CN112345874A - 一种基于5g的实验室仪器设备在线故障诊断方法及系统 - Google Patents
一种基于5g的实验室仪器设备在线故障诊断方法及系统 Download PDFInfo
- Publication number
- CN112345874A CN112345874A CN202110027704.8A CN202110027704A CN112345874A CN 112345874 A CN112345874 A CN 112345874A CN 202110027704 A CN202110027704 A CN 202110027704A CN 112345874 A CN112345874 A CN 112345874A
- Authority
- CN
- China
- Prior art keywords
- laboratory instrument
- equipment
- data
- fault
- laboratory
- 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
- G01R31/003—Environmental or reliability tests
Landscapes
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于5G的实验室仪器设备在线故障诊断方法及系统,其方法,包括:采集实验室仪器设备的历史运行数据,并根据所述历史运行数据确定用于故障诊断的检验阈值;基于5G技术,获取所述实验室仪器设备的实时运行数据,并基于所述检验阈值,判断所述实验室仪器设备是否发生故障;构建故障诊断模型,判断所述实验室仪器设备发生故障的原因及故障点的位置,并基于5G技术将所述故障原因及故障点位置信息传输至记忆单元进行存储。通过获取实验室仪器设备的运行数据,并通过构建故障诊断模型,对运行数据进行分析,来判断故障发生原因及位置,通过智能化检测,便于提高诊断的准确性。
Description
技术领域
本发明涉及设备故障诊断技术领域,特别涉及一种基于5G的实验室仪器设备在线故障诊断方法及系统。
背景技术
目前,故障诊断就是根据从仪器设备的运行过程中得到的信息进行分析和判断,确定仪器设备是否存在故障及造成故障的原因。随着科技的发展,现在的仪器设备自身结构和系统自动化程度越来越复杂,这也造成仪器设备出现故障的可能性增加,同时人们对于仪器设备故障的控制和检测也越来越困难化,并且由于仪器设备出现故障带来的损失也越来越大,仪器设备的故障检测问题越来越受到实验者的重视。
但是,由于现在仪器设备集成化度高,结构复杂,在故障诊断时一般都需人工检测,其极易出现诊断错误。
因此,本发明提供了一种基于5G的实验室仪器设备在线故障诊断方法及系统。
发明内容
本发明提供一种基于5G的实验室仪器设备在线故障诊断方法,用以通过构建故障诊断模型,对运行数据进行分析,来判断故障发生原因及位置,通过智能化检测,便于提高诊断的准确性。
本发明提供一种基于5G的实验室仪器设备在线故障诊断方法,包括:
S101:采集所述实验室仪器设备的历史运行数据,并根据所述历史运行数据确定用于故障诊断的检验阈值;
S102:基于5G技术,获取所述实验室仪器设备的实时运行数据,并基于所述检验阈值,判断所述述实验室仪器设备是否发生故障;
S103:构建故障诊断模型,判断所述实验室仪器设备发生故障的原因及故障点的位置,并基于5G技术将所述故障原因及故障点位置信息传输至记忆单元进行存储。
优选的,一种基于5G的实验室仪器设备在线故障诊断方法,步骤S101根据所述历史运行数据确定用于故障诊断的检验阈值包括:
获取所述实验室仪器设备的历史运行数据,并确定所述历史运行数据中的基准值;
基于所述基准值,确定所述实验室仪器设备运行时数据的波动范围;
根据所述基准值以及数据的波动范围,确定所述实验室仪器设备的极值点;
所述极值点包括最高极值点以及最低极值点;
根据所述极值点确定用于故障诊断的所述实验室仪器设备的检验阈值。
优选的,一种基于5G的实验室仪器设备在线故障诊断方法,执行步骤S102基于5G技术,获取所述实验室仪器设备的实时运行数据之后,还包括:
基于5G技术向服务器发送第一通信请求并接收所述服务器对于第一通信请求的第一应答信息;
所述第一通信请求包括:实验室仪器设备的标识、需获取实时运行数据的实验室仪器设备的器件类型;
解析所述第一应答信息,获取通信参数;
基于所述通信参数与所述实验室仪器设备建立点对点通信
基于所述实验室仪器设备的标识、需获取实时运行数据的实验室仪器设备的器件类型获取所述实验室仪器设备的实时运行数据,并基于所述点对点通信将所述实时运行数据传输至数据校准单元;
基于所述校准单元中存储的实验室仪器设备的标准运行数据,判断获取到的实时运行数据是否需要校准;
若需要校准,根据所述实时运行数据从云服务器中获取与所述实时运行数据相对应的校准数据以及校准规则;
接收校准指令,并基于所述校准数据及校准规则对所述实时运行数据进行校准,得到标准实时运行数据;
根据所述标准实时运行数据,并基于所述检验阈值,判断所述实验室仪器设备是否发生故障。
优选的,一种基于5G的实验室仪器设备在线故障诊断方法,步骤S102中,判断所述实验室仪器设备是否发生故障,包括:
获取所述实时运行数据,并将所述实时运行数据分割为N个固定长度的数据段,且每个数据段中包括多个子关键信息特征数据;
根据预设提取算法,对所述N个数据段的子关键信息特征数据进行初步提取,得到初步提取结果;
对所述初步提取结果进行纠错处理得到N个有效目标数据段;
对所述N个有效目标数据段进行第二次子关键信息特征数据提取,得到N个标准子关键信息特征数据;
将所述N个标准子关键信息特征数据进行融合处理,得到所述实时运行数据中的关键信息特征数据;
对所述关键信息特征数据进行去噪处理;
通过预设算法提取去噪处理后的关键信息特征数据中的能量特征向量;
构建概率神经网络模型,将所述能量特征向量作为输入量进行分析,得到所述实验室仪器设备发生故障的概率大小;
同时,构建数据训练和预测样本,并通过神经网络方法进行学习,得到故障判定模型;
将所述能量特征向量、实验室仪器设备发生故障的概率大小与预设的故障特征向量数据作为目标输入量输入所述故障判定模型;
所述故障判定模型基于所述能量特征向量、实验室仪器设备发生故障的概率大小以及预设的故障特征向量数据进行分析比较,得到目标诊断结果;
将所述目标诊断结果与所述检验阈值进行比较;
若所述目标诊断结果不在所述检验阈值范围内,判定所述实验室仪器设备发生故障;
否则,判定所述实验室仪器设备无异常情况。
优选的,一种基于5G的实验室仪器设备在线故障诊断方法,在判定所述实验室仪器设备发生故障之后,对所述实验室仪器设备的故障程度进行等级划分,包括:
获取所述实验室仪器设备的故障数据,并根据所述故障数据匹配预存的故障等级信息;
根据匹配结果确定所述实验室仪器设备的故障等级;
且所述故障等级分为两级。
优选的,一种基于5G的实验室仪器设备在线故障诊断方法,步骤S103中,判断所述实验室仪器设备发生故障的原因,包括:
构建故障原因决策模型,并获取所述实验室仪器设备发生故障时的运行数据;
通过预设数据筛选算法筛选出所述实验室仪器设备发生故障时运行数据中的异常数据;
确定所述异常数据对应的数据编码,并将编码结果输入所述故障原因决策模型;
所述故障原因决策模型根据编码结果生成仪器设备打开指令和仪器设备关闭指令;
基于5G技术将所述仪器设备打开指令和仪器设备关闭指令传输至所述实验室仪器设备,实现对实验室仪器设备的打开和关闭,获取目标检测数据;
基于所述故障原因决策模型对所述目标检测数据进行分析,得到所述实验室仪器设备发生故障的原因,并将所述故障原因存储至云服务器。
优选的,一种基于5G的实验室仪器设备在线故障诊断方法,步骤S103中,判断所述实验室仪器设备发生故障的位置,包括:
确定所述实验室仪器设备发生故障的具体位置,具体步骤包括:
基于预设故障测距方法以及定点方法,同时根据所述实验室仪器设备发生故障的原因,找出所述实验室仪器设备故障点的目标方位;
基于所述目标方位,利用预设故障排查法确定所述故障点的具体位置,并将所述故障点的具体位置存储至云服务器。
优选的,一种基于5G的实验室仪器设备在线故障诊断方法,步骤S103中,基于5G技术将所述故障原因及故障点位置信息传输至记忆单元进行存储,包括:
获取所述5G技术的通信频段;
所述通信频段分为高频段和低频段,且只有在高频段时满足数据传输的条件;
在高频段时,所述云服务器通过波束扫描的方式发送数据;
当所述记忆单元接入后,所述云服务器和记忆单元根据上下行测量结果建立波束链路进行数据传输;
基于所述波束链路,并在预设时隙内通过波束将所述故障原因以及故障点的具体位置传输至所述记忆单元;
所述记忆单元将接收到的所述故障原因以及故障点的具体位置进行存储,并基于所述记忆单元存储的故障原因以及故障点的具体位置对所述实验室仪器设备进行实时监控
优选的,一种基于5G的实验室仪器设备在线故障诊断方法,在执行步骤S102之后且执行步骤S103之前还包括:
基于所述实验室仪器设备的实时运行数据计算所述实验室仪器设备在工作中发生故障的概率,并根据计算得到的发生故障的概率计算对所述实验室仪器设备优化系数,并根据优化系数完成对所述实验室仪器设备的优化,具体步骤包括:
获取所述实验室仪器设备的实时运行数据,并根据如下公式计算所述实验室仪器设备的故障率:
其中,表示所述验室仪器设备的故障率,且取值范围为(0,1);表示所述实验室仪
器设备工作时两端的电压值;表示所述实验室仪器设备工作时流经内部的电流值;表示
所述实验室仪器设备的自身内阻值;表示所述实验室仪器设备的老化系数;表示所述
实验室仪器设备已经使用的时间值;表示所述实验室仪器设备的理想使用时间;表示
所述实验室仪器设备的抗压值;表示所诉实验室仪器设备的耐磨系数;
根据如下公式计算对所述实验室仪器设备的优化系数:
其中,表示对所述实验室仪器设备的优化系数;表示所述验室仪器设备的故障率,
且取值范围为(0,1);表示所述实验室仪器设备的剩余使用寿命值;表示所述实验室仪
器设备的疲劳系数;表示所述实验室仪器设备的理想使用时间;表示所述实验室仪器
设备工作时的惯性因子;表示所述实验室仪器设备的使用次数;
重复计算所述实验室仪器设备在不同环境条件下的故障率,并计算与故障率一一对应的优化系数,生成仪器设备优化系数表,并进行存储;
通过所述仪器设备所处的环境条件快速查找所述实验室仪器设备的优化系数,并根据所述优化系数快速完成对所述实验室仪器设备的优化,降低所述实验室仪器设备的故障率。
本发明提供一种基于5G的实验室仪器设备在线故障诊断系统,其特征在于,包括:
数据采集单元,用于采集所述实验室仪器设备的历史运行数据,并根据所述历史运行数据确定用于故障诊断的检验阈值;
判断单元,用户获取所述实验室仪器设备的实时运行数据,判断所述实验室仪器设备是否发生故障;
结果确定单元,用于构建故障诊断模型,判断所述实验室仪器设备发生故障的原因。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基于5G的实验室仪器设备在线故障诊断方法的流程图;
图2为本发明实施例中一种基于5G的实验室仪器设备在线故障诊断系统的结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
本发明提供了一种基于5G的实验室仪器设备在线故障诊断方法,如图1所示,包括:
S101:采集所述实验室仪器设备的历史运行数据,并根据所述历史运行数据确定用于故障诊断的检验阈值;
S102:基于5G技术,获取所述实验室仪器设备的实时运行数据,并基于所述检验阈值,判断所述述实验室仪器设备是否发生故障;
S103:构建故障诊断模型,判断所述实验室仪器设备发生故障的原因及故障点的位置,并基于5G技术将所述故障原因及故障点位置信息传输至记忆单元进行存储。
该实施例中,历史运行数据,是基于5G实时监测实验室仪器设备的使用等信息来确定的。
该实施例中,实验室仪器设备是自动或半自动的智能化电子设备。
该实施例中,历史运行数据指的是仪器设备从初始工作时间开始到出现故障之前的所有运行数据。
该实施例中,检验阈值是用来表示仪器设备正常工作时数据的取值范围,检验阈值中的下限为仪器设备运行数据的最低极值点,检验阈值中的上限为仪器设备运行数据的最高极值点。
该实施例中,故障诊断模型是用来对仪器设备的异常数据进行处理的,可通过该模型获得仪器设备发生故障的原因。
上述技术方案的有益效果是:通过获取实验室仪器设备的运行数据,并通过构建故障诊断模型,对运行数据进行分析,来判断故障发生原因及位置,通过智能化检测,便于提高诊断的准确性。
实施例2:
在上述实施例1的基础上,本实施例提供了一种基于5G的实验室仪器设备在线故障诊断方法,步骤S101根据所述历史运行数据确定用于故障诊断的检验阈值包括:
获取所述实验室仪器设备的历史运行数据,并确定所述历史运行数据中的基准值;
基于所述基准值,确定所述实验室仪器设备运行时数据的波动范围;
根据所述基准值以及数据的波动范围,确定所述实验室仪器设备的极值点;
所述极值点包括最高极值点以及最低极值点;
根据所述极值点确定用于故障诊断的所述实验室仪器设备的检验阈值。
该实施例中,基准值指的是仪器设备在工作时运行数据比较平稳时的数据平均值。
该实施例中,波动范围指的是仪器设备在工作时数据出现的跳变值,例如波动范围为(-5,5)。
该实施例中,检验阈值指的是用来表示仪器设备正常工作时数据的取值范围。
上述技术方案的有益效果是:通过确定仪器设备工作时数据的基准值和波动范围,准确确定仪器设备的检验阈值,便于根据检验阈值准确判断仪器设备运行数据是否发生异常,从而便于对仪器设备的故障原因进行排查。
实施例3:
在上述实施例1的基础上,本实施例提供了一种基于5G的实验室仪器设备在线故障诊断方法,执行步骤S102基于5G技术,获取所述实验室仪器设备的实时运行数据之后,还包括:
基于5G技术向服务器发送第一通信请求并接收所述服务器对于第一通信请求的第一应答信息;
所述第一通信请求包括:实验室仪器设备的标识、需获取实时运行数据的实验室仪器设备的器件类型;
解析所述第一应答信息,获取通信参数;
基于所述通信参数与所述实验室仪器设备建立点对点通信
基于所述实验室仪器设备的标识、需获取实时运行数据的实验室仪器设备的器件类型获取所述实验室仪器设备的实时运行数据,并基于所述点对点通信将所述实时运行数据传输至数据校准单元;
基于所述校准单元中存储的实验室仪器设备的标准运行数据,判断获取到的实时运行数据是否需要校准;
若需要校准,根据所述实时运行数据从云服务器中获取与所述实时运行数据相对应的校准数据以及校准规则;
接收校准指令,并基于所述校准数据及校准规则对所述实时运行数据进行校准,得到标准实时运行数据;
根据所述标准实时运行数据,并基于所述检验阈值,判断所述实验室仪器设备是否发生故障。
该实施例中,标准运行数据指的是仪器设备工作平稳时的运行数据。
该实施例中,校准数据指的是用来根据该数据对仪器设备中需要校准的数据进行修正。
该实施例中,校准规则是通过一定算法或者手段完成对数据的校准,是预先设定好的。
该实施例中,校准指令指的是控制校准数据以及校准规则开始执行的指令,由仪器设备的控制端发出。
该实施例中,标准实时运行数据指的是对仪器设备运行数据进行校准,且数据中无异常、错误的数据,即为标准实时运行数据。
上述技术方案的有益效果是:通过对仪器设备运行数据进行校准,便于对根据仪器设备运行数据中异常数据进行修正,从而确保了对仪器是否发生故障进行准确可靠的判断。
实施例4:
在上述实施例1的基础上,本实施例提供了一种基于5G的实验室仪器设备在线故障诊断方法,步骤S102中,判断所述实验室仪器设备是否发生故障,包括:
获取所述实时运行数据,并将所述实时运行数据分割为N个固定长度的数据段,且每个数据段中包括多个子关键信息特征数据;
根据预设提取算法,对所述N个数据段的子关键信息特征数据进行初步提取,得到初步提取结果;
对所述初步提取结果进行纠错处理得到N个有效目标数据段;
对所述N个有效目标数据段进行第二次子关键信息特征数据提取,得到N个标准子关键信息特征数据;
将所述N个标准子关键信息特征数据进行融合处理,得到所述实时运行数据中的关键信息特征数据;
对所述关键信息特征数据进行去噪处理;
通过预设算法提取去噪处理后的关键信息特征数据中的能量特征向量;
构建概率神经网络模型,将所述能量特征向量作为输入量进行分析,得到所述实验室仪器设备发生故障的概率大小;
同时,构建数据训练和预测样本,并通过神经网络方法进行学习,得到故障判定模型;
将所述能量特征向量、实验室仪器设备发生故障的概率大小与预设的故障特征向量数据作为目标输入量输入所述故障判定模型;
所述故障判定模型基于所述能量特征向量、实验室仪器设备发生故障的概率大小以及预设的故障特征向量数据进行分析比较,得到目标诊断结果;
将所述目标诊断结果与所述检验阈值进行比较;
若所述目标诊断结果不在所述检验阈值范围内,判定所述实验室仪器设备发生故障;
否则,判定所述实验室仪器设备无异常情况。
该实施例中,数据段指的是仪器设备运行数据中的某段数据,隶属于仪器设备的整个运行数据。
该实施例中,关键信息特征数据指的是仪器设备中能够代表仪器设备工作情况、工作性能的数据特征。
该实施例中,子关键信息特征数据指的是每个数据段中能够代表仪器设备工作情况、工作性能的数据特征值,是关键信息特征数据的一部分。
该实施例中,有效目标数据段指的是对数据段中的子关键信息特征数据进行纠错处理后得到的数据。
该实施例中,融合处理是指对获得的子关键信息特征数据,在一定准则下加以自动分析、综合,从而将所有子关键信息特征数据融合为一个整体的过程。
该实施例中,去噪处理指的是去除关键信息特征数据中的噪声部分。
该实施例中,目标数据指的是指的是经过处理,内部无干扰数据,最终用来判断仪器设备设备是否发生故障的数据。
该实施例中,预设的故障特征数据里面包含仪器发生故障时的运行数据,是预先设定好的。
上述技术方案的有益效果是:通过对实验室仪器设备运行数据中的关键信息特征数据进行提取,并通过概率神经网络模型以及故障判定模型判断仪器设备在工作过程中发生故障的概率以及是否存在故障,实现对仪器设备运行状态的良好检测,确保能够及时发现仪器设备的故障问题,提高了对仪器设备检测、判断故障的时效性,同时通过对数据处理确保了分析结果的准确,便于实验者对仪器设备的状态及时了解。
实施例5:
在上述实施例4的基础上,本实施例提供了一种基于5G的实验室仪器设备在线故障诊断方法,在判定所述实验室仪器设备发生故障之后,对所述实验室仪器设备的故障程度进行等级划分,包括:
获取所述实验室仪器设备的故障数据,并根据所述故障数据匹配预存的故障等级信息;
根据匹配结果确定所述实验室仪器设备的故障等级;
且所述故障等级分为两级。
该实施例中,预存的故障等级信息指的是预先通过训练,根据设备的运行数据对仪器设备的损坏程度进行等级划分。
该实施例中,故障数据指的是仪器设备发生故障时的运行数据。
该实施例中,故障等级具体为:
一级:对实验结果造成稍微偏差,通过修复可再次使用;
二级:故障程度较大,需更换新的仪器设备。
上述技术方案的有益效果是:通过获取故障数据,并对故障等级程度进行判定,便于确定实验室仪器设备发生故障的严重程度,从而提高对实验室仪器设备故障诊断的准确性,便于实验者根据故障程度采取相应的措施进行补救。
实施例6:
在上述实施例1的基础上,本实施例提供了一种基于5G的实验室仪器设备在线故障诊断方法,步骤S103中,判断所述实验室仪器设备发生故障的原因,包括:
构建故障原因决策模型,并获取所述实验室仪器设备发生故障时的运行数据;
通过预设数据筛选算法筛选出所述实验室仪器设备发生故障时运行数据中的异常数据;
确定所述异常数据对应的数据编码,并将编码结果输入所述故障原因决策模型;
所述故障原因决策模型根据编码结果生成仪器设备打开指令和仪器设备关闭指令;
基于5G技术将所述仪器设备打开指令和仪器设备关闭指令传输至所述实验室仪器设备,实现对实验室仪器设备的打开和关闭,获取目标检测数据;
基于所述故障原因决策模型对所述目标检测数据进行分析,得到所述实验室仪器设备发生故障的原因,并将所述故障原因存储至云服务器。
该实施例中,预设数据筛选算法指的是通过一定手段或者方法构成的筛选规则,用于筛选数据中的异常数据,是预先设定好的。
该实施例中,异常数据指的是运行数据中的不恰当、违反常规的数据,该数据会影响整个数据的分析结果。
该实施例中,目标检测数据指的是通过控制仪器设备随时打开或者关闭,及时获取到的仪器设备发生故障时的仪器设备数据
上述技术方案的有益效果是:通过获取故障数据中的异常数据,并通过分析确定仪器设备发生故障的原因,便于对结构复杂的仪器设备快速查找出相应的故障原因,提高了故障原因排查的效率。
实施例7:
在上述实施例1的基础上,本实施例提供了一种基于5G的实验室仪器设备在线故障诊断方法,步骤S103中,判断所述实验室仪器设备发生故障的位置,包括:
确定所述实验室仪器设备发生故障的具体位置,具体步骤包括:
基于预设故障测距方法以及定点方法,同时根据所述实验室仪器设备发生故障的原因,找出所述实验室仪器设备故障点的目标方位;
基于所述目标方位,利用预设故障排查法确定所述故障点的具体位置。
该实施例中,预设故障测距方法以及定点方法指的通过一定方法测出故障点距离参考点的距离以及确定适当的参考点位置,并将所述故障点的具体位置存储至云服务器。
该实施例中,预设故障排查法是预先设定好的,通过一定的排查规则对仪器设备的故障点位置进行排查,例如可以是纵向排查或横向排查。
上述技术方案的有益效果是:通过预设排查法排查仪器设备发生故障的具体位置,提高了故障排查的高效性,便于实验者快速定位仪器设备发生故障的位置,从而采取有效措施进行补救,提高了故障诊断的有效性。
实施例8:
在上述实施例1的基础上,本实施例提供了一种基于5G的实验室仪器设备在线故障诊断方法,其特征在于,步骤S103中,基于5G技术将所述故障原因及故障点位置信息传输至记忆单元进行存储,包括:
获取所述5G技术的通信频段;
所述通信频段分为高频段和低频段,且只有在高频段时满足数据传输的条件;
在高频段时,所述云服务器通过波束扫描的方式发送数据;
当所述记忆单元接入后,所述云服务器和记忆单元根据上下行测量结果建立波束链路进行数据传输;
基于所述波束链路,并在预设时隙内通过波束将所述故障原因以及故障点的具体位置传输至所述记忆单元;
所述记忆单元将接收到的所述故障原因以及故障点的具体位置进行存储,并基于所述记忆单元存储的故障原因以及故障点的具体位置对所述实验室仪器设备进行实时监控。
该实施例中,满足数据传输的条件指的是数据在传输过程中不会出现数据遗漏、失真等情况。
该实施例,上下行测是为了解决数据在传输过程中出现的延迟以及丢包情况。
该实施例中,波束是用来传输数据的一种方式或手段。
上述技术方案的有益效果是:通过利用5G技术将故障原因以及故障点的位置传输至记忆单元,便于实验者根据记忆单元实时监控实验室仪器设备的运行状况,有利于及时发现实验室仪器设备是否有还会发生同样的故障情况,提高了对实验室仪器设备故障的检测及时性。
实施例9:
在上述实施例1的基础上,本实施例提供了一种基于5G的实验室仪器设备在线故障诊断方法,其特征在于,在执行步骤S102之后且执行步骤S103之前还包括:
基于所述实验室仪器设备的实时运行数据计算所述实验室仪器设备在工作中发生故障的概率,并根据计算得到的发生故障的概率计算对所述实验室仪器设备优化系数,并根据优化系数完成对所述实验室仪器设备的优化,具体步骤包括:
获取所述实验室仪器设备的实时运行数据,并根据如下公式计算所述实验室仪器设备的故障率:
其中,表示所述验室仪器设备的故障率,且取值范围为(0,1);表示所述实验室仪
器设备工作时两端的电压值;表示所述实验室仪器设备工作时流经内部的电流值;表示
所述实验室仪器设备的自身内阻值;表示所述实验室仪器设备的老化系数;表示所述
实验室仪器设备已经使用的时间值;表示所述实验室仪器设备的理想使用时间;表示
所述实验室仪器设备的抗压值;表示所诉实验室仪器设备的耐磨系数;
根据如下公式计算对所述实验室仪器设备的优化系数:
其中,表示对所述实验室仪器设备的优化系数;表示所述验室仪器设备的故障率,
且取值范围为(0,1);表示所述实验室仪器设备的剩余使用寿命值;表示所述实验室仪
器设备的疲劳系数;表示所述实验室仪器设备的理想使用时间;表示所述实验室仪器
设备工作时的惯性因子;表示所述实验室仪器设备的使用次数;
重复计算所述实验室仪器设备在不同环境条件下的故障率,并计算与故障率一一对应的优化系数,生成仪器设备优化系数表,并进行存储;
通过所述仪器设备所处的环境条件快速查找所述实验室仪器设备的优化系数,并根据所述优化系数快速完成对所述实验室仪器设备的优化,降低所述实验室仪器设备的故障率。
该实施例中,优化系数指的是用来表示对仪器设备需要优化的程度。
该实施例中,仪器设备的使用寿命值指的是根据实验者对仪器的操作情况判定实验仪器使用的时间长度,取值范围可以是10~20年。
该实施例中,疲劳系数是用来表示对仪器设备使用负寿命的一个测定系数。
该实施例中,理想使用时间指的是仪器设备在不受人为破坏条件下,按照自身老化程度所能使用的时间长度。
该实施例中,惯性因子指的是仪器设备在工作时的性能值。
上述技术方案的有益效果是:通过计算实验室仪器设备在工作中发生故障的概率,并根据计算得到的发生故障的概率计算对实验室仪器设备优化系数。在计算仪器设备的故障率时,涉及仪器设备的电流、电压、内阻以及仪器设备的老化系数,确保涉及影响仪器工作的多项参数,使得计算结果更加准确可靠,在计算仪器设备的优化系数时,涉及仪器设备的疲劳系数、使用寿命以及使用次数,确保对仪器设备进行多方面的性能评定,得出最优的优化结果。确保准确计算仪器设备发生故障的概率,提高对仪器设备故障诊断的准确度,便于对仪器设备的运行有更好的把控,并且根据故障率对仪器设备进行相应的优化,确保仪器设备能够更好的运行,预防故障的发生。
实施例10:
本发明提供了一种基于5G的实验室仪器设备在线故障诊断系统,其特征在于,包括:
数据采集单元,用于采集所述实验室仪器设备的历史运行数据,并根据所述历史运行数据确定用于故障诊断的检验阈值;
判断单元,用户获取所述实验室仪器设备的实时运行数据,判断所述实验室仪器设备是否发生故障;
结果确定单元,用于构建故障诊断模型,判断所述实验室仪器设备发生故障的原因。
上述技术方案的有益效果是:通过确定对仪器设备的检验阈值,判断仪器是否发生故障,并在发生故障时判断出故障原因以及故障点的位置,实现对实验室仪器设备进行准确、高效地故障诊断,并且快速定位故障点位置,便于实验者快速完成对仪器设备的维修。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于5G的实验室仪器设备在线故障诊断方法,其特征在于,包括:
S101:采集实验室仪器设备的历史运行数据,并根据所述历史运行数据确定用于故障诊断的检验阈值;
S102:基于5G技术,获取所述实验室仪器设备的实时运行数据,并基于所述检验阈值,判断所述实验室仪器设备是否发生故障;
S103:构建故障诊断模型,判断所述实验室仪器设备发生故障的原因及故障点的位置,并基于5G技术将所述故障原因及故障点位置信息传输至记忆单元进行存储。
2.如权利要求1所述的一种基于5G的实验室仪器设备在线故障诊断方法,其特征在于,步骤S101根据所述历史运行数据确定用于故障诊断的检验阈值包括:
获取所述实验室仪器设备的历史运行数据,并确定所述历史运行数据中的基准值;
基于所述基准值,确定所述实验室仪器设备运行时数据的波动范围;
根据所述基准值以及数据的波动范围,确定所述实验室仪器设备的极值点;
所述极值点包括最高极值点以及最低极值点;
根据所述极值点确定用于故障诊断的所述实验室仪器设备的检验阈值。
3.如权利要求1所述的一种基于5G的实验室仪器设备在线故障诊断方法,其特征在于,步骤S102基于5G技术,获取所述实验室仪器设备的实时运行数据,还包括:
基于5G技术向服务器发送第一通信请求并接收所述服务器对于第一通信请求的第一应答信息;
所述第一通信请求包括:实验室仪器设备的标识、需获取实时运行数据的实验室仪器设备的器件类型;
解析所述第一应答信息,获取通信参数;
基于所述通信参数与所述实验室仪器设备建立点对点通信
基于所述实验室仪器设备的标识、需获取实时运行数据的实验室仪器设备的器件类型获取所述实验室仪器设备的实时运行数据,并基于所述点对点通信将所述实时运行数据传输至数据校准单元;
基于所述校准单元中存储的实验室仪器设备的标准运行数据,判断获取到的实时运行数据是否需要校准;
若需要校准,根据所述实时运行数据从云服务器中获取与所述实时运行数据相对应的校准数据以及校准规则;
接收校准指令,并基于所述校准数据及校准规则对所述实时运行数据进行校准,得到标准实时运行数据;
根据所述标准实时运行数据,并基于所述检验阈值,判断所述实验室仪器设备是否发生故障。
4.如权利要求1所述的一种基于5G的实验室仪器设备在线故障诊断方法,其特征在于,步骤S102中,判断所述实验室仪器设备是否发生故障,包括:
获取所述实时运行数据,并将所述实时运行数据分割为N个固定长度的数据段,且每个数据段中包括多个子关键信息特征数据;
根据预设提取算法,对所述N个数据段的子关键信息特征数据进行初步提取,得到初步提取结果;
对所述初步提取结果进行纠错处理得到N个有效目标数据段;
对所述N个有效目标数据段进行第二次子关键信息特征数据提取,得到N个标准子关键信息特征数据;
将所述N个标准子关键信息特征数据进行融合处理,得到所述实时运行数据中的关键信息特征数据;
对所述关键信息特征数据进行去噪处理;
通过预设算法提取去噪处理后的关键信息特征数据中的目标数据;
构建概率神经网络模型,将所述目标数据作为输入量进行分析,得到所述实验室仪器设备发生故障的概率大小;
同时,构建数据训练和预测样本,并通过神经网络方法进行学习,得到故障判定模型;
将所述目标数据、实验室仪器设备发生故障的概率大小与预设的故障特征数据作为目标输入量输入所述故障判定模型;
所述故障判定模型基于所述目标数据、实验室仪器设备发生故障的概率大小以及预设的故障特征数据进行分析比较,得到目标诊断结果;
将所述目标诊断结果与所述检验阈值进行比较;
若所述目标诊断结果不在所述检验阈值范围内,判定所述实验室仪器设备发生故障;
否则,判定所述实验室仪器设备无异常情况。
5.如权利要求4所述的一种基于5G的实验室仪器设备在线故障诊断方法,其特征在于,在判定所述实验室仪器设备发生故障之后,对所述实验室仪器设备的故障程度进行等级划分,包括:
获取所述实验室仪器设备的故障数据,并根据所述故障数据匹配预存的故障等级信息;
根据匹配结果确定所述实验室仪器设备的故障等级;
且所述故障等级分为两级。
6.如权利要求1所述的一种基于5G的实验室仪器设备在线故障诊断方法,其特征在于,步骤S103中,判断所述实验室仪器设备发生故障的原因,包括:
构建故障原因决策模型,并获取所述实验室仪器设备发生故障时的运行数据;
通过预设数据筛选算法筛选出所述实验室仪器设备发生故障时运行数据中的异常数据;
确定所述异常数据对应的数据编码,并将编码结果输入所述故障原因决策模型;
所述故障原因决策模型根据编码结果生成仪器设备打开指令和仪器设备关闭指令;
基于5G技术将所述仪器设备打开指令和仪器设备关闭指令传输至所述实验室仪器设备,实现对实验室仪器设备的打开和关闭,获取目标检测数据;
基于所述故障原因决策模型对所述目标检测数据进行分析,得到所述实验室仪器设备发生故障的原因,并将所述故障原因存储至云服务器。
7.如权利要求1所述的一种基于5G的实验室仪器设备在线故障诊断方法,其特征在于,步骤S103中,判断所述实验室仪器设备发生故障的位置,包括:
基于预设故障测距方法以及定点方法,同时根据所述实验室仪器设备发生故障的原因,找出所述实验室仪器设备故障点的目标方位;
基于所述目标方位,利用预设故障排查法确定所述故障点的具体位置,并将所述故障点的具体位置存储至云服务器。
8.如权利要求1所述的一种基于5G的实验室仪器设备在线故障诊断方法,其特征在于,步骤S103中,基于5G技术将所述故障原因及故障点位置信息传输至记忆单元进行存储,包括:
获取所述5G技术的通信频段;
所述通信频段分为高频段和低频段,且只有在高频段时满足数据传输的条件;
在高频段时,所述云服务器通过波束扫描的方式发送数据;
当所述记忆单元接入后,所述云服务器和记忆单元根据上下行测量结果建立波束链路进行数据传输;
基于所述波束链路,并在预设时隙内通过波束将所述故障原因以及故障点的具体位置传输至所述记忆单元;
所述记忆单元将接收到的所述故障原因以及故障点的具体位置进行存储,并基于所述记忆单元存储的故障原因以及故障点的具体位置对所述实验室仪器设备进行实时监控。
9.如权利要求1所述的一种基于5G的实验室仪器设备在线故障诊断方法,其特征在于,在执行步骤S102之后且执行步骤S103之前还包括:
基于所述实验室仪器设备的实时运行数据计算所述实验室仪器设备在工作中发生故障的概率,并根据计算得到的发生故障的概率计算对所述实验室仪器设备优化系数,并根据优化系数完成对所述实验室仪器设备的优化,具体步骤包括:
获取所述实验室仪器设备的实时运行数据,并根据如下公式计算所述实验室仪器设备的故障率:
其中,表示所述验室仪器设备的故障率,且取值范围为(0,1);表示所述实验室仪器
设备工作时两端的电压值;表示所述实验室仪器设备工作时流经内部的电流值;表示所
述实验室仪器设备的自身内阻值;表示所述实验室仪器设备的老化系数;表示所述实
验室仪器设备已经使用的时间值;表示所述实验室仪器设备的理想使用时间;表示所
述实验室仪器设备的抗压值;表示所诉实验室仪器设备的耐磨系数;
根据如下公式计算对所述实验室仪器设备的优化系数:
其中,表示对所述实验室仪器设备的优化系数;表示所述验室仪器设备的故障率,
且取值范围为(0,1);表示所述实验室仪器设备的剩余使用寿命值;表示所述实验室仪
器设备的疲劳系数;表示所述实验室仪器设备的理想使用时间;表示所述实验室仪器
设备工作时的惯性因子;表示所述实验室仪器设备的使用次数;
重复计算所述实验室仪器设备在不同环境条件下的故障率,并计算与故障率一一对应的优化系数,生成仪器设备优化系数表,并进行存储;
通过所述仪器设备所处的环境条件快速查找所述实验室仪器设备的优化系数,并根据所述优化系数快速完成对所述实验室仪器设备的优化,降低所述实验室仪器设备的故障率。
10.一种基于5G的实验室仪器设备在线故障诊断系统,其特征在于,包括:
数据采集单元,用于采集所述实验室仪器设备的历史运行数据,并根据所述历史运行数据确定用于故障诊断的检验阈值;
判断单元,用户获取所述实验室仪器设备的实时运行数据,判断所述实验室仪器设备是否发生故障;
结果确定单元,用于构建故障诊断模型,判断所述实验室仪器设备发生故障的原因。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110027704.8A CN112345874B (zh) | 2021-01-11 | 2021-01-11 | 一种基于5g的实验室仪器设备在线故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110027704.8A CN112345874B (zh) | 2021-01-11 | 2021-01-11 | 一种基于5g的实验室仪器设备在线故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112345874A true CN112345874A (zh) | 2021-02-09 |
CN112345874B CN112345874B (zh) | 2021-04-20 |
Family
ID=74427873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110027704.8A Active CN112345874B (zh) | 2021-01-11 | 2021-01-11 | 一种基于5g的实验室仪器设备在线故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112345874B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113341928A (zh) * | 2021-06-15 | 2021-09-03 | 珠海格力电器股份有限公司 | 一种设备机组故障判定方法、装置、存储介质及控制终端 |
CN115187155A (zh) * | 2022-09-15 | 2022-10-14 | 广东银纳增材制造技术有限公司 | 一种学校实验室设备状态数据管控方法 |
CN115580635A (zh) * | 2022-09-26 | 2023-01-06 | 广州健新科技有限责任公司 | 一种物联网终端的智能化故障诊断方法及系统 |
CN115834351A (zh) * | 2023-02-23 | 2023-03-21 | 国网浙江义乌市供电有限公司 | 一种感知采集设备故障判断方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104502758A (zh) * | 2014-12-17 | 2015-04-08 | 西北工业大学 | 航空静止变流器故障诊断方法 |
CN106682159A (zh) * | 2016-12-26 | 2017-05-17 | 山东鲁能软件技术有限公司 | 一种阈值配置方法 |
CN107121616A (zh) * | 2016-02-24 | 2017-09-01 | 西门子公司 | 一种用于对智能仪表进行故障定位的方法和装置 |
CN107563069A (zh) * | 2017-09-06 | 2018-01-09 | 国电联合动力技术有限公司 | 一种风力发电机组故障智能诊断方法 |
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 |
CN109634254A (zh) * | 2018-11-20 | 2019-04-16 | 佛山科学技术学院 | 一种智能制造设备的在线故障诊断方法及装置 |
CN109871002A (zh) * | 2019-03-06 | 2019-06-11 | 东方证券股份有限公司 | 基于张量标签学习的并发异常状态识别与定位系统 |
US20190354095A1 (en) * | 2016-12-28 | 2019-11-21 | Hyosung Heavy Industries Corporation | Asset management method for power equipment |
CN112149554A (zh) * | 2020-09-21 | 2020-12-29 | 广东电网有限责任公司清远供电局 | 故障分类模型的训练、故障检测方法及相关装置 |
-
2021
- 2021-01-11 CN CN202110027704.8A patent/CN112345874B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104502758A (zh) * | 2014-12-17 | 2015-04-08 | 西北工业大学 | 航空静止变流器故障诊断方法 |
CN107121616A (zh) * | 2016-02-24 | 2017-09-01 | 西门子公司 | 一种用于对智能仪表进行故障定位的方法和装置 |
CN106682159A (zh) * | 2016-12-26 | 2017-05-17 | 山东鲁能软件技术有限公司 | 一种阈值配置方法 |
US20190354095A1 (en) * | 2016-12-28 | 2019-11-21 | Hyosung Heavy Industries Corporation | Asset management method for power equipment |
CN107563069A (zh) * | 2017-09-06 | 2018-01-09 | 国电联合动力技术有限公司 | 一种风力发电机组故障智能诊断方法 |
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 |
CN109634254A (zh) * | 2018-11-20 | 2019-04-16 | 佛山科学技术学院 | 一种智能制造设备的在线故障诊断方法及装置 |
CN109871002A (zh) * | 2019-03-06 | 2019-06-11 | 东方证券股份有限公司 | 基于张量标签学习的并发异常状态识别与定位系统 |
CN112149554A (zh) * | 2020-09-21 | 2020-12-29 | 广东电网有限责任公司清远供电局 | 故障分类模型的训练、故障检测方法及相关装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113341928A (zh) * | 2021-06-15 | 2021-09-03 | 珠海格力电器股份有限公司 | 一种设备机组故障判定方法、装置、存储介质及控制终端 |
CN113341928B (zh) * | 2021-06-15 | 2023-08-29 | 珠海格力电器股份有限公司 | 一种设备机组故障判定方法、装置、存储介质及控制终端 |
CN115187155A (zh) * | 2022-09-15 | 2022-10-14 | 广东银纳增材制造技术有限公司 | 一种学校实验室设备状态数据管控方法 |
CN115187155B (zh) * | 2022-09-15 | 2022-12-27 | 广东银纳增材制造技术有限公司 | 一种学校实验室设备状态数据管控方法 |
CN115580635A (zh) * | 2022-09-26 | 2023-01-06 | 广州健新科技有限责任公司 | 一种物联网终端的智能化故障诊断方法及系统 |
CN115834351A (zh) * | 2023-02-23 | 2023-03-21 | 国网浙江义乌市供电有限公司 | 一种感知采集设备故障判断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112345874B (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112345874B (zh) | 一种基于5g的实验室仪器设备在线故障诊断方法及系统 | |
CN105700518A (zh) | 一种工业过程故障诊断方法 | |
CN110083514B (zh) | 软件测试缺陷评估方法、装置、计算机设备及存储介质 | |
CN117060409B (zh) | 电力线路运行状态自动化检测分析方法及系统 | |
CN108959498A (zh) | 一种用于健康监测的大数据处理平台及其设计方法 | |
KR101953558B1 (ko) | 스마트 기기 결함 관리 장치 및 방법 | |
CN113639842A (zh) | 一种基于5g的远程设备故障诊断方法及系统 | |
CN110865924A (zh) | 电力信息系统内部服务器健康度诊断方法与健康诊断框架 | |
CN115640895A (zh) | 一种变压器故障预测方法、装置及电子设备 | |
CN114255784A (zh) | 一种基于声纹识别的变电站设备故障诊断方法及相关装置 | |
CN117406026A (zh) | 一种适用于分布式电源的配电网故障检测方法 | |
CN114691521A (zh) | 一种基于人工智能的软件测试平台 | |
CN113361939A (zh) | 卷包机型质量与设备管理的动态关联方法及系统 | |
CN116994641A (zh) | 一种半导体老化测试方法及其系统 | |
CN116611953A (zh) | 基于物联网的电能表生产制造实时数据管理方法和系统 | |
CN113507397B (zh) | 一种基于云端运维收集终端设备状态自动巡检的方法 | |
CN115270982A (zh) | 一种基于多元数据神经网络的开关柜故障预测方法 | |
CN112507286A (zh) | 基于状态的设备故障概率分析方法、装置及电子设备 | |
CN116453437B (zh) | 显示屏模组的测试方法、装置、设备及存储介质 | |
CN117591507B (zh) | 一种用于测控装备的数据质量特性自动化构建方法和系统 | |
CN117029899B (zh) | 一种冷冻设备仪表调试系统及方法 | |
CN112506784B (zh) | 具备自主学习能力的产品性能评价系统及方法 | |
RU2791597C1 (ru) | Система мониторинга, диагностирования и управления техническим состоянием силовых трансформаторов | |
US20230039158A1 (en) | System for calibration management and method of managing calibration | |
CN117929904A (zh) | 一种逆变器老化测试方法、装置及存储介质 |
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 |