CN110794227B - 故障检测方法、系统、设备及存储介质 - Google Patents

故障检测方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN110794227B
CN110794227B CN201810872584.XA CN201810872584A CN110794227B CN 110794227 B CN110794227 B CN 110794227B CN 201810872584 A CN201810872584 A CN 201810872584A CN 110794227 B CN110794227 B CN 110794227B
Authority
CN
China
Prior art keywords
component
historical
input
output
fault detection
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
Application number
CN201810872584.XA
Other languages
English (en)
Other versions
CN110794227A (zh
Inventor
黄明
谭玮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alibaba Group Holding Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201810872584.XA priority Critical patent/CN110794227B/zh
Publication of CN110794227A publication Critical patent/CN110794227A/zh
Application granted granted Critical
Publication of CN110794227B publication Critical patent/CN110794227B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
    • G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
    • G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请实施例提供一种故障检测方法、系统、设备及存储介质。在本实施例中，基于至少一个部件对应的故障检测模型，可结合至少一个部件的输入参数计算该至少一个部件对应的预估输出结果，并根据该预估输出结果和实际输出结果的差异，确定该至少一个部件的故障状态，进而可以在不影响待检测设备正常生产的情况下，快速确定待检测设备中的部件是否出现故障，效率更高，且故障检测准确度也较高。

Description

故障检测方法、系统、设备及存储介质
技术领域
本申请涉及设备检测技术领域，尤其涉及一种故障检测方法、系统、设备 及存储介质。
背景技术
在工业系统中，一个设备通常由多个不同的部件构成。当设备中的部件存 在异常或者故障时，设备无法正常运转，极大降低了工业系统的运作效率。因 此，需要快速定位到设备的故障所在。
现有的定位设备故障的方式通常是，采用硬件测试法进行检测，例如采用 测试仪表检测各部件的运转数据，并根据检测到的运转数据定位故障。但是， 这种故障检测方式的效率或者准确度都较低。
发明内容
本申请实施例的多个方面提供一种故障检测方法、系统、设备及存储介质， 用以提高设备故障检测的效率和准确度。
本申请实施例提供一种故障检测方法，包括：获取待检测设备中至少一 个部件的输入参数；将所述至少一个部件的输入参数分别输入对应的故障检 测模型，以获取所述至少一个部件的预估输出结果；根据所述至少一个部件 针对所述输入参数的实际输出结果和预估输出结果之间的差异，确定所述至 少一个部件的故障状态；其中，所述至少一个部件对应的故障检测模型根据 所述至少一个部件的历史输入参数和历史输出结果训练得到。
本申请实施例还提供一种故障检测系统，包括：部署于待检测设备上的 采集设备以及与所述采集设备通信连接的故障检测设备；所述采集设备，用于 采集与所述待检测设备中至少一个部件的输入参数，并发送至所述故障检测设 备；所述故障检测设备，用于获取待检测设备中至少一个部件的输入参数； 将所述至少一个部件的当前输入参数分别输入对应的故障检测模型，以获取 所述至少一个部件的预估输出结果；根据所述至少一个部件针对所述输入参 数的实际输出结果和预估输出结果之间的差异，确定所述至少一个部件的故 障状态；其中，所述至少一个部件对应的故障检测模型根据所述至少一个部 件的历史输入参数和历史输出结果训练得到。
本申请实施例还提供一种故障检测设备，包括：存储器、处理器以及通 信组件；所述存储器，用于存储一条或多条计算机指令；所述处理器，用于 执行一条或多条计算机指令，以用于：通过所述通信组件获取待检测设备中 至少一个部件的输入参数；将所述至少一个部件的输入参数分别输入对应的 故障检测模型，以获取所述至少一个部件的预估输出结果；根据所述至少一 个部件针对所述输入参数的实际输出结果和预估输出结果之间的差异，确定 所述至少一个部件的故障状态；其中，所述至少一个部件对应的故障检测模型根据所述至少一个部件的历史输入参数和历史输出结果训练得到。
本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，其 特征在于，所述计算机程序被执行时能够实现本申请实施例提供的故障检测 方法中的步骤。
在本申请实施例中，基于至少一个部件对应的故障检测模型，可结合至 少一个部件的输入参数计算该至少一个部件对应的预估输出结果，并根据该 预估输出结果和实际输出结果的差异，确定该至少一个部件的故障状态，进 而可以在不影响待检测设备正常生产的情况下，快速确定待检测设备中的部 件是否出现故障，效率更高，且故障检测准确度也较高。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分， 本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限 定。在附图中：
图1为本申请一示例性实施例提供的一种故障检测系统的结构示意图；
图2为本申请另一示例性实施例提供的一种故障检测系统的结构示意图；
图3为本申请又一示例性实施例提供的一种故障检测系统的结构示意图；
图4a为本申请一示例性实施例提供的针对对锅炉部件进行故障检测的检测 阶段示意图；
图4b为本申请一示例性实施例提供的与锅炉部件相关的变量的列举示意 图；
图4c为本申请一示例性实施例提供的提取锅炉部件的输入特征向量和输出 特征向量的示意图；
图5为本申请一示例性实施例提供的一种故障检测方法的流程图；
图6为本申请又一示例性实施例提供的一种故障检测设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实 施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的 实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施 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，都属于本申请保护的范围。
工业系统中，设备中出现故障部件时，将影响设备的整体运转状况，进 而导致工业效率降低。针对该问题，传统的故障检测方法是采用测试仪表检 测设备中各个部件的运转数据，并基于检测到的运转数据定位设备中哪一个 部件是故障部件。但是，这种传统的故障检测方法不够智能，效率较低。针 对传统故障检测方法存在的缺陷，在本申请的一些示例性实施例中，获取待 检测设备中至少一个部件的当前输入参数，基于该至少一个部件对应的故障 检测模型，可结合至少一个部件的输入参数计算该至少一个部件对应的预估输出结果；根据该至少一个部件对应的预估输出结果和实际输出结果的差 异，可确定该至少一个部件的故障状态，进而可以在不影响待检测设备正常 生产的情况下，快速确定待检测设备中的部件是否出现故障，效率更高，且 故障检测准确度也较高。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为本申请一示例性实施例提供的一种故障检测系统的结构示意图。 如图1所示，该故障检测系统包括：部署于待检测设备上的采集设备10以及 与采集设备10通信连接的故障检测设备20。
在本实施例中，待检测设备指的是需要进行故障检测的设备，包括实际 生活、工作以及工业生产所使用到的任何设备，例如机械设备、电气设备、 仪器仪表设备、计算机及网络设备等等。部件指的是组成待检测设备的部分 组件。待检测设备在运转时，其中的部件通常能够根据部件输入得到运转结 果，该运转结果能够以不同的形式进行输出，例如，以数值的形式输出、以 能量变化的形式输出、以产品形态的形式输出或者以信号的形式输出等。本 实施例为便于表述，将部件根据输入参数得到的运转结果描述为实际输出结 果。例如，锅炉部件根据输入的锅炉一次风温度，二次风频率，鼓风机频率 以及引风机频率进行运转，得到的运转结果为锅炉炉膛温度产生变化，该 “锅炉炉膛温度”可作为锅炉部件的实际输出结果。
在本实施例中，采集设备10用于采集待检测设备中的部件的输入，以 将针对部件的输入量化为可用于计算的数值，该量化得到的数值可描述为部 件的输入参数。其中，采集设备10可以是任何能够采集部件输入的设备， 例如，可以是用于采集部件的输入压力的压力计以及压力传感器、用于采集 部件的输入温度的温度计以及温度传感器、用于采集部件输入频率的频率计 等等。当然，上述列举的设备为示例性说明，本实施例实际采用的采集设备 10包含但不仅限于此。
本实施例中，可采用任何方式将采集设备10部署在待检测设备上或者部署 在待检测设备之外，本实施例不做限制。采集设备10除了采集与待检测设备的 部件相关的输入参数之外，还可基于采集设备10与故障检测设备20之间的通 信连接，将采集到的与输入参数上报给故障检测设备20，以便于故障检测设备 20基于这些输入参数进行故障检测。
在本实施例中，采集设备10与故障检测设备20之间可以是无线或有线通 信连接。若采集设备10通过无线通信方式与故障检测设备20通信连接，则该 无线通信方式可以是蓝牙、ZigBee、WiFi(Wireless-Fidelity，无线保真技术)、 红外等通信方式中的任意一种。若采集设备10通过移动网络与故障检测设备20 通信连接，该移动网络的网络制式可以为2G(GSM)、2.5G(GPRS)、3G (WCDMA、TD-SCDMA、CDMA2000、UTMS)、4G(LTE)、4G+(LTE+)、 WiMax等中的任意一种。
在本实施例中，并不限定故障检测设备20的实现形式，故障检测设备20 可以是任何具有一定计算和处理能力的设备。例如，在一些可选实施方式中， 故障检测设备20可以是台式计算机、个人计算机、平板电脑、智能手机等各种 终端设备。在另一些可选实施方式中，故障检测设备20可以是常规服务器、云 服务器、云主机、虚拟中心等服务器设备。其中，服务器设备的构成主要包括 处理器、硬盘、内存、系统总线等，和通用的计算机架构类似。
其中，根据故障检测设备20的实现形态不同，则在部署实施时，图1所示 系统的架构会有所不同。下面结合故障检测设备20的实现形态，列举几种实际 部署实施时的故障检测系统。
在图2所示故障检测系统中，故障检测设备20实现为终端设备。其中，终 端设备一般部署于待检测设备一侧，可以是待检测设备所在工作环境中的计算 机、控制设备或控制系统等。
在图3所示故障检测系统中，故障检测设备20实现为服务器。其中，服务 器一般部署于远端，例如云端，可以是常规服务器、云服务器、云主机、虚拟 中心等。如图3所示，在服务器与采集设备10之间还部署有终端设备，该终端 设备部署于待检测设备一侧，可作为采集设备10与服务器之间的中继设备，主 要用于接收采集设备上报的待检测设备中部件的输入参数并转发给服务器。如 图3所示，该终端设备与服务器之间可以是无线网络连接，但不限于此。该终 端设备与服务器之间也可以是有线网络连接。
无论是哪种系统架构，故障检测设备20主要用于接收采集设备10上报 的待检测设备中部件的输入参数，并基于该输出参数检测该部件的运行状态 是否异常。
在每次故障检测过程中，故障检测设备20首先获取待检测设备中至少 一个部件的输入参数。其中，至少一个部件可以是待检测设备中的一个或者 多个被检测部件，若包含多个被检测部件，则故障检测设备20可分别获取 多个被检测部件的输入参数，例如，分别获取A部件对应的输入参数、B部 件对应的输入参数等。
接着，将该至少一个部件的输入参数分别输入对应的故障检测模型，以 获取该至少一个部件的预估输出结果。其中，若该至少一个部件包含多个被 检测部件，则每个部件可分别对应一个故障检测模型。其中，每个部件对应 的故障检测模型是根据每个部件的历史输入参数和历史输出结果训练得到。 在实际中，具体针对待检测设备中哪些部件建立故障检测模型可根据应用场 景灵活设定，可以对待检测设备中的所有部件建立故障检测模型，也可以对 待检测设备中的关键部件建立故障检测模型，本实施例不做限制。基于此，在本步骤中，可将不同部件对应的输入参数输入不同部件对应的故障检测模 型例如，在本步骤中，故障检测设备20可将A部件对应的输入参数输入A 部件对应的故障检测模型，将B部件对应的输入参数输入B部件对应的故障 检测模型。
在获取该至少一个部件的预估输出结果之后，故障检测设备20可将该 预估输出结果与该至少一个部件针对相应输入参数的实际输出结果进行比 较，以获取二者的差异；接着，基于该差异，确定该至少一个部件的故障状 态。需要说明的是，该至少一个部件针对相应输入参数的实际输出结果，是 该至少一个部件基于相应输入参数进行运转得到的实际运转结果。故障检测 设备20可通过采集设备10或其他外设获取至少一个部件针对相应输入参数 的实际输出结果，本实施例不做限制。
在本实施例中，基于至少一个部件对应的故障检测模型，可结合至少一 个部件的输入参数计算该至少一个部件对应的预估输出结果，并根据该预估 输出结果和实际输出结果的差异，确定该至少一个部件的故障状态，进而可 以在不影响待检测设备正常生产的情况下，快速确定待检测设备中的部件是 否出现故障，效率更高，且故障检测准确度也较高。
可选的，在上述实施例中，采集设备10采集到的待检测设备中至少一 个部件的输入参数可包括与该至少一个部件中的每个部件的功能或者业务原 理有关联的任何输入参数，并发送至故障检测设备20，例如，可以包括： 每个部件的控制参数、状态参数以及其上游部件的输出参数中的至少一种。
其中，每个部件的控制参数，可以是用户设定的用于控制部件工作的参 数，例如，针对履带式挖掘机的底盘驱动轮，其控制参数包括：驱动轮的马 力为75-80。每个部件的状态参数，可以是部件的当前运行状态的参数或者 部件当前所在的运行环境的数据，例如，针对履带式挖掘机的履带底盘，其 运行环境数据可包括：履带行走在碎石路面上或者行走在水泥路面上。上游 部件的输出参数，指的是由本部件的上游部件输出，且用于作为本部件的输 入的参数，例如，针对履带式挖掘机的履带而言，其上游部件包括挖掘机的 底盘驱动轮，则挖掘机的底盘驱动轮的输出参数可以作为履带的输入参数。 当然，上述列举的输入参数仅为示例性说明，本实施例对此不作限制。
在一些示例性实施例中，该至少一个部件的实际输出结果和预估输出结 果之间的差异，可以表现为实际输出结果和预估输出结果的残差值。通常， 许多部件的异常变化并非突变的过程，而是在部件运行的过程中缓慢积累或 者渐变出现的。因此，本实施例中，基于实际输出结果和预估输出结果的残 差值对部件的异常状态进行监控的优势在于：能够及时地捕捉部件微小的异 常变化，以及时地发现部件的运行状态是否异常。
以下将以该至少一个部件中的任一部件为例进行具体说明。为描述方 便，标记该任一部件为第一部件。
针对第一部件，故障检测设备20可计算其输入参数对应的预估输出结 果
Figure BDA0001752517720000081
和实际输出结果yfeat之间的残差值Δy，
Figure BDA0001752517720000082
接着，故障检测设备20可判断该残差值Δy是否落在残差均值的n倍标 准差浮动范围内。若该残差值Δy未落在残差均值的n倍标准差浮动范围内， 则确定第一部件在本次检测中存在异常，n为正数，可以是小数，也可以是 整数。其中，残差均值μΔy和标准差σΔy可根据第一部件的历史实际输出结果 和历史预估输出结果计算得到。
可选的，在实际检测过程中，可取n＝3，以利用3σ原则对残差值进行评 估。若残差值Δy落在残差均值的3倍标准差范围内，也就是说： Δy∈[μΔy-3σΔy，μΔy+3σΔy]，则认为第一部件运行正常；若残差值Δy落在残差 均值的3倍标准差范围之外，也就是说
Figure RE-GDA0001973995730000083
则认为第一部 件在本次检测中存在异常。
Δy∈[μΔy-3σΔy，μΔy+3σΔy]，则认为第一部件运行正常；若残差值Δy落在残差 均值的3倍标准差范围之外，也就是说
Figure BDA0001752517720000083
则认为第一部 件在本次检测中存在异常。
可选的，为防止误判，本实施例还可对第一部件的运行状态进行连续多 次检测，例如，可对第一部件的运行状态进行连续M次检测，并统计第一 部件在连续M次检测中存在异常的次数Ma；若Ma/M大于设定的概率阈 值，则可确定第一部件确实存在故障，其中，M、Ma是正整数。
需要说明的是，本实施例中，根据实际应用场景不同，故障检测模型也 不同。在一些应用场景下，故障检测需求为：对第一部件在某一时刻(包括 历史时刻和当前时刻)的故障状态进行检测，例如，对第一部件在某一历史 时刻的故障状态进行校验，以锁定故障发生时刻；再例如，对第一部件在当 前时刻的故障状态进行检测以实时诊断部件故障。在上述应用场景下，可基 于用于判别第一部件在当前时刻是否发生故障的故障检测模型进行故障检 测，为便于描述，标记该模型为实时故障检测模型。
基于上述，当需要对第一部件在某一历史t时刻的故障状态进行校验 时，故障检测设备20可获取第一部件在该历史t时刻的历史输入参数，将该 历史输入参数输入至第一部件对应的实时故障检测模型，并基于该实时故障 检测模型的预估输出结果和第一部件针对该历史输入参数的实际历史输出结 果，确定第一部件在该历史t时刻的历史故障状态。再例如，当需要对第一 部件在当前时刻的故障状态进行实时诊断时，故障检测设备20可获取第一 部件在的当前输入参数，将该当前输入参数输入至第一部件对应的实时故障检测模型，并基于该实时故障检测模型的输出结果确定第一部件当前的故障 状态。
在另一些应用场景下，故障检测需求为：对第一部件未来的故障状态进 行预测以实现故障预警。在这种需求下，可基于用于预测第一部件在将来时 刻是否发生故障的故障检测模型进行故障检测，为便于描述，标记该模型为 预测故障检测模型。基于此，当需要对第一部件在未来某一时刻的故障状态 进行预测时，故障检测设备20可获取已知的第一部件的输入参数，将已知 的输入参数输入预测故障检测模型，并基于该预测故障检测模型的输出结果 预测第一部件未来时刻的故障状态。
需要说明的是，在一些示例性实施例中，不同的预测故障检测模型可对 应不同的预测时长，例如，预测故障检测模型M1可以预测3小时后第一部 件的故障状态，预测故障检测模型M2可以预测5小时后第一部件的故障状 态。基于此，故障检测设备20在预测故障状态时，可预先获取故障状态预 测需求指定的预测时刻，基于预测时长选择合适的预测故障检测模型，并基 于确定的预测故障检测模型确定选用哪一时刻的输入参数作为预测故障检测 模型的输入。例如，当故障状态预测需求指定的预测当前时刻3小时后第一 设备的故障状态时，故障检测设备20可选择预测故障检测模型M2，并将当 前时刻第一部件的输入参数输入预测故障检测模型M2；或者，障检测设备 20也可选择预测故障检测模型M1，并将第一部件在当前时刻2小时之前的 输入参数输入预测故障检测模型M1，不再赘述。
以上各实施例记载了故障检测设备20基于部件对应的故障检测模型对 部件进行故障检测的方法，以下将对以第一部件为例，对该故障检测模型的 训练过程进行说明。
在训练的过程中，故障检测设备20首先可获取第一部件的历史输入参 数以及历史输出结果。之后，对历史输入参数和历史输出结果进行预处理， 例如数据清洗、数据行列转换、数据关联、异常值筛选等操作。其中，在数 据清洗操作中，可以从历史输入数据和/或历史输出结果中去除不符合要求 的脏数据。在数据行列转换中，可将行数据转换为列数据或者将列数据转换 为行数据，以便于处理。在数据关联操作中，可将基于数据产生的时间，将 历史输入参数和对应的历史输出结果关联在一起，例如，在某一历史时刻， 历史输入参数为A1时，第一部件的历史输出结果为B1，此时，可将A1和 B1关联为一组输入输出。在异常值筛选操作中，可从历史输入参数中的每一 类数据中筛选出异常的数据，和/或从历史输出结果中的每一类数据中筛选 出异常的数据，并统一标记这些异常的数据为缺失值。
可选的，筛选异常值的一种方式为：针对每一类数据，设定上下限阈 值，并基于该上下限阈值将不符合条件的数据筛选为异常值；例如，可将低 于下限阈值的数据筛选为异常值，或者将高于上限阈值的数据筛选为异常 值。
可选的，筛选异常值的另一种方式为：针对每一类数据，进行类内聚类 分析以得到至少一个数据分组，并将至少一个数据分组中数据量小的分组中 的数据筛选为异常值。
对历史输入参数和历史输出结果进行预处理之后，接下来，故障检测设 备20可对第一部件的历史输入参数以及历史输出结果分别进行特征提取， 得到历史输入特征和历史输出特征。
在一些示例性的实施例中，可采用滑动窗口对第一部件的历史输入参数 以及历史输出结果分别进行特征提取。相对于直接采用原始的历史输入参数 和历史输出结果训练模型的方法，本实施例采用滑动窗口对历史输入参数和 历史输出结果进行特征提取，有利于提升训练得到的故障检测模型的鲁棒 性。
具体的，可分别构建用于提取输入特征的输入窗口以及用于提取输出特 征的输出窗口，分别设定二者的窗口长度、窗口滑动间隔以及窗口内的特征 提取方式。其中，输入窗口与输出窗口的窗口长度以及窗口滑动间隔可以相 同，也可以不同。输入窗口与输出窗口内的特征提取方式可包括但不局限 于：计算窗口内每类样本数据的最大值、最小值、平均值、方差以及中位数 等统计特征中的至少一种，或者也可以计算窗口内每类样本数据的频率特征 或者自定义的其他特征等。
接着，故障检测设备20可基于设定好的输入窗口以及输出窗口，按照 设定的窗口滑动间隔，分别在第一部件的历史输入参数以及历史输出结果上 进行滑动。需要说明的是，在训练用于判别第一部件在历史时刻或者当前时 刻是否发生故障的实时故障检测模型时，可设置输入窗口与输出窗口的滑动 起始位置相同。在训练预测所述第一部件在将来时刻是否发生故障的预测故 障检测模型时，可设置输入窗口的滑动起始位置早于输出窗口的滑动起始位 置，以实现用前向输入数据预测后向输出结果的目的。其中，预测故障检测 模型的预测时长可由输入窗口的滑动起始位置相对于输出窗口的滑动起始位 置的超前程度决定，理论上，预测故障检测模型的预测时长与输入窗口的滑 动起始位置相对于输出窗口的滑动起始位置的超前程度成正比，此处不赘 述。
在一可选的实施方式中，故障检测设备20可在每次滑动到新的位置 时，分别对输入窗口中的当前输入样本段以及输出窗口中的当前输出样本段 进行特征提取。具体的，可根据设定的特征提取方式提取输入窗口中以及输 出窗口中每类样本数据的最大值、最小值、平均值、方差以及中位数等统计 特征中的至少一种，或者也可以计算输入窗口以及输出窗口内每类样本数据 的频率特征或者自定义的其他特征等，分别作为本次滑动对应的输入特征值 以及输出特征值，并在经过多次滑动以完成特征提取操作之后，基于每次滑动得到的输入特征值以及输出特征值，生成第一部件对应的历史输入特征序 列和历史输出特征序列。
在另一种可选的实施方式中，故障检测设备20可在每次滑动到新的位 置时，分别获取输入窗口和输出窗口对应的输入样本段和输出样本段，作为 一组对应的输入样本段和输出样本段。经过多次滑动之后，可获得多组对应 的输入样本段和输出样本段。接着，分别提取多组对应的输入样本段和输出 样本段中每类样本数据的最大值、最小值、平均值、方差以及中位数等统计 特征中的至少一种作为特征值，或者，也可以计算多组对应的输入样本段和 输出样本段中每类样本数据的频率特征或者自定义的其他特征作为特征值， 以获得多组对应的历史输入特征序列和历史输出特征序列。其中，多组历史 输入特征序列顺序组合可获得第一部件对应的历史输入特征，多组历史输出 特征序列顺序组合可获得第一部件对应的历史输出特征。
需要说明的是，在一些可能的情况下，获取第一部件的历史输入参数或 者历史输出结果的过程中，传感器等采集设备的可能出现故障，或者数据传 输过程中可能出现数据丢失或者数据异常的情况。上述情况将导致样本数据 出现缺失或者异常，若在训练故障检测模型的过程中，不考虑这部分缺失或 者异常的样本数据，将导致训练得到的故障检测模型的鲁棒性较差。基于 此，本实施例中，在获得多组对应的历史输入特征序列和历史输出特征序列 的过程中，进一步地还可根据缺失或者异常的样本数据确定附加特征，并将 该附加特征作为用于训练故障检测模型的特征。
其中，历史输入样本以及历史输出样本中缺失或者异常的样本数据已在 前述实施例记载的预处理操作中被标记为缺失值，基于此，故障检测设备 20在每次将输入窗口和输出窗口滑动至新的位置时，分别实时统计输入窗 口以及输出窗口内的样本数据的缺失值数量作为附加特征。或者，故障检测 设备20可在多次滑动输入窗口和输出窗口之后，分别统计得到的多组对应 的输入样本段和输出样本段中每类样本数据的缺失值数量作为附加特征。
可选的，除上述实施方式之外，故障检测设备20还可以采用缺失值补 充的方式处理样本数据中的缺失值，例如，针对每个输入窗口或者输出窗口 内的缺失值，该缺失值的前项和/或后项数据替代该缺失值，不赘述。
接着，故障检测设备20可基于获取到的历史输入特征和历史输出特 征，利用机器学习的方式进行模型训练，以获得第一部件对应的故障检测模 型。在一些示例性实施例中，训练故障检测模型所采用的机器学习方法可以 是Xgboost算法、逻辑回归算法、支持向量机SVM(Support Vector Machine) 算法、深度神经网络算法DNN(Deep NeuralNetwork)、朴素贝叶斯算法等 等。实际上，本实施例并不限制采用哪一种机器学习算法。以下实施例将以 深度神经网络DNN为例，对训练故障检测模型的方式进行示例性说明。
DNN是一种人工神经网络，DNN内部的神经网络层可以分为输入层、 隐藏层和输出层。层与层之间是全连接的，也就是说，第i层的任意一个神 经元一定与第i+1层的任意一个神经元相连，后一层的输出与前一层的输出 可以用线性关系进行表示。例如，第i+1层的输出向量yi＝可以表示为： yi＝σ(Wixi-1+bi)，其中，σ()表示激活函数，Wi表示第i层的线性关系系数组成 的矩阵，bi表示第i层的偏倚向量，xi-1表示第i-1层的输出向量。
基于上述，在得到第一设备对应的历史输入特征和历史输出特征之后， 可将第一部件对应的历史输出特征作为DNN模型的输入层参数，并将历史 输出特征作为DNN的输出层参数。接着，根据输入层参数以及输出层参 数，计算DNN模型的隐藏层对应的线性系数矩阵Wi以及偏倚向量bi；基于 计算得到的线性系数矩阵Wi以及偏倚向量bi，可获得故障检测模型。
基于上述，在需要获取第一部件的当前预估输出结果时，故障检测设备 20将获取到的第一部件的当前输入参数输入第一部件对应的故障检测模 型。第一部件对应的故障检测模型在运行时，可基于线性系数矩阵Wi以及 偏倚向量bi对输入的数据进行线性计算，并得到预估输出结果。
上述实施例记载了部件级别的故障检测过程，实际中，故障检测系统还 可基于部件级别的故障检测实现设备级别的故障检测。也就是说，故障检测 设备20可根据待检测设备中至少一个部件的故障状态，确定待检测设备的 整体运行状态。可选的，故障检测设备20可统计待检测设备中同时发生故 障的部件的个数，若同时发生故障的部件的占比大于设定比例阈值，则可确 定该待检测设备的整体运行状态出现故障。其中，“同时”可理解为在相同 时刻或者相近时刻。可选的，故障检测设备20还可统计待检测设备中的至 少一个部件发生故障的频次，若该至少一个部件发生故障的频次大于设定的 频次阈值，则可确定该待检测设备的整体运行状态出现故障。这种基于检测 部件级别的故障来检测设备级别的故障的方法，能够克服直接检测部件级别 的故障时，设备的细微变化不易被检测或者设备不同部件之间的异常状况相 互干扰的缺陷，提升了设备故障检测的准确度。
以下将以具体应用场景下的故障检测过程为例，对本申请实施例提供的 故障检测系统进行进一步说明，具体的，该应用场景为供暖设备中锅炉部件 的故障检测。
如图4a所示，故障检测包括两个部分：模型训练部分和模型应用部 分。在模型训练部分：首先，可根据锅炉部件的功能及业务，列举出与锅炉 部件相关的所有变量作为历史数据，如图4b所示的列表。该历史数据包含 锅炉部件的不同变量在多个不同历史时刻对应的数值。例如，在2017-02-01 的00:05:00时刻，锅炉炉膛温度为166.3，锅炉一次风温度为61.0，二次风 频率为36.00，鼓风机频率为22.0，引风机频率22.00。在列举出与锅炉部件相关的所有变量之后，基于锅炉部件主要用于温度控制的功能，可将“锅炉 一次风温度、二次风频率、鼓风机频率、引风机频率”作为输入样本，将 “锅炉炉膛温度”作为输出样本。与此同时，基于输入样本对应的时间信息 以及输出样本对应的时间信息，将对应的输入样本和输出样本关联在一起。 例如，将2017-02-01的00:05:00时刻的锅炉炉膛温度和2017-02-01的 00:05:00时刻的锅炉一次风温度，二次风频率，鼓风机频率以及引风机频率 关联在一起，作为一组样本数据。
接着，可构建输入窗口以及输出窗口，以提取输入样本和输出样本的特 征。以构建输入窗口为例，可设定输入窗口的窗口长度为5，以使得输入窗 口每次滑动时，每类输入样本中有5个样本数据参与特征计算；可设定窗口 间隔为2，以使得每次滑动时，输入窗口沿时间序列滑过两个样本数据；以 及，若输入样本中的数据以与时间相关的行序列进行展示，则可设定输入窗 口的特征提取方式为：提取每一行数据的最大值。同理，参考上述方式构建 输出窗口。
基于构建得到的输入窗口以及输出窗口，以相同的滑动起始点，分别在 输入样本数据和输出样本数据上，按照时间顺序进行滑动，如图4c所示。 在每次滑动时，针对每一类输入样本数据，可分别得到一个输入特征值，例 如，每次滑动时，可得到一个锅炉一次风温度特征值、一个二次风频率特征 值、一个鼓风机频率特征值、一个引风机频率特征值；多次滑动后，可得到 多个输入特征值，该多个输入特征值可组成输入特征向量。同理，可得到输出特征向量。接着，基于输入特征向量、输出特征向量以及Xgboost模型训 练方法进行模型训练，以得到锅炉部件的故障检测模型。
在模型应用部分：如图4a所示，若需要检测锅炉部件的实时故障状 态，则故障检测设备20可通过安装于锅炉部件侧的传感器获取当前时刻锅 炉部件的实际输入参数，例如锅炉一次风温度、二次风频率、鼓风机频率、 引风机频率的实际值，并输入锅炉部件的故障检测模型，得到预估输出结 果。接着，获取锅炉部件当前时刻的实际输出结果，对实际输出结果和预估 输出结果进行残差计算；接着，基于残差值判断锅炉部件是否故障，若残差值落在残差均值的3倍标准差范围内，则确定锅炉部件当前时刻运行正常； 若残差值未落在残差均值的3倍标准差范围内，则确定锅炉部件当前时刻可 能存在故障。
上述各实施例描述了本申请提供的故障检测系统的系统架构以及系统功 能，以下部分将结合附图对本申请实施例提供的故障检测方法进行具体说明。
图5是本申请一示例性实施例提供的一种故障检测方法的方法流程图， 该实施例可基于图1-3所示的故障检测系统实现，主要是从故障检测设备的 角度进行的描述。如图5所示，该方法包括：
步骤501、获取待检测设备中至少一个部件的输入参数。
步骤502、将至少一个部件的输入参数分别输入对应的故障检测模型， 以获取至少一个部件的预估输出结果；其中，至少一个部件对应的故障检测 模型根据至少一个部件的历史输入参数和历史输出结果训练得到。
步骤503、根据至少一个部件针对输入参数的实际输出结果和预估输出 结果之间的差异，确定至少一个部件的故障状态。
在一些示例性实施例中，故障检测方法还包括：根据至少一个部件的故 障状态，确定待检测设备的整体运行状态。
在一些示例性实施例中，根据至少一个部件的故障状态，确定待检测设 备的整体运行状态的一种方式，包括:若至少一个部件发生故障的频次大于 设定的频次阈值，则确定待检测设备的整体运行状态出现故障；或者，若至 少一个部件中，同时发生故障的部件的占比大于设定比例阈值，则确定待检 测设备的整体运行状态出现故障。
在一些示例性实施例中，每个部件的输入参数包括：每个部件的控制参 数、状态参数以及其上游部件的输出参数中的至少一种。
在一些示例性实施例中，根据至少一个部件针对输入参数的实际输出结 果和预估输出结果之间的差异，确定至少一个部件的故障状态的一种方式， 包括：针对第一部件，计算第一部件的预估输出结果和实际输出结果之间的 残差值；若残差值未落在残差均值的n倍标准差浮动范围内，则确定第一部 件在本次检测中存在异常，第一部件是至少一个部件中的任意部件，n为正 数。
在一些示例性实施例中，故障检测方法还包括：统计第一部件在连续M 次检测中存在异常的次数Ma；若Ma/M大于设定的概率阈值，确定第一部 件故障，M、Ma是正整数。
在一些示例性实施例中，针对第一部件，训练第一部件对应的故障检测 模型的步骤包括：获取第一部件的历史输入参数以及历史输出结果；对第一 部件的历史输入参数以及历史输出结果分别进行特征提取，得到历史输入特 征和历史输出特征；根据历史输入特征和历史输出特征，利用机器学习的方 式进行模型训练，以获得第一部件对应的故障检测模型。
在一些示例性实施例中，对第一部件的历史输入参数以及历史输出结果 分别进行特征提取，得到历史输入特征和历史输出特征的一种方式，包括： 按照设定的窗口滑动间隔，分别采用输入窗口和输出窗口在第一部件的历史 输入参数以及历史输出结果上进行滑动，以获得多组对应的输入样本段和输 出样本段；按照设定的特征提取规则对多组对应的输入样本段和输出样本段 分别进行特征提取，以获得多组对应的历史输入特征序列和历史输出特征序 列。
在一些示例性实施例中，按照设定的特征提取规则对多组对应的输入样 本段和输出样本段分别进行特征提取，以获得多组对应的历史输入特征序列 和历史输出特征序列的一种方式，包括：分别计算多组对应的输入样本段和 输出样本片段中每类样本数据的最大值、最小值、平均值、方差以及中位数 中的至少一种作为特征值，以获得多组对应的历史输入特征序列和历史输出 特征序列。
在一些示例性实施例中，在获得多组对应的历史输入特征序列和历史输 出特征序列的过程中，还包括：分别统计多组对应的输入样本段和输出样本 段中每类样本数据的缺失值数量作为附加特征。
在一些示例性实施例中，根据历史输入特征和历史输出特征，利用机器 学习的方式进行模型训练，以获得第一部件对应的故障检测模型的一种方 式，包括：若输入窗口与输出窗口的滑动起始位置相同，根据历史输入特征 和历史输出特征，利用机器学习的方式进行模型训练，以获得用于判别第一 部件在当前时刻是否发生故障的故障检测模型；若输入窗口的滑动起始位置 早于输出窗口的滑动起始位置，根据历史输入特征和历史输出特征，利用机 器学习的方式进行模型训练，以获得用于预测第一部件在将来时刻是否发生故障的故障检测模型。
在本实施例中，基于至少一个部件对应的故障检测模型，可结合至少一 个部件的输入参数计算该至少一个部件对应的预估输出结果，并根据该预估 输出结果和实际输出结果的差异，确定该至少一个部件的故障状态，进而可 以在不影响待检测设备正常生产的情况下，快速确定待检测设备中的部件是 否出现故障，效率更高，且故障检测准确度也较高。
需要说明的是，在上述实施例及附图中的描述的一些流程中，包含了按 照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在 本文中出现的顺序来执行或并行执行，操作的序号如501、502等，仅仅是 用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些 流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执 行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消 息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类 型。
以上描述了故障检测方法适用于故障检测设备侧的可选实施例，如图6 所示，实际中，故障检测设备20可包括：存储器201、处理器202、通信组 件203以及电源组件204。
存储器201可被配置为存储其它各种数据以支持在故障检测设备20上的操 作。这些数据的示例包括用于在故障检测设备20上操作的任何应用程序或方 法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器可以由任 何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存 储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读 存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁 存储器，快闪存储器，磁盘或光盘。
在本实施例中，存储器110用于存储一条或多条计算机指令。
处理器202，耦合至存储器201，用于执行存储器201中的一条或多条计算 机指令，以用于：获取待检测设备中至少一个部件的输入参数；将至少一个 部件的输入参数分别输入对应的故障检测模型，以获取至少一个部件的预估 输出结果；根据至少一个部件针对输入参数的实际输出结果和预估输出结果 之间的差异，确定至少一个部件的故障状态；其中，至少一个部件对应的故 障检测模型根据至少一个部件的历史输入参数和历史输出结果训练得到。
在一可选实施方式中，处理器202还用于：根据至少一个部件的故障状 态，确定待检测设备的整体运行状态。
在一可选实施方式中，在根据至少一个部件的故障状态，确定待检测设 备的整体运行状态时，处理器202具体用于:若至少一个部件发生故障的频次 大于设定的频次阈值，则确定待检测设备的整体运行状态出现故障；或者， 若至少一个部件中，同时发生故障的部件的占比大于设定比例阈值，则确定 待检测设备的整体运行状态出现故障。
在一可选实施方式中，每个部件的输入参数包括：每个部件的控制参 数、状态参数以及其上游部件的输出参数中的至少一种。
在一可选实施方式中，在根据至少一个部件针对输入参数的实际输出结 果和预估输出结果之间的差异，确定至少一个部件的故障状态时，处理器 202具体用于：针对第一部件，计算第一部件的预估输出结果和实际输出结 果之间的残差值；若残差值未落在残差均值的n倍标准差浮动范围内，则确 定第一部件在本次检测中存在异常，第一部件是至少一个部件中的任意部 件，n为正数。
在一可选实施方式中，处理器202还用于：统计第一部件在连续M次检 测中存在异常的次数Ma；若Ma/M大于设定的概率阈值，确定第一部件故 障，M、Ma是正整数。
在一可选实施方式中，针对第一部件，在训练第一部件对应的故障检测 模型时，处理器202具体用于：获取第一部件的历史输入参数以及历史输出 结果；对第一部件的历史输入参数以及历史输出结果分别进行特征提取，得 到历史输入特征和历史输出特征；根据历史输入特征和历史输出特征，利用 机器学习的方式进行模型训练，以获得第一部件对应的故障检测模型。
在一可选实施方式中，在对第一部件的历史输入参数以及历史输出结果 分别进行特征提取，得到历史输入特征和历史输出特征时，处理器202具体 用于：按照设定的窗口滑动间隔，分别采用输入窗口和输出窗口在第一部件 的历史输入参数以及历史输出结果上进行滑动，以获得多组对应的输入样本 段和输出样本段；按照设定的特征提取规则对多组对应的输入样本段和输出 样本段分别进行特征提取，以获得多组对应的历史输入特征序列和历史输出 特征序列。
在一可选实施方式中，在按照设定的特征提取规则对多组对应的输入样 本段和输出样本段分别进行特征提取，以获得多组对应的历史输入特征序列 和历史输出特征序列时，处理器202具体用于：分别计算多组对应的输入样 本段和输出样本片段中每类样本数据的最大值、最小值、平均值、方差以及 中位数等统计特征中的至少一种作为特征值，以获得多组对应的历史输入特 征序列和历史输出特征序列。
在一可选实施方式中，在在获得多组对应的历史输入特征序列和历史输 出特征序列的过程中，处理器202还用于：分别统计多组对应的输入样本段 和输出样本段中每类样本数据的缺失值数量作为附加特征。
在一可选实施方式中，在根据历史输入特征和历史输出特征，利用机器 学习的方式进行模型训练，以获得第一部件对应的故障检测模型时，处理器 202具体用于：若输入窗口与输出窗口的滑动起始位置相同，根据历史输入 特征和历史输出特征，利用机器学习的方式进行模型训练，以获得用于判别 第一部件在当前时刻是否发生故障的故障检测模型；若输入窗口的滑动起始 位置早于输出窗口的滑动起始位置，根据历史输入特征和历史输出特征，利 用机器学习的方式进行模型训练，以获得用于预测第一部件在将来时刻是否发生故障的故障检测模型。
在本实施例中，基于至少一个部件对应的故障检测模型，可结合至少一 个部件的输入参数计算该至少一个部件对应的预估输出结果，并根据该预估 输出结果和实际输出结果的差异，确定该至少一个部件的故障状态，进而可 以在不影响待检测设备正常生产的情况下，快速确定待检测设备中的部件是 否出现故障，效率更高，且故障检测准确度也较高。
相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介 质，计算机程序被执行时能够实现上述方法实施例中可由故障检测设备20执行 的方法实施例中各步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计 算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结 合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包 含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品 的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/ 或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或 方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式 处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机 或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流 程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备 以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的 指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流 程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使 得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处 理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个 流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(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 (RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。 内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任 何方法或技术来实现信息存储。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(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(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(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、 数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他 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暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他 性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那 些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方 法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一 个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中 还存在另外的相同要素。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技 术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所 作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (11)

1.一种故障检测方法，其特征在于，包括：
获取待检测设备中至少一个部件的输入参数；所述至少一个部件包括：所述待检测设备中的多个被检测部件；
将所述至少一个部件的输入参数分别输入对应的故障检测模型，以获取所述至少一个部件的预估输出结果；其中，每个部件的输入参数包括：每个部件的控制参数、状态参数以及其上游部件的输出参数中的多种；
根据所述至少一个部件针对所述输入参数的实际输出结果和预估输出结果之间的差异，确定所述至少一个部件的故障状态；
其中，所述至少一个部件对应的故障检测模型根据所述至少一个部件的历史输入参数和历史输出结果训练得到；
所述方法还包括：根据所述至少一个部件的故障状态，确定所述待检测设备的整体运行状态;其中，根据所述至少一个部件的故障状态，确定所述待检测设备的整体运行状态，包括:若所述至少一个部件发生故障的频次大于设定的频次阈值，则确定所述待检测设备的整体运行状态出现故障；或者，若所述至少一个部件中，同时发生故障的部件的占比大于设定比例阈值，则确定所述待检测设备的整体运行状态出现故障。
2.根据权利要求1所述的方法，其特征在于，根据所述至少一个部件针对所述输入参数的实际输出结果和预估输出结果之间的差异，确定所述至少一个部件的故障状态，包括：
针对第一部件，计算所述第一部件的预估输出结果和实际输出结果之间的残差值；
若所述残差值未落在残差均值的n倍标准差浮动范围内，则确定所述第一部件在本次检测中存在异常，所述第一部件是所述至少一个部件中的任意部件，n为正数。
3.根据权利要求2所述的方法，其特征在于，还包括：
统计所述第一部件在连续M次检测中存在异常的次数Ma；
若Ma/M大于设定的概率阈值，确定所述第一部件故障，M、Ma是正整数。
4.根据权利要求1-3任一项所述的方法，其特征在于，针对第一部件，训练所述第一部件对应的故障检测模型的步骤包括：
获取所述第一部件的历史输入参数以及所述历史输出结果；
对所述第一部件的历史输入参数以及历史输出结果分别进行特征提取，得到历史输入特征和历史输出特征；
根据所述历史输入特征和历史输出特征，利用机器学习的方式进行模型训练，以获得所述第一部件对应的故障检测模型。
5.根据权利要求4所述的方法，其特征在于，对所述第一部件的历史输入参数以及历史输出结果分别进行特征提取，得到历史输入特征和历史输出特征，包括：
按照设定的窗口滑动间隔，分别采用输入窗口和输出窗口在所述第一部件的历史输入参数以及历史输出结果上进行滑动，以获得多组对应的输入样本段和输出样本段；
按照设定的特征提取规则对所述多组对应的输入样本段和输出样本段分别进行特征提取，以获得多组对应的历史输入特征序列和历史输出特征序列。
6.根据权利要求5所述的方法，其特征在于，按照设定的特征提取规则对所述多组对应的输入样本段和输出样本段分别进行特征提取，以获得多组对应的历史输入特征序列和历史输出特征序列，包括：
分别计算所述多组对应的输入样本段和输出样本片段中每类样本数据的最大值、最小值、平均值、方差以及中位数中的至少一种作为特征值，以获得多组对应的历史输入特征序列和历史输出特征序列。
7.根据权利要求6所述的方法，其特征在于，在获得多组对应的历史输入特征序列和历史输出特征序列的过程中，还包括：
分别统计所述多组对应的输入样本段和输出样本段中每类样本数据的缺失值数量作为附加特征。
8.根据权利要求4所述的方法，其特征在于，根据所述历史输入特征和历史输出特征，利用机器学习的方式进行模型训练，以获得所述第一部件对应的故障检测模型，包括：
若所述输入窗口与所述输出窗口的滑动起始位置相同，根据所述历史输入特征和历史输出特征，利用机器学习的方式进行模型训练，以获得用于判别所述第一部件在当前时刻是否发生故障的故障检测模型；
若所述输入窗口的滑动起始位置早于所述输出窗口的滑动起始位置，根据所述历史输入特征和历史输出特征，利用机器学习的方式进行模型训练，以获得用于预测所述第一部件在将来时刻是否发生故障的故障检测模型。
9.一种故障检测系统，其特征在于，包括：部署于待检测设备上的采集设备以及与所述采集设备通信连接的故障检测设备；
所述采集设备，用于采集与所述待检测设备中至少一个部件的输入参数，并发送至所述故障检测设备；所述至少一个部件包括：所述待检测设备中的多个被检测部件；
所述故障检测设备，用于获取待检测设备中至少一个部件的输入参数；其中，每个部件的输入参数包括：每个部件的控制参数、状态参数以及其上游部件的输出参数中的多种；将所述至少一个部件的输入参数分别输入对应的故障检测模型，以获取所述至少一个部件的预估输出结果；根据所述至少一个部件针对所述输入参数的实际输出结果和预估输出结果之间的差异，确定所述至少一个部件的故障状态；根据所述至少一个部件的故障状态，确定所述待检测设备的整体运行状态；其中，所述至少一个部件对应的故障检测模型根据所述至少一个部件的历史输入参数和历史输出结果训练得到；其中，根据所述至少一个部件的故障状态，确定所述待检测设备的整体运行状态，包括：若所述至少一个部件发生故障的频次大于设定的频次阈值，则确定所述待检测设备的整体运行状态出现故障；或者，若所述至少一个部件中，同时发生故障的部件的占比大于设定比例阈值，则确定所述待检测设备的整体运行状态出现故障。
10.一种故障检测设备，其特征在于，包括：存储器、处理器以及通信组件；
所述存储器，用于存储一条或多条计算机指令；
所述处理器，用于执行一条或多条计算机指令，以用于：通过所述通信组件获取待检测设备中至少一个部件的输入参数；所述至少一个部件包括：所述待检测设备中的多个被检测部件，每个部件的输入参数包括：每个部件的控制参数、状态参数以及其上游部件的输出参数中的多种；将所述至少一个部件的输入参数分别输入对应的故障检测模型，以获取所述至少一个部件的预估输出结果；根据所述至少一个部件针对所述输入参数的实际输出结果和预估输出结果之间的差异，确定所述至少一个部件的故障状态；根据所述至少一个部件的故障状态，确定所述待检测设备的整体运行状态；其中，所述至少一个部件对应的故障检测模型根据所述至少一个部件的历史输入参数和历史输出结果训练得到；其中，根据所述至少一个部件的故障状态，确定所述待检测设备的整体运行状态，包括：若所述至少一个部件发生故障的频次大于设定的频次阈值，则确定所述待检测设备的整体运行状态出现故障；或者，若所述至少一个部件中，同时发生故障的部件的占比大于设定比例阈值，则确定所述待检测设备的整体运行状态出现故障。
11.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被执行时能够实现权利要求1-8任一项所述方法中的步骤。
CN201810872584.XA 2018-08-02 2018-08-02 故障检测方法、系统、设备及存储介质 Active CN110794227B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810872584.XA CN110794227B (zh) 2018-08-02 2018-08-02 故障检测方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810872584.XA CN110794227B (zh) 2018-08-02 2018-08-02 故障检测方法、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN110794227A CN110794227A (zh) 2020-02-14
CN110794227B true CN110794227B (zh) 2022-09-02

Family

ID=69425927

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810872584.XA Active CN110794227B (zh) 2018-08-02 2018-08-02 故障检测方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN110794227B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021173872A1 (en) * 2020-02-27 2021-09-02 Siemens Healthcare Diagnostics Inc. Automatic sensor trace validation using machine learning
CN111751705B (zh) * 2020-06-18 2023-04-07 捷普电子(广州)有限公司 测试结果展示方法、装置及电子设备、存储介质
CN111898068B (zh) * 2020-07-24 2023-01-20 宁夏隆基宁光仪表股份有限公司 一种基于pert算法及仪表用量分析的异常检测方法
CN112576454A (zh) * 2020-12-11 2021-03-30 龙源（北京）风电工程技术有限公司 基于多维预警策略的风电机组主轴温度预警方法及装置
CN112801315A (zh) * 2021-01-28 2021-05-14 国网河北省电力有限公司电力科学研究院 电力二次设备的状态诊断方法、装置及终端
CN113050018B (zh) * 2021-03-04 2023-07-07 国网湖南省电力有限公司 基于数据驱动评估结果变化趋势的电压互感器状态评估方法及系统
CN113029624B (zh) * 2021-03-04 2022-04-22 上海交通大学宁波人工智能研究院 一种水泥生料粉磨过程的故障检测方法
CN113361823B (zh) * 2021-07-16 2022-09-06 同济大学 一种基于预测数据的燃料电池故障预测方法及系统
CN117092933B (zh) * 2023-07-26 2024-04-16 天津通信广播集团有限公司 转动机械设备控制方法、装置、设备和计算机可读介质
CN117911811A (zh) * 2024-03-19 2024-04-19 南京认知物联网研究院有限公司 一种基于业务知识融合的工业视觉模型训练方法及装置

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07110817A (ja) * 1993-10-12 1995-04-25 Nippon Telegr & Teleph Corp <Ntt> 欠損値推定方式
JP2003182949A (ja) * 2001-12-21 2003-07-03 Hitachi Building Systems Co Ltd エレベータの保全装置
CN101017191A (zh) * 2007-03-01 2007-08-15 华北电力大学 一种汽轮发电机转子绕组匝间短路故障在线诊断方法
CN102644545B (zh) * 2011-02-18 2013-07-31 华锐风电科技(集团)股份有限公司 风电机组故障处理方法及系统
CN102324034B (zh) * 2011-05-25 2012-08-15 北京理工大学 基于最小二乘支持向量机在线预测的传感器故障诊断方法
US8731765B2 (en) * 2011-06-28 2014-05-20 GM Global Technology Operations LLC Method and apparatus for fault detection in a torque machine of a powertrain system
CN102665366B (zh) * 2012-04-17 2014-12-17 四川新力光源股份有限公司 Led照明灯具的故障检测系统
CN105987548B (zh) * 2015-02-03 2019-06-07 Tcl空调器(中山)有限公司 制冷系统运行状态检测方法及装置
CN106776641B (zh) * 2015-11-24 2020-09-08 华为技术有限公司 一种数据处理方法及装置
CN106155985B (zh) * 2016-06-02 2019-01-18 重庆大学 一种基于相邻数据特征的数据缺失填充方法
CN106026157B (zh) * 2016-06-13 2018-08-07 许继集团有限公司 柔性直流输电换流阀子模块故障预测方法与装置
CN106649832B (zh) * 2016-12-29 2020-04-17 北京奇艺世纪科技有限公司 一种基于缺失数据的预估方法及装置
CN106874135B (zh) * 2017-02-20 2020-09-04 北京百度网讯科技有限公司 用于检测机房故障的方法、装置及设备
CN206833239U (zh) * 2017-05-12 2018-01-02 中国电力工程顾问集团华东电力设计院有限公司 一种基于数据驱动的火电厂控制系统故障检测系统
CN107941543B (zh) * 2017-11-23 2018-11-30 中国航空综合技术研究所 用于故障预测与健康管理的制冷系统性能测试模式设计方法
CN108304941A (zh) * 2017-12-18 2018-07-20 中国软件与技术服务股份有限公司 一种基于机器学习的故障预测方法
CN113688869B (zh) * 2021-07-21 2022-05-27 广东工业大学 一种基于生成对抗网络的光伏数据缺失重构方法

Also Published As

Publication number Publication date
CN110794227A (zh) 2020-02-14

Similar Documents

Publication Publication Date Title
CN110794227B (zh) 故障检测方法、系统、设备及存储介质
EP2905665B1 (en) Information processing apparatus, diagnosis method, and program
EP3809220B1 (en) Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data
US11403160B2 (en) Fault predicting system and fault prediction method
CN115034248A (zh) 用于设备的自动诊断方法、系统和存储介质
CN110121682B (zh) 发现时间系列中的预兆子序列的方法和系统
JP5858839B2 (ja) 作業機械の異常診断装置
JP6076421B2 (ja) 設備状態監視方法およびその装置
WO2014207789A1 (ja) 状態監視装置
CN111459700A (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
JP2013025367A (ja) 設備状態監視方法およびその装置
CN108268689B (zh) 加热元件的状态诊断与评估方法及其应用
CN102375452A (zh) 改善故障代码设定和隔离故障的事件驱动的数据挖掘方法
JP7240248B2 (ja) 車両用空調装置の診断装置及び診断方法
JP2008258897A5 (zh)
JPWO2018146768A1 (ja) 不良要因推定装置および不良要因推定方法
CN114323671A (zh) 借助人工智能方法基于对电驱动系统的组件的预测诊断来确定剩余使用寿命的方法和设备
CN117375237B (zh) 基于数字孪生技术变电站运维方法及系统
CN111061581B (zh) 一种故障检测方法、装置及设备
JP6135192B2 (ja) 時系列データの異常監視装置、異常監視方法及びプログラム
KR20230125116A (ko) 머신러닝 클러스터링 알고리즘과 통계적 기법을 이용해 고장 데이터가 부재한 시스템의 결함 탐지 및 고장 진단 예측 방법
JP6898607B2 (ja) 異常予兆検出システムおよび異常予兆検出方法
CN111400850A (zh) 设备故障分析方法、装置、设备和存储介质
CN117435883A (zh) 一种基于数字孪生的设备故障预测的方法和系统
CN112524077A (zh) 检测风机故障的方法及装置、系统

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