CN111221247A - 用于故障诊断的方法及系统、模型的训练方法以及介质 - Google Patents
用于故障诊断的方法及系统、模型的训练方法以及介质 Download PDFInfo
- Publication number
- CN111221247A CN111221247A CN201811410035.7A CN201811410035A CN111221247A CN 111221247 A CN111221247 A CN 111221247A CN 201811410035 A CN201811410035 A CN 201811410035A CN 111221247 A CN111221247 A CN 111221247A
- Authority
- CN
- China
- Prior art keywords
- measurement data
- fault prediction
- smart meter
- data
- cloud server
- 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 75
- 238000012549 training Methods 0.000 title claims abstract description 60
- 238000003745 diagnosis Methods 0.000 title claims abstract description 40
- 238000005259 measurement Methods 0.000 claims abstract description 156
- 238000013135 deep learning Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims description 41
- 230000015654 memory Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 6
- 230000006854 communication Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004513 sizing Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本公开涉及用于故障诊断的方法及系统、模型的训练方法以及介质,故障预测模型的训练方法,包括:由至少两个智能仪表各自的传感器单元分别采集待测设备的至少一个物理量的多个测量数据,并将测量数据分别发送至所述智能仪表各自的变送器单元;变送器单元将接收到的测量数据转换为统一格式,并将统一格式后的测量数据以及存储在变送器单元中的、与测量数据相关的诊断数据上传至云服务器;以及云服务器将统一格式后的测量数据以及与测量数据相关的诊断数据作为训练数据集,利用监督深度学习进行训练来得到待测设备的故障预测模型。
Description
技术领域
本公开通常涉及过程控制领域,更具体地,涉及用于故障诊断的方法及系统、模型的训练方法以及介质
背景技术
对于仪表和传感器,通常希望能够更早地报告诊断信息。为了实现这个功能,不仅要高效地分析即时测量数据,还要分析历史值,这是非常重要的。目前,测量数据首先被发送到更高一层,例如工业计算机或者云,但是测量数据的这个通信过程使得对于关键故障的诊断发生延迟。
目前,深度学习专家将深度学习人工智能(AI)技术应用于传感器以便在本地分析原始数据。但是在过程工业中,来自不同类型仪表的原始数据的格式各不相同。如果从一种类型的仪表采集原始数据,很难得到足够多的数据来训练针对具体类型的仪表的深度学习模型;如果从多种类型的仪表采集原始数据,又难以清洗具有不同格式的数据。
参考文献:WO 2017177012
发明内容
在下文中给出关于本发明的简要概述,以便提供关于本发明的某些方面的基本理解。应当理解,这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分,也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念,以此作为稍后论述的更详细描述的前序。
鉴于上述,本公开提供了用于故障诊断的方法及系统、模型的训练方法以及介质。
根据本公开的一个方面,提供了一种故障预测模型的训练方法,包括:由至少两个智能仪表各自的传感器单元分别采集待测设备的至少一个物理量的多个测量数据,并将所述测量数据分别发送至所述智能仪表各自的变送器单元;所述变送器单元将接收到的所述测量数据转换为统一格式,并将统一格式后的测量数据以及存储在所述变送器单元中的、与所述测量数据相关的诊断数据上传至云服务器;以及所述云服务器将所述统一格式后的测量数据以及与所述测量数据相关的诊断数据作为训练数据集,利用监督深度学习进行训练来得到所述待测设备的故障预测模型。
以这样的方式,可以根据历史测量数据和与历史测量数据相关的诊断数据,在云服务器上训练一个人工智能故障预测模型,利用该故障预测模型可以预测待测设备是否有可能发生故障。变送器单元可以将接收到的测量数据都转换为例如百分比的格式。
可选地,在上述方面的一个示例中,所述变送器单元将接收到的所述测量数据转换为统一格式,并将统一格式后的测量数据以及存储在所述变送器单元中的、与所述测量数据相关的诊断数据上传至云服务器包括:所述变送器单元将接收到的所述测量数据转换为统一格式,并将统一格式后的测量数据以及存储在所述变送器单元中的、与所述测量数据相关的诊断数据发送至控制器;以及所述控制器将所述统一格式的测量数据和所述诊断数据上传至云服务器。其中,所述控制器包括工业计算机或可编程逻辑控制器,所述智能仪表经由所述控制器与所述云服务器进行通信。
以这样的方式,智能仪表可以经由控制器与云服务器进行通信,因此智能仪表可以不具有复杂或者高级的通信功能,从而可以节省智能仪表的制造成本。
可选地,在上述方面的一个示例中,所述变送器单元将所述测量数据和所述诊断数据存储在环形缓冲器中。
以这样的方式,环形缓冲器可以用最新的测量数据覆盖旧的测量数据,通过设定环形缓冲器的大小,可以得到期望时间长度的测量数据,例如一天、一个星期、一个月等的测量数据。
可选地,在上述方面的一个示例中,所述诊断数据表示为n维数组,n是表示故障类型的数量的自然数,n维数组中的每一位代表一种类型的故障。
以这样的方式,可以根据n维数组的值来确定是否有可能发生故障,并且还可以根据n维数组的哪一位或者哪几位的数值为1来确定可能会发生哪一种或者哪几种类型的故障。
根据本公开的另一方面,提供了一种智能仪表,包括:一个传感器单元,其被配置为采集一个待测设备的至少一个物理量的测量数据;一个变送器单元,其被配置为从所述传感器单元接收所述测量数据,并将所述测量数据转换为统一格式,其中,所述变送器单元中存储有根据以上所述的训练方法训练得到的故障预测模型,所述变送器单元进一步被配置为将统一格式后的测量数据输入所述故障预测模型,根据所述故障预测模型的输出来预测所述待测设备是否会发生故障。
以这样的方式,智能仪表可以根据故障预测模型的输出来预测待测设备是否会发生故障。
可选地,在上述方面的一个示例中,所述传感器单元包括用于测量温度、物位和压力中的至少一项的传感器。
以这样的方式,智能仪表可以包括用于测量待测设备的多种不同物理量的多种不同智能仪表,并基于不同物理量来预测待测设备是否有可能发生故障。
可选地,在上述方面的一个示例中,所述变送器单元包括环形缓冲器,所述测量数据存储在所述环形缓冲器中。
以这样的方式,环形缓冲器可以用最新的测量数据覆盖旧的测量数据,通过设定环形缓冲器的大小,可以得到期望时间长度的测量数据,例如一天、一个星期、一个月等的测量数据。
可选地,在上述方面的一个示例中,智能仪表还包括开关单元,其被配置为控制是否允许将变送器单元中存储的测量数据传送到所述智能仪表连接的外部设备。
以这样的方式,用户可以控制是否允许将变送器单元中存储的测量数据传送到所述智能仪表连接的外部设备,从而更好地保护用户的本地数据。
可选地,在上述方面的一个示例中,所述变送器单元进一步被配置为根据所述故障预测模型的输出来预测所述会发生何种类型的故障。
可选地,在上述方面的一个示例中,所述故障预测模型的参数值是从所述智能仪表连接的外部云服务器上下载的。
以这样的方式,用户可以直接从云服务器下载故障预测模型来预测待测设备的故障,而无需上传本地数据。
根据本公开的又一个方面,提供了一种待测设备的故障预测方法,包括:由智能仪表上的传感器单元采集一个待测设备的至少一个物理量的测量数据;所述智能仪表上的变送器单元从所述传感器单元接收所述测量数据,并将所述测量数据转换为统一格式;以及所述变送器单元将统一格式后的测量数据输入根据以上所述的训练方法训练得到的故障预测模型,根据所述故障预测模型的输出来预测所述待测设备是否会发生故障。
以这样的方式,可以根据利用监督深度学习训练得到的故障预测模型的输出来预测待测设备是否会发生故障。
根据本公开的又一个方面,提供了一种待测设备的故障预测系统,包括:至少一个智能仪表和云服务器,其中,所述智能仪表包括一个传感器单元和一个变送器单元,所述智能仪表被配置为将其中存储的待测设备的测量数据和相关的诊断数据上传到云服务器上;所述云服务器被配置为用所述测量数据和相关的诊断数据作为训练数据集,利用监督深度学习进行训练来得到待测设备的故障预测模型;以及所述智能仪表进一步被配置为从所述云服务器下载所述故障预测模型的参数值,采集待测设备的测量数据,并基于所采集的测量数据和所述故障预测模型来对所述待测设备进行故障预测。
以这样的方式,可以根据历史测量数据和与历史测量数据相关的诊断数据,在云服务器上训练一个人工智能故障预测模型,再利用该故障预测模型来预测待测设备是否有可能发生故障。
可选地,在上述方面的一个示例中,所述云服务器进一步被配置为基于从所述智能仪表上传的新的测量数据和故障诊断数据来更新训练数据集,并且基于更新后的训练数据集来更新所述故障预测模型。
以这样的方式,可以对故障预测模型进行更新,从而获得更精确的预测结果。
可选地,在上述方面的一个示例中,故障预测系统还包括:控制器,其中,所述智能仪表的变送器单元连接至所述控制器,控制器连接至云服务器所述智能仪表经由所述控制器与所述云服务器进行通信。其中,所述控制器包括工业计算机或可编程逻辑控制器。
以这样的方式,智能仪表可以经由控制器与云服务器进行通信,因此智能仪表可以不具有复杂或者高级的通信功能,从而可以节省智能仪表的制造成本。
可选地,在上述方面的一个示例中,所述智能仪表还包括:开关单元,所述开关单元被配置为控制是否允许将变送器单元中存储的测量数据和故障诊断数据传送到所述云服务器或控制器。
以这样的方式,用户可以控制是否允许将变送器单元中存储的测量数据传送到所述智能仪表连接的外部设备,从而更好地保护用户的本地数据。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器耦合的存储器,用于存储指令,当所述指令被所述至少一个处理器执行时,使得所述处理器执行如上所述的故障预测模型的训练方法。
根据本公开的另一方面,提供了一种非暂时性机器可读存储介质,其存储有可执行指令,所述指令当被执行时使得所述机器执行如上所述的故障预测模型的训练方法。
根据本公开的另一方面,提供了一种计算机程序,包括计算机可执行指令,所述计算机可执行指令在被执行时使至少一个处理器执行如上所述的故障预测模型的训练方法。
根据本公开的另一方面,提供了一种计算机程序产品,所述计算机程序产品被有形地存储在计算机可读介质上并且包括计算机可执行指令,所述计算机可执行指令在被执行时使至少一个处理器执行如上所述的故障预测模型的训练方法。
附图说明
通过参照下面的附图,可以实现对于本公开内容的本质和优点的进一步理解。在附图中,类似组件或特征可以具有相同的附图标记。
图1示出了根据本公开的一个实施例的用于训练待测设备的故障预测模型的方法的示例性过程的流程图;
图2是根据本公开的一个实施例能够对待测设备进行故障预测的智能仪表的示意框图;
图3是根据本公开的一个实施例的用于对待测设备进行故障预测的方法的示例性过程的流程图;
图4是根据本公开的一个实施例的故障预测系统的示意图;
图5示出了根据本公开的另一个实施例的故障诊断系统的示意图;
图6示出了根据本公开的又一个实施例的故障诊断系统40-3的示意图;
图7示出了利用根据本公开的一个实施例的故障预测方法或系统和传统的故障预测方法做出故障告警预测的比较示意图;和
图8示出了根据本公开的实施例的用于训练故障预测模型的电子设备的方框图。
附图标记
100:用于训练待测设备的故障预测模型的方法
300:用于对待测设备进行故障预测的方法
S102、S104、S106、S302、S304、S306:步骤
200…200(n-1)、200n:智能仪表
202:传感器单元
204:变送器单元
206:开关单元
40、40-2、40-3:故障诊断系统
400:云服务器
500:控制器
602:数据源
604:缓冲器
606:存储器
608:CPU
701:测量压力
702:时间
A-A’:传统故障告警方式产生告警
B-B’:根据本公开的实施例的故障预测方法产生告警
800:电子设备
810:至少一个处理器
820:存储器
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,并非是对权利要求书中所阐述的保护范围、适用性或者示例的限制。可以在不脱离本公开内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。例如,所描述的方法可以按照与所描述的顺序不同的顺序来执行,以及各个步骤可以被添加、省略或者组合。另外,相对一些示例所描述的特征在其它例子中也可以进行组合。
如本文中使用的,术语“包括”及其变型表示开放的术语,含义是“包括但不限于”。术语“基于”表示“至少部分地基于”。术语“一个实施例”和“一实施例”表示“至少一个实施例”。术语“另一个实施例”表示“至少一个其他实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下面可以包括其他的定义,无论是明确的还是隐含的。除非上下文中明确地指明,否则一个术语的定义在整个说明书中是一致的。
本公开提出了在云服务器上通过监督深度学习训练一种能够用于对待测设备进行故障预测的故障预测模型,智能仪表可以从云服务器下载故障预测模型,然后利用预测模型来预测待测设备是否有可能发生故障。
下面结合附图详细说明根据本公开的实施例的故障预测模型的训练方法、能够进行故障预测的智能仪表、对待测设备进行故障预测的方法以及故障预测系统。下文中的描述按如下顺序进行:
1、训练待测设备的故障预测模型的方法
2、用于对待测设备进行故障预测的智能仪表
3、用于对待测设备进行故障预测的方法
4、待测设备的故障预测系统
1、训练待测设备的故障预测模型的方法
图1示出了根据本公开的一个实施例的用于训练待测设备的故障预测模型的方法100的示例性过程的流程图。下面将结合图1具体说明故障预测模型的训练方法100的过程。
如图1所示,在方框S102中,由至少两个智能仪表各自的传感器单元分别采集待测设备的一个物理量的多个测量数据,并将所述测量数据分别发送至所述智能仪表各自的变送器单元。
在方框S104中,变送器单元将接收到的所述测量数据转换为统一格式,并将统一格式后的测量数据以及存储在所述变送器单元中的、与所述测量数据相关的诊断数据上传至云服务器。
在这里,测量数据的统一格式例如可以是百分比,其中,测量值下限为0%,测量值上限为100%。
在方框S106中,云服务器将所述统一格式后的测量数据以及与所述测量数据相关的诊断数据作为训练数据集,利用监督深度学习进行训练来得到所述待测设备的故障预测模型。
下面详细说明利用监督深度学习训练得到智能仪表的人工智能故障预测模型的一个具体示例。
首先,由用于测量例如温度、物位和压力等待测设备的不同物理量的不同智能仪表的传感器分别采集大量测量数据,并且由传感器将这些测量数据分别发送至相应智能仪表中的变送器。其中,测量数据可以是由传感器周期性测量的。
接着,各个变送器分别将接收到的测量数据转换为统一的格式。也就是说,虽然不同传感器采集的测量数据可能具有不同的格式,但是每个智能仪表中的变送器可以将其接收到的测量数据都转换为统一格式,从而便于将这些统一格式的测量数据作为训练数据。
变送器单元可以将转换后的测量数据都存储在缓冲器中,优选地,缓冲器为环形缓冲器。环形缓冲器可以用最新的测量数据覆盖旧的测量数据,通过设定环形缓冲器的大小,可以得到期望时间长度的测量数据,例如一天、一个星期、一个月等的测量数据。
除了测量数据,变送器中还存储有与历史测量数据相关的诊断数据。
本领域技术人员可以理解如何利用传统的故障诊断方法、基于从传感器所采集的测量数据生成相关的诊断数据并将其存储在变送器中的具体过程,在此不再赘述。
然后,变送器可以将其中存储的历史测量数据和与其相关的诊断数据都上传到云服务器上。
在云服务器上,可以利用这些历史测量数据和相关的诊断数据来训练待测设备的故障预测模型。
具体地,例如,在一个用于测量待测设备的电压数据的智能仪表中,在其变送器中存储了一个月的电压历史测量数据和5个故障告警。可以分别对这5个故障告警的获取时间点之前的预定时间长度(比如1个小时,1天,预定时间段可以由本领域技术人员按照经验来设定)的历史测量数据来标注故障标签。在一个示例中,标签可以是一个n维数组,n为故障类型的数量。n维数组中的每一位代表一种类型的故障(可以由本领域技术人员自定义),当发生某种类型的故障时,则n维数组中代表这种类型的故障的位为1,例如,数组[0,0,1,…0,0]表示发生了第三种类型的故障。另外,数组中可以有不止一位为1,在这种情况下,可以表示发生了多种故障。
除了标注了故障标签的历史测量数据以外的其他数据可以认为是正常数据,可以将其标注为[0,0,0,…0,0]。
通过这样的方式,对多种不同智能仪表中的变送器中存储的历史测量数据分别都标注标签,然后将标注好的历史测量数据作为训练数据,利用监督深度学习进行训练来获得故障预测模型。
优选地,故障预测模型可以是LSTM(长短期记忆)神经网络模型。
本领域技术人员可以理解利用监督深度学习训练得到故障预测模型的具体过程,在此不再赘述。
此外,本领域技术人员可以理解,表示故障类型的标签形式并不限于n维数组,而是可以采用机器学习中常用的任何分类标签形式,在此不再赘述。
在一个示例中,变送器单元可以将统一格式后的测量数据以及存储在变送器单元中的诊断数据发送至控制器,再由控制器将测量数据和诊断数据上传至云服务器。
其中,变送器单元可以经由现场总线连接至控制器,控制器再连接至云服务器。控制器可以是工业计算机(IPC)或可编程逻辑控制器(PLC),。智能仪表可以经由IPC或PLC与云服务器进行通信。
2、用于对待测设备进行故障预测的智能仪表
图2是根据本公开的一个实施例能够对待测设备进行故障预测的智能仪表200的示意框图。
如图2所示,一个智能仪表200包括:一个传感器单元202,其被配置为采集待测设备的至少一个物理量的测量数据;一个变送器单元204,其被配置为从所述传感器单元202接收所述测量数据,并将所述测量数据转换为统一格式。变送器单元204中存储有利用以上参照图1所描述的故障预测模型的训练方法、采用监督深度学习训练得到的人工智能故障预测模型。
变送器单元204可以将统一格式后的测量数据输入故障预测模型,根据故障预测模型的输出可以预测是否有可能发生故障。
例如,在故障预测模型的输出是n维数组的情况下,可以根据n维数组的值来确定是否有可能发生故障,并且还可以根据n维数组的哪一位或者哪几位的数值为1来确定可能会发生哪一种或者哪几种类型的故障。
在一个示例中,传感器单元202可以是用于测量温度、物位和压力等不同物理量的不同传感器。并且,本领域技术人员可以理解,传感器单元可以测量的物理量不限于以上所述物理量。
传感器单元202可以经由串口连接至变送器单元204。不同传感器采集的测量数据可能具有不同的格式。而不同的智能仪表所包括的变送器单元204一般是基于同一变送器平台得到的构造基本相同的变送器。也就是说,虽然不同传感器采集的测量数据可能具有不同的格式,但是每个智能仪表中的变送器可以将其接收到的测量数据都转换为统一格式。
变送器单元204中可以包括缓冲器,用于存储从传感器单元接收到的测量数据。
优选地,缓冲器可以是环形缓冲器。环形缓冲器可以用最新的测量数据覆盖旧的测量数据,通过设定环形缓冲器的大小,可以得到期望时间长度的测量数据,例如一天、一个星期、一个月等的测量数据。
变送器中的CPU可以在背景线程中处理环形缓冲器中的最新测量数据,从而充分利用CPU的潜在计算能力。
其中,变送器单元204中存储的故障预测模型是从智能仪表200所连接的外部云服务器上下载的。
在一个示例中,智能仪表200还可以包括一个以软件形式实现的开关单元206。通过开关单元206,可以控制是否允许将变送器单元204中存储的测量数据和/或诊断数据传送到其连接的其他设备,例如下面将要说明的控制器、云服务器等。
3、用于对待测设备进行故障预测的方法
图3是根据本公开的一个实施例的用于对待测设备进行故障预测的方法300的示例性过程的流程图。
首先,在步骤S302中,由智能仪表上的传感器单元采集一个待测设备的至少一个物理量的测量数据。
接着,在步骤S304中,所述智能仪表上的变送器单元从所述传感器单元接收所述测量数据,并将所述测量数据转换为统一格式。
然后,在步骤S306中,所述变送器单元将统一格式后的测量数据输入用监督深度学习方法预先训练得到的故障预测模型,根据所述故障预测模型的输出来预测所述待测设备是否会发生故障。
例如,变送器单元将测量数据输入故障预测模型,得到的故障预测模型的输出是一个n维数组。根据数组的值可以预测待测设备是否有可能发生故障,此外,根据数组的具体哪一位或哪几位的数值例如为1,还可以预测待测设备可能发生的故障的类型。
用于对待测设备进行故障预测的方法300的操作可以参考以上参照图1所描述的用人工智能训练方法训练得到故障预测模型的操作以及以上参照图2所描述的智能仪表的功能和操作,在此不再赘述。
4、待测设备的故障预测系统
图4是根据本公开的一个实施例的故障预测系统40的示意图。
如图4所示,故障诊断系统40包括至少一个智能仪表200和一个云服务器400。智能仪表200如以上参照图1所述,包括传感器单元202和变送器单元204,关于智能仪表200的具体细节,在此不再赘述。
智能仪表200与云服务器400连接,智能仪表200可以将其中存储的待测设备的测量数据和相关的诊断数据上传到云服务器400上;云服务器400可以用测量数据和相关的诊断数据作为训练数据集,利用监督深度学习进行训练来得到待测设备的故障预测模型;智能仪表200进而可以从云服务器400下载在云服务器上训练得到的故障预测模型,采集待测设备的测量数据,并基于所采集的测量数据和所述故障预测模型来对所述待测设备进行故障预测。
此外,云服务器400可以基于从智能仪表200上传的新的测量数据和故障诊断数据来更新训练数据集,并且基于更新后的训练数据集来更新故障预测模型。例如,云服务器400可以每个月(这个时间长度可以由用户设定)利用智能仪表200新上传的测量数据和故障诊断数据以及先前的测量数据和故障诊断数据重新进行训练,来定期更新故障预测模型,然后智能仪表200可以定期下载更新后的故障预测模型。
图5示出了根据本公开的另一个实施例的故障诊断系统40-2的示意图。在图5中,故障诊断系统40-2除了包括至少一个智能仪表200和一个云服务器400之外,还可以包括控制器500。
智能仪表200的变送器单元204例如可以经由现场总线连接至控制器500,控制器500连接至云服务器400,从而智能仪表200经由控制器500连接至云服务器400,与云服务器400进行通信。控制器500例如可以是工业计算机(IPC)或可编程逻辑控制器(PLC)。在这种情况下,智能仪表可以不具有复杂或者高级的通信功能,就可以实现与云服务器的通信,从而可以节省智能仪表的制造成本。
在这种情况下,控制器500可以从智能仪表200获取测量数据和相关的诊断信息,将其发送至云服务器。
图6示出了根据本公开的又一个实施例的故障诊断系统40-3的示意图。在图6中,故障诊断系统40-3包括n个智能仪表200...200(n-1)和200n,和一个云服务器400,除此之外,故障诊断系统40-3还包括一个开关单元206。本领域技术人员可以理解,虽然图6中未示出,但是故障诊断系统40-3也可以包括控制器500。
开关单元206可以控制是否允许将变送器单元204中存储的测量数据和/或故障诊断数据传送到其连接的控制器500或云服务器400。
如果有些用户不想将他们的数据上传到云服务器400上,可以将开关单元206断开,这样就不允许将变送器单元204中存储的测量数据和故障诊断数据上传到云服务器400。在这种情况下,用户可以直接从云服务器400下载故障预测模型来预测待测设备的故障,而无需上传本地数据,从而可以更好地保护用户的本地数据。
在图6中,602表示由智能仪表200的传感器单元202测量的数据源,变送器单元204可以将测量数据和故障诊断数据存储在缓冲器604中,604例如可以是环形缓冲器。变送器单元204将从云服务器400下载的故障预测模型的参数值存储在存储器606中。变送器单元204还可以包括一个CPU(中央处理单元)608,CPU 608可以基于缓冲器604中存储的测量数据和存储器606中存储的故障预测模型来进行告警预测。
图7示出了针对用于测量压力的智能仪表测量到的压力值,利用根据本公开的一个实施例的故障预测方法或系统和传统的故障预测方法做出故障告警预测的比较示意图。
在图7中,纵轴(701)表示测量压力,横轴(702)表示时间,其中虚线A-A’表示按照传统的故障告警方式,在测量到的压力超过阈值时才会产生故障告警;而虚线B-B’表示利用本公开的实施例的故障预测方法或系统,可以预先得到故障预告警(预测)。由此可见,利用本公开的实施例的故障预测方法或系统,可以使得工作人员更早地接收到故障告警,从而有更多的响应时间来应对故障。
如上参照图1到图7,对根据本公开的实施例的训练待测设备的故障预测模型的方法、用于对待测设备进行故障预测的智能仪表、用于对待测设备进行故障预测的方法以及待测设备的故障预测系统进行了描述。
上面的训练待测设备的故障预测模型的方法可以利用电子设备来实现。图8示出了根据本公开的用于训练待测设备的故障预测模型的电子设备800的方框图。根据一个实施例,电子设备800可以包括至少一个处理器810,处理器810执行在计算机可读存储介质(即,存储器820)中存储或编码的至少一个计算机可读指令(即,上述以软件形式实现的元素)。
在一个实施例中,在存储器820中存储计算机可执行指令,其当执行时使得至少一个处理器810:由至少两个智能仪表各自的传感器单元分别采集待测设备的至少一个物理量的多个测量数据,并将所述测量数据分别发送至所述智能仪表各自的变送器单元;所述变送器单元将接收到的所述测量数据转换为统一格式,并将统一格式后的测量数据以及存储在所述变送器单元中的、与所述测量数据相关的诊断数据上传至云服务器;以及所述云服务器将所述统一格式后的测量数据以及与所述测量数据相关的诊断数据作为训练数据集,利用监督深度学习进行训练来得到所述待测设备的故障预测模型。
应该理解,在存储器820中存储的计算机可执行指令当执行时使得至少一个处理器810进行本公开的各个实施例中以上结合图1-7描述的各种操作和功能。
根据一个实施例,提供了一种非暂时性机器可读介质。该非暂时性机器可读介质可以具有机器可执行指令(即,上述以软件形式实现的元素),该指令当被机器执行时,使得机器执行本公开的各个实施例中以上结合图1-7描述的各种操作和功能。
根据一个实施例,提供了一种计算机程序,包括计算机可执行指令,所述计算机可执行指令在被执行时使至少一个处理器执行本公开的各个实施例中以上结合图1-7描述的各种操作和功能。
根据一个实施例,提供了一种计算机程序产品,包括计算机可执行指令,所述计算机可执行指令在被执行时使至少一个处理器执行本公开的各个实施例中以上结合图1-7描述的各种操作和功能。
上面结合附图阐述的具体实施方式描述了示例性实施例,但并不表示可以实现的或者落入权利要求书的保护范围的所有实施例。在整个本说明书中使用的术语“示例性”意味着“用作示例、实例或例示”,并不意味着比其它实施例“优选”或“具有优势”。出于提供对所描述技术的理解的目的,具体实施方式包括具体细节。然而,可以在没有这些具体细节的情况下实施这些技术。在一些实例中,为了避免对所描述的实施例的概念造成难以理解,公知的结构和装置以框图形式示出。
本公开内容的上述描述被提供来使得本领域任何普通技术人员能够实现或者使用本公开内容。对于本领域普通技术人员来说,对本公开内容进行的各种修改是显而易见的,并且,也可以在不脱离本公开内容的保护范围的情况下,将本文所定义的一般性原理应用于其它变型。因此,本公开内容并不限于本文所描述的示例和设计,而是与符合本文公开的原理和新颖性特征的最广范围相一致。
Claims (21)
1.故障预测模型的训练方法,包括:
由至少两个智能仪表各自的传感器单元分别采集待测设备的至少一个物理量的多个测量数据,并将所述测量数据分别发送至所述智能仪表各自的变送器单元;
所述变送器单元将接收到的所述测量数据转换为统一格式,并将统一格式后的测量数据以及存储在所述变送器单元中的、与所述测量数据相关的诊断数据上传至云服务器;以及
所述云服务器将所述统一格式后的测量数据以及与所述测量数据相关的诊断数据作为训练数据集,利用监督深度学习进行训练来得到所述待测设备的故障预测模型。
2.如权利要求1所述的训练方法,其中,所述变送器单元将接收到的所述测量数据转换为统一格式,并将统一格式后的测量数据以及存储在所述变送器单元中的、与所述测量数据相关的诊断数据上传至云服务器包括:
所述变送器单元将接收到的所述测量数据转换为统一格式,并将统一格式后的测量数据以及存储在所述变送器单元中的、与所述测量数据相关的诊断数据发送至控制器;以及
所述控制器将所述统一格式的测量数据和所述诊断数据上传至云服务器。
3.如权利要求2所述的训练方法,其中,所述控制器包括工业计算机或可编程逻辑控制器,所述智能仪表经由所述控制器与所述云服务器进行通信。
4.如权利要求1-3中任意一项所述的训练方法,其中,所述变送器单元将所述测量数据和所述诊断数据存储在环形缓冲器中。
5.如权利要求1-3中任意一项所述的训练方法,其中,所述诊断数据表示为n维数组,n是表示故障类型的数量的自然数,n维数组中的每一位代表一种类型的故障。
6.智能仪表(200),包括:
一个传感器单元(202),其被配置为采集一个待测设备的至少一个物理量的测量数据;
一个变送器单元(204),其被配置为从所述传感器单元(202)接收所述测量数据,并将所述测量数据转换为统一格式,
其中,所述变送器单元(204)中存储有根据权利要求1所述的训练方法训练得到的故障预测模型,所述变送器单元(204)进一步被配置为将统一格式后的测量数据输入所述故障预测模型,根据所述故障预测模型的输出来预测所述待测设备是否会发生故障。
7.如权利要求6所述的智能仪表(200),其中,所述传感器单元(202)包括用于测量温度、物位和压力中的至少一项的传感器。
8.如权利要求6所述的智能仪表(200),其中,所述变送器单元(204)包括环形缓冲器,所述测量数据存储在所述环形缓冲器中。
9.如权利要求6-8中任意一项所述的智能仪表(200),还包括开关单元(206),其被配置为控制是否允许将变送器单元(204)中存储的测量数据传送到所述智能仪表(200)连接的外部设备。
10.如权利要求6-8中任意一项所述的智能仪表(200),其中,所述变送器单元(204)进一步被配置为根据所述故障预测模型的输出来预测所述会发生何种类型的故障。
11.如权利要求6-8中任意一项所述的智能仪表(200),其中,所述故障预测模型的参数值是从所述智能仪表(200)连接的外部云服务器上下载的。
12.待测设备的故障预测方法,包括:
由智能仪表上的传感器单元采集一个待测设备的至少一个物理量的测量数据;
所述智能仪表上的变送器单元从所述传感器单元接收所述测量数据,并将所述测量数据转换为统一格式;以及
所述变送器单元将统一格式后的测量数据输入根据权利要求1所述的训练方法训练得到的故障预测模型,根据所述故障预测模型的输出来预测所述待测设备是否会发生故障。
13.待测设备的故障预测系统(40,40-2,40-3),包括:至少一个智能仪表(200)和云服务器(400),其中,
所述智能仪表(200)包括一个传感器单元(202)和一个变送器单元(204),所述智能仪表(200)被配置为将其中存储的待测设备的测量数据和相关的诊断数据上传到云服务器(400)上;
所述云服务器(400)被配置为用所述测量数据和相关的诊断数据作为训练数据集,利用监督深度学习进行训练来得到待测设备的故障预测模型;以及
所述智能仪表(200)进一步被配置为从所述云服务器(400)下载所述故障预测模型的参数值,采集待测设备的测量数据,并基于所采集的测量数据和所述故障预测模型来对所述待测设备进行故障预测。
14.如权利要求13所述的故障预测系统(40,40-2,40-3),其中,所述云服务器(400)进一步被配置为基于从所述智能仪表(200)上传的新的测量数据和故障诊断数据来更新训练数据集,并且基于更新后的训练数据集来更新所述故障预测模型。
15.如权利要求13所述的故障预测系统(40-2),还包括:控制器(500),其中,所述智能仪表(200)的变送器单元(204)连接至所述控制器(500),所述控制器(500)连接至云服务器(400),其中,所述智能仪表(200)经由所述控制器(500)与所述云服务器(400)进行通信。
16.如权利要求15所述的故障预测系统(40-2),其中,所述控制器(500)包括工业计算机或可编程逻辑控制器。
17.如权利要求13-16中任意一项所述的故障预测系统(40-3),其中,所述智能仪表(200)还包括:开关单元(206),所述开关单元(206)被配置为控制是否允许将变送器单元(204)中存储的测量数据和故障诊断数据传送到所述云服务器或所述控制器。
18.一种电子设备(800),包括:
至少一个处理器(810);以及
与所述至少一个处理器(810)耦合的存储器(820),用于存储指令,当所述指令被所述至少一个处理器(810)执行时,使得所述处理器(810)执行如权利要求1到5中任一所述的方法。
19.一种非暂时性机器可读存储介质,其存储有可执行指令,所述指令当被执行时使得所述机器执行如权利要求1到5中任一所述的方法。
20.一种计算机程序,包括计算机可执行指令,所述计算机可执行指令在被执行时使至少一个处理器执行根据权利要求1至5中任一项所述的方法。
21.一种计算机程序产品,所述计算机程序产品被有形地存储在计算机可读介质上并且包括计算机可执行指令,所述计算机可执行指令在被执行时使至少一个处理器执行根据权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811410035.7A CN111221247A (zh) | 2018-11-23 | 2018-11-23 | 用于故障诊断的方法及系统、模型的训练方法以及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811410035.7A CN111221247A (zh) | 2018-11-23 | 2018-11-23 | 用于故障诊断的方法及系统、模型的训练方法以及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111221247A true CN111221247A (zh) | 2020-06-02 |
Family
ID=70827464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811410035.7A Pending CN111221247A (zh) | 2018-11-23 | 2018-11-23 | 用于故障诊断的方法及系统、模型的训练方法以及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111221247A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821856A (zh) * | 2022-04-18 | 2022-07-29 | 大连理工大学 | 一种并联于行车电脑的汽车快速维修智能辅助装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102498445A (zh) * | 2009-09-17 | 2012-06-13 | 西门子公司 | 用于机器状态监测的、使用规则生成的样本的监督故障学习 |
CN104350435A (zh) * | 2012-04-13 | 2015-02-11 | 西门子公司 | Plc平台上用于设备状态监控、诊断以及时间-故障/服务预测的嵌置预报 |
CN105974225A (zh) * | 2016-04-28 | 2016-09-28 | 上海机电工程研究所 | 一种基于分布式检测数据的故障诊断系统和故障诊断方法 |
CN106663368A (zh) * | 2014-08-18 | 2017-05-10 | Ntn株式会社 | 便携型诊断用数据测定发送装置 |
CN106787210A (zh) * | 2017-01-20 | 2017-05-31 | 北京立思辰新技术有限公司 | 一种应用于电力系统变压器的云服务器监测管理方法 |
CN107133118A (zh) * | 2016-02-26 | 2017-09-05 | 华为技术有限公司 | 一种故障诊断模型训练方法、故障诊断方法及相关装置 |
CN107246959A (zh) * | 2017-07-12 | 2017-10-13 | 西安因联信息科技有限公司 | 一种基于无线传感器的设备故障的诊断系统及方法 |
CN107703888A (zh) * | 2017-06-01 | 2018-02-16 | 语祯物联科技(上海)有限公司 | 物联网通信设备的数据采集分析方法及物联网通信设备 |
CN108197014A (zh) * | 2017-12-29 | 2018-06-22 | 东软集团股份有限公司 | 故障诊断方法、装置及计算机设备 |
CN108681747A (zh) * | 2018-05-11 | 2018-10-19 | 武汉理工大学 | 基于深度学习的旋转机械故障诊断与状态监测系统及方法 |
CN108765189A (zh) * | 2018-05-15 | 2018-11-06 | 国网江苏省电力有限公司电力科学研究院 | 基于智能诊断算法的开放式局部放电大数据管理系统 |
-
2018
- 2018-11-23 CN CN201811410035.7A patent/CN111221247A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102498445A (zh) * | 2009-09-17 | 2012-06-13 | 西门子公司 | 用于机器状态监测的、使用规则生成的样本的监督故障学习 |
CN104350435A (zh) * | 2012-04-13 | 2015-02-11 | 西门子公司 | Plc平台上用于设备状态监控、诊断以及时间-故障/服务预测的嵌置预报 |
CN106663368A (zh) * | 2014-08-18 | 2017-05-10 | Ntn株式会社 | 便携型诊断用数据测定发送装置 |
CN107133118A (zh) * | 2016-02-26 | 2017-09-05 | 华为技术有限公司 | 一种故障诊断模型训练方法、故障诊断方法及相关装置 |
CN105974225A (zh) * | 2016-04-28 | 2016-09-28 | 上海机电工程研究所 | 一种基于分布式检测数据的故障诊断系统和故障诊断方法 |
CN106787210A (zh) * | 2017-01-20 | 2017-05-31 | 北京立思辰新技术有限公司 | 一种应用于电力系统变压器的云服务器监测管理方法 |
CN107703888A (zh) * | 2017-06-01 | 2018-02-16 | 语祯物联科技(上海)有限公司 | 物联网通信设备的数据采集分析方法及物联网通信设备 |
CN107246959A (zh) * | 2017-07-12 | 2017-10-13 | 西安因联信息科技有限公司 | 一种基于无线传感器的设备故障的诊断系统及方法 |
CN108197014A (zh) * | 2017-12-29 | 2018-06-22 | 东软集团股份有限公司 | 故障诊断方法、装置及计算机设备 |
CN108681747A (zh) * | 2018-05-11 | 2018-10-19 | 武汉理工大学 | 基于深度学习的旋转机械故障诊断与状态监测系统及方法 |
CN108765189A (zh) * | 2018-05-15 | 2018-11-06 | 国网江苏省电力有限公司电力科学研究院 | 基于智能诊断算法的开放式局部放电大数据管理系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821856A (zh) * | 2022-04-18 | 2022-07-29 | 大连理工大学 | 一种并联于行车电脑的汽车快速维修智能辅助装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11868684B2 (en) | Digital platform using cyber-physical twin structures providing an evolving digital representation of a risk-related real world asset for quantifying risk measurements, and method thereof | |
CN101351752B (zh) | 利用过程自动化技术的现场设备进行设备监控的方法 | |
CN104375473B (zh) | 维修现场设备的方法 | |
US10955806B2 (en) | System and method for monitoring and analyzing industrial operations | |
CN107003991B (zh) | 用于对来自传感器的数据进行传输的方法 | |
US10564617B2 (en) | Plant control device, plant control method, and recording medium | |
CN101529352B (zh) | 用于确定、监控和/或影响不同过程变量和/或状态变量的过程自动化系统 | |
JPH08137515A (ja) | 分散形測定・制御装置 | |
CN104567982A (zh) | 测量点的功能设定方法和测量点 | |
CN104541215A (zh) | 对用于生产产品的技术设备的第一装备的监控 | |
JP5915627B2 (ja) | プロセス制御システム | |
Tian et al. | A fieldbus-based intelligent sensor | |
CN112469975A (zh) | 具有多个运算单元的现场设备 | |
US20220342379A1 (en) | Machine-learning-based quality prediction of manufactured fiber optic cable | |
US20060053218A1 (en) | Method and device for reducing a dataset consisting of process data to be transmitted | |
US20240310797A1 (en) | Determining Appropriate Sequences of Actions to Take Upon Operating States of Industrial Plants | |
KR20180011333A (ko) | 자산에서의 로컬 분석 | |
CN111221247A (zh) | 用于故障诊断的方法及系统、模型的训练方法以及介质 | |
CN117872989A (zh) | 基于云边融合的工业数据管理方法及系统 | |
CN106716074A (zh) | 探测装置 | |
CN103475527B (zh) | 一种网管故障可信度分析系统及方法 | |
EP4152016A1 (en) | Evolving faults in a power grid | |
US11474985B2 (en) | Data processing apparatus, method, and recording medium | |
CN111637926A (zh) | 一种开关柜监测系统和方法 | |
CN103217942A (zh) | 调用测量值,诊断信息或者设备参数 |
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: 20200602 |
|
RJ01 | Rejection of invention patent application after publication |