CN109523752B - 一种设备故障预警方法、装置、电子设备和介质 - Google Patents
一种设备故障预警方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN109523752B CN109523752B CN201811434056.2A CN201811434056A CN109523752B CN 109523752 B CN109523752 B CN 109523752B CN 201811434056 A CN201811434056 A CN 201811434056A CN 109523752 B CN109523752 B CN 109523752B
- Authority
- CN
- China
- Prior art keywords
- equipment
- fault
- matrix
- early warning
- result
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/185—Electrical failure alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/187—Machine fault alarms
Landscapes
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及故障诊断与预测技术领域,尤其涉及一种设备故障预警方法、装置、电子设备和介质。设备故障预警方法包括:输入设备当前运行参数到预设故障特征矩阵中形成参数矩阵,所述故障特征矩阵生成的方式包括:根据预设的设备知识库和专家经验库,将设备的特征按照和设备故障的相关度进行排序,根据排序后的设备的特征生成故障特征矩阵;对所述参数矩阵进行处理,获取处理结果;输入所述处理结果到预先训练好的设备故障分析模型中,以预测设备故障产生概率。本申请实施例所提供的技术方案,解决了现有故障预警方法中存在的设备机理、专家经验难以在大数据驱动模型下应用的技术问题,实现了准确预警设备故障的效果。
Description
技术领域
本申请涉及故障诊断与预测技术领域,尤其涉及一种设备故障预警方法、装置、电子设备和介质。
背景技术
随着设备在线运行时间的增长,设备通常会出现老化并产生故障。当设备出现异常或故障时,若不能够被及时发现并得到有效处理,将会对设备的安全稳定运行产生较大负面影响。因此,对在线运行的设备进行故障预警,对安全生产有着重要的意义。现有的设备故障预警方法中,基于专家系统知识的方法很难将设备运行过程中积累的历史数据中的隐藏信息加以利用;基于数据驱动的人工智能方法过分依赖于数据样本,未能有效利用设备机理和专家经验。因此,为了克服上述两种方法中存在的不足,在实际的设备预警应用中,需要寻求将专家系统知识和人工智能方法相结合的技术方法来提高设备故障预警的准确度。
发明内容
本申请提供一种设备故障预警方法、装置、电子设备和介质,解决了现有的预警故障的方法预警故障不准确的问题,实现了准确预警设备故障的效果。
第一方面,本申请实施例提供了一种设备故障预警方法,该方法包括:输入设备当前运行参数到预设故障特征矩阵中形成参数矩阵,所述故障特征矩阵生成的方式包括:根据预设的设备知识库和专家经验库,将设备的特征按照和设备故障的相关度进行排序,根据排序后的设备的特征生成故障特征矩阵;对所述参数矩阵进行处理,获取处理结果;输入所述处理结果到预先训练好的设备故障分析模型中,以预测设备故障产生概率。
第二方面,本申请还提供一种设备故障预警装置,该设备故障预警装置包括:输入模块,用于控制输入设备当前运行参数到预设故障特征矩阵中形成参数矩阵,所述故障特征矩阵生成的方式包括:根据预设的设备知识库和专家经验库,将设备的特征按照和设备故障的相关度进行排序,根据排序后的设备的特征生成故障特征矩阵;处理模块,用于控制对所述参数矩阵进行处理,获取处理结果;预警模块,用于控制输入所述处理结果到预先训练好的设备故障分析模型中,以预测设备故障产生概率。
第三方面,本申请还提供一种电子设备,包括存储器、处理装置及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现本申请第一方面实施例所述的设备故障预警方法。
第四方面,本申请还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申请第一方面实施例所述的设备故障预警方法。
与现有技术相比,本申请实施例通过提供一种设备故障预警方法、装置、电子设备和介质,输入设备当前运行参数到预设故障特征矩阵中形成参数矩阵,所述故障特征矩阵生成的方式包括:根据预设的设备知识库和专家经验库,将设备的特征按照和设备故障的相关度进行排序,根据排序后的设备的特征生成故障特征矩阵;对参数矩阵进行处理,获取处理结果;输入处理结果到预先训练好的设备故障分析模型中,以预测设备故障产生概率,解决了现有故障预警方法中存在的设备机理、专家经验难以在大数据驱动模型下应用的技术问题,实现了准确预警设备故障的效果。
附图说明
图1为本申请第一实施例提供的设备故障预警方法的流程示意图;
图2为本申请第二实施例提供的故障特征矩阵形成方法的流程示意图;
图3为本申请第二实施例提供的故障特征矩阵的结构示意图;
图4为本申请第三实施例提供的设备故障预警方法的流程示意图;
图5为本申请第四实施例提供的设备故障预警方法的流程示意图;
图6为本申请第五实施例提供的设备故障预警方法的流程示意图;
图7为本申请第六实施例提供的设备故障预警方法的流程示意图;
图8为本申请第七实施例提供的软件版本控制装置的模块结构示意图;
图9是本申请第八实施例提供的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
请参阅图1,本申请第一实施例提供了一种设备故障预警方法,该设备故障预警方法可以由一装置来执行,该装置可通过硬件和/或软件的方式来实现,并通常集成于服务器中,例如管理和监控设备运行状态的应用软件的服务器中,具体的如监视与控制设备运行的工业电脑等,用于预警设备是否会产生故障。该设备故障预警方法包括:
S1:输入设备当前运行参数到预设故障特征矩阵中形成参数矩阵,所述故障特征矩阵生成的方式包括:根据预设的设备知识库和专家经验库,将设备的特征按照和设备故障的相关度进行排序,根据排序后的设备的特征生成故障特征矩阵;
S2:对所述参数矩阵进行处理,获取处理结果;
S3:输入所述处理结果到预先训练好的设备故障分析模型中,以预测设备故障产生概率。
在S1中,设备的类型不做限定,可以是加工机床、火电厂发电机组、风力发电机组、电除尘机组等设备。设备的特征为设备的功能参数,如设备的功率、设备的局部温度和设备的局部压力等。预警一种故障,则根据与该故障的相关度对设备的各个特征进行排序,以生成故障特征矩阵。设备的运行参数即为设备在运行时设备的特征对应的参数,如设备的当前功率为2kW,则设备功率特征对应的当前运行参数为2kW。输入设备当前运行参数时,根据设备的特征所在的位置对应输入,把特征替换成对应的运行参数,形成参数矩阵。可以理解,若需要预警多种故障,由于设备的特征和设备不同故障的相关度不同,故需要生成多种故障特征矩阵和相应的参数矩阵。一般情况下,一种故障对应一种参数矩阵。
设备知识库中存储有设备的各种知识,如设备的机理知识,专家经验库中存储有专家经验。根据设备知识库和专家经验库,能快速、准确地将设备的特征按照和设备故障的相关度进行排序,以生成故障特征矩阵。
在S2中,对参数矩阵进行处理时,处理的方式不做限定,如可以进行归一化处理,向量化处理等。
在S3中,可选地,设备故障分析模型是对设备不同时刻的运行参数对应的处理结果进行训练而获得的。设备故障分析模型对输入设备当前运行参数对应的处理结果进行测试,即可预测出设备是否会发生故障。优选地,设备故障分析模型为一支持向量机分类模型。
可选地,在预测出设备将要发生故障时,可发出告警,以供用户及时知晓设备即将要发生故障。用户可及时暂停设备运行或对设备进行维护,避免故障发生。
本申请第一实施例提供的设备故障预警方法,通过输入设备当前运行参数到预设故障特征矩阵中形成参数矩阵,对参数矩阵进行处理,获取处理结果,输入处理结果到预先训练好的设备故障分析模型中,以预测设备故障产生概率,解决了现有故障预警方法中存在的设备机理、专家经验难以在大数据驱动模型下应用的技术问题,实现了准确预警设备故障的效果。
请参阅图2,本申请第二实施例提供了一种故障特征矩阵生成方法,本实施例以前述实施例为基础,提供了一种生成故障特征矩阵的方案,该故障特征矩阵形成方法包括:
S11:根据预设的设备知识库和专家经验库,从设备的m个特征中筛选出n个与故障相关的特征,其中n≤m,m和n都为自然数;
S12:将所述n个与故障相关的特征中相关度最高的特征放置于预设矩阵中心,按照相关度高低降序排列的顺序,沿顺时针方向或逆时针方向围绕所述预设矩阵中心依次放置n个与故障相关的特征中其余的特征;
S13:按照n个与故障相关的特征的放置方向,依次放置和故障无关联的(m-n)个特征,形成故障特征矩阵。
在S11中,设备包括m个不同的特征,如针对故障a,根据设备知识库和专家经验库,m个特征中可能只有一部分特征与故障a相关,如n个特征与故障a相关,n≤m,则可根据设备知识库和专家经验库,把n个与故障a相关的特征从m个特征中选取出来。可以理解,在所有特征都和故障a相关时,则n=m,即选取了所有特征作为与故障相关的特征。
在S12中,请参阅图3,图3为故障特征矩阵的结构示意图,在中心放置与故障a最相关的特征1,按照与故障a相关度高低降序排列的顺序沿顺时针方向,依次放置n个特征中其余的特征,直至把n个特征放置完毕。可以理解,也可以沿逆时针方向放置n个特征。
在S13中,按照n个特征的放置方向,依次放置和故障无关联的(m-n)个特征。在n=m时,则S13可省略。可以理解,在排列特征后的故障特征矩阵不为一个完整的矩阵时,缺失的部分用0补齐。即把m个特征放置完毕后,故障特征矩阵不是一个完整的矩阵时,缺失部分用0补齐。
作为一种选择,生成故障特征矩阵时,也可以不放置和故障无关联的(m-n)个特征,只放置n个与故障相关的特征形成故障特征矩阵。之后在排列特征后的故障特征矩阵不为一个完整的矩阵时,缺失部分用0补齐。
本申请第二实施例提供的故障特征矩阵形成方法,根据预设的设备知识库和专家经验库,选取n个与故障相关的特征,将n个特征中相关度最高的特征放置于中心,按照相关度高低降序排列的顺序,沿顺时针方向或逆时针方向依次放置n个特征中其余的特征,以形成故障特征矩阵,故障特征矩阵用于后续数据处理,且形成的故障特征矩阵与故障相关度紧密结合,对于预警故障发生更为准确。
请参阅图4,本申请第三实施例也提供了一种设备故障预警方法,本实施例以前述实施例为基础,明确了运行参数的来源,该设备故障预警方法包括:
S10:获取设备各个特征的当前运行参数;
S1:输入设备当前运行参数到预设故障特征矩阵中形成参数矩阵,所述故障特征矩阵生成的方式包括:根据预设的设备知识库和专家经验库,将设备的特征按照和设备故障的相关度进行排序,根据排序后的设备的特征生成故障特征矩阵;
S2:对所述参数矩阵进行处理,获取处理结果;
S3:输入所述处理结果到预先训练好的设备故障分析模型中,以预测设备故障产生概率。
在S10中,获取设备的当前运行参数的方式不做限定,如可通过传感器获取,或从装置中读取,如发电机转速可由主轴处的转速传感器直接获取,也可从机组的控制系统DCS(Distributed Control System)中读取。获取设备的运行参数时,可只获取和故障相关的设备参数,也可获取设备的全部参数。
请参阅图5,本申请第四实施例也提供了一种设备故障预警方法,本实施例以前述实施例为基础,提供了一种对参数矩阵进行处理的方案,该设备故障预警方法包括:
S1:输入设备当前运行参数到预设故障特征矩阵中形成参数矩阵,所述故障特征矩阵生成的方式包括:根据预设的设备知识库和专家经验库,将设备的特征按照和设备故障的相关度进行排序,根据排序后的设备的特征生成故障特征矩阵;
S21:归一化处理所述参数矩阵,形成参数图像;
S22:向量化所述参数图像,形成特征结果向量;
S3:输入处理结果到预先训练好的设备故障分析模型中,以预测设备故障产生概率。
在S21中,由于参数矩阵中设备的各个参数量纲不同,且数值上可能存在较大差异,因此需要将各个参数数值量化到统一的区间以去除数据的量纲限制,将其转化为无量纲的纯数值。可选地,采用min-max标准化(Min-Max Normalization)方法对原始数据进行归一化处理,使量化后的特征分布在[0,1]区间内,如此便得到一个时刻的归一化数值参数矩阵,即该时刻的参数图像。
在S22中,向量化参数图像的方法不做限定,如可采用图像识别算法提取参数图像的指标特征,形成特征结果向量。
在S3中,输入的处理结果即为特征结果向量。
本申请第四实施例提供的设备故障预警方法,对参数矩阵进行归一化处理,再进行向量化处理,便于后续预测设备是否会产生故障,提高了预测故障的准确性。
请参阅图6,本申请第五实施例也提供了一种设备故障预警方法,本实施例以前述实施例为基础,提供了一种建立或训练设备故障分析模型的方案,该设备故障预警方法包括:
S01:根据预设的设备知识库和专家经验库,将设备的样本特征按照和设备故障的相关度进行排序,根据排序后的设备的样本特征生成样本故障特征矩阵;
S02:获取设备各个特征的运行参数样本;
S03:输入各个特征的运行参数样本到样本故障特征矩阵中,形成样本参数矩阵;
S04:对样本参数矩阵进行处理,获取样本处理结果;
S05:根据预设的设备知识库和专家经验库,标定故障时刻至故障前s分钟之间的所述样本处理结果为样本异常结果,标定故障s分钟之前的所述样本处理结果为样本正常结果,s>0;
S06:建立设备故障分析模型,根据所述样本正常结果和所述样本异常结果进行训练以确定设备故障分析模型的参数;
S1:输入设备当前运行参数到预设故障特征矩阵中形成参数矩阵,所述故障特征矩阵生成的方式包括:根据预设的设备知识库和专家经验库,将设备的特征按照和设备故障的相关度进行排序,根据排序后的设备的特征生成故障特征矩阵;
S2:对所述参数矩阵进行处理,获取处理结果;
S3:输入所述处理结果到预先训练好的设备故障分析模型中,以预测设备故障产生概率。
在S02中,由于要建立设备故障分析模型,故选取出现故障的运行设备。该设备从正常状态运行直至出现一故障,获取的设备各个特征的运行参数包括设备正常状态下运行得到的正常运行参数样本,和设备异常状态下运行得到的异常运行参数样本。如设备在ts时刻之前处于正常状态,设备在ts时刻至ta时刻之间由正常状态逐步向异常状态、故障状态发展,其中,ts时刻为ta时刻的前s分钟,设备在ta时刻起处于故障状态,则ts时刻之前获取的参数为正常运行参数样本,ts时刻至ta时刻之间获取的参数为异常运行参数样本。获取的正常运行参数样本和异常运行参数样本包括多个,可计算出设备由正常状态至故障状态过程中,和故障相关的参数的变化过程。获取运行参数样本时,可以持续获取;也可以间歇获取,如1s获取2次,或3s获取1次;间歇获取运行参数的频率不做限定。
在S03中,则形成了多个样本参数矩阵。
在S04中,对样本参数矩阵进行处理的过程可以和本申请第四实施例的一致,最终获取样本处理结果,即样本特征向量结果。
在S05中,根据预设的设备知识库和专家经验库,确定出设备在ts时刻之前处于正常状态,设备在ts时刻至ta时刻之间由正常状态逐步向故障状态发展,设备在ta时刻起处于故障状态。则故障时刻ta回溯至故障前s分钟之间的样本处理结果为样本异常结果,故障s分钟之前的样本处理结果为样本正常结果,即故障时刻至故障前s分钟之间的处理结果为样本异常特征向量结果,故障s分钟之前的处理结果为样本正常特征向量结果。
在S06中,先建立设备故障分析模型,根据样本正常特征向量结果和样本异常特征向量结果即可确定设备故障分析模型的参数。
本申请第五实施例提供的设备故障预警方法,根据样本正常结果和样本异常结果确定设备故障分析模型的参数,符合设备运行参数由正常状态向故障状态发展的规律,把设备在各个特征的运行参数形成的处理结果输入到设备故障分析模型中后,即可快速判断出设备是否由正常状态向故障状态发展,由此能推断出设备故障即将发生。
请参阅图7,本申请第六实施例也提供了一种设备故障预警方法,本实施例以前述实施例为基础,提供了一种建立或训练设备故障分析模型的方案,样本正常结果分割成第一部分正常结果和第二部分正常结果;样本异常结果分割成第一部分异常结果和第二部分异常结果;所述第一部分正常结果和所述第一部分异常结果构成训练样本集,所述第二部分正常结果和所述第二部分异常结果构成测试样本集;该设备故障预警方法包括:
S01:根据预设的设备知识库和专家经验库,将设备的样本特征按照和设备故障的相关度进行排序,根据排序后的设备的样本特征生成样本故障特征矩阵;
S02:获取设备各个特征的运行参数样本;
S03:输入所述各个特征的运行参数样本到故障特征矩阵中,形成样本参数矩阵;
S04:对所述样本参数矩阵进行处理,获取样本处理结果;
S05:根据预设的设备知识库和专家经验库,标定故障时刻至故障前s分钟之间的所述样本处理结果为样本异常结果,标定故障s分钟之前的所述样本处理结果为样本正常结果,s>0;
S061:建立设备故障分析模型,输入设备故障分析模型的初始化参数;
S062:输入所述训练样本集到设备故障分析模型中进行训练,保存训练结果;
S063:输入所述测试样本集到设备故障分析模型中,对训练后的设备故障分析模型进行测试;若测试结果未能达到预警要求,则修正设备故障分析模型的参数,重新进行训练和测试,直至测试结果达到预警要求;
S1:输入设备当前运行参数到预设故障特征矩阵中形成参数矩阵,所述故障特征矩阵生成的方式包括:根据预设的设备知识库和专家经验库,将设备的特征按照和设备故障的相关度进行排序,根据排序后的设备的特征生成故障特征矩阵;
S2:对所述参数矩阵进行处理,获取处理结果;
S3:输入所述处理结果到预先训练好的设备故障分析模型中,以预测设备故障产生概率。
在S061中,设备故障分析模型的初始化参数为初始参数,初始化参数需要进行调整,以得到符合要求的最终参数。
在S062中,输入训练样本集到设备故障分析模型中进行训练后,可初步得到设备故障分析模型的参数。
在S063中,输入测试样本集到设备故障分析模型中,对训练后的设备故障分析模型进行测试,以验证设备故障分析模型的参数是否合适。若输入测试样本集到设备故障分析模型中,能正确实现故障预警,说明设备故障分析模型的参数合适。若测试结果未能达到预警要求,则修正设备故障分析模型的参数,重新进行训练和测试。
本申请第六实施例提供的设备故障预警方法,输入训练样本集到设备故障分析模型中进行训练,保存训练结果;输入测试样本集到设备故障分析模型中,对训练后的设备故障分析模型进行测试;若测试结果未能达到预警要求,则修正设备故障分析模型的参数,重新进行训练和测试,直至得到最终合适的设备故障分析模型的参数,便于后续对故障的准确预警。
请参阅图8,本发明第七实施例提供了一种设备故障预警装置,该设备故障预警装置10包括:
输入模块11,用于控制输入设备当前运行参数到预设故障特征矩阵中形成参数矩阵,所述故障特征矩阵生成的方式包括:根据预设的设备知识库和专家经验库,将设备的特征按照和设备故障的相关度进行排序,根据排序后的设备的特征生成故障特征矩阵;
处理模块12,用于控制对所述参数矩阵进行处理,获取处理结果;
预警模块13,用于控制输入所述处理结果到预先训练好的设备故障分析模型中,以预测设备故障产生概率。
本申请实施例提供的设备故障预警装置,通过输入设备当前运行参数到预设故障特征矩阵中形成参数矩阵,对参数矩阵进行处理,获取处理结果,输入处理结果到预先训练好的设备故障分析模型中,以预测设备故障产生概率,解决了现有故障预警方法中存在的设备机理、专家经验难以在大数据驱动模型下应用的技术问题,实现了准确预警设备故障的效果。
设备故障预警装置10还包括:
选取模块,用于控制根据预设的设备知识库和专家经验库,从设备的m个特征中筛选出n个与故障相关的特征,其中n≤m,m和n都为自然数;
放置模块,用于控制将所述n个与故障相关的特征中相关度最高的特征放置于预设矩阵中心,按照相关度高低降序排列的顺序,沿顺时针方向或逆时针方向围绕所述预设矩阵中心依次放置n个与故障相关的特征中其余的特征;
放置模块,用于控制按照n个与故障相关的特征的放置方向,依次放置和故障无关联的(m-n)个特征,形成故障特征矩阵。
设备故障预警装置10还包括:
第一获取模块,用于控制获取设备各个特征的运行参数。
处理模块12包括:
归一化模块,用于控制归一化处理所述参数矩阵,形成参数图像;
向量化模块,用于控制向量化所述参数图像,形成特征结果向量。
设备故障预警装置10还包括:
排序模块,用于控制根据预设的设备知识库和专家经验库,将设备的样本特征按照和设备故障的相关度进行排序,根据排序后的设备的样本特征生成样本故障特征矩阵;
第二获取模块,用于控制获取设备各个特征的运行参数样本;
第二输入模块,用于控制输入各个特征的运行参数样本到样本故障特征矩阵中,形成样本参数矩阵;
第二处理模块,用于控制对样本参数矩阵进行处理,获取样本处理结果;
标定模块,用于控制根据预设的设备知识库和专家经验库,标定故障时刻至故障前s分钟之间的所述样本处理结果为样本异常结果,标定故障s分钟之前的所述样本处理结果为样本正常结果,s>0;样本正常结果分割成第一部分正常结果和第二部分正常结果;样本异常结果分割成第一部分异常结果和第二部分异常结果;所述第一部分正常结果和所述第一部分异常结果构成训练样本集,所述第二部分正常结果和所述第二部分异常结果构成测试样本集;
分类模型建立模块,用于控制建立设备故障分析模型,根据所述样本正常结果和所述样本异常结果进行训练以确定设备故障分析模型的参数。
分类模型建立模块包括:
建立模块;用于控制建立设备故障分析模型,输入设备故障分析模型的初始化参数;
训练模块,用于控制输入所述训练样本集到设备故障分析模型中进行训练,保存训练结果;
测试模块,用于控制输入所述测试样本集到设备故障分析模型中,对训练后的设备故障分析模型进行测试;若测试结果未能达到预警要求,则修正设备故障分析模型的参数,重新进行训练和测试,直至测试结果达到预警要求。
可以理解,设备故障预警方法和设备故障预警装置10中的内容可互为补充和说明。
请参阅图9,本申请第八实施例示出了适于用来实现本申请实施例方法和/或装置的电子设备800的结构示意图。本申请实施例中的电子设备可以为终端设备,可以包括但不限于诸如工业电脑等。图9示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图9所示,电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常,以下装置可以连接至I/O接口805:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807;包括例如磁带、硬盘等的存储装置808;以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图9示出了具有各种装置的电子设备800,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
本申请实施例还提供了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如本申请前述任一实施例所提供的方法。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行上述流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置809从网络上被下载和安装,或者从存储装置808被安装,或者从ROM 802被安装。在该计算机程序被处理装置801执行时,执行本申请实施例的方法中限定的上述功能。
需要说明的是,本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取至少两个网际协议地址;向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求,其中,所述节点评价设备从所述至少两个网际协议地址中,选取网际协议地址并返回;接收所述节点评价设备返回的网际协议地址;其中,所获取的网际协议地址指示内容分发网络中的边缘节点。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:接收包括至少两个网际协议地址的节点评价请求;从所述至少两个网际协议地址中,选取网际协议地址;返回选取出的网际协议地址;其中,接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Python、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块或单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取模块还可以被描述为“获取至少两个网际协议地址的单元”。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种设备故障预警方法,其特征在于,该方法包括:
输入设备当前运行参数到预设故障特征矩阵中形成参数矩阵,一种故障对应一种参数矩阵;所述故障特征矩阵生成的方式包括:根据预设的设备知识库和专家经验库,将设备的特征按照和设备故障的相关度进行排序,根据排序后的设备的特征生成故障特征矩阵;
对所述参数矩阵进行处理,获取处理结果;
输入所述处理结果到预先训练好的设备故障分析模型中,以预测设备故障产生概率;
所述对所述参数矩阵进行处理,获取处理结果包括:
归一化处理所述参数矩阵,形成参数图像;
采用图像识别算法提取所述参数图像的指标特征,形成特征结果向量;
所述根据预设的设备知识库和专家经验库,将设备的特征按照和设备故障的相关度进行排序,根据排序后的设备的特征生成故障特征矩阵包括:
根据预设的设备知识库和专家经验库,从设备的m个特征中筛选出n(n≤m)个与故障相关的特征,其中n≤m,m和n都为自然数;
将所述n个与故障相关的特征中相关度最高的特征放置于预设矩阵中心,按照相关度高低降序排列的顺序,沿顺时针方向或逆时针方向围绕所述预设矩阵中心依次放置n个与故障相关的特征中其余的特征;
按照n个与故障相关的特征的放置方向,依次放置和故障无关联的(m-n)个特征,形成故障特征矩阵。
2.根据权利要求1所述的设备故障预警方法,其特征在于,所述输入设备当前运行参数到预设故障特征矩阵中形成参数矩阵,所述故障特征矩阵生成的方式包括:根据预设的设备知识库和专家经验库,将设备的特征按照和设备故障的相关度进行排序,根据排序后的设备的特征生成故障特征矩阵之前,还包括:
获取设备各个特征的运行参数。
3.根据权利要求1所述的设备故障预警方法,其特征在于,所述根据预设的设备故障分析模型的训练方式包括:
根据预设的设备知识库和专家经验库,将设备的样本特征按照和设备故障的相关度进行排序,根据排序后的设备的样本特征生成样本故障特征矩阵;
获取设备各个特征的运行参数样本;
输入所述各个特征的运行参数样本到故障特征矩阵中,形成样本参数矩阵;
对所述样本参数矩阵进行处理,获取样本处理结果;
根据预设的设备知识库和专家经验库,标定故障时刻至故障前s分钟之间的所述样本处理结果为样本异常结果,标定故障s分钟之前的所述样本处理结果为样本正常结果,s>0;
建立设备故障分析模型,根据所述样本正常结果和所述样本异常结果进行训练以确定设备故障分析模型的参数。
4.根据权利要求3所述的设备故障预警方法,其特征在于:
样本正常结果分割成第一部分正常结果和第二部分正常结果;样本异常结果分割成第一部分异常结果和第二部分异常结果;所述第一部分正常结果和所述第一部分异常结果构成训练样本集,所述第二部分正常结果和所述第二部分异常结果构成测试样本集;
建立设备故障分析模型,根据所述样本正常结果和所述样本异常结果进行训练以确定设备故障分析模型的参数包括:
建立设备故障分析模型,输入设备故障分析模型的初始化参数;
输入所述训练样本集到设备故障分析模型中进行训练,保存训练结果;
输入所述测试样本集到设备故障分析模型中,对训练后的设备故障分析模型进行测试;若测试结果未能达到预警要求,则修正设备故障分析模型的参数,重新进行训练和测试,直至测试结果达到预警要求。
5.根据权利要求1所述的设备故障预警方法,其特征在于:
所述设备知识库中存储有设备的机理知识,专家经验库中存储有专家经验。
6.一种设备故障预警装置,其特征在于,该设备故障预警装置包括:
输入模块,用于控制输入设备当前运行参数到预设故障特征矩阵中形成参数矩阵,一种故障对应一种参数矩阵;所述故障特征矩阵生成的方式包括:根据预设的设备知识库和专家经验库,将设备的特征按照和设备故障的相关度进行排序,根据排序后的设备的特征生成故障特征矩阵;
处理模块,用于控制对所述参数矩阵进行处理,获取处理结果;
预警模块,用于控制输入所述处理结果到预先训练好的设备故障分析模型中,以预测设备故障产生概率;
所述处理模块包括:
归一化模块,用于控制归一化处理所述参数矩阵,形成参数图像;
向量化模块,用于控制采用图像识别算法提取所述参数图像的指标特征,形成特征结果向量;
所述设备故障预警装置还包括:
选取模块,用于控制根据预设的设备知识库和专家经验库,从设备的m个特征中筛选出n个与故障相关的特征,其中n≤m,m和n都为自然数;
放置模块,用于控制将所述n个与故障相关的特征中相关度最高的特征放置于预设矩阵中心,按照相关度高低降序排列的顺序,沿顺时针方向或逆时针方向围绕所述预设矩阵中心依次放置n个与故障相关的特征中其余的特征;
放置模块,用于控制按照n个与故障相关的特征的放置方向,依次放置和故障无关联的(m-n)个特征,形成故障特征矩阵。
7.一种电子设备,包括存储器、处理装置及存储在存储器上并可在处理器上运行的计算机程序,其特征在于:所述处理器执行所述程序时实现如权利要求1~5中任一所述的设备故障预警方法。
8.一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如权利要求1~5中任一所述的设备故障预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811434056.2A CN109523752B (zh) | 2018-11-28 | 2018-11-28 | 一种设备故障预警方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811434056.2A CN109523752B (zh) | 2018-11-28 | 2018-11-28 | 一种设备故障预警方法、装置、电子设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109523752A CN109523752A (zh) | 2019-03-26 |
CN109523752B true CN109523752B (zh) | 2021-01-29 |
Family
ID=65794721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811434056.2A Active CN109523752B (zh) | 2018-11-28 | 2018-11-28 | 一种设备故障预警方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109523752B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111061293B (zh) * | 2019-11-12 | 2023-11-17 | 中国运载火箭技术研究院 | 多参数耦合的飞行器故障定位方法、飞行器及存储介质 |
CN113051700B (zh) * | 2019-12-27 | 2023-12-29 | 北京国双科技有限公司 | 设备可靠性监测方法及装置 |
CN113537652A (zh) * | 2020-03-31 | 2021-10-22 | 厦门邑通软件科技有限公司 | 设备健康监控预警方法、系统、储存介质和设备 |
CN111461925A (zh) * | 2020-04-24 | 2020-07-28 | 广东电网有限责任公司东莞供电局 | 一种配电网故障分析方法、装置、设备及存储介质 |
CN112114571B (zh) * | 2020-09-24 | 2021-11-30 | 中冶赛迪重庆信息技术有限公司 | 一种工业数据处理方法、系统及设备 |
CN112966213B (zh) * | 2021-02-26 | 2023-09-29 | 北京三一智造科技有限公司 | 一种机械设备的数据预测方法、装置、介质及电子设备 |
CN113178055A (zh) * | 2021-04-28 | 2021-07-27 | 贵州乌江水电开发有限责任公司索风营发电厂 | 一种基于远程集控的电厂维护报警方法 |
CN113643522B (zh) * | 2021-08-31 | 2023-06-06 | 中国银行股份有限公司 | 报警预测方法、装置、设备和存储介质 |
CN113837289B (zh) * | 2021-09-26 | 2024-03-19 | 创新奇智(重庆)科技有限公司 | 模型训练方法、故障预测方法、装置及电子设备 |
CN115037599A (zh) * | 2022-06-13 | 2022-09-09 | 中国电信股份有限公司 | 一种通信网络故障预警方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6897875B2 (en) * | 2002-01-24 | 2005-05-24 | The Board Of The University Of Nebraska | Methods and system for analysis and visualization of multidimensional data |
KR20160056388A (ko) * | 2014-11-10 | 2016-05-20 | 엘지디스플레이 주식회사 | 포토 센서를 갖는 어레이 기판 및 이를 이용한 표시 장치 |
WO2017187516A1 (ja) * | 2016-04-26 | 2017-11-02 | 株式会社日立製作所 | 情報処理システムおよびその運用方法 |
CN108280468A (zh) * | 2018-01-15 | 2018-07-13 | 上海电机学院 | 一种基于网格的图像识别方法 |
CN108416374A (zh) * | 2018-02-13 | 2018-08-17 | 中国科学院西安光学精密机械研究所 | 基于判别正交子空间约束的非负矩阵分解方法 |
CN108830284A (zh) * | 2018-06-27 | 2018-11-16 | 电子科技大学 | 基于密文图像灰度直方图向量的图像识别方法 |
-
2018
- 2018-11-28 CN CN201811434056.2A patent/CN109523752B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6897875B2 (en) * | 2002-01-24 | 2005-05-24 | The Board Of The University Of Nebraska | Methods and system for analysis and visualization of multidimensional data |
KR20160056388A (ko) * | 2014-11-10 | 2016-05-20 | 엘지디스플레이 주식회사 | 포토 센서를 갖는 어레이 기판 및 이를 이용한 표시 장치 |
WO2017187516A1 (ja) * | 2016-04-26 | 2017-11-02 | 株式会社日立製作所 | 情報処理システムおよびその運用方法 |
CN108280468A (zh) * | 2018-01-15 | 2018-07-13 | 上海电机学院 | 一种基于网格的图像识别方法 |
CN108416374A (zh) * | 2018-02-13 | 2018-08-17 | 中国科学院西安光学精密机械研究所 | 基于判别正交子空间约束的非负矩阵分解方法 |
CN108830284A (zh) * | 2018-06-27 | 2018-11-16 | 电子科技大学 | 基于密文图像灰度直方图向量的图像识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109523752A (zh) | 2019-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109523752B (zh) | 一种设备故障预警方法、装置、电子设备和介质 | |
US20190370163A1 (en) | Method and apparatus for outputting information | |
US11115295B2 (en) | Methods and systems for online monitoring using a variable data | |
CN109143094B (zh) | 一种动力电池的异常数据检测方法和装置 | |
CN115277261B (zh) | 基于工控网络病毒的异常机器智能识别方法、装置、设备 | |
CN115427968A (zh) | 边缘计算设备中的鲁棒人工智能推理 | |
EP3796115A1 (en) | Anomaly detection for robotic arms using vibration data | |
CN115357470B (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
US20230325640A1 (en) | Artificial intelligence-based anomaly detection and prediction | |
WO2016195897A1 (en) | System for analytic model development | |
CN114385869A (zh) | 检测数据异常的方法、装置、存储介质及计算机设备 | |
CN115184193A (zh) | 线缆的自动化测试方法、装置、设备及存储介质 | |
US20210019242A1 (en) | Method, A Diagnosing System And A Computer Program Product For Diagnosing A Fieldbus Type Network | |
CN113110961A (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN115357469B (zh) | 异常报警日志解析方法、装置、电子设备和计算机介质 | |
CN115358914B (zh) | 用于视觉检测的数据处理方法、装置、计算机设备及介质 | |
CN116739154A (zh) | 一种故障预测方法及其相关设备 | |
US20200213203A1 (en) | Dynamic network health monitoring using predictive functions | |
CN115412346A (zh) | 一种报文检测方法、装置、电子设备及存储介质 | |
CN114461499A (zh) | 异常信息检测模型的构建方法和灰度环境异常检测方法 | |
JP2018151990A (ja) | 通知装置、通知方法、及びそのプログラム | |
CN113570070A (zh) | 流式数据采样与模型更新方法、装置、系统与存储介质 | |
CN111880959A (zh) | 一种异常检测方法、装置及电子设备 | |
CN113126881A (zh) | 系统配置方法、装置、设备、可读存储介质及分布式存储系统 | |
CN115600131B (zh) | 基于图形化测试平台的自动测试系统 |
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 |