CN110426634B - 一种用于驱动系统的异常预测的方法及设备 - Google Patents
一种用于驱动系统的异常预测的方法及设备 Download PDFInfo
- Publication number
- CN110426634B CN110426634B CN201910850372.6A CN201910850372A CN110426634B CN 110426634 B CN110426634 B CN 110426634B CN 201910850372 A CN201910850372 A CN 201910850372A CN 110426634 B CN110426634 B CN 110426634B
- Authority
- CN
- China
- Prior art keywords
- driving system
- parameters
- state
- abnormal
- determining
- 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
- 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
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
Abstract
本申请的目的是提供一种用于驱动系统的异常预测的方法及设备，本申请通过获取驱动系统的当前响应参数以及获取驱动系统的历史状态参数；根据所述当前响应参数及所述历史状态参数确定对应的第一特征及第二特征；根据所述第一特征及所述第二特征建立所述驱动系统的状态分布图；根据所述状态分布图确定异常风险所在区域，将所述异常风险区域进行量化，根据量化的结果预测所述驱动系统的异常信息。从而能够预测驱动系统在未来可能发生的异常，以及预测时不需要追加额外的传感器。
Description
技术领域
本申请涉及机械设备数据分析领域，尤其涉及一种用于驱动系统的异常预测的方法及设备。
背景技术
在输送设备(比如汽车)的生产制造中，各种电机驱动系统广泛应用于生产钱，而驱动系统是否正常工作，对生产线的可靠生产影响重大。因此，对驱动系统的异常诊断以及预测尤为重要。
现有的一些追加额外的传感器的技术，比如振动、温度传感器，可以一定程度实现异常诊断功能，但是安装传感器的成本以及现场的空间限制和后期改造可能带来的新的问题隐患，导致追加新的硬件且不能对未来趋势进行预测。在工厂的实际生产中，人工标记数据的正常或异常是比较困难的，通常异常的数据记录也是比较少，所以需要使用无监督学习来得到一个模型。另外，变频器和PLC等控制器的通讯资源通常是有限的，应该尽量少的占用通道。
发明内容
本申请的一个目的是提供一种用于驱动系统的异常预测的方法及设备，解决现有技术中诊断驱动系统异常时需要追加额外的传感器以及不能进行预测驱动系统可能发生异常的问题。
根据本申请的一个方面，提供了一种用于驱动系统的异常预测的方法，该方法包括：
获取驱动系统的当前响应参数以及获取驱动系统的历史状态参数；
根据所述当前响应参数及所述历史状态参数确定对应的第一特征及第二特征；
根据所述第一特征及所述第二特征建立所述驱动系统的状态分布图；
根据所述状态分布图确定异常风险所在区域，将所述异常风险所在区域进行量化，根据量化的结果预测所述驱动系统的异常信息。
进一步地，获取驱动系统的当前响应参数，包括：
根据驱动系统的运动控制和程序启动的信息确定基准程序；
获取所述基准程序运行时的所述驱动系统的当前响应参数。
进一步地，获取驱动系统的历史状态参数，包括：
获取多个时间段内获取的驱动系统的响应参数；
根据每一时段内的响应参数判断所述驱动系统的状态，得到多次判断结果，获取该多次判断结果作为历史状态参数。
进一步地，所述基准程序包括所述驱动系统的运动控制的位置变化信息以及标志位。
进一步地，所述方法包括：
获取所述基准程序运行时的所述位置变化信息对应的所述驱动系统的响应参数；
根据所述基准程序的标志位计算节拍时间；
利用分位数及所述节拍时间标记所述响应参数，根据标记后的响应参数确定数据采集项特征值范围。
进一步地，获取所述基准程序运行时的所述驱动系统的当前响应参数之后，包括：
根据所述数据采集项特征值范围定位所述当前响应参数中出现异常的参数。
进一步地，所述驱动系统的状态分布图，包括：所述当前状态的分布区域、所述驱动系统的健康状态的分布区域及所述驱动系统的多类异常状态下的分布区域。
进一步地，根据所述状态分布图确定异常风险所在区域，包括：
确定所述当前状态的分布区域与所述健康状态的分布区域的第一重叠区域；
确定所述当前状态的分布区域与至少一类异常状态下的分布区域的第二重叠区域；
根据所述第一重叠区域以及所述第二重叠区域确定异常风险所在区域。
进一步地，根据所述基准程序的标志位计算节拍时间，包括：
根据所述基准程序的标志位获取所述基准程序的开始时间和结束时间；
根据所述开始时间和结束时间计算节拍时间。
进一步地，根据所述数据采集项特征值范围定位所述当前响应参数中出现异常的参数之后，包括：
获取由指定时间段内的所述驱动系统的响应参数确定的所有异常警告信息，其中，所述异常警告信息由定位出的异常的参数触发确定；
确定所有异常警告信息对应的查全率及虚警率；
根据所述查全率及所述虚警率校验所述数据采集项特征值范围的准确性。
根据本申请另一个方面，还提供了一种用于驱动系统的异常预测的设备，该设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如前述所述方法的操作。
根据本申请再一个方面，还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如前述所述的方法。
与现有技术相比，本申请通过获取驱动系统的当前响应参数以及获取驱动系统的历史状态参数；根据所述当前响应参数及所述历史状态参数确定对应的第一特征及第二特征；根据所述第一特征及所述第二特征建立所述驱动系统的状态分布图；根据所述状态分布图确定异常风险所在区域，将所述异常风险所在区域进行量化，根据量化的结果预测所述驱动系统的异常信息。从而能够预测驱动系统在未来可能发生的异常，以及预测时不需要追加额外的传感器。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出根据本申请的一个方面提供的一种用于驱动系统的异常预测的方法流程示意图；
图2示出本申请一实施例中驱动系统的状态分布图的示意图；
图3示出本申请一实施例中电机在设定工况下的表现示意图；
图4示出本申请一实施例中运行基准程序时获得的数据的示意图；
图5示出本申请一具体实施例中时实际应用中根据标记后的响应参数确定数据采集项特征值范围的示意图；
图6(1)-6(4)分别示出本申请一实施例中不同循环次数对应的波形示意图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本申请作进一步详细描述。
在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(例如中央处理器(Central Processing Unit，CPU))、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RandomAccess Memory，RAM)和/或非易失性内存等形式，如只读存储器(Read Only Memory，ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质用于实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(Phase-ChangeRAM，PRAM)、静态随机存取存储器(Static Random Access Memory，SRAM)、动态随机存取存储器(Dynamic Random Access Memory，DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(Compact DiscRead-Only Memory，CD-ROM)、数字多功能光盘(Digital Versatile Disk，DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
图1示出根据本申请的一个方面提供的一种用于驱动系统的异常预测的方法流程示意图，该方法包括：步骤S11～步骤S14，
在步骤S11中，获取驱动系统的当前响应参数以及获取驱动系统的历史状态参数；在此，驱动系统为输送设备中用于驱动输送设备进行运行的系统，驱动系统的当前响应参数为本次用于判断驱动系统是否异常的响应参数，当前响应参数可为驱动系统的各项数据，包括但不限于电机电流、电压、扭矩、转速等，反应了驱动系统在设定工况下的表现。驱动系统的历史状态参数为过去对该驱动系统进行异常检测时得到的状态结果，比如为健康状态、正常状态、失效状态等。
在步骤S12中，根据所述当前响应参数及所述历史状态参数确定对应的第一特征及第二特征；在此，当前响应参数以及历史状态参数包括多类参数，确定每一类参数的第一特征和第二特征，其中，第一特征为自变量，第二特征为第一特征的因变量，如当前响应参数中包括3类参数(电流、电压、转速)，则确定电流的第一特征和第二特征，电压的第一特征和第二特征，转速的第一特征和第二特征，比如电流的第一特征为时间，第二特征为时间对应的电流值。历史状态参数比如包括健康状态、失效状态、异常状态等，确定出每一状态参数对应的第一特征和第二特征。
随后，在步骤S13中，根据所述第一特征及所述第二特征建立所述驱动系统的状态分布图；在此，确定出每一类参数对应的第一特征以及第二特征后，建立该驱动系统的状态分布图，其中，可以根据第一特征及第二特征作为坐标系的横轴和纵轴，如图2所示，在一个坐标系中根据第一特征和第二特征的分布划分了若干个区域。在步骤S14中，根据所述状态分布图确定异常风险所在区域，将所述异常风险所在区域进行量化，根据量化的结果预测所述驱动系统的异常信息。在此，根据状态分布图中的划分的区域查找到当前响应参数的分布区域以及历史状态参数所在的分布区域，根据所有分布区域的重叠情况定位出异常风险所在区域，重叠部分表示相似程度，将该相似程度进行量化，从而判断驱动系统的异常信息，包括当前响应参数中是否存在异常参数或其中的某一类或某几类响应参数引起的故障，以及随着时间的推移，状态分布图中的分布区域发生偏移，可根据偏移后的状态分布图对未来某个时间进行预测该驱动系统可能会发生的异常或故障。
在本申请一实施例中，在步骤S11中，根据驱动系统的运动控制和程序启动的信息确定基准程序；获取所述基准程序运行时的所述驱动系统的当前响应参数。在此，在驱动系统的控制程序中植入基准程序，该基准程序为一段标准程序，驱动系统按照该标准程序完成一个标准工况的动作，从而获得标准程序完成后驱动系统的相关参数的响应。收集标准程序运行时，驱动系统(比如电机驱动单元)的各项数据，包括但不限于电机电流、电压、扭矩、转速等，需要说明的是，这些数据为反馈值不是设定值，它们反映了电机在设定工况(即标准程序)下的表现；如图3所示，电机在设定工况下的表现的示意图，其中，C1、C2、C3表示电机的三类参数的响应，即在设定工况下的表现。
本申请通过在控制程序中植入一段标准程序，驱动系统按照该标准程序完成一个标准工况的工作，实现与工业逻辑的一致性，得到一致性结果，通过比较完成该标准程序时，设备其他参数的响应，识别出驱动系统“正常”状态响应，收到响应偏离“正常”状态时，触发异常警告。另外，不需要追加传感器部署，改造成本低。
在本申请一实施例中，在步骤S11中，获取多个时间段内获取的驱动系统的响应参数；根据每一时段内的响应参数判断所述驱动系统的状态，得到多次判断结果，获取该多次判断结果作为历史状态参数。在此，通过基准程序获取多个时间段内的驱动系统的响应参数，即获取多组历史响应参数，判断每一时间段内的响应参数对应的驱动系统的状态，比如在前三个时间段内驱动系统的状态为健康状态，在第4个时间段内判断出驱动系统的状态为异常状态，则将每一时间段内判断的结果作为该驱动系统的历史状态参数，为建立状态分布图提供数据基础。
在本申请一实施例中，所述基准程序包括所述驱动系统的运动控制的位置变化信息以及标志位。在此，根据驱动系统特点和场景编制一段基准程序，该基准程序包含一个驱动系统的运动控制和程序是否启动信息，为驱动系统提供一个相同工况，构造一个相同的比较基准，将该基准程序放入驱动系统的控制器中，当驱动系统空闲时，运行该基准程序。如图4所示，该基准程序至少包含一套设备的运动控制，即位置变化(A线条)，和标志位即该基准程序是否运行(B线条)。通过使用基准程序，需要的输入参数比较少，仅需要一个标志位和一个控制变量，可以节约通信资源。
在本申请一实施例中，所述方法包括：步骤S15，获取所述基准程序运行时的所述位置变化信息对应的所述驱动系统的响应参数；根据所述基准程序的标志位计算节拍时间；利用分位数及所述节拍时间标记所述响应参数，根据标记后的响应参数确定数据采集项特征值范围。随后，根据所述数据采集项特征值范围定位所述当前响应参数中出现异常的参数。
在此，收集基准程序运行时驱动系统的运动控制的相关数据，具体为电机驱动单元的位置数据(如图4中的A线条)，通过基准程序的标志位计算节拍时间，利用分位数标记离群节拍，比如将样本中节拍时间5％分位数以下，95％分位数以上作为离群值从训练样本中求出，将非离群数据标记为“正常”数据；提取标记“正常”数据集的采集项的特征值，将“正常”数据集项特征值的范围作为模型，例如，如果“正常”数据集电机电流的最大值在716.5～2306.5之间波动，则模型将认为电机电流最大值在716.5～2306.5之间为正常，超出这个区间为异常。如图5所示，为一具体实施例中时实际应用中根据标记后的响应参数确定数据采集项特征值范围的示意图，其中，标记后的响应参数包括扭矩、电流，横轴为扭矩平均值，纵轴为电流最大值，“正常”数据集的数据为P边框所示，数据集项扭矩的范围为：19.7767≤扭矩平均值≤-17.7382，电流的范围为：716.5≤电流最大值≤2306.5；循环数＝1,13,16,227,2136为异常循环。需要说明的是，分位数为连续分布函数中的一个点，该点对应概率p，例如，5％分位数表明样本中5％数据小于该分位数。通过使用基于分位数的离群值过滤的计算，相比于平滑处理的方法计算量更小，更节约计算资源。
接上述实施例，根据所述基准程序的标志位计算节拍时间时，可以根据所述基准程序的标志位获取所述基准程序的开始时间和结束时间；根据所述开始时间和结束时间计算节拍时间。在此，节拍时间为每完成一次基准程序花费的时间，节拍时间＝节拍结束时间-节拍开始时间，还可以计算获取得到的训练集中相对时间，其中，相对时间＝绝对时间-节拍开始时间，通过对筛选后的训练集中绝对时间处理为相对时间，使得获得的运动控制的位置数据在不同循环中进行比较、聚合，从而得到驱动系统的状态信息。
具体地，所述驱动系统的状态分布图，包括：所述当前状态的分布区域、所述驱动系统的健康状态的分布区域及所述驱动系统的多类异常状态下的分布区域。在此，继续参考图2，可以将这些分布区域进行建模，从而对驱动系统进行异常诊断及预测，其中，S1表示健康状态，S2表示当前状态，S3表示失效状态(异常状态)，D表示驱动系统的性能衰退，M1表示预测的失效概率，M2表示预测的置信度，M3表示预测的不确定性，E表示模型预测的验证，F表示模型预测结果。需要说明的是，上述所述的建模包括步骤S11～步骤S14的过程以及步骤S15的过程。
在本申请一实施例中，在步骤S14中，确定所述当前状态的分布区域与所述健康状态的分布区域的第一重叠区域；确定所述当前状态的分布区域与至少一类异常状态下的分布区域的第二重叠区域；根据所述第一重叠区域以及所述第二重叠区域确定异常风险所在区域。在此，当前响应参数中的某一类与分布图中已有的异常风险分布区域发生部分或全部重叠，当发生部分重叠时，同时该类参数也与健康状态的分布区域发生重叠，将当前状态的分布区域与健康状态的分布区域的重叠部分作为第一重叠区域，将当前状态的分布区域与不同故障或异常模式下的分布区域的重叠部分作为第二重叠区域，重叠表示相似度，则利用第一重叠区域与第二重叠区域的大小确定该当前响应参数中的该类参数是否异常，具体地将重叠区域进行量化，根据两者量化的结果进行比较，确定出异常风险所在的区域。随着时间的推移，分布图可能会慢慢向某一个状态发展的趋势，则所量化的结果就形成一个时间序列，该时间序列表示衰退的轨迹，进而根据该衰退轨迹可以对未来驱动系统的参数进行预测，推断出在未来的什么时间会发生什么问题或故障；实现预测的功能，有效避免设备的计划外停机，降低维护成本，提高经济效益。
在本申请一实施例中，根据所述数据采集项特征值范围定位所述当前响应参数中出现异常的参数之后，可以获取由指定时间段内的所述驱动系统的响应参数确定的所有异常警告信息，其中，所述异常警告信息由定位出的异常的参数触发确定；确定所有异常警告信息对应的查全率及虚警率；根据所述查全率及所述虚警率校验所述数据采集项特征值范围的准确性。在此，通过比较完成基准程序时驱动系统的参数响应，识别出“正常”状态响应，收到响应偏离“正常”状态时，触发异常警告，识别时根据确定的数据采集项特征值范围进行，定位出偏离范围的状态；对基于基准程序获取到响应的参数，进而得到确定的数据采集项特征值范围，利用该范围识别结果这一过程进行校验，确定识别的所有异常警告信息对应的查全率以及虚警率，从而根据这两个值判断确定出的数据采集项特征值范围是否准确。具体校验过程，如使用2019.9.2-2019.9.3的时间段内中的18个小时收集到的数据作为训练集，以响应参数轴弧度为例，假设未报警循环均为正常循环(总共循环数为2136次)，如表1所示：
| 预测--异常 | 预测--正常 | |
| 实际--异常 | TP＝4 | FN＝0 |
| 实际--正常 | FP＝1 | TN＝2136 |
表1
其中，TP为真正例(True Positive)，FP为假正例(False Positive)，TN为真反例(True Negative)，FN为假反例(False Negative)，查全率为被检测出的“异常”占实际“异常”的百分比，虚警率为虚报“异常”占总报警量的百分比。根据表1所得的查全率＝TP/(TP+FN)＝100％，虚警率＝FP/(TP+FP)＝20％。循环次数分别为Cycle＝1,13,16,227时的波形图如图6(1)-6(4)，其中，N1线条表示轴弧度“正常”样本的最小值，N2线条表示轴弧度“正常”样本的最大值，N3线条表示轴弧度“正常”样本的均值，N4线条表示轴弧度该循环的表现，在N1和N2之间表示可以接受。根据波形图的分析，可知图6(2)，Cycle＝13时可能是误报。
此外，本申请实施例还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现前述一种用于驱动系统的异常预测的方法。
在本申请一实施例中，还提供了一种用于驱动系统的异常预测的设备，所述设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如前述所述方法的操作。
例如，计算机可读指令在被执行时使所述一个或多个处理器：
获取驱动系统的当前响应参数以及获取驱动系统的历史状态参数；
根据所述当前响应参数及所述历史状态参数确定对应的第一特征及第二特征；
根据所述第一特征及所述第二特征建立所述驱动系统的状态分布图；
根据所述状态分布图确定异常风险所在区域，将所述异常风险区域进行量化，根据量化的结果预测所述驱动系统的异常信息。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本申请的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
Claims (12)
1.一种用于驱动系统的异常预测的方法，其特征在于，所述方法包括：
获取驱动系统的当前响应参数以及获取驱动系统的历史状态参数；
根据所述当前响应参数及所述历史状态参数确定对应的第一特征及第二特征；
根据所述第一特征及所述第二特征建立所述驱动系统的状态分布图；
根据所述状态分布图确定异常风险所在区域，将所述异常风险所在区域进行量化，根据量化的结果预测所述驱动系统的异常信息。
2.根据权利要求1所述的方法，其特征在于，获取驱动系统的当前响应参数，包括：
根据驱动系统的运动控制和程序启动的信息确定基准程序；
获取所述基准程序运行时的所述驱动系统的当前响应参数。
3.根据权利要求1所述的方法，其特征在于，获取驱动系统的历史状态参数，包括：
获取多个时间段内获取的驱动系统的响应参数；
根据每一时段内的响应参数判断所述驱动系统的状态，得到多次判断结果，获取该多次判断结果作为历史状态参数。
4.根据权利要求2所述的方法，其特征在于，所述基准程序包括所述驱动系统的运动控制的位置变化信息以及标志位。
5.根据权利要求4所述的方法，其特征在于，所述方法包括：
获取所述基准程序运行时的所述位置变化信息对应的所述驱动系统的响应参数；
根据所述基准程序的标志位计算节拍时间；
利用分位数及所述节拍时间标记所述响应参数，根据标记后的响应参数确定数据采集项特征值范围。
6.根据权利要求5所述的方法，其特征在于，获取所述基准程序运行时的所述驱动系统的当前响应参数之后，包括：
根据所述数据采集项特征值范围定位所述当前响应参数中出现异常的参数。
7.根据权利要求1所述的方法，其特征在于，所述驱动系统的状态分布图，包括：所述当前状态的分布区域、所述驱动系统的健康状态的分布区域及所述驱动系统的多类异常状态下的分布区域。
8.根据权利要求7所述的方法，其特征在于，根据所述状态分布图确定异常风险所在区域，包括：
确定所述当前状态的分布区域与所述健康状态的分布区域的第一重叠区域；
确定所述当前状态的分布区域与至少一类异常状态下的分布区域的第二重叠区域；
根据所述第一重叠区域以及所述第二重叠区域确定异常风险所在区域。
9.根据权利要求5所述的方法，其特征在于，根据所述基准程序的标志位计算节拍时间，包括：
根据所述基准程序的标志位获取所述基准程序的开始时间和结束时间；
根据所述开始时间和结束时间计算节拍时间。
10.根据权利要求6所述的方法，其特征在于，根据所述数据采集项特征值范围定位所述当前响应参数中出现异常的参数之后，包括：
获取由指定时间段内的所述驱动系统的响应参数确定的所有异常警告信息，其中，所述异常警告信息由定位出的异常的参数触发确定；
确定所有异常警告信息对应的查全率及虚警率；
根据所述查全率及所述虚警率校验所述数据采集项特征值范围的准确性。
11.一种用于驱动系统的异常预测的设备，其中，所述设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如权利要求1至10中任一项所述方法的操作。
12.一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1至10中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910850372.6A CN110426634B (zh) | 2019-09-10 | 2019-09-10 | 一种用于驱动系统的异常预测的方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910850372.6A CN110426634B (zh) | 2019-09-10 | 2019-09-10 | 一种用于驱动系统的异常预测的方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110426634A CN110426634A (zh) | 2019-11-08 |
| CN110426634B true CN110426634B (zh) | 2020-08-18 |
Family
ID=68418853
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910850372.6A Active CN110426634B (zh) | 2019-09-10 | 2019-09-10 | 一种用于驱动系统的异常预测的方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110426634B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111240928B (zh) * | 2020-01-06 | 2024-04-09 | 上海闻泰信息技术有限公司 | 设备驱动自动化检测方法、装置、设备及存储介质 |
| CN111694820A (zh) * | 2020-04-27 | 2020-09-22 | 深圳华工能源技术有限公司 | 电力异常数据多重过滤方法、装置、电子设备及存储介质 |
| CN111694819A (zh) * | 2020-04-27 | 2020-09-22 | 深圳华工能源技术有限公司 | 基于分位距算法的电力异常数据过滤方法及装置 |
| CN113009341A (zh) * | 2021-03-24 | 2021-06-22 | 河南中烟工业有限责任公司 | 电机异常状态的监测方法及系统 |
| CN113030725A (zh) * | 2021-03-24 | 2021-06-25 | 河南中烟工业有限责任公司 | 电机工况的匹配方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1862278A (zh) * | 2005-05-12 | 2006-11-15 | 通用电气公司 | 预测电动机剩余寿命的方法和系统 |
| JP2010210440A (ja) * | 2009-03-10 | 2010-09-24 | Nissan Motor Co Ltd | モータの結線検査方法および結線検査装置 |
| CN103308855A (zh) * | 2013-05-29 | 2013-09-18 | 上海电机学院 | 基于灰色关联的风力发电机组故障诊断方法及装置 |
| JP2016029759A (ja) * | 2014-07-25 | 2016-03-03 | キヤノン株式会社 | 撮像装置の欠陥画素検出方法 |
| CN107016404A (zh) * | 2017-02-24 | 2017-08-04 | 沈阳工业大学 | 基于d‑s证据融合的风力发电机组故障预测方法 |
| KR101823922B1 (ko) * | 2017-05-15 | 2018-01-31 | (주)대한시스템 | 능동적 상태진단이 가능한 모터기동시스템 |
| CN108375729A (zh) * | 2018-02-02 | 2018-08-07 | 北京航空航天大学 | 基于Fisher判别的电机SOM聚类退化状态评估方法 |
| CN108562854A (zh) * | 2018-04-08 | 2018-09-21 | 华中科技大学 | 一种电机异常状态在线预警方法 |
| CN108696368A (zh) * | 2017-04-05 | 2018-10-23 | 华为技术有限公司 | 一种网元健康状态的检测方法及设备 |
-
2019
- 2019-09-10 CN CN201910850372.6A patent/CN110426634B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1862278A (zh) * | 2005-05-12 | 2006-11-15 | 通用电气公司 | 预测电动机剩余寿命的方法和系统 |
| JP2010210440A (ja) * | 2009-03-10 | 2010-09-24 | Nissan Motor Co Ltd | モータの結線検査方法および結線検査装置 |
| CN103308855A (zh) * | 2013-05-29 | 2013-09-18 | 上海电机学院 | 基于灰色关联的风力发电机组故障诊断方法及装置 |
| JP2016029759A (ja) * | 2014-07-25 | 2016-03-03 | キヤノン株式会社 | 撮像装置の欠陥画素検出方法 |
| CN107016404A (zh) * | 2017-02-24 | 2017-08-04 | 沈阳工业大学 | 基于d‑s证据融合的风力发电机组故障预测方法 |
| CN108696368A (zh) * | 2017-04-05 | 2018-10-23 | 华为技术有限公司 | 一种网元健康状态的检测方法及设备 |
| KR101823922B1 (ko) * | 2017-05-15 | 2018-01-31 | (주)대한시스템 | 능동적 상태진단이 가능한 모터기동시스템 |
| CN108375729A (zh) * | 2018-02-02 | 2018-08-07 | 北京航空航天大学 | 基于Fisher判别的电机SOM聚类退化状态评估方法 |
| CN108562854A (zh) * | 2018-04-08 | 2018-09-21 | 华中科技大学 | 一种电机异常状态在线预警方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于稀疏编码的设备状态识别及其重型轧辊磨床监测应用;刘海宁;《中国博士学位论文全文数据库工程科技Ⅰ辑》;20111215(第12期);B022-57-正文第59-66页 * |
| 电机状态异常数据检测算法研究;杨全纬 等;《组合机床与自动化加工技术》;20160831(第8期);第34-38页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110426634A (zh) | 2019-11-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110426634B (zh) | 一种用于驱动系统的异常预测的方法及设备 | |
| Shi et al. | Rolling bearing initial fault detection using long short-term memory recurrent network | |
| CN108647136B (zh) | 基于smart信息和深度学习的硬盘损坏预测方法及装置 | |
| CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| CN112346941A (zh) | 一种故障诊断方法及装置 | |
| JP5016519B2 (ja) | 予測的状態監視のための診断システムおよび方法 | |
| WO2021027213A1 (zh) | 检测方法、装置、电子设备和计算机可读介质 | |
| US11657121B2 (en) | Abnormality detection device, abnormality detection method and computer readable medium | |
| US20200143292A1 (en) | Signature enhancement for deviation measurement-based classification of a detected anomaly in an industrial asset | |
| JP2015026252A (ja) | 異常検知装置及びプログラム | |
| CA2471013A1 (en) | Method and system for analyzing and predicting the behavior of systems | |
| CN101299004A (zh) | 一种基于确定学习理论的振动故障诊断方法 | |
| EP3948438B1 (en) | Method and system for anomaly detection and diagnosis in industrial processes and equipment | |
| Züfle et al. | A machine learning-based workflow for automatic detection of anomalies in machine tools | |
| CN110858072B (zh) | 设备运行状态的确定方法及装置 | |
| US11726469B2 (en) | Error-based method for calculating a remaining useful life of an apparatus | |
| Cipollini et al. | Unsupervised deep learning for induction motor bearings monitoring | |
| CN113762344A (zh) | 机床主轴的故障识别方法、故障识别模型训练方法及装置 | |
| CN117270514B (zh) | 基于工业物联网的生产过程全流程故障检测方法 | |
| CN111191838A (zh) | 一种集成人工智能算法的工业设备状态管控方法和装置 | |
| US20080288213A1 (en) | Machine condition monitoring using discontinuity detection | |
| CN110780198B (zh) | 一种伺服焊接系统运动的波形识别方法及设备 | |
| CN113210824B (zh) | 一种伺服焊枪驱动的异常检测方法及设备 | |
| US20210080924A1 (en) | Diagnosis Method and Diagnosis System for a Processing Engineering Plant and Training Method | |
| JP6898607B2 (ja) | 異常予兆検出システムおよび異常予兆検出方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200709 Address after: Room 301-2, 3 / F, building 3, 455 Zhujiang Road, hi tech Zone, Suzhou City, Jiangsu Province Applicant after: Dazhi (Suzhou) Technology Co., Ltd Address before: Room 681, gate 2, No. 148, Lane 999, XINER Road, Baoshan District, Shanghai 201900 Applicant before: SHANGHAI DAZHI TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20211223 Address after: 200233 room 902, No. 418, Guiping Road, Xuhui District, Shanghai Patentee after: SHANGHAI DAZHI TECHNOLOGY CO.,LTD. Address before: Room 301-2, floor 3, building 3, No. 455, Zhujiang Road, high tech Zone, Suzhou, Jiangsu 215505 Patentee before: Dazhi (Suzhou) Technology Co., Ltd |