CN112650200B - 一种厂站设备故障的诊断方法及诊断装置 - Google Patents
一种厂站设备故障的诊断方法及诊断装置 Download PDFInfo
- Publication number
- CN112650200B CN112650200B CN202011568123.7A CN202011568123A CN112650200B CN 112650200 B CN112650200 B CN 112650200B CN 202011568123 A CN202011568123 A CN 202011568123A CN 112650200 B CN112650200 B CN 112650200B
- Authority
- CN
- China
- Prior art keywords
- equipment
- fault
- data
- theoretical value
- preset
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种设备故障的诊断方法及诊断装置,其中,所述设备故障的诊断方法包括:根据预设参数获取规则获取设备参数;根据预设理论值模型获取所述设备参数的理论值区间;对比分析所述设备参数及其理论值区间,获得比对结果;根据所述比对结果及设备故障库进行设备故障诊断。本发明通过采用上述方法实现了对设备故障的智能诊断,有效提高了设备故障诊断效率。
Description
技术领域
本发明涉及设备故障诊断技术领域,具体而言,涉及一种设备故障的诊断方法及诊断装置。
背景技术
设备故障诊断是一种给设备“看病”的技术。随着科学技术与生产的发展,设备工作强度不断增大,生产效率、自动化程度越来越高,设备诊断技术日益发挥重要作用,它可使设备无故障、工作可靠,发挥最大效益。
目前主要的诊断方法包括:1、基于专家系统,包括:a、基于浅知识的智能型专家诊断方法;b、基于深知识的智能型专家诊断方法;c、基于浅知识和深知识的智能型专家混合诊断方法;2、基于人工神经网络;3、基于模糊数学;4、基于故障树,其故障诊断的基本步骤如下:①故障检测;②故障类型判断;③故障定位;④故障恢复。故障诊断的主要性能指标包括:1、故障分离能力;2、故障辨识的准确性;3、故障的误报率和漏报率。
现有的故障诊断系统一般是基于浅知识的智能型专家诊断方法。系统通过对特定参数的状态检测,发现设备异常,再通过专家人工判定当前故障的类型,然后进行故障定位和故障恢复等处理流程。现有的故障诊断方法大都停留在理论层面,很难具体实现成软件系统,或是实现出来的系统达不到故障诊断的性能指标的要求,且难于推广。
总体来说,现有的故障诊断系统具有如下缺点:1、不能智能判断故障类型;2、参数异常时,设备不一定是真出了问题,容易误报;3、当设备参数严重偏离正常值时,设备可能已经发生损坏,不能及时进行状态检修;4、基于事件的状态监测,设备异常时会频繁报警,给系统使用带来麻烦;5、只处理单个厂站的设备,无法与同类厂站进行知识共享,无法提供有效的经验数据给设备制造厂,让其对设备工艺进行总结或提升。
针对上述问题,亟需提供一种智能型的可进行知识共享的设备故障的诊断方法及诊断装置。
发明内容
本发明实施例提供了一种设备故障的诊断方法及诊断装置,以至少解决现有技术主要依靠专家人工诊断,效率低下,且无法实现知识共享等技术问题。
根据本发明实施例的一个方面,提供了一种设备故障的诊断方法,包括:根据预设参数获取规则获取设备参数;根据预设理论值模型获取所述设备参数的理论值区间;对比分析所述设备参数及其理论值区间,获得比对结果;根据所述比对结果及设备故障库进行设备故障诊断。
可选地,所述预设参数获取规则为获取过去一定时间段内以一定时间间隔为间距的多组数据;所述设备参数依据实际需要确定,可以为同一设备某一参数不同时刻的数据,也可以为同一设备不同参数不同时刻的数据。
可选地,所述设备故障库包括设备信息、故障类型、故障判定规则,所述故障判定规则包括根据单一设备参数的所述比对结果判断所述设备故障所属的故障类型的规则,和/或根据多个设备参数的所述比对结果经逻辑运算后判断所述设备故障所属的故障类型的规则。
可选地,所述预设理论值模型包括理论值预估模型和振幅确定模型,其中,所述理论值预估模型用于获取所述设备参数的理论值,所述振幅确定模型用于确定所述设备参数的理论值的上下振幅;所述设备参数的理论值区间根据所述设备参数的理论值及其上下振幅确定。
可选地,所述振幅确定模型可根据设备参数历史数据及其与其理论值的差异建立,所述振幅确定模型可根据实际需要进行调整。
可选地,所述理论值预估模型的建立方法包括:将模型训练数据转化为数据矩阵A,其中,同一设备参数不同时刻的数据作为所述数据矩阵A 的行,不同设备参数同一时刻的数据作为所述数据矩阵A的列;采用数据精选算法将所述数据矩阵A转换为精选数据矩阵B;采用特征提取算法将所述精选数据矩阵B转换为特征矩阵C;存储所述精选数据矩阵B和所述特征矩阵C。
优选地,所述模型训练数据由不同设备参数不同时刻的历史数据经数据清洗后获得。
可选地,所述数据清洗包括:按照预设时间段及取值间距对所述历史数据进行筛选;和/或根据预设过滤器对筛选获得的数据进行过滤,所述过滤器包括恒定数据过滤器、超时数据过滤器、参数限值过滤器中的一个或多个;和/或根据过滤指令对异常数据进行过滤。
可选地,所述数据精选算法包括:若所述数据矩阵A的列数小于等于预设值,则将所述数据矩阵A作为精选数据矩阵B;若所述数据矩阵A 的列数大于所述预设值,则将其中每个设备参数的数据按照大小排序,选取其中中位数、平均值、最小值、最大值,直至所选数据量达到所述预设值;其中,若所述数据矩阵A中某一个或多个设备参数的数据中中位数、平均值、最小值、最大值的数量之和不足所述预设值,则依据预设数据筛选规则进行二次数据选取,以使所选数据量总和达到所述预设值。所述预设数据筛选规则可以是按照预设取值间距对剩余数据进行二次筛选,即在所述数据矩阵A中某一个或多个设备参数的数据中中位数、平均值、最小值、最大值的数量之和不足所述预设值的情况下,依据预设取值间距对剩余数据进行二次数据选取,以使所选数据量总和达到所述预设值。所述预设值可根据实际应用进行设定。
可选地,所述特征提取算法为:
C=(BT×B)-1。
可选地,所述设备参数的理论值的获取方法包括:将所述设备参数转换成矩阵U,其中,同一设备参数不同时刻的数据作为所述矩阵U的行,不同设备参数同一时刻的数据作为所述矩阵U的列;采用预估算法获得所述设备参数的理论值矩阵V,所述预估算法为:
V=B×(W÷sum);其中,W=C×(BT×U),sum=ΣWij,Wij为矩阵W的各元素,其中i、j为正整数,分别代表矩阵W的行数和列数,即Wij表示矩阵W中第i行第j列的元素。矩阵V中各元素即为矩阵U中相应各元素的理论值。
可选地,在经诊断确定设备发生故障的情况下,对设备故障发生的时间段进行记录,并根据预设报警规则对所述设备故障进行报警。
可选地,所述预设报警规则包括:若同一设备故障发生的时间段连续且累计超过一定时间,则进行报警;和/或若同一设备故障发生的次数累计超过一定数量,则进行报警。由于个别参数异常或参数在个别时刻异常,不代表设备真的出现故障,设定报警规则可有效避免误报,且可避免频繁报警,给系统带来不必要的麻烦。
可选地,所述设备故障库还包括故障原因,每个所述故障类型对应至少一个所述故障原因;所述设备故障的诊断方法还包括:根据所述故障判定规则判断所述设备故障所属的故障类型后,根据所判定的故障类型确定其对应的故障原因。
可选地,所述设备故障库还包括故障解决办法,每个所述故障原因对应至少一个所述故障解决办法;所述设备故障的诊断方法还包括:根据所判定的故障类型确定其对应的故障原因之后,根据所对应的故障原因确定其对应的故障解决办法。
根据本发明实施例的另一方面,还提供了一种设备故障的诊断装置,包括:获取单元,用于根据预设参数获取规则获取设备参数;逻辑单元,用于根据预设理论值模型获取所述设备参数的理论值区间,并对比分析所述设备参数及其理论值区间,获得比对结果;然后根据所述比对结果及设备故障库进行设备故障诊断;存储单元,用于存储所述预设参数获取规则、所述预设理论值模型、所述比对结果、所述设备故障库。
可选地,所述逻辑单元包括计算子单元、比较子单元、诊断子单元,其中所述计算子单元用于根据预设理论值模型获取所述设备参数的理论值区间;所述比较子单元用于对比分析所述设备参数及其理论值区间,获得比对结果;所述诊断子单元用于根据所述比对结果及设备故障库进行设备故障诊断。
可选地,所述设备故障的诊断装置还包括报警单元,所述报警单元用于在经诊断确定设备发生故障的情况下,根据预设报警规则对所述设备故障进行报警;所述存储单元还用于在经诊断确定设备发生故障的情况下,对设备故障发生的时间段进行记录存储。
根据本发明实施例的另一方面,还提供了一种存储介质,所述存储介质包括存储的程序,其中,所述程序运行时执行上述设备故障的诊断方法。
根据本发明实施例的另一方面,还提供了一种电子装置,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器通过所述计算机程序执行上述设备故障的诊断方法。
在本发明实施例中,通过采用上述方法实现了对设备故障的智能诊断,有效提高了设备故障诊断效率。本发明通过对设备参数进行监测,并根据设备故障库进行设备故障诊断,从而可以及时发现故障隐患,并可根据设备故障库匹配可能的故障原因及解决方案,为有效排除故障起到辅助作用。此外,通过设置报警规则对设备故障进行报警,有效避免误报或频繁报警。再者,设备故障库的建立,使知识共享成为可能,相同或类似设备故障处理的经验得以复制与借鉴,有效提高了故障处理的效率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的设备故障的诊断方法的流程图;
图2是根据本发明实施例的一种可选的设备故障的诊断装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形,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、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例的一方面,提供了一种设备故障的诊断方法实施例,如图1所示,该方法可以包括以下步骤:
步骤102,根据预设参数获取规则获取设备参数;
步骤104,根据预设理论值模型获取所述设备参数的理论值区间;
步骤106,对比分析所述设备参数及其理论值区间,获得比对结果;
步骤108,根据所述比对结果及设备故障库进行设备故障诊断。
其中,所述预设参数获取规则为获取过去一定时间段内以一定时间间隔为间距的多组数据;所述设备参数依据实际需要确定,可以为同一设备参数不同时刻的数据,也可以为不同设备参数不同时刻的数据;所述设备参数可以是同一设备的不同参数,也可以是不同设备的不同参数,本发明不做任何限定。
作为一种优选的实施方式,所述设备故障库包括设备信息、故障类型、故障判定规则,所述故障判定规则包括根据单一设备参数的所述比对结果判断所述设备故障所属的故障类型的规则,和/或根据多个设备参数的所述比对结果经逻辑运算后判断所述设备故障所属的故障类型的规则。所述设备故障库可采用现有技术建立,在此不做限定,本实施方式采用人工录入的方法进行建库。
作为一种具体的实施方式,可采用以下方法建立设备故障库:
(1)完善设备信息
1)建立设备模板:由于同一个型号的设备在不同厂站可能都有使用,为了便于实时监测和对比分析,引入设备模板概念,相同型号的设备从设备模板库导入相关公共信息,并完善个性化配置。设备模板包含:设备本体信息{模板编码:制造厂信息}、设备测点{标准点名,实际测点名}、设备部件{部件编码,故障次数}、设备资料等;
2)建立设备测点(设备参数)命名规范,其结构如:
P{stdName:标准点名(业务点名);fullName:实际测点名(厂站简称.系统简称.实际点名)}
例如XA电厂发电负荷,标准点名为“MW”,实际测点名为“XA.UNIT1.PN0001”。
(2)完善故障类型、故障判定规则
为了便于实施,同时也为了在故障检测和故障诊断时辅助诊断过程,为每个设备模板的设备部件配置一系列设备故障类型{故障编码,故障次数},每个故障类型都有其故障判定规则,便于在故障检测时智能判断发生的异常属于什么类型的故障。设备部件、设备故障类型都有一个计数字段,在故障诊断过程中,如果相应故障出现一次,则对应的计算自增1次。计数越大,说明出现频率越高,可以辅助故障诊断过程。
其中故障判定规则可根据实际应用设定。例如,当故障判定规则为根据两个设备参数的所述比对结果经逻辑与运算后判断所述设备故障所属的故障类型时,该故障判定规则的表达式设定为:isOverrun(‘P1’)& isOverrun(‘P2’),其中,P代表设备测点(即设备参数),isOverrun函数的意义是,当设备参数的理论值与实际值的偏差超出理论值区间时,返回true。
本具体实施方式的设备故障库可用于远程故障诊断平台,通过统一的设备模板和设备参数命名规范将众多设备使用厂站的设备参数以及故障信息进行规范,从而使知识共享得以实现,使不同厂站可以进行经验分享,有效提高了故障处理的效率。
作为一种优选的实施方式,所述预设理论值模型包括理论值预估模型和振幅确定模型,其中,所述理论值预估模型用于获取所述设备参数的理论值,所述振幅确定模型用于确定所述设备参数的理论值的上下振幅;所述设备参数的理论值区间根据所述设备参数的理论值及其上下振幅确定。
可选地,所述振幅确定模型可根据历史数据及其与其理论值的差异建立,所述振幅确定模型可根据实际需要进行调整。
可选地,所述理论值预估模型的建立方法包括:
(1)将模型训练数据转化为数据矩阵A,其中,同一设备参数不同时刻的数据作为所述数据矩阵A的行,不同设备参数同一时刻的数据作为所述数据矩阵A的列;
优选地,所述模型训练数据由不同设备参数不同时刻的历史数据经数据清洗后获得;所述数据清洗包括:按照预设时间段及取值间距对所述历史数据进行筛选;和/或根据预设过滤器对筛选获得的数据进行过滤,所述过滤器包括恒定数据过滤器、超时数据过滤器、参数限值过滤器中的一个或多个;和/或根据过滤指令对异常数据进行过滤;
(2)采用数据精选算法将所述数据矩阵A转换为精选数据矩阵B;
具体地,若所述数据矩阵A的列数小于等于预设值,则将所述数据矩阵A作为精选数据矩阵B;若所述数据矩阵A的列数大于所述预设值,则将其中每个设备参数的数据按照大小排序,选取其中中位数、平均值、最小值、最大值,直至所选数据量达到所述预设值;其中,若所述数据矩阵A中某一个或多个设备参数的数据中中位数、平均值、最小值、最大值的数量之和不足所述预设值,则依据预设规则进行二次数据选取,以使所选数据量总和达到所述预设值。所述预设规则可以是按照预设取值间距对剩余数据进行二次筛选,即在所述数据矩阵A中某一个或多个设备参数的数据中中位数、平均值、最小值、最大值的数量之和不足所述预设值的情况下,依据预设取值间距对剩余数据进行二次数据选取,以使所选数据量总和(=中位数的数量+平均数的数量+最小值的数量+最大值的数量+二次数据选取获得的数据量)达到所述预设值;所述预设值可根据实际应用进行设定;
(3)采用特征提取算法将所述精选数据矩阵B转换为特征矩阵C;
具体地,所述特征提取算法为:C=(BT×B)-1;
(4)存储所述精选数据矩阵B和所述特征矩阵C。
可选地,所述设备参数的理论值的获取方法包括:将所述设备参数转换成矩阵U,其中,同一设备参数不同时刻的数据作为所述矩阵U的行,不同设备参数同一时刻的数据作为所述矩阵U的列;采用预估算法获得所述设备参数的理论值矩阵V,所述预估算法为:
V=B×(W÷sum);其中,W=C×(BT×U),sum=ΣWij,Wij为矩阵W的各元素,其中i、j为正整数,分别代表矩阵W的行数和列数,即Wij表示矩阵W中第i行第j列的元素。矩阵V中各元素即为矩阵U中相应各元素的理论值。
作为一种优选的实施方式,在经诊断确定设备发生故障的情况下,对设备故障发生的时间段进行记录,并根据预设报警规则对所述设备故障进行报警。
可选地,所述预设报警规则包括:若同一设备故障发生的时间段连续且累计超过一定时间,则进行报警;和/或若同一设备故障发生的次数累计超过一定数量,则进行报警。由于个别参数异常或参数在个别时刻异常,不代表设备真的出现故障,设定报警规则可有效避免误报,且可避免频繁报警,给系统带来不必要的麻烦。
作为一种优选的实施方式,所述设备故障库还包括故障原因,每个所述故障类型对应至少一个所述故障原因;所述设备故障的诊断方法还包括:根据所述故障判定规则判断所述设备故障所属的故障类型后,根据所判定的故障类型确定其对应的故障原因。
可选地,所述设备故障库还包括故障解决办法,每个所述故障原因对应至少一个所述故障解决办法;所述设备故障的诊断方法还包括:根据所判定的故障类型确定其对应的故障原因之后,根据所对应的故障原因确定其对应的故障解决办法。
作为一种具体的实施方式,设备故障库包括故障原因和故障解决办法,每个故障类型都配置一系列故障原因{原因编码,引用次数},每个故障原因都配置一系列故障解决办法{解决办法编码,引用次数}。故障原因和故障解决办法都有一个计数字段,在故障诊断过程中,如果相应故障原因、故障解决办法被引用一次,则对应的计算自增1次。计数越大,说明使用频率越高,由于该故障原因造成该类故障的几率越高,采用该故障解决办法消除因该故障原因造成的该类故障的成功率越高,从而可以辅助故障诊断过程。
以下以实例详细阐述本发明一种可选的设备故障的诊断方法:
a、根据预设参数获取规则,获取n个设备参数在过去一小时[k,k+1) 区间内以10分钟为间距的6组数据;
b、根据预设理论值模型,将n×6个设备参数数据转换为矩阵U,采用预估算法获得设备参数的理论值矩阵V,对其中任一设备参数Uij,判断其是否在理论值区间[Vij+ceil,Vij-floor]之内,其中,i、j为正整数,分别代表矩阵U和V的行数和列数,1≤i≤n,1≤j≤6;ceil为相应设备参数的理论值Vij的上振幅,floor为相应设备参数的理论值Vij的下振幅,ceil 和floor根据各设备参数过去半年的测量数据与其理论值之间的差异确定;
c、对比分析各设备参数及其理论值区间,若设备参数在其理论值区间内,则设备参数正常,否则异常,然后将比对结果{标准点名,实际值,预估值,是否超限}存储起来,作为故障判定规则的基础数据;
d、根据所述比对结果及设备故障库进行设备故障诊断,具体地,以 10分钟为间距检索该设备部件对应的所有故障类型的故障判定规则是否满足,如某故障类型的故障判定规则的表达式为:isOverrun(‘P1’)& isOverrun(‘P2’)。执行此表达式时,先执行isOverrun(‘P1’)函数,此函数会去检索比对结果,返回t0时设备参数P1是否超限bool1,同理再执行isOverrun(‘P2’),返回bool2,再执行bool1&bool2,获得时刻t0的表达式是否满足的结果,如果为TRUE则判定该设备发生了当前故障类型的故障,记录此设备的“故障明细”D0时间段为[t0,t0+10)。当多段“故障明细”的半闭半开区间连续时,合并为一条“故障明细”D记录;当“故障明细”D记录累计超过一定时间,则报警,同时,根据设备故障库按照引用次数由高到低的顺利列举所有可能的故障原因以及各故障原因下所有可能的故障解决办法,从而辅助解决故障。为了避免重复报警,将同一故障类型且尚未处理的异常事件记录为一个“故障状态”S,后续的诊断过程主要针对该“故障状态”。当该故障处理流程完结后,才另起一条故障状态记录。
以下详细说明设备参数P1和P2的比对结果、故障明细、故障状态的关系:
如上表所示:
参数P1在时刻{t0,t0+10,t0+20,t0+50}超限;
参数P2在时刻{t0+10,t0+20,t0+30,t0+40,t0+50}超限;
执行故障判定规则表达式:isOverrun(‘P1’)&isOverrun(‘P2’);
可得故障明细D时间段为{[t0+10,t0+30),[t0+50,t0+60)};
若该故障尚未处理,则记故障状态S的时间段为[t0+10,t0+60)。
本具体示例中,每小时按照上述设备故障的诊断方法执行一次设备故障诊断;另外,根据实际应用情况对设备故障库进行更新,具体地,根据实际情况,更新故障判定规则,使其能够更准备地判定故障类型;增加新发现的故障类型和故障判定规则,降低漏报率;丰富故障原因和故障解决办法。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,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,该计算机软件产品存储在一个存储介质(如 ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,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。
根据本发明实施例的另一个方面,还提供了一种用于实施上述设备故障诊断方法的设备故障的诊断装置,该设备故障的诊断装置可以是服务器,也可以是具有计算、存储、通信、显示等功能的终端设备。图2是根据本发明实施例的一种可选的设备故障的诊断装置的示意图,如图2所示,该装置可以包括:获取单元201、逻辑单元203、存储单元205,其中,
获取单元201,用于根据预设参数获取规则获取设备参数;
逻辑单元203,用于根据预设理论值模型获取所述设备参数的理论值区间,并对比分析所述设备参数及其理论值区间,获得比对结果;然后根据所述比对结果及设备故障库进行设备故障诊断;
存储单元205,用于存储所述预设参数获取规则、所述预设理论值模型、所述比对结果、所述设备故障库。
可选地,逻辑单元203包括计算子单元、比较子单元、诊断子单元,其中所述计算子单元用于根据预设理论值模型获取所述设备参数的理论值区间;所述比较子单元用于对比分析所述设备参数及其理论值区间,获得比对结果;所述诊断子单元用于根据所述比对结果及设备故障库进行设备故障诊断。
作为一种优选的实施方式,所述设备故障的诊断装置还包括报警单元,所述报警单元用于在经诊断确定设备发生故障的情况下,根据预设报警规则对所述设备故障进行报警;存储单元205还用于在经诊断确定设备发生故障的情况下,对设备故障发生的时间段进行记录存储。
此处需要说明的是,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在本发明实施例的硬件环境中,可以通过软件实现,也可以通过硬件实现。
根据本发明实施例的另一个方面,还提供了一种用于实施上述设备故障的诊断方法的服务器或终端,可以包括:一个或多个处理器、存储器、以及传输装置,还可以包括输入输出设备。
其中,存储器可用于存储软件程序以及模块,如本发明实施例中的设备故障的诊断方法和装置对应的程序指令/模块,处理器通过运行存储在存储器内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述设备故障的诊断方法。存储器可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至终端。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。
上述的传输装置用于经由一个网络接收或者发送数据,还可以用于处理器与存储器之间的数据传输。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
其中,具体地,存储器用于存储应用程序。
处理器可以通过传输装置调用存储器存储的应用程序,以执行下述步骤:
根据预设参数获取规则获取设备参数;
根据预设理论值模型获取所述设备参数的理论值区间;
对比分析所述设备参数及其理论值区间,获得比对结果;
根据所述比对结果及设备故障库进行设备故障诊断。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例在此不再赘述。
本领域普通技术人员可以理解,终端可以是具有计算、存储、通信、显示等功能的任何终端设备。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器 (Read-Only Memory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
本发明的实施例还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于执行设备故障的诊断方法的程序代码。
可选地,在本实施例中,上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:
根据预设参数获取规则获取设备参数;
根据预设理论值模型获取所述设备参数的理论值区间;
对比分析所述设备参数及其理论值区间,获得比对结果;
根据所述比对结果及设备故障库进行设备故障诊断。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例在此不再赘述。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的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,可以存储在上述计算机可读取的存储介质中。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全部或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存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、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。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,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,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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。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。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种厂站设备故障的诊断方法,其特征在于,包括:
根据预设参数获取规则获取设备参数;
根据预设理论值模型获取所述设备参数的理论值区间;
对比分析所述设备参数及其理论值区间,获得比对结果;
根据所述比对结果及设备故障库进行设备故障诊断;
其中,所述预设理论值模型包括理论值预估模型和振幅确定模型,所述理论值预估模型用于获取所述设备参数的理论值,所述振幅确定模型用于确定所述设备参数的理论值的上下振幅;所述设备参数的理论值区间根据所述设备参数的理论值及其上下振幅确定;
所述理论值预估模型的建立方法包括:
将模型训练数据转化为数据矩阵A,其中,同一设备参数不同时刻的数据作为所述数据矩阵A的行,不同设备参数同一时刻的数据作为所述数据矩阵A的列;
若所述数据矩阵A的列数小于等于预设值,则将所述数据矩阵A作为精选数据矩阵B;若所述数据矩阵A的列数大于所述预设值,则将其中每个设备参数的数据按照大小排序,选取其中中位数、平均值、最小值、最大值,直至所选数据量达到所述预设值;其中,若所述数据矩阵A中某一个或多个设备参数的数据中中位数、平均值、最小值、最大值的数量之和不足所述预设值,则依据预设数据筛选规则进行二次数据选取,以使所选数据量总和达到所述预设值;
采用以下公式将所述精选数据矩阵B转换为特征矩阵C:C=(BT×B)-1;
存储所述精选数据矩阵B和所述特征矩阵C;
所述设备参数的理论值的获取方法包括:
将所述设备参数转换成矩阵U,其中,同一设备参数不同时刻的数据作为所述矩阵U的行,不同设备参数同一时刻的数据作为所述矩阵U的列;
采用预估算法获得所述设备参数的理论值矩阵V,所述预估算法为:
V=B×(W÷sum);
其中,W=C×(BT×U),sum=ΣWij,Wij为矩阵W的各元素。
2.根据权利要求1所述的厂站设备故障的诊断方法,其特征在于,所述设备故障库包括设备信息、故障类型、故障判定规则,所述故障判定规则包括根据单一设备参数的所述比对结果判断所述设备故障所属的故障类型的规则,和/或根据多个设备参数的所述比对结果经逻辑运算后判断所述设备故障所属的故障类型的规则。
3.根据权利要求1或2所述的厂站设备故障的诊断方法,其特征在于,所述模型训练数据由不同设备参数不同时刻的历史数据经数据清洗后获得。
4.根据权利要求1所述的厂站设备故障的诊断方法,其特征在于,在经诊断确定设备发生故障的情况下,对设备故障发生的时间段进行记录,并根据预设报警规则对所述设备故障进行报警。
5.根据权利要求4所述的厂站设备故障的诊断方法,其特征在于,所述预设报警规则包括:若同一设备故障发生的时间段连续且累计超过一定时间,则进行报警;和/或若同一设备故障发生的次数累计超过一定数量,则进行报警。
6.根据权利要求2所述的厂站设备故障的诊断方法,其特征在于,所述设备故障库还包括故障原因,每个所述故障类型对应至少一个所述故障原因;所述设备故障的诊断方法还包括:根据所述故障判定规则判断所述设备故障所属的故障类型后,根据所判定的故障类型确定其对应的故障原因。
7.根据权利要求6所述的厂站设备故障的诊断方法,其特征在于,所述设备故障库还包括故障解决办法,每个所述故障原因对应至少一个所述故障解决办法;所述设备故障的诊断方法还包括:根据所判定的故障类型确定其对应的故障原因之后,根据所对应的故障原因确定其对应的故障解决办法。
8.一种厂站设备故障的诊断装置,用于执行权利要求1-7中任一项所述的厂站设备故障的诊断方法,其特征在于,包括:
获取单元,用于根据预设参数获取规则获取设备参数;
逻辑单元,用于根据预设理论值模型获取所述设备参数的理论值区间,并对比分析所述设备参数及其理论值区间,获得比对结果;然后根据所述比对结果及设备故障库进行设备故障诊断;
存储单元,用于存储所述预设参数获取规则、所述预设理论值模型、所述比对结果、所述设备故障库。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序运行时执行上述权利要求1至7任一项中所述的方法。
10.一种电子装置,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器通过所述计算机程序执行上述权利要求1至7任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011568123.7A CN112650200B (zh) | 2020-12-25 | 2020-12-25 | 一种厂站设备故障的诊断方法及诊断装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011568123.7A CN112650200B (zh) | 2020-12-25 | 2020-12-25 | 一种厂站设备故障的诊断方法及诊断装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112650200A CN112650200A (zh) | 2021-04-13 |
CN112650200B true CN112650200B (zh) | 2022-08-30 |
Family
ID=75363391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011568123.7A Active CN112650200B (zh) | 2020-12-25 | 2020-12-25 | 一种厂站设备故障的诊断方法及诊断装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112650200B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686389A (zh) * | 2020-12-25 | 2021-04-20 | 中能融安(北京)科技有限公司 | 一种设备参数最优值的预估方法及预估装置 |
CN113820114B (zh) * | 2021-09-23 | 2024-02-20 | 重庆中烟工业有限责任公司黔江卷烟厂 | 卷烟机故障智能诊断方法、装置及计算机可读存储介质 |
CN114104224B (zh) * | 2021-11-15 | 2023-05-16 | 中国船舶集团有限公司第七一一研究所 | 设备管理方法、装置、电子设备及计算机可读存储介质 |
CN115973125B (zh) * | 2023-02-15 | 2023-06-06 | 慧铁科技有限公司 | 一种处理铁路货车脱轨自动制动装置故障的方法 |
CN117055537B (zh) * | 2023-10-12 | 2024-01-02 | 深圳丰汇汽车电子有限公司 | 一种基于物联网的摩托车电控系统故障诊断方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111121971A (zh) * | 2019-12-18 | 2020-05-08 | 广西电网有限责任公司电力科学研究院 | 一种通过高压开关柜表面温度变化判断故障类型的方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5277667B2 (ja) * | 2008-03-07 | 2013-08-28 | 日本電気株式会社 | 障害分析システム、障害分析方法、障害分析サーバおよび障害分析プログラム |
JP2018116545A (ja) * | 2017-01-19 | 2018-07-26 | オムロン株式会社 | 予測モデル作成装置、生産設備監視システム、及び生産設備監視方法 |
CN107590506B (zh) * | 2017-08-17 | 2018-06-15 | 北京航空航天大学 | 一种基于特征处理的复杂设备故障诊断方法 |
CN110647830B (zh) * | 2019-09-12 | 2021-12-03 | 华中科技大学 | 基于卷积神经网络和高斯混合模型的轴承故障诊断方法 |
CN110794305B (zh) * | 2019-10-14 | 2021-03-16 | 北京理工大学 | 一种动力电池故障诊断方法和系统 |
CN111060337B (zh) * | 2019-12-05 | 2022-05-06 | 杭州哲达科技股份有限公司 | 一种基于专家系统的运转设备实时故障诊断方法 |
CN111191950B (zh) * | 2020-01-03 | 2023-04-07 | 国电联合动力技术有限公司 | 风电机组齿轮箱油温异常分析方法及装置 |
CN111626153B (zh) * | 2020-05-13 | 2022-10-18 | 电子科技大学 | 一种基于集成学习的局放故障状态识别方法 |
-
2020
- 2020-12-25 CN CN202011568123.7A patent/CN112650200B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111121971A (zh) * | 2019-12-18 | 2020-05-08 | 广西电网有限责任公司电力科学研究院 | 一种通过高压开关柜表面温度变化判断故障类型的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112650200A (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112650200B (zh) | 一种厂站设备故障的诊断方法及诊断装置 | |
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN113176978B (zh) | 基于日志文件的监控方法、系统、设备及可读存储介质 | |
CN113516244B (zh) | 一种智能运维方法、装置、电子设备及存储介质 | |
CN113282635A (zh) | 一种微服务系统故障根因定位方法及装置 | |
CN110634081A (zh) | 一种水电站异常数据的处理方法及装置 | |
CN113542017A (zh) | 基于网络拓扑和多指标的一种网络故障定位方法 | |
CN107527134A (zh) | 一种基于大数据的配电变压器状态评估方法及装置 | |
CN114548437A (zh) | 一种基于工业物联网的旋转设备智能运维系统及运维方法 | |
CN113392893A (zh) | 业务故障的定位方法、装置、存储介质及计算机程序产品 | |
CN113887749A (zh) | 基于云边协同的电力物联网多维度监控处置方法、设备及平台 | |
CN113487086B (zh) | 设备剩余使用寿命预测方法、装置、计算机设备和介质 | |
CN113676343B (zh) | 电力通信网故障源定位方法及装置 | |
CN114444570A (zh) | 故障检测的方法、装置、电子设备及介质 | |
CN112904148A (zh) | 智能电缆运行监测系统、方法及装置 | |
CN116468423A (zh) | 一种运维应急协同方法、系统和终端设备 | |
CN114297453B (zh) | 告警预测方法、装置、电子设备及存储介质 | |
CN114500178B (zh) | 一种自运维的智慧物联网关 | |
CN116302795A (zh) | 一种基于人工智能的终端运维系统及方法 | |
CN115766793A (zh) | 一种基于数据中心机房基础环境监测报警装置 | |
CN110704508B (zh) | 一种智能生产线异常数据的处理方法及装置 | |
CN109492913B (zh) | 一种配电终端的模块化风险预测方法、装置及可存储介质 | |
CN115858606A (zh) | 时序数据的异常检测方法、装置、设备及存储介质 | |
CN114003466A (zh) | 一种用于微服务应用程序的故障根因定位方法 | |
CN115514620B (zh) | 一种异常检测的方法和云网络平台 |
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 |