CN113219939A - 基于残差自回归的设备故障预测方法及系统 - Google Patents

基于残差自回归的设备故障预测方法及系统 Download PDF

Info

Publication number
CN113219939A
CN113219939A CN202110372090.7A CN202110372090A CN113219939A CN 113219939 A CN113219939 A CN 113219939A CN 202110372090 A CN202110372090 A CN 202110372090A CN 113219939 A CN113219939 A CN 113219939A
Authority
CN
China
Prior art keywords
equipment
residual
autoregressive
fitting
equipment operation
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
Application number
CN202110372090.7A
Other languages
English (en)
Inventor
刘利达
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Runyi Intelligent Technology Co ltd
Original Assignee
Shandong Runyi Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Runyi Intelligent Technology Co ltd filed Critical Shandong Runyi Intelligent Technology Co ltd
Priority to CN202110372090.7A priority Critical patent/CN113219939A/zh
Publication of CN113219939A publication Critical patent/CN113219939A/zh
Pending legal-status Critical Current

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
    • G05B23/0218—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)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明属于设备故障预测领域，提供了一种基于残差自回归的设备故障预测方法及系统。其中，该方法包括获取设备运行参数，并将其输入至设备运行参数预测模型中，输出设备运行参数预测值；将设备运行参数预测值与设备正常运行的数据范围进行比较，若预测值不在正常阈值范围内，则输出设备故障告警；否则，不告警；所述设备运行参数预测模型由趋势效应拟合及拟合趋势效应后的残差序列构成。

Description

基于残差自回归的设备故障预测方法及系统
技术领域
本发明属于设备故障预测领域，尤其涉及一种基于残差自回归的设备故障预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
随着医疗设备智能化及自动化进程的快速发展，医疗设备存在设备种类繁多、管理复杂、故障诊断难度高、传统事后维修和计划维修的不足及经济可承受能力差等问题，而且对设备的维修保障能力提出了更高的要求。发明人发现，现有的设备故障预测方法均是基于设备历史时间段的运行参数及其对应故障进行训练，来预测设备故障。但是，医疗设备的复杂性，对于每个医疗设备需要训练各自对应的故障预测模型，这样需要获取大量的历史故障数据，而由于医疗设备的历史故障数据有限，无法准确地训练出故障预测模型，因此，无法准确地预测出医疗设备下一时间段的故障。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种基于残差自回归的设备故障预测方法及系统，其将大数据驱动的设备故障预测模型理论引入到设备维修管理中，能够预测设备在下一个时间段是否发生故障，这对设备的管理和维护起着重要作用，也能够保障设备使用安全，提高设备使用率、减少设备维护成本。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种基于残差自回归的设备故障预测方法。
一种基于残差自回归的设备故障预测方法，包括：
获取设备运行参数，并将其输入至设备运行参数预测模型中，输出设备运行参数预测值；
将设备运行参数预测值与设备正常运行的数据范围进行比较，若预测值不在正常阈值范围内，则输出设备故障告警；否则，不告警；
其中，所述设备运行参数预测模型由趋势效应拟合及拟合趋势效应后的残差序列构成。
本发明的第二个方面提供一种基于残差自回归的设备故障预测系统。
一种基于残差自回归的设备故障预测系统，包括：
设备运行参数预测模块，其用于获取设备运行参数，并将其输入至设备运行参数预测模型中，输出设备运行参数预测值；
设备故障告警输出模块，其用于将设备运行参数预测值与设备正常运行的数据范围进行比较，若预测值不在正常阈值范围内，则输出设备故障告警；否则，不告警；
其中，所述设备运行参数预测模型由趋势效应拟合及拟合趋势效应后的残差序列构成。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于残差自回归的设备故障预测方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，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所述的基于残差自回归的设备故障预测方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明应用残差自回归模型对检测设备收集到的与设备相关的数据进行预测，此模型不仅可以预测与设备相关因素在未来5期的具体值，还可以预测影响因素的变化趋势，从而为设备的提前调整和维修提供理论基础，对设备进行事前干预，减少因设备异常而带来的损失。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，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。
图1是本发明实施例的基于残差自回归的设备故障预测方法流程图；
图2是医院某设备的电缆温度的30天实际数据；
图3是医院某设备的电缆温度的预测值与实际数据比较图；
图4是真实值与预测值趋势比较；
图5是本发明实施例的设备运行参数预测模型构建流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
如图1所示，本实施例的一种基于残差自回归的设备故障预测方法，包括：
S101：获取设备运行参数，并将其输入至设备运行参数预测模型中，输出设备运行参数预测值。
在本实施例中，设备运行的数据，包括设备的电流、温度、转速等与设备正常运行相关因素的数据。
其中，所述设备运行参数预测模型由趋势效应拟合及拟合趋势效应后的残差序列构成。
在本实施例中，设备运行参数预测模型模型优点：既可提取时间序列中确定性趋势并能进行解释，又可对提取确定性趋势后的数据进行自回归模型拟合，将数据的信息进行充分的利用。
具体地，如图5所示，设备运行参数预测模型的构造思想：
xt＝Tt+εt
上式中，Tt为趋势效应拟合，εt为拟合趋势效应后的残差序列。
Tt＝β0+β1t,t＝1,2,3...
其中：β0和β1为常系数，t代表时间序列中的位置序数。
对εt进行自相关性检验，因为使用DW检验在回归因子在包含延迟变量时，会使得DW统计量为一个有偏统计，其中，DW统计量容易产生残差序列正相关性不显著的误判，为克服其有偏性使用Durbin h统计量。
Figure RE-GDA0003087524720000051
Figure RE-GDA0003087524720000052
上式中，n为观察值序列长度，
Figure RE-GDA0003087524720000053
为延迟变量系数的最小二乘估计的方差。
为了防止因判断条件过于苛刻而使得最终拟合情况较好的数据不能通过检验，本案在设置检验时仅将Dh＝2时为不相关，不再进行下一步的拟合。
对通过检验的残差进行自回归拟合，所用公式为：
εt＝φ1εt-1+...+φpεt-p+at
上式中，φ1、φp为常系数；εt为提取效应趋势的残差，at为白噪声序列。
对于有自相关性的残差进行默认进行13阶的自回归模型拟合。并计算自回归对应的未知参数，且将每个未知参数对应的P值进行检验，默认Pr>|t|值需大于0.05，即取置信度为95％。对于不通过检验的参数将其舍去，对通过计算的参数进行模型整合。其中，P值是拒绝原假设的值。
此处需要说明的是，自回归模型拟合的自相关的阶数可以根据数据本身的特性自主进行调节。
模型的整体表达式如下：
Figure RE-GDA0003087524720000054
其中：结果中的at为白噪声序列，若at不是白噪声，说明剩余的数据中还有信息未被提取充分，需要根据经验对数据进行进一步处理。
结果中判断at为白噪声序列的过程为：
将at进行纯随机性检验，在SAS软件中identify最后一部分信息白噪声检验结果中，看Pr>ChiSq对应的数，当其大于0.05时为白噪声序列。
S102：将设备运行参数预测值与设备正常运行的数据范围进行比较，若预测值不在正常阈值范围内，则输出设备故障告警；否则，不告警；
如图2所示：数据为医院某设备的电缆温度的30天实际数据。
根据如图2所示的30天电缆温度的数据绘制的序列图，其中一天有24个数据，每个数据为设备采集的一小时数据的均值。对上图数据进行残差自回归拟合，拟合结果如下：
Figure RE-GDA0003087524720000061
Figure RE-GDA0003087524720000062
其中，DW＝2.0158接近2，残差序列不相关，证明此模型对原数据提取充分。且总R方为0.9813，说明模型的拟合程度为98.13％，模型的拟合程度较高。
具体地，医院某设备的电缆温度的预测温度模型为：
Figure RE-GDA0003087524720000071
医院某设备的电缆温度的预测值与实际数据比较如图3所示，在图3中， L95表示预测的数据的下限；U95表示：预测的数据的上限；Type of observation 表示：观测类型；Actual表示：实际值；Forecast表示：预测值。
拟合后的图如图4所示，虚线为此次预测的23期数值，直线为第31天的真实值。从图4可以看出真实值与预测值的相差较小，整体趋势保持一致。
本实施例的该方法可应用于各种场景下对设备运行数据进行预测，从而在设备故障发生前进行人为干预，预防设备故障的发生。
实施例二
本实施例提供了一种基于残差自回归的设备故障预测系统，包括：
设备运行参数预测模块，其用于获取设备运行参数，并将其输入至设备运行参数预测模型中，输出设备运行参数预测值；
设备故障告警输出模块，其用于将设备运行参数预测值与设备正常运行的数据范围进行比较，若预测值不在正常阈值范围内，则输出设备故障告警；否则，不告警；
其中，所述设备运行参数预测模型由趋势效应拟合及拟合趋势效应后的残差序列构成。
此处需要说明的是，本实施例的基于残差自回归的设备故障预测系统中的各个模块，与实施例一中的基于残差自回归的设备故障预测方法中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于残差自回归的设备故障预测方法中的步骤。
实施例四
本实施例提供了一种计算机设备，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所述的基于残差自回归的设备故障预测方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory， ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于残差自回归的设备故障预测方法，其特征在于，包括：
获取设备运行参数，并将其输入至设备运行参数预测模型中，输出设备运行参数预测值；
将设备运行参数预测值与设备正常运行的数据范围进行比较，若预测值不在正常阈值范围内，则输出设备故障告警；否则，不告警；
其中，所述设备运行参数预测模型由趋势效应拟合及拟合趋势效应后的残差序列构成。
2.如权利要求1所述的基于残差自回归的设备故障预测方法，其特征在于，所述基于残差自回归的设备故障预测方法，还包括：对拟合趋势效应后的残差序列进行自相关性检验。
3.如权利要求2所述的基于残差自回归的设备故障预测方法，其特征在于，若拟合趋势效应后的残差序列相关，则进行下一步拟合；否则，不进行下一步拟合。
4.如权利要求1所述的基于残差自回归的设备故障预测方法，其特征在于，所述设备运行参数预测模型用于对输入的设备运行参数进行残差自回归拟合，拟合结果为设备运行参数预测值。
5.如权利要求4所述的基于残差自回归的设备故障预测方法，其特征在于，对输入的设备运行参数进行残差自回归拟合的之前还包括：计算自回归对应的未知参数，且将每个未知参数对应的P值进行检验；其中，P值是拒绝原假设的值。
6.如权利要求4所述的基于残差自回归的设备故障预测方法，其特征在于，在对输入的设备运行参数进行残差自回归拟合的过程中，对于不通过检验的参数将其舍去，对通过计算的参数进行模型整合。
7.如权利要求1所述的基于残差自回归的设备故障预测方法，其特征在于，设备运行参数包括设备的电流、温度和转速参数。
8.一种基于残差自回归的设备故障预测系统，其特征在于，包括：
设备运行参数预测模块，其用于获取设备运行参数，并将其输入至设备运行参数预测模型中，输出设备运行参数预测值；
设备故障告警输出模块，其用于将设备运行参数预测值与设备正常运行的数据范围进行比较，若预测值不在正常阈值范围内，则输出设备故障告警；否则，不告警；
其中，所述设备运行参数预测模型由趋势效应拟合及拟合趋势效应后的残差序列构成。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的基于残差自回归的设备故障预测方法中的步骤。
10.一种计算机设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于残差自回归的设备故障预测方法中的步骤。
CN202110372090.7A 2021-04-07 2021-04-07 基于残差自回归的设备故障预测方法及系统 Pending CN113219939A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110372090.7A CN113219939A (zh) 2021-04-07 2021-04-07 基于残差自回归的设备故障预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110372090.7A CN113219939A (zh) 2021-04-07 2021-04-07 基于残差自回归的设备故障预测方法及系统

Publications (1)

Publication Number Publication Date
CN113219939A true CN113219939A (zh) 2021-08-06

Family

ID=77086598

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110372090.7A Pending CN113219939A (zh) 2021-04-07 2021-04-07 基于残差自回归的设备故障预测方法及系统

Country Status (1)

Country Link
CN (1) CN113219939A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117407458A (zh) * 2023-10-24 2024-01-16 宁波极望信息科技有限公司 对目标区域内的设备进行监控的可视化监控方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102773A (zh) * 2014-07-05 2014-10-15 山东鲁能软件技术有限公司 一种设备故障预警及状态监测方法
CN105512812A (zh) * 2015-12-02 2016-04-20 中广核工程有限公司 基于动态仿真模型的核电厂设备故障预警分析方法及系统
US20190188611A1 (en) * 2017-12-14 2019-06-20 Business Objects Software Limited Multi-step time series forecasting with residual learning
CN110209999A (zh) * 2018-02-28 2019-09-06 广州地铁集团有限公司 一种车载设备故障趋势预测方法
CN112347641A (zh) * 2020-11-05 2021-02-09 华润电力技术研究院有限公司 一种基于实时数据的给水泵故障预测与诊断方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102773A (zh) * 2014-07-05 2014-10-15 山东鲁能软件技术有限公司 一种设备故障预警及状态监测方法
CN105512812A (zh) * 2015-12-02 2016-04-20 中广核工程有限公司 基于动态仿真模型的核电厂设备故障预警分析方法及系统
US20190188611A1 (en) * 2017-12-14 2019-06-20 Business Objects Software Limited Multi-step time series forecasting with residual learning
CN110209999A (zh) * 2018-02-28 2019-09-06 广州地铁集团有限公司 一种车载设备故障趋势预测方法
CN112347641A (zh) * 2020-11-05 2021-02-09 华润电力技术研究院有限公司 一种基于实时数据的给水泵故障预测与诊断方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
付金会: "《统计学》", 30 April 2017 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117407458A (zh) * 2023-10-24 2024-01-16 宁波极望信息科技有限公司 对目标区域内的设备进行监控的可视化监控方法及系统

Similar Documents

Publication Publication Date Title
JP7069269B2 (ja) デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム
Lu et al. Predictive condition‐based maintenance for continuously deteriorating systems
CN111967571A (zh) 一种基于mhma的异常检测方法和设备
CN114978956B (zh) 智慧城市网络设备性能异常突变点检测方法及装置
KR101941854B1 (ko) 미취득 데이터 보정을 통한 부하 예측 시스템 및 방법
CN112487910A (zh) 核电汽轮机系统故障预警方法及系统
CN112598172A (zh) 一种风电机组轴承温度预警方法
US20190196458A1 (en) Method for selecting leading associated parameter and method for combining critical parameter and leading associated parameter for equipment prognostics and health management
JP2018139085A (ja) 異常予測方法、異常予測装置、異常予測システムおよび異常予測プログラム
CN111796233B (zh) 双母线接线形式下多台电压互感器继发性误差的评估方法
CN113219939A (zh) 基于残差自回归的设备故障预测方法及系统
KR101960755B1 (ko) 미취득 전력 데이터 생성 방법 및 장치
Ahsan et al. Prognosis of gas turbine remaining useful life using particle filter approach
CN111814331B (zh) 复杂情况下多变点的设备剩余使用寿命预测方法
CN111290371B (zh) 物联网设备远程诊断的方法及装置、电子设备
CN113123955B (zh) 柱塞泵异常检测方法、装置、存储介质及电子设备
CN110209649B (zh) 基于关联规则知识库的中央空调系统能效实时诊断方法
CN111885084A (zh) 一种入侵检测方法、装置及电子设备
CN114565318A (zh) 目标信号的有效性判断方法、处理方法、装置及决策系统
CN112816898A (zh) 电瓶故障预测方法、装置、电子设备和存储介质
CN111126277A (zh) 一种电力故障告警信号识别方法、装置、终端及存储介质
Xin et al. Run-time probabilistic model checking for failure prediction: A smart lift case study
CN117150225B (zh) 一种基于贝叶斯算法的工业数据的清洗方法及系统
CN114186666B (zh) 一种基于自标准化编解码的发电机线圈温度异常监测方法
EP4099656A1 (en) Computer-implemented method and surveillance arrangement for identifying manipulations of cyber-physical-systems as well as computer-implemented-tool and cyber-physical-system

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