CN111582343B - 一种设备故障预测的方法及装置 - Google Patents

一种设备故障预测的方法及装置 Download PDF

Info

Publication number
CN111582343B
CN111582343B CN202010354674.7A CN202010354674A CN111582343B CN 111582343 B CN111582343 B CN 111582343B CN 202010354674 A CN202010354674 A CN 202010354674A CN 111582343 B CN111582343 B CN 111582343B
Authority
CN
China
Prior art keywords
data
equipment data
historical
time interval
value
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
Application number
CN202010354674.7A
Other languages
English (en)
Other versions
CN111582343A (zh
Inventor
陈维亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Juhaolian Technology Co ltd
Original Assignee
Qingdao Juhaolian Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao Juhaolian Technology Co ltd filed Critical Qingdao Juhaolian Technology Co ltd
Priority to CN202010354674.7A priority Critical patent/CN111582343B/zh
Publication of CN111582343A publication Critical patent/CN111582343A/zh
Application granted granted Critical
Publication of CN111582343B publication Critical patent/CN111582343B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种设备故障预测的方法及装置，该方法包括获取当前时刻的设备的数据信息，所述数据信息包括设备机型和设备数据，对设备数据进行预处理，确定出设备数据对应的特征的值，确定特征的值是否大于预设阈值，若是，则根据设备机型对应的超前滞后时间，对设备数据进行故障预测，其中，设备机型对应的超前滞后时间是对同一设备机型的预设周期内的历史设备数据进行分析得到的。通过依据对预设周期内的历史设备数据进行相关性分析和超前滞后分析得到的超前滞后时间来进行故障预测，可以提高故障预测的准确性，减少系统资源，降低系统能耗。

Description

一种设备故障预测的方法及装置
技术领域
本发明实施例涉及数据处理技术领域，尤其涉及一种设备故障预测的方法及装置。
背景技术
设备的生命周期要经历：健康状态、亚健康状态、故障状态。亚健康状态数据接近于健康状态，很难有办法直接将亚健康状态与健康状态相分离，而故障状态与前两者直接区别较为明显。
目前业界常用的方案是基于当前状态，利用RNN神经网络进行模型训练，然后预测将来较短周期内(如7天)的状态，如果预测的将来时间段设备状态为故障状态，则可以倒退，当前状态是亚健康状态，于是可以采取一系列向用户的推送服务：保养、检查、清洗等，实现盈利。
这种预测方式的缺点是：RNN神经网络，会耗费大量资源，且学习过程缓慢，不能实现实时计算。
发明内容
本发明实施例提供一种设备故障预测的方法及装置，用以解决目前门锁低电量一定时间后无法开锁的问题。
第一方面，本发明实施例提供一种设备故障预测的方法，包括：
获取当前时刻的设备的数据信息，所述数据信息包括设备机型和设备数据；
对所述设备数据进行预处理，确定出所述设备数据对应的特征的值；
确定所述特征的值是否大于预设阈值，若是，则根据所述设备机型对应的超前滞后时间，对所述设备数据进行故障预测；
其中，所述设备机型对应的超前滞后时间是对同一设备机型的预设周期内的历史设备数据进行分析得到的。
上述技术方案中，通过依据对预设周期内的数据进行相关性分析和超前滞后分析得到的超前滞后时间来进行故障预测，可以提高故障预测的准确性，减少系统资源，降低系统能耗。
可选的，所述对同一设备机型的预设周期内的历史设备数据进行分析得到所述设备机型对应的超前滞后时间，包括：
获取同一设备机型的预设周期内各种类型的历史设备数据；
针对任一种类型的历史设备数据，按照第一时间间隔对所述类型的历史设备数据进行预处理，得到各所述第一时间间隔对应的特征的值；根据各所述第一时间间隔对应的特征的值，确定出所述类型的第二时间间隔内的历史设备数据；其中，所述第二时间间隔包括多个所述第一时间间隔；
对任意两种类型的相同第二时间间隔内的历史设备数据进行基于频繁项集的相关性分析，得到相关性大于相关性阈值的多组历史设备数据；
对所述多组历史设备数据进行超前滞后分析，得到所述设备机型对应的超前滞后时间。
可选的，所述特征包括振幅、周期、直流分量和标志位；
所述根据各所述第一时间间隔对应的特征的值，确定出所述类型的第二时间间隔内的历史设备数据，包括：
若所述历史设备数据为连续数据时，则从所述第二时间间隔内的多个所述第一时间间隔对应的振幅的值中确定出振幅最大值，将所述振幅最大值对应的周期内的历史设备数据确定为所述第二时间间隔内的历史设备数据；其中，所述第二时间间隔内的历史设备数据的振幅的值为所述振幅最大值，所述第二时间间隔内的历史设备数据的周期的值为所述振幅最大值对应的周期的值，所述第二时间间隔内的历史设备数据的直流分量的值为所述第二时间间隔内的各第一时间间隔内的直流分量的值的均值；
若所述历史设备数据为传感器数据，则确定所述第二时间间隔内的任一时间间隔内的传感器数据的标志位是否存在1，若是，则确定所述第二时间间隔的传感器数据的标志位为1，否则确定所述第二时间间隔内的传感器数据的标志位为0。
可选的，所述对所述多组历史设备数据进行超前滞后分析，得到所述设备机型对应的超前滞后时间，包括：
针对任一组两种类型的历史设备数据，从所述两种类型的历史设备数据中各自选取任一时刻的历史设备数据进行超前滞后分析，确定出所述两种类型的任一时刻的历史设备数据的互相关性系数以及所述互相关性系数对应的超前滞后时间；
根据所述任一组两种类型的任一时刻的历史设备数据的互相关性系数，将最大的互相关性系数对应的超前滞后时间确定为所述设备机型对应的超前滞后时间。
第二方面，本发明实施例提供一种设备故障预测的装置，包括：
获取单元，用于获取当前时刻的设备的数据信息，所述数据信息包括设备机型和设备数据；
处理单元，用于对所述设备数据进行预处理，确定出所述设备数据对应的特征的值；确定所述特征的值是否大于预设阈值，若是，则根据所述设备机型对应的超前滞后时间，对所述设备数据进行故障预测；其中，所述设备机型对应的超前滞后时间是对同一设备机型的预设周期内的历史设备数据进行分析得到的。
可选的，所述处理单元具体用于：
获取同一设备机型的预设周期内各种类型的历史设备数据；
针对任一种类型的历史设备数据，按照第一时间间隔对所述类型的历史设备数据进行预处理，得到各所述第一时间间隔对应的特征的值；根据各所述第一时间间隔对应的特征的值，确定出所述类型的第二时间间隔内的历史设备数据；其中，所述第二时间间隔包括多个所述第一时间间隔；
对任意两种类型的相同第二时间间隔内的历史设备数据进行基于频繁项集的相关性分析，得到相关性大于相关性阈值的多组历史设备数据；
对所述多组历史设备数据进行超前滞后分析，得到所述设备机型对应的超前滞后时间。
可选的，所述特征包括振幅、周期、直流分量和标志位；
所述处理单元具体用于：
若所述历史设备数据为连续数据时，则从所述第二时间间隔内的多个所述第一时间间隔对应的振幅的值中确定出振幅最大值，将所述振幅最大值对应的周期内的历史设备数据确定为所述第二时间间隔内的历史设备数据；其中，所述第二时间间隔内的历史设备数据的振幅的值为所述振幅最大值，所述第二时间间隔内的历史设备数据的周期的值为所述振幅最大值对应的周期的值，所述第二时间间隔内的历史设备数据的直流分量的值为所述第二时间间隔内的各第一时间间隔内的直流分量的值的均值；
若所述历史设备数据为传感器数据，则确定所述第二时间间隔内的任一时间间隔内的传感器数据的标志位是否存在1，若是，则确定所述第二时间间隔的传感器数据的标志位为1，否则确定所述第二时间间隔内的传感器数据的标志位为0。
可选的，所述处理单元具体用于：
针对任一组两种类型的历史设备数据，从所述两种类型的历史设备数据中各自选取任一时刻的历史设备数据进行超前滞后分析，确定出所述两种类型的任一时刻的历史设备数据的互相关性系数以及所述互相关性系数对应的超前滞后时间；
根据所述任一组两种类型的任一时刻的历史设备数据的互相关性系数，将最大的互相关性系数对应的超前滞后时间确定为所述设备机型对应的超前滞后时间。
第三方面，本发明实施例还提供一种计算设备，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行上述设备故障预测的方法。
第四方面，本发明实施例还提供一种计算机可读非易失性存储介质，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行上述设备故障预测的方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，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他的附图。
图1为本发明实施例提供的一种系统架构的示意图；
图2为本发明实施例提供的一种设备故障预测的方法的流程示意图；
图3为本发明实施例提供的一种设备数据的示意图；
图4为本发明实施例提供的一种连续数据的示意图；
图5为本发明实施例提供的一种显示板状态和压缩机状态的示意图；
图6为本发明实施例提供的一种超前滞后时间的示意图；
图7为本发明实施例提供的一种超前滞后时间的示意图；
图8为本发明实施例提供的一种超前滞后时间的示意图；
图9为本发明实施例提供的一种设备故障预测的装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1为本发明实施例提供的一种系统架构。参考图1所示，该系统架构可以为服务器100，包括处理器110、通信接口120和存储器130。
其中，通信接口120用于与终端设备进行通信，收发该终端设备传输的信息，实现通信。
处理器110是服务器100的控制中心，利用各种接口和线路连接整个服务器100的各个部分，通过运行或执行存储在存储器130内的软件程序/或模块，以及调用存储在存储器130内的数据，执行服务器100的各种功能和处理数据。可选地，处理器110可以包括一个或多个处理单元。
存储器130可用于存储软件程序以及模块，处理器110通过运行存储在存储器130的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器130可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据业务处理所创建的数据等。此外，存储器130可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
需要说明的是，上述图1所示的结构仅是一种示例，本发明实施例对此不做限定。
基于上述描述，图2详细的示出了本发明实施例提供的一种设备故障预测的方法的流程，该流程可以由设备故障预测的装置执行。
如图2所示，该流程具体包括：
步骤201，获取当前时刻的设备的数据信息。
在本发明实施中，数据信息包括设备机型和设备数据。该设备机型可以为冰箱、洗衣机、空调等设备。以冰箱为例，如图3是设备数据可以是来自冰箱的各种传感器传输的数据，第一列为设备的deviceID，是设备的唯一标识；第二列是此条记录上报的时间；第三列和第四列是连续数据，分别表示冷冻室实际温度和冷冻室设定温度(单位摄氏度)；第五、六列是显示板和压缩机的传感器状态的标志位，其中0代表传感器正常，1代表传感器异常。其中，冷冻室实际温度、冷冻室设定温度等信息是设备数据的类型。其中，图4示出了一个设备的冷冻室实际温度和设定温度对应的不同时间的波形图，图5为显示板状态和压缩机状态的标志位的值的图。
在获取当前时刻的设备数据之前，需要先确定该设备机型对应的超前滞后时间，具体的可以为：获取同一设备机型的预设周期内各种类型的历史设备数据，然后针对任一种类型的历史设备数据，按照第一时间间隔对类型的历史设备数据进行预处理，得到各第一时间间隔对应的特征的值。根据各第一时间间隔对应的特征的值，确定出类型的第二时间间隔内的历史设备数据。其中，第二时间间隔包括多个第一时间间隔。对任意两种类型的相同第二时间间隔内的历史设备数据进行基于频繁项集的相关性分析，得到相关性大于相关性阈值的多组历史设备数据。对多组历史设备数据进行超前滞后分析，得到设备机型对应的超前滞后时间。该预设周期可以依据经验设置，例如预设周期可以为1年、2年等。该相关性阈值可以依据经验设置。该第一时间间隔和第二时间间隔可以依据经验设置，例如第一周期可以为1周或2周，第二时间间隔可以为1月、2月或1季度。
目前相关性分析的技术一般是使用FP-Growth(Frequent Pattern Growth，频繁模式增长)技术，技术又称关联挖掘，就是在交易数据、关系数据或其他信息载体中，查找存在于项目集合或对象集合之间的频繁模式、关联、相关性或因果结构，该FP-Growth技术的目的是为了找到的频繁项集，实际上确定出两个事件同时发生的概率。但是本发明实施例需要的技术效果是在一段时间内，两个事件的发生是否有相关性，即当数据的振幅出现某个较大值时，是否一段时间后，传感器会出现报警。如果直接将历史设备数据输入到FP-Growth中是无法得到这种振幅出现某个较大值与传感器出现报警具有相关性的结果，因此，对上述历史设备数据进行预处理，从而使得输入数据后，可以得到两个事件的发生是否具有相关性。
具体的，可以按照第一时间间隔对一种类型的历史设备数据进行预处理，一般是将该类型的历史设备数据进行FFT(Fast Fourier Transform，快速傅里叶变换)的频域变换，从而可以得到各第一时间间隔对应的特征的值。该特征可以包括振幅、周期和直流分量。振幅指的是经过频域变换后的数据波动的最大值，周期是指数据波动的周期，直流分量是指一个周期内数据的平均值，标志位是指的传感器的标志位。例如可以对2周的冷冻室实际温度的数据进行FFT的频域变换后，得到这2周数据对应的振幅、周期、直流分量等特征的值。
当得到各第一时间间隔对应的特征的值时，就可以依据该第一时间间隔对应的特征的值，确定出该类型的第二时间间隔内的历史设备数据。
具体的，可以包括下面两种方式：
方式一
若所述历史设备数据为连续数据时，则从所述第二时间间隔内的多个所述第一时间间隔对应的振幅的值中确定出振幅最大值，将所述振幅最大值对应的周期内的历史设备数据确定为所述第二时间间隔内的历史设备数据；其中，所述第二时间间隔内的历史设备数据的振幅的值为所述振幅最大值，所述第二时间间隔内的历史设备数据的周期的值为所述振幅最大值对应的周期的值，所述第二时间间隔内的历史设备数据的直流分量的值为所述第二时间间隔内的各第一时间间隔内的直流分量的值的均值。
例如，第一时间间隔为2周，第二时间间隔为月，则可以取2周(经验值)冷冻室实际温度的历史设备数据(需要说明的是：一般的亚健康状态潜伏表现期为1-2周，即1-2周后会进入故障状态，所取历史设备数据要包含潜伏期的时长，这样经过频繁项集后的相关性分析才是在所期望的时间预测范围内)，对于冷冻室实际温度这种等连续数据，判断一个月内的两个振幅的值，确定出振幅最大值，进而得到振幅最大值对应的周期的值，此时就可以将该振幅最大值对应的周期内的历史设备数据确定为当月的历史设备数据。其中，该振幅最大值为该月的历史设备数据的振幅的值，该振幅最大值对应的周期的值为该月的历史设备数据的周期的值，该月内的直流分量的均值为该月的历史设备数据的直流分量的值。通过这种方式，可以把每月的8064个数据(大约每5分钟上报一次)变为1个数据，而用于训练的2年数据，可以变为24个数据。
方式二
若所述历史设备数据为传感器数据，则确定所述第二时间间隔内的任一时间间隔内的传感器数据的标志位是否存在1，若是，则确定所述第二时间间隔的传感器数据的标志位为1，否则确定所述第二时间间隔内的传感器数据的标志位为0。
例如，取2周的开关门传感器的数据，对于传感器的标志位，当2周内只要出现1，则此2周的数据标志位为1，否则为0。相应的，一个月内只要出现标志位为1的情况，则该月的历史设备数据的标志位为1。
当历史设备数据处理完成后，就可以进行数据分析，首先是相关性分析，采用FP-Growth方法，具体可以为：
(1)构造频繁1项集：遍历初始的历史设备数据集构造频繁1项集，并作为项头表，建立将指向FP-Tree节点对应元素的引用。
(2)构造FP-Tree：再次遍历初始的历史设备数据集，对于每一条事务中的元素，根据频繁1项集中元素的顺序排序，由此建立FP-Tree，记录每条事务的节点在同一条路径上出再的节点次数。
(3)逆序遍历在步骤1中构造的项头表，根据其提供的引用指针，找出FP-Tree中由该节点到根节点的路径，即生成每个频繁元素的条件模式基。
(4)根据每个频繁元素对应的条件模式基，生成其对应的条件FP-Tree，并删除树中节点记数不满足给定的最小支持度的节点。
(5)对于每一颗条件FP-Tree，生成所有的从根节点到叶子节点的路径，由路径中的集合生成其所有非空子集。
当对历史设备数据处理之后，可以将同一月的两种类型的历史设备数据利用FP-Growth得到的该月的两种类型的历史设备数据的相关性，当所有的历史设备数据分析完成后，进而就可以得到相关性大于相关性阈值的多组历史设备数据，也就是两列历史设备数据，进入后续的超前滞后分析。
具体的，针对任一组两种类型的历史设备数据，从两种类型的历史设备数据中各自选取任一时刻的历史设备数据进行超前滞后分析，确定出两种类型的任一时刻的历史设备数据的互相关性系数以及互相关性系数对应的超前滞后时间。然后根据任一组两种类型的任一时刻的历史设备数据的互相关性系数，将最大的互相关性系数对应的超前滞后时间确定为设备机型对应的超前滞后时间。其中互相关性系数对应的超前滞后时间两种类型的两个任一时刻之间的差值，例如，两种类型分别为冷藏室实际温度和冷冻室实际温度，从冷藏室实际温度中取10:01对应的历史设备数据，从冷冻室实际温度中取10:20对应的数据，则本次计算的互相关性系数对应的超前滞后时间为20-1＝19分钟。
超前滞后分析原理采用确定互相关系数的方式，具体可见公式(1)，原理通用，不再赘述。
该公式(1)为：
其中，x(t)和y(t)是经过FP-Growth得到的频繁相集的一组两种类型的历史设备数据，σx为x(t)的均方差，σy为y(t)的均方差。和/>表示x(t)和y(t)的均值。Cxy(k)和rxy(k)分别表示x(t)和y(t)在一段时间k后的互协方差和互相关系数。N为正整数。k为选取的x(t)和y(t)的值对应时刻的差值，也可以称为超前滞后分析的延迟参数，选取的x(t)和y(t)的值对应时刻错开的时间。
经过超前滞后分析，可以得到的一系列互相关系数，其中，最大互相关系数对应的k值，即该设备机型对应的超前滞后分析时间。从而可以得到图6，图7，图8所示的k值，也就是超前滞后时间。
步骤202，对所述设备数据进行预处理，确定出所述设备数据对应的特征的值。
当获取到当前时刻的设备数据后，就可以进行FFT的频域变换处理，得到设备数据对应的特征的值。
步骤202，确定所述特征的值是否大于预设阈值，若是，则根据所述设备机型对应的超前滞后时间，对所述设备数据进行故障预测。
监测设备数据的特征的值，当有任一特征的值大于其对应的预设阈值，既可以确定出在该设备机型对应的超前滞后时间之后该设备会出现故障，从而实现故障预测。预设阈值可以依据经验设置。
当得到设备机型对应的超前滞后时间之后，就可以监测设备数据，当设备数据的某一特征的值大于该特征的值对应的预设阈值时，就可以进行故障预测。例如，对冷藏室实际温度进行监控，当设备数据的周期、振幅、直流分量达到设定阈值时，如图6、图7和图8所示，可推断之后k1、k2、k3时间段后会出现故障。
通过上述方式可以实现多角度的故障预测，增加了预测的准确性。且未使用RNN(Recurrent Neural Network，循环神经网络)的结构，可以大大减少算力，节约资源。
上述实施例表明，获取当前时刻的设备的数据信息，所述数据信息包括设备机型和设备数据，对设备数据进行预处理，确定出设备数据对应的特征的值，确定特征的值是否大于预设阈值，若是，则根据设备机型对应的超前滞后时间，对设备数据进行故障预测，其中，设备机型对应的超前滞后时间是对同一设备机型的预设周期内的历史设备数据进行分析得到的。通过依据对预设周期内的历史设备数据进行相关性分析和超前滞后分析得到的超前滞后时间来进行故障预测，可以提高故障预测的准确性，减少系统资源，降低系统能耗。
基于相同的技术构思，图9示例性的示出了本发明实施例提供的一种设备故障预测的装置的结构，该装置可以执行设备故障预测的流程。
如图9所示，该装置具体包括：
获取单元901，用于获取当前时刻的设备的数据信息，所述数据信息包括设备机型和设备数据；
处理单元902，用于对所述设备数据进行预处理，确定出所述设备数据对应的特征的值；确定所述特征的值是否大于预设阈值，若是，则根据所述设备机型对应的超前滞后时间，对所述设备数据进行故障预测；其中，所述设备机型对应的超前滞后时间是对同一设备机型的预设周期内的历史设备数据进行分析得到的。
可选的，所述处理单元902具体用于：
获取同一设备机型的预设周期内各种类型的历史设备数据；
针对任一种类型的历史设备数据，按照第一时间间隔对所述类型的历史设备数据进行预处理，得到各所述第一时间间隔对应的特征的值；根据各所述第一时间间隔对应的特征的值，确定出所述类型的第二时间间隔内的历史设备数据；其中，所述第二时间间隔包括多个所述第一时间间隔；
对任意两种类型的相同第二时间间隔内的历史设备数据进行基于频繁项集的相关性分析，得到相关性大于相关性阈值的多组历史设备数据；
对所述多组历史设备数据进行超前滞后分析，得到所述设备机型对应的超前滞后时间。
可选的，所述特征包括振幅、周期、直流分量和标志位；
所述处理单元902具体用于：
若所述历史设备数据为连续数据时，则从所述第二时间间隔内的多个所述第一时间间隔对应的振幅的值中确定出振幅最大值，将所述振幅最大值对应的周期内的历史设备数据确定为所述第二时间间隔内的历史设备数据；其中，所述第二时间间隔内的历史设备数据的振幅的值为所述振幅最大值，所述第二时间间隔内的历史设备数据的周期的值为所述振幅最大值对应的周期的值，所述第二时间间隔内的历史设备数据的直流分量的值为所述第二时间间隔内的各第一时间间隔内的直流分量的值的均值；
若所述历史设备数据为传感器数据，则确定所述第二时间间隔内的任一时间间隔内的传感器数据的标志位是否存在1，若是，则确定所述第二时间间隔的传感器数据的标志位为1，否则确定所述第二时间间隔内的传感器数据的标志位为0。
可选的，所述处理单元902具体用于：
针对任一组两种类型的历史设备数据，从所述两种类型的历史设备数据中各自选取任一时刻的历史设备数据进行超前滞后分析，确定出所述两种类型的任一时刻的历史设备数据的互相关性系数以及所述互相关性系数对应的超前滞后时间；
根据所述任一组两种类型的任一时刻的历史设备数据的互相关性系数，将最大的互相关性系数对应的超前滞后时间确定为所述设备机型对应的超前滞后时间。
基于相同的技术构思，本发明实施例还提供了一种计算设备，包括：
存储器，用于存储程序指令；
处理器，用于调用存储器中存储的程序指令，按照获得的程序执行上述设备设备故障预测的方法。
基于相同的技术构思，本发明实施例还提供了一种计算机可读非易失性存储介质，包括计算机可读指令，当计算机读取并执行计算机可读指令时，使得计算机执行上述设备设备故障预测的方法。
本发明是参照根据本发明实施例的方法、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设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种设备故障预测的方法，其特征在于，包括：
获取当前时刻的设备的数据信息，所述数据信息包括设备机型和设备数据；
对所述设备数据进行预处理，确定出所述设备数据对应的特征的值；
确定所述特征的值是否大于预设阈值，若是，则根据所述设备机型对应的超前滞后时间，对所述设备数据进行故障预测；
其中，所述设备机型对应的超前滞后时间是对多组历史设备数据进行超前滞后分析得到的；所述多组历史设备数据是基于同一设备机型的预设周期内的历史设备数据得到的；其中，每组历史设备数据中包括两种类型的相同第二时间间隔内的历史设备数据，且所述两种类型的相同第二时间间隔内的历史设备数据之间的相关性大于相关性阈值；所述第二时间间隔包括多个第一时间间隔，每种类型的第二时间间隔内的历史设备数据是根据所述多个第一时间间隔对应的特征的值来确定；所述特征包括振幅、周期、直流分量和传感器数据的标志位。
2.如权利要求1所述的方法，其特征在于，基于所述同一设备机型的预设周期内的历史设备数据，得到所述多组历史设备数据，包括：
获取所述同一设备机型的预设周期内各种类型的历史设备数据；
针对任一种类型的历史设备数据，按照第一时间间隔对所述类型的历史设备数据进行预处理，得到各所述第一时间间隔对应的特征的值；
根据各所述第一时间间隔对应的特征的值，确定出所述类型的第二时间间隔内的历史设备数据；其中，所述第二时间间隔包括多个所述第一时间间隔；
对任意两种类型的相同第二时间间隔内的历史设备数据进行基于频繁项集的相关性分析，得到相关性大于相关性阈值的所述多组历史设备数据。
3.如权利要求1所述的方法，其特征在于，所述根据多个所述第一时间间隔对应的特征的值，确定出所述类型的第二时间间隔内的历史设备数据，包括：
若所述历史设备数据为连续数据时，则从所述第二时间间隔内的多个所述第一时间间隔对应的振幅的值中确定出振幅最大值，将所述振幅最大值对应的周期内的历史设备数据确定为所述第二时间间隔内的历史设备数据；其中，所述第二时间间隔内的历史设备数据的振幅的值为所述振幅最大值，所述第二时间间隔内的历史设备数据的周期的值为所述振幅最大值对应的周期的值，所述第二时间间隔内的历史设备数据的直流分量的值为所述第二时间间隔内的各第一时间间隔内的直流分量的值的均值；
若所述历史设备数据为传感器数据，则确定所述第二时间间隔内的任一时间间隔内的传感器数据的标志位是否存在1，若是，则确定所述第二时间间隔的传感器数据的标志位为1，否则确定所述第二时间间隔内的传感器数据的标志位为0。
4.如权利要求1至3任一项所述的方法，其特征在于，所述对所述多组历史设备数据进行超前滞后分析，得到所述设备机型对应的超前滞后时间，包括：
针对任一组两种类型的历史设备数据，从所述两种类型的历史设备数据中各自选取任一时刻的历史设备数据进行超前滞后分析，确定出所述两种类型的任一时刻的历史设备数据的互相关性系数以及所述互相关性系数对应的超前滞后时间；
根据所述任一组两种类型的任一时刻的历史设备数据的互相关性系数，将最大的互相关性系数对应的超前滞后时间确定为所述设备机型对应的超前滞后时间。
5.一种设备故障预测的装置，其特征在于，包括：
获取单元，用于获取当前时刻的设备的数据信息，所述数据信息包括设备机型和设备数据；
处理单元，用于对所述设备数据进行预处理，确定出所述设备数据对应的特征的值；确定所述特征的值是否大于预设阈值，若是，则根据所述设备机型对应的超前滞后时间，对所述设备数据进行故障预测；其中，所述设备机型对应的超前滞后时间是对多组历史设备数据进行超前滞后分析得到的；所述多组历史设备数据是基于同一设备机型的预设周期内的历史设备数据得到的；其中，每组历史设备数据中包括两种类型的相同第二时间间隔内的历史设备数据，且所述两种类型的相同第二时间间隔内的历史设备数据之间的相关性大于相关性阈值；所述第二时间间隔包括多个第一时间间隔，每种类型的第二时间间隔内的历史设备数据是根据所述多个第一时间间隔对应的特征的值来确定；所述特征包括振幅、周期、直流分量和传感器数据的标志位。
6.如权利要求5所述的装置，其特征在于，所述处理单元在基于所述同一设备机型的预设周期内的历史设备数据，得到所述多组历史设备数据时，具体用于：
获取所述同一设备机型的预设周期内各种类型的历史设备数据；
针对任一种类型的历史设备数据，按照第一时间间隔对所述类型的历史设备数据进行预处理，得到各所述第一时间间隔对应的特征的值；根据各所述第一时间间隔对应的特征的值，确定出所述类型的第二时间间隔内的历史设备数据；其中，所述第二时间间隔包括多个所述第一时间间隔；
对任意两种类型的相同第二时间间隔内的历史设备数据进行基于频繁项集的相关性分析，得到相关性大于相关性阈值的所述多组历史设备数据。
7.如权利要求5所述的装置，其特征在于，所述处理单元在根据所述多个第一时间间隔对应的特征的值，确定所述类型的第二时间间隔内的历史设备数据时，具体用于：
若所述历史设备数据为连续数据时，则从所述第二时间间隔内的多个所述第一时间间隔对应的振幅的值中确定出振幅最大值，将所述振幅最大值对应的周期内的历史设备数据确定为所述第二时间间隔内的历史设备数据；其中，所述第二时间间隔内的历史设备数据的振幅的值为所述振幅最大值，所述第二时间间隔内的历史设备数据的周期的值为所述振幅最大值对应的周期的值，所述第二时间间隔内的历史设备数据的直流分量的值为所述第二时间间隔内的各第一时间间隔内的直流分量的值的均值；
若所述历史设备数据为传感器数据，则确定所述第二时间间隔内的任一时间间隔内的传感器数据的标志位是否存在1，若是，则确定所述第二时间间隔的传感器数据的标志位为1，否则确定所述第二时间间隔内的传感器数据的标志位为0。
8.如权利要求5至7任一项所述的装置，其特征在于，所述处理单元在对所述多组历史设备数据进行超前滞后分析，得到所述设备机型对应的超前滞后时间时，具体用于：
针对任一组两种类型的历史设备数据，从所述两种类型的历史设备数据中各自选取任一时刻的历史设备数据进行超前滞后分析，确定出所述两种类型的任一时刻的历史设备数据的互相关性系数以及所述互相关性系数对应的超前滞后时间；
根据所述任一组两种类型的任一时刻的历史设备数据的互相关性系数，将最大的互相关性系数对应的超前滞后时间确定为所述设备机型对应的超前滞后时间。
9.一种计算设备，其特征在于，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行权利要求1至4任一项所述的方法。
10.一种计算机可读非易失性存储介质，其特征在于，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行如权利要求1至4任一项所述的方法。
CN202010354674.7A 2020-04-29 2020-04-29 一种设备故障预测的方法及装置 Active CN111582343B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010354674.7A CN111582343B (zh) 2020-04-29 2020-04-29 一种设备故障预测的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010354674.7A CN111582343B (zh) 2020-04-29 2020-04-29 一种设备故障预测的方法及装置

Publications (2)

Publication Number Publication Date
CN111582343A CN111582343A (zh) 2020-08-25
CN111582343B true CN111582343B (zh) 2023-09-26

Family

ID=72111856

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010354674.7A Active CN111582343B (zh) 2020-04-29 2020-04-29 一种设备故障预测的方法及装置

Country Status (1)

Country Link
CN (1) CN111582343B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112395178B (zh) * 2020-11-18 2022-09-30 河南辉煌城轨科技有限公司 一种设备故障预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8762301B1 (en) * 2011-10-12 2014-06-24 Metso Automation Usa Inc. Automated determination of root cause
WO2015176565A1 (zh) * 2014-05-22 2015-11-26 袁志贤 一种基于多维时间序列的电气设备故障预测方法
CN106506226A (zh) * 2016-11-29 2017-03-15 青岛海信网络科技股份有限公司 一种故障检测的启动方法及装置
CN108152612A (zh) * 2017-11-23 2018-06-12 全球能源互联网研究院有限公司 一种变压器故障预测方法、装置、终端及可读存储介质
WO2019109352A1 (zh) * 2017-12-08 2019-06-13 华为技术有限公司 对设备的性能数据进行采样的方法和装置
WO2019141144A1 (zh) * 2018-01-17 2019-07-25 华为技术有限公司 确定网络故障的方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8762301B1 (en) * 2011-10-12 2014-06-24 Metso Automation Usa Inc. Automated determination of root cause
WO2015176565A1 (zh) * 2014-05-22 2015-11-26 袁志贤 一种基于多维时间序列的电气设备故障预测方法
CN106506226A (zh) * 2016-11-29 2017-03-15 青岛海信网络科技股份有限公司 一种故障检测的启动方法及装置
CN108152612A (zh) * 2017-11-23 2018-06-12 全球能源互联网研究院有限公司 一种变压器故障预测方法、装置、终端及可读存储介质
WO2019109352A1 (zh) * 2017-12-08 2019-06-13 华为技术有限公司 对设备的性能数据进行采样的方法和装置
WO2019141144A1 (zh) * 2018-01-17 2019-07-25 华为技术有限公司 确定网络故障的方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘伦才,王若虚.一种新型的故障自动检测器.微电子学.2001,(05),第65-67页. *
刘宁桥,夏兰,杨荣.振动监控表和故障诊断表在振幅测量中的差异.江苏电机工程.2001,(01),第 34-37页. *
周秀梅 ; 兰玉龙 ; 覃泽 ; 王强 ; .一种新的后处理类间桥挖掘算法.广西大学学报(自然科学版).2010,(05),第103-110页. *

Also Published As

Publication number Publication date
CN111582343A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
Rettig et al. Online anomaly detection over big data streams
US20180260723A1 (en) Anomaly detection for context-dependent data
Alippi et al. Model-free fault detection and isolation in large-scale cyber-physical systems
CN111475804A (zh) 一种告警预测方法及系统
US7509234B2 (en) Root cause diagnostics using temporal data mining
US20190050515A1 (en) Analog functional safety with anomaly detection
Hoffmann et al. Advanced failure prediction in complex software systems
WO2020043267A1 (en) Device and method for anomaly detection on an input stream of events
CN112083244A (zh) 综合化航空电子设备故障智能诊断系统
CN109492826A (zh) 一种基于机器学习的信息系统运行状态风险预测方法
US20160255109A1 (en) Detection method and apparatus
US20160321128A1 (en) Operations management system, operations management method and program thereof
CN111061581B (zh) 一种故障检测方法、装置及设备
Qin et al. Remaining useful life prediction for rotating machinery based on optimal degradation indicator
CN111582343B (zh) 一种设备故障预测的方法及装置
Atzmueller et al. Anomaly detection and structural analysis in industrial production environments
Lugaresi et al. Online validation of digital twins for manufacturing systems
Ammour et al. State estimation of discrete event systems for RUL prediction issue
Weiss Predicting telecommunication equipment failures from sequences of network alarms
CN114095032A (zh) 基于Flink和RVR的数据流压缩方法、边缘计算系统及存储介质
CN110874601B (zh) 识别设备运行状态的方法、状态识别模型训练方法及装置
Li et al. Meteorological radar fault diagnosis based on deep learning
Li et al. Evaluation of throughput in serial production lines with non-exponential machines
CN113986704A (zh) 基于TS-Decomposition的数据中心高频故障时域预警方法及系统
CN114581086A (zh) 基于动态时序网络的钓鱼账户检测方法及系统

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