CN112163297B - 设备健康预测系统 - Google Patents

设备健康预测系统 Download PDF

Info

Publication number
CN112163297B
CN112163297B CN202011061651.3A CN202011061651A CN112163297B CN 112163297 B CN112163297 B CN 112163297B CN 202011061651 A CN202011061651 A CN 202011061651A CN 112163297 B CN112163297 B CN 112163297B
Authority
CN
China
Prior art keywords
equipment
trained
prediction model
data
parameters
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
CN202011061651.3A
Other languages
English (en)
Other versions
CN112163297A (zh
Inventor
傅克文
许永贤
李镇
吴冠琳
梁小威
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.)
Xiamen Kecan Information Technology Co ltd
Xiamen Kehua Hengsheng Co Ltd
Original Assignee
Xiamen Kecan Information Technology Co ltd
Xiamen Kehua Hengsheng 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 Xiamen Kecan Information Technology Co ltd, Xiamen Kehua Hengsheng Co Ltd filed Critical Xiamen Kecan Information Technology Co ltd
Priority to CN202011061651.3A priority Critical patent/CN112163297B/zh
Publication of CN112163297A publication Critical patent/CN112163297A/zh
Application granted granted Critical
Publication of CN112163297B publication Critical patent/CN112163297B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • 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
    • 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
    • G01R31/003—Environmental or reliability tests
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明适用于设备监测技术领域，公开了一种设备健康预测系统，包括监测终端、分析终端和云服务器；监测终端监测设备的数据，并发送至分析终端；分析终端将设备的数据发送至云服务器；云服务器对设备健康预测模型进行训练，得到训练后的设备健康预测模型，并将设备的数据输入该模型，得到第一设备健康预测结果，根据第一设备健康预测结果确定设备故障信息，并发送至工作终端；云服务器将模型参数发送至分析终端；分析终端根据模型参数和预先构建的设备健康预测模型得到训练后的设备健康预测模型，并得到第二设备健康预测结果，根据第二设备健康预测结果确定是否进行故障告警。本发明可以提前预测设备故障，节省维修时间，提高效率，减小损失。

Description

设备健康预测系统
技术领域
本发明属于设备监测技术领域，尤其涉及一种设备健康预测系统。
背景技术
设备的性能会随着使用时间的增长而慢慢衰退，因此，对设备的健康状况进行预测对于设备故障的预防以及提高设备的可靠性都是十分有必要的。
目前，通常是设备发生故障之后，才会安排工作人员去维修。但是由于无法提前得知故障类型，导致故障维修时间长，效率低，且设备在发生故障后无法再继续使用，在设备维修期间会造成较大损失。
发明内容
有鉴于此，本发明实施例提供了一种设备健康预测系统，以解决现有技术故障维修时间长，效率低且在设备维修期间损失较大的问题。
本发明实施例提供了一种设备健康预测系统，包括：监测终端、分析终端和云服务器；
分析终端分别与监测终端和云服务器连接；
监测终端监测设备的数据，并将设备的数据发送至分析终端；分析终端将设备的数据发送至云服务器；
云服务器对预先构建的设备健康预测模型进行训练，得到训练后的设备健康预测模型，并将设备的数据输入训练后的设备健康预测模型，得到第一设备健康预测结果，根据第一设备健康预测结果确定设备故障信息，并将设备故障信息发送至工作人员的工作终端；
云服务器将训练后的设备健康预测模型的模型参数发送至分析终端；分析终端根据模型参数和预先构建的设备健康预测模型得到训练后的设备健康预测模型，并将设备的数据输入训练后的设备健康预测模型，得到第二设备健康预测结果，根据第二设备健康预测结果确定是否进行故障告警。
可选地，设备的数据包括电容电压和电容周围环境参数；设备健康预测模型包括电容老化程度预测模型；
云服务器将电容电压和电容周围环境参数输入训练后的电容老化程度预测模型，得到第一电容老化程度预测结果；
分析终端将电容电压和电容周围环境参数输入训练后的电容老化程度预测模型，得到第二电容老化程度预测结果。
可选地，设备的数据包括风机的核心器件的工作参数、风机的运行参数、风机周围环境参数和风机工作状态；设备健康预测模型包括风道散热性能预测模型；
云服务器将风机的核心器件的工作参数、风机的运行参数、风机周围环境参数和风机工作状态输入训练后的风道散热性能预测模型，得到第一风道散热性能预测结果；
分析终端将风机的核心器件的工作参数、风机的运行参数、风机周围环境参数和风机工作状态输入训练后的风道散热性能预测模型，得到第二风道散热性能预测结果。
可选地，设备的数据包括防雷器的工作参数；设备健康预测模型包括防雷器寿命预测模型；
云服务器将防雷器的工作参数输入训练后的防雷器寿命预测模型，得到第一防雷器寿命预测结果；
分析终端将防雷器的工作参数输入训练后的防雷器寿命预测模型，得到第二防雷器寿命预测结果。
可选地，设备的数据包括设备的电气参数和设备的工作状态，设备健康预测模型包括电气环境对设备的影响指数预测模型；
云服务器将设备的电气参数和设备的工作状态输入训练后的电气环境对设备的影响指数预测模型，得到第一电气环境对设备的影响指数预测结果；
分析终端将设备的电气参数和设备的工作状态输入训练后的电气环境对设备的影响指数预测模型，得到第二电气环境对设备的影响指数预测结果。
可选地，设备的数据包括设备的自然环境参数和设备的工作状态，设备健康预测模型包括自然环境对设备的影响指数预测模型；
云服务器将设备的自然环境参数和设备的工作状态输入训练后的自然环境对设备的影响指数预测模型，得到第一自然环境对设备的影响指数预测结果；
分析终端将设备的自然环境参数和设备的工作状态输入训练后的自然环境对设备的影响指数预测模型，得到第二自然环境对设备的影响指数预测结果。
可选地，设备的数据包括设备的红外检测数据、设备的视频数据、设备的声音数据和设备的气体数据中的至少一种以及设备的工作参数；设备健康预测模型包括设备健康度预测模型；
云服务器将设备的红外检测数据、设备的视频数据、设备的声音数据和设备的气体数据中的至少一种以及设备的工作参数输入训练后的设备健康度预测模型，得到第一设备健康度预测结果；
分析终端将设备的红外检测数据、设备的视频数据、设备的声音数据和设备的气体数据中的至少一种以及设备的工作参数输入训练后的设备健康度预测模型，得到第二设备健康度预测结果。
可选地，云服务器获取不同网点的数据，基于知识库分析，对不同网点的数据进行分析统计，生成统计报表。
可选地，云服务器获取不同产品的数据，基于知识库分析，对不同产品的数据进行分析，生成产品质量排行榜。
可选地，云服务器基于知识库分析确定设备故障信息对应的解决方案，根据设备故障信息和解决方案生成故障维修工单，并将故障维修工单派发至工作人员的工作终端。
本发明实施例与现有技术相比存在的有益效果是：本发明实施例的设备健康预测系统通过监测终端采集设备的数据并发送至分析终端，分析终端将设备的数据发送至云服务器，分析终端和云服务器均执行将设备的数据输入训练后的设备健康预测模型，得到设备健康预测结果，能够提前预测设备健康状况；云服务器根据第一设备健康预测结果确定设备故障信息，并将设备故障信息发送至工作人员的工作终端，分析终端根据第二设备健康预测结果确定是否进行故障告警，能够及时提醒工作人员设备的故障信息，使工作人员不会盲目进行故障维修，能够减少故障维修时间，提高维修效率，减小损失；且通过云服务器和分析终端进行双重预测，能够保证工作人员能够及时接收到设备故障信息，不会出现漏掉的情况。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的设备健康预测系统的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1是本发明一实施例提供的设备健康预测系统的实现流程示意图，为了便于说明，仅示出了与本发明实施例相关的部分。
如图1所示，该设备健康预测系统可以包括：监测终端11、分析终端12和云服务器13；
分析终端12分别与监测终端11和云服务器13连接；
监测终端11监测设备的数据，并将设备的数据发送至分析终端12；分析终端12将设备的数据发送至云服务器13；
云服务器13对预先构建的设备健康预测模型进行训练，得到训练后的设备健康预测模型，并将设备的数据输入训练后的设备健康预测模型，得到第一设备健康预测结果，根据第一设备健康预测结果确定设备故障信息，并将设备故障信息发送至工作人员的工作终端；
云服务器13将训练后的设备健康预测模型的模型参数发送至分析终端12；分析终端12根据模型参数和预先构建的设备健康预测模型得到训练后的设备健康预测模型，并将设备的数据输入训练后的设备健康预测模型，得到第二设备健康预测结果，根据第二设备健康预测结果确定是否进行故障告警。
其中，监测终端11可以包括电气参数采集设备，例如：电压采集设备、电流采集设备等等；传感器，例如：温度传感器、湿度传感器、气体传感器、红外传感器等等；视频采集设备；音频采集设备；设备运行数据采集设备等设备中的一种或多种。
分析终端12可以是计算机、服务器等计算设备。
在本发明实施例中，在云服务器13中，采用现有方法，对预先构建的设备健康预测模型进行训练，得到训练后的设备健康预测模型，并将训练后的设备健康预测模型的模型参数发送至分析终端12。分析终端12根据该模型参数和预先构建的设备健康预测模型得到上述训练后的设备健康预测模型。即在云服务器13和分析终端12均具有相同的训练后的设备健康预测模型，对设备健康状况进行预测，如果云服务器13或分析终端12发生故障，可以通过另一个进行设备健康预测，通过双重预测，防止出现漏掉的情况发生。
监测终端11可以实时采集设备的数据，并将设备的数据发送至分析终端12。分析终端12通过北向通信将设备的数据发送至云服务器13。云服务器13将实时接收到的设备的数据输入训练后的设备健康预测模型，得到第一设备健康预测结果，根据第一设备健康预测结果确定设备是否发生故障以及是否即将发生故障，并生成设备故障信息，将设备故障信息发送至工作人员的工作终端。可以保证工作人员及时接收到设备故障信息，提前进行预判。
分析终端12将设备的数据输入训练后的设备健康预测模型，得到第二设备健康预测结果，根据第二设备健康预测结果确定设备是否发生故障或设备是否即将发生故障，若确定设备发生故障或即将发生故障，则进行声光告警，提醒工作人员。
可选地，在分析终端12与云服务器13均正常运行时，第一设备健康预测结果和第二设备健康预测结果是相同的。若第一设备健康预测结果和第二设备健康预测结果不同，以第一设备健康预测结果为准。
由上述描述可知，本发明实施例的设备健康预测系统通过监测终端11采集设备的数据并发送至分析终端12，分析终端12将设备的数据发送至云服务器13，分析终端12和云服务器13均执行将设备的数据输入训练后的设备健康预测模型，得到设备健康预测结果，能够提前预测设备健康状况；云服务器13根据第一设备健康预测结果确定设备故障信息，并将设备故障信息发送至工作人员的工作终端，分析终端12根据第二设备健康预测结果确定是否进行故障告警，能够及时提醒工作人员设备的故障信息，使工作人员不会盲目进行故障维修，能够减少故障维修时间，提高维修效率，减小损失；且通过云服务器13和分析终端12进行双重预测，能够保证工作人员能够及时接收到设备故障信息，不会出现漏掉的情况。
在本发明的一个实施例中，设备的数据包括电容电压和电容周围环境参数；设备健康预测模型包括电容老化程度预测模型；
云服务器13将电容电压和电容周围环境参数输入训练后的电容老化程度预测模型，得到第一电容老化程度预测结果；
分析终端12将电容电压和电容周围环境参数输入训练后的电容老化程度预测模型，得到第二电容老化程度预测结果。
其中，电容周围环境参数可以包括环境温度、环境湿度等参数。
云服务器13可以根据第一电容老化程度预测结果确定电容老化程度是否大于预设电容老化阈值，若是，则生成电容故障信息，将电容故障信息发送至工作人员的工作终端。
分析终端12可以根据第二电容老化程度预测结果确定电容老化程度是否大于预设电容老化阈值，若是，则进行相应的声光告警。
本发明实施例可以对电容老化程度进行预测，当电容过度老化时，及时进行更换，防止影响设备性能。
在本发明的一个实施例中，设备的数据包括风机的核心器件的工作参数、风机的运行参数、风机周围环境参数和风机工作状态；设备健康预测模型包括风道散热性能预测模型；
云服务器13将风机的核心器件的工作参数、风机的运行参数、风机周围环境参数和风机工作状态输入训练后的风道散热性能预测模型，得到第一风道散热性能预测结果；
分析终端12将风机的核心器件的工作参数、风机的运行参数、风机周围环境参数和风机工作状态输入训练后的风道散热性能预测模型，得到第二风道散热性能预测结果。
其中，风机的核心器件的工作参数可以包括IGBT、电感等核心器件的工作温度等参数；风机的运行参数可以包括电压、电流、负载等设备运行数据；风机周围环境参数可以包括环境温度、环境湿度等参数。
若云服务器13根据第一风道散热性能预测结果预测风机的风道散热性能较差，可以及时发送相关信息至工作人员的工作终端。若分析终端12根据第二风道散热性能预测结果预测风机的风道散热性能较差，则进行相应的告警。
本发明实施例可以对风道的散热性能进行预测，当风道散热性能较差时，及时通知工作人员进行维修。
在本发明的一个实施例中，设备的数据包括防雷器的工作参数；设备健康预测模型包括防雷器寿命预测模型；
云服务器13将防雷器的工作参数输入训练后的防雷器寿命预测模型，得到第一防雷器寿命预测结果；
分析终端12将防雷器的工作参数输入训练后的防雷器寿命预测模型，得到第二防雷器寿命预测结果。
其中，防雷器的工作参数可以包括输入电压、输入电流、输出电压和输出电流等参数。
本发明实施例可以根据第一防雷器寿命预测结果和/或第二防雷器寿命预测结果确定防雷器还可以使用的时间，以便于及时提醒工作人员更换防雷器。
本发明实施例通过上述对电容老化程度预测、对风道散热性能进行预测以及对防雷器寿命预测可以实现对设备易损部件进行健康预测，及时发现易损部件故障，及时维修。
在本发明的一个实施例中，设备的数据包括设备的电气参数和设备的工作状态，设备健康预测模型包括电气环境对设备的影响指数预测模型；
云服务器13将设备的电气参数和设备的工作状态输入训练后的电气环境对设备的影响指数预测模型，得到第一电气环境对设备的影响指数预测结果；
分析终端12将设备的电气参数和设备的工作状态输入训练后的电气环境对设备的影响指数预测模型，得到第二电气环境对设备的影响指数预测结果。
其中，设备的电气参数可以包括输入电压、输出电压、输入电流、输出电流、输入频率、输出频率以及负载相关参数等等。
本发明实施例可以预测电气环境对设备健康的影响程度，以此来改善电气环境，增加设备使用时间。
在本发明的一个实施例中，设备的数据包括设备的自然环境参数和设备的工作状态，设备健康预测模型包括自然环境对设备的影响指数预测模型；
云服务器13将设备的自然环境参数和设备的工作状态输入训练后的自然环境对设备的影响指数预测模型，得到第一自然环境对设备的影响指数预测结果；
分析终端12将设备的自然环境参数和设备的工作状态输入训练后的自然环境对设备的影响指数预测模型，得到第二自然环境对设备的影响指数预测结果。
其中，设备的自然环境参数可以包括环境温度、环境湿度等参数。
本发明实施例可以预测自然环境对设备健康的影响程度，以此来改善设备所处的自然环境，增加设备使用时间。
在本发明的一个实施例中，设备的数据包括设备的红外检测数据、设备的视频数据、设备的声音数据和设备的气体数据中的至少一种以及设备的工作参数；设备健康预测模型包括设备健康度预测模型；
云服务器13将设备的红外检测数据、设备的视频数据、设备的声音数据和设备的气体数据中的至少一种以及设备的工作参数输入训练后的设备健康度预测模型，得到第一设备健康度预测结果；
分析终端12将设备的红外检测数据、设备的视频数据、设备的声音数据和设备的气体数据中的至少一种以及设备的工作参数输入训练后的设备健康度预测模型，得到第二设备健康度预测结果。
其中，设备的工作参数可以包括设备的工作状态以及运行数据等。
本发明实施例可以实现对设备的健康度进行预测，及时确定设备的健康状况。
可选地，设备健康预测模型可以包括上述任意一种或多种预测模型，设备的数据可以包括上述任意一种或多种预测模型，云服务器13和分析终端12可以实现上述任意一种或多种预测。
在本发明的一个实施例中，云服务器13获取不同网点的数据，基于知识库分析，对不同网点的数据进行分析统计，生成统计报表。
示例性地，云服务器13可以获取不同数据中心的相关运行数据，统计不同的数据中心的运行状态、运行效率等信息，生成统计报表。
在本发明的一个实施例中，云服务器13获取不同产品的数据，基于知识库分析，对不同产品的数据进行分析，生成产品质量排行榜。
示例性地，云服务器13可以获取不同品牌的不间断电源的运行数据，基于知识库分析，采用现有方法，对不同品牌的不间断电源的质量进行排行，生成不间断电源的质量排行榜。
在本发明的一个实施例中，云服务器13基于知识库分析确定设备故障信息对应的解决方案，根据设备故障信息和解决方案生成故障维修工单，并将故障维修工单派发至工作人员的工作终端。
在本发明实施例中，云服务器13可以基于知识库分析，采用现有方法确定设备故障信息对应的解决方案，并生成故障维修工单，派发至对应的工作人员处。可以为工作人员提供解决方案，不再盲目维修，可以节省维修时间，提高工作效率。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述设备健康预测系统的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的设备健康预测系统和方法，可以通过其它的方式实现。例如，以上所描述的设备健康预测系统实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述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，作为单元显示的部件可以是或者也可以不是物理单元，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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元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，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种设备健康预测系统，其特征在于，包括：监测终端、分析终端和云服务器；
所述分析终端分别与所述监测终端和所述云服务器连接；
所述监测终端监测设备的数据，并将设备的数据发送至所述分析终端；所述分析终端将所述设备的数据发送至所述云服务器；
所述云服务器对预先构建的设备健康预测模型A进行训练，得到训练后的设备健康预测模型A，并将所述设备的数据输入所述训练后的设备健康预测模型A，得到第一设备健康预测结果，根据所述第一设备健康预测结果确定设备故障信息，并将所述设备故障信息发送至工作人员的工作终端；
所述云服务器将所述训练后的设备健康预测模型A的模型参数发送至所述分析终端；所述分析终端根据所述模型参数和预先构建的设备健康预测模型B得到训练后的设备健康预测模型B，并将所述设备的数据输入所述训练后的设备健康预测模型B，得到第二设备健康预测结果，根据所述第二设备健康预测结果确定是否进行故障告警；
其中，若所述第一设备健康预测结果与所述第二设备健康预测结果不同，则以所述第一设备健康预测结果为准。
2.根据权利要求1所述的设备健康预测系统，其特征在于，所述设备的数据包括电容电压和电容周围环境参数；所述训练后的设备健康预测模型A包括训练后的电容老化程度预测模型A；所述训练后的设备健康预测模型B包括训练后的电容老化程度预测模型B；
所述云服务器将所述电容电压和所述电容周围环境参数输入训练后的电容老化程度预测模型A，得到第一电容老化程度预测结果；
所述分析终端将所述电容电压和所述电容周围环境参数输入训练后的电容老化程度预测模型B，得到第二电容老化程度预测结果。
3.根据权利要求1所述的设备健康预测系统，其特征在于，所述设备的数据包括风机的核心器件的工作参数、风机的运行参数、风机周围环境参数和风机工作状态；所述训练后的设备健康预测模型A包括训练后的风道散热性能预测模型A；所述训练后的设备健康预测模型B包括训练后的风道散热性能预测模型B；
所述云服务器将所述风机的核心器件的工作参数、所述风机的运行参数、所述风机周围环境参数和所述风机工作状态输入训练后的风道散热性能预测模型A，得到第一风道散热性能预测结果；
所述分析终端将所述风机的核心器件的工作参数、所述风机的运行参数、所述风机周围环境参数和所述风机工作状态输入训练后的风道散热性能预测模型B，得到第二风道散热性能预测结果。
4.根据权利要求1所述的设备健康预测系统，其特征在于，所述设备的数据包括防雷器的工作参数；所述训练后的设备健康预测模型A包括训练后的防雷器寿命预测模型A；所述训练后的设备健康预测模型B包括训练后的防雷器寿命预测模型B；
所述云服务器将所述防雷器的工作参数输入训练后的防雷器寿命预测模型A，得到第一防雷器寿命预测结果；
所述分析终端将所述防雷器的工作参数输入训练后的防雷器寿命预测模型B，得到第二防雷器寿命预测结果。
5.根据权利要求1所述的设备健康预测系统，其特征在于，所述设备的数据包括设备的电气参数和设备的工作状态，所述训练后的设备健康预测模型A包括训练后的电气环境对设备的影响指数预测模型A；所述训练后的设备健康预测模型B包括训练后的电气环境对设备的影响指数预测模型B；
所述云服务器将所述设备的电气参数和所述设备的工作状态输入训练后的电气环境对设备的影响指数预测模型A，得到第一电气环境对设备的影响指数预测结果；
所述分析终端将所述设备的电气参数和所述设备的工作状态输入训练后的电气环境对设备的影响指数预测模型B，得到第二电气环境对设备的影响指数预测结果。
6.根据权利要求1所述的设备健康预测系统，其特征在于，所述设备的数据包括设备的自然环境参数和设备的工作状态，所述训练后的设备健康预测模型A包括训练后的自然环境对设备的影响指数预测模型A；所述训练后的设备健康预测模型B包括训练后的自然环境对设备的影响指数预测模型B；
所述云服务器将所述设备的自然环境参数和所述设备的工作状态输入训练后的自然环境对设备的影响指数预测模型A，得到第一自然环境对设备的影响指数预测结果；
所述分析终端将所述设备的自然环境参数和所述设备的工作状态输入训练后的自然环境对设备的影响指数预测模型B，得到第二自然环境对设备的影响指数预测结果。
7.根据权利要求1所述的设备健康预测系统，其特征在于，所述设备的数据包括设备的红外检测数据、设备的视频数据、设备的声音数据和设备的气体数据中的至少一种以及设备的工作参数；所述训练后的设备健康预测模型A包括训练后的设备健康度预测模型A；所述训练后的设备健康预测模型B包括训练后的设备健康度预测模型B；
所述云服务器将所述设备的红外检测数据、所述设备的视频数据、所述设备的声音数据和所述设备的气体数据中的至少一种以及所述设备的工作参数输入训练后的设备健康度预测模型A，得到第一设备健康度预测结果；
所述分析终端将所述设备的红外检测数据、所述设备的视频数据、所述设备的声音数据和所述设备的气体数据中的至少一种以及所述设备的工作参数输入训练后的设备健康度预测模型B，得到第二设备健康度预测结果。
8.根据权利要求1至7任一项所述的设备健康预测系统，其特征在于，所述云服务器获取不同网点的数据，基于知识库分析，对不同网点的数据进行分析统计，生成统计报表。
9.根据权利要求1至7任一项所述的设备健康预测系统，其特征在于，所述云服务器获取不同产品的数据，基于知识库分析，对不同产品的数据进行分析，生成产品质量排行榜。
10.根据权利要求1至7任一项所述的设备健康预测系统，其特征在于，所述云服务器基于知识库分析确定所述设备故障信息对应的解决方案，根据所述设备故障信息和所述解决方案生成故障维修工单，并将所述故障维修工单派发至所述工作人员的工作终端。
CN202011061651.3A 2020-09-30 2020-09-30 设备健康预测系统 Active CN112163297B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011061651.3A CN112163297B (zh) 2020-09-30 2020-09-30 设备健康预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011061651.3A CN112163297B (zh) 2020-09-30 2020-09-30 设备健康预测系统

Publications (2)

Publication Number Publication Date
CN112163297A CN112163297A (zh) 2021-01-01
CN112163297B true CN112163297B (zh) 2023-07-18

Family

ID=73860924

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011061651.3A Active CN112163297B (zh) 2020-09-30 2020-09-30 设备健康预测系统

Country Status (1)

Country Link
CN (1) CN112163297B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113008591B (zh) * 2021-03-10 2021-12-17 山东大学 一种基于物联网的设备全生命周期监测方法及系统
CN113065200B (zh) * 2021-04-30 2021-11-16 沈阳大工先进技术发展有限公司 履带步战车变速机构的健康预测方法、系统及存储介质
CN113808725A (zh) * 2021-09-06 2021-12-17 武汉联影医疗科技有限公司 设备预警系统和方法
CN114239880A (zh) * 2021-12-13 2022-03-25 华北电力大学 一种风电机组运行状态的监测系统及监测方法
CN116629454B (zh) * 2023-07-19 2023-10-03 武汉新威奇科技有限公司 基于神经网络的伺服螺旋压力机生产效率预测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105469156A (zh) * 2014-09-11 2016-04-06 国网四川省电力公司电力科学研究院 Moa健康管理和故障预测方法及系统
CN106095639A (zh) * 2016-05-30 2016-11-09 中国农业银行股份有限公司 一种集群亚健康预警方法及系统
CN109934358A (zh) * 2019-01-30 2019-06-25 中国人民解放军32181部队 装备故障预测和健康评估方法、系统及终端设备
CN111222549A (zh) * 2019-12-30 2020-06-02 航天时代飞鸿技术有限公司 一种基于深度神经网络的无人机故障预测方法
CN111273196A (zh) * 2020-03-11 2020-06-12 杭州安脉盛智能技术有限公司 一种应用于核电大型电力变压器的健康管理系统及方法
CN111507489A (zh) * 2020-04-20 2020-08-07 电子科技大学中山学院 一种云边协同的游乐设备故障预测与健康管理系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105469156A (zh) * 2014-09-11 2016-04-06 国网四川省电力公司电力科学研究院 Moa健康管理和故障预测方法及系统
CN106095639A (zh) * 2016-05-30 2016-11-09 中国农业银行股份有限公司 一种集群亚健康预警方法及系统
CN109934358A (zh) * 2019-01-30 2019-06-25 中国人民解放军32181部队 装备故障预测和健康评估方法、系统及终端设备
CN111222549A (zh) * 2019-12-30 2020-06-02 航天时代飞鸿技术有限公司 一种基于深度神经网络的无人机故障预测方法
CN111273196A (zh) * 2020-03-11 2020-06-12 杭州安脉盛智能技术有限公司 一种应用于核电大型电力变压器的健康管理系统及方法
CN111507489A (zh) * 2020-04-20 2020-08-07 电子科技大学中山学院 一种云边协同的游乐设备故障预测与健康管理系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
大型复杂设备健康管理技术;赵中敏 等;《中国设备工程》;20130713;正文第2-3节 *

Also Published As

Publication number Publication date
CN112163297A (zh) 2021-01-01

Similar Documents

Publication Publication Date Title
CN112163297B (zh) 设备健康预测系统
CN110224894B (zh) 一种智能变电站过程层网络监测管理系统
CN105262210A (zh) 一种变电站网络安全性分析预警系统和方法
CN103051688A (zh) 基于云服务的led广告屏系统及其智能监控方法
CN105872061B (zh) 一种服务器集群管理方法、装置及系统
CN107426033B (zh) 一种对物联网接入终端进行状态预测的方法和装置
CN110723166A (zh) 一种道岔监测方法及系统
CN102621959A (zh) 一种配变房非电量监控终端设备、管理设备以及监控装置
CN111611254A (zh) 设备能耗异常监测方法、装置、终端设备及存储介质
CN110488896A (zh) 一种机房环境的控制系统及其控制方法
CN105278521A (zh) 一种机组故障原因的诊断方法、诊断装置以及空调机组
CN116345691B (zh) 一种电力设备运行监控系统
CN205647545U (zh) 智能网络运维管理系统
US11652831B2 (en) Process health information to determine whether an anomaly occurred
CN117391675A (zh) 一种数据中心基础设施运维管理方法
CN113176982A (zh) 一种基于vpx架构机箱管理系统的实现装置及方法
KR20190064722A (ko) Ｉｔ인프라의 유지보수 서비스 시스템
CN205983124U (zh) 一种综合监控系统
CN115048274B (zh) 一种基于大数据的运维系统
CN110995525A (zh) 一种基于维护矩阵的路由器检测方法
CN113391611B (zh) 动力环境监控系统的预警方法、装置及系统
CN114265324A (zh) 设备运行状态的监测方法、装置及终端设备
CN115048260A (zh) 一种基于云计算的核电厂PaaS平台资源配额监控方法和系统
CN111189496A (zh) 用于中央空调产品的防雷信息在线监测及预警的系统
CN111307280A (zh) 一种换流阀阀基电子设备光功率在线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