CN112884170A - 一种综合管廊预测性智能运维系统及方法 - Google Patents
一种综合管廊预测性智能运维系统及方法 Download PDFInfo
- Publication number
- CN112884170A CN112884170A CN202011497473.9A CN202011497473A CN112884170A CN 112884170 A CN112884170 A CN 112884170A CN 202011497473 A CN202011497473 A CN 202011497473A CN 112884170 A CN112884170 A CN 112884170A
- Authority
- CN
- China
- Prior art keywords
- fault
- equipment
- unit
- neural network
- attribute set
- 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.)
- Pending
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims description 45
- 238000003745 diagnosis Methods 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 12
- 238000013398 bayesian method Methods 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000008439 repair process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 238000012546 transfer Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000010349 pulsation Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000013024 troubleshooting Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036632 reaction speed Effects 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种综合管廊预测性智能运维系统及方法,本方案通过基于时间序列和人工神经网络的故障预测模块与基于贝叶斯方法的故障诊断模块的相互配合,实现对综合管廊设备的在线故障预测和诊断,可为设备的在线调整、停机提供依据,避免重大事故的发生,实现事前预测性控制和优化。
Description
技术领域
本发明涉及综合管廊技术,具体涉及综合管廊的运维管控技术。
背景技术
综合管廊是建于城市地下的将电力、通讯、燃气、供热、给排水等各种工程管线集于一体的隧道空间,具有避免道路反复开挖、优化利用土地资源、管线敷设扩容方便、延长管线使用寿命等优点。然而综合管廊内各类管线较长,泵、阀等设备数量众多,布置比较分散,对设备运维管理造成较大困难。
为了全方位地提高综合管廊泵、阀等设备运维管理的工作效率,为此现有技术给出了多种解决方案。
如,申请号:CN201810416131.6的中国发明专利申请,其公开了一种地下管廊综合智慧运维管理系统,该方案提出了一种包含数据中心、用户终端、管廊监控中心和客户终端的运维管理系统,可实现在管廊二维GIS地图上对巡检人员位置、某段时间的巡检轨迹、是否偏离巡检任务、路线等情况进行监控和跟踪。
申请号:CN201911123946.6的中国发明专利申请,其公开了一种智能泵站运维方法,其通过将泵站的异常信号进行等级划分,并关联若干个异常原因,针对每个异常原因关联所需要更换和/或维修的零配件型号;根据预设的调配规则自动生成排障计划,将排障计划发送给运维人员。
通过对现有相关技术方案分析可知,现有方案通过在线数据监测,有效监督和管理巡检人员,将故障与维修任务进行自动关联,提高了反应速度和运维水平。但是这些方案只能做到事后控制,无法在线对设备进行故障预测和诊断以实现事前预测性控制和优化。由此可见,针对综合管廊如何在线对设备进行故障预测和诊断为本领域亟需解决的问题。
发明内容
针对现有综合管廊的管控技术所存在的问题,需要一种新的综合管廊管控技术。
为此,本发明的目的在于提供一种综合管廊预测性智能运维系统,并基于该综合管廊预测性智能运维系统给出一种综合管廊预测性智能运维方法,由此实现在线对综合管廊中设备进行故障预测和诊断以实现事前预测性控制和优化。
为了达到上述目的,本发明提供的综合管廊预测性智能运维系统,包括基于时间序列和人工神经网络的故障预测模块,以及基于贝叶斯方法的故障诊断模块;
所述故障预测模块基于记录的综合管廊中设备故障状态数据,通过时间序列和人工神经网络自主学习故障模式,并对综合管廊中设备进行故障预测;
所述故障诊断模块基于记录的故障维修数据以及故障预测模块预测的故障结果,通过基于贝叶斯方法对故障根因进行计算确定。
进一步地,所述故障预测模块包括:
属性集单元,用于提取与设备故障有关联的可在线测量的属性,构建相应的属性集;
扩充属性集单元,与属性集单元数据交互,基于属性集单元提取构建的设备属性集,将其时间序列进行组合从而扩充设备故障预测的属性集;
样本矩阵单元,基于记录的故障维修和设备属性历史数据,建立用于训练预测模型的样本矩阵;
样本规范化单元,用于对样本矩阵单元建立的样本矩阵中的样本进行规范化处理;
神经网络建模单元,基于扩充属性集单元构建的扩充属性集,构成相应的神经网络模型;
神经网络离线学习单元,利用样本矩阵单元构建的样本矩阵对神经网络建模单元构建的神经网络模型进行训练,以获得设备故障预测模型;
神经网络在线预测单元,获取设备相关的实时数据,通过经过神经网络离线学习单元训练的设备故障预测模型进行计算,实现对设备获障预测。
进一步地,所述故障诊断模块包括:
故障根因集单元,汇总故障根因数据;
故障根因经验向量空间单元将维修记录中的故障根因进行量化;
故障根因概率计算单元基于贝叶斯公式对经过故障根因经验向量空间单元量化的故障根因进行故障根因概率计算;
故障诊断单元基于概率值排序,对经过故障根因概率计算单元进行概率后的故障根因进行确定。
为了达到上述目的,本发明提供的综合管廊预测性智能运维方法,包括:
首先,基于记录的综合管廊中设备故障状态数据,通过时间序列和人工神经网络自主学习故障模式,并对综合管廊中设备进行故障预测;
接着,基于记录的故障维修数据以及故障预测模块预测的故障结果,通过基于贝叶斯方法对故障根因进行计算确定。
进一步地,进行故障预测时,包括:
提取与设备故障有关联的可在线测量的属性,构建相应的属性集;
基于构建的设备属性集,将其时间序列进行组合从而扩充设备故障预测的属性集;
基于记录的故障维修和设备属性历史数据,建立用于训练预测模型的样本矩阵;
对样本矩阵中的样本进行规范化处理;
基于扩充属性集单元构建的扩充属性集,构成相应的神经网络模型;
利用构建的样本矩阵对构建的神经网络模型进行训练,以获得设备故障预测模型;
获取设备相关的实时数据,通过训练的设备故障预测模型进行计算,实现对设备获障预测。
进一步地,进行故障诊断时,包括:
首先汇总故障根因数据;
接着将维修记录中的故障根因进行量化;
接着基于贝叶斯公式对经过量化的故障根因进行故障根因概率计算。
接着基于概率值排序,对故障根因进行确定。
本发明提供的方案,能够对综合管廊设备的在线故障预测和诊断,可为设备的在线调整、停机提供依据,避免重大事故的发生,实现事前预测性控制和优化。
本发明提供的方案,通过时间序列和人工神经网络可自动学习故障模式,无需人工建立故障模式,降低了故障预测应用难度。
本发明提供的方案,通过贝叶斯方法可实现自动故障诊断,无需人工建立诊断知识库,降低了故障诊断应用难度。
附图说明
以下结合附图和具体实施方式来进一步说明本发明。
图1为本发明实例中综合管廊预测性智能运维系统构成原理示例图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体图示,进一步阐述本发明。
针对目前综合管廊相关设备故障预测和诊断方法缺乏,同时为实现综合管廊内相关设备的智能运维,为设备的在线调整、停机提供依据,避免重大事故的发生,实现事前预测性控制和优化,本方案给出一种综合管廊监控预测性智能运维方案。
参加图1,其所示为本方案给出的综合管廊监控预测性智能运维系统,该系统通过故障预测模块100与故障诊断模块200的相配合实现对综合管廊监控预测性管控。
这里的故障预测模块100通过相应的数据库模块300与故障诊断模块200进行配合运行。
其中,本故障预测模块100基于数据库模块300中记录的综合管廊中设备故障状态数据,通过时间序列和人工神经网络自主学习故障模式,并对综合管廊中设备进行故障预测;
故障诊断模块200基于数据库模块300中记录的故障维修数据以及故障预测模块100预测的故障结果,对故障根因进行计算确定。
这里的故障预测模块100主要包括属性集单元110、扩充属性集单元120、样本矩阵单元130、样本规范化单元140、神经网络建模单元150、神经网络离线学习单元160以及神经网络在线预测单元170。
属性集单元110,用于提取与设备故障有关联的可在线测量的属性,构建相应的属性集;
扩充属性集单元120,与属性集单元110数据交互,基于属性集单元110提取构建的设备属性集,将其时间序列进行组合从而扩充设备故障预测的属性集;由此可进一步体现故障属性变化的时间序列特征。
样本矩阵单元130,与数据库模块300进行数据交互,基于数据库模块300中故障维修和设备属性历史数据,建立用于训练预测模型的样本矩阵。
样本规范化单元140,用于对样本矩阵单元130建立的样本矩阵中的样本进行规范化处理,以使神经网络避免因不收敛而训练失败的情况。
神经网络建模单元150,基于扩充属性集单元120构建的扩充属性集,构成相应的神经网络模型。
神经网络离线学习单元160,利用样本矩阵单元130构建的样本矩阵对神经网络建模单元150构建的神经网络模型进行训练,以获得设备故障预测模型。
神经网络在线预测单元170,与数据库模块300进行数据交互,获取设备相关的实时数据,通过经过神经网络离线学习单元160训练的设备故障预测模型进行计算,实现对设备获障预测。
作为举例,本系统在构造属性集时,对于设备E,构造设备E的属性集(x1,x2,...xp),其中xi,i=1,2,..,p为一个可在线测量的属性。
作为举例,本系统在构造扩充属性集时,满足属性的时间序列条件,构造设备E的扩充属性集(x11,x12,..,x1k,x21,x22,..,x2k,...xp1,xp2,..,xpk),其中xij为属性xi在(1-j)×Δt+t0时的测量值,t0为当前时间,Δt为单位时间间隔。
作为举例,本系统在构造样本矩阵时,对n个样本来说,样本输入数据矩阵可表示为(di,j)n×m,其中m=p×k。样本输出数据矩阵为(ti)n×1,表示样本中设备E的故障状态,ti=1表示设备E有故障,ti=0表示设备E无故障。
作为举例,本系统在构建样本规范化时,为避免神经网络训练过程中不收敛的情况,采用最小-最大规范化将样本数据映射到(0,1)内的区间,
其中max(dj)和min(dj)为属性j在n个样本中的最大值和最小值,new_max(dj)和new_min(dj)为映射到的区间最大值和最小值。
作为举例,本系统在构造神经网络建模单元150时,构造包含一个隐藏层的前向人工神经网络结构,令输入层节点数量为扩充属性集规模m,输出层节点数量为1,隐含层神经元个数在训练过程中通过试凑法确定。
作为举例,本系统的神经网络离线学习单元中,隐含层的传递函数采用正切S型传递函数,输出层采用线性传递函数,训练算法采用梯度下降优化算法。以均方根误差为评价指标,采用规范化后的部分样本数据对神经网络进行学习,并通过试凑法设定隐含层神经元个数。取剩余部分样本对神经网络进行泛化能力测试,记泛化能力最大的神经网络为net,并保存该神经网络模型。
作为举例,本系统的神经网络在线预测单元170通过在线采集设备E的扩充属性集数据(x11,x12,..,x1k,x21,x22,..,x2k,...xp1,xp2,..,xpk),规范化后输入神经网络模型net,模型输出即为故障预测结果。
本系统中数据库模块300主要包括历史数据库310和实时数据库320。
这里的史数据库31中记录了设备可在线测量的属性,基于这些属性可构造相应的属性集。
同时,本历史数据库中还记录设备的故障状态,这样通过将某时刻的设备故障状态值及其对应的扩充属性集取值提取出来,即可作为一个学习样本。
实时数据库320用于记录设备属性集的时间序列数据,用于设备的扩充属性集取值,作为设备故障预测的输入。
本系统中的故障预测模块200基于基于贝叶斯方法构建,主要包括故障根因集单元210、故障根因经验向量空间单元220、故障根因概率计算单元230、故障诊断单元240。
这里的故障根因集单元210,汇总故障根因数据;
这里的故障根因经验向量空间单元220,将维修记录中的故障根因进行量化;
这里的故障根因概率计算单元230基于贝叶斯公式对经过故障根因经验向量空间单元220量化的故障根因进行故障根因概率计算。
这里的故障诊断单元240,基于概率值排序,对经过故障根因概率计算单元230进行故障根因概率计算后的故障根因进行确定。
作为举例,本系统在构造故障根因集单元210时,对设备E,根据该类设备故障诊断和运维记录,汇总其故障原因,记为(c1,c2,...cq),ci,i=1,2,..,q为一个故障原因。
作为举例,本系统在构造故障根因经验向量空间单元时:对设备E,根据该类设备故障维修或维护记录,将每一条故障诊断和维修记录表示为一个故障根因经验向量vj=(e1,j,e2,j,...eq,j),其中ei,j=1表示设备E的第j次维修或维护时,第i个根因异常;ei,j=0表示设备E的第j次维修或维护时,第i个根因正常。基于该类设备的n条故障维修和维护记录,构造故障根因经验向量空间为V=(v1,v2,...vn)。故障维修或维护记录时的设备状态记为A_set=(A1,A2,...An),其中Aj=1表示设备E的第j次维修或维护时,设备故障;Aj=0表示第j次维修或维护时,设备无故障。
作为举例,本系统在进行故障根因概率计算时,基于故障根因经验向量空间,利用贝叶斯公式,对任一根因ci,设备E故障时,根因ci引起设备E故障的概率为:
作为举例,本系统在进行故障诊断时,将故障根因概率计算单元230计算的故障根因及其概率值成对输出:<ci,P(ci|A)>,并按照概率值降序排列,概率值越大则表示对应的根因越可能引发故障。
这里的给出的综合管廊监控预测性智能运维系统,在具体应用时,可以以相应的软件系统形式来呈现,实现在线对设备进行故障预测和诊断以实现事前预测性控制和优化。
以下针对本方案给出的综合管廊监控预测性智能运维系统,举例具体说明一下其运行过程。
本实例以综合管廊中离心泵为例,具体说明一下本综合管廊监控预测性智能运维系统对综合管廊中离心泵进行在线故障预测和诊断的实施过程。
综合管廊中离心泵是一类重要设备,本实例通过在线监测离心泵的振动、摆度、压力脉动、压力,以及早发现离心泵存在的故障。
在此检测数据基础上,本实例进行基于时间序列和人工神经网络的故障预测,其整个包括如下过程:
(1)构造属性集:对于离心泵,构造离心泵的属性集(振动、摆度、压力脉动、压力),其中每个属性均可在线测量。
(2)构造扩充属性集:满足属性的时间序列条件,构造离心泵的扩充属性集,可令单位时间间隔为Δt=1分钟,包含k=30分钟的时间序列特征的扩充属性集为:
(振动1,振动2,..,振动k,摆度1,摆度2,..,摆度k,压力脉动1,压力脉动2,..,压力脉动k,压力1,压力2,..,压力k),其中振动j为振动属性在(1-j)×Δt+t0时的测量值,t0为当前时间。
(3)构造样本矩阵:基于离心泵振动、摆度、压力脉动、压力的每组测量数据样本,对应扩充属性集的时间序列条件,构造4×k个值组成的行向量,对n个样本数据,即可建立n行、4×k列的样本输入矩阵。
这里的样本输出数据矩阵为(ti)n×1,表示样本中离心泵的故障状态,ti=1表示离心泵有故障,ti=0表示离心泵无故障。
(4)样本规范化:为避免神经网络训练过程中不收敛的情况,采用最小-最大规范化将样本数据映射到(0,1)内的区间,例如[0.1,0.9],则
其中max(dj)和min(dj)为属性j在n个样本中的最大值和最小值。
(6)神经网络离线学习:隐含层的传递函数采用常用的正切S型传递函数,输出层采用常用的线性传递函数,学习算法采用常用的梯度下降优化算法。以均方根误差为评价指标,采用规范化后的80%样本数据学习神经网络。取剩余20%样本对神经网络进行泛化能力测试。保存泛化能力最大的神经网络结构、传递函数、权值等组成的模型,并记为net。
(7)神经网络在线预测:令k=30,将在线采集和保存的离心泵特征数据构造成为扩充属性集数据:
(振动1,振动2,..,振动k,摆度1,摆度2,..,摆度k,压力脉动1,压力脉动2,..,压力脉动k,压力1,压力2,..,压力k),并按照步骤(4)样本规范化后输入神经网络模型net,模型net输出即为故障预测结果。
基于上述的在线故障预测流程,本实例能够提前预测综合管廊中离心泵故障发生。在此基础上,本实例进一步通过在线监测离心泵的振动、摆度、压力脉动、压力,进行基于贝叶斯方法的在线故障诊断,实现故障原因诊断,避免重大事故的发生,并为设备的在线调整、停机和维护提供依据。
其,在线故障诊断的过程如下:
(1)构造故障根因集:根据离心泵故障诊断和运维记录,汇总其故障原因,如电机和水泵转动部件质量不平衡、安装质量不良、机组轴线不对称、联轴器磨损、水泵气蚀、滚动轴承故障等,记为(c1,c2,...cq),其中ci,i=1,2,..,q为一个故障原因。
(2)构造故障根因经验向量空间:根据离心泵故障维修或维护记录,将每一条故障诊断和维修记录表示为一个故障根因经验向量vj=(e1,j,e2,j,...eq,j),其中ei,j=1表示离心泵的第j次维修或维护时,第i个根因(如滚动轴承)异常;ei,j=0表示离心泵的第j次维修或维护时,第i个根因(如滚动轴承)正常。基于离心泵的n条故障维修和维护记录,构造故障根因经验向量空间为V=(v1,v2,...vn)。故障维修或维护记录时的设备状态记为A_set=(A1,A2,...An),其中Aj=1表示离心泵的第j次维修或维护时,离心泵故障;Aj=0表示的第j次维修或维护时,离心泵无故障。
(3)故障根因概率计算:基于故障根因经验向量空间,利用贝叶斯公式,对任一根因ci,基于时间序列和神经网络的故障预测模块在线预测离心泵故障时,则根因ci引起离心泵故障的概率为:其中 均可由故障根因向量空间计算得出。
(4)故障诊断:将上述计算的故障根因及其概率值成对输出:<ci,P(ci|A)>,并按照概率值降序排列,概率值越大则表示对应的根因越可能引发故障。运维人员可据此安排故障排查顺序,概率值越大的优先进行排查,从而提高故障排查和运维效率。
这里通过贝叶斯方法有效实现自动故障诊断,且无需人工建立诊断知识库,降低了故障诊断应用难度。
上述本发明的方法,或特定系统单元、或其部份单元,为纯软件架构,可以透过程序代码布设于实体媒体,如硬盘、光盘片、或是任何电子装置(如智能型手机、计算机可读取的储存媒体),当机器加载程序代码且执行(如智能型手机加载且执行),机器成为用以实行本发明的装置。上述本发明的方法与装置亦可以程序代码型态透过一些传送媒体,如电缆、光纤、或是任何传输型态进行传送,当程序代码被机器(如智能型手机)接收、加载且执行,机器成为用以实行本发明的装置。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.综合管廊预测性智能运维系统,其特征在于,包括基于时间序列和人工神经网络的故障预测模块,以及基于贝叶斯方法的故障诊断模块;
所述故障预测模块基于记录的综合管廊中设备故障状态数据,通过时间序列和人工神经网络自主学习故障模式,并对综合管廊中设备进行故障预测;
所述故障诊断模块基于记录的故障维修数据以及故障预测模块预测的故障结果,通过基于贝叶斯方法对故障根因进行计算确定。
2.根据权利要求1所述的综合管廊预测性智能运维系统,其特征在于,所述故障预测模块包括:
属性集单元,用于提取与设备故障有关联的可在线测量的属性,构建相应的属性集;
扩充属性集单元,与属性集单元数据交互,基于属性集单元提取构建的设备属性集,将其时间序列进行组合从而扩充设备故障预测的属性集;
样本矩阵单元,基于记录的故障维修和设备属性历史数据,建立用于训练预测模型的样本矩阵;
样本规范化单元,用于对样本矩阵单元建立的样本矩阵中的样本进行规范化处理;
神经网络建模单元,基于扩充属性集单元构建的扩充属性集,构成相应的神经网络模型;
神经网络离线学习单元,利用样本矩阵单元构建的样本矩阵对神经网络建模单元构建的神经网络模型进行训练,以获得设备故障预测模型;
神经网络在线预测单元,获取设备相关的实时数据,通过经过神经网络离线学习单元训练的设备故障预测模型进行计算,完成对设备获障预测。
3.根据权利要求1所述的综合管廊预测性智能运维系统,其特征在于,所述故障诊断模块包括:
故障根因集单元,汇总故障根因数据;
故障根因经验向量空间单元将维修记录中的故障根因进行量化;
故障根因概率计算单元基于贝叶斯公式对经过故障根因经验向量空间单元量化的故障根因进行故障根因概率计算;
故障诊断单元基于概率值排序,对经过故障根因概率计算单元进行概率后的故障根因进行确定。
4.综合管廊预测性智能运维方法,其特征在于,包括:
首先,基于记录的综合管廊中设备故障状态数据,通过时间序列和人工神经网络自主学习故障模式,并对综合管廊中设备进行故障预测;
接着,基于记录的故障维修数据以及故障预测模块预测的故障结果,通过基于贝叶斯方法对故障根因进行计算确定。
5.根据权利要求4所述的综合管廊预测性智能运维方法,其特征在于,进行故障预测时,包括:
提取与设备故障有关联的可在线测量的属性,构建相应的属性集;
基于构建的设备属性集,将其时间序列进行组合从而扩充设备故障预测的属性集;
基于记录的故障维修和设备属性历史数据,建立用于训练预测模型的样本矩阵;
对样本矩阵中的样本进行规范化处理;
基于扩充属性集单元构建的扩充属性集,构成相应的神经网络模型;
利用构建的样本矩阵对构建的神经网络模型进行训练,以获得设备故障预测模型;
获取设备相关的实时数据,通过训练的设备故障预测模型进行计算,实现对设备获障预测。
6.根据权利要求4所述的综合管廊预测性智能运维方法,其特征在于,进行故障诊断时,包括:
首先汇总故障根因数据;
接着将维修记录中的故障根因进行量化;
接着基于贝叶斯公式对经过量化的故障根因进行故障根因概率计算。
接着基于概率值排序,对故障根因进行确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011497473.9A CN112884170A (zh) | 2020-12-17 | 2020-12-17 | 一种综合管廊预测性智能运维系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011497473.9A CN112884170A (zh) | 2020-12-17 | 2020-12-17 | 一种综合管廊预测性智能运维系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112884170A true CN112884170A (zh) | 2021-06-01 |
Family
ID=76043378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011497473.9A Pending CN112884170A (zh) | 2020-12-17 | 2020-12-17 | 一种综合管廊预测性智能运维系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112884170A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114780732A (zh) * | 2022-06-22 | 2022-07-22 | 天津市天锻压力机有限公司 | 基于贝叶斯分类模型的锻造液压机预测性维护方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829468A (zh) * | 2018-04-16 | 2019-05-31 | 南京航空航天大学 | 基于贝叶斯网络的民机复杂系统故障诊断方法 |
CN110493054A (zh) * | 2019-08-23 | 2019-11-22 | 广东电网有限责任公司 | 一种基于频域特征的电力通信网设备故障预测方法 |
CN110555049A (zh) * | 2018-03-30 | 2019-12-10 | 浙江华云信息科技有限公司 | 基于计量异常关联度模型的故障原因疑似度分析方法 |
CN111122199A (zh) * | 2019-12-31 | 2020-05-08 | 新奥数能科技有限公司 | 一种锅炉故障诊断方法及装置 |
CN111858926A (zh) * | 2020-06-08 | 2020-10-30 | 北京市基础设施投资有限公司(原北京地铁集团有限责任公司) | 一种基于多元异构数据的管廊设备故障预测方法及系统 |
-
2020
- 2020-12-17 CN CN202011497473.9A patent/CN112884170A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110555049A (zh) * | 2018-03-30 | 2019-12-10 | 浙江华云信息科技有限公司 | 基于计量异常关联度模型的故障原因疑似度分析方法 |
CN109829468A (zh) * | 2018-04-16 | 2019-05-31 | 南京航空航天大学 | 基于贝叶斯网络的民机复杂系统故障诊断方法 |
CN110493054A (zh) * | 2019-08-23 | 2019-11-22 | 广东电网有限责任公司 | 一种基于频域特征的电力通信网设备故障预测方法 |
CN111122199A (zh) * | 2019-12-31 | 2020-05-08 | 新奥数能科技有限公司 | 一种锅炉故障诊断方法及装置 |
CN111858926A (zh) * | 2020-06-08 | 2020-10-30 | 北京市基础设施投资有限公司(原北京地铁集团有限责任公司) | 一种基于多元异构数据的管廊设备故障预测方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114780732A (zh) * | 2022-06-22 | 2022-07-22 | 天津市天锻压力机有限公司 | 基于贝叶斯分类模型的锻造液压机预测性维护方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111596604B (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 | |
CN111597682B (zh) | 预测风力机齿轮箱轴承剩余寿命的方法 | |
CN102765643A (zh) | 基于数据驱动的电梯故障诊断与预警方法 | |
CN107797537A (zh) | 一种应用于自动化生产线的故障预测与健康管理方法 | |
CN109977624A (zh) | 基于深度神经网络的光伏电站缓变故障监测方法 | |
CN111817880A (zh) | 一种油气田生产设备健康管理系统以及实现方法 | |
CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
CN102819239A (zh) | 一种数控机床智能故障诊断方法 | |
CN201943686U (zh) | 油井故障实时预警系统 | |
CN116614177B (zh) | 一种光纤状态多维度参量监测系统 | |
CN112990546A (zh) | 一种基于粒子群与神经网络的化工厂电力变压器故障预测方法 | |
CN117196159A (zh) | 基于互联网大数据分析的智慧水务分区计量系统 | |
CN113987908A (zh) | 基于机器学习方法的天然气管网泄漏预警方法 | |
CN110033102A (zh) | 一种巨型水电厂具有学习功能的智能诊断方法及专家系统 | |
CN115202307A (zh) | 一种基于数字孪生的蒸汽发生器状态监测与预测系统及方法 | |
CN111556111A (zh) | 基于物联网的管廊设备故障远程诊断系统 | |
CN114648212A (zh) | 一种基于云计算的船舶设备性能智能管理系统及方法 | |
CN112884170A (zh) | 一种综合管廊预测性智能运维系统及方法 | |
CN114462820A (zh) | 一种轴承状态监测与健康管理系统性能测试及优化方法和系统 | |
KR20220089853A (ko) | 머신러닝 기술을 활용한 신재생에너지 발전설비의 고장예지 및 건전성관리 방법 | |
CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
CN117216647A (zh) | 车身焊接设备预测性维护及故障诊断方法和系统 | |
CN114167837B (zh) | 一种铁路信号系统的智能故障诊断方法及系统 | |
CN109635880B (zh) | 基于强鲁棒自适应算法的采煤机故障诊断系统 | |
CN114897262A (zh) | 一种基于深度学习的轨道交通设备故障预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210601 |
|
RJ01 | Rejection of invention patent application after publication |