CN112396250A - 一种柴油机故障预测方法、装置、设备及存储介质 - Google Patents
一种柴油机故障预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112396250A CN112396250A CN202011379247.0A CN202011379247A CN112396250A CN 112396250 A CN112396250 A CN 112396250A CN 202011379247 A CN202011379247 A CN 202011379247A CN 112396250 A CN112396250 A CN 112396250A
- Authority
- CN
- China
- Prior art keywords
- diesel engine
- operation data
- data
- candidate
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012423 maintenance Methods 0.000 claims abstract description 47
- 230000006870 function Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 6
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种柴油机故障预测方法、装置、设备及存储介质。该方法包括：获取柴油机的当前运行数据；将所述当前运行数据输入预先训练的目标故障预测模型中，得到所述柴油机在预设时间段内的候选运行数据集；根据所述候选运行数据集，确定至少一个柴油机部件的使用期限值；当所述使用期限值小于预设维修期限值时，进行对应的部件故障报警。本发明解决了柴油机因内部零部件数量众多，导致对柴油机进行全面检测和维护的成本大、耗时长的问题，实现了对柴油机各部件的使用情况进行准确预测，可以在故障发生之前进行预测性维护，降低了事故发生率，减少了维修费用，缩短了维护时间。
Description
技术领域
本发明实施例涉及数据处理技术领域，尤其涉及一种柴油机故障预测方法、装置、设备及存储介质。
背景技术
船用柴油机是为整个船舶正常运转提供动力的关键机械设备。由于船舶柴油机长期工作在具有强腐蚀性的恶劣环境中，零部件容易损坏，且船舶柴油机内部零部件种类繁多，运行复杂，零部件间出现的衔接故障都可能会产生连锁反应，影响整体设备的正常运行。
一旦柴油机发生故障，可能会导致设备停工停产，造成巨大的经济损失，严重的情况下甚至会造成人员伤亡、关键设备损坏等灾难性事故的发生。因此对船舶柴油机进行定期维护是十分必要的，但是，由于柴油机内部零部件数量众多，对柴油机进行全面检测和维护的成本大、耗时长。
发明内容
本发明提供一种柴油机故障预测方法、装置、设备及存储介质，以实现对柴油机各部件的使用情况进行预测，在故障发生之前进行故障维护提示，降低事故发生率及维修费用。
第一方面，本发明实施例提供了一种柴油机故障预测方法，包括：
获取柴油机的当前运行数据；
将所述当前运行数据输入预先训练的目标故障预测模型中，得到所述柴油机在预设时间段内的候选运行数据集；
根据所述候选运行数据集，确定至少一个柴油机部件的使用期限值；
当所述使用期限值小于预设维修期限值时，进行对应的部件故障报警。
可选的，所述将所述当前运行数据输入预先训练的目标故障预测模型中，得到所述柴油机在预设时间段内的候选运行数据集，包括：
确定预设时间段内的至少一个待预测时刻，并确定各所述待预测时刻与当前时刻的实际时间间隔；
将所述当前运行数据作为输入数据，通过预先训练的目标故障预测模型，预测经过各所述实际时间间隔后所述柴油机的候选运行数据；
令各所述候选运行数据构成候选运行数据集。
可选的，所述候选运行数据包括至少一个运行属性对应的候选运行参数值；
相应的，所述根据所述候选运行数据集，确定至少一个柴油机部件的使用期限值，包括：
针对每个运行属性，对比连续两个待预测时刻的候选运行数据，确定对应的两个所述候选运行参数的参数差值；
当所述参数差值大于所述运行属性对应的故障阈值时，确定所述运行属性异常；
获取所述运行属性关联的柴油机部件，从所述两个待预测时刻中确定发生时刻早的待预测时刻作为所述柴油机部件的使用期限值。
可选的，所述目标故障预测模型的训练过程包括：
将柴油机在第一运行时刻的历史运行数据和在第二运行时刻的标准运行数据作为一个训练样本，并确定所述第一运行时刻和所述第二运行时刻的标准时间间隔，其中，所述第一运行时刻在所述第二运行时刻之前；
将所述历史运行数据和所述标准时间间隔输入待训练故障预测模型，输出目标运行数据；
采用给定的损失函数表达式，结合所述标准运行数据和所述目标运行数据，获得故障预测损失函数；
通过所述故障预测损失函数对所述待训练故障预测模型进行反向传播，得到目标故障预测模型。
可选的，在将所述历史运行数据和所述标准时间间隔输入待训练故障预测模型之前，还包括：
对所述历史运行数据和所述标准运行数据进行降噪处理。
第二方面，本发明实施例还提供了一种柴油机故障预测装置，该装置包括：
数据获取模块，用于获取柴油机的当前运行数据；
数据预测模块，用于将所述当前运行数据输入预先训练的目标故障预测模型中，得到所述柴油机在预设时间段内的候选运行数据集；
期限确定模块，用于根据所述候选运行数据集，确定至少一个柴油机部件的使用期限值；
故障确定模块，用于当所述使用期限值小于预设维修期限值时，进行对应的部件故障报警。
第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明任意实施例所述的柴油机故障预测方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本发明任意实施例所述的柴油机故障预测方法。
本发明通过获取柴油机的当前运行数据，将当前运行数据输入预先训练的目标故障预测模型中，得到柴油机在预设时间段内的候选运行数据集，根据候选运行数据集，确定至少一个柴油机部件的使用期限值，并在柴油机部件的使用期限值小于预设维修期限值时，进行对应的部件故障报警，解决了柴油机因内部零部件数量众多，导致对柴油机进行全面检测和维护的成本大、耗时长的问题，实现了对柴油机各部件的使用情况进行准确预测，可以在故障发生之前进行预测性维护，降低了事故发生率，减少了维修费用，缩短了维护时间。
附图说明
图1是本发明实施例一提供的一种柴油机故障预测方法的流程图；
图2是本发明实施例二提供的一种柴油机故障预测方法的流程图；
图3是本发明实施例二提供的一种柴油机故障预测方法中目标故障预测模型训练步骤的流程图；
图4是本发明实施例三提供的一种柴油机故障预测装置的结构框图；
图5是本发明实施例四提供的一种计算机设备的结构框图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构，此外，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
图1为本发明实施例一提供的一种柴油机故障预测方法的流程图，本实施例可适用于对柴油机各部件进行预测性维护的情况，该方法可以由柴油机故障预测装置来执行，该装置可以通过软件和/或硬件实现。
如图1所示，该方法具体包括如下步骤：
步骤110、获取柴油机的当前运行数据。
其中，当前运行数据可以理解为当前时刻柴油机运行时的各种参数数据。
具体的，可以定期或实时对柴油机进行故障预测，可以是一个月进行一次，也可以是一年一次，具体的可以根据柴油机的型号和使用场景进行人为设置。在对柴油机进行故障预测时，可以获取当前时刻柴油机运行时的各种参数数据，用以预测柴油机各部件的未来使用状况。其中，柴油机运行时的各种参数数据可以有柴油机各个部件的温度数据、压力数据、振动数据、转速数据等相关数据。可以理解的是，获取的数据越全面，预测的效果就相对越好。
在本实施例中，可以将采集到的柴油机运行数据进行传输存储。具体可以将采集的数据通过给定的通讯协议传入到数据库或者IOT平台中，服务器对于从传感器等硬件设备中接收到的数据进行校验和解密后，将柴油机运行数据推送至队列或者缓存至数据库，用于后续数据的分析处理。
步骤120、将当前运行数据输入预先训练的目标故障预测模型中，得到柴油机在预设时间段内的候选运行数据集。
其中，目标故障预测模型可以预先通过对大量的训练数据集进行训练得到，可以根据柴油机的运行数据预测未来一段时间内柴油机的运行情况。预设时间段可以理解为需要预测柴油机运行状态的时间段。
具体的，可以在对柴油机进行故障预测前，预先训练好目标故障预测模型，通过将采集到的当前运行数据输入目标故障预测模型中，选择想要预测的目标时间，就可以得到相应的预测数据，在本实施例中，可以将这些预测数据作为候选运行数据。当选择多个目标时间或是一个连续的时间段时，就可以利用目标故障预测模型预测出多个候选运行数据，多个候选运行数据可以看做是一个数据集合，可以记为候选运行数据集。
步骤130、根据候选运行数据集，确定至少一个柴油机部件的使用期限值。
其中，柴油机部件可以理解为柴油机的一个零部件或是多个零部件组成的一个子部件，如柴油机有六个气缸，那么每个气缸都可以看做是柴油机的一个部件。
具体的，可以根据预测的预设时间段内候选运行数据的变化情况，分析柴油机各个部件是否可以在该预设时间内正常工作。如果候选运行数据在某个时间点或某个短时间段内发生了较大的变化，那么可以认为相关的部件可以在该时间点或该短时间段内会出现故障，该时间点或该短时间段内的某一时刻就可以确定该柴油机部件的使用期限值。而如果候选运行数据在预设时间段内都显示正常，那么可以认为该预设时间段内不会出现柴油机部件故障，此时可以认为所有柴油机部件的使用期限值都至少长于该预设时间段的最晚时刻。例如，根据柴油机的当前运行数据，预测柴油机在未来一年至三年的运行状态，通过对得到的候选运行数据集中的各候选运行数据进行分析，柴油机某气缸相关的参数数值在未来两年时突然发生改变，那么该气缸的使用期限值就可以确定为两年，而柴油机某轴承相关的参数数值在未来一年至三年都未发生明显突变，那么就可以认为该轴承的使用期限值至少为四年。
步骤140、当使用期限值小于预设维修期限值时，进行对应的部件故障报警。
具体的，可以预先设置一个维修期限值，如设置为一年，可以认为本次对柴油机进行维护后，经过该维修期限后才会对柴油机进行下一次维修，那么当预测的柴油机部件的使用期限值小于该预设维修期限值时，在本次维修中就需要将该柴油机部件进行维修或更新，此时需要进行对应的部件故障报警，提示维护人员检查维修该柴油机部件。
本实施例的技术方案，通过获取柴油机的当前运行数据，将当前运行数据输入预先训练的目标故障预测模型中，得到柴油机在预设时间段内的候选运行数据集，根据候选运行数据集，确定至少一个柴油机部件的使用期限值，并在柴油机部件的使用期限值小于预设维修期限值时，进行对应的部件故障报警，解决了柴油机因内部零部件数量众多，导致对柴油机进行全面检测和维护的成本大、耗时长的问题，实现了对柴油机各部件的使用情况进行准确预测，可以在故障发生之前进行预测性维护，降低了事故发生率，减少了维修费用，缩短了维护时间。
实施例二
图2为本发明实施例二提供的一种柴油机故障预测方法的流程图。本实施例在上述实施例的基础上，进一步优化了上述柴油机故障预测方法。
如图2所示，该方法具体包括：
步骤210、获取柴油机的当前运行数据。
步骤220、确定预设时间段内的至少一个待预测时刻，并确定各待预测时刻与当前时刻的实际时间间隔。
其中，待预测时刻可以理解为需要预测柴油机运行状态的准确时间点。
具体的，可以选择想要进行柴油机故障预测的一个时间段，然后选取一个预测周期，在选择的时间段内每隔一个预测周期就可以确定一个待预测时刻，每个待预测时刻距离当前时刻的时间差即为对应的实际时间间隔。例如，选取的时间段可以是未来一年至三年，选择的预测周期是一个月，那么就可以确定未来一年至三年内每个月的第一天为一个待预测时刻，假如当前时刻是2020年1月1日，那么待预测时刻分别是2021年1月1日、2021年2月1日、2021年3月1日、……、2023年12月1日。
步骤230、将当前运行数据作为输入数据，通过预先训练的目标故障预测模型，预测经过各实际时间间隔后柴油机的候选运行数据，其中，候选运行数据包括至少一个运行属性对应的候选运行参数值。
具体的，可以将采集到的当前运行数据输入目标故障预测模型中，并分别结合确定好的各实际时间间隔，通过目标故障预测模型对柴油机未来运行状态进行预测，每个实际时间间隔都对应得到一组候选运行数据。可以理解的是，每个候选运行数据都可以包括柴油机各运行属性对应的候选运行参数值，其中，包含的运行属性与获取的柴油机当前运行数据中包含的运行参数值对应。
可选的，图3是本发明实施例二提供的一种柴油机故障预测方法中目标故障预测模型训练步骤的流程图。如图3所示，目标故障预测模型的训练过程可以分为以下几个步骤：
步骤2301、将柴油机在第一运行时刻的历史运行数据和在第二运行时刻的标准运行数据作为一个训练样本，并确定第一运行时刻和第二运行时刻的标准时间间隔。
其中，第一运行时刻和第二运行时刻都为当前时刻之前的历史时刻，第一运行时刻在第二运行时刻之前。历史运行数据可以理解为用于训练故障预测模型的原始样本数据，是柴油机在当前时刻之前运行时的真实运行数据。标准运行数据可以理解为用于训练故障预测模型时优化模型时的标记样本，标准运行数据也可以是柴油机在当前时刻之前运行时的真实运行数据。
具体的，可以采集大量的柴油机运行数据，将同一柴油机在两个不同运行时刻的运行数据作为一组训练样本，其中，发生时刻较早的运行数据记为历史运行数据，发生时刻较晚的运行数据记为标准运行数据，并将两个时刻的时间间隔记为标准时间间隔。
可选的，在确定训练样本后，还可以对训练样本中的历史运行数据和标准运行数据进行降噪处理。
具体的，由于获取样本数据的场景可以存在差异，一般情况下柴油机的工作环境比较复杂，采集的数据会包含各种噪声，因此，可以对训练样本数据进行预处理，如对采集到的数据进行异常样本清洗、数据变换、缺失值处理、数据归一化等操作，消除柴油机工况变动对于采集数据产生的影响。同时，为消除环境噪声干扰，对数据进行降噪、降维等方面的处理，提高训练样本数据的数据准确性。
步骤2302、将历史运行数据和标准时间间隔输入待训练故障预测模型，输出目标运行数据。
其中，目标运行数据可以理解为待训练故障预测模型预测出的柴油机运行数据。
具体的，可以采用搭建好的待训练故障预测模型基于历史运行数据进行预测，输出标准时间间隔后柴油机的目标运行数据。
步骤2303、采用给定的损失函数表达式，结合标准运行数据和目标运行数据，获得故障预测损失函数。
具体的，由于标准运行数据是采集的柴油机的真实运行数据，目标运行数据是由未训练好的故障预测模型预测输出的，标准运行数据和目标运行数据必然会存在误差，可以根据该误差，采用给定的损失函数表达式，确定具体的故障预测损失函数。
步骤2304、通过故障预测损失函数对待训练故障预测模型进行反向传播，得到目标故障预测模型。
具体的，在得到故障预测损失函数后，可以通过故障预测损失函数对待训练故障预测模型进行反向传播，不断调整故障预测模型，最终得到目标故障预测模型模型。
步骤240、令各候选运行数据构成候选运行数据集。
步骤250、针对每个运行属性，对比连续两个待预测时刻的候选运行数据，确定对应的两个候选运行参数的参数差值。
其中，运行属性可以理解为柴油机运行时的各种参数属性，如柴油机各个部件的温度数据、压力数据、振动数据、转速数据等相关数据。
具体的，对于每个运行属性，各候选运行数据中都有一个对应的候选运行参数值，可以对比连续两个待预测时刻的候选运行数据中的候选运行参数值，通过两个候选运行参数值的参数差值，确定该运行属性的变化情况。
步骤260、当参数差值大于运行属性对应的故障阈值时，确定运行属性异常。
其中，各运行属性对应的故障阈值都可以预先根据实际情况设定。
具体的，当某个运行属性对应的候选运行参数值在两个待预测时刻之间发生突变时，可以认为该运行属性异常。
步骤270、获取运行属性关联的柴油机部件，从两个待预测时刻中确定发生时刻早的待预测时刻作为柴油机部件的使用期限值。
具体的，可以预先设置运行属性与柴油机部件的关联映射表，在确定某一运行属性异常时，可以通过查找关联映射表确定关联的柴油机部件，也就是该柴油机部件可能在候选运行参数值突变的两个待预测时刻之间发生故障，可以将两个待预测时刻中确定发生时刻较早的待预测时刻作为柴油机部件的使用期限值。
步骤280、当使用期限值小于预设维修期限值时，进行对应的部件故障报警。
本实施例的技术方案，通过获取柴油机的当前运行数据，确定预设时间段内的至少一个待预测时刻以及对应的实际时间间隔，将当前运行数据作为输入数据，通过预先训练的目标故障预测模型，预测经过各实际时间间隔后柴油机的候选运行数据，并形成候选运行数据集，针对每个运行属性，对比连续两个待预测时刻的候选运行数据，确定对应的两个候选运行参数的参数差值，当参数差值大于运行属性对应的故障阈值时，确定运行属性异常，获取运行属性关联的柴油机部件，从两个待预测时刻中确定发生时刻早的待预测时刻作为柴油机部件的使用期限值，并在柴油机部件的使用期限值小于预设维修期限值时，进行对应的部件故障报警，解决了柴油机因内部零部件数量众多，导致对柴油机进行全面检测和维护的成本大、耗时长的问题，实现了对柴油机各部件的使用情况进行准确预测，可以在故障发生之前进行预测性维护，降低了事故发生率，减少了维修费用，缩短了维护时间。
实施例三
本发明实施例所提供的柴油机故障预测装置可执行本发明任意实施例所提供的柴油机故障预测方法，具备执行方法相应的功能模块和有益效果。图4是本发明实施例三提供的一种柴油机故障预测装置的结构框图，如图4所示，该装置包括：数据获取模块310、数据预测模块320、期限确定模块330和故障确定模块340。
数据获取模块310，用于获取柴油机的当前运行数据。
数据预测模块320，用于将所述当前运行数据输入预先训练的目标故障预测模型中，得到所述柴油机在预设时间段内的候选运行数据集。
期限确定模块330，用于根据所述候选运行数据集，确定至少一个柴油机部件的使用期限值。
故障确定模块340，用于当所述使用期限值小于预设维修期限值时，进行对应的部件故障报警。
本实施例的技术方案，通过获取柴油机的当前运行数据，将当前运行数据输入预先训练的目标故障预测模型中，得到柴油机在预设时间段内的候选运行数据集，根据候选运行数据集，确定至少一个柴油机部件的使用期限值，并在柴油机部件的使用期限值小于预设维修期限值时，进行对应的部件故障报警，解决了柴油机因内部零部件数量众多，导致对柴油机进行全面检测和维护的成本大、耗时长的问题，实现了对柴油机各部件的使用情况进行准确预测，可以在故障发生之前进行预测性维护，降低了事故发生率，减少了维修费用，缩短了维护时间。
可选的，所述数据预测模块320，具体用于：
确定预设时间段内的至少一个待预测时刻，并确定各所述待预测时刻与当前时刻的实际时间间隔；
将所述当前运行数据作为输入数据，通过预先训练的目标故障预测模型，预测经过各所述实际时间间隔后所述柴油机的候选运行数据；
令各所述候选运行数据构成候选运行数据集。
可选的，所述候选运行数据包括至少一个运行属性对应的候选运行参数值；
相应的，所述期限确定模块330，具体用于：
针对每个运行属性，对比连续两个待预测时刻的候选运行数据，确定对应的两个所述候选运行参数的参数差值；
当所述参数差值大于所述运行属性对应的故障阈值时，确定所述运行属性异常；
获取所述运行属性关联的柴油机部件，从所述两个待预测时刻中确定发生时刻早的待预测时刻作为所述柴油机部件的使用期限值。
可选的，所述目标故障预测模型的训练过程包括：
将柴油机在第一运行时刻的历史运行数据和在第二运行时刻的标准运行数据作为一个训练样本，并确定所述第一运行时刻和所述第二运行时刻的标准时间间隔，其中，所述第一运行时刻在所述第二运行时刻之前；
将所述历史运行数据和所述标准时间间隔输入待训练故障预测模型，输出目标运行数据；
采用给定的损失函数表达式，结合所述标准运行数据和所述目标运行数据，获得故障预测损失函数；
通过所述故障预测损失函数对所述待训练故障预测模型进行反向传播，得到目标故障预测模型。
可选的，在将所述历史运行数据和所述标准时间间隔输入待训练故障预测模型之前，还包括：
对所述历史运行数据和所述标准运行数据进行降噪处理。
本实施例的技术方案，通过获取柴油机的当前运行数据，确定预设时间段内的至少一个待预测时刻以及对应的实际时间间隔，将当前运行数据作为输入数据，通过预先训练的目标故障预测模型，预测经过各实际时间间隔后柴油机的候选运行数据，并形成候选运行数据集，针对每个运行属性，对比连续两个待预测时刻的候选运行数据，确定对应的两个候选运行参数的参数差值，当参数差值大于运行属性对应的故障阈值时，确定运行属性异常，获取运行属性关联的柴油机部件，从两个待预测时刻中确定发生时刻早的待预测时刻作为柴油机部件的使用期限值，并在柴油机部件的使用期限值小于预设维修期限值时，进行对应的部件故障报警，解决了柴油机因内部零部件数量众多，导致对柴油机进行全面检测和维护的成本大、耗时长的问题，实现了对柴油机各部件的使用情况进行准确预测，可以在故障发生之前进行预测性维护，降低了事故发生率，减少了维修费用，缩短了维护时间。
实施例四
图5为本发明实施例四提供的一种计算机设备的结构框图，如图5所示，该计算机设备包括处理器410、存储器420、输入装置430和输出装置440；计算机设备中处理器410的数量可以是一个或多个，图5中以一个处理器410为例；计算机设备中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或其他方式连接，图5中以通过总线连接为例。
存储器420作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的柴油机故障预测方法对应的程序指令/模块(例如，柴油机故障预测装置中的数据获取模块310、数据预测模块320、期限确定模块330和故障确定模块340)。处理器410通过运行存储在存储器420中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述的柴油机故障预测方法。
存储器420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字或字符信息，以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种柴油机故障预测方法，该方法包括：
获取柴油机的当前运行数据；
将所述当前运行数据输入预先训练的目标故障预测模型中，得到所述柴油机在预设时间段内的候选运行数据集；
根据所述候选运行数据集，确定至少一个柴油机部件的使用期限值；
当所述使用期限值小于预设维修期限值时，进行对应的部件故障报警。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的柴油机故障预测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，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的方法。
值得注意的是，上述柴油机故障预测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种柴油机故障预测方法，其特征在于，包括：
获取柴油机的当前运行数据；
将所述当前运行数据输入预先训练的目标故障预测模型中，得到所述柴油机在预设时间段内的候选运行数据集；
根据所述候选运行数据集，确定至少一个柴油机部件的使用期限值；
当所述使用期限值小于预设维修期限值时，进行对应的部件故障报警。
2.根据权利要求1所述的柴油机故障预测方法，其特征在于，所述将所述当前运行数据输入预先训练的目标故障预测模型中，得到所述柴油机在预设时间段内的候选运行数据集，包括：
确定预设时间段内的至少一个待预测时刻，并确定各所述待预测时刻与当前时刻的实际时间间隔；
将所述当前运行数据作为输入数据，通过预先训练的目标故障预测模型，预测经过各所述实际时间间隔后所述柴油机的候选运行数据；
令各所述候选运行数据构成候选运行数据集。
3.根据权利要求2所述的柴油机故障预测方法，其特征在于，
所述候选运行数据包括至少一个运行属性对应的候选运行参数值；
相应的，所述根据所述候选运行数据集，确定至少一个柴油机部件的使用期限值，包括：
针对每个运行属性，对比连续两个待预测时刻的候选运行数据，确定对应的两个所述候选运行参数的参数差值；
当所述参数差值大于所述运行属性对应的故障阈值时，确定所述运行属性异常；
获取所述运行属性关联的柴油机部件，从所述两个待预测时刻中确定发生时刻早的待预测时刻作为所述柴油机部件的使用期限值。
4.根据权利要求1所述的柴油机故障预测方法，其特征在于，所述目标故障预测模型的训练过程包括：
将柴油机在第一运行时刻的历史运行数据和在第二运行时刻的标准运行数据作为一个训练样本，并确定所述第一运行时刻和所述第二运行时刻的标准时间间隔，其中，所述第一运行时刻在所述第二运行时刻之前；
将所述历史运行数据和所述标准时间间隔输入待训练故障预测模型，输出目标运行数据；
采用给定的损失函数表达式，结合所述标准运行数据和所述目标运行数据，获得故障预测损失函数；
通过所述故障预测损失函数对所述待训练故障预测模型进行反向传播，得到目标故障预测模型。
5.根据权利要求4所述的柴油机故障预测方法，其特征在于，在将所述历史运行数据和所述标准时间间隔输入待训练故障预测模型之前，还包括：
对所述历史运行数据和所述标准运行数据进行降噪处理。
6.一种柴油机故障预测装置，其特征在于，包括：
数据获取模块，用于获取柴油机的当前运行数据；
数据预测模块，用于将所述当前运行数据输入预先训练的目标故障预测模型中，得到所述柴油机在预设时间段内的候选运行数据集；
期限确定模块，用于根据所述候选运行数据集，确定至少一个柴油机部件的使用期限值；
故障确定模块，用于当所述使用期限值小于预设维修期限值时，进行对应的部件故障报警。
7.根据权利要求6所述的柴油机故障预测装置，其特征在于，所述数据预测模块，具体用于：
确定预设时间段内的至少一个待预测时刻，并确定各所述待预测时刻与当前时刻的实际时间间隔；
将所述当前运行数据作为输入数据，通过预先训练的目标故障预测模型，预测经过各所述实际时间间隔后所述柴油机的候选运行数据；
令各所述候选运行数据构成候选运行数据集。
8.根据权利要求7所述的柴油机故障预测方法，其特征在于，
所述候选运行数据包括至少一个运行属性对应的候选运行参数值；
相应的，所述期限确定模块，具体用于：
针对每个运行属性，对比连续两个待预测时刻的候选运行数据，确定对应的两个所述候选运行参数的参数差值；
当所述参数差值大于所述运行属性对应的故障阈值时，确定所述运行属性异常；
获取所述运行属性关联的柴油机部件，从所述两个待预测时刻中确定发生时刻早的待预测时刻作为所述柴油机部件的使用期限值。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5中任一所述的柴油机故障预测方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-5中任一所述的柴油机故障预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011379247.0A CN112396250B (zh) | 2020-11-30 | 2020-11-30 | 一种柴油机故障预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011379247.0A CN112396250B (zh) | 2020-11-30 | 2020-11-30 | 一种柴油机故障预测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112396250A true CN112396250A (zh) | 2021-02-23 |
| CN112396250B CN112396250B (zh) | 2024-04-26 |
Family
ID=74603942
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011379247.0A Active CN112396250B (zh) | 2020-11-30 | 2020-11-30 | 一种柴油机故障预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112396250B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113240140A (zh) * | 2021-06-04 | 2021-08-10 | 海尔数字科技(青岛)有限公司 | 物理设备的故障检测方法、装置、设备及存储介质 |
| CN113705896A (zh) * | 2021-08-30 | 2021-11-26 | 中国工商银行股份有限公司 | 目标设备的确定方法、装置及电子设备 |
| CN113891386A (zh) * | 2021-11-02 | 2022-01-04 | 中国联合网络通信集团有限公司 | 基站的隐性故障确定方法、装置、设备和可读存储介质 |
| CN117991704A (zh) * | 2024-02-05 | 2024-05-07 | 河北固基机械设备有限公司 | 控制柜故障预警系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120126989A1 (en) * | 2010-11-23 | 2012-05-24 | GM Global Technology Operations LLC | Method for diagnosing a fault of an scr system |
| CN105928710A (zh) * | 2016-04-15 | 2016-09-07 | 中国船舶工业系统工程研究院 | 一种柴油机故障监测方法 |
| CN106058987A (zh) * | 2016-06-29 | 2016-10-26 | 浙江万马新能源有限公司 | 基于蓄电池组监控与故障诊断的电动汽车充电方法及装置 |
| CN108009692A (zh) * | 2017-12-26 | 2018-05-08 | 东软集团股份有限公司 | 设备维修信息处理方法、装置、计算机设备和存储介质 |
| CN109255134A (zh) * | 2017-07-12 | 2019-01-22 | 中国石油天然气股份有限公司 | 一种抽油机井故障情况的获取方法 |
| CN110377447A (zh) * | 2019-07-17 | 2019-10-25 | 腾讯科技（深圳）有限公司 | 一种异常数据检测方法、装置及服务器 |
| CN110763253A (zh) * | 2019-10-09 | 2020-02-07 | 哈尔滨工程大学 | 一种基于svr的组合导航系统故障诊断方法 |
| CN110929934A (zh) * | 2019-11-22 | 2020-03-27 | 深圳市通用互联科技有限责任公司 | 设备故障预测方法、装置、计算机设备和存储介质 |
| CN111047082A (zh) * | 2019-12-02 | 2020-04-21 | 广州智光电气股份有限公司 | 设备的预警方法及装置、存储介质和电子装置 |
| CN111143101A (zh) * | 2019-12-12 | 2020-05-12 | 东软集团股份有限公司 | 用于确定故障根源的方法、装置、存储介质及电子设备 |
| US20200210824A1 (en) * | 2018-12-28 | 2020-07-02 | Utopus Insights, Inc. | Scalable system and method for forecasting wind turbine failure with varying lead time windows |
| CN111649951A (zh) * | 2020-04-15 | 2020-09-11 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 航空发动机故障检测方法、装置、计算机设备及存储介质 |
-
2020
- 2020-11-30 CN CN202011379247.0A patent/CN112396250B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120126989A1 (en) * | 2010-11-23 | 2012-05-24 | GM Global Technology Operations LLC | Method for diagnosing a fault of an scr system |
| CN105928710A (zh) * | 2016-04-15 | 2016-09-07 | 中国船舶工业系统工程研究院 | 一种柴油机故障监测方法 |
| CN106058987A (zh) * | 2016-06-29 | 2016-10-26 | 浙江万马新能源有限公司 | 基于蓄电池组监控与故障诊断的电动汽车充电方法及装置 |
| CN109255134A (zh) * | 2017-07-12 | 2019-01-22 | 中国石油天然气股份有限公司 | 一种抽油机井故障情况的获取方法 |
| CN108009692A (zh) * | 2017-12-26 | 2018-05-08 | 东软集团股份有限公司 | 设备维修信息处理方法、装置、计算机设备和存储介质 |
| US20200210824A1 (en) * | 2018-12-28 | 2020-07-02 | Utopus Insights, Inc. | Scalable system and method for forecasting wind turbine failure with varying lead time windows |
| CN110377447A (zh) * | 2019-07-17 | 2019-10-25 | 腾讯科技（深圳）有限公司 | 一种异常数据检测方法、装置及服务器 |
| CN110763253A (zh) * | 2019-10-09 | 2020-02-07 | 哈尔滨工程大学 | 一种基于svr的组合导航系统故障诊断方法 |
| CN110929934A (zh) * | 2019-11-22 | 2020-03-27 | 深圳市通用互联科技有限责任公司 | 设备故障预测方法、装置、计算机设备和存储介质 |
| CN111047082A (zh) * | 2019-12-02 | 2020-04-21 | 广州智光电气股份有限公司 | 设备的预警方法及装置、存储介质和电子装置 |
| CN111143101A (zh) * | 2019-12-12 | 2020-05-12 | 东软集团股份有限公司 | 用于确定故障根源的方法、装置、存储介质及电子设备 |
| CN111649951A (zh) * | 2020-04-15 | 2020-09-11 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 航空发动机故障检测方法、装置、计算机设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| GUOQIANG ZHONG 等: "Fault Diagnosis of Marine Diesel Engine Baded on Extreme Learning Machine", IEEE, 13 February 2020 (2020-02-13), pages 1 - 6 * |
| 任东平等: "基于BP神经网络的船用柴油机运行数据预测研究", 船舶物资与市场, pages 19 - 21 * |
| 曲晓慧 等: "基于粗糙集理论的机械状态监测与故障诊断", 测试技术学报, pages 87 - 91 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113240140A (zh) * | 2021-06-04 | 2021-08-10 | 海尔数字科技(青岛)有限公司 | 物理设备的故障检测方法、装置、设备及存储介质 |
| CN113705896A (zh) * | 2021-08-30 | 2021-11-26 | 中国工商银行股份有限公司 | 目标设备的确定方法、装置及电子设备 |
| CN113891386A (zh) * | 2021-11-02 | 2022-01-04 | 中国联合网络通信集团有限公司 | 基站的隐性故障确定方法、装置、设备和可读存储介质 |
| CN113891386B (zh) * | 2021-11-02 | 2023-06-20 | 中国联合网络通信集团有限公司 | 基站的隐性故障确定方法、装置、设备和可读存储介质 |
| CN117991704A (zh) * | 2024-02-05 | 2024-05-07 | 河北固基机械设备有限公司 | 控制柜故障预警系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112396250B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112396250A (zh) | 一种柴油机故障预测方法、装置、设备及存储介质 | |
| CN112436968B (zh) | 一种网络流量的监测方法、装置、设备及存储介质 | |
| US11138056B2 (en) | System and method for unsupervised prediction of machine failures | |
| CN111126603A (zh) | 基于神经网络模型的设备故障预测方法、装置及设备 | |
| CN110050240A (zh) | 用于监视技术系统的状态的计算机系统和方法 | |
| US10963797B2 (en) | System for analyzing machine data | |
| CN112083244B (zh) | 综合化航空电子设备故障智能诊断系统 | |
| CN114721912B (zh) | 一种数据分析方法、装置、设备及介质 | |
| DE112019005467T5 (de) | System und verfahren zum erkennen und vorhersagen von mustern eines anomalen sensorverhaltens einer maschine | |
| CN111325159A (zh) | 故障诊断方法、装置、计算机设备和存储介质 | |
| CN116670608A (zh) | 用于物联网预测建模的混合系综方法 | |
| CN114267178A (zh) | 一种车站的智能运营维护方法及装置 | |
| CN108306997B (zh) | 域名解析监控方法及装置 | |
| CN114924990A (zh) | 一种异常场景测试方法及电子设备 | |
| KR20230102431A (ko) | 인공지능 기반의 오일가스 플랜트 설비 고장 예측 및 진단시스템 | |
| CN117573412A (zh) | 系统故障预警方法、装置、电子设备及存储介质 | |
| CN117829816A (zh) | 一种智能化的设备维修指导方法及系统 | |
| CN110413482B (zh) | 检测方法和装置 | |
| CN115292146B (zh) | 一种系统容量预估方法、系统、设备及存储介质 | |
| CN111651753A (zh) | 用户行为分析系统及方法 | |
| CN115834195A (zh) | 一种日志异常检测方法、装置、系统及介质 | |
| CN113168739B (zh) | 用于检查至少一台车辆的方法以及电子计算装置 | |
| CN111965609A (zh) | 雷达可靠度评估方法、装置、电子设备及可读存储介质 | |
| US11782812B2 (en) | Causal attention-based multi-stream RNN for computer system metric prediction and influential events identification based on metric and event logs | |
| CN117519052B (zh) | 基于电子气体生产制造系统的故障分析方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |