CN108460144B - 一种基于机器学习的煤炭设备故障预警系统及方法 - Google Patents
一种基于机器学习的煤炭设备故障预警系统及方法 Download PDFInfo
- Publication number
- CN108460144B CN108460144B CN201810210938.4A CN201810210938A CN108460144B CN 108460144 B CN108460144 B CN 108460144B CN 201810210938 A CN201810210938 A CN 201810210938A CN 108460144 B CN108460144 B CN 108460144B
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- early warning
- analysis
- machine learning
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 86
- 239000003245 coal Substances 0.000 title claims abstract description 64
- 238000004458 analytical method Methods 0.000 claims abstract description 124
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 49
- 238000013499 data model Methods 0.000 claims abstract description 34
- 230000003068 static effect Effects 0.000 claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 230000005856 abnormality Effects 0.000 claims description 39
- 238000007781 pre-processing Methods 0.000 claims description 28
- 238000010234 longitudinal analysis Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000012544 monitoring process Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 14
- 239000000470 constituent Substances 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 description 27
- 230000006870 function Effects 0.000 description 11
- 230000007613 environmental effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 4
- 238000012384 transportation and delivery Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000005406 washing Methods 0.000 description 2
- 241001155433 Centrarchus macropterus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于机器学习的煤炭设备故障预警系统及方法，数据信号获取单元采集实时数据和获取静态数据；数据库从数据信号获取单元获取数据，并将数据按照矿井设备的层级结构进行组织，形成设备层次数据模型，并对设备层次数据模型进行存储；机器学习平台与数据信号获取单元和/或数据库进行通讯，并能够提供机器学习基础算法和运行环境；机器学习算法模块通过机器学习平台上的机器学习基础算法和运行环境，对数据进行分析和建立设备故障预警分析模型，通过设备故障预警分析模型进行设备故障预警判断；显示机器学习算法模块的故障预警判断结果通过结果显示单元进行显示。本发明能够及时发现设备早期的异常情况，并根据检测结果发布预警消息。
Description
技术领域
本发明属于煤炭设备早期故障预警技术领域，具体涉及一种基于机器学习的煤炭设备故障预警系统及方法。
背景技术
煤炭设备是煤炭生产的核心工具，一旦发生故障不仅严重损害设备本身，而且影响整个生产以及运输系统，甚至危害人员生命，给煤矿生产带来巨大的安全隐患和经济损失。因此，对煤炭设备故障预警系统的研究突显得尤为重要。
目前，煤炭设备在线故障预警系统主要存在报警不及时和报警不准确的问题，其中报警阈值设定和预警判断规则单一是两个关键问题。一般情况下，报警阈值大多来自于厂家经验或者通过统计本设备历史数据获取，以上两种获取方式分别存在未考虑现场环境问题和上线运行设备已经处于“带病”状态的因素，无法保证采集的历史数据为设备正常运行时的状态数据。另外在实际煤炭生产过程中，任何单一的故障预警判断规则都不能完全表征设备的故障，在充分考虑煤炭设备运行环境的情况下，同时考虑设备故障判断容易受到生产工况的影响。
发明内容
为解决现有技术中存在的问题，本发明的目的在于提供一种基于机器学习的煤炭设备故障预警系统及方法，本发明考虑了现场环境因素、设备工况类型以及采用多种判别规则来提高煤炭设备故障预警的实时性和准确性。
本发明的目的通过如下技术方案实现：
一种基于机器学习的煤炭设备故障预警系统，包括数据信号获取单元、数据库、机器学习平台、机器学习算法模块和结果显示单元；
数据信号获取单元：用于采集实时数据和获取静态数据；
数据库：从数据信号获取单元获取实时数据和静态数据，并将实时数据和静态数据按照矿井设备的层级结构进行组织，形成具有树形逻辑结构的设备层次数据模型，并对设备层次数据模型进行存储；
机器学习平台：与数据信号获取单元和/或数据库进行通讯，并能够提供机器学习基础算法和运行环境；
机器学习算法模块：通过机器学习平台上的机器学习基础算法和运行环境，对数据进行预处理、分析和建模，形成设备故障预警分析模型，通过设备故障预警分析模型进行设备故障预警判断；
结果显示单元：用于接收并显示机器学习算法模块的故障预警判断结果。
数据信号获取单元获取的数据途径包括两种，一种途径为从底层的设备传感器直接获取；另一种途径为从第三方获取，第三方为MES生产执行系统、安全监测系统、人员定位系统以及文本文件中的至少一个。
数据信号获取单元获取的数据类别包括人员-组织信息、设备全生命周期信息、地质信息、工艺数据和环境数据信息；
其中：人员-组织信息从人员定位系统中获得；
设备全生命周期信息包括设备台账信息、设备功能位置信息、设备维修和更换历史信息、设备移动历史信息以及设备配套和接续计划信息；其中，设备台账信息包括生产厂商、出厂时间、型号以及规格；设备功能位置信息主要包括为设备部位信息、设备部件信息、设备测量点以及测量值信息；设备测量点信息包括振动信息、煤量信息、电流信息和电压信息；
地质信息为记录的井田区域、煤层以及工作面的地质信息；
环境数据信息包括温度和风速，以及CO、CO2和CH4的信息；
工艺数据包括生产类型的数据、生产环节的数据和生产方法的数据。
机器学习算法模块包括离线建模模块和在线分析模块，离线建模模块用于离线建模，对获取的数据进行特征分析、参数训练和模型验证处理，形成离线模型，并将建立好的离线模型进行保存；在线分析模块用于进行在线分析，通过tensorflow-serving开源库调用离线模型，接收并预处理实时数据，通过离线模型和预处理后的实时数据对设备进行实时监测和故障预警。
机器学习平台包括四台服务器，四台服务器分别为第一服务器、第二服务器、第三服务器和第四服务器，其中，第一服务器、第二服务器和第三服务器用于Hadoop+spark+HBase+Postgresql集群使用，第四服务器通过第一服务器、第二服务器和第三服务器中的数据来进行离线模型建立和对在线分析模块进行部署和应用。
机器学习算法模块对获取的数据进行故障预警判断时：
在设备同一工况下采用横向分析和纵向分析方法进行早期设备故障预警，其中，横向分析用于分析同类型设备在相同工艺流程中缓慢变化的数据，以获取异常数据；纵向分析用于分析单个设备历史数据与实时数据的变化关系，以获取快速变化并存在趋势特性的故障数据。
根据煤量、电流以及设备参数进行设备工况判断，工况包括停机、空载和有载三种工况；
在离线建模时，对电流和煤量数据进行预处理，预处理包括异常数据剔除和归一化；对预处理后的煤量数据进行聚类分析，并根据聚类分析结果对煤量数据进行标记，再训练预处理后的电流、煤量以及标记的拟合关系，形成设备工况判断模型；在线分析时，首先启动设备工况判断模型，然后接收经过预处理后的实时数据，设备工况判断模型通过预处理后的实时数据来判断设备运行工况。
横向分析过程包括如下步骤：
步骤(1)，选取数据：按照设备层次数据模型以及设备工况选取同属性测量点下对应的测量值，同属性测量点为同型号、同规格和同工况的测量点，并将选取的同属性测量点下的测量值组成分析数组A，分析数组A的每一个行向量对应一个设备需要分析的测量点下的测量值，分析数组A如式(1)：
式(1)中，m为具有同属性设备的个数，n为获取设备测量点下的测量值的数据个数；
步骤(2)，机器学习算法模块计算分析数组A中每个行向量的统计阈值，将计算的统计阈值组成一个m×1的特征向量B，特征向量B中的元素记为si，元素si采用统计学的区间估计理论，si为矩阵A中i行元素的均值与矩阵A中i行元素2.8倍的方差之和，并经过标准化形成的，特征向量B如式(2)：
步骤(3)，计算特征向量B中各个设备的异常度，计算过程为：计算设备i的特征值si与设备k的特征值sk之间的距离di,k，所有的距离di,k构成设备i的距离向量Di，di,k的计算过程如式(3)：
di,k＝|si-sk| (k＝1,2,3,...m,且i≠k) 式(3)
然后对由di,k构成设备i的距离向量Di进行排序，计算设备i的异常度fi,out，fi,out如式(4)所示：
将同属性下所有设备异常度的均值fmean,out作为该分析数组A的异常度判断阈值；
步骤(4)，机器学习算法模块进行异常判断，判断过程如下：通过式(5)判断设备i是否存在异常，式(5)如下：
fi,out-fmean,out＝Fi,out 式(5)
判断时，当Fi,out≥0时，设备i存在异常；相反说明设备i正常。
纵向分析是在同一工况下采用基于滑动窗口的数据残差度和增长率分别给出残差度和增长率预警信号，在离线建模模块进行离线建模过程中，确定计算流程和判断阈值。
基于滑动窗口的数据残差度来给出预警信号时，机器学习算法模块计算一定时间窗口下当前工况测量点数据的残差度与对应工况下残差度阈值之间大小来判断是否报警，当计算的残差度大于残差阈值时，则给出预警信号，否则不给出预警信号。
基于滑动窗口的增长率给出预警信号时，机器学习算法模块计算相邻时间窗口下残差度的差值，将该残差度的差值作为增长率，当增长率大于预定的增长率时，则给出预警信号，否则不给出预警信号。
一种基于机器学习的煤炭设备故障预警方法：采集实时数据和获取静态数据；将实时数据和静态数据按照矿井设备的层级结构进行组织，形成具有树形逻辑结构的设备层次数据模型，并对设备层次数据模型进行存储；
通过机器学习基础算法、运行环境以及设备层次数据模型，对采集实时数据和获取静态数据进行预处理、分析和建模，形成设备故障预警分析模型，通过设备故障预警分析模型进行设备故障预警判断；
显示故障预警判断结果。
采集实时数据和获取静态数据的途径包括两种，一种途径为从底层的设备传感器直接获取；另一种途径为从第三方获取，第三方为MES生产执行系统、安全监测系统、人员定位系统以及文本文件中的至少一个。
数据信号获取单元获取的数据类别包括人员-组织信息、设备全生命周期信息、地质信息、工艺数据和环境数据信息；
其中：人员-组织信息从人员定位系统中获得；
设备全生命周期信息包括设备台账信息、设备功能位置信息、设备维修和更换历史信息、设备移动历史信息以及设备配套和接续计划信息；其中，设备台账信息包括生产厂商、出厂时间、型号以及规格；设备功能位置信息主要包括为设备部位信息、设备部件信息、设备测量点以及测量值信息；设备测量点信息包括振动信息、煤量信息、电流信息和电压信息；
地质信息为记录的井田区域、煤层以及工作面的地质信息；
环境数据信息包括温度和风速，以及CO、CO2和CH4的信息；
工艺数据包括生产类型的数据、生产环节的数据和生产方法的数据。
对采集实时数据和获取静态数据进行预处理、分析和建模，形成设备故障预警分析模型的过程为：对获取的数据进行预处理、特征分析、参数训练和模型验证处理，形成离线模型，以离线模型作为设备故障预警分析模型，并将建立好的离线模型进行保存；
通过设备故障预警分析模型进行设备故障预警判断的具体过程为：
调用离线模型，接收并预处理实时数据，通过离线模型和预处理后的实时数据对设备进行实时监测和故障预警判断。
对设备进行实时监测和故障预警判断时，在设备同一工况下采用横向分析和纵向分析方法进行早期设备故障预警，其中，横向分析用于分析同类型设备在相同工艺流程中缓慢变化的数据，以获取异常数据；纵向分析用于分析单个设备历史数据与实时数据的变化关系，以获取快速变化并存在趋势特性的故障数据。
横向分析过程包括如下步骤：
步骤(1)，选取数据：按照设备层次数据模型以及设备工况选取同属性测量点下对应的测量值，同属性测量点为同型号、同规格和同工况的测量点，并将选取的同属性测量点下的测量值组成分析数组A，分析数组A的每一个行向量对应一个设备需要分析的测量点下的测量值，分析数组A如式(1)：
式(1)中，m为具有同属性设备的个数，n为获取设备测量点下的测量值的数据个数；
步骤(2)，计算分析数组A中每个行向量的统计阈值，将计算的统计阈值组成一个m×1的特征向量B，特征向量B中的元素记为si，元素si采用统计学的区间估计理论，si为矩阵A中i行元素的均值与矩阵A中i行元素2.8倍的方差之和，并经过标准化形成的，特征向量B如式(2)：
步骤(3)，计算特征向量B中各个设备的异常度，计算过程为：计算设备i的特征值si与设备k的特征值sk之间的距离di,k，所有的距离di,k构成设备i的距离向量Di，di,k的计算过程如式(3)：
di,k＝|si-sk| (k＝1,2,3,...m,且i≠k) 式(3)
然后对由di,k构成设备i的距离向量Di进行排序，计算设备i的异常度fi,out，fi,out如式(4)所示：
将同属性下所有设备异常度的均值fmean,out作为该分析数组A的异常度判断阈值；
步骤(4)，进行异常判断，判断过程如下：通过式(5)判断设备i是否存在异常，式(5)如下：
fi,out-fmean,out＝Fi,out 式(5)
判断时，当Fi,out≥0时，设备i存在异常；相反说明设备i正常。
纵向分析是在同一工况下采用基于滑动窗口的数据残差度和增长率分别给出残差度和增长率预警信号，在进行离线建模过程中，确定计算流程和判断阈值；
其中，基于滑动窗口的数据残差度来给出预警信号时，计算一定时间窗口下当前工况测量点数据的残差度与对应工况下残差度阈值之间大小来判断是否报警，当计算的残差度大于残差阈值时，则给出预警信号，否则不给出预警信号；
基于滑动窗口的增长率给出预警信号时，计算相邻时间窗口下残差度的差值，将该残差度的差值作为增长率，当增长率大于预定的增长率时，则给出预警信号，否则不给出预警信号。
与现有技术相比，本发明具有如下有益效果：
由于本发明通过数据信号获取单元采集实时数据和获取静态数据，将采集的实时数据和获取的静态数据形成多维度数据信息，给多维分析提供依据。将实时数据和静态数据按照矿井设备的层级结构进行组织，形成具有树形逻辑结构的设备层次数据模型，并将设备层次数据模型存储于数据库中，采用这种数据结构形式对后期的数据选取提供了很大方便。机器学习平台与数据信号获取单元和/或数据库进行通讯，并能够提供机器学习基础算法和运行环境，机器学习算法模块通过机器学习平台上的机器学习基础算法和运行环境，对数据进行分析和建模，形成设备故障预警分析模型，通过设备故障预警分析模型进行设备故障预警判断；本发明充分考虑到了现场环境因素、设备工况类型以及采用多种判别规则，通过本发明能够提高煤炭设备故障预警的实时性和准确性。
进一步的，本发明通过在判断同一工况的基础上进行的横向分析和纵向分析，即首先对输入的数据进行工况划分，在同一工况下进行横向分析和纵向分析，则解决了以往因工况不同而导致设备故障预警不精准的问题。
进一步的，本发明依据煤量、电流以及设备参数来确认设备的工况，通过引入设备参数对电流和煤量进行预处理，极大地提高了设备工况判断模型的适应性。
进一步的，本发明的横向分析方法是在同一工况下，通过分析同属性设备的特征值来判断设备是否存在因缓慢变化而引起的故障问题；通过实时分析该设备历史数据的异常度是否大于异常度阈值，能较容易的发现设备历史数据是否存在问题。
进一步的，本发明提出的纵向分析是在同一工况下采用基于滑动窗口的数据残差度和增长率来给出预警信号；采用滑动窗口的残差度和增长率方式极大地提高了判断的稳定性，减少了因单个数据的问题而导致判断错误的问题。
附图说明
图1为本发明的系统结构图；
图2为本发明的数据信号获取单元进行数据采集的流程图；
图3为本发明机器学习算法模块的工作流程图；
图4为本发明实施例选煤厂刮板机设备故障预警结构框图；
图5为本发明实施例刮板机设备工况判断流程图；
图6为本发明实施例基于机器学习的刮板机设备故障预警模型；
图7为本发明实施例刮板机同一工况下横向分析的各设备异常度示意图；
图8为本发明实施例刮板机故障解除前后实时采样数据对比结果图；
图9为本发明实施例刮板机同一工况下纵向判断的残差值实时输出结果图；
图10为本发明实施例刮板机同一工况下纵向判断的增长率实时输出结果图。
具体实施方式
下面结合附图和实施例来对本发明作进一步的说明。
本发明将考虑现场环境因素、设备工况类型以及采用多种判别规则提出了一种基于机器学习的煤炭设备故障预警系统以及方法，以此提高煤炭设备故障预警的实时性和准确性。
如图1所示，本发明的基于机器学习的煤炭设备故障预警系统，包括数据信号获取单元、数据库、机器学习平台、机器学习算法模块和结果显示单元；
数据信号获取单元：用于采集实时数据和获取静态数据；
数据库：从数据信号获取单元获取实时数据和静态数据，并将实时数据和静态数据按照矿井设备的层级结构进行组织，形成具有树形逻辑结构的设备层次数据模型，并对设备层次数据模型进行存储；
机器学习平台：与数据信号获取单元和/或数据库进行通讯，并能够提供机器学习基础算法和运行环境；由于本发明建立的机器学习平台是具有处理大数据的能力和存储能力，同时支持建模、实时分析以及GPU计算，给机器学习算法模块的运行提供了稳定的环境；由于本发明在机器学习平台上实现并运行上述机器学习算法模块内容，提高了算法运行的时效性；
机器学习算法模块：通过机器学习平台上的机器学习基础算法和运行环境，对数据进行分析和建模，形成设备故障预警分析模型，通过设备故障预警分析模型进行设备故障预警判断；
结果显示单元：用于接收并显示机器学习算法模块的故障预警判断结果，本发明通过结果显示单元接收并显示机器学习算法模块的故障预警判断结果，可及时地提醒工作人员发现问题，并及时的处理。
数据信号获取单元主要分为从底层的设备传感器(如用于检测温度、振动和气体等传感器)直接获取和从其他现有第三方系统(如MES(Manufacturing Execution System)生产执行系统、安全监测系统、人员定位系统)以及从文本间接获取2种途径，其具体获取途径如图2所示：数据信号获取单元获取的数据包括5大类，分别为人员-组织信息、设备全生命周期信息、地质信息、工艺数据和环境数据信息。其中人员-组织信息主要来自人员定位系统；
数据信号获取单元获取的数据类别包括人员-组织信息、设备全生命周期信息、地质信息、工艺数据和环境数据信息；
其中：人员-组织信息从人员定位系统中获得；
设备全生命周期信息包括设备台账信息、设备功能位置信息、设备维修和更换历史信息、设备移动历史信息以及设备配套和接续计划信息；其中，设备台账信息包括生产厂商、出厂时间、型号以及规格；设备功能位置信息主要包括为设备部位信息、设备部件信息、设备测量点以及测量值信息；设备测量点信息包括振动信息、煤量信息、电流信息和电压信息；
地质信息为记录的井田区域、煤层以及工作面的地质信息；
环境数据信息包括温度和风速，以及CO、CO2和CH4的信息；
工艺数据包括生产类型的数据、生产环节的数据和生产方法的数据。
本发明根据数据信号获取单元通过获取的数据源建立设备层次数据模型以及基础数据存储于数据库中。设备层次数据模型依次由从公司(可选)、区域、生产单位、子系统、到设备、部位、部件以及测量点、测量九层组成。其中公司层下面是区域层，区域层下面是生产单位层，生产单位层下面是子系统层，子系统层下连接有设备、部位、部件以及测量点和测量值。这九层包含了“人机料法环”的所有数据。在设备测量点处，反映设备运转的特征主要分为四类：一类是设备的功能特征，如胶带机运转过程中的速度和流量；二类是表象特征，如电机轴承的温度升高和轴承的振动；第三类是电气特征，如电机的电流、电压和功率。
机器学习平台由四台服务器组成，其中前三台服务器用于Hadoop+spark+HBase+Postgresql集群使用，第四台服务器通过前三台服务器中的数据来进行离线模型建立和对在线分析模块进行部署和应用。数据库与数据信号获取单元均与机器学习平台通讯，使得机器学习平台能够实现对采集的数据进行快速有效地分析，按照需求对采集的数据进行离线建模和在线分析。
机器学习算法模块是在机器学习平台上实现的，机器学习算法模块包括离线建模模块和在线分析模块，其实现过程如图3所示，离线建模模块用于离线建模，对获取的数据进行特征分析、参数训练和模型验证处理，形成可供在线分析的离线模型，并将建立好的离线模型进行保存；在线分析模块用于进行在线分析，对离线模型进行启动和调用，通过tensorflow-serving开源库调用离线模型，接收并预处理实时数据，通过离线模型和预处理后的实时数据对设备进行实时监测和故障预警，并根据时监测和预警结果在结果显示单元上进行界面展示和故障提醒。
本发明提出的基于机器学习的设备故障预警方法的核心思想是保证设备在同一工况下，从纵向判断和横向分析两个维度出发进行分析判断预警。机器学习算法模块对获取的数据进行故障预警判断时：
在设备同一工况下采用横向分析和纵向分析方法进行早期设备故障预警，其中，横向分析用于分析同类型设备在相同工艺流程中缓慢变化的数据，以获取异常数据；纵向判断指的是所选分析的测量点与本测量点历史统计数据进行比较，用于分析单个设备历史数据与实时数据的变化关系，以获取快速变化并存在趋势特性的故障数据。
根据煤量、电流以及设备参数进行设备工况判断，工况包括停机、空载和有载三种工况；
在离线建模时，对电流和煤量数据进行预处理，预处理包括异常数据剔除和归一化；对预处理后的煤量数据进行聚类分析，并根据聚类分析结果对煤量数据进行标记，再训练预处理后的电流、煤量以及标记的拟合关系，形成设备工况判断模型；在线分析时，首先启动设备工况判断模型，然后接收经过预处理后的实时数据，设备工况判断模型通过预处理后的实时数据来判断设备运行工况。
横向分析在离线建模过程中主要确定不同工况下对应的横向分析模型中关键阈值(异常度)；在线分析时仅需要启动调用离线建立好的不同工况下的横向分析模型，并接收预处理后的实时数据，从而可实现在线分析功能，横向分析过程包括如下步骤：
步骤(1)，选取数据：按照设备层次数据模型以及设备工况选取同属性(同型号、同规格和同工况)测量点下对应的测量值，并将选取的同属性测量点下的测量值组成分析数组A，分析数组A的每一个行向量对应一个设备需要分析的测量点下的测量值，分析数组A如式(1)：
式(1)中，m为具有同属性设备的个数，n为获取设备测量点下的测量值的数据个数；
同属性测量点是通过设备层次数据模型和设备工况选取的具有同型号、同规格和同工况的测量点；
步骤(2)，机器学习算法模块计算分析数组A中每个行向量的统计阈值，将计算的统计阈值组成一个m×1的特征向量B，特征向量B中的元素记为si，元素si通过采用统计学的区间估计理论，为矩阵A中i行元素的均值与矩阵A中i行元素2.8倍的方差之和，并经过标准化形成的，特征向量B如式(2)：
步骤(3)，计算特征向量B中各个设备的异常度，计算过程为：计算设备i的特征值si与设备k的特征值sk之间的距离di,k，所有的距离di,k构成设备i的距离向量Di，di,k的计算过程如式(3)：
di,k＝|si-sk| (k＝1,2,3,...m,且i≠k) 式(3)
然后对由di,k构成设备i的距离向量Di进行排序，计算设备i的异常度fi,out，fi,out如式(4)所示：
将同属性下所有设备异常度的均值fmean,out作为该分析数组A的异常度判断阈值；
步骤(4)，机器学习算法模块进行异常判断，判断过程如下：通过式(5)判断设备i是否存在异常，式(5)如下：
fi,out-fmean,out＝Fi,out 式(5)
判断时，当Fi,out≥0时，设备i存在异常；相反说明设备i正常。
横向分析与其他多个设备测量点数据进行比较，可有效地判断其中各个测量点数据的正确性，不仅为纵向分析提供可靠的阈值，而且可解决设备缓慢变化的异常问题，从而提高故障预警的准确性。
纵向分析是在同一工况下采用基于滑动窗口的数据残差度和增长率分别给出残差度和增长率预警信号，在离线建模模块进行离线建模过程中，确定计算流程和判断阈值。
基于滑动窗口的数据残差度来给出预警信号时，机器学习算法模块计算一定时间窗口下当前工况测量点数据的残差度与对应工况下残差度阈值之间大小来判断是否报警，当计算的残差度大于残差阈值时，则给出预警信号，否则不给出预警信号。
基于滑动窗口的增长率给出预警信号时，机器学习算法模块计算相邻时间窗口下残差度的差值，将该残差度的差值作为增长率，当增长率大于预定的增长率时，则给出预警信号，否则不给出预警信号。
一种基于机器学习的煤炭设备故障预警方法：采集实时数据和获取静态数据；将实时数据和静态数据按照矿井设备的层级结构进行组织，形成具有树形逻辑结构的设备层次数据模型，并对设备层次数据模型进行存储；
通过机器学习基础算法、运行环境以及设备层次数据模型，对采集实时数据和获取静态数据进行预处理、分析和建模，形成设备故障预警分析模型，通过设备故障预警分析模型进行设备故障预警判断；
显示故障预警判断结果。
采集实时数据和获取静态数据的途径包括两种，一种途径为从底层的设备传感器直接获取；另一种途径为从第三方获取，第三方为MES生产执行系统、安全监测系统、人员定位系统以及文本文件中的至少一个。
数据信号获取单元获取的数据类别包括人员-组织信息、设备全生命周期信息、地质信息、工艺数据和环境数据信息；
其中：人员-组织信息从人员定位系统中获得；
设备全生命周期信息包括设备台账信息、设备功能位置信息、设备维修和更换历史信息、设备移动历史信息以及设备配套和接续计划信息；其中，设备台账信息包括生产厂商、出厂时间、型号以及规格；设备功能位置信息主要包括为设备部位信息、设备部件信息、设备测量点以及测量值信息；设备测量点信息包括振动信息、煤量信息、电流信息和电压信息；
地质信息为记录的井田区域、煤层以及工作面的地质信息；
环境数据信息包括温度和风速，以及CO、CO2和CH4的信息；
工艺数据包括生产类型的数据、生产环节的数据和生产方法的数据。
对采集实时数据和获取静态数据进行预处理、分析和建模，形成设备故障预警分析模型的过程为：对获取的数据进行预处理、特征分析、参数训练和模型验证处理，形成离线模型，以离线模型作为设备故障预警分析模型，并将建立好的离线模型进行保存；
通过设备故障预警分析模型进行设备故障预警判断的具体过程为：
调用离线模型，接收并预处理实时数据，通过离线模型和预处理后的实时数据对设备进行实时监测和故障预警判断。
对设备进行实时监测和故障预警判断时，在设备同一工况下采用横向分析和纵向分析方法进行早期设备故障预警，其中，横向分析用于分析同类型设备在相同工艺流程中缓慢变化的数据，以获取异常数据；纵向分析用于分析单个设备历史数据与实时数据的变化关系，以获取快速变化并存在趋势特性的故障数据。
横向分析过程包括如下步骤：
步骤(1)，选取数据：按照设备层次数据模型以及设备工况选取同属性(同型号、同规格和同工况)测量点下对应的测量值，并将选取的同属性测量点下的测量值组成分析数组A，分析数组A的每一个行向量对应一个设备需要分析的测量点下的测量值，分析数组A如式(1)：
式(1)中，m为具有同属性设备的个数，n为获取设备测量点下的测量值的数据个数；
步骤(2)，计算分析数组A中每个行向量的统计阈值，将计算的统计阈值组成一个m×1的特征向量B，特征向量B中的元素记为si，元素si通过采用统计学的区间估计理论，si为矩阵A中i行元素的均值与矩阵A中i行元素2.8倍的方差之和，并经过标准化形成的，特征向量B如式(2)：
步骤(3)，计算特征向量B中各个设备的异常度，计算过程为：计算设备i的特征值si与设备k的特征值sk之间的距离di,k，所有的距离di,k构成设备i的距离向量Di，di,k的计算过程如式(3)：
di,k＝|si-sk| (k＝1,2,3,...m,且i≠k) 式(3)；
然后对由di,k构成设备i的距离向量Di进行排序，计算设备i的异常度fi,out，fi,out如式(4)所示：
将同属性下所有设备异常度的均值fmean,out作为该分析数组A的异常度判断阈值；
步骤(4)，进行异常判断，判断过程如下：通过式(5)判断设备i是否存在异常，式(5)如下：
fi,out-fmean,out＝Fi,out 式(5)
判断时，当Fi,out≥0时，设备i存在异常；相反说明设备i正常。
纵向分析是在同一工况下采用基于滑动窗口的数据残差度和增长率分别给出残差度和增长率预警信号，在进行离线建模过程中，确定计算流程和判断阈值；
其中，基于滑动窗口的数据残差度来给出预警信号时，计算一定时间窗口下当前工况测量点数据的残差度与对应工况下残差度阈值之间大小来判断是否报警，当计算的残差度大于残差阈值时，则给出预警信号，否则不给出预警信号；
基于滑动窗口的增长率给出预警信号时，计算相邻时间窗口下残差度的差值，将该残差度的差值作为增长率，当增长率大于预定的增长率时，则给出预警信号，否则不给出预警信号。
上述纵、横分析的早期故障预警方法首先根据数据库中的设备层次数据模型获取所分析数据，然后进行特征提取、离线分析，最终获取数据处理模型。在获取模型基础上，输入实时数据，通过模型自动分析判断，给出判断结果。
本发明的煤炭设备故障预警系统及方法首先实现数据采集，主要采取从传感器直接采集数据或从其他系统、文本间接获取数据，其主要有人员-组织、设备全生命周期、地质、工艺、环境数据信息，形成一个具有多维度的数据源；对数据源进行规划并建立设备层次数据模型以及基础数据存储于数据库中；在机器学习平台上，建立一种基于不同工况下的纵横判断的设备故障预警模型。本发明的设备故障预警模型采用离线、在线分布式自学习结构，在离线阶段完成数据预处理、模型建立、模型训练以及更新功能；在线分析主要启动和调用设备故障预警模型，以及对接收的实时数据进行预处理，完成设备在线实时预警功能。通过本发明上述的系统和方法，能够及时发现设备早期的异常情况，为生产管理人员提供实时有效的监测预警分析结果。
实例应用
本发明的基于机器学习的煤炭设备故障预警方法可应用于矿井、洗选厂带式输送机和刮板机等设备，本发明将给出一个应用于选煤厂的刮板机电机故障预警实例。首先将洗选厂中有关人员-组织、设备全生命周期信息、地质、工艺和环境的数据按照直接和间接的途径进行获取，其各部分数据的获取途径已在图2中说明。根据获取的数据建立包括有公司、区域、生产单位、子系统、到设备、部位、部件以及测量点、测量值的设备层次数据模型。设备层次数据模型存储于数据库中，为机器学习算法模块的构建提供数据，其中机器学习算法模块主要分为离线分析和在线运行2大模块，具体过程如图4。
离线分析模块：
在建立的数据库和机器学习平台上，根据设备层次数据模型选取同属性刮板机设备，刮板机对应的设备编号分别为209、208、711、703、708、709、710、220和247。选取各刮板机的电流、煤量、电机振动信号以及设备参数为分析测量值。
首先将所涉及的电流、煤量、设备参数信息进行预处理；对处理过的煤量信息按照无监督方法进行聚类，并按照聚类结果对煤量进行标记，再训练预处理后的电流、煤量以及标记的拟合关系，形成一种有监督训练模型。通过大量训练数据集以及测试数据集获取刮板机的工况识别模型，刮板机运行状态主要分为停机、空载和有载三种情况，设备工况判断流程图如5所示。
在设备层次数据模型和设备工况划分的基础上，对刮板机采用纵向和横向对比思想，横向比对主要是通过同类型设备、同规格、同类工况之间的对比，减少错误历史数据带来的影响，同时可解决缓慢变化引起的异常问题，如选取同属性的刮板机电机驱动端径向速度谱测量点作为横向分析点；纵向比对通过计算历史数据与实时数据的残差值与增长率，实现了多参量多维度的比对策略，具体过程如图6所示。在横向分析过程中，首先根据电流、煤量以及设备参数进行设备工况划分，然后在同一工况下对同属性的刮板机电机驱动端径向速度谱测量点进行横向分析，包括有建立分析分析数组、获取阈值向量、计算设备异常度以及异常度判断。纵向分析首先是判断工况，在不同的工况下统计分析刮板机电机驱动端径向速度谱测量点特征信息，根据实时计算的残差值和增长率大小与历史统计的阈值进行比较来给出预警级别，并根据预警级别的高低在主界面进行显示和提醒。采用纵向和横向对比方式极大地增强设备异常预警系统的精确性和可靠性，最终按照实时监测判断的结果，发现设备早期的异常情况，为生产管理人员提供实时有效的监测预警分析结果。
上述基于同一工况下的横向分析和纵向分析方法的设备故障预警模型根据维修更换历史记录以及工作面搬家倒面历史记录来确定输入设备，需重新训练模型获取各预警值。
所述横向分析过程中的预警度是在离线状态下训练获取。
所述纵向分析过程中的残差值、增长率的预警值是在离线状态下获取。
在线分析模块
将上述离线获取的基于同一工况下的横向分析和纵向分析方法的设备故障预警经过启动和调用，以及对接收的实时数据进行预处理，完成设备故障预警。本实施例按照月周期计算其异常度，如图7，现场2016.06—2016.10月各设备的预警值分别为0.53、0.62、0.20、0.21、0.26，从模型结果显示247测量点均超出预警线，并给出247刮板输送机电机驱动端径向的轴承出现emergency异常。系统显示在10月22号故障解除后，实时采集的247刮板输送机驱动端径向速度谱趋势值(图8)明显下降。
本实施例的滑动窗长设为60min，对247刮板机进行纵向分析。2016年10月28日的实时数据(图9和图10)显示，计算的残差值和增长率始终在0附近，且不存在波动的问题，表明刮板设备不存在异常状况。
通过对本发明的实施，可对已投运多年的煤炭企业实施状态监测和预警。通过在建立的机器学习平台上对大量历史数据的统计分析可快速、自动获取设备的动态阈值，解决人工设定参数的缺陷；采用在同一工况下的横向分析和纵向分析方法，准确有效地监测出设备故障，避免故障向更加严重的方向发展。
Claims (6)
1.一种基于机器学习的煤炭设备故障预警方法，其特征在于：采集实时数据和获取静态数据；将实时数据和静态数据按照矿井设备的层级结构进行组织，形成具有树形逻辑结构的设备层次数据模型，并对设备层次数据模型进行存储；
通过机器学习基础算法、运行环境以及设备层次数据模型，对采集实时数据和获取静态数据进行预处理、分析和建模，形成设备故障预警分析模型，通过设备故障预警分析模型进行设备故障预警判断；
显示故障预警判断结果；
对采集实时数据和获取静态数据进行预处理、分析和建模，形成设备故障预警分析模型的过程为：对获取的数据进行预处理、特征分析、参数训练和模型验证处理，形成离线模型，以离线模型作为设备故障预警分析模型，并将建立好的离线模型进行保存；
通过设备故障预警分析模型进行设备故障预警判断的具体过程为：
调用离线模型，接收并预处理实时数据，通过离线模型和预处理后的实时数据对设备进行实时监测和故障预警判断；
对设备进行实时监测和故障预警判断时，在设备同一工况下采用横向分析和纵向分析进行早期设备故障预警，其中，横向分析用于分析同类型设备在相同工艺流程中缓慢变化的数据，以获取异常数据；纵向分析用于分析单个设备历史数据与实时数据的变化关系，以获取快速变化并存在趋势特性的故障数据；
横向分析过程包括如下步骤：
步骤(1)，选取数据：按照设备层次数据模型以及设备工况选取同属性测量点下对应的测量值，并将选取的同属性测量点下的测量值组成分析数组A，分析数组A的每一个行向量对应一个设备需要分析的测量点下的测量值，分析数组A如式(1)：
式(1)中，m为具有同属性设备的个数，n为获取设备测量点下的测量值的数据个数；
步骤(2)，计算分析数组A中每个行向量的统计阈值，将计算的统计阈值组成一个m×1的特征向量B，特征向量B中的元素记为si，元素si采用统计学的区间估计理论，si为矩阵A中i行元素的均值与矩阵A中i行元素2.8倍的方差之和，并经过标准化形成的，特征向量B如式(2)：
步骤(3)，计算特征向量B中各个设备的异常度，计算过程为：计算设备i的特征值si与设备k的特征值sk之间的距离di,k，所有的距离di,k构成设备i的距离向量Di，di,k的计算过程如式(3)：
di,k＝|si-sk|k＝1,2,3,...m,且i≠k 式(3)
然后对由di,k构成设备i的距离向量Di进行排序，计算设备i的异常度fi,out，fi,out如式(4)所示：
将同属性下所有设备异常度的均值fmean,out作为该分析数组A的异常度判断阈值；
步骤(4)，进行异常判断，判断过程如下：通过式(5)判断设备i是否存在异常，式(5)如下：
fi,out-fmean,out＝Fi,out 式(5)
判断时，当Fi,out≥0时，设备i存在异常；相反说明设备i正常；
纵向分析是在同一工况下采用基于滑动窗口的数据残差度和增长率分别给出残差度和增长率预警信号，在进行离线建模过程中，确定计算流程和判断阈值；
其中，基于滑动窗口的数据残差度来给出预警信号时，计算一定时间窗口下当前工况测量点数据的残差度与对应工况下残差度阈值之间大小来判断是否报警，当计算的残差度大于残差阈值时，则给出预警信号，否则不给出预警信号；
基于滑动窗口的增长率给出预警信号时，计算相邻时间窗口下残差度的差值，将该残差度的差值作为增长率，当增长率大于预定的增长率时，则给出预警信号，否则不给出预警信号。
2.一种基于机器学习的煤炭设备故障预警系统，其特征在于，该煤炭设备故障预警系统用于实现权利要求1所述的基于机器学习的煤炭设备故障预警方法，包括数据信号获取单元、数据库、机器学习平台、机器学习算法模块和结果显示单元；
数据信号获取单元：用于采集实时数据和获取静态数据；
数据库：从数据信号获取单元获取实时数据和静态数据，并将实时数据和静态数据按照矿井设备的层级结构进行组织，形成具有树形逻辑结构的设备层次数据模型，并对设备层次数据模型进行存储；
机器学习平台：与数据信号获取单元和/或数据库进行通讯，并能够提供机器学习基础算法和运行环境；
机器学习算法模块：通过机器学习平台上的机器学习基础算法和运行环境，对数据进行预处理、分析和建模，形成设备故障预警分析模型，通过设备故障预警分析模型进行设备故障预警判断；
结果显示单元：用于接收并显示机器学习算法模块的故障预警判断结果。
3.根据权利要求2所述的一种基于机器学习的煤炭设备故障预警系统，其特征在于，机器学习算法模块包括离线建模模块和在线分析模块，离线建模模块用于离线建模，对获取的数据进行预处理、特征分析、参数训练和模型验证处理，形成离线模型，并将建立好的离线模型进行保存；在线分析模块用于进行在线分析，通过tensorflow-serving开源库调用离线模型，接收并预处理实时数据，通过离线模型和预处理后的实时数据对设备进行实时监测和故障预警判断。
4.根据权利要求3所述的一种基于机器学习的煤炭设备故障预警系统，其特征在于，机器学习平台包括四台服务器，四台服务器分别为第一服务器、第二服务器、第三服务器和第四服务器，其中，第一服务器、第二服务器和第三服务器用于Hadoop+spark+HBase+Postgresql集群使用，第四服务器通过第一服务器、第二服务器和第三服务器中的数据来进行离线模型建立和对在线分析模块进行部署和应用。
5.根据权利要求3所述的一种基于机器学习的煤炭设备故障预警系统，其特征在于，机器学习算法模块对获取的数据进行故障预警判断时：
在设备同一工况下采用横向分析和纵向分析方法进行早期设备故障预警，其中，横向分析用于分析同类型设备在相同工艺流程中缓慢变化的数据，以获取异常数据；纵向分析用于分析单个设备历史数据与实时数据的变化关系，以获取快速变化并存在趋势特性的故障数据。
6.根据权利要求5所述的一种基于机器学习的煤炭设备故障预警系统，其特征在于，根据煤量、电流以及设备参数进行设备工况判断，工况包括停机、空载和有载三种工况；
在离线建模时，对电流和煤量数据进行预处理，预处理包括异常数据剔除和归一化；对预处理后的煤量数据进行聚类分析，并根据聚类分析结果对煤量数据进行标记，再训练预处理后的电流、煤量以及标记的拟合关系，形成设备工况判断模型；在线分析时，首先启动设备工况判断模型，接收实时数据并进行预处理，设备工况判断模型通过预处理后的实时数据来判断设备运行工况；
其中，横向分析过程包括如下步骤：
步骤(1)，选取数据：按照设备层次数据模型以及设备工况选取同属性测量点下对应的测量值，并将选取的同属性测量点下的测量值组成分析数组A，分析数组A的每一个行向量对应一个设备需要分析的测量点下的测量值，分析数组A如式(1)：
式(1)中，m为具有同属性设备的个数，n为获取设备测量点下的测量值的数据个数；
步骤(2)，机器学习算法模块计算分析数组A中每个行向量的统计阈值，将计算的统计阈值组成一个m×1的特征向量B，特征向量B中的元素记为si，元素si采用统计学的区间估计理论，si为矩阵A中i行元素的均值与矩阵A中i行元素2.8倍的方差之和，并经过标准化形成的，特征向量B如式(2)：
步骤(3)，计算特征向量B中各个设备的异常度，计算过程为：计算设备i的特征值si与设备k的特征值sk之间的距离di,k，所有的距离di,k构成设备i的距离向量Di，di,k的计算过程如式(3)：
di,k＝|si-sk|k＝1,2,3,...m,且i≠k 式(3)
然后对由di,k构成设备i的距离向量Di进行排序，计算设备i的异常度fi,out，fi,out如式(4)所示：
将同属性下所有设备异常度的均值fmean,out作为该分析数组A的异常度判断阈值；
步骤(4)，机器学习算法模块进行异常判断，判断过程如下：通过式(5)判断设备i是否存在异常，式(5)如下：
fi,out-fmean,out＝Fi,out 式(5)
判断时，当Fi,out≥0时，设备i存在异常；相反说明设备i正常；
纵向分析是在同一工况下采用基于滑动窗口的数据残差度和增长率分别给出残差度和增长率预警信号，在离线建模模块进行离线建模过程中，确定计算流程和判断阈值；
其中，基于滑动窗口的数据残差度来给出预警信号时，机器学习算法模块计算一定时间窗口下当前工况测量点数据的残差度与对应工况下残差度阈值之间大小来判断是否报警，当计算的残差度大于残差阈值时，则给出预警信号，否则不给出预警信号；
基于滑动窗口的增长率给出预警信号时，机器学习算法模块计算相邻时间窗口下残差度的差值，将该残差度的差值作为为增长率，当增长率大于预定的增长率时，则给出预警信号，否则不给出预警信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810210938.4A CN108460144B (zh) | 2018-03-14 | 2018-03-14 | 一种基于机器学习的煤炭设备故障预警系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810210938.4A CN108460144B (zh) | 2018-03-14 | 2018-03-14 | 一种基于机器学习的煤炭设备故障预警系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108460144A CN108460144A (zh) | 2018-08-28 |
| CN108460144B true CN108460144B (zh) | 2021-11-12 |
Family
ID=63216910
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810210938.4A Active CN108460144B (zh) | 2018-03-14 | 2018-03-14 | 一种基于机器学习的煤炭设备故障预警系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108460144B (zh) |
Families Citing this family (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109446049A (zh) * | 2018-11-01 | 2019-03-08 | 郑州云海信息技术有限公司 | 一种基于监督学习的服务器错误诊断方法和装置 |
| CN109922124A (zh) * | 2018-12-29 | 2019-06-21 | 淄博矿业集团有限责任公司 | 一种基于Hadoop的煤矿数据管理系统 |
| CN111652253A (zh) * | 2019-03-04 | 2020-09-11 | 中石化石油工程技术服务有限公司 | 一种基于大数据的井漏事故检测预警方法 |
| CN110322049B (zh) * | 2019-06-03 | 2023-06-09 | 浙江图灵软件技术有限公司 | 一种公安大数据预警方法 |
| CN110533251B (zh) * | 2019-09-03 | 2020-07-31 | 北京天泽智云科技有限公司 | 提升预测性维护模型适应能力的方法及装置 |
| CN112486136B (zh) * | 2019-09-11 | 2022-03-15 | 中科云谷科技有限公司 | 故障预警系统及方法 |
| CN112508316B (zh) * | 2019-09-16 | 2023-08-08 | 中国科学院信息工程研究所 | 实时异常检测系统中的自适应异常判定方法和装置 |
| CN110807245B (zh) * | 2019-09-26 | 2023-05-23 | 上海长庚信息技术股份有限公司 | 一种设备故障预警的自动建模方法和系统 |
| CN110750886B (zh) * | 2019-10-10 | 2020-07-14 | 珠海市华星装备信息科技有限公司 | 一种基于自学习算法的智能安全监控和诊断方法 |
| CN110806743A (zh) * | 2019-12-05 | 2020-02-18 | 成都天玙兴科技有限公司 | 基于人工智能的设备故障检测与预警系统及方法 |
| CN111076808B (zh) * | 2019-12-20 | 2022-03-22 | 中国北方发动机研究所(天津) | 一种柴油机台架试验实时振动监测及预警系统 |
| CN111241151A (zh) * | 2019-12-27 | 2020-06-05 | 北京健康之家科技有限公司 | 一种业务数据分析预警方法、系统、存储介质及计算设备 |
| CN111241154B (zh) * | 2020-01-02 | 2024-04-12 | 浙江吉利远程新能源商用车集团有限公司 | 一种基于大数据的蓄电池故障预警方法及系统 |
| CN111626542B (zh) * | 2020-04-01 | 2023-08-01 | 广州擎天实业有限公司 | 一种用于发电机励磁系统的基于大数据的检测方法 |
| CN111353911A (zh) * | 2020-04-28 | 2020-06-30 | 深圳力维智联技术有限公司 | 电力设备运维方法、系统、设备和存储介质 |
| CN111488947B (zh) * | 2020-04-28 | 2024-02-02 | 深圳力维智联技术有限公司 | 电力系统设备的故障检测方法与装置 |
| US11599562B2 (en) | 2020-05-07 | 2023-03-07 | Carrier Corporation | System and a method for recommending feature sets for a plurality of equipment to a user |
| CN111898669B (zh) * | 2020-07-24 | 2023-07-14 | 大连重工机电设备成套有限公司 | 一种基于机器学习的直流矿热炉异常事件预警系统 |
| CN112269821A (zh) * | 2020-10-30 | 2021-01-26 | 内蒙古电力(集团)有限责任公司乌海超高压供电局 | 一种基于大数据的电力设备状态分析方法 |
| CN112499163B (zh) * | 2020-11-10 | 2022-08-12 | 国家能源集团乌海能源有限责任公司 | 刮板输送机故障检测方法、存储介质及智能刮板输送机 |
| CN112465244B (zh) * | 2020-12-04 | 2021-07-27 | 重庆忽米网络科技有限公司 | 一种基于TensorFlow的工业设备预检预修模型的训练方法及装置 |
| CN112959367B (zh) * | 2021-03-26 | 2023-03-17 | 深圳市优必选科技股份有限公司 | 一种运动部件的异常检测方法及异常检测装置 |
| CN113221968B (zh) * | 2021-04-23 | 2023-02-21 | 北京科技大学 | 一种胶带输送机运行状态诊断方法及装置 |
| CN113326160A (zh) * | 2021-04-29 | 2021-08-31 | 南京大学 | 一种基于贝叶斯网络的异常路径分析方法 |
| CN113220770A (zh) * | 2021-05-08 | 2021-08-06 | 北京中煤时代科技发展有限公司 | 一种基于大数据分析的能源行业决策支持系统 |
| CN113516310B (zh) * | 2021-07-12 | 2022-04-19 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种变压器故障预警方法及系统 |
| CN113779327B (zh) * | 2021-08-10 | 2024-06-21 | 上海外高桥造船海洋工程设计有限公司 | 基于船舶设备全生命周期数据的设备监测管理系统 |
| CN113722328B (zh) * | 2021-09-03 | 2023-12-12 | 国网甘肃省电力公司庆阳供电公司 | 高压开关设备故障的多源时空分析算法 |
| CN113847305A (zh) * | 2021-09-06 | 2021-12-28 | 盛景智能科技(嘉兴)有限公司 | 作业机械液压系统的预警方法、预警系统及作业机械 |
| CN114115098A (zh) * | 2021-11-02 | 2022-03-01 | 浙江尔格科技股份有限公司 | 一种基于字典学习的冷却系统性能预警方法 |
| CN114358730A (zh) * | 2021-12-31 | 2022-04-15 | 中煤科工集团信息技术有限公司 | 一种基于机器学习的煤炭业务处理方法及设备 |
| CN115376296B (zh) * | 2022-08-23 | 2023-06-23 | 北京国联视讯信息技术股份有限公司 | 一种基于工业互联网的生产故障预警系统 |
| CN116049654B (zh) * | 2023-02-07 | 2023-10-13 | 北京奥优石化机械有限公司 | 一种选煤设备的安全监测预警方法及系统 |
| CN116181287A (zh) * | 2023-02-09 | 2023-05-30 | 成都理工大学 | 一种页岩气井生产异常工况预警系统及方法 |
| CN115826443B (zh) * | 2023-02-14 | 2023-08-25 | 南京纳尼亚科技有限公司 | 一种基于鸿蒙操作系统的隧道智能控制器 |
| CN116453709B (zh) * | 2023-06-14 | 2023-08-22 | 贵阳市第四人民医院 | 一种中西医联合用药异常预警方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
| CN105337765A (zh) * | 2015-10-10 | 2016-02-17 | 上海新炬网络信息技术有限公司 | 一种分布式hadoop集群故障自动诊断修复系统 |
| CN105721561A (zh) * | 2016-01-28 | 2016-06-29 | 华北电力大学（保定） | 一种基于云平台的风机故障数据中心 |
| CN106446540A (zh) * | 2016-09-20 | 2017-02-22 | 华北电力大学（保定） | 一种风电机组健康状态实时评估方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9772934B2 (en) * | 2015-09-14 | 2017-09-26 | Palantir Technologies Inc. | Pluggable fault detection tests for data pipelines |
-
2018
- 2018-03-14 CN CN201810210938.4A patent/CN108460144B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
| CN105337765A (zh) * | 2015-10-10 | 2016-02-17 | 上海新炬网络信息技术有限公司 | 一种分布式hadoop集群故障自动诊断修复系统 |
| CN105721561A (zh) * | 2016-01-28 | 2016-06-29 | 华北电力大学（保定） | 一种基于云平台的风机故障数据中心 |
| CN106446540A (zh) * | 2016-09-20 | 2017-02-22 | 华北电力大学（保定） | 一种风电机组健康状态实时评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于大数据分析的风电场故障预警;杨金彭;《道客巴巴https://www.doc88.com/p-9002887278365.html》;20180122;正文第1-64页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108460144A (zh) | 2018-08-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108460144B (zh) | 一种基于机器学习的煤炭设备故障预警系统及方法 | |
| WO2023071217A1 (zh) | 基于深度迁移学习的多工况流程工业故障检测诊断方法 | |
| Paolanti et al. | Machine learning approach for predictive maintenance in industry 4.0 | |
| CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
| CN102870057B (zh) | 机械设备的诊断装置、诊断方法及诊断程序 | |
| KR102618023B1 (ko) | 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법 | |
| CN109738939B (zh) | 一种地震前兆数据异常检测方法 | |
| CN109186813A (zh) | 一种温度传感器自检装置及方法 | |
| CN106407589B (zh) | 一种风机状态评估与预测方法及系统 | |
| CN110414155A (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
| CN110414154B (zh) | 一种带有双测点的风机部件温度异常检测和报警方法 | |
| CN109613428A (zh) | 一种能像系统及其在电机设备故障检测方法中的应用 | |
| CN107844067B (zh) | 一种水电站闸门在线状态监测控制方法及监测系统 | |
| CN112883075B (zh) | 一种滑坡普适型地表位移监测数据缺失及异常值处理方法 | |
| CN104677997B (zh) | 一种变压器油色谱在线监测差异化预警方法 | |
| CN114781476B (zh) | 一种量测设备故障分析系统和方法 | |
| CN116380496B (zh) | 一种汽车车门疲劳耐久测试方法、系统及介质 | |
| CN116292241A (zh) | 一种输油泵机组的故障诊断预警方法及系统 | |
| CN116914917A (zh) | 一种基于大数据的配电柜运行状态监测管理系统 | |
| CN115524002B (zh) | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 | |
| CN112462734A (zh) | 一种工业生产设备故障预测分析方法及模型 | |
| CN104317778A (zh) | 基于海量监测数据的变电设备故障诊断方法 | |
| CN117607780A (zh) | 一种电能计量装置异常分析系统及其分析方法 | |
| CN109299201B (zh) | 基于两阶段聚类的电厂生产子系统异常监测方法及装置 | |
| CN207992717U (zh) | 一种水电站闸门在线状态监测系统 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240115 Address after: B6-1, Fengdong Chuangzhi Cloud Valley, No. 1212, Tianzhang Third Road, Fengdong New Town, Xixian New District, Xi'an, Shaanxi Province, 710000 Patentee after: Shaanxi Heli Security Intelligent Technology Co.,Ltd. Address before: 710075 11th floor, e Yang International, high tech Zone, Xi'an, Shaanxi Patentee before: XI'AN HUA GUANG INFO Co.,Ltd. |