定故障；在所述故障-元件-传感器贝叶斯信念网络模型中，所述传感器与所述元件相连，所述元件与所述设备设定故障相连；所述传感器与所述元件相连表示所述传感器检测所述元件是否异常；所述元件与所述设备设定故障相连表示所述元件发生异常时引起所述设备设定故障；
计算模块，用于根据所述故障-元件-传感器贝叶斯信念网络模型，计算与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率；
排列模块，用于将与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率按照从大到小的顺序依次排列，得到排列后的元件实际异常的概率，并根据所述排列后的元件实际异常的概率的顺序对应排列所述元件，排列在前的所述元件为优先排查的元件。
9.根据权利要求8所述的设备故障元件排查系统，其特征在于，所述建立模块，具体包括：
构建单元，用于根据所述元件状态异常数据，构建所述传感器异常-元件表；所述传感器异常-元件表包括传感器检测元件异常且元件实际异常的概率；所述元件状态异常数据包括传感器检测元件异常且元件实际异常的次数、传感器检测元件异常且元件实际未异常的次数以及传感器检测元件未异常且元件实际异常的次数；所述传感器检测元件异常且元件实际异常的概率表示所述传感器检测元件异常且元件实际异常的次数与元件异常次数的比；所述元件异常次数为传感器检测元件异常且元件实际异常的次数、传感器检测元件异常且元件实际未异常的次数、传感器检测元件未异常且元件实际异常的次数之和；
生成单元，用于根据所述设备故障维修数据，生成故障字典；所述故障字典包括每个元件的第一概率；所述第一概率为所述元件发生异常时引起设备设定故障的概率；所述设备故障维修数据包括每个元件发生异常时引起的设备设定故障的次数；所述第一概率表示元件发生异常时引起设备设定故障的次数与每个元件发生异常时引起设备设定故障的次数之和的比；
建立单元，用于根据所述故障字典和所述传感器异常-元件表，采用贝叶斯信念网络，建立故障-元件-传感器贝叶斯信念网络模型。
10.根据权利要求8所述的设备故障元件排查系统，其特征在于，所述计算模块，具体包括：
计算单元，用于根据以下公式计算与所述元件相连的传感器检测到元件异常时所述元件实际异常的概率：
式(1)中Ei表示第i个元件；S表示传感器；m表示传感器的个数；表示与所述元件Ei相连的m个传感器检测到元件Ei状态异常时所述元件Ei实际异常的概率。
CN201710661722.5A 2017-08-04 2017-08-04 一种设备故障元件排查方法及系统 Active CN107392258B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710661722.5A CN107392258B (zh) 2017-08-04 2017-08-04 一种设备故障元件排查方法及系统
US16/053,994 US20190041839A1 (en) 2017-08-04 2018-08-03 Apparatus for troubleshooting fault component in equipment and method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710661722.5A CN107392258B (zh) 2017-08-04 2017-08-04 一种设备故障元件排查方法及系统

Publications (2)

Publication Number Publication Date
CN107392258A true CN107392258A (zh) 2017-11-24
CN107392258B CN107392258B (zh) 2018-08-31

Family

ID=60344098

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710661722.5A Active CN107392258B (zh) 2017-08-04 2017-08-04 一种设备故障元件排查方法及系统

Country Status (2)

Country Link
US (1) US20190041839A1 (zh)
CN (1) CN107392258B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108023782A (zh) * 2017-12-29 2018-05-11 华东师范大学 一种基于维修记录的设备故障预警方法
CN108566471A (zh) * 2018-04-18 2018-09-21 Oppo广东移动通信有限公司 信息处理方法、装置、移动终端和计算机可读存储介质
CN111596230A (zh) * 2020-06-11 2020-08-28 贵州中烟工业有限责任公司 一种电气故障排查模型的建立方法
CN111721808A (zh) * 2020-05-16 2020-09-29 北京城建中南土木工程集团有限公司 一种地下管网泄露位置确定方法及系统
CN113311804A (zh) * 2021-05-19 2021-08-27 深圳市合信达控制系统有限公司 远程诊断壁挂炉故障的方法、装置及壁挂炉
CN114579380A (zh) * 2022-03-02 2022-06-03 淮北仕欧网络科技有限公司 一种计算机系统故障的人工智能检测系统及方法

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10558929B2 (en) * 2016-05-31 2020-02-11 The Boeing Company Monitored machine performance as a maintenance predictor
CN111064620A (zh) * 2019-12-20 2020-04-24 广东电网有限责任公司 基于运维知识库的电网多媒体会议室设备维护方法和系统
JP7333284B2 (ja) * 2020-03-16 2023-08-24 株式会社日立製作所 保守支援システム及び保守支援方法
US20230315851A1 (en) * 2022-03-29 2023-10-05 Intelligent Fusion Technology, Inc. Cyber resilience integrated security inspection system (crisis) against false data injection attacks
CN116757447B (zh) * 2023-08-15 2023-10-20 国网江苏省电力有限公司电力科学研究院 一种智能快检装置的测试任务分配方法及系统
CN117193252A (zh) * 2023-09-28 2023-12-08 广东百德朗科技有限公司 基于数据平台的智慧楼宇远程运维方法、装置及电子设备
CN117452894B (zh) * 2023-11-01 2024-08-13 北京市永康药业有限公司 一种注射剂生产设备的生产管理方法及系统
CN117537786B (zh) * 2024-01-09 2024-04-26 中国海洋大学 用于深海潜水器的多传感器快速接驳方法及装置、系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110307220A1 (en) * 2008-12-15 2011-12-15 Snecma Identifying failures in an aeroengine
CN102721901A (zh) * 2012-06-26 2012-10-10 西南交通大学 基于时序贝叶斯知识库tbkb的电网故障诊断方法
CN104777827A (zh) * 2015-01-21 2015-07-15 中国铁路总公司 高速铁路信号系统车载设备故障诊断方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2379752A (en) * 2001-06-05 2003-03-19 Abb Ab Root cause analysis under conditions of uncertainty
US20120215450A1 (en) * 2011-02-23 2012-08-23 Board Of Regents, The University Of Texas System Distinguishing between sensor and process faults in a sensor network with minimal false alarms using a bayesian network based methodology

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110307220A1 (en) * 2008-12-15 2011-12-15 Snecma Identifying failures in an aeroengine
CN102721901A (zh) * 2012-06-26 2012-10-10 西南交通大学 基于时序贝叶斯知识库tbkb的电网故障诊断方法
CN104777827A (zh) * 2015-01-21 2015-07-15 中国铁路总公司 高速铁路信号系统车载设备故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈东宁 等: "基于模糊贝叶斯网络的多态系统可靠性分析及在液压系统中的应用", 《机械工程学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108023782A (zh) * 2017-12-29 2018-05-11 华东师范大学 一种基于维修记录的设备故障预警方法
CN108023782B (zh) * 2017-12-29 2020-11-27 华东师范大学 一种基于维修记录的设备故障预警方法
CN108566471A (zh) * 2018-04-18 2018-09-21 Oppo广东移动通信有限公司 信息处理方法、装置、移动终端和计算机可读存储介质
CN111721808A (zh) * 2020-05-16 2020-09-29 北京城建中南土木工程集团有限公司 一种地下管网泄露位置确定方法及系统
CN111596230A (zh) * 2020-06-11 2020-08-28 贵州中烟工业有限责任公司 一种电气故障排查模型的建立方法
CN111596230B (zh) * 2020-06-11 2022-07-15 贵州中烟工业有限责任公司 一种电气故障排查模型的建立方法
CN113311804A (zh) * 2021-05-19 2021-08-27 深圳市合信达控制系统有限公司 远程诊断壁挂炉故障的方法、装置及壁挂炉
CN114579380A (zh) * 2022-03-02 2022-06-03 淮北仕欧网络科技有限公司 一种计算机系统故障的人工智能检测系统及方法
CN114579380B (zh) * 2022-03-02 2023-10-17 浙江中国小商品城集团股份有限公司 一种计算机系统故障的人工智能检测系统及方法

Also Published As

Publication number Publication date
CN107392258B (zh) 2018-08-31
US20190041839A1 (en) 2019-02-07

Similar Documents

Publication Publication Date Title
CN107392258B (zh) 一种设备故障元件排查方法及系统
CN103634296B (zh) 基于物理系统和信息网络异常数据融合的智能电网攻击检测方法
WO2020063819A1 (zh) 水管网的数据实时分析方法及装置
CN106209856B (zh) 基于可信计算的大数据安全态势地图生成方法
CN104486141A (zh) 一种误报自适应的网络安全态势预测方法
CN105067209B (zh) 基于桥梁健康监测变形数据判定桥梁结构刚度变化的方法
CN104270372B (zh) 一种参数自适应的网络安全态势量化评估方法
CN104202765B (zh) 基于分布式网络的传感器故障检测方法及装置
CN105357228A (zh) 一种基于动态阈值的突发流量检测方法
CN105303020A (zh) 一种基于ahp的电网自然灾害风险评估方法
CN104394015B (zh) 一种网络安全态势评估方法
CN106651731B (zh) 基于历史数据的通信铁塔待解决问题集生成方法及系统
CN108090677B (zh) 一种关键基础设施的可靠性测评方法
CN113556360A (zh) 基于多源攻击融合的工业互联网安全动态度量方法、装置及存储介质
CN107332707B (zh) 一种sdn网络测量数据的采集方法和装置
CN106227185A (zh) 一种电梯风险评估系统
CN103366119B (zh) 病毒趋势异常的监控方法及装置
CN106644035A (zh) 一种基于时频变换特性的振动源识别方法及系统
CN104598970A (zh) 一种爬架组的工作状态检测方法
CN107346301A (zh) 基于双时间窗口验证的水质监测噪音数据实时检测方法
CN103957247A (zh) 设备质量评估分数的处理方法及装置
JP6849102B2 (ja) 検索システム
CN109882150A (zh) 一种钻井故障识别方法
Zhu et al. Research on smart home security threat modeling based on STRIDE-IAHP-BN
CN104238501A (zh) 一种炼化系统的告警数据处理方法及装置

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