CN109784575A - 设备状态的预测方法及装置、存储介质、电子装置 - Google Patents
设备状态的预测方法及装置、存储介质、电子装置 Download PDFInfo
- Publication number
- CN109784575A CN109784575A CN201910069095.5A CN201910069095A CN109784575A CN 109784575 A CN109784575 A CN 109784575A CN 201910069095 A CN201910069095 A CN 201910069095A CN 109784575 A CN109784575 A CN 109784575A
- Authority
- CN
- China
- Prior art keywords
- event
- probabilistic model
- failure
- fault
- target device
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种设备状态的预测方法及装置、存储介质、电子装置,其中,该方法包括:采集目标设备在采样周期内的故障事件的故障时间,以及确定所述故障事件的故障树结构;使用所述故障时间建立第一概率模型,以及基于所述故障树结构建立第二概率模型;根据所述第一概率模型和所述第二概率模型预测所述目标设备的状态值,其中,所述状态值用于表征所述目标设备出现故障的概率。通过本发明,解决了现有技术中采用物理模型预测设备故障时效果低下的技术问题。
Description
技术领域
本发明涉及能源技术领域,具体而言,涉及一种设备状态的预测方法及装置、存储介质、电子装置。
背景技术
现有技术中,预测性维护(Predictive Maintenance,简称PdM)是“工业4.0”提出的关键创新点之一。基于连续的测量和分析,预测性维护能够预测诸如机器零件剩余使用寿命等机关指标。关键的运行参数数据可以辅助决策,判断机器的运行状态、优化机器的维护时机。
在综合能源系统中,由于存在大量的设备,且设备彼此之间存在耦合的关系,任何一部分出现问题,都会导致整个系统出现差错。而当设备出现问题,再去进行修理,又往往会耽误工业生产。所以设备的预测性维护就显得尤为重要。
传统的预测性维护中,针对设备进行物理建模,需要进行状态监测才能识别不同的类型的故障,而且预测的时长预测,而且在复制的设备环境中,也很难获取准确的物理模型,当数据量过大时候,对于物理模型,计算时间过长。现有技术中使用物理预测方式并不能准确预测出设备的故障情况,而且效率过低。
针对现有技术中存在的上述问题,目前尚未发现有效的解决方案。
发明内容
本发明实施例提供了一种设备状态的预测方法及装置、存储介质、电子装置。
根据本发明的一个实施例,提供了一种设备状态的预测方法,包括:
采集目标设备在采样周期内的故障事件的故障时间,以及确定所述故障事件的故障树结构;
使用所述故障时间建立第一概率模型,以及基于所述故障树结构建立第二概率模型;
根据所述第一概率模型和所述第二概率模型预测所述目标设备的状态值,其中,所述状态值用于表征所述目标设备出现故障的概率。
可选地,根据所述第一概率模型和所述第二概率模型预测所述目标设备的状态值包括:
使用所述第一概率模型预测所述目标设备在预测时间的第一预测结果,以及使用所述第二概率模型预测所述目标设备在所述预测时间的第二预测结果;
将所述第一预测结果和所述第二预测结果输入至预设预测有效度模型,得到所述目标设备在所述预测时间的状态值。
可选地,使用所述故障时间信息建立第一概率模型包括:
计算多个所述故障时间的概率分布数据;
根据所述概率分布数据计算所述故障事件的最大似然函数;
将所述最大似然函数转换为预测密度函数,并将所述预测密度函数确定为所述第一概率模型。
可选地,基于所述故障树结构建立第二概率模型包括:
根据所述故障树结构确定所述故障事件的关联事件;
以所述故障事件为顶事件节点,多个所述关联事件为底事件节点,以及各个节点之间的逻辑关系,建立所述故障事件的故障树的结构函数;
采集所述关联事件在所述采样周期内的失效时间;
以所述失效时间在所述结构函数中模拟所述故障事件的概率分布函数,并将所述概率分布函数确定为所述第二概率模型。
可选地,在根据所述第一概率模型和所述第二概率模型预测所述目标设备的状态值之后,所述方法还包括:
在预测得到所述故障事件在预测时间的状态值大于门限值时,生成用于指示所述目标设备在所述预测时间之前需要维护的预警信息。
根据本发明的另一个实施例,提供了一种设备状态的预测装置,包括:
采集模块,用于采集目标设备在采样周期内的故障事件的故障时间,以及确定所述故障事件的故障树结构;
建立模块,用于使用所述故障时间建立第一概率模型,以及基于所述故障树结构建立第二概率模型;
预测模块,用于根据所述第一概率模型和所述第二概率模型预测所述目标设备的状态值,其中,所述状态值用于表征所述目标设备出现故障的概率。
可选地,所述建立模块包括:
第一计算单元,用于计算多个所述故障时间的概率分布数据;
第二计算单元,用于根据所述概率分布数据计算所述故障事件的最大似然函数;
第一确定单元,用于将所述最大似然函数转换为预测密度函数,并将所述预测密度函数确定为所述第一概率模型。
可选地,所述建立模块包括:
第二确定单元,用于根据所述故障树结构确定所述故障事件的关联事件;
建立单元,用于以所述故障事件为顶事件节点,多个所述关联事件为底事件节点,以及各个节点之间的逻辑关系,建立所述故障事件的故障树的结构函数;
采集单元,用于采集所述关联事件在所述采样周期内的失效时间;
处理单元,用于以所述失效时间在所述结构函数中模拟所述故障事件的概率分布函数,并将所述概率分布函数确定为所述第二概率模型。
可选地,所述预测模块包括:
第一预测单元,用于使用所述第一概率模型预测所述目标设备在预测时间的第一预测结果,以及使用所述第二概率模型预测所述目标设备在所述预测时间的第二预测结果;
第二预测单元,用于将所述第一预测结果和所述第二预测结果输入至预设预测有效度模型,得到所述目标设备在所述预测时间的状态值。
可选的,所述装置还包括:
预警模块,用于在所述预测模型根据所述第一概率模型和所述第二概率模型预测所述目标设备的状态值之后,在预测得到所述故障事件在预测时间的状态值大于门限值时,生成用于指示所述目标设备在所述预测时间之前需要维护的预警信息。
根据本发明的又一个实施例,还提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,采集目标设备在采样周期内的故障事件的故障时间,以及确定所述故障事件的故障树结构,并使用所述故障时间建立第一概率模型,以及基于所述故障树结构建立第二概率模型,最后根据所述第一概率模型和所述第二概率模型预测所述目标设备的出现故障的概率,概率模型可以缩小预测计算量,有效提高可预测时间,解决了现有技术中采用物理模型预测设备故障时效果低下的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例的一种设备状态的预测终端的硬件结构框图;
图2是根据本发明实施例的设备状态的预测方法的流程图;
图3是本发明实施例中预测设备故障的流程示意图;
图4是本发明实施例中故障树中节点间的逻辑关系的示意图;
图5是根据本发明实施例的设备状态的预测装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
本申请实施例一所提供的方法实施例可以在服务器,网络终端、计算机终端或者类似的运算装置中执行。以运行在服务器上为例,图1是本发明实施例的一种设备状态的预测终端的硬件结构框图。如图1所示,服务器10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述服务器还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述服务器的结构造成限定。例如,服务器10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的设备状态的预测方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至服务器10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种设备状态的预测方法,图2是根据本发明实施例的设备状态的预测方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,采集目标设备在采样周期内的故障事件的故障时间,以及确定所述故障事件的故障树结构;
步骤S204,使用所述故障时间建立第一概率模型,以及基于所述故障树结构建立第二概率模型;
步骤S206,根据所述第一概率模型和所述第二概率模型预测所述目标设备的状态值,其中,所述状态值用于表征所述目标设备出现故障的概率。除了故障率之外,还可以进一步预测故障发生时间等故障信息。
通过上述步骤,采集目标设备在采样周期内的故障事件的故障时间,以及确定所述故障事件的故障树结构,并使用所述故障时间建立第一概率模型,以及基于所述故障树结构建立第二概率模型,最后根据所述第一概率模型和所述第二概率模型预测所述目标设备的出现故障的概率,概率模型可以缩小预测计算量,有效提高可预测时间,解决了现有技术中采用物理模型预测设备故障时效果低下的技术问题。
可选地,上述步骤的执行主体可以为设备维护平台,服务器,终端等,具体可以是处理器,算法模块等,但不限于此。
本实施例的应用场景,可以应用在能源网络的节点运维、设备故障检测等场景中,目标设备可以是燃气内燃机,余热锅炉,蒸汽锅炉,溴冷机,光伏设备,地源热泵,风能设备,储能设备等。
在本实施例的一个实施方式中,根据所述第一概率模型和所述第二概率模型预测所述目标设备的状态值包括:
S11,使用所述第一概率模型预测所述目标设备在预测时间的第一预测结果,以及使用所述第二概率模型预测所述目标设备在所述预测时间的第二预测结果;
S12,将所述第一预测结果和所述第二预测结果输入至预设预测有效度模型,得到所述目标设备在所述预测时间的状态值。
具体的,本实施例的预设预测有效度模型可以是一个加权平均算法或者是物理平均算法。
可选的,使用所述故障时间信息建立第一概率模型包括:计算多个所述故障时间的概率分布数据;根据所述概率分布数据计算所述故障事件的最大似然函数;将所述最大似然函数转换为预测密度函数,并将所述预测密度函数确定为所述第一概率模型。下面结合示例进行说明:
一组故障数据D包含以下故障时间:
tf={n1,n2,n3,n4,n5,n6...},共n个数
由于很多的故障时间是满足双参数威布尔分布,本实施例以此为故障时间的密度函数,密度函数与参数α和λ相关的基于故障数据D的最大似然函数如下:
可以进一步得到基于故障数据D的预测密度函数:
p(tf|D)=∫∫p(tf|α,λ)L(D|α,λ)p(α,λ)dαdλ
其中p(tf|α,λ)就是威布尔分布,p(α,λ)是α和λ的联合密度函数。求密度函数p(tf|D)对tf的积分,我们得到了对应于积分区间的时间间隔的预测故障概率。可进一步求得发生故障的概率和发生故障时间的期望。
可选的,基于所述故障树结构建立第二概率模型包括:根据所述故障树结构确定所述故障事件的关联事件;以所述故障事件为顶事件节点,多个所述关联事件为底事件节点,以及各个节点之间的逻辑关系,建立所述故障事件的故障树的结构函数;采集所述关联事件在所述采样周期内的失效时间;以所述失效时间在所述结构函数中模拟所述故障事件的概率分布函数,并将所述概率分布函数确定为所述第二概率模型。
本实施例的第二概率模型是基于故障树的蒙特卡罗方法。故障树是用树形图表示系统中的某种事故与原因之间的逻辑关系并用或门与门来反映系统中原因和故障之间的逻辑关系。故障树的顶事件是系统的故障事件,其底事件是基本部件的实效事件,则故障树可以等效成顶事件与最小割集之间的逻辑关系,顶时间T与最小割集Ei的逻辑关系为或门,而每个最小割集Ei包含的事件Xq之间的逻辑关系为与门。所谓割集就是在故障树种引起顶事件发生的基本事件集合。如果一个割集任意去掉一个基本事件后就不是割集,那么这样的割集称为最小割集。假设有n个相互独立的基本事件的故障树中,如果有k个最小割集而且每个最小割集中有qk个基本事件,那么(注:以下将直接用集合的符号代表对应的随机变量),其中,
Ei={Xi,1,Xi,2,…,Xi,qi}i=1,2,…,k,其中,Xi,1,…,Xi,qi是基本事件集X1,X2,…,Xn中的元素。每个基本事件Xi,基本割集Ek和顶事件T仅可取1或0两种状态。那么,
Ei=min(Xi,1,Xi,2,…,Xi,qi)
和
T=max(E1,…,Ek)
由于每个基本事件Xi,i=1,…,n的失效都满足某种概率分布,这些概率分布可根据工程实践中系统长期运行情况统计的数据处理得到,或在部件和元件的故障手册中查到历史数据。因而根据蒙特卡罗法对基本事件进行抽样得到不同基本事件的发生情况来确定顶事件的发生概率,同时可以给出顶事件的概率分布函数。根据概率分布函数可以进一步得到顶事件(故障事件)的预期发生时间。
图3是本发明实施例中预测设备故障的流程示意图,包括两个预测分支,结合汇总后得到预测结果
其中预测分支一包括:
S1,收集设备所有的故障时间(所有历史数据);
S2,测试所得到的故障时间数据(matlab,python等均可测试数据分布),并得到其概率分布,确定概率分布中的参数(故障时间多是满足双参数威布尔分布);
S3,计算此概率分布下的最大似然函数;
S4,在获得S2.3的基础下,计算故障发生概率及时间。
其中预测分支二包括:
S1,建立系统的故障树,明确底节点(底事件),图4是本发明实施例中故障树中节点间的逻辑关系的示意图,如图4所示,T是故障树的顶事件,G1和G2为顶事件的子事件,以此类推,G3,G4,X3为G1的子事件,X1~X9为底事件;
S2,确定各个节点间的逻辑关系,得到结构函数,示例如下:
Φ[X(t)]=G1×G2=(G3+X3+G4)(X8+X9)
=(X1+X2+X3+X4+X5+X6+X7)(X8+X9)
=X1X8+X2X8+X3X8+X4X8+X5X8+X6X8+X7X8
+X1X9+X2X9+X3X9+X4X9+X5X9+X6X9+X7X9
S3,获得底事件分布类型及参数,收集数据(设备所有故障的历史数据),进行模拟分布,本实施例模拟分布包括指数分布和正态分布;
S4,模拟得到结果,顶事件发生概率及发生时间。
最后,得到分支一和分支二的结果,并将预测有效度模型应用在这两结果上,最终得到故障发生的概率和概率发生的时间。
在本实施例的一个实施方式中,在根据所述第一概率模型和所述第二概率模型预测所述目标设备的状态值之后,所述方法还包括:在预测得到所述故障事件在预测时间的状态值大于门限值时,生成用于指示所述目标设备在所述预测时间之前需要维护的预警信息。进一步的,还可以依据状态值高于门限值的差值,生成不同等级的预警信息,例如,高于门限值越多,预警级别越高,目标设备出现故障的概率越高,设备越危险,需要紧急检修。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例的方法。
实施例2
在本实施例中还提供了一种设备状态的预测装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图5是根据本发明实施例的设备状态的预测装置的结构框图,如图5所示,该装置包括:采集模块50,建立模块52,预测模块54,其中,
采集模块50,用于采集目标设备在采样周期内的故障事件的故障时间,以及确定所述故障事件的故障树结构;
建立模块52,用于使用所述故障时间建立第一概率模型,以及基于所述故障树结构建立第二概率模型;
预测模块54,用于根据所述第一概率模型和所述第二概率模型预测所述目标设备的状态值,其中,所述状态值用于表征所述目标设备出现故障的概率。
可选的,所述建立模块包括:第一计算单元,用于计算多个所述故障时间的概率分布数据;第二计算单元,用于根据所述概率分布数据计算所述故障事件的最大似然函数;第一确定单元,用于将所述最大似然函数转换为预测密度函数,并将所述预测密度函数确定为所述第一概率模型。
可选地,所述建立模块包括:第二确定单元,用于根据所述故障树结构确定所述故障事件的关联事件;建立单元,用于以所述故障事件为顶事件节点,多个所述关联事件为底事件节点,以及各个节点之间的逻辑关系,建立所述故障事件的故障树的结构函数;采集单元,用于采集所述关联事件在所述采样周期内的失效时间;处理单元,用于以所述失效时间在所述结构函数中模拟所述故障事件的概率分布函数,并将所述概率分布函数确定为所述第二概率模型。
可选地,所述预测模块包括:第一预测单元,用于使用所述第一概率模型预测所述目标设备在预测时间的第一预测结果,以及使用所述第二概率模型预测所述目标设备在所述预测时间的第二预测结果;第二预测单元,用于将所述第一预测结果和所述第二预测结果输入至预设预测有效度模型,得到所述目标设备在所述预测时间的状态值。
可选的,所述装置还包括:预警模块,用于在所述预测模型根据所述第一概率模型和所述第二概率模型预测所述目标设备的状态值之后,在预测得到所述故障事件在预测时间的状态值大于门限值时,生成用于指示所述目标设备在所述预测时间之前需要维护的预警信息。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
实施例3
本发明的实施例还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,采集目标设备在采样周期内的故障事件的故障时间,以及确定所述故障事件的故障树结构;
S2,使用所述故障时间建立第一概率模型,以及基于所述故障树结构建立第二概率模型;
S3,根据所述第一概率模型和所述第二概率模型预测所述目标设备的状态值,其中,所述状态值用于表征所述目标设备出现故障的概率。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,采集目标设备在采样周期内的故障事件的故障时间,以及确定所述故障事件的故障树结构;
S2,使用所述故障时间建立第一概率模型,以及基于所述故障树结构建立第二概率模型;
S3,根据所述第一概率模型和所述第二概率模型预测所述目标设备的状态值,其中,所述状态值用于表征所述目标设备出现故障的概率。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种设备状态的预测方法,其特征在于,包括:
采集目标设备在采样周期内的故障事件的故障时间,以及确定所述故障事件的故障树结构;
使用所述故障时间建立第一概率模型,以及基于所述故障树结构建立第二概率模型;
根据所述第一概率模型和所述第二概率模型预测所述目标设备的状态值,其中,所述状态值用于表征所述目标设备出现故障的概率。
2.根据权利要求1所述的方法,其特征在于,根据所述第一概率模型和所述第二概率模型预测所述目标设备的状态值包括:
使用所述第一概率模型预测所述目标设备在预测时间的第一预测结果,以及使用所述第二概率模型预测所述目标设备在所述预测时间的第二预测结果;
将所述第一预测结果和所述第二预测结果输入至预设预测有效度模型,得到所述目标设备在所述预测时间的状态值。
3.根据权利要求1所述的方法,其特征在于,使用所述故障时间信息建立第一概率模型包括:
计算多个所述故障时间的概率分布数据;
根据所述概率分布数据计算所述故障事件的最大似然函数;
将所述最大似然函数转换为预测密度函数,并将所述预测密度函数确定为所述第一概率模型。
4.根据权利要求1所述的方法,其特征在于,基于所述故障树结构建立第二概率模型包括:
根据所述故障树结构确定所述故障事件的关联事件;
以所述故障事件为顶事件节点,多个所述关联事件为底事件节点,以及各个节点之间的逻辑关系,建立所述故障事件的故障树的结构函数;
采集所述关联事件在所述采样周期内的失效时间;
以所述失效时间在所述结构函数中模拟所述故障事件的概率分布函数,并将所述概率分布函数确定为所述第二概率模型。
5.根据权利要求1所述的方法,其特征在于,在根据所述第一概率模型和所述第二概率模型预测所述目标设备的状态值之后,所述方法还包括:
在预测得到所述故障事件在预测时间的状态值大于门限值时,生成用于指示所述目标设备在所述预测时间之前需要维护的预警信息。
6.一种设备状态的预测装置,其特征在于,包括:
采集模块,用于采集目标设备在采样周期内的故障事件的故障时间,以及确定所述故障事件的故障树结构;
建立模块,用于使用所述故障时间建立第一概率模型,以及基于所述故障树结构建立第二概率模型;
预测模块,用于根据所述第一概率模型和所述第二概率模型预测所述目标设备的状态值,其中,所述状态值用于表征所述目标设备出现故障的概率。
7.根据权利要求6所述的装置,其特征在于,所述建立模块包括:
第一计算单元,用于计算多个所述故障时间的概率分布数据;
第二计算单元,用于根据所述概率分布数据计算所述故障事件的最大似然函数;
第一确定单元,用于将所述最大似然函数转换为预测密度函数,并将所述预测密度函数确定为所述第一概率模型。
8.根据权利要求6所述的装置,其特征在于,所述建立模块包括:
第二确定单元,用于根据所述故障树结构确定所述故障事件的关联事件;
建立单元,用于以所述故障事件为顶事件节点,多个所述关联事件为底事件节点,以及各个节点之间的逻辑关系,建立所述故障事件的故障树的结构函数;
采集单元,用于采集所述关联事件在所述采样周期内的失效时间;
处理单元,用于以所述失效时间在所述结构函数中模拟所述故障事件的概率分布函数,并将所述概率分布函数确定为所述第二概率模型。
9.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至5任一项中所述的方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至5任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910069095.5A CN109784575A (zh) | 2019-01-24 | 2019-01-24 | 设备状态的预测方法及装置、存储介质、电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910069095.5A CN109784575A (zh) | 2019-01-24 | 2019-01-24 | 设备状态的预测方法及装置、存储介质、电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109784575A true CN109784575A (zh) | 2019-05-21 |
Family
ID=66501324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910069095.5A Pending CN109784575A (zh) | 2019-01-24 | 2019-01-24 | 设备状态的预测方法及装置、存储介质、电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109784575A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563606A (zh) * | 2020-04-30 | 2020-08-21 | 新智数字科技有限公司 | 一种设备预测性维护方法及装置 |
CN112668730A (zh) * | 2019-10-15 | 2021-04-16 | 深圳怡化电脑股份有限公司 | 自助设备模块的更换方法、装置、计算机设备和存储介质 |
CN112668728A (zh) * | 2019-10-15 | 2021-04-16 | 深圳怡化电脑股份有限公司 | 设备模块配置方法、装置、计算机设备及存储介质 |
CN112733453A (zh) * | 2021-01-13 | 2021-04-30 | 新智数字科技有限公司 | 一种基于联合学习的设备预测性维护方法及装置 |
CN112817814A (zh) * | 2021-01-21 | 2021-05-18 | 网思科技股份有限公司 | 异常监控方法、系统、存储介质及电子装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763589A (zh) * | 2009-12-24 | 2010-06-30 | 宁波市中控信息技术有限公司 | 基于动态定量事故风险预测的安全管理方法及系统 |
CN101950327A (zh) * | 2010-09-09 | 2011-01-19 | 西北工业大学 | 一种基于故障树信息的设备状态预测方法 |
CN102854461A (zh) * | 2012-08-24 | 2013-01-02 | 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 |
CN104063586A (zh) * | 2014-06-11 | 2014-09-24 | 西北工业大学 | 基于多态故障树的贝叶斯网络故障预测方法 |
CN106055729A (zh) * | 2016-04-20 | 2016-10-26 | 西北工业大学 | 一种基于蒙特卡洛仿真的故障树分析方法 |
CN106125713A (zh) * | 2016-06-14 | 2016-11-16 | 西安交通大学 | 一种区间删失情况下可靠性增长的评估与预测方法 |
US20160379144A1 (en) * | 2015-06-29 | 2016-12-29 | Ricoh Company, Ltd. | Information processing system and failure prediction model adoption determining method |
-
2019
- 2019-01-24 CN CN201910069095.5A patent/CN109784575A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763589A (zh) * | 2009-12-24 | 2010-06-30 | 宁波市中控信息技术有限公司 | 基于动态定量事故风险预测的安全管理方法及系统 |
CN101950327A (zh) * | 2010-09-09 | 2011-01-19 | 西北工业大学 | 一种基于故障树信息的设备状态预测方法 |
CN102854461A (zh) * | 2012-08-24 | 2013-01-02 | 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 |
CN104063586A (zh) * | 2014-06-11 | 2014-09-24 | 西北工业大学 | 基于多态故障树的贝叶斯网络故障预测方法 |
US20160379144A1 (en) * | 2015-06-29 | 2016-12-29 | Ricoh Company, Ltd. | Information processing system and failure prediction model adoption determining method |
CN106055729A (zh) * | 2016-04-20 | 2016-10-26 | 西北工业大学 | 一种基于蒙特卡洛仿真的故障树分析方法 |
CN106125713A (zh) * | 2016-06-14 | 2016-11-16 | 西安交通大学 | 一种区间删失情况下可靠性增长的评估与预测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668730A (zh) * | 2019-10-15 | 2021-04-16 | 深圳怡化电脑股份有限公司 | 自助设备模块的更换方法、装置、计算机设备和存储介质 |
CN112668728A (zh) * | 2019-10-15 | 2021-04-16 | 深圳怡化电脑股份有限公司 | 设备模块配置方法、装置、计算机设备及存储介质 |
CN111563606A (zh) * | 2020-04-30 | 2020-08-21 | 新智数字科技有限公司 | 一种设备预测性维护方法及装置 |
CN112733453A (zh) * | 2021-01-13 | 2021-04-30 | 新智数字科技有限公司 | 一种基于联合学习的设备预测性维护方法及装置 |
CN112733453B (zh) * | 2021-01-13 | 2024-03-29 | 新奥新智科技有限公司 | 一种基于联合学习的设备预测性维护方法及装置 |
CN112817814A (zh) * | 2021-01-21 | 2021-05-18 | 网思科技股份有限公司 | 异常监控方法、系统、存储介质及电子装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784575A (zh) | 设备状态的预测方法及装置、存储介质、电子装置 | |
CN109784574A (zh) | 设备状态的预测方法及装置、存储介质、电子装置 | |
Heydt et al. | Solution for the crisis in electric power supply | |
CN108375715A (zh) | 一种配电网线路故障风险日预测方法及系统 | |
CN107220775B (zh) | 一种考虑信息系统作用的有源配电网多视角协同脆弱性评估方法 | |
CN103292966B (zh) | 漏水检测装置 | |
Dong et al. | Frequency prediction of power systems in FNET based on state-space approach and uncertain basis functions | |
CN109886475B (zh) | 基于ai的计量自动化系统的信息安全态势感知系统 | |
JP2008537468A (ja) | Ac電力グリッド監視方法およびシステム | |
CN106254137B (zh) | 监管系统的告警根源分析系统及方法 | |
CN106569030B (zh) | 一种电能计量异常诊断中的告警阈值寻优方法及装置 | |
CN109800995A (zh) | 一种电网设备故障识别方法及系统 | |
RU166652U1 (ru) | Устройство имитационного моделирования оценки защищенности автоматизированных систем управления военного назначения | |
US20230118175A1 (en) | Event analysis in an electric power system | |
CN111047169A (zh) | 一种电网调度用故障分析检测系统 | |
Marino et al. | A framework for the resilience analysis of complex natural gas pipeline networks from a cyber-physical system perspective | |
Li et al. | Deep learning based covert attack identification for industrial control systems | |
CN106533770A (zh) | 一种n‑x检修模式下的风险评估方法及装置 | |
CN108596450B (zh) | 电网风险预警方法和系统 | |
Raghavan et al. | State diagram-based life cycle management plans for power plant components | |
Agathokleous et al. | Robustness and vulnerability assessment of water networks by use of centrality metrics | |
CN115034694B (zh) | 一种电网脆弱性评估方法、装置、电子设备及存储介质 | |
Kröger et al. | Power systems in transition: Dealing with complexity | |
CN108335044A (zh) | 一种输变电设备状态评价方法 | |
Chren | Towards multi-layered reliability analysis in smart grids |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190521 |
|
RJ01 | Rejection of invention patent application after publication |