CN110059894A - 设备状态评估方法、装置、系统及存储介质 - Google Patents
设备状态评估方法、装置、系统及存储介质 Download PDFInfo
- Publication number
- CN110059894A CN110059894A CN201910363937.8A CN201910363937A CN110059894A CN 110059894 A CN110059894 A CN 110059894A CN 201910363937 A CN201910363937 A CN 201910363937A CN 110059894 A CN110059894 A CN 110059894A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- equipment
- error amount
- state
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Abstract
本发明实施例公开了一种设备状态评估方法、装置、系统及存储介质。该方法包括:将添加有正常状态标签和异常状态标签的设备状态数据输入至预测模型,得到第一预测数据和第二预测数据;根据所述第一预测数据和设备状态数据的误差值,以及所述第二预测数据和设备状态数据的误差值,确定设备的状态预测值。通过上述技术方案能够使设备状态评估无需人工参与,实现了设备状态评估的自动化和智能化,并且能够获知设备精确的指标值,另外,在设备性能发生变化的情况下,通过上述技术方案也能准确地对设备状态进行评估和监测,解决了通过经验规则评估而产生误判的问题。
Description
技术领域
本发明实施例涉及设备监测技术领域,尤其涉及一种设备状态评估方法、装置、系统及存储介质。
背景技术
目前,企业在产品生产中越来越重视生产的精益性,企业会根据市场、环境、生产目标和设备状态适应性制定最优化的决策,其中,对生产系统工况和设备状况监测是否准确和客观对企业生产优化决策的制定至关重要。
当前生产企业对设备的运行异常状况的评估主要依赖于设备实时运行的传感器、工艺设定、生产负荷等参数,根据既定规则判断设备的运行情况。
当前的设备状态评估方法具有一定的主观性,不能够客观准确地反映设备的运行状态,并且基于既定规则进行评估则没有考虑到设备工况状态、性能等漂移的状况,另外,不能确定有效地指标表征当前设备状态。
发明内容
本发明实施例提供一种设备状态评估方法、装置、系统及存储介质,以解决当前设备状态评估方法不具客观性、评估结果不精确的问题。
第一方面,本发明实施例提供了一种设备状态评估方法,该方法包括:
将添加有正常状态标签和异常状态标签的设备状态数据输入至预测模型,得到第一预测数据和第二预测数据;
根据所述第一预测数据和设备状态数据的误差值,以及所述第二预测数据和设备状态数据的误差值,确定设备的状态预测值。
第二方面,本发明实施例提供了一种设备状态评估装置,该装置包括:
预测模块,用于将添加有正常状态标签和异常状态标签的设备状态数据输入至预测模型,得到第一预测数据和第二预测数据;
状态预测值确定模块,用于根据所述第一预测数据和设备状态数据的误差值,以及所述第二预测数据和设备状态数据的误差值,确定设备的状态预测值。
第三方面,本发明实施例还提供了一种系统,该系统包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例中任一所述的设备状态评估方法。
第四方面,本发明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发明实施例中任一所述的设备状态评估方法。
本发明实施例通过将添加有正常状态标签和异常状态标签的设备状态数据输入至预测模型,得到第一预测数据和第二预测数据;根据所述第一预测数据和设备状态数据的误差值,以及所述第二预测数据和设备状态数据的误差值,确定设备的状态预测值,能够使设备状态评估无需人工参与,实现了设备状态评估的自动化和智能化,并且能够获知设备精确的指标值,另外,在设备性能发生变化的情况下,通过上述技术方案也能准确地对设备状态进行评估和监测,解决了通过经验规则评估而产生误判的问题。
附图说明
图1是本发明实施例一中的一种设备状态评估方法的流程图;
图2是本发明实施例一中的设备状态评估流程示意图;
图3是本发明实施例二中的一种设备状态评估方法的流程图;
图4是本发明实施例三中的一种设备状态评估装置结构示意图;
图5是本发明实施例四中的一种系统的结构示意图。
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。
实施例一
图1是本发明实施例一中的一种设备状态评估方法的流程图。本实施例提供的设备状态评估方法可适用于对设备的状态进行监测和评估的情况,该方法具体可以由设备状态评估装置来执行,该装置可以由软件和/或硬件的方式实现,该装置可以集成在系统中。参见图1,本发明实施例的方法具体包括:
S110、将添加有正常状态标签和异常状态标签的设备状态数据输入至预测模型,得到第一预测数据和第二预测数据。
其中,待评估设备为至少一个,可以监测评估一个设备的状态,也可以监测评估由对多个设备组成的系统的状态。所述正常状态标签和所述异常状态标签用于反映设备的状态,能够辅助预测模型对设备状态数据进行预测,例如,可以用“01”表示正常状态标签,“10”表示异常状态标签。具体的,通过数据采集装置采集设备状态数据,设备状态数据包括设备的温度、工作电压、工作电流、轴承振幅等表征设备性能的参数。对于采集到的设备状态参数,无法根据参数值判断设备的工作状态为正常状态还是异常状态,因此需要进一步判断。现有的判断方法为根据历史数据总结的经验规则进行判断,或者由技术人员根据经验进行主观判断,因此具有一定的主观性,因此,在发明实施例中,将设备状态数据输入至预测模型中,如图2所示,通过模型预测得到第一预测数据和第二预测数据,再进一步对设备状态进行评估,于展示层进行结果展示,从而使设备状态的判断具有客观性。
可选的,由于当前无法得知设备状态数据所反映的设备状态为正常状态还是异常状态,因此在本发明实施例中,在将设备状态数据输入至预测模型之前,首先假设该设备状态数据反映的设备状态为正常状态,为设备状态数据添加正常状态标签,再假设设备状态数据反映的设备状态为异常状态,为设备添加异常状态标签,从而形成添加有正常状态标签的设备状态数据和添加有异常状态标签的设备状态数据两组数据,将两组数据输入至预测模型,添加有正常状态标签的设备状态数据输入至预测模型后对应得到第一预测数据,添加有异常状态标签的设备状态数据输入至预测模型后对应得到第二预测数据。通过添加正常状态标签和异常状态标签,从而以假设的方式得到不同的预测结果,从而根据不同的而预测结果的对比对设备状态数据所反映的设备的状态进行评估,提高了设备状态评估的准确性和客观性。
可选的,将添加有正常状态标签和异常状态标签的设备状态数据输入至预测模型,得到第一预测数据和第二预测数据之前,还包括:获取设备状态数据,并将所述设备状态数据缓存至数据缓存器;若缓存时间满足预设时间段,则读取预设时间段内缓存的设备状态数据,并对读取的设备状态数据进行归一化处理。具体的,在预测过程中需要将一定时间窗口的数据传递至预测模型,因此在将设备状态数据输入至预测模型之前,需要将数据采集装置采集的设备状态数据输入至数据缓存器进行缓存,以缓存满足预设时间段的设备状态数据,并对设备状态数据进行归一化处理,以提高预测的准确率。
S120、根据所述第一预测数据和设备状态数据的误差值,以及所述第二预测数据和设备状态数据的误差值,确定设备的状态预测值。
具体的,预测模型得到的预测数据会与输入数据之间存在误差,因此在本发明实施例中,计算第一预测数据与设备状态数据的误差值,并计算第二预测数据与设备状态数据的误差值,从而根据误差值确定设备的状态预测值。
可选的,根据所述第一预测数据和设备状态数据的误差值,以及所述第二预测数据和设备状态数据的误差值,确定设备的状态预测值,包括:确定第一预测数据与设备状态数据的第一均方误差值,以及第二预测数据与设备状态数据的第二均方误差值;将所述第一均方误差值与第二均方误差值的比值,作为状态预测值。
具体的,若获取的设备状态数据为设备正常状态下的数据,则添加有正常状态标签的设备状态数据输入至预测模型得到的第一预测数据与设备状态数据的误差较小,添加有异常状态标签的设备状态数据输入至预测模型后对应得到的第二预测数据与设备状态数据的误差较大;获取的状态设备数据为设备异常状态下的数据时同理,添加有正常状态标签的设备状态数据输入至预测模型得到的第一预测数据与设备状态数据的误差较大,添加有异常状态标签的设备状态数据输入至预测模型后对应得到的第二预测数据与设备状态数据的误差较小,因此,根据上述情况可以获得设备的状态。
示例性的,计算第一预测数据与设备状态数据的第一均方误差值,计算第二预测数据与设备状态数据的第二均方误差值,计算第一均方误差值与第二均方误差值的比值,作为状态预测值。当设备状态数据为设备正常状态下的数据时,则第一均方误差值较小,第二均方误差值较大,因此状态预测值较小;当设备状态数据为设备异常状态下的数据时,则第一均方误差值较大,第二均方误差值较小,因此状态预测值较大。在本发明实施例中,预先设置正常状态值区间和异常状态值区间,正常状态区间中的状态值均小于异常状态区间中的状态值,当状态预测值位于正常状态区间时,则说明设备状态数据对应的设备为正常状态,当状态预测值位于异常状态区间时,则说明设备状态数据对应的设备为异常状态。
可选的,根据所述第一预测数据和设备状态数据的误差值,以及所述第二预测数据和设备状态数据的误差值,确定设备的状态预测值之后,还包括:从状态值区间中选出与所述设备的状态预测值差值绝对值小于预设阈值的状态值,作为状态目标值;根据所述状态目标值在状态值区间中各状态值之中的排序信息,确定设备的健康度值。
示例性的,将状态预测值与状态值区间中的各状态值进行比较,将与状态预测值的差值绝对值小于预设阈值的状态值作为状态目标值,即将与状态预测值最接近状态值作为状态目标值,确定状态目标值在各候选状态值之间的排序次序,将排序次序与候选状态值总数的比值乘以100后的值作为设备的健康度值。通过计算设备的健康度值,从而更精确地反映设备的健康程度,能够通过有效地指标值来表征设备当前的健康度。
本实施例的技术方案,将添加有正常状态标签和异常状态标签的设备状态数据输入至预测模型,得到第一预测数据和第二预测数据;根据所述第一预测数据和设备状态数据的误差值,以及所述第二预测数据和设备状态数据的误差值,确定设备的状态预测值。通过上述技术方案能够使设备状态评估无需人工参与,实现了设备状态评估的自动化和智能化,并且能够获知设备精确的指标值,另外,在设备性能发生变化的情况下,通过上述技术方案也能准确地对设备状态进行评估和监测,解决了通过经验规则评估而产生误判的问题。
实施例二
图3是本发明实施例二中的一种设备状态评估方法的流程图。本实施例在上述实施例的基础上进行了优化,对预测模型的训练过程作了详细的介绍。未在本实施例中详细描述的细节详见上述实施例。参见图3,本实施例提供的设备状态评估方法可以包括:
S210、将添加有正常状态标签和异常状态标签的设备历史数据作为训练数据,对基于条件变分自编码器构建的模型进行训练,得到预测模型,并将所述预测模型存储至模型中心。
具体的,在通过预测模型对设备状态数据进行预测之前,需要训练得到预测模型。首先获取数据库中存储的历史设备数据,由于对于设备历史数据页无法得知其对应设备的正常状态还是异常状态,因此,对各历史设备数据分别添加正常状态标签和异常状态标签,以假设历史设备数据为两种状态,通过两种状态下的差异对设备状态进行判断。将添加有正常状态标签的历史设备数据和添加有异常状态标签的设备历史数据作为训练数据,输入至基于条件变分自编码器构建的模型中进行训练,得到预测模型,并将模型存储至模型中心,以供在进行预测时调用。
S220、将添加有正常状态标签和异常状态标签的历史数据作为训练数据,输入至基于条件变分自编码器构建的模型,得到第一状态数据和第二状态数据。
S230、计算第一状态数据与设备历史数据的第三均方误差值,以及第二状态数据与设备历史数据的第四均方误差值。
具体的,若获取的设备历史数据为设备正常状态下的数据,则添加有正常状态标签的设备历史数据输入至基于条件变分自编码器构建的模型得到的第一状态数据与设备历史数据的误差较小,添加有异常状态标签的设备历史数据输入至基于条件变分自编码器构建的模型后对应得到的第二状态数据与设备历史数据的误差较大;获取的状态设备数据为设备异常状态下的数据时同理,添加有正常状态标签的设备历史数据输入至预测模型得到的第一状态数据与设备历史数据的误差较大,添加有异常状态标签的设备历史数据输入至预测模型后对应得到的第二状态数据与设备历史数据的误差较小
S240、将所述第三均方误差值与第四均方误差值的比值作为状态值。
具体的,由于设备在正常状态下或异常状态下的设备历史数据对应的第三均方误差值与第四均方误差值的比值不同,因此将第三均方误差值与第四均方误差值的比值作为状态值,以反映设备的状态。
S250、对各状态值进行升序排序,根据排序小于预设次序的状态值确定正常状态值区间,根据排序大于等于预设次序的状态值确定异常状态值区间。
具体的,对将添加有正常状态标签和异常状态标签的历史数据输入基于条件变分自编码器构建的模型得到的状态值进行升序排序,并根据预估的正常数据比例确定状态分界值,将小于状态分界值的状态值组成正常状态值区间,将大于等于状态分界值的状态值组成异常状态值区间,其中,预估正常数据比例可以由技术人员根据实际情况进行设定。
S260、在预设时间间隔之后,以当前数据库中保存的设备历史数据,或者预设时间间隔内对应存储的新增设备历史数据作为训练数据,对基于条件变分自编码器构建的模型进行训练,得到新的预测模型,并将所述新的预测模型存储至模型中心。
具体的,设备在运行一段时间后,其参数性能可能会发生变化,其稳定情况下的状态参数和工况会产生变化漂移,因此需要实际根据当前设备的固有性能判断其当前的状态。因此,在本发明实施例中,在预设时间间隔之后,将当前数据保存的所有设备历史数据,包括原有设备历史数据和新增设备历史数据为训练数据,或者以新增设备历史数据作为训练数据,重新对基于条件变分自编码器构建的模型进行训练,得到新的预测模型,并将新的预测模型保存至新的预测模型以供调用。通过根据新增数据训练得到新的预测模型,从而在设备的性能参数发生变化的情况下,工况发生漂移的情况下,也能够准确地判断出设备当前的状态,从而提高了设备评估的适用性和准确性。
本发明实施例的技术方案,通过根据添加有正常状态标签和异常状态标签的设备历史数据作为训练数据,对基于条件变分自编码器构建的模型进行训练,得到预测模型,从而根据预测模型对设备状态数据对设备状态进行预测,通过均方误差值确定状态值,从而使设备状态的确定更具客观性,通过根据新增数据训练得到新的预测模型,从而在设备的性能参数发生变化的情况下,工况发生漂移的情况下,也能够准确地判断出设备当前的状态,从而提高了设备评估的适用性和准确性。
实施例三
图4为本发明实施例三提供的一种设备状态评估装置结构示意图。该装置适用于对设备的状态进行监测和评估的情况,该装置可以由软件和/或硬件的方式实现,该装置可以集成在系统中。参见图4,该装置具体包括:
预测模块310,用于将添加有正常状态标签和异常状态标签的设备状态数据输入至预测模型,得到第一预测数据和第二预测数据;
状态预测值确定模块320,用于根据所述第一预测数据和设备状态数据的误差值,以及所述第二预测数据和设备状态数据的误差值,确定设备的状态预测值。
可选的,所述状态预测值确定模块320,包括:
第一计算单元,用于确定第一预测数据与设备状态数据的第一均方误差值,以及第二预测数据与设备状态数据的第二均方误差值。
比值确定单元,用于将所述第一均方误差值与第二均方误差值的比值,作为状态预测值。
可选的,还包括:
状态目标值确定模块,用于从状态值区间中选出与所述设备的状态预测值差值绝对值小于预设阈值的状态值,作为状态目标值。
健康度值确定模块,用于根据所述状态目标值在状态值区间中各状态值之中的排序信息,确定设备的健康度值。
可选的,还包括:
训练模块,用于将添加有正常状态标签和异常状态标签的设备历史数据作为训练数据,对基于条件变分自编码器构建的模型进行训练,得到预测模型,并将所述预测模型存储至模型中心。
可选的,还包括:
状态数据获得模块,用于将添加有正常状态标签和异常状态标签的历史数据作为训练数据,输入至基于条件变分自编码器构建的模型,得到第一状态数据和第二状态数据;
第二计算单元,用于计算第一状态数据与设备历史数据的第三均方误差值,以及第二状态数据与设备历史数据的第四均方误差值;
状态值确定单元,用于将所述第三均方误差值与第四均方误差值的比值作为状态值;
排序单元,用于对各状态值进行升序排序,根据排序小于预设次序的状态值确定正常状态值区间,根据排序大于等于预设次序的状态值确定异常状态值区间。
可选的,还包括:
新的预测模型确定模块,用于在预设时间间隔之后,以当前数据库中保存的设备历史数据,或者预设时间间隔内对应存储的新增设备历史数据作为训练数据,对基于条件变分自编码器构建的模型进行训练,得到新的预测模型,并将所述新的预测模型存储至模型中心。
可选的,还包括:
缓存模块,用于获取设备状态数据,并将所述设备状态数据缓存至数据缓存器;
归一化模块,用于若缓存时间满足预设时间段,则读取预设时间段内缓存的设备状态数据,并对读取的设备状态数据进行归一化处理。
本发明实施例的技术方案,预测模块将添加有正常状态标签和异常状态标签的设备状态数据输入至预测模型,得到第一预测数据和第二预测数据;状态预测值确定模块根据所述第一预测数据和设备状态数据的误差值,以及所述第二预测数据和设备状态数据的误差值,确定设备的状态预测值。通过上述技术方案能够使设备状态评估无需人工参与,实现了设备状态评估的自动化和智能化,并且能够获知设备精确的指标值,另外,在设备性能发生变化的情况下,通过上述技术方案也能准确地对设备状态进行评估和监测,解决了通过经验规则评估而产生误判的问题。
实施例四
图5是本发明实施例四提供的一种系统的结构示意图。图5示出了适于用来实现本发明实施例的示例性系统412的框图。图5显示的系统412仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,系统412包括:一个或多个处理器416;存储器428,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器416执行,使得一个或多个处理器416实现本发明实施例所提供的设备状态评估方法,包括:
将添加有正常状态标签和异常状态标签的设备状态数据输入至预测模型,得到第一预测数据和第二预测数据;
根据所述第一预测数据和设备状态数据的误差值,以及所述第二预测数据和设备状态数据的误差值,确定设备的状态预测值。
以通用系统的形式表现。系统412的组件可以包括但不限于:一个或者多个处理器或者处理器416,系统存储器428,连接不同系统组件(包括系统存储器428和处理器416)的总线418。
总线418表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
系统412典型地包括多种计算机系统可读存储介质。这些存储介质可以是任何能够被系统412访问的可用存储介质,包括易失性和非易失性存储介质,可移动的和不可移动的存储介质。
系统存储器428可以包括易失性存储器形式的计算机系统可读存储介质,例如随机存取存储器(RAM)430和/或高速缓存存储器432。系统412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统434可以用于读写不可移动的、非易失性磁存储介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光存储介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据存储介质接口与总线418相连。存储器428可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块442的程序/实用工具440,可以存储在例如存储器428中,这样的程序模块462包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块462通常执行本发明所描述的实施例中的功能和/或方法。
系统412也可以与一个或多个外部系统416(例如键盘、指向系统、显示器426等)通信,还可与一个或者多个使得用户能与该系统412交互的系统通信,和/或与使得该系统412能与一个或多个其它计算系统进行通信的任何系统(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且,系统412还可以通过网络适配器420与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器420通过总线418与系统412的其它模块通信。应当明白,尽管图5中未示出,可以结合系统412使用其它硬件和/或软件模块,包括但不限于:微代码、系统驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器416通过运行存储在系统存储器428中的多个程序中其他程序的至少一个,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的一种设备状态评估方法,包括:
将添加有正常状态标签和异常状态标签的设备状态数据输入至预测模型,得到第一预测数据和第二预测数据;
根据所述第一预测数据和设备状态数据的误差值,以及所述第二预测数据和设备状态数据的误差值,确定设备的状态预测值。
实施例五
本发明实施例五还提供了一种包含计算机可执行指令的存储介质,计算机可执行指令在由计算机处理器执行时用于执行一种设备状态评估方法,包括:
将添加有正常状态标签和异常状态标签的设备状态数据输入至预测模型,得到第一预测数据和第二预测数据;
根据所述第一预测数据和设备状态数据的误差值,以及所述第二预测数据和设备状态数据的误差值,确定设备的状态预测值。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的存储介质的任意组合。计算机可读存储介质可以是计算机可读信号存储介质或者计算机可读存储介质。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(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、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。在本发明实施例中,计算机可读存储介质可以是任何包含或存储程序的有形存储介质,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。
计算机可读的信号存储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。计算机可读的信号存储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存储介质,该计算机可读存储介质可以发送、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。
计算机可读存储介质上包含的程序代码可以用任何适当的存储介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
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发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、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系统上执行。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)。
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 (10)
1.一种设备状态评估方法,其特征在于,所述方法包括:
将添加有正常状态标签和异常状态标签的设备状态数据输入至预测模型,得到第一预测数据和第二预测数据;
根据所述第一预测数据和设备状态数据的误差值,以及所述第二预测数据和设备状态数据的误差值,确定设备的状态预测值。
2.根据权利要求1所述的方法,其特征在于,根据所述第一预测数据和设备状态数据的误差值,以及所述第二预测数据和设备状态数据的误差值,确定设备的状态预测值,包括:
确定第一预测数据与设备状态数据的第一均方误差值,以及第二预测数据与设备状态数据的第二均方误差值;
将所述第一均方误差值与第二均方误差值的比值,作为状态预测值。
3.根据权利要求1所述的方法,其特征在于,根据所述第一预测数据和设备状态数据的误差值,以及所述第二预测数据和设备状态数据的误差值,确定设备的状态预测值之后,还包括:
从状态值区间中选出与所述设备的状态预测值差值绝对值小于预设阈值的状态值,作为状态目标值;
根据所述状态目标值在状态值区间中各状态值之中的排序信息,确定设备的健康度值。
4.根据权利要求1所述的方法,其特征在于,将添加有正常状态标签和异常状态标签的设备状态数据输入至预测模型,得到第一预测数据和第二预测数据之前,还包括:
将添加有正常状态标签和异常状态标签的设备历史数据作为训练数据,对基于条件变分自编码器构建的模型进行训练,得到预测模型,并将所述预测模型存储至模型中心。
5.根据权利要求4所述的方法,其特征在于,将添加有正常状态标签和异常状态标签的设备历史数据作为训练数据,对基于条件变分自编码器构建的模型进行训练,得到预测模型之后,还包括:
将添加有正常状态标签和异常状态标签的历史数据作为训练数据,输入至基于条件变分自编码器构建的模型,得到第一状态数据和第二状态数据;
计算第一状态数据与设备历史数据的第三均方误差值,以及第二状态数据与设备历史数据的第四均方误差值;
将所述第三均方误差值与第四均方误差值的比值作为状态值;
对各状态值进行升序排序,根据排序小于预设次序的状态值确定正常状态值区间,根据排序大于等于预设次序的状态值确定异常状态值区间。
6.根据权利要求4所述的方法,其特征在于,将所述预测模型存储至模型中心之后,还包括:
在预设时间间隔之后,以当前数据库中保存的设备历史数据,或者预设时间间隔内对应存储的新增设备历史数据作为训练数据,对基于条件变分自编码器构建的模型进行训练,得到新的预测模型,并将所述新的预测模型存储至模型中心。
7.根据权利要求1所述的方法,其特征在于,将添加有正常状态标签和异常状态标签的设备状态数据输入至预测模型,得到第一预测数据和第二预测数据之前,还包括:
获取设备状态数据,并将所述设备状态数据缓存至数据缓存器;
若缓存时间满足预设时间段,则读取预设时间段内缓存的设备状态数据,并对读取的设备状态数据进行归一化处理。
8.一种设备状态评估装置,其特征在于,所述装置包括:
预测模块,用于将添加有正常状态标签和异常状态标签的设备状态数据输入至预测模型,得到第一预测数据和第二预测数据;
状态预测值确定模块,用于根据所述第一预测数据和设备状态数据的误差值,以及所述第二预测数据和设备状态数据的误差值,确定设备的状态预测值。
9.一种系统,其特征在于,所述系统包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的一种设备状态评估方法。
10.一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1-7中任一所述的一种设备状态评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910363937.8A CN110059894B (zh) | 2019-04-30 | 2019-04-30 | 设备状态评估方法、装置、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910363937.8A CN110059894B (zh) | 2019-04-30 | 2019-04-30 | 设备状态评估方法、装置、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110059894A true CN110059894A (zh) | 2019-07-26 |
CN110059894B CN110059894B (zh) | 2020-06-26 |
Family
ID=67321977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910363937.8A Active CN110059894B (zh) | 2019-04-30 | 2019-04-30 | 设备状态评估方法、装置、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059894B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110502395A (zh) * | 2019-08-09 | 2019-11-26 | 国网山西省电力公司 | 基于聚类的设备运行状态评估方法、终端设备及存储介质 |
CN112819386A (zh) * | 2021-03-05 | 2021-05-18 | 中国人民解放军国防科技大学 | 带有异常的时间序列数据生成方法、系统及存储介质 |
CN114511159A (zh) * | 2022-04-20 | 2022-05-17 | 广东电网有限责任公司佛山供电局 | 基于条件变分自编码器的电力负荷概率预测方法和系统 |
CN114889338A (zh) * | 2022-03-31 | 2022-08-12 | 厦门汉印电子技术有限公司 | 一种侦测阈值设定方法、装置、打印机及存储介质 |
CN117436356A (zh) * | 2023-12-21 | 2024-01-23 | 上海凯士比泵有限公司 | 用于评估泵的性能的方法、设备和存储介质 |
CN117453848A (zh) * | 2023-12-26 | 2024-01-26 | 深圳柯赛标识智能科技有限公司 | 智慧标识管理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150302318A1 (en) * | 2014-04-18 | 2015-10-22 | International Business Machines Corporation | Updating prediction model |
CN108628281A (zh) * | 2017-03-23 | 2018-10-09 | 株式会社日立制作所 | 异常检测系统及异常检测方法 |
CN108900319A (zh) * | 2018-05-30 | 2018-11-27 | 北京百度网讯科技有限公司 | 故障检测方法和装置 |
CN109359733A (zh) * | 2018-10-19 | 2019-02-19 | 中国石油大学(华东) | 一种基于变分自编码器的动态系统运行状态建模方法 |
CN109447263A (zh) * | 2018-11-07 | 2019-03-08 | 任元 | 一种基于生成对抗网络的航天异常事件检测方法 |
-
2019
- 2019-04-30 CN CN201910363937.8A patent/CN110059894B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150302318A1 (en) * | 2014-04-18 | 2015-10-22 | International Business Machines Corporation | Updating prediction model |
CN108628281A (zh) * | 2017-03-23 | 2018-10-09 | 株式会社日立制作所 | 异常检测系统及异常检测方法 |
CN108900319A (zh) * | 2018-05-30 | 2018-11-27 | 北京百度网讯科技有限公司 | 故障检测方法和装置 |
CN109359733A (zh) * | 2018-10-19 | 2019-02-19 | 中国石油大学(华东) | 一种基于变分自编码器的动态系统运行状态建模方法 |
CN109447263A (zh) * | 2018-11-07 | 2019-03-08 | 任元 | 一种基于生成对抗网络的航天异常事件检测方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110502395A (zh) * | 2019-08-09 | 2019-11-26 | 国网山西省电力公司 | 基于聚类的设备运行状态评估方法、终端设备及存储介质 |
CN112819386A (zh) * | 2021-03-05 | 2021-05-18 | 中国人民解放军国防科技大学 | 带有异常的时间序列数据生成方法、系统及存储介质 |
CN114889338A (zh) * | 2022-03-31 | 2022-08-12 | 厦门汉印电子技术有限公司 | 一种侦测阈值设定方法、装置、打印机及存储介质 |
CN114889338B (zh) * | 2022-03-31 | 2023-04-07 | 厦门汉印电子技术有限公司 | 一种侦测阈值设定方法、装置、打印机及存储介质 |
CN114511159A (zh) * | 2022-04-20 | 2022-05-17 | 广东电网有限责任公司佛山供电局 | 基于条件变分自编码器的电力负荷概率预测方法和系统 |
CN114511159B (zh) * | 2022-04-20 | 2022-07-12 | 广东电网有限责任公司佛山供电局 | 基于条件变分自编码器的电力负荷概率预测方法和系统 |
CN117436356A (zh) * | 2023-12-21 | 2024-01-23 | 上海凯士比泵有限公司 | 用于评估泵的性能的方法、设备和存储介质 |
CN117436356B (zh) * | 2023-12-21 | 2024-03-05 | 上海凯士比泵有限公司 | 用于评估泵的性能的方法、设备和存储介质 |
CN117453848A (zh) * | 2023-12-26 | 2024-01-26 | 深圳柯赛标识智能科技有限公司 | 智慧标识管理方法及系统 |
CN117453848B (zh) * | 2023-12-26 | 2024-03-08 | 深圳柯赛标识智能科技有限公司 | 智慧标识管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110059894B (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059894A (zh) | 设备状态评估方法、装置、系统及存储介质 | |
CN110968985B (zh) | 集成电路修补算法确定方法及装置、存储介质、电子设备 | |
CN104809051B (zh) | 用于预测计算机应用中的异常和故障的方法和装置 | |
CN107133118B (zh) | 一种故障诊断模型训练方法、故障诊断方法及相关装置 | |
CN106598822B (zh) | 一种用于容量评估的异常数据检测方法及装置 | |
US8832839B2 (en) | Assessing system performance impact of security attacks | |
CN111881023B (zh) | 一种基于多模型对比的软件老化预测方法及装置 | |
CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN112330488B (zh) | 基于迁移学习的电网频率态势预测方法 | |
CN106503841B (zh) | 指标阈值的确定方法和装置 | |
CN113835060B (zh) | 一种基于数字孪生的电力互感器在线状态监测方法及系统 | |
CN111104736A (zh) | 基于时间序列的异常数据检测方法、装置、介质和设备 | |
CN112632179A (zh) | 模型构建方法、装置、存储介质及设备 | |
CN112882795A (zh) | 虚拟机异常诊断方法、装置、设备及存储介质 | |
CN116304250A (zh) | 一种基于可视化操作的智能规则引擎管理方法及系统 | |
CN113569457A (zh) | 一种基于数字孪生的需求功能模型构建方法及系统 | |
CN110490132B (zh) | 数据处理方法和装置 | |
CN109065176B (zh) | 一种血糖预测方法、装置、终端和存储介质 | |
CN114911788B (zh) | 一种数据插补方法、装置及存储介质 | |
CN115544803B (zh) | 一种变压器剩余寿命预测方法、装置、设备及存储介质 | |
CN111614504A (zh) | 基于时间序列和故障树分析的电网调控数据中心业务特性故障定位方法及系统 | |
CN115452089A (zh) | 一种用于水利水电工程的水位检测装置 | |
CN115952916A (zh) | 基于人工智能的风电功率预测误差修正方法、装置及设备 | |
CN110083899A (zh) | 雷达测元数据的递推诊断与自修复方法 | |
CN110389947A (zh) | 一种黑名单生成方法、装置、设备及介质 |
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 |