CN113570473A - 设备故障监测方法、装置、计算机设备和存储介质 - Google Patents
设备故障监测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113570473A CN113570473A CN202110712688.6A CN202110712688A CN113570473A CN 113570473 A CN113570473 A CN 113570473A CN 202110712688 A CN202110712688 A CN 202110712688A CN 113570473 A CN113570473 A CN 113570473A
- Authority
- CN
- China
- Prior art keywords
- feature vector
- operation data
- monitored
- equipment
- real
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000013598 vector Substances 0.000 claims abstract description 264
- 238000000605 extraction Methods 0.000 claims abstract description 46
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 44
- 230000002159 abnormal effect Effects 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 25
- 238000012423 maintenance Methods 0.000 claims description 11
- 230000000306 recurrent effect Effects 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000012806 monitoring device Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002955 isolation 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
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请涉及一种设备故障监测方法、装置、计算机设备和存储介质。所述方法包括：将待监测设备的实时运行数据输入至预设的特征提取网络中，获取实时运行数据的高维特征向量；根据实时运行数据的高维特征向量获取待监测设备的原型特征向量；原型特征向量是用高维向量的形式表示的待监测设备的正常运行数据的均值；对原型特征向量和实时运行数据的高维特征向量进行相似度计算，获取原型特征向量和实时运行数据的高维特征向量之间的相似度值；基于相似度值判定待监测设备是否发生故障。采用本方法能够提高对待监测设备进行故障预测的准确率。
Description
技术领域
本申请涉及设备故障监测技术领域，特别是涉及一种设备故障监测方法、装置、计算机设备和存储介质。
背景技术
随着目前电力系统的不断发展，越来越多的配电房分散于城市与乡村的各个地区。由于配电房中存在着数量众多的电气设备与控制设备，因此通常需要专业运维人员管理配电房中仪器设备正常运行与避免外来人员进入配电房。在无人值守的情况下，各类控制设备可能产生设备故障，导致电力系统遭到破坏,产生严重的后果。即使没有使得供配电系统产生瘫痪，也会导致电力资源的浪费与电力供应不稳定等后果，对电力系统稳定运转产生干扰。
传统技术中，对设备故障进行检测时，通常是将待监测设备的实时运行数据输入至预设的故障判定模型中进行判定，获取待监测设备是否出现故障的结果。其中的故障判定模型是基于待监测设备发生故障时的数据作为训练集进行训练生成的。但是，由于设备发生故障时的运行数据样本普遍偏少，导致训练生成的故障判定模型普遍存在准确率较低的问题，并导致了对待监测设备进行故障监测时监测准确率低的技术问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高设备故障监测准确率的设备故障监测方法、装置、计算机设备和存储介质。
一种设备故障监测方法，所述方法包括：
将待监测设备的实时运行数据输入至预设的特征提取网络中，获取实时运行数据的高维特征向量；所述特征提取网络是基于样本运行数据和所述样本运行数据对应的高维特征向量训练获取的；
根据所述实时运行数据的高维特征向量获取所述待监测设备的原型特征向量；所述原型特征向量是用高维向量的形式表示的所述待监测设备的正常运行数据的均值；
对所述原型特征向量和实时运行数据的高维特征向量进行相似度计算，获取所述原型特征向量和实时运行数据的高维特征向量之间的相似度值；
基于所述相似度值判定所述待监测设备是否发生故障。
在其中一个实施例中，还包括：获取所述待监测设备在预设时间段内正常运行时的运行数据，作为样本运行数据；对所述样本运行数据进行特征提取，获取所述样本运行数据对应的高维特征向量；以所述样本运行数据和所述样本运行数据对应的高维特征向量作为训练集，训练循环神经网络模型，获取特征提取网络。
在其中一个实施例中，还包括：获取所述实时运行数据的高维特征向量的中位数或平均值，作为所述待监测设备的原型特征向量。
在其中一个实施例中，还包括：计算所述原型特征向量和实时运行数据的高维特征向量之间的欧氏距离，作为所述原型特征向量和实时运行数据的高维特征向量之间的相似度值。
在其中一个实施例中，还包括：将所述相似度值与预设的故障阈值进行对比；若所述相似度值超过所述故障阈值，判定所述待监测设备处于正常运行状态。
在其中一个实施例中，还包括：若所述相似度值未超过所述故障阈值，判定所述待监测设备处于异常运行状态。
在其中一个实施例中，还包括：将待监测设备的异常信息发送至运维人员，同时发出异常警报。
一种设备故障监测装置，所述装置包括：
第一获取模块，用于将待监测设备的实时运行数据输入至预设的特征提取网络中，获取实时运行数据的高维特征向量；所述特征提取网络是基于样本运行数据和所述样本运行数据对应的高维特征向量训练获取的；
第二获取模块，用于根据所述实时运行数据的高维特征向量获取所述待监测设备的原型特征向量；所述原型特征向量是用高维向量的形式表示的所述待监测设备的正常运行数据的均值；
第三获取模块，用于对所述原型特征向量和实时运行数据的高维特征向量进行相似度计算，获取所述原型特征向量和实时运行数据的高维特征向量之间的相似度值；
故障监测模块，用于基于所述相似度值判定所述待监测设备是否发生故障。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
将待监测设备的实时运行数据输入至预设的特征提取网络中，获取实时运行数据的高维特征向量；所述特征提取网络是基于样本运行数据和所述样本运行数据对应的高维特征向量训练获取的；
根据所述实时运行数据的高维特征向量获取所述待监测设备的原型特征向量；所述原型特征向量是用高维向量的形式表示的所述待监测设备的正常运行数据的均值；
对所述原型特征向量和实时运行数据的高维特征向量进行相似度计算，获取所述原型特征向量和实时运行数据的高维特征向量之间的相似度值；
基于所述相似度值判定所述待监测设备是否发生故障。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
将待监测设备的实时运行数据输入至预设的特征提取网络中，获取实时运行数据的高维特征向量；所述特征提取网络是基于样本运行数据和所述样本运行数据对应的高维特征向量训练获取的；
根据所述实时运行数据的高维特征向量获取所述待监测设备的原型特征向量；所述原型特征向量是用高维向量的形式表示的所述待监测设备的正常运行数据的均值；
对所述原型特征向量和实时运行数据的高维特征向量进行相似度计算，获取所述原型特征向量和实时运行数据的高维特征向量之间的相似度值；
基于所述相似度值判定所述待监测设备是否发生故障。
上述设备故障监测方法、装置、计算机设备和存储介质，通过预设的特征提取网络获取待监测设备的实时运行数据的高维特征向量，并根据实时运行数据的高维特征向量获取待监测设备的原型特征向量，最后获取实时运行数据的高维特征向量和原型特征向量之间的相似度值，并基于相似度值判断待监测设备是否发生故障。相比待监测设备发生故障时的数据作为训练集训练生成的故障判断模型对待监测设备的监测，提高了故障监测时的预测准确率。
附图说明
图1为一个实施例中设备故障监测方法的应用环境图；
图2为一个实施例中设备故障监测方法的流程示意图；
图3为一个实施例中待监测设备实时运行数据的采集示意图；
图4为一个实施例中特征提取网络生成步骤的流程示意图；
图5为另一个实施例中设备故障监测方法的流程示意图；
图6为一个实施例中设备故障监测装置的结构示意图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的设备故障监测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端102和服务器104可分别单独用于执行本申请提供的设备故障监测方法。终端102和服务器104也可用于协同执行本申请提供的设备故障监测方法。例如，服务器104用于将待监测设备的实时运行数据输入至预设的特征提取网络中，获取实时运行数据的高维特征向量；所述特征提取网络是基于样本运行数据和所述样本运行数据对应的高维特征向量训练获取的；根据所述样本运行数据对应的高维特征向量获取所述待监测设备的原型特征向量；所述原型特征向量是用高维向量的形式表示的所述待监测设备的正常运行数据的均值；对所述原型特征向量和实时运行数据的高维特征向量进行相似度计算，获取所述原型特征向量和实时运行数据的高维特征向量之间的相似度值；基于所述相似度值判定所述待监测设备是否发生故障。
其中，终端102可以但不限于是包括待监测设备运行数据采集装置的设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种设备故障监测方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤202，将待监测设备的实时运行数据输入至预设的特征提取网络中，获取实时运行数据的高维特征向量；所述特征提取网络是基于样本运行数据和所述样本运行数据对应的高维特征向量训练获取的。
其中，如图3所示，图3为一个实施例中待监测设备实时运行数据的采集示意图，待监测设备包括配电设备、高低压设备与控制设备。配电设备主要包括配电房中的变电箱、PT柜和变压器等。配电设备的主要功能是将输电线路高压转换为用户低压或工业用电电压，同时将输送线路电力资源进行分流；高低压设备主要包括高压进线柜、高压输电线路、高压母联柜和隔离栅等，这些设备的主要目标是将发电厂中电能输送到近用户端；控制设备主要包括PLC和数控设备等，主要是按照预先设定好的控制逻辑控制配电设备与高低压设备控制为稳定运行。
实时运行数据包括待监测设备运行时的电压值、电流值等电量参数，以及通过各类传感器获取的待监测设备温度、环境湿度等环境参数，还包括通过摄像装置获取的待监测设备的运行视频。实时运行数据传输时通常有有线传输方式与无线传输方式两种，无线传输方式为如LoRA(Long Range Radio，远距离无线电)技术等，有线传输方式包括光纤、电缆等配合工业传输协议实现数据的上行传输。
将待监测设备的实时运行数据输入至预设的特征提取网络中时，是将待监测设备运行时的电压值、电流值等电量参数、通过各类传感器获取的待监测设备温度、环境湿度等环境参数和通过摄像装置获取的待监测设备的运行视频中的不少于一种实时运行数据输入值预设的特征提取网络，特征提取网络通常由循环神经网络训练而成。
步骤204，根据所述实时运行数据的高维特征向量获取所述待监测设备的原型特征向量；所述原型特征向量是用高维向量的形式表示的所述待监测设备的正常运行数据的均值。
具体地，待监测设备的原型特征向量是根据实时运行数据的高维特征向量获取的，原型特征向量是用于判断待监测设备运行状态的基准特征向量，通常是取待监测设备在实时运行数据的高维特征向量的平均值获取的，或者通过预设的方式设定原型特征向量。
步骤206，对所述原型特征向量和实时运行数据的高维特征向量进行相似度计算，获取所述原型特征向量和实时运行数据的高维特征向量之间的相似度值。
具体地，原型特征向量和实时运行数据的高维特征向量之间的相似度值是用于表征实时运行数据的高维特征向量和原型特征向量之间相似程度的参数。根据原型特征向量和实时运行数据的高维特征向量进行相似度计算，获取相似度值的方法有多种，例如计算原型特征向量和实时运行数据的高维特征向量之间的欧式距离、计算原型特征向量和实时运行数据的高维特征向量之间的余弦相似度值或是计算原型特征向量和实时运行数据的高维特征向量之间的马氏距离等。
步骤208，基于所述相似度值判定所述待监测设备是否发生故障。
具体地，由于原型特征向量和实时运行数据的高维特征向量之间的相似度值是用于表征实时运行数据的高维特征向量和原型特征向量之间相似程度的参数，因此相似度值越高，证明原型特征向量和实时运行数据的高维特征向量越接近，待监测设备的运行越正常；相似度值越低，证明原型特征向量和实时运行数据的高维特征向量之间的差距越大，则待监测设备出现运行异常状态的概率就越高。
上述设备故障监测方法中，通过预设的特征提取网络获取待监测设备的实时运行数据的高维特征向量，并根据实时运行数据的高维特征向量获取待监测设备的原型特征向量，最后获取实时运行数据的高维特征向量和原型特征向量之间的相似度值，并基于相似度值判断待监测设备是否发生故障。相比待监测设备发生故障时的数据作为训练集训练生成的故障判断模型对待监测设备的监测，提高了故障监测时的预测准确率。
在一个实施例中，所述特征提取网络通过以下方法获取：
获取所述待监测设备在预设时间段内正常运行时的运行数据，作为样本运行数据；
对所述样本运行数据进行特征提取，获取所述样本运行数据对应的高维特征向量；
以所述样本运行数据和所述样本运行数据对应的高维特征向量作为训练集，训练循环神经网络模型，获取特征提取网络。
具体地，如图4所示，图4为一个实施例中特征提取网络生成步骤的流程示意图，选取待监测设备在预设时间段内正常运行时的运行数据，作为样本运行数据；样本运行数据的类型包括待监测设备运行时的电压值、电流值等电量参数、通过各类传感器获取的待监测设备温度、环境湿度等环境参数和通过摄像装置获取的待监测设备的运行视频中的不少于一种。对样本运行数据进行特征提取包括提取样本运行数据的时序特征和语义特征，将提取的特征设置为高维特征向量的形式。最后，将样本运行数据和样本运行数据对应的高维特征向量作为训练集，训练循环神经网络模型，并将训练好的循环神经网络模型作为特征提取网络。
例如，如图5所示，图5为另一个实施例中设备故障监测方法的流程示意图，通过监控设备获取待监测设备在预设时间段内正常运行时的视频，作为样本运行数据；然后对样本运行数据进行特征提取，获取待监测设备在预设时间段内正常运行时的视频对应的高维特征向量，最后以待监测设备在预设时间段内正常运行时的视频和待监测设备在预设时间段内正常运行时的视频对应的高维特征向量作为训练集，训练循环神经网络模型，获取特征提取网络。
本实施例中，通过获取待监测设备在预设时间段内正常运行时的运行数据，作为样本运行数据，并对样本运行数据进行特征提取，获取样本运行数据对应的高维特征向量，最后以样本运行数据和样本运行数据对应的高维特征向量作为训练集，训练循环神经网络模型，获取特征提取网络。实现了待监测设备的实时运行数据向高维特征向量的快速转换，提高了对待监测设备进行故障监测的效率。
在一个实施例中，所述根据所述实时运行数据的高维特征向量获取所述待监测设备的原型特征向量包括：
获取所述实时运行数据的高维特征向量的中位数或平均值，作为所述待监测设备的原型特征向量。
具体地，在将待监测设备的实时运行数据输入至预设的特征提取网络中，获取实时运行数据的高维特征向量以后，获取实时运行数据的高维特征向量在预设时间范围内的中位数或是平均值作为待监测设备的原型特征向量。
本实施例中，通过获取实时运行数据的高维特征向量的中位数或平均值作为待监测设备的原型特征向量，是进一步判断待监测设备是否处于正常运行状态的前提条件。提高了对待监测设备运行状态判断的准确率。
在一个实施例中，所述对所述原型特征向量和实时运行数据的高维特征向量进行相似度计算，获取所述原型特征向量和实时运行数据的高维特征向量之间的相似度值包括：
计算所述原型特征向量和实时运行数据的高维特征向量之间的欧氏距离，作为所述原型特征向量和实时运行数据的高维特征向量之间的相似度值。
具体地，相似度值是用于表征实时运行数据的高维特征向量和原型特征向量之间相似程度的参数。相似度值越高，则原型特征向量和实时运行数据的高维特征向量之间越接近；反之，相似度值越低，原型特征向量和实时运行数据的高维特征向量之间差距越大。计算相似度值的方法有多种，例如计算原型特征向量和实时运行数据的高维特征向量之间的欧氏距离、余弦相似度或马氏距离等距离函数值。本实施例中对于原型特征向量和实时运行数据的高维特征向量之间的相似度值是通过计算两向量之间的欧氏距离的方法获取的。
本实施例中，通过计算原型特征向量和实时运行数据的高维特征向量之间的欧氏距离作为原型特征向量和实时运行数据的高维特征向量之间的相似度值，以使得能够进一步根据相似度值对待监测设备的运行状态进行监控，提高了对待监测设备监测的准确率。
在一个实施例中，所述基于所述相似度值判定所述待监测设备是否发生故障包括：
将所述相似度值与预设的故障阈值进行对比；
若所述相似度值超过所述故障阈值，判定所述待监测设备处于正常运行状态。
具体地，在获取原型特征向量和实时运行数据的高维特征向量之间的相似度值以后，还需要将相似度值与预设的故障阈值进行对比，通过对比的结果判定待监测设备的运行状态。当相似度值的大小高于预设的故障阈值，说明原型特征向量和实时运行数据的高维特征向量之间较为接近，此时待监测设备运行状态较为正常。当相似度值的大小低于预设的故障阈值，说明原型特征向量和实时运行数据的高维特征向量之间差距较大，此时待监测设备运行状态较为异常。
本实施例中，通过将相似度值与预设的故障阈值进行对比，根据相似度值与预设的故障阈值之间的差距作为判断待监测设备运行状态的依据，解决了现有技术中待监测设备发生故障时的运行数据样本普遍偏少，导致训练生成的故障判定模型普遍存在准确率较低的问题，提高了对待监测设备进行故障监测的准确率。
在一个实施例中，所述基于所述相似度值判定所述待监测设备是否发生故障还包括：
若所述相似度值未超过所述故障阈值，判定所述待监测设备处于异常运行状态。
具体地，当相似度值的大小低于预设的故障阈值，说明原型特征向量和实时运行数据的高维特征向量之间差距较大，因此待监测设备运行时出现异常的概率较大，此时判定待监测设备运行状态较为异常。
本实施例中，通过将相似度值与预设的故障阈值进行对比，根据相似度值与预设的故障阈值之间的差距作为判断待监测设备运行状态的依据，解决了现有技术中待监测设备发生故障时的运行数据样本普遍偏少，导致训练生成的故障判定模型普遍存在准确率较低的问题，提高了对待监测设备进行故障监测的准确率。
在一个实施例中，所述判定所述待监测设备处于异常运行状态，之后还包括：
将待监测设备的异常信息发送至运维人员，同时发出异常警报。
具体地，当根据原型特征向量和实时运行数据的高维特征向量之间的相似度值和预设的故障阈值对待监测设备的运行状态进行判定以后，若待监测设备处于异常运行状态，还需要将待监测设备的异常信息发送至运维人员，同时发出异常警报。将待监测设备的异常信息发送至运维人员可以通过短信、系统提示等方式；异常警报可以通过蜂鸣器、系统警报等方式。
本实施例中，通过对判定为异常状态的待监测设备进行发送异常信息给运维人员以及发出警报等方式，能够提示运维人员待监测设备运行的异常信息，使得运维人员能够及时获取待监测设备的运行异常信息。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种设备故障监测装置，包括：第一获取模块601、第二获取模块602、第三获取模块603和故障监测模块604，其中：
第一获取模块601，用于将待监测设备的实时运行数据输入至预设的特征提取网络中，获取实时运行数据的高维特征向量；所述特征提取网络是基于样本运行数据和所述样本运行数据对应的高维特征向量训练获取的；
第二获取模块602，用于根据所述实时运行数据的高维特征向量获取所述待监测设备的原型特征向量；所述原型特征向量是用高维向量的形式表示的所述待监测设备的正常运行数据的均值；
第三获取模块603，用于对所述原型特征向量和实时运行数据的高维特征向量进行相似度计算，获取所述原型特征向量和实时运行数据的高维特征向量之间的相似度值；
故障监测模块604，用于基于所述相似度值判定所述待监测设备是否发生故障。
在一个实施例中，所述第一获取模块601，还用于：获取所述待监测设备在预设时间段内正常运行时的运行数据，作为样本运行数据；对所述样本运行数据进行特征提取，获取所述样本运行数据对应的高维特征向量；以所述样本运行数据和所述样本运行数据对应的高维特征向量作为训练集，训练循环神经网络模型，获取特征提取网络。
在一个实施例中，所述第二获取模块602，还用于：获取所述实时运行数据的高维特征向量的中位数或平均值，作为所述待监测设备的原型特征向量。
在一个实施例中，所述第三处理模块603，还用于：计算所述原型特征向量和实时运行数据的高维特征向量之间的欧氏距离，作为所述原型特征向量和实时运行数据的高维特征向量之间的相似度值。
在一个实施例中，所述故障监测模块604，还用于：将所述相似度值与预设的故障阈值进行对比；若所述相似度值超过所述故障阈值，判定所述待监测设备处于正常运行状态。
在一个实施例中，所述故障监测模块604，还用于：若所述相似度值未超过所述故障阈值，判定所述待监测设备处于异常运行状态。
在一个实施例中，所述故障监测模块604，还用于：将待监测设备的异常信息发送至运维人员，同时发出异常警报。
上述设备故障监测装置，通过预设的特征提取网络获取待监测设备的实时运行数据的高维特征向量，并根据实时运行数据的高维特征向量获取待监测设备的原型特征向量，最后获取实时运行数据的高维特征向量和原型特征向量之间的相似度值，并基于相似度值判断待监测设备是否发生故障。相比待监测设备发生故障时的数据作为训练集训练生成的故障判断模型对待监测设备的监测，提高了故障监测时的预测准确率。
关于设备故障监测装置的具体限定可以参见上文中对于设备故障监测方法的限定，在此不再赘述。上述设备故障监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储设备故障监测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种设备故障监测方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
将待监测设备的实时运行数据输入至预设的特征提取网络中，获取实时运行数据的高维特征向量；所述特征提取网络是基于样本运行数据和所述样本运行数据对应的高维特征向量训练获取的；
根据所述实时运行数据的高维特征向量获取所述待监测设备的原型特征向量；所述原型特征向量是用高维向量的形式表示的所述待监测设备的正常运行数据的均值；
对所述原型特征向量和实时运行数据的高维特征向量进行相似度计算，获取所述原型特征向量和实时运行数据的高维特征向量之间的相似度值；
基于所述相似度值判定所述待监测设备是否发生故障。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取所述待监测设备在预设时间段内正常运行时的运行数据，作为样本运行数据；对所述样本运行数据进行特征提取，获取所述样本运行数据对应的高维特征向量；以所述样本运行数据和所述样本运行数据对应的高维特征向量作为训练集，训练循环神经网络模型，获取特征提取网络。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取所述实时运行数据的高维特征向量的中位数或平均值，作为所述待监测设备的原型特征向量。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：计算所述原型特征向量和实时运行数据的高维特征向量之间的欧氏距离，作为所述原型特征向量和实时运行数据的高维特征向量之间的相似度值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将所述相似度值与预设的故障阈值进行对比；若所述相似度值超过所述故障阈值，判定所述待监测设备处于正常运行状态。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：若所述相似度值未超过所述故障阈值，判定所述待监测设备处于异常运行状态。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将待监测设备的异常信息发送至运维人员，同时发出异常警报。
上述计算机设备，通过预设的特征提取网络获取待监测设备的实时运行数据的高维特征向量，并根据实时运行数据的高维特征向量获取待监测设备的原型特征向量，最后获取实时运行数据的高维特征向量和原型特征向量之间的相似度值，并基于相似度值判断待监测设备是否发生故障。相比待监测设备发生故障时的数据作为训练集训练生成的故障判断模型对待监测设备的监测，提高了故障监测时的预测准确率。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
将待监测设备的实时运行数据输入至预设的特征提取网络中，获取实时运行数据的高维特征向量；所述特征提取网络是基于样本运行数据和所述样本运行数据对应的高维特征向量训练获取的；
根据所述实时运行数据的高维特征向量获取所述待监测设备的原型特征向量；所述原型特征向量是用高维向量的形式表示的所述待监测设备的正常运行数据的均值；
对所述原型特征向量和实时运行数据的高维特征向量进行相似度计算，获取所述原型特征向量和实时运行数据的高维特征向量之间的相似度值；
基于所述相似度值判定所述待监测设备是否发生故障。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取所述待监测设备在预设时间段内正常运行时的运行数据，作为样本运行数据；对所述样本运行数据进行特征提取，获取所述样本运行数据对应的高维特征向量；以所述样本运行数据和所述样本运行数据对应的高维特征向量作为训练集，训练循环神经网络模型，获取特征提取网络。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取所述实时运行数据的高维特征向量的中位数或平均值，作为所述待监测设备的原型特征向量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：计算所述原型特征向量和实时运行数据的高维特征向量之间的欧氏距离，作为所述原型特征向量和实时运行数据的高维特征向量之间的相似度值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将所述相似度值与预设的故障阈值进行对比；若所述相似度值超过所述故障阈值，判定所述待监测设备处于正常运行状态。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：若所述相似度值未超过所述故障阈值，判定所述待监测设备处于异常运行状态。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将待监测设备的异常信息发送至运维人员，同时发出异常警报。
上述存储介质，通过预设的特征提取网络获取待监测设备的实时运行数据的高维特征向量，并根据实时运行数据的高维特征向量获取待监测设备的原型特征向量，最后获取实时运行数据的高维特征向量和原型特征向量之间的相似度值，并基于相似度值判断待监测设备是否发生故障。相比待监测设备发生故障时的数据作为训练集训练生成的故障判断模型对待监测设备的监测，提高了故障监测时的预测准确率。
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种设备故障监测方法，其特征在于，所述方法包括：
将待监测设备的实时运行数据输入至预设的特征提取网络中，获取实时运行数据的高维特征向量；所述特征提取网络是基于样本运行数据和所述样本运行数据对应的高维特征向量训练获取的；
根据所述实时运行数据的高维特征向量获取所述待监测设备的原型特征向量；所述原型特征向量是用高维向量的形式表示的所述待监测设备的正常运行数据的均值；
对所述原型特征向量和实时运行数据的高维特征向量进行相似度计算，获取所述原型特征向量和实时运行数据的高维特征向量之间的相似度值；
基于所述相似度值判定所述待监测设备是否发生故障。
2.根据权利要求1所述的方法，其特征在于，所述特征提取网络通过以下方法获取：
获取所述待监测设备在预设时间段内正常运行时的运行数据，作为样本运行数据；
对所述样本运行数据进行特征提取，获取所述样本运行数据对应的高维特征向量；
以所述样本运行数据和所述样本运行数据对应的高维特征向量作为训练集，训练循环神经网络模型，获取特征提取网络。
3.根据权利要求2所述的方法，其特征在于，所述根据所述实时运行数据的高维特征向量获取所述待监测设备的原型特征向量包括：
获取所述实时运行数据的高维特征向量的中位数或平均值，作为所述待监测设备的原型特征向量。
4.根据权利要求1所述的方法，其特征在于，所述对所述原型特征向量和实时运行数据的高维特征向量进行相似度计算，获取所述原型特征向量和实时运行数据的高维特征向量之间的相似度值包括：
计算所述原型特征向量和实时运行数据的高维特征向量之间的欧氏距离，作为所述原型特征向量和实时运行数据的高维特征向量之间的相似度值。
5.根据权利要求1所述的方法，其特征在于，所述基于所述相似度值判定所述待监测设备是否发生故障包括：
将所述相似度值与预设的故障阈值进行对比；
若所述相似度值超过所述故障阈值，判定所述待监测设备处于正常运行状态。
6.根据权利要求5所述的方法，其特征在于，所述基于所述相似度值判定所述待监测设备是否发生故障还包括：
若所述相似度值未超过所述故障阈值，判定所述待监测设备处于异常运行状态。
7.根据权利要求6所述的方法，其特征在于，所述判定所述待监测设备处于异常运行状态，之后还包括：
将待监测设备的异常信息发送至运维人员，同时发出异常警报。
8.一种设备故障监测装置，其特征在于，所述装置包括：
第一获取模块，用于将待监测设备的实时运行数据输入至预设的特征提取网络中，获取实时运行数据的高维特征向量；所述特征提取网络是基于样本运行数据和所述样本运行数据对应的高维特征向量训练获取的；
第二获取模块，用于根据所述实时运行数据的高维特征向量获取所述待监测设备的原型特征向量；所述原型特征向量是用高维向量的形式表示的所述待监测设备的正常运行数据的均值；
第三获取模块，用于对所述原型特征向量和实时运行数据的高维特征向量进行相似度计算，获取所述原型特征向量和实时运行数据的高维特征向量之间的相似度值；
故障监测模块，用于基于所述相似度值判定所述待监测设备是否发生故障。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110712688.6A CN113570473B (zh) | 2021-06-25 | 2021-06-25 | 设备故障监测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110712688.6A CN113570473B (zh) | 2021-06-25 | 2021-06-25 | 设备故障监测方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113570473A true CN113570473A (zh) | 2021-10-29 |
| CN113570473B CN113570473B (zh) | 2024-02-09 |
Family
ID=78162770
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110712688.6A Active CN113570473B (zh) | 2021-06-25 | 2021-06-25 | 设备故障监测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113570473B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116541251A (zh) * | 2023-07-04 | 2023-08-04 | 天津通信广播集团有限公司 | 显示设备状态预警方法、装置、设备和计算机可读介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008269063A (ja) * | 2007-04-17 | 2008-11-06 | Softopia Japan Foundation | 多重分割画像を用いた異常動作検出装置、異常動作検出方法及び異常動作検出用プログラム |
| CN104504400A (zh) * | 2015-01-08 | 2015-04-08 | 中国科学院重庆绿色智能技术研究院 | 一种基于在线行为建模的驾驶员异常行为检测方法 |
| US20150363699A1 (en) * | 2014-06-16 | 2015-12-17 | Mitsubishi Electric Research Laboratories, Inc. | Method for Anomaly Detection in Time Series Data Based on Spectral Partitioning |
| CN106886213A (zh) * | 2017-03-13 | 2017-06-23 | 北京化工大学 | 一种基于核相似度支持向量数据描述的间歇过程故障检测方法 |
| CN108844735A (zh) * | 2018-06-22 | 2018-11-20 | 上海电力学院 | 基于卷积编码器和闵式距离的行星齿轮箱故障检测方法 |
| JP2019159729A (ja) * | 2018-03-12 | 2019-09-19 | 株式会社リコー | 故障予測システム |
| WO2020113694A1 (zh) * | 2018-12-04 | 2020-06-11 | 深圳码隆科技有限公司 | 纺丝机故障监测方法、装置和服务器 |
| EP3719711A2 (en) * | 2020-07-30 | 2020-10-07 | Institutul Roman De Stiinta Si Tehnologie | Method of detecting anomalous data, machine computing unit, computer program |
| CN111767783A (zh) * | 2020-04-22 | 2020-10-13 | 杭州海康威视数字技术股份有限公司 | 行为检测、模型训练方法、装置、电子设备及存储介质 |
| US20210041862A1 (en) * | 2019-05-31 | 2021-02-11 | Nanjing University Of Aeronautics And Astronautics | Malfunction early-warning method for production logistics delivery equipment |
-
2021
- 2021-06-25 CN CN202110712688.6A patent/CN113570473B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008269063A (ja) * | 2007-04-17 | 2008-11-06 | Softopia Japan Foundation | 多重分割画像を用いた異常動作検出装置、異常動作検出方法及び異常動作検出用プログラム |
| US20150363699A1 (en) * | 2014-06-16 | 2015-12-17 | Mitsubishi Electric Research Laboratories, Inc. | Method for Anomaly Detection in Time Series Data Based on Spectral Partitioning |
| CN104504400A (zh) * | 2015-01-08 | 2015-04-08 | 中国科学院重庆绿色智能技术研究院 | 一种基于在线行为建模的驾驶员异常行为检测方法 |
| CN106886213A (zh) * | 2017-03-13 | 2017-06-23 | 北京化工大学 | 一种基于核相似度支持向量数据描述的间歇过程故障检测方法 |
| JP2019159729A (ja) * | 2018-03-12 | 2019-09-19 | 株式会社リコー | 故障予測システム |
| CN108844735A (zh) * | 2018-06-22 | 2018-11-20 | 上海电力学院 | 基于卷积编码器和闵式距离的行星齿轮箱故障检测方法 |
| WO2020113694A1 (zh) * | 2018-12-04 | 2020-06-11 | 深圳码隆科技有限公司 | 纺丝机故障监测方法、装置和服务器 |
| US20210041862A1 (en) * | 2019-05-31 | 2021-02-11 | Nanjing University Of Aeronautics And Astronautics | Malfunction early-warning method for production logistics delivery equipment |
| CN111767783A (zh) * | 2020-04-22 | 2020-10-13 | 杭州海康威视数字技术股份有限公司 | 行为检测、模型训练方法、装置、电子设备及存储介质 |
| EP3719711A2 (en) * | 2020-07-30 | 2020-10-07 | Institutul Roman De Stiinta Si Tehnologie | Method of detecting anomalous data, machine computing unit, computer program |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116541251A (zh) * | 2023-07-04 | 2023-08-04 | 天津通信广播集团有限公司 | 显示设备状态预警方法、装置、设备和计算机可读介质 |
| CN116541251B (zh) * | 2023-07-04 | 2023-10-20 | 天津通信广播集团有限公司 | 显示设备状态预警方法、装置、设备和计算机可读介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113570473B (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111210024A (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
| JP2018185794A (ja) | 送電網におけるサイバー脅威を検出するための複数モデル複数領域の特徴発見 | |
| JP2018170006A (ja) | 電力グリッドにおけるサイバー脅威を検出する汎用フレームワーク | |
| CN113708493B (zh) | 基于云边协同的配电终端运维方法、装置和计算机设备 | |
| CN111524118B (zh) | 变压器的运行状态检测方法、装置、计算机设备和存储介质 | |
| CN113093985B (zh) | 传感器数据链路异常检测方法、装置和计算机设备 | |
| CN115642706A (zh) | 一种电网内配电负荷监控系统 | |
| CN113765216A (zh) | 配电设备的监测方法、装置、系统和存储介质 | |
| CN110543658A (zh) | 基于大数据的电厂设备诊断方法 | |
| CN113570473B (zh) | 设备故障监测方法、装置、计算机设备和存储介质 | |
| CN110361609B (zh) | 特高压设备监测系统及方法 | |
| CN114726740A (zh) | 台区拓扑识别方法、系统及智能融合终端 | |
| CN113758652B (zh) | 换流变压器漏油检测方法、装置、计算机设备和存储介质 | |
| CN113487182B (zh) | 设备健康状态评估方法、装置、计算机设备和介质 | |
| CN117169761A (zh) | 电池状态评估方法、装置、设备、存储介质和程序产品 | |
| CN117110794A (zh) | 一种电缆故障智能诊断系统及方法 | |
| CN116071902B (zh) | 一种监控机房动力设备的方法、设备及介质 | |
| CN113784235B (zh) | 电缆载流量监测系统、方法、装置、网关设备和存储介质 | |
| CN117031201A (zh) | 一种配电网多场景拓扑异常识别方法及系统 | |
| CN114336969B (zh) | 基于虚拟电厂的储能电站集中监控方法及系统 | |
| CN112613626B (zh) | 备调系统运行状态的监测方法、装置和计算机设备 | |
| CN113592114A (zh) | 电网中用户报障研判方法、装置、计算机设备和存储介质 | |
| CN115146727A (zh) | 一种智能用电系统故障检测方法及系统 | |
| CN112737120A (zh) | 区域电网控制报告的生成方法、装置和计算机设备 | |
| CN114254798A (zh) | 输电线路的监控方法、装置、计算机设备和存储介质 |
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 |