CN111177485B - 基于参数规则匹配设备故障的预测方法、设备及介质 - Google Patents
基于参数规则匹配设备故障的预测方法、设备及介质 Download PDFInfo
- Publication number
- CN111177485B CN111177485B CN201911295480.8A CN201911295480A CN111177485B CN 111177485 B CN111177485 B CN 111177485B CN 201911295480 A CN201911295480 A CN 201911295480A CN 111177485 B CN111177485 B CN 111177485B
- Authority
- CN
- China
- Prior art keywords
- parameter
- rule
- abnormal
- fault
- equipment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06Q10/20—Administration of product repair or maintenance
Abstract
本发明公开了一种基于参数规则匹配设备故障的预测方法、设备及介质,此方法包括:调用故障诊断规则库;提取设备运行过程中产生的异常数据;基于所述异常数据生成最符合数据点趋势规律的曲线;提取所述曲线的实时特征参数,基于所述实时特征参数与所述故障诊断规则库进行匹配,确定所述实时特征信息对应的参数规则;基于所述参数规则,预测所述异常数据导致的设备故障结果。本发明的技术方案,能够结合已知设备的结构特性、参数、环境条件及运行历史记录,针对实际设备的运行特点构建符合故障发生规律的故障诊断规则库,建立完整有效的故障预测方法,能够对设备未来时段内可能出现的故障进行测,指出故障发展趋势。
Description
技术领域
本发明涉及设备维护技术领域技术领域,尤其涉及一种基于参数规则匹配设备故障的预测方法、设备及介质。
背景技术
目前,设备逐渐走向集成化、智能化,内部结构和关联性日趋庞大,致使设备系统在其部件的状态分布、部件间的关联关系等方面呈现出极大的复杂性,在设备运行的过程中,设备故障经常是微小的运行异常随着时间的积累积累导致的,在日常生产过程中很难发现,造成设备的故障率较高,而维修人员难以预测设备的运行状态,需要浪费大量的时间,人力,物力,以及设备停运进行故障检测,经常发生维修不足或维修过剩的情况,提高了运营成本,因此如何在设备运行的过程中及时发现问题,给出准确的故障预测,是亟待解决的问题。
发明内容
为了解决上述技术问题,本发明提供了一种基于参数规则匹配设备故障的预测方法、设备及介质。
根据本发明的第一方面,提供一种基于参数规则匹配设备故障的预测方法,包括:调用故障诊断规则库;提取设备运行过程中产生的异常数据;基于所述异常数据生成最符合数据点趋势规律的曲线;提取所述曲线的实时特征参数,基于所述实时特征参数与所述故障诊断规则库进行匹配,确定所述实时特征信息对应的参数规则;基于所述参数规则,预测所述异常数据导致的设备故障结果;其中,所述实时特征参数包括:曲线趋势、趋势持续时间、倾斜程度、倾斜角度。
上述方法还可以具有以下特点:
所述调用故障诊断规则库之前还包括:
获取所述设备的故障信息库中的故障对应的异常参数;提取所述异常参数对应的数据;对所述数据采用最小二乘法拟合出最符合数据点趋势规律的曲线;提取所述曲线的特征参数,基于所述特征参数及所述特征参数对应的参数数值生成所述异常参数对应的参数规则;基于所述故障、所述异常参数和所述参数规则构建故障诊断规则库。
上述方法还可以具有以下特点:
所述基于所述故障、所述异常参数和所述参数规则构建故障诊断规则库包括
提取所述特征参数对应的数值的临界值,作为触发所述参数规则的触发阈值,将所述参数规则与所述触发阈值的对应关系存储在故障诊断规则库中;
将所述故障、所述异常参数和所述参数规则的之间的对应关系存储在故障诊断规则库中。
上述方法还可以具有以下特点:
还包括:在所述故障诊断规则库中配置所述异常参数的权重值、所述参数规则的概率值及所述参数规则的权重值。
上述方法还可以具有以下特点:
所述基于所述实时特征参数与故障诊断规则库进行匹配,确定所述实时特征参数对应的参数规则包括:
提取所述实时特征参数对应的参数数值;
将所述参数数值与所述触发阈值进行匹配,当所述参数数值达到触发阈值时触发参数规则,根据所述参数规则与所述触发阈值的对应关系,确定所述参数规则。
上述方法还可以具有以下特点:
所述基于所述参数规则,预测所述异常数据导致的设备故障结果包括:
根据所述故障、所述异常参数和所述参数规则之间的对应关系,确定所述参数规则对应的异常参数;
获取所述参数规则的概率值及所述参数规则的权重值,计算所述参数规则对应的异常参数的加权概率值;
根据所述异常参数的加权概率值以及所述异常参数的权重值,计算所述异常参数对应的故障的加权概率值;
预测加权概率值最大的故障为异常数据导致的设备故障结果。
上述方法还可以具有以下特点:
所述基于所述异常数据生成最符合数据点趋势规律的曲线包括:
对所述异常数据采用最小二乘法拟合出最符合数据点趋势规律的曲线。
根据本发明的第二方面,提供一种计算机设备,所述计算机设备包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现上述方法的步骤。
根据本发明的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
本发明提供的基于参数规则匹配设备故障的预测方法,对设备实时运行过程中的异常数据进行数据拟合算法分析其实时特征参数,通过建立的故障诊断规则库中的参数规则与实时特征参数进行匹配,触发故障诊断规则库中相应参数规则的方法,快速准确的预测设备实时故障状态,指导对设备的监控及维修,全过程自动化进行,降低了设备停运的损失,有效提高维修效率、降低维修成本。
参照附图来阅读对于示例性实施例的以下描述,本发明的其他特性特征和优点将变得清晰。
附图说明
图1示例性示出了本发明的实施例的基于参数规则匹配设备故障的预测方法的流程图;
图2示例性示出了建立故障诊断规则库的一种具体实施例的流程图;
图3示例性示出了网状结构的故障诊断规则库的示意图;
图4示例示出的一种计算机设备的框图。
具体实施例
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,都属于本发明保护的范围。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任意组合。
本发明提供一种基于参数规则匹配设备故障的预测方法,其通过建立故障诊断规则库,结合故障诊断规则库和设备故障特征数据匹配参数规则给出诊断结论,对于故障预测的准确性更高。
图1是本发明的基于参数规则匹配设备故障的预测方法一种具体实施例的的流程图。
如图1所示,本发明的基于参数规则匹配设备故障的预测方法,包括:
步骤101,调用故障诊断规则库;
步骤102,提取设备运行过程中产生的异常数据;
步骤103,基于异常数据生成最符合数据点趋势规律的曲线;
步骤104,提取曲线的实时特征参数,基于实时特征参数与故障诊断规则库进行匹配,确定特征信息对应的参数规则;
步骤105,基于参数规则,预测异常数据导致的设备故障结果。
在步骤103还包括:对提取到的异常数据进行预处理,以保证数据的完整性,可利用数据预处理阶段的数据清洗、数据集成和数据消减方法清除掉提取到的异常数据存在错误或异常的数据、不完整的数据、不一致数据以及冗余数据。
对异常数据进行预处理后,可采用最小二乘法拟合出最符合数据点趋势规律的曲线,其中,实时特征参数包括:曲线趋势、趋势持续时间、倾斜程度、倾斜角度,曲线的趋势包括上升区间和下降区间。
本发明能够结合已知设备的结构特性、参数、环境条件及运行历史记录,针对实际设备的运行特点构建符合故障发生规律的故障诊断规则库,建立完整有效的故障预测方法,能够对设备未来时段内可能出现的故障进行测,指出故障发展趋势。
具体地,在步骤101之前,该方法还包括:基于故障信息库的数据建立故障诊断规则库,将故障描述与故障历史数据库结合形成故障信息库,该故障信息库可存储在设备中,故障信息库还包括故障表现和故障原因,故障信息库中数据的传输协议包括OPC协议、Modbus协议、TCP/IP协议、蓝牙协议、无线传输协议,可根据故障信息库的故障起止时间读取故障数据,采集的频率可为1s/次,数据采集格式可如表1所示:
字段名称 | 字段类型 | 字段描述 |
采集时间 | Date | 故障起止时间 |
设备名称 | String | XX设备 |
参数名称 | String | 设备的参数名称 |
协议 | String | 采用的协议采集 |
参数值 | Double | 采集的参数值 |
对每一个故障对应的故障数据进行数据拟合,生成量化的每个故障对应的参数规则,以建立故障诊断规则库。
图2示出了建立故障诊断规则库的一种具体实施例的流程图。
如图2所示,基于故障信息库的数据建立故障诊断规则库具体包括以下步骤:
步骤201,获取设备的故障信息库中的故障对应的异常参数;
步骤202,提取异常参数对应的数据;
步骤203,对数据采用最小二乘法拟合出最符合数据点趋势规律的曲线;
步骤204,提取曲线的特征参数,基于特征参数及特征参数对应的参数数值生成异常参数对应的参数规则;
步骤205,基于故障、异常参数和参数规则构建故障诊断规则库。
其中,特征参数包括:曲线趋势、趋势持续时间、倾斜程度、倾斜角度,曲线的趋势包括上升区间和下降区间,提取曲线的这些特征参数及特征参数对应的参数数值,生成异常参数对应的可量化的参数规则,该参数规则如表2所示:
曲线趋势 | 下降 | 上升 | 下降 | .. |
趋势持续时间 | t1 | t2 | t3 | .. |
倾斜程度 | k1 | k2 | k3 | .. |
倾斜角度 | angle1 | angle2 | angle3 | .. |
表2
将该参数规则存储在故障诊断规则库中,对所有故障的异常参数对应的参数规则进行迭代,直至故障诊断规则库覆盖所有的故障。异常参数对应的参数规则的关系还包括一对多的关系,即一个异常参数对应的多条参数规则。
所得到的故障诊断规则库的结构是网状的,这是由于不同的故障之间涉及到的异常参数会有交叉,其所对应的参数规则也是交叉的。
具体地,基于故障、异常参数和参数规则构建故障诊断规则库具体包括以下步骤:
提取特征参数对应的数值的临界值,作为触发参数规则的触发阈值,将参数规则与触发阈值的对应关系存储在故障诊断规则库中;
将故障、异常参数和参数规则之间的对应关系存储在故障诊断规则库中。
当对于一个异常参数对应一条参数规则时,提取该特征参数对应的参数数值记为该特征参数对应的数值的临界值,则该数值记为该参数规则的触发阈值;当对于一个异常参数对应多条参数规则时,则提取特征参数对应的数值中的临界值,作为参数规则的触发阈值。
对某一故障的某个异常参数对应多条参数规则,需要求其临界情况将这多条参数规则包含进去,具体地,例如,某一故障对应的异常参数对应有多条参数规则,则根据曲线的趋势进行比对进行取值,对于曲线的趋势为上升区间时,趋势持续时间取最小值,倾斜程度取最小值、倾斜角度取最小值,作为该异常参数对应的参数规则的触发阈值;对于曲线的趋势为下降区间时,趋势持续时间取最小值,倾斜程度取最大值、倾斜角度取最大值,作为该异常参数对应的参数规则的触发阈值。
该方法还包括在建立故障诊断规则库时可对参数规则进行管理,且故障诊断规则库可以通过定义、增加、删除和修改的方式对参数规则数据进行管理。
该方法还包括:在故障诊断规则库中配置异常参数的权重值、参数规则的概率值及参数规则的权重值。
图3示出了网状结构的故障诊断规则库的示意图。
如图3所示,对于故障F1,其异常参数有p1、p2和p3,异常参数对应的参数规则为rulep11、rulep21和rulep31;对于故障F2,其异常参数有p2、p4、p5,异常参数对应的参数规则为rule21、rulep22、rulep42和rulep51,可知p2的参数规则有rulep21和rulep22,但是其所对应的不同的故障,因此在故障诊断规则库中,对于故障F1与异常参数及参数规则的对应关系的可表示为(F1:p1|p2|p3:rulep11|rulep21|rulep31),对于故障F2与异常参数及参数规则的对应关系的可表示为(F2:p2|p4|p5:rulep21-rulep22|rulep42|rulep51)。
图中wf1P1、wf1P2、wf1P3分别为故障F1对应的的异常参数P1、P2、P3的权重值,wrf1P11、wrf1P21、wrf1P31分别为P1、P2、P3的参数规则的权重值,prf1P11、prf1P21、prf1P31分别为P1、P2、P3的参数规则的概率值,wf2P2、wf2P4、wf2P5分别为故障F2对应的的异常参数P2、P4、P5的权重值,wrf2P21和wrf2P22、wrf2P42、wrf2P51分别为P2、P4、P5的参数规则的权重值,prf2P21和prf2P22、prf2P42、prf2P51分别为P2、P4、P5的参数规则的概率值。
根据故障、异常参数和参数规则之间的对应关系,在故障诊断规则库中配置异常参数的权重值、参数规则的概率值及参数规则的权重值。
异常参数的权重值取值范围为0~1,参数规则的权重值的取值范围为0~1,具体可根据该异常参数对故障的影响率来分配权重值,同理,根据参数故障对异常参数的影响率来分配权重值,配置规则为对故障所对应的所有的异常参数的权重值求和为1,故障所对应的所有的参数规则的权重值求和为1。
如图中所示,按比例配置异常参数的权重值及参数规则的权重值,并确保其相应权重值之和为1。对于故障F1,在故障诊断规则库中为故障对应的异常参数的权重值、参数规则的概率值及参数规则的权重值配置规则如下:
根据wf1P1+wf1P2+wf1P3=1,wrf1P11+wrf1P21+wrf1P31=1,确定每个异常参数的权重值以及参数规则的权重值。
参数规则的概率值的配置是根据某一故障的异常数据的总数及满足各个参数规则的异常数据的数量计算得出的,例如故障F1,故障历史记录中记录异常数据的总数是Sum条,其中满足参数规则rulep11、rulep21和rulep31的分别为S1、S2和S3条,则有S1+S2+S3=Sum,prf1P11=S1/Sum、prf1P21=S2/Sum、prf1P31=S3/Sum,由此配置出参数规则的概率值。
在步骤104中,基于实时特征参数与故障诊断规则库进行匹配,确定实时特征参数对应的参数规则的具体过程如下:
提取实时特征参数对应的参数数值;
将参数数值与触发阈值进行匹配,当参数数值达到触发阈值时触发参数规则,根据参数规则与触发阈值的对应关系,确定参数规则。
在上述过程中,先提取曲线的曲线趋势、趋势持续时间、倾斜程度、倾斜角度分别对应的参数数值,对参数规则对应的触发阈值进行逐一匹配,当参数数值达到触发阈值时触发参数规则,即符合该参数规则的条件,根据参数规则与触发阈值的对应关系,查找该参数规则,确定该参数规则即为实时特征参数对应的参数规则,即该方法通过在故障诊断故障库中匹配到设备运行过程中产生的异常数据所对应的参数规则。
通过在步骤104中确定了设备运行过程中产生的异常数据所对应的参数规则,则在步骤105中,基于该参数规则,预测异常数据导致的设备故障结果,该过程具体包括:
根据故障、异常参数和参数规则之间的对应关系,确定参数规则对应的异常参数;
获取参数规则的概率值及参数规则的权重值,计算参数规则对应的异常参数的加权概率值;
根据异常参数的加权概率值以及异常参数的权重值,计算异常参数对应的故障的加权概率值;
预测加权概率值最大的故障为异常数据导致的设备故障结果。
如图3所示的故障诊断规则库,以故障为单元,异常参数与参数规则相对应,提取异常参数集,记为p'm={{P1,P2,P3},{P2,P4,P5}},提取参数规则集记为r'm={{rule11,rule21,rule31},{rule21-rule22,rule42,rule51}},基于该异常参数集和参数规则集,计算参数规则对应的异常参数的加权概率值可利用全概率公式进行计算公式如下:
P(pi)=∑P(rulej)*W(rulej),pi∈p'm,rulej∈r'm
其中,P(rulej)为参数规则的概率值,W(rulej)为参数规则的权重值,r'm为实时特征信息对应的参数规则,p'm为该参数规则相对应的异常参数。
根据故障诊断规则库中异常参数的权重值以及计算得到的异常参数的加权概率值,计算出异常参数对应的故障的加权概率值,根据故障的加权概率值由大到小的顺序对故障进行排序,进而能够预测出多个故障原因共同发生时的故障,则预测该加权概率值最大的故障为异常数据导致的设备故障结果。
本申请还提供了一种计算机可读存储介质,存储介质上存储有计算机程序,程序被处理器执行时实现本申请方法的步骤。
本申请还提供了一种计算机设备,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,处理器执行程序时实现本申请方法的步骤。
图4是根据一示例性实施例示出的一种计算机设备400的框图。例如,计算机设备400可以被提供为一服务器。参照图4,计算机设备400包括处理器401,处理器的个数可以根据需要设置为一个或者多个。计算机设备400还包括存储器402,用于存储可由处理器401执行的指令,例如应用程序。存储器的个数可以根据需要设置一个或者多个,其存储的应用程序可以为一个或者多个。处理器401用于执行指令,以执行上述方法。
本领域技术人员应明白,本发明的实施例可提供为方法、装置(设备)、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上实施的计算机程序产品的形式。计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质,包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质等。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
本发明是参照根据本发明实施例的方法、装置(设备)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。
在本文中,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物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物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……”限定的要素,并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明的意图也包含这些改动和变型在内。
Claims (4)
1.基于参数规则匹配设备故障的预测方法,其特征在于,包括:
调用故障诊断规则库;
提取设备运行过程中产生的异常数据;
基于所述异常数据生成最符合数据点趋势规律的曲线;
提取所述曲线的实时特征参数,基于所述实时特征参数与所述故障诊断规则库进行匹配,确定所述实时特征参数对应的参数规则;
基于所述参数规则,预测所述异常数据导致的设备故障结果;
其中,所述实时特征参数包括:曲线趋势、趋势持续时间、倾斜程度、倾斜角度;
其中,所述调用故障诊断规则库之前还包括:
获取所述设备的故障信息库中的故障对应的异常参数;
提取所述异常参数对应的数据;
对所述数据采用最小二乘法拟合出最符合数据点趋势规律的曲线;
提取所述曲线的特征参数,基于所述特征参数及所述特征参数对应的参数数值生成所述异常参数对应的参数规则;
基于所述故障、所述异常参数和所述参数规则构建故障诊断规则库;
其中,所述基于所述故障、所述异常参数和所述参数规则构建故障诊断规则库包括:
提取所述特征参数对应的数值的临界值,作为触发所述参数规则的触发阈值,将所述参数规则与所述触发阈值的对应关系存储在故障诊断规则库中;
将所述故障、所述异常参数和所述参数规则的之间的对应关系存储在故障诊断规则库中;
根据所述故障、所述异常参数和所述参数规则之间的对应关系,在所述故障诊断规则库中配置所述异常参数的权重值、所述参数规则的概率值及所述参数规则的权重值;
其中,所述异常参数的权重值的取值范围为0~1,所述参数规则的权重值的取值范围为0~1,根据所述参数规则对所述异常参数的影响率来分配权重值,所述故障所对应的所有的异常参数的权重值求和为1,所述故障所对应的所有的参数规则的权重值求和为1;
其中,所述基于所述实时特征参数与故障诊断规则库进行匹配,确定所述实时特征参数对应的参数规则包括:
提取所述实时特征参数对应的参数数值;
将所述参数数值与所述触发阈值进行匹配,当所述参数数值达到触发阈值时触发参数规则,根据所述参数规则与所述触发阈值的对应关系,确定所述参数规则;
其中,所述基于所述参数规则,预测所述异常数据导致的设备故障结果包括:
根据所述故障、所述异常参数和所述参数规则之间的对应关系,确定所述参数规则对应的异常参数;
获取所述参数规则的概率值及所述参数规则的权重值,计算所述参数规则对应的异常参数的加权概率值;
根据所述异常参数的加权概率值以及所述异常参数的权重值,计算所述异常参数对应的故障的加权概率值;
预测加权概率值最大的故障为异常数据导致的设备故障结果。
2.如权利要求1所述的预测方法,其特征在于,所述基于所述异常数据生成最符合数据点趋势规律的曲线包括:
对所述异常数据采用最小二乘法拟合出最符合数据点趋势规律的曲线。
3.一种计算机设备,其特征在于,所述计算机设备包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至2中任一项所述方法的步骤。
4.一种计算机可读存储介质,其上存储有计算机程序,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至2中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911295480.8A CN111177485B (zh) | 2019-12-16 | 2019-12-16 | 基于参数规则匹配设备故障的预测方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911295480.8A CN111177485B (zh) | 2019-12-16 | 2019-12-16 | 基于参数规则匹配设备故障的预测方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111177485A CN111177485A (zh) | 2020-05-19 |
CN111177485B true CN111177485B (zh) | 2023-06-27 |
Family
ID=70653894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911295480.8A Active CN111177485B (zh) | 2019-12-16 | 2019-12-16 | 基于参数规则匹配设备故障的预测方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111177485B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381110A (zh) * | 2020-10-10 | 2021-02-19 | 神华北电胜利能源有限公司 | 基于模糊规则的煤矿生产多维度数据异常概率预测方法 |
CN114139297B (zh) * | 2021-10-09 | 2024-04-23 | 昆明嘉和科技股份有限公司 | 基于机泵设备状态监测和大数据分析的专家诊断系统 |
CN114236314A (zh) * | 2021-12-17 | 2022-03-25 | 瀚云科技有限公司 | 一种故障检测方法、装置、设备和存储介质 |
CN115013936A (zh) * | 2022-06-30 | 2022-09-06 | 深圳市英维克信息技术有限公司 | 空调设备的故障检测方法、检测装置和存储介质 |
CN114859875B (zh) * | 2022-07-07 | 2022-11-15 | 深圳市信润富联数字科技有限公司 | 多种设备的故障管理方法、装置、设备及存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5214653A (en) * | 1990-10-22 | 1993-05-25 | Harris Corporation | Fault finder expert system |
JP2005309616A (ja) * | 2004-04-19 | 2005-11-04 | Mitsubishi Electric Corp | 設備機器故障診断システム及び故障診断ルール作成方法 |
CN102496028B (zh) * | 2011-11-14 | 2013-03-20 | 华中科技大学 | 一种复杂装备的事后维修故障分析方法 |
KR102440335B1 (ko) * | 2016-10-28 | 2022-09-02 | 삼성에스디에스 주식회사 | 이상 감지 관리 방법 및 그 장치 |
CN106647581B (zh) * | 2017-01-09 | 2018-12-25 | 中国石油大学(北京) | 压裂施工过程井下故障诊断方法及装置 |
CN107167497B (zh) * | 2017-06-27 | 2023-08-08 | 北京必可测科技股份有限公司 | 一种设备故障检测方法及系统 |
CN108107360B (zh) * | 2017-12-05 | 2020-07-17 | 中国电子产品可靠性与环境试验研究所 | 电机故障辨识方法与系统 |
CN109117353B (zh) * | 2018-08-20 | 2019-12-20 | 中国石油大学(北京) | 故障诊断结果的融合方法及装置 |
CN109632315A (zh) * | 2019-01-11 | 2019-04-16 | 浙江浙能技术研究院有限公司 | 一种基于双参数规则匹配的汽轮机振动故障推理诊断方法 |
-
2019
- 2019-12-16 CN CN201911295480.8A patent/CN111177485B/zh active Active
Non-Patent Citations (2)
Title |
---|
Research of probability Petri nets model for fault diagnosis based on Bayesian theorem;Xi-Lin Zhao et al.;《2008 7th World Congress on Intelligent Control and Automation》;全文 * |
城市轨道交通设备故障聚类与贝叶斯网络预警;张铭 等;《计算机工程与应用》(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111177485A (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111177485B (zh) | 基于参数规则匹配设备故障的预测方法、设备及介质 | |
EP3798846B1 (en) | Operation and maintenance system and method | |
US20190268214A1 (en) | Predicting issues before occurrence, detection, or reporting of the issues | |
CN112183758A (zh) | 用于实现模型训练的方法及装置、计算机存储介质 | |
CN112769605B (zh) | 一种异构多云的运维管理方法及混合云平台 | |
CN113516244B (zh) | 一种智能运维方法、装置、电子设备及存储介质 | |
CN114430365B (zh) | 故障根因分析方法、装置、电子设备和存储介质 | |
US20140250125A1 (en) | Identifying an incident-addressing step | |
US20230019404A1 (en) | Data Processing for Industrial Machine Learning | |
EP3885854B1 (en) | Data analysis method, device and system | |
CN114066262A (zh) | 一种电网调度后评估异常指标溯因推理方法、系统、装置及存储介质 | |
CN108306997B (zh) | 域名解析监控方法及装置 | |
CN109409780B (zh) | 变更处理方法、装置、计算机设备和存储介质 | |
CN116457802A (zh) | 利用未被标记的传感器数据对工业系统中的罕见故障的自动实时检测、预测和阻止 | |
CN114138601A (zh) | 一种业务告警方法、装置、设备及存储介质 | |
CN117111568B (zh) | 基于物联网的设备监测方法、装置、设备及存储介质 | |
CN111614520B (zh) | 一种基于机器学习算法的idc流量数据预测方法及装置 | |
US20210350282A1 (en) | Managing an installed base of artificial intelligence modules | |
EP3904977B1 (en) | Method for generating a process model and support system using the process model | |
CN114911677A (zh) | 集群中容器的监控方法、装置和计算机可读存储介质 | |
CN112152968B (zh) | 网络威胁检测方法和装置 | |
CN111783487A (zh) | 一种读卡器设备的故障预警方法及装置 | |
CN112183873B (zh) | 一种交通业务量预测方法、系统、装置及存储介质 | |
CN114095337A (zh) | Kpi异常检测方法、装置、计算设备及计算机存储介质 | |
CN116822700A (zh) | 物流客户订单流失预防方法、装置、设备及存储介质 |
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 |