CN112729884A - 基于大数据的设备故障诊断方法及装置 - Google Patents

Abstract

本发明适用于故障诊断技术领域，提供了一种基于大数据的设备故障诊断方法及装置，该方法包括：获取预设时间段内的待测设备的电力数据，根据电力数据中的声音数据或温度数据，确定待测设备的工作模式；根据待测设备的工作模式下对应的声音‑温度关系曲线，计算电力数据中声音平均值或温度平均值到声音‑温度关系曲线的距离；当距离大于或等于预设阈值时，确定待测设备为故障设备；采集故障设备的电力数据对应位置的多张红外图像，对多张红外图像进行特征分析，确定待测设备的故障位置。本发明从而不仅可以确定故障设备，还可以精确定位故障设备的故障位置，降低故障确定时间、提供故障确定效率，且为下一步的维修工作提供便利。

Description

基于大数据的设备故障诊断方法及装置

技术领域

本发明属于故障诊断技术领域，尤其涉及一种基于大数据的设备故障诊断方法及装置。

背景技术

随着科学技术的迅速发展，对于电力行业的要求也得到了逐步的提升。目前，我国大力发展智能变电站，构建大数据平台。由于电力设备长期处于运行状态，同时受环境等因素的影响，会产生不同的故障，从而对电力系统的安全、稳定造成一定的危害，因此电力设备的故障检测与分析是智能电网中非常重要的一环。

目前，多数的故障检测还是依靠现场工作人员进行人工分析诊断，这种传统的巡检故障方式不仅耗时长、危险性高、浪费人力物力，而且容易受到个人经验的影响，导致无法准确确定电力设备的故障。

发明内容

有鉴于此，本发明实施例提供了一种基于大数据的设备故障诊断方法及装置，旨在解决现有技术中无法准确确定电力设备的故障的问题。

为实现上述目的，本发明实施例的第一方面提供了一种基于大数据的设备故障诊断方法，包括：

获取预设时间段内的待测设备的电力数据，所述电力数据包括声音数据和温度数据；

根据所述电力数据中的声音数据或温度数据，确定所述待测设备的工作模式；

根据所述待测设备的工作模式下对应的声音-温度关系曲线，计算所述电力数据中声音平均值或温度平均值到所述声音-温度关系曲线的距离；

当所述距离大于或等于预设阈值时，确定所述待测设备为故障设备；

采集所述故障设备的所述电力数据对应位置的多张红外图像，对所述多张红外图像进行特征分析，确定所述待测设备的故障位置。

作为本申请另一实施例，还包括：

建立故障设备的维修监控时间表；

当在所述维修监控时间表中添加新的故障设备名称后，启动时间计时；

当计时时间大于或等于预设时间阈值时，发送提醒信息。

作为本申请另一实施例，所述维修监控时间表中包括至少两个监控时间点；

当计时时间大于或等于第一监控时间点对应的时刻时，发送提醒信息；

当计时时间大于或等于第二监控时间点对应的时刻时，发送报警信息；

所述第二监控时间点大于所述第一监控时间点。

作为本申请另一实施例，当所述故障设备维修完成后，结束时间计时，并将所示故障设备名称从所述维修监控时间表中删除。

作为本申请另一实施例，所述根据所述电力数据中的声音数据或温度数据，确定所述待测设备的工作模式，包括：

获取所述待测设备在不同工作模式下对应的声音数据范围和温度数据范围；

将所述电力数据中的声音数据分别与不同工作模式下声音数据范围内的数据进行对比，当所述电力数据中的声音数据在对应的第一电力数据参数范围内时，确定所述待测设备的工作模式为所述第一电力数据参数范围对应的工作模式；

或者，将所述电力数据中的温度数据分别与不同工作模式下温度数据范围内的数据进行对比，当所述电力数据中的温度数据在对应的第二电力数据参数范围内时，确定所述待测设备的工作模式为所述第二电力数据参数范围对应的工作模式。

作为本申请另一实施例，所述声音-温度关系曲线包括声音-温度曲线或者温度-声音曲线；

在所述获取预设时间段内的待测设备的电力数据之前，还包括：

获取与所述待测设备同类型、无故障设备在不同工作模式下的电力数据，得到不同工作模式下对应的声音-温度曲线或者温度-声音曲线。

作为本申请另一实施例，所述根据所述待测设备的工作模式下对应的声音-温度关系曲线，计算所述电力数据中声音平均值或温度平均值到所述声音-温度关系曲线的距离，包括：

当通过所述声音数据确定的所述待测设备的工作模式时，根据所述待测设备的工作模式下对应的声音-温度曲线，计算所述声音平均值和所述温度平均值构成的坐标点到所述声音-温度曲线的距离；

当通过所述温度数据确定的所述待测设备的工作模式时，根据所述待测设备的工作模式下对应的温度-声音曲线，计算所述温度平均值和所述声音平均值构成的坐标点到所述温度-声音曲线的距离。

作为本申请另一实施例，在所述采集所述故障设备的所述电力数据对应位置的多张红外图像，对所述多张红外图像进行特征分析，确定所述待测设备的故障位置之前，还包括：

获取与所述待测设备同类型设备的各个故障部位的多张第一红外图像；

将所述多张第一红外图像划分为训练红外图像和测试红外图像；

采用所述训练红外图像对预设模型进行训练，得到训练模型；

采用所述测试红外图像对所述训练模型进行测试，得到分类后的故障部位红外图像，当分类后的故障部位红外图像的正确率大于或等于预设阈值时，确定所述训练模型为目标模型。

作为本申请另一实施例，所述对所述多张红外图像进行特征分析，确定所述待测设备的故障位置，包括：

将所述多张红外图像输入所述目标模型中进行故障分类，确定所述待测设备的故障位置。

本发明实施例的第二方面提供了一种基于大数据的设备故障诊断装置，包括：

获取模块，用于获取预设时间段内的待测设备的电力数据，所述电力数据包括声音数据和温度数据；

确定模块，用于根据所述电力数据中的声音数据或温度数据，确定所述待测设备的工作模式；

计算模块，用于根据所述待测设备的工作模式下对应的声音-温度关系曲线，计算所述电力数据中声音平均值或温度平均值到所述声音-温度关系曲线的距离；

诊断模块，用于当所述距离大于或等于预设阈值时，确定所述待测设备为故障设备；

采集模块，用于采集所述故障设备的所述电力数据对应位置的多张红外图像；

所述诊断模块，还用于对所述多张红外图像进行特征分析，确定所述待测设备的故障位置。

本发明实施例与现有技术相比存在的有益效果是：与现有技术相比，本发明根据获取的待测设备的电力数据与预设的声音-温度关系曲线的对比，确定待测设备是否为故障设备，在确定待测设备为故障设备后，进一步通过采集故障设备的红外图像确定待测设备的故障位置，从而不仅可以确定故障设备，还可以精确定位故障设备的故障位置，降低故障确定时间、提供故障确定效率，且为下一步的维修工作提供便利。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的基于大数据的设备故障诊断方法的实现流程示意图；

图2是本发明实施例提供的基于大数据的设备故障诊断装置的示例图；

图3是本发明另一实施例提供的基于大数据的设备故障诊断装置的示意图；

图4是本发明实施例提供的端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

图1为本发明实施例提供的一种基于大数据的设备故障诊断方法的实现流程示意图，详述如下。

步骤101，获取预设时间段内的待测设备的电力数据，所述电力数据包括声音数据和温度数据。

可选的，预设时间段可以根据需求进行设置，在本实施例中不限定预设时间段的取值。但是预设时间段为待测设备在同一工作模式下对应的时间段。

可选的，电力数据还可以包括其他数据，例如电流数据、电压数据，在本实施例中通过声音数据和温度数据进行故障检测，因此可以采集预设时间段内的多个声音数据和对应的温度数据。

可选的，可以在待测设备的不同位置设置声音传感器和温度传感器。

步骤102，根据所述电力数据中的声音数据或温度数据，确定所述待测设备的工作模式。

可选的，工作模式可以包括停机模式、运行模式以及休眠模式。

可选的，在本步骤中根据所述电力数据中的声音数据或温度数据，确定所述待测设备的工作模式，可以包括：

获取所述待测设备在不同工作模式下对应的声音数据范围和温度数据范围；

将所述电力数据中的声音数据分别与不同工作模式下声音数据范围内的数据进行对比，当所述电力数据中的声音数据在对应的第一电力数据参数范围内时，确定所述待测设备的工作模式为所述第一电力数据参数范围对应的工作模式；

或者，将所述电力数据中的温度数据分别与不同工作模式下温度数据范围内的数据进行对比，当所述电力数据中的温度数据在对应的第二电力数据参数范围内时，确定所述待测设备的工作模式为所述第二电力数据参数范围对应的工作模式。

在本实施例中，由于待测设备在不同工作模式下的声音数据和温度数据不同，例如，待测设备在停机模式下的声音数据可以为0，在运行模式下声音数据可以为150分贝，在待机模式下声音数据可以为60分贝等，待测设备在停机模式下的温度数据可以为10摄氏度，在运行模式下温度数据可以为80摄氏度，在待机模式下声音数据可以为40摄氏度，因此可以通过历史数据获取待测设备在不同工作模式下对应的声音数据范围和温度数据范围。

在本实施例中，分别通过声音数据或温度数据确定待测设备的工作模式，以便以声音数据或温度数据为基础确定对应的温度数据或声音数据是否为正常设备对应的数据，从而确定待测设备是否发生故障。

步骤103，根据所述待测设备的工作模式下对应的声音-温度关系曲线，计算所述电力数据中声音平均值或温度平均值到所述声音-温度关系曲线的距离。

可选的，声音-温度关系曲线包括声音-温度曲线或者温度-声音曲线，即声音-温度曲线所在坐标系的横坐标为声音数据，纵坐标为温度数据，温度-声音曲线所在坐标系的横坐标为温度数据，纵坐标为声音数据。

可选的，在所述获取预设时间段内的待测设备的电力数据之前，还可以包括：

获取与所述待测设备同类型、无故障设备在不同工作模式下的电力数据，得到不同工作模式下对应的声音-温度曲线或者温度-声音曲线。

可选的，声音平均值为步骤101中获取的电力数据中多个声音数据的平均值，同理，温度平均值为步骤101中获取的电力数据中多个温度数据的平均值。

可选的，计算所述电力数据中声音平均值或温度平均值到所述声音-温度关系曲线的距离，可以包括：

当通过所述声音数据确定的所述待测设备的工作模式时，根据所述待测设备的工作模式下对应的声音-温度曲线，计算所述声音平均值和所述温度平均值构成的坐标点到所述声音-温度曲线的距离。

即确定声音-温度曲线中所述声音平均值对应的温度数据，计算所述温度数据与所述温度平均值的差值，将所述差值作为所述声音平均值和所述温度平均值构成的坐标点到所述声音-温度曲线的距离。

当通过所述温度数据确定的所述待测设备的工作模式时，根据所述待测设备的工作模式下对应的温度-声音曲线，计算所述温度平均值和所述声音平均值构成的坐标点到所述温度-声音曲线的距离。

即确定温度-声音曲线中所述温度平均值对应的声音数据，计算所述声音数据与所述声音平均值的差值，将所述差值作为所述温度平均值和所述声音平均值构成的坐标点到所述温度-声音曲线的距离。

步骤104，当所述距离大于或等于预设阈值时，确定所述待测设备为故障设备。

可选的，预设阈值可以根据实际需求确定，不同的设备对应的预设阈值不同，在本实施例中不限定预设阈值的取值。

可选的，当所述距离小于预设阈值时，则所述待测设备不是故障设备。

步骤105，采集所述故障设备的所述电力数据对应位置的多张红外图像，对所述多张红外图像进行特征分析，确定所述待测设备的故障位置。

可选的，在确定故障设备之后，有时候无法精确确定故障设备的故障位置，因此在本实施例中可以通过采集红外图像的方式定位故障设备的故障位置。

可选的，在本步骤之前，还可以包括提取故障位置的特征的训练分类器，具体如下：

获取与所述待测设备同类型设备的各个故障部位的多张第一红外图像；

将所述多张第一红外图像划分为训练红外图像和测试红外图像；

采用所述训练红外图像对预设模型进行训练，得到训练模型；

采用所述测试红外图像对所述训练模型进行测试，得到分类后的故障部位红外图像，当分类后的故障部位红外图像的正确率大于或等于预设阈值时，确定所述训练模型为目标模型。

可选的，本步骤中对所述多张红外图像进行特征分析，确定所述待测设备的故障位置，可以包括：

将所述多张红外图像输入所述目标模型中进行故障分类，确定所述待测设备的故障位置。

可选的，在步骤104或者步骤105之后，还可以包括：

建立故障设备的维修监控时间表；

当在所述维修监控时间表中添加新的故障设备名称后，启动时间计时；

当计时时间大于或等于预设时间阈值时，发送提醒信息。

可选的，维修监控时间表中可以包括多个维修监控时间点，以便在维修监控时间点到达时，进行不同级别的提醒。

可选的，所述维修监控时间表中包括至少两个监控时间点；

当计时时间大于或等于第一监控时间点对应的时刻时，发送提醒信息；

当计时时间大于或等于第二监控时间点对应的时刻时，发送报警信息；

所述第二监控时间点大于所述第一监控时间点。

例如，第一监控时间点和第二监控时间点可以根据设备的使用频率进行设置，也可以根据设备的重要程度进行设置，在本实施例中不限定第一监控时间点和第二监控时间点的取值。第一监控时间点和第二监控时间点对应的时间单位可以为小时、天或者周等。

可选的，当所述故障设备维修完成后，结束时间计时，并将所示故障设备名称从所述维修监控时间表中删除。

上述基于大数据的设备故障诊断方法，通过根据获取的待测设备的电力数据与预设的声音-温度关系曲线的对比，确定待测设备是否为故障设备，在确定待测设备为故障设备后，进一步通过采集故障设备的红外图像确定待测设备的故障位置，从而不仅可以确定故障设备，还可以精确定位故障设备的故障位置，降低故障确定时间、提供故障确定效率，且为下一步的维修工作提供便利。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

对应于上文实施例所述的基于大数据的设备故障诊断方法，图2示出了本发明实施例提供的基于大数据的设备故障诊断装置的示例图。如图2所示，该装置可以包括：获取模块201、确定模块202、计算模块203、诊断模块204和采集模块205。

获取模块201，用于获取预设时间段内的待测设备的电力数据，所述电力数据包括声音数据和温度数据；

确定模块202，用于根据所述电力数据中的声音数据或温度数据，确定所述待测设备的工作模式；

计算模块203，用于根据所述待测设备的工作模式下对应的声音-温度关系曲线，计算所述电力数据中声音平均值或温度平均值到所述声音-温度关系曲线的距离；

诊断模块204，用于当所述距离大于或等于预设阈值时，确定所述待测设备为故障设备；

采集模块205，用于采集所述故障设备的所述电力数据对应位置的多张红外图像；

所述诊断模块204，还用于对所述多张红外图像进行特征分析，确定所述待测设备的故障位置。

可选的，如图3所示，所述基于大数据的设备故障诊断装置还包括：监控模块206，用于建立故障设备的维修监控时间表；

当在所述维修监控时间表中添加新的故障设备名称后，启动时间计时；

当计时时间大于或等于预设时间阈值时，发送提醒信息。

可选的，所述维修监控时间表中包括至少两个监控时间点。

所述监控模块206，用于当计时时间大于或等于第一监控时间点对应的时刻时，发送提醒信息；以及当计时时间大于或等于第二监控时间点对应的时刻时，发送报警信息；

所述第二监控时间点大于所述第一监控时间点。

可选的，所述监控模块206，还用于当所述故障设备维修完成后，结束时间计时，并将所示故障设备名称从所述维修监控时间表中删除。

可选的，所述确定模块202，可以用于：

获取所述待测设备在不同工作模式下对应的声音数据范围和温度数据范围；

将所述电力数据中的声音数据分别与不同工作模式下声音数据范围内的数据进行对比，当所述电力数据中的声音数据在对应的第一电力数据参数范围内时，确定所述待测设备的工作模式为所述第一电力数据参数范围对应的工作模式；

或者，将所述电力数据中的温度数据分别与不同工作模式下温度数据范围内的数据进行对比，当所述电力数据中的温度数据在对应的第二电力数据参数范围内时，确定所述待测设备的工作模式为所述第二电力数据参数范围对应的工作模式。

可选额的，所述声音-温度关系曲线包括声音-温度曲线或者温度-声音曲线；

所述获取模块201还可以包括：

获取与所述待测设备同类型、无故障设备在不同工作模式下的电力数据，得到不同工作模式下对应的声音-温度曲线或者温度-声音曲线。

可选的，所述计算模块203根据所述待测设备的工作模式下对应的声音-温度关系曲线，计算所述电力数据中声音平均值或温度平均值到所述声音-温度关系曲线的距离时，可以用于：

当通过所述声音数据确定的所述待测设备的工作模式时，根据所述待测设备的工作模式下对应的声音-温度曲线，计算所述声音平均值和所述温度平均值构成的坐标点到所述声音-温度曲线的距离；

当通过所述温度数据确定的所述待测设备的工作模式时，根据所述待测设备的工作模式下对应的温度-声音曲线，计算所述温度平均值和所述声音平均值构成的坐标点到所述温度-声音曲线的距离。

可选的，所述诊断模块204还可以用于：

获取与所述待测设备同类型设备的各个故障部位的多张第一红外图像；

将所述多张第一红外图像划分为训练红外图像和测试红外图像；

采用所述训练红外图像对预设模型进行训练，得到训练模型；

采用所述测试红外图像对所述训练模型进行测试，得到分类后的故障部位红外图像，当分类后的故障部位红外图像的正确率大于或等于预设阈值时，确定所述训练模型为目标模型。

可选的，所述诊断模块204对所述多张红外图像进行特征分析，确定所述待测设备的故障位置时，可以用于：

将所述多张红外图像输入所述目标模型中进行故障分类，确定所述待测设备的故障位置。

上述基于大数据的设备故障诊断装置，通过根据获取的待测设备的电力数据与预设的声音-温度关系曲线的对比，确定待测设备是否为故障设备，在确定待测设备为故障设备后，进一步通过采集故障设备的红外图像确定待测设备的故障位置，从而不仅可以确定故障设备，还可以精确定位故障设备的故障位置，降低故障确定时间、提供故障确定效率，且为下一步的维修工作提供便利。

图4是本发明一实施例提供的终端设备的示意图。如图4所示，该实施例的终端设备400包括：处理器401、存储器402以及存储在所述存储器402中并可在所述处理器401上运行的计算机程序403，例如基于大数据的设备故障诊断程序。所述处理器401执行所述计算机程序403时实现上述基于大数据的设备故障诊断方法实施例中的步骤，例如图1所示的步骤101至105，所述处理器401执行所述计算机程序403时实现上述各装置实施例中各模块的功能，例如图2所示模块201至205的功能。

示例性的，所述计算机程序403可以被分割成一个或多个程序模块，所述一个或者多个程序模块被存储在所述存储器402中，并由所述处理器401执行，以完成本发明。所述一个或多个程序模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序403在所述基于大数据的设备故障诊断装置或者终端设备400中的执行过程。例如，所述计算机程序403可以被分割成获取模块201、确定模块202、计算模块203、诊断模块204和采集模块205，各模块具体功能如图2所示，在此不再一一赘述。

所述终端设备400可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器401、存储器402。本领域技术人员可以理解，图4仅仅是终端设备400的示例，并不构成对终端设备400的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器401可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)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。

所述存储器402可以是所述终端设备400的内部存储单元，例如终端设备400的硬盘或内存。所述存储器402也可以是所述终端设备400的外部存储设备，例如所述终端设备400上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器402还可以既包括所述终端设备400的内部存储单元也包括外部存储设备。所述存储器402用于存储所述计算机程序以及所述终端设备400所需的其他程序和数据。所述存储器402还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，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或记载的部分，可以参见其它实施例的相关描述。

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。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，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。

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。

所述集成的模块/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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于大数据的设备故障诊断方法，其特征在于，包括：

获取预设时间段内的待测设备的电力数据，所述电力数据包括声音数据和温度数据；

根据所述电力数据中的声音数据或温度数据，确定所述待测设备的工作模式；

根据所述待测设备的工作模式下对应的声音-温度关系曲线，计算所述电力数据中声音平均值或温度平均值到所述声音-温度关系曲线的距离；

当所述距离大于或等于预设阈值时，确定所述待测设备为故障设备；

采集所述故障设备的所述电力数据对应位置的多张红外图像，对所述多张红外图像进行特征分析，确定所述待测设备的故障位置。

2.如权利要求1所述的基于大数据的设备故障诊断方法，其特征在于，还包括：

建立故障设备的维修监控时间表；

当在所述维修监控时间表中添加新的故障设备名称后，启动时间计时；

当计时时间大于或等于预设时间阈值时，发送提醒信息。

3.如权利要求2所述的基于大数据的设备故障诊断方法，其特征在于，所述维修监控时间表中包括至少两个监控时间点；

当计时时间大于或等于第一监控时间点对应的时刻时，发送提醒信息；

当计时时间大于或等于第二监控时间点对应的时刻时，发送报警信息；

所述第二监控时间点大于所述第一监控时间点。

4.如权利要求3所述的基于大数据的设备故障诊断方法，其特征在于，当所述故障设备维修完成后，结束时间计时，并将所示故障设备名称从所述维修监控时间表中删除。

5.如权利要求1-4中任一项所述的基于大数据的设备故障诊断方法，其特征在于，所述根据所述电力数据中的声音数据或温度数据，确定所述待测设备的工作模式，包括：

获取所述待测设备在不同工作模式下对应的声音数据范围和温度数据范围；

将所述电力数据中的声音数据分别与不同工作模式下声音数据范围内的数据进行对比，当所述电力数据中的声音数据在对应的第一电力数据参数范围内时，确定所述待测设备的工作模式为所述第一电力数据参数范围对应的工作模式；

或者，将所述电力数据中的温度数据分别与不同工作模式下温度数据范围内的数据进行对比，当所述电力数据中的温度数据在对应的第二电力数据参数范围内时，确定所述待测设备的工作模式为所述第二电力数据参数范围对应的工作模式。

6.如权利要求5所述的基于大数据的设备故障诊断方法，其特征在于，所述声音-温度关系曲线包括声音-温度曲线或者温度-声音曲线；

在所述获取预设时间段内的待测设备的电力数据之前，还包括：

获取与所述待测设备同类型、无故障设备在不同工作模式下的电力数据，得到不同工作模式下对应的声音-温度曲线或者温度-声音曲线。

7.如权利要求6所述的基于大数据的设备故障诊断方法，其特征在于，所述根据所述待测设备的工作模式下对应的声音-温度关系曲线，计算所述电力数据中声音平均值或温度平均值到所述声音-温度关系曲线的距离，包括：

当通过所述声音数据确定的所述待测设备的工作模式时，根据所述待测设备的工作模式下对应的声音-温度曲线，计算所述声音平均值和所述温度平均值构成的坐标点到所述声音-温度曲线的距离；

当通过所述温度数据确定的所述待测设备的工作模式时，根据所述待测设备的工作模式下对应的温度-声音曲线，计算所述温度平均值和所述声音平均值构成的坐标点到所述温度-声音曲线的距离。

8.如权利要求1-4中任一项所述的基于大数据的设备故障诊断方法，其特征在于，在所述采集所述故障设备的所述电力数据对应位置的多张红外图像，对所述多张红外图像进行特征分析，确定所述待测设备的故障位置之前，还包括：

获取与所述待测设备同类型设备的各个故障部位的多张第一红外图像；

将所述多张第一红外图像划分为训练红外图像和测试红外图像；

采用所述训练红外图像对预设模型进行训练，得到训练模型；

采用所述测试红外图像对所述训练模型进行测试，得到分类后的故障部位红外图像，当分类后的故障部位红外图像的正确率大于或等于预设阈值时，确定所述训练模型为目标模型。

9.如权利要求8所述的基于大数据的设备故障诊断方法，其特征在于，所述对所述多张红外图像进行特征分析，确定所述待测设备的故障位置，包括：

将所述多张红外图像输入所述目标模型中进行故障分类，确定所述待测设备的故障位置。

10.一种基于大数据的设备故障诊断装置，其特征在于，包括：

获取模块，用于获取预设时间段内的待测设备的电力数据，所述电力数据包括声音数据和温度数据；

确定模块，用于根据所述电力数据中的声音数据或温度数据，确定所述待测设备的工作模式；

计算模块，用于根据所述待测设备的工作模式下对应的声音-温度关系曲线，计算所述电力数据中声音平均值或温度平均值到所述声音-温度关系曲线的距离；

诊断模块，用于当所述距离大于或等于预设阈值时，确定所述待测设备为故障设备；

采集模块，用于采集所述故障设备的所述电力数据对应位置的多张红外图像；

所述诊断模块，还用于对所述多张红外图像进行特征分析，确定所述待测设备的故障位置。

Images