CN111598346A - 故障检测方法、装置、检测设备、旋挖机及存储介质 - Google Patents
故障检测方法、装置、检测设备、旋挖机及存储介质 Download PDFInfo
- Publication number
- CN111598346A CN111598346A CN202010431944.XA CN202010431944A CN111598346A CN 111598346 A CN111598346 A CN 111598346A CN 202010431944 A CN202010431944 A CN 202010431944A CN 111598346 A CN111598346 A CN 111598346A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- sensor
- detection
- neural network
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 134
- 238000003062 neural network model Methods 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 8
- 238000009412 basement excavation Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000005553 drilling Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供一种故障检测方法、装置、检测设备、旋挖机及存储介质。该故障检测方法中，根据该传感器的历史检测数据，预测未来预设时段内各传感器所采集数据的可能情况。通过训练好的第一神经网络模型对各传感器的预测数据进行处理，以确定该目标设备将要发生的故障类型。
Description
技术领域
本申请涉及数据处理领域，具体而言，涉及一种故障检测方法、装置、检测设备、旋挖机及存储介质。
背景技术
随着设备使用寿命的增加，设备难免会出现或多或少的故障问题。目前在设备发生故障时，往往需要专业的检修人员经人工检查后，才能确定具体的故障类型。然而检测结果的准确度以及检修的效率，严重依赖于检修人员的个人经验。并且，目前并不能对设备将要发生的故障的进行预测，使得用户难以提前进行应对。
发明内容
为了克服现有技术中的至少一个不足，本申请实施例的目的之一在于提供一种故障检测方法，应用于检测设备，该检测设备通过预设数量的传感器监测目标设备的工作状态，所述检测设备配置有第一神经网络模型，所述方法包括：
获取所述传感器的预测数据，其中，针对各所述传感器，该传感器的预测数据预测自该传感器的历史检测数据；
通过所述第一神经网络模型处理所述预测数据，获得处理结果；
根据所述处理结果预测该目标设备将要发生的故障类型。
可选地，所述检测设备为各所述传感器还配置有训练好的第二神经网络模型，所述获取所述传感器的预测数据的步骤，包括：
针对各所述传感器，获取该传感器的历史检测数据；
通过与该传感器对应的第二神经网络模型处理所述历史检测数据，获得该传感器的预测数据。
可选地，所述方法还包括：
获取各所述传感器在所述目标设备发生故障时的实测数据；
通过所述第一神经网络模型处理所述实测数据，确定该故障的故障类型。
可选地，所述方法还包括：
根据该目标设备将要发生的故障类型，确定与所述将要发生的故障类型相关的控制参数；
调整所述控制参数，推迟故障将要发生的时间。
可选地，所述方法还包括：
将所述将要发生的故障类型以及故障将要发生的时间提供给用户。
本申请实施例的目的之二在于提供一种故障检测装置，应用于检测设备，该检测设备通过预设数量的传感器监测目标设备的工作状态，所述检测设备配置有第一神经网络模型，所述故障检测装置包括：
数据获取模块，用于获取所述传感器的预测数据，其中，针对各所述传感器，该传感器的预测数据预测自该传感器的历史检测数据；
数据处理模块，用于通过所述第一神经网络模型处理所述预测数据，获得处理结果；
故障检测模块，用于根据所述处理结果预测该目标设备将要发生的故障类型。
可选地，所述检测设备为各所述传感器还配置有训练好的第二神经网络模型，所述数据获取模块获取所述预测数据的方式包括：
针对各所述传感器，获取该传感器的历史检测数据；
通过与该传感器对应的第二神经网络模型处理所述历史检测数据，获得该传感器的预测数据。
本申请实施例的目的之三在于提供一种检测设备，所述检测设备包括处理器以及存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述计算机可执行指令被所述处理器执行时，实现所述的故障检测方法。
本申请实施例的目的之四在于提供一种旋挖机，包括所述的检测设备。
本申请实施例的目的之五在于提供一种存储介质，所述存储介质存储有能够处理器执行的计算机程序，所述计算机程序被所述处理器执行时，实现所述的故障检测方法。
相对于现有技术而言，本申请具有以下有益效果：
综上所述，本申请实施例提供的故障检测方法、装置、检测设备、旋挖机及存储介质。根据该传感器的历史检测数据，预测未来预设时段内各传感器所采集数据的可能情况。通过训练好的第一神经网络模型对各传感器的预测数据进行处理，以确定该目标设备将要发生的故障类型。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
图1为本申请实施例提供的检测设备的硬件结构图；
图2为本申请实施例提供的故障检测方法的步骤流程图；
图3为本申请实施例提供的预测数据获取方式示意图；
图4为本申请实施例提供的故障检测装置结构示意图。
图标：100-检测设备；110-故障检测装置；120-存储器；140-通信单元；130-处理器；1101-数据获取模块；1102-数据处理模块；1103-故障检测模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中，需要说明的是，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
如背景技术所描述的，随着设备使用寿命的增加，设备难免会出现或多或少的故障问题。目前在设备发生故障时，往往需要专业的检修人员经人工检查后，才能确定具体的故障类型。然而检测结果的准确度以及检修的效率，严重依赖于检修人员的个人经验。并且，目前并不能对设备将要发生的故障的进行预测，使得用户难以提前进行应对。
鉴于此，本申请实施例提供一种故障检测方法，应用于检测设备，该检测设备通过预设数量的传感器检测目标设备的工作状态。其中，针对不同的目标设备，各传感器的数量以及种类可以根据实际需要进行适应性调整。该检测设备可以是但不限于，服务器、移动终端、个人电脑(personal computer，PC)等。
请参照图1，图1是本申请实施例提供该检测设备100的硬件结构图。该检测设备100包括故障检测装置110、存储器120、处理器130、通信单元140。
所述存储器120、处理器130以及通信单元140各元件相互之间直接或间接地通信连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述故障检测装置110包括至少一个可以软件或固件(firmware)的形式存储于所述存储器120中或固化在所述检测设备100中的软件功能模块。所述处理器130用于执行所述存储器120中存储的可执行模块，例如所述故障检测装置110所包括的软件功能模块及计算机程序等。
其中，所述存储器120可以是，但不限于，随机存取存储器(Random AccessMemory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。其中，存储器120用于存储程序，所述处理器130在接收到执行指令后，执行所述程序。所述通信单元140用于收发传感器的检测数据。
其中，所述存储器120可以是，但不限于，随机存取存储器(Random AccessMemory，简称RAM)，只读存储器(Read Only Memory，简称ROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，可擦除只读存储器(ErasableProgrammable Read-Only Memory，简称EPROM)，电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory，简称EEPROM)等。其中，存储器120用于存储程序，处理器130在接收到执行指令后，执行所述程序。所述处理器130以及其他可能的组件对存储器120的访问可在所述存储控制器的控制下进行。
所述处理器130可能是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
请参照图2，图2为应用于图1所示的检测设备100的一种故障检测方法的流程图，以下将对该方法包括各个步骤进行详细阐述。
步骤S100，获取传感器的预测数据，其中，针对各传感器，该传感器的预测数据预测自该传感器的历史检测数据。
该目标设备在正常工作时，该检测设备100通过预设数量的传感器对目标设备的各关键部位，或者各容易出现故障的部件进行数据采集；将采集到的检测数据存储后，作为历史检测数据。其中，针对各传感器，基于该传感器的历史检测数据，预测未来预设时段内各传感器所采集数据的可能情况。
其中，该预设时段可以根据具体的使用需求进行适应性调整，本申请实施例不做具体的限定。根据该传感器的历史检测数据，预测未来预设时段内各传感器所采集数据的可能情况的预测方法，可以根据具体需求进行适应性选择，本申请实施例不做具体限定。
由于不同传感器所采集的检测数据的量纲各不相同，为了降低各检测数据因量纲的不同，对检测结果所造成的影响，将预测的携带有量纲单位的检测数据经归一化处理后得到该预测数据。
步骤S200，通过第一神经网络模型处理预测数据，获得处理结果。
其中，该第一神经网络模型通过目标设备在发生故障时的检测数据，对未训练好的第一神经网络模型迭代训练后得到。该第一神经网络模型能够对各传感器所采集的检测数据进行分析，发掘检测数据之间的关系，确定目标设备的故障类型。
步骤S300，根据处理结果预测该目标设备将要发生的故障类型。
本申请实施例中，通过对未来预设时段内，各传感器所采集数据的可能情况进行分析，以确定该目标设备将要发生的故障类型。
基于此，根据该传感器的历史检测数据，预测未来预设时段内各传感器所采集数据的可能情况。通过训练好的第一神经网络模型对各传感器的预测数据进行处理，以确定该目标设备将要发生的故障类型。
在获取传感器的预测数据时，作为一种可能的实施方式，该检测设备100为各所述传感器还配置有训练好的第二神经网络模型。
例如，以机动车为例，该传感器可以包括油温传感器、水温传感器以及转速传感器。针对油温传感器，其对应有用于预测油温数据的第二神经网络模型；针对水温传感器，其对应有用于预测水温数据的第二神经网络模型；针对转速传感器，其对应有用于预测转速数据的第二神经网络模型。
本申请实施例中，针对各传感器，检测设备100在获取该传感器的预测数据时，获取该传感器正常工作过程时一定时段内的历史检测数据，将该历史检测数据输入到该传感器对应的第二神经网络模型中，获得第二神经网络模型基于历史检测数据预测的在未来一段时间内该传感器可能采集到的预测数据。
可选地，由于该第一神经网络模型能够基于各传感器的预测数据，预测该目标设备将要发生的故障类型。同理，在目标设备发生故障后，获取该目标设备在发生故障时，各传感器所采集的检测数据，经训练好的第一神经网络模型处理，确定该故障的故障类型。继而为检修人员提供参考，方便检修人员针对该故障类型，有针对性的进行检修。
由于该检测设备100能够通过第一神经网络模型对传感器的预测数据进行处理，确定将要发生的故障类型。因此，该检测设备100可以将将要发生的故障类型以故障将要发生的时间提供给用户，以方便用户为应对将要发生的故障类型提前进行应对。
其中，该检测设备100将将要发生的故障类型以故障将要发生的时间提供给用户的方式，可以是，但不限于语音、文字以及指示灯等形式。以语音方式为例，该检测设备100可以播报“21天后液压阀可能出现液体泄露，可能性为60％”形式的语音。
另外，该检测设备100可以根据将要发生的故障类型，确定与该故障类型相关的控制参数；并对该控制参数进行调整，以推迟故障将要发生的时间。
例如，以液压阀泄露故障为例，目标设备在正常工作时，该液压阀的最大压力值为1000Pa。该检测设备100在检测到目标设备的液压阀将要发生液压阀泄露故障后，将液压阀的最大压力值调整为800Pa。
可选地，该检测设备100通过第一神经网络模型以及第二神经网络模型预测目标设备将要发生的故障类型之前，还需要通过样本数据对未训练好的第一神经网络模型以及第二神经网络模型进行训练。
作为一种可能的实施方式，该目标设备可以是旋挖机。用于检测旋挖机工作状态的传感器包括油温传感器、水温传感器、转速传感器、压力传感器以及油位传感器。应理解是，该旋挖机在出现故障时，其不同的故障类型，传感器所采集的检测数据会出现不同的表现形式。
针对第一神经网络模型以及第二神经网络模型，作为一种可能的实施方式，该第一神经网络模型可以是第一BP神经网络模型，该第二神经网络模型可以是第二BP神经网络模型。
在对第一BP神经网络模型进行训练时，获取该旋挖机在发生故障时各传感器(油温传感器、水温传感器、转速传感器、压力传感器以及油位传感器)所采集的携带有量纲单位的检测数据，并经归一化处理后得到用于训练第一BP神经网络模型的第一样本数据。针对不同的故障类型为第一样本数据标记上对应的标签。其中，归一化处理的公式可以表示为：
式中，x为传感器采集的携带有量纲单位的检测数据，max为传感器所采集数据的最大值，min为传感器所采集数据的最小值，y为归一化处理结果。
基于预设的第一损失函数，将第一样本数据输入到第一BP神经网络模型中，通过反向传播算法对第一BP神经网络模型的权值进行调整，直到第一BP神经网络模型输出结果的损失值小于预设阈值。
针对用于预测各传感器预测数据的第二BP神经网络，将旋挖机在正常工作时各传感器所采集的检测数据，作为第二样本数据，用以训练第二BP神经网络。
以压力传感器为例，将旋挖机正常工作时，该压力传感器所采集的一年内的检测数据作为第二样本数据。请参照图3，该压力传感器对应的第二BP神经网络模型经训练后，能够基于压力传感器3个月内的历史检测数据，预测未来1个月内该压力传感器的预测数据。
基于预设的第二损失函数，将第二样本数据输入到压力传感器对应的第二BP神经网络模型中，通过反向传播算法对压力传感器对应的第二BP神经网络模型的权值进行调整，直到压力传感器对应的第二BP神经网络模型输出结果的损失值小于预设阈值。
请参照图4，本实施例还提供一种故障检测装置110，应用于检测设备100，该检测设备100通过预设数量的传感器监测目标设备的工作状态。故障检测装置110包括至少一个可以软件形式存储于存储器120中的功能模块。从功能上划分，故障检测装置110可以包括：
数据获取模块1101，用于获取所述传感器的预测数据，其中，针对各所述传感器，该传感器的预测数据预测自该传感器的历史检测数据。
在本申请实施例中，该数据获取模块1101用于执行图2中的步骤S100，关于该数据获取模块1101的详细描述，可以参见步骤S100的详细描述。
数据处理模块1102，用于通过所述第一神经网络模型处理所述预测数据，获得处理结果。
在本申请实施例中，该数据处理模块1102用于执行图3中的步骤S200，关于该数据处理模块1102的详细描述，可以参见步骤S200的详细描述。
故障检测模块1103，用于根据所述处理结果预测该目标设备将要发生的故障类型。
在本申请实施例中，该故障检测模块1103用于执行图3中的步骤S300，关于该故障检测模块1103的详细描述，可以参见步骤S300的详细描述。
可选地，所述检测设备100为各所述传感器还配置有训练好的第二神经网络模型，所述数据获取模块1101获取所述预测数据的方式包括：
针对各所述传感器，获取该传感器的历史检测数据；
通过与该传感器对应的第二神经网络模型处理所述历史检测数据，获得该传感器的预测数据。
本申请实施例还提供一种检测设备100，所述检测设备100包括处理器130以及存储器120，所述存储器120存储有能够被所述处理器130执行的计算机可执行指令，所述计算机可执行指令被所述处理器130执行时，实现所述的故障检测方法。
本申请实施例还提供一种存储介质，所述存储介质存储有能够处理器130执行的计算机程序，所述计算机程序被所述处理器130执行时，实现所述的故障检测方法。
综上所述，本申请实施例提供的故障检测方法、装置、检测设备、旋挖机及存储介质。根据该传感器的历史检测数据，预测未来预设时段内各传感器所采集数据的可能情况。通过训练好的第一神经网络模型对各传感器的预测数据进行处理，以确定该目标设备将要发生的故障类型。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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-Only Memory)、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。
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、物品或者设备中还存在另外的相同要素。
以上所述，仅为本申请的各种实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种故障检测方法，其特征在于，应用于检测设备，该检测设备通过预设数量的传感器监测目标设备的工作状态，所述检测设备配置有第一神经网络模型，所述方法包括：
获取所述传感器的预测数据，其中，针对各所述传感器，该传感器的预测数据预测自该传感器的历史检测数据；
通过所述第一神经网络模型处理所述预测数据，获得处理结果；
根据所述处理结果预测该目标设备将要发生的故障类型。
2.根据权利要求1所述的故障检测方法，其特征在于，所述检测设备为各所述传感器还配置有训练好的第二神经网络模型，所述获取所述传感器的预测数据的步骤，包括：
针对各所述传感器，获取该传感器的历史检测数据；
通过与该传感器对应的第二神经网络模型处理所述历史检测数据，获得该传感器的预测数据。
3.根据权利要求1所述的故障检测方法，其特征在于，所述方法还包括：
获取各所述传感器在所述目标设备发生故障时的实测数据；
通过所述第一神经网络模型处理所述实测数据，确定该故障的故障类型。
4.根据权利要求1所述的故障检测方法，其特征在于，所述方法还包括：
根据该目标设备将要发生的故障类型，确定与所述将要发生的故障类型相关的控制参数；
调整所述控制参数，推迟故障将要发生的时间。
5.根据权利要求1所述的故障检测方法，其特征在于，所述方法还包括：
将所述将要发生的故障类型以及故障将要发生的时间提供给用户。
6.一种故障检测装置，其特征在于，应用于检测设备，该检测设备通过预设数量的传感器监测目标设备的工作状态，所述检测设备配置有第一神经网络模型，所述故障检测装置包括：
数据获取模块，用于获取所述传感器的预测数据，其中，针对各所述传感器，该传感器的预测数据预测自该传感器的历史检测数据；
数据处理模块，用于通过所述第一神经网络模型处理所述预测数据，获得处理结果；
故障检测模块，用于根据所述处理结果预测该目标设备将要发生的故障类型。
7.根据权利要求6所述的故障检测装置，其特征在于，所述检测设备为各所述传感器还配置有训练好的第二神经网络模型，所述数据获取模块获取所述预测数据的方式包括：
针对各所述传感器，获取该传感器的历史检测数据；
通过与该传感器对应的第二神经网络模型处理所述历史检测数据，获得该传感器的预测数据。
8.一种检测设备，其特征在于，所述检测设备包括处理器以及存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述计算机可执行指令被所述处理器执行时，实现如权利要求1-5任意一项所述的故障检测方法。
9.一种旋挖机，其特征在于，包括权利要求8所述的检测设备。
10.一种存储介质，其特征在于，所述存储介质存储有能够处理器执行的计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-5任意一项所述的故障检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010431944.XA CN111598346A (zh) | 2020-05-20 | 2020-05-20 | 故障检测方法、装置、检测设备、旋挖机及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010431944.XA CN111598346A (zh) | 2020-05-20 | 2020-05-20 | 故障检测方法、装置、检测设备、旋挖机及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111598346A true CN111598346A (zh) | 2020-08-28 |
Family
ID=72183943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010431944.XA Pending CN111598346A (zh) | 2020-05-20 | 2020-05-20 | 故障检测方法、装置、检测设备、旋挖机及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111598346A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112910691A (zh) * | 2021-01-19 | 2021-06-04 | 中国工商银行股份有限公司 | 机房故障检测方法及装置 |
| CN113030612A (zh) * | 2021-02-26 | 2021-06-25 | 兖矿东华重工有限公司 | 一种掘进机安全检测方法、系统、装置设备及介质 |
| CN113065664A (zh) * | 2021-02-20 | 2021-07-02 | 北京三一智造科技有限公司 | 一种地质层识别模型构建方法和地质层识别方法 |
| CN113960965A (zh) * | 2021-09-26 | 2022-01-21 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和可读存储介质 |
| US20220092473A1 (en) * | 2020-09-18 | 2022-03-24 | Samsung Display Co., Ltd. | System and method for performing tree-based multimodal regression |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103557884A (zh) * | 2013-09-27 | 2014-02-05 | 杭州银江智慧城市技术集团有限公司 | 一种输电线路杆塔监控的多传感器数据融合预警方法 |
| CN110735769A (zh) * | 2019-09-18 | 2020-01-31 | 西安察柏科技咨询有限公司 | 一种预测风机故障的方法及装置、系统 |
| CN110851342A (zh) * | 2019-11-08 | 2020-02-28 | 中国工商银行股份有限公司 | 故障预测方法、装置、计算设备以及计算机可读存储介质 |
| CN110987166A (zh) * | 2019-12-17 | 2020-04-10 | 北京昊鹏智能技术有限公司 | 旋转机械健康状态的预测方法、装置、设备及存储介质 |
| CN111105063A (zh) * | 2018-10-26 | 2020-05-05 | 北京国双科技有限公司 | 故障预测、模型构建方法、装置、处理器及可读存储介质 |
| CN111126603A (zh) * | 2019-12-25 | 2020-05-08 | 江苏远望仪器集团有限公司 | 基于神经网络模型的设备故障预测方法、装置及设备 |
-
2020
- 2020-05-20 CN CN202010431944.XA patent/CN111598346A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103557884A (zh) * | 2013-09-27 | 2014-02-05 | 杭州银江智慧城市技术集团有限公司 | 一种输电线路杆塔监控的多传感器数据融合预警方法 |
| CN111105063A (zh) * | 2018-10-26 | 2020-05-05 | 北京国双科技有限公司 | 故障预测、模型构建方法、装置、处理器及可读存储介质 |
| CN110735769A (zh) * | 2019-09-18 | 2020-01-31 | 西安察柏科技咨询有限公司 | 一种预测风机故障的方法及装置、系统 |
| CN110851342A (zh) * | 2019-11-08 | 2020-02-28 | 中国工商银行股份有限公司 | 故障预测方法、装置、计算设备以及计算机可读存储介质 |
| CN110987166A (zh) * | 2019-12-17 | 2020-04-10 | 北京昊鹏智能技术有限公司 | 旋转机械健康状态的预测方法、装置、设备及存储介质 |
| CN111126603A (zh) * | 2019-12-25 | 2020-05-08 | 江苏远望仪器集团有限公司 | 基于神经网络模型的设备故障预测方法、装置及设备 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220092473A1 (en) * | 2020-09-18 | 2022-03-24 | Samsung Display Co., Ltd. | System and method for performing tree-based multimodal regression |
| CN112910691A (zh) * | 2021-01-19 | 2021-06-04 | 中国工商银行股份有限公司 | 机房故障检测方法及装置 |
| CN113065664A (zh) * | 2021-02-20 | 2021-07-02 | 北京三一智造科技有限公司 | 一种地质层识别模型构建方法和地质层识别方法 |
| CN113065664B (zh) * | 2021-02-20 | 2024-05-14 | 北京三一智造科技有限公司 | 一种地质层识别模型构建方法和地质层识别方法 |
| CN113030612A (zh) * | 2021-02-26 | 2021-06-25 | 兖矿东华重工有限公司 | 一种掘进机安全检测方法、系统、装置设备及介质 |
| CN113960965A (zh) * | 2021-09-26 | 2022-01-21 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和可读存储介质 |
| CN113960965B (zh) * | 2021-09-26 | 2024-04-23 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111598346A (zh) | 故障检测方法、装置、检测设备、旋挖机及存储介质 | |
| US10760995B2 (en) | Failure detection device for detecting an issue with a part of a machine | |
| CN103180793B (zh) | 异常诊断装置以及工业机械 | |
| US20170178311A1 (en) | Machine fault detection based on a combination of sound capture and on spot feedback | |
| CN109460561B (zh) | 采油设备故障诊断方法及装置 | |
| CN111126603A (zh) | 基于神经网络模型的设备故障预测方法、装置及设备 | |
| CN110008096B (zh) | 数据监测方法、装置、电子设备及计算机可读存储介质 | |
| CN109088775B (zh) | 异常监控方法、装置以及服务器 | |
| EP3055976A1 (en) | Methods and systems for a universal wireless platform for asset monitoring | |
| EP3495905A2 (en) | Operational improvement effect calculation device, operational improvement effect calculation method and recording medium | |
| EP2613207A2 (en) | Adaptive trend-change detection and function fitting system and method | |
| EP2860987B1 (en) | Methods and systems for dynamic workflow prioritization and tasking | |
| EP2026159A2 (en) | A method and system for automatically evaluating the performance of a power plant machine | |
| CN113123955B (zh) | 柱塞泵异常检测方法、装置、存储介质及电子设备 | |
| CN106533812B (zh) | 一种应用服务器 | |
| JP2018205992A (ja) | 機器診断システム | |
| CN116258482A (zh) | 一种自动选择维修方案的方法、服务器、电子设备 | |
| JP5485441B2 (ja) | 異常診断装置および産業機械 | |
| US11500368B2 (en) | Predicting early warnings of an operating mode of equipment in industry plants | |
| WO2021007018A1 (en) | Systems and methods for automated wetstock management | |
| CN114025251B (zh) | 一种仪表异常的报警方法、装置以及介质 | |
| EP4379618A1 (en) | Computer implemented method for determining a quality result for input data of a data model | |
| CN115688347A (zh) | 疲劳损伤监测方法、装置、工程机械及存储介质 | |
| CN116335930A (zh) | 砂泵性能的检测方法、装置、设备及存储介质 | |
| CN114282707A (zh) | 油耗预测模型训练、油耗预测方法、装置及作业机械 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200828 |