CN111400850B - 设备故障分析方法、装置、设备和存储介质 - Google Patents
设备故障分析方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111400850B CN111400850B CN201811629343.9A CN201811629343A CN111400850B CN 111400850 B CN111400850 B CN 111400850B CN 201811629343 A CN201811629343 A CN 201811629343A CN 111400850 B CN111400850 B CN 111400850B
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- equipment
- determining
- residual
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 80
- 238000003860 storage Methods 0.000 title abstract description 17
- 238000004519 manufacturing process Methods 0.000 claims abstract description 81
- 238000000034 method Methods 0.000 claims abstract description 64
- 238000004088 simulation Methods 0.000 claims abstract description 50
- 238000001514 detection method Methods 0.000 claims description 97
- 238000012544 monitoring process Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 27
- 230000015654 memory Effects 0.000 claims description 20
- 239000000463 material Substances 0.000 claims description 10
- 238000007499 fusion processing Methods 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 abstract description 11
- 238000011156 evaluation Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 description 17
- 230000002159 abnormal effect Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 238000009826 distribution Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 238000013178 mathematical model Methods 0.000 description 5
- 238000000926 separation method Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请实施例提供了一种设备故障分析方法、装置、设备和存储介质,以能够分析设备故障的主要原因。所述方法包括:采集设备的生产数据,其中,所述生产数据包括:输入数据和输出数据;依据所述输入数据确定所述设备的仿真输出数据,依据所述输出数据和仿真输出数据确定对应的残差数据;依据残差数据确定所述设备存在故障后,依据所述输入数据进行因子贡献分析,确定对应的故障参数。能够进行残差评价,从而对设备异常程度进行衡量,并且能够对设备出现故障的主要原因进行分析。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种设备故障分析方法和装置、一种电子设备和一种存储介质。
背景技术
工业设备在生产、运行过程中,受到外部环境(物料等)、内部工况(设备负荷、控制方法变化等)及自然老化等事件影响,设备会逐渐或突然发生缺陷、故障事件。设备故障预警对实现设备的早期故障预报、提高设备利用率、延长设备生命周期、维修部件准备、降低运维成本有重要意义。
在工业大数据应用中,基于设备状态仿真的故障诊断方法已经能够解决大量的设备异常诊断问题,该方法论的基本思路为:基于“假设设备在发生缺陷、故障状态后,一段时间内测点会体现出偏离分布主体的弱模式”作为理论依据,当设备理论健康值与实际值之间存在较大偏差,则设备可能处于异常状态。该方法中产生的设备期望值与实际值的偏差,即为残差。
通过上述方法可以获取残差,但缺乏残差评价的方法,无法对设备异常程度进行衡量,也无法分析设备故障的主要原因。
发明内容
本申请实施例提供了一种设备故障分析方法,以能够分析设备故障的主要原因。
相应的,本申请实施例还提供了一种设备故障分析装置、一种电子设备以及一种存储介质,用以保证上述方法的实现及应用。
为了解决上述问题,本申请实施例公开了一种设备故障分析方法,所述方法包括:采集设备的生产数据,其中,所述生产数据包括:输入数据和输出数据;依据所述输入数据确定所述设备的仿真输出数据,依据所述输出数据和仿真输出数据确定对应的残差数据;依据残差数据确定所述设备存在故障后,依据所述输入数据进行因子贡献分析,确定对应的故障参数。
可选的,所述采集设备的生产数据,包括:通过设备上监测点的传感器,采集对应监测点的生产数据。
可选的,所述采集设备的生产数据之后,还包括:将所述生产数据按照时间顺序进行整理;按照设定窗口对整理的生产数据进行处理,分别得到对应的输入特征数据和输出特征数据。
可选的,所述依据所述输入数据确定所述设备的仿真输出数据,依据所述输出数据和仿真输出数据确定对应的残差数据,包括:将所述输入特征数据输入到仿真器中,得到所述设备对应的仿真输出数据,其中,所述仿真器依据历史生产数据训练得到;依据所述输出特征数据和所述仿真输出数据,确定对应的残差序列。
可选的,所述方法还包括:对所述残差序列进行故障分析,确定对应的故障检测值;若所述故障检测值超出故障门限,则所述设备存在故障;若所述故障检测值未超出故障门限,则所述设备不存在故障。
可选的,所述对所述残差序列进行故障分析,确定对应的故障检测值,包括:依据所述残差序列的类型,确定对应类型的故障检测函数,其中,所述类型包括:单变量类和/或多变量类;依据所述对应类型的故障检测函数,确定所述残差序列对应的故障检测值,所述故障门限与误警率相关。
可选的,依据所述输入数据进行因子贡献分析,确定对应的故障参数,包括:依据设定规则将多个输入数据进行融合处理,得到多个故障影响因子;对所述多个故障影响因子进行因子贡献分析,得到贡献率最大的故障影响因子;确定所述贡献率最大的故障影响因子对应的至少一个输入数据,作为对应的故障参数。
可选的,对所述多个故障影响因子进行因子贡献分析,得到贡献率最大的故障影响因子,包括:通过预设的故障分析器和故障影响因子计算故障检测统计量;分别计算所述多个故障影响因子对所述故障检测统计量的贡献率;确定贡献率最大的故障影响因子。
本申请实施例还公开了一种设备故障分析装置,所述的装置包括:采集模块,用于采集设备的生产数据,其中,所述生产数据包括:输入数据和输出数据;残差确定模块,用于依据所述输入数据确定所述设备的仿真输出数据,依据所述输出数据和仿真输出数据确定对应的残差数据;故障分析模块,用于依据残差数据确定所述设备存在故障后,依据所述输入数据进行因子贡献分析,确定对应的故障参数。
可选的,所述采集模块,用于通过设备上监测点的传感器,采集对应监测点的生产数据。
可选的,所述装置还包括:数据处理模块,用于将所述生产数据按照时间顺序进行整理;按照设定窗口对整理的生产数据进行处理,分别得到对应的输入特征数据和输出特征数据。
可选的,所述残差确定模块,包括:仿真处理子模块,用于将所述输入特征数据输入到仿真器中,得到所述设备对应的仿真输出数据,其中,所述仿真器依据历史生产数据训练得到;残差序列确定子模块,用于依据所述输出特征数据和所述仿真输出数据,确定对应的残差序列。
可选的,所述装置还包括:故障检测模块,用于对所述残差序列进行故障分析,确定对应的故障检测值;若所述故障检测值超出故障门限,则所述设备存在故障;若所述故障检测值未超出故障门限,则所述设备不存在故障。
可选的,所述故障检测模块,包括:函数确定子模块,用于依据所述残差序列的类型,确定对应类型的故障检测函数,其中,所述类型包括:单变量类和/或多变量类;检测值确定子模块,用于依据所述对应类型的故障检测函数,确定所述残差序列对应的故障检测值,所述故障门限与误警率相关。
可选的,所述故障分析模块,包括:因子确定子模块,用于依据设定规则将多个输入数据进行融合处理,得到多个故障影响因子;贡献率分析子模块,用于对所述多个故障影响因子进行因子贡献分析,得到贡献率最大的故障影响因子;参数确定子模块,用于确定所述贡献率最大的故障影响因子对应的至少一个输入数据,作为对应的故障参数。
可选的,所述贡献率分析子模块,用于通过预设的故障分析器和故障影响因子计算故障检测统计量;分别计算所述多个故障影响因子对所述故障检测统计量的贡献率;确定贡献率最大的故障影响因子。
本申请实施例还公开了一种电子设备,包括:处理器;和存储器,其上存储有可执行代码,当所述可执行代码被执行时,使得所述处理器执行如本申请实施例中一个或多个所述的设备故障分析方法。
本申请实施例还公开了一个或多个机器可读介质,其上存储有可执行代码,当所述可执行代码被执行时,使得处理器执行如本申请实施例中一个或多个所述的设备故障分析方法。
与现有技术相比,本申请实施例包括以下优点:
在本申请实施例中,可以采集设备的生产数据,该生产数据包括输入数据和输出数据,然后依据所述输入数据确定所述设备的仿真输出数据,依据所述输出数据和仿真输出数据确定对应的残差数据,从而进行残差评价,对设备异常程度进行衡量,在依据残差数据确定所述设备存在故障后,可依据所述输入数据进行因子贡献分析,确定对应的故障参数,能够对设备出现故障的主要原因进行分析。
附图说明
图1是本申请的一种设备故障分析方法实施例的步骤流程图;
图2是本申请实施例的一种输入输出映射示例的示意图;
图3A、图3B、图3C是本申请实施例的几种残差分布示意图;
图4是本申请实施例的一种设备故障分析的模块示例示意图;
图5是本申请的另一种设备故障分析方法实施例的步骤流程图;
图6是本申请的一种设备故障分析装置实施例的结构框图;
图7是本申请的另一种设备故障分析装置实施例的结构框图;
图8是本申请一实施例提供的装置的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
工业设备在生产、运行过程中,受到外部环境(物料等)、内部工况(设备负荷、控制方法变化等)及自然老化等事件影响,设备会逐渐或突然发生缺陷、故障事件。设备故障预警对实现设备的早期故障预报、提高设备利用率、延长设备生命周期、维修部件准备、降低运维成本有重要意义。
本申请实施例在采集设备的生产数据,包括输入数据和输出数据,并依据所述输入数据确定所述设备的仿真输出数据,依据所述输出数据和仿真输出数据确定对应的残差数据,然后可进行残差的评价,以对设备异常程度进行衡量,其中,可依据残差数据和设备历史故障记录,确定残差评价方法并确定故障门限,在依据故障门限确定所述设备存在故障后,可依据所述输入数据进行因子贡献分析,从而确定对应的故障参数,能够对设备出现故障的主要原因进行分析。
参照图1,示出了本申请的一种设备故障分析方法实施例的步骤流程图。
步骤102,采集设备的生产数据。
设备运行过程中可采集设备的生产数据,该生产数据指的是生成运行过程中输入、输出的各种数据,则生产数据包括:输入数据和输出数据,其中,输入数据指的是输入设备的数据,如设备中放入的物料、能源等,输出数据指的是设备输出的数据,如设备输出的产品等,依据设备的类型不同,输入数据和输出数据也不同。例如,设备为锅炉,则输入数据可包括水量、风量、物料以及引风等,输出数据为蒸汽量。可以将设备各类型生产数据对应的位置作为监测点,则检测点设置传感器,从而可通过设备中监测点上的传感器,采集该监测点对应的生产数据,传感器也可依据生产数据的类型确定,如测量水量、风力、物料的体积、质量等,又如测量蒸汽流量等。其中,该传感器可为单个传感器或传感器组合。一个实施例中,所述监测点包括环境监测点、控制监测点、输出监测点,相应的生产数据中输入数据包括环境变量数据、设备控制变量数据,环境变量数据如温度数据、湿度数据等,以锅炉为例设备控制变量数据包括给风量数据、水量数据、物料数据等。
步骤104,依据所述输入数据确定所述设备的仿真输出数据,依据所述输出数据和仿真输出数据确定对应的残差数据。
设备在正常(健康)运行状态下,输入数据和输出数据存在一定的映射关系,当设备的输出数据(如产能)与输入数据(如投入量)的关系发生偏离,也就是输入数据和输出数据之间期望的映射关系被破坏,则设备可能处于异常状态,因此可对正常运行状态的设备进行仿真处理,从而得到输出数据对应正常运行状态的设备的仿真输出数据,依据仿真输出数据和采集的设备输出数据可得到残差数据,该参数数据可为残差为仿真输出数据(如设备正常运行状态下的估计值)与输出数据(如设备的实际输出值)的差值,从而确定设备是否存在故障。其中,仿真输出数据是由大批量设备历史生产数据训练得到,当设备处于正常健康运动过程中,残差应该在健康值上下小范围内波动,包含随机噪声信息。
一个可选实施例中,所述依据所述输入数据确定所述设备的仿真输出数据,依据所述输出数据和仿真输出数据确定对应的残差数据,包括:将所述输入特征数据输入到仿真器中,得到所述设备对应的仿真输出数据,其中,所述仿真器依据历史生产数据训练得到;依据所述输出特征数据和所述仿真输出数据,确定对应的残差序列。
本申请一个可选实施例中,可预先收集设备在正常状态下的输入数据、输出数据等生产数据,构建数据模型并基于生产数据进行模型训练得到仿真器,仿真器可模拟输入数据和输出数据之间的映射关系,从而基于输入数据仿真在正常状态下设备的输出数据。其中,仿真器也可称为仿真模型、用于仿真设备生产的数据集合等,该仿真器可基于设备正常状态下的声场数据和数学模型训练得到,因此可基于输入数据库仿真设备正常状态下的输出数据。数学模型是运用数理逻辑方法和数学语言建构的科学或工程模型,数学模型是针对参照某种事物系统的特征或数量依存关系,采用数学语言,概括地或近似地表述出的一种数学结构,这种数学结构是借助于数学符号刻画出来的某种系统的纯关系结构。数学模型可以是一个或一组代数方程、微分方程、差分方程、积分方程或统计学方程及其组合,通过这些方程定量地或定性地描述系统各变量之间的相互关系或因果关系。除了用方程描述的数学模型外,还有用其他数学工具,如代数、几何、拓扑、数理逻辑等描述的模型。其中,数学模型描述的是系统的行为和特征而不是系统的实际结构。其中,仿真器所采用机器学习、深度学习方法等进行模型训练,机器学习方法可包括线性回归、决策树、随机森林、xgboost、lightgbm等,深度学习方法可包括卷积神经网络(Convolutional NeuralNetworks,CNN)、长短期记忆网络 (Long Short-Term Memory,LSTM)、门控循环单元(GatedRecurrent Unit, GRU)等。
如图2所示,以锅炉领域为例,输入数据包括:水量、风量、物料以及引风等,输出数据包括蒸汽量。将锅炉在正常工作状态下收集的生产数据构造成记忆矩阵,矩阵的行向量代表某一时刻所有监测点的生产数据,列向量代表监测点在不同时刻的生产数据。梳理锅炉的主系统和各个子系统之间的测点关系(设备输入数据和输出数据),构造输入数据和输出数据的映射关系的仿真器。
在获取到设备的输入数据和输出数据等生产数据后,可将该输入数据输入到仿真器中进行仿真处理,得到仿真器输出的仿真输出数据,也就是模拟设备正常运行状态下的输出数据。然后可将输出特征数据和所述仿真输出数据,确定对应的残差数据。其中,可基于局部分布检验的设备异常诊断方法,针对设备的实际输出数据y,仿真输出数据yhat,残差r=yhat-y。
一个可选实施例中,所述采集设备的生产数据之后,还包括:将所述生产数据按照时间顺序进行整理;按照设定窗口对整理的生产数据进行处理,分别得到对应的输入特征数据和输出特征数据。在采集到设备的生产数据之后,还可对生产数据进行预处理,预处理操作包括:时序数据规整操作、数据清洗操作和特征构建操作。其中,时序数据规整操作可根据生产数据的更新粒度,将每种类型的生产数据分别处理成以时间为基准的数据,如按照时间顺序分别对温度数据、湿度数据等环境变量数据,给风量数据、水量数据、物料数据等设备控制变量数据,以及设备的输出数据等进行整理,得到按照时序规整的生产数据,如构成一个时间戳对应多个监测点的数据表。数据清洗操作可自行数据异常值清洗、缺失值处理等,其中,异常值清洗方法包括 3sigma、分位数法等;缺失值处理可以使用基于统计量的填充(如均值处理)、向后填充、单独当一类等方法进行处理。特征构建操作可基于生产数据对应特征变化频率,构建相应的特征衍生量,其中,可基于统计学确定生产数据对应特征变化频率,得到生成数据对应的统计量作为特征衍生量。可确定生产数据对应的窗口,得到对应的设定窗口,其中,输入数据和输出数据的窗口宽度可相同或不停,设定窗口的窗口宽度与时间相关,可设置按照时间长度设置窗口宽度,从而通过设定窗口来构建生产数据对应的衍生量,在设定时长如1、2分内生产数据对应的均值、方差、最大值、最小值等生产特征数据,包括输入特征数据和输出特征数据等。本申请实施例中,设定窗口的窗口宽度的选取可从业务出发,依据设备的特征输出量在多长时间内会对工况做出反应确定,例如在锅炉行业中,考虑到蒸汽量的变化绝大多数基于30 分钟内的工况做出反应,可选取30分钟作为窗口宽度。
步骤106,依据残差数据判断所述设备是否存在故障。
可基于残差分析设备是否存在故障,其中,根据残差数据和历史故障记录确定残差评价方法,确定故障门限值,以进行设备异常/故障的判断。一个可选实施例中,可对所述残差序列进行故障分析,确定对应的故障检测值;若所述故障检测值超出故障门限,则所述设备存在故障;若所述故障检测值未超出故障门限,则所述设备不存在故障。基于残差的分布特征可分析设备故障,若残差分布偏离正常状态对应的特征,则可确定设备存在故障。其中,可通过分析确定设备的故障检测值,并设置相应的故障门限,基于故障检测值和故障门限确定设备是否存在故障。若是,则确认设备存在故障,可执行步骤108,若否,则确认设备不存在故障,结束该流程。
其中,构造故障检测函数为q(k),根据预先设定的故障门限Td,则q>Td,表征设备存在故障,q<=Td,表征设备无故障。故障门限与设备的误警率相关,误警率指的是设备错误预警的概率,通过误警率可控制设备误报警的可能性。则故障门限可根据验证误差率来进行调整,当限定误警率为alpha时,无故障的情况应当在alpha的范围内。
所述对所述残差序列进行故障分析,确定对应的故障检测值,包括:依据所述残差序列的类型,确定对应类型的故障检测函数,其中,所述类型包括:单变量类和/或多变量类;依据所述对应类型的故障检测函数,确定所述残差序列对应的故障检测值,所述故障门限与误警率相关。本申请实施例可对残差序列做二元假设,对于无故障H0,则E(r)=0,有故障H1则E(r)>0 或E(r)<0,r为残差序列。
对于单变量类的残差序列r=yhat-y,则在大数据场景下,理论上残差序列服从均值为0的正态分布,即N(0,sigma),sigma为残差序列标准差。可构造故障检测函数q=(x_hat-0)/(s/sqrt(n));
其中,x_hat为残差子序列均数,s为残差子序列标准差,n为残差子序列个数。设定故障门限Td,则q>Td,表征设备存在故障,q<=Td,表征设备无故障。
如图3所示的残差分布示意图中,图3A所示的残差序列在健康值上下小范围内波动,为正常的残差序列,此时设备正常运行;图3B所示的残差序列在波动增大,疑似设备运行异常;图3C所示的残差序列发生正向偏移,疑似设备运行异常。
对于多变量类的残差序列ri=yihat-yi,假设具有m个传感器,则在大数据场景下,单个传感器的残差在理论上服从均值为0的正态分布,即 N(0,sigma),sigma为残差序列标准差。相应经过转换ri=(ri-u)/sigma后,残差序列服从标准正态分布N(0,1)。可构造故障检测函数q=∑ri*ri;
其中,多个独立传感器的残差序列平方和应服从自由度为m的卡方分布,记为:χ2(m)。设定故障门限Td,则q>Td,表征设备存在故障,q<=Td,表征设备无故障。
从而通过故障检测函数进行分析,得到的故障检测值q能够对设备的异常程度进行一定程度的衡量,给出设备异常评分。
步骤108,依据所述输入数据进行因子贡献分析,确定对应的故障参数。
在依据残差数据确定所述设备存在故障的基础上,本申请实施例还可进一步分析设备的故障原因。可采用基于因子贡献的故障分离方法进行故障分析,可基于主成分分析(principal components analysis,PCA)技术,也可称为主分量分析技术,从而从影响设备的多个因子中分离中主要影响因子,确定哪些关键因素导致设备的变化。其中,PCA方法可将多指标融合为较少的综合指标,且较少的综合指标之间互不相关,且能提供原有指标的绝大部分信息,然后基于贡献率建立所需的PCA模型对应的故障分析器,该故障分析器可基于设备指定工作状况下的稳态数据,通过标准化处理并建立、训练 PCA模型。
一个可选实施例中,依据所述输入数据进行因子贡献分析,确定对应的故障参数,包括:依据设定规则将多个输入数据进行融合处理,得到多个故障影响因子;对所述多个故障影响因子进行因子贡献分析,得到贡献率最大的故障影响因子;确定所述贡献率最大的故障影响因子对应的至少一个输入数据,作为对应的故障参数。可按照设定规则将多个输入数据进行融合处理,得到多个故障影响因子,其中依据设定规则不同所需融合的输入参数也不同,具体依据需求设定,从而将多指标融合为较少的综合指标,得到多个故障影响因子,然后对所述多个故障影响因子进行因子贡献分析,确定各故障影响因子对整体影响的贡献率,所述贡献率指的是故障影响因子对整体数据影响的大小,从而得到贡献率最大的故障影响因子,确定所述贡献率最大的故障影响因子对应的至少一个输入数据,作为对应的故障参数。
对所述多个故障影响因子进行因子贡献分析,得到贡献率最大的故障影响因子,包括:通过预设的故障分析器和故障影响因子计算故障检测统计量;分别计算所述多个故障影响因子对所述故障检测统计量的贡献率;确定贡献率最大的故障影响因子。
在确定预设的故障分析器后,可基于预设的故障分析器和多个故障影响因子计算故障检测统计量,也就是基于故障分析器确定多个故障影响因子整体的故障检测统计量,再基于该故障检测统计量分离出各个故障影响因子的影响大小,也就是计算所述多个故障影响因子对所述故障检测统计量的贡献率,得到贡献率最大的故障影响因子。
本申请实施例中,在PCA技术中可通过Q和/或T2统计量作为故障检测统计量,从而通过故障分析器和故障影响因子计算第一故障检测统计量 Q,和/或,第二故障检测统计量T2。然后对故障检测统计量Q、T2中故障影响因子的贡献率进行故障分离。
针对第一故障检测统计量Q,计算故障影响因子对故障检测统计量的贡献率如下,第j个故障影响因子xj对统计量Q的贡献率为:
ContQj=xj_hat–xj_hat_standard
其中,xj_hat为标准化后的变量xj_hat,xj_hat_standard为模型中对应的标准化后的变量xj的标准值。
针对第二故障检测统计量T2,计算故障影响因子对故障检测统计量的贡献率如下:可出a个主元中满足:(ti*ti/λi)>Td/α的r个主元变量(r<=a),则2)计算第j个变量xj对T2统计量的贡献率:
ConTj=∑(ti/λi)*pij*xj_hat,i=1,2,…r
其中,ti为pca模型的第i个得分向量,λi为相应的相关矩阵特征值, Td为控制限,α为显著水平,pij为主元矩阵中第i行第j列的数值。
上述计算得到的是变量xj对所有超限主元变量的分贡献率,值小于0 则按0计算,对T2的贡献率是所有分贡献率的和。
从而可通过多因子融合方法,在多残差情况下,对设备的整体异常情况作综合诊断。
从而对设备异常状态进行报警,本实施例可通过数据采集、数据处理、仿真处理、异常判断、残差分析等过程实现。一个示例中,基于上述设备故障分析过程,可确定残差产生模块与残差评价模块,如图4所示。残差产生模块402包括数据采集、数据处理、仿真处理等阶段,残差评价模块404包括异常判断、残差分析等阶段。从而在数据采集阶段,设备运行过程中,可通过传感器、设备控制器等进行数据采集并储存,还可实时同步到云服务器;云服务器对数据进行实时处理,处理过程包括时序数据规整、数据的基本清洗、特征构建,其中可基于设备机理进行特征衍生量构建,如移动窗口平均值等;还可基于设备仿真器进行仿真处理,如通过机器学习方法进行设备的仿真输出数据,然后确定对应的残差序列,再进行设备异常判断和分析。
其中,残差评价模块关注残差产生后,如何通过残差局部空间的分布分析进行设备异常程度的衡量,如通过构造故障检测函数,通过因子贡献确定核心故障变量等,构建一套基于残差空间与因子贡献分析的融合方法,提高故障检测和故障分离的准确性和敏捷性。
在上述实施例的基础上,本实施例可基于残差分析设备故障以及影响设备故障的参数,对设备的整体异常情况做出综合诊断。
参照图5,示出了本申请实施例的另一种设备故障分析方法实施例的步骤流程图。
步骤502,通过设备上监测点的传感器,采集对应监测点的生产数据。
步骤504,将所述生产数据按照时间顺序进行整理;按照设定窗口对整理的生产数据进行处理,分别得到对应的输入特征数据和输出特征数据。
步骤506,将所述输入特征数据输入到仿真器中,得到所述设备对应的仿真输出数据。
步骤508,依据所述输出特征数据和所述仿真输出数据,确定对应的残差序列。
步骤510,对所述残差序列进行故障分析,确定对应的故障检测值。其中,可依据所述残差序列的类型,确定对应类型的故障检测函数;依据所述对应类型的故障检测函数,确定所述残差序列对应的故障检测值。
步骤512,判断所述故障检测值是否超出故障门限。若是,即所述故障检测值超出故障门限,则执行步骤516;若否,所述故障检测值未超出故障门限,则执行步骤514。
步骤514,所述设备不存在故障。
步骤516,所述设备存在故障。
步骤518,依据设定规则将多个输入数据进行融合处理,得到多个故障影响因子。
步骤520,对所述多个故障影响因子进行因子贡献分析,得到贡献率最大的故障影响因子。其中,对所述多个故障影响因子进行因子贡献分析,得到贡献率最大的故障影响因子,包括:通过预设的故障分析器和故障影响因子计算故障检测统计量;分别计算所述多个故障影响因子对所述故障检测统计量的贡献率;确定贡献率最大的故障影响因子。
步骤522,确定所述贡献率最大的故障影响因子对应的至少一个输入数据,作为对应的故障参数。
从而本申请实施例可基于设备的业务特征、运行机理等建立完整的异常状态预警流程,如针对具备输入、输出、热能转换模式的锅炉等设备建立异常状态预警流程。
还可通过残差序列的分布检验进行残差的故障判别,本申请实施例可基于一段残差序列的空间分布,通过统计假设的方法进行故障判别,提高故障检测的准确性。故障判别的故障门限还可以根据误警率进行调整,使得故障检测更加灵活。
通过多因子融合方法,在多残差情况下,对设备的整体异常情况作综合诊断,通过因子贡献进行故障分离,确定贡献量较大的测点值,定位故障变量。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请实施例并不受所描述的动作顺序的限制,因为依据本申请实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本申请实施例所必须的。
在上述实施例的基础上,本实施例还提供了一种设备故障分析装置,应用于终端设备、服务器等电子设备中。
参照图6,示出了本申请的一种设备故障分析装置实施例的结构框图,具体可以包括如下模块:
采集模块602,用于采集设备的生产数据,其中,所述生产数据包括:输入数据和输出数据。
残差确定模块604,用于依据所述输入数据确定所述设备的仿真输出数据,依据所述输出数据和仿真输出数据确定对应的残差数据。
故障分析模块606,用于依据残差数据确定所述设备存在故障后,依据所述输入数据进行因子贡献分析,确定对应的故障参数。
综上,可以采集设备的生产数据,该生产数据包括输入数据和输出数据,然后依据所述输入数据确定所述设备的仿真输出数据,依据所述输出数据和仿真输出数据确定对应的残差数据,从而进行残差评价,对设备异常程度进行衡量,在依据残差数据确定所述设备存在故障后,可依据所述输入数据进行因子贡献分析,确定对应的故障参数,能够对设备出现故障的主要原因进行分析。
参照图7,示出了本申请的一种设备故障分析装置实施例的结构框图,具体可以包括如下模块:
采集模块602,用于采集设备的生产数据,其中,所述生产数据包括:输入数据和输出数据。
数据处理模块608,用于将所述生产数据按照时间顺序进行整理;按照设定窗口对整理的生产数据进行处理,分别得到对应的输入特征数据和输出特征数据。
残差确定模块604,用于依据所述输入数据确定所述设备的仿真输出数据,依据所述输出数据和仿真输出数据确定对应的残差数据。
故障检测模块610,用于对所述残差序列进行故障分析,确定对应的故障检测值;若所述故障检测值超出故障门限,则所述设备存在故障;若所述故障检测值未超出故障门限,则所述设备不存在故障。
故障分析模块606,用于依据残差数据确定所述设备存在故障后,依据所述输入数据进行因子贡献分析,确定对应的故障参数。
其中,所述采集模块602,用于通过设备上监测点的传感器,采集对应监测点的生产数据。
所述残差确定模块604,包括:仿真处理子模块6042和残差序列确定子模块6044,其中:
仿真处理子模块6042,用于将所述输入特征数据输入到仿真器中,得到所述设备对应的仿真输出数据,其中,所述仿真器依据历史生产数据训练得到。
残差序列确定子模块6044,用于依据所述输出特征数据和所述仿真输出数据,确定对应的残差序列。
所述故障检测模块610,包括:函数确定子模块6102和检测值确定子模块6104,其中:
函数确定子模块6102,用于依据所述残差序列的类型,确定对应类型的故障检测函数,其中,所述类型包括:单变量类和/或多变量类。
检测值确定子模块6104,用于依据所述对应类型的故障检测函数,确定所述残差序列对应的故障检测值,所述故障门限与误警率相关。
所述故障分析模块606,包括:因子确定子模块6062和贡献率分析子模块6064,其中:
因子确定子模块6062,用于依据设定规则将多个输入数据进行融合处理,得到多个故障影响因子。
贡献率分析子模块6064,用于对所述多个故障影响因子进行因子贡献分析,得到贡献率最大的故障影响因子;
参数确定子模块6066,用于确定所述贡献率最大的故障影响因子对应的至少一个输入数据,作为对应的故障参数。
所述贡献率分析子模块6064,用于通过预设的故障分析器和故障影响因子计算故障检测统计量;分别计算所述多个故障影响因子对所述故障检测统计量的贡献率;确定贡献率最大的故障影响因子。
从而本申请实施例可基于设备的业务特征、运行机理等建立完整的异常状态预警流程,如针对具备输入、输出、热能转换模式的锅炉等设备建立异常状态预警流程。
还可通过残差序列的分布检验进行残差的故障判别,本申请实施例可基于一段残差序列的空间分布,通过统计假设的方法进行故障判别,提高故障检测的准确性。故障判别的故障门限还可以根据误警率进行调整,使得故障检测更加灵活。
通过多因子融合方法,在多残差情况下,对设备的整体异常情况作综合诊断,通过因子贡献进行故障分离,确定贡献量较大的测点值,定位故障变量。
本申请实施例还提供了一种非易失性可读存储介质,该存储介质中存储有一个或多个模块(programs),该一个或多个模块被应用在设备时,可以使得该设备执行本申请实施例中各方法步骤的指令(instructions)。
本申请实施例提供了一个或多个机器可读介质,其上存储有指令,当由一个或多个处理器执行时,使得电子设备执行如上述实施例中一个或多个所述的方法。本申请实施例中,所述电子设备包括终端设备、服务器(集群)等各类型的设备。
本公开的实施例可被实现为使用任意适当的硬件,固件,软件,或及其任意组合进行想要的配置的装置,该装置可包括终端设备、服务器(集群) 等电子设备。图8示意性地示出了可被用于实现本申请中所述的各个实施例的示例性装置800。
对于一个实施例,图8示出了示例性装置800,该装置具有一个或多个处理器802、被耦合到(一个或多个)处理器802中的至少一个的控制模块(芯片组)804、被耦合到控制模块804的存储器806、被耦合到控制模块804 的非易失性存储器(NVM)/存储设备808、被耦合到控制模块804的一个或多个输入/输出设备810,以及被耦合到控制模块804的网络接口812。
处理器802可包括一个或多个单核或多核处理器,处理器802可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。在一些实施例中,装置800能够作为本申请实施例中所述终端设备、服务器(集群)等设备。
在一些实施例中,装置800可包括具有指令814的一个或多个计算机可读介质(例如,存储器806或NVM/存储设备808)以及与该一个或多个计算机可读介质相合并被配置为执行指令814以实现模块从而执行本公开中所述的动作的一个或多个处理器802。
对于一个实施例,控制模块804可包括任意适当的接口控制器,以向(一个或多个)处理器802中的至少一个和/或与控制模块804通信的任意适当的设备或组件提供任意适当的接口。
控制模块804可包括存储器控制器模块,以向存储器806提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器806可被用于例如为装置800加载和存储数据和/或指令814。对于一个实施例,存储器806可包括任意适当的易失性存储器,例如,适当的 DRAM。在一些实施例中,存储器806可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。
对于一个实施例,控制模块804可包括一个或多个输入/输出控制器,以向NVM/存储设备808及(一个或多个)输入/输出设备810提供接口。
例如,NVM/存储设备808可被用于存储数据和/或指令814。NVM/存储设备808可包括任意适当的非易失性存储器(例如,闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如,一个或多个硬盘驱动器 (HDD)、一个或多个光盘(CD)驱动器和/或一个或多个数字通用光盘(DVD) 驱动器)。
NVM/存储设备808可包括在物理上作为装置800被安装在其上的设备的一部分的存储资源,或者其可被该设备访问可不必作为该设备的一部分。例如,NVM/存储设备808可通过网络经由(一个或多个)输入/输出设备810进行访问。
(一个或多个)输入/输出设备810可为装置800提供接口以与任意其他适当的设备通信,输入/输出设备810可以包括通信组件、音频组件、传感器组件等。网络接口812可为装置800提供接口以通过一个或多个网络通信,装置800可根据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信,例如接入基于通信标准的无线网络,如WiFi、2G、3G、4G、5G等,或它们的组合进行无线通信。
对于一个实施例,(一个或多个)处理器802中的至少一个可与控制模块 804的一个或多个控制器(例如,存储器控制器模块)的逻辑封装在一起。对于一个实施例,(一个或多个)处理器802中的至少一个可与控制模块804的一个或多个控制器的逻辑封装在一起以形成系统级封装(SiP)。对于一个实施例,(一个或多个)处理器802中的至少一个可与控制模块804的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例,(一个或多个)处理器802中的至少一个可与控制模块804的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。
在各个实施例中,装置800可以但不限于是:服务器、台式计算设备或移动计算设备(例如,膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中,装置800可具有更多或更少的组件和/或不同的架构。例如,在一些实施例中,装置800包括一个或多个摄像机、键盘、液晶显示器(LCD)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(ASIC)和扬声器。
其中,检测装置中可采用主控芯片作为处理器或控制模块,传感器数据、位置信息等存储到存储器或NVM/存储设备中,传感器组可作为输入/输出设备,通信接口可包括网络接口。
对于装置实施例而言,由于其与方法实施例基本相似,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。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本申请实施例是参照根据本申请实施例的方法、终端设备(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终端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终端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终端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终端设备上,使得在计算机或其他可编程终端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终端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。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做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申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种设备故障分析方法和装置,一种电子设备和一种存储介质,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (14)
1.一种设备故障分析方法,其特征在于,所述的方法包括:
通过设备上监测点的传感器,采集对应监测点的生产数据,其中,所述生产数据包括:输入数据和输出数据,所述监测点包括环境监测点、控制监测点和输出监测点,所述输入数据包括以下至少一种:温度数据、湿度数据、给风量数据、水量数据、物料数据;
依据所述输入数据确定所述设备的仿真输出数据,依据所述输出数据和仿真输出数据确定对应的残差数据;
依据残差数据确定所述设备存在故障后,依据设定规则将多个输入数据进行融合处理,得到多个故障影响因子;
通过预设的故障分析器和故障影响因子计算故障检测统计量;
分别计算所述多个故障影响因子对所述故障检测统计量的贡献率;
确定贡献率最大的故障影响因子;
确定所述贡献率最大的故障影响因子对应的至少一个输入数据,作为对应的故障参数。
2.根据权利要求1所述的方法,其特征在于,采集设备的生产数据,包括:
通过设备上监测点的传感器,采集对应监测点的生产数据。
3.根据权利要求1所述的方法,其特征在于,所述采集设备的生产数据之后,还包括:
将所述生产数据按照时间顺序进行整理;
按照设定窗口对整理的生产数据进行处理,分别得到对应的输入特征数据和输出特征数据。
4.根据权利要求3所述的方法,其特征在于,所述依据所述输入数据确定所述设备的仿真输出数据,依据所述输出数据和仿真输出数据确定对应的残差数据,包括:
将所述输入特征数据输入到仿真器中,得到所述设备对应的仿真输出数据,其中,所述仿真器依据历史生产数据训练得到;
依据所述输出特征数据和所述仿真输出数据,确定对应的残差序列。
5.根据权利要求4所述的方法,其特征在于,还包括:
对所述残差序列进行故障分析,确定对应的故障检测值;
若所述故障检测值超出故障门限,则所述设备存在故障;
若所述故障检测值未超出故障门限,则所述设备不存在故障。
6.根据权利要求5所述的方法,其特征在于,所述对所述残差序列进行故障分析,确定对应的故障检测值,包括:
依据所述残差序列的类型,确定对应类型的故障检测函数,其中,所述类型包括:单变量类和/或多变量类;
依据所述对应类型的故障检测函数,确定所述残差序列对应的故障检测值,所述故障门限与误警率相关。
7.一种设备故障分析装置,其特征在于,所述的装置包括:
采集模块,用于通过设备上监测点的传感器,采集对应监测点的生产数据,其中,所述生产数据包括:输入数据和输出数据,所述监测点包括环境监测点、控制监测点和输出监测点,所述输入数据包括以下至少一种:温度数据、湿度数据、给风量数据、水量数据、物料数据;
残差确定模块,用于依据所述输入数据确定所述设备的仿真输出数据,依据所述输出数据和仿真输出数据确定对应的残差数据;
故障分析模块,用于依据残差数据确定所述设备存在故障后,依据所述输入数据进行因子贡献分析,确定对应的故障参数;
所述故障分析模块,包括:
因子确定子模块,用于依据设定规则将多个输入数据进行融合处理,得到多个故障影响因子;
贡献率分析子模块,用于通过预设的故障分析器和故障影响因子计算故障检测统计量;分别计算所述多个故障影响因子对所述故障检测统计量的贡献率;确定贡献率最大的故障影响因子;
参数确定子模块,用于确定所述贡献率最大的故障影响因子对应的至少一个输入数据,作为对应的故障参数。
8.根据权利要求7所述的装置,其特征在于,
所述采集模块,用于通过设备上监测点的传感器,采集对应监测点的生产数据。
9.根据权利要求7所述的装置,其特征在于,所述的装置还包括:
数据处理模块,用于将所述生产数据按照时间顺序进行整理;按照设定窗口对整理的生产数据进行处理,分别得到对应的输入特征数据和输出特征数据。
10.根据权利要求9所述的装置,其特征在于,所述残差确定模块,包括:
仿真处理子模块,用于将所述输入特征数据输入到仿真器中,得到所述设备对应的仿真输出数据,其中,所述仿真器依据历史生产数据训练得到;
残差序列确定子模块,用于依据所述输出特征数据和所述仿真输出数据,确定对应的残差序列。
11.根据权利要求10所述的装置,其特征在于,还包括:
故障检测模块,用于对所述残差序列进行故障分析,确定对应的故障检测值;若所述故障检测值超出故障门限,则所述设备存在故障;若所述故障检测值未超出故障门限,则所述设备不存在故障。
12.根据权利要求11所述的装置,其特征在于,所述故障检测模块,包括:
函数确定子模块,用于依据所述残差序列的类型,确定对应类型的故障检测函数,其中,所述类型包括:单变量类和/或多变量类;
检测值确定子模块,用于依据所述对应类型的故障检测函数,确定所述残差序列对应的故障检测值,所述故障门限与误警率相关。
13.一种电子设备,其特征在于,包括:处理器;和
存储器,其上存储有可执行代码,当所述可执行代码被执行时,使得所述处理器执行如权利要求1-6中一个或多个所述的设备故障分析方法。
14.一个或多个机器可读介质,其上存储有可执行代码,当所述可执行代码被执行时,使得处理器执行如权利要求1-6中一个或多个所述的设备故障分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811629343.9A CN111400850B (zh) | 2018-12-28 | 2018-12-28 | 设备故障分析方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811629343.9A CN111400850B (zh) | 2018-12-28 | 2018-12-28 | 设备故障分析方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111400850A CN111400850A (zh) | 2020-07-10 |
CN111400850B true CN111400850B (zh) | 2024-04-09 |
Family
ID=71430114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811629343.9A Active CN111400850B (zh) | 2018-12-28 | 2018-12-28 | 设备故障分析方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111400850B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112102111B (zh) * | 2020-09-27 | 2021-06-08 | 华电福新广州能源有限公司 | 一种发电厂数据智能处理系统 |
CN113822344B (zh) * | 2021-08-30 | 2024-05-31 | 龙源(北京)新能源工程技术有限公司 | 基于数据驱动的风电机组发电机前轴承状态监测方法 |
CN113984114B (zh) * | 2021-10-18 | 2022-12-06 | 大连理工大学 | 一种海洋浮式平台水下结构异常诊断方法 |
CN117057676B (zh) * | 2023-10-11 | 2024-02-23 | 深圳润世华软件和信息技术服务有限公司 | 多数据融合的故障分析方法、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761372A (zh) * | 2014-01-06 | 2014-04-30 | 上海海事大学 | 一种基于主元分析与多分类相关向量机的多电平逆变器故障诊断策略 |
CN105318905A (zh) * | 2014-12-30 | 2016-02-10 | 国家电网公司 | 一种火电厂热力系统传感器故障诊断方法 |
CN105512812A (zh) * | 2015-12-02 | 2016-04-20 | 中广核工程有限公司 | 基于动态仿真模型的核电厂设备故障预警分析方法及系统 |
CN106897542A (zh) * | 2017-04-18 | 2017-06-27 | 浙江中烟工业有限责任公司 | 基于显著故障变量提取的卷烟制叶丝段故障诊断方法 |
CN107301884A (zh) * | 2017-07-24 | 2017-10-27 | 哈尔滨工程大学 | 一种混合式核电站故障诊断方法 |
CN107608335A (zh) * | 2017-09-14 | 2018-01-19 | 山东科技大学 | 一种无人机飞行控制系统故障检测与故障分离的数据驱动方法 |
CN108875108A (zh) * | 2017-05-16 | 2018-11-23 | 长春工业大学 | 一种基于pca和brb的轨道车辆电路故障诊断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11940318B2 (en) * | 2016-09-27 | 2024-03-26 | Baker Hughes Energy Technology UK Limited | Method for detection and isolation of faulty sensors |
CN108897977B (zh) * | 2018-08-24 | 2022-10-14 | 河海大学 | 一种基于大区域水文模拟的径流演变不确定归因方法 |
-
2018
- 2018-12-28 CN CN201811629343.9A patent/CN111400850B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761372A (zh) * | 2014-01-06 | 2014-04-30 | 上海海事大学 | 一种基于主元分析与多分类相关向量机的多电平逆变器故障诊断策略 |
CN105318905A (zh) * | 2014-12-30 | 2016-02-10 | 国家电网公司 | 一种火电厂热力系统传感器故障诊断方法 |
CN105512812A (zh) * | 2015-12-02 | 2016-04-20 | 中广核工程有限公司 | 基于动态仿真模型的核电厂设备故障预警分析方法及系统 |
CN106897542A (zh) * | 2017-04-18 | 2017-06-27 | 浙江中烟工业有限责任公司 | 基于显著故障变量提取的卷烟制叶丝段故障诊断方法 |
CN108875108A (zh) * | 2017-05-16 | 2018-11-23 | 长春工业大学 | 一种基于pca和brb的轨道车辆电路故障诊断方法 |
CN107301884A (zh) * | 2017-07-24 | 2017-10-27 | 哈尔滨工程大学 | 一种混合式核电站故障诊断方法 |
CN107608335A (zh) * | 2017-09-14 | 2018-01-19 | 山东科技大学 | 一种无人机飞行控制系统故障检测与故障分离的数据驱动方法 |
Non-Patent Citations (1)
Title |
---|
闫纪红.《可靠性与智能维护》.2011,第224页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111400850A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111400850B (zh) | 设备故障分析方法、装置、设备和存储介质 | |
CN108647136B (zh) | 基于smart信息和深度学习的硬盘损坏预测方法及装置 | |
US10521490B2 (en) | Equipment maintenance management system and equipment maintenance management method | |
US11403164B2 (en) | Method and device for determining a performance indicator value for predicting anomalies in a computing infrastructure from values of performance indicators | |
US20180348747A1 (en) | System and method for unsupervised root cause analysis of machine failures | |
JP2021064370A (ja) | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム | |
US20190101908A1 (en) | Plant abnormality detection method and system | |
CN111045894B (zh) | 数据库异常检测方法、装置、计算机设备和存储介质 | |
JP2017004509A (ja) | 機械学習のための高度解析インフラストラクチャ | |
CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
US20210042585A1 (en) | Abnormality detection device, abnormality detection method and computer readable medium | |
US20210200749A1 (en) | Data processing method and system for the preparation of a dataset | |
US20120296605A1 (en) | Method, computer program, and system for performing interpolation on sensor data for high system availability | |
CN112487356B (zh) | 一种结构健康监测数据增强方法 | |
CN111179591B (zh) | 一种路网交通时序特征数据质量诊断与修复方法 | |
CN109470946B (zh) | 一种发电设备故障检测方法及系统 | |
KR102408426B1 (ko) | 설비 노화 지수를 이용한 이상 감지 방법 및 장치 | |
CN116611013A (zh) | 针对工业时序数据的异常检测以及根因分析方法及系统 | |
CN111061581B (zh) | 一种故障检测方法、装置及设备 | |
CN111382494A (zh) | 用于检测工业机器的感知数据中的异常的系统及方法 | |
US20180307218A1 (en) | System and method for allocating machine behavioral models | |
US20210333768A1 (en) | Control support apparatus, control support method, computer readable medium with control support program recorded thereon and control system | |
CN113196311A (zh) | 用于识别和预测机器的异常感测行为模式的系统和方法 | |
CN115952081A (zh) | 一种软件测试方法、装置、存储介质及设备 | |
CN111930728A (zh) | 一种设备的特征参数和故障率的预测方法及系统 |
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 |