CN110471401A - 一种传送设备异常的预测方法、装置和设备 - Google Patents
一种传送设备异常的预测方法、装置和设备 Download PDFInfo
- Publication number
- CN110471401A CN110471401A CN201910816713.8A CN201910816713A CN110471401A CN 110471401 A CN110471401 A CN 110471401A CN 201910816713 A CN201910816713 A CN 201910816713A CN 110471401 A CN110471401 A CN 110471401A
- Authority
- CN
- China
- Prior art keywords
- monitoring data
- transmission equipment
- time
- data
- noise
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明实施例公开了一种传送设备异常的预测方法、装置和设备,应用于机场传送设备的异常预测,预测方法包括:获取传送设备的监测数据,监测数据为截止至当前时间的指定时长内设置于传送设备的传感器所采集的数据以及数据的采集时间;对监测数据进行预处理得到预处理后的监测数据;将预处理后的监测数据输入预先训练的异常预测模型中,以输出所述传送设备发生异常的异常类型和发生时间。采用传送设备的监测数据和预先训练好的异常预测模型预测传送设备的异常类型和发生时间,使得维护人员能够在异常的发生时间前对传送设备进行维护,无需提高日常维护的频率来保证传送设备正常运行,降低了对传送设备日常维护的频率,从而降低了维护成本。
Description
技术领域
本发明实施例涉及传送设备维护技术领域,尤其涉及一种传送设备异常的预测方法、传送设备异常的预测装置和设备。
背景技术
目前机场行李传送设备的日常维护,采用固定时段进行维护,或是随机抽检方式,而传送设备的异常处理则是在异常发生后才进行处理。
在现有技术中,为了降低传送设备发生异常的概率,目前主要通过提高传送设备维护和抽检的频率实现,然而,高频率的日常维护和抽检需要耗费较多的人力和时间成本,而太过稀少的日常维护和抽检虽然节省了维护成本,但由于维护和抽检不足,导致传送设备发生异常的概率提高。
由此,目前迫切需要一种能够预测传送设备异常的方法,以在异常发生前能够对传送设备进行及时维护,保证传送设备正常运行,降低传送设备的维护频率。
发明内容
本发明实施例提供一种传送设备异常的预测方法、传送设备异常的预测装置和设备,以解决目前无法预判传送设备发生异常的时间,需要提高日常维护和抽检频率来保证传送设备正常运行,造成维护成本高的问题。
第一方面,本发明实施例提供了一种传送设备异常的预测方法,应用于机场的传送设备的异常预测,包括:
获取传送设备的监测数据,所述监测数据为截止至当前时间的指定时长内设置于所述传送设备的传感器所采集的数据以及数据的采集时间;
对所述监测数据进行预处理,得到预处理后的监测数据;
将所述预处理后的监测数据输入预先训练的异常预测模型中,以输出所述传送设备发生异常的异常类型和发生时间。
可选地,所述传感器包括温度传感器、噪音传感器、震动传感器和计数器,所述获取传送设备的监测数据,包括:
读取截止至当前时间的指定时长内所述温度传感器、所述噪音传感器、所述震动传感器、所述计数器分别采集到所述传送设备的温度值、噪音值、震动值、传送行李的行李数量以及采集时间,作为监测数据。
可选地,在获取传送设备的监测数据之前,还包括:
记录所述温度传感器按照第一周期采集到的温度值和温度采集时间;
记录所述噪音传感器按照第二周期采集到的噪音值和噪音采集时间;
记录所述震动传感器按照第三周期采集到的震动值和震动值采集时间;
记录所述计数器按照第四周期统计所述传送设备传送行李的行李数量和统计时间。
可选地,所述对所述监测数据进行预处理,得到预处理后的监测数据,包括:
分别对所述温度值、噪音值、震动值和行李数量进行数据清洗、数据标准化预处理;
按照所述温度采集时间、所述噪音采集时间、所述震动值采集时间、所述统计时间分别对预处理后的温度值、噪音值、震动值和行李数量进行排序,以作为预处理后的监测数据。
可选地,还包括:
对预处理后的监测数据进行统计,得到统计结果;
展示所述统计结果;
其中,所述统计结果包括所述温度值、所述噪音值、所述震动值和所述行李数量的平均值,和/或,
所述温度值、所述噪音值、所述震动值和所述行李数量的缺失值;和/或,异常的异常类型、异常总次数、每种类型异常的次数。
可选地,所述将所述预处理后的监测数据输入预先训练的异常预测模型中,以输出所述传送设备发生异常的异常类型和发生时间,包括:
按照所述采集时间,将所述预处理后的监测数据分为多个批次的监测数据;
将所述多个批次的监测数据依次输入所述异常预测模型中,以输出所述传送设备发生异常的异常类型和发生时间。
可选地,所述异常预测模型通过以下方式训练:
获取所述传送设备的历史监测数据,所述历史监测数据包括设置于所述传送设备的传感器所采集的数据和采集时间,以及所述传送设备发生异常的异常类型和发生时间;
对所述历史监测数据进行预处理,得到预处理后的历史监测数据;
基于所述预处理后的历史监测数据生成训练数据集,所述训练数据集包括训练数据和训练标签;
采用所述训练数据和所述训练标签训练初始异常预测模型,获得异常预测模型。
可选地,所述历史监测数据包括温度值和温度采集时间、噪音值和噪音采集时间、震动值和震动值采集时间、行李数量和统计时间,所述基于所述预处理后的历史监测数据生成训练数据集,包括:
将所述温度值和温度采集时间、噪音值和噪音采集时间、震动值和震动值采集时间、行李数量和统计时间作为训练数据;
将所述异常类型和发生时间作为训练标签。
第二方面,本发明实施例提供了一种传送设备异常的预测装置,应用于机场的传送设备的异常预测,包括:
监测数据获取模块,用于获取传送设备的监测数据,所述监测数据为截止至当前时间的指定时长内设置于所述传送设备的传感器所采集的数据以及采集时间;
预处理模块,用于对所述监测数据进行预处理,得到预处理后的监测数据;
预测模块,用于将所述预处理后的监测数据输入预先训练的异常预测模型中,以输出所述传送设备发生异常的异常类型和发生时间。
可选地,所述传感器包括温度传感器、噪音传感器、震动传感器和计数器,所述监测数据获取模块包括:
数据读取子模块,用于读取截止至当前时间的指定时长内所述温度传感器、所述噪音传感器、所述震动传感器、所述计数器分别采集到所述传送设备的温度值、噪音值、震动值、传送行李的行李数量以及采集时间,作为监测数据。
可选地,所述装置还包括:
温度记录模块,用于记录所述温度传感器按照第一周期采集到的温度值和温度采集时间;
噪音记录模块,用于记录所述噪音传感器按照第二周期采集到的噪音值和噪音采集时间;
震动值记录模块,用于记录所述震动传感器按照第三周期采集到的震动值和震动值采集时间;
行李数量记录模块,用于记录所述计数器按照第四周期统计所述传送设备传送行李的行李数量和统计时间。
可选地,所述预处理模块包括:
清洗和标准化子模块,用于分别对所述温度值、噪音值、震动值和行李数量进行数据清洗、数据标准化预处理;
排序子模块,用于按照所述温度采集时间、所述噪音采集时间、所述震动值采集时间、所述统计时间分别对预处理后的温度值、噪音值、震动值和行李数量进行排序,以作为预处理后的监测数据。
可选地,所述装置还包括:
统计模块,用于对预处理后的监测数据进行统计,得到统计结果;
展示所述统计结果;
其中,所述统计结果包括所述温度值、所述噪音值、所述震动值和所述行李数量的平均值,和/或,
所述温度值、所述噪音值、所述震动值和所述行李数量的缺失值;和/或,发生异常的异常类型、异常总次数、每种类型异常的次数。
可选地,所述预测模块包括:
批次划分子模块,用于按照所述采集时间,将所述预处理后的监测数据分为多个批次的监测数据;
数据输入子模块,用于将所述多个批次的监测数据依次输入所述异常预测模型中,以输出所述传送设备发生异常的异常类型和发生时间。
可选地,所述装置还包括模型训练模块,所述模型训练模块包括:
历史监测数据获取子模块,用于获取所述传送设备的历史监测数据,所述历史监测数据包括设置于所述传送设备的传感器所采集的数据和采集时间,以及所述传送设备发生异常的异常类型和发生时间;
历史监测数据预处理子模块,用于对所述历史监测数据进行预处理,得到预处理后的历史监测数据;
训练数据生成子模块,用于基于所述预处理后的历史监测数据生成训练数据集,所述训练数据集包括训练数据和训练标签;
训练子模块,用于采用所述训练数据和所述训练标签训练初始异常预测模型,获得异常预测模型。
可选地,所述历史监测数据包括温度值和温度采集时间、噪音值和噪音采集时间、震动值和震动值采集时间、行李数量和统计时间,所述训练数据生成子模块包括:
训练数据生成单元,用于将所述温度值和温度采集时间、噪音值和噪音采集时间、震动值和震动值采集时间、行李数量和统计时间作为训练数据;
训练标签生成单元,用于将所述异常类型和发生时间作为训练标签。
第三方面,本发明实施例提供了一种设备,所述设备包括:
一个或多个处理器;
存储装置,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本发明实施例任一所述的传送设备异常的预测方法。
本发明实施例通过获取传送设备的监测数据,监测数据为截止至当前时间的指定时长内设置于传送设备的传感器所采集的数据以及数据的采集时间;对监测数据进行预处理得到预处理后的监测数据,然后将预处理后的监测数据输入预先训练的异常预测模型中以输出传送设备发生异常的异常类型和发生时间。本发明实施例能够采用传送设备的监测数据和人工智能预先训练好的异常预测模型预测传送设备的异常类型和发生时间,使得维护人员能够在异常的发生时间前对传送设备进行维护,无需提高日常维护的频率来保证传送设备正常运行,降低了对传送设备日常维护的频率,从而降低了维护成本。
附图说明
图1是本发明实施例一提供的一种传送设备异常的预测方法的流程图;
图2是本发明实施例二提供的一种传送设备异常的预测方法的流程图;
图3是本发明实施例三提供的一种传送设备异常的预测装置的结构框图;
图4是本发明实施例四提供的一种设备的结构框图。
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为本发明实施例一提供的一种传送设备异常的预测方法的流程图,本发明实施例可适用于对机场传送设备预测异常发生的情况,该方法可以由传送设备异常的预测装置来执行,该装置可以通过软件和/或硬件的方式来实现,并集成在执行本方法的设备中,具体地,如图1所示,该方法可以包括如下步骤:
S101、获取传送设备的监测数据,所述监测数据为截止至当前时间的指定时长内设置于所述传送设备的传感器所采集的数据以及数据的采集时间。
本发明实施例中,传送设备可以是机场中用于传送旅客行李的设备,该传送设备可以是登机时传送旅客托运行李的设备,还可以是飞机降落后设置于机场内的行李转盘上的设备,当然还可以是应用于其他领域的传送设备。
设置于传送设备的传感器可以是指温度传感器、噪音传感器、震动传感器、对行李进行计数的计数器等。上述各种传感器可以针对传送设备的核心部件采集数据,比如针对电机采集数据,具体地,上述传感器可以按照一定的周期采集数据,并记录在数据库中,每个数据均包括传感器采集到的数值和采集时间。当然,还可以设置其他类型的传感器获取到监测数据,本发明实施例对传感器的类型和数量不加以限制,对传感器设置于传送设备中的位置也不加以限制。
当需要预测传送设备的异常时,可以获取截止至当前时间的指定时长内的传感器采集的数据以及采集时间作为监测数据,例如,当前系统时间为12:00,当需要预测传送设备异常时,可以从数据库中读取06:00-12:00之间6个小时内传感器采集到数据作为监测数据。
对于获取监测数据的时机可以是检测到预测事件时,例如接收到用户触发的预测指令、预设周期结束或者开始、系统时间为预设时间等等,本发明实施例对获取传送设备的监测数据的时机不加以限制。
S102、对所述监测数据进行预处理,得到预处理后的监测数据。
在实际应用中,监测数据来自不同的数据源及数据接口,因此需要对监测数据进行预处理,具体地,可以对监测数据进行数据整合、数据清洗以及数据标准化等预处理。
其中,数据整合可以是按照监测数据的采集时间将监测数据时间序列化;数据清洗可以是将监测数据中由于外部原因出现异常的数据剔除,例如,剔除由于传感器出错采集到的数据;数据标注化可以是统一同一类型的监测数据的单位、精度等,例如,温度传感器采用的单位有摄氏度、华氏度,精度有小数点后一位、后两位等,则可以将温度传感器采集到的温度值的单位统一转换为摄氏度,精度为小数点后一位。
在实施本发明实施例时,本领域技术人员还可以根据监测数据的不同采用不同的预处理方式,本发明实施例对预处理的方式不加以限制。
S103、将所述预处理后的监测数据输入预先训练的异常预测模型中,以输出所述传送设备发生异常的异常类型和发生时间。
本发明实施例中,预先训练的异常预测模型可以是采用传送设备的历史监测数据训练的模型,该模型在输入监测数据后可以输出传送设备下一次发生异常的时间和异常的类型。其中,异常预测模型可以是Bi-LSTM(Bidirectional Long Short-Term Memory)、RNN(Recurrent Neural Network)、CNN(Convolutional Neural Network)等学习模型,本发明实施例对异常预测模型的类型不加以限制。
本发明实施例将监测数据输入异常检测模型后,可以输出传送设备下一次发生异常的异常代码和发生时间,其中,异常代码表达了具体的异常的类型,发生时间可以是具体的时间,还可以是倒计时间,本发明实施例对异常预测模型输出异常类型和发生时间的形式不加以限制。
在输出异常类型和发生时间后,可以将异常类型和发生时间展示在显示终端上,以便维护人员获知到异常信息以在合适的时间对传送设备进行维护,还可以根据输出的异常类型和发生时间生成维护任务,该维护任务可以包括异常类型、发生时间、异常处理建议、异常处理所需要的工具等,然后将维护任务发送至维护人员的客户端,以便维护人员采取合理的维护措施对传送设备进行维护。
本发明实施例在获取传送设备的监测数据后对监测数据进行预处理得到预处理后的监测数据,然后将预处理后的监测数据输入预先训练的异常预测模型中以输出传送设备发生异常的异常类型和发生时间,实现了采用传送设备的监测数据和人工智能预先训练好的异常预测模型预测传送设备的异常类型和发生时间,使得维护人员能够在异常的发生时间前对传送设备进行维护,无需提高日常维护的频率来保证传送设备正常运行,降低了对传送设备日常维护的频率,从而降低了维护成本。
实施例二
图2为本发明实施例二提供的一种传送设备异常的预测方法的流程图,本发明实施例在前述实施例一的基础上进行优化,具体地,如图2所示,该方法可以包括如下步骤:
S201、读取截止至当前时间的指定时长内温度传感器、噪音传感器、震动传感器、计数器分别采集到传送设备的温度值、噪音值、震动值、传送行李的行李数量以及采集时间,作为监测数据。
在本发明实施例中,传送设备上设置有温度传感器、噪音传感器、震动传感器、计数器,其中,温度传感器用于采集传送设备的温度值,噪音传感器用于采集传送设备的在运行时发出的声音的分贝值、震动传感器用于采集传送设备的震动数据,计数器可以对传送的行李进行计数,具体地,传送设备中电机比较容易出现故障,可以通过温度传感器、噪音传感器、震动传感器分别采集电机的温度值、噪音值和震动值,然后通过计数器对传送带的行李进行计数。
在本发明的可选实施例中,可以记录温度传感器按照第一周期采集到的温度值和温度采集时间,记录噪音传感器按照第二周期采集到的噪音值和噪音采集时间,记录震动传感器按照第三周期采集到的震动值和震动值采集时间,记录计数器按照第四周期统计传送设备传送行李的行李数量和统计时间。
传感器记录到的数据可以存储至数据库中,在检测到异常预测事件时,可以从数据库中读取截止至当前时间的指定时长内的监测数据,例如当前时间为12:00,指定时长为6小时,则可以读取06:00-12:00传感器采集的监测数据。
下表1为读取到的部分监测数据的一个示例:
表1:
时间 | 0 | 2 | 4 | 5 | 6 | 8 | 9 | 10 | 12 | 14 | 15 | 16 | 17 | 18 |
温度1 | 27 | 35 | 29 | 40 | ||||||||||
温度2 | 30 | 40 | 35 | 45 | ||||||||||
温度3 | 26 | 38 | 28 | 38 | ||||||||||
震动X | 0.5 | 0.3 | 0.8 | 0.2 | 0.3 | 0.3 | 0.2 | 0.8 | 0.9 | 0.5 | ||||
震动Y | 0.6 | 0.4 | 0.9 | 0.1 | 0.2 | 0.4 | 0.1 | 0.9 | 1.0 | 0.6 | ||||
震动Z | 0 | 0.1 | 0.5 | 0 | 0.1 | 0.2 | 0 | 0.4 | 0.6 | 0 | ||||
噪音 | 40 | 35 | 60 | |||||||||||
异常 | A03 | B21 |
如上表1所示,温度1为电机上第一端面处的温度传感器1采集的温度,温度2为电机上中间位置的温度传感器2采集的温度,温度3为电机上第二端面处的温度传感器3采集的温度,温度采集的时间周期为5分钟;震动X、震动Y、震动Z可以是震动传感器采集到的电机输出轴在X、Y、Z三个方向上的震动量,其采集周期为2分钟,噪音为噪音传感器采集到电机工作时的噪音值,其采集周期为5分钟,异常为记录到的异常类型,上表1中15分钟内发生两次异常,一次发生在第4分钟,另一次发生在第15分钟。
以上表1仅为读取到部分时间段内的监测数据的示例,在实际应用中,可以根据实际情况设置各个传感器采集数据的周期,上表中的时间也不仅仅是时间间隔,还可以是具体的时间点,即传感器采集数据的具体时间。
S202、分别对所述温度值、噪音值、震动值和行李数量进行数据清洗、数据标准化预处理。
在实际应用中,监测数据来自不同的数据源及数据接口,因此需要对监测数据进行预处理,具体地,可以对监测数据进行数据整合、数据清洗以及数据标准化等预处理。
其中,数据整合可以是按照监测数据的采集时间将监测数据时间序列化;数据清洗可以是将将监测数据中由于外部原因导致异常的数据剔除,例如,剔除由于传感器出错采集到的异常数据;数据标注化可以是统一同一类型的数据的单位、精度等,例如,温度传感器采用的单位有摄氏度、华氏度,精度有小数点后一位、后两位等,则可以加个温度传感器采集的温度的单位统一处理为摄氏度,精度为小数点后一位。
在实施本发明实施例时,本领域技术人员还可以根据监测数据的不同采用不同的预处理方式,本发明实施例对预处理的方式不加以限制。
S203、按照所述温度采集时间、所述噪音采集时间、所述震动值采集时间、所述统计时间分别对预处理后的温度值、噪音值、震动值和行李数量进行排序,以作为预处理后的监测数据。
具体地,以各传感器采集数据的时间为顺序,将预处理后的监测数据序列化,如下表2所示为预处理后的监测数据:
表2
如表2所示为预处理后的监测数据,其中第一行为以1分钟为时间间隔的时间序列,第二行到第四行为温度值,第五行到第七行为震动值,第八行为噪音值,第九行为异常代码,对于行李数量也按照行李数量的统计时间序列化,在此不再详述。
通过对监测数据进行预处理,可以防止出现错误的监测数据以及规范化监测数据,使得输入异常预测模型中的监测数据更加准确,从而提高了异常预测的准确度。
在得到预处理后的检查数据后,可以对监测数据进行统计,并展示统计结果。例如,可以计算指定时间段内的温度值、噪音值、震动值和行李数量的平均值,并展示平均值,以使得用户获知到传送设备的运行负荷情况,还可以统计指定时间段内温度值、噪音值、震动值和行李数量的缺失值,以使得用户可以根据缺失值获知到各个传感器是否正常工作,获知传感器是否出现故障,以及时更换传感器,还可以统计指定时间段内发生异常的异常类型、异常总次数、每种类型异常的次数,以根据指定时间段内传送带的异常情况执行相应的应对措施。
S204、按照所述采集时间,将所述预处理后的监测数据分为多个批次的监测数据。
具体地,可以按照时间序列,将预处理后的监测数据划分为多个批次,例如,可以按照每32分钟的时间间隔,将预处理后的监测数据分为多个批次的监测数据,每个批次的监测数据包括温度值、震动值、噪音值和行李数量。
当然,也可以按照时间顺序,根据系统中处理器的计算性能,将预处理后的监测数据划分为多个批次,例如,06:00-12:00的监测数据总共为1G,则可以按照时间顺序,将1G的监测数据分为10个批次,每个批次的数据大小为100M。
在实施本发明实施例时,本领域技术人员还可以采用其他方式将监测数据分为多个批次,本发明实施例对此不加以限制。
S205、将所述多个批次的监测数据依次输入所述异常预测模型中,以输出所述传送设备发生异常的异常类型和发生时间。
在本发明实施例中,异常预测模型通过以下方式训练:获取传送设备的历史监测数据,该历史监测数据包括设置于传送设备的传感器所采集的数据和采集时间,以及传送设备发生异常的异常类型和发生时间;对历史监测数据进行预处理得到预处理后的历史监测数据;基于预处理后的历史监测数据生成训练数据集,该训练数据集包括训练数据和训练标签;采用训练数据和训练标签训练初始异常预测模型,获得异常预测模型。
其中,历史监测数据包括温度值和温度采集时间、噪音值和噪音采集时间、震动值和震动值采集时间、行李数量和统计时间,生成训练数据集时可以将温度值和温度采集时间、噪音值和噪音采集时间、震动值和震动值采集时间、行李数量和统计时间作为训练数据;将异常类型和发生时间作为训练标签,对于历史监测数据,如果没有发生异常,则训练标签为正常。
对历史监测数据进行预处理的方式可以参考S202-S203,在此不再详述。
本发明实施例在训练初始异常预测模型时,可以按照一定的数据量读取训练数据输入初始异常预测模型中,输出异常类型和发生时间,根据该输出的异常类型和发生时间与训练标签中的异常类型和发生时间计算损失率,如果损失率未满足预设值,则梯度下降学习率,对初始异常预测模型的模型参数进行调整,并继续采用训练数据训练调整模型参数后的初始异常预测模型,直到损失率满足预设值为止,从而得到最终的异常预测模型。
本发明实施例的异常预测模型可以是Bi-LSTM(Bidirectional Long Short-TermMemory)、RNN(Recurrent Neural Network)、CNN(Convolutional Neural Network)等学习模型,对于不同的学习模型可以基于模型本身的训练方法进行训练采用训练数据集训练学习模型得到最终的异常预测模型。
在训练好异常预测模型后,可以将监测数据输入至异常预测模型,以输出下一次异常发生的时间和异常类型,示例性地,异常类型可以包含:Motor MCB380V(某个电动机故障)、Bag jam(行李遭卡住)、Shaft encoder(旋转译码器故障)、Fault stop(系统因出错而自动停机)、Hand-off-auto(手动自动转换)等等,上述异常种类还可以以代码表达,例如,输出:异常A003将于2315分钟后发生、异常B21将于45分钟后发生、异常G485将于54155分钟后发生等等,当然也可以输出某年某月某日的具体的时刻发生异常,本发明实施例对输出异常类型和发生时间的形式不加以限制。
本发明实施例读取截止至当前时间的指定时长内温度传感器、噪音传感器、震动传感器、计数器分别采集到传送设备的温度值、噪音值、震动值、传送行李的行李数量以及采集时间作为监测数据,并分别对温度值、噪音值、震动值和行李数量进行数据清洗、数据标准化预处理,按照温度采集时间、噪音采集时间、震动值采集时间、统计时间分别对预处理后的温度值、噪音值、震动值和行李数量进行排序以作为预处理后的监测数据,然后按照采集时间将预处理后的监测数据分为多个批次的监测数据,将多个批次的监测数据依次输入异常预测模型中,以输出传送设备发生异常的异常类型和发生时间,实现了采用传送设备的监测数据和人工智能预先训练好的异常预测模型预测传送设备的异常类型和发生时间,使得维护人员能够在异常的发生时间前对传送设备进行维护,无需提高日常维护的频率来保证传送设备正常运行,降低了对传送设备日常维护的频率,从而降低了维护成本。
实施例三
图3是本发明实施例三提供的一种传送设备异常的预测装置的结构框图,本发明实施例的传送设备异常的预测装置具体可以包括如下模块:
监测数据获取模块301,用于获取传送设备的监测数据,所述监测数据为截止至当前时间的指定时长内设置于所述传送设备的传感器所采集的数据以及采集时间;
预处理模块302,用于对所述监测数据进行预处理,得到预处理后的监测数据;
预测模块303,用于将所述预处理后的监测数据输入预先训练的异常预测模型中,以输出所述传送设备发生异常的异常类型和发生时间。
可选地,所述传感器包括温度传感器、噪音传感器、震动传感器和计数器,所述监测数据获取模块301包括:
数据读取子模块,用于读取截止至当前时间的指定时长内所述温度传感器、所述噪音传感器、所述震动传感器、所述计数器分别采集到所述传送设备的温度值、噪音值、震动值、传送行李的行李数量以及采集时间,作为监测数据。
可选地,所述装置还包括:
温度记录模块,用于记录所述温度传感器按照第一周期采集到的温度值和温度采集时间;
噪音记录模块,用于记录所述噪音传感器按照第二周期采集到的噪音值和噪音采集时间;
震动值记录模块,用于记录所述震动传感器按照第三周期采集到的震动值和震动值采集时间;
行李数量记录模块,用于记录所述计数器按照第四周期统计所述传送设备传送行李的行李数量和统计时间。
可选地,所述预处理模块302包括:
清洗和标准化子模块,用于分别对所述温度值、噪音值、震动值和行李数量进行数据清洗、数据标准化预处理;
排序子模块,用于按照所述温度采集时间、所述噪音采集时间、所述震动值采集时间、所述统计时间分别对预处理后的温度值、噪音值、震动值和行李数量进行排序,以作为预处理后的监测数据。
可选地,所述装置还包括:
统计模块,用于对预处理后的监测数据进行统计,得到统计结果;
展示所述统计结果;
其中,所述统计结果包括所述温度值、所述噪音值、所述震动值和所述行李数量的平均值,和/或,
所述温度值、所述噪音值、所述震动值和所述行李数量的缺失值;和/或,发生异常的异常类型、异常总次数、每种类型异常的次数。
可选地,所述预测模块303包括:
批次划分子模块,用于按照所述采集时间,将所述预处理后的监测数据分为多个批次的监测数据;
数据输入子模块,用于将所述多个批次的监测数据依次输入所述异常预测模型中,以输出所述传送设备发生异常的异常类型和发生时间。
可选地,所述装置还包括模型训练模块,所述模型训练模块包括:
历史监测数据获取子模块,用于获取所述传送设备的历史监测数据,所述历史监测数据包括设置于所述传送设备的传感器所采集的数据和采集时间,以及所述传送设备发生异常的异常类型和发生时间;
历史监测数据预处理子模块,用于对所述历史监测数据进行预处理,得到预处理后的历史监测数据;
训练数据生成子模块,用于基于所述预处理后的历史监测数据生成训练数据集,所述训练数据集包括训练数据和训练标签;
训练子模块,用于采用所述训练数据和所述训练标签训练初始异常预测模型,获得异常预测模型。
可选地,所述历史监测数据包括温度值和温度采集时间、噪音值和噪音采集时间、震动值和震动值采集时间、行李数量和统计时间,所述训练数据生成子模块包括:
训练数据生成单元,用于将所述温度值和温度采集时间、噪音值和噪音采集时间、震动值和震动值采集时间、行李数量和统计时间作为训练数据;
训练标签生成单元,用于将所述异常类型和发生时间作为训练标签。
本发明实施例所提供的传送设备异常的预测装置可执行本发明任意实施例所提供的传送设备异常的预测方法,具备执行方法相应的功能模块和有益效果。
实施例四
参照图4,示出了本发明一个示例中的一种设备的结构示意图。如图4所示,该设备具体可以包括:处理器40、存储器41、具有触摸功能的显示屏42、输入装置43、输出装置44以及通信装置45。该设备中处理器40的数量可以是一个或者多个,图4中以一个处理器40为例。该设备中存储器41的数量可以是一个或者多个,图4中以一个存储器41为例。该设备的处理器40、存储器41、显示屏42、输入装置43、输出装置44以及通信装置45可以通过总线或者其他方式连接,图4中以通过总线连接为例。
存储器41作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明任意实施例所述的传送设备异常的预测方法对应的程序指令/模块(例如,上述传送设备异常的预测装置中的监测数据获取模块301、预处理模块302和预测模块303)。存储器41可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作装置、至少一个功能所需的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器41可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器41可进一步包括相对于处理器40远程设置的存储器,这些远程存储器可以通过网络连接至设备。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。
显示屏42为具有触摸功能的显示屏42,其可以是电容屏、电磁屏或者红外屏。一般而言,显示屏42用于根据处理器40的指示显示数据,还用于接收作用于显示屏42的触摸操作,并将相应的信号发送至处理器40或其他装置。可选的,当显示屏42为红外屏时,其还包括红外触摸框,该红外触摸框设置在显示屏42的四周,其还可以用于接收红外信号,并将该红外信号发送至处理器40或者其他设备。
通信装置45,用于与其他设备建立通信连接,其可以是有线通信装置和/或无线通信装置。
输入装置43可用于接收输入的数字或者字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入,还可以是用于获取图像的摄像头以及获取音频数据的拾音设备。输出装置44可以包括扬声器等音频设备。需要说明的是,输入装置43和输出装置44的具体组成可以根据实际情况设定。
处理器40通过运行存储在存储器41中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述传送设备异常的预测方法。
具体地,实施例中,处理器40执行存储器41中存储的一个或多个程序时,具体实现本发明实施例提供的传送设备异常的预测方法的步骤。
本发明实施例还提供一种计算机可读存储介质,所述存储介质中的指令由设备的处理器执行时,使得设备能够执行如上述方法实施例所述的传送设备异常的预测方法。
需要说明的是,对于装置、设备、存储介质实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,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,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是机器人,个人计算机,服务器,或者网络设备等)执行本发明任意实施例所述的传送设备异常的预测方法。
值得注意的是,上述传送设备异常的预测装置中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
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,本发明不限于这里所述的特定实施例,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)
1.一种传送设备异常的预测方法,其特征在于,应用于机场传送设备的异常预测,包括:
获取传送设备的监测数据,所述监测数据为截止至当前时间的指定时长内设置于所述传送设备的传感器所采集的数据以及数据的采集时间;
对所述监测数据进行预处理,得到预处理后的监测数据;
将所述预处理后的监测数据输入预先训练的异常预测模型中,以输出所述传送设备发生异常的异常类型和发生时间。
2.根据权利要求1所述的方法,其特征在于,所述传感器包括温度传感器、噪音传感器、震动传感器和计数器,所述获取传送设备的监测数据,包括:
读取截止至当前时间的指定时长内所述温度传感器、所述噪音传感器、所述震动传感器、所述计数器分别采集到所述传送设备的温度值、噪音值、震动值、传送行李的行李数量以及采集时间,作为监测数据。
3.根据权利要求2所述的方法,其特征在于,在获取传送设备的监测数据之前,还包括:
记录所述温度传感器按照第一周期采集到的温度值和温度采集时间;
记录所述噪音传感器按照第二周期采集到的噪音值和噪音采集时间;
记录所述震动传感器按照第三周期采集到的震动值和震动值采集时间;
记录所述计数器按照第四周期统计所述传送设备传送行李的行李数量和统计时间。
4.根据权利要求3所述的方法,其特征在于,所述对所述监测数据进行预处理,得到预处理后的监测数据,包括:
分别对所述温度值、噪音值、震动值和行李数量进行数据清洗、数据标准化预处理;
按照所述温度采集时间、所述噪音采集时间、所述震动值采集时间、所述统计时间分别对预处理后的温度值、噪音值、震动值和行李数量进行排序,以作为预处理后的监测数据。
5.根据权利要求4所述的方法,其特征在于,还包括:
对预处理后的监测数据进行统计,得到统计结果;
展示所述统计结果;
其中,所述统计结果包括所述温度值、所述噪音值、所述震动值和所述行李数量的平均值,和/或,
所述温度值、所述噪音值、所述震动值和所述行李数量的缺失值,
和/或,
发生异常的异常类型、异常总次数、每种类型异常的次数。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述将所述预处理后的监测数据输入预先训练的异常预测模型中,以输出所述传送设备发生异常的异常类型和发生时间,包括:
按照所述采集时间,将所述预处理后的监测数据分为多个批次的监测数据;
将所述多个批次的监测数据依次输入所述异常预测模型中,以输出所述传送设备发生异常的异常类型和发生时间。
7.根据权利要求1所述的方法,其特征在于,所述异常预测模型通过以下方式训练:
获取所述传送设备的历史监测数据,所述历史监测数据包括设置于所述传送设备的传感器所采集的数据和采集时间,以及所述传送设备发生异常的异常类型和发生时间;
对所述历史监测数据进行预处理,得到预处理后的历史监测数据;
基于所述预处理后的历史监测数据生成训练数据集,所述训练数据集包括训练数据和训练标签;
采用所述训练数据和所述训练标签训练初始异常预测模型,获得异常预测模型。
8.根据权利要求7所述的方法,其特征在于,所述历史监测数据包括温度值和温度采集时间、噪音值和噪音采集时间、震动值和震动值采集时间、行李数量和统计时间,所述基于所述预处理后的历史监测数据生成训练数据集,包括:
将所述温度值和温度采集时间、噪音值和噪音采集时间、震动值和震动值采集时间、行李数量和统计时间作为训练数据;
将所述异常类型和发生时间作为训练标签。
9.一种传送设备异常的预测装置,其特征在于,应用于机场的传送设备的异常预测,包括:
监测数据获取模块,用于获取传送设备的监测数据,所述监测数据为截止至当前时间的指定时长内设置于所述传送设备的传感器所采集的数据以及采集时间;
预处理模块,用于对所述监测数据进行预处理,得到预处理后的监测数据;
预测模块,用于将所述预处理后的监测数据输入预先训练的异常预测模型中,以输出所述传送设备发生异常的异常类型和发生时间。
10.一种设备,其特征在于,所述设备包括:
一个或多个处理器;
存储装置,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1-8中任一所述的传送设备异常的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910816713.8A CN110471401B (zh) | 2019-08-30 | 2019-08-30 | 一种传送设备异常的预测方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910816713.8A CN110471401B (zh) | 2019-08-30 | 2019-08-30 | 一种传送设备异常的预测方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110471401A true CN110471401A (zh) | 2019-11-19 |
CN110471401B CN110471401B (zh) | 2021-08-17 |
Family
ID=68514323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910816713.8A Active CN110471401B (zh) | 2019-08-30 | 2019-08-30 | 一种传送设备异常的预测方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110471401B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183919A (zh) * | 2020-05-22 | 2021-01-05 | 海克斯康制造智能技术(青岛)有限公司 | 质量预测系统和质量预测方法 |
CN113029234A (zh) * | 2021-02-24 | 2021-06-25 | 北京中大科慧科技发展有限公司 | 用于数据中心的机房温湿度环境检测方法及系统 |
CN114509064A (zh) * | 2022-02-11 | 2022-05-17 | 上海思岚科技有限公司 | 一种自主扩展传感器数据处理的方法、接口及设备 |
CN117387909A (zh) * | 2023-10-30 | 2024-01-12 | 南通康盛医疗器械有限公司 | 一种医用光学仪器性能检测系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834579A (zh) * | 2014-02-10 | 2015-08-12 | 富士施乐株式会社 | 故障预测系统和故障预测设备 |
KR20150125172A (ko) * | 2014-04-30 | 2015-11-09 | 한국산업기술대학교산학협력단 | 고장 진단이 가능한 컨베이어 시스템 및 그의 제어방법 |
CN107942792A (zh) * | 2017-11-22 | 2018-04-20 | 山东师范大学 | 一种多平台的生产流水线机械设备控制系统及方法 |
CN108268970A (zh) * | 2017-12-05 | 2018-07-10 | 盈盛资讯科技有限公司 | 一种基于htm的传送带故障预测方法、系统及装置 |
CN109524139A (zh) * | 2018-10-23 | 2019-03-26 | 中核核电运行管理有限公司 | 一种基于设备工况变化的实时设备性能监测方法 |
CN109934412A (zh) * | 2019-03-18 | 2019-06-25 | 无锡雪浪数制科技有限公司 | 基于时序预测模型的实时设备异常检测装置及方法 |
CN110119339A (zh) * | 2019-05-07 | 2019-08-13 | 上海电气集团股份有限公司 | 工业设备的健康状态的评估方法、系统、设备和存储介质 |
-
2019
- 2019-08-30 CN CN201910816713.8A patent/CN110471401B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834579A (zh) * | 2014-02-10 | 2015-08-12 | 富士施乐株式会社 | 故障预测系统和故障预测设备 |
KR20150125172A (ko) * | 2014-04-30 | 2015-11-09 | 한국산업기술대학교산학협력단 | 고장 진단이 가능한 컨베이어 시스템 및 그의 제어방법 |
CN107942792A (zh) * | 2017-11-22 | 2018-04-20 | 山东师范大学 | 一种多平台的生产流水线机械设备控制系统及方法 |
CN108268970A (zh) * | 2017-12-05 | 2018-07-10 | 盈盛资讯科技有限公司 | 一种基于htm的传送带故障预测方法、系统及装置 |
CN109524139A (zh) * | 2018-10-23 | 2019-03-26 | 中核核电运行管理有限公司 | 一种基于设备工况变化的实时设备性能监测方法 |
CN109934412A (zh) * | 2019-03-18 | 2019-06-25 | 无锡雪浪数制科技有限公司 | 基于时序预测模型的实时设备异常检测装置及方法 |
CN110119339A (zh) * | 2019-05-07 | 2019-08-13 | 上海电气集团股份有限公司 | 工业设备的健康状态的评估方法、系统、设备和存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183919A (zh) * | 2020-05-22 | 2021-01-05 | 海克斯康制造智能技术(青岛)有限公司 | 质量预测系统和质量预测方法 |
CN113029234A (zh) * | 2021-02-24 | 2021-06-25 | 北京中大科慧科技发展有限公司 | 用于数据中心的机房温湿度环境检测方法及系统 |
CN113029234B (zh) * | 2021-02-24 | 2022-04-22 | 北京中大科慧科技发展有限公司 | 用于数据中心的机房温湿度环境检测方法及系统 |
CN114509064A (zh) * | 2022-02-11 | 2022-05-17 | 上海思岚科技有限公司 | 一种自主扩展传感器数据处理的方法、接口及设备 |
CN117387909A (zh) * | 2023-10-30 | 2024-01-12 | 南通康盛医疗器械有限公司 | 一种医用光学仪器性能检测系统 |
CN117387909B (zh) * | 2023-10-30 | 2024-05-17 | 南通康盛医疗器械有限公司 | 一种医用光学仪器性能检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110471401B (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110471401A (zh) | 一种传送设备异常的预测方法、装置和设备 | |
CN110347116B (zh) | 一种基于运行数据流的机床状态监测系统与监测方法 | |
US6240329B1 (en) | Method and apparatus for a semiconductor wafer inspection system using a knowledge-based system | |
Camci et al. | Feature evaluation for effective bearing prognostics | |
CN101590918B (zh) | 卫星自主故障诊断方法及其诊断系统 | |
CN109255523B (zh) | 基于kks编码规则和大数据架构的分析指标计算平台 | |
Hjort et al. | Tests for constancy of model parameters over time | |
DE102016013406B4 (de) | Verfahren zum Betrieb eines Zustandsüberwachungssystems einer Schwingmaschine und Zustandsüberwachungssystem | |
US20120271962A1 (en) | Achieving Lossless Data Streaming in a Scan Based Industrial Process Control System | |
CN101939766A (zh) | 监控和量化自动化生产设备性能的系统和方法 | |
CN111611294B (zh) | 星敏感器数据异常检测方法 | |
US20150134585A1 (en) | Computer-based extraction of complex building operation rules for products and services | |
CN116008701B (zh) | 用于智能高压开关柜的电动机构运行诊断系统及方法 | |
CN110388315A (zh) | 基于多源信息融合的输油泵故障识别方法、装置及系统 | |
CN115238785A (zh) | 基于图像融合和集成网络的旋转机械故障诊断方法和系统 | |
CN110297258B (zh) | 一种单调递增计数类遥测参数异常自动判别方法及系统 | |
US8073587B2 (en) | Diagnostic method for locating a failure in a complex system, and a device for implementing said method | |
CN113111585A (zh) | 一种智能机柜故障预测方法、系统及智能机柜 | |
Bondavalli et al. | Modeling and analysis of a scheduled maintenance system: a DSPN approach | |
CN115829536A (zh) | 电力网中逐渐发展的故障 | |
CN112073544B (zh) | 用于处理传感器数据的方法、计算设备和计算机存储介质 | |
EP3706048A1 (en) | Anomaly prediction in an industrial system | |
CN117466153B (zh) | 故障检测方法、装置、计算机设备和可读存储介质 | |
CN117407784B (zh) | 面向传感器数据异常的旋转机械智能故障诊断方法及系统 | |
CN103942615A (zh) | 噪点剔除方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |