CN108022020A - 设备故障管理方法、装置、存储介质和电子设备 - Google Patents
设备故障管理方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN108022020A CN108022020A CN201711351004.4A CN201711351004A CN108022020A CN 108022020 A CN108022020 A CN 108022020A CN 201711351004 A CN201711351004 A CN 201711351004A CN 108022020 A CN108022020 A CN 108022020A
- Authority
- CN
- China
- Prior art keywords
- equipment
- target device
- mrow
- failure
- msub
- 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
Links
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开涉及一种设备故障管理方法、装置、存储介质和电子设备，涉及设备管理技术领域，该方法包括：根据当前时刻之前预设时长内所有被监控设备的故障信息，获取所有被监控设备中的目标设备与除目标设备之外的每个其他设备的距离，根据目标设备与每个其他设备的距离，获取目标设备与每个其他设备的相似度，根据目标设备与每个其他设备的相似度，以及每个其他设备的故障信息，获取目标设备的故障预测信息。本公开能够预测设备的故障信息，提高设备管理的效率，降低运营成本。
Description
技术领域
本公开涉及设备管理技术领域，具体地，涉及一种设备故障管理方法、装置、存储介质和电子设备。
背景技术
随着工业领域的快速发展，出现了越来越多的现代化大型设备场站，在对设备场站的管理过程中，由于设备数量众多、分布广泛，且设备成本高昂，如风力发电厂、汽车租赁公司、服务器集群等，传统的设备管理方式需要花费大量的时间和人力，并且很难对设备的故障情况进行预测，一旦设备发生故障，会造成安全问题和经济损失。
发明内容
本公开的目的是提供一种设备故障管理方法、装置、存储介质和电子设备，用以解决传统管理方式耗费时间和人力，并且难以预测故障的问题。
为了实现上述目的，根据本公开实施例的第一方面，提供一种设备故障管理方法，所述方法包括：
根据当前时刻之前预设时长内所有被监控设备的故障信息，获取所有被监控设备中的目标设备与除所述目标设备之外的每个其他设备的距离；
根据所述目标设备与所述每个其他设备的所述距离，获取所述目标设备与所述每个其他设备的相似度；
根据所述目标设备与所述每个其他设备的相似度，以及所述每个其他设备的所述故障信息，获取所述目标设备的故障预测信息。
可选地，所述故障信息包括发生过的一种或多种故障，以及发生过的每种故障的发生次数，所述根据当前时刻之前预设时长内所有被监控设备的故障信息，获取所有被监控设备中的目标设备与除所述目标设备之外的每个其他设备的距离，包括：
根据当前时刻之前所述预设时长内所有被监控设备的故障信息，以及第一距离计算公式获取所有被监控设备中的所述目标设备与除所述目标设备之外的每个其他设备的距离；
所述第一距离计算公式包括：
其中，n表示所有被监控设备出现过的故障种类数量，1≤i≤n，fxi表示设备x在所述预设时长内已发生第i种故障的次数，fyi表示设备y在所述预设时长内已发生所述第i种故障的次数，dy表示所述设备y与所述设备x的距离，所述设备x为所述目标设备，所述设备y为所有被监控设备中除所述目标设备外的任一设备。
可选的，所述故障信息包括：发生过的一种或多种故障，以及发生过的每种故障的发生次数，一种或者多种工况下的运行时长，以及距离上一次维修的时间间隔，所述根据当前时刻之前预设时长内所有被监控设备的故障信息，获取所有被监控设备中的目标设备与除所述目标设备之外的每个其他设备的距离，包括：
根据当前时刻之前所述预设时长内所有被监控设备的故障信息，以及第二距离计算公式获取所有被监控设备中的所述目标设备与除所述目标设备之外的每个其他设备的距离；
所述第二距离计算公式包括：
其中，n表示所有被监控设备出现过的故障种类数量，1≤i≤n，fxi表示设备x在所述预设时长内已发生第i种故障的次数，fyi表示设备y在所述预设时长内已发生所述第i种故障的次数，o表示所有被监控设备的工况种类数量，1≤k≤o，cxk表示所述设备x在第k种工况下运行的时间，cyk表示所述设备y在所述第k种工况下运行的时间，tx表示所述设备x距离上一次维修的时间间隔，ty表示所述设备y距离上一次维修的时间间隔，A为第一调整系数，B为第二调整系数，且A和B均为常数，dy表示所述设备y与所述设备x的距离，所述设备x为所述目标设备，所述设备y为所有被监控设备中除所述目标设备外的任一设备。
可选的，所述根据所述目标设备与所述每个其他设备的所述距离，获取所述目标设备与所述每个其他设备的相似度，包括：
根据所述目标设备与所述每个其他设备的所述距离，利用相似度计算公式获取所述目标设备与所述每个其他设备的相似度；
其中，所述相似度计算公式包括：
其中，dy表示设备y与所述目标设备的距离，Sy表示所述设备y与所述目标设备的相似度，设备y为所有被监控设备中除所述目标设备外的任一设备。
可选的，所述根据所述目标设备与所述每个其他设备的相似度，以及所述每个其他设备的所述故障信息，获取所述目标设备的故障预测信息，包括：
根据所述目标设备与所述每个其他设备的相似度，在所有所述其他设备中确定相似度满足预设相似度阈值的设备，作为参照设备；
根据所述目标设备与所述参照设备的相似度，以及所述参照设备的所述故障信息，获取所述目标设备的故障预测信息。
可选的，所述根据所述目标设备与所述参照设备的相似度，以及所述参照设备的所述故障信息，获取所述目标设备的故障预测信息，包括：
根据所述目标设备与所述参照设备的相似度，所述参照设备的所述故障信息，以及第一故障计算公式，获取所述目标设备的故障预估次数；
所述第一故障计算公式包括：
其中，m表示所述参照设备中设备的个数，1≤j≤m，fx’i表示设备x在当前时刻之后的任一所述预设时长内发生第i种故障的故障预估次数，fij表示所述参照设备中第j个设备在所述预设时长内已发生所述第i种故障的次数，所述第i种故障是所有被监控设备出现过的故障中的任一种，Sj表示所述参照设备中第j个设备与所述设备x的相似度，所述设备x为所述目标设备。
可选的，所述根据所述目标设备与所述参照设备的相似度，以及所述参照设备的所述故障信息，获取所述目标设备的故障预测信息，包括：
根据所述目标设备与所述参照设备的相似度，所述参照设备的所述故障信息，以及第二故障计算公式，获取所述目标设备在当前时刻的故障预估时间；
所述第二故障计算公式包括：
其中，m表示所述参照设备中设备的个数，1≤j≤m，tx’i表示设备x发生第i种故障的故障预估时间，tij表示所述参照设备中第j个设备首次发生所述第i种故障的时间点，所述第i种故障是所有被监控设备出现过的故障中的任一种，Sj表示所述参照设备中第j个设备与所述设备x的相似度，所述设备x为所述目标设备。
根据本公开实施例的第二方面，提供一种设备故障管理装置，所述装置包括：
距离获取模块，用于根据当前时刻之前预设时长内所有被监控设备的故障信息，获取所有被监控设备中的目标设备与除所述目标设备之外的每个其他设备的距离；
相似度获取模块，用于根据所述目标设备与所述每个其他设备的所述距离，获取所述目标设备与所述每个其他设备的相似度；
预测模块，用于根据所述目标设备与所述每个其他设备的相似度，以及所述每个其他设备的所述故障信息，获取所述目标设备的故障预测信息。
可选的，所述故障信息包括发生过的一种或多种故障，以及发生过的每种故障的发生次数，所述距离获取模块包括：
根据当前时刻之前所述预设时长内所有被监控设备的故障信息，以及第一距离计算公式获取所有被监控设备中的所述目标设备与除所述目标设备之外的每个其他设备的距离；
所述第一距离计算公式包括：
其中，n表示所有被监控设备出现过的故障种类数量，1≤i≤n，fxi表示设备x在所述预设时长内已发生第i种故障的次数，fyi表示设备y在所述预设时长内已发生所述第i种故障的次数，dy表示所述设备y与所述设备x的距离，所述设备x为所述目标设备，所述设备y为所有被监控设备中除所述目标设备外的任一设备。
可选的，所述故障信息包括发生过的一种或多种故障，以及发生过的每种故障的发生次数，一种或者多种工况下的运行时长，以及距离上一次维修的时间间隔，所述距离获取模块包括：
根据当前时刻之前所述预设时长内所有被监控设备的故障信息，以及第二距离计算公式获取所有被监控设备中的所述目标设备与除所述目标设备之外的每个其他设备的距离；
所述第二距离计算公式包括：
其中，n表示所有被监控设备出现过的故障种类数量，1≤i≤n，fxi表示设备x在所述预设时长内已发生第i种故障的次数，fyi表示设备y在所述预设时长内已发生所述第i种故障的次数，o表示所有被监控设备的工况种类数量，1≤k≤o，cxk表示所述设备x在第k种工况下运行的时间，cyk表示所述设备y在所述第k种工况下运行的时间，tx表示所述设备x距离上一次维修的时间间隔，ty表示所述设备y距离上一次维修的时间间隔，A为第一调整系数，B为第二调整系数，且A和B均为常数，dy表示所述设备y与所述设备x的距离，所述设备x为所述目标设备，所述设备y为所有被监控设备中除所述目标设备外的任一设备。
可选的，所述相似度获取模块包括：
根据所述目标设备与所述每个其他设备的所述距离，利用相似度计算公式获取所述目标设备与所述每个其他设备的相似度；
其中，所述相似度计算公式包括：
其中，dy表示设备y与所述目标设备的距离，Sy表示所述设备y与所述目标设备的相似度，设备y为所有被监控设备中除所述目标设备外的任一设备。
可选的，所述预测模块包括：
筛选子模块，用于根据所述目标设备与所述每个其他设备的相似度，在所有所述其他设备中确定相似度满足预设相似度阈值的设备，作为参照设备；
预测子模块，用于根据所述目标设备与所述参照设备的相似度，以及所述参照设备的所述故障信息，获取所述目标设备的故障预测信息。
可选的，所述预测子模块包括：
根据所述目标设备与所述参照设备的相似度，所述参照设备的所述故障信息，以及第一故障计算公式，获取所述目标设备的故障预估次数；
所述第一故障计算公式包括：
其中，m表示所述参照设备中设备的个数，1≤j≤m，fx’i表示设备x在当前时刻之后的任一所述预设时长内发生第i种故障的故障预估次数，fij表示所述参照设备中第j个设备在所述预设时长内已发生所述第i种故障的次数，所述第i种故障是所有被监控设备出现过的故障中的任一种，Sj表示所述参照设备中第j个设备与所述设备x的相似度，所述设备x为所述目标设备。
可选的，所述预测子模块包括：
根据所述目标设备与所述参照设备的相似度，所述参照设备的所述故障信息，以及第二故障计算公式，获取所述目标设备在当前时刻的故障预估时间；
所述第二故障计算公式包括：
其中，m表示所述参照设备中设备的个数，1≤j≤m，tx’i表示设备x发生第i种故障的故障预估时间，tij表示所述参照设备中第j个设备首次发生所述第i种故障的时间点，所述第i种故障是所有被监控设备出现过的故障中的任一种，Sj表示所述参照设备中第j个设备与所述设备x的相似度，所述设备x为所述目标设备。
根据本公开实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开实施例的第一方面提供的设备故障管理方法的步骤。
根据本公开实施例的第四方面，提供一种电子设备，包括：
本公开实施例的第三方面提供的计算机可读存储介质；以及
一个或者多个处理器，用于执行所述计算机可读存储介质中的程序。
本公开的实施例提供的上述技术方案，通过利用所有被监控设备之前已知的故障信息，确定除目标设备之外的每个其他设备与目标设备之间故障信息的差距，即每个其他设备与目标设备之间的距离，从而进一步的以每个其他设备与目标设备之间的距离为参照，确定每个其他设备与目标设备的相似度，之后结合每个其他设备与目标设备之间的相似度和其他设备的故障信息，预测目标设备的故障预测信息。本公开能够预测设备的故障信息，从而能够在故障发生之前就获取设备潜在的故障问题，能够提高设备管理的效率，降低运营成本。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据一示例性实施例示出的一种设备故障管理方法的流程图；
图2是根据一示例性实施例示出的另一种设备故障管理方法的流程图；
图3是根据一示例性实施例示出的一种设备故障管理装置的框图；
图4是根据一示例性实施例示出的另一种设备故障管理装置的框图；
图5是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在介绍本公开提供的一种设备故障管理方法、装置、存储介质和电子设备之前，首先对本公开各个实施例所涉及的应用场景进行介绍。该应用场景可以包括多个需要被监控的设备，在设备运行过程中，记录设备的历史故障信息，历史故障信息包括但不限于设备的故障类型、与故障类型对应的故障次数、故障时间等等，从而利用该历史故障信息通过本公开提供的设备故障管理方法对该多个需要被监控的设备的可能的故障信息进行预测，从而对这些设备进行更有效的管理。
图1是根据一示例性实施例示出的一种设备故障管理方法的流程图，如图1所示，该方法包括：
步骤101，根据当前时刻之前预设时长内所有被监控设备的故障信息，获取所有被监控设备中的目标设备与除目标设备之外的每个其他设备的距离。
举例来说，某一设备场站开始投入使用后，设备场站中的任一设备都存在发生故障的可能性，因此可以记录所有被监控设备每次故障的故障信息，从而在执行本方法时可以获取在当前时刻之前预设时长内的故障信息，一个设备的故障信息可以包括该设备发生的各种故障、发生各种故障的次数以及各种故障发生的时间，还可以包括该设备在各种工况下的运行时间、上一次的维修时间、距离上一次维修的时间间隔等信息。其中，预设时长可以根据实际需求来设置，例如可以是设备场站开始投入使用时到当前时刻为止的整个运行时间，也可以是具体的当前时刻之前的一周、一个月或一个季度等，可以由设备场站的管理人员来进行调整，也可以按照默认的时长来获取故障信息。目标设备是所有被监控设备中需要进行预测的任一个设备，也可以是所有被监控设备中的每个设备。根据所有被监控设备的故障信息，可以获取除目标设备之外的每个其他设备与目标设备之间故障信息的差距，从而能够确定目标设备与每个其他设备的距离，该距离指的是设备之间关于故障的距离，用于表示设备之间的相似程度。
步骤102，根据目标设备与每个其他设备的距离，获取目标设备与每个其他设备的相似度。
示例的，以目标设备与每个其他设备之间的距离为参考，可以确定目标设备与每个其他设备的相似度。由于所有被监控设备中，通常包括多个设备，这多个设备的工作地点、工作环境、使用频率，使用工况等都可能不同，因此相似度能够反映出目标设备与每个其他设备在上述这些维度的故障信息上的相似程度。目标设备与某个其他设备之间的距离越小，表示目标设备与该其他设备的相似度越高，目标设备与某个其他设备之间的距离越大，表示目标设备与该其他设备的相似度越低。
步骤103，根据目标设备与每个其他设备的相似度，以及每个其他设备的故障信息，获取目标设备的故障预测信息。
示例的，因为目标设备与每个其他设备的相似度能够反映出目标设备与每个其他设备在故障信息这个维度上的相似程度，因此，可以利用与目标设备相似度高的设备对应的故障信息，来预测目标设备的故障预测信息，从而为维护人员提供参考，对设备故障做好预防和准备，避免设备因故障停机，造成经济损失。
综上所述，本公开通过利用所有被监控设备之前已知的故障信息，确定除目标设备之外的每个其他设备与目标设备之间故障信息的差距，即每个其他设备与目标设备之间的距离，从而进一步的以每个其他设备与目标设备之间的距离为参照，确定每个其他设备与目标设备的相似度，之后结合每个其他设备与目标设备之间的相似度和其他设备的故障信息，预测目标设备的故障预测信息。本公开能够预测设备的故障信息，从而能够在故障发生之前就获取设备潜在的故障问题，能够提高设备管理的效率，降低运营成本。
在一种实施方式中，故障信息可以包括发生过的一种或多种故障，以及发生过的每种故障的发生次数，相应的，该步骤101可以包括：
根据当前时刻之前预设时长内所有被监控设备的故障信息，以及第一距离计算公式获取所有被监控设备中的目标设备与除目标设备之外的每个其他设备的距离。
其中，该第一距离计算公式可以包括：
其中，n表示所有被监控设备出现过的故障种类数量，1≤i≤n，fxi表示设备x在预设时长内已发生第i种故障的次数，fyi表示设备y在预设时长内已发生第i种故障的次数，dy表示设备y与设备x的距离，设备x为目标设备，设备y为所有被监控设备中除目标设备外的任一设备。
举例来说，根据第一距离计算公式求得的dy能够在故障的发生次数的层面上反映出设备x与设备y的差距，以该预设时长为一个月为例，所有被监控设备出现过的故障种类数量为5种，设备x在前一个月内发生5种故障的次数分别为3、2、1、0、5，则获取设备y在前一个月内发生同样的5种故障的次数，分别为2、1、3、0、1，那么根据第一距离计算公式求得
在另一种实施方式中，该故障信息可以包括：发生过的一种或多种故障，以及发生过的每种故障的发生次数，一种或者多种工况下的运行时长，以及距离上一次维修的时间间隔，相应的，该步骤101可以包括：
根据当前时刻之前预设时长内所有被监控设备的故障信息，以及第二距离计算公式获取所有被监控设备中的目标设备与除目标设备之外的每个其他设备的距离。
其中，该第二距离计算公式包括：
其中，n表示所有被监控设备出现过的故障种类数量，1≤i≤n，fxi表示设备x在预设时长内已发生第i种故障的次数，fyi表示设备y在预设时长内已发生第i种故障的次数，o表示所有被监控设备的工况种类数量，1≤k≤o，cxk表示设备x在第k种工况下运行的时间，cyk表示设备y在第k种工况下运行的时间，tx表示设备x距离上一次维修的时间间隔，ty表示设备y距离上一次维修的时间间隔，A为第一调整系数，B为第二调整系数，且A和B均为常数，dy表示设备y与设备x的距离，设备x为目标设备，设备y为所有被监控设备中除目标设备外的任一设备。
举例来说，当设备场站投入运行时间比较短，或者设备场站中部分设备投入运行时间比较短，相应的故障数据比较少的情况下，只考虑每种故障的发生次数可能无法获得有效的故障预测信息，即算法冷启动的问题，可能会导致故障预测信息的准确度降低。此时可以引入一种或者多种工况下的运行时长，以及距离上一次维修的时间间隔，来增加故障信息中有效信息的数量。根据第二距离计算公式求得的dy能够在故障的发生次数、工况运行时长和维修时间间隔共同作用的层面上反映出设备x与设备y的差距，其中，A为工况运行时长对应的权重，B为距离上一次维修的时间间隔对应的权重，且A和B均可以根据实际需求进行调整。
进一步的，该步骤102可以包括：
根据目标设备与每个其他设备的距离，利用相似度计算公式获取目标设备与每个其他设备的相似度。
其中，相似度计算公式包括：
其中，dy表示设备y与目标设备的距离，Sy表示设备y与目标设备的相似度，设备y为所有被监控设备中除目标设备外的任一设备。
需要说明的是，dy可以是通过第一距离计算公式或第二距离计算公式求得的，对应的，若dy是通过第一距离计算公式获得的，那么Sy能够反映出目标设备与每个其他设备在故障的发生次数这个维度上的相似程度；如果dy是通过第二距离计算公式获得的，那么Sy能够反映出目标设备与每个其他设备在故障的发生次数、工况运行时长和维修时间间隔共同作用的维度上的相似程度。
图2是根据一示例性实施例示出的另一种设备故障管理方法的流程图，如图2所示，步骤103可以包括：
步骤1031，根据目标设备与每个其他设备的相似度，在所有其他设备中确定相似度满足预设相似度阈值的设备，作为参照设备。
步骤1032，根据目标设备与参照设备的相似度，以及参照设备的故障信息，获取目标设备的故障预测信息。
举例来说，利用与目标设备相似度高的设备，更能反映目标设备的状态，因此，根据预设的相似度阈值，可以筛选出与目标设备相似度大于或者等与相似度阈值的其他设备，作为参照设备。进一步的，根据目标设备与参照设备的相似度，以及参照设备的故障信息，来预测目标设备的故障预测信息。
可选的，步骤1032可以包括：
根据目标设备与参照设备的相似度，参照设备的故障信息，以及第一故障计算公式，获取目标设备的故障预估次数。
其中，该第一故障计算公式可以包括：
其中，m表示参照设备中设备的个数，1≤j≤m，fx’i表示设备x在当前时刻之后的任一预设时长内发生第i种故障的故障预估次数，fij表示参照设备中第j个设备在预设时长内已发生第i种故障的次数，第i种故障是所有被监控设备出现过的故障中的任一种，Sj表示参照设备中第j个设备与设备x的相似度，设备x为目标设备。
示例的，第一故障计算公式预测的是设备x在当前时刻之后的任一预设时长内发生某种故障的故障预估次数，可以给维护人员提供设备x的故障统计信息。以预设时长为一个季度为例，fx’i可以表示设备x从当前时刻起的下一个季度之内发生第i种故障的故障预估次数，也可以是表示设备x在当前时刻起之后每个季度内发生第i种故障的故障预估次数。以m为4个为例，参照设备中四个设备在一个季度内发生第i种故障的次数fij分别为10、17、5、2，对应参照设备中四个设备与设备x的相似度Sj分别为0.6、0.8、0.65、0.7，那么fx’i＝(6+13.6+3.25+1.4)/(0.6+0.8+0.65+0.7)＝8.82次。
进一步的，步骤1032可以包括：
根据目标设备与参照设备的相似度，参照设备的故障信息，以及第二故障计算公式，获取目标设备在当前时刻的故障预估时间。
其中，该第二故障计算公式包括：
其中，m表示参照设备中设备的个数，1≤j≤m，tx’i表示设备x发生第i种故障的故障预估时间，tij表示参照设备中第j个设备首次发生第i种故障的时间点，第i种故障是所有被监控设备出现过的故障中的任一种，Sj表示参照设备中第j个设备与设备x的相似度，设备x为目标设备。
示例的，第一故障计算公式预测的是设备x发生第i种故障的故障预估时间，可以为维护人员提供设备x发生第i种故障的预估时间，使维护人员能够提前做好预防，在到达预估时间附近时，对设备x进行多次检查，同时做好发生第i种故障所需的维修准备。以m为5个为例，参照设备中五个设备在一个月内首次发生第i种故障的时间点tij分别为距离设备首次投入使用时间之后的50天、37天、16天、29天、41天，对应参照设备中五个设备与设备x的相似度Sj分别为0.55、0.7、0.85、0.65、0.6，那么tx’i＝(27.5+25.9+13.6+18.85+24.6)/(0.55+0.7+0.85+0.65+0.6)≈33天。
需要说明的是，第一故障计算公式和第二故障计算公式可以独立使用，也可以同时使用，可以根据不同的管理需求和具体故障信息的数量进行选择。
综上所述，本公开通过利用所有被监控设备之前已知的故障信息，确定除目标设备之外的每个其他设备与目标设备之间故障信息的差距，即每个其他设备与目标设备之间的距离，从而进一步的以每个其他设备与目标设备之间的距离为参照，确定每个其他设备与目标设备的相似度，之后结合每个其他设备与目标设备之间的相似度和其他设备的故障信息，预测目标设备的故障预测信息。本公开能够预测设备的故障信息，从而能够在故障发生之前就获取设备潜在的故障问题，能够提高设备管理的效率，降低运营成本。
图3是根据一示例性实施例示出的一种设备故障管理装置的框图，如图3所示，该装置包括：
距离获取模块201，用于根据当前时刻之前预设时长内所有被监控设备的故障信息，获取所有被监控设备中的目标设备与除目标设备之外的每个其他设备的距离。
相似度获取模块202，用于根据目标设备与每个其他设备的距离，获取目标设备与每个其他设备的相似度。
预测模块203，用于根据目标设备与每个其他设备的相似度，以及每个其他设备的故障信息，获取目标设备的故障预测信息。
可选的，故障信息包括发生过的一种或多种故障，以及发生过的每种故障的发生次数，距离获取模201块包括：
根据当前时刻之前预设时长内所有被监控设备的故障信息，以及第一距离计算公式获取所有被监控设备中的目标设备与除目标设备之外的每个其他设备的距离。
第一距离计算公式包括：
其中，n表示所有被监控设备出现过的故障种类数量，1≤i≤n，fxi表示设备x在预设时长内已发生第i种故障的次数，fyi表示设备y在预设时长内已发生第i种故障的次数，dy表示设备y与设备x的距离，设备x为目标设备，设备y为所有被监控设备中除目标设备外的任一设备。
可选的，故障信息包括发生过的一种或多种故障，以及发生过的每种故障的发生次数，一种或者多种工况下的运行时长，以及距离上一次维修的时间间隔，距离获取模201块包括：
根据当前时刻之前预设时长内所有被监控设备的故障信息，以及第二距离计算公式获取所有被监控设备中的目标设备与除目标设备之外的每个其他设备的距离。
第二距离计算公式包括：
其中，n表示所有被监控设备出现过的故障种类数量，1≤i≤n，fxi表示设备x在预设时长内已发生第i种故障的次数，fyi表示设备y在预设时长内已发生第i种故障的次数，o表示所有被监控设备的工况种类数量，1≤k≤o，cxk表示设备x在第k种工况下运行的时间，cyk表示设备y在第k种工况下运行的时间，tx表示设备x距离上一次维修的时间间隔，ty表示设备y距离上一次维修的时间间隔，A为第一调整系数，B为第二调整系数，且A和B均为常数，dy表示设备y与设备x的距离，设备x为目标设备，设备y为所有被监控设备中除目标设备外的任一设备。
可选的，相似度获取模块202包括：
根据目标设备与每个其他设备的距离，利用相似度计算公式获取目标设备与每个其他设备的相似度。
其中，相似度计算公式包括：
其中，dy表示设备y与目标设备的距离，Sy表示设备y与目标设备的相似度，设备y为所有被监控设备中除目标设备外的任一设备。
图4是根据一示例性实施例示出的另一种设备故障管理装置的框图，如图4所示，预测模块203包括：
筛选子模块2031，用于根据目标设备与每个其他设备的相似度，在所有其他设备中确定相似度满足预设相似度阈值的设备，作为参照设备。
预测子模块2032，用于根据目标设备与参照设备的相似度，以及参照设备的故障信息，获取目标设备的故障预测信息。
可选的，预测子模块2032包括：
根据目标设备与参照设备的相似度，参照设备的故障信息，以及第一故障计算公式，获取目标设备的故障预估次数。
第一故障计算公式包括：
其中，m表示参照设备中设备的个数，1≤j≤m，fx’i表示设备x在当前时刻之后的任一预设时长内发生第i种故障的故障预估次数，fij表示参照设备中第j个设备在预设时长内已发生第i种故障的次数，第i种故障是所有被监控设备出现过的故障中的任一种，Sj表示参照设备中第j个设备与设备x的相似度，设备x为目标设备。
可选的，预测子模块2032包括：
根据目标设备与参照设备的相似度，参照设备的故障信息，以及第二故障计算公式，获取目标设备在当前时刻的故障预估时间。
第二故障计算公式包括：
其中，m表示参照设备中设备的个数，1≤j≤m，tx’i表示设备x发生第i种故障的故障预估时间，tij表示参照设备中第j个设备首次发生第i种故障的时间点，第i种故障是所有被监控设备出现过的故障中的任一种，Sj表示参照设备中第j个设备与设备x的相似度，设备x为目标设备。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
综上所述，本公开通过利用所有被监控设备之前已知的故障信息，确定除目标设备之外的每个其他设备与目标设备之间故障信息的差距，即每个其他设备与目标设备之间的距离，从而进一步的以每个其他设备与目标设备之间的距离为参照，确定每个其他设备与目标设备的相似度，之后结合每个其他设备与目标设备之间的相似度和其他设备的故障信息，预测目标设备的故障预测信息。本公开能够预测设备的故障信息，从而能够在故障发生之前就获取设备潜在的故障问题，能够提高设备管理的效率，降低运营成本。
图5是根据一示例性实施例示出的一种电子设备700的框图。如图5所示，该电子设备700可以包括：处理器701，存储器702，多媒体组件703，输入/输出(I/O)接口704，以及通信组件705。
其中，处理器701用于控制该电子设备700的整体操作，以完成上述的设备故障管理方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作，这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件705可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的设备故障管理方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，例如包括程序指令的存储器702，上述程序指令可由电子设备700的处理器701执行以完成上述的设备故障管理方法。
综上所述，本公开通过利用所有被监控设备之前已知的故障信息，确定除目标设备之外的每个其他设备与目标设备之间故障信息的差距，即每个其他设备与目标设备之间的距离，从而进一步的以每个其他设备与目标设备之间的距离为参照，确定每个其他设备与目标设备的相似度，之后结合每个其他设备与目标设备之间的相似度和其他设备的故障信息，预测目标设备的故障预测信息。本公开能够预测设备的故障信息，从而能够在故障发生之前就获取设备潜在的故障问题，能够提高设备管理的效率，降低运营成本。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，本领域技术人员在考虑说明书及实践本公开后，容易想到本公开的其它实施方案，均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。同时本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。本公开并不局限于上面已经描述出的精确结构，本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种设备故障管理方法，其特征在于，所述方法包括：
根据当前时刻之前预设时长内所有被监控设备的故障信息，获取所有被监控设备中的目标设备与除所述目标设备之外的每个其他设备的距离；
根据所述目标设备与所述每个其他设备的所述距离，获取所述目标设备与所述每个其他设备的相似度；
根据所述目标设备与所述每个其他设备的相似度，以及所述每个其他设备的所述故障信息，获取所述目标设备的故障预测信息。
2.根据权利要求1所述的方法，其特征在于，所述故障信息包括发生过的一种或多种故障，以及发生过的每种故障的发生次数，所述根据当前时刻之前预设时长内所有被监控设备的故障信息，获取所有被监控设备中的目标设备与除所述目标设备之外的每个其他设备的距离，包括：
根据当前时刻之前所述预设时长内所有被监控设备的故障信息，以及第一距离计算公式获取所有被监控设备中的所述目标设备与除所述目标设备之外的每个其他设备的距离；
所述第一距离计算公式包括：
<mrow>
<msub>
<mi>d</mi>
<mi>y</mi>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>fy</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>fx</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
其中，n表示所有被监控设备出现过的故障种类数量，1≤i≤n，fxi表示设备x在所述预设时长内已发生第i种故障的次数，fyi表示设备y在所述预设时长内已发生所述第i种故障的次数，dy表示所述设备y与所述设备x的距离，所述设备x为所述目标设备，所述设备y为所有被监控设备中除所述目标设备外的任一设备。
3.根据权利要求1所述的方法，其特征在于，所述故障信息包括：发生过的一种或多种故障，以及发生过的每种故障的发生次数，一种或者多种工况下的运行时长，以及距离上一次维修的时间间隔，所述根据当前时刻之前预设时长内所有被监控设备的故障信息，获取所有被监控设备中的目标设备与除所述目标设备之外的每个其他设备的距离，包括：
根据当前时刻之前所述预设时长内所有被监控设备的故障信息，以及第二距离计算公式获取所有被监控设备中的所述目标设备与除所述目标设备之外的每个其他设备的距离；
所述第二距离计算公式包括：
<mrow>
<msub>
<mi>d</mi>
<mi>y</mi>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>fy</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>fx</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mi>A</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>o</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>cy</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mi>cx</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mi>B</mi>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>y</mi>
</msub>
<mo>-</mo>
<msub>
<mi>t</mi>
<mi>x</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
其中，n表示所有被监控设备出现过的故障种类数量，1≤i≤n，fxi表示设备x在所述预设时长内已发生第i种故障的次数，fyi表示设备y在所述预设时长内已发生所述第i种故障的次数，o表示所有被监控设备的工况种类数量，1≤k≤o，cxk表示所述设备x在第k种工况下运行的时间，cyk表示所述设备y在所述第k种工况下运行的时间，tx表示所述设备x距离上一次维修的时间间隔，ty表示所述设备y距离上一次维修的时间间隔，A为第一调整系数，B为第二调整系数，且A和B均为常数，dy表示所述设备y与所述设备x的距离，所述设备x为所述目标设备，所述设备y为所有被监控设备中除所述目标设备外的任一设备。
4.根据权利要求1所述的方法，其特征在于，所述根据所述目标设备与所述每个其他设备的所述距离，获取所述目标设备与所述每个其他设备的相似度，包括：
根据所述目标设备与所述每个其他设备的所述距离，利用相似度计算公式获取所述目标设备与所述每个其他设备的相似度；
其中，所述相似度计算公式包括：
<mrow>
<msub>
<mi>S</mi>
<mi>y</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>d</mi>
<mi>y</mi>
</msub>
</mrow>
</mfrac>
</mrow>
其中，dy表示设备y与所述目标设备的距离，Sy表示所述设备y与所述目标设备的相似度，设备y为所有被监控设备中除所述目标设备外的任一设备。
5.根据权利要求1-4中任一项所述的方法，其特征在于，所述根据所述目标设备与所述每个其他设备的相似度，以及所述每个其他设备的所述故障信息，获取所述目标设备的故障预测信息，包括：
根据所述目标设备与所述每个其他设备的相似度，在所有所述其他设备中确定相似度满足预设相似度阈值的设备，作为参照设备；
根据所述目标设备与所述参照设备的相似度，以及所述参照设备的所述故障信息，获取所述目标设备的故障预测信息。
6.根据权利要求5所述的方法，其特征在于，所述根据所述目标设备与所述参照设备的相似度，以及所述参照设备的所述故障信息，获取所述目标设备的故障预测信息，包括：
根据所述目标设备与所述参照设备的相似度，所述参照设备的所述故障信息，以及第一故障计算公式，获取所述目标设备的故障预估次数；
所述第一故障计算公式包括：
<mrow>
<msubsup>
<mi>fx</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>*</mo>
<msub>
<mi>S</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>/</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>S</mi>
<mi>j</mi>
</msub>
</mrow>
其中，m表示所述参照设备中设备的个数，1≤j≤m，fx’i表示设备x在当前时刻之后的任一所述预设时长内发生第i种故障的故障预估次数，fij表示所述参照设备中第j个设备在所述预设时长内已发生所述第i种故障的次数，所述第i种故障是所有被监控设备出现过的故障中的任一种，Sj表示所述参照设备中第j个设备与所述设备x的相似度，所述设备x为所述目标设备。
7.根据权利要求5所述的方法，其特征在于，所述根据所述目标设备与所述参照设备的相似度，以及所述参照设备的所述故障信息，获取所述目标设备的故障预测信息，包括：
根据所述目标设备与所述参照设备的相似度，所述参照设备的所述故障信息，以及第二故障计算公式，获取所述目标设备在当前时刻的故障预估时间；
所述第二故障计算公式包括：
<mrow>
<msubsup>
<mi>tx</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>*</mo>
<msub>
<mi>S</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>/</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>S</mi>
<mi>j</mi>
</msub>
</mrow>
其中，m表示所述参照设备中设备的个数，1≤j≤m，tx’i表示设备x发生第i种故障的故障预估时间，tij表示所述参照设备中第j个设备首次发生所述第i种故障的时间点，所述第i种故障是所有被监控设备出现过的故障中的任一种，Sj表示所述参照设备中第j个设备与所述设备x的相似度，所述设备x为所述目标设备。
8.一种设备故障管理装置，其特征在于，所述装置包括：
距离获取模块，用于根据当前时刻之前预设时长内所有被监控设备的故障信息，获取所有被监控设备中的目标设备与除所述目标设备之外的每个其他设备的距离；
相似度获取模块，用于根据所述目标设备与所述每个其他设备的所述距离，获取所述目标设备与所述每个其他设备的相似度；
预测模块，用于根据所述目标设备与所述每个其他设备的相似度，以及所述每个其他设备的所述故障信息，获取所述目标设备的故障预测信息。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
权利要求9中所述的计算机可读存储介质；以及
一个或者多个处理器，用于执行所述计算机可读存储介质中的程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711351004.4A CN108022020B (zh) | 2017-12-15 | 2017-12-15 | 设备故障管理方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711351004.4A CN108022020B (zh) | 2017-12-15 | 2017-12-15 | 设备故障管理方法、装置、存储介质和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108022020A true CN108022020A (zh) | 2018-05-11 |
| CN108022020B CN108022020B (zh) | 2020-09-18 |
Family
ID=62073798
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711351004.4A Active CN108022020B (zh) | 2017-12-15 | 2017-12-15 | 设备故障管理方法、装置、存储介质和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108022020B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113791300A (zh) * | 2021-11-15 | 2021-12-14 | 广东电网有限责任公司东莞供电局 | 一种充电站的充电枪状态监测方法及系统 |
| CN113850439A (zh) * | 2021-09-29 | 2021-12-28 | 广州新科佳都科技有限公司 | 轨道交通站点设备能耗预测方法、装置、设备和存储介质 |
| CN114697203A (zh) * | 2022-03-31 | 2022-07-01 | 浙江省通信产业服务有限公司 | 一种网络故障的预判方法、装置、电子设备及存储介质 |
| CN116149971A (zh) * | 2023-04-14 | 2023-05-23 | 北京宝兰德软件股份有限公司 | 设备故障预测方法、装置、电子设备及存储介质 |
| CN116402492A (zh) * | 2023-03-16 | 2023-07-07 | 广东省智能家电研究院 | 一种家电维修预警方法及其相关设备 |
| CN116594802A (zh) * | 2023-07-17 | 2023-08-15 | 深圳开鸿数字产业发展有限公司 | 设备故障预测方法、计算机设备和计算机可读存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102063119A (zh) * | 2010-11-11 | 2011-05-18 | 北京三博中自科技有限公司 | 一种基于点巡检数据和dcs在线数据的设备故障预测方法 |
| CN103116531A (zh) * | 2013-01-25 | 2013-05-22 | 浪潮(北京)电子信息产业有限公司 | 存储系统故障预测方法和装置 |
| JP2016126728A (ja) * | 2015-01-08 | 2016-07-11 | 三菱重工業株式会社 | 稼動率予測装置及び稼動率予測方法 |
| CN106339716A (zh) * | 2016-08-16 | 2017-01-18 | 浙江工业大学 | 一种基于加权欧氏距离的移动轨迹相似度匹配方法 |
-
2017
- 2017-12-15 CN CN201711351004.4A patent/CN108022020B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102063119A (zh) * | 2010-11-11 | 2011-05-18 | 北京三博中自科技有限公司 | 一种基于点巡检数据和dcs在线数据的设备故障预测方法 |
| CN103116531A (zh) * | 2013-01-25 | 2013-05-22 | 浪潮(北京)电子信息产业有限公司 | 存储系统故障预测方法和装置 |
| JP2016126728A (ja) * | 2015-01-08 | 2016-07-11 | 三菱重工業株式会社 | 稼動率予測装置及び稼動率予測方法 |
| CN106339716A (zh) * | 2016-08-16 | 2017-01-18 | 浙江工业大学 | 一种基于加权欧氏距离的移动轨迹相似度匹配方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨婷婷，张蓓，吕游，邸小慧: "基于MSET的电站风机故障预警技术研究", 《热能动力工程》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113850439A (zh) * | 2021-09-29 | 2021-12-28 | 广州新科佳都科技有限公司 | 轨道交通站点设备能耗预测方法、装置、设备和存储介质 |
| CN113791300A (zh) * | 2021-11-15 | 2021-12-14 | 广东电网有限责任公司东莞供电局 | 一种充电站的充电枪状态监测方法及系统 |
| CN114697203A (zh) * | 2022-03-31 | 2022-07-01 | 浙江省通信产业服务有限公司 | 一种网络故障的预判方法、装置、电子设备及存储介质 |
| CN114697203B (zh) * | 2022-03-31 | 2023-07-25 | 浙江省通信产业服务有限公司 | 一种网络故障的预判方法、装置、电子设备及存储介质 |
| CN116402492A (zh) * | 2023-03-16 | 2023-07-07 | 广东省智能家电研究院 | 一种家电维修预警方法及其相关设备 |
| CN116402492B (zh) * | 2023-03-16 | 2024-05-31 | 广东省智能家电研究院 | 一种家电维修预警方法及其相关设备 |
| CN116149971A (zh) * | 2023-04-14 | 2023-05-23 | 北京宝兰德软件股份有限公司 | 设备故障预测方法、装置、电子设备及存储介质 |
| CN116594802A (zh) * | 2023-07-17 | 2023-08-15 | 深圳开鸿数字产业发展有限公司 | 设备故障预测方法、计算机设备和计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108022020B (zh) | 2020-09-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108022020A (zh) | 设备故障管理方法、装置、存储介质和电子设备 | |
| Uzam et al. | An iterative synthesis approach to Petri net-based deadlock prevention policy for flexible manufacturing systems | |
| CN109617134B (zh) | 计及不确定量预测误差时空相关性的鲁棒机组组合方法 | |
| WO2020046286A1 (en) | Integrated cybersecurity risk assessment and state monitoring for electrical power grid | |
| US9568923B1 (en) | Determining a time for corrective action in a data center | |
| CN104462755B (zh) | 基于可靠性模型的电子设备备件配置计算方法 | |
| Shin et al. | SVM‐based dynamic reconfiguration CPS for manufacturing system in industry 4.0 | |
| Anwar et al. | Ensuring data integrity of OPF module and energy database by detecting changes in power flow patterns in smart grids | |
| CN103259778A (zh) | 安全监视系统以及安全监视方法 | |
| Tsuda et al. | Advanced semiconductor manufacturing using big data | |
| CN105281892B (zh) | 现场可编程门阵列码的微扰以防止边信道攻击 | |
| CN110909920A (zh) | 考虑多故障场景的输电网容量规划优化方法及系统 | |
| US20220103591A1 (en) | Systems and methods for detecting anomolies in network communication | |
| US20160064261A1 (en) | Dispatching method and system | |
| CN101782977A (zh) | 一种应急救援物资的优化调度系统及调度算法 | |
| CN114662618B (zh) | 一种基于联邦学习的故障诊断方法、装置及相关设备 | |
| CN103268569A (zh) | 智能电网安全督查自动化系统 | |
| Al-Dabbagh et al. | Reliability modeling of networked control systems using dynamic flowgraph methodology | |
| Kharchenko et al. | Security and availability models for smart building automation systems | |
| Kharchenko et al. | Security assessment of FPGA-based safety-critical systems: US NRC requirements context | |
| Markoska et al. | Towards smart buildings performance testing as a service | |
| Schmid et al. | Hybrid production management system in the context of industry 4.0 | |
| Khalil Ur et al. | Sensitivity study on availability of I&C components using bayesian network | |
| CN115936399A (zh) | 操作票生成方法、装置、计算机设备和存储介质 | |
| Zeng et al. | A transient queuing model for analyzing and optimizing gate congestion of railway container terminals |
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 |