CN112816898B - 电瓶故障预测方法、装置、电子设备和存储介质 - Google Patents
电瓶故障预测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112816898B CN112816898B CN202110105274.7A CN202110105274A CN112816898B CN 112816898 B CN112816898 B CN 112816898B CN 202110105274 A CN202110105274 A CN 202110105274A CN 112816898 B CN112816898 B CN 112816898B
- Authority
- CN
- China
- Prior art keywords
- battery
- data
- engineering data
- failure prediction
- battery failure
- 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
- 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
- G01R31/40—Testing power supplies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种电瓶故障预测方法、装置、电子设备和存储介质,通过将与待预测电瓶相连作业机械的当前时刻工程数据输入至电瓶故障预测模型,得到电瓶故障预测模型输出的下一时刻电瓶故障预测结果;其中,电瓶故障检测模型是基于各时刻样本工程数据,以及各时刻对应的下一时刻样本电瓶故障状态训练得到的。本发明通过电瓶故障预测模型确定下一时刻的电瓶故障预测结果,从而可以根据电瓶故障预测结果提前准确判断是否需要进行电瓶维修,避免传统方法中事后维修导致耽误工程进度,以及定期维修导致增加维修成本的问题。
Description
技术领域
本发明涉及电瓶检测技术领域,尤其涉及一种电瓶故障预测方法、装置、电子设备和存储介质。
背景技术
电瓶在作业机械中作为辅助电源,是作业机械的重要部件。随着作业机械的运行,会出现电瓶亏电故障,电瓶亏电故障是严重的停机故障,需要尽早发现避免作业机械停机。
目前,多通过定期维修电瓶以防止电瓶发生亏电故障,但该方法无法有效处理潜在或突发的异常故障,也会产生诸多不必要的拆卸和安装,造成过高的设备维护费用和额外的磨合损耗,甚至导致新的故障。
发明内容
本发明提供一种电瓶故障预测方法、装置、电子设备和存储介质,用以解决现有技术中无法有效防止电瓶故障的缺陷。
本发明提供一种电瓶故障预测方法,包括:
确定与待预测电瓶相连作业机械的当前时刻工程数据;
将所述工程数据输入至电瓶故障预测模型,得到所述电瓶故障预测模型输出的下一时刻电瓶故障预测结果;
其中,所述电瓶故障检测模型是基于各时刻样本工程数据,以及各时刻对应的下一时刻样本电瓶故障状态训练得到的。
根据本发明提供的一种电瓶故障预测方法,所述样本工程数据的数据类型是基于如下步骤确定的:
确定各历史工程数据的数据类型与电瓶故障的关联性;
若关联性小于阈值,则将对应的历史工程数据的数据类型作为所述样本工程数据的数据类型。
根据本发明提供的一种电瓶故障预测方法,在将所述工程数据输入至电瓶故障预测模型之前,还包括:对所述工程数据进行归一化处理。
根据本发明提供的一种电瓶故障预测方法,所述工程数据包括离散型数据和连续型数据;
所述对所述工程数据进行归一化处理,具体包括:
对所述离散型数据进行独热编码,以及对所述连续型数据进行线性放缩。
根据本发明提供的一种电瓶故障预测方法,所述电瓶故障预测模型是基于GBDT算法对当前时刻的工程数据进行拟合分析的。
根据本发明提供的一种电瓶故障预测方法,在得到所述电瓶故障预测模型输出的下一时刻电瓶故障预测结果之后,还包括:
若判断所述下一时刻电瓶故障预测结果为异常,则进行预警提示。
本发明还提供一种电瓶故障预测装置,包括:
数据处理单元,用于确定待预测电瓶故障作业机械的当前时刻工程数据;
故障预测单元,用于将所述工程数据输入至电瓶故障预测模型,得到所述电瓶故障预测模型输出的下一时刻电瓶故障预测结果;
其中,所述电瓶故障检测模型是基于各时刻样本工程数据,以及各时刻对应的下一时刻样本电瓶故障状态训练得到的。
根据本发明提供的一种电瓶故障预测装置,还包括数据处理单元,用于在将所述工程数据输入至电瓶故障预测模型之前,对所述工程数据进行归一化处理。
本发明还提供一种电子设备,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上述任一种所述电瓶故障预测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述电瓶故障预测方法的步骤。
本发明提供的电瓶故障预测方法、装置、电子设备和存储介质,通过将与待预测电瓶相连作业机械的当前时刻工程数据输入至电瓶故障预测模型,得到电瓶故障预测模型输出的下一时刻电瓶故障预测结果;其中,电瓶故障检测模型是基于各时刻样本工程数据,以及各时刻对应的下一时刻样本电瓶故障状态训练得到的。由此可见,本发明通过电瓶故障预测模型确定下一时刻的电瓶故障预测结果,从而可以根据电瓶故障预测结果提前准确判断是否需要进行电瓶维修,避免传统方法中事后维修导致耽误工程进度,以及定期维修导致增加维修成本的问题。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,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是本发明提供的电瓶故障预测方法的流程示意图之一;
图2是本发明提供的电瓶故障预测方法的流程示意图之二;
图3是本发明提供的电瓶故障预测装置的结构示意图;
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
电瓶亏电故障是严重的停机故障,若不能及时发现电瓶亏电故障,可能会导致作业机械停机,进而给用户造成损失。目前,多通过定期维修电瓶以防止电瓶发生亏电故障,但该被动式、救火式维修模式无法有效处理潜在或突发的异常故障,也会产生诸多不必要的拆卸和安装,造成过高的设备维护费用和额外的磨合损耗,甚至导致新的故障。
目前被动式、救火式维修模式,使服务人员无法有效应对,无法判断下一时刻哪台作业机械会出现故障,造成售后服务人员心理压力大、售后服务成本急剧增加,而且也越来越不满足客户的迫切施工要求。
对此,本发明提供一种电瓶故障预测方法。图1是本发明提供的电瓶故障预测方法的流程示意图之一,如图1所示,该方法包括如下步骤:
步骤110、确定与待预测电瓶相连作业机械的当前时刻工程数据。
具体地,与待预测电瓶相连作业机械指需要判断未来一段时间电瓶是否存在故障的作业机械,可以通过作业机械的工作时长确定,也可以通过作业机械的寿命确定。例如,作业机械持续工作时长超过预设时长,则认为可能存在电瓶故障的风险,因此需对其进行电瓶故障预测;又如作业机械的寿命超过预设寿命,则认为可能存在零部件老化导致电瓶故障的风险,因此需对其进行电瓶故障预测。工程数据指作业机械与电瓶故障相关的工程数据,如档位、进气温度、地理信息、工作时间、发动机状态等。
步骤120、将所述工程数据输入至电瓶故障预测模型,得到故障预测模型输出的下一时刻电瓶故障预测结果;
其中,电瓶故障检测模型是基于各时刻样本工程数据,以及各时刻对应的下一时刻样本电瓶故障状态训练得到的。
具体地,在将工程数据输入至电瓶故障预测模型后,电瓶故障预测模型可以对其进行拟合分析获取下一时刻电瓶故障预测结果,即可以理解为在输入当前时刻的工程数据后,就可以通过电瓶故障预测模型预测下一时刻的电瓶故障情况,若电瓶故障预测结果为存在故障,则可以提前安排维修,避免待电瓶发生故障时再被动进行维修影响工程进度。例如,电瓶故障预测结果为1月8日14:00出现电瓶故障,则可以安排作业机械的非工作时间如1月7日23:00对电瓶进行维修,不仅避免在1月8日出现电瓶故障时被动进行维修,而且可以根据电瓶故障预测结果提前安排作业机械的非工作时间进行维修,避免耽误1月8日的工程进度。若电瓶故障预测结果为正常,则表明可以继续运行,避免传统方法中定期维修时过早维修造成设备的不必要拆卸,降低维修成本。其中,电瓶故障预测结果可以为下一时刻的电瓶电压,也可以为下一时刻电瓶故障的概率,本实施例对此不作具体限定。
由此可见,本发明实施例基于采集作业机械回传的工程数据(如的电瓶电压、发动机转速、经纬度信息等),经过电瓶故障预测模型分析,获取电瓶故障预测结果,从而可以及时发现设备运行过程中的是否存在电瓶亏电故障,相较于传统方法中事后维修或定期维修的模式,可以减少维修人力、降低维修成本、增加设备出勤率以及延长关键零部件寿命。
在执行步骤120之前,可以通过训练得到电瓶故障预测模型,具体可以通过如下步骤训练电瓶故障预测模型:首先,收集大量不同时刻的样本工程数据,通过人工标注确定样本工程数据对应的下一时刻的样本电瓶故障状态。随即,基于样本工程数据及其样本电瓶故障状态对初始模型进行训练,从而得到电瓶故障预测模型。
本发明实施例提供的电瓶故障预测方法,通过将与待预测电瓶相连作业机械的当前时刻工程数据输入至电瓶故障预测模型,得到电瓶故障预测模型输出的下一时刻电瓶故障预测结果;其中,电瓶故障检测模型是基于各时刻样本工程数据,以及各时刻对应的下一时刻样本电瓶故障状态训练得到的。由此可见,本发明实施例通过电瓶故障预测模型确定下一时刻的电瓶故障预测结果,从而可以根据电瓶故障预测结果提前准确判断是否需要进行电瓶维修,避免传统方法中事后维修导致耽误工程进度,以及定期维修导致增加维修成本的问题。
基于上述实施例,样本工程数据的数据类型是基于如下步骤确定的:
确定各历史工程数据的数据类型与电瓶故障的关联性;
若关联性小于阈值,则将对应的历史工程数据的数据类型作为样本工程数据的数据类型。
具体地,历史工程数据存在多种数据类型,某些数据类型与电瓶故障的关联程度较高,即可以理解为该数据类型与电瓶故障表征的信息相似,若将该数据类型对应的数据作为训练集训练电瓶故障预测模型,则模型只能学习到局部影响电瓶故障的特征信息,而无法全面学习到影响电瓶故障的特征信息。由于电瓶故障的影响因素较多,例如档位,进气温度等均会影响电瓶故障,而影响电瓶故障的关键因素中可能存在某些特征因素与电瓶故障的关联程度较小。
若将所有数据类型对应的数据作为样本数据的数据类型,则与电瓶故障的关联程度较高的数据不仅无法使得电瓶故障预测模型学习到有效信息进行电瓶故障预测分析,而且会增加电瓶故障预测模型的运算量,降低模型的训练效率。因此,为了使得模型能够更好学习到影响电瓶故障的特征信息,本发明实施例确定各历史工程数据的数据类型与电瓶故障的关联性,若关联性小于阈值(如关联性小于0.4),则将对应的历史工程数据的数据类型作为样本工程数据的数据类型,以使电瓶故障预测模型能够学习到有效的特征信息,保证模型的训练效果,与此同时减少训练集的数量,提高模型的训练效率。其中,本发明实施例可以基于主成分分析确定各历史工程数据的数据类型与电瓶故障的关联性,也可以基于因子分析确定各历史工程数据的数据类型与电瓶故障的关联性,本发明实施例对此不作具体限定。
其中,主成分分析通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量,从而在减少需要分析的指标同时,尽量减少原指标包含信息的损失,以达到对所收集数据进行全面分析的目的。
可以理解的是,在确定与电瓶故障关联程度较高的初始样本工程数据之后,为了消除初始样本工程数据之间的量纲影响,对初始样本工程数据进行归一化处理,使得不同初始样本工程数据之间具有可比性,进而电瓶故障预测模型能够综合学习各初始样本工程数据,提高模型的训练效果。
基于上述实施例,在将所述工程数据输入至电瓶故障预测模型之前,还包括:对所述工程数据进行归一化处理。
具体地,由于不同工程数据往往具有不同的量纲和量纲单位,从而会影响利用机器学习获取的电瓶故障分析结果准确率,为了消除工程数据之间的量纲影响,需要进行数据归一化处理,使得不同工程数据之间具有可比性。原始工程数据经过数据归一化处理后,使得各工程数据处于同一数量级,进而能够综合各工程数据对电瓶故障进行分析预测。
基于上述任一实施例,工程数据包括离散型数据和连续型数据;
对工程数据进行归一化处理,具体包括:
对离散型数据进行独热编码,以及对连续型数据进行线性放缩。
具体地,由于工程数据中可能存在离散型数据和连续型数据,离散型数据是指其数值只能用自然数或整数单位计算的数据,例如:档位只能用1挡、2挡、3挡等自然数计算。与离散型数据对应的连续型数据,不是单独的自然数或整数的数字,包含若干位小数且取值密集,例如:进气温度可以用0~100℃中的任意数字表示。
在机器学习算法中,特征之间距离的计算或相似度的计算是非常重要的,通常采用的距离或相似度的计算都是在欧式空间的相似度计算,计算余弦相似性,基于的就是欧式空间。对于离散型数据,使用独热编码(one-hot编码),将离散特征的取值扩展到了欧式空间,离散特征的某个取值就对应欧式空间的某个点。离散型数据进行one-hot编码后,每一维度的特征都可以看做是连续的特征,就可以与连续型数据的归一化方法一样,对每一维特征进行归一化,比如归一化到[-1,1],或归一化到均值为0,方差为1。对于连续型数据,可以将其线性放缩到[-1,1],也可以采用放缩到均值为0,方差为1,从而实现对连续型数据的归一化处理。
本发明实施例通过对离散型数据进行独热编码,以及对连续型数据进行线性放缩,从而使得电瓶故障预测模型在对工程数据进行分析时,消除了工程数据之间的量纲影响,进而准确获取电瓶故障预测结果。
基于上述任一实施例,电瓶故障预测模型是基于GBDT算法对当前时刻的工程数据进行拟合分析的。
具体地,梯度下降树算法(Gradient Boosting Decision Tree,GBDT)通过多轮迭代,每轮迭代产生一个弱分类器,每个分类器在上一轮分类器的残差基础上进行训练。在训练的过程通过降低偏差来不断提高最终分类器的精度,因此对弱分类器的要求一般是足够简单,并且是低方差和高偏差的。GBDT算法预测精度高,适合低维数据,而且可以灵活处理各种类型的数据,包括连续型数据和离散型数据,从而对于包含连续型数据和离散型数据的样本工程数据而言,能够更准确学习到相关的特征信息,进而提升模型的训练效果。
基于上述任一实施例,在得到电瓶故障预测模型输出的下一时刻电瓶故障预测结果之后,还包括:
若判断下一时刻电瓶故障预测结果为异常,则进行预警提示。
具体地,由于电瓶故障预测模型可以针对当前时刻的工程数据,输出下一时刻的电瓶故障预测结果,从而能够根据电瓶故障预测结果提前制定相关维修策略,若电瓶故障预测结果为异常,表明下一时刻可能会导致作业机械停机,因此对其进行预警提示,以便提前进行相关处理。若电瓶故障预测结果为正常,则表明下一时刻作业机械可以正常运行,无需进行拆卸设备维修。
由此可见,本发明实施例提供的方法相较于传统方法发生故障时维修或定期维修的方案,提高了故障处理效率,减少了维修成本,同时避免多次拆卸安装造成作业机械寿命减短的问题。
基于上述任一实施例,如图2所示,本发明还提供一种电瓶故障预测方法,该方法包括如下步骤:
首先,获取某一时刻作业机械回传的工程数据(如T时刻的工程数据),并工程数据进行数据处理,具体包括:对离散型数据进行one-hot编码,对连续型数据进行归一化处理。
接着,将数据处理后的工程数据输入电瓶故障预测模型,得到电瓶故障预测模型输出的未来某一时刻(如T+n时刻)的电瓶电压值。
随即,根据输出的电瓶电压值,判断电瓶故障的可能性,若判断电瓶存在故障,则进行预警提示,若否,则作业机械正常运行。
下面对本发明提供的电瓶故障预测装置进行描述,下文描述的电瓶故障预测装置与上文描述的电瓶故障预测方法可相互对应参照。
基于上述任一实施例,本发明还提供一种电瓶故障预测装置,如图3所示,该装置包括:
数据处理单元310,用于确定与待预测电瓶相连作业机械的当前时刻工程数据;
故障预测单元320,用于将所述工程数据输入至电瓶故障预测模型,得到所述电瓶故障预测模型输出的下一时刻电瓶故障预测结果;
其中,所述电瓶故障检测模型是基于各时刻样本工程数据,以及各时刻对应的下一时刻样本电瓶故障状态训练得到的。
本发明实施例提供的电瓶故障预测装置,通过将与待预测电瓶相连作业机械的当前时刻工程数据输入至电瓶故障预测模型,得到电瓶故障预测模型输出的下一时刻电瓶故障预测结果;其中,电瓶故障检测模型是基于各时刻样本工程数据,以及各时刻对应的下一时刻样本电瓶故障状态训练得到的。由此可见,本发明实施例通过电瓶故障预测模型确定下一时刻的电瓶故障预测结果,从而可以根据电瓶故障预测结果提前准确判断是否需要进行电瓶维修,避免传统方法中事后维修导致耽误工程进度,以及定期维修导致增加维修成本的问题。
基于上述任一实施例,还包括样本确定单元,用于确定样本工程数据的数据类型,所述样本确定单元,具体包括:
关联性计算单元,用于确定各历史工程数据的数据类型与电瓶故障的关联性;
确定单元,用于若关联性小于阈值,则将对应的历史工程数据的数据类型作为所述样本工程数据的数据类型。
基于上述任一实施例,还包括数据处理单元,用于在将所述工程数据输入至电瓶故障预测模型之前,对所述工程数据进行归一化处理。
基于上述任一实施例,所述工程数据包括离散型数据和连续型数据;
所述数据处理单元,具体用于:
对所述离散型数据进行独热编码,以及对所述连续型数据进行线性放缩。
基于上述任一实施例,所述电瓶故障预测模型是基于GBDT算法对当前时刻的工程数据进行拟合分析的。
基于上述任一实施例,还包括预警单元,用于在得到所述电瓶故障预测模型输出的下一时刻电瓶故障预测结果之后,若判断所述下一时刻电瓶故障预测结果为异常,则进行预警提示。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行电瓶故障预测方法,该方法包括:确定与待预测电瓶相连作业机械的当前时刻工程数据;将所述工程数据输入至电瓶故障预测模型,得到所述电瓶故障预测模型输出的下一时刻电瓶故障预测结果;其中,所述电瓶故障检测模型是基于各时刻样本工程数据,以及各时刻对应的下一时刻样本电瓶故障状态训练得到的。
此外,上述的存储器430中的逻辑指令可以通过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中,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方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的电瓶故障预测方法,该方法包括:确定与待预测电瓶相连作业机械的当前时刻工程数据;将所述工程数据输入至电瓶故障预测模型,得到所述电瓶故障预测模型输出的下一时刻电瓶故障预测结果;其中,所述电瓶故障检测模型是基于各时刻样本工程数据,以及各时刻对应的下一时刻样本电瓶故障状态训练得到的。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的电瓶故障预测方法,该方法包括:确定与待预测电瓶相连作业机械的当前时刻工程数据;将所述工程数据输入至电瓶故障预测模型,得到所述电瓶故障预测模型输出的下一时刻电瓶故障预测结果;其中,所述电瓶故障检测模型是基于各时刻样本工程数据,以及各时刻对应的下一时刻样本电瓶故障状态训练得到的。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述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ROM/RAM、磁碟、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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上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。
Claims (9)
1.一种电瓶故障预测方法,其特征在于,包括:
确定与待预测电瓶相连作业机械的当前时刻工程数据;
将所述工程数据输入至电瓶故障预测模型,得到所述电瓶故障预测模型输出的下一时刻电瓶故障预测结果;
其中,所述电瓶故障检测模型是基于各时刻样本工程数据,以及各时刻对应的下一时刻样本电瓶故障状态训练得到的;
所述样本工程数据的数据类型是基于如下步骤确定的:
确定各历史工程数据的数据类型与电瓶故障的关联性;
若关联性小于阈值,则将对应的历史工程数据的数据类型作为所述样本工程数据的数据类型。
2.根据权利要求1所述的电瓶故障预测方法,其特征在于,在将所述工程数据输入至电瓶故障预测模型之前,还包括:对所述工程数据进行归一化处理。
3.根据权利要求2 所述的电瓶故障预测方法,其特征在于,所述工程数据包括离散型数据和连续型数据;
所述对所述工程数据进行归一化处理,具体包括:
对所述离散型数据进行独热编码,以及对所述连续型数据进行线性放缩。
4.根据权利要求1至3任一项所述的电瓶故障预测方法,其特征在于,所述电瓶故障预测模型是基于GBDT算法对当前时刻的工程数据进行拟合分析的。
5.根据权利要求1至3任一项所述的电瓶故障预测方法,其特征在于,在得到所述电瓶故障预测模型输出的下一时刻电瓶故障预测结果之后,还包括:
若判断所述下一时刻电瓶故障预测结果为异常,则进行预警提示。
6.一种电瓶故障预测装置,其特征在于,包括:
数据处理单元,用于确定与待预测电瓶相连作业机械的当前时刻工程数据;
故障预测单元,用于将所述工程数据输入至电瓶故障预测模型,得到所述电瓶故障预测模型输出的下一时刻电瓶故障预测结果;
其中,所述电瓶故障检测模型是基于各时刻样本工程数据,以及各时刻对应的下一时刻样本电瓶故障状态训练得到的;
所述装置还包括:
关联性计算单元,用于确定各历史工程数据的数据类型与电瓶故障的关联性;
确定单元,用于若关联性小于阈值,则将对应的历史工程数据的数据类型作为所述样本工程数据的数据类型。
7.根据权利要求6所述的电瓶故障预测装置,其特征在于,还包括数据处理单元,用于在将所述工程数据输入至电瓶故障预测模型之前,对所述工程数据进行归一化处理。
8.一种电子设备,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,所述处理器执行所述程序时实现如权利要求1至5任一项所述电瓶故障预测方法的步骤。
9.一种非暂态计算机可读存储介质,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如权利要求1至5任一项所述电瓶故障预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110105274.7A CN112816898B (zh) | 2021-01-26 | 2021-01-26 | 电瓶故障预测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110105274.7A CN112816898B (zh) | 2021-01-26 | 2021-01-26 | 电瓶故障预测方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112816898A CN112816898A (zh) | 2021-05-18 |
CN112816898B true CN112816898B (zh) | 2022-03-01 |
Family
ID=75859400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110105274.7A Active CN112816898B (zh) | 2021-01-26 | 2021-01-26 | 电瓶故障预测方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112816898B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343633B (zh) * | 2021-06-10 | 2022-04-26 | 上海交通大学 | 动力锂电池热失控故障分类及风险预测方法、系统 |
CN114418239A (zh) * | 2022-02-18 | 2022-04-29 | 盛景智能科技(嘉兴)有限公司 | 憋车故障预测方法、装置及作业机械 |
CN114418238A (zh) * | 2022-02-18 | 2022-04-29 | 盛景智能科技(嘉兴)有限公司 | 油温异常预测方法、装置及作业机械 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201144841A (en) * | 2010-06-04 | 2011-12-16 | Nat Univ Chin Yi Technology | Fuel cell faulty predicting system and its establishing method |
CN102928791A (zh) * | 2012-10-16 | 2013-02-13 | 南京航空航天大学 | 雷达发射机高压电源多参数融合实时健康预报方法 |
CN104608686A (zh) * | 2014-11-27 | 2015-05-13 | 苏州市职业大学 | 一种汽车电瓶故障早期预警装置 |
CN106168799A (zh) * | 2016-06-30 | 2016-11-30 | 常伟 | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 |
CN109615003A (zh) * | 2018-12-06 | 2019-04-12 | 哈尔滨工业大学 | 一种基于elm-chmm的电源故障预测方法 |
CN110069810A (zh) * | 2019-03-11 | 2019-07-30 | 北京百度网讯科技有限公司 | 电池故障预测方法、装置、设备和可读存储介质 |
CN110210233A (zh) * | 2019-04-19 | 2019-09-06 | 平安科技(深圳)有限公司 | 预测模型的联合构建方法、装置、存储介质及计算机设备 |
CN111060838A (zh) * | 2019-12-31 | 2020-04-24 | 中国人民解放军陆军军医大学第二附属医院 | 一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法 |
CN111381170A (zh) * | 2020-05-15 | 2020-07-07 | 上海工程技术大学 | 基于大数据的电动汽车电池包健康状态预测方法及系统 |
CN111914884A (zh) * | 2020-06-18 | 2020-11-10 | 北京百度网讯科技有限公司 | 梯度下降树的生成方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108091947B (zh) * | 2017-12-18 | 2024-02-02 | 清华大学 | 电动车用动力电池组安全防控系统 |
-
2021
- 2021-01-26 CN CN202110105274.7A patent/CN112816898B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201144841A (en) * | 2010-06-04 | 2011-12-16 | Nat Univ Chin Yi Technology | Fuel cell faulty predicting system and its establishing method |
CN102928791A (zh) * | 2012-10-16 | 2013-02-13 | 南京航空航天大学 | 雷达发射机高压电源多参数融合实时健康预报方法 |
CN104608686A (zh) * | 2014-11-27 | 2015-05-13 | 苏州市职业大学 | 一种汽车电瓶故障早期预警装置 |
CN106168799A (zh) * | 2016-06-30 | 2016-11-30 | 常伟 | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 |
CN109615003A (zh) * | 2018-12-06 | 2019-04-12 | 哈尔滨工业大学 | 一种基于elm-chmm的电源故障预测方法 |
CN110069810A (zh) * | 2019-03-11 | 2019-07-30 | 北京百度网讯科技有限公司 | 电池故障预测方法、装置、设备和可读存储介质 |
CN110210233A (zh) * | 2019-04-19 | 2019-09-06 | 平安科技(深圳)有限公司 | 预测模型的联合构建方法、装置、存储介质及计算机设备 |
CN111060838A (zh) * | 2019-12-31 | 2020-04-24 | 中国人民解放军陆军军医大学第二附属医院 | 一种基于多维度特征融合的医疗电子设备开关电源故障诊断方法 |
CN111381170A (zh) * | 2020-05-15 | 2020-07-07 | 上海工程技术大学 | 基于大数据的电动汽车电池包健康状态预测方法及系统 |
CN111914884A (zh) * | 2020-06-18 | 2020-11-10 | 北京百度网讯科技有限公司 | 梯度下降树的生成方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112816898A (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112816898B (zh) | 电瓶故障预测方法、装置、电子设备和存储介质 | |
CN111914873B (zh) | 一种两阶段云服务器无监督异常预测方法 | |
CN111967571B (zh) | 一种基于mhma的异常检测方法和设备 | |
CN112906969A (zh) | 发动机故障预测方法、装置、电子设备及存储介质 | |
CN114465874B (zh) | 故障预测方法、装置、电子设备与存储介质 | |
CN110469461B (zh) | 一种风机齿带的断裂预估方法、其装置及可读存储介质 | |
CN113676343B (zh) | 电力通信网故障源定位方法及装置 | |
CN115453356B (zh) | 一种动力设备运行状态监测分析方法、系统、终端及介质 | |
CN116231871B (zh) | 一种基于数字孪生的电网态势监管方法、系统及存储介质 | |
CN114721336A (zh) | 一种仪控系统工艺参数的信息安全事件预警方法 | |
CN118313812A (zh) | 一种基于机器学习的电力大数据采集处理方法 | |
CN116976441A (zh) | 设备故障预测模型训练方法、设备故障预测方法和装置 | |
CN115524002A (zh) | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 | |
An et al. | Real-time Statistical Log Anomaly Detection with Continuous AIOps Learning. | |
CN118245264A (zh) | 服务器故障处理方法、装置、电子设备及介质 | |
CN114923287A (zh) | 一种高压加热器故障预警方法、系统和介质 | |
CN116545110B (zh) | 一种基于数字孪生的智能运维管理系统 | |
CN113313365A (zh) | 一种一次风机的劣化预警方法及设备 | |
CN111934903B (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
CN115964470B (zh) | 一种摩托车配件的寿命预测方法及系统 | |
CN117667495A (zh) | 一种基于关联规则与深度学习集成模型的应用系统故障预测方法 | |
KR102108975B1 (ko) | 함정설비의 상태기반 정비 지원 장치 및 방법 | |
CN117195044A (zh) | 故障分析方法、装置、计算机设备、存储介质和程序产品 | |
CN115169650B (zh) | 一种大数据分析的装备健康预测方法 | |
CN116225752A (zh) | 基于故障模式库的微服务系统故障根因分析方法及系统 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230105 Address after: 314506 room 116, building 4, No. 288, development avenue, Tongxiang Economic Development Zone, Tongxiang City, Jiaxing City, Zhejiang Province Patentee after: Shengjing Intelligent Technology (Jiaxing) Co.,Ltd. Address before: 102206 5th floor, building 6, 8 Beiqing Road, Changping District, Beijing Patentee before: SANY HEAVY INDUSTRY Co.,Ltd. |