CN113790164B - 设备故障预警方法、装置、电子设备及计算机可读介质 - Google Patents
设备故障预警方法、装置、电子设备及计算机可读介质 Download PDFInfo
- Publication number
- CN113790164B CN113790164B CN202010838109.8A CN202010838109A CN113790164B CN 113790164 B CN113790164 B CN 113790164B CN 202010838109 A CN202010838109 A CN 202010838109A CN 113790164 B CN113790164 B CN 113790164B
- Authority
- CN
- China
- Prior art keywords
- historical
- deviation rate
- power
- power deviation
- target
- 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 67
- 238000012423 maintenance Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000010801 machine learning Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 description 16
- 230000008859 change Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D15/00—Control, e.g. regulation, of pumps, pumping installations or systems
- F04D15/0077—Safety measures
Abstract
本公开实施例提供一种设备故障预警方法、装置、电子设备及可读介质,该方法包括:获取目标设备的历史瞬时转速和历史实际功率;根据所述历史瞬时转速和所述历史实际功率确定所述目标设备的历史功率偏差率;对所述历史功率偏差率进行预测处理,获得所述目标设备的功率偏差率预测时间序列;根据所述功率偏差率预测时间序列生成所述目标设备的预警方案。本公开实施例提供的设备故障预警方法、装置、电子设备及可读介质,能够对设备的运行状态实时监控,及时发现故障并进行预警,给设备的故障维护给出可靠的指导信息。
Description
技术领域
本公开涉及硬件智能技术领域,尤其涉及一种设备故障预警方法、装置、电子设备及计算机可读介质。
背景技术
传统运维方式中,水泵设备一般按照固定周期进行设备维保,设备在采购后的投产运行阶段中,水泵供应商会根据水泵的运行工况、设备型号设置水泵的维护保养周期。但是维保养护周期为固定的,当面对例如环境变化(例如水质、湿度、运行环境等)等未知因素的影响时,设备部件的老化速度可能高于预期,导致设备低功效运行。固定维护保养周期并不能及时发现上述问题,且当水泵设备关键部件发生老化时,仅能依靠固定周期的维保过程或重大故障发生时被动启动的运维过程进行排查。而设备在低功效运行工况下并不会报警,却会产生不必要的电力效能的浪费。且在传统数据中心冷水自控系统中,水泵运行一般会跟随环境、供冷季节变化预置数个运行工况,根据时间周期机械切换。运行成本存在一定的节能降本空间。
因此,需要一种新的设备故障预警方法、装置、电子设备及计算机可读介质。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本公开实施例提供一种设备故障预警方法、装置、电子设备及计算机可读介质,能够对设备的运行状态实时监控,及时发现故障并进行预警,给设备的故障维护给出可靠的指导信息。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开实施例的第一方面,提出一种设备故障预警方法,该方法包括:获取目标设备的历史瞬时转速和历史实际功率;根据所述历史瞬时转速和所述历史实际功率确定所述目标设备的历史功率偏差率;对所述历史功率偏差率进行预测处理,获得所述目标设备的功率偏差率预测时间序列;根据所述功率偏差率预测时间序列生成所述目标设备的预警方案。
在本公开的一种示例性实施例中,根据所述历史瞬时转速和所述历史实际功率确定所述目标设备的历史功率偏差率包括:根据所述历史瞬时转速、所述目标设备的额定转速和额定功率确定所述目标设备的历史理论功率;计算所述历史理论功率和所述历史实际功率的差值,获得历史功率偏差;将所述历史功率偏差和所述历史理论功率的比值确定为所述目标设备的所述历史功率偏差率。
在本公开的一种示例性实施例中,根据所述历史瞬时转速、所述目标设备的额定转速和额定功率确定所述目标设备的历史理论功率包括:计算所述历史瞬时转速和所述目标设备的额定转速的比值,获得历史转速比值;确定所述历史转速比值的立方值;将所述立方值和所述目标设备的额定功率的乘积确定为所述目标设备的历史理论功率。
在本公开的一种示例性实施例中,对所述历史功率偏差率进行预测处理,获得所述目标设备的功率偏差率预测时间序列包括:根据预设时间段内的所述历史功率偏差率生成功率偏差率历史时间序列;通过机器学习模型对所述功率偏差率历史时间序列进行处理,获得所述目标设备的所述功率偏差率预测时间序列。
在本公开的一种示例性实施例中,所述方法还包括:在所述目标设备初次运行或在所述目标设备的维保操作结束时,根据所述功率偏差率历史时间序列对所述机器学习模型进行训练,获得训练完成的所述机器学习模型。
在本公开的一种示例性实施例中,根据所述功率偏差率预测时间序列生成所述目标设备的预警方案包括:将所述功率偏差率预测时间序列中每个时间点下的功率偏差率预测值与功率偏差率阈值进行比对,将功率偏差率预测值大于所述功率偏差率阈值的时间点确定为目标时间点;根据所述目标时间点生成所述目标设备的预警方案。
在本公开的一种示例性实施例中,根据所述目标时间点生成所述目标设备的预警方案包括:计算所述目标时间点与当前时间的差值,获得功率失效剩余时长;根据所述功率失效剩余时长确定目标预警级别;根据所述目标预警级别生成所述目标设备的预警方案。
根据本公开实施例的第二方面,提出一种设备故障预警装置,该装置包括:参数获取模块,配置为获取目标设备的历史瞬时转速和历史实际功率;偏差率计算模块,配置为根据所述历史瞬时转速和所述历史实际功率确定所述目标设备的历史功率偏差率;偏差率预测模块,配置为对所述历史功率偏差率进行预测处理,获得所述目标设备的功率偏差率预测时间序列;预警生成模块,配置为根据所述功率偏差率预测时间序列生成所述目标设备的预警方案。
根据本公开实施例的第三方面,提出一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述任一项所述的设备故障预警方法。
根据本公开实施例的第四方面,提出一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述任一项所述的设备故障预警方法。
根据本公开某些实施例提供的设备故障预警方法、装置、电子设备及计算机可读介质,通过监控目标设备的历史瞬时转速和历史实际功率,能够据此获得目标设备的历史功率偏差率。并通过历史功率偏差率实时统计目标设备在运行过程中的一系列运行耗损引起的参数变化,并基于参数变化对未来时刻功率偏差率的变化情况进行预测,获得功率偏差率预测时间序列,进而能够对功率偏差率预测时间序列进行分析,以便在预测获得功率偏差率所表征的目标设备的耗损达到阈值时,生成预警方案,使得目标设备能够及时得到故障排查与维护。避免因目标设备运行环境差异,导致根据理论性能损耗进行周期性维保操作带来的不必要的性能或能源的损耗。通过预测目标设备的功率偏差率,尽可能地使目标设备保持在高性能比率的情况下运行,提升系统整体效率,从而节约能源。通过对目标设备功率偏差率的统计,能够对目标设备的维保操作提供指导建议,避免设备低效率过长时间服役或不必要的保养操作浪费资源。通过对目标设备功率偏差率的预测,能够评估目标设备损耗至需要进行维保的时长,提前计划保养操作,降低运维难度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
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,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。下面描述的附图仅仅是本公开的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种设备故障预警方法及装置的系统框图;
图2是根据一示例性实施例示出的一种设备故障预警方法的流程图;
图3是根据一示例性实施例示出的一种设备故障预警方法的流程图;
图4是根据一示例性实施例示出的一种设备故障预警方法的流程图;
图5是根据一示例性实施例示出的一种设备故障预警方法的流程图;
图6是根据另一示例性实施例示出的一种设备故障预警方法的流程图;
图7是根据一示例性实施例示出的一种设备故障预警装置的框图;
图8示出了适于用来实现本公开实施例的电子设备的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本发明将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本发明的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而省略特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图仅为本发明的示意性图解,图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和步骤,也不是必须按所描述的顺序执行。例如,有的步骤还可以分解,而有的步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
下面结合附图对本发明示例实施方式进行详细说明。
图1是根据一示例性实施例示出的一种设备故障预警方法及装置的系统框图。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所进行操作的设备故障预警系统提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的设备故障预警请求等数据进行分析等处理,并将处理结果(例如预警方案--仅为示例)反馈给终端设备。
服务器105可例如获取目标设备的历史瞬时转速和历史实际功率;服务器105可例如根据所述历史瞬时转速和所述历史实际功率确定所述目标设备的历史功率偏差率;服务器105可例如对所述历史功率偏差率进行预测处理,获得所述目标设备的功率偏差率预测时间序列。服务器105可例如根据所述功率偏差率预测时间序列生成所述目标设备的预警方案。
服务器105可以是一个实体的服务器,还可例如为多个服务器组成,服务器105中的一部分可例如作为本公开中的设备故障预警任务提交系统,用于获取将要执行设备故障预警命令的任务;以及服务器105中的一部分还可例如作为本公开中的设备故障预警系统,用于获取目标设备的历史瞬时转速和历史实际功率;根据所述历史瞬时转速和所述历史实际功率确定所述目标设备的历史功率偏差率;对所述历史功率偏差率进行预测处理,获得所述目标设备的功率偏差率预测时间序列;根据所述功率偏差率预测时间序列生成所述目标设备的预警方案。
图2是根据一示例性实施例示出的一种设备故障预警方法的流程图。本公开实施例提供的设备故障预警方法可以由任意具备计算处理能力的电子设备执行,例如终端设备101、102、103和/或服务器105,在下面的实施例中,以服务器执行方法为例进行举例说明,但本公开并不限定于此。本公开实施例提供的设备故障预警方法20可以包括步骤S202至S208。
如图2所示,在步骤S202中,获取目标设备的历史瞬时转速和历史实际功率。
本公开实施例中,目标设备可例如为水泵、风机、冷塔、末端风扇等。但本公开的技术方案中目标设备并不限于上述示例,还可例如为其他主要部件为旋转结构、设备工作介质为流体物质的设备。历史瞬时转速和历史实际功率可通过传感器检测获得。
在示例性实施例中,可根据数据采集周期实时获取目标设备在每个时间点上的历史瞬时转速和历史实际功率。
在步骤S204中,根据历史瞬时转速和历史实际功率确定目标设备的历史功率偏差率。
本公开实施例中,可统计每个时间点的历史瞬时转速和历史实际功率,并计算每个时间点的历史功率偏差率。其中,可根据历史瞬时转速以及目标设备的额定参数确定目标设备的历史理论功率。并计算历史实际功率和目标设备的历史理论功率的差值作为功率偏差值,进而根据功率偏差值和历史理论功率的比值确定为历史功率偏差率。
在步骤S206中,对历史功率偏差率进行预测处理,获得目标设备的功率偏差率预测时间序列。
可例如通过机器学习模型对历史功率偏差率进行预测处理,获得机器学习模型输出的功率偏差率预测时间序列。其中,机器学习模型为能够对时间序列数据进行处理的模型,例如但不限于为线性回归模型、自回归滑动平均模型(Autoregressive movingaverage model,ARMA)、差分整合移动平均自回归模型(Autoregressive IntegratedMoving Average model,ARIMA)、卷积神经网络模型(Convolutional Neural Networks,CNN)、长短期记忆模型(long-short term memory),LSTM)、循环神经网络模型(RecurrentNeural Network,RNN)等,本公开的技术方案对此并不作特殊限定。
功率偏差率预测时间序列可包括多个未来预设时刻内每个时间点的功率偏差率预测值,并可按照时间点进行排序形成时间序列。
在步骤S208中,根据功率偏差率预测时间序列生成目标设备的预警方案。
本公开实施例中,可对功率偏差率预测时间序列进行分析,在发现功率偏差率预测时间序列中存在大于功率偏差率阈值的元素时,可确认该元素对应的时间点为预测获得的功率损耗较大的时间点,进而根据预测获得的功率损耗较大的时间点生成目标设备的预警方案。预警方案可用于生成维护保养提醒,以便目标设备能够在发生故障时及时获得维护保养。
根据本公开实施例提供的设备故障预警方法,通过监控目标设备的历史瞬时转速和历史实际功率,能够据此获得目标设备的历史功率偏差率。并通过历史功率偏差率实时统计目标设备在运行过程中的一系列运行耗损引起的参数变化,并基于参数变化对未来时刻功率偏差率的变化情况进行预测,获得功率偏差率预测时间序列,进而能够对功率偏差率预测时间序列进行分析,以便在预测获得功率偏差率所表征的目标设备的耗损达到阈值时,生成预警方案,使得目标设备能够及时得到故障排查与维护。避免因目标设备运行环境差异,导致根据理论性能损耗进行周期性维保操作带来的不必要的性能或能源的损耗。通过预测目标设备的功率偏差率,尽可能地使目标设备保持在高性能比率的情况下运行,提升系统整体效率,从而节约能源。通过对目标设备功率偏差率的统计,能够对目标设备的维保操作提供指导建议,避免设备低效率过长时间服役或不必要的保养操作浪费资源。通过对目标设备功率偏差率的预测,能够评估目标设备损耗至需要进行维保的时长,提前计划保养操作,降低运维难度。
图3是根据一示例性实施例示出的一种设备故障预警方法的流程图。如图3所示,基于上述实施例的步骤S204可以进一步包括步骤S302至S306。
在步骤S302中,根据历史瞬时转速、目标设备的额定转速和额定功率确定目标设备的历史理论功率。
本公开实施例中,目标设备的额定功率为目标设备所能达到的最大输出功率,目标设备的额定转速是指发动机在额定功率下的转速。其中,可以功率相似定律为理论基础,实现对历史瞬时转速、目标设备的额定转速和额定功率的理论计算,获得目标设备的历史理论功率。其中,功率相似定律是指符合几何相似、运动相似、动力条件相似的两台泵,可近似地认为两相似泵的容积效率、水力效率、机械效率相等。这时有以下各式成立:
式中,Q1、Q2分别为泵1、泵2的流量;n1、n2分别为泵1、泵2的泵轴转速;D1、D2分别为泵1、泵2的叶轮外径;P1、P2分别为泵1、泵2的轴功率;ρ1、ρ2分别为泵1、泵2输送介质的密度。
基于功率相似定律,可通过传感器获得的历史瞬时转速、额定功率和额定转速计算获得历史理论功率。具体可通过下式(4)计算获得:
在步骤S304中,计算历史理论功率和历史实际功率的差值,获得历史功率偏差。
在步骤S306中,将历史功率偏差和历史理论功率的比值确定为目标设备的历史功率偏差率。
本公开实施例中,可根据下式(5)计算获得历史功率偏差率:
根据本公开实施例提供的设备故障预警方法,以相似定律为理论基础,能够基于对目标设备监控参数进行计算,获得目标设备的功率偏差率,实现对功率偏差率变化情况的实时监控,以根据功率偏差率的变化表征目标设备运行耗损的变化,有助于及时根据目标设备的耗损变化设置及时有效的维保预警方案,避免相关技术中根据理论性能损耗进行维保操作带来的不必要的性能或能源的损耗。
在示例性实施例中,在步骤S302还可包括以下步骤S3021至S3023。
在步骤S3021中,计算历史瞬时转速和目标设备的额定转速的比值,获得历史转速比值。
在步骤S3022中,确定历史转速比值的立方值。
在步骤S3023中,将立方值和目标设备的额定功率的乘积确定为目标设备的历史理论功率。
图4是根据一示例性实施例示出的一种设备故障预警方法的流程图。如图4所示,基于上述实施例的步骤S206可以进一步包括步骤S402至S404。
在步骤S402中,根据预设时间段内的历史功率偏差率生成功率偏差率历史时间序列。
本公开实施例中,可将历史功率偏差率按照预设时间段中每个历史时间点的时间顺序进行排序,获得功率偏差率历史时间序列。
在步骤S404中,通过机器学习模型对功率偏差率历史时间序列进行处理,获得目标设备的功率偏差率预测时间序列。
本公开实施例中,历史时间序列的长度可与机器学习模型的输入向量维度匹配。即,可根据机器学习模型的输入向量维度确定步骤S402中的预设时间段和以及预设时间段中历史时间点之间的时间粒度。
在示例性实施例中,还可在目标设备初次运行或在目标设备的维保操作结束时,根据功率偏差率历史时间序列对机器学习模型进行训练,获得训练完成的机器学习模型。其中,当目标设备初次运行时,可在热机后(例如30分钟热机)首先持续采集目标设备在每个时间点的瞬时转速和实际功率分别作为历史瞬时转速和历史实际功率,根据历史瞬时转速和历史实际功率确定历史功率偏差率,并基于历史功率偏差率生成训练样本,以根据训练样本对机器学习模型进行训练,并在训练结果达到预设准确率阈值后获得训练完成的机器学习模型。当目标设备的维保操作结束后,目标设备的硬件环境会由于维保操作产生变化,因此,可在维保操作结束时对机器学习模型进行重新训练,获得训练完成的机器学习模型。
图5是根据一示例性实施例示出的一种设备故障预警方法的流程图。如图5所示,基于上述实施例的步骤S208可以进一步包括步骤S502至S504。
在步骤S502中,将功率偏差率预测时间序列中每个时间点下的功率偏差率预测值与功率偏差率阈值进行比对,将功率偏差率预测值大于功率偏差率阈值的时间点确定为目标时间点。
本公开实施例中,目标时间点下的功率偏差率预测值大于功率偏差率阈值,认为在该目标时间点下,目标设备的运行损耗已经超出了正常运行范围内。通过本步骤,能够实现对故障时间的预测,获得未来时刻中将要发生故障的目标时间点。
在步骤S504中,根据目标时间点生成目标设备的预警方案。
在示例性实施例中,可计算目标时间点与当前时间的差值,获得功率失效剩余时长;根据功率失效剩余时长确定目标预警级别;根据目标预警级别生成目标设备的预警方案。例如,功率失效剩余时长越短,则目标预警级别越高。
其中,还可根据目标时间点的功率偏差率与功率偏差率阈值的差值、功率失效剩余时长确定目标预警级别。例如,可根据目标时间点的功率偏差率与功率偏差率阈值的差值,和功率失效剩余时长的相反数的和值(或加权和值)确定目标预警级别。上述和值(或加权和值)越大,则目标预警级别越高。
图6是根据另一示例性实施例示出的一种设备故障预警方法的流程图。如图6所示,本公开实施例的设备故障预警方法可以包括步骤S602至S504。
在步骤S602中,在目标设备初次运行或在机器学习模型未完成搭建时,获取目标设备的历史瞬时转速和历史实际功率,否则执行步骤S610。
本公开实施例中,机器学习模型未完成搭建的情况是指目标设备的维保操作刚结束时的情形或目标设备初次运行时的情形。
在步骤S604中,根据历史瞬时转速和历史实际功率确定目标设备的历史功率偏差率。
在步骤S606中,根据预设时间段内的历史功率偏差率生成功率偏差率历史时间序列。
在步骤S608中,根据功率偏差率历史时间序列对机器学习模型进行训练,获得训练完成的机器学习模型。
本公开实施例中,可在训练期间持续获取目标设备的瞬时转速和实际功率作为历史瞬时功率和历史实际功率,以生成新的功率偏差率历史时间序列作为本步骤S608的训练样本。
在步骤S610中,获取目标设备的历史瞬时转速和历史实际功率。
在步骤S612中,根据历史瞬时转速和历史实际功率确定目标设备的历史功率偏差率。
在步骤S614中,通过训练完成的机器学习模型对历史功率偏差率进行处理,获得目标设备的功率偏差率预测时间序列。
在步骤S616中,根据功率偏差率预测时间序列生成目标设备的预警方案。
应清楚地理解,本公开描述了如何形成和使用特定示例,但本公开的原理不限于这些示例的任何细节。相反,基于本公开公开的内容的教导,这些原理能够应用于许多其它实施例。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由中央处理器(Central Processing Unit,CPU)执行的计算机程序。在该计算机程序被中央处理器CPU执行时,执行本公开提供的上述方法所限定的上述功能。的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图7是根据一示例性实施例示出的一种设备故障预警装置的框图。参照图7,本公开实施例提供的设备故障预警装置70可以包括:参数获取模块702、偏差率计算模块704、偏差率预测模块706和预警生成模块708。
在设备故障预警装置70中,参数获取模块702可以配置为获取目标设备的历史瞬时转速和历史实际功率。
偏差率计算模块704可以配置为根据历史瞬时转速和历史实际功率确定目标设备的历史功率偏差率。
偏差率预测模块706可以配置为对历史功率偏差率进行预测处理,获得目标设备的功率偏差率预测时间序列。
预警生成模块708可以配置为根据功率偏差率预测时间序列生成目标设备的预警方案。
在示例性实施例中,偏差率计算模块704可以包括理论功率计算单元、功率偏差计算单元和功率偏差率计算单元。其中,理论功率计算单元可以配置为根据历史瞬时转速、目标设备的额定转速和额定功率确定目标设备的历史理论功率。功率偏差计算单元可以配置为计算历史理论功率和历史实际功率的差值,获得历史功率偏差。功率偏差率计算单元可以配置为将历史功率偏差和历史理论功率的比值确定为目标设备的历史功率偏差率。
在示例性实施例中,理论功率计算单元可包括转速比值计算子单元、立方值计算子单元和理论功率计算子单元。其中,转速比值计算子单元可配置为计算历史瞬时转速和目标设备的额定转速的比值,获得历史转速比值。立方值计算子单元可配置为确定历史转速比值的立方值。理论功率计算子单元可配置为将立方值和目标设备的额定功率的乘积确定为目标设备的历史理论功率。
在示例性实施例中,偏差率预测模块706可以包括历史时间序列单元和预测时间序列单元。其中,历史时间序列单元可配置为根据预设时间段内的历史功率偏差率生成功率偏差率历史时间序列。预测时间序列单元可配置为通过机器学习模型对功率偏差率历史时间序列进行处理,获得目标设备的功率偏差率预测时间序列。
在示例性实施例中,设备故障预警装置70还可包括模型训练模块,可以配置为在目标设备初次运行或在目标设备的维保操作结束时,根据功率偏差率历史时间序列对机器学习模型进行训练,获得训练完成的机器学习模型。
在示例性实施例中,预警生成模块708可包括目标时间点单元和预警方案单元。其中,目标时间点单元可配置为将功率偏差率预测时间序列中每个时间点下的功率偏差率预测值与功率偏差率阈值进行比对,将功率偏差率预测值大于功率偏差率阈值的时间点确定为目标时间点。预警方案单元可配置为根据目标时间点生成目标设备的预警方案。
在示例性实施例中,预警方案单元可包括失效时长子单元、预警级别子单元和预警方案子单元。其中,失效时长子单元可配置为计算目标时间点与当前时间的差值,获得功率失效剩余时长。预警级别子单元可配置为根据功率失效剩余时长确定目标预警级别。预警方案子单元可配置为根据目标预警级别生成目标设备的预警方案。
根据本公开实施例提供的设备故障预警装置,通过监控目标设备的历史瞬时转速和历史实际功率,能够据此获得目标设备的历史功率偏差率。并通过历史功率偏差率实时统计目标设备在运行过程中的一系列运行耗损引起的参数变化,并基于参数变化对未来时刻功率偏差率的变化情况进行预测,获得功率偏差率预测时间序列,进而能够对功率偏差率预测时间序列进行分析,以便在预测获得功率偏差率所表征的目标设备的耗损达到阈值时,生成预警方案,使得目标设备能够及时得到故障排查与维护。避免因目标设备运行环境差异,导致根据理论性能损耗进行周期性维保操作带来的不必要的性能或能源的损耗。通过预测目标设备的功率偏差率,尽可能地使目标设备保持在高性能比率的情况下运行,提升系统整体效率,从而节约能源。通过对目标设备功率偏差率的统计,能够对目标设备的维保操作提供指导建议,避免设备低效率过长时间服役或不必要的保养操作浪费资源。通过对目标设备功率偏差率的预测,能够评估目标设备损耗至需要进行维保的时长,提前计划保养操作,降低运维难度。
图8示出了适于用来实现本公开实施例的电子设备的结构示意图。需要说明的是,图8示出的电子设备800仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示,电子设备800包括中央处理单元(CPU)801,其可以根据存储在只读存储器(ROM)802中的程序或者从储存部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有系统操作所需的各种程序和数据。CPU801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805:包括键盘、鼠标等的输入部分806;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807;包括硬盘等的储存部分808;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器810上,以便于从其上读出的计算机程序根据需要被安装入储存部分808。
特别地,根据本公开的实施例,下文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有至少一个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含至少一个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块和\或单元和\或子单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的模块和\或单元和\或子单元也可以设置在处理器中。其中,这些模块和\或单元和\或子单元的名称在某种情况下并不构成对该模块本身的限定。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现如下述实施例中所述的方法。例如,所述的电子设备可以实现如图1或图2或图3或图4或图5或图6所示的各个步骤。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块和\或单元和\或子单元的特征和功能可以在一个模块中具体化。反之,上文描述的一个模块和\或单元和\或子单元的特征和功能可以进一步划分为由多个模块和\或单元和\或子单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (9)
1.一种设备故障预警方法,其特征在于,包括:
获取目标设备的历史瞬时转速和历史实际功率;
根据所述历史瞬时转速和所述历史实际功率确定所述目标设备的历史功率偏差率;
对所述历史功率偏差率进行预测处理,获得所述目标设备的功率偏差率预测时间序列,其中,所述功率偏差率预测时间序列包括多个未来预设时刻内每个时间点的功率偏差率预测值;
将所述功率偏差率预测时间序列中每个时间点下的功率偏差率预测值与功率偏差率阈值进行比对,将功率偏差率预测值大于所述功率偏差率阈值的时间点确定为目标时间点;
根据所述目标时间点的功率偏差率与功率偏差率阈值的差值、功率失效剩余时长确定所述目标设备的预警方案。
2.如权利要求1所述的方法,其特征在于,根据所述历史瞬时转速和所述历史实际功率确定所述目标设备的历史功率偏差率包括:
根据所述历史瞬时转速、所述目标设备的额定转速和额定功率确定所述目标设备的历史理论功率;
计算所述历史理论功率和所述历史实际功率的差值,获得历史功率偏差;
将所述历史功率偏差和所述历史理论功率的比值确定为所述目标设备的所述历史功率偏差率。
3.如权利要求2所述的方法,其特征在于,根据所述历史瞬时转速、所述目标设备的额定转速和额定功率确定所述目标设备的历史理论功率包括:
计算所述历史瞬时转速和所述目标设备的额定转速的比值,获得历史转速比值;
确定所述历史转速比值的立方值;
将所述立方值和所述目标设备的额定功率的乘积确定为所述目标设备的历史理论功率。
4.如权利要求1所述的方法,其特征在于,对所述历史功率偏差率进行预测处理,获得所述目标设备的功率偏差率预测时间序列包括:
根据预设时间段内的所述历史功率偏差率生成功率偏差率历史时间序列;
通过机器学习模型对所述功率偏差率历史时间序列进行处理,获得所述目标设备的所述功率偏差率预测时间序列。
5.如权利要求4所述的方法,其特征在于,还包括:
在所述目标设备初次运行或在所述目标设备的维保操作结束时,根据所述功率偏差率历史时间序列对所述机器学习模型进行训练,获得训练完成的所述机器学习模型。
6.如权利要求1所述的方法,其特征在于,根据所述目标时间点的功率偏差率与功率偏差率阈值的差值、功率失效剩余时长确定所述目标设备的预警方案包括:
计算所述目标时间点与当前时间的差值,获得功率失效剩余时长;
根据所述目标时间点的功率偏差率与功率偏差率阈值的差值、所述功率失效剩余时长确定目标预警级别;
根据所述目标预警级别生成所述目标设备的预警方案。
7.一种设备故障预警装置,其特征在于,包括:
参数获取模块,配置为获取目标设备的历史瞬时转速和历史实际功率;
偏差率计算模块,配置为根据所述历史瞬时转速和所述历史实际功率确定所述目标设备的历史功率偏差率;
偏差率预测模块,配置为对所述历史功率偏差率进行预测处理,获得所述目标设备的功率偏差率预测时间序列,其中,所述功率偏差率预测时间序列包括多个未来预设时刻内每个时间点的功率偏差率预测值;
预警生成模块,将所述功率偏差率预测时间序列中每个时间点下的功率偏差率预测值与功率偏差率阈值进行比对,将功率偏差率预测值大于所述功率偏差率阈值的时间点确定为目标时间点;根据所述目标时间点的功率偏差率与功率偏差率阈值的差值、功率失效剩余时长确定所述目标设备的预警方案。
8.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010838109.8A CN113790164B (zh) | 2020-08-19 | 2020-08-19 | 设备故障预警方法、装置、电子设备及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010838109.8A CN113790164B (zh) | 2020-08-19 | 2020-08-19 | 设备故障预警方法、装置、电子设备及计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113790164A CN113790164A (zh) | 2021-12-14 |
CN113790164B true CN113790164B (zh) | 2023-11-03 |
Family
ID=78876813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010838109.8A Active CN113790164B (zh) | 2020-08-19 | 2020-08-19 | 设备故障预警方法、装置、电子设备及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113790164B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103019135A (zh) * | 2012-11-28 | 2013-04-03 | 北京金风科创风电设备有限公司 | 风机部件的寿命预测方法及系统 |
CN106959652A (zh) * | 2017-05-08 | 2017-07-18 | 北京百度网讯科技有限公司 | 智能监控方法和装置 |
CN111400964A (zh) * | 2020-03-16 | 2020-07-10 | 中国人民解放军海军航空大学 | 一种故障发生时间预测方法及装置 |
-
2020
- 2020-08-19 CN CN202010838109.8A patent/CN113790164B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103019135A (zh) * | 2012-11-28 | 2013-04-03 | 北京金风科创风电设备有限公司 | 风机部件的寿命预测方法及系统 |
CN106959652A (zh) * | 2017-05-08 | 2017-07-18 | 北京百度网讯科技有限公司 | 智能监控方法和装置 |
CN111400964A (zh) * | 2020-03-16 | 2020-07-10 | 中国人民解放军海军航空大学 | 一种故障发生时间预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113790164A (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110377447B (zh) | 一种异常数据检测方法、装置及服务器 | |
US11746753B2 (en) | Method and apparatus for detecting fault, method and apparatus for training model, and device and storage medium | |
WO2021133253A1 (en) | Method and apparatus for predicting energy consumption, and device and storage medium thereof | |
CN114548756A (zh) | 基于主成分分析的综合能源项目综合效益评价方法及装置 | |
CN116306798A (zh) | 一种超短时风速预测方法及系统 | |
CN112801434A (zh) | 性能指标健康度的监测方法、装置、设备和存储介质 | |
CN117688342B (zh) | 一种基于模型的设备状态预测方法、电子设备及存储介质 | |
CN113790164B (zh) | 设备故障预警方法、装置、电子设备及计算机可读介质 | |
CN114818913A (zh) | 决策生成方法和装置 | |
CN116755974A (zh) | 云计算平台运维方法、装置、电子设备及存储介质 | |
CN116108989B (zh) | 一种风电超短期功率预测方法、系统、存储介质及设备 | |
CN116708313B (zh) | 流量检测方法、流量检测装置、存储介质和电子设备 | |
CN115963798B (zh) | 工业互联网中的设备运控方法、系统及电子设备 | |
CN117972609A (zh) | 设备异常状态预测方法、装置、电子设备及存储介质 | |
CN117540140A (zh) | 用于确定可再生能源的概率分布信息的方法、装置及设备 | |
CN117195120A (zh) | 一种检测方法、装置、设备以及存储介质 | |
CN116468076A (zh) | 一种驾驶行为分析方法、装置、电子设备及存储介质 | |
CN114897840A (zh) | 一种应用于智慧电网的发电机组检测方法 | |
CN117634437A (zh) | 一种设备当前运行状态的描述方法、装置及电子设备 | |
CN116960957A (zh) | 车辆充电负荷预测方法、装置、电子设备及存储介质 | |
CN115237080A (zh) | 基于虚拟电厂的设备调控方法、装置、设备和可读介质 | |
CN117951625A (zh) | 一种设备集群运行异常确定方法、电子设备及存储介质 | |
CN116680131A (zh) | 服务器测试系统、服务器测试方法、电子设备及存储介质 | |
CN116184212A (zh) | 电池状态估算方法及装置和可读存储介质 | |
CN117114157A (zh) | 链接的预测方法、链接预测模型的训练方法和装置 |
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 |