CN112115416A - 预测性维护方法、设备及存储介质 - Google Patents
预测性维护方法、设备及存储介质 Download PDFInfo
- Publication number
- CN112115416A CN112115416A CN202010784496.1A CN202010784496A CN112115416A CN 112115416 A CN112115416 A CN 112115416A CN 202010784496 A CN202010784496 A CN 202010784496A CN 112115416 A CN112115416 A CN 112115416A
- Authority
- CN
- China
- Prior art keywords
- time
- data
- series data
- time series
- predictive maintenance
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims description 7
- 101001082184 Homo sapiens Pyrin and HIN domain-containing protein 1 Proteins 0.000 claims description 5
- 102100027365 Pyrin and HIN domain-containing protein 1 Human genes 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 7
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical group C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 6
- 239000000523 sample Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000001744 unit root test Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Algebra (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种预测维护方法、设备及存储介质。其中预测维护方法包括：获取第一时间序列数据；对所述第一时间序列数据进行处理后获取设定相关系数内的第二时间序列数据；对所述第二时间序列数据进行时序平稳性检测；若所述第二时间序列数据是时序平稳序列，则确定差分次数；获取模型的阶数；根据所述差分次数和所述阶数确定预测性维护训练模型；利用所述预测性维护训练模型对所述第一时间序列数据进行训练输出预测值；根据所述预测值，确定待维护点。本发明实施例中的预测性维护方法，能够提高预测性维护的准确性，降低人力成本。
Description
技术领域
本发明涉及设备维护技术领域，尤其是涉及一种预测性维护方法、设备及存储介质。
背景技术
随着科学技术的发展，设备的维护逐渐从被动维护向预测性维护转换，预测性维护就是在设备未发生故障前对设备进行有针对性、有计划性、有目标性采取预防性的一些修补方法。现有技术中的预测性维护方法存在人力和管理成本高的技术问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种预测性维护方法，能够提高预测性维护的准确性，降低人力成本。
本发明还提出一种预测性维护控制设备。
本发明还提出一种计算机可读存储介质。
根据本发明的第一方面实施例的预测性维护方法，包括：获取第一时间序列数据；对所述第一时间序列数据进行处理后获取设定相关系数内的第二时间序列数据；对所述第二时间序列数据进行时序平稳性检测；若所述第二时间序列数据是时序平稳序列，则确定差分次数；获取模型的阶数；根据所述差分次数和所述阶数确定预测性维护训练模型；利用所述预测性维护训练模型对所述第一时间序列数据进行训练输出预测值；根据所述预测值，确定待维护点。
根据本发明实施例的预测性维护方法，至少具有如下有益效果：获取到第一时间序列数据后，对其进行处理后获取到设定相关系数内的第二时间序列，并对第二时间序列进行时序平稳序列的验证，如果是的话，就确定差分次数，通过结合获取到的模型的阶数，确定预测性维护训练模型，将原始数据即第一时间序列数据输入到模型进行模型训练后获取到预测值，根据预测值即可确定待维护点，从而能够提高维护的准确性，降低人力成本。
根据本发明的一些实施例，所述预测值与所述第一时间序列数据尺度值相同。
根据本发明的一些实施例，所述对所述第二时间序列数据进行时序平稳性检测，包括：若所述时间序列数据不是时序平稳序列，则进行差分运算，确定差分次数。
根据本发明的一些实施例，还包括：对所述预测性维护模型进行检测，若所述预测性维护模型不满足设定的相关性条件，则对所述模型进行优化，则重新确定所述差分次数和所述模型的阶数。
根据本发明的一些实施例，对所述第一时间序列数据进行处理后获取设定相关系数内的第二时间序列数据，包括：对所述第一时间序列数据进行预处理形成第三时间序列数据；根据设定步长截取所述第三时间序列数据，获取第四时间序列数据；对所述第四时间序列数据进行筛选，获取第五时间序列数据；对所述第五时间序列数据进行相关性验证，获取设定相关系数内的第二时间序列数据。
根据本发明的一些实施例，所述对所述第四时间序列数据进行筛选，获取第五时间序列数据，包括：剔除所述第四时间序列数据中有缺失的数据组，获取第六时间序列数据；剔除所述第四时间序列数据中格式错误的数据，获取第七时间序列数据；剔除所述第四时间序列数据中逻辑错误的数据，获取第八时间序列数据；剔除所述第四时间序列数据中的恒定数据，获取第九时间序列数据；根据所述第六时间序列数据、第七时间序列数据、第八时间序列数据、第九时间序列数据获取所述第五时间序列数据。
根据本发明的一些实施例，所述获取第一时间序列数据，包括：利用基于ODBC的IFIX实时数据采集方法获取所述第一时间序列数据。
根据本发明的第二方面实施例的预测性维护控制装置，包括：至少一个处理器，以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述指令时实现第一方面所述的预测性维护方法。
根据本发明的第三方面实施例的计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行第一方面所述的预测性维护方法。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本发明实施例的预测性维护方法流程图；
图2是根据本发明另一实施例的预测性维护方法流程图；
图3是根据本发明另一实施例的预测性维护方法流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
第一方面，本发明实施例提出了一种预测性维护方法。
参照图1，是根据本发明实施例的预测性维护方法流程图。
在一些实施例中，预测性维护方法包括：
S100：获取第一时间序列数据；
S200：对第一时间序列数据进行处理后获取设定相关系数内的第二时间序列数据；
S300：对第二时间序列数据进行时序平稳性检测；
S400：若第二时间序列数据是时序平稳序列，则确定差分次数；
S500：获取模型的阶数；
S600：根据差分次数和阶数确定预测性维护训练模型；
S700：利用预测性维护训练模型对第一时间序列数据进行训练输出预测值；
S800：根据预测值，确定待维护点。
具体的，步骤S100中的时间序列数据是在某个时间点或者时间段获取到的设备运行的参数数据，参数数据包括了设备运行的电气数据，例如，实时电压、实时电流、实时功率等，以及采集这些运行的电气数据的时间点。考虑到本实施例中预测性维护模型的通用性，本发明实施例中所选设备是共有的，而不是特有的。以便提高预测性维护训练模型的实用性和可扩展性。
具体的，步骤S200的目的在于，对于原始数据即第一时间序列数据进行相应的审查和检验，剔除重复数据，并且能够提供数据一致性。
具体的，步骤S300中时序平稳性检测的目的是检测本实施例中的时间序列数据是否达到弱平稳，达到弱平稳的要求如下：
条件1：对任意时间序列{a1,a2,……,an}(n∈N+)，其期望值为常数；
条件2：对任意时间序列{a1,a2,……,an}(n∈N+)，其方差存在；
条件3：对任意时间序列{a1,a2,……,an}(n∈N+)，对任意的整数N，任意的阶数M，当指定两个时间点距离N后，两组数据的协方差不会随时间波动，仅与阶数M有关。
具体的，在本实施例中时间序列数据通过单位根检测，即检验时间序列数据中是否存在单位根，可一次性验证上述三个条件，存在单位根就是非平稳时间序列。
具体的，采用单位根检验实现单位根检测，本实施例中给定以下三个模型：
模型1：
模型2：
模型3：
其中，ΔXt为t时刻的残差，Xt-1为t-1时刻的残差，t为时间变量，βt为趋势项，α为常数项，εt为残差项，i和m分别为正整数，δ为原假设值。
具体的，假设都是H0:δ＝0，存在单位根，即非平稳时间序列，检验时从模型3开始，再经过模型2，最后检验模型1。
具体的，本实施例中检验拒绝H0:δ＝0，即原序列不存在单位根，也就是平稳时间序列，即可停止检验，否则继续检验，直到检验完模型1为止。
具体的，通过本实施例中的模型3还可以判断非平稳序列的趋势是平稳趋势还是确定性趋势，这就可以对原时间序列数据进行相对应的处理，使非平稳序列平稳化。
可以理解的，在本实施例中时间序列数据达到弱平稳认为是已经达到平稳化。
具体的，本实施例中的预测性维护模型为ARIMA(p，d，q)模型，其中的p为自回归项，q为移动平均项数，d为时间序列数据成为平稳时所做的差分次数。
具体的，步骤S500中模型定阶，可以通过本实施例中以下两种方式进行：
方式1：对本实施例中的平稳时间序列数据分别求得其自相关系数ACF和偏自相关系数PACF，对自相关图和偏自相关图的分析，在大致的范围内组合测试寻找。
方式2：对于由低阶到高阶不同的p、q取值分别建立模型，并进行参数估计，比较各模型的回归结果AIC值，取使AIC值达到极小的p0、q0，这时(p0,q0)为最佳模型阶，其中AIC定义为：
具体的，本实施例中结合了以上两种方式的寻阶，克服了方式1中方法对经过差分处理的时间序列p、q识别较困难的缺点，同时克服了方式2中容易出现寻阶过高的问题，综合以上两种方式，可以通过方式1先获取到大致的范围组合，即获得可能的寻阶范围，然后通过方式2进行验证，得到最佳的阶层p0和阶数q0。
具体的，步骤S700预测性维护训练模型的应用，即利用上述ARIMA(p，d，q)模型对设备电气参数未来走势进行预测。
具体的，将预测性维护训练模型代入原时间序列数据进行预测，因为上面的预测性维护训练模型的拟合值是对原时间序列数据进行平稳化之后的输入数据的拟合，所以需要对拟合值进行相应处理的逆操作，使最后结果能够获得与原时间序列数据即第一时间序列数据一致的尺度。
具体的，步骤S800中，比较模型输出的预测值是否在设定的置信区间内，如果预测值处在置信区间外，且按时序出现持续异常的情况，设备会产生报警信息。本实施例中还设置有自动响应装置，当接收到报警信息后，自动响应装置先控制设备停机，再进行故障检测；对于电气预测数据处在置信区间外，但是无持续异常的情况，可以设置为等级较低的报警信息。
更为具体的，本实施例中置信区间的设置通过对历史样本数据的统计，确定所需要的置信水平。针对不同的电气参数，设置符合样本需求的置信区间。置信区间[i，j]规则如下：
其中
表示样本的均值，z值表示标准差，s为样本的方差，n为样本数。为了保证样本的均值会落在以上总体平均值2个标准差i和j的范围内。
具体的，采用的置信区间通过[i，j]与95％对比，对小于95％的置信区间，取95％，否则取[i，j]计算值。
在一些实施例中，预测值与第一时间序列数据尺度值相同。
具体的，步骤S700对预测性维护训练模型训练输出的预测值，是模型的拟合值，需要对拟合值进行相应的逆处理操作，使得输出的预测值和原时间序列数据的尺度值相同，预测完之后会对预测值按照原始的目标值尺度做还原操作。
在一些实施例中，步骤S300，包括：
S310：若时间序列数据不是时序平稳序列，则进行差分运算，确定差分次数。
具体的，对于非平稳时间序列要先进行d阶差分运算，化为平稳时间序列数据。通过单位根检验可确定非平稳序列数据转化为平稳序列数据需要进行的最优差分次数，即式(7)中的参数d。若为非平稳时间序列数据，则需要继续进行差分；若为平稳时间序列数据，则不再进行差分。
可以理解的，平稳时间序列数据的差分次数d为0。
具体的，假设非平稳序列{Y(t):t∈T}进行d次差分后得到平稳序列X(t)，可表示为：
X(t)＝(1-B)dY(t) (7)
其中，B为滞后算子，d是使X(t)平稳的最小差分次数，即最优差分次数。
具体的，本实施例通过对设备电气参数可视化绘图分析，通过对比1阶差分与2阶差分运算效果，二者相差不大，因此本发明实施例中选择1阶差分运算。
具体的，本发明实施例采用的是ARIMA模型(Autoregressive Integrated MovingAverage model)，也记作ARIMA(p，d，q)是一种用来进行时间序列预测的模型，具有模型简单，只需要内生变量而不需要借助其他外生变量的特点，其中，内生变量是一种理论内所要解释的变量，外生变量是一种在理论内影响其他变量而它本身则由理论外的因素来决定的变量。
在一些实施例中，预测性维护方法还包括：
S1000：对预测性维护模型进行检测，若预测性维护模型不满足设定的相关性条件，则对模型进行优化，则重新确定差分次数和模型的阶数。
具体的，模型的检验需要从两个步骤判断，分别为：
第一步：利用Q-Q图检验残差是否满足正态分布；
第二步：利用D-W检验，检验残差的自相关性。
Q-Q图，全称Quantile-Quantile plot，作用是检验一组数据是否服从某一分布，或者检验两个分布是否服从同一分布。
具体的，本发明实施例利用Q-Q图检验预测结果的残差是否满足正态分布，对满足正态分布的预测结果残差，可进行第二步，利用D-W检验，检验残差的相关性，当D-W值在2的时候，不存在自相关性，表明本实施例中预测性维护模型较好，否则要进行模型优化。
具体的，上述模型优化需要重新选择ARIMA(p，d，q)模型的参数p、d、q，重新选择另外的p、q值建模，当检验条件满足后上述两个步骤之后，停止优化，此时的模型已经具备应用条件，可以将时间序列数据输入到模型中进行训练，输出预测值。
参照图2，是根据本发明另一实施例的预测性维护方法流程图。
在一些实施例中，步骤S200包括：
S210：对第一时间序列数据进行预处理形成第三时间序列数据；
具体的，步骤S210中对第一时间序列数据进行预处理的目的是为了对数据真正处理做前序准备工作，本实施例从第一时间序列数据的字段解释、数据来源、代码表等描述数据的信息中进行初步筛选，也可以抽取一部分样本数据，筛选出明显不符合要求的数据，例如：电压数据，显示为2.5A，电压数据显示为电流数值，明显是非正常数据，预处理时会进行删除，以便减小数据处理工作量。经过预处理后的第一时间序列数据，为了便于理解，定义为第三时间序列数据。
S220：根据设定步长截取第三时间序列数据，获取第四时间序列数据；
具体的，为了保障抽取样本数据的可代表性，本发明采用设定步长抽取，即按照固定的步长，对原始数据集进行切片，步长设定需根据数据量的大小适当选取。截取后的第三时间序列数据变成了有固定长度或者固定步长的时间序列数据片段，可以称之为第四时间序列数据。
S230：对第四时间序列数据进行筛选，获取第五时间序列数据；
具体的，步骤S230中对第四时间序列数据通过一定筛选方式的筛选会形成筛选后的时间序列数据，可以称之为第五时间序列数据。
S240：对第五时间序列数据进行相关性验证，获取设定相关系数内的第二时间序列数据。
具体的，因为步骤S230中采用了不同的筛选方式第四时间序列数据进行了筛选，得到了第五时间序列数据，此时还需要对第五时间序列数据之间的相关性进行验证，符合相关条件的数据也就是在设定相关系数内的时间序列数据才是本实施例中要获得时间序列数据即第二时间序列数据。
参照图3，是根据本发明另一实施例的预测性维护方法流程图。
在一些实施例中，步骤S230包括：
S231：剔除第四时间序列数据中有缺失的数据组，获取第六时间序列数据；
具体的，由于本实施例中数据采集密度较小，获得的数据量较大。缺失的数据组对整个数据集而言，影响较小，本实施例中选择直接剔除。需要剔除的数据有两种，一种是全空值，一种是全零值，其中，全空值为有采集时间，没有数据值的数据组，全零值为没有采集时间也没有采集数据的数据组。
S232：剔除第四时间序列数据中格式错误的数据，获取第七时间序列数据；
具体的，日期、时间、全角、半角等显示格式不一致，或者数据集中有非法字符，或者数据集中不应该存在的字符。出现以上错误的原因有二，其一是原始采集错误，或者人为修改导致的数据格式错误；其二是多个数据源整合时，量纲不一致导致的数据格式错误。
S233：剔除第四时间序列数据中逻辑错误的数据，获取第八时间序列数据；
具体的，步骤S233主要是对去掉一下通过简单逻辑判断就能直接发现问题的数据，防止分析结果与实际不符，例如重复数据、不合理数据、与所需要的数据矛盾的数据等。
S234：剔除第四时间序列数据中的恒定数据，获取第九时间序列数据；
具体的，在本实施例中，需要设备的电气参数，例如额定电流、额定电压等，虽说对数据逻辑判断有用，但在实际的建模中，对这种恒定不变值，建议考虑剔除。
S235：根据第六时间序列数据、第七时间序列数据、第八时间序列数据、第九时间序列数据获取第五时间序列数据。
具体的，对通过多个数据源整合的数据，必须验证其关联性。
具体的，本实施例采用Pearson相关系数，对原始时间序列数据进行关联性分析，分析过程如下：
分析原始序列是否符合正态分布，对不符合整体分布的序列，利用
对原始时间序列处理，让其服从正态分布，其中μ为期望，σ为方差。
具体的，求Pearson相关系数，对数据项X,Y，求ρ(X,Y)，公式如下：
其中E表示数学期望值，uX表示数据项X的均值，uY表示数据项Y的均值，σX与σY分别表示数据项X和Y的方差。
输出值0<ρ(X,Y)<1表示不同程度的相关性，通过步骤S230清洗的数据集，数据项之间的相关性均大于0.8，数据之间为强相关性。
在一些实施例中，步骤S100包括：
S110：利用基于ODBC的IFIX实时数据采集方法获取所述第一时间序列数据。
具体的，IFIX是GE Fanuc自动化软件产品家族中的一个机遇Windown的HMI/SCADA组件，IFIX的设计在软件的内核中充分使用了微软的VBA、OPC等控件，使用了基于面向对象的框架结构，能够实现高性能的自动化解决方案，使系统的维护、升级和扩展更加方便。
具体的，本实施例为了能够满足数据存储时间间隔的要求，采用了开放数据库ODBC，能够对需要长期保存的数据进行不定期的采集并保存。
第二方面，本发明实施例提出了一种预测性维护控制设备。
在一些实施例中，预测性维护控制设备，包括：至少一个处理器，以及，与至少一个处理器通信连接的存储器；其中，存储器存储有指令，指令被所述至少一个处理器执行，以使至少一个处理器执行指令时实现第一方面的预测性维护方法。
第三方面，本发明实施例提出了一种计算机可读存储介质。
在一些实施例中，提出了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行如第一方面的预测性维护方法。
本发明实施例利用ARIMA(p，d，q)模型，对设备运行的时间序列数据进行分析与实时预测，并利用预测值在合理的置信区间的分布，设备的运行状态进行判断。
以上所描述的装置实施例仅仅是示意性的，其中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，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模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (9)
1.预测性维护方法，其特征在于，包括：
获取第一时间序列数据；
对所述第一时间序列数据进行处理后获取设定相关系数内的第二时间序列数据；
对所述第二时间序列数据进行时序平稳性检测；
若所述第二时间序列数据是时序平稳序列，则确定差分次数；
获取模型的阶数；
根据所述差分次数和所述阶数确定预测性维护训练模型；
利用所述预测性维护训练模型对所述第一时间序列数据进行训练输出预测值；
根据所述预测值，确定待维护点。
2.根据权利要求1所述的方法，其特征在于，所述预测值与所述第一时间序列数据尺度值相同。
3.根据权利要求1所述的方法，其特征在于，所述对所述第二时间序列数据进行时序平稳性检测，包括：
若所述时间序列数据不是时序平稳序列，则进行差分运算，确定差分次数。
4.根据权利要求1所述的方法，其特征在于，还包括：
对所述预测性维护模型进行检测，若所述预测性维护模型不满足设定的相关性条件，则对所述模型进行优化，则重新确定所述差分次数和所述模型的阶数。
5.根据权利要求1所述的方法，其特征在于，对所述第一时间序列数据进行处理后获取设定相关系数内的第二时间序列数据，包括：
对所述第一时间序列数据进行预处理形成第三时间序列数据；
根据设定步长截取所述第三时间序列数据，获取第四时间序列数据；
对所述第四时间序列数据进行筛选，获取第五时间序列数据；
对所述第五时间序列数据进行相关性验证，获取设定相关系数内的第二时间序列数据。
6.根据所述权利要求5所述的方法，其特征在于，所述对所述第四时间序列数据进行筛选，获取第五时间序列数据，包括：
剔除所述第四时间序列数据中有缺失的数据组，获取第六时间序列数据；
剔除所述第四时间序列数据中格式错误的数据，获取第七时间序列数据；
剔除所述第四时间序列数据中逻辑错误的数据，获取第八时间序列数据；
剔除所述第四时间序列数据中的恒定数据，获取第九时间序列数据；
根据所述第六时间序列数据、第七时间序列数据、第八时间序列数据、第九时间序列数据获取所述第五时间序列数据。
7.根据权利要求1所述的方法，其特征在于，所述获取第一时间序列数据，包括：
利用基于ODBC的IFIX实时数据采集方法获取所述第一时间序列数据。
8.预测性维护控制设备，其特征在于，包括：
至少一个处理器，以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述指令时实现如权利要求1至7任一项所述的预测性维护方法。
9.计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的预测性维护方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010784496.1A CN112115416A (zh) | 2020-08-06 | 2020-08-06 | 预测性维护方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010784496.1A CN112115416A (zh) | 2020-08-06 | 2020-08-06 | 预测性维护方法、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112115416A true CN112115416A (zh) | 2020-12-22 |
Family
ID=73799214
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010784496.1A Pending CN112115416A (zh) | 2020-08-06 | 2020-08-06 | 预测性维护方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112115416A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107767191A (zh) * | 2017-12-05 | 2018-03-06 | 广东技术师范学院 | 一种基于医药大数据预测药品销售趋势的方法 |
| CN108052528A (zh) * | 2017-11-09 | 2018-05-18 | 华中科技大学 | 一种存储设备时序分类预警方法 |
| CN109587713A (zh) * | 2018-12-05 | 2019-04-05 | 广州数锐智能科技有限公司 | 一种基于arima模型的网络指标预测方法、装置及存储介质 |
| CN109766234A (zh) * | 2018-12-11 | 2019-05-17 | 国网甘肃省电力公司信息通信公司 | 基于时间序列模型的磁盘存储容量预测方法 |
| CN110400010A (zh) * | 2019-07-11 | 2019-11-01 | 新华三大数据技术有限公司 | 预测方法、装置、电子设备以及计算机可读存储介质 |
| CN110674019A (zh) * | 2019-08-30 | 2020-01-10 | 中国人民财产保险股份有限公司 | 一种预测系统故障的方法、装置及电子设备 |
-
2020
- 2020-08-06 CN CN202010784496.1A patent/CN112115416A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108052528A (zh) * | 2017-11-09 | 2018-05-18 | 华中科技大学 | 一种存储设备时序分类预警方法 |
| CN107767191A (zh) * | 2017-12-05 | 2018-03-06 | 广东技术师范学院 | 一种基于医药大数据预测药品销售趋势的方法 |
| CN109587713A (zh) * | 2018-12-05 | 2019-04-05 | 广州数锐智能科技有限公司 | 一种基于arima模型的网络指标预测方法、装置及存储介质 |
| CN109766234A (zh) * | 2018-12-11 | 2019-05-17 | 国网甘肃省电力公司信息通信公司 | 基于时间序列模型的磁盘存储容量预测方法 |
| CN110400010A (zh) * | 2019-07-11 | 2019-11-01 | 新华三大数据技术有限公司 | 预测方法、装置、电子设备以及计算机可读存储介质 |
| CN110674019A (zh) * | 2019-08-30 | 2020-01-10 | 中国人民财产保险股份有限公司 | 一种预测系统故障的方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7275018B2 (en) | Method of condition monitoring | |
| CN110333962B (zh) | 一种基于数据分析预测的电子元器件故障诊断模型 | |
| CN111610407A (zh) | 基于朴素贝叶斯的电缆老化状态评估方法和装置 | |
| US12007745B2 (en) | Apparatus for predicting equipment damage | |
| CN116644351B (zh) | 一种基于人工智能的数据处理方法及系统 | |
| CN114978956A (zh) | 智慧城市网络设备性能异常突变点检测方法及装置 | |
| CN115936658A (zh) | 一种电力设备异常检测方法、系统、可读存储介质 | |
| CN115375039A (zh) | 一种工业设备故障预测方法、装置、电子设备及存储介质 | |
| CN110287114B (zh) | 一种数据库脚本性能测试的方法及装置 | |
| KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
| CN116679653A (zh) | 一种用于工业设备数据的智能采集系统 | |
| CN109711450A (zh) | 一种电网预想故障集预测方法、装置、电子设备及存储介质 | |
| CN116453437B (zh) | 显示屏模组的测试方法、装置、设备及存储介质 | |
| CN117824588A (zh) | 一种建筑安全监测倾斜传感器采样优化与预警方法 | |
| CN112101313A (zh) | 一种机房机器人巡检方法及系统 | |
| CN112115416A (zh) | 预测性维护方法、设备及存储介质 | |
| CN114938339B (zh) | 一种数据处理方法和相关装置 | |
| CN115904955A (zh) | 性能指标的诊断方法、装置、终端设备及存储介质 | |
| CN115293735A (zh) | 一种无人工厂工业互联网平台监测管理方法及系统 | |
| CN117723782B (zh) | 用于桥梁结构健康监测的传感器故障识别定位方法及系统 | |
| CN112149969B (zh) | 特高压直流控制保护合并单元运行状态评价方法及系统 | |
| CN118283165B (zh) | 一种基于大数据的手机安全系数分析系统 | |
| CN117057676B (zh) | 多数据融合的故障分析方法、设备及存储介质 | |
| US20240193460A1 (en) | Data processing method and data processing apparatus | |
| CN118585755A (zh) | 基于人工智能的充电桩安全性监测与故障诊断方法及系统 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Zhen Inventor after: Zhang Lei Inventor after: Huang Hongshan Inventor after: Wu Jiang Inventor after: Chen Chen Inventor after: Fang Qi Inventor after: Liao Wei Inventor before: Li Zhen Inventor before: Sun Feng Inventor before: Huang Hongshan Inventor before: Wu Jiang Inventor before: Fang Qi Inventor before: Liao Wei |