CN109632355B - 基于机电设备状态数据漂移的故障预测方法及系统 - Google Patents
基于机电设备状态数据漂移的故障预测方法及系统 Download PDFInfo
- Publication number
- CN109632355B CN109632355B CN201811558969.5A CN201811558969A CN109632355B CN 109632355 B CN109632355 B CN 109632355B CN 201811558969 A CN201811558969 A CN 201811558969A CN 109632355 B CN109632355 B CN 109632355B
- Authority
- CN
- China
- Prior art keywords
- electromechanical
- fault prediction
- state data
- electromechanical device
- detection data
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 76
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000012423 maintenance Methods 0.000 claims abstract description 28
- 239000013598 vector Substances 0.000 claims description 28
- 238000010276 construction Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及机电设备检测的技术领域，尤其是涉及一种基于机电设备状态数据漂移的故障预测方法及系统，基于机电设备状态数据漂移的故障预测方法包括获取每台所述机电设备的历史检测数据；分别对每组所述历史检测数据进行训练，得到故障预测模型；若获取到每台所述机电设备的运行状态数据，则使用对应的故障预测模型对所述运行状态数据进行预测，得到对应的预测结果；根据所述预测结果，为对应的所述机电设备设置维修计划。本发明具有对机电设备运行状态进行预警，提高维修效率的效果。
Description
技术领域
本发明涉及机电设备检测的技术领域，尤其是涉及一种基于机电设备状态数据漂移的故障预测方法及系统。
背景技术
目前，在机电设备故障的检测，通常采取实时监控，并在发生故障时在监控平台中发出报警，通知相关人员进行处理。或是凭借设备维修的经验，定期对机电设备进行检查，起到预防的作用。
在现有的机电设备故障检测方法中，若在机电设备发生故障时才进行维修，有可能导致该机电设备所在的运行系统，例如轨道交通系统，的瘫痪或造成其他危害，而凭借经验进行定期维修，虽能起到一定的预防作用，但是仍会出现一定的误差，导致维修的效率不高。
发明内容
本发明的目的是提供一种对机电设备运行状态进行预警，提高维修效率的基于机电设备状态数据漂移的故障预测方法及系统。
本发明的上述发明目的一是通过以下技术方案得以实现的：
一种基于机电设备状态数据漂移的故障预测方法，所述基于机电设备状态数据漂移的故障预测方法包括：
获取每台所述机电设备的历史检测数据；
分别对每组所述历史检测数据进行训练，得到故障预测模型；
若获取到每台所述机电设备的运行状态数据，则使用对应的故障预测模型对所述运行状态数据进行预测，得到对应的预测结果；
根据所述预测结果，为对应的所述机电设备设置维修计划。
通过采用上述技术方案，通过获取每台机电设备的历史检测数据，并根据该历史数据进行训练，得到故障预测模型，能够通过该故障预测模型，反映每台机电设备在出现故障时主要的趋势，以及平均的时间，并能够通过该故障预测模型，对每台机电设备当前的运行状态数据进行判断与预测，实现了对每台机电设备出现故障的时间以及具体的部件进行预测，提高了维护机电设备的效率，也保证了各个机电设备组成的设备系统的运行稳定；同时，根据预测的结果，对每台机电设备设置对应的维修计划，能够使得维修安排更为合理。
本发明进一步设置为：所述获取每台所述机电设备的历史检测数据，包括：
每台所述机电设备包括对应的设备标识，根据所述设备标识调取每台所述机电设备对应的运行数据库；
从每台所述机电设备对应的所述运行数据库中获取所述历史检测数据。
通过采用上述技术方案，根据每台机电设备对应的设备标识，调取对应的运行数据库，并在该运行数据库中获取与每台机电设备对应的历史检测数据，能够为后续训练处故障预测模型提供训练样本。
本发明进一步设置为：分别对每组所述历史检测数据进行训练，得到故障预测模型，包括：
每组所述历史检测数据包括机电设备运行波形，根据所述机电设备运行波形，设置在每组所述历史检测数据中的每条所述机电设备运行波形对应的运行包络线；
将每组所述历史检测数据对应的所述运行包络线作为训练集，通过CNN提取每条所述运行包络线的特征向量；
使用LSTM网络对每组历史检测数据对应的所述训练集所述特征向量进行训练，得到所述故障预测模型。
进一步地，所述将每组所述历史检测数据对应的所述运行包络线作为训练集，通过CNN提取每条所述运行包络线的特征向量，包括：
获取每条所述运行包络线的幅度、变化拐点以及曲率，通过将每条所述运行包络线输入CNN中，将所述幅度、所述变化拐点以及所述曲率作为与所述运行包络线对应的特征值；
将每条所述运行包络线对应的所述特征值构建所述特征向量。
通过采用上述技术方案，通过CNN+LSTM，将每组历史检测数据对应的全部机电设备波形作为训练集，实用CNN进行提取特征点，并构建特征向量，通过LSTM对提取的特征向量进行训练，能够得到与每台机电设备具体情况相吻合的故障预测模型；同时，获取机电设备运行波形对应的运行包络线，能够通过该包络线，更加直观的获取该机电设备波形的幅度、变化观点以及曲率的特征点，提高了训练得到的故障预测模型的准确度。
本发明进一步设置为：所述若获取到每台所述机电设备的运行状态数据，则使用对应的故障预测模型对所述运行状态数据进行预测，得到对应的预测结果，包括：
实时对所述机电设备进行检测，得到每台所述机电设备的所述运行状态数据；
将每台所述机电设备对应的所述运行状态数据输入对应的故障预测模型，得到机电设备故障预测概率；
根据所述机电设备故障预测概率构建置信区间，根据所述置信区间获取每台所述机电设备的可接受风险概率；
根据所述可接受风险概率和每台所述机电设备的所述设备标识，得到每台所述机电设备的所述预测结果。
通过采用上述技术方案，通过实时获取到的机电设备对应的运行状态数据输入至该机电设备的故障预测模型中，得到故障预测概率，实现了对机电设备出现故障的可能性的预测；同时，对每台机电设备设置对应的置信区间，从而得到对应的可接受风险概率，能够通过该可接受风险概率对维修措施进行合理安排，进一步地提高了检修的效率。
本发明的上述发明目的二是通过以下技术方案得以实现的：
一种基于机电设备状态数据漂移的故障预测系统，其特征在于，所述基于机电设备状态数据漂移的故障预测系统包括：
历史检测数据获取模块，用于获取每台所述机电设备的历史检测数据；
模型获取模块，用于分别对每组所述历史检测数据进行训练，得到故障预测模型；
预测结果获取模块，用于若获取到每台所述机电设备的运行状态数据，则使用对应的故障预测模型对所述运行状态数据进行预测，得到对应的预测结果；
维修计划设置模块，用于根据所述预测结果，为对应的所述机电设备设置维修计划。
通过采用上述技术方案，通过获取每台机电设备的历史检测数据，并根据该历史数据进行训练，得到故障预测模型，能够通过该故障预测模型，反映每台机电设备在出现故障时主要的趋势，以及平均的时间，并能够通过该故障预测模型，对每台机电设备当前的运行状态数据进行判断与预测，实现了对每台机电设备出现故障的时间以及具体的部件进行预测，提高了维护机电设备的效率，也保证了各个机电设备组成的设备系统的运行稳定；同时，根据预测的结果，对每台机电设备设置对应的维修计划，能够使得维修安排更为合理。
综上所述，本发明的有益技术效果为：
1.通过获取每台机电设备的历史检测数据，并根据该历史数据进行训练，得到故障预测模型，能够通过该故障预测模型，反映每台机电设备在出现故障时主要的趋势，以及平均的时间，并能够通过该故障预测模型，对每台机电设备当前的运行状态数据进行判断与预测，实现了对每台机电设备出现故障的时间以及具体的部件进行预测，提高了维护机电设备的效率，也保证了各个机电设备组成的设备系统的运行稳定；
2.同时，根据预测的结果，对每台机电设备设置对应的维修计划，能够使得维修安排更为合理。
附图说明
图1是本发明一实施例中基于机电设备状态数据漂移的故障预测方法的一流程图；
图2是本发明一实施例中基于机电设备状态数据漂移的故障预测方法中步骤S10的实现流程图；
图3是本发明一实施例中基于机电设备状态数据漂移的故障预测方法中步骤S20的实现流程图；
图4是本发明一实施例中基于机电设备状态数据漂移的故障预测方法中步骤S22的实现流程图；
图5是本发明一实施例中基于机电设备状态数据漂移的故障预测方法中步骤S30的实现流程图；
图6是本发明一实施例中基于机电设备状态数据漂移的故障预测系统的一原理框图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
实施例一：
在本实施例中，如图1所示，为本发明公开的一种基于机电设备状态数据漂移的故障预测方法，包括如下步骤：
S10：获取每台机电设备的历史检测数据。
在本实施例中，机电设备是指在一套运行系统中，每一台设备。历史检测数据是指在过去一段时间内，对每一台机电设备进行检测所记录的数据。
具体的，根据每一台机电设备的属性，获取对应的历史检测数据。
S20：分别对每组历史检测数据进行训练，得到故障预测模型。
在本实施例中，故障预测模型是指能够预测每台机电设备出现故障的时间的一个模型。由于机电设备在运行时产生的数据会根据机电设备使用的时间产生变化，经过时间的推移，设备的运行状态数据会逐渐往出现故障的趋势发展，直至出现故障，即数据漂移。
具体的，每组历史检测数据均包括多个检测数据，通过将每组历史检测数据中的检测数据作为训练集并进行训练，从而得到与每台机电设备对用的故障预测模型。
S30：若获取到每台机电设备的运行状态数据，则使用对应的故障预测模型对运行状态数据进行预测，得到对应的预测结果。
在本实施例中，运行状态数据是指每一台机电设备在运行时，各个部件或者属性的数据，其中可以是电流、电压、温度或振动频率等。通过根据每台机电设备具体的运行情况，实时监控并采集对应的运行状态数据。将采集到的运行状态数据输入每台机电设备对应的故障预测模型中，根据每台机电设备具体运行的情况，得到对应的预测结果。其中，该预测结果包括机电设备在未来一段时间内，有哪些部件有可能会出现故障。
S40：根据预测结果，为对应的机电设备设置维修计划。
具体的，从每台机电设备的预测结果，获取该台机电设备在一段时间内，有可能会出现故障的部件。并根据获取到的预测结果，对该台机电设备的维修计划进行设置。保证在不大于该段时间内，对该机电设备进行维修，保证设备系统运行的稳定。
通过获取每台机电设备的历史检测数据，并根据该历史数据进行训练，得到故障预测模型，能够通过该故障预测模型，反映每台机电设备在出现故障时主要的趋势，以及平均的时间，并能够通过该故障预测模型，对每台机电设备当前的运行状态数据进行判断与预测，实现了对每台机电设备出现故障的时间以及具体的部件进行预测，提高了维护机电设备的效率，也保证了各个机电设备组成的设备系统的运行稳定；同时，根据预测的结果，对每台机电设备设置对应的维修计划，能够使得维修安排更为合理。
在一实施例中，如图2所示，在步骤S10中，即获取每台机电设备的历史检测数据，具体包括如下步骤：
S11：每台机电设备包括对应的设备标识，根据设备标识调取每台机电设备对应的运行数据库。
在本实施例中，设备标识是指用于区分每一机电设备的标记，其中可以包括该机电设备的型号或功能等。
具体的，根据每台机电设备的设备标识，调用与每台机电设备对应的运行数据库。其中，该运行数据库是指存储有该台机电设备运行时产生的数据的数据库。
S12：从每台机电设备对应的运行数据库中获取历史检测数据。
具体的，从每台机电设备对应的运行数据库中， 获取对应的历史检测数据。
在一实施例中，如图3所示，步骤S20中，即分别对每组历史检测数据进行训练，得到故障预测模型，具体包括如下步骤：
S21：每组历史检测数据包括机电设备运行波形，根据机电设备运行波形，设置在每组历史检测数据中的每条机电设备运行波形对应的运行包络线。
在本实施例中，机电设备运行波形是指每台机电设备在运行时，各个指标会以波形的形式记录。包络线是指是跟该机电设备运行波形的每条线都有至少一点相切的一条曲线。
具体的，根据每台机电设备对应的历史检测数据，从该历史检测数据中获取每个机电设备运行波形，并将该机电设备运行波形进行分类，将用于检测同一运行数据产生的机电设备运行波形作为一类。
进一步地，逐类获取每一机电设备运行波形的运行包络线。
S22：将每组历史检测数据对应的运行包络线作为训练集，通过CNN提取每条运行包络线的特征向量。
在本实施例中，CNN是指神经卷积网络。
具体的，将每组历史检测数据对应的运行包络线按照步骤S21分类的结果，将每一类的运行包络线作为一个训练集，并通过CNN提取在该训练集中，每一运行包络线的特征向量。
S23：使用LSTM网络对每组历史检测数据对应的训练集特征向量进行训练，得到故障预测模型。
具体的，逐类将每一机电设备对应的每一类运行包络线输入值LSTM网络进行训练，得到该故障预测模型。
在一实施例中，如图4所示，在步骤S22中，即将每组历史检测数据对应的运行包络线作为训练集，通过CNN提取每条运行包络线的特征向量，具体包括如下步骤：
S221：获取每条运行包络线的幅度、变化拐点以及曲率，通过将每条运行包络线输入CNN中，将幅度、变化拐点以及曲率作为与运行包络线对应的特征值。
在本实施例中，幅度是指该运行包络线的幅度。变化拐点是指该运行包络线从运行正常时的状态，开始倾向于故障的拐点。通过将每组历史检测数据中的每类运行包络线输入值CNN中，将该幅度、变化拐点以及曲率作为该运行包络线对应的特征值。
S222：将每条运行包络线对应的特征值构建特征向量。
具体的，将该特征值构建对应的特征向量。
在一实施例中，如图5所示，即在步骤S30中，即若获取到每台机电设备的运行状态数据，则使用对应的故障预测模型对运行状态数据进行预测，得到对应的预测结果，具体包括如下步骤：
S31：实时对所述机电设备进行检测，得到每台所述机电设备的运行状态数据。
具体的，通过前段采集设备，对该机电设备的运行状态数据进行获取并检测。
S32：将每台机电设备对应的运行状态数据输入对应的故障预测模型，得到机电设备故障预测概率。
具体的，将采集到的每台机电设备对应的运行状态数据输入与该台机电设备对应的故障预测模型，从而根据该故障预测模型，得到该机电设备的机电设备故障预测概率，即预测在在之后一段时间内，该机电设备出现故障的概率。
S33：根据机电设备故障预测概率构建置信区间，根据置信区间获取每台机电设备的可接受风险概率。
具体的，根据该机电设备在该设备系统中的重要性，设置对应的置信区间。例如，对于地铁设备中，供电系统尤为重要，因而在预测到该供电系统在未来5个月会出现故障，则在提前若干天内需对该供电系统进行维修；而对于报站的显示屏，可等到实际出现故障时再进行维修或更换。
在设置该置信区间时，根据每台机电设备的可接受风险概率，设置该置信区间。
S34：根据可接受风险概率和每台机电设备的设备标识，得到每台机电设备的预测结果。
具体的，根据设备标识，和可接受风险概率，得到每台机电设备的预测结果。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
实施例二：
在一实施例中，提供一种基于机电设备状态数据漂移的故障预测系统，该基于机电设备状态数据漂移的故障预测系统与上述实施例中基于机电设备状态数据漂移的故障预测方法一一对应。如图6所示，该基于机电设备状态数据漂移的故障预测系统包括历史检测数据获取模块10、模型获取模块20、预测结果获取模块30和维修计划设置模块40。各功能模块详细说明如下：
历史检测数据获取模块10，用于获取每台机电设备的历史检测数据；
模型获取模块20，用于分别对每组历史检测数据进行训练，得到故障预测模型；
预测结果获取模块30，用于若获取到每台机电设备的运行状态数据，则使用对应的故障预测模型对运行状态数据进行预测，得到对应的预测结果；
维修计划设置模块40，用于根据预测结果，为对应的机电设备设置维修计划。
优选地，历史检测数据获取模块10包括：
数据库调用子模块11，用于每台机电设备包括对应的设备标识，根据设备标识调取每台机电设备对应的运行数据库；
历史检测数据获取子模块12，用于从每台机电设备对应的运行数据库中获取历史检测数据。
优选地，模型获取模块20包括：
运行包络线获取子模块21，用于每组历史检测数据包括机电设备运行波形，根据机电设备运行波形，设置在每组历史检测数据中的每条机电设备运行波形对应的运行包络线；
特征向量构建子模块22，用于将每组历史检测数据对应的运行包络线作为训练集，通过CNN提取每条运行包络线的特征向量；
模型获取子模块23，用于使用LSTM网络对每组历史检测数据对应的训练集特征向量进行训练，得到故障预测模型。
优选地，特征向量构建子模块22包括：
特征值获取单元221，包括获取每条运行包络线的幅度、变化拐点以及曲率，通过将每条运行包络线输入CNN中，将幅度、变化拐点以及曲率作为与运行包络线对应的特征值；
特征向量构建单元222，包括将每条运行包络线对应的特征值构建特征向量。
优选地，预测结果获取模块30包括：
运行状态数据获取子模块31，用于实时对机电设备进行检测，得到每台机电设备的运行状态数据；
故障预测子模块32，用于将每台机电设备对应的运行状态数据输入对应的故障预测模型，得到机电设备故障预测概率；
风险评估子模块33，用于根据机电设备故障预测概率构建置信区间，根据置信区间获取每台机电设备的可接受风险概率；
预测结果获取子模块34，用于根据可接受风险概率和每台机电设备的设备标识，得到每台机电设备的预测结果。
关于基于机电设备状态数据漂移的故障预测系统的具体限定可以参见上文中对于基于机电设备状态数据漂移的故障预测方法的限定，在此不再赘述。上述基于机电设备状态数据漂移的故障预测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
Claims (8)
1.一种基于机电设备状态数据漂移的故障预测方法，其特征在于，所述基于机电设备状态数据漂移的故障预测方法包括：
获取每台所述机电设备的历史检测数据；
分别对每组所述历史检测数据进行训练，得到故障预测模型；
若获取到每台所述机电设备的运行状态数据，则使用对应的故障预测模型对所述运行状态数据进行预测，得到对应的预测结果，其中包括：
实时对所述机电设备进行检测，得到每台所述机电设备的所述运行状态数据；
将每台所述机电设备对应的所述运行状态数据输入对应的故障预测模型，得到机电设备故障预测概率；
根据机电设备在设备系统中的重要性构建置信区间，根据所述置信区间获取每台所述机电设备的可接受风险概率；
根据所述可接受风险概率和每台所述机电设备的所述设备标识，得到每台所述机电设备的所述预测结果；
根据所述预测结果，为对应的所述机电设备设置维修计划。
2.如权利要求1所述的基于机电设备状态数据漂移的故障预测方法，其特征在于，所述获取每台所述机电设备的历史检测数据，包括：
每台所述机电设备包括对应的设备标识，根据所述设备标识调取每台所述机电设备对应的运行数据库；
从每台所述机电设备对应的所述运行数据库中获取所述历史检测数据。
3.如权利要求1所述的基于机电设备状态数据漂移的故障预测方法，其特征在于，分别对每组所述历史检测数据进行训练，得到故障预测模型，包括：
每组所述历史检测数据包括机电设备运行波形，根据所述机电设备运行波形，设置在每组所述历史检测数据中的每条所述机电设备运行波形对应的运行包络线；
将每组所述历史检测数据对应的所述运行包络线作为训练集，通过CNN提取每条所述运行包络线的特征向量；
使用LSTM网络对每组历史检测数据对应的所述训练集所述特征向量进行训练，得到所述故障预测模型。
4.如权利要求3所述的基于机电设备状态数据漂移的故障预测方法，其特征在于，所述将每组所述历史检测数据对应的所述运行包络线作为训练集，通过CNN提取每条所述运行包络线的特征向量，包括：
获取每条所述运行包络线的幅度、变化拐点以及曲率，通过将每条所述运行包络线输入CNN中，将所述幅度、所述变化拐点以及所述曲率作为与所述运行包络线对应的特征值；
将每条所述运行包络线对应的所述特征值构建所述特征向量。
5.一种基于机电设备状态数据漂移的故障预测系统，其特征在于，所述基于机电设备状态数据漂移的故障预测系统包括：
历史检测数据获取模块，用于获取每台所述机电设备的历史检测数据；
模型获取模块，用于分别对每组所述历史检测数据进行训练，得到故障预测模型；
预测结果获取模块，用于若获取到每台所述机电设备的运行状态数据，则使用对应的故障预测模型对所述运行状态数据进行预测，得到对应的预测结果，其中包括：
运行状态数据获取子模块，用于实时对所述机电设备进行检测，得到每台所述机电设备的所述运行状态数据；
故障预测子模块，用于将每台所述机电设备对应的所述运行状态数据输入对应的故障预测模型，得到机电设备故障预测概率；
风险评估子模块，用于根据机电设备在设备系统中的重要性构建置信区间，根据所述置信区间获取每台所述机电设备的可接受风险概率；
预测结果获取子模块，用于根据所述可接受风险概率和每台所述机电设备的所述设备标识，得到每台所述机电设备的所述预测结果；
维修计划设置模块，用于根据所述预测结果，为对应的所述机电设备设置维修计划。
6.如权利要求5所述的基于机电设备状态数据漂移的故障预测系统，其特征在于，所述历史检测数据获取模块包括：
数据库调用子模块，用于每台所述机电设备包括对应的设备标识，根据所述设备标识调取每台所述机电设备对应的运行数据库；
历史检测数据获取子模块，用于从每台所述机电设备对应的所述运行数据库中获取所述历史检测数据。
7.如权利要求5所述的基于机电设备状态数据漂移的故障预测系统，其特征在于，所述模型获取模块包括：
运行包络线获取子模块，用于每组所述历史检测数据包括机电设备运行波形，根据所述机电设备运行波形，设置在每组所述历史检测数据中的每条所述机电设备运行波形对应的运行包络线；
特征向量构建子模块，用于将每组所述历史检测数据对应的所述运行包络线作为训练集，通过CNN提取每条所述运行包络线的特征向量；
模型获取子模块，用于使用LSTM网络对每组历史检测数据对应的所述训练集所述特征向量进行训练，得到所述故障预测模型。
8.如权利要求7所述的基于机电设备状态数据漂移的故障预测系统，其特征在于，所述特征向量构建子模块包括：
特征值获取单元，包括获取每条所述运行包络线的幅度、变化拐点以及曲率，通过将每条所述运行包络线输入CNN中，将所述幅度、所述变化拐点以及所述曲率作为与所述运行包络线对应的特征值；
特征向量构建单元，包括将每条所述运行包络线对应的所述特征值构建所述特征向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811558969.5A CN109632355B (zh) | 2018-12-20 | 2018-12-20 | 基于机电设备状态数据漂移的故障预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811558969.5A CN109632355B (zh) | 2018-12-20 | 2018-12-20 | 基于机电设备状态数据漂移的故障预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109632355A CN109632355A (zh) | 2019-04-16 |
| CN109632355B true CN109632355B (zh) | 2021-03-16 |
Family
ID=66075571
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811558969.5A Expired - Fee Related CN109632355B (zh) | 2018-12-20 | 2018-12-20 | 基于机电设备状态数据漂移的故障预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109632355B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112393931B (zh) * | 2019-08-13 | 2022-04-19 | 北京国双科技有限公司 | 检测方法、装置、电子设备和计算机可读介质 |
| CN110398369A (zh) * | 2019-08-15 | 2019-11-01 | 贵州大学 | 一种基于1-dcnn和lstm融合的滚动轴承故障诊断方法 |
| CN110704964B (zh) * | 2019-09-16 | 2022-11-25 | 中国神华能源股份有限公司国华电力分公司 | 汽轮机运行状态诊断方法、装置及电子设备、存储介质 |
| CN110646229B (zh) * | 2019-09-16 | 2022-04-12 | 中国神华能源股份有限公司国华电力分公司 | 空气预热器故障诊断方法、装置及电子设备、存储介质 |
| CN110851342A (zh) * | 2019-11-08 | 2020-02-28 | 中国工商银行股份有限公司 | 故障预测方法、装置、计算设备以及计算机可读存储介质 |
| CN111623830A (zh) * | 2020-06-11 | 2020-09-04 | 深圳技术大学 | 一种机电设备运行状态的监测方法、装置及系统 |
| CN112711234A (zh) * | 2020-12-29 | 2021-04-27 | 南京爱动信息技术有限公司 | 一种基于工业生产智能化的设备监测系统及方法 |
| CN113670790B (zh) * | 2021-07-30 | 2024-03-22 | 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 | 一种确定陶瓷过滤机的工作状态的方法和装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104318110A (zh) * | 2014-10-28 | 2015-01-28 | 中国科学院合肥物质科学研究院 | 一种基于重要度和敏感性复合排序的提高大型复杂系统风险设计及维修效率的方法 |
| CN107563536A (zh) * | 2016-06-30 | 2018-01-09 | 中国电力科学研究院 | 一种考虑电网运行风险的10kV配电变压器优化检修方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102854461B (zh) * | 2012-08-24 | 2016-01-20 | 中国电力科学研究院 | 一种开关设备发生故障的概率预测方法及其系统 |
| CN103868690B (zh) * | 2014-02-28 | 2017-02-01 | 中国人民解放军63680部队 | 基于多种特征提取和选择的滚动轴承状态自动预警方法 |
| CN105092239B (zh) * | 2014-05-09 | 2017-06-20 | 潍坊学院 | 一种齿轮早期故障检测方法 |
| CN104200396B (zh) * | 2014-08-26 | 2017-08-11 | 燕山大学 | 一种风力发电机部件故障预警方法 |
-
2018
- 2018-12-20 CN CN201811558969.5A patent/CN109632355B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104318110A (zh) * | 2014-10-28 | 2015-01-28 | 中国科学院合肥物质科学研究院 | 一种基于重要度和敏感性复合排序的提高大型复杂系统风险设计及维修效率的方法 |
| CN107563536A (zh) * | 2016-06-30 | 2018-01-09 | 中国电力科学研究院 | 一种考虑电网运行风险的10kV配电变压器优化检修方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109632355A (zh) | 2019-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109632355B (zh) | 基于机电设备状态数据漂移的故障预测方法及系统 | |
| CN108445410B (zh) | 一种监测蓄电池组运行状态的方法及装置 | |
| CN112036505B (zh) | 道岔转辙机的设备状态确定方法、装置和电子设备 | |
| TWI663510B (zh) | 設備保養預測系統及其操作方法 | |
| US9916331B2 (en) | Method and device for automatically processing static test data of rail transit vehicle | |
| CN115759357B (zh) | 基于pscada数据的供电设备安全预测方法、系统、设备及介质 | |
| CN109470946B (zh) | 一种发电设备故障检测方法及系统 | |
| KR20210044655A (ko) | 분포도를 통한 기기의 예지 보전방법 | |
| US11423494B2 (en) | Plant assistance assessment system and plant assistance assessment method | |
| US20190300030A1 (en) | Method and apparatus for identifying faults for a technical system | |
| KR20120137623A (ko) | 전력설비 모니터링 시스템 및 방법 | |
| US20180150036A1 (en) | Systems and methods for concept drift learning with alternating learners | |
| KR20210044656A (ko) | 분포도를 통한 기기의 예지 보전방법 | |
| CN103901878A (zh) | 一种混凝土搅拌站远程故障诊断系统及方法 | |
| CN118211837A (zh) | 一种智能电表的性能评估方法及装置 | |
| CN115129810A (zh) | 基于设备故障检测的寿命评估系统 | |
| CN109406923A (zh) | 一种列车供电系统接地漏电故障预测方法及装置 | |
| JP7026012B2 (ja) | 機器状態監視システム及び機器状態監視方法 | |
| KR20210044657A (ko) | 분포도를 통한 기기의 예지 보전방법 | |
| CN118194699A (zh) | 一种火电机组用励磁系统线上评估方法及系统 | |
| CN109992477A (zh) | 用于电子设备的信息处理方法、系统以及电子设备 | |
| CN116381419B (zh) | 输电线路故障处理方法、装置、计算机设备和存储介质 | |
| CN117556238A (zh) | 一种基于故障预测的电力设备巡检方法及系统 | |
| CN117590278A (zh) | 基于动力柜的变压器故障检测方法、装置、设备及介质 | |
| KR20220167008A (ko) | 선박용 고장 예측진단 시스템 및 그 예측진단 방법 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210316 |