CN111178378B - 一种设备的故障预测方法、装置、电子设备及存储介质 - Google Patents
一种设备的故障预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111178378B CN111178378B CN201911081717.2A CN201911081717A CN111178378B CN 111178378 B CN111178378 B CN 111178378B CN 201911081717 A CN201911081717 A CN 201911081717A CN 111178378 B CN111178378 B CN 111178378B
- Authority
- CN
- China
- Prior art keywords
- data
- sample data
- fault
- error rate
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本申请公开了一种设备的故障预测方法、装置、电子设备及存储介质,所述方法包括:获取待监控设备的性能数据和所在区域的环境数据;性能数据对应的时间戳和环境数据对应的时间戳一致;对性能数据和环境数据进行预处理,得到关键性能数据和关键环境数据;基于故障预测模型对关键性能数据和关键环境数据进行故障预测,确定时间戳对应的故障发生概率,如此,通过故障预测模型对可以提高设备的故障预测的准确率。
Description
技术领域
本申请涉及互联网技术领域,尤其涉及一种设备的故障预测方法、装置、电子设备及存储介质。
背景技术
随着技术飞速发展,大小型工程设备的故障的发生和预测在人们的工作和生活中越来越受到重视。现阶段大型楼宇设备的故障预测方法通常是人为掌握机械设备的故障规律,并对其运行状态劣化趋势进行预测。
人为掌握机械设备的故障规律:由于运行环境、设备操作、维修保养和出厂时间等因素的不同,机械设备在运行中一般会出现不同的故障。机械故障的发生往往会有许多特定表征。需要设备管理人员拥有丰富的经验及时发现这些表征并作出故障判断,防止严重的机械设备事故的发生。如发动机运行时出现异常响动,管理人员可以及时评估是否会出现突发性机械设备事故,如缸盖和曲轴等关键零部件被损坏。随着现代机械设备结构和材料的升级换代,传统机械设备的“浴盆曲线”故障规律已经无法全部适用于机械故障一般情况,需要工作人员重新总结经验和规律,判断机械设备运行状态、故障表征、故障发生根源和故障潜伏期。机械设备主要有磨损、变形、断裂、裂纹和腐蚀等故障类型。机械设备故障除了遵循一定的“浴盆曲线”规律以外,还遵循其它故障曲线规律,如稳定磨损期故障曲线规律,机械设备有恒定磨损期,故障率增长缓慢;新设备故障率曲线规律,运行一段时间后机械设备就逐渐表现出恒定的故障率;寿命周期内的故障曲线反映出机械设备总体稳定的故障率;机械设备开始由高的故障曲线规律,反映该机械设备初期故障率往往较高,但是中后期故障率稳定。
现有技术的最大缺陷在于特征点的局限于施工人员经验,设备的运行的自有参数,并不能完全涵盖所有的可能导致故障发生的影响因子,这种方式导致设备的故障预测的准确率比较低。
发明内容
本申请实施例提供了一种设备的故障预测方法、装置、电子设备及存储介质,可以提高设备的故障预测的准确率。
一方面,本申请实施例提供了一种设备的故障预测方法,该方法包括:
获取待监控设备的性能数据和所在区域的环境数据;性能数据对应的时间戳和环境数据对应的时间戳一致;
对性能数据和环境数据进行预处理,得到关键性能数据和关键环境数据;
基于故障预测模型对关键性能数据和关键环境数据进行故障预测,确定时间戳对应的故障发生概率;
其中,故障预测模型的训练方法包括:
获取历史时间段内的样本数据集,样本数据集表征历史时间段内每个历史时间戳对应的样本数据,样本数据包括历史关键性能数据、历史关键环境数据和历史故障信息;
为样本数据集中每个样本数据设置初始权重;
使用带有初始权重的样本数据集训练得到第一基分类器;
确定第一基分类器的误差率,并根据误差率更新样本数据集中每个样本数据的权重;
使用更新权重后的样本数据集训练得到第二基分类器;重复步骤:确定第二基分类器的误差率,并根据误差率更新样本数据集中每个样本数据的权重;
当基于样本数据集训练得到的基分类器的数量等于预设数量,将各个基分类器进行整合,得到故障预测模型。
另一方面提供了一种设备的故障预测装置,该装置包括:
获取模块,用于获取待监控设备的性能数据和所在区域的环境数据;性能数据对应的时间戳和环境数据对应的时间戳一致;
预处理模块,用于对性能数据和环境数据进行预处理,得到关键性能数据和关键环境数据;
确定模块,用于基于故障预测模型对关键性能数据和关键环境数据进行故障预测,确定时间戳对应的故障发生概率;
模型训练模块,用于获取历史时间段内的样本数据集,样本数据集表征历史时间段内每个历史时间戳对应的样本数据,样本数据包括历史关键性能数据、历史关键环境数据和历史故障信息;为样本数据集中每个样本数据设置初始权重;使用带有初始权重的样本数据集训练得到第一基分类器;确定第一基分类器的误差率,并根据误差率更新样本数据集中每个样本数据的权重;使用更新权重后的样本数据集训练得到第二基分类器;重复步骤:确定第二基分类器的误差率,并根据误差率更新样本数据集中每个样本数据的权重;当基于样本数据集训练得到的基分类器的数量等于预设数量,将各个基分类器进行整合,得到故障预测模型。
另一方面提供了一种电子设备,该电子设备包括处理器和存储器,存储器中存储有至少一条指令、至少一段程序、代码集或指令集,该至少一条指令、该至少一段程序、该代码集或该指令集由处理器加载并执行以实现如上述的设备的故障预测方法。
另一方面提供了一种计算机可读存储介质,存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,该至少一条指令、该至少一段程序、该代码集或该指令集由处理器加载并执行以实现如上述的设备的故障预测方法。
本申请实施例提供的设备的故障预测方法、装置、电子设备及存储介质,具有的有益效果为:
获取待监控设备的性能数据和所在区域的环境数据;性能数据对应的时间戳和环境数据对应的时间戳一致;对性能数据和环境数据进行预处理,得到关键性能数据和关键环境数据;基于故障预测模型对关键性能数据和关键环境数据进行故障预测,确定时间戳对应的故障发生概率,如此,通过故障预测模型对可以提高设备的故障预测的准确率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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它附图。
图1是本申请实施例提供的一种应用环境的示意图;
图2是本申请实施例提供的一种设备的故障预测方法的流程示意图;
图3是本申请实施例提供的一种训练得到故障预测模型的流程示意图;
图4是本申请实施例提供的一种训练故障预测模型的结构示意图;
图5是本申请实施例提供的一种样本数据处理示意图;
图6是本申请实施例提供的一种设备的故障预测装置的结构示意图;
图7是本申请实施例提供的一种设备的故障预测方法的服务器的硬件结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅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的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。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1,图1是本申请实施例提供的一种应用环境的示意图,该应用环境示例了对冷机群控设备实行监控的示意图,该示意图包括冷机群控设备100和用户监控设备110,其中,冷机群控设备100可以包括中央处理器101,冷水机组102,冷却塔103,水泵104和水阀105(图中仅示意了部分设备,还可以根据实际情况进行设备补充)。如图1所示,冷水机组102,冷却塔103,水泵104和水阀105连接中央处理器101,将各个设备的数据汇总至中央处理器101。中央处理器101可以通过无线链路或者有线链路传输至用户监控设备110,以使用户监控设备110可以获取待监控设备,这里指冷机群控设备100的性能数据。其次,用户监控设备110可以获取冷机群控设备100中各个设备所在区域的环境数据,为后续确定冷机群控设备100的故障发生概率做准备。
具体的,用户监控设备110获取冷机群控设备100的性能数据和所在区域的环境数据,其中,性能数据对应的时间戳和环境数据对应的时间戳一致,也就是说,冷机群控设备100的性能数据和环境数据需要在同一个时刻获取的,或者,冷机群控设备100的性能数据和环境数据需要在同一段时间获取的。
用户监控设备110对性能数据和环境数据进行预处理,得到关键性能数据和关键环境数据,预处理方式是用来提前对得到的性能数据和环境数据进行删选。
用户监控设备110基于故障预测模型对关键性能数据和关键环境数据进行故障预测,确定时间戳对应的故障发生概率。也就是确定了冷机群控设备100在该时间戳发生故障的概率,以使设备维护人员可以根据发生故障的概率进行冷机群控设备100的状态或者视情维修。
本申请实施例中,上述的冷机群控设备可以被替换成各种大小型的工程设备,比如楼宇电压变压器,水泵群组,电梯控制设备等等,即用户监控设备可以对各种工程设备使用本申请实施例提供的技术方案,对其进行故障发生概率的预测。
可选的,用户监控设备110可以是图1所示的计算机终端,比如台式电脑,笔记本电脑、手机、平板电脑,数字助理、智能可穿戴设备等类型的实体设备;其中,智能可穿戴设备可以包括智能手环、智能手表、智能眼镜、智能头盔等。当然,该用户监控设备110并不限于上述具有一定实体的电子设备,其还可以为运行于上述电子设备中的软体,例如,用户监控设备110可以为服务商提供给用户的网页页面或应用。
该用户监控设备110可以包括通过数据总线相连的显示屏、存储设备和处理器。所述显示屏用于待监控设备的虚拟图像以及待监控设备中各个子设备之间的连接关系,该显示屏可以是手机或者平板电脑的触摸屏等。存储设备用于存储拍摄装置的程序代码和数据资料等,该存储设备可以是用户监控设备110的内存,也可以是智能媒体卡(smart mediacard)、安全数字卡(secure digital card)、快闪存储器卡(flash card)等储存设备。所述处理器可以是单核或多核处理器。可选的,用户监控设备110可以是服务器或者服务器集群,还可以是其他提供故障发生概率的运算装置。
以下介绍本申请一种设备的故障预测方法的具体实施例,图2是本申请实施例提供的一种设备的故障预测方法的流程示意图,本说明书提供了如实施例或流程图的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的系统或服务器产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图2所示,该方法可以包括:
S201:获取待监控设备的性能数据和所在区域的环境数据;该性能数据对应的时间戳和该环境数据对应的时间戳一致。
本申请实施例中具有高度的定制化私有功能,也就是说,针对不同的待监控设备,可以采集不同的性能数据和所在区域的环境数据;或者,即使针对同一个待监控设备,在不同的时间可以采集不同的性能数据和所在区域的环境数据;或者,即使针对同一种待监控设备,在同一个时间且在不同的所在区域,可以采集不同的性能数据和所在区域的环境数据。综上,本申请实施例中需要采集的性能数据和环境数据可以根据待监控设备位于的实际场景确定。可选的,性能数据包括待监控设备的电压,电流,功率,负载等等。
下面以图1所示的冷机群控设备为例:
冷水机组称为冷冻机、制冷机组、冰水机组、冷却设备等,因各行各业的使用比较广泛,所以对冷水机组的要求也不一样。其工作原理是一个多功能的机器,用来除去液体蒸气通过压缩或热吸收式制冷循环。冷水机组性能数据包括制冷量、压缩机的输入功率和制冷运转电流,冷凝器的水流量和水压降等等。
冷却塔是用水作为循环冷却剂,从一系统中吸收热量排放至大气中,以降低水温的装置;其冷是利用水与空气流动接触后进行冷热交换产生蒸汽,蒸汽挥发带走热量达到蒸发散热、对流传热和辐射传热等原理来散去工业上或制冷空调中产生的余热来降低水温的蒸发散热装置,以保证系统的正常运行的。冷却塔的性能数据包括进塔水温度、出塔水温度、总循环水量等等。
水泵的性能数据包括流量,扬程,转速,汽蚀余量、功率和效率等等。其中,(1)流量是水泵在单位时间内输送出去的液体量,液体量可以包括体积流量或者质量流量,其中,质量流量为体积流量和液体密度的乘积。(2)扬程是水泵所抽送的单位重量液体从水泵进口处(水泵进口法兰)到水泵出口处(水泵出口法兰)能量的增值,也就是一牛顿液体通过水泵获得的有效能量。(3)转速是水泵单位时间的转数。(4)汽蚀余量又叫净正吸头,是表示汽蚀性能的主要参数,水泵在工作时,液体在叶轮的进口处因一定真空压力下会产生气体,气话的气泡在液体质量的撞击运动下对叶轮等金属表面产生剥蚀,从而破坏叶轮等金属,此时,真空压力叫气化压力,汽蚀余量是指在水泵吸入口处单位重量液体所具有的超过气化压力的富余能量。(5)功率为输入功率,即原动机传支水泵轴上的功率,因此被称为轴功率。(6)水泵的效率为输出功率,是指单位时间内从水泵输送出去的液体在水泵中获得的有效能量,效率为扬程、质量流量和重力加速度的乘积。
水阀的性能数据包括公称直径、公称压力和适用介质。其中,公称直径是指阀门与管路连接处通道的名义直径,它表示阀门的大小。公称压力是指阀门名义压力,它是阀门在基准温度下允许的最大工作压力,用来表示阀门承压能力的大小。阀门的使用介质是指阀门可用的气体介质,液体介质和固体介质。
本申请实施例中,若待监控设备的所有设备都放置于同一区域,比如,都放置在同一个房间,则待监控设备的所在区域的环境数据仅仅包括一份环境数据。若待监控设备中不同的子设备,比如图1中的冷水机组、冷却塔、水泵和水阀被放置在不同的区域,则待监控设备的所在区域的环境数据可以包括四个子设备包括的四份环境数据。可选的,环境数据包括待监控设备所在区域的温度、湿度、天气、光照时长、空间大小程度,清洁度,上述示意的环境数据仅仅代表一部分环境数据,还可以包括其他环境数据,如待监控设备的使用日期(包括工作日和节假日),待监控设备服务的人员数量、设备已使用时长等等。不同的待监控设备和待监控设备所需的环境数据可以基于实际情况而定。
本申请实施例中,时间戳是指待监控设备应用的某个时间点,或者待监控设备应用的某段时间。
基于图1举个例子,由于冷水机组、冷却塔、水泵和水阀都和中央处理器连接,用户监控设备可以通过中央处理器获取冷机群控设备中冷水机组、冷却塔、水泵和水阀在A时刻的性能数据,也可以获取中央处理器在A时刻的性能数据。同时,用户监控设可以通过网络或者其他工具的记录获取冷机群控设备在A时刻的环境数据。
S203:对该性能数据和该环境数据进行预处理,得到关键性能数据和关键环境数据。
本申请实施例中,用户监控设备可以按照多种预设的规则,对性能数据或者环境数据进行预处理,得到关键性能数据和关键环境数据。
一种可选的实施方式中,技术人员可以根据设备的历史记录确定出对故障发生概率完全不影响或者影响极小极小的性能数据或者和环境数据,将确定出的性能数据和环境数据打上标签,当用户监控设备采集到所有的性能数据和环境数据后,可以将打上标签的性能数据和环境数据从采集到的数据中删除,剩下的性能数据为关键性能数据,剩下的环境数据为关键环境数据。
另一种可选的实施方式中,用户监控设备可以从性能数据中确定出对故障发生概率影响一致或者类似的第一部分性能数据,并从该第一部分性能数据中选出作为代表的性能数据,如此,作为代表的性能数据和除第一部分性能数据之外的其他性能数据组成了关键性能数据。同样的,用户监控设备可以从环境数据中确定出对故障发生概率影响一致或者类似的第一部分环境数据,并从该第一部分环境数据中选出作为代表的环境数据,如此,作为代表的环境数据和除第一部分环境数据之外的其他环境数据组成了关键环境数据。
基于上述的阐述,用户监控设备可以对性能数据和环境数据进行聚类预处理,得到多个第一数据类别和多个第二数据类别;其中,每个第一数据类别中至少包括一个性能数据,每述第二数据类别中至少包括一个环境数据。用户监控设备从每个第一数据类别中确定出至少一个属性数据,得到关键性能数据;从每个所述第二数据类别中确定出至少一个环境数据,得到所述关键环境数据。
比如,用户监控设备可以通过基于密度的聚类算法对性能数据和环境数据进行聚类预处理,该基于密度的聚类算法的关键参数为半径和密度阈值,具体步骤为:
步骤一:以每一个数据点xi为圆心,根据半径画一个圆圈。这个圆圈被称为数据点的邻域;
步骤二:对这个圆圈内包含的点进行计数。如果一个圆圈里面的数据点的数目超过了密度阈值,那么将该圆圈的圆心记为核心点,又称核心对象。如果某个数据点的邻域内点的个数小于密度阈值但是落在核心点的邻域内,则称该点为边界点。此外,既不是核心点也不是边界点的点,就是噪声点。
步骤三:核心点的邻域内的所有的数据点,都是数据点xi的直接密度直达。如果数据点xj由数据点xi密度直达,数据点xk由数据点xj密度直达……数据点xn由数据点xk密度直达,那么,数据点xn由数据点xi密度可达。这个性质说明了由密度直达的传递性,可以推导出密度可达。
步骤四:如果对于数据点xk,使数据点xi和数据点xj都可以由数据点xk密度可达,那么,就称数据点xi和数据点xj密度相连。将密度相连的点连接在一起,就形成了聚类簇。
本申请实施例中,用户监控设备可以根据预设的半径和预设的密度阈值将性能数据分为多个第一数据类别,每个第一类数据中包含的性能数据对故障发生概率的影响是相似的或者一致的,用户监控设备可以从每个第一数据类别中确定出作为代表的性能数据,作为代表的性能数据可以是一个,也可以是多个,将所有第一数据类别中作为代表的性能数据进行汇总,得到关键性能数据。比如,水泵的性能数据中效率为扬程、质量流量和重力加速度的乘积,因此,可以将水泵的效率、扬程、质量流量作为一个第一数据类别中的性能数据,并将扬程、质量流量作为该第一数据类别中作为代表的性能数据,如此,从所有的性能数据中删掉效率,得到关键性能数据。
同样的,用户监控设备可以通过基于密度的聚类算法将环境数据分为多个第二数据类别,每个第二类数据中包含的环境数据对故障发生概率的影响是相似的或者一致的,用户监控设备可以从每个第二数据类别中确定出代表性的环境数据,代表性的环境数据可以是一个,也可以是多个,将所有第一数据类别中的代表性的环境数据进行汇总,得到关键环境数据。假设空间大小程度,清洁度作为一个第二数据类别中的环境数据,将空间大小程度作为该第二数据类别中作为代表的环境数据,如此,从所有的性能数据中删掉清洁度,得到关键环境数据。
可选的,针对某些特殊的待监控设备,用户监控设备还可以通过聚类方法来确定除上述得到的性能数据和环境数据之外未被重视的其他数据。
综上,用户监控设备通过步骤S203得到关键性能数据和关键环境数据,也就是将一个时间戳对应的数据的数量进行适应性减少。如此,既能利用在线监控获得大量的性能数据和环境数据,也能在对性能数据和环境数据进行处理后,将各个数据中的复杂关系简单化。在全面采集数据的同时,为后续对数据处理节省了计算资源,也减少了对硬件的高配置要求。
S205:基于故障预测模型对关键性能数据和关键环境数据进行故障预测,确定上述的时间戳对应的故障发生概率;其中,故障预测模型的训练方法包括:
获取历史时间段内的样本数据集,样本数据集表征该历史时间段内每个历史时间戳对应的样本数据,样本数据包括历史关键性能数据、历史关键环境数据和历史故障信息;
为样本数据集中每个样本数据设置初始权重;
使用带有初始权重的样本数据集训练得到第一基分类器;
确定第一基分类器的误差率,并根据误差率更新样本数据集中每个样本数据的权重;
使用更新权重后的样本数据集训练得到第二基分类器;重复步骤:确定第二基分类器的误差率,并根据误差率更新样本数据集中每个样本数据的权重;
当基于样本数据集训练得到的基分类器的数量等于预设数量,将各个基分类器进行整合,得到故障预测模型。
本申请实施例中,用户监控设备获取历史时间段内的样本数据集,假设历史时间段内确定了1000个历史时间戳,每个历史时间戳指待监控设备,也就是冷机群控设备应用的某个历史时间点,或者应用的某个历史子时间段。1000个历史时间戳对应了1000个样本数据,每个样本数据包括了冷机群控设备的历史关键性能数据,历史关键环境数据和历史故障信息。可选的,每个样本数据包括了冷机群控设备的历史关键性能数据,历史关键环境数据和历史故障信息。
本申请实施例中,历史关键性能数据,历史关键环境数据的获取可以参考上文中步骤S203中的技术方法,根据历史环境数据和历史性能数据得到,在这里不再赘述。可选的,除了历史环境数据和历史性能数据之外,还可以存在通过聚类方法确定的除历史性能数据和历史环境数据之外未被重视的其他数据。
历史故障信息可以分为两类:发生故障和未发生故障,也就是说,1000条样本数据中包括发生故障的样本数据和未发生故障的样本数据。
下面将具体介绍如何训练得到故障预测模型,故障预测模型可以是通过机器器学习获取的,机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。图3是本申请实施例提供的一种训练得到故障预测模型的流程示意图,该方法包括:
S301:用户监控设备从待删选样本数据集确定出样本数据集。
本申请实施例中,一种可选的获取历史时间段内的样本数据集的实施方式中,用户监控设备获取历史时间段内的待删选样本数据集,并确定待删选样本数据集中每个待删选样本数据的特征值;根据每个待删选样本数据的特征值与预设特征值之间的距离值将待删选样本数据集分成多个待删选样本数据子集。如此,用户监控设备从每个待删选样本数据子集中确定出至少一个待删选样本数据,组成样本数据集。
该种方式中,假设待删选样本数据集中包括1500条待删选样本数据,每个待删选样本数据包括了冷机群控设备的历史关键性能数据,历史关键环境数据和历史故障信息。用户监控设备可以根据预设规基于待删选样本数据确定特征值,假设有250个待删选样本数据的特征值在0-0.1之间(包括0.1),有300个待删选样本数据的特征值在0.1-0.2之间(包括0.2),有320个待删选样本数据的特征值在0.2-0.3之间(包括0.3),有350个待删选样本数据的特征值在0.3-0.4之间(包括0.4),有280个待删选样本数据的特征值在0.4-0.5之间(包括0.5)。假设预设特征值为0,用户监控设备可以根据每个待删选样本数据的特征值与预设特征值之间的距离值将待删选样本数据集分成5个待删选样本数据子集,用户监控设备从每个待删选样本数据子集中确定出200个待删选样本数据,组成样本数据集。
另一种可选的获取历史时间段内的样本数据集的实施方式中,用户监控设备可以通过基于时间序列的自回归模型(auto-regressive,AR)从待删选样本数据集中确定出样本数据集。
其中,自回归模型的原理是利用观测点前若干时刻的变量的线性组合来描述观测点后若干时刻变量的值,属于线性回归模型。AR模型认为,任意时刻的观测值取决于前面p个时刻的观测值加上一个误差函数,AR模型的公式可见如下公式(1):
Xt=φ0+φ1Xt-1+φ2Xt-2+...+φpXt-p+εt……公式(1)
这个公式为εt的均值为0,方差为σ2的白噪声序列。
基于时间序列的自回归模型(auto-regressive,AR)适用于很多工业过程,其特点是AR系统记忆性强,因为当前时间戳的待监控设备的状态依赖于从前时间戳的待监控设备的状态,因此,当前时间戳的样本数据依赖于从前时间戳的样本数据,这与包括待监控设备在内的所有设备运行过程中的低动态性相符。大型工程设备在正常运行过程中一部分属性数据的变化较小,如导线拉力、接地电流等,这些性能数据都属于平稳序列,可直接用AR拟合;另一部分环境数据呈日周期性变化,但变化幅值不大,如湿度、温度等,去除其日周期性后也可通过AR拟合。
通过上述两种获取历史时间段内的样本数据集的实施方式,可以从大量样本数据中确定出代表性的样本数据,去掉某些和代表性的样本数据相似的样本数据,如此,可以防止样本数据之间出现过拟合的状况。
S303:用户监控设备为样本数据集中每个样本数据设置初始权重。
比如,基于上述的1000个样本数据,用户设备可以将每个样本数据的初始权重为0.001。
S305:用户监控设备使用带有初始权重的样本数据集训练得到第一基分类器。
S307:用户监控设备确定第一基分类器的误差率,并根据误差率更新样本数据集中每个样本数据的权重。
可选的,用户监控设备确定所述第一基分类器基于每个样本数据的误差率,若误差率不大于预设误差率,减小误差率对应的样本数据的初始权重,得到更新后的权重。或者,若误差率大于预设误差率,增加误差率对应的样本数据的初始权重,得到更新后的权重。
可选的,用户监控设备确定1000个样本数据中准确被分类的样本数据,减少准确被分类的样本数据的权重,提高没有准确被分类的样本数据的权重,得到每个样本数据更新后的权重。
S309:用户监控设备使用更新权重后的样本数据集训练得到第二基分类器;重复步骤:确定第二基分类器的误差率,并根据误差率更新样本数据集中每个样本数据的权重。
假设基分类器的的预设数量为10个,用户监控设备使用更新权重后的样本数据集训练得到第三基分类器,确定第三基分类器的误差率,并根据误差率更新样本数据集中每个样本数据的权重;继续,用户监控设备使用更新权重后的样本数据集训练得到第四基分类器,确定第四基分类器的误差率,并根据误差率更新样本数据集中每个样本数据的权重;继续,用户监控设备使用更新权重后的样本数据集训练得到第五基分类器,确定第五基分类器的误差率,并根据误差率更新样本数据集中每个样本数据的权重……用户监控设备使用更新权重后的样本数据集训练得到第十基分类器。
S311:当基于样本数据集训练得到的基分类器的数量等于预设数量,用户监控设备将各个基分类器进行整合,得到故障预测模型。
本申请实施例中,用户监控设备可以为每个基分类器分配权重值,故障预测模型为基分类器和权重的乘积之和,也就是确定每个基分类器的输出和权重值的乘积,在将每个乘积相加,得到故障预测模型的输出。可选的,误差率越低的基分类器对应的权重值越高,误差率越高的基分类器对应的权重值越低。
本申请实施例基于上述步骤S301至S311得到如图4所示的结构示意图。结合图3所示的流程示意图和图4所示的结构示意图可以看出各个基分类器只能顺序生成,因为后一个基分类器需要参考前一个基分类器。且每一轮的样本数据集不变,只是样本数据集中每个样例的权重发生变化,而权值是根据上一轮的分类结果进行调整。
在步骤S205或步骤S311之后,本申请实施例中,若故障发生概率大于预设概率,用户监控设备可以向设备维护人员的终端设备发送告警信息,其中,该告警信息包含该待监控设备(比如冷机群控设备)的标识、该时间戳对应的故障发生概率。
若在训练故障预测模型的训练过程中,历史故障信息包括历史故障所属的种类信息,也就是说,历史故障信息不仅可以包括发生故障和未发生故障,发生故障还可以细分为历史故障所属的种类信息。如此,步骤S205中,用户监控设备基于故障预测模型对关键性能数据和关键环境数据进行故障预测,确定上述的时间戳对应的故障发生概率可以表示为:用户监控设备基于故障预测模型对关键性能数据和关键环境数据进行故障预测,确定时间戳对应的故障所属的种类信息以及种类信息对应的发生概率。基于此,若种类信息对应的发生概率大于预设概率,用户监控设备可以向设备维护人员的终端设备发送告警信息,其中,该告警信息包含该待监控设备(比如冷机群控设备)的标识、该时间戳对应的故障所属的种类信息以及所述种类信息对应的发生概率。
本申请实施例中,故障预测模型还可以根据其他机器学习模型获得,比如采用卷积神经网络、循环神经网络或递归神经网络等深度学习模型。
在一个具体的实施例中,以卷积神经网络为例,可以获取大量样本数据(包括历史性能数据和历史环境数据),对样本数据进行历史故障信息的标注,然后,基于样本数据对卷积神经网络进行历史故障信息的预测训练,在历史故障信息的预测训练中调整该卷积神经网络的参数至所述卷积神经网络输出的历史故障信息与输入的样本数据的历史故障信息相匹配,得到故障预测模型。
本申请实施例中,用户监控设备确定出样本数据集的过程中,除了对历史性能数据和历史环境数据进行聚类预处理,并去除部分待删选样本数据,还可以对样本数据进行无监督学习方法,使得样本数据集包括样本数据随着历史时间戳的变化规律。可选的,上述的无监督学习方法可以使用自组织神经网络(self organized maps,SOM),让竞争层各神经元通过竞争与输入模式进行匹配,最后仅有一个神经元成为竞争的胜者,这一获取神经元的输入就代表对输入模式的分类。由于无监督学习的训练样本中不含有期望输出,没有任何先验知识,因此适用于数据量大、不含标签的状态监测数据。与径向基、反馈型等神经网络不同,SOM神经网络的输出节点间是两两相关的,其相关关系可以通过网络拓扑结构表示。在拓扑结构中,由于SOM训练时的竞争关系,每个神经元节点与领域外的节点相关性强,与领域外的节点相关性弱。所以,通过SOM量化后的时间序列可以视为在拓扑结构中一个神经元到另一个神经元的转移,从而挖掘出样本数据随历史时间戳的变化规律。也就是说,可以将样本历史数据集以及样本数据集中每个样本数据对应的历史时间戳输入该SOM神经网络,得到样本数据随着历史时间戳的变化规律,其中,SOM的具体构建步骤包括:
步骤一:将多个样本数据以及每个样本数据对应的历史时间戳作为输入层,获取与样本数据以及每个样本数据对应的历史时间戳对应的输入向量;
步骤二:对竞争层包含的多个竞争神经元的权值进行初始化;计算输入向量与竞争神经元之间的距离值,根据距离值确定距离值最小的竞争神经元作为获胜竞争神经元;
步骤三:根据计算得到的距离值对获胜竞争神经元和其他竞争神经元的权值进行调整;
步骤四:判断调整后的竞争神经元的权值是否满足预设的训练停止条件;若是,确定自组织竞争神经网络模型的训练完成,输出调整之后的竞争神经元的权值;若否,循环执行计算输入向量与竞争神经元之间的距离值,根据距离值确定距离值最小的竞争神经元作为获胜竞争神经元;
步骤五:根据计算得到的距离值对获胜竞争神经元和其他竞争神经元的权值进行调整的步骤。
图5是本申请实施例提供的一种样本数据处理示意图,包含历史环境数据和历史性能数据的样本数据,可以先进行聚类预处理操作,再进行自回归操作(去除部分待删选样本数据)和自组织神经网络操作(得到样本数据随着历史时间戳的变化规律)。还可以先进行自回归操作(去除部分待删选样本数据)和自组织神经网络操作(得到样本数据随着历史时间戳的变化规律),再进行聚类预处理操作。或者同时进行自回归操作(去除部分待删选样本数据)、自组织神经网络操作(得到样本数据随着历史时间戳的变化规律)和进行聚类预处理操作,得到样本数据集。
故障预测模型是可以不断进行更新迭代的,随着待监控设备的使用时长的增加,会产生新的样本数据,而新的样本数据就可以基于图5所示的样本数据处理过程进行处理,并将处理后的新的样本数据加入到样本数据集中,对故障预测模型进行再一次训练,提高故障训练模型的正确率。
综上,本申请实施例涉及的技术方案能帮助维修人员早期发现问题与异常,迅速查明故障原因,预测故障影响程度,从而有针对性进行状态或视情维修,延长了检修周期,缩短了检修时间,提高了检修质量,继而提高了设备维修的管理水平,也减少了设备和备件的储存,管理成本也大大的降低了。
本申请实施例还提供了一种设备的故障预测装置,图6是本申请实施例提供的一种设备的故障预测装置的结构示意图,如图6所示,该装置包括:
获取模块601用于获取待监控设备的性能数据和所在区域的环境数据;性能数据对应的时间戳和环境数据对应的时间戳一致;
预处理模块602用于对性能数据和环境数据进行预处理,得到关键性能数据和关键环境数据;
确定模块603用于基于故障预测模型对关键性能数据和关键环境数据进行故障预测,确定时间戳对应的故障发生概率;
模型训练模块604用于获取历史时间段内的样本数据集,样本数据集表征历史时间段内每个历史时间戳对应的样本数据,样本数据包括历史关键性能数据、历史关键环境数据和历史故障信息;为样本数据集中每个样本数据设置初始权重;使用带有初始权重的样本数据集训练得到第一基分类器;确定第一基分类器的误差率,并根据误差率更新样本数据集中每个样本数据的权重;使用更新权重后的样本数据集训练得到第二基分类器;重复步骤:确定第二基分类器的误差率,并根据误差率更新样本数据集中每个样本数据的权重;当基于样本数据集训练得到的基分类器的数量等于预设数量,将各个基分类器进行整合,得到故障预测模型。
在一种可选的实施方式中,该装置还包括:
模型训练模块用于获取历史时间段内的待删选样本数据集;确定待删选样本数据集中每个待删选样本数据的特征值;根据每个待删选样本数据的特征值与预设特征值之间的距离值将待删选样本数据集分成多个待删选样本数据子集;从每个待删选样本数据子集中确定出至少一个待删选样本数据,组成样本数据集。
在一种可选的实施方式中,该装置还包括:
历史故障信息包括历史故障所属的种类信息;
确定模块用于基于故障预测模型对关键性能数据和关键环境数据进行故障预测,确定时间戳对应的故障所属的种类信息以及种类信息对应的发生概率。
在一种可选的实施方式中,该装置还包括:
收发模块,用于若发生概率大于预设概率,发送告警信息;告警信息包含待监控设备的标识、时间戳对应的故障所属的种类信息以及种类信息对应的发生概率。
在一种可选的实施方式中,该装置还包括:
模型训练模块用于确定第一基分类器基于每个样本数据的误差率;若误差率不大于预设误差率,减小误差率对应的样本数据的初始权重,得到更新后的权重;或者;若误差率大于预设误差率,增加误差率对应的样本数据的初始权重,得到更新后的权重。
在一种可选的实施方式中,该装置还包括:
预处理模块用于对性能数据和环境数据进行聚类预处理,得到多个第一数据类别和多个第二数据类别;其中,每个第一数据类别中至少包括一个性能数据,每个第二数据类别中至少包括一个环境数据;从每个第一数据类别中确定出至少一个属性数据,得到关键性能数据;从每个第二数据类别中确定出至少一个环境数据,得到关键环境数据。
本申请实施例中的装置与方法实施例基于同样地申请构思。
本申请实施例所提供的方法实施例可以在计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例,图7是本申请实施例提供的一种设备的故障预测方法的服务器的硬件结构框图。如图7所示,该服务器700可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(Central Processing Units,CPU)710(处理器710可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器730,一个或一个以上存储应用程序723或数据722的存储介质720(例如一个或一个以上海量存储设备)。其中,存储器730和存储介质720可以是短暂存储或持久存储。存储在存储介质720的程序可以包括一个或一个以上模块,每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器710可以设置为与存储介质720通信,在服务器700上执行存储介质720中的一系列指令操作。服务器700还可以包括一个或一个以上电源760,一个或一个以上有线或无线网络接口750,一个或一个以上输入输出接口740,和/或,一个或一个以上操作系统721,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
输入输出接口740可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器700的通信供应商提供的无线网络。在一个实例中,输入输出接口740包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,输入输出接口740可以为射频(RadioFrequency,RF)模块,其用于通过无线方式与互联网进行通讯。
本领域普通技术人员可以理解,图7所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,服务器700还可包括比图7中所示更多或者更少的组件,或者具有与图7所示不同的配置。
本申请的实施例还提供了一种存储介质,所述存储介质可设置于服务器之中以保存用于实现方法实施例中一种设备的故障预测方法相关的至少一条指令、至少一段程序、代码集或指令集,该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述设备的故障预测方法。
可选地,在本实施例中,上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
由上述本申请提供的设备的故障预测方法、装置、电子设备及存储介质的实施例可见,本申请中获取待监控设备的性能数据和所在区域的环境数据;性能数据对应的时间戳和环境数据对应的时间戳一致;对性能数据和环境数据进行预处理,得到关键性能数据和关键环境数据;基于故障预测模型对关键性能数据和关键环境数据进行故障预测,确定时间戳对应的故障发生概率,如此,通过故障预测模型对可以提高设备的故障预测的准确率。
需要说明的是:上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备实施例而言,由于其基本相似于方法实施例,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。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (13)
1.一种设备的故障预测方法,其特征在于,所述方法包括:
获取待监控设备的性能数据和所在区域的环境数据;所述性能数据对应的时间戳和所述环境数据对应的时间戳一致;
对所述性能数据和所述环境数据进行聚类预处理,得到多个第一数据类别和多个第二数据类别;其中,每个所述第一数据类别中至少包括一个性能数据,每个所述第二数据类别中至少包括一个环境数据;
从每个所述第一数据类别中确定出至少一个属性数据,得到关键性能数据,以及从每个所述第二数据类别中确定出至少一个环境数据,得到关键环境数据;
基于故障预测模型对所述关键性能数据和所述关键环境数据进行故障预测,确定所述时间戳对应的故障发生概率;
其中,所述故障预测模型的训练方法包括:
获取历史时间段内的样本数据集,所述样本数据集表征所述历史时间段内每个历史时间戳对应的样本数据,所述样本数据包括历史关键性能数据、历史关键环境数据和历史故障信息;
为所述样本数据集中每个样本数据设置初始权重;
使用带有所述初始权重的样本数据集训练得到第一基分类器;
确定所述第一基分类器的误差率,并根据所述误差率更新所述样本数据集中每个样本数据的权重;
使用更新权重后的所述样本数据集训练得到第二基分类器;重复步骤:确定所述第二基分类器的误差率,并根据所述误差率更新所述样本数据集中每个样本数据的权重;
当基于所述样本数据集训练得到的基分类器的数量等于预设数量,将各个基分类器进行整合,得到所述故障预测模型。
2.根据权利要求1所述的方法,其特征在于,所述获取历史时间段内的样本数据集,包括:
获取所述历史时间段内的待删选样本数据集;
确定所述待删选样本数据集中每个待删选样本数据的特征值;
根据每个待删选样本数据的特征值与预设特征值之间的距离值将所述待删选样本数据集分成多个待删选样本数据子集;
从每个所述待删选样本数据子集中确定出至少一个待删选样本数据,组成所述样本数据集。
3.根据权利要求1所述的方法,其特征在于,所述历史故障信息包括历史故障所属的种类信息,所述样本数据集还包括所述样本数据随历史时间戳的变化规律;
所述基于故障预测模型对所述关键性能数据和所述关键环境数据进行故障预测,确定所述时间戳对应的故障发生概率,包括:
所述基于所述故障预测模型对所述关键性能数据和所述关键环境数据进行故障预测,确定所述时间戳对应的故障所属的种类信息以及所述种类信息对应的发生概率。
4.根据权利要求3所述的方法,其特征在于,所述确定所述时间戳对应的故障所属的种类信息以及所述种类信息对应的发生概率之后,还包括:
若所述发生概率大于预设概率,发送告警信息;所述告警信息包含所述待监控设备的标识、所述时间戳对应的故障所属的种类信息以及所述种类信息对应的发生概率。
5.根据权利要求1所述的方法,其特征在于,所述确定所述第一基分类器的误差率,并根据所述误差率更新所述样本数据集中每个样本数据的权重,包括:
确定所述第一基分类器基于每个所述样本数据的误差率;
若所述误差率不大于预设误差率,减小所述误差率对应的样本数据的初始权重,得到更新后的权重;或者;若所述误差率大于预设误差率,增加所述误差率对应的样本数据的初始权重,得到更新后的权重。
6.根据权利要求1所述的方法,其特征在于,
所述性能数据包括所述待监控设备的电压,电流,功率,负载;
所述环境数据包括所述待监控设备所在区域的温度、湿度、天气、光照时长、空间大小程度,清洁度。
7.一种设备的故障预测装置,其特征在于,所述装置包括:
获取模块,用于获取待监控设备的性能数据和所在区域的环境数据;所述性能数据对应的时间戳和所述环境数据对应的时间戳一致;
预处理模块,用于对所述性能数据和所述环境数据进行聚类预处理,得到多个第一数据类别和多个第二数据类别;其中,每个所述第一数据类别中至少包括一个性能数据,每个所述第二数据类别中至少包括一个环境数据;从每个所述第一数据类别中确定出至少一个属性数据,得到关键性能数据,以及从每个所述第二数据类别中确定出至少一个环境数据,得到关键环境数据;
确定模块,用于基于故障预测模型对所述关键性能数据和所述关键环境数据进行故障预测,确定所述时间戳对应的故障发生概率;
模型训练模块,用于获取历史时间段内的样本数据集,所述样本数据集表征所述历史时间段内每个历史时间戳对应的样本数据,所述样本数据包括历史关键性能数据、历史关键环境数据和历史故障信息;为所述样本数据集中每个样本数据设置初始权重;使用带有所述初始权重的样本数据集训练得到第一基分类器;确定所述第一基分类器的误差率,并根据所述误差率更新所述样本数据集中每个样本数据的权重;使用更新权重后的所述样本数据集训练得到第二基分类器;重复步骤:确定所述第二基分类器的误差率,并根据所述误差率更新所述样本数据集中每个样本数据的权重;当基于所述样本数据集训练得到的基分类器的数量等于预设数量,将各个基分类器进行整合,得到所述故障预测模型。
8.根据权利要求7所述的装置,其特征在于,所述模型训练模块用于获取所述历史时间段内的待删选样本数据集;确定所述待删选样本数据集中每个待删选样本数据的特征值;根据每个待删选样本数据的特征值与预设特征值之间的距离值将所述待删选样本数据集分成多个待删选样本数据子集;从每个所述待删选样本数据子集中确定出至少一个待删选样本数据,组成所述样本数据集。
9.根据权利要求7所述的装置,其特征在于,所述历史故障信息包括历史故障所属的种类信息;
所述确定模块,用于基于所述故障预测模型对所述关键性能数据和所述关键环境数据进行故障预测,确定所述时间戳对应的故障所属的种类信息以及所述种类信息对应的发生概率。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括:
收发模块,用于若所述发生概率大于预设概率,发送告警信息;所述告警信息包含所述待监控设备的标识、所述时间戳对应的故障所属的种类信息以及所述种类信息对应的发生概率。
11.根据权利要求7所述的装置,其特征在于,所述模型训练模块还用于确定所述第一基分类器基于每个所述样本数据的误差率;若所述误差率不大于预设误差率,减小所述误差率对应的样本数据的初始权重,得到更新后的权重;或者;若所述误差率大于预设误差率,增加所述误差率对应的样本数据的初始权重,得到更新后的权重。
12.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1-6任一所述的设备的故障预测方法。
13.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1-6任一所述的设备的故障预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911081717.2A CN111178378B (zh) | 2019-11-07 | 2019-11-07 | 一种设备的故障预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911081717.2A CN111178378B (zh) | 2019-11-07 | 2019-11-07 | 一种设备的故障预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111178378A CN111178378A (zh) | 2020-05-19 |
CN111178378B true CN111178378B (zh) | 2023-05-16 |
Family
ID=70651873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911081717.2A Active CN111178378B (zh) | 2019-11-07 | 2019-11-07 | 一种设备的故障预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178378B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113094200B (zh) * | 2021-06-07 | 2021-08-24 | 腾讯科技(深圳)有限公司 | 一种应用程序的故障预测方法和装置 |
CN113336036B (zh) * | 2021-06-22 | 2022-09-23 | 云知声智能科技股份有限公司 | 电梯异常监控方法、装置、设备、电梯和存储介质 |
CN113778762B (zh) * | 2021-08-23 | 2024-03-19 | 珠海格力电器股份有限公司 | 设备冗余备份方法、装置、计算机设备和存储介质 |
CN113990472B (zh) * | 2021-10-28 | 2023-03-24 | 上海昆亚医疗器械股份有限公司 | 一种智能监控医疗设备的方法、装置及计算机可读存储介质 |
CN114112409A (zh) * | 2021-11-05 | 2022-03-01 | 上海中联重科桩工机械有限公司 | 发动机水温异常诊断方法、终端及计算机可读存储介质 |
CN114492517B (zh) * | 2022-01-10 | 2022-11-25 | 南方科技大学 | 电梯检测方法、电梯检测装置、电子设备及存储介质 |
CN114812652B (zh) * | 2022-04-20 | 2024-03-26 | 松灵机器人(深圳)有限公司 | 一种割草机控制方法、装置、割草机以及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108594788A (zh) * | 2018-03-27 | 2018-09-28 | 西北工业大学 | 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法 |
CN109711062A (zh) * | 2018-12-28 | 2019-05-03 | 广东电网有限责任公司 | 一种基于云服务的设备故障诊断方法及装置 |
CN109739197A (zh) * | 2019-01-15 | 2019-05-10 | 广东石油化工学院 | 一种化工废料处理设备的多工况故障预测方法 |
CN109784574A (zh) * | 2019-01-24 | 2019-05-21 | 新奥数能科技有限公司 | 设备状态的预测方法及装置、存储介质、电子装置 |
CN109918752A (zh) * | 2019-02-26 | 2019-06-21 | 华南理工大学 | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 |
CN110389866A (zh) * | 2018-04-20 | 2019-10-29 | 武汉安天信息技术有限责任公司 | 磁盘故障预测方法、装置、计算机设备及计算机存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010011918A2 (en) * | 2008-07-24 | 2010-01-28 | University Of Cincinnati | Methods for prognosing mechanical systems |
US10298465B2 (en) * | 2017-08-01 | 2019-05-21 | Juniper Networks, Inc. | Using machine learning to monitor link quality and predict link faults |
-
2019
- 2019-11-07 CN CN201911081717.2A patent/CN111178378B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108594788A (zh) * | 2018-03-27 | 2018-09-28 | 西北工业大学 | 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法 |
CN110389866A (zh) * | 2018-04-20 | 2019-10-29 | 武汉安天信息技术有限责任公司 | 磁盘故障预测方法、装置、计算机设备及计算机存储介质 |
CN109711062A (zh) * | 2018-12-28 | 2019-05-03 | 广东电网有限责任公司 | 一种基于云服务的设备故障诊断方法及装置 |
CN109739197A (zh) * | 2019-01-15 | 2019-05-10 | 广东石油化工学院 | 一种化工废料处理设备的多工况故障预测方法 |
CN109784574A (zh) * | 2019-01-24 | 2019-05-21 | 新奥数能科技有限公司 | 设备状态的预测方法及装置、存储介质、电子装置 |
CN109918752A (zh) * | 2019-02-26 | 2019-06-21 | 华南理工大学 | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111178378A (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178378B (zh) | 一种设备的故障预测方法、装置、电子设备及存储介质 | |
US11836599B2 (en) | Optimizing data center controls using neural networks | |
US11513480B2 (en) | Method and device for automatically diagnosing and controlling apparatus in intelligent building | |
Zhang et al. | A BP neural network prediction model based on dynamic cuckoo search optimization algorithm for industrial equipment fault prediction | |
US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
WO2019196869A1 (zh) | 一种确定巡检基站列表的方法以及巡检装置 | |
CN109740859A (zh) | 基于主成分分析法和支持向量机的变压器状态评估方法及系统 | |
WO2022237086A1 (zh) | 一种基于机器学习模型的控制方法和装置 | |
CN108376286A (zh) | 一种设备故障诊断装置及系统 | |
CN111340282A (zh) | 基于da-tcn的设备剩余使用寿命的估计方法及系统 | |
Gao et al. | Mechanical equipment health management method based on improved intuitionistic fuzzy entropy and case reasoning technology | |
Athanasakis et al. | TinyML-based approach for remaining useful life Prediction of Turbofan Engines | |
CN116795198A (zh) | 数据中心的能耗优化方法、装置及存储介质 | |
CN102012902A (zh) | 网站访客价值评估系统及方法 | |
Pandhare et al. | Collaborative prognostics for machine fleets using a novel federated baseline learner | |
CN115964503B (zh) | 基于社区设备设施的安全风险预测方法及系统 | |
CN115859808A (zh) | 一种泵组工作预测方法、装置、电子设备及存储介质 | |
CN114819367A (zh) | 一种基于工业互联网的公共服务平台 | |
Pattnaik et al. | A survey on machine learning techniques used for software quality prediction | |
CN115618735A (zh) | 基于数字孪生的设施结构健康监测方法及相关装置 | |
CN114971024A (zh) | 风机状态预测方法及装置 | |
JP2023553909A (ja) | 油ポンプ管理のためのマルチ・ラベル分類モデルのための連合学習 | |
CN117196123B (zh) | 一种配电设备数字化生产的数据控制方法、装置及设备 | |
CN117370824B (zh) | 一种空气压缩机进气状态智能监测方法及系统 | |
Li et al. | Diagnose for downhole working conditions of the beam pumping unit based on 16-directions chain codes and K-means clustering method |
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 |