CN110968061B - 设备故障的预警方法、装置、存储介质和计算机设备 - Google Patents

设备故障的预警方法、装置、存储介质和计算机设备 Download PDF

Info

Publication number
CN110968061B
CN110968061B CN201911243874.9A CN201911243874A CN110968061B CN 110968061 B CN110968061 B CN 110968061B CN 201911243874 A CN201911243874 A CN 201911243874A CN 110968061 B CN110968061 B CN 110968061B
Authority
CN
China
Prior art keywords
abnormal state
fault
network model
bayesian network
early warning
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
CN201911243874.9A
Other languages
English (en)
Other versions
CN110968061A (zh
Inventor
尹雪枫
林浩生
谭泽汉
王博
袁香宇
张康龙
郭强
纪风
聂双燕
吕沙沙
韦佳琪
王肖
程滇倪
邹建伟
刘旭
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.)
Gree Electric Appliances Inc of Zhuhai
Zhuhai Lianyun Technology Co Ltd
Original Assignee
Gree Electric Appliances Inc of Zhuhai
Zhuhai Lianyun Technology Co 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 Gree Electric Appliances Inc of Zhuhai, Zhuhai Lianyun Technology Co Ltd filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN201911243874.9A priority Critical patent/CN110968061B/zh
Publication of CN110968061A publication Critical patent/CN110968061A/zh
Application granted granted Critical
Publication of CN110968061B publication Critical patent/CN110968061B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • 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
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
    • 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

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请提供一种设备故障的预警方法、装置、存储介质和计算机设备，该预警方法包括：获取设备的多条异常状态记录，每条异常状态记录包括设备的异常状态参数；基于多条异常状态记录中异常状态参数与故障之间的对应关系建立贝叶斯网络模型，贝叶斯网络模型用于确定在出现异常状态参数的条件下，出现对应故障的故障概率，其中，异常状态参数为贝叶斯网络模型的根节点，故障为贝叶斯网络模型的子节点；实时获取设备的异常状态参数，基于贝叶斯网络模型确定与异常状态参数对应的故障概率；当故障概率满足预警阈值条件时，采取预警措施。本实施例的模型能够通过实时监测的设备状态信息对故障进行提前预警，有助于提前安排应对措施，减少故障损失。

Description

设备故障的预警方法、装置、存储介质和计算机设备
技术领域
本发明涉及数据分析技术领域，尤其涉及一种设备故障的预警方法、装置、存储介质和计算机设备。
背景技术
在工业生产中，因为使用时间、零部件质量、环境温度、湿度等因素的影响，工业设备常常会因为出现一些故障而导致生产的停滞，给厂家带来损失，通过分析这些因素对设备使用寿命及故障发生的影响来预测故障可能发生的时间及概率，可以提前检测故障，预防故障的发生，减少损失。
发明内容
本发明的主要目的是提供一种设备故障的预警方法、装置、存储介质和计算机设备，以解决没有故障预警造成重大损失的问题。
第一方面，本申请的实施方式提供一种设备故障的预警方法，包括以下步骤：获取设备的多条异常状态记录，每条所述异常状态记录包括所述设备的异常状态参数；基于所述多条异常状态记录中异常状态参数与故障之间的对应关系建立贝叶斯网络模型，所述贝叶斯网络模型用于确定在出现异常状态参数的条件下，出现对应故障的故障概率，其中，所述异常状态参数为所述贝叶斯网络模型的根节点，所述故障为所述贝叶斯网络模型的子节点；实时获取设备的异常状态参数，基于所述贝叶斯网络模型确定与所述异常状态参数对应的故障概率；当所述故障概率满足预警阈值条件时，采取预警措施。
可选的，所述基于所述多条异常状态记录中异常状态参数与故障之间的对应关系建立贝叶斯网络模型，包括步骤：根据异常状态参数与故障之间、异常状态参数与异常状态参数之间或故障与故障之间的直接依赖关系建立所述节点之间关联关系，以形成异常状态参数与故障之间的贝叶斯网络模型。
可选的，所述实时获取设备的异常状态参数，包括步骤：获取设备运行的实时状态信息，所述实时状态信息包括实时状态参数和各所述状态参数的参数值；获取各所述状态参数的参数值参考范围；对于每一个所述状态参数，比较其参数值和其相应的参数值参考范围，根据比较结果，判断该状态参数是否为异常状态参数。
可选的，所述当所述故障概率满足预警阈值条件时，采取预警措施，包括：当所述故障概率大于或等于预设概率阈值时，采取预警措施。
可选的，所述预警措施，包括：基于实时获取的设备的异常状态参数和与之对应的故障生成预警信息，并发送和/或广播所述预警信息。
可选的，还包括步骤：获取所述故障对应的的解决方案，并推送所述解决方案。
可选的，还包括步骤：根据故障发生时的实际异常状态参数与其对应的故障的关联关系调整所述贝叶斯网络模型，并将所述故障的实际解决方案与所述故障关联存储。
第二方面，本申请的实施方式提供一种设备故障预警装置，包括：记录获取模块，用于获取设备的多条异常状态记录，每条所述异常状态记录包括所述设备的异常状态参数；模型建立模块，用于基于所述多条异常状态记录中异常状态参数与故障之间的对应关系建立贝叶斯网络模型，所述贝叶斯网络模型用于确定在出现异常状态参数的条件下，出现对应故障的故障概率，其中，所述异常状态参数为所述贝叶斯网络模型的根节点，所述故障为所述贝叶斯网络模型的子节点；概率确定模块，用于实时获取设备的异常状态参数，基于所述贝叶斯网络模型确定与所述异常状态参数对应的故障概率；故障预警模块，用于当所述故障概率满足预警阈值条件时，采取预警措施。
第三方面，本申请的实施方式提供一种存储介质，存储有计算机程序，所述计算机程序被处理器执行时，实现如上文所述的设备故障的预警方法的步骤。
第四方面，本申请的实施方式提供一种计算机设备，包括处理器和存储有程序代码的存储介质，所述程序代码被处理器执行时，实现如上文所述的设备故障的预警方法的步骤。
本发明通过分析设备的大量异常状态记录，确立设备的异常状态参数和故障之间的贝叶斯网络模型，在出现的异常状态参数的条件下确定其对应故障的故障概率，从而能够通过实时监测的设备状态信息对设备故障进行提前预警，积极采取预警措施，扩大处理故障的时间范围，有助于提前安排应对措施，避免故障的发生，减少故障发生后造成的损失。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定，在附图中：
图1为根据本申请一示例性实施方式的设备故障的预警方法的流程图；
图2为根据本申请一具体实施方式的异常状态参数与故障之间的贝叶斯网络的示意图；
图3为根据本申请一示例性实施方式的设备故障的预警装置的结构示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
本申请通过分析设备运行的历史记录中所监控的各状态参数的数值情况与出现故障的对应关系建立异常状态参数与故障之间的贝叶斯网络模型，确立根据异常状态参数与发生故障的概率关系，用以根据设备运行的实时状态信息实现设备故障预警。
如图1所示，本申请的实施方式提供一种设备故障的预警方法，包括以下步骤：
S110：获取设备的多条异常状态记录，每条所述异常状态记录包括所述设备的异常状态参数。
设备的异常状态记录即包括异常状态参数的状态记录。在监控设备的状态信息的过程中，可能会同时监控设备的多个状态参数以及每个状态参数的实时参数值，每个状态参数有其参数值参考范围，当状态参数的实时参数值超出其参数值参考范围时，该状态参数即为异常状态参数。获取与该异常状态参数出现同一时刻的设备的状态信息生成异常状态记录。
在异常状态记录中，有可能故障已经发生，也可能没有故障发生，但是每条异常状态记录至少包括一个异常状态参数。
S120：基于所述多条异常状态记录中异常状态参数与故障之间的对应关系建立贝叶斯网络模型，所述贝叶斯网络模型用于确定在出现异常状态参数的条件下，出现对应故障的故障概率，其中，所述异常状态参数为所述贝叶斯网络模型的根节点，所述故障为所述贝叶斯网络模型的子节点。
作为一种可选的实施方式，所述基于所述多条异常状态记录中异常状态参数与故障之间的对应关系建立贝叶斯网络模型，包括步骤：根据异常状态参数与故障之间、异常状态参数与异常状态参数之间或故障与故障之间的直接依赖关系建立所述节点之间关联关系，以形成异常状态参数与故障之间的贝叶斯网络模型。
作为一个示例性实施例，图2为异常状态参数A、B和C与故障D之间对应关系的贝叶斯网络模型，其中，节点A表示异常状态参数A，节点B表示异常状态参数B，节点C表示异常状态参数C，节点D表示故障D，相连接的两个节点之间具有直接的依赖关系。其中，异常状态参数A会直接影响异常状态参数B和异常状态参数C的发生，异常状态参数B会直接影响异常状态参数C的发生，异常状态参数C会直接影响故障D的发生。
在出现异常状态参数的条件下，出现对应故障的故障概率可以根据如下公式计算：
Figure BDA0002306987780000042
其中，m表示异常状态参数根节点，Yi表示由异常状态参数根节点m能够到达的各个故障子节点(其中i为正整数)，P(Yi|m)表示在出现异常状态参数的条件下，故障出现的条件概率，
Figure BDA0002306987780000043
表示由异常状态参数根节点到达故障子节点的路径中，故障子节点Yi能够到达的所有相关节点(m表示的异常状态参数根节点除外)。
在表格中，1表示该异常状态参数发生，0表示未发生，表1示例性的给出了10条异常状态记录。
表1
Figure BDA0002306987780000041
Figure BDA0002306987780000051
根据该10条异常状态记录，建立条件概率表(即每个节点的条件概率)：
首先，统计所有根节点的条件概率。根据其不同取值出现的次数占异常状态记录的总条数的比例确定该根节点所代表的异常状态参数的条件概率。P(A＝0)＝0.3，P(A＝1)＝0.7，异常状态参数A所在的根节点的条件概率如表2所示：
表2
Figure BDA0002306987780000052
其次，统计所有非根节点的条件概率。对于非根节点B、C、D，要统计其父节点取不同值时，非根节点各种取值的概率。
如对于节点B，P(B＝0|S＝0)表示在所有S不发生的异常状态记录中，B也不发生的条件概率，其中，S表示节点B的所有父节点的集合。
在节点B的父节点节点A的各个取值条件下，节点B发生的条数的占比与不发生的条数的占比，如表3所示，所有记录中，A＝0的记录共有3条，在此条件下，B＝0的记录共有1条，B＝1的记录共有2条；A＝1的记录共有7条，在此条件下，B＝0的记录共有3条，B＝1的记录共有4条。
表3
Figure BDA0002306987780000053
以此类推，对于节点C，它的父节点有节点A和节点B，则节点C的条件概率表如表4所示：
表4
Figure BDA0002306987780000054
Figure BDA0002306987780000061
相应的，对于故障节点D，它的父节点只有节点C，则节点D的条件概率如表5所示：
表5
Figure BDA0002306987780000062
关于上述异常状态参数与故障之间对应关系的的贝叶斯网络模型的各个节点的联合概率分布为：P(A，B，C，D)＝P(A)*P(B|A)*P(C|A，B)*P(D|C).
当异常状态参数A出现时，即A＝1，P(A＝1)＝1时，则故障D出现的概率为P(D＝1|A＝1)，可以根据下述公式进行计算：
Figure BDA0002306987780000063
因此，在异常状态参数A出现的条件下，故障D出现的条件概率为3/14。
综上所述：
异常状态参数与故障之间对应关系的贝叶斯网络模型的各根节点互不影响，统计每个根节点在总数据量中的比例作为该根节点的发生的概率即该节点的条件概率；
对于贝叶斯网络模型中的非根节点，统计每个非根节点的各个父节点的所有取值情况，记录在每个非根节点在其每个父节点的每个取值情况下不同取值出现的次数，同时计算在其父节点每种取值情况下，该节点的每种结果占其父节点当前取值数的比例，作为该节点在其父节点取当前值的条件概率，例如，对于图2中的节点C，它有两个父节点A和B，统计(A＝0且B＝0)、(A＝0且B＝1)、(A＝1且B＝0)、(A＝1且B＝1)这四种情况各自出现的次数，再统计每种情况下，节点C取不同的值所占的比例，以此作为节点C的条件概率P(C|A,B)，将此方法应用到贝叶斯网络中的每一个非根节点，就可得到每个节点的条件概率。
因此，对于一个变量集X＝x1，x2，x3，…xn，其中，每一个元素为贝叶斯网络中的一个节点，那么整个网络的联合概率分布为：
Figure BDA0002306987780000071
其中，πi表示xi的父节点的集合(其中i为正整数)，∏表示后面的表达式的连乘积。
在实际的设备故障预警过程中，在出现一个异常状态参数m后，有：
Figure BDA0002306987780000072
其中，m表示异常状态参数根节点，Yi表示由异常状态参数根节点m能够到达的各个故障子节点(其中i为正整数)，P(Yi|m)表示在出现异常状态参数的条件下，故障出现的条件概率，
Figure BDA0002306987780000073
表示由异常状态参数根节点到达故障子节点的路径中，故障子节点Yi能够到达的所有相关节点(m表示的异常状态参数根节点除外)。
S130：实时获取设备的异常状态参数，基于所述贝叶斯网络模型确定与所述异常状态参数对应的故障概率。
作为一种可选的实施方式，实时获取设备的异常状态参数，包括步骤：获取设备运行的实时状态信息，所述实时状态信息包括实时状态参数和各所述状态参数的参数值；获取各所述状态参数的参数值参考范围；对于每一个所述状态参数，比较其参数值和其相应的参数值参考范围，根据比较结果，判断该状态参数是否为异常状态参数。
在设备的运行过程中，会有多个需要监控的状态参数，每个状态参数会有其对应的参数值，各状态参数与其对应的参数值组成设备运行的状态信息，采集同一时刻的状态参数与其对应的参数值可以生成一条设备运行的状态记录。状态参数，例如可以包括四通阀状态、电压、电流等。
其中，每个状态参数有其对应的参数值参考范围，多数情况下由设备厂家给定，也可以根据需要进行设定。参数值参考范围可以是某几个确定的数值的集合，例如，可以是0和1组成的集合，也可以是一个连续的区间，例如，可以是[3,9]。
对于每一个状态参数，比较其参数值和其相应的参数值参考范围，根据比较结果，判断该状态参数是否为异常状态参数。当状态参数的参数值不在参数值参考范围内时，该状态参数即出现了异常，即为异常状态参数。
本实施方式通过分析设备的大量异常状态记录，确立设备的异常状态参数和故障之间对应关系的贝叶斯网络模型，在出现的异常状态参数的条件下确定其对应故障的故障概率，从而能够通过实时监测的设备状态信息对设备故障进行提前预警，积极采取预警措施，扩大处理故障的时间范围，有助于提前安排应对措施，避免故障的发生，减少故障发生后造成的损失。
作为一种可选的实施方式，当所述故障概率满足预警阈值条件时，采取预警措施，包括：当所述故障概率大于或等于预设概率阈值时，采取预警措施。
预设概率阈值可以根据需要进行设定，当可能会出现比较重大的故障时，可以将预设概率阈值设置的较低一些，例如可以为0.1，当可能出现的故障不是很重要时，可以将预设概率阈值设置的较高一些，例如可以为0.8。
作为一种可选的实施方式，预警措施可以包括：基于实时获取的设备的异常状态参数和与之对应的故障生成预警信息，并发送和/或广播所述预警信息。
作为一种可选的实施方式，还包括步骤：获取所述故障对应的的解决方案，并推送所述解决方案。根据可能会出现的故障调取与其关联存储的历史解决方案，并推送该解决方案。
本实施方式能够在进行故障预警的同时提前准备好以往类似故障的解决方案，以供故障发生时参考，有利于工作人员快速排除故障，提高工作效率。
作为一种可选的实施方式，还包括步骤：根据故障发生时的实际异常状态参数与其对应的故障的关联关系调整所述贝叶斯网络模型，并将所述故障的实际解决方案与所述故障关联存储。
当故障发生时，可以重新确定异常状态参数与故障之间的关联关系，根据新确定的关联关系调整贝叶斯网络模型，以使模型更加完善。
本实施方式能够根据实际数据对原有的异常状态参数与故障之间对应关系的贝叶斯网络模型进行完善，有利于后续模型发挥更强大的作用。
如图3所示，本申请的实施方式提供一种设备故障的预警装置200，包括：记录获取模块210，用于获取设备的多条异常状态记录，每条所述异常状态记录包括所述设备的异常状态参数；模型建立模块220，用于基于所述多条异常状态记录中异常状态参数与故障之间的对应关系建立贝叶斯网络模型，所述贝叶斯网络模型用于确定在出现异常状态参数的条件下，出现对应故障的故障概率，其中，所述异常状态参数为所述贝叶斯网络模型的根节点，所述故障为所述贝叶斯网络模型的子节点；概率确定模块230，用于实时获取设备的异常状态参数，基于所述贝叶斯网络模型确定与所述异常状态参数对应的故障概率；故障预警模块240，用于当所述故障概率满足预警阈值条件时，采取预警措施。
在本实施例中，设备故障的预警装置200还可以包括：处理器和存储器，其中所述处理器用于执行存储在存储器中的以下程序模块：记录获取模块210，模型建立模块220、概率确定模块230和故障预警模块240，以实现设备故障的提前预警。
本申请的实施方式提供一种存储介质，存储有计算机程序，所述计算机程序被处理器执行时，实现如上文所述的设备故障的预警方法的步骤。
本申请的实施方式提供一种计算机设备，包括处理器和存储有程序代码的存储介质，所述程序代码被处理器执行时，实现如上文所述的设备故障的预警方法的步骤。
需要注意的是，这里所使用的的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
应当理解的是，本说明书中的示例性实施方式可以由多种不同的形式来实施，并且不应当被解释为只限于这里所阐述的实施方式。提供这些实施方式是为了使得本申请的公开彻底且完整，并且将这些示例性实施方式的构思充分传达给本领域普通技术人员，而不应当理解为对本发明的限制。

Claims (10)

1.一种设备故障的预警方法，其特征在于，包括以下步骤：
获取设备的多条异常状态记录，每条所述异常状态记录包括所述设备的异常状态参数；
基于所述多条异常状态记录中异常状态参数与故障之间的对应关系建立贝叶斯网络模型，并确定所述贝叶斯网络模型的各个根节点的条件概率，所述贝叶斯网络模型用于确定在出现异常状态参数的条件下，出现对应故障的故障概率，其中，所述异常状态参数为所述贝叶斯网络模型的根节点，所述故障为所述贝叶斯网络模型的子节点，确定所述贝叶斯网络模型的各个根节点的条件概率包括：对于每个根节点，将所述多条异常状态记录中出现该根节点的异常状态参数的异常状态记录的条数占所述多条异常状态记录的总条数的比例作为该根节点的条件概率；
实时获取设备的异常状态参数，基于所述贝叶斯网络模型确定与所述异常状态参数对应的故障概率，其中，基于所述贝叶斯网络模型确定与所述异常状态参数对应的故障概率包括：基于所述贝叶斯网络模型，根据所述异常状态参数对应的根节点的条件概率确定由该根节点能够到达的故障子节点的条件概率，将该故障子节点的条件概率作为所述异常状态参数对应的故障概率；
当所述故障概率满足预警阈值条件时，采取预警措施。
2.根据权利要求1所述的预警方法，其特征在于，所述基于所述多条异常状态记录中异常状态参数与故障之间的对应关系建立贝叶斯网络模型，包括步骤：
根据异常状态参数与故障之间、异常状态参数与异常状态参数之间或故障与故障之间的直接依赖关系建立所述节点之间关联关系，以形成异常状态参数与故障之间的贝叶斯网络模型。
3.根据权利要求1或2所述的预警方法，其特征在于，所述实时获取设备的异常状态参数，包括步骤：
获取设备运行的实时状态信息，所述实时状态信息包括实时状态参数和各所述状态参数的参数值；
获取各所述状态参数的参数值参考范围；
对于每一个所述状态参数，比较其参数值和其相应的参数值参考范围，根据比较结果，判断该状态参数是否为异常状态参数。
4.根据权利要求1所述的预警方法，其特征在于，所述当所述故障概率满足预警阈值条件时，采取预警措施，包括：
当所述故障概率大于或等于预设概率阈值时，采取预警措施。
5.根据权利要求4所述的预警方法，其特征在于，所述预警措施，包括：
基于实时获取的设备的异常状态参数和与之对应的故障生成预警信息，并发送和/或广播所述预警信息。
6.根据权利要求1所述的预警方法，其特征在于，还包括步骤：
获取所述故障对应的解决方案，并推送所述解决方案。
7.根据权利要求1所述的预警方法，其特征在于，还包括步骤：
根据故障发生时的实际异常状态参数与其对应的故障的关联关系调整所述贝叶斯网络模型，并将所述故障的实际解决方案与所述故障关联存储。
8.一种设备故障预警装置，其特征在于，包括：
记录获取模块，用于获取设备的多条异常状态记录，每条所述异常状态记录包括所述设备的异常状态参数；
模型建立模块，用于基于所述多条异常状态记录中异常状态参数与故障之间的对应关系建立贝叶斯网络模型，并确定所述贝叶斯网络模型的各个根节点的条件概率，所述贝叶斯网络模型用于确定在出现异常状态参数的条件下，出现对应故障的故障概率，其中，所述异常状态参数为所述贝叶斯网络模型的根节点，所述故障为所述贝叶斯网络模型的子节点，确定所述贝叶斯网络模型的各个根节点的条件概率包括：对于每个根节点，将所述多条异常状态记录中出现该根节点的异常状态参数的异常状态记录的条数占所述多条异常状态记录的总条数的比例作为该根节点的条件概率；
概率确定模块，用于实时获取设备的异常状态参数，基于所述贝叶斯网络模型确定与所述异常状态参数对应的故障概率，其中，基于所述贝叶斯网络模型确定与所述异常状态参数对应的故障概率包括：基于所述贝叶斯网络模型，根据所述异常状态参数对应的根节点的条件概率确定由该根节点能够到达的故障子节点的条件概率，将该故障子节点的条件概率作为所述异常状态参数对应的故障概率；
故障预警模块，用于当所述故障概率满足预警阈值条件时，采取预警措施。
9.一种存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-7中任一项所述的设备故障的预警方法的步骤。
10.一种计算机设备，包括处理器和存储有程序代码的存储介质，所述程序代码被处理器执行时，实现所述权利要求1-7中任一项所述的设备故障的预警方法的步骤。
CN201911243874.9A 2019-12-06 2019-12-06 设备故障的预警方法、装置、存储介质和计算机设备 Active CN110968061B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911243874.9A CN110968061B (zh) 2019-12-06 2019-12-06 设备故障的预警方法、装置、存储介质和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911243874.9A CN110968061B (zh) 2019-12-06 2019-12-06 设备故障的预警方法、装置、存储介质和计算机设备

Publications (2)

Publication Number Publication Date
CN110968061A CN110968061A (zh) 2020-04-07
CN110968061B true CN110968061B (zh) 2021-02-26

Family

ID=70033278

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911243874.9A Active CN110968061B (zh) 2019-12-06 2019-12-06 设备故障的预警方法、装置、存储介质和计算机设备

Country Status (1)

Country Link
CN (1) CN110968061B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111884860A (zh) * 2020-07-31 2020-11-03 深圳市信锐网科技术有限公司 一种网络故障风险检测方法、装置、设备及可读存储介质
CN112598883B (zh) * 2021-02-07 2021-12-31 国网江苏省电力有限公司苏州供电分公司 基于贝叶斯网络的输电线路落雷概率预警方法及预警系统
CN112926659A (zh) * 2021-02-26 2021-06-08 平安普惠企业管理有限公司 实例异常判定方法、装置、计算机设备及存储介质
CN113761728B (zh) * 2021-08-24 2022-06-03 威海广泰空港设备股份有限公司 基于车联网平台的机场电动特种车辆故障预警方法
CN114143167B (zh) * 2021-12-03 2023-06-20 中电信数智科技有限公司 基于贝叶斯网络的光衰监测网络安全的方法
CN113887676B (zh) * 2021-12-06 2022-04-08 中国南方电网有限责任公司超高压输电公司广州局 设备故障预警方法、装置、设备和存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103197177A (zh) * 2013-03-20 2013-07-10 山东电力集团公司济宁供电公司 一种基于贝叶斯网络的变压器故障诊断分析方法
CN103454516A (zh) * 2013-05-06 2013-12-18 国家电网公司 智能化变电站二次设备健康状态诊断方法
CN105243180A (zh) * 2015-09-01 2016-01-13 珠海格力电器股份有限公司 机电设备故障预警方法及系统
CN105530122A (zh) * 2015-12-03 2016-04-27 国网江西省电力公司信息通信分公司 一种基于选择性隐朴素贝叶斯分类器的网络故障诊断方法
CN106708016A (zh) * 2016-12-22 2017-05-24 中国石油天然气股份有限公司 故障监控方法和装置
CN108414864A (zh) * 2018-03-16 2018-08-17 贵州乌江水电开发有限责任公司东风发电厂 一种用于继电保护装置的故障诊断方法
CN109639450A (zh) * 2018-10-23 2019-04-16 平安壹钱包电子商务有限公司 基于神经网络的故障告警方法、计算机设备及存储介质
CN109685371A (zh) * 2018-12-25 2019-04-26 华能陕西定边电力有限公司 基于贝叶斯网的动态概权风电机组运行状态综合评估方法
CN109697455A (zh) * 2018-11-14 2019-04-30 清华大学 配网开关设备的故障诊断方法及装置
CN109815441A (zh) * 2017-11-20 2019-05-28 洛阳中科晶上智能装备科技有限公司 一种采用贝叶斯网络模型诊断及预测发动机故障的方法
CN110135596A (zh) * 2019-04-18 2019-08-16 中国电力科学研究院有限公司 一种继电保护系统风险评估及故障定位方法及装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103197177A (zh) * 2013-03-20 2013-07-10 山东电力集团公司济宁供电公司 一种基于贝叶斯网络的变压器故障诊断分析方法
CN103454516A (zh) * 2013-05-06 2013-12-18 国家电网公司 智能化变电站二次设备健康状态诊断方法
CN105243180A (zh) * 2015-09-01 2016-01-13 珠海格力电器股份有限公司 机电设备故障预警方法及系统
CN105530122A (zh) * 2015-12-03 2016-04-27 国网江西省电力公司信息通信分公司 一种基于选择性隐朴素贝叶斯分类器的网络故障诊断方法
CN106708016A (zh) * 2016-12-22 2017-05-24 中国石油天然气股份有限公司 故障监控方法和装置
CN109815441A (zh) * 2017-11-20 2019-05-28 洛阳中科晶上智能装备科技有限公司 一种采用贝叶斯网络模型诊断及预测发动机故障的方法
CN108414864A (zh) * 2018-03-16 2018-08-17 贵州乌江水电开发有限责任公司东风发电厂 一种用于继电保护装置的故障诊断方法
CN109639450A (zh) * 2018-10-23 2019-04-16 平安壹钱包电子商务有限公司 基于神经网络的故障告警方法、计算机设备及存储介质
CN109697455A (zh) * 2018-11-14 2019-04-30 清华大学 配网开关设备的故障诊断方法及装置
CN109685371A (zh) * 2018-12-25 2019-04-26 华能陕西定边电力有限公司 基于贝叶斯网的动态概权风电机组运行状态综合评估方法
CN110135596A (zh) * 2019-04-18 2019-08-16 中国电力科学研究院有限公司 一种继电保护系统风险评估及故障定位方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于SVM-BN的天然气长输管道燃气轮机故障预警方法;王明达 等;《然气工业》;20171125;第37卷(第11期);第112-118页 *

Also Published As

Publication number Publication date
CN110968061A (zh) 2020-04-07

Similar Documents

Publication Publication Date Title
CN110968061B (zh) 设备故障的预警方法、装置、存储介质和计算机设备
CN108491305B (zh) 一种服务器故障的检测方法及系统
CN111555716B (zh) 光伏阵列工作状态的确定方法、装置、设备及存储介质
CN110394688B (zh) 基于边缘计算的机床状态监测方法
KR20180108446A (ko) Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법
EP3663919B1 (en) System and method of automated fault correction in a network environment
CN107426033B (zh) 一种对物联网接入终端进行状态预测的方法和装置
US20210262900A1 (en) Method and apparatus for monitoring operating data of boiler based on bayesian network
US20220156704A1 (en) Method and system for transmitting data from manufacturing data originators to target computing systems using defined message schemas
CN112882954A (zh) 一种分布式数据库运维动态阈值告警方法及装置
US20210359899A1 (en) Managing Event Data in a Network
CN113487182B (zh) 设备健康状态评估方法、装置、计算机设备和介质
CN115372816A (zh) 基于数据分析的配电开关设备运行故障预测系统及方法
CN113740666B (zh) 一种数据中心电力系统告警风暴根源故障的定位方法
CN109412902B (zh) 一种电力调度数据网系统的智能监测方法、存储设备、终端和系统
CN108039971A (zh) 一种告警方法及装置
CN108959025A (zh) 一种服务器告警方法、装置及服务器
CN117289085A (zh) 一种多线路故障分析诊断方法及系统
CN117318069B (zh) 一种供电系统故障自愈方法及系统
CN114793132A (zh) 一种光模块的检测方法、装置、电子设备及存储介质
CN113676343A (zh) 电力通信网故障源定位方法及装置
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
CN116339266A (zh) 一种管材生产复合监测方法及系统
Liu et al. Time-between-events charts for on-line process monitoring
WO2022130789A1 (ja) 原因推定システムおよび原因推定方法

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