CN112987693A - 智能故障诊断系统及方法 - Google Patents
智能故障诊断系统及方法 Download PDFInfo
- Publication number
- CN112987693A CN112987693A CN202110234762.8A CN202110234762A CN112987693A CN 112987693 A CN112987693 A CN 112987693A CN 202110234762 A CN202110234762 A CN 202110234762A CN 112987693 A CN112987693 A CN 112987693A
- Authority
- CN
- China
- Prior art keywords
- model
- fault
- module
- intelligent
- diagnosis
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 49
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000005070 sampling Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
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
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- 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)
- Debugging And Monitoring (AREA)
Abstract
本发明提供了一种智能故障诊断系统，包括：模型训练模块：获取各种故障的多个特征，对故障定位的模型进行训练；模型应用模块：将训练后的故障定位模型应用到真实场景中。模型训练模块包括随机拓扑生成模块、随机样本生成模块、模型训练子模块和模型UI模块；模型训练模块包括随机拓扑生成模块、随机样本生成模块、模型训练子模块和应用UI模块。本发明还提供了一种智能故障诊断方法，通过提供不同概率结果的预测和反馈，可以对不同场景进行优化，能够更加准确的判断问题发生的根源，帮助运维人员排查和解决问题。
Description
技术领域
本发明涉及故障诊断和运维技术领域，具体地，涉及一种智能故障诊断系统及方法。
背景技术
现代系统的基础架构，可能基于物理主机、虚拟机、云和混合云等等，并且随着微服务架构的发展，大型应用服务的架构也变得更加复杂，往往难以发现是哪台主机或者哪个服务发生的问题，导致系统异常。现有的故障定位技术多采用线性的启发式的算法，有一定的局限性，在应对一些复杂场景时往往可能无法准确找出问题根源，也难以根据实际情况优化算法，以提高在该场景的定位准确率。
经过检索，专利文献CN110231529A公开了一种控制柜智能故障诊断系统及故障诊断方法，包括振动传感器、温度变送器、电流变送器、电压变送器、数据采集卡、工控机、显示装置、报警装置、接线端子排、故障诊断软件、振动采样电阻、温度采样电阻、电流采样电阻、电压采样电阻、电源组成；在控制柜工作过程中，通过采集其振动、温度、电流、电压参数，实现控制柜的故障状态检测，从而判断控制柜是否为健康状态或者变压器短路故障、变频器输入缺相故障、变频器输出缺相故障、继电器跳动故障、变压器扰动温升故障中的某一类故障。该现有技术的不足之处在于很难精准定位，无法准确找出问题根源。
因此，很有必要开发一种能够实现复杂场景精准定位的智能故障诊断系统及方法。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种智能故障诊断系统及方法，通过网络拓扑方式显示主机或应用的指标，当发生异常时，可以显示发生异常的组件或应用，并且可以智能定位可能出问题的组件或应用。
根据本发明提供的一种智能故障诊断系统，包括：
模型训练模块：获取各种故障的多个特征，对故障定位的模型进行训练；
模型应用模块：将训练后的故障定位模型应用到真实场景中。
优选地，模型训练模块包括：
随机拓扑生成模块：用于生成训练样本的拓扑图；
随机样本生成模块：用于生成训练样本的故障信息；
模型训练子模块：根据随机拓扑生成模块生成的拓扑图和随机样本生成模块生成的故障信息训练故障定位诊断模型。
优选地，模型训练模块还包括模型UI模块，根据模型训练子模块训练得到的故障定位诊断模型调整模型和显示模型信息。
优选地，模型应用模块包括：
拓扑转换模块：用于将组件或主机间的调用关系转换为拓扑关系图；
智能诊断模块：根据拓扑关系和故障信息判断故障位置及故障原因。
优选地，模型应用模块还包括应用UI模块，根据拓扑转换模块转换成的拓扑关系图和智能诊断模块生成的故障信息进行显示及标注。
根据本发明提供的一种智能故障诊断方法，包括如下步骤：
步骤1：获取各种故障的多个特征，对故障定位的模型进行训练；
步骤2：将训练后的故障定位模型应用到真实场景中。
优选地，步骤1包括如下步骤：
步骤1.1：将模型训练模块随机生成大量拓扑图及预定义错误类型作为学习样本；
步骤1.2：根据学习样本标注故障位置及故障原因；
步骤1.3：根据标注的故障位置及故障原因信息生成样本数据；
步骤1.4：利用算法将生成的样本数据训练生成智能诊断模型。
优选地，步骤2包括如下步骤：
步骤2.1：按照组件或主机间的调用关系生成网络拓扑的有向图；
步骤2.2：根据网络拓扑的有向图标注产生异常指标的节点；
步骤2.3：将网络拓扑的有向图转换为领接矩阵并把异常指标代表的信息转换为异常向量；
步骤2.4：使用异常向量调用智能诊断模型，生成诊断结果；
步骤2.5：根据诊断结果反馈系统正确结果以优化智能诊断模型。
与现有技术相比，本发明具有如下的有益效果：
1、本发明通过提供不同概率结果的预测和反馈，可以对不同场景进行优化，能够更加准确的判断问题发生的根源，帮助运维人员排查和解决问题。
2、本发明通过随机生成拓扑结构，结合UI进行标注，提出了一种大大加速了告警模型数据生成的方法。
3、本发明能够对复杂拓扑图进行错误诊断，并使用大量样本数据预生成错误向量后使用诊断模型进行定位，能大大提高定位的准确率。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明中的模型训练模块示意图；
图2为本发明中的模型应用模块示意图；
图3为本发明中的模型训练流程示意图；
图4为本发明中的模型应用流程示意图；
图5为本发明中的异常节点标注示例图；
图6为本发明中的拓扑转换示例图；
图7为本发明中的应用模型示例图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
如图1、图2所示，本发明提供的一种智能故障诊断系统，包括：模型训练模块和模型应用模块。
其中，模型训练模块用于获取各种故障的多个特征，对故障定位的模型进行训练；模型应用模块将训练后的故障定位模型应用到真实场景中。
进一步来说，模型训练模块包括随机拓扑生成模块、随机样本生成模块、模型训练子模块和模型UI模块，
随机拓扑生成模块：用于生成训练样本的拓扑图；
随机样本生成模块：用于生成训练样本的故障信息；
模型训练子模块：根据随机拓扑生成模块生成的拓扑图和随机样本生成模块生成的故障信息训练故障定位诊断模型；
模型UI模块：根据模型训练子模块训练得到的故障定位诊断模型调整模型和显示模型信息。
模型训练模块包括随机拓扑生成模块、随机样本生成模块、模型训练子模块和应用UI模块，
拓扑转换模块：用于将组件或主机间的调用关系转换为拓扑关系图；
智能诊断模块：根据拓扑关系和故障信息判断故障位置及故障原因；
应用UI模块：根据拓扑转换模块转换成的拓扑关系图和智能诊断模块生成的故障信息进行显示及标注。
如图3、4所示，本发明提供的一种智能故障诊断方法，包括如下步骤：
步骤1：获取各种故障的多个特征，对故障定位的模型进行训练。
步骤1.1：将模型训练模块随机生成大量拓扑图及预定义错误类型作为学习样本。生成过程可以通过多个参数来控制，譬如节点数，变量数，平均/最大/最小入度数，平均/最大/最小出度数等。
步骤1.2：根据学习样本标注故障位置及故障原因；也可以不限于错误信息，对各个组件进行信息标注。
步骤1.3：根据标注的故障位置及故障原因信息生成样本数据；
步骤1.4：利用算法将生成的样本数据训练生成智能诊断模型，可根据实际情况调整算法以满足不同场景需求，包括但不限于：贝叶斯网络、支持向量积、神经网络等。
步骤2：将训练后的故障定位模型应用到真实场景中。
步骤2.1：按照组件或主机间的调用关系生成网络拓扑的有向图；使用拓扑模块将关系信息转换为拓扑图，可在应用UI模块中进行显示。
步骤2.2：根据网络拓扑的有向图标注产生异常指标的节点；如图5所示，每个节点可以标注任意多个不同的故障或错误信息。
步骤2.3：将网络拓扑的有向图转换为领接矩阵并把异常指标代表的信息转换为异常向量；如图6所示，使用预训练的错误关系模型把错误信息转换为异常向量。
步骤2.4：使用异常向量调用智能诊断模型，生成诊断结果；诊断结果包括了各个节点可能的故障原因的概率信息，结果示例如图7所示。
步骤2.5：根据诊断结果反馈系统正确结果以优化智能诊断模型。判断故障原因，可以看到故障点主要在0组件上。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (8)
1.一种智能故障诊断系统，其特征在于，包括：
模型训练模块：获取各种故障的多个特征，对故障定位的模型进行训练；
模型应用模块：将训练后的故障定位模型应用到真实场景中。
2.根据权利要求1所述的智能故障诊断系统，其特征在于，所述模型训练模块包括：
随机拓扑生成模块：用于生成训练样本的拓扑图；
随机样本生成模块：用于生成训练样本的故障信息；
模型训练子模块：根据随机拓扑生成模块生成的拓扑图和随机样本生成模块生成的故障信息训练故障定位诊断模型。
3.根据权利要求2所述的智能故障诊断系统，其特征在于，所述模型训练模块还包括模型UI模块，根据模型训练子模块训练得到的故障定位诊断模型调整模型和显示模型信息。
4.根据权利要求1所述的智能故障诊断系统，其特征在于，所述模型应用模块包括：
拓扑转换模块：用于将组件或主机间的调用关系转换为拓扑关系图；
智能诊断模块：根据拓扑关系和故障信息判断故障位置及故障原因。
5.根据权利要求4所述的智能故障诊断系统，其特征在于，所述模型应用模块还包括应用UI模块，根据拓扑转换模块转换成的拓扑关系图和智能诊断模块生成的故障信息进行显示及标注。
6.一种智能故障诊断方法，其特征在于，包括如下步骤：
步骤1：获取各种故障的多个特征，对故障定位的模型进行训练；
步骤2：将训练后的故障定位模型应用到真实场景中。
7.根据权利要求6所述的智能故障诊断方法，其特征在于，所述步骤1包括如下步骤：
步骤1.1：将模型训练模块随机生成大量拓扑图及预定义错误类型作为学习样本；
步骤1.2：根据学习样本标注故障位置及故障原因；
步骤1.3：根据标注的故障位置及故障原因信息生成样本数据；
步骤1.4：利用算法将生成的样本数据训练生成智能诊断模型。
8.根据权利要求6所述的智能故障诊断方法，其特征在于，所述步骤2包括如下步骤：
步骤2.1：按照组件或主机间的调用关系生成网络拓扑的有向图；
步骤2.2：根据网络拓扑的有向图标注产生异常指标的节点；
步骤2.3：将网络拓扑的有向图转换为领接矩阵并把异常指标代表的信息转换为异常向量；
步骤2.4：使用异常向量调用智能诊断模型，生成诊断结果；
步骤2.5：根据诊断结果反馈系统正确结果以优化智能诊断模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110234762.8A CN112987693A (zh) | 2021-03-03 | 2021-03-03 | 智能故障诊断系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110234762.8A CN112987693A (zh) | 2021-03-03 | 2021-03-03 | 智能故障诊断系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112987693A true CN112987693A (zh) | 2021-06-18 |
Family
ID=76352347
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110234762.8A Pending CN112987693A (zh) | 2021-03-03 | 2021-03-03 | 智能故障诊断系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112987693A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116763268A (zh) * | 2023-05-10 | 2023-09-19 | 广州培生信息技术有限公司 | 一种人体多指标检测方法及装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102938708A (zh) * | 2012-11-05 | 2013-02-20 | 国网电力科学研究院 | 基于告警传播模式的告警相关性分析系统及其分析方法 |
| US20160148103A1 (en) * | 2014-11-21 | 2016-05-26 | The Regents Of The University Of California | Fast behavior and abnormality detection |
| US20170134240A1 (en) * | 2014-07-08 | 2017-05-11 | Telefonaktiebolaget Lm Ercisson (Publ) | Network Topology Estimation Based on Event Correlation |
| CN108596229A (zh) * | 2018-04-13 | 2018-09-28 | 北京华电智慧科技产业有限公司 | 在线异常的监测诊断方法和系统 |
| CN109116188A (zh) * | 2018-09-05 | 2019-01-01 | 广东电网有限责任公司 | 一种电力系统故障推演方法、装置、设备及可读存储介质 |
| CN110597235A (zh) * | 2019-10-10 | 2019-12-20 | 苏州知因扬鼎智能科技有限公司 | 一种通用智能故障诊断方法 |
| CN110716533A (zh) * | 2019-10-29 | 2020-01-21 | 山东师范大学 | 影响数控装备可靠性的关键子系统识别方法及系统 |
| CN110855502A (zh) * | 2019-11-22 | 2020-02-28 | 叶晓斌 | 一种基于时空分析日志的故障定因方法和系统 |
| CN110943857A (zh) * | 2019-11-20 | 2020-03-31 | 国网湖北省电力有限公司信息通信公司 | 基于卷积神经网络的电力通信网故障分析及定位方法 |
| CN111295592A (zh) * | 2017-11-03 | 2020-06-16 | 3M创新有限公司 | 用于电力网络中的异常检测的系统和方法 |
-
2021
- 2021-03-03 CN CN202110234762.8A patent/CN112987693A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102938708A (zh) * | 2012-11-05 | 2013-02-20 | 国网电力科学研究院 | 基于告警传播模式的告警相关性分析系统及其分析方法 |
| US20170134240A1 (en) * | 2014-07-08 | 2017-05-11 | Telefonaktiebolaget Lm Ercisson (Publ) | Network Topology Estimation Based on Event Correlation |
| US20160148103A1 (en) * | 2014-11-21 | 2016-05-26 | The Regents Of The University Of California | Fast behavior and abnormality detection |
| CN111295592A (zh) * | 2017-11-03 | 2020-06-16 | 3M创新有限公司 | 用于电力网络中的异常检测的系统和方法 |
| CN108596229A (zh) * | 2018-04-13 | 2018-09-28 | 北京华电智慧科技产业有限公司 | 在线异常的监测诊断方法和系统 |
| CN109116188A (zh) * | 2018-09-05 | 2019-01-01 | 广东电网有限责任公司 | 一种电力系统故障推演方法、装置、设备及可读存储介质 |
| CN110597235A (zh) * | 2019-10-10 | 2019-12-20 | 苏州知因扬鼎智能科技有限公司 | 一种通用智能故障诊断方法 |
| CN110716533A (zh) * | 2019-10-29 | 2020-01-21 | 山东师范大学 | 影响数控装备可靠性的关键子系统识别方法及系统 |
| CN110943857A (zh) * | 2019-11-20 | 2020-03-31 | 国网湖北省电力有限公司信息通信公司 | 基于卷积神经网络的电力通信网故障分析及定位方法 |
| CN110855502A (zh) * | 2019-11-22 | 2020-02-28 | 叶晓斌 | 一种基于时空分析日志的故障定因方法和系统 |
Non-Patent Citations (3)
| Title |
|---|
| 徐彪 等: "基于拓扑图元信息融合的电网故障诊断模型", 《电工技术学报》 * |
| 王勇等: "基于有向图和贝叶斯网络融合的飞机系统故障诊断研究", 《测控技术》 * |
| 阎铁生: "机车电子控制柜车载诊断系统研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116763268A (zh) * | 2023-05-10 | 2023-09-19 | 广州培生信息技术有限公司 | 一种人体多指标检测方法及装置 |
| CN116763268B (zh) * | 2023-05-10 | 2024-01-26 | 广州培生信息技术有限公司 | 一种人体多指标检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yuan et al. | Data driven discovery of cyber physical systems | |
| Poll et al. | Advanced diagnostics and prognostics testbed | |
| Kabir et al. | A review of data-driven prognostics in power electronics | |
| CN107862103B (zh) | 一种基于adpss的仿真模型生成方法及系统 | |
| CN101833324B (zh) | 胎面挤出过程智能故障诊断系统及其诊断方法 | |
| CN109557391B (zh) | 柔性直流换流阀故障模拟机构以及系统 | |
| de López Diz et al. | A real-time digital twin approach on three-phase power converters applied to condition monitoring | |
| EP3968479A1 (en) | Systems and methods for automatic power topology discovery | |
| Baker et al. | Real-time AI-based anomaly detection and classification in power electronics dominated grids | |
| CN113131518B (zh) | 一种mlpe光伏系统及其mlpe设备检测方法 | |
| Xia et al. | Current sensor fault diagnosis and fault‐tolerant control for single‐phase PWM rectifier based on a hybrid model‐based and data‐driven method | |
| Konig et al. | Reliability analysis of substation automation system functions using PRMs | |
| CN104570976A (zh) | 监控系统及方法 | |
| Zheng et al. | Combining a HMM with a genetic algorithm for the fault diagnosis of photovoltaic inverters | |
| US11907865B2 (en) | Determination of security-constrained optimal power flow | |
| CN112987693A (zh) | 智能故障诊断系统及方法 | |
| Shen et al. | Virtual testbed for development and evaluation of power system digital twins and their applications | |
| Schellenberger et al. | Cognitive Power Electronics–An Enabler for Smart Systems | |
| Chan et al. | Using Bayesian networks to improve fault diagnosis during manufacturing tests of mobile telephone infrastructure | |
| US10739765B2 (en) | Method for enriching data in measurement data records of a low-voltage network | |
| Meliopoulos et al. | Dynamic Estimation-Based Protection and Hidden Failure Detection and Identification: Inverter-Dominated Power Systems | |
| Vitale et al. | FTU toroidal magnet power supply slow control using ITER CODAC Core System | |
| CN110232482B (zh) | 基于神经网络的设备管理方法及装置 | |
| CN114116252A (zh) | 一种调控系统运行量测数据存储系统及方法 | |
| US9766871B2 (en) | Method and apparatus for operating a processing and/or production installation |
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: 20210618 |
|
| RJ01 | Rejection of invention patent application after publication |