CN113222262B - 设备的故障预测方法、装置、系统、设备及存储介质 - Google Patents
设备的故障预测方法、装置、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113222262B CN113222262B CN202110547676.2A CN202110547676A CN113222262B CN 113222262 B CN113222262 B CN 113222262B CN 202110547676 A CN202110547676 A CN 202110547676A CN 113222262 B CN113222262 B CN 113222262B
- Authority
- CN
- China
- Prior art keywords
- score
- value
- operation data
- discourse
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000004891 communication Methods 0.000 claims description 15
- 108020001568 subdomains Proteins 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 230000003862 health status Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 239000007788 liquid Substances 0.000 claims description 10
- 230000036541 health Effects 0.000 claims description 9
- 230000007257 malfunction Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 239000002440 industrial waste Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004519 manufacturing process 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
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect 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
- G06Q10/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本申请涉及一种设备的故障预测方法、装置、系统、设备及存储介质,该方法包括:获取设备的至少一个运行指标的当前运行数据;获取至少一个运行指标的历史运行数据;对于每一个运行指标,进行如下处理:获取当前运行数据和历史运行数据的第一差值;确定第一差值所属的目标子论域以及目标子论域的第一评分;获取目标子论域的上边界值和下边界值;基于第一评分、目标子论域的下一子论域的第二评分、上边界值和下边界值计算运行指标的附加评分;将第一评分和附加评分的和作为运行指标的总评分;根据每个运行指标的总评分和运行指标的权重值对设备进行故障预测。本申请用以提供一种准确、可靠、适用范围广的故障预测方法。
Description
技术领域
本申请涉及智能监控技术领域,尤其涉及一种设备的故障预测方法、装置、系统、设备及存储介质。
背景技术
在石油、化工、电子、医药、新能源等众多类型的企业中,工业废物的产生不可避免,工业废物处理设备已经成为此类企业在生产过程中不可缺少的设备之一。随着工业大数据技术的发展,实现工业废物处理设备的远程监控已经成为必然趋势。
对于工业废物处理设备的故障预测,现有技术中采用基于神经网络算法的故障预测模型对工业废物处理设备进行故障预测。但是,神经网络模型的准确性建立在对大量具有明显特征的数据进行训练的基础上,训练样本越完善,故障预测准确度才越高。而工业废物处理设备虽然正常运行数据充足,但是故障样本数据匮乏,且破坏性试验成本高,导致故障预测的结果并不准确。
发明内容
本申请提供了一种设备的故障预测方法、装置、系统、设备及存储介质,用以解决现有技术中故障预测的结果不准确的问题。
第一方面,本申请实施例提供了一种设备的故障预测方法,包括:
获取所述设备的至少一个运行指标的当前运行数据;
获取所述至少一个运行指标的历史运行数据;
对于每一个所述运行指标,进行如下处理:
获取所述当前运行数据和所述历史运行数据的第一差值;确定所述第一差值所属的目标子论域以及所述目标子论域的第一评分;获取所述目标子论域的上边界值和下边界值;基于所述第一评分、所述目标子论域的下一子论域的第二评分、所述上边界值和所述下边界值计算所述运行指标的附加评分;将所述第一评分和所述附加评分的和作为所述运行指标的总评分;
根据每个所述运行指标的总评分和所述运行指标的权重值对所述设备进行故障预测。
可选的,所述基于所述第一评分、所述目标子论域的下一子论域的第二评分、所述上边界值和所述下边界值计算所述运行指标的附加评分,包括:
计算所述第二评分和所述第一评分的第二差值;
计算所述第一差值与所述上边界值的第三差值;
计算所述上边界值和所述下边界值的第四差值;
获取所述第三差值和所述第四差值的商的绝对值;
获取所述第二差值和所述绝对值的乘积,得到所述附加评分。
可选的,所述获取所述设备的至少一个运行指标的当前运行数据,包括:
向所述设备的本地服务器发送获取所述至少一个运行指标的当前运行数据的请求;
基于所述请求获取所述至少一个运行指标的当前运行数据。
可选的,所述获取所述至少一个运行指标的当前运行数据,包括:
获取所述设备的所述至少一个运行指标在当前预设时间段内的运行数据;
对于每个运行指标,按照预设大小的滑动窗口,计算所述预设时间段内的运行数据的均值,得到所述至少一个运行指标的所述当前运行数据。
可选的,所述根据每个所述运行指标的总评分和所述运行指标的权重值对所述设备进行故障预测,包括:
对于每个所述运行指标,计算所述总评分和所述权重值的乘积;
计算各个所述运行指标的乘积的和,得到所述设备的健康状态参数;其中,所述健康状态参数用于指示所述设备发生故障的可能性。
可选的,所述确定所述第一差值所属的目标子论域,包括:
获取所述运行指标的论域和模糊等级的数量;
将所述论域划分成与所述模糊等级的数量相同的子论域;
将所述第一差值所属的子论域作为所述目标子论域。
第二方面,本申请实施例提供了一种设备的故障预测系统,包括:远程服务器、至少一个本地服务器和至少一个所述设备;其中,所述至少一个本地服务器与所述远程服务器建立通信连接,且每个所述本地服务器与一个所述设备建立通信连接;
所述本地服务器,用于获取所述设备的至少一个运行指标的当前运行数据,并发送至所述远程服务器;
所述远程服务器,用于获取所述至少一个运行指标的历史运行数据;对于每一个所述运行指标,进行如下处理:获取所述当前运行数据和所述历史运行数据的第一差值;确定所述第一差值所属的目标子论域以及所述目标子论域的第一评分;获取所述目标子论域的上边界值和下边界值;基于所述第一评分、所述目标子论域的下一子论域的第二评分、所述上边界值和所述下边界值计算所述运行指标的附加评分;将所述第一评分和所述附加评分的和作为所述运行指标的总评分;根据每个所述运行指标的总评分和所述运行指标的权重值对所述设备进行故障预测。
第三方面,本申请实施例提供了一种设备的故障预测装置,包括:
第一获取模块,用于获取所述设备的至少一个运行指标的当前运行数据;
第二获取模块,用于获取所述至少一个运行指标的历史运行数据;
评价模块,用于对于每一个所述运行指标,进行如下处理:获取所述当前运行数据和所述历史运行数据的第一差值;确定所述第一差值所属的目标子论域以及所述目标子论域的第一评分;获取所述目标子论域的上边界值和下边界值;基于所述第一评分、所述目标子论域的下一子论域的第二评分、所述上边界值和所述下边界值计算所述运行指标的附加评分;将所述第一评分和所述附加评分的和作为所述运行指标的总评分;
故障预测模块,用于根据每个所述运行指标的总评分和所述运行指标的权重值对所述设备进行故障预测。
第四方面,本申请实施例提供了一种电子设备,包括:处理器、存储器和通信总线,其中,处理器和存储器通过通信总线完成相互间的通信;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述存储器中所存储的程序,实现第一方面所述的设备的故障预测方法。
第五方面,本申请实施例提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述的设备的故障预测方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:本申请实施例提供的该方法,利用运行指标的当前运行数据和历史运行数据的第一差值,确定与第一差值对应的第一评分和附加评分,根据第一评分和附加评分计算得到运行指标的总评分,根据运行指标的总评分和运行指标的权重值进行故障预测,不需要建立在大量的故障样本数据之上,无需建立精确的神经网络模型,以大量的正常的历史运行数据为基准,采用模糊算法的思想进行故障预测,准确度高,鲁棒性强,且不依赖模糊算法中的隶属度函数,是对现有模糊算法的一种改进,适应范围更广泛。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例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,对于本领域普通技术人员而言,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为本申请实施例提供的设备的故障预测方法的系统架构示意图;
图2为本申请实施例提供的一种设备的故障预测方法的流程示意图;
图3为本申请实施例提供的利用滑动窗口计算均值的示意图;
图4为本申请实施例提供的故障预测界面的示意图;
图5为本申请实施例提供的一种设备的故障预测装置的结构示意图;
图6为本申请实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例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申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
现有技术中,基于神经网络算法的故障预测模型对工业废物处理设备进行故障预测,需要大量的故障样本数据,而工业废物处理设备虽然正常运行数据充足,但是故障样本数据匮乏,且破坏性试验成本高,故障样本数据的匮乏导致故障预测的结果并不准确。
基于上述技术问题,利用工业废物处理过程中正常运行数据充足的特点,本申请实施例提供了一种设备的故障预测方法。首先,结合图1对本申请实施例公开的设备的故障预测方法的系统架构进行说明。该系统架构包括:远程服务器101、至少一个本地服务器102和至少一个设备103;其中,至少一个本地服务器102与远程服务器101通过网络建立通信连接,且每个本地服务器102与一个设备103通过网络建立一一对应的通信连接。其中,上述网络包括但不限于:广域网或本地WIFI局域网等。
本地服务器102,用于获取设备103的至少一个运行指标的当前运行数据,并发送至远程服务器101;
在具体实现时,每个设备103上安装传感器、控制器和执行器,其中,传感器用于采集设备各运行指标的运行数据。传感器包括:温度传感器、压力传感器、液位传感器、电导率传感器、酸碱度传感器和气体含量传感器中的至少一种。控制器用于读取传感器采集的运行数据,并传输给本地服务器,接收本地服务器或者远程服务器的控制指令,并控制执行器。执行器用于根据控制器的控制指令,开启或关闭设备中的阀门或泵体等执行装置。其中,传感器与控制器通过电缆连接;执行器和控制器通过电缆连接。
本地服务器102用于对工业废物处理设备进行现场监测和控制,记录运行数据,故障时发出报警提示,通过计算机技术和通讯技术,实现与远程服务器101的数据交互。
远程服务器101用于接收各个本地服务器102的数据,通过大数据分析实现系统的故障预测、故障诊断等功能。
在获取设备103的至少一个运行指标的当前运行数据时,本申请实施例采用主动获取数据的方式,远程服务器101向设备的本地服务器102发送获取至少一个运行指标的当前运行数据的请求;基于请求获取至少一个运行指标的当前运行数据。
其中,在具体实现时,采用JSON数据格式向设备的本地服务器102发送请求,该请求中包含:地址标识符、各个运行指标的需求标识符;地址标识符用于将请求指向指定的本地服务器102,需求标识符用于通知本地服务器102返回满足要求的指定数据。
本地服务器102接收到请求后,对地址标识符进行识别,确定接收到指向自身的请求后,根据请求中的需求标识符编辑相应的运行数据,该运行数据采用JSON数据格式发送。远程服务器101接收到运行数据后,一方面作为当前运行数据进行可视化监测,另一方面存入到数据库,为大数据分析做准备。
为了便于理解,举例说明远程服务器和本地服务器之间的数据交互的过程。
(1)远程服务器向本地服务器发送JSON请求指令:
{“CE_FUJIAN_2021_001”,“sensor_preparing”,“sensor_running”,“data_statistic”,“data_datetime”}
其中,“CE_FUJIAN_2021_001”表示该请求指令指向的本地服务器;“sensor_preparing”表示需求a,如:预热阶段的传感器数据;“sensor_running”表示需求b,如:运行阶段的传感器数据;“data_statistic”表示需求c,即系统的统计数据;“data_datetime”表示需求d,即数据发生的时间。
(2)本地服务器向远程服务器返回JSON格式的运行数据
{“address”:“CE_FUJIAN_2021_001”,“sensor_preparing”:[“TT01”:56,“TT02”:78,“LT01”:1000,“LT02”:1100],“sensor_running”:[“TT01”:0,“TT02”:0,“LT01”:0,“LT02”:0],“data_statistic”:[“总处理量”:1234567,“总排水量”:123456,“总用电量”:12345,“当前状态”:“预热中”],“data_datetime”:“2021/03/15 10:20:30”}。
其中,“address”:“CE_FUJIAN_2021_001”表示运行数据来源的地址标识符,即指示运行数据从哪个本地服务器获取到的;
“sensor_preparing”:[“TT01”:56,“TT02”:78,“LT01”:12,“AF01”:20.2]表示响应“sensor_preparing”的数据,即预热阶段的传感器数据,规定非预热阶段其响应值为0。其中,TT01、TT02、LT01、LT02代表不同设备或同一设备不同位置的运行指标。例如:TT01代表工业废物处理设备中分离器进口处的温度;TT02为该分离器出口处的温度;LT01代表分离器的液位;AF01为压缩机的频率。
“sensor_running”:[“TT01”:0,“TT02”:0,“LT01”:0,“AF01”:0]表示响应“sensor_running”的数据,即运行阶段的传感器数据,规定非运行阶段其响应值为0;
“data_statistic”:[“总处理量”:1234567,“总排水量”:123456,“总用电量”:12345,“当前状态”:“预热中”]表示系统的统计数据;
“data_datetime”:“2021/03/15 10:20:30”表示当前数据产生的时间。
本申请实施例中,远程服务器根据需求主动向各个本地服务器发送获取数据的请求,相对于被动接收数据的方法,主动获取数据的方式,针对性更强,获取到的数据间的关联性更加清晰,数据的使用价值更高。而被动接收数据的方法,本地服务器周期性的无差别的将数据上传至远程服务器,远程服务器在做大数据分析时,需要先过滤掉干扰数据,过滤太严或者太简都会降低分析结果的准确性,并且徒增计算量,增加大数据分析的难度。本申请实施例提供的按照需求主动获取数据的方法,解决了被动获取数据造成的数据使用价值小、计算量大、分析结果准确性低的问题。
远程服务器101,用于获取至少一个运行指标的历史运行数据;对于每一个运行指标,进行如下处理:获取当前运行数据和历史运行数据的第一差值;确定第一差值所属的目标子论域以及目标子论域的第一评分;获取目标子论域的上边界值和下边界值;基于第一评分、目标子论域的下一子论域的第二评分、上边界值和下边界值计算运行指标的附加评分;将第一评分和附加评分的和作为运行指标的总评分;根据每个运行指标的总评分和运行指标的权重值对设备进行故障预测。
下面结合图2对本申请实施例提供的一种设备的故障预测方法进行说明,该方法包括:
步骤201,获取设备的至少一个运行指标的当前运行数据;
通常,对于设备的故障进行预测时,需要综合考虑多个运行指标。例如:若预测工业废物处理设备中的蒸汽再压缩模块在预热阶段发生故障的可能性,可以获取蒸汽再压缩模块在预热阶段的运行数据,如:压缩机频率、分离器进口温度变化率和分离器液位等运行数据。
在获取至少一个运行指标的当前运行数据时,获取设备的至少一个运行指标在当前预设时间段内的运行数据;对于每个运行指标,按照预设大小的滑动窗口,计算预设时间段内的运行数据的均值,得到至少一个运行指标的当前运行数据。
为了便于理解,举例说明,如图3所示,图3为利用滑动窗口计算均值的示意图,设滑动窗口的预设大小为3,获取到某一个运行指标在预设时间段内的运行数据集合为{1000,900,1100,800,1300,1200},窗口在前三个数据时,求得的均值为1000,窗口向图3中所示的方向滑动,求得第2~第4个数据的均值为933;窗口继续向图3所示的方向滑动,求得第3~第5个数据的均值为1066;同理,能够求得第4~第6个数据的均值为1100。
工业废物处理设备是一种典型的非线性时变系统,控制量的突然变化可能造成灵敏参数的剧烈响应,而一般的数据分析不考虑此类情况,造成分析结果的稳定性差,准确性低。因此,为了降低数据中偶然因素的干扰,采用滑动窗口技术对数据进行降噪。
以获取蒸汽再压缩模块在预热阶段的三个运行指标的运行数据为例,分别对三个运行指标的运行数据按照滑动窗口的方法进行处理,得到从预热开始到预热结束的压缩机频率的平均值ex、分离器进口温度变化率的平均值ey和分离器液位的平均值ez。
步骤202,获取至少一个运行指标的历史运行数据;
在具体实现时,可以取某一段运行时间内该设备的运行指标的历史运行数据,对获取到的历史运行数据计算平均值,作为各个运行指标的参考值。
举例说明:获取2019年5月1日--2019年6月1日的历史数据。该段时间内一共预热5次,分别求每次从预热开始到预热结束,压缩机频率的历史运行数据为{a1,a2,a3,a4,a5}、分离器的进口温度变化率的历史运行数据为{b1,b2,b3,b4,b5}、分离器液位的历史运行数据为{c1,c2,c3,c4,c5},求得{a1,a2,a3,a4,a5}的平均值为{b1,b2,b3,b4,b5}的平均值为{c1,c2,c3,c4,c5}的平均值为为压缩机频率的平均值;为分离器进口温度变化率的平均值;为分离器液位的平均值。
步骤203,对于每一个运行指标,进行如下处理:获取当前运行数据和历史运行数据的第一差值;确定第一差值所属的目标子论域以及目标子论域的第一评分;获取目标子论域的上边界值和下边界值;基于第一评分、目标子论域的下一子论域的第二评分、上边界值和下边界值计算运行指标的附加评分;将第一评分和附加评分的和作为运行指标的总评分;
其中,确定第一差值所属的目标子论域,包括:
获取运行指标的论域和模糊等级的数量;将论域划分成与模糊等级的数量相同的子论域;将第一差值所属的子论域作为目标子论域。
其中,论域可以根据各个运行指标的经验值确定。模糊等级的数量可以根据经验值确定,例如:划分为7个模糊等级。举例说明,某个运行指标的论域为(-i1,i1);若模糊等级的数量为7个,分别为正大(PB)、正中(PM)、正小(PS)、零(ZO)、负小(NS)、负中(NM)、负大(NB)七个语言模糊等级,分别对应3、2、1、0、-1、-2、-3七个数字模糊等级,其中,数字模糊等级0和语言模糊等级零(ZO)代表设备的健康等级最高;数字模糊等级3和-3,以及语言模糊等级正大和负大代表设备的健康等级最低。
根据七个模糊等级将论域划分为(-i1,-i2]为负大,(-i2,-i3]为负中,(-i3,-i4]为负小,(-i4,i4]为零,(i4,i3]为正小,(i3,i2]为正中,(i2,i1)为正大这七个子论域。若对于压缩机频率这一运行指标,当前运行数据和历史运行数据的第一差值为exi,则判断exi落入到哪一个子论域中,exi所落入的子论域即为目标子论域。
每个划分后的子论域具有上边界值和下边界值,且每个子论域对应一个基础评分。例如:以根据7个模糊等级划分成7个子论域为例,7个子论域对应的基础评分为c1、c2、c3、c4、c5、c6、c7,在本申请实施例中,基础评分最高为100。若目标子论域为(-i3,-i4],则目标子论域的上边界值为-i3,下边界值为-i4,该目标子论域的基础评分为c3,即第一评分为c3。该目标子论域的下一子论域为(-i4,i4],下一子论域的基础评分为c4,即第二评分为c4。
具体的,基于第一评分、目标子论域的下一子论域的第二评分、上边界值和下边界值计算运行指标的附加评分,包括:
计算第二评分和第一评分的第二差值;计算第一差值与上边界值的第三差值;计算上边界值和下边界值的第四差值;获取第三差值和第四差值的商的绝对值;获取第二差值和绝对值的乘积,得到附加评分。
举例说明,以压缩机频率这一运行指标,当前运行数据和历史运行数据的第一差值为exi为例,采用如下公式,计算附加评分cxi:
将第一评分和附加评分的和作为压缩机频率这一运行指标的总评分。
步骤204,根据每个运行指标的总评分和运行指标的权重值对设备进行故障预测。
具体的,对于每个运行指标,计算总评分和权重值的乘积;计算各个运行指标的乘积的和,得到设备的健康状态参数;其中,健康状态参数用于指示设备发生故障的可能性。
举例说明,若蒸汽再压缩模块的压缩机频率这一运行指标的总评分为cx、权重值为qx,分离器进口温度变化率这一运行指标的总评分为cy、权重值为qy;分离器液位这一运行指标的总评分为cz,权重值为qz,且qx+qy+qz=1,则设备的健康状态参数为c=cxqx+cyqy+czqz;其中,健康状态参数用于指示设备发生故障的可能性。
如图4所示,图4为本申请实施例提供的故障预测界面的示意图。图4中,根据2020年05月01日11:25~2020年06月01日11:25之间的运行数据进行故障预测,分离器温度的变化率这一运行指标的历史运行数据为1.14℃/min,当前运行数据为1.46℃/min,差值为0.32,总评分为90.40,权重为0.8;压缩机频率这一运行指标的历史运行数据为20.25Hz,当前运行数据为20.23Hz,差值为-0.02,总评分为99.94,权重为0.1;分离器液位这一运行指标的历史运行数据为12.11mm,当前运行数据为19.63mm,差值为7.52,总评分为98.87,权重为0.1,最终计算得到的健康状态参数为92.201,健康状态参数越大,说明设备当前运行的状态越好,发生故障的可能性越低。
在本申请实施例中,利用运行指标的当前运行数据和历史运行数据的第一差值,确定与第一差值对应的第一评分和附加评分,根据第一评分和附加评分计算得到运行指标的总评分,根据运行指标的总评分和运行指标的权重值进行故障预测,不需要建立在大量的故障样本数据之上,无需建立精确的神经网络模型,以大量的正常的历史运行数据为基准,采用模糊算法的思想进行故障预测,准确度高,鲁棒性强,且不依赖模糊算法中的隶属度函数,是对现有模糊算法的一种改进,适应范围更广泛。
基于同一构思,本申请实施例中提供了一种设备的故障预测装置,该装置的具体实施可参见方法实施例部分的描述,重复之处不再赘述,如图5所示,该装置主要包括:
第一获取模块501,用于获取设备的至少一个运行指标的当前运行数据;
第二获取模块502,用于获取至少一个运行指标的历史运行数据;
评价模块503,用于对于每一个运行指标,进行如下处理:获取当前运行数据和历史运行数据的第一差值;确定第一差值所属的目标子论域以及目标子论域的第一评分;获取目标子论域的上边界值和下边界值;基于第一评分、目标子论域的下一子论域的第二评分、上边界值和下边界值计算运行指标的附加评分;将第一评分和附加评分的和作为运行指标的总评分;
故障预测模块504,用于根据每个运行指标的总评分和运行指标的权重值对设备进行故障预测。
在一个具体实施例中,评价模块503,用于计算第二评分和第一评分的第二差值;计算第一差值与上边界值的第三差值;计算上边界值和下边界值的第四差值;获取第三差值和第四差值的商的绝对值;获取第二差值和绝对值的乘积,得到附加评分。
评价模块503,具体用于获取运行指标的论域和模糊等级的数量;将论域划分成与模糊等级的数量相同的子论域;将第一差值所属的子论域作为目标子论域。
在一个具体实施例中,第一获取模块501,用于向设备的本地服务器发送获取至少一个运行指标的当前运行数据的请求;基于请求获取至少一个运行指标的当前运行数据。
第一获取模块501,具有用于获取设备的至少一个运行指标在当前预设时间段内的运行数据;对于每个运行指标,按照预设大小的滑动窗口,计算预设时间段内的运行数据的均值,得到至少一个运行指标的当前运行数据。
在一个具体实施例中,故障预测模块504,用于对于每个运行指标,计算总评分和权重值的乘积;计算各个运行指标的乘积的和,得到设备的健康状态参数;其中,健康状态参数用于指示设备发生故障的可能性。
基于同一构思,本申请实施例中还提供了一种电子设备,如图6所示,该电子设备主要包括:处理器601、存储器602和通信总线603,其中,处理器601和存储器602通过通信总线603完成相互间的通信。其中,存储器602中存储有可被处理器601执行的程序,处理器601执行存储器602中存储的程序,实现如下步骤:
获取设备的至少一个运行指标的当前运行数据;
获取至少一个运行指标的历史运行数据;
对于每一个运行指标,进行如下处理:
获取当前运行数据和历史运行数据的第一差值;确定第一差值所属的目标子论域以及目标子论域的第一评分;获取目标子论域的上边界值和下边界值;基于第一评分、目标子论域的下一子论域的第二评分、上边界值和下边界值计算运行指标的附加评分;将第一评分和附加评分的和作为运行指标的总评分;
根据每个运行指标的总评分和运行指标的权重值对设备进行故障预测。
上述电子设备中提到的通信总线603可以是外设部件互连标准(PeripheralComponent Interconnect,简称PCI)总线或扩展工业标准结构(Extended IndustryStandard Architecture,简称EISA)总线等。该通信总线603可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器602可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选地,存储器还可以是至少一个位于远离前述处理器601的存储装置。
上述的处理器601可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)等,还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称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。
在本申请的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,当该计算机程序在计算机上运行时,使得计算机执行上述实施例中所描述的一种设备的故障预测方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机指令时,全部或部分地产生按照本申请实施例所述的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、微波等)方式向另外一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如软盘、硬盘、磁带等)、光介质(例如DVD)或者半导体介质(例如固态硬盘)等。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种设备的故障预测方法,其特征在于,包括:
获取所述设备的至少一个运行指标的当前运行数据;其中,所述至少一个运行指标包括:所述设备在预热阶段的压缩机频率、分离器进口温度变化率和分离器液位;
获取所述至少一个运行指标的历史运行数据;
对于每一个所述运行指标,进行如下处理:
获取所述当前运行数据和所述历史运行数据的第一差值;确定所述第一差值所属的目标子论域以及所述目标子论域的第一评分;获取所述目标子论域的上边界值和下边界值;基于所述第一评分、所述目标子论域的下一子论域的第二评分、所述上边界值和所述下边界值计算所述运行指标的附加评分;将所述第一评分和所述附加评分的和作为所述运行指标的总评分;
其中,若当前运行数据和历史运行数据的第一差值为exi,采用如下公式,计算附加评分cxi:
其中,PB为正大、PM为正中、PS为正小、ZO为零、NS为负小、NM为负中、NB为负大,PB、PM、PS、ZO、NS、NM、NB为七个模糊等级;根据七个模糊等级将论域(-i1,i1)划分的七个子论域:(-i1,-i2]为负大,(-i2,-i3]为负中,(-i3,-i4]为负小,(-i4,i4]为零,(i4,i3]为正小,(i3,i2]为正中,(i2,i1)为正大;七个子论域对应的第一评分为c1、c2、c3、c4、c5、c6、c7;
根据每个所述运行指标的总评分和所述运行指标的权重值对所述设备进行故障预测;其中,若压缩机频率的总评分为cx、权重值为qx,分离器进口温度变化率的总评分为cy、权重值为qy;分离器液位的总评分为cz,权重值为qz,且qx+qy+qz=1,则设备的健康状态参数为c=cx* qx+cy* qy+cz* qz;其中,健康状态参数c用于指示设备发生故障的可能性。
2.根据权利要求1所述的设备的故障预测方法,其特征在于,所述基于所述第一评分、所述目标子论域的下一子论域的第二评分、所述上边界值和所述下边界值计算所述运行指标的附加评分,包括:
计算所述第二评分和所述第一评分的第二差值;
计算所述第一差值与所述上边界值的第三差值;
计算所述上边界值和所述下边界值的第四差值;
获取所述第三差值和所述第四差值的商的绝对值;
获取所述第二差值和所述绝对值的乘积,得到所述附加评分。
3.根据权利要求1所述的设备的故障预测方法,其特征在于,所述获取所述设备的至少一个运行指标的当前运行数据,包括:
向所述设备的本地服务器发送获取所述至少一个运行指标的当前运行数据的请求;
基于所述请求获取所述至少一个运行指标的当前运行数据。
4.根据权利要求1所述的设备的故障预测方法,其特征在于,所述获取所述至少一个运行指标的当前运行数据,包括:
获取所述设备的所述至少一个运行指标在当前预设时间段内的运行数据;
对于每个运行指标,按照预设大小的滑动窗口,计算所述预设时间段内的运行数据的均值,得到所述至少一个运行指标的所述当前运行数据。
5.根据权利要求1所述的设备的故障预测方法,其特征在于,所述根据每个所述运行指标的总评分和所述运行指标的权重值对所述设备进行故障预测,包括:
对于每个所述运行指标,计算所述总评分和所述权重值的乘积;
计算各个所述运行指标的乘积的和,得到所述设备的健康状态参数;其中,所述健康状态参数用于指示所述设备发生故障的可能性。
6.根据权利要求1所述的设备的故障预测方法,其特征在于,所述确定所述第一差值所属的目标子论域,包括:
获取所述运行指标的论域和模糊等级的数量;
将所述论域划分成与所述模糊等级的数量相同的子论域;
将所述第一差值所属的子论域作为所述目标子论域。
7.一种设备的故障预测系统,其特征在于,包括:远程服务器、至少一个本地服务器和至少一个所述设备;其中,所述至少一个本地服务器与所述远程服务器建立通信连接,且每个所述本地服务器与一个所述设备建立通信连接;
所述本地服务器,用于获取所述设备的至少一个运行指标的当前运行数据,并发送至所述远程服务器;其中,所述至少一个运行指标包括:所述设备在预热阶段的压缩机频率、分离器进口温度变化率和分离器液位;
所述远程服务器,用于获取所述至少一个运行指标的历史运行数据;对于每一个所述运行指标,进行如下处理:获取所述当前运行数据和所述历史运行数据的第一差值;确定所述第一差值所属的目标子论域以及所述目标子论域的第一评分;获取所述目标子论域的上边界值和下边界值;基于所述第一评分、所述目标子论域的下一子论域的第二评分、所述上边界值和所述下边界值计算所述运行指标的附加评分;将所述第一评分和所述附加评分的和作为所述运行指标的总评分;其中,若当前运行数据和历史运行数据的第一差值为exi,采用如下公式,计算附加评分cxi:
其中,PB为正大、PM为正中、PS为正小、ZO为零、NS为负小、NM为负中、NB为负大,PB、PM、PS、ZO、NS、NM、NB为七个模糊等级;根据七个模糊等级将论域(-i1,i1)划分的七个子论域:(-i1,-i2]为负大,(-i2,-i3]为负中,(-i3,-i4]为负小,(-i4,i4]为零,(i4,i3]为正小,(i3,i2]为正中,(i2,i1)为正大;七个子论域对应的第一评分为c1、c2、c3、c4、c5、c6、c7;
根据每个所述运行指标的总评分和所述运行指标的权重值对所述设备进行故障预测;其中,若压缩机频率的总评分为cx、权重值为qx,分离器进口温度变化率的总评分为cy、权重值为qy;分离器液位的总评分为cz,权重值为qz,且qx+qy+qz=1,则设备的健康状态参数为c=cx* qx+cy* qy+cz* qz;其中,健康状态参数c用于指示设备发生故障的可能性。
8.一种设备的故障预测装置,其特征在于,包括:
第一获取模块,用于获取所述设备的至少一个运行指标的当前运行数据;
第二获取模块,用于获取所述至少一个运行指标的历史运行数据;其中,所述至少一个运行指标包括:所述设备在预热阶段的压缩机频率、分离器进口温度变化率和分离器液位;
评价模块,用于对于每一个所述运行指标,进行如下处理:获取所述当前运行数据和所述历史运行数据的第一差值;确定所述第一差值所属的目标子论域以及所述目标子论域的第一评分;获取所述目标子论域的上边界值和下边界值;基于所述第一评分、所述目标子论域的下一子论域的第二评分、所述上边界值和所述下边界值计算所述运行指标的附加评分;将所述第一评分和所述附加评分的和作为所述运行指标的总评分;其中,若当前运行数据和历史运行数据的第一差值为exi,采用如下公式,计算附加评分cxi:
其中,PB为正大、PM为正中、PS为正小、ZO为零、NS为负小、NM为负中、NB为负大,PB、PM、PS、ZO、NS、NM、NB为七个模糊等级;根据七个模糊等级将论域(-i1,i1)划分的七个子论域:(-i1,-i2]为负大,(-i2,-i3]为负中,(-i3,-i4]为负小,(-i4,i4]为零,(i4,i3]为正小,(i3,i2]为正中,(i2,i1)为正大;七个子论域对应的第一评分为c1、c2、c3、c4、c5、c6、c7;
故障预测模块,用于根据每个所述运行指标的总评分和所述运行指标的权重值对所述设备进行故障预测;其中,若压缩机频率的总评分为cx、权重值为qx,分离器进口温度变化率的总评分为cy、权重值为qy;分离器液位的总评分为cz,权重值为qz,且qx+qy+qz=1,则设备的健康状态参数为c=cx* qx+cy* qy+cz* qz;其中,健康状态参数c用于指示设备发生故障的可能性。
9.一种电子设备,其特征在于,包括:处理器、存储器和通信总线,其中,处理器和存储器通过通信总线完成相互间的通信;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述存储器中所存储的程序,实现权利要求1~6任意一项所述的设备的故障预测方法。
10.一种计算机可读存储介质,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权利要求1~6任意一项所述的设备的故障预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110547676.2A CN113222262B (zh) | 2021-05-19 | 2021-05-19 | 设备的故障预测方法、装置、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110547676.2A CN113222262B (zh) | 2021-05-19 | 2021-05-19 | 设备的故障预测方法、装置、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113222262A CN113222262A (zh) | 2021-08-06 |
CN113222262B true CN113222262B (zh) | 2022-06-07 |
Family
ID=77093207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110547676.2A Active CN113222262B (zh) | 2021-05-19 | 2021-05-19 | 设备的故障预测方法、装置、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113222262B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113891386B (zh) * | 2021-11-02 | 2023-06-20 | 中国联合网络通信集团有限公司 | 基站的隐性故障确定方法、装置、设备和可读存储介质 |
CN114694275B (zh) * | 2022-03-24 | 2022-11-11 | 浙江中智达科技有限公司 | 一种确定氨冰机装置运行状态的方法、装置及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651169A (zh) * | 2016-12-19 | 2017-05-10 | 国家电网公司 | 基于模糊综合评价的配电自动化终端状态评价方法及系统 |
CN111720296A (zh) * | 2020-06-11 | 2020-09-29 | 浙江浙能技术研究院有限公司 | 一种基于自编码器的汽动给水泵设备异常状态预警方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110555058A (zh) * | 2019-09-06 | 2019-12-10 | 国网江苏省电力公司信息通信分公司 | 基于改进决策树的电力通信设备状态的预测方法 |
-
2021
- 2021-05-19 CN CN202110547676.2A patent/CN113222262B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651169A (zh) * | 2016-12-19 | 2017-05-10 | 国家电网公司 | 基于模糊综合评价的配电自动化终端状态评价方法及系统 |
CN111720296A (zh) * | 2020-06-11 | 2020-09-29 | 浙江浙能技术研究院有限公司 | 一种基于自编码器的汽动给水泵设备异常状态预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113222262A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113222262B (zh) | 设备的故障预测方法、装置、系统、设备及存储介质 | |
Hu et al. | Review of model-based and data-driven approaches for leak detection and location in water distribution systems | |
Chen et al. | Systematic procedure for Granger-causality-based root cause diagnosis of chemical process faults | |
JP2023017888A (ja) | 根本的原因分析を実行してプラントワイド操業での希少イベントの発生の予測モデルを構築するコンピュータシステムおよび方法 | |
Wang et al. | Hidden Markov model-based fault detection approach for a multimode process | |
US11568732B2 (en) | Systems and methods for systemic resource utilization analysis and management | |
US20200081054A1 (en) | Power line issue diagnostic methods and apparatus using distributed analytics | |
Jin et al. | Robust recursive principal component analysis modeling for adaptive monitoring | |
Shi et al. | Melt index prediction by weighted least squares support vector machines | |
JP2020170003A (ja) | 石油精製所における腐食を低減する方法 | |
Liu et al. | Real‐time property prediction for an industrial rubber‐mixing process with probabilistic ensemble G aussian process regression models | |
Zhou et al. | A control chart based on likelihood ratio test for detecting patterned mean and variance shifts | |
CN102531121A (zh) | 水处理混凝剂最佳投量预测系统及预测方法 | |
Wang et al. | Traffic flow forecasting based on a hybrid model | |
Lin et al. | Monitoring nonstationary processes using stationary subspace analysis and fractional integration order estimation | |
Alferes et al. | Efficient automated quality assessment: Dealing with faulty on-line water quality sensors | |
CN117029968A (zh) | 一种流量数据的诊断方法、系统、存储介质和电子设备 | |
Zeng et al. | Nonparametric density estimation of hierarchical probabilistic graph models for assumption-free monitoring | |
Rong et al. | Large-scale supervised process monitoring based on distributed modified principal component regression | |
Li et al. | Fast detection and localization of multiple leaks in water distribution network jointly driven by simulation and machine learning | |
Fu et al. | Data-quality detection and recovery for building energy management and control systems: Case study on submetering | |
CN111126686A (zh) | 一种用于节能器中结垢维护的预测方法及装置 | |
Song et al. | Empirical likelihood ratio charts for profiles with attribute data and random predictors in the presence of within‐profile correlation | |
Amin | An integrated methodology for fault detection, root cause diagnosis, and propagation pathway analysis in chemical process systems | |
Marais et al. | Comparing statistical process control charts for fault detection in wastewater treatment |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 518000, A1701-1704, Building 12, Shenzhen Bay Science and Technology Ecological Park, No. 18 Keji South Road, Gaoxin District, Yuehai Street, Nanshan District, Shenzhen City, Guangdong Province Patentee after: Shenzhen Jiejing Technology Co.,Ltd. Address before: A1701-1707, building 12, shenzhenwan science and technology ecological park, No.18, South Keji Road, high tech community, Yuehai street, Nanshan District, Shenzhen, Guangdong 518000 Patentee before: SHENZHEN CRYSTAL ENERGY TECH Co.,Ltd. |