CN111781498A - 一种设备检测点的数据分析系统 - Google Patents
一种设备检测点的数据分析系统 Download PDFInfo
- Publication number
- CN111781498A CN111781498A CN202010565000.1A CN202010565000A CN111781498A CN 111781498 A CN111781498 A CN 111781498A CN 202010565000 A CN202010565000 A CN 202010565000A CN 111781498 A CN111781498 A CN 111781498A
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- detection
- current
- detection point
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本发明公开了一种设备检测点的数据分析系统,包括设备管理系统以及与所述备管理系统通信连接的数据处理单元;所述设备管理系统用于提供各设备检测点的数据,并将各设备检测点的数据送入所述数据处理单元进行预测分析;所述设备管理系统包括配置在各设备检测点的检测装置、与设备及各检测装置数据连接的设备控制单元以及服务器,该服务器与设备检测点上的检测装置和设备控制单元进行数据通信,所述数据处理单元将数据分析结果发送设备控制单元进行显示或保存。本发明通过对检测数据与预测数据之间的差异进行分析以及对应不同的工况选择不同的数据预测模型,减少数据量并增加了数据分析的准确度,具有较高的分析灵活性。
Description
技术领域
本申请属于设备检测与数据处理技术领域,尤其涉及一种设备检测点的数据分析系统。
背景技术
工业设备在出现故障时通常会引起设备参数的变化,例如振动异常、温度异常等,通过分析这些参数的变化可对设备在使用过程中发生的故障起到预警作用。目前,在分析这些参数的数据时,普遍采用一固定值作为预警线的方式,通过该固定值与数据进行比较,从而确定数据是否异常,但这种方式灵活性较低,导致预警时效性较差,例如经常会出现没有超过预警线,但是处于故障状态的情况。在正常的生产运作过程中,设备的运行状态,或输出状态,会随着时间、工况、需求、等各种因素发生改变而改变。固定的预警值,并不能实时反映出这些因素带来的影响。如果预警值范围过窄,极容易产生误报;而过宽的预警值则失去了预警的意义,只能当故障发生时带来警示作用
发明内容
本发明的目的在于提供一种设备检测点的数据分析系统,本发明的分析系统用于解决现有技术中因预警线不够灵活而导致数据分析结果准确率低的问题。为了实现上述目的,本发明采用以下技术效果:
根据本发明的一个方面,提供一种设备检测点的数据分析系统,所述数据分析系统包括:包括设备管理系统以及与所述备管理系统通信连接的数据处理单元;所述设备管理系统用于提供各设备检测点的数据,并将各设备检测点的数据送入所述数据处理单元进行预测分析;
所述设备管理系统包括,配置在各设备检测点的检测装置,用于提供各设备检测点的当前工作状态、当前运行数据和当前检测数据;
与设备及各检测装置数据连接的设备控制单元,用以控制设备的工作状态、以及收集并转发各所述当前检测数据;
服务器,与设备检测点上的检测装置和设备控制单元进行数据通信,用于接收当前各种检测数据并执行设备检测点的数据分析结果;
所述数据处理单元,用于与设备检测点上的检测装置或设备控制单元进行数据通信,所述数据处理单元将数据分析结果发送设备控制单元进行显示或保存。
上述方案优选的,所述设备为抽水蓄能发电电动机,所述的设备检测点设置在以下任一位置:抽水蓄能发电电动机各轴承的轴瓦处、及润滑油油箱内;所述数据处理单元包括数据采集模块、数据处理模块和数据发送模块;
所述数据采集模用以获取设备检测点的当前工作状态、当前运行数据以及所述设备检测点上的当前检测数据;
所述数据处理模块用以根据所述当前工作状态及当前运行数据进行预测计算,以获得所述设备检测点的当前预测数据;以及分析当前预测数据与所述当前检测数据之间的差异,以得到所述设备检测点的数据分析结果;
所述数据发送模块将数据处理模块每一次得到的各设备检测点的数据分析结果发送给所述设备控制单元。
上述方案优选的,所述数据处理模块还用以预处理所述当前运行数据以得到当前特征数据;以及根据所述当前工作状态及所述当前特征数据进行预测计算,以获得所述设备检测点的当前预测数据。
上述方案优选的,所述设备检测点的数据为温度数据,所述当前运行数据包括在当前工作状态对应的时间段内的以下至少一种数据:当前工作状态开始时所述设备检测点的检测数据、当前工作状态维持的时长、设备当前的输出功率和设备当前的冷却水进口温度。
上述方案优选的,所述当前预测数据是通过执行一个数据预测模型而得到的,该数据预测模型是根据所述当前工作状态对应选择的;所述数据处理模块还用以训练所述数据预测模型;所述数据预测模型是通过所述设备的历史工作状态、历史运行数据以及所述设备检测点上的历史检测数据训练得到的,该数据预测模型的训练过程包括:
数据采集模块获取所述设备的历史工作状态、所述历史运行数据以及所述设备检测点上的历史检测数据;
数据处理模块根据所述历史工作状态及所述历史运行数据进行预测计算,以获得所述设备检测点的历史预测数据;
数据处理模块通过分析所述历史预测数据与所述历史检测数据之间的差异,调整所述数据预测模型中的参数,以使所述数据预测模型的预测误差范围在预设误差范围内。
上述方案进一步优选的,所述数据处理模块还用以预处理所述历史运行数据以得到所述历史特征数据,以及根据所述历史工作状态及历史特征数据进行预测计算,以获得所述设备检测点的历史预测数据。
上述方案进一步优选的,所述数据处理模块还根据所述当前预测数据与所述当前检测数据之间的差值,得到所述设备检测点的数据分析结果。
上述方案进一步优选的,所述数据处理模块还将所述当前预测数据和所述当前检测数据输入一个残差模型,以得到所述设备检测点的数据分析结果,该残差模型是根据历史预测数据与设备检测点上的历史检测数据训练得到的。
上述方案进一步优选的,所述数据处理模块还用以训练所述残差模型,所述残差模型的训练方法包括:根据多组历史工作状态及其对应的历史运行数据进行预测计算,以获得所述设备检测点的多个历史预测数据;所述预测计算通过所述数据处理模块执行一个数据预测模型而得到历史预测数据;分析多个所述历史预测数据与所对应的多个历史检测数据之间的差异,拟合得到所述差异的分布;根据所述差异的分布,得到所述残差模型中用于输出设备检测点分析结果的分析阈值区间。
上述方案进一步优选的,所述数据处理模块还用以执行以下至少一种步骤:将所得到的所述设备检测点的数据分析结果呈现在所述设备控制单元的显示界面中,以及基于所得到的所述设备检测点数据分析结果的异常分析结果触发预警信号。
综上所述,由于本发明采用了上述技术方案,本发明具有以下技术效果:
(1)、本申请的分析系统通过对检测数据与预测数据之间的差异进行分析以得到设备检测点的数据分析结果,具有较高的分析灵活性。
(2)、本申请的分析系统通过机器学习算法辅助分析,对设备历史上的大量事件记录进行分类学习和分析,为预测数据的预测计算提供基础,本申请的分析系统通过对运行数据进行预处理,及对应不同的设备检测点、不同的工作状态选择不同的数据预测模型,从而在减少数据量的同时增加了数据分析的准确度。
(3)、选用不因机组异常工作状况而发生改变的值作为预测用特征来源,避免了因故障发生引起的特征值异常导致的预测值偏移,保证了预测系统的稳定性;另外,本申请还通过残差模型辅助分析,进一步减少了分析误差。
附图说明
图1是本发明的一种设备检测点的数据分析系统的原理图;
图2是本发明的所述数据处理单元的原理图;
图3是本发明的数据处理单元的分析流程图;
图4是本发明的数据预测模型的训练方法流程图;
图5是本发明的预测计算的流程图;
图6是本发明的设备检测点的检测数据的变化过程示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下参照附图并举出优选实施例,对本发明进一步详细说明。然而,需要说明的是,说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解,即便没有这些特定的细节也可以实现本发明的这些方面。
虽然在一些实例中术语第一、第二等在本文中用来描述各种系统,但是这些系统不应当被这些术语限制。这些术语仅用来将一个系统与另一个系统进行区分。例如,数据分析系统可称为第一数据分析系统、或可以被称作第二数据分析系统、或可称为数据分析处理单元或可称为数据处理单元,并且类似地,第二数据分析系统可以被称作第一数据分析系统,而不脱离各种所描述的实施例的范围。第一数据分析系统和第二数据分析系统均是在描述一个数据分析系统,但是除非上下文以其他方式明确指出,否则它们不是同一个数据分析系统。
再者,如同在本文中所使用的,单数形式“一”、“一个”和“该”旨在也包括复数形式,除非上下文中有相反的指示。应当进一步理解,术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组,但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的,或意味着任一个或任何组合。因此,“A、B或C”或者“A、B和/或C”意味着“以下任一个:A;B;C;A和B;A和C;B和C;A、B和C”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时,才会出现该定义的例外。
诚如背景技术部分所述,工业设备在出现故障时通常会引起设备参数的变化,通过分析这些参数的变化可对设备在使用过程中发生的故障起到预警作用。然而在一些实施方式中,采用固定值作为预警线,并对超出预警线的数值进行预警的方式通常会受到各因素影响,例如在夏季环境温度较高时,设备在运行过程中的温度相对于冬季环境下运行较高,若采用统一的标准则会产生较大的误差,将非异常判断为异常,或将异常判断为非异常。在另一些实施方式中,采用两级预警线的方式进行预警,其中第一级预警线的数值低于第二级预警线的数值,当超出第一级预警线时,通过人工判断是否存在异常,当超过第二季预警线时,直接判断异常。但这种方式依然存在着耗费人力的同时判断不灵活的缺陷,以致分析结果准确率低且分析效率低下。
有鉴于此,在本发明的实施方式中提供一种设备检测点的数据分析系统,所述设备举例包括旋转机械设备、水力机械设备等工业设备。在所述设备的不同位置上可根据实际需求设置设备检测点,并在设备检测点上配置检测装置以获取检测装置所反馈的设备检测点的数据,即检测数据。通过分析检测数据是否存在异常,可以为判断设备的运转情况、设备是否存在故障等提供数据基础。以所述设备为抽水蓄能发电电动机机组为例,抽水蓄能发电电动机机组包括水轮机、主轴、滑动轴承、冷却水系统、油系统等,所述滑动轴承包括上导轴承、下导轴承、推力轴承、水导轴承。在各滑动轴承与主轴之间通过来自油系统的润滑油辅助起到滑动作用,并通过来自冷却水系统的冷却水对润滑油进行热交换以降低润滑油的温度。其中,润滑油储存于油系统的润滑油油箱内,并通过润滑油的输送系统被输送至各滑动轴承与主轴之间。冷却水通过对润滑油油箱隔水冷却从而降低润滑油油箱内的油温。在此,可在所述抽水蓄能发电电动机各滑动轴承的轴瓦处、或润滑油油箱内、或者其他需要检测的部位等设置设备检测点并配置检测装置,以便实时获取这些部位的检测数据。其中,所述检测装置可以为用以检测所在部位振动频率的振动传感器,也可以为用以检测所在部位温度的温度传感器。
应当理解,本实施例中虽然以抽水蓄能发电电动机机组为例,但在实际的应用中,所述设备也可以是其他类型的设备,并不以此为限。相应地,所述设备中的检测装置类型也可以根据实际需求被配置为各种类型的传感器。
所述设备检测点的数据分析过程主要由数据分析系统来执行。其中,所述数据分析系统可由服务器来执行。为此,所述数据分析系统可以是配置在服务器的软件系统。所述服务器包括但不限于单台服务器、服务器集群、分布式服务器群、云服务器等。在此,根据实际设计,所述数据分析系统所在服务器可被配置为位于设备侧的机房内。例如,所述数据分析系统所在单台服务器或服务器集群位于设备侧的机房内。或者,根据实际设计,所述数据分析系统还可配置于云提供商所提供的云服务器中。其中,所述云服务器包括公共云(Public Cloud)服务器与私有云(Private Cloud)服务器,其中,所述公共或私有云服务器包括Software-as-a-Service(软件即服务,SaaS)、Platform-as-a-Service(平台即服务,PaaS)及Infrastructure-as-a-Service(基础设施即服务,IaaS)等。所述私有云服务器例如阿里云计算服务平台、亚马逊(Amazon)云计算服务平台、百度云计算平台、腾讯云计算平台等等。
根据数据分析系统的实际设计,所述服务器可与设备的控制系统通信连接。其中,所述控制系统为计算机设备上所运行的软件系统,其借助于计算机设备收集所述设备上各设备检测点所布置的各类检测装置的检测数据、获取所述设备的运行数据、工作状态以及向所述设备输出控制指令等。例如,在所述设备上分布着振动传感器、温度传感器、电流传感器等,所述控制系统获得上述任一种或多种传感器所提供的检测数据,并通过通信网络传递给数据分析系统。或者,根据所述数据分析系统的实际设计,所述服务器还可直接与所述设备以及各设备检测点所布置的检测装置等通信连接,从而收集各所述设备检测点的检测数据、获取所述设备的运行数据、工作状态等。
应当理解,所述设备通常具有多个工作状态,在某些实施方式中,所述工作状态又被称之为工况。每个工作状态下所产生的效能不同,通过设定所述设备的工作状态可满足实际生产的要求。例如,温控设备可根据实际生产的要求将工作状态设置为制冷或制热模式;又如,所述抽水蓄能发电电动机机组可根据实际生产的要求将工作状态设置为停机、泵抽水或发电模式。依据所述设备的类型及其在工作中所能提供的效能,在本发明实施方式中,所述工作状态为反映设备工作过程中所处于的模式,其可通过设置在设备检测点的传感器检测或设备检测点自身而得到。数据分析系统通过传感器获取了电机当前的振动频率并由此分析出电机当前的转速,从而从转速中推测出电机当前的工作状态,由此得到工作状态。其中,根据设备自身所能提供的工作状态的数量和类型,以及另行装配在设备中传感器的数量和类型,所述设备检测点可以为一个或多个。以水泵为例,在水泵上可配置多个设备检测点,比如出水口、电机输出功率、电机输出轴等。藉由水泵示例并推广至其他设备,根据其在生产中的角色并通过内置或外置在各设备检测点上的传感器,所述工作状态可借由设备在提供生产所需的能量期间各设备检测点所提供的以下至少一种数据中所得到:振动、温度、转速、流量、水温、阀门开度、进口压力、出口压力等。例如:当设备为水泵且所述设备检测点位于控制出水量的阀门处时,所述工作状态可通过流量等获取;当设备为水泵且所述设备检测点位于水泵的电机输出轴时,所述工作状态可通过转速获取;当设备为水泵且所述设备检测点位于驱动水泵的电机侧时,所述工作状态可通过电流获取等。在另一实施方式中,所述工作状态还可通过所述设备自身或设备的管理系统等对设备的控制操作而得到。其中,所述控制操作可被记录在控制设备操作的事件记录、或管理数据库中。例如,所述设备直接将当前自身工作中所处于的工作状态发送给数据分析系统。又如,所述设备将当前自身工作中所处于的工作状态发送给管理系统,并经由管理系统将所述设备的工作状态发送给数据分析系统。再如,基于所述管理系统向设备输出的控制指令以控制所述设备在不同的工况中切换,所述数据分析系统还可通过管理系统获取所述设备的工作状态。
所述运行数据为所述设备在运行期间所产生的相关参数。换言之,所述运行数据基于设备的运行而产生,其通过各类参数的形式反映了设备开启后的运行状态,所述运行数据包括但不限于为:温度数据、时间数据、功率数据、振动数据。通常,所述运行数据基于以下中的至少一种而确定:设备的类型、以及检测装置的类型、检测装置在设备中的位置。例如,当检测装置为温度传感器时,所述运行数据包括在当前工作状态对应的时间段内的以下至少一种数据:当前工作状态开始时检测装置上的温度数据、当前工作状态维持的时长、设备当前的输出功率、设备当前的冷却水进口温度,在一些情况下,还可包括环境温度等。又如,当所述设备为风机、且检测装置为设置在轴承上的振动传感器时,所述运行数据至少包括设备的输出功率等。在可能的实施方式中,可根据运行数据的类型来确定获取运行数据的方式,例如当所述运行数据为时间数据时,可通过所述设备自身或设备的管理系统等方式而得到;又如当所述运行数据为温度数据、功率数据、振动数据时,所述运行数据可通过检测装置的检测数据而生成。
在此,以通过所述数据分析系统分析单个设备检测点的数据为例,描述分析设备检测点数据的分析执行过程,本发明的一种设备检测点的数据分析系统,所述数据分析系统包括:包括设备管理系统以及与所述备管理系统通信连接的数据处理单元;如图1所示,所所述设备管理系统用于提供各设备检测点的数据,并将各设备检测点的数据送入所述数据处理单元进行预测分析;所述设备管理系统包括配置在各设备检测点的检测装置,用于提供各设备检测点的当前工作状态、当前运行数据和当前检测数据;与设备及各检测装置数据连接的设备控制单元,用以控制设备的工作状态、以及收集并转发各所述当前检测数据;服务器,与设备检测点上的检测装置或设备控制单元进行数据通信,以及以及用于接收当前各设备检测点的当前工作状态、当前运行数据和当前检测数据,并且还执行调用数据处理单元对设备检测点的数据分析结果或数据分析过程或方法,;所述数据处理单元用于与设备检测点上的检测装置或设备控制单元进行数据通信,所述数据处理单元将数据分析结果发送设备控制单元进行显示或保存,所述设备控制单元(也称设备的控制系统),与所述设备及各所述检测装置数据连接,用以控制所述设备的工作状态、以及收集并转发各所述当前检测数据,所述设备控制单元与服务器通信连接,用于接收各所述当前检测数据并执行设备检测点的数据分析;
本发明的实施例通过单个设备检测点的数据为例,本发明实例提供了一种设备检测点的数据分析系统,描述分析设备检测点数据的执行过程,结合图2,所述数据处理单元包括数据采集模块21、数据处理模块22和数据发送模块23,结合图3,所述数据处理单元对数据进行分析处理过程包括以下步骤:
步骤S110:数据采集模块21用以获取设备的当前工作状态CW_State、当前运行数据CR_Data以及设备检测点上的当前检测数据CDetc_Data;为此,可通过数据处理单元获取所述设备的当前工作状态CW_State、当前运行数据CR_Data以及所述设备检测点上的当前检测数据CDetc_Data。其中,所述当前运行数据CR_Data与当前工作状态CW_State具有对应关系,即所述当前运行数据CR_Data为当前工作状态CW_State下的运行数据。
应当理解,检测数据与设备的工作状态有关。具体地说,同一设备检测点在不同的工作状态下所受的影响也不同,由此使得不同的工作状态下设备检测点的检测数据也可能不同。例如,风机在强力运转的工作状态和非强力运转的工作状态下,设备的振动频率不同,因此风机设备检测点上的振动传感器所反馈的检测数据也会不同。又如,抽水蓄能发电电动机机组在泵抽水模式的工作状态和发电模式的工作状态下,抽水蓄能发电电动机机组的滑动轴承与主轴之间的摩擦方向和频率不同,导致抽水蓄能发电电动机机组设备检测点上的温度传感器所反馈的检测数据也会不同。故在此,所述数据分析系统通过数据采集模块21获取设备的当前工作状态CW_State,以提高对设备检测点的数据分析结果的精准度。另一方面,运行数据也会对检测数据产生影响。例如,当设备检测点上的检测装置为温度传感器时,设备开启时该设备检测点的温度、当前工作状态CW_State所持续的时间均会对该设备检测点的温度产生影响,由此影响设备检测点的检测数据。因此,数据采集模块21还获取当前运行数据CR_Data,并且,为了提高分析结果的精准度,该获取的当前运行数据CR_Data是与当前工作状态CW_State相对应的,即所述当前运行数据CR_Data是基于设备当前的工作状态所产生的。为此,所获取的运行数据中至少包括了在当前工作状态CW_State开始时所述设备检测点的检测数据、当前工作状态CW_State所持续的时间、设备当前的输出功率。
在本发明实施方式中,所述检测装置收集各所述设备检测点的检测数据、获取所述设备的运行数据、工作状态等,为此,由设备管理系统将包含所述设备当前工作状态CW_State、当前运行数据CR_Data以及所述设备检测点上的当前检测数据CDetc_Data的请求发送给所述数据处理单元的数据采集模块21,以便数据处理单元的数据采集模块21接收所述请求从而获取所述设备的当前工作状态CW_State、当前运行数据CR_Data以及所述设备检测点上的当前检测数据CDetc_Data。其中,所述工作状态和运行数据可由设备管理系统从所述设备的事件记录中提取。例如,所述设备管理系统基于当前时间,从设备的事件记录中提取相应的工作状态、运行数据、以及所述设备检测点上的检测数据,以作为所述设备的当前工作状态CW_State、当前运行数据CR_Data、以及所述设备检测点上的当前检测数据CDetc_Data从而发送给所述数据分析系统的数据采集模块21,再由数据采集模块21送入所述数据处理模块,从而获得设备检测点的前运行数据CR_Data等以及当前检测数据CDetc_Data。
步骤S120,所述数据处理模块22用以根据所述当前工作状态CW_State及当前运行数据CR_Data进行预测计算,以获得所述设备检测点的当前预测数据CPre_Data;其中,预测数据为所述设备检测点与检测装置所提供的类型相对应的预测值,所述当前预测数据CPre_Data反映了基于当前工作状态CW_State和当前运行数据CR_Data,所述设备检测点上当前所可能达到的数据值。在本发明实施例中,为在减少运算量的同时提高数据分析的准确率,所述数据处理模块22还预处理所述当前运行数据CR_Data以得到所述当前特征数据;根据所述当前工作状态CW_State及当前特征数据进行预测计算,以获得所述设备检测点的当前预测数据CPre_Data;所述预处理包括但不限于对当前运行数据CR_Data进行重采样、清洗空值、特征提取等处理。其中,所述重采样为对当前运行数据CR_Data基于预设的获取频率进行平均处理。具体地说,在一些情况下,所述数据分析系统的数据采集模块21对运行数据的获取频率较高,由此导致数据量庞大,增加了计算负担。因此,可通过按照预设的运行数据的获取频率对原始的当前运行数据CR_Data进行平均处理,从而减少数据量。例如,所述数据处理单元的数据采集模块21对运行数据的原获取频率为0.5s/次,为减少数据量,将预设的运行数据的获取频率定义为10s/次,则该预设的运行数据的获取频率对应了20组原始的当前运行数据CR_Data。在此,将该10/s内的20组当前运行数据CR_Data做均值处理,从而对当前运行数据CR_Data进行重采样。应当理解,上述仅为本实施例中重采样方式的举例但并不以此为限,本领域技术人员还可通过类似的方法实现重采样,例如将预设的运行数据的获取频率根据实际需要定义为1s/次、2s/次、3s/次、4s/次、5s/次、6s/次、7s/次、8s/次、9s/次、11s/次、12s/次、13s/次、14s/次、15s/次、16s/次、17s/次、18s/次、19s/次、20s/次等。所述清洗空值为对当前运行数据CR_Data中为空值(例如数据值为0)的数据予以删除,由此减少数据运算量。应当理解,上述仅为本实施例中清洗空值方式的举例但并不以此为限,本领域技术人员还可通过类似的方法实现清洗空值,例如将空值定义为数值小于某一阈值的数据,并将数据值小于该阈值的数据予以删除等。所述特征提取为减少特征数据集中的属性(或者称为特征)的数目,从所述事件记录中筛选出更有利于数据分析的当前运行数据CR_Data。应当理解,在事件记录中,记录有各类具有对应关系的时间信息和事件条目。但对于设备检测点的数据分析而言,为提高分析效率,可提取其中的部分具有对应关系的时间信息和事件条目,其包括但不限于工作状态转换成功后的运行数据、工作状态处于稳定阶段的运行数据等。例如,所述数据处理单元的数据处理模块22将事件记录中具有工作状态转换成功记录所对应的当前运行数据CR_Data作为当前特征数据。又如,在一些情况下,由于每一种工作状态在转换的初始阶段会经历一过渡阶段后进入稳定阶段,所述过渡阶段对应的检测数据会有较大变化,所述稳定阶段对应的检测数据浮动较小,因此,所述数据处理单元的数据处理模块22可将事件记录中工作状态处于稳定阶段的当前运行数据CR_Data作为当前特征数据。以所述设备为抽水蓄能发电电动机机组且设备检测点上的检测设备为温度传感器为例。
在本实施例中,结合图6,为本申发明中的检测数据该实施方式中的变化过程示意图,所述抽水蓄能发电电动机机组包括停机模式(S)、泵抽水模式(P)、发电模式(G)三种工作状态,图中横坐标表示时间,纵坐标表示检测数据的值。从图6中可见,在A线到B线之间,设备处在停机模式,检测数据呈明显下降趋势。在B线到C线之间,设备处在泵抽水模式下,在经历一段时间的过渡阶段(即图中B线到C线之间较陡的数据段)后,检测数据的值趋于平稳,即进入泵抽水模式稳定阶段。在C线到D线之间,设备再次处于停机模式,检测数据呈明显下降趋势。在D线到E线之间,设备处于发电模式,在经历一段时间的过渡阶段(即图中D线到E线之间较陡的数据段)后,检测数据的值趋于平稳,即进入发电模式稳定阶段。同理,在E~K线之间,类似地经历三种工作状态的互相切换。在此,所述数据分析系统的数据处理模块22可仅提取各工作状态进入稳定阶段后的当前运行数据CR_Data作为当前特征数据,从而根据所述当前工作状态CW_State及当前特征数据进行预测计算,以获得所述设备检测点的当前预测数据CPre_Data。
在本发明实施例中,所述预测计算的方式可依据所述设备的历史工作状态HW_State、历史运行数据HR_Data、以及历史检测数据HDec_Data来确定。具体地说,所述数据处理单元的数据处理模块22根据当前工作状态CW_State确定相同的历史工作状态HW_State中,与当前运行数据CR_Data最接近的历史运行数据HR_Data所对应的历史检测数据HDec_Data。例如,抽水蓄能发电电动机机组的当前工作状态CW_State为泵抽水状态,则数据分析系统的数据处理模块22可在为泵抽水状态的历史工作状态HW_State中寻找与当前运行数据CR_Data最接近的历史运行数据HR_Data,并将该历史运行数据HR_Data所对应的历史检测数据HDec_Data作为当前预测数据CPre_Data。
在本发明实施例中,为了更准确地对所述当前工作状态CW_State和当前运行数据CR_Data进行预测计算以得到当前预测数据CPre_Data,所述数据处理单元的数据处理模块22预先构建了用以预测计算设备检测点预测数据的数据预测模型,所述当前预测数据CPre_Data是通过执行一个数据预测模型而得到的;所述数据预测模型为包含决策树或神经网络等机器学习算法的软件算法,如LSTM网络、或者LSTM神经网络与XGBoost结合的模型等。在本发明实施例中,所述数据预测模型是根据所述当前工作状态CW_State对应选择的。应当理解,由于每一设备检测点在设备上的位置不同,故每一设备检测点上检测装置的检测数据、以及分析检测数据正常或异常的分析结果的标准也不同。为提高对设备检测点的数据分析结果的精准度,可对每一设备检测点均构建一独立的数据预测模型。另一方面,由于设备检测点的检测数据还同时受到工作状态的影响,因此对每一设备检测点而言,不同的工作状态对应不同的数据预测模型。在此,所述数据预测模型是通过所述设备的历史工作状态HW_State、历史运行数据HR_Data以及设备检测点上的历史检测数据HDec_Data训练得到的。所述数据预测模型反映了在特定的工作状态、以及该工作状态对应的运行数据下,设备检测点的检测装置所可能对应的数据值。
在本发明实施例中,如图4所示,所述数据预测模型的训练过程包括以下步骤:
步骤S210,所述数据采集模块21获取所述设备的历史工作状态HW_State、所述历史运行数据HR_Data以及所述设备检测点上的历史检测数据HDec_Data;在本发明的实施方式中,所述数据采集模块21获取所述设备的事件记录,所述事件记录包括了具有对应关系的时间信息和事件条目。所述事件条目包括但不限于所述设备的操作指令、基于每一操作指令所产生的动作、基于操作指令而产生的历史工作状态HW_State、历史运行数据HR_Data、历史检测数据HDec_Data以及所述历史检测数据HDec_Data对应为正常或异常的分析结果等。所述事件记录反映了所述设备在历史上的每一个操作指令及动作所对应的执行时间、以及对应产生的历史工作状态HW_State、历史运行数据HR_Data以及历史检测数据HDec_Data等。所述数据处理单元的数据处理模块22通过机器学习的方式将事件记录中的时间信息和事件条目作为参数从而训练得到数据预测模型。在还有一些情况下,所述参数还可包括环境温度等,从而考虑外界因素对设备检测段数据的影响以进一步提高分析准确度。由此,所述数据处理单元的数据处理模块22构建了所述设备检测点对应不同的工作状态下的数据预测模型。
步骤S220,所述数据处理模块22根据所述历史工作状态HW_State及所述历史运行数据HR_Data进行预测计算,以获得所述设备检测点的历史预测数据HPre_Data。在此,所述数据处理模块22选择对应设备检测点的数据预测模型,并将历史工作状态HW_State及历史运行数据HR_Data输入至所述数据预测模型以得到历史预测数据HPre_Data。
步骤S230,所述数据处理模块22通过分析所述历史预测数据HPre_Data与所述历史检测数据HDec_Data之间的差异,调整所述数据预测模型中的参数,以使所述数据预测模型的预测误差范围在预设误差范围内;在此,所述数据处理模块22将历史预测数据HPre_Data与历史检测数据HDec_Data进行分析,从而得到所述历史预测数据HPre_Data与所述历史检测数据HDec_Data之间的差异。为使所述数据预测模型的计算结果精确,所述数据处理模块22进一步调整所述数据预测模型中的参数(如权重、偏移量等),并重复执行步骤S210~S230,直至所述数据预测模型所预测的历史预测数据HPre_Data与历史检测数据HDec_Data之间的预测误差范围在预设误差范围内,由此完成对相应设备检测点的数据预测模型的训练。其中,所述预设误差范围可视为相应设备检测点的数据预测模型的训练结束条件。例如,当所训练的历史预测数据HPre_Data与历史检测数据HDec_Data的差落入所述预设误差范围时,认定训练结束。又如,利用所训练的多个时刻的历史预测数据HPre_Data与各相应时刻的历史检测数据HDec_Data的差进行概率分布统计,当所统计的概率分布落入预设误差范围时,认定训练结束。需要说明的是,所述训练结束条件还可以通过评价数据预测模型的准确率是否达到预设准确率阈值来确定。
在本发明实施例中,为在减少运算量的同时提高所述数据预测模型的准确率,所述步骤S220还进一步包括:预处理所述历史运行数据HR_Data以得到所述历史特征数据;根据所述历史工作状态HW_State及历史特征数据进行预测计算,以获得所述设备检测点的历史预测数据HPre_Data;所述预处理包括但不限于对历史运行数据HR_Data进行重采样、清洗空值、特征提取等处理。其中,所述重采样为对历史运行数据HR_Data基于预设的获取频率进行平均处理。具体地说,在一些情况下,历史上所述数据处理单元的数据采集模块21对运行数据的获取频率较高,由此导致数据量庞大,增加了计算负担。因此,可通过按照预设的运行数据的获取频率对原始的历史运行数据HR_Data进行平均处理,从而减少数据量。例如,历史上所述数据采集模块21对运行数据的获取频率为0.5s/次,为减少数据量,将预设的运行数据的获取频率定义为10s/次,则该预设的运行数据的获取频率对应了20组原始的历史运行数据HR_Data。在此,将该10/s内的20组历史运行数据HR_Data做均值处理,从而对历史运行数据HR_Data进行重采样。所述清洗空值为对历史运行数据HR_Data中为空值的数据予以删除,由此减少数据运算量。所述特征提取为减少特征数据集中的属性(或者称为特征)的数目,即从所述事件记录中筛选出更有利于数据分析的历史运行数据HR_Data。应当理解,在事件记录中,记录有各类具有对应关系的时间信息和事件条目。但对于设备检测点的数据分析而言,为提高分析效率,可提取其中的部分具有对应关系的时间信息和事件条目,包括但不限于:工作状态转换成功后的运行数据、工作状态处于稳定阶段的运行数据等。例如,所述数据分析系统的数据处理模块22将事件记录中具有工作状态转换成功记录所对应的历史运行数据HR_Data作为历史特征数据。又如,在一些情况下,由于每一种工作状态在转换的初始阶段会经历一过渡阶段后进入稳定阶段,所述过渡阶段对应的检测数据会有较大变化,所述稳定阶段对应的检测数据浮动较小,因此所述数据处理模块22可将事件记录中工作状态处于稳定阶段的历史运行数据HR_Data作为历史特征数据。以所述设备为抽水蓄能发电电动机机组且设备检测点上的检测设备为温度传感器为例。
在本发明中,结合图6所述,其显示为本申请中的检测数据在该实施方式中的变化过程,所述抽水蓄能发电电动机机组包括停机模式(S)、泵抽水模式(P)、发电模式(G)三种工作状态,图中横坐标表示时间,纵坐标表示检测数据的值。从图中可见,在A线到B线之间,设备处在停机模式,检测数据呈明显下降趋势。在B线到C线之间,设备处在泵抽水模式下,在经历一段时间的过渡阶段(即图中B线到C线之间较陡的数据段)后,检测数据的值趋于平稳,即进入泵抽水模式稳定阶段。在C线到D线之间,设备再次处于停机模式,检测数据呈明显下降趋势。在D线到E线之间,设备处于发电模式,在经历一段时间的过渡阶段(即图中D线到E线之间较陡的数据段)后,检测数据的值趋于平稳,即进入发电模式稳定阶段。同理,在E~K线之间,类似地经历三种工作状态的互相切换。在此,所述数据分析系统的数据处理模块22可仅提取各工作状态进入稳定阶段后的历史运行数据HR_Data作为历史特征数据,从而将该历史特征数据输入至相应的历史工作状态HW_State所对应的数据预测模型,以得到设备检测点的历史预测数据HPre_Data。在此,在利用经训练的对应设备检测点的数据预测模型或者通过前述其他实施方式所获得的当前预测数据CPre_Data后,所述数据分析系统执行步骤S130。
步骤130,所述数据处理模块22分析所述当前预测数据CPre_Data与所述当前检测数据CDetc_Data之间的差异,以得到所述设备检测点的数据分析结果;所述数据发送模块将数据处理模块每一次得到的各设备检测点的数据分析结果发送给所述设备控制单元;其中,所述数据分析结果包括正常分析结果和异常分析结果。所述差异包括但不限于所述当前预测数据CPre_Data与所述当前检测数据CDetc_Data之间的差值、差值百分比、或平方差。在此,所述差值百分比满足:
例如,当所述当前预测数据CPre_Data与所述当前检测数据CDetc_Data在预设精度范围内相等时,所述数据处理模块22将所述设备检测点的数据分析结果确定为正常分析结果;当所述当前预测数据CPre_Data与所述当前检测数据CDetc_Data在预设精度范围内不相等时,所述数据处理模块22将所述设备检测点的数据分析结果确定为异常分析结果。又如,当所述当前预测数据CPre_Data与所述当前检测数据CDetc_Data之间的差值在预设的阈值范围内时,所述数据处理模块22将所述设备检测点的数据分析结果确定为正常分析结果;当所述当前预测数据CPre_Data与所述当前检测数据CDetc_Data之间的差值超出预设的阈值范围时,所述数据处理模块22将所述设备检测点的数据分析结果确定为异常分析结果。再如,当所述当前预测数据CPre_Data与所述当前检测数据CDetc_Data之间的差值百分比在预设的百分比阈值范围内时,所述数据处理模块22将所述设备检测点的数据分析结果确定为正常分析结果;当所述当前预测数据CPre_Data与所述当前检测数据CDetc_Data之间的差值超出预设的百分比阈值范围时,所述数据处理模块22将所述设备检测点的数据分析结果确定为异常分析结果。还如,当所述当前预测数据CPre_Data与所述当前检测数据CDetc_Data之间的平方差在预设的平方差阈值范围内时,所述数据处理模块22将所述设备检测点的数据分析结果确定为正常分析结果;当所述当前预测数据CPre_Data与所述当前检测数据CDetc_Data之间的平方差超出预设的平方差阈值范围时,所述数据处理模块22将所述设备检测点的数据分析结果确定为异常分析结果。
在本发明实施例中,以下,将对根据所述当前预测数据CPre_Data与所述当前检测数据CDetc_Data之间的差值,得到所述设备检测点的数据分析结果的过程予以说明。应当理解,采用其他方式(如根据当前预测数据CPre_Data与当前检测数据CDetc_Data之间差值百分比等)得到所述设备检测点的数据分析结果的过程也与本实施例相类似,将不再一一详述。
在本发明实施例中,为了更准确地根据所述当前预测数据CPre_Data与所述当前检测数据CDetc_Data之间的差值得到设备检测点的数据分析结果,所述数据处理模块22预先构建了用以判断当前预测数据CPre_Data与当前检测数据CDetc_Data之间的差值是否在正常范围内的残差模型。所述残差模型将当前预测数据CPre_Data和当前检测数据CDetc_Data作为输入,并基于当前预测数据CPre_Data和当前检测数据CDetc_Data之间的差值输出该设备检测点为正常分析结果或异常分析结果。在此,所述残差模型是通过所述设备的历史预测数据HPre_Data与设备检测点上的历史检测数据HDec_Data训练得到的。
在可能的实施方式中,所述数据处理单元的数据采集模块21获取所述设备的事件记录,所述事件记录包括了具有对应关系的时间信息和事件条目。所述事件条目包括但不限于所述设备的操作指令、基于每一操作指令所产生的动作、基于操作指令而产生的历史工作状态HW_State、历史运行数据HR_Data、历史检测数据HDec_Data、以及所述历史检测数据HDec_Data对应为正常或异常的分析结果等。所述事件记录反映了所述设备在历史上的每一个操作指令及动作所对应的执行时间、以及对应产生的历史工作状态HW_State、历史运行数据HR_Data和历史检测数据HDec_Data等。所述数据处理模块22通过机器学习的方式将事件记录中的多组历史工作状态HW_State及其对应的历史运行数据HR_Data进行预测计算,如通过上述实施例中的数据预测模型进行预测计算等,从而获得所述设备检测点的多个历史预测数据HPre_Data。所述预测计算通过提取相应的特征,根据输入和输出特征,利用机器学习的方式进行模型训练,保存模型。根据数据输入(输入数据为历史数据或实时数据)分别经过数据处理和特征提取后,历史特征数据经过调用预测模型进行预测训练,输出对于所监控参数的理论模型与历史特征数据进行预测训练后的预测值,使用回归预测模型中常用的MAE(Mean Absolute Error)平均绝对误差、MSE(Mean Squared Error)均方误差、R2(R方系数)等评价函数对模型效果进行评估。实时特征数据输入训练完成的预测模型,得到模型对于所监控参数的实时预测值。历史数据预测值与所监控参数历史实际数据的绝对值差值即输出特征残差,对正常工况下理论模型输出残差进行聚类,根据聚类结果与预测值选定合适阈值对实时数据进行异常(或事故)的实时预警。所述数据处理模块22分析多个所述历史预测数据HPre_Data与所对应的多个历史检测数据HDec_Data之间的差异,拟合得到所述差异的分布。再根据所述差异的分布,得到所述残差模型中用于输出设备检测点分析结果的分析阈值区间。具体地说,所述残差模型使用混合高斯模型对残差数据(即所述历史预测数据HPre_Data与所对应的历史检测数据HDec_Data之间的差值)进行拟合,使残差模型自身与训练数据(即所述历史预测数据HPre_Data与所对应的历史检测数据HDec_Data)之间的相对熵最小,由此得到所述历史预测数据HPre_Data与所对应的历史检测数据HDec_Data之间残差量的相关统计分布参数,从而根据相关统计分布参数设定合适的分析阈值区间。其中,所述分析阈值区间为以区间形式表示的阈值范围,其用以与所述历史预测数据HPre_Data与所对应的历史检测数据HDec_Data之间的差值比较,从而确定所述设备检测点的数据分析结果。
在本发明的另一实施例中,在得到了所述设备检测点的数据分析结果后,所述数据处理模块22还用以执行以下至少一种步骤:将所得到的所述设备检测点的数据分析结果通过数据发送模块发送至所述设备控制单元;所述数据处理模块将所得到的所述设备检测点的数据分析结果呈现在所述设备控制单元的显示界面中进行显示或保存;以及,基于所得到的所述设备检测点数据分析结果的异常分析结果触发预警信号。
在本发明实施例中,所述数据处理单元用于与设备检测点上的检测装置或设备控制单元进行数据通信,所述数据处理单元中的数据发送模块23将数据处理模块22每一次得到的各设备检测点的数据分析结果发送给所述设备管理系统的(设备控制单元)进行显示或保存。
在一些情况下,所述设备控制单元仅接收数据分析结果并予以保存或转发,以便基于该数据分析结果执行其他操作。以所述设备为抽水蓄能发电电动机机组为例,在本实施方式中,所述数据处理单元通过的数据发送模块23将数据分析结果发送给抽水蓄能发电电动机机组的设备管理系统(设备管理单元),所述抽水蓄能发电电动机机组的设备管理系统(设备管理单元)接收数据分析结果并予以保存在事件记录或管理数据库中基于当前时间信息所对应的事件条目下。
在另一实施方式中,所述数据处理单元通过数据发送模块23将数据分析结果发送给抽水蓄能发电电动机机组的设备管理系统(设备管理单元),所述抽水蓄能发电电动机机组的设备管理单元(设备管理系统)接收数据分析结果并转发给其他系统,例如故障诊断系统等,以便故障诊断系统基于各设备检测点当前的数据分析结果分析设备是否存在故障,以及当存在故障时所可能对应的故障类型。
在另一实施方式中,所述数据处理单元通过数据发送模块23将数据分析结果发送给抽水蓄能发电电动机机组的设备管理系统(设备管理单元),所述抽水蓄能发电电动机机组的设备管理系统(设备管理单元)可在接收数据分析结果并保存于事件记录或管理数据库中的同时将数据分析结果转发给其他系统。在另一些情况下,所述设备管理系统(设备管理单元)将接收到的数据分析结果显示在显示界面中,以便操作人员实时监测设备的运转情况。以所述设备为抽水蓄能发电电动机机组为例,所述数据分析系统通过数据发送模块23将数据分析结果发送给抽水蓄能发电电动机机组的管理系统,所述抽水蓄能发电电动机机组的设备管理系统(设备管理单元)接收数据分析结果并显示在管理系统的显示界面中,操作人员可根据显示界面实时显示的数据分析结果掌握设备的运转情况。在一些实施方式中,所述设备上的各设备检测点均具有一唯一的编号(ID),所述数据处理单元将各设备检测点的数据分析结果发送给设备管理系统(设备管理单元)后,设备管理系统(设备管理单元)将每一设备检测点与其ID以及其数据分析结果对应显示或保存。
在还有一些情况下,当所述数据处理单元(数据分析系统)的数据处理模块22得到异常分析结果时,触发预警信号以通知相关人员及时排查原因。以所述设备为抽水蓄能发电电动机机组为例,所述数据处理单元(数据分析系统)通过数据发送模块23将数据分析结果发送给抽水蓄能发电电动机机组的设备管理系统(设备管理单元),所述抽水蓄能发电电动机机组的数据处理单元(数据分析系统)接收数据分析结果,当数据分析结果为异常时,设备管理系统(设备管理单元)发出预警信号,如通过声音报警、通过在显示设备上显示报警信息等,从而提示操作人员以便及时采取相应措施。
根据本发明的另一方,本发明的实施例中还提供了一种服务器,所述服务器包括接口单元11、存储单元12、以及处理单元13。其中,存储单元12包含非易失性存储器、存储服务器等。其中,所述非易失性存储器举例为固态硬盘或U盘等。所述存储服务器用于存储所获取的各种工作状态、运行数据、检测数据等。接口单元11包括网络接口、数据线接口等。其中所述网络接口包括但不限于:以太网的网络接口装置、基于移动网络(3G、4G、5G等)的网络接口装置、基于近距离通信(WiFi、蓝牙等)的网络接口装置等。所述数据线接口包括但不限于:USB接口、RS232等。所述接口单元与数据分析系统、互联网、所述设备上各设备检测点所布置的各检测装置或者设备的控制系统等数据连接。处理单元13连接接口单元11和存储单元12,其包含:CPU或集成有CPU的芯片、可编程逻辑器件(FPGA)和多核处理器中的至少一种。处理单元13还包括内存、寄存器等用于临时存储数据的存储器。所述接口单元11用于与设备检测点上的检测装置或者设备的控制系统进行数据通信。在此,所述接口单元11举例为网卡,可通过互联网或搭建的专用网络与计算机设备通信连接。所述存储单元12用于存储至少一个程序。在此,所述存储单元12包括设置在服务器的硬盘并储存有所述至少一种程序,除此之外,根据程序运行期间所需获取的外部数据,所述接口单元11所获取的各种信息被储存在存储单元12中。其中,所述各种信息包括前述提及的所述设备的工作状态、运行数据、检测数据等。所述处理单元13用于调用所述至少一个程序以协调所述接口单元和存储单元执行并实现本申请实施方式中所提及的设备检测点的数据分析过程。其中,所述设备检测点的数据分析过程如图3及所对应的描述所示。
另外需要说明的是,通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本申请的部分或全部可借助软件并结合必需的通用硬件平台来实现。基于这样的理解,本申请还提供一种计算机可读存储介质,所述存储介质存储有至少一个程序,所述至少一种程序在被调用时执行并实现本申请第一方面的实施方式中的设备检测点的数据分析过程或方法,即服务器调用数据处理单元对设备检测点的数据分析过程或方法。同时,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还可以以软件产品的形式体现出来,该计算机软件产品可包括其上存储有机器可执行指令的一个或多个机器可读介质,这些指令在由诸如计算机、计算机网络或其他电子设备等一个或多个机器执行时可使得该一个或多个机器根据本申请的实施例来执行操作。例如执行设备检测点的数据分析方法中的各步骤等。机器可读介质可包括,但不限于,软盘、光盘、CD-ROM(紧致盘-只读存储器)、磁光盘、ROM(只读存储器)、RAM(随机存取存储器)、EPROM(可擦除可编程只读存储器)、EEPROM(电可擦除可编程只读存储器)、磁卡或光卡、闪存、或适于存储机器可执行指令的其他类型的介质/机器可读介质。其中,所述存储介质可位于服务器也可位于第三方服务器中,如位于提供某应用商城的服务器中。在此对具体应用商城不做限制,如小米应用商城、华为应用商城、苹果应用商城等。
本申请可用于众多通用或专用的计算系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
综上所述,本申请所提供的设备检测点的数据分析通过对设备相关参数进行分析,综合了工作状态、环境温度等各种影响因素对设备检测点检测装置的数据进行预测,并考虑可能存在的误差,实现了对设备异常的灵活判断,从而为监测设备状态提供了实施数据,同时为生产检修提供了重要参考。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种设备检测点的数据分析系统,其特征在于:所述数据分析系统包括:包括设备管理系统以及与所述备管理系统通信连接的数据处理单元;所述设备管理系统用于提供各设备检测点的数据,并将各设备检测点的数据送入所述数据处理单元进行预测分析;
所述设备管理系统包括,配置在各设备检测点的检测装置,用于提供各设备检测点的当前工作状态、当前运行数据和当前检测数据;
与设备及各检测装置数据连接的设备控制单元,用以控制设备的工作状态、以及收集并转发各所述当前检测数据;
服务器,与设备检测点上的检测装置和设备控制单元进行数据通信,以及用于接收当前各设备检测点的当前工作状态、当前运行数据和当前检测数据;
所述数据处理单元,用于执行服务器提供的设备检测点的数据并进行数据分析,以及用于与设备检测点上的检测装置或设备控制单元进行数据通信,所述数据处理单元将数据分析结果发送设备控制单元进行显示或保存。
2.根据权利要求1所述的一种设备检测点的数据分析系统,其特征在于:所述设备为抽水蓄能发电电动机,所述的设备检测点设置在以下任一位置:抽水蓄能发电电动机各轴承的轴瓦处、及润滑油油箱内;所述数据处理单元包括数据采集模块、数据处理模块和数据发送模块;
所述数据采集模用以获取设备检测点的当前工作状态、当前运行数据以及所述设备检测点上的当前检测数据;
所述数据处理模块用以根据所述当前工作状态及当前运行数据进行预测计算,以获得所述设备检测点的当前预测数据;以及分析当前预测数据与所述当前检测数据之间的差异,以得到所述设备检测点的数据分析结果;
所述数据发送模块将数据处理模块每一次得到的各设备检测点的数据分析结果发送给所述设备控制单元。
3.根据权利要求2所述的一种设备检测点的数据分析系统,其特征在于:所述数据处理模块还用以预处理所述当前运行数据以得到当前特征数据;以及根据所述当前工作状态及所述当前特征数据进行预测计算,以获得所述设备检测点的当前预测数据。
4.根据权利要求3所述的一种设备检测点的数据分析系统,其特征在于:所述设备检测点的数据为温度数据,所述当前运行数据包括在当前工作状态对应的时间段内的以下至少一种数据:当前工作状态开始时所述设备检测点的检测数据、当前工作状态维持的时长、设备当前的输出功率和设备当前的冷却水进口温度。
5.根据权利要求3所述的一种设备检测点的数据分析系统,其特征在于:所述当前预测数据是通过执行一个数据预测模型而得到的,该数据预测模型是根据所述当前工作状态对应选择的;所述数据处理模块还用以训练所述数据预测模型;所述数据预测模型是通过所述设备的历史工作状态、历史运行数据以及所述设备检测点上的历史检测数据训练得到的,该数据预测模型的训练过程包括:
数据采集模块获取所述设备的历史工作状态、所述历史运行数据以及所述设备检测点上的历史检测数据;
数据处理模块根据所述历史工作状态及所述历史运行数据进行预测计算,以获得所述设备检测点的历史预测数据;
数据处理模块通过分析所述历史预测数据与所述历史检测数据之间的差异,调整所述数据预测模型中的参数,以使所述数据预测模型的预测误差范围在预设误差范围内。
6.根据权利要求5所述的一种设备检测点的数据分析系统,其特征在于:所述数据处理模块还用以预处理所述历史运行数据以得到所述历史特征数据,以及根据所述历史工作状态及历史特征数据进行预测计算,以获得所述设备检测点的历史预测数据。
7.根据权利要求2所述的一种设备检测点的数据分析系统,其特征在于:所述数据处理模块还根据所述当前预测数据与所述当前检测数据之间的差值,得到所述设备检测点的数据分析结果。
8.根据权利要求7所述的一种设备检测点的数据分析系统,其特征在于:所述数据处理模块还将所述当前预测数据和所述当前检测数据输入一个残差模型,以得到所述设备检测点的数据分析结果,该残差模型是根据历史预测数据与设备检测点上的历史检测数据训练得到的。
9.根据权利要求8所述的一种设备检测点的数据分析系统,其特征在于:所述数据处理模块还用以训练所述残差模型,所述残差模型的训练方法包括:
根据多组历史工作状态及其对应的历史运行数据进行预测计算,以获得所述设备检测点的多个历史预测数据;所述预测计算通过所述数据处理模块通过执行数据预测模型而得到历史预测数据;
分析多个所述历史预测数据与所对应的多个历史检测数据之间的差异,拟合得到所述差异的分布;
根据所述差异的分布,得到所述残差模型中用于输出设备检测点分析结果的分析阈值区间。
10.根据权利要求9所述的一种设备检测点的数据分析系统,其特征在于:所述数据处理模块还用以执行以下至少一种步骤:
将所得到的所述设备检测点的数据分析结果呈现在所述设备控制单元的显示界面中,以及基于所得到的所述设备检测点数据分析结果的异常分析结果触发预警信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010565000.1A CN111781498B (zh) | 2020-06-19 | 2020-06-19 | 一种设备检测点的数据分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010565000.1A CN111781498B (zh) | 2020-06-19 | 2020-06-19 | 一种设备检测点的数据分析系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111781498A true CN111781498A (zh) | 2020-10-16 |
CN111781498B CN111781498B (zh) | 2023-03-14 |
Family
ID=72757458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010565000.1A Active CN111781498B (zh) | 2020-06-19 | 2020-06-19 | 一种设备检测点的数据分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111781498B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112629905A (zh) * | 2020-12-22 | 2021-04-09 | 杭州未名信科科技有限公司 | 基于深度学习的设备异常检测方法、系统及计算机介质 |
CN113849052A (zh) * | 2021-08-20 | 2021-12-28 | 广州云硕科技发展有限公司 | 基于人工智能的机房温度预测方法及系统 |
CN114674598A (zh) * | 2022-03-24 | 2022-06-28 | 江苏方正环保集团有限公司 | 一种集成式土壤取样装置 |
CN115469585A (zh) * | 2022-09-26 | 2022-12-13 | 广州健新科技有限责任公司 | 一种基于大数据的水电机组状态监测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103592040A (zh) * | 2012-08-15 | 2014-02-19 | 广东核电合营有限公司 | 一种核电站发电机定子绕组的温度监测方法和系统 |
CN105260800A (zh) * | 2015-10-26 | 2016-01-20 | 国网浙江省电力公司电力科学研究院 | 一种光伏组件温度预测方法及装置 |
CN109458308A (zh) * | 2018-12-28 | 2019-03-12 | 中国大唐集团新能源科学技术研究院有限公司 | 风机主轴超温预警方法 |
CN109949436A (zh) * | 2019-03-06 | 2019-06-28 | 万洲电气股份有限公司 | 基于重点能耗设备模型诊断分析的工业智能优化节能系统 |
CN110414155A (zh) * | 2019-07-31 | 2019-11-05 | 北京天泽智云科技有限公司 | 一种带有单测点的风机部件温度异常检测和报警方法 |
CN110726494A (zh) * | 2019-11-27 | 2020-01-24 | 成都比善科技开发有限公司 | 高压开关柜温度监测系统及监测方法 |
US20200065212A1 (en) * | 2017-03-01 | 2020-02-27 | Visa International Service Association | Predictive anomaly detection framework |
-
2020
- 2020-06-19 CN CN202010565000.1A patent/CN111781498B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103592040A (zh) * | 2012-08-15 | 2014-02-19 | 广东核电合营有限公司 | 一种核电站发电机定子绕组的温度监测方法和系统 |
CN105260800A (zh) * | 2015-10-26 | 2016-01-20 | 国网浙江省电力公司电力科学研究院 | 一种光伏组件温度预测方法及装置 |
US20200065212A1 (en) * | 2017-03-01 | 2020-02-27 | Visa International Service Association | Predictive anomaly detection framework |
CN109458308A (zh) * | 2018-12-28 | 2019-03-12 | 中国大唐集团新能源科学技术研究院有限公司 | 风机主轴超温预警方法 |
CN109949436A (zh) * | 2019-03-06 | 2019-06-28 | 万洲电气股份有限公司 | 基于重点能耗设备模型诊断分析的工业智能优化节能系统 |
CN110414155A (zh) * | 2019-07-31 | 2019-11-05 | 北京天泽智云科技有限公司 | 一种带有单测点的风机部件温度异常检测和报警方法 |
CN110726494A (zh) * | 2019-11-27 | 2020-01-24 | 成都比善科技开发有限公司 | 高压开关柜温度监测系统及监测方法 |
Non-Patent Citations (1)
Title |
---|
孙伟等: "抽水蓄能电站水库水温简化模型与应用", 《武汉大学学报(工学版)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112629905A (zh) * | 2020-12-22 | 2021-04-09 | 杭州未名信科科技有限公司 | 基于深度学习的设备异常检测方法、系统及计算机介质 |
WO2022134495A1 (zh) * | 2020-12-22 | 2022-06-30 | 杭州未名信科科技有限公司 | 基于深度学习的设备异常检测方法、系统及计算机介质 |
CN113849052A (zh) * | 2021-08-20 | 2021-12-28 | 广州云硕科技发展有限公司 | 基于人工智能的机房温度预测方法及系统 |
CN113849052B (zh) * | 2021-08-20 | 2022-11-04 | 广州云硕科技发展有限公司 | 基于人工智能的机房温度预测方法及系统 |
CN114674598A (zh) * | 2022-03-24 | 2022-06-28 | 江苏方正环保集团有限公司 | 一种集成式土壤取样装置 |
CN115469585A (zh) * | 2022-09-26 | 2022-12-13 | 广州健新科技有限责任公司 | 一种基于大数据的水电机组状态监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111781498B (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111781498B (zh) | 一种设备检测点的数据分析系统 | |
US11238371B2 (en) | Computer system and method for monitoring the status of a technical system | |
US10113552B2 (en) | System, method, and apparatus to monitor compressor health | |
CN115034248A (zh) | 用于设备的自动诊断方法、系统和存储介质 | |
CA2969411C (en) | Apparatus and method for monitoring a pump | |
CN111242323B (zh) | 用于修理机器次优操作的主动自动系统和方法 | |
CN110134571B (zh) | 旋转型机械设备健康状态监测方法及装置 | |
CN111353911A (zh) | 电力设备运维方法、系统、设备和存储介质 | |
EP2518457B1 (en) | System And Method For Protecting Rotating Machines | |
EP3260703A1 (en) | Predicting a surge event in a compressor of a turbomachine | |
CN112629585A (zh) | 基于多维参数估计的设备在线监测方法及装置 | |
US11933695B2 (en) | System and method for detecting anomalies in sensory data of industrial machines located within a predetermined proximity | |
CN111766514B (zh) | 一种设备检测点的数据分析方法 | |
CN111098463A (zh) | 一种注塑机故障诊断系统及诊断方法 | |
CN113632026A (zh) | 旋转机械设备故障诊断方法、系统及存储介质 | |
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 | |
KR102206737B1 (ko) | 기계학습 기반 펌프수차 고장 진단 방법 및 시스템 | |
CN110469461B (zh) | 一种风机齿带的断裂预估方法、其装置及可读存储介质 | |
CN112610564A (zh) | 液压马达的监测系统和维护系统、及车辆 | |
Das et al. | Performance monitoring and failure prediction of industrial equipments using artificial intelligence and machine learning methods: A survey | |
EP4273520A1 (en) | Method and system for comprehensively diagnosing defect in rotating machine | |
KR101896442B1 (ko) | Ict 융합형 풍력 발전 단지 모니터링 시스템, 서버 및 방법 | |
CN115018120A (zh) | 基于健康指数的预测性维护方法、系统及可读存储介质 | |
CN115943353A (zh) | 用于确定机器的运行异常的原因的系统和方法以及计算机程序和电子可读的数据载体 | |
CN112363432A (zh) | 一种水电站辅助设备的监测系统及监测方法 |
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 |