CN111736568A - 一种实时数据库的故障快速诊断方法及系统 - Google Patents
一种实时数据库的故障快速诊断方法及系统 Download PDFInfo
- Publication number
- CN111736568A CN111736568A CN202010431322.7A CN202010431322A CN111736568A CN 111736568 A CN111736568 A CN 111736568A CN 202010431322 A CN202010431322 A CN 202010431322A CN 111736568 A CN111736568 A CN 111736568A
- Authority
- CN
- China
- Prior art keywords
- fault
- fault tree
- equipment
- diagnosis
- analysis
- 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 64
- 238000003745 diagnosis Methods 0.000 claims abstract description 76
- 238000013507 mapping Methods 0.000 claims abstract description 27
- 238000010276 construction Methods 0.000 claims abstract description 20
- 230000000694 effects Effects 0.000 claims abstract description 19
- 230000007246 mechanism Effects 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims description 57
- 230000008569 process Effects 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 8
- 239000002244 precipitate Substances 0.000 claims description 8
- 238000001556 precipitation Methods 0.000 claims description 8
- 238000003672 processing method Methods 0.000 claims description 8
- 238000011160 research Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 4
- 238000005242 forging Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 5
- 230000001960 triggered effect Effects 0.000 description 4
- 238000009795 derivation Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013024 troubleshooting Methods 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
- 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
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
- G05B23/0248—Causal models, e.g. fault tree; digraphs; qualitative physics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种实时数据库的故障快速诊断方法及系统，属于锻造液压机技术领域，其特征在于，至少包括：S1、基于历史数据构建故障树，故障树构建包括配置故障树‑类、元件库、配置表；其中：故障树‑类：结合历史数据和设备构造机理，依据设备类型配置造故障树模板；元件库：管理故障树事件对应的元器件，元件库包括元件名称、元件编号、元件型号、以及元件图片效果；配置表：包含故障树模板中事件与设备元件库之间的映射关系，以及事件与PLC映射规则，事件逻辑运算规则；实现故障树模板、元件库、具体设备、触发规则映射；S2、对故障树实例进行发布，故障树实例就生效，并且在后台定时触发调度；S3、开展故障诊断。
Description
技术领域
本发明属于锻造液压机技术领域，具体涉及一种实时数据库的故障快速诊断方法及系统。
背景技术
目前设备故障产生的原因很多、大部分都是靠着经验或者老专家的想法去解决问题，没有形成有效的模式，以及对问题排查手段多种多样、不能固化，进而导致处理问题需要很长时间，同时由于设备机理复杂、很多大型设备有涉及各种零部件，各个零部件厂商分多，因此，设计开发一种可以降低运维的难度，也可以避免在设备因为小故障引发设备停机、甚至报废的现象，避免因为设备停机造成资损的智能化运维手段，为企业降低运维成本，增强企业效益的实时数据库的故障快速诊断方法及系统显得是尤为重要。
发明内容
本发明为解决公知技术中存在的技术问题，提供一种实时数据库的故障快速诊断方法及系统，用于降低运维的难度，也可以避免在设备因为小故障引发设备停机、甚至报废的现象，避免因为设备停机造成资损，通过该手段实现企业智能化运维手段，为企业降低运维成本，增强企业效益。
本发明的第一目的是提供一种实时数据库的故障快速诊断方法，包括：
S1、基于历史数据构建故障树，故障树构建包括配置故障树-类、元件库、配置表；其中：
故障树-类：结合历史数据和设备构造机理，依据设备类型配置造故障树模板；
元件库：管理故障树事件对应的元器件，元件库包括元件名称、元件编号、元件型号、以及元件图片效果；
配置表：包含故障树模板中事件与设备元件库之间的映射关系，以及事件与PLC映射规则，事件逻辑运算规则；实现故障树模板、元件库、具体设备、触发规则映射；
S2、对故障树实例进行发布，故障树实例就生效，并且在后台定时触发调度；
S3、开展故障诊断，整个诊断过程为：
首先设备通过PLC以及工业互联网数采盒子将设备信息通过MQTT协议发送到云端，云端通过物联网网关实现设备数据解析，然后将数据分为两分，一分发送到时序数据库里面，在实时数据库里面不断积累沉淀形成历史数据；另一份发送到消息中间件里面；
故障调度引起通过订阅消息中间件里面故障信息，然后通过装载实时数据库信息，以及故障树模型、规则因子对故障进行诊断分析；
经过上述流程后将会产生故障分析结果，然后呈现到前端进行展示，并给出设备产生故障原因以及解除故障处理方法、当出现有些故障通过自动故障诊断后无法识别结果，需要人工干预故障分析进行故障诊断与分析，在分析过程中基于问题现象的分析研究发现，再对故障树进行完善丰富；
随着大量故障树迭代，以及故障自动分析诊断知识库沉淀，采用将LR和GBDT算法做结合对知识库进行模型训练，构建实时数据库故障快速诊断模型，接入设备实时数据，实现故障预测，并且提供最佳解决问题的方法。
本发明的第二目的是提供一种实时数据库的故障快速诊断系统，至少包括：
构建模块：基于历史数据构建故障树，故障树构建包括配置故障树-类、元件库、配置表；其中：
故障树-类：结合历史数据和设备构造机理，依据设备类型配置造故障树模板；
元件库：管理故障树事件对应的元器件，元件库包括元件名称、元件编号、元件型号、以及元件图片效果；
配置表：包含故障树模板中事件与设备元件库之间的映射关系，以及事件与PLC映射规则，事件逻辑运算规则；实现故障树模板、元件库、具体设备、触发规则映射；
发布模块、对故障树实例进行发布，故障树实例就生效，并且在后台定时触发调度；
诊断模块、开展故障诊断，整个诊断过程为：
首先设备通过PLC以及工业互联网数采盒子将设备信息通过MQTT协议发送到云端，云端通过物联网网关实现设备数据解析，然后将数据分为两分，一分发送到时序数据库里面，在实时数据库里面不断积累沉淀形成历史数据；另一份发送到消息中间件里面；
故障调度引起通过订阅消息中间件里面故障信息，然后通过装载实时数据库信息，以及故障树模型、规则因子对故障进行诊断分析；
经过上述流程后将会产生故障分析结果，然后呈现到前端进行展示，并给出设备产生故障原因以及解除故障处理方法、当出现有些故障通过自动故障诊断后无法识别结果，需要人工干预故障分析进行故障诊断与分析，在分析过程中基于问题现象的分析研究发现，再对故障树进行完善丰富；
随着大量故障树迭代，以及故障自动分析诊断知识库沉淀，采用将LR和GBDT算法做结合对知识库进行模型训练，构建实时数据库故障快速诊断模型，接入设备实时数据，实现故障预测，并且提供最佳解决问题的方法。
本发明的第三目的是提供一种实现上述实时数据库的故障快速诊断方法的信息数据处理终端。
本发明的第四目的是提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述的实时数据库的故障快速诊断方法。
本发明具有的优点和积极效果是：
一、该发明的技术方案是结合物联网技术加上行业历史经验再结合人工智能技术深度融合创新式应用场景；
二、通过该方法实施落地，使得原先故障诊断检测周期平均至少需要24小时，缩短至只需要3分钟即可，给设备的运维带来划时代的时效性，降低设备因故障导致停产、停工的概率，为企业远程智能化运维提供有利保障。
附图说明
图1为本发明优选实施例的故障树模型图；
图2为本发明优选实施例的诊断流程图；
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下：
如图1至图2所示，本发明的技术方案为：
目前设计了基于实时数据库故障快速诊断方法，本思想重点是基于设备机理，以及历史数据(主要包括老专家的经验)构造一套故障树模型，然后接合设备上报实时信息，以及设备构造元器件，通过触发机制定时调度实时数据库去检索故障树模型，判断故障可能产生的原因，在一些特殊场景需要通过人工手动检索故障产生原因，然后基于故障树给出的推导结果不断深入拆解故障原因，进而分析故障产生根本原因，在进行推导过程中发现有些环节不够完善，需要再推导后将整个故障树模型进行迭代完善；通过结合人工故障检测加上自动故障检测模型以及人工智能算法机理，构建故障快速诊断模型，当设备发生故障后，基于算法机理给出故障产生原因，以及推荐最佳处理手段。
一种实时数据库的故障快速诊断方法，整个实时数据库故障快速诊断流程的实施步骤主要分为构建故障树、人工检测、自动检测、故障诊断模型训练、故障快速诊断、故障精准推荐等流程；
结合行业历史数据构造故障树，故障树构建主要分为配置故障树-类、元件库、配置表：
1.故障树-类：结合历史数据和设备构造机理，依据设备类型配置造故障树模板；
2.元件库：管理故障树事件对应的元器件，包括元件名称、元件编号、元件型号、以及元件图片效果；
3.配置表：包含故障树模板中事件与设备元件库之间的映射关系，以及事件与PLC映射规则，事件逻辑运算规则；实现故障树模板、元件库、具体设备、触发规则映射；
通过上述配置就完成了具体设备故障树实例，然后对故障树实例进行进行发布，这样故障树实例就生效了，并且在后台定时触发调度；
通过故障树实例配置完成后，即可开展故障快速诊断，整个诊断过程如图2所示；
1、首先设备通过PLC以及工业互联网数采盒子将设备信息通过MQTT协议发送到云端，云端通过物联网网关实现设备数据解析，然后将数据分为两分，一分发送到时序数据库里面，在实时数据库里面不断积累沉淀形成历史数据；另一份发送到消息中间件里面；
2、故障调度引起通过订阅消息中间件里面故障信息，然后通过装载实时数据库信息，以及故障树模型、规则因子对故障进行诊断分析；
3、经过上述流程后将会产生故障分析结果，然后呈现到前端进行展示，并给出设备产生故障原因以及解除故障处理方法、当出现有些故障通过自动故障诊断后无法识别结果，需要人工干预故障分析进行故障诊断与分析，在分析过程中基于问题现象的分析研究发现，再对故障树进行完善丰富；
4、随着大量故障树迭代，以及故障自动分析诊断知识库沉淀，采用将LR和GBDT算法做结合对知识库进行模型训练，构建实时数据库故障快速诊断模型，接入设备实时数据，实现故障快速、精准预测，并且提供最佳解决问题的方法。
一种实时数据库的故障快速诊断系统，整个实时数据库故障快速诊断流程的实施步骤主要分为构建故障树、人工检测、自动检测、故障诊断模型训练、故障快速诊断、故障精准推荐等流程；
构建模块，结合行业历史数据构造故障树，故障树构建主要分为配置故障树-类、元件库、配置表：
1.故障树-类：结合历史数据和设备构造机理，依据设备类型配置造故障树模板；
2.元件库：管理故障树事件对应的元器件，包括元件名称、元件编号、元件型号、以及元件图片效果；
3.配置表：包含故障树模板中事件与设备元件库之间的映射关系，以及事件与PLC映射规则，事件逻辑运算规则；实现故障树模板、元件库、具体设备、触发规则映射；
发布模块，通过上述配置就完成了具体设备故障树实例，然后对故障树实例进行进行发布，这样故障树实例就生效了，并且在后台定时触发调度；
诊断模块，通过故障树实例配置完成后，即可开展故障快速诊断，整个诊断过程如图2所示；
1、首先设备通过PLC以及工业互联网数采盒子将设备信息通过MQTT协议发送到云端，云端通过物联网网关实现设备数据解析，然后将数据分为两分，一分发送到时序数据库里面，在实时数据库里面不断积累沉淀形成历史数据；另一份发送到消息中间件里面；
2、故障调度引起通过订阅消息中间件里面故障信息，然后通过装载实时数据库信息，以及故障树模型、规则因子对故障进行诊断分析；
3、经过上述流程后将会产生故障分析结果，然后呈现到前端进行展示，并给出设备产生故障原因以及解除故障处理方法、当出现有些故障通过自动故障诊断后无法识别结果，需要人工干预故障分析进行故障诊断与分析，在分析过程中基于问题现象的分析研究发现，再对故障树进行完善丰富；
4、随着大量故障树迭代，以及故障自动分析诊断知识库沉淀，采用将LR和GBDT算法做结合对知识库进行模型训练，构建实时数据库故障快速诊断模型，接入设备实时数据，实现故障快速、精准预测，并且提供最佳解决问题的方法。
一种实现实时数据库的故障快速诊断方法的信息数据处理终端，所述实时数据库的故障快速诊断方法包括：
结合行业历史数据构造故障树，故障树构建主要分为配置故障树-类、元件库、配置表：
1.故障树-类：结合历史数据和设备构造机理，依据设备类型配置造故障树模板；
2.元件库：管理故障树事件对应的元器件，包括元件名称、元件编号、元件型号、以及元件图片效果；
3.配置表：包含故障树模板中事件与设备元件库之间的映射关系，以及事件与PLC映射规则，事件逻辑运算规则；实现故障树模板、元件库、具体设备、触发规则映射；
通过上述配置就完成了具体设备故障树实例，然后对故障树实例进行进行发布，这样故障树实例就生效了，并且在后台定时触发调度；
通过故障树实例配置完成后，即可开展故障快速诊断，整个诊断过程如图2所示；
1、首先设备通过PLC以及工业互联网数采盒子将设备信息通过MQTT协议发送到云端，云端通过物联网网关实现设备数据解析，然后将数据分为两分，一分发送到时序数据库里面，在实时数据库里面不断积累沉淀形成历史数据；另一份发送到消息中间件里面；
2、故障调度引起通过订阅消息中间件里面故障信息，然后通过装载实时数据库信息，以及故障树模型、规则因子对故障进行诊断分析；
3、经过上述流程后将会产生故障分析结果，然后呈现到前端进行展示，并给出设备产生故障原因以及解除故障处理方法、当出现有些故障通过自动故障诊断后无法识别结果，需要人工干预故障分析进行故障诊断与分析，在分析过程中基于问题现象的分析研究发现，再对故障树进行完善丰富；
4、随着大量故障树迭代，以及故障自动分析诊断知识库沉淀，采用将LR和GBDT算法做结合对知识库进行模型训练，构建实时数据库故障快速诊断模型，接入设备实时数据，实现故障快速、精准预测，并且提供最佳解决问题的方法。
一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行实时数据库的故障快速诊断方法，所述实时数据库的故障快速诊断方法包括：
结合行业历史数据构造故障树，故障树构建主要分为配置故障树-类、元件库、配置表：
1.故障树-类：结合历史数据和设备构造机理，依据设备类型配置造故障树模板；
2.元件库：管理故障树事件对应的元器件，包括元件名称、元件编号、元件型号、以及元件图片效果；
3.配置表：包含故障树模板中事件与设备元件库之间的映射关系，以及事件与PLC映射规则，事件逻辑运算规则；实现故障树模板、元件库、具体设备、触发规则映射；
通过上述配置就完成了具体设备故障树实例，然后对故障树实例进行进行发布，这样故障树实例就生效了，并且在后台定时触发调度；
通过故障树实例配置完成后，即可开展故障快速诊断，整个诊断过程如图2所示；
1、首先设备通过PLC以及工业互联网数采盒子将设备信息通过MQTT协议发送到云端，云端通过物联网网关实现设备数据解析，然后将数据分为两分，一分发送到时序数据库里面，在实时数据库里面不断积累沉淀形成历史数据；另一份发送到消息中间件里面；
2、故障调度引起通过订阅消息中间件里面故障信息，然后通过装载实时数据库信息，以及故障树模型、规则因子对故障进行诊断分析；
3、经过上述流程后将会产生故障分析结果，然后呈现到前端进行展示，并给出设备产生故障原因以及解除故障处理方法、当出现有些故障通过自动故障诊断后无法识别结果，需要人工干预故障分析进行故障诊断与分析，在分析过程中基于问题现象的分析研究发现，再对故障树进行完善丰富；
4、随着大量故障树迭代，以及故障自动分析诊断知识库沉淀，采用将LR和GBDT算法做结合对知识库进行模型训练，构建实时数据库故障快速诊断模型，接入设备实时数据，实现故障快速、精准预测，并且提供最佳解决问题的方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
上述优选实施例通过人工完善故障树模型，将采集设备数据存储到实时数据库里面，然后基于上报的故障触发自动故障检测模型，采用装载故障树、规则因子、配置表、实时数据信息进而故障诊断，通过不断故障检测模型迭代，制作精准故障推荐分析算法，实现快速精准识别故障产生原因，并且指导用户采取何种措施快速修复故障。克服了传统故障诊断难度大，精度低等问题。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。
Claims (4)
1.一种实时数据库的故障快速诊断方法，其特征在于，至少包括：
S1、基于历史数据构建故障树，故障树构建包括配置故障树-类、元件库、配置表；其中：
故障树-类：结合历史数据和设备构造机理，依据设备类型配置造故障树模板；
元件库：管理故障树事件对应的元器件，元件库包括元件名称、元件编号、元件型号、以及元件图片效果；
配置表：包含故障树模板中事件与设备元件库之间的映射关系，以及事件与PLC映射规则，事件逻辑运算规则；实现故障树模板、元件库、具体设备、触发规则映射；
S2、对故障树实例进行发布，故障树实例就生效，并且在后台定时触发调度；
S3、开展故障诊断，整个诊断过程为：
首先设备通过PLC以及工业互联网数采盒子将设备信息通过MQTT协议发送到云端，云端通过物联网网关实现设备数据解析，然后将数据分为两分，一分发送到时序数据库里面，在实时数据库里面不断积累沉淀形成历史数据；另一份发送到消息中间件里面；
故障调度引起通过订阅消息中间件里面故障信息，然后通过装载实时数据库信息，以及故障树模型、规则因子对故障进行诊断分析；
经过上述流程后将会产生故障分析结果，然后呈现到前端进行展示，并给出设备产生故障原因以及解除故障处理方法、当出现有些故障通过自动故障诊断后无法识别结果，需要人工干预故障分析进行故障诊断与分析，在分析过程中基于问题现象的分析研究发现，再对故障树进行完善丰富；
随着大量故障树迭代，以及故障自动分析诊断知识库沉淀，采用将LR和GBDT算法做结合对知识库进行模型训练，构建实时数据库故障快速诊断模型，接入设备实时数据，实现故障预测，并且提供最佳解决问题的方法。
2.一种实时数据库的故障快速诊断系统，其特征在于，至少包括：
构建模块：基于历史数据构建故障树，故障树构建包括配置故障树-类、元件库、配置表；其中：
故障树-类：结合历史数据和设备构造机理，依据设备类型配置造故障树模板；
元件库：管理故障树事件对应的元器件，元件库包括元件名称、元件编号、元件型号、以及元件图片效果；
配置表：包含故障树模板中事件与设备元件库之间的映射关系，以及事件与PLC映射规则，事件逻辑运算规则；实现故障树模板、元件库、具体设备、触发规则映射；
发布模块、对故障树实例进行发布，故障树实例就生效，并且在后台定时触发调度；
诊断模块、开展故障诊断，整个诊断过程为：
首先设备通过PLC以及工业互联网数采盒子将设备信息通过MQTT协议发送到云端，云端通过物联网网关实现设备数据解析，然后将数据分为两分，一分发送到时序数据库里面，在实时数据库里面不断积累沉淀形成历史数据；另一份发送到消息中间件里面；
故障调度引起通过订阅消息中间件里面故障信息，然后通过装载实时数据库信息，以及故障树模型、规则因子对故障进行诊断分析；
经过上述流程后将会产生故障分析结果，然后呈现到前端进行展示，并给出设备产生故障原因以及解除故障处理方法、当出现有些故障通过自动故障诊断后无法识别结果，需要人工干预故障分析进行故障诊断与分析，在分析过程中基于问题现象的分析研究发现，再对故障树进行完善丰富；
随着大量故障树迭代，以及故障自动分析诊断知识库沉淀，采用将LR和GBDT算法做结合对知识库进行模型训练，构建实时数据库故障快速诊断模型，接入设备实时数据，实现故障预测，并且提供最佳解决问题的方法。
3.一种实现权利要求1所述实时数据库的故障快速诊断方法的信息数据处理终端。
4.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1所述的实时数据库的故障快速诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010431322.7A CN111736568A (zh) | 2020-05-20 | 2020-05-20 | 一种实时数据库的故障快速诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010431322.7A CN111736568A (zh) | 2020-05-20 | 2020-05-20 | 一种实时数据库的故障快速诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111736568A true CN111736568A (zh) | 2020-10-02 |
Family
ID=72647521
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010431322.7A Pending CN111736568A (zh) | 2020-05-20 | 2020-05-20 | 一种实时数据库的故障快速诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111736568A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112422336A (zh) * | 2020-11-10 | 2021-02-26 | 深圳市康必达控制技术有限公司 | 一种故障的智能诊断方法 |
| CN113516377A (zh) * | 2021-06-23 | 2021-10-19 | 国网山东省电力公司邹城市供电公司 | 一种基于电力监控平台的多层级数据处理系统 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0242535A (ja) * | 1988-08-03 | 1990-02-13 | Hitachi Ltd | 知識ベース構築装置 |
| CN1433535A (zh) * | 2000-01-29 | 2003-07-30 | Abb研究有限公司 | 用于自动生成故障树结构的方法 |
| CN101950327A (zh) * | 2010-09-09 | 2011-01-19 | 西北工业大学 | 一种基于故障树信息的设备状态预测方法 |
| US20120101793A1 (en) * | 2010-10-22 | 2012-04-26 | Airbus Operations (S.A.S.) | Method, devices and computer program for assisting in the diagnostic of an aircraft system, using failure condition graphs |
| US20130274992A1 (en) * | 2012-04-12 | 2013-10-17 | Airbus | Method, devices and program for computer-aided preventive diagnostics of an aircraft system, using critical event charts |
| CN104376033A (zh) * | 2014-08-01 | 2015-02-25 | 中国人民解放军装甲兵工程学院 | 一种基于故障树和数据库技术的故障诊断方法 |
| CN104454785A (zh) * | 2014-09-25 | 2015-03-25 | 中南大学 | 一种工程机械液压缸故障诊断系统及与之适用的故障样本信号采集方法 |
| CN104750742A (zh) * | 2013-12-31 | 2015-07-01 | 南京理工大学常熟研究院有限公司 | 一种掘进机液压系统故障诊断方法和系统 |
| CN105718323A (zh) * | 2015-12-31 | 2016-06-29 | 山东中创软件商用中间件股份有限公司 | 一种基于故障树的故障诊断方法和装置 |
| CN106354118A (zh) * | 2016-08-25 | 2017-01-25 | 株洲中车时代电气股份有限公司 | 一种基于故障树的列车故障诊断系统及方法 |
| CN107703908A (zh) * | 2017-08-25 | 2018-02-16 | 安徽科技学院 | 一种基于云平台的锻压机实时智能诊断系统 |
| CN107862052A (zh) * | 2017-11-08 | 2018-03-30 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种故障案例库、故障树及故障谱构建方法 |
| CN108319673A (zh) * | 2018-01-25 | 2018-07-24 | 北京航天发射技术研究所 | 一种基于关系数据库的故障树构建方法 |
| CN109726505A (zh) * | 2019-01-14 | 2019-05-07 | 哈尔滨工程大学 | 一种基于智能故障树的锻压机床主传动机构故障诊断系统 |
| CN109783500A (zh) * | 2019-01-21 | 2019-05-21 | 北京邮电大学 | 一种基于故障树和案例相似性的故障诊断方法 |
| CN110968619A (zh) * | 2019-11-28 | 2020-04-07 | 机械工业仪器仪表综合技术经济研究所 | 基于故障树(fta)的液压机自学习故障诊断方法及系统 |
-
2020
- 2020-05-20 CN CN202010431322.7A patent/CN111736568A/zh active Pending
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0242535A (ja) * | 1988-08-03 | 1990-02-13 | Hitachi Ltd | 知識ベース構築装置 |
| CN1433535A (zh) * | 2000-01-29 | 2003-07-30 | Abb研究有限公司 | 用于自动生成故障树结构的方法 |
| CN101950327A (zh) * | 2010-09-09 | 2011-01-19 | 西北工业大学 | 一种基于故障树信息的设备状态预测方法 |
| US20120101793A1 (en) * | 2010-10-22 | 2012-04-26 | Airbus Operations (S.A.S.) | Method, devices and computer program for assisting in the diagnostic of an aircraft system, using failure condition graphs |
| US20130274992A1 (en) * | 2012-04-12 | 2013-10-17 | Airbus | Method, devices and program for computer-aided preventive diagnostics of an aircraft system, using critical event charts |
| CN104750742A (zh) * | 2013-12-31 | 2015-07-01 | 南京理工大学常熟研究院有限公司 | 一种掘进机液压系统故障诊断方法和系统 |
| CN104376033A (zh) * | 2014-08-01 | 2015-02-25 | 中国人民解放军装甲兵工程学院 | 一种基于故障树和数据库技术的故障诊断方法 |
| CN104454785A (zh) * | 2014-09-25 | 2015-03-25 | 中南大学 | 一种工程机械液压缸故障诊断系统及与之适用的故障样本信号采集方法 |
| CN105718323A (zh) * | 2015-12-31 | 2016-06-29 | 山东中创软件商用中间件股份有限公司 | 一种基于故障树的故障诊断方法和装置 |
| CN106354118A (zh) * | 2016-08-25 | 2017-01-25 | 株洲中车时代电气股份有限公司 | 一种基于故障树的列车故障诊断系统及方法 |
| CN107703908A (zh) * | 2017-08-25 | 2018-02-16 | 安徽科技学院 | 一种基于云平台的锻压机实时智能诊断系统 |
| CN107862052A (zh) * | 2017-11-08 | 2018-03-30 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种故障案例库、故障树及故障谱构建方法 |
| CN108319673A (zh) * | 2018-01-25 | 2018-07-24 | 北京航天发射技术研究所 | 一种基于关系数据库的故障树构建方法 |
| CN109726505A (zh) * | 2019-01-14 | 2019-05-07 | 哈尔滨工程大学 | 一种基于智能故障树的锻压机床主传动机构故障诊断系统 |
| CN109783500A (zh) * | 2019-01-21 | 2019-05-21 | 北京邮电大学 | 一种基于故障树和案例相似性的故障诊断方法 |
| CN110968619A (zh) * | 2019-11-28 | 2020-04-07 | 机械工业仪器仪表综合技术经济研究所 | 基于故障树(fta)的液压机自学习故障诊断方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112422336A (zh) * | 2020-11-10 | 2021-02-26 | 深圳市康必达控制技术有限公司 | 一种故障的智能诊断方法 |
| CN113516377A (zh) * | 2021-06-23 | 2021-10-19 | 国网山东省电力公司邹城市供电公司 | 一种基于电力监控平台的多层级数据处理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110794800B (zh) | 一种智慧工厂信息管理的监控系统 | |
| CN101639687B (zh) | 一种集成化工艺质量控制系统及其实现方法 | |
| US8078294B2 (en) | Conditional download of data from embedded historians | |
| CN111736568A (zh) | 一种实时数据库的故障快速诊断方法及系统 | |
| CN111459698A (zh) | 一种数据库集群故障自愈方法及装置 | |
| CN110852624A (zh) | 一种面向企业执行层的智能制造管理系统及其运作方法 | |
| US20170075332A1 (en) | Scheduling in manufacturing environments | |
| CN107065813A (zh) | 一种车间设备数据监控系统及方法 | |
| CN110956282A (zh) | 一种配电自动化缺陷管理系统及方法 | |
| CN111178660A (zh) | 混合产品生产线中生产节拍确定方法、装置及电子设备 | |
| US20200019382A1 (en) | Constraint programming using block-based workflows | |
| CN113342826A (zh) | 一种对不同数据采集引擎的数据操作进行统一管理的方法、存储介质及系统 | |
| CN117077976A (zh) | 一种车间生产管理方法、装置以及存储介质 | |
| CN112734054A (zh) | 一种基于物联网的设备远程诊断运维方法及系统 | |
| CN112783740B (zh) | 一种基于时间序列特征的服务器性能预测方法及系统 | |
| CN113570084B (zh) | 一种基于设备维修生成故障分析报告的方法和系统 | |
| TWI806004B (zh) | 自動化視覺檢測的ai流程管理系統及方法 | |
| CN116044867A (zh) | 基于自动编程的液压系统控制方法、系统、设备及介质 | |
| CN115357023A (zh) | 移动机器人运行数据的回放方法、装置、设备和存储介质 | |
| CN114219109A (zh) | 一种会议室巡检记录管理方法、装置和电子设备 | |
| TWM611949U (zh) | 自動化視覺檢測的ai流程管理系統 | |
| CN113535837A (zh) | 统一数据开发与分布式的调度系统 | |
| CN113835387A (zh) | 运维管理方法、系统及介质 | |
| US20200019910A1 (en) | Block-based prediction for manufacturing environments | |
| Long et al. | 6G comprehensive intelligence: network operations and optimization based on Large Language Models |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201002 |