CN110781220A - 故障预警方法、装置、存储介质和电子设备 - Google Patents
故障预警方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN110781220A CN110781220A CN201910891128.4A CN201910891128A CN110781220A CN 110781220 A CN110781220 A CN 110781220A CN 201910891128 A CN201910891128 A CN 201910891128A CN 110781220 A CN110781220 A CN 110781220A
- Authority
- CN
- China
- Prior art keywords
- real
- early warning
- data
- time data
- historical
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 abstract description 14
- 238000012545 processing Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 238000013500 data storage Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Probability & Statistics with Applications (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种故障预警方法、装置、存储介质和电子设备,其中方法包括:获取实时数据;从历史数据库中选取与所述实时数据匹配的历史数据;根据所述历史数据的预警结果和运行结果,确定所述实时数据的预警结果。本发明实施例提供的方法、装置、存储介质和电子设备,通过与实时数据匹配的历史数据的预警结果和运行结果,确定实时数据的预警结果,无需预先设定监测阈值,避免了由于监测阈值的主观性导致的预警结果不准确的问题,提高了预警结果的可靠性和准确性。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种故障预警方法、装置、存储介质和电子设备。
背景技术
在生产环境中,会遇到一些需要进行数据测量并且反馈结果的情况。在完成数据采集和展示的时候,可能故障已经发生甚至已经造成了损失。因此,亟需在故障尚未出现的时候,通过已有的数据特征,进行风险评估,当出现某些危险特征时,对用户提出预警。
目前,大多数的监测系统都没有对实时数据进行分析处理,只是对实时数据进行简单封装和展示,用户只能得到当前的状态,不易在短时间内通过当前状态进行具体的分析评估。
虽然也存在部分监测系统可以根据预先设定的监测阈值,与实时数据进行比较,从而为用户提供故障预警。但是,监测阈值是固定值,监测阈值的通常是工作人员根据经验设定的,监测阈值的选取具有很强的主观性,因此导致故障预警的准确性低,可信度差。
发明内容
本发明实施例提供一种故障预警方法、装置、存储介质和电子设备,用以解决现有的通过经验设定的监测阈值进行故障预警的方法准确性低,可信度差的问题。
第一方面,本发明实施例提供一种故障预警方法,包括:
获取实时数据;
从历史数据库中选取与所述实时数据匹配的历史数据;
根据所述历史数据的预警结果和运行结果,确定所述实时数据的预警结果。
第二方面,本发明实施例提供一种故障预警装置,包括:
实时数据获取单元,用于获取实时数据;
历史数据选取单元,用于从历史数据库中选取与所述实时数据匹配的历史数据;
预警单元,用于根据所述历史数据的预警结果和运行结果,确定所述实时数据的预警结果。
第三方面,本发明实施例提供一种电子设备,包括处理器、通信接口、存储器和总线,其中,处理器,通信接口,存储器通过总线完成相互间的通信,处理器可以调用存储器中的逻辑指令,以执行如第一方面所提供的方法的步骤。
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,该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的故障预警方法、装置、存储介质和电子设备,通过与实时数据匹配的历史数据的预警结果和运行结果,确定实时数据的预警结果,无需预先设定监测阈值,避免了由于监测阈值的主观性导致的预警结果不准确的问题,提高了预警结果的可靠性和准确性。
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故障预警方法的流程示意图;
图2为本发明实施例提供的数据存储结果示意图;
图3为本发明实施例提供的故障预警系统架构示意图;
图4为本发明实施例提供的实时数据的结构示意图;
图5为本发明另一实施例提供的故障预警方法的流程示意图;
图6为本发明又一实施例提供的故障预警方法的流程示意图;
图7为本发明实施例提供的故障预警装置的结构示意图;
图8为本发明实施例提供的电子设备的结构示意图。
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。
图1为本发明实施例提供的故障预警方法的流程示意图,如图1所示,故障预警方法包括:
步骤110,获取实时数据。
具体地,实时数据是需要进行故障预警的设备在运行过程中实时生成的特征数据,例如需要进行故障预警的设备为水电机组,实时数据是水电机组在运行过程中产生的机组振动频率、水流峰值或振摆幅度等特征数据。
步骤120,从历史数据库中选取与实时数据匹配的历史数据。
具体地,历史数据库中存储有需要进行故障预警的设备的历史数据,历史数据是指设备在以前的运行中生成的特征数据。与实时数据匹配的历史数据可以是与实时数据的值相同或相近的历史数据,从历史数据库中选取与实时数据匹配的历史数据可以是从历史数据库中选取与实时数据相同的历史数据,或者从历史数据库中选取与实时数据的差值在预先设定的范围内的历史数据,本发明实施例对此不作具体限定。
步骤130,根据历史数据的预警结果和运行结果,确定实时数据的预警结果。
具体地,历史数据的预警结果和运行数据可以是预先存储在历史数据库中的,也可以是根据历史数据进行分析得到的。其中预警结果是在设备产生历史数据时,对历史数据进行故障预警的结果,运行结果是根据历史数据产生之后一段时间的历史数据得到的设备的运行情况。预警结果可以是生成预警或不生成预警,运行结果为发生故障或正常运行。
本发明实施例提供的方法,通过与实时数据匹配的历史数据的预警结果和运行结果,确定实时数据的预警结果,无需预先设定监测阈值,避免了由于监测阈值的主观性导致的预警结果不准确的问题,提高了预警结果的可靠性和准确性。
基于上述实施例,该方法中,步骤130具体包括:基于历史数据的预警结果和运行结果,计算预警结果与运行结果一致的第一概率,以及预警结果为生成预警的第二概率;若第一概率大于第一预设概率阈值,且第二概率大于第二预设概率阈值,则确定实时数据的预警结果为生成预警。
其中,第一概率是预警结果与运行结果一致的历史数据数量与全部历史数据数量的比值,第二概率是预警结果为生成预警的历史数据数量与全部历史数据数量的比值。假设与实时数据相匹配的历史数据共10个,其中8个历史数据的预警结果与运行结果一致,5个历史数据的预警结果为生成预警,则第一概率为80%,第二概率为50%。
第一预设概率阈值是确定实时数据的预警结果为生成预警时第一概率的最小值,第二预设概率阈值是确定实时数据的预警结果为生成预警时第二概率的最小值,假设第一预设概率阈值为70%,第二预设概率阈值为40%,则80%>70%,50%>40%,则确定实时数据的预警结果为生成预警。若第一概率小于等于第一预设概率阈值,或第二概率小于等于第二预设概率阈值,则确定实时数据的预警结果为不生成预警。
基于上述任一实施例,该方法中,步骤120具体包括:
步骤121,计算实时数据与判断阈值的差值,基于差值和预设差值范围确定历史差值范围。
具体地,判断阈值是预先设定的阈值,实时数据与判断阈值相减即可得到两者的差值。预设差值范围为预先设定的区间,例如实时数据与判断阈值的差值为2,预设差值范围为[-0.5,0.5],则对应的历史差值范围为[1.5,2.5]。其中,历史差值范围用于从历史数据库中选取与实时数据相匹配的历史数据。
步骤122,从历史数据库中选取与判断阈值的差值在历史差值范围内的历史数据。
具体地,获取历史数据库中每一历史数据与判断阈值的差值,若任一历史数据的与判断阈值的差值在历史差值范围内,则从历史数据库中选取该历史数据作为与实时数据相匹配的历史数据。
本发明实施例提供的方法,通过判断阈值从历史数据库中选取与实时数据相匹配的历史数据,为预警结果的确定提供了依据。
基于上述任一实施例,该方法中,步骤130之后还包括:基于实时数据后预设时间段内的数据确定实时数据的运行结果;若实时数据的预警结果与实时数据的运行结果不一致,则确定参考差值;参考差值为历史数据库中运行结果与实时数据的运行结果一致的历史数据与判断阈值的差值;基于参考差值以及实时数据,调整判断阈值。
具体地,得到实时数据的预警结果后,设备持续运行。在设备运行预设时间段之后,即可得到预设时间段内设备运行的数据,并由此确定实时数据的运行结果,即设备运行是否发生故障。在得到运行结果后,比较实时数据的预警结果与运行结果是否一致:
若预警结果为生成预警,运行结果为发生故障,或者预警结果为不生成预警,运行结果为正常运行,即预警结果与运行结果一致,则不对判断阈值进行调整;
若预警结果为生成预警,运行结果为正常运行,或者预警结果为不生成预警,运行结果为发生故障,即预警结果与运行结果不一致,则需要对判断阈值进行调整,具体的调整方法如下:
从历史数据库中选取运行结果与实时数据的运行结果一致的历史数据,计算上述历史数据与判断阈值的差值,作为参考差值。在得到参考差值后,以保持实时数据与判断阈值的差值与参考差值一致为目的,将实时数据与参考差值相减后的结果作为判断阈值。
本发明实施例提供的方法,在实时数据的预警结果和运行结果不一致的情况下,调整判断阈值,从而实现判断阈值的在线调整,保证故障预警的准确性。
基于上述任一实施例,该方法中,基于实时数据后预设时间段内的数据确定实时数据的运行结果,之后还包括:将实时数据及其预警结果和运行结果保存在历史数据库中。
具体地,在完成实时数据的故障预警,并得到实时数据的运行结果后,将实时数据作为历史数据存入历史数据库,并对应保存实时数据的预警结果和运行结果作为该历史数据的预警结果和运行结果,以便于在后续获取新的实时数据后,能够将上述完成故障预警的实时数据及其预警结果和运行结果应用在后续新的实时数据的故障预警中,从而不断提高故障预警的准确性。
基于上述任一实施例,该方法中,步骤120之前还包括:从Mysql数据库中提取历史数据;对历史数据进行缺失数据填充;基于历史数据对应的站点、机组和测点,将历史数据存储在历史数据库中;历史数据库是Redis内存数据库。
Mysql是一个关系型数据库管理系统,关系数据库将数据保存在不同的表中,增加了速度并提高了灵活性。本发明实施例中,需要进行故障预警的可能是一个项目,一个项目下可能存在多个站点,任一站点可能存在多个机组,各个机组的实际情况可能存在差异,且针对任一机组可能存在多个测点,不同测点用于测量不同类型的实时数据,因此在应用Mysql进行数据存储时,可以根据站点、机组、测点对不同类型的历史数据进行分表存储,以提高故障预警的针对性。
其中,缺失数据填充发生在将历史数据存入历史数据库之前。缺失数据填充的存在原因是在一些特殊情况下比如传感器断路的情况下,进行数据的填充,以防进行数据分析时因数据缺失造成结果的异常。数据结果一般选择填充-1值,当进行数据处理时可以明确知道传感器的状态时,可以填充以往的经验正常值,正常值的取值,可以由外部赋值也可以根据上一次的数据进行填充,本发明实施例对此不作具体限定。
在执行故障预警方法的过程中,为了快速对历史数据进行获取解析,需要使用高速缓存来进行历史数据的存取。本发明实施例中选择使用Redis作为高速数据存储的模式。Redis是一个开源的使用ANSI C语言编写、支持网络、可基于内存亦可持久化的日志型、Key-Value数据库。内存数据库是建立在内存上的数据库。直接从内存读取,相比从硬盘读取具有明显的速度优势。在使用Redis的基础上配合使用连接池技术,多次分段获取测量数据,实现了高速进行历史数据访问的需求。
图2为本发明实施例提供的数据存储结果示意图,如图2所示,在得到实时数据之后,通过数据访问微服务将实时数据存入Mysql,并从Mysql中提取历史数据,以实现Redis中历史数据的更新。图2中,数据访问微服务为Redis更新的参数即各个站点下各个机组的各个测点对应的判断阈值,机器学习模型用于实现与实时数据相匹配的历史数据的提取和故障预警。本发明实施例中,采用分库分表的方式对历史数据进行存储。同时对MySql进行读写分离,Redis中的历史数据写入到MySql和从Mysql中读取历史数据分开,尽可能减少数据库读取时间消耗带来的结果不准确性。
基于上述任一实施例,该方法中,实时数据和历史数据对应相同的站点、机组和测点,以提高故障预警的针对性。
基于上述任一实施例,图3为本发明实施例提供的故障预警系统架构示意图,如图3所示,由于单个项目下可能存在多个站点,单个站点下可能存在多个机组,单个机组下可能存在多个测点,由此导致实时数据的数据量过大。为了解决单台服务器无法处理单个项目下多大的数据量的问题,本发明实施例中设置了微服务框架,将数据处理部分拆分为微服务集群,对外暴露数据处理的接口,在数据存取的服务中调用数据处理的接口,实现数据输入量和数据处理速度的控制。在应用微服务集群之前,需要通过微服务的治理框架zookeeper注册服务。
图3中的微服务集群包括数据访问微服务集群、实时数据处理微服务集群以及机器学习微服务集群。其中,数据访问微服务集群用于根据采集得到的实时数据,读取与判断阈值的差值在历史差值范围内的历史数据,从而实时数据处理微服务集群提供数据,以便于实时数据处理微服务集群根据历史数据的预警结果和运行结果,确定实时数据的预警结果。机器学习微服务集群用于根据实时数据处理微服务集群进行实时数据处理的情况,调整判断阈值,更新算法,以便于实时数据处理微服务集群更好地进行数据处理。
基于上述任一实施例,图4为本发明实施例提供的实时数据的结构示意图,如图4所示,实时数据首先可以根据站点,分为不同站点的数据。其次,针对任一站点的数据,还可以根据站点下的机组,分为不同机组的数据。再者,针对任一机组,还可以根据机组下的测点,分为不同测点的数据。在进行实时数据或历史数据的存储时,根据数据对应的站点、机组、测点进行分类存储,便于直接读取对应的站点、机组、测点的数据。
基于上述任一实施例,图5为本发明另一实施例提供的故障预警方法的流程示意图,如图5所示,故障预警方法包括:
传感器采集得到实时数据后,按照站点、机组和测点对实时数据进行分割,分割完成后对实时数据中的缺失数据进行填充,随即对实时数据进行存储。此处,当项目为水利项目时,实时数据的类型包括机组振动频率、水流峰值和振摆幅度等。
存储完成后,将实时数据与对应的判断阈值相减,得到两者的差值,进而基于两者的差值和预设差值范围确定历史差值范围。此处,预设差值范围与实时数据的类型相关,例如振动幅度的加速度的预设差值范围要小于振动幅度的速度的预设差值范围。
获取历史数据库中每一历史数据与判断阈值的差值,若任一历史数据的与判断阈值的差值在历史差值范围内,则从历史数据库中提取该历史数据。随后,基于从历史数据库中提取的历史数据及其预警结果和运行结果,计算预警结果与运行结果一致的第一概率,以及预警结果为生成预警的第二概率;若第一概率大于第一预设概率阈值,且第二概率大于第二预设概率阈值,则确定实时数据的预警结果为生成预警,否则,确定实时数据的预警结果为不生成预警。
在确定实时数据的预警结果后,展示预警结果。同时,等待一定时间,确定实时数据的运行结果,从而基于实时数据的预测结果和运行结果,判断预警结果的准确性:如果预警结果与运行结果一致,则不对判断阈值进行调整;如果预警结果与运行结果不一致,则对判断阈值进行调整,在完成判断阈值的调整后,对下一次得到的实时数据进行故障预警。
基于上述任一实施例,图6为本发明又一实施例提供的故障预警方法的流程示意图,如图6所示,故障预警方法具体包括:
在得到实时数据后,将实时数据输入到算法模型中,通过算法模型得到实时数据的预警结果后,分别向机器学习微服务和Redis数据库发送预警结果,此外,还将实时数据的运行结果也发送到机器学习微服务。
机器学习微服务在得到实时数据的预警结果和运行结果后,判断预警结果是否准确,如果不准确,则根据历史预测结果和原有算法模型对算法模型进行更新,并将更新后的算法模型用于实时数据的故障预警。
基于上述任一实施例,图7为本发明实施例提供的故障预警装置的结构示意图,如图7所示,该装置包括实时数据获取单元710、历史数据选取单元720和预警单元730;
其中,实时数据获取单元710用于获取实时数据;
历史数据选取单元720用于从历史数据库中选取与所述实时数据匹配的历史数据;
预警单元730用于根据所述历史数据的预警结果和运行结果,确定所述实时数据的预警结果。
本发明实施例提供的装置,通过与实时数据匹配的历史数据的预警结果和运行结果,确定实时数据的预警结果,无需预先设定监测阈值,避免了由于监测阈值的主观性导致的预警结果不准确的问题,提高了预警结果的可靠性和准确性。
基于上述任一实施例,该装置中,预警单元730具体包括:
基于所述历史数据的预警结果和运行结果,计算所述预警结果与所述运行结果一致的第一概率,以及所述预警结果为生成预警的第二概率;
若所述第一概率大于第一预设概率阈值,且所述第二概率大于第二预设概率阈值,则确定所述实时数据的预警结果为生成预警。
基于上述任一实施例,该装置中,历史数据选取单元720具体用于:
计算所述实时数据与判断阈值的差值,基于所述差值和预设差值范围确定历史差值范围;
从所述历史数据库中选取与所述判断阈值的差值在所述历史差值范围内的所述历史数据。
基于上述任一实施例,该装置还包括更新单元;更新单元用于:
基于所述实时数据后预设时间段内的数据确定所述实时数据的运行结果;
若所述实时数据的预警结果与所述实时数据的运行结果不一致,则确定参考差值;所述参考差值为所述历史数据库中运行结果与所述实时数据的运行结果一致的历史数据与所述判断阈值的差值;
基于所述参考差值以及所述实时数据,调整所述判断阈值。
基于上述任一实施例,该装置还包括存储单元,用于将所述实时数据及其预警结果和运行结果保存在所述历史数据库中。
基于上述任一实施例,该装置还包括数据处理单元;数据处理单元用于:
从Mysql数据库中提取历史数据;
对所述历史数据进行缺失数据填充;
基于所述历史数据对应的站点、机组和测点,将所述历史数据存储在所述历史数据库中;所述历史数据库是Redis内存数据库。
基于上述任一实施例,该装置中,所述实时数据和所述历史数据对应相同的站点、机组和测点。
图8示例了一种电子设备的实体结构示意图,如图8所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行如下方法:获取实时数据;从历史数据库中选取与所述实时数据匹配的历史数据;根据所述历史数据的预警结果和运行结果,确定所述实时数据的预警结果。
此外,上述的存储器830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所述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一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法,例如包括:获取实时数据;从历史数据库中选取与所述实时数据匹配的历史数据;根据所述历史数据的预警结果和运行结果,确定所述实时数据的预警结果。。
以上所描述的装置实施例仅仅是示意性的,其中所述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。
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各实施方式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。基于这样的理解,上述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ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
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)
1.一种故障预警方法,其特征在于,包括:
获取实时数据;
从历史数据库中选取与所述实时数据匹配的历史数据;
根据所述历史数据的预警结果和运行结果,确定所述实时数据的预警结果。
2.根据权利要求1所述的故障预警方法,其特征在于,所述根据所述历史数据的预警结果和运行结果,确定所述实时数据的预警结果,具体包括:
基于所述历史数据的预警结果和运行结果,计算所述预警结果与所述运行结果一致的第一概率,以及所述预警结果为生成预警的第二概率;
若所述第一概率大于第一预设概率阈值,且所述第二概率大于第二预设概率阈值,则确定所述实时数据的预警结果为生成预警。
3.根据权利要求1所述的故障预警方法,其特征在于,所述从历史数据库中选取与所述实时数据匹配的历史数据,具体包括:
计算所述实时数据与判断阈值的差值,基于所述差值和预设差值范围确定历史差值范围;
从所述历史数据库中选取与所述判断阈值的差值在所述历史差值范围内的所述历史数据。
4.根据权利要求3所述的故障预警方法,其特征在于,所述根据所述历史数据的预警结果和运行结果,确定所述实时数据的预警结果,之后还包括:
基于所述实时数据后预设时间段内的数据确定所述实时数据的运行结果;
若所述实时数据的预警结果与所述实时数据的运行结果不一致,则确定参考差值;所述参考差值为所述历史数据库中运行结果与所述实时数据的运行结果一致的历史数据与所述判断阈值的差值;
基于所述参考差值以及所述实时数据,调整所述判断阈值。
5.根据权利要求4所述的故障预警方法,其特征在于,所述基于所述实时数据后预设时间段内的数据确定所述实时数据的运行结果,之后还包括:
将所述实时数据及其预警结果和运行结果保存在所述历史数据库中。
6.根据权利要求1所述的故障预警方法,其特征在于,所述从历史数据库中选取与所述实时数据匹配的历史数据,之前还包括:
从Mysql数据库中提取历史数据;
对所述历史数据进行缺失数据填充;
基于所述历史数据对应的站点、机组和测点,将所述历史数据存储在所述历史数据库中;所述历史数据库是Redis内存数据库。
7.根据权利要求1至6中任一项所述的故障预警方法,其特征在于,所述实时数据和所述历史数据对应相同的站点、机组和测点。
8.一种故障预警装置,其特征在于,包括:
实时数据获取单元,用于获取实时数据;
历史数据选取单元,用于从历史数据库中选取与所述实时数据匹配的历史数据;
预警单元,用于根据所述历史数据的预警结果和运行结果,确定所述实时数据的预警结果。
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中任一项所述的故障预警方法的步骤。
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中任一项所述的故障预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910891128.4A CN110781220A (zh) | 2019-09-20 | 2019-09-20 | 故障预警方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910891128.4A CN110781220A (zh) | 2019-09-20 | 2019-09-20 | 故障预警方法、装置、存储介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110781220A true CN110781220A (zh) | 2020-02-11 |
Family
ID=69383758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910891128.4A Pending CN110781220A (zh) | 2019-09-20 | 2019-09-20 | 故障预警方法、装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110781220A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111472798A (zh) * | 2020-04-02 | 2020-07-31 | 北京市轨道交通建设管理有限公司 | 盾构参数异常智能提示方法和装置 |
CN112163618A (zh) * | 2020-09-27 | 2021-01-01 | 珠海格力电器股份有限公司 | 一种设备故障的检测方法及检测系统 |
CN112632805A (zh) * | 2021-03-15 | 2021-04-09 | 国能大渡河大数据服务有限公司 | 机组跨越振动区分析预警方法、系统、终端及介质 |
CN113982605A (zh) * | 2021-05-21 | 2022-01-28 | 上海隧道工程有限公司 | 多层级盾构法隧道安全保护系统及方法 |
CN113983543A (zh) * | 2021-10-11 | 2022-01-28 | 河北工大科雅能源科技股份有限公司 | 用于热力站循环泵控制的方法、装置、终端及存储介质 |
CN114143167A (zh) * | 2021-12-03 | 2022-03-04 | 中国电信集团系统集成有限责任公司 | 基于贝叶斯网络的光衰监测网络安全的方法 |
CN115357840A (zh) * | 2022-10-24 | 2022-11-18 | 中国水利水电第七工程局有限公司 | 基于Python语言的设备计算公式的计算方法、装置及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102809965A (zh) * | 2012-07-30 | 2012-12-05 | 燕山大学 | 一种基于故障频繁模式的液压设备故障预警方法 |
CN104200396A (zh) * | 2014-08-26 | 2014-12-10 | 燕山大学 | 一种风力发电机部件故障预警方法 |
CN105743595A (zh) * | 2016-04-08 | 2016-07-06 | 国家新闻出版广电总局无线电台管理局 | 中短波发射机故障预警方法及装置 |
CN105930653A (zh) * | 2016-04-19 | 2016-09-07 | 清华大学 | 一种基于计量分区流量监测数据的爆管预警方法 |
CN107609574A (zh) * | 2017-08-18 | 2018-01-19 | 上海电力学院 | 基于数据挖掘的风电机组故障预警方法 |
CN107918339A (zh) * | 2017-11-30 | 2018-04-17 | 华润新能源(大同)风能有限公司 | 光伏运维智能云平台及其控制方法 |
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 |
CN110110160A (zh) * | 2017-12-29 | 2019-08-09 | 阿里巴巴集团控股有限公司 | 确定数据异常的方法及装置 |
-
2019
- 2019-09-20 CN CN201910891128.4A patent/CN110781220A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102809965A (zh) * | 2012-07-30 | 2012-12-05 | 燕山大学 | 一种基于故障频繁模式的液压设备故障预警方法 |
CN104200396A (zh) * | 2014-08-26 | 2014-12-10 | 燕山大学 | 一种风力发电机部件故障预警方法 |
CN105743595A (zh) * | 2016-04-08 | 2016-07-06 | 国家新闻出版广电总局无线电台管理局 | 中短波发射机故障预警方法及装置 |
CN105930653A (zh) * | 2016-04-19 | 2016-09-07 | 清华大学 | 一种基于计量分区流量监测数据的爆管预警方法 |
CN107609574A (zh) * | 2017-08-18 | 2018-01-19 | 上海电力学院 | 基于数据挖掘的风电机组故障预警方法 |
CN107918339A (zh) * | 2017-11-30 | 2018-04-17 | 华润新能源(大同)风能有限公司 | 光伏运维智能云平台及其控制方法 |
CN110110160A (zh) * | 2017-12-29 | 2019-08-09 | 阿里巴巴集团控股有限公司 | 确定数据异常的方法及装置 |
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 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111472798A (zh) * | 2020-04-02 | 2020-07-31 | 北京市轨道交通建设管理有限公司 | 盾构参数异常智能提示方法和装置 |
CN111472798B (zh) * | 2020-04-02 | 2022-03-29 | 北京市轨道交通建设管理有限公司 | 盾构参数异常智能提示方法和装置 |
CN112163618A (zh) * | 2020-09-27 | 2021-01-01 | 珠海格力电器股份有限公司 | 一种设备故障的检测方法及检测系统 |
CN112163618B (zh) * | 2020-09-27 | 2024-06-04 | 珠海格力电器股份有限公司 | 一种设备故障的检测方法及检测系统 |
CN112632805A (zh) * | 2021-03-15 | 2021-04-09 | 国能大渡河大数据服务有限公司 | 机组跨越振动区分析预警方法、系统、终端及介质 |
CN113982605A (zh) * | 2021-05-21 | 2022-01-28 | 上海隧道工程有限公司 | 多层级盾构法隧道安全保护系统及方法 |
CN113982605B (zh) * | 2021-05-21 | 2024-06-07 | 上海隧道工程有限公司 | 多层级盾构法隧道安全保护系统及方法 |
CN113983543A (zh) * | 2021-10-11 | 2022-01-28 | 河北工大科雅能源科技股份有限公司 | 用于热力站循环泵控制的方法、装置、终端及存储介质 |
CN114143167A (zh) * | 2021-12-03 | 2022-03-04 | 中国电信集团系统集成有限责任公司 | 基于贝叶斯网络的光衰监测网络安全的方法 |
CN115357840A (zh) * | 2022-10-24 | 2022-11-18 | 中国水利水电第七工程局有限公司 | 基于Python语言的设备计算公式的计算方法、装置及电子设备 |
CN115357840B (zh) * | 2022-10-24 | 2023-01-24 | 中国水利水电第七工程局有限公司 | 基于Python语言的设备计算公式的计算方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110781220A (zh) | 故障预警方法、装置、存储介质和电子设备 | |
CN110995477A (zh) | 基于动态阈值的预警处理方法、装置、设备及存储介质 | |
CN112527598B (zh) | 监控数据的方法、装置、设备、存储介质和程序产品 | |
CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN112597263A (zh) | 管网检测数据异常判断方法及系统 | |
CN115409283A (zh) | 设备故障预测方法、设备故障预测装置、设备及存储介质 | |
CN113157536A (zh) | 一种告警分析方法、装置、设备和存储介质 | |
CN108306997B (zh) | 域名解析监控方法及装置 | |
CN116413604A (zh) | 一种电池参数监测方法、系统、装置及存储介质 | |
CN113268403A (zh) | 时间序列的分析预测方法、装置、设备及存储介质 | |
CN113342625A (zh) | 一种数据监控方法及系统 | |
CN113342608A (zh) | 流式计算引擎任务的监控方法及装置 | |
CN112506901A (zh) | 一种数据质量测量方法、装置及介质 | |
CN111931323B (zh) | 存储器、加氢裂化设备故障预测方法、装置和设备 | |
CN116743637A (zh) | 一种异常流量的检测方法、装置、电子设备及存储介质 | |
CN111447193A (zh) | 一种针对实时数据流进行异常检测的方法及装置 | |
CN112380759A (zh) | 基于深度学习和CoxPH模型的智能电表寿命预测方法 | |
CN114661562A (zh) | 一种数据告警方法、装置、设备及介质 | |
CN113568769B (zh) | 异常处理方法、装置、服务器及存储介质 | |
CN109815109B (zh) | 数据模式变更检测方法、装置、设备及可读存储介质 | |
CN113656452A (zh) | 调用链指标异常的检测方法、装置、电子设备及存储介质 | |
CN111967667A (zh) | 一种轨道交通分布式运维方法及系统 | |
CN115292146B (zh) | 一种系统容量预估方法、系统、设备及存储介质 | |
CN111290903B (zh) | 基于用户行为和机器学习的软件系统监控方法及装置 | |
CN116303095A (zh) | 应用程序版本质量度量平台、方法与装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200211 |
|
RJ01 | Rejection of invention patent application after publication |