CN111459141A - 一种工业设备故障在线诊断方法以及相关装置 - Google Patents
一种工业设备故障在线诊断方法以及相关装置 Download PDFInfo
- Publication number
- CN111459141A CN111459141A CN202010316227.2A CN202010316227A CN111459141A CN 111459141 A CN111459141 A CN 111459141A CN 202010316227 A CN202010316227 A CN 202010316227A CN 111459141 A CN111459141 A CN 111459141A
- Authority
- CN
- China
- Prior art keywords
- industrial equipment
- diagnosis
- probability
- diagnostic
- fault
- 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
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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请实施例公开了一种工业设备故障在线诊断方法以及相关装置，用于减轻专业技术人员对工业设备故障问题的分析计算负担。本申请实施例方法包括：创建需要进行诊断的工业设备，工业设备的诊断问题，工业设备的诊断特征，诊断特征由可以监测到的工业设备的监测数据所反映出的表象结论，诊断问题为工业设备可能出现的故障问题；接收诊断特征与诊断问题之间的特征‑问题概率；获取预设周期内的工业设备的监测数据；根据监测数据所反映的表象结论得到工业设备的诊断特征；使用诊断特征与诊断问题之间的特征‑问题概率计算得知工业设备的故障问题概率。
Description
技术领域
本申请实施例涉及数据分析技术领域，特别涉及一种工业设备故障在线诊断方法以及相关装置。
背景技术
随着社会技术的发展，用于工业上的设备越来越复杂，工业上的各个设备之间的关联也错综复杂。现有技术中，对设备的保养维护一般处于依赖有经验的专业技术人员对指定工业设备零部件的定期检查，发现具体某一个零部件有故障，需要凭借非常专业的知识分析该零部件的故障是否可能影响到的其他零部件，以及影响到其他零部件的概率程度有多大，从而确定是否对其他零部件也进行故障排查与维护，这样才可以实现对工业设备的维修保障。
然而随着工业设备的大型化复杂化，即使有经验的专业技术人员也需要付出大量的时间根据该工业设备的特点和一些监测数据来分析该工业设备的某零部件的存在某故障问题的概率，以及该故障问题是否可能影响到的其他零部件，这不仅加重了专业技术人员对工业设备故障问题的分析计算负担。
发明内容
本申请实施例提供了一种工业设备在线诊断方法以及相关装置，用于减轻专业技术人员对工业设备故障问题的分析计算负担。
本申请实施例第一方面提供一种工业设备故障在线诊断方法，包括：
创建需要进行诊断的工业设备，所述工业设备的诊断问题，所述工业设备的诊断特征，所述诊断特征由可以监测到的所述工业设备的监测数据所反映出的表象结论，所述诊断问题为所述工业设备可能出现的故障问题；
接收所述诊断特征与所述诊断问题之间的特征-问题概率；
获取预设周期内的所述工业设备的所述监测数据；
根据所述监测数据所反映的表象结论得到所述工业设备的诊断特征；
使用所述诊断特征与所述诊断问题之间的特征-问题概率计算得知所述工业设备的故障问题概率。
可选地，在所述使用所述诊断特征与所述诊断问题之间的特征-问题概率计算得知所述工业设备的故障问题概率之后，所述方法还包括：
接收所述诊断特征之间关联的诊断特征间概率，所述诊断特征间概率用于调整所述故障问题概率；
使用所述诊断特征间概率调整所述工业设备的故障问题概率。
可选地，在所述使用所述诊断特征与所述诊断问题之间的特征-问题概率计算得知所述工业设备的故障问题概率之后，所述方法还包括：
接收所述诊断问题之间关联的诊断问题间概率，所述诊断问题间概率的高低用于调整所述工业设备的故障问题概率；
根据所述诊断问题间概率调整所述工业设备的故障问题概率。
可选地，在接收所述诊断特征之间关联的诊断特征间概率之后，所述方法还包括：
使用所述诊断特征之间概率和部分监测数据所反映的部分诊断特征，计算另一部分诊断特征发生的概率；和\或，
使用全概率公式计算所述工业设备同时存在多种诊断特征的概率。
可选地，在得知所述工业设备的故障问题概率之后，所述方法还包括：
使用全概率公式计算所述工业设备同时存在多种故障问题的概率。
可选地，所述方法还包括：
将所述工业设备的所述故障问题概率汇总形成报告输出。
可选地，所述取预设周期为当前时刻起往历史时间计算的一定时间。
本申请实施例的第二方面提供一种工业设备故障在线诊断系统，包括：
创建单元，用于创建需要进行诊断的工业设备，所述工业设备的诊断问题，所述工业设备的诊断特征，所述诊断特征由可以监测到的所述工业设备的监测数据所反映出的表象结论，所述诊断问题为所述工业设备可能出现的故障问题；
接收单元，用于接收所述诊断特征与所述诊断问题之间的特征-问题概率；
获取单元，用于获取预设周期内的所述工业设备的所述监测数据；
得到单元，用于根据所述监测数据所反映的表象结论得到所述工业设备的诊断特征；
计算单元，使用所述诊断特征与所述诊断问题之间的特征-问题概率计算得知所述工业设备的故障问题概率。
可选地，所述系统还包括：
接收单元，还用于接收所述诊断特征之间关联的诊断特征间概率，所述诊断特征间概率用于调整所述故障问题概率；
调整单元，用于使用所述诊断特征间概率调整所述工业设备的故障问题概率。
可选地，所述系统还包括：
接收单元，还用于接收所述诊断问题之间关联的诊断问题间概率，所述诊断问题间概率的高低用于调整所述工业设备的故障问题概率；
调整单元，还用于根据所述诊断问题间概率调整所述工业设备的故障问题概率。
可选地，所述系统还包括：
计算单元，还用于使用所述诊断特征之间概率和部分监测数据所反映的部分诊断特征，计算另一部分诊断特征发生的概率；和\或，使用全概率公式计算所述工业设备同时存在多种诊断特征的概率。
可选地，所述系统还包括：
计算单元，还用于使用全概率公式计算所述工业设备同时存在多种故障问题的概率。
可选地，所述系统还包括：
汇总单元，用于将所述工业设备的所述故障问题概率汇总形成报告输出。
可选地，所述取预设周期为当前时刻起往历史时间计算的一定时间。
本申请第三方面提供一种工业设备故障在线诊断系统，包括：
处理器、存储器、总线、输入输出设备；
所述处理器与所述存储器、输入输出设备相连；
所述总线分别连接所述处理器、存储器以及输入输出设备相连；
所述处理器执行如前述第一方面中任一项所述的方法。
本申请第四方面提供一种计算机存储介质，所述计算机存储介质中存储有指令，所述指令在计算机上执行时，使得所述计算机执行如前述第一方面中任一项所述的方法。
本申请第五方面提供一种计算机程序产品，所述计算机程序产品在计算机上执行时，使得所述计算机执行如前述第一方面中任一项所述的方法。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请中，利用将医疗上的在线诊断的思维运用到对工业设备故障在线诊断过程中，预先创建好诊断对象的工业设备，并将该工业设备可能会产生的故障问题(即诊断问题)、该故障问题的可监测判断依据监测数据所反映出的表象结论(即诊断特征)一一列出来，并赋予这些诊断特征与诊断问题之间的特征-问题概率，既可以在得到具体的诊断特征之后根据特征-问题概率计算出该工业设备的所有相关联并记载在案的故障问题概率，从而减轻专业技术人员对工业设备故障问题的分析计算负担。
附图说明
图1为本申请实施例中工业设备故障在线诊断方法的一个流程示意图；
图2为本申请实施例中工业设备故障在线诊断方法的另一个流程示意图；
图3为本申请实施例中工业设备故障在线诊断系统的一个结构示意图；
图4为本申请实施例中工业设备故障在线诊断系统的另一个结构示意图；
图5为本申请实施例中工业设备故障在线诊断系统的另一个结构示意图。
具体实施方式
本申请实施例提供了一种工业设备故障在线诊断方法以及相关装置，用于减轻专业技术人员对工业设备故障问题的分析计算负担。
需要说明的是，本申请的工业设备故障在线诊断方法启发于医学医疗诊断过程，在线诊断需要具有以下特点：
(1)需要一个长度合适的时间段作为诊断的计算分析周期，该时间段应为最接近需要诊断的计算时间段，以提高在线诊断的可靠性。
(2)需要有明确的诊断对象；
(3)需要(2)中诊断对象有明确的诊断问题；
(4)需要(3)中诊断问题有明确的一种或多种诊断特征；
(5)需要(4)中的诊断特征可以在(1)的分析周期内被记录；
(6)具有预知的，或者可以预设的，一个或多个诊断特征与诊断问题之间的概率关系；
(7)具有预知的，或者可以预设的，两个或多个诊断特征之间的概率关系；
(8)具有预知的，或者可以预设的，两个或多个诊断问题之间的概率关系；
(9)以(6)、(7)、(8)的概率关系为条件，以(1)中的计算分析周期为内诊断对象的诊断特征为依据，计算诊断对象具有一种或多种诊断问题的概率。
根据在线诊断的特点以及逻辑，同样可以应用到针对工业设备的在线诊断上来，具体请参阅图1，本申请工业设备故障在线诊断方法的一个实施例，包括：
101、创建需要进行诊断的工业设备，工业设备的诊断问题，工业设备的诊断特征，诊断特征由可以监测到的工业设备的监测数据所反映的表象结论，诊断问题为工业设备可能出现的故障问题。
本申请实施例模拟医学诊断过程的特点和逻辑，首选需要有明确的诊断对象，本申请实施例的诊断对象即为工业设备，该工业设备可以是电机、水泵等，具体在此不进行限定。并确定该工业设备需要诊断的诊断问题，以电机为例，比如：电机停机、电机抖动等，每一个工业设备都可能存在多种多样的问题，有时候甚至不能穷举，但应尽可能地将该工业设备会发生的故障问题，即诊断问题都列出。还需要确定该工业设备的诊断问题对应的诊断特征，该诊断特征应该是可以监测到的该工业设备的监测数据所反映出来的表象结论，比如，诊断问题问电机停机的诊断特征可以为电机转速变化率、电机电流变化率、电机温度变化率等，通过监测这些电机转速、电机电流、电机温度等数据可以得出电机转速变化率、电机电流变化率、电机温度变化率等这些表象结论。
102、接收诊断特征与诊断问题之间的特征-问题概率。
在步骤101中得到工业设备的诊断问题以及诊断问题之后，根据在线诊断具有的特点和逻辑，还需要具备诊断特征与诊断问题之间的概率关系，在这里将本实施例工业设备的这个诊断特征与诊断问题之间的概率关系称为的特征-问题概率。在医学上，医生根据病人的某一些诊断特征判断该病人具体患上某一诊断问题，这个过程往往带有经验性，比如：根据小李体温超过38℃这一可监测的数据可以明确地确定小李是发烧这个诊断特征，医生根据发烧这一诊断特征判断小李可能是患上了“上呼吸道感染”，也可能患上了“急性肺炎”，这里的可能都是具有概率的，比如小李50％概率是患上了“上呼吸道感染”，20％概率患上了“急性肺炎”等，这需要有经验的医生给出明确的概率。同理在本申请实施例中，这个诊断特征与诊断问题之间的特征-问题概率也需要专业技术人员赋予明确的特征-问题概率。
103、获取预设周期内的工业设备的监测数据。
根据在线诊断具有的特点和逻辑，工业设备的诊断特征需要具有在周期内可被监测的特性，本步骤用于对工业设备的诊断特征进行监测，从而得到周期内的工业设备的监测数据。比如：对电机转速变化率的这一诊断特征进行周期内监测，得到周期内监测的电机转速数据。
104、根据监测数据所反映的表象结论得到工业设备的诊断特征。
在步骤103中得到的工业设备的监测数据可以出的表象结论即为工业设备的诊断特征，比如：上述例子中对电机转速变化率的这一诊断特征进行周期内监测，得到周期内监测的电机转速数据，该周期内电机转速数据可以形成该电机的的转速变化率，该转速变化率就是电机的诊断特征。
105、使用诊断特征与诊断问题之间的特征-问题概率计算得知工业设备的故障问题概率。
在步骤102中得到工业设备的特征-问题概率、步骤104中的到诊断特征之后，可以结合两者，得到工业设备的具体诊断问题，及故障问题的概率。
本申请中，利用将医疗上的在线诊断的思维运用到对工业设备故障在线诊断过程中，预先创建好诊断对象的工业设备，并将该工业设备可能会产生的故障问题(即诊断问题)、该故障问题的可监测判断依据监测数据所反映出的表象结论(即诊断特征)一一列出来，并赋予这些诊断特征与诊断问题之间的特征-问题概率，既可以在得到具体的诊断特征之后根据特征-问题概率计算出该工业设备的所有相关联并记载在案的故障问题概率，从而可以辅助减轻专业技术人员对工业设备故障问题的分析计算负担。
请参阅图2，本申请工业设备故障在线诊断方法的另一个实施例，包括：
201、创建需要进行诊断的工业设备，工业设备的诊断问题，工业设备的诊断特征，诊断特征由可以监测到的工业设备的监测数据所反映的表象结论，诊断问题为工业设备可能出现的故障问题。
本步骤的执行如图1中步骤101的执行类似，在此不再进行赘述。
202、接收诊断特征与诊断问题之间的特征-问题概率。
本步骤的执行如图1中步骤102的执行类似，在此不再进行赘述。
需要说明的是，在本申请实施例中存在一张明确表明每一个诊断特征与每一个诊断问题之间的概率关系的表格，称为特征-问题概率表，更具体的来说，每个诊断特征的表现程度对应每一个诊断问题的切合程度都存在一一对应关系。
203、获取预设周期内的工业设备的监测数据。
本步骤的执行如图1中步骤103的执行类似，在此不再进行赘述。
需要说明的是，预设周期应该为当前时刻起往历史时间计算的一定时间时长，不应是过去历史时间内的一段时间，因为本申请实施例用于辅助判断工业设备存在各种故障问题的概率，当没有现在运行数据的历史数据并无多大参考价值。
204、根据监测数据所反映的表象结论得到工业设备的诊断特征。
本步骤的执行如图1中步骤104的执行类似，在此不再进行赘述。
205、用诊断特征与诊断问题之间的特征-问题概率计算得知工业设备的故障问题概率。
本步骤的执行如图1中步骤105的执行类似，在此不再进行赘述。
206、接收诊断特征之间关联的诊断特征间概率。
进一步的，使用诊断特征与诊断问题之间的特征-问题概率计算得知工业设备的故障问题概率之后，可以对该工业设备的故障概率进行更加精确的调整，这是针对某一个诊断问题可能存在多个诊断特征表象的情况，若发现具有多个诊断特征都与同一个诊断问题具有相关性时，可以理解的是其具有该诊断问题的概率应大大增加。比如电机停机的诊断问题中，若监测到电机的转速变化率处于下降以及电机的电流处于下降，那么可以得出电机停机问题出现的概率应该大大增加，置于具体的调整幅度可以根据诊断特征的具体情况进行调整，以便精确预测故障问题概率。虽然本步骤是针对步骤205得到的故障问题概率进行调整，但本步骤的执行不必在步骤205之后再执行，本步骤的执行顺序只要比步骤207早即可。
207、使用诊断特征间概率调整工业设备的故障问题概率。
在步骤206中得到工业设备的诊断特征之间的诊断特征间概率，以及在步骤205中的得到工业设备的故障问题概率之后，就可以根据特征-问题概率表中每个诊断特征的表现程度对应每一个诊断问题的切合程度都存在一一对应关系调整故障问题概率。
208、接收诊断问题之间关联的诊断问题间概率。
进一步的，使用诊断特征与诊断问题之间的特征-问题概率计算得知工业设备的故障问题概率之后，或使用诊断特征间概率调整工业设备的故障问题概率之后，可以对该工业设备的故障问题概率再次调整，这是针对某一个诊断问题可能与另一个诊断问题具有很强的相关性的情况，若发现工业设备具有某一故障问题之后，可以理解的是另一个与该故障问题有着密切关联的故障问题的概率也大大增加。虽然本步骤是可以针对步骤205得到的故障问题概率或步骤207中使用诊断特征间概率调整工业设备的故障问题概率进行调整，但本步骤的执行不必在步骤205或步骤207之后再执行，本步骤的执行顺序只要比步骤207早即可。
209、根据诊断问题间概率调整同业设备的故障问题概率。
在步骤208得到诊断问题间概率之后，可以对步骤205中的工业设备的故障问题概率进行调整，或步骤207中的已调整故障问题概率进行再次调整。可以理解的是，在存在预设的针对该工业设备的各个诊断问题之间的诊断问题关联概率表，步骤具体就是根据该诊断问题关联概率表对应调整故障问题概率。
210、使用全概率公式计算工业设备同时存在多种故障问题的概率。
在根据工业设备的各个诊断特征计算得到对应的诊断问题概率，即故障问题的概率之后，可以使用全概率公式计算工业设备同时存在多种故障问题的概率。比如：
电机停机与电机转速之间有一定的关联关系，观察一周的电机运行数据(10000条)，关于工业设备电机的诊断问题A：电机转速异常；与工业设备电机的诊断问题B：电机停机；监测数据如下：
根据全概率公式得到：
其中：
P(B)：表示发生电机停机的概率；
P(A)：表示统计次数中电机发生转速异常的概率；
P(B|A)：表示电机总停机次数中存在转速异常情况下发生停机的概率；
P(A)P(B|A)：表示电机发生转速异常情况下发生停机的概率；
通过计算可以得到如下：
P(A)＝1000/10000＝0.1；
P(B|A)＝10/1000＝0.01；
P(B)＝0.005。
211、将工业设备的故障问题概率汇总形成报告输出。
在步骤210中得到该工业设备的各个诊断问题对应的概率之后，可以将故障问题概率进行汇总形成报告输出，以便于参考决策。
212、使用诊断特征之间概率和部分监测数据所反映的部分诊断特征，计算另一部分诊断特征发生的概率；和\或，使用全概率公式计算工业设备同时存在多种诊断特征的概率。
在步骤206中得到诊断特征之间关联的诊断特征间概率之后，还可以根据部分监测数据所反映的部分诊断特征，结合诊断特征之间关联的诊断特征间概率，计算得到另一部分诊断特征发生的概率，这种应用场景用于部分检测数据异常或检测装置异常的情况，实现利用监测到的部分监测数据对有关联概率的另一部分检测数据的预判。可以理解的是，还可以使用全概率公式对得知的诊断特征的概率前提下计算多种诊断特征同时存在的概率，具体类似上述利用全概率公式计算工业设备同时存在多种故障问题的概率的例子，在此不再进行赘述。
本申请实施例经过加入诊断特征间概率、诊断问题间概率对工业设备的故障问题概率进行调整，使得工业设备的故障问题概率更加真实可靠，具有更高的参考价值。同时，本申请实施例还提供了使用全概率公式计算多种故障问题发生的概率方法，有助于了解工业设备故障问题之间发生的概率大小，也具有较高的参考价值，最后还可以将工业设备的所有或部分故障问题概率汇总形成报告输出，以便于专业技术人员对工业设备的检修具有一定的方向指导，减轻专业技术人员对工业设备故障问题的分析计算负担。
上面对本申请的工业设备故障在线诊断方法进行了描述，以下对本申请的工业设备故障在线诊断系统的一个实施例进行描述，请参阅图3，包括：
创建单元301，用于创建需要进行诊断的工业设备，所述工业设备的诊断问题，所述工业设备的诊断特征，所述诊断特征由可以监测到的所述工业设备的监测数据所反映出的表象结论，所述诊断问题为所述工业设备可能出现的故障问题；
接收单元302，用于接收所述诊断特征与所述诊断问题之间的特征-问题概率；
获取单元303，用于获取预设周期内的所述工业设备的所述监测数据；
得到单元304，用于根据所述监测数据所反映的表象结论得到所述工业设备的诊断特征；
计算单元305，使用所述诊断特征与所述诊断问题之间的特征-问题概率计算得知所述工业设备的故障问题概率。
本申请实施例中，工业设备故障在线诊断系统所执行的操作与前述图1中执行的操作类似，在此不再进行赘述。
本申请中，利用将医疗上的在线诊断的思维运用到对工业设备故障在线诊断过程中，预先创建好诊断对象的工业设备，并将该工业设备可能会产生的故障问题(即诊断问题)、该故障问题的可监测判断依据监测数据所反映出的表象结论(即诊断特征)一一列出来，并赋予这些诊断特征与诊断问题之间的特征-问题概率，既可以在得到具体的诊断特征之后根据特征-问题概率计算出该工业设备的所有相关联并记载在案的故障问题概率，从而可以辅助减轻专业技术人员对工业设备故障问题的分析计算负担。
以下对本申请的工业设备故障在线诊断系统的另一个实施例进行描述，请参阅图4，包括：
创建单元401，用于创建需要进行诊断的工业设备，所述工业设备的诊断问题，所述工业设备的诊断特征，所述诊断特征由可以监测到的所述工业设备的监测数据所反映出的表象结论，所述诊断问题为所述工业设备可能出现的故障问题；
接收单元402，用于接收所述诊断特征与所述诊断问题之间的特征-问题概率；
获取单元403，用于获取预设周期内的所述工业设备的所述监测数据；
得到单元404，用于根据所述监测数据所反映的表象结论得到所述工业设备的诊断特征；
计算单元405，使用所述诊断特征与所述诊断问题之间的特征-问题概率计算得知所述工业设备的故障问题概率。
可选地，所述系统还包括：
接收单元402，还用于接收所述诊断特征之间关联的诊断特征间概率，所述诊断特征间概率用于调整所述故障问题概率；
调整单元406，用于使用所述诊断特征间概率调整所述工业设备的故障问题概率。
可选地，所述系统还包括：
接收单元402，还用于接收所述诊断问题之间关联的诊断问题间概率，所述诊断问题间概率的高低用于调整所述工业设备的故障问题概率；
调整单元406，还用于根据所述诊断问题间概率调整所述工业设备的故障问题概率。
可选地，所述系统还包括：
计算单元，还用于使用所述诊断特征之间概率和部分监测数据所反映的部分诊断特征，计算另一部分诊断特征发生的概率；和\或，使用全概率公式计算所述工业设备同时存在多种诊断特征的概率。
可选地，所述系统还包括：
计算单元405，还用于使用全概率公式计算所述工业设备同时存在多种故障问题的概率。
可选地，所述系统还包括：
汇总单元407，用于将所述工业设备的所述故障问题概率汇总形成报告输出。
本申请实施例中，工业设备故障在线诊断系统所执行的操作与前述图2中执行的操作类似，在此不再进行赘述。
本申请实施例经过加入诊断特征间概率、诊断问题间概率对工业设备的故障问题概率进行调整，使得工业设备的故障问题概率更加真实可靠，具有更高的参考价值。同时，本申请实施例还提供了使用全概率公式计算多种故障问题发生的概率方法，有助于了解工业设备故障问题之间发生的概率大小，也具有较高的参考价值，最后还可以将工业设备的所有或部分故障问题概率汇总形成报告输出，以便于专业技术人员对工业设备的检修具有一定的方向指导，减轻专业技术人员对工业设备故障问题的分析计算负担。
下面对工业设备故障在线诊断系统的另一个实施例进行描述，请参考图5，包括：
该工业设备故障在线诊断系统500可以包括一个或一个以上中央处理器(centralprocessing units，CPU)501和存储器505，该存储器505中存储有一个或一个以上的应用程序或数据。其中，存储器505可以是易失性存储或持久存储。存储在存储器505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工业设备故障在线诊断系统中的一系列指令操作。更进一步地，中央处理器501可以设置为与存储器505通信，在工业设备故障在线诊断系统500上执行存储器505中的一系列指令操作。工业设备故障在线诊断系统500还可以包括一个或一个以上电源502，一个或一个以上有线或无线网络接口503，一个或一个以上输入输出接口504，和/或，一个或一个以上操作系统，例如Windows Server，Mac OS X，Unix,Linux，FreeBSD等。该中央处理器501可以执行前述图1或图2所示实施例中的操作，具体此处不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，read-onlymemory)、随机存取存储器(RAM，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种工业设备故障在线诊断方法，其特征在于，包括：
创建需要进行诊断的工业设备，所述工业设备的诊断问题，所述工业设备的诊断特征，所述诊断特征由可以监测到的所述工业设备的监测数据所反映出的表象结论，所述诊断问题为所述工业设备可能出现的故障问题；
接收所述诊断特征与所述诊断问题之间的特征-问题概率；
获取预设周期内的所述工业设备的所述监测数据；
根据所述监测数据所反映的表象结论得到所述工业设备的诊断特征；
使用所述诊断特征与所述诊断问题之间的特征-问题概率计算得知所述工业设备的故障问题概率。
2.根据权利要求1所述的工业设备在线诊断方法，其特征在于，在所述使用所述诊断特征与所述诊断问题之间的特征-问题概率计算得知所述工业设备的故障问题概率之后，所述方法还包括：
接收所述诊断特征之间关联的诊断特征间概率；
使用所述诊断特征间概率调整所述工业设备的故障问题概率。
3.根据权利要求2所述的工业设备在线诊断方法，其特征在于，在所述使用所述诊断特征与所述诊断问题之间的特征-问题概率计算得知所述工业设备的故障问题概率之后，所述方法还包括：
接收所述诊断问题之间关联的诊断问题间概率；
根据所述诊断问题间概率调整所述工业设备的故障问题概率。
4.根据权利要求2所述的工业设备在线诊断方法，其特征在于，在接收所述诊断特征之间关联的诊断特征间概率之后，所述方法还包括：
使用所述诊断特征之间概率和部分监测数据所反映的部分诊断特征，计算另一部分诊断特征发生的概率；和\或，
使用全概率公式计算所述工业设备同时存在多种诊断特征的概率。
5.根据权利要求1至4任意一项所述的工业设备在线诊断方法，其特征在于，在得知所述工业设备的故障问题概率之后，所述方法还包括：
使用全概率公式计算所述工业设备同时存在多种故障问题的概率。
6.根据权利要求5所述的工业设备在线诊断方法，其特征在于，所述方法还包括：
将所述工业设备的所述故障问题概率汇总形成报告输出。
7.根据权利要求1所述的工业设备在线诊断方法，其特征在于，所述取预设周期为当前时刻起往历史时间计算的一定时间。
8.一种工业设备故障在线诊断系统，其特征在于，包括：
创建单元，用于创建需要进行诊断的工业设备，所述工业设备的诊断问题，所述工业设备的诊断特征，所述诊断特征由可以监测到的所述工业设备的监测数据所反映出的表象结论，所述诊断问题为所述工业设备可能出现的故障问题；
接收单元，用于接收所述诊断特征与所述诊断问题之间的特征-问题概率；
获取单元，用于获取预设周期内的所述工业设备的所述监测数据；
得到单元，用于根据所述监测数据所反映的表象结论得到所述工业设备的诊断特征；
计算单元，使用所述诊断特征与所述诊断问题之间的特征-问题概率计算得知所述工业设备的故障问题概率。
9.一种工业设备故障在线诊断系统，其特征在于，包括：
处理器、存储器、总线、输入输出设备；
所述处理器与所述存储器、输入输出设备相连；
所述总线分别连接所述处理器、存储器以及输入输出设备相连；
所述处理器执行如权利要求1至7中任一项所述的方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有指令，所述指令在计算机上执行时，使得所述计算机执行如权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010316227.2A CN111459141A (zh) | 2020-04-21 | 2020-04-21 | 一种工业设备故障在线诊断方法以及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010316227.2A CN111459141A (zh) | 2020-04-21 | 2020-04-21 | 一种工业设备故障在线诊断方法以及相关装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111459141A true CN111459141A (zh) | 2020-07-28 |
Family
ID=71685987
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010316227.2A Pending CN111459141A (zh) | 2020-04-21 | 2020-04-21 | 一种工业设备故障在线诊断方法以及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111459141A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107202027A (zh) * | 2017-05-24 | 2017-09-26 | 重庆大学 | 一种大型风机运行趋势分析及故障预测方法 |
| CN107380955A (zh) * | 2017-08-11 | 2017-11-24 | 中煤张家口煤矿机械有限责任公司 | 一种基于pnn的刮板输送机故障诊断方法 |
| CN108932580A (zh) * | 2018-06-05 | 2018-12-04 | 浙江运达风电股份有限公司 | 基于数据建模的风电机组变桨轴承磨损监测和预警方法 |
| CN109492790A (zh) * | 2018-09-18 | 2019-03-19 | 北京光耀电力科技股份有限公司 | 基于神经网络与数据挖掘的风电机组健康管理方法 |
| CN110069750A (zh) * | 2019-04-12 | 2019-07-30 | 电子科技大学 | 基于四参数威布尔分布的非精确分析方法 |
| CN110086643A (zh) * | 2019-02-18 | 2019-08-02 | 咪咕文化科技有限公司 | 一种风险识别方法、终端及存储介质 |
| CN110598802A (zh) * | 2019-09-26 | 2019-12-20 | 腾讯科技（深圳）有限公司 | 一种内存检测模型训练的方法、内存检测的方法及装置 |
-
2020
- 2020-04-21 CN CN202010316227.2A patent/CN111459141A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107202027A (zh) * | 2017-05-24 | 2017-09-26 | 重庆大学 | 一种大型风机运行趋势分析及故障预测方法 |
| CN107380955A (zh) * | 2017-08-11 | 2017-11-24 | 中煤张家口煤矿机械有限责任公司 | 一种基于pnn的刮板输送机故障诊断方法 |
| CN108932580A (zh) * | 2018-06-05 | 2018-12-04 | 浙江运达风电股份有限公司 | 基于数据建模的风电机组变桨轴承磨损监测和预警方法 |
| CN109492790A (zh) * | 2018-09-18 | 2019-03-19 | 北京光耀电力科技股份有限公司 | 基于神经网络与数据挖掘的风电机组健康管理方法 |
| CN110086643A (zh) * | 2019-02-18 | 2019-08-02 | 咪咕文化科技有限公司 | 一种风险识别方法、终端及存储介质 |
| CN110069750A (zh) * | 2019-04-12 | 2019-07-30 | 电子科技大学 | 基于四参数威布尔分布的非精确分析方法 |
| CN110598802A (zh) * | 2019-09-26 | 2019-12-20 | 腾讯科技（深圳）有限公司 | 一种内存检测模型训练的方法、内存检测的方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110991666B (zh) | 故障检测方法、模型的训练方法、装置、设备及存储介质 | |
| US20120005532A1 (en) | Method and apparatus for determining ranked causal paths for faults in a complex multi-host system with probabilistic inference in a time series | |
| CN108803569A (zh) | 电站锅炉诊断专家系统及其故障诊断方法 | |
| CN110689141B (zh) | 风力发电机组的故障诊断方法及设备 | |
| CN116351313B (zh) | 一种基于计算机控制的食品搅拌机智能控制系统 | |
| US20210312284A1 (en) | System and method for validation and correction of real-time sensor data for a plant using existing data-based models of the same plant | |
| EP2026159A2 (en) | A method and system for automatically evaluating the performance of a power plant machine | |
| JPWO2019049523A1 (ja) | リスク評価装置、リスク評価システム、リスク評価方法、及び、リスク評価プログラム | |
| CN118113508A (zh) | 网卡故障风险预测方法、装置、设备及介质 | |
| WO2019124367A1 (ja) | 単位空間生成装置、プラント診断システム、単位空間生成方法、プラント診断方法、及びプログラム | |
| JP2016009352A (ja) | プラントの異常予兆診断装置及び方法 | |
| JP2020009080A (ja) | 機器状態監視システム及び機器状態監視方法 | |
| CN117435883A (zh) | 一种基于数字孪生的设备故障预测的方法和系统 | |
| CN111459141A (zh) | 一种工业设备故障在线诊断方法以及相关装置 | |
| WO2020044898A1 (ja) | 機器状態監視装置及びプログラム | |
| WO2023181241A1 (ja) | 監視サーバ装置、システム、方法、及びプログラム | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| JP2000298511A (ja) | 設備診断装置及び記録媒体 | |
| JP7453049B2 (ja) | 異常予兆監視システム、異常予兆監視方法、及びプログラム | |
| JP2013206046A (ja) | 情報処理装置、起動時診断方法、及びプログラム | |
| JP6482742B1 (ja) | リスク評価装置、リスク評価システム、リスク評価方法、及び、リスク評価プログラム | |
| CN114093497B (zh) | 基于虚拟专用网络的放疗远程会诊监控装置、系统及方法 | |
| CN113064776A (zh) | 一种bmc故障的诊断方法及装置 | |
| JPH02137035A (ja) | 計算機システム故障診断装置 | |
| CN117690572B (zh) | 一种基于多元回归的ct使用时间风险预测方法、装置、设备及介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200728 |
|
| RJ01 | Rejection of invention patent application after publication |