CN112346893B - 故障预测方法、装置、终端及存储介质 - Google Patents
故障预测方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN112346893B CN112346893B CN202011245611.4A CN202011245611A CN112346893B CN 112346893 B CN112346893 B CN 112346893B CN 202011245611 A CN202011245611 A CN 202011245611A CN 112346893 B CN112346893 B CN 112346893B
- Authority
- CN
- China
- Prior art keywords
- fault
- key component
- time
- target object
- component
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 238000012423 maintenance Methods 0.000 claims description 30
- 238000013210 evaluation model Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 208000015778 Undifferentiated pleomorphic sarcoma Diseases 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000004402 ultra-violet photoelectron spectroscopy Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/008—Reliability or availability analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J9/00—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting
- H02J9/04—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting in which the distribution system is disconnected from the normal source and connected to a standby source
- H02J9/06—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting in which the distribution system is disconnected from the normal source and connected to a standby source with automatic change-over, e.g. UPS systems
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Emergency Management (AREA)
- Power Engineering (AREA)
- Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明提供了一种故障预测方法、装置、终端及存储介质，方法包括如下步骤：获取关键部件的多个故障因子及关键部件的多个历史故障时间点；根据关键部件的多个故障因子及关键部件的多个历史故障时间点，应用神经网络进行训练，获取关键部件的预计故障时间；计算关键部件的当前时间与预计故障时间的差值，预测关键部件的故障可能性；应用神经网络进行训练，可以获取关键部件的预计故障时间，通过分析故障因子，确定关键部件的故障可能性。运用本方法之后，可以将关键部件的特征细化为容易把控的故障因子，对关键部件的状态进行分析，以此确定目标对象将要损坏的部件，预测目标对象发生故障的可能性。
Description
技术领域
本发明涉及故障处理技术，尤其是指一种故障预测方法、装置、终端及存储介质。
背景技术
UPS配合电系统的供电系统被广泛应用于数据中心，以保证数据中心的可靠性。而这一模式的核心设备是UPS，而提高UPS的可靠性，并不能从根本上解决供电系统的安全性和可靠性。因此，UPS已经从单纯的独立电源设备，发展成为具有多种通信方式管理与IT系统无缝集成的网络设备。
然而，由于新型UPS的发展过于快速，整体结构近似于多部件的拼装，有一些部件容易损坏。因此，预估UPS的主要器件发生故障的可能性，才能更好地保证这一设备的正常运行。
发明内容
本发明所要解决的技术问题是：对目标对象的器件进行预测，估算目标对象的主要器件发生故障的可能性。
为了解决上述技术问题，本发明采用的技术方案为：提供一种故障预测方法，包括如下步骤：获取关键部件的多个故障因子及关键部件的多个历史故障时间点；根据关键部件的多个故障因子及关键部件的多个历史故障时间点，应用神经网络进行训练，获取关键部件的预计故障时间；计算关键部件的当前时间与预计故障时间的差值，预测关键部件的故障可能性。
进一步地，获取并比较各个所述关键部件的当前时间与所述计故障时间的差值，确定所述目标对象损坏的关键部件。
具体的，根据所述目标对象的工况，确定神经网络的隐藏层的层数；
应用MLP神经网络进行模型训练，建立所述关键部件的状态评估模型；
应用所述关键部件的状态评估模型，计算出关键部件的预计故障时间。
进一步地，对所述故障因子的历史参数进行分割，生成训练集数据、验证集数据和测试集数据；
对所述训练集数据进行神经网络训练，建立所述关键部件的状态评估模型；
应用所述验证集数据，调整所述关键部件的状态评估模型；
按照所述测试集数据，验证所述关键部件的状态评估模型。
其中，在历史时间段内，实时采集所述关键部件在多个目标对象上的运行数据、维护数据及故障记录；
按照所述目标对象的类型，对所述运行数据、维护数据及故障记录进行分类整理，生成所述关键部件特征的历史故障信息；
从所述关键部件特征的历史故障信息，选取所述关键部件的多个故障因子及关键部件的多个历史故障时间点；
其中，所述运行数据，包括，用户的使用习惯信息、运行模式信息、负载调节信息。
具体的，应用主成分分析法，对所述关键部件特征的历史故障信息进行降维处理，生成所述关键部件的多个故障因子。
进一步地，按照所述目标对象的类型，对所述运行数据、维护数据及故障记录的格式进行统一；
获取格式统一的所述运行数据、维护数据及故障记录的阈值范围，以剔除数据异常点；
分别对剔除异常点的运行数据、维护数据及故障记录进行平滑处理，获得目标对象的数据变化趋势。
本申请还提供了一种故障预测装置，包括：
提取模块，用于获取关键部件的多个故障因子及故障因子的多个历史故障时间点；
训练模块，用于根据所述关键部件的多个故障因子及故障因子的多个历史故障时间点，应用神经网络进行训练，获取关键部件的预计故障时间；
预测模块，用于计算所述关键部件的当前时间与所述预计故障时间的差值，预测所述关键部件的故障可能性。
本申请还提供了一种终端，其包括处理器、存储器和显示器，所述处理器耦接所述存储器、所述显示器，所述存储器上存储有可在所述处理器上执行的计算机程序；所述处理器执行所述计算机程序，实现上述方法。
本申请还提供了一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现上述的方法中的步骤
本发明的有益效果在于：应用神经网络进行训练，可以获取关键部件的预计故障时间，通过分析故障因子，确定关键部件的故障可能性。运用本方法之后，可以将关键部件的特征细化为容易把控的故障因子，对关键部件的状态进行分析，以此确定目标对象将要损坏的部件，预测目标对象发生故障的可能性。
附图说明
下面结合附图详述本发明的具体结构
图1为本发明的一实施例中故障预测方法的流程图；
图2为本发明的一实施例中的应用MLP进行神经网络训练的原理图；
图3为本发明的一实施例中目标对象的故障预测装置的模块图。
具体实施方式
为详细说明本发明的技术内容、构造特征、所实现目的及效果，以下结合实施方式并配合附图详予说明。
请参阅图1，图1为本发明的第一实施例中故障预测方法的流程图。
本发明提供了一种故障预测方法，包括如下步骤：
步骤S100、获取关键部件的多个故障因子及关键部件的多个历史故障时间点；
步骤S200、根据关键部件的多个故障因子及关键部件的多个历史故障时间点，应用神经网络进行训练，获取关键部件的预计故障时间；
步骤S300、计算关键部件的当前时间与预计故障时间的差值，预测关键部件的故障可能性；
本发明的有益效果在于：应用神经网络进行训练，可以获取关键部件的预计故障时间，通过分析故障因子，确定关键部件的故障可能性。运用本方法之后，可以将关键部件的特征细化为容易把控的故障因子，对关键部件的状态进行分析，以此确定目标对象将要损坏的部件，预测目标对象发生故障的可能性。
其中，步骤S100、获取关键部件的多个故障因子及多个历史故障时间点的步骤包括：
步骤S110、在预设时间内，实时采集多台目标对象的运行数据、维护数据及故障记录；
在本步骤中，可以使用目标对象设备全生命周期大数据监控平台来对多台目标对象的运行数据、维护数据及故障记录进行搜集。目标对象设备全生命周期大数据监控平台采用分布式集中采集方案，从而可以横向扩展或裁剪。在进一步地方案中，可以运用该平台，对每台设备进行台账管理，建立自动化的设备运维记录管理。由此可以避免信息孤岛的产生，实现数据的可完全共享，方便对目标对象进行深度挖掘。实现故障设备的追溯，客观评估产品质量，并应用这些数据辅助研发、生产完善产品设计及流程，以提高产品质量。
步骤S120、按照目标对象的类型，对运行数据、维护数据及故障记录进行分类整理，生成目标对象的历史故障信息；
步骤S130、从关键部件特征的历史故障信息，多个故障因子及关键部件的多个历史故障时间点。
需要了解的是，目标对象的类型可以按照目标对象的型号进行分类，也可以按照目标对象的工况进行分类，还可以按照具有某一部件的目标对象进行分类。
其中，按照目标对象的型号进行分类，是着重于对客户所售卖的目标对象进行维护，也着重于对用户所使用的目标对象提供维修意见。按照目标对象的使用环境进行分类，有助于研究哪种目标对象的工况所产生的问题；而按照具有某一部件的目标对象进行分类，则是着重对该部件进行研究，研究一个部件在不同环境下的不同状态。
其中，目标对象的运行数据，包括，用户的使用习惯信息、运行模式信息、负载调节信息。应用目标对象的运行数据，可以了解目标对象运行的全过程，有助于从运行角度，分析目标对象故障的原因，预测关键部件可能产生的故障。
其中，维护数据，包括，检查数据、保养数据及维修数据。运用维护数据，可以了解目标对象维护人员的行为，进而推导出目标对象维护人员的水平，有助于从维护者角度，分析目标对象故障的原因，预测关键部件可能产生的故障。
其中，故障记录，包括，目标对象的故障信息，目标对象各部件的故障数据。运用故障记录，方便对目标对象的数据进行重组、分析及研究，从生产者的角度，更好地找出故障的原因。
此外，目标对象的运行数据、维护数据与故障记录，具有一定冗余性，运用这些信息，有助于消除不确定性，从而更准确的获取故障信息。
具体的，步骤S120、按照目标对象的类型，对运行数据、维护数据及故障记录进行分类整理的步骤中，包括：
步骤S121、按照目标对象的类型，对运行数据、维护数据及故障记录的格式进行统一。
需要了解的是，目标对象的类型繁多，而按照不同分类的方式所获得的目标对象，可能属于不同的厂家，也可能是同一厂家的不同的系列，因此，在本实施例中，可以将这些数据进行格式统一，以方便不同种类数据之间的处理。
步骤S122、剔除运行数据、维护数据及故障记录中的数据异常点。
需要了解的是，由于数据可能存在不一致的问题，因此，运行数据、维护数据及故障记录之间可能存在某一些矛盾点，为了降低计算难度，可以直接剔除这些数据异常点。
步骤S123、对运行数据、维护数据及故障记录分别进行平滑处理，获得目标对象的数据变化趋势。
需要了解的是，对运行数据、维护数据及故障记录分别进行平滑处理，运用数学方法，补全被剔除的数据异常点，以及缺失的数据，才可以使用这些数据进行神经网络计算，从而获得目标对象的多个数据变化趋势，进而预测目标对象的关键部件产生故障的可能性。本实施例是基于数据驱动预测的方法，通过大量数据的分析，从而确定目标对象的数据变化趋势。
进一步地实施例中，可以结合上述实施例中获取目标对象的历史故障信息的步骤，也可以采用其他的方式，获取目标对象的历史故障信息。
在一具体的实施例，步骤S130、从关键部件特征的历史故障信息，多个故障因子及关键部件的多个历史故障时间点，包括：
步骤S131、应用主成分分析法，对关键部件特征的历史故障信息进行降维处理，生成关键部件的多个故障因子。
其中，主成分分析法是一种降维度分析方法。在保留原数据主要信息的前提下，将多维度变量处理成少数综合变量的问题，可以有效降低多个变量之间的信息重叠，提高分析结果的准确度。
需要了解的是，本实施例中，对目标对象的历史故障信息进行降维，是从目标对象的全局考虑的。在本实施例中，目标对象的历史故障信息进行被降维，可以剔除一些低可能性事件，从而大幅度降低关键部件的状态评估模型所需要的输入要素，以此节约计算量，增强诊断效率，同时，评估的准确度仍然是较高的。
请参阅图2，图2为本发明的一实施例中的应用MLP进行神经网络训练的原理图。
具体地，步骤S200、根据关键部件的多个故障因子及关键部件的多个历史故障时间点，应用神经网络进行训练，获取关键部件的预计故障时间，包括
步骤S210、根据目标对象的工况，确定神经网络的隐藏层的层数。
本步骤中，针对目标对象的工况的复杂程度，设定神经网络的隐藏层的层数，第一个隐藏层就代表第一次提取特征，而第二个隐藏层，就表示对第一次提取的特征进行第二次特征提取，以此类推。
步骤S220、应用MLP神经网络进行模型训练，建立并改良关键部件的状态评估模型；
步骤S230、应用所述关键部件的状态评估模型，计算出关键部件的预计故障时间。
由此，关键部件的状态评估模型，就可以更贴近目标对象，更准确地获得关键部件的状态。
可选地，步骤S220中，包括：
步骤S221、对故障因子的历史参数进行分割，生成训练集数据、验证集数据和测试集数据
步骤S222、对训练集数据进行神经网络训练，建立关键部件的状态评估模型。
步骤S223、应用验证集数据，调整关键部件的状态评估模型。
由此，可以获得因子所具有的权重，可以较为便捷地建立关键部件的状态评估模型。
此外，可以在调整故障训练参数的过程中，将一些非常规的参数加入到状态评估模型中，生成更贴合目标对象的故障验证参数，从而更准确地建议目标对象的状态。其中，非常规的参数可以包括目标对象的工况信息，用户的使用习惯信息、检查数据、保养数据及维修数据等只有该目标对象才具有的信息。
通过本实施例中步骤S221～步骤S223的技术方案，可以挖掘出关键部件的故障因子与器件寿命的相关性，应用关键部件的状态评估模型，更准确地分析出关键部件的状态。
上述中，步骤S300、计算关键部件的当前时间与预计故障时间的差值，预测关键部件的故障可能性。
具体的，可以计算关键部件的当前时间与预计故障时间的差值，当这一差值越小时，该关键部件的故障可能性就越低；当这一差值越大时，该关键部件的故障可能性就越高。
进一步地，上述方法是可以对目标对象进行故障预测，此时，上述目标对象安装有至少两个关键部件，方法还包括：
步骤S400、获取并比较各个关键部件的当前时间与预计故障时间的差值，确定目标对象损坏的关键部件。
可以理解的是，关键部件的当前时间与预计故障时间的差值越小，其故障的可能性越低。
为了更好的说明上述的整流器故障预测，本发明运用一个实施例对其进行说明。为了精确到小时预测整流器的状态，可以采用如下方法：
首先，整流器故障因子有：电压、温度、PFC硬件保护信号、整流IGBT C 级保护信号、输入接触器触点异常信号、缓冲接触器触点异常信号，将它们标记为：x1,x2,x3,x4,x5,x6
其次，在预设时间中，整流器故障时间为2018-02-02 02:02:02、2018-08-08 08:08:08、2018-10-10 10:10:10、2019-01-01 01:01:01、2019-06-06 06:06:06、2019-09-0909:09:09、2020-03-03 03:03:03：
由此，在过去两年中，整流器5分钟间隔的运行数据，数据集表1所示：
| Time | x1 | x2 | x3 | x4 | x5 | x6 |
| 2018-01-01 00:00 | 236 | 11 | 0 | 0 | 0 | 0 |
| 2018-01-01 00:05 | 247 | 27 | 0 | 0 | 1 | 1 |
| 2018-01-01 00:10 | 217 | 30 | 0 | 1 | 0 | 0 |
| … | … | … | … | … | … | … |
| 2020-02-28 23:50 | 230 | 29 | 1 | 0 | 0 | 0 |
| 2020-02-28 23:55 | 228 | 18 | 0 | 0 | 0 | 0 |
表1
应用上表建立预测模型：需要输入为x1,x2,x3,x4,x5,x6，输出为下次发生故障的时间y，建立模型：
y＝f(x1,x2,x3,x4,x5,x6)
选择MLP神经网络进行模型训练，其如图2所示
接下来，用一个更具体的实施例中，说明，如何基于历史数据计算下次发生故障的时间：
在2018-01-01 00:00时刻，下次发生故障的时间点是2018-02-02 02:02:02；
则在2018-01-01 00:00时刻，它下次发生故障的时间是793.034小时后。
由此计算，得到模型训练的数据集，如表2：
表2
将数据集输入到MLP神经网络模型中训练，得到了整流器故障预测模型。
假如当前时间是2020-03-0510:10:10，当前x1,x2,x3,x4,x5,x6为225，22，0，0， 0，0，输入到预测模型中得到730.03，由于730.03>1，说明预测未来一个小时内整流器不会发生故障，如果输入到模型中得到0.88<1，说明预测未来一个小时内整流器会发生故障。
如图3所示，图3为本发明的一实施例中目标对象的故障预测装置的模块图。本发明还提供了一种目标对象的故障预测装置，包括：
提取模块100，用于获取关键部件的多个故障因子及故障因子的多个历史故障时间点；
训练模块200，用于根据所述关键部件的多个故障因子及故障因子的多个历史故障时间点，应用神经网络进行训练，获取关键部件的预计故障时间；
预测模块300，用于计算所述关键部件的当前时间与所述预计故障时间的差值，预测所述关键部件的故障可能性。
需要了解的是，上述模块仅为粗略划分的模块，模块内部发各个功能，是可以依靠多种单元的组合所形成的。从本质上来看，上述装置是作为上述方法的虚拟执行主体，用于承载上述方法。
本申请还提供了一种终端，其包括处理器、存储器和显示器，处理器耦接存储器与显示器，存储器上存储有可在处理器上执行的计算机程序；处理器执行计算机程序，
本发明还提供了一种存储介质，包括计算机程序，计算机程序被处理器加载并执行时，实现上述的方法中的步骤。
所述处理器可以是中央分析单元，还可以是其他通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种故障预测方法，其特征在于，所述方法包括如下步骤：
获取关键部件的多个故障因子及关键部件的多个历史故障时间点；
根据所述关键部件的多个故障因子及关键部件的多个历史故障时间点，应用神经网络进行训练，得到故障预测模型；将当前时间、当前时间下关键部件的故障因子作为所述故障预测模型的输入，以获取关键部件的预计故障时间；
计算所述关键部件的当前时间与所述预计故障时间的差值，预测所述关键部件的故障可能性；
其中，所述关键部件的当前时间与所述预计故障时间的差值越小，关键部件的故障可能性就越低；
其中，所述根据所述关键部件的多个故障因子及关键部件的多个历史故障时间点，应用神经网络进行训练，得到故障预测模型的步骤，具体包括：
在历史时间段内，将在第一时间点内关键部件的故障因子作为神经网络的输入，将所述第一时间点和第一故障时间点的差值作为神经网络的输出，以训练得到所述故障预测模型；所述第一时间点为所述历史时间段内的任意时间点；所述第一故障时间点为：在所述历史时间段内的全部历史故障时间点中，与所述第一时间点的差值最小的历史故障时间点；
并且，所述方法用于对目标对象进行故障预测，所述目标对象安装有至少两个所述关键部件，所述方法还包括：
获取并比较各个所述关键部件的当前时间与所述预计故障时间的差值，确定所述目标对象损坏的关键部件。
2.如权利要求1所述的故障预测方法，其特征在于，所述应用神经网络进行训练，获取关键部件的预计故障时间的步骤，具体包括：
根据所述目标对象的工况，确定神经网络的隐藏层的层数；
应用MLP神经网络进行模型训练，建立所述关键部件的状态评估模型；
应用所述关键部件的状态评估模型，计算出所述关键部件的预计故障时间。
3.如权利要求2所述的故障预测方法，其特征在于，所述应用MLP神经网络进行模型训练，建立所述关键部件的状态评估模型的步骤，包括：
对所述故障因子的历史参数进行分割，生成训练集数据、验证集数据和测试集数据；
对所述训练集数据进行神经网络训练，建立所述关键部件的状态评估模型；
应用所述验证集数据，调整所述关键部件的状态评估模型；
按照所述测试集数据，验证所述关键部件的状态评估模型。
4.如权利要求1所述的故障预测方法，其特征在于，获取关键部件的多个故障因子及关键部件的多个历史故障时间点的步骤包括：
在历史时间段内，实时采集所述关键部件在多个目标对象上的运行数据、维护数据及故障记录；
按照所述目标对象的类型，对所述运行数据、维护数据及故障记录进行分类整理，生成所述关键部件特征的历史故障信息；
从所述关键部件特征的历史故障信息，选取所述关键部件的多个故障因子及关键部件的多个历史故障时间点；
其中，所述运行数据，包括，用户的使用习惯信息、运行模式信息、负载调节信息。
5.如权利要求4所述的故障预测方法，其特征在于，所述从所述关键部件特征的历史故障信息，选取所述关键部件的多个故障因子的步骤，包括：
应用主成分分析法，对所述关键部件特征的历史故障信息进行降维处理，生成所述关键部件的多个故障因子。
6.如权利要求4所述的故障预测方法，其特征在于，所述按照所述目标对象的类型，对所述运行数据、维护数据及故障记录进行分类整理的步骤中，包括：
按照所述目标对象的类型，对所述运行数据、维护数据及故障记录的格式进行统一；
获取格式统一的所述运行数据、维护数据及故障记录的阈值范围，以剔除数据异常点；
分别对剔除异常点的运行数据、维护数据及故障记录进行平滑处理，获得目标对象的数据变化趋势。
7.一种故障预测装置，其特征在于，包括：
提取模块，用于获取关键部件的多个故障因子及故障因子的多个历史故障时间点；
训练模块，用于根据所述关键部件的多个故障因子及故障因子的多个历史故障时间点，应用神经网络进行训练，得到故障预测模型；将当前时间、当前时间下关键部件的故障因子作为所述故障预测模型的输入，以获取关键部件的预计故障时间；
预测模块，用于计算所述关键部件的当前时间与所述预计故障时间的差值，预测所述关键部件的故障可能性；
其中，所述训练模块具体用于在历史时间段内，将在第一时间点内关键部件的故障因子作为神经网络的输入，将所述第一时间点和第一故障时间点的差值作为神经网络的输出，以训练得到所述故障预测模型；所述第一时间点为所述历史时间段内的任意时间点；所述第一故障时间点为：在所述历史时间段内的全部历史故障时间点中，与所述第一时间点的差值最小的历史故障时间点；
所述故障预测装置还用于对目标对象进行故障预测，所述目标对象安装有至少两个所述关键部件，所述故障预测装置还包括：
确定模块，用于获取并比较各个所述关键部件的当前时间与所述预计故障时间的差值，确定所述目标对象损坏的关键部件。
8.一种终端，其特征在于，其包括处理器、存储器和显示器，所述处理器耦接所述存储器、所述显示器，所述存储器上存储有可在所述处理器上执行的计算机程序；所述处理器执行所述计算机程序，实现权利要求1-6之一所述的方法。
9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1-6之一所述的方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011245611.4A CN112346893B (zh) | 2020-11-10 | 2020-11-10 | 故障预测方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011245611.4A CN112346893B (zh) | 2020-11-10 | 2020-11-10 | 故障预测方法、装置、终端及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112346893A CN112346893A (zh) | 2021-02-09 |
| CN112346893B true CN112346893B (zh) | 2024-09-13 |
Family
ID=74363130
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011245611.4A Active CN112346893B (zh) | 2020-11-10 | 2020-11-10 | 故障预测方法、装置、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112346893B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112949733B (zh) * | 2021-03-12 | 2022-06-07 | 暨南大学 | 故障因子数据的获取方法、装置、电子装置及存储介质 |
| CN114611324A (zh) * | 2022-03-28 | 2022-06-10 | 北京航空航天大学 | 一种大功率磁等离子体电推进系统的故障诊断方法 |
| CN114881321A (zh) * | 2022-04-29 | 2022-08-09 | 三一汽车起重机械有限公司 | 机械部件故障预测方法、装置、电子设备及存储介质 |
| CN116260235B (zh) * | 2023-03-11 | 2023-08-22 | 傲视恒安科技（北京）有限公司 | 电源切换的方法、装置、电子设备及可读存储介质 |
| CN116402227B (zh) * | 2023-04-13 | 2024-10-15 | 河北建投新能源有限公司 | 一种基于云计算的风电大数据分析方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111506043A (zh) * | 2020-04-09 | 2020-08-07 | 中国船舶工业综合技术经济研究院 | 一种舰炮关键部件故障预测系统 |
| CN111581889A (zh) * | 2020-05-26 | 2020-08-25 | 瑞纳智能设备股份有限公司 | 用于供热设备组件的故障预测方法、系统及设备 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200020186A1 (en) * | 2018-07-11 | 2020-01-16 | Acsys Holdings Limited | Systems and methods for providing an access management platform |
| CN111105063A (zh) * | 2018-10-26 | 2020-05-05 | 北京国双科技有限公司 | 故障预测、模型构建方法、装置、处理器及可读存储介质 |
| CN111163484B (zh) * | 2018-11-07 | 2022-06-14 | 中国移动通信集团湖南有限公司 | 基站故障的预测方法及装置 |
| CN109751206B (zh) * | 2019-02-25 | 2020-08-28 | 宜通世纪物联网研究院(广州)有限公司 | 风机叶片结冰故障预测方法、装置及存储介质 |
| CN110472288B (zh) * | 2019-07-17 | 2022-12-13 | 武汉科技大学 | 一种螺栓力矩衰减的预测方法、系统、装置和介质 |
-
2020
- 2020-11-10 CN CN202011245611.4A patent/CN112346893B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111506043A (zh) * | 2020-04-09 | 2020-08-07 | 中国船舶工业综合技术经济研究院 | 一种舰炮关键部件故障预测系统 |
| CN111581889A (zh) * | 2020-05-26 | 2020-08-25 | 瑞纳智能设备股份有限公司 | 用于供热设备组件的故障预测方法、系统及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112346893A (zh) | 2021-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112346893B (zh) | 故障预测方法、装置、终端及存储介质 | |
| Mohammadi et al. | Machine learning assisted stochastic unit commitment during hurricanes with predictable line outages | |
| CN112330034A (zh) | 故障预测方法及系统 | |
| US10444746B2 (en) | Method for managing subsystems of a process plant using a distributed control system | |
| CN107992410B (zh) | 软件质量监测方法、装置、计算机设备和存储介质 | |
| US10809695B2 (en) | Information processing apparatus, machine learning device and system | |
| CN113888353A (zh) | 分布式光伏发电设备的能效诊断方法、系统及介质 | |
| CN114371409B (zh) | 电池状态预测模型的训练方法、电池状态预测方法及装置 | |
| CN117408162B (zh) | 基于数字孪生的电网故障控制方法 | |
| CN112884199B (zh) | 水电站设备故障预测方法、装置、计算机设备和存储介质 | |
| Levitin et al. | Reliability of non-coherent warm standby systems with reworking | |
| CN110261159B (zh) | 柔性制造刀具子系统故障诊断方法 | |
| CN118152124A (zh) | 一种基于云计算的数据处理方法及系统 | |
| CN112664410B (zh) | 一种基于大数据的机组在线监测系统建模方法 | |
| CN113610225A (zh) | 质量评估模型训练方法、装置、电子设备及存储介质 | |
| CN117474584A (zh) | 一种基于大数据的电力客户需求预测与分析系统 | |
| CN107121616B (zh) | 一种用于对智能仪表进行故障定位的方法和装置 | |
| Urmeneta et al. | A methodology for performance assessment at system level—Identification of operating regimes and anomaly detection in wind turbines | |
| CN115563786A (zh) | 一种电化学储能电站故障场景重构方法 | |
| CN115640542A (zh) | 基于贝叶斯理论的智能电能表状态评估方法及评估装置 | |
| CN109558258B (zh) | 一种分布式系统根源故障定位的方法及装置 | |
| JP2019164762A (ja) | 情報処理装置，機械学習装置及びシステム | |
| CN117272844B (zh) | 配电盘工作寿命的预测方法及系统 | |
| TWI794787B (zh) | 線上電池壽命預測方法 | |
| CN118604640B (zh) | 电池的评估方法、装置、电子设备、存储介质及程序产品 |
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 |