CN112163618B - 一种设备故障的检测方法及检测系统 - Google Patents
一种设备故障的检测方法及检测系统 Download PDFInfo
- Publication number
- CN112163618B CN112163618B CN202011032320.7A CN202011032320A CN112163618B CN 112163618 B CN112163618 B CN 112163618B CN 202011032320 A CN202011032320 A CN 202011032320A CN 112163618 B CN112163618 B CN 112163618B
- Authority
- CN
- China
- Prior art keywords
- fault
- index data
- model
- matching degree
- preset threshold
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 49
- 230000008569 process Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000009776 industrial production Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 239000007788 liquid Substances 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 12
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Manufacturing & Machinery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明实施例提供了一种设备故障的检测方法及检测系统,解决了传统的设备故障检测方法缺乏准确性和局限性,因此大大降低了生产效益的问题。所述设备故障的检测方法包括:采集设备运行时的指标数据;将所述指标数据输入故障模型,得到故障特征匹配度,并判断所述故障特征匹配度是否大于第一预设阈值;若是,则继续判断所述故障特征匹配度是否大于第二预设阈值,若所述故障特征匹配度大于所述第二预设阈值,则发出故障警告。
Description
技术领域
本发明涉及工业生产制造技术领域,具体涉及一种设备故障的检测方法及检测系统。
背景技术
制造业是国民经济的脊梁,是高技术的载体及转化为生产力的桥梁和通道,是产业升级的手段,是外贸出口的主力以及国家安全的保障。同时,必须指出的是,生产制造业还是国家的战略产业,它是实现工业化的必备条件,是衡量一个国家国际竞争力的重要标志,是决定我国在国际分工中地位的关键因素。在工业生产制造过程中,及时发现设备故障至关重要,但是由于传统的设备故障检测方法缺乏准确性和局限性,因此大大降低了生产效益。
发明内容
有鉴于此,本发明实施例提供了一种设备故障的检测方法及检测系统,解决了传统的设备故障检测方法缺乏准确性和局限性,因此大大降低了生产效益的问题。
本发明一实施例提供的一种设备故障的检测方法及检测系统包括:采集设备运行时的指标数据;将所述指标数据输入故障模型,得到故障特征匹配度,并判断所述故障特征匹配度是否大于第一预设阈值;若是,则继续判断所述故障特征匹配度是否大于第二预设阈值,若所述故障特征匹配度大于所述第二预设阈值,则发出故障警告。
在一种实施方式中,将所述指标数据输入故障模型,得到故障特征匹配度,并判断所述故障特征匹配度是否大于第一预设阈值包括:基于所述指标数据提取第一故障特征;基于所述第一故障特征得到故障发生历史次数和故障持续时间;基于所述故障发生历史次数和所述故障持续时间得到故障特征匹配度,并判断所述故障特征匹配度是否大于第一预设阈值。
在一种实施方式中,还包括:若所述故障特征匹配度小于所述第二预设阈值,则将所述指标数据导入所述故障模型的缓冲队列以用于刷新所述故障模型。
在一种实施方式中,若所述故障特征匹配度小于所述第二预设阈值,则将所述指标数据导入所述故障模型的缓冲队列以用于刷新所述故障模型包括:在预设时间间隔内,从所述故障模型的缓冲队列拉取所述指标数据;将拉取的所述指标数据输入故障模型,基于所述拉取的数据提取第二故障特征;基于所述第二故障特征,更新所述故障模型。
在一种实施方式中,将所述指标数据输入故障模型之前,还包括:构建所述故障模型,包括:基于工业生产标准和工艺规范设定故障类型和故障发生时各指标参数的区间;基于预设年限内所有所述故障类型和所述故障发生时各指标参数的区间进行大数据分析,提取第三故障特征,并过滤掉假故障;基于所有所述第三故障特征统计故障发生历史次数和故障持续时间;基于所述故障发生历史次数和故障持续时间构建所述故障模型。
在一种实施方式中,基于所述故障发生历史次数和所述故障持续时间得到故障特征匹配度,基于以下模型获得:
其中,exp为以自然常数e为底的指数;x为故障发生历史次数;T为故障持续时间,g为故障特征匹配度。
在一种实施方式中,还包括:所述第一故障特征匹配度小于所述第一预设阈值,则确认未发生故障。
在一种实施方式中,采集设备运行时的指标数据包括:采集设备运行时的温度,速度,压强,液位中的至少一种。
在一种实施方式中,将所述指标数据输入故障模型,基于所述指标数据提取第一故障特征包括:基于所述指标数据提取故障类型,故障参数,故障发生时间中的至少一种。
一种设备故障检测系统,包括:采集模块,用于采集设备运行时的指标数据;故障处理模块,用于将所述指标数据输入故障模型,得到故障特征匹配度;判断模块,用于判断所述故障特征匹配度是否大于第一预设阈值;若是,则继续判断所述故障特征匹配度是否大于第二预设阈值,若所述故障特征匹配度大于所述第二预设阈值,则发出故障警告。
一种电子设备,包括存储器和处理器,所述存储器用于存储一条或多条计算机指令,其中所述一条或多条计算机指令被所述处理器执行时实现上述任一项所述的设备故障的检测方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用以实现上述任一项所述的设备故障的检测方法。
本发明实施例提供的一种设备故障的检测方法及检测系统,所述设备故障的检测方法包括:采集设备运行时的指标数据;将所述指标数据输入故障模型,得到故障特征匹配度,并判断所述故障特征匹配度是否大于第一预设阈值;若是,则继续判断所述故障特征匹配度是否大于第二预设阈值,若所述故障特征匹配度大于所述第二预设阈值,则发出故障警告。本发明基于大数据分析系统,提取历史故障发生时的各参数特征建立动态故障模型,通过采集设备运行时的指标数据进行分析,实时检测设备运行状况,扩大了设备故障检测范围,减少了安装复杂检测系统的高额费用和繁琐的使用培训,且能够准确判断当前设备运行是否故障,提升了故障检测的时效性。
附图说明
图1所示为本发明一实施例提供的一种设备故障的检测方法的流程示意图。
图2所示为本发明另一实施例提供的一种设备故障的检测方法的流程示意图。
图3所示为本发明一实施例提供的一种设备故障的检测系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
在工业生产制造过程中,及时发现设备故障至关重要,但是由于传统的设备故障检测方法缺乏准确性和局限性,大大降低了生产效益。目前,现有的解决上述技术问题可以通过采集设备设定部件运行过程中设定方向的加速度数据检测设备故障,但在实际生产中,速度或者加速度并不是故障检测的唯一标准,如此就会遗漏非速度相关的故障。或者通过计算红外图像温度平均值的方式检测故障,该方法进行检测时系统复杂且也无法涵盖所有设备故障情况。因此,设计一种能够针对于故障特征而不是单一设备特征的故障检测方法将是关键所在。针对目前存在的问题,本发明提出一种设备故障的检测方法,基于大数据分析系统,提取历史故障发生时的各参数特征建立动态故障模型,通过采集设备运行时的指标数据进行分析,实时检测设备运行状况,扩大了设备故障检测范围,减少了安装复杂检测系统的高额费用和繁琐的使用培训,且能够准确判断当前设备运行是否故障,提升了故障检测的时效性。具体实施例参考如下。
图1所示为本发明一实施例提供的一种设备故障的检测方法的流程示意图。图2所示为本发明另一实施例提供的一种设备故障的检测方法的流程示意图。本实施例提供一种故障检测的方法,参考图1和图2,所述设备故障的检测方法包括:
步骤S001:采集设备运行时的指标数据。可选地,当设备运行时,设备传感器采集设备运行时的指标数据。指标数据包括:采集温度,速度,压强,液位中的至少一种,可以理解,指标数据包括但不限于包括采集温度,速度,压强,液位中的至少一种,采集的设备运行时的指标数据可以根据实际的检测需求进行选择,本发明对指标数据具体包括的指标类型不做限定。
步骤S002:将所述指标数据输入故障模型,得到故障特征匹配度,并判断所述故障特征匹配度是否大于第一预设阈值。其中,将所述指标数据输入故障模型,得到故障特征匹配度包括:基于所述指标数据提取第一故障特征,基于所述第一故障特征得到故障发生历史次数和故障持续时间;基于所述故障发生历史次数和故障持续时间得到故障特征匹配度,并判断所述故障特征匹配度是否大于第一预设阈值。将步骤S001中采集到的设备运行时的指标数据输入故障模型中,故障模型给予所述指标数据提取设备故障的第一故障特征,其中第一故障特征包括故障类型、故障参数、故障发生时间中的至少一种,可以理解,第一故障特征包括但不限于包括故障类型、故障参数、故障发生时间中的至少一种,提取的设备故障的第一故障特征可以根据实际的检测需求进行选择,本发明对提取的设备故障的第一故障特征不做限定。
将所述指标数据输入故障模型,基于所述指标数据提取故障特征之前,还包括:构建故障模型,包括:
步骤1:基于工业生产标准和工艺规范设定故障类型和故障发生时各指标参数的区间。
步骤2:基于预设年限内所有所述故障类型和所述故障发生时各指标参数的区间进行大数据分析,提取第三故障特征。可选地,由最近两年的生产数据进行大数据分析,其中生产数据包括所述故障类型和所述故障发生时各指标参数的区间。可选地,采用采用Spark数据分析程序结合集群上的多主机资源进行分析计算,可以加快计算速度。在此基础上,还可以过滤掉由于数据波动而产生的假故障,可选地,如果故障发生持续时间小于预设时间,则认为是假故障,并将其过滤掉,不使用此故障数据构建初始故障模型。其中,预设时间可以为60秒,即如果故障发生持续时间小于60s,则认为是假故障,并将其过滤掉,不使用此故障数据构建初始故障模型。
可以理解,第三故障特征包括但不限于包括故障类型、故障参数、故障发生时间中的至少一种,提取的设备故障的第三故障特征可以根据实际的检测需求进行选择,本发明对提取的设备故障的第三故障特征不做限定。
步骤3:基于所有所述第三故障特征统计各种故障累计发生的次数和持续时间。统计出各种故障累计发生的次数、持续时间等数据,以第三故障特征以及各种故障累计发生的次数、持续时间等数据构建初始故障模型。
步骤4:基于所述故障发生历史次数和故障持续时间构建故障模型。
初始故障模型构建完成后,将步骤S001中采集到的设备运行时的指标数据输入此模型,根据指标数据在模型中找到匹配的第一故障特征以及该故障累计发生的次数、持续时间等数据。
基于所述故障发生历史次数和故障持续时间得到故障特征匹配度,并判断所述故障特征匹配度是否大于第一预设阈值。
基于所述故障发生历史次数和故障持续时间得到故障特征匹配度,可以基于以下模型获得:
其中,exp为以自然常数e为底的指数;x为故障发生历史次数;T为故障发生持续时间;g为故障特征匹配度。由于exp为以自然常数e为底的指数,所以exp大于0,因此函数的分母永远大于分子,因此此模型能够将线性数据转化成概率。例如:故障A发生持续了60秒,以及发生历史次数为50次,那么计算结果约为0.98,即概率为98%。故障发生历史次数越多,持续时间越长,匹配的概率越高。
基于故障发生历史次数和故障持续时间得到故障特征匹配度,判断故障特征匹配度是否大于第一预设阈值,若故障特征匹配度小于第一预设阈值,则认为采集到的指标数据代表设备完全正常没有发生故障,则直接结束检测。通过判断故障特征匹配度是否大于第一预设阈值来判断是否继续检测,能够避开大量正常数据的资源占用,提高故障检测的稳定性。
步骤S005:若故障特征匹配度大于第一预设阈值,则认为此数据代表设备可能发生故障,则进一步判断故障特征匹配度是否大于第二预设阈值,若故障特征匹配度大于第二预设阈值,则认为采集到的指标数据代表设备一定发生了故障,则触发故障警告。
可以理解,可选地,第一预设阈值为55%。当故障特征匹配度大于55%时,则认为此数据代表设备可能发生故障,进一步判断故障特征匹配度是否大于第二预设阈值;当故障特征匹配度小于55%时,认为采集到的指标数据代表设备完全正常没有发生故障,则直接结束检测。第一预设阈值的具体数值是根据实际的需求进行设定的,本发明对第一预设阈值的具体数值不做限定。
还可以理解,可选地,第二预设阈值为95%。当故障特征匹配度大于95%时,发出故障警告。第二预设阈值的具体数值是根据实际的需求进行设定的,本发明对第二预设阈值的具体数值不做限定。
本发明中的设备故障的检测方法通过步骤S001~S004实现了设备故障的动态检测,基于大数据分析系统,提取历史故障发生时的各参数特征建立动态故障模型,通过采集设备运行时的指标数据进行分析,实时检测设备运行状况,扩大了设备故障检测范围,减少了安装复杂检测系统的高额费用和繁琐的使用培训,且能够准确判断当前设备运行是否故障,提升了故障检测的时效性。
本发明一实施例中,在预设时间间隔内,刷新所述故障模型。若特征匹配度小于第二预设阈值,则将指标数据导入故障模型的缓冲队列,在预设时间间隔内,从故障模型的缓冲队列拉取数据,将拉取的数据输入故障模型,基于指标数据提取第二故障特征,基于第二故障特征,更新故障模型。其中步骤002中建立的模型可以为初始故障模型,在步骤002中建立的初始故障模型的基础上,根据从缓冲队列中拉取的数据不断的对故障模型进行刷新,从而使故障模型不断完善,进而提高故障特征匹配度的准确性。
可以理解,可以每天一次从缓冲队列拉取数据,对故障模型进行更新;也可以每小时一次从缓冲队列拉取数据,对故障模型进行更新。预设时间间隔可以根据CPU和内存资源进行设定,本发明对预设时间间隔不做限定。
还可以理解,第二故障特征包括但不限于包括故障类型、故障参数、故障发生时间中的至少一种,提取的设备故障的第二故障特征可以根据实际的检测需求进行选择,本发明对提取的设备故障的第二故障特征不做限定。
图3所示为本发明一实施例提供的一种设备故障的检测系统的结构示意图。
如图3所示,本实施例提供一种设备故障检测系统100,包括:采集模块10、故障特征模块20和判断模块30。
其中,采集模块10,用于采集设备运行时的指标数据。将所述指标数据输入故障模型。
故障处理模块20,用于将所述指标数据输入故障模型,得到故障特征匹配度;
判断模块30,用于判断所述故障特征匹配度是否大于第一预设阈值;若是,则继续判断所述故障特征匹配度是否大于第二预设阈值,若所述故障特征匹配度大于所述第二预设阈值,则发出故障警告。
采集模块10获取设备运行时的指标数据,并将指标数据输入故障处理模块上中的故障模型中,故障处理模块20基于所述指标数据提取第一故障特征,基于所述第一故障特征得到故障发生历史次数和持续时间;判断模块30基于故障发生历史次数和持续时间得到故障特征匹配度,并判断故障特征匹配度是否大于第一预设阈值;若是,则判断故障特征匹配度是否大于第二预设阈值,若故障特征匹配度大于第二预设阈值,则发出故障警告。
故障处理模块20还作用为在预设时间间隔内,刷新所述故障模型。若故障特征匹配度小于第二预设阈值,则将指标数据导入故障模型的缓冲队列,在预设时间间隔内,从故障模型的缓冲队列拉取数据,将拉取的数据输入故障模型,基于指标数据提取第二故障特征,基于第二故障特征,更新故障模型。
故障特征处理模块20,还作用于构建初始故障模型,包括:基于工业生产标准和工艺规范设定故障类型和故障发生时各指标参数的区间;基于预设年限内所有所述故障类型和所述故障发生时各指标参数的区间进行大数据分析,提取第三故障特征,并过滤掉假故障;基于所有所述第三故障特征统计各种故障累计发生历史次数和持续时间。
基于上述各模块执行设备故障的检测方法的具体实施例已在实施例一中详述,此处不再赘述。
本实施例提供了一种电子设备,该电子设备可以是手机、电脑或平板电脑等,包括存储器和处理器,所述存储器上存储有计算机程序,该计算机程序被处理器执行时实现如实施例一中所述的设备故障的检测方法。可以理解,电子设备还可以包括,输入/输出(I/O)接口,以及通信组件。
其中,处理器用于执行如实施例一中的设备故障的检测中的全部或部分步骤。存储器用于存储各种类型的数据,这些数据例如可以包括电子设备中的任何应用程序或方法的指令,以及应用程序相关的数据。
所述处理器可以是专用集成电路(Application Specific Integrated Cricuit,简称ASIC)、数字信号处理器(Digital Signal Processor,简称DSP)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable GateArray,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述实施例一中设备故障的检测方法。
所述存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memery,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
本实施例还提供一种计算机可读存储介质。在本发明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。所述功能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,本发明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)执行本发明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:闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、APP应用商城等等各种可以存储程序校验码的介质,其上存储有计算机程序,所述计算机程序被处理器执行时可以实现如下方法步骤:
步骤S001:采集设备运行时的指标数据。
步骤S002:将所述指标数据输入故障模型,基于所述指标数据提取第一故障特征。
步骤S003:基于所述第一故障特征得到故障发生历史次数和故障持续时间;
步骤S004:基于所述故障发生历史次数和所述故障持续时间得到故障特征匹配度,并判断所述故障特征匹配度是否大于第一预设阈值。
步骤S005:若故障特征匹配度大于第一预设阈值,则认为此数据代表设备可能发生故障,则进一步判断故障特征匹配度是否大于第二预设阈值,若故障特征匹配度大于第二预设阈值,则认为采集到的指标数据代表设备一定发生了故障,则触发故障警告。
上述方法步骤的具体实施例过程可参见实施例一,本实施例在此不再重复赘述。
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发明的范围。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,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。
本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。本申请实施例中所有方向性指示(诸如上、下、左、右、前、后、顶、底……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
另外,在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
以上所述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换等,均应包含在本发明的保护范围之内。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换等,均应包含在本发明的保护范围之内。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种设备故障的检测方法,其特征在于,包括:
采集设备运行时的指标数据;
将所述指标数据输入故障模型,得到故障特征匹配度,并判断所述故障特征匹配度是否大于第一预设阈值;
若是,则继续判断所述故障特征匹配度是否大于第二预设阈值,所述第二预设阈值大于所述第一预设阈值,若所述故障特征匹配度大于所述第二预设阈值,则发出故障警告;若所述故障特征匹配度小于所述第二预设阈值,则将所述指标数据导入所述故障模型的缓冲队列以用于刷新所述故障模型,具体包括:在预设时间间隔内,从所述故障模型的缓冲队列拉取所述指标数据;将拉取的所述指标数据输入故障模型,基于所述拉取的数据提取第二故障特征;基于所述第二故障特征,更新所述故障模型;
其中,将所述指标数据输入故障模型,得到故障特征匹配度包括:通过所述故障模型确定所述指标数据对应的第一故障特征,基于所述第一故障特征得到故障发生历史次数和故障持续时间;基于以下模型、所述故障发生历史次数和所述故障持续时间得到故障特征匹配度;
其中,exp为以自然常数e为底的指数;x为故障发生历史次数;T为故障持续时间,g为故障特征匹配度。
2.根据权利要求1所述的设备故障的检测方法,其特征在于,将所述指标数据输入故障模型之前,还包括:构建所述故障模型,包括:
基于工业生产标准和工艺规范设定故障类型和故障发生时各指标参数的区间;
基于预设年限内所有所述故障类型和所述故障发生时各指标参数的区间进行大数据分析,提取第三故障特征,并过滤掉假故障;
基于所有所述第三故障特征统计故障发生历史次数和故障持续时间;
基于所述故障发生历史次数和故障持续时间构建所述故障模型。
3.根据权利要求1所述的设备故障的检测方法,其特征在于,还包括:所述第一故障特征匹配度小于所述第一预设阈值,则确认未发生故障。
4.根据权利要求1所述的设备故障的检测方法,其特征在于,采集设备运行时的指标数据包括:采集设备运行时的温度,速度,压强,液位中的至少一种。
5.根据权利要求1所述的设备故障的检测方法,其特征在于,将所述指标数据输入故障模型,基于所述指标数据提取第一故障特征包括:基于所述指标数据提取故障类型,故障参数,故障发生时间中的至少一种。
6.一种设备故障检测系统,其特征在于,包括:
采集模块,用于采集设备运行时的指标数据;
故障处理模块,用于将所述指标数据输入故障模型,得到故障特征匹配度;
判断模块,用于判断所述故障特征匹配度是否大于第一预设阈值;若是,则继续判断所述故障特征匹配度是否大于第二预设阈值,所述第二预设阈值大于所述第一预设阈值,若所述故障特征匹配度大于所述第二预设阈值,则发出故障警告;
其中,所述故障处理模块具体用于:通过所述故障模型确定所述指标数据对应的第一故障特征,基于所述第一故障特征得到故障发生历史次数和故障持续时间;基于以下模型、所述故障发生历史次数和所述故障持续时间得到故障特征匹配度;
其中,exp为以自然常数e为底的指数;x为故障发生历史次数;T为故障持续时间,g为故障特征匹配度;
所述判断模块具体用于:若所述故障特征匹配度小于所述第二预设阈值,则将所述指标数据导入所述故障模型的缓冲队列以用于刷新所述故障模型,具体用于:在预设时间间隔内,从所述故障模型的缓冲队列拉取所述指标数据;将拉取的所述指标数据输入故障模型,基于所述拉取的数据提取第二故障特征;基于所述第二故障特征,更新所述故障模型。
7.一种电子设备,其特征在于,包括存储器和处理器,所述存储器用于存储一条或多条计算机指令,其中所述一条或多条计算机指令被所述处理器执行时实现如权利要求1-5任一项所述的设备故障的检测方法。
8.一种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中存储有计算机程序,所述计算机程序被处理器执行时用以实现如权利要求1-5任一项所述的设备故障的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011032320.7A CN112163618B (zh) | 2020-09-27 | 2020-09-27 | 一种设备故障的检测方法及检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011032320.7A CN112163618B (zh) | 2020-09-27 | 2020-09-27 | 一种设备故障的检测方法及检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112163618A CN112163618A (zh) | 2021-01-01 |
CN112163618B true CN112163618B (zh) | 2024-06-04 |
Family
ID=73863056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011032320.7A Active CN112163618B (zh) | 2020-09-27 | 2020-09-27 | 一种设备故障的检测方法及检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112163618B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408116A (zh) * | 2021-06-07 | 2021-09-17 | 中国神华能源股份有限公司国华电力分公司 | 设备健康状态的判断方法及装置 |
CN113610788B (zh) * | 2021-07-27 | 2023-03-07 | 上海众壹云计算科技有限公司 | 图像采集装置的故障监测方法、装置、电子设备及存储介质 |
CN113806155B (zh) * | 2021-09-17 | 2022-04-15 | 上海慧程智能系统有限公司 | 一种基于物联网的工业设备管理方法和系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6625589B1 (en) * | 1999-10-28 | 2003-09-23 | General Electric Company | Method for adaptive threshold computation for time and frequency based anomalous feature identification in fault log data |
CN109034470A (zh) * | 2018-07-18 | 2018-12-18 | 国网冀北电力有限公司信息通信分公司 | 一种电力通信现场运维故障预测方法 |
CN110298497A (zh) * | 2019-06-11 | 2019-10-01 | 武汉蓝智科技有限公司 | 基于大数据的工业预测维修系统及其使用方法 |
CN110501989A (zh) * | 2018-05-17 | 2019-11-26 | 株洲中车时代电气股份有限公司 | 一种列车运行故障过滤方法及装置 |
CN110781220A (zh) * | 2019-09-20 | 2020-02-11 | 江苏欣皓测试技术有限公司 | 故障预警方法、装置、存储介质和电子设备 |
CN111338876A (zh) * | 2020-02-14 | 2020-06-26 | 苏州凌云视界智能设备有限责任公司 | 一种故障模式与影响分析的决策方法、系统及存储介质 |
CN111368890A (zh) * | 2020-02-26 | 2020-07-03 | 珠海格力电器股份有限公司 | 故障检测方法及装置、信息物理融合系统 |
CN111578444A (zh) * | 2019-02-19 | 2020-08-25 | 珠海格力电器股份有限公司 | 一种空调故障预测方法、装置、存储介质及空调 |
-
2020
- 2020-09-27 CN CN202011032320.7A patent/CN112163618B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6625589B1 (en) * | 1999-10-28 | 2003-09-23 | General Electric Company | Method for adaptive threshold computation for time and frequency based anomalous feature identification in fault log data |
CN110501989A (zh) * | 2018-05-17 | 2019-11-26 | 株洲中车时代电气股份有限公司 | 一种列车运行故障过滤方法及装置 |
CN109034470A (zh) * | 2018-07-18 | 2018-12-18 | 国网冀北电力有限公司信息通信分公司 | 一种电力通信现场运维故障预测方法 |
CN111578444A (zh) * | 2019-02-19 | 2020-08-25 | 珠海格力电器股份有限公司 | 一种空调故障预测方法、装置、存储介质及空调 |
CN110298497A (zh) * | 2019-06-11 | 2019-10-01 | 武汉蓝智科技有限公司 | 基于大数据的工业预测维修系统及其使用方法 |
CN110781220A (zh) * | 2019-09-20 | 2020-02-11 | 江苏欣皓测试技术有限公司 | 故障预警方法、装置、存储介质和电子设备 |
CN111338876A (zh) * | 2020-02-14 | 2020-06-26 | 苏州凌云视界智能设备有限责任公司 | 一种故障模式与影响分析的决策方法、系统及存储介质 |
CN111368890A (zh) * | 2020-02-26 | 2020-07-03 | 珠海格力电器股份有限公司 | 故障检测方法及装置、信息物理融合系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112163618A (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112163618B (zh) | 一种设备故障的检测方法及检测系统 | |
CN110365703B (zh) | 物联网终端异常状态检测方法、装置及终端设备 | |
CN109726731B (zh) | 用电量异常检测方法、装置、设备及可读存储介质 | |
CN109299135B (zh) | 基于识别模型的异常查询识别方法、识别设备及介质 | |
CN109726364B (zh) | 用电量异常检测方法、装置、终端及计算机可读存储介质 | |
CN112188531B (zh) | 异常检测方法、装置、电子设备及计算机存储介质 | |
CN113518011B (zh) | 异常检测方法和装置、电子设备及计算机可读存储介质 | |
CN108959034A (zh) | 一种监控报警方法、装置、电子设备及存储介质 | |
CN109088869B (zh) | Apt攻击检测方法及装置 | |
CN103761748A (zh) | 异常行为检测方法和装置 | |
WO2017032261A1 (zh) | 身份认证方法、装置及设备 | |
CN110083475B (zh) | 一种异常数据的检测方法及装置 | |
CN111811567B (zh) | 一种基于曲线拐点比对的设备检测方法及相关装置 | |
CN110717551B (zh) | 流量识别模型的训练方法、装置及电子设备 | |
CN109308589B (zh) | 电网自动化数据质量监测方法、存储介质、终端设备和系统 | |
CN111797861A (zh) | 信息处理方法、装置、存储介质及电子设备 | |
CN113988723A (zh) | 一种基于用电数据异常分析的用户行为锁定方法和系统 | |
CN112113581A (zh) | 异常计步识别方法、计步方法、装置、设备及介质 | |
CN106652393B (zh) | 假警报确定方法及装置 | |
CN113869526A (zh) | 数据处理模型性能提高方法及装置、存储介质和电子设备 | |
CN113123955B (zh) | 柱塞泵异常检测方法、装置、存储介质及电子设备 | |
CN104915585B (zh) | 基于传感器特征分区建模的触屏设备用户身份监控方法 | |
CN114913600A (zh) | 一种电表窃电检测方法、装置、电子设备及存储介质 | |
CN112953723B (zh) | 一种车载入侵检测方法及装置 | |
CN115499187A (zh) | Api安全监测模型训练方法、监测方法、装置及设备 |
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 |