CN109739210A - 设备部件健康状态的评估方法及装置 - Google Patents
设备部件健康状态的评估方法及装置 Download PDFInfo
- Publication number
- CN109739210A CN109739210A CN201811595189.8A CN201811595189A CN109739210A CN 109739210 A CN109739210 A CN 109739210A CN 201811595189 A CN201811595189 A CN 201811595189A CN 109739210 A CN109739210 A CN 109739210A
- Authority
- CN
- China
- Prior art keywords
- probability
- decision engine
- happening
- unit failure
- failure
- 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
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明实施例提供一种设备部件健康状态的评估方法及装置。其中,上述方法包括基于每个决策引擎所对应的实际监测值与正常值之间的最大偏差值以及故障概率诊断模型,获得每个决策引擎对应的部件故障发生概率;基于部件故障发生概率以及每个决策引擎对应的初始置信等级,获得每个决策引擎对应的部件故障置信概率;基于所有部件故障置信概率获得部件整体故障发生概率。本发明实施例提供的设备部件健康状态的评估方法及装置通过每个决策引擎以及彼此之间影响部件整体故障发生概率的不同程度来确定不同的初始置信等级,来获取合理分配的不同部件故障置信概率,从而获得更加准确的部件整体故障发生概率以及设备部件真实的健康状态,方法简单、有效。
Description
技术领域
本发明实施例涉及部件故障诊断技术领域,尤其涉及一种设备部件健康状态的评估方法及装置。
背景技术
目前的设备部件的健康状态评估,一般有基于同类设备历史故障率统计的健康状态评估方法以及基于实时监测量的设备部件健康状态评估方法。长期的研究发现,设备的运行和维护成本主要源于设备的意外停机以及多余的维修保养工作。研究表明,机械设备以及电器设备的部件的故障征兆往往是预先存在的,因此基于实时监测量的设备部件健康状态评估方法相比较于基于同类设备历史故障率统计的健康状态评估方法更具有参考价值。且基于实时监测量的设备部件的健康评估能更贴近于设备部件的实际运作状态,更真实地表征设备部件的当前健康状态,从而帮助设备维修人员有预见地规划和制定维修策略。能够在大幅降低社备运行与维护成本的同时,大幅降低设备的意外停机率,从而保证企业的设备可靠性。在风电,航空航天,轨道交通等领域有了较为成熟的应用。
现有技术中这种基于实时监测量的设备部件健康状态评估方法一般都是基于单决策引擎(比如温度,振动信号等单个实时状态监测量)的系统设备部件的健康评估。往往是基于单个状态监测量的变化趋势进行分析,所做的优化也只是从算法层面进行的一定的模型参数优化,或者算法的改变。
上述这种基于单决策引擎的系统设备部件健康状态评估方法,评估指标过于单一,得到的评估结果并不能准确反映系统设备部件故障发生的概率以及系统设备部件真实的健康状态。
发明内容
针对现有技术中存在的技术问题,本发明实施例提供一种设备部件健康状态的评估方法及装置。
第一方面,本发明实施例提供一种设备部件健康状态的评估方法,包括:
基于每个决策引擎所对应的实际监测值与正常值之间的最大偏差值以及故障概率诊断模型,获得每个所述决策引擎对应的部件故障发生概率;
基于所述部件故障发生概率以及每个所述决策引擎对应的初始置信等级,获得每个所述决策引擎对应的部件故障置信概率;
基于所有所述部件故障置信概率获得部件整体故障发生概率,其中所述初始置信等级为每个决策引擎在产生所述部件整体故障发生概率时所对应的权重分配。
第二方面,本发明实施例提供一种设备部件健康状态的评估装置,包括:
第一处理模块,用于基于每个决策引擎所对应的实际监测值与正常值之间的最大偏差值以及故障概率诊断模型,获得每个所述决策引擎对应的部件故障发生概率;
第二处理模块,用于基于所述部件故障发生概率以及每个所述决策引擎对应的初始置信等级,获得每个所述决策引擎对应的部件故障置信概率;
第三处理模块,用于基于所有所述部件故障置信概率获得部件整体故障发生概率,其中所述初始置信等级为获取所述部件整体故障发生概率时每个决策引擎所对应的权重分配。
第三方面,本发明实施例提供一种电子设备,该设备包括存储器、处理器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发明实施例第一方面提供的基于每个决策引擎所对应的实际监测值与正常值之间的最大偏差值以及故障概率诊断模型,获得每个所述决策引擎对应的部件故障发生概率;
基于所述部件故障发生概率以及每个所述决策引擎对应的初始置信等级,获得每个所述决策引擎对应的部件故障置信概率;
基于所有所述部件故障置信概率获得部件整体故障发生概率,其中所述初始置信等级为每个决策引擎在产生所述部件整体故障发生概率时所对应的权重分配的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例第一方面提供的基于每个决策引擎所对应的实际监测值与正常值之间的最大偏差值以及故障概率诊断模型,获得每个所述决策引擎对应的部件故障发生概率;
基于所述部件故障发生概率以及每个所述决策引擎对应的初始置信等级,获得每个所述决策引擎对应的部件故障置信概率;
基于所有所述部件故障置信概率获得部件整体故障发生概率,其中所述初始置信等级为每个决策引擎在产生所述部件整体故障发生概率时所对应的权重分配的步骤。
本发明实施例提供的设备部件健康状态的评估方法及装置通过每个决策引擎所对应的实际监测值与正常值之间的最大偏差值以及故障概率诊断模型,获得每个所述决策引擎对应的部件故障发生概率以及通过每个所述决策引擎对应的初始置信等级,获得每个所述决策引擎对应的部件故障置信概率,最后通过所有所述部件故障置信概率获得部件整体故障发生概率,如此基于每个决策引擎以及彼此之间影响部件整体故障发生概率的不同程度来确定不同的初始置信等级,最后获取合理分配的不同部件故障置信概率,从而获得更加准确的部件整体故障发生概率以及设备部件真实的健康状态,方法简单、有效。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的设备部件健康状态的评估方法流程示意图;
图2为本发明实施例提供的设备部件健康状态的评估装置结构示意图;
图3为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现有技术中基于实时监测量的设备部件健康状态评估方法一般都是基于单决策引擎(比如温度,振动信号等单个实时状态监测量)的系统设备部件的健康评估。往往是基于单个状态监测量的变化趋势进行分析,所做的优化也只是从算法层面进行的一定的模型参数优化,或者算法的改变。其评估指标过于单一,并没有考虑到设备部件的健康状态与其他状态监测量之间的关系,得到的评估结果并不能准确反映系统设备部件故障发生的概率以及系统设备部件真实的健康状态,而基于多决策引擎(多个实时状态监测量)的设备部件的综合健康状态评估却存在着很大的提升空间,可以综合多个与系统设备部件健康状态相关在线监测量,按照这些监测量与系统设备部件健康状态的一定的对照关联度,得出对于各个决策引擎进行合理的加权,并且根据状态数据以及故障率的不断更新,不断地更新各个决策引擎的权值。
因此,基于多决策引擎,本发明实施例提供了一种设备部件健康状态的评估方法,为设备部件的健康状态评估提供重要的参考价值,图1为本发明实施例提供的设备部件健康状态的评估方法流程示意图,如图1所示,该方法包括:
步骤10、基于每个决策引擎所对应的实际监测值与正常值之间的最大偏差值以及故障概率诊断模型,获得每个决策引擎对应的部件故障发生概率;
步骤11、基于部件故障发生概率以及每个决策引擎对应的初始置信等级,获得每个决策引擎对应的部件故障置信概率;
步骤12、基于所有部件故障置信概率获得部件整体故障发生概率,其中初始置信等级为获取部件整体故障发生概率时每个决策引擎所对应的权重分配。
具体地,本发明实施例提供的设备部件健康状态的评估方法中决策引擎包括电流引擎、电压引擎以及温度引擎等能够引起设备部件故障的物理量,其能够影响到设备部件故障的发生概率,实际监测值为实时监测获取的决策引擎的具体数值,比如如果决策引擎为电流引擎,则实际监测值为实时监测获取的电流值,正常值为设备部件正常工作状态下,决策引擎所对应的数值,如果决策引擎为电流引擎,则正常值为设备部件正常工作状态下的电流值,故障概率诊断模型为用于诊断获取决策引擎能够引起设备部件发生故障的概率,即获取不同数值的决策引擎对应的设备部件发生故障的不同概率;
同时由于影响设备部件发生故障的决策引擎为多个,且不同决策引擎在同时引起设备部件故障的时候具有一定的关联度,根据不同决策引擎对设备部件故障发生概率的不同程度的影响,对不同决策引擎分配不同的权重值,即对不同决策引擎定义不同的初始置信等级,定义方式可以为:根据专家经验来给系统的各个决策引擎对于系统部件的失效模式的诊断可靠性进行定义,或者根据同类设备相同的部件的历史故障数据,基于贝叶斯后验概率分析来计算给各个决策引擎对于系统部件的失效模式的诊断可靠性进行定义;从而通过每个决策引擎对应的部件故障发生概率以及每个决策引擎相对应的初始置信等级,获得每个决策引擎对应的部件故障置信概率,通过所有决策引擎对应的部件故障置信概率,最终获得所有决策引擎关联后的部件整体故障发生概率。
本发明实施例提供的设备部件健康状态的评估方法通过每个决策引擎所对应的实际监测值与正常值之间的最大偏差值以及故障概率诊断模型,获得每个决策引擎对应的部件故障发生概率以及通过每个决策引擎对应的初始置信等级,获得每个决策引擎对应的部件故障置信概率,最后通过所有部件故障置信概率获得部件整体故障发生概率,如此基于每个决策引擎以及彼此之间影响部件整体故障发生概率的不同程度来确定不同的初始置信等级,最后获取合理分配的不同部件故障置信概率,从而获得更加准确的部件整体故障发生概率以及设备部件真实的健康状态,方法简单、有效。
在上述各实施例的基础上,本发明实施例提供的设备部件健康状态的评估方法中的故障概率诊断模型具体为:
其中:A为用于评估部件故障发生概率的决策引擎,P(D=Faulty|A)为决策引擎A对应的部件故障发生概率,λA为故障概率诊断系数,ΔA为由专家经验定义的决策引擎A对应的监测到的部件故障状态与正常状态的预警偏差值,Δ'A为决策引擎A对应的实际监测值与正常值之间的最大偏差值,PA为基于同类系统部件故障率统计的决策引擎A对应的当监测到的故障状态与正常状态的偏差值为ΔA的情况下,系统部件发生故障的概率。即故障概率诊断模型跟预警偏差值、最大偏差值以及故障状态与正常状态的偏差值为ΔA的情况下,系统部件发生故障的概率有关,其中,ΔA预警偏差值可通过专家经验进行预先设定,系统部件发生故障的概率P为监测获得的已知量,Δ'A最大偏差值也可通过实时监测获得,如此,从而获得决策引擎A对应的部件故障发生概率P(D=Faulty|A)。
在上述各实施例的基础上,本发明实施例提供的设备部件健康状态的评估方法中的部件故障置信概率具体为:
P'=P(D=Faulty|A)P(A),其中,P'为决策引擎A对应的部件故障置信概率,P(A)为决策引擎A对应的初始置信等级,P(D=Faulty|A)为决策引擎A对应的部件故障发生概率。即通过决策引擎A对应的部件故障发生概率和决策引擎A对应的初始置信等级相乘来获得决策引擎A对应的部件故障置信概率,从而进一步为获得部件整体故障发生概率提供基础。
在上述各实施例的基础上,本发明实施例提供的设备部件健康状态的评估方法中的基于所有部件故障置信概率获得部件整体故障发生概率具体为:
所有部件故障置信概率的累加和为部件整体故障发生概率,其中:
Pi'=P(D=Faulty|Ai)P(Ai),其中P(D=Faulty)为部件整体故障发生概率,Pi'为决策引擎Ai对应的部件故障置信概率,n是多引擎决策系统在决策过程中所选择的决策引擎数,P(D=Faulty|Ai)为第i个决策引擎Ai对应的部件故障发生概率,P(Ai)是第i个决策引擎Ai对应的初始置信等级。即结合每个决策引擎对应的部件故障发生概率以及初始置信等级,来获得部件整体故障发生概率,其为部件故障置信概率的累加和。
在上述各实施例的基础上,本发明实施例提供的设备部件健康状态的评估方法,还包括:
基于获取的部件整体故障发生概率、每个决策引擎所对应的实际监测值与正常值之间的最大偏差值以及贝叶斯后验概率密度模型,获得每个决策引擎所对应的新的置信等级,其中贝叶斯后验概率密度模型具体为:
P(Ai|D=Faulty)=P(D=Faulty|Ai)*P(Ai)/P(D=Faulty),
其中,P(Ai|D=Faulty)为第i个决策引擎Ai对应的新的置信等级,P(D=Faulty|Ai)为第i个决策引擎Ai对应的部件故障发生概率,为第i个决策引擎Ai对应的故障概率诊断系数,为由专家经验定义的第i个决策引擎Ai对应的监测到的部件故障状态与正常状态的预警偏差值,为第i个决策引擎Ai对应的实际监测值与正常值之间的最大偏差值,为基于同类系统部件故障率统计的第i个决策引擎Ai对应的当监测到的故障状态与正常状态的偏差值为的情况下,系统部件发生故障的概率P(Ai)是第i个决策引擎Ai对应的初始置信等级。即获得部件整体故障发生概率后,通过该部件整体故障发生概率、每个决策引擎所对应的实际监测值与正常值之间的最大偏差值以及贝叶斯后验概率密度模型,获得每个决策引擎所对应的新的置信等级。
在上述各实施例的基础上,本发明实施例提供的设备部件健康状态的评估方法,还包括:
获取所述部件整体故障发生概率后,检查设备部件是否发生故障,若所述设备部件发生故障,则更新所述初始置信等级,若设备部件未发生故障,则保留所述初始置信等级。即在通过监测多个决策引擎的物理量值,获取部件整体故障发生概率后,检查该设备部件是否会发生故障,如果此时该设备部件发生了故障,则通过每个决策引擎对应的新的置信等级更新替换每个决策引擎对应的初始置信等级,以进一步,获取更加准确的部件整体故障发生概率的估计结果。
在上述各实施例的基础上,本发明实施例提供的设备部件健康状态的评估方法,还包括:
若获取的部件整体故障发生概率大于预设的概率阈值,则启动设备部件诊断维护模块。即当获得的部件整体故障发生概率大于预设的概率阈值,启动设备部件诊断维护模块对该设备部件进行故障诊断并维护,其中,预设的概率阈值为专家根据部件发生故障的经验进行设定。
本发明实施例还提供了一种设备部件健康状态的评估装置,图2为本发明实施例提供的设备部件健康状态的评估装置结构示意图,如图2所示,该装置包括第一处理模块21、第二处理模块22和第三处理模块23,其中,第一处理模块21用于基于每个决策引擎所对应的实际监测值与正常值之间的最大偏差值以及故障概率诊断模型,获得每个决策引擎对应的部件故障发生概率;第二处理模块22,用于基于部件故障发生概率以及每个决策引擎对应的初始置信等级,获得每个决策引擎对应的部件故障置信概率;第三处理模块23,用于基于所有部件故障置信概率获得部件整体故障发生概率,其中初始置信等级为每个决策引擎在产生部件整体故障发生概率时所对应的权重分配。
具体地,本发明实施例提供的设备部件健康状态的评估装置中决策引擎包括电流引擎、电压引擎以及温度引擎等能够引起设备部件故障的物理量,其能够影响到设备部件故障的发生概率,实际监测值为实时监测获取的决策引擎的具体数值,比如如果决策引擎为电流引擎,则实际监测值为实时监测获取的电流值,正常值为设备部件正常工作状态下,决策引擎所对应的数值,如果决策引擎为电流引擎,则正常值为设备部件正常工作状态下的电流值,故障概率诊断模型为用于诊断获取决策引擎能够引起设备部件发生故障的概率,即获取不同数值的决策引擎对应的设备部件发生故障的不同概率;
同时由于影响设备部件发生故障的决策引擎为多个,且不同决策引擎在同时引起设备部件故障的时候具有一定的关联度,根据不同决策引擎对设备部件故障发生概率的不同程度的影响,对不同决策引擎分配不同的权重值,即对不同决策引擎定义不同的初始置信等级,定义方式可以为:根据专家经验来给系统的各个决策引擎对于系统部件的失效模式的诊断可靠性进行定义,或者根据同类设备相同的部件的历史故障数据,基于贝叶斯后验概率分析来计算给各个决策引擎对于系统部件的失效模式的诊断可靠性进行定义;从而使得第二处理模块22通过每个决策引擎对应的部件故障发生概率以及每个决策引擎相对应的初始置信等级,获得每个决策引擎对应的部件故障置信概率,第三处理模块23通过所有决策引擎对应的部件故障置信概率,最终获得所有决策引擎关联后的部件整体故障发生概率。
本发明实施例提供的设备部件健康状态的评估装置通过每个决策引擎所对应的实际监测值与正常值之间的最大偏差值以及故障概率诊断模型,获得每个决策引擎对应的部件故障发生概率以及通过每个决策引擎对应的初始置信等级,获得每个决策引擎对应的部件故障置信概率,最后通过所有部件故障置信概率获得部件整体故障发生概率,如此基于每个决策引擎以及彼此之间影响部件整体故障发生概率的不同程度来确定不同的初始置信等级,最后获取合理分配的不同部件故障置信概率,从而获得更加准确的部件整体故障发生概率以及设备部件真实的健康状态,方法简单、有效。
为了更清楚说明本发明实施例提供的设备部件健康状态的评估方法,本发明实施例还提供了另一个包含有具体决策引擎的实施例,例如估计列车牵引变流器的故障发生概率,分别监测该变流器的电流引擎A1、电压引擎A2以及温度引擎A3,构建关于上述3个决策引擎的置信矩阵,即包含有上述3个决策引擎分别对应的初始置信等级。构建方法为:首先统计该变流器部件的同类产品的历史故障数据。设同类设备部件历史故障总数为a。由电流引擎A1所监测出的设备部件故障数为a1,由电压引擎A2所监测出的设备部件故障数为a2,由温度引擎A3所监测出的设备部件故障数为a3,其中a1+a2+a3=a。于是决策引擎的初始置信等级可以定义为:电流引擎A1的初始置信等级P(A1)=a1/a,电压引擎A2的初始置信等级P(A2)=a2/a,温度引擎A3的初始置信等级P(A3)=a3/a。通过历史故障记录得出,P(A1)为6/11,P(A2)为3/11,P(A1)为2/11。
通过变流器的故障概率诊断模型,得到决策引擎分别对应的部件故障发生概率,其中,电流引擎A1的部件故障发生概率
其中为由专家经验定义的电流引擎A1对应的监测到的部件故障状态与正常状态的预警偏差值,Δ'A1为电流引擎A1对应的实际监测值与正常值之间的最大偏差值;为基于同类系统部件故障率统计的电流引擎A1对应的当监测到的故障状态与正常状态的偏差值为的情况下,系统部件发生故障的概率;
电压引擎A2的部件故障发生概率
其中为由专家经验定义的电压引擎A2对应的监测到的部件故障状态与正常状态的预警偏差值,Δ'A2为电压引擎A2对应的实际监测值与正常值之间的最大偏差值;为基于同类系统部件故障率统计的电压引擎A2对应的当监测到的故障状态与正常状态的偏差值为A2的情况下,系统部件发生故障的概率;
温度引擎A3的部件故障发生概率
其中为由专家经验定义的温度引擎A3对应的监测到的部件故障状态与正常状态的预警偏差值,Δ'A3为温度引擎A3对应的实际监测值与正常值之间的最大偏差值;为基于同类系统部件故障率统计的温度引擎A3对应的当监测到的故障状态与正常状态的偏差值为的情况下,系统部件发生故障的概率;
通过变流器的部件故障发生概率以及每个决策引擎对应的初始置信等级,得到变流器的部件整体故障发生概率为:
用于更新初始置信等级的新的置信等级分别为:
电流引擎A1对应的新的置信等级
电压引擎A2对应的新的置信等级
温度引擎A3对应的新的置信等级其中:P(D=Faulty)为变流器的部件整体故障发生概率,P(D=Faulty|A1)为电流引擎A1的部件故障发生概率,P(D=Faulty|A2)为电压引擎A2的部件故障发生概率,P(D=Faulty|A3)为温度引擎A3的部件故障发生概率。
本发明实施例还提供了一种电子设备,图3为本发明实施例提供的电子设备的实体结构示意图,如图3所示,该电子设备包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和总线340,其中,处理器310,通信接口320,存储器330通过总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行如下方法:基于每个决策引擎所对应的实际监测值与正常值之间的最大偏差值以及故障概率诊断模型,获得每个决策引擎对应的部件故障发生概率;
基于部件故障发生概率以及每个决策引擎对应的初始置信等级,获得每个决策引擎对应的部件故障置信概率;
基于所有部件故障置信概率获得部件整体故障发生概率,其中初始置信等级为获取部件整体故障发生概率时每个决策引擎所对应的权重分配。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令使计算机执行上述实施例所提供的设备部件健康状态的评估方法,例如包括:基于每个决策引擎所对应的实际监测值与正常值之间的最大偏差值以及故障概率诊断模型,获得每个决策引擎对应的部件故障发生概率;
基于部件故障发生概率以及每个决策引擎对应的初始置信等级,获得每个决策引擎对应的部件故障置信概率;
基于所有部件故障置信概率获得部件整体故障发生概率,其中初始置信等级为获取部件整体故障发生概率时每个决策引擎所对应的权重分配。
本发明电子设备以及非暂态计算机可读存储介质的实施例是用于执行上述各方法实施例的具体流程和详细内容,参照上述各方法实施例,此处不再叙述。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需以上仅为本申请的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种设备部件健康状态的评估方法,其特征在于,包括:
基于每个决策引擎所对应的实际监测值与正常值之间的最大偏差值以及故障概率诊断模型,获得每个所述决策引擎对应的部件故障发生概率;
基于所述部件故障发生概率以及每个所述决策引擎对应的初始置信等级,获得每个所述决策引擎对应的部件故障置信概率;
基于所有所述部件故障置信概率获得部件整体故障发生概率,其中所述初始置信等级为获取所述部件整体故障发生概率时每个决策引擎所对应的权重分配。
2.根据权利要求1所述的方法,其特征在于,所述故障概率诊断模型具体为:
其中:A为用于评估部件故障发生概率的决策引擎,P(D=Faulty|A)为决策引擎A对应的部件故障发生概率,λA为故障概率诊断系数,ΔA为由专家经验定义的决策引擎A对应的监测到的部件故障状态与正常状态的预警偏差值,Δ′A为决策引擎A对应的实际监测值与正常值之间的最大偏差值;PA为基于同类系统部件故障率统计的决策引擎A对应的当监测到的故障状态与正常状态的偏差值为ΔA的情况下,系统部件发生故障的概率。
3.根据权利要求1所述的方法,其特征在于,所述部件故障置信概率具体为:
P'=P(D=Faulty|A)P(A),其中,P'为决策引擎A对应的部件故障置信概率,P(A)为决策引擎A对应的初始置信等级,P(D=Faulty|A)为决策引擎A对应的部件故障发生概率。
4.根据权利要求1或2所述的方法,其特征在于,所述基于所有所述部件故障置信概率获得部件整体故障发生概率具体为:
所有所述部件故障置信概率的累加和为所述部件整体故障发生概率,其中:
Pi'=P(D=Faulty|Ai)P(Ai),其中P(D=Faulty)为部件整体故障发生概率,Pi'为决策引擎Ai对应的部件故障置信概率,n是多引擎决策系统在决策过程中所选择的决策引擎数,P(D=Faulty|Ai)为第i个决策引擎Ai对应的部件故障发生概率,P(Ai)是第i个决策引擎Ai对应的初始置信等级。
5.根据权利要求1或2所述的方法,其特征在于,还包括:
基于获取的所述部件整体故障发生概率、每个决策引擎所对应的实际监测值与正常值之间的所述最大偏差值以及贝叶斯后验概率密度模型,获得每个决策引擎所对应的新的置信等级,其中所述贝叶斯后验概率密度模型具体为:
P(Ai|D=Faulty)=P(D=Faulty|Ai)*P(Ai)/P(D=Faulty),
其中,P(Ai|D=Faulty)为第i个决策引擎Ai对应的新的置信等级,P(D=Faulty|Ai)为第i个决策引擎Ai对应的部件故障发生概率,为第i个决策引擎Ai对应的故障概率诊断系数,为由专家经验定义的第i个决策引擎Ai对应的监测到的部件故障状态与正常状态的预警偏差值,为第i个决策引擎Ai对应的实际监测值与正常值之间的最大偏差值;为基于同类系统部件故障率统计的第i个决策引擎Ai对应的当监测到的故障状态与正常状态的偏差值为的情况下,系统部件发生故障的概率;P(Ai)是第i个决策引擎Ai对应的初始置信等级。
6.根据权利要求5所述的方法,其特征在于,还包括:
获取所述部件整体故障发生概率后,检查设备部件是否发生故障,若所述设备部件发生故障,则更新所述初始置信等级,若设备部件未发生故障,则保留所述初始置信等级。
7.根据权利要求1所述的方法,其特征在于,还包括:
若获取的所述部件整体故障发生概率大于预设的概率阈值,则启动设备部件诊断维护模块。
8.一种设备部件健康状态的评估装置,其特征在于,包括:
第一处理模块,用于基于每个决策引擎所对应的实际监测值与正常值之间的最大偏差值以及故障概率诊断模型,获得每个所述决策引擎对应的部件故障发生概率;
第二处理模块,用于基于所述部件故障发生概率以及每个所述决策引擎对应的初始置信等级,获得每个所述决策引擎对应的部件故障置信概率;
第三处理模块,用于基于所有所述部件故障置信概率获得部件整体故障发生概率,其中所述初始置信等级为获取所述部件整体故障发生概率时每个决策引擎所对应的权重分配。
9.一种电子设备,包括存储器、处理器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至7任一项所述方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811595189.8A CN109739210B (zh) | 2018-12-25 | 2018-12-25 | 设备部件健康状态的评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811595189.8A CN109739210B (zh) | 2018-12-25 | 2018-12-25 | 设备部件健康状态的评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109739210A true CN109739210A (zh) | 2019-05-10 |
CN109739210B CN109739210B (zh) | 2021-02-19 |
Family
ID=66359835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811595189.8A Active CN109739210B (zh) | 2018-12-25 | 2018-12-25 | 设备部件健康状态的评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109739210B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116862480A (zh) * | 2023-08-30 | 2023-10-10 | 国网江苏省电力有限公司信息通信分公司 | 一种电力设备故障预测与维修的智能决策支持方法及装置 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0916255A (ja) * | 1995-06-27 | 1997-01-17 | Mazda Motor Corp | 機器の故障診断方法およびその装置 |
US20080183425A1 (en) * | 2006-12-15 | 2008-07-31 | Smart Signal Corporation | Robust distance measures for on-line monitoring |
US20100192013A1 (en) * | 2009-01-29 | 2010-07-29 | Telcordia Technologies | System and Method for Automated Distributed Diagnostics for Networks |
CN102053873A (zh) * | 2011-01-13 | 2011-05-11 | 浙江大学 | 一种缓存感知的多核处理器虚拟机故障隔离保证方法 |
CN103020433A (zh) * | 2012-11-30 | 2013-04-03 | 北京中恒博瑞数字电力科技有限公司 | 一种电力设备状态的评价模型引擎 |
CN103278772A (zh) * | 2013-05-29 | 2013-09-04 | 上海电机学院 | 基于证据熵的风力发电机组故障诊断方法及装置 |
CN103308314A (zh) * | 2013-06-18 | 2013-09-18 | 上海理工大学 | 一种基于贝叶斯网络模型和多准则决策分析对汽车发动机故障的检修方法 |
CN105096053A (zh) * | 2015-08-14 | 2015-11-25 | 哈尔滨工业大学 | 一种适用于复杂工艺系统的健康管理决策方法 |
CN103616187B (zh) * | 2013-10-15 | 2016-06-01 | 北京化工大学 | 一种基于多维度信息融合的故障诊断方法 |
CN105825271A (zh) * | 2016-03-21 | 2016-08-03 | 南京邮电大学 | 基于证据推理的卫星故障诊断与预测方法 |
CN108280543A (zh) * | 2018-01-17 | 2018-07-13 | 杭州安脉盛智能技术有限公司 | 基于分类回归模式的工况自适应的设备健康度评估方法 |
CN108304960A (zh) * | 2017-12-29 | 2018-07-20 | 中车工业研究院有限公司 | 一种轨道交通设备故障诊断方法 |
CN108320040A (zh) * | 2017-01-17 | 2018-07-24 | 国网重庆市电力公司 | 基于贝叶斯网络优化算法的采集终端故障预测方法及系统 |
CN108804720A (zh) * | 2017-04-26 | 2018-11-13 | 重庆科技学院 | 一种基于改进无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法 |
-
2018
- 2018-12-25 CN CN201811595189.8A patent/CN109739210B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0916255A (ja) * | 1995-06-27 | 1997-01-17 | Mazda Motor Corp | 機器の故障診断方法およびその装置 |
US20080183425A1 (en) * | 2006-12-15 | 2008-07-31 | Smart Signal Corporation | Robust distance measures for on-line monitoring |
US20100192013A1 (en) * | 2009-01-29 | 2010-07-29 | Telcordia Technologies | System and Method for Automated Distributed Diagnostics for Networks |
CN102053873A (zh) * | 2011-01-13 | 2011-05-11 | 浙江大学 | 一种缓存感知的多核处理器虚拟机故障隔离保证方法 |
CN103020433A (zh) * | 2012-11-30 | 2013-04-03 | 北京中恒博瑞数字电力科技有限公司 | 一种电力设备状态的评价模型引擎 |
CN103278772A (zh) * | 2013-05-29 | 2013-09-04 | 上海电机学院 | 基于证据熵的风力发电机组故障诊断方法及装置 |
CN103308314A (zh) * | 2013-06-18 | 2013-09-18 | 上海理工大学 | 一种基于贝叶斯网络模型和多准则决策分析对汽车发动机故障的检修方法 |
CN103616187B (zh) * | 2013-10-15 | 2016-06-01 | 北京化工大学 | 一种基于多维度信息融合的故障诊断方法 |
CN105096053A (zh) * | 2015-08-14 | 2015-11-25 | 哈尔滨工业大学 | 一种适用于复杂工艺系统的健康管理决策方法 |
CN105825271A (zh) * | 2016-03-21 | 2016-08-03 | 南京邮电大学 | 基于证据推理的卫星故障诊断与预测方法 |
CN108320040A (zh) * | 2017-01-17 | 2018-07-24 | 国网重庆市电力公司 | 基于贝叶斯网络优化算法的采集终端故障预测方法及系统 |
CN108804720A (zh) * | 2017-04-26 | 2018-11-13 | 重庆科技学院 | 一种基于改进无迹Kalman滤波与RBF神经网络的抽油机故障诊断方法 |
CN108304960A (zh) * | 2017-12-29 | 2018-07-20 | 中车工业研究院有限公司 | 一种轨道交通设备故障诊断方法 |
CN108280543A (zh) * | 2018-01-17 | 2018-07-13 | 杭州安脉盛智能技术有限公司 | 基于分类回归模式的工况自适应的设备健康度评估方法 |
Non-Patent Citations (2)
Title |
---|
冯文婧 等: "应用层次分析法的航天器健康评估方法", 《航天器工程》 * |
姚云峰 等: "装备健康状态评估方法研究", 《现代防御技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116862480A (zh) * | 2023-08-30 | 2023-10-10 | 国网江苏省电力有限公司信息通信分公司 | 一种电力设备故障预测与维修的智能决策支持方法及装置 |
CN116862480B (zh) * | 2023-08-30 | 2024-02-13 | 国网江苏省电力有限公司信息通信分公司 | 一种电力设备故障预测与维修的智能决策支持方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109739210B (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103617110B (zh) | 服务器设备状态检修系统 | |
TWI709092B (zh) | 故障機率評估系統及方法 | |
CN111314173B (zh) | 监控信息异常的定位方法、装置、计算机设备及存储介质 | |
CN108445410A (zh) | 一种监测蓄电池组运行状态的方法及装置 | |
CN106144819B (zh) | 电梯的预诊断方法及装置 | |
CN107992410B (zh) | 软件质量监测方法、装置、计算机设备和存储介质 | |
KR101214765B1 (ko) | 전력설비 모니터링 시스템 및 방법 | |
CN110533294B (zh) | 一种基于人工智能技术的核电厂运行故障报警方法 | |
KR101776350B1 (ko) | 압축기를 진단하는 방법 및 시스템 | |
CN113760670A (zh) | 电缆接头异常预警方法、装置、电子设备和存储介质 | |
CN113900845A (zh) | 一种基于神经网络的微服务故障诊断的方法和存储介质 | |
CN112286088A (zh) | 一种动力设备故障预测模型在线应用的方法及应用系统 | |
CN112380759B (zh) | 基于深度学习和CoxPH模型的智能电表寿命预测方法 | |
CN112381258B (zh) | 表计运行生命周期预测方法及装置 | |
Jia et al. | Software aging analysis and prediction in a web server based on multiple linear regression algorithm | |
CN117933447A (zh) | 一种基于数据分析的故障预测方法及系统 | |
CN115392056A (zh) | 一种高压架空输电线路运行状态监测及预警方法及装置 | |
Wu et al. | Adaptive sequential predictive maintenance policy with nonperiodic inspection for hard failures | |
CN108334427A (zh) | 存储系统中的故障诊断方法及装置 | |
CN117391675B (zh) | 一种数据中心基础设施运维管理方法 | |
CN109739210A (zh) | 设备部件健康状态的评估方法及装置 | |
CN113918433A (zh) | 一种自适应的智慧网络设备性能指标异常检测装置及方法 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN114237098B (zh) | 一种电气产品的智能化数字管理系统 | |
CN109376959A (zh) | 一种配电终端检修时间预估方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |