CN113931258B - 自我诊断方法和无负压叠压供水设备 - Google Patents
自我诊断方法和无负压叠压供水设备 Download PDFInfo
- Publication number
- CN113931258B CN113931258B CN202111440578.5A CN202111440578A CN113931258B CN 113931258 B CN113931258 B CN 113931258B CN 202111440578 A CN202111440578 A CN 202111440578A CN 113931258 B CN113931258 B CN 113931258B
- Authority
- CN
- China
- Prior art keywords
- fault
- preset
- data
- water pump
- parameter
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 233
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000004092 self-diagnosis Methods 0.000 title claims abstract description 53
- 238000005259 measurement Methods 0.000 claims abstract description 95
- 238000001514 detection method Methods 0.000 claims abstract description 59
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 49
- 238000012423 maintenance Methods 0.000 claims description 31
- 238000013136 deep learning model Methods 0.000 claims description 25
- 238000004891 communication Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 13
- 238000002405 diagnostic procedure Methods 0.000 claims description 10
- 238000007789 sealing Methods 0.000 claims description 8
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims description 5
- 230000000087 stabilizing effect Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 230000032683 aging Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E03—WATER SUPPLY; SEWERAGE
- E03B—INSTALLATIONS OR METHODS FOR OBTAINING, COLLECTING, OR DISTRIBUTING WATER
- E03B7/00—Water main or service pipe systems
- E03B7/07—Arrangement of devices, e.g. filters, flow controls, measuring devices, siphons or valves, in the pipe systems
- E03B7/078—Combined units with different devices; Arrangement of different devices with respect to each other
-
- E—FIXED CONSTRUCTIONS
- E03—WATER SUPPLY; SEWERAGE
- E03B—INSTALLATIONS OR METHODS FOR OBTAINING, COLLECTING, OR DISTRIBUTING WATER
- E03B11/00—Arrangements or adaptations of tanks for water supply
-
- E—FIXED CONSTRUCTIONS
- E03—WATER SUPPLY; SEWERAGE
- E03B—INSTALLATIONS OR METHODS FOR OBTAINING, COLLECTING, OR DISTRIBUTING WATER
- E03B7/00—Water main or service pipe systems
- E03B7/09—Component parts or accessories
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Hydrology & Water Resources (AREA)
- Structural Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
Abstract
本申请提供了一种自我诊断方法和无负压叠压供水设备,所述方法包括:获取所述无负压叠压供水设备的多个运行参数的测量数据;当检测到至少一个所述运行参数的测量数据不处于自身对应的预设范围时,将多个所述运行参数的测量数据作为故障检测模型的第一输入,输出所述第一输入对应的预测故障类型和预测相似度;当所述第一输入对应的预测相似度小于预设相似度阈值时确定无故障发生,当所述第一输入对应的预测相似度不小于所述预设相似度阈值时确定有故障发生。使用两个阶段的检测过程来判断是否有故障发生,当第一阶段检测到可能发生故障时,并非直接判断为发生故障,而是进入第二阶段的故障检测,避免误判。
Description
技术领域
本申请涉及供水设备的技术领域,尤其涉及自我诊断方法和无负压叠压供水设备。
背景技术
随着信息技术的发展,应用于供水领域的大数据分析已成为当今供水行业的发展趋势。传统的无负压叠压供水设备处于数据采集或者是数据“向后分析”阶段。二次供水的安全问题也逐渐成为市民关注的热点。因此,为提高二次供水安全系数,现提出一种具有自我诊断功能的无负压叠压供水设备,采取数据“向前分析”的方式,让设备故障具有预测性。
当前,有的无负压叠压供水设备已经具备数据采集功能和故障报警功能,但其采集到的数据,需要有相当经验的工程师才能判断故障类型。另外,现有技术的故障报警,其判断条件一般是某一运行参数的数值波动超出预设范围,但单一运行参数偶发性的数值波动可能是数据采集或者上传时发生错误造成的,此时直接进行故障报警,存在不小的误判概率。
发明内容
本申请的目的在于提供自我诊断方法和无负压叠压供水设备,以使无负压叠压供水设备能够自我诊断是否有故障发生,并减少误判概率。
本申请的目的采用以下技术方案实现:
第一方面,本申请提供了一种自我诊断方法,用于为无负压叠压供水设备提供自我诊断功能,所述方法包括:
获取所述无负压叠压供水设备的多个运行参数的测量数据,多个所述运行参数包括底座振动参数、管路压力参数、螺栓松动参数、软接头使用参数、密封垫使用参数、水泵温度参数、水泵振动参数、水泵转速参数、电机温度参数、电机电流参数和电机电压参数中的至少两个;
分别检测每个所述运行参数的测量数据是否处于自身对应的预设范围;
当检测到至少一个所述运行参数的测量数据不处于自身对应的预设范围时,将多个所述运行参数的测量数据作为故障检测模型的第一输入,通过所述故障检测模型输出所述第一输入对应的预测故障类型和预测相似度;其中,所述故障检测模型用于将所述第一输入分别与故障数据库中的每个故障数据进行比对,得到所述第一输入与每个故障数据的相似度,将所述第一输入对应的多个相似度中最高的相似度作为所述第一输入对应的预测相似度,将与所述第一输入相似度最高的故障数据的故障类型作为所述第一输入对应的预测故障类型,并且输出所述第一输入对应的预测故障类型和预测相似度;
当所述第一输入对应的预测相似度小于预设相似度阈值时确定无故障发生,当所述第一输入对应的预测相似度不小于所述预设相似度阈值时确定有故障发生。
该技术方案的有益效果在于:使用两个阶段的检测过程来判断是否有故障发生,当第一阶段检测到可能发生故障时,并非直接判断为发生故障,而是进入第二阶段的故障检测,当第二阶段也检测到可能发生故障时,才确定无负压叠压供水设备发生故障,由此,所得到的故障检测结果可信度高,避免频繁误判,影响无负压叠压供水设备的正常使用。
具体而言,在第一阶段,使用多个传感器获取多个运行参数的测量数据,分别检测每个运行参数的测量数据是否处于自身对应的预设范围,当存在一个或多个运行参数的测量数据超出自身对应的预设范围时,表明无负压叠压供水设备有可能发生故障,这时候进入第二阶段;在第二阶段,将多个运行参数的测量数据输入故障检测模型,利用故障检测模型确定无负压叠压供水设备在当前运行过程中最接近的故障类型作为预测故障类型,故障检测模型还会同时给出输入数据与该预测故障类型的相似度作为预测相似度,通过比较预测相似度与预设相似度阈值的大小来判断是否有故障发生。显然,相似度越高,无负压叠压供水设备越有可能发生了该预测故障类型所对应的故障。
另外,以多个运行参数的测量数据作为故障检测模型的输入数据,考虑到了多个运行参数之间的关联性,针对多个运行参数的测量数据进行综合判定,避免单一运行参数的数值波动导致误判,而是将多个运行参数作为一个整体,与故障数据库中预先存储的多个故障数据逐一进行比对,找出相似度最高的故障数据,并将该故障数据对应的故障类型作为预测故障类型,进一步提高了故障检测结果的准确性。
在一些可选的实施例中,每个所述运行参数对应的预设范围的获取过程如下:
针对每个所述运行参数,当所述无负压叠压供水设备处于正常运行状态时,分别记录所述运行参数在多个预设时刻的测量数据;
利用所述运行参数在多个预设时刻的测量数据求取平均值;
获取包含所述平均值的预设范围,所述预设范围的最大值与最小值的差值与所述平均值之比是所述运行参数对应的预设常数。
该技术方案的有益效果在于:在无负压叠压供水设备处于正常运行状态时,记录多个预设时刻的测量数据并求取平均值,所得到的平均值能够作为该运行参数在正常运行过程中的参考数值,在此基础上,设置适当的波动幅度,得到包含该平均值的预设范围,所得到的预设范围具有较高的参考价值。不同的运行参数其数值相差很大,可能不是一个数量级,因此,为每个运行参数设置相同或不同的预设常数,再设置预设范围的最大值与最小值的差值与平均值之比是该运行参数对应的预设常数,由此来限定不同运行参数的波动幅度,所得到的预设范围准确、合理,更符合实际应用中的需求。
在一些可选的实施例中,所述故障检测模型的训练过程如下:
获取训练集,所述训练集中的每个训练数据包括多个运行参数的样本数据及其对应的标注故障类型和标注相似度,所述样本数据是实际测量得到的或者利用GAN模型的生成网络生成的;
针对每个所述训练数据,将所述训练数据中的多个运行参数的样本数据作为预设的深度学习模型的第二输入,通过所述预设的深度学习模型输出所述第二输入对应的预测故障类型和预测相似度;其中,所述预设的深度学习模型用于将所述第二输入分别与所述故障数据库中的每个故障数据进行比对,得到所述第二输入与每个故障数据的相似度,将所述第二输入对应的多个相似度中最高的相似度作为所述第二输入对应的预测相似度,将与所述第二输入相似度最高的故障数据的故障类型作为所述第二输入对应的预测故障类型,并且输出所述第二输入对应的预测故障类型和预测相似度;
基于所述第二输入对应的预测故障类型和预测相似度以及所述第二输入对应的标注故障类型和标注相似度,更新所述预设的深度学习模型的模型参数;
检测是否满足预设的训练结束条件,如果是,则停止训练,并将训练得到的所述预设的深度学习模型作为所述故障检测模型,如果否,则利用下一个所述训练数据继续训练所述预设的深度学习模型。
该技术方案的有益效果在于:利用训练集对预设的深度学习模型进行训练,得到故障检测模型,故障检测模型可以由大量的训练数据训练得到,能够针对多种输入数据预测得到相应的故障检测结果,适用范围广,智能化水平高。通过设计,建立适量的神经元计算节点和多层运算层次结构,选择合适的输入层和输出层,就可以得到预设的深度学习模型,通过该预设的深度学习模型的学习和调优,建立起从输入到输出的函数关系,虽然不能100%找到输入与输出的函数关系,但是可以尽可能地逼近现实的关联关系,由此训练得到的故障检测模型,可以实现对故障检测的自我诊断功能,且诊断结果可靠性高。
在一些可选的实施例中,所述方法还包括:
当所述第一输入对应的预测相似度不小于所述预设相似度阈值时,生成第一自诊断报告,所述第一自诊断报告包括所述第一输入对应的预测故障类型;
基于所述第一自诊断报告,获取所述第一输入对应的预测故障类型所对应的第一解决策略和第一通信等级,每个通信等级对应预设的一个或多个用户设备;
生成包含所述第一解决策略的故障报警信息,并发送至所述第一通信等级对应的用户设备。
该技术方案的有益效果在于:为报告的生成和发送设置筛选条件,如果与最相似的故障数据的相似度仍然不是很高,例如预测相似度只有20%或者35%,没有达到预设相似度阈值(例如是85%),则可判定没有故障发生,因此也不需要生成故障的自诊断报告并发送;只有当预测相似度大于预设相似度阈值时,判断有故障发生,才会需要生成报告并发送。只有当预测相似度足够高时,才涉及自诊断报告的生成和发送过程,避免无故障发生时重复调用计算资源,节能环保。另外,针对不同的预测故障类型,设置多个通信等级,分别对应不同的用户设备(即通知到的工作人员不同),例如寿命、温度相关故障对应较低的通信等级,故障报警信息只需要发送给本片区维修人员,水泵、电机相关故障对应较高的通信等级,故障报警信息需要发送给本片区维修人员和本片区负责人。这样就可以根据预测故障类型的重要程度,通知不同的工作人员,实现故障报警信息的差异化推送,智能化程度高,更加符合实际应用中的需求。
在一些可选的实施例中,所述方法还包括:
当检测到至少一个所述运行参数的测量数据不处于自身对应的预设范围时,生成第二自诊断报告,所述第二自诊断报告包括不处于自身预设范围的运行参数对应的部件名称和预设问题类型;
基于所述第二自诊断报告,生成包含所述部件名称和所述预设问题类型的问题预警信息,并发送至预设的用户设备,以及利用显示设备显示所述部件名称和所述预设问题类型。
该技术方案的有益效果在于:在第一阶段检测到有运行参数不处于预设范围时,虽然尚未通过第二阶段得到是否发生故障的最终结果,但部分运行参数运行超出正常范围的情况依然意味着运行过程中可能存在问题,可以作为值得警惕的现象,及时提醒相关工作人员注意。另外,在问题预警信息中给出可能存在问题的部件名称和预设问题类型,一方面辅助工作人员做出判断,另一方面,出问题的部件不同,所需要的检测、维修工具不同,在问题预警信息中给出上述信息,方便工作人员携带对应工具前去处理,避免临时发现有工具忘记带的情况,提高问题处理效率。
在一些可选的实施例中,所述方法还包括:
当所述无负压叠压供水设备开始投入运行时,生成目标部件的维修保养计划,所述目标部件分别是软接头和密封垫中的每一个,所述目标部件的维修保养计划包括所述目标部件的使用寿命;
基于所述目标部件的维修保养计划,当检测到所述目标部件的使用时长达到自身的使用寿命时,生成所述目标部件的维修保养任务单并发送至预设的用户设备。
该技术方案的有益效果在于:针对具有使用寿命的零部件,从开始运行起就建立维修保养计划,当零部件的使用时长达到自身寿命时,自动生成维修保养任务单并派发给相关工作人员,以便及时维修或者更换对应零部件,避免零部件老化造成重大故障发生,科学、合理地防范零部件老化带来的安全隐患。
第二方面,本申请提供了一种无负压叠压供水设备,包括:
底座,所述底座设置有底座振动传感器,用以获取所述无负压叠压供水设备的底座振动参数的测量数据;
管路,所述管路设置在所述底座上,所述管路的进水口与水箱的出水口连接,所述管路的出水口与稳流罐的进水口连接,所述管路设置有管路压力传感器;
螺栓,所述螺栓设置于所述管路的进水口,所述螺栓设置有螺栓松动传感器,用以检测所述螺栓是否发生松动,得到螺栓松动参数的测量数据;
多个水泵机组,每个所述水泵机组包括水泵和电机,每个所述水泵设置于所述底座上,每个所述电机设置于对应的水泵上,每个所述水泵设置有水泵温度传感器、水泵振动传感器和水泵转速传感器,用以获取每个所述水泵的水泵温度参数、水泵振动参数和水泵转速参数的测量数据,每个所述电机设置有电机温度传感器、电机电流传感器和电机电压传感器,用以获取每个所述电机的电机温度参数、电机电流参数和电机电压参数的测量数据;
控制器,所述控制器分别与所述底座振动传感器、所述管路压力传感器、所述螺栓松动传感器、多个所述水泵温度传感器、多个所述水泵振动传感器、多个所述水泵转速传感器、多个所述电机温度传感器、多个所述电机电流传感器和多个所述电机电压传感器电连接,所述控制器存储有故障检测模型和故障数据库,所述控制器被配置成实现上述任一项方法所述的步骤。
该技术方案的有益效果在于:提供一种无负压叠压供水设备,其控制器能够执行两个阶段的故障检测,其故障检测结果准确度高。
在一些可选的实施例中,所述控制器还被配置成:
当接收到所述底座振动传感器、所述管路压力传感器、所述螺栓松动传感器、多个所述水泵温度传感器、多个所述水泵振动传感器、多个所述水泵转速传感器、多个所述电机温度传感器、多个所述电机电流传感器和多个所述电机电压传感器中的任意一个发送的测量数据时,将接收到的测量数据放入待发送队列;
检测所述待发送队列中的测量数据的数量是否不小于预设数量阈值;
当检测到所述待发送队列中的测量数据的数量不小于所述预设数量阈值时,将所述待发送队列中的所有测量数据上传至云服务器。
该技术方案的有益效果在于:为数据上传设置条件,采用待发送队列存储待发送的测量数据,当队列中存在足够数量的测量数据时再上传所有数据,也就是说,并非每次接收到传感器发送的测量数据时都立刻进行数据上传,由此大大减少访问云服务器的次数,极大降低了云服务器的数据处理压力。
在一些可选的实施例中,所述控制器被进一步配置成采用如下方式上传数据:
当检测到所述待发送队列中的测量数据的数量不小于预设数量阈值时,判断所述待发送队列中的测量数据是否齐全;
当所述待发送队列中的测量数据齐全时,将所述待发送队列中的所有测量数据上传至云服务器;
其中,所述待发送队列中的测量数据齐全是指所述待发送队列中包含所述底座振动传感器、所述管路压力传感器、所述螺栓松动传感器、多个所述水泵温度传感器、多个所述水泵振动传感器、多个所述水泵转速传感器、多个所述电机温度传感器、多个所述电机电流传感器和多个所述电机电压传感器发送的测量数据。
该技术方案的有益效果在于:为数据上传设置进一步条件,待发送队列中的测量数据要想上传到云服务器,不仅数量要足够多,并且类型要齐全,测量数据齐全是指队列中存储有所有传感器发送的测量数据,这样可以确保每次提供给云服务器的数据涵盖了所有运行参数的测量数据,便于后续的数据挖掘分析工作。
在一些可选的实施例中,所述控制器还被配置成:
当所述待发送队列中的测量数据不齐全时,确定缺失测量数据的目标传感器;
向所述目标传感器发送数据获取请求,并开始计时;
当预设时长内接收到所述目标传感器发送的测量数据时,停止计时,并在接收到所述目标传感器发送的测量数据的下一时刻,将所述待发送队列中的所有测量数据上传至云服务器;
当所述预设时长内未接收到所述目标传感器发送的测量数据时,在计时结束后,将所述待发送队列中的所有测量数据上传至云服务器。
该技术方案的有益效果在于:在实际应用中,可能存在部分传感器自身失效或者与控制器之间的连接中断的情况,此时,由于这部分传感器的测量数据始终没有进入待发送队列,则队列中的测量数据始终无法达到齐全的条件,云服务器将无法获取无负压叠压供水设备的测量数据;通过设置合适的预设时长,在测量数据不齐全时向目标传感器请求数据并开始计时,如果计时结束仍未得到响应,则意味着该目标传感器可能无法再提供数据,因此可以直接将所有测量数据上传,不必等待目标传感器对应的测量数据。由此,避免部分传感器无法提供测量数据时,无负压叠压供水设备无法上传数据至云服务器的情况。
附图说明
下面结合附图和实施例对本申请进一步说明。
图1是本申请实施例提供的一种无负压叠压供水设备的侧视图;
图2是本申请实施例提供的一种无负压叠压供水设备的俯视图;
图3是本申请实施例提供的一种自我诊断方法的流程框架示意图;
图4是本申请实施例提供的一种自我诊断方法的流程示意图;
图5是本申请实施例提供的一种运行参数对应的预设范围的获取过程的流程示意图;
图6是本申请实施例提供的一种故障检测模型的训练过程的流程示意图;
图7是本申请实施例提供的一种自我诊断方法的部分流程示意图;
图8是本申请实施例提供的另一种自我诊断方法的部分流程示意图;
图9是本申请实施例提供的又一种自我诊断方法的部分流程示意图;
图10是本申请实施例提供的又一种自我诊断方法的部分流程示意图;
图11是本申请实施例提供的又一种自我诊断方法的部分流程示意图;
图12是本申请实施例提供的一种电子设备的结构示意图;
图13是本申请实施例提供的一种用于实现自我诊断方法的程序产品的结构示意图。
图中:10、底座;20、螺栓;30、电机;40、水泵;50、软接头;60、密封垫;70、管路;11、底座振动传感器;21、螺栓松动传感器;31、电机温度传感器;32、电机电流传感器;33、电机电压传感器;41、水泵温度传感器;42、水泵振动传感器;43、水泵转速传感器;71、管路压力传感器。
具体实施方式
下面,结合附图以及具体实施方式,对本申请做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
参见图1和图2,本申请提供了一种无负压叠压供水设备,所述无负压叠压供水设备包括:
底座10,所述底座10设置有底座振动传感器11,用以获取所述无负压叠压供水设备的底座振动参数的测量数据;
管路70,所述管路70设置在所述底座10上,所述管路70的进水口与水箱的出水口连接,所述管路70的出水口与稳流罐的进水口连接,所述管路70设置有管路压力传感器71;
螺栓20,所述螺栓20设置于所述管路70的进水口,所述螺栓20设置有螺栓松动传感器21,用以检测所述螺栓20是否发生松动,得到螺栓松动参数的测量数据;
多个水泵机组,每个所述水泵机组包括水泵40和电机30,每个所述水泵40设置于所述底座10上,每个所述电机30设置于对应的水泵40上,每个所述水泵40设置有水泵温度传感器41、水泵振动传感器42和水泵转速传感器43,用以获取每个所述水泵40的水泵温度参数、水泵振动参数和水泵转速参数的测量数据,每个所述电机30设置有电机温度传感器31、电机电流传感器32和电机电压传感器33,用以获取每个所述电机30的电机温度参数、电机电流参数和电机电压参数的测量数据;
控制器,所述控制器分别与所述底座振动传感器11、所述管路压力传感器71、所述螺栓松动传感器21、多个所述水泵温度传感器、多个所述水泵振动传感器、多个所述水泵转速传感器、多个所述电机温度传感器、多个所述电机电流传感器和多个所述电机电压传感器电连接,所述控制器存储有故障检测模型和故障数据库,所述控制器被配置成实现自我诊断方法所述的步骤。其中,自我诊断方法将在下文进行说明。
无负压叠压供水设备设置有多个水泵机组,每个水泵机组包括水泵和电机,每个水泵和电机又分别设置有多个传感器,上述“多个所述水泵温度传感器”是指无负压叠压供水设备的所有水泵机组对应的全部水泵温度传感器,“多个所述水泵振动传感器、多个所述水泵转速传感器、多个所述电机温度传感器、多个所述电机电流传感器和多个所述电机电压传感器”以此类推。
与之类似,无负压叠压供水设备可以设置有多个螺栓,每个螺栓可以设置有螺栓松动传感器。
本申请对“多个水泵机组”中“多个”对应的数量不做限定,其可以是3、4、5等。
在如图2所示的一个实施例中,无负压叠压供水设备设置有3个水泵机组,则该无负压叠压供水设备一共设置有3个水泵、3个电机、3个水泵温度传感器、3个水泵振动传感器、3个水泵转速传感器、3个电机温度传感器、3个电机电流传感器和3个电机电压传感器。
在一个实施例中,控制器可以是PLC控制器。
参见图3,在一个实施例中,控制器和每个传感器之间可以设置有数据通信电路。
参见图4,本申请还提供了一种自我诊断方法,用于为无负压叠压供水设备提供自我诊断功能。本方法对所述无负压叠压供水设备不做限定,所述无负压叠压供水设备例如是图1和图2中的无负压叠压供水设备,也可以是能够应用本方法的其他无负压叠压供水设备。
所述方法包括:
步骤S101:获取所述无负压叠压供水设备的多个运行参数的测量数据,多个所述运行参数包括底座振动参数、管路压力参数、螺栓松动参数、软接头使用参数、密封垫使用参数、水泵温度参数、水泵振动参数、水泵转速参数、电机温度参数、电机电流参数和电机电压参数中的至少两个;
步骤S102:分别检测每个所述运行参数的测量数据是否处于自身对应的预设范围;
步骤S103:当检测到至少一个所述运行参数的测量数据不处于自身对应的预设范围时,将多个所述运行参数的测量数据作为故障检测模型的第一输入,通过所述故障检测模型输出所述第一输入对应的预测故障类型和预测相似度;
其中,所述故障检测模型用于将所述第一输入分别与故障数据库中的每个故障数据进行比对,得到所述第一输入与每个故障数据的相似度,将所述第一输入对应的多个相似度中最高的相似度作为所述第一输入对应的预测相似度,将与所述第一输入相似度最高的故障数据的故障类型作为所述第一输入对应的预测故障类型,并且输出所述第一输入对应的预测故障类型和预测相似度;
步骤S104:当所述第一输入对应的预测相似度小于预设相似度阈值时确定无故障发生,当所述第一输入对应的预测相似度不小于所述预设相似度阈值时确定有故障发生。
在一个实施例中,软接头使用参数例如是软接头使用时长,密封垫使用参数例如是密封垫使用时长。
本申请对步骤S101中的“至少两个”不做限定,其可以是2、3、5、8、10或者11。在一个实施例中,多个所述运行参数例如可以包括底座振动参数、管路压力参数、螺栓松动参数、软接头使用参数、密封垫使用参数、水泵温度参数、水泵振动参数、水泵转速参数、电机温度参数、电机电流参数和电机电压参数中的部分。在另一个实施例中,多个所述运行参数例如可以包括底座振动参数、管路压力参数、螺栓松动参数、软接头使用参数、密封垫使用参数、水泵温度参数、水泵振动参数、水泵转速参数、电机温度参数、电机电流参数和电机电压参数中的全部。
其中,当无负压叠压供水设备的水泵的数量大于1个时,无负压叠压供水设备的水泵温度参数的测量数据可以包括每个水泵的水泵温度传感器分别采集到的测量数据,水泵振动参数、水泵转速参数、电机温度参数、电机电流参数和电机电压参数以此类推,此处不做赘述。例如,当水泵的数量是3个时,水泵温度参数的测量数据可以包括第一水泵的水泵温度传感器采集到的测量数据、第二水泵的水泵温度传感器采集到的测量数据和第三水泵的水泵温度传感器采集到的测量数据。
在一个实施例中,故障数据库中有100种故障数据,每种故障数据具有对应的故障类型,故障类型可以用字母、数字、汉字和特殊符号中的一个或多个来标识,例如可以表示成“E4”、“水泵故障”、“#螺栓松动#”等。故障检测模型将第一输入分别与100种故障数据进行比对,得到100个相似度,例如是:30%、60%、……、98%、……、74%、88%,将其中最高的相似度98%作为预测相似度,将该98%相似度对应的故障数据的故障类型作为预测故障类型。
本申请对预设相似度阈值的选取不做限定,在一些实施例中,预设相似度阈值例如是90%、95%或者99%。
上述方法使用两个阶段的检测过程来判断是否有故障发生,当第一阶段检测到可能发生故障时,并非直接判断为发生故障,而是进入第二阶段的故障检测,当第二阶段也检测到可能发生故障时,才确定无负压叠压供水设备发生故障,由此,所得到的故障检测结果可信度高,避免频繁误判,影响无负压叠压供水设备的正常使用。
具体而言,在第一阶段,使用多个传感器获取多个运行参数的测量数据,分别检测每个运行参数的测量数据是否处于自身对应的预设范围,当存在一个或多个运行参数的测量数据超出自身对应的预设范围时,表明无负压叠压供水设备有可能发生故障,这时候进入第二阶段;在第二阶段,将多个运行参数的测量数据输入故障检测模型,利用故障检测模型确定无负压叠压供水设备在当前运行过程中最接近的故障类型作为预测故障类型,故障检测模型还会同时给出输入数据与该预测故障类型的相似度作为预测相似度,通过比较预测相似度与预设相似度阈值的大小来判断是否有故障发生。显然,相似度越高,无负压叠压供水设备越有可能发生了该预测故障类型所对应的故障。
另外,以多个运行参数的测量数据作为故障检测模型的输入数据,考虑到了多个运行参数之间的关联性,针对多个运行参数的测量数据进行综合判定,避免单一运行参数的数值波动导致误判,而是将多个运行参数作为一个整体,与故障数据库中预先存储的多个故障数据逐一进行比对,找出相似度最高的故障数据,并将该故障数据对应的故障类型作为预测故障类型,进一步提高了故障检测结果的准确性。
下面针对多个运行参数之间的关联性进行举例说明。在维持恒定流量的前提下,管路压力参数、水泵转速参数之间的关系是正相关的,即,水泵转速参数的测量数据越大,管路压力参数的测量数据越大。
1)当无负压叠压供水设备的一个水泵的水泵转速参数的测量数据超出自身对应的预设范围(超出是指测量数据大于预设范围的最大值),并且管路压力参数的测量数据超出自身对应的预设范围时,有可能是水泵发生故障;
2)当无负压叠压供水设备的多个水泵的水泵转速参数的测量数据均处于自身对应的预设范围,而管路压力参数的测量数据大大超出自身对应的预设范围时,有可能是管路压力传感器自身发生故障,导致采集到的测量数据失真;
3)当无负压叠压供水设备的多个水泵的水泵转速参数的测量数据均大大超出自身对应的预设范围,而管路压力参数的测量数据却仍处于自身对应的预设范围时,有可能是管路发生故障,例如发生了管道泄露的情况。
由此可见,即使管路压力参数超出预设范围,也不一定对应唯一的故障类型,综合考虑多个运行参数,才能准确判断故障类型。
参见图5,在一些可选的实施例中,每个所述运行参数对应的预设范围的获取过程如下:
步骤S201:针对每个所述运行参数,当所述无负压叠压供水设备处于正常运行状态时,分别记录所述运行参数在多个预设时刻的测量数据;
步骤S202:利用所述运行参数在多个预设时刻的测量数据求取平均值;
步骤S203:获取包含所述平均值的预设范围,所述预设范围的最大值与最小值的差值与所述平均值之比是所述运行参数对应的预设常数。
本申请对多个预设时刻的选取不做限定,在一个实施例中,多个预设时刻例如是间隔5分钟的多个预设时刻。
每个运行参数对应的预设常数可以是相同的,也可以是不同的。在一个实施例中,底座振动参数、管路压力参数、螺栓松动参数、软接头使用参数、密封垫使用参数、水泵温度参数、水泵振动参数、水泵转速参数、电机温度参数、电机电流参数和电机电压参数对应的预设常数可以都是10%。
由此,在无负压叠压供水设备处于正常运行状态时,记录多个预设时刻的测量数据并求取平均值,所得到的平均值能够作为该运行参数在正常运行过程中的参考数值,在此基础上,设置适当的波动幅度,得到包含该平均值的预设范围,所得到的预设范围具有较高的参考价值。不同的运行参数其数值相差很大,可能不是一个数量级,因此,为每个运行参数设置相同或不同的预设常数,再设置预设范围的最大值与最小值的差值与平均值之比是该运行参数对应的预设常数,由此来限定不同运行参数的波动幅度,所得到的预设范围准确、合理,更符合实际应用中的需求。
参见图6,在一些可选的实施例中,所述故障检测模型的训练过程如下:
步骤S301:获取训练集,所述训练集中的每个训练数据包括多个运行参数的样本数据及其对应的标注故障类型和标注相似度,所述样本数据是实际测量得到的或者利用GAN模型的生成网络生成的;
步骤S302:针对每个所述训练数据,将所述训练数据中的多个运行参数的样本数据作为预设的深度学习模型的第二输入,通过所述预设的深度学习模型输出所述第二输入对应的预测故障类型和预测相似度;其中,所述预设的深度学习模型用于将所述第二输入分别与所述故障数据库中的每个故障数据进行比对,得到所述第二输入与每个故障数据的相似度,将所述第二输入对应的多个相似度中最高的相似度作为所述第二输入对应的预测相似度,将与所述第二输入相似度最高的故障数据的故障类型作为所述第二输入对应的预测故障类型,并且输出所述第二输入对应的预测故障类型和预测相似度;
步骤S303:基于所述第二输入对应的预测故障类型和预测相似度以及所述第二输入对应的标注故障类型和标注相似度,更新所述预设的深度学习模型的模型参数;
步骤S304:检测是否满足预设的训练结束条件,如果是,则停止训练,并将训练得到的所述预设的深度学习模型作为所述故障检测模型,如果否,则利用下一个所述训练数据继续训练所述预设的深度学习模型。
其中,GAN模型即生成对抗网络(Generative Adversarial Network),由一个生成网络与一个判别网络组成。生成网络从潜在空间(latent space)中随机采样作为输入,其输出结果需要尽量模仿训练集中的真实样本。判别网络的输入则为真实样本或生成网络的输出,其目的是将生成网络的输出从真实样本中尽可能分辨出来。而生成网络则要尽可能地欺骗判别网络。两个网络相互对抗、不断调整参数,最终目的是使判别网络无法判断生成网络的输出结果是否真实。使用GAN模型可以生成多个运行参数的样本数据,用于故障检测模型的训练过程,能有效降低原始数据采集的数据量,大大降低数据采集和标注的成本。
预设的训练结束条件可以根据实际需求设定,本申请在此不对其做任何限定。在一个实施例中,预设的训练结束条件可以是达到预设的训练次数。
由此,利用训练集对预设的深度学习模型进行训练,得到故障检测模型,故障检测模型可以由大量的训练数据训练得到,能够针对多种输入数据预测得到相应的故障检测结果,适用范围广,智能化水平高。通过设计,建立适量的神经元计算节点和多层运算层次结构,选择合适的输入层和输出层,就可以得到预设的深度学习模型,通过该预设的深度学习模型的学习和调优,建立起从输入到输出的函数关系,虽然不能100%找到输入与输出的函数关系,但是可以尽可能地逼近现实的关联关系,由此训练得到的故障检测模型,可以实现对故障检测的自我诊断功能,且诊断结果可靠性高。
在一个实施例中,故障检测模型是利用预设的深度学习模型训练得到的。在另一实施例中,故障检测模型可以是利用预设的机器学习模型训练得到的。在又一实施例中,故障检测模型可以是利用预设的线性回归模型优化得到的。
参见图7,在一些可选的实施例中,所述方法除了步骤S101~S104之外,还可以包括:
步骤S105:当所述第一输入对应的预测相似度不小于所述预设相似度阈值时,生成第一自诊断报告,所述第一自诊断报告包括所述第一输入对应的预测故障类型;
步骤S1061:基于所述第一自诊断报告,获取所述第一输入对应的预测故障类型所对应的第一解决策略;
步骤S1071:生成包含所述第一解决策略的故障报警信息,并发送至预设的用户设备。
其中,第一自诊断报告例如是txt格式、doc格式、xls格式或者csv格式。
预设的用户设备一般是工作人员的终端设备,其设备类型例如可以包括手机、平板电脑、台式机和智能穿戴设备中的一个或多个。
参见图8,在另一些可选的实施例中,所述方法除了步骤S101~S104之外,还可以包括:
步骤S105:当所述第一输入对应的预测相似度不小于所述预设相似度阈值时,生成第一自诊断报告,所述第一自诊断报告包括所述第一输入对应的预测故障类型;
步骤S1062:基于所述第一自诊断报告,获取所述第一输入对应的预测故障类型所对应的第一解决策略和第一通信等级,每个通信等级对应预设的一个或多个用户设备;
步骤S1072:生成包含所述第一解决策略的故障报警信息,并发送至所述第一通信等级对应的用户设备。
由此,为报告的生成和发送设置筛选条件,如果与最相似的故障数据的相似度仍然不是很高,例如预测相似度只有20%或者35%,没有达到预设相似度阈值(例如是85%),则可判定没有故障发生,因此也不需要生成故障的自诊断报告并发送;只有当预测相似度大于预设相似度阈值时,判断有故障发生,才会需要生成报告并发送。只有当预测相似度足够高时,才涉及自诊断报告的生成和发送过程,避免无故障发生时重复调用计算资源,节能环保。另外,针对不同的预测故障类型,设置多个通信等级,分别对应不同的用户设备(即通知到的工作人员不同),例如寿命、温度相关故障对应较低的通信等级,故障报警信息只需要发送给本片区维修人员,水泵、电机相关故障对应较高的通信等级,故障报警信息需要发送给本片区维修人员和本片区负责人。这样就可以根据预测故障类型的重要程度,通知不同的工作人员,实现故障报警信息的差异化推送,智能化程度高,更加符合实际应用中的需求。
参见图9,在一些可选的实施例中,所述方法除了步骤S101~S104之外,还可以包括:
步骤S108:当检测到至少一个所述运行参数的测量数据不处于自身对应的预设范围时,生成第二自诊断报告,所述第二自诊断报告包括不处于自身预设范围的运行参数对应的部件名称和预设问题类型;
步骤S109:基于所述第二自诊断报告,生成包含所述部件名称和所述预设问题类型的问题预警信息,并发送至预设的用户设备,以及利用显示设备显示所述部件名称和所述预设问题类型。
其中,部件名称可以用字母、数字、汉字和特殊符号中的一个或多个来标识,例如可以表示成“A5”、“水泵B”、“电机01”、“螺栓#306”等。第二自诊断报告中的预设问题类型可以是一个或多个,以供工作人员参考。预设问题类型可以用字母、数字、汉字和特殊符号中的一个或多个来标识,例如可以表示成“A5”、“水泵故障01”、“管道漏水”、“螺栓松动”等。
由此,在第一阶段检测到有运行参数不处于预设范围时,虽然尚未通过第二阶段得到是否发生故障的最终结果,但部分运行参数运行超出正常范围的情况依然意味着运行过程中可能存在问题,可以作为值得警惕的现象,及时提醒相关工作人员注意。另外,在问题预警信息中给出可能存在问题的部件名称和预设问题类型,一方面辅助工作人员做出判断,另一方面,出问题的部件不同,所需要的检测、维修工具不同,在问题预警信息中给出上述信息,方便工作人员携带对应工具前去处理,避免临时发现有工具忘记带的情况,提高问题处理效率。
参见图10,在一些可选的实施例中,所述方法除了步骤S101~S104之外,还可以包括:
步骤S110:当所述无负压叠压供水设备开始投入运行时,生成目标部件的维修保养计划,所述目标部件分别是软接头和密封垫中的每一个,所述目标部件的维修保养计划包括所述目标部件的使用寿命;
步骤S1111:基于所述目标部件的维修保养计划,当检测到所述目标部件的使用时长达到自身的使用寿命时,生成所述目标部件的维修保养任务单并发送至预设的用户设备。
例如软接头的使用寿命是30000小时,当检测到软接头的使用时长达到30000小时时,生成软接头的维修保养任务单并发送。
参见图11,在另一些可选的实施例中,所述方法除了步骤S101~S104之外,还可以包括:
步骤S110:当所述无负压叠压供水设备开始投入运行时,生成目标部件的维修保养计划,所述目标部件分别是软接头和密封垫中的每一个,所述目标部件的维修保养计划包括所述目标部件的使用寿命;
步骤S1112:基于所述目标部件的维修保养计划,当检测到所述目标部件自身的使用寿命与其使用时长的差值不大于预设时长阈值时,生成所述目标部件的维修保养任务单并发送至预设的用户设备。
其中,预设时长阈值例如是100小时。
由此,针对具有使用寿命的零部件,从开始运行起就建立维修保养计划,当零部件的使用时长达到自身寿命时,自动生成维修保养任务单并派发给相关工作人员,以便及时维修或者更换对应零部件,避免零部件老化造成重大故障发生,科学、合理地防范零部件老化带来的安全隐患。
参见上述方法实施例中的表述,本申请提供的一种无负压叠压供水设备,其控制器能够执行两个阶段的故障检测,其故障检测结果准确度高。
在一些可选的实施例中,所述控制器还可以被配置成:
当接收到所述底座振动传感器、所述管路压力传感器、所述螺栓松动传感器、多个所述水泵温度传感器、多个所述水泵振动传感器、多个所述水泵转速传感器、多个所述电机温度传感器、多个所述电机电流传感器和多个所述电机电压传感器中的任意一个发送的测量数据时,将接收到的测量数据放入待发送队列;
检测所述待发送队列中的测量数据的数量是否不小于预设数量阈值;
当检测到所述待发送队列中的测量数据的数量不小于所述预设数量阈值时,将所述待发送队列中的所有测量数据上传至云服务器。
其中,预设数量阈值例如是11、15、20等。在一个实施例中,无负压叠压供水设备设置有3个水泵机组,则该无负压叠压供水设备设置有1个底座振动传感器、1个管路压力传感器、1个螺栓松动传感器、3个水泵温度传感器、3个水泵振动传感器、3个水泵转速传感器、3个电机温度传感器、3个电机电流传感器和3个电机电压传感器,即共设置有21个传感器,预设数量阈值可以设置为21。
由此,为数据上传设置条件,采用待发送队列存储待发送的测量数据,当队列中存在足够数量的测量数据时再上传所有数据,也就是说,并非每次接收到传感器发送的测量数据时都立刻进行数据上传,由此大大减少访问云服务器的次数,极大降低了云服务器的数据处理压力。
在一些可选的实施例中,所述控制器可以被进一步配置成采用如下方式上传数据:
当检测到所述待发送队列中的测量数据的数量不小于预设数量阈值时,判断所述待发送队列中的测量数据是否齐全;
当所述待发送队列中的测量数据齐全时,将所述待发送队列中的所有测量数据上传至云服务器;
其中,所述待发送队列中的测量数据齐全是指所述待发送队列中包含所述底座振动传感器、所述管路压力传感器、所述螺栓松动传感器、多个所述水泵温度传感器、多个所述水泵振动传感器、多个所述水泵转速传感器、多个所述电机温度传感器、多个所述电机电流传感器和多个所述电机电压传感器发送的测量数据。
由此,为数据上传设置进一步条件,待发送队列中的测量数据要想上传到云服务器,不仅数量要足够多,并且类型要齐全,测量数据齐全是指队列中存储有所有传感器发送的测量数据,这样可以确保每次提供给云服务器的数据涵盖了所有运行参数的测量数据,便于后续的数据挖掘分析工作。
在一些可选的实施例中,所述控制器还可以被配置成:
当所述待发送队列中的测量数据不齐全时,确定缺失测量数据的目标传感器;
向所述目标传感器发送数据获取请求,并开始计时;
当预设时长内接收到所述目标传感器发送的测量数据时,停止计时,并在接收到所述目标传感器发送的测量数据的下一时刻,将所述待发送队列中的所有测量数据上传至云服务器;
当所述预设时长内未接收到所述目标传感器发送的测量数据时,在计时结束后,将所述待发送队列中的所有测量数据上传至云服务器。
本申请对预设时长不做限定,其可以是1分钟、3分钟或者5分钟。
在上述设置有3个水泵机组的实施例中,预设数量阈值设置为21,当接收到第三电机的电机电压传感器发送的测量数据时,检测到所述待发送队列中的测量数据的数量是21,不小于预设数量阈值,仍需判断待发送队列中的测量数据是否齐全,因为待发送队列中可能存在同一传感器发送的多个数据。如果齐全则直接上传所有待发送队列中的所有测量数据,如果发现缺失了部分传感器的测量数据,则首先找出缺失测量数据的传感器。例如发现缺失了第二水泵的水泵转速传感器发送的测量数据,则向第二水泵的水泵转速传感器发送数据获取请求。
在实际应用中,可能存在部分传感器自身失效或者与控制器之间的连接中断的情况,此时,由于这部分传感器的测量数据始终没有进入待发送队列,则队列中的测量数据始终无法达到齐全的条件,云服务器将无法获取无负压叠压供水设备的测量数据;通过设置合适的预设时长,在测量数据不齐全时向目标传感器请求数据并开始计时,如果计时结束仍未得到响应,则意味着该目标传感器可能无法再提供数据,因此可以直接将所有测量数据上传,不必等待目标传感器对应的测量数据。由此,避免部分传感器无法提供测量数据时,无负压叠压供水设备无法上传数据至云服务器的情况。
参见图12,本申请实施例还提供了一种电子设备200,电子设备200包括至少一个存储器210、至少一个处理器220以及连接不同平台系统的总线230。
存储器210可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)211和/或高速缓存存储器212,还可以进一步包括只读存储器(ROM)213。
其中,存储器210还存储有计算机程序,计算机程序可以被处理器220执行,使得处理器220执行本申请实施例中自我诊断方法的步骤,其具体实现方式与上述自我诊断方法的实施例中记载的实施方式、所达到的技术效果一致,部分内容不再赘述。
存储器210还可以包括具有至少一个程序模块215的实用工具214,这样的程序模块215包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
相应的,处理器220可以执行上述计算机程序,以及可以执行实用工具214。
总线230可以为表示几类总线结构中的一种或多种,包括存储器总线或者存储器自我诊断方法、外围总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。
电子设备200也可以与一个或多个外部设备240例如键盘、指向设备、蓝牙设备等通信,还可与一个或者多个能够与该电子设备200交互的设备通信,和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等)通信。这种通信可以通过输入输出接口250进行。并且,电子设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备200使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。
本申请实施例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用于存储计算机程序,所述计算机程序被执行时实现本申请实施例中自我诊断方法的步骤,其具体实现方式与上述自我诊断方法的实施例中记载的实施方式、所达到的技术效果一致,部分内容不再赘述。
图13示出了本实施例提供的用于实现上述自我诊断方法的程序产品300,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品300不限于此,在本申请中,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。程序产品300可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
计算机可读存储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,其中承载了可读程序代码。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。可读存储介质还可以是任何可读介质,该可读介质可以发送、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。可读存储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、有线、光缆、RF等,或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,程序设计语言包括面向对象的程序设计语言诸如Java、C++等,还包括常规的过程式程序设计语言诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”、“第五”、“第六”、“第七”、“第八”、“第九”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“对应于”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请从使用目的上,效能上,进步及新颖性等观点进行阐述,已符合专利法所强调的功能增进及使用要件,本申请以上的说明书及说明书附图,仅为本申请的较佳实施例而已,并非以此局限本申请,因此,凡一切与本申请构造,装置,特征等近似、雷同的,即凡依本申请专利申请范围所作的等同替换或修饰等,皆应属本申请的专利申请保护的范围之内。
Claims (10)
1.一种用于为无负压叠压供水设备提供自我诊断功能的自我诊断方法,其特征在于,用于为无负压叠压供水设备提供自我诊断功能,所述方法包括:
获取所述无负压叠压供水设备的多个运行参数的测量数据,多个所述运行参数包括底座振动参数、管路压力参数、螺栓松动参数、软接头使用参数、密封垫使用参数、水泵温度参数、水泵振动参数、水泵转速参数、电机温度参数、电机电流参数和电机电压参数中的至少两个;
分别检测每个所述运行参数的测量数据是否处于自身对应的预设范围;
当检测到至少一个所述运行参数的测量数据不处于自身对应的预设范围时,将多个所述运行参数的测量数据作为故障检测模型的第一输入,通过所述故障检测模型输出所述第一输入对应的预测故障类型和预测相似度;其中,所述故障检测模型用于将所述第一输入分别与故障数据库中的每个故障数据进行比对,得到所述第一输入与每个故障数据的相似度,将所述第一输入对应的多个相似度中最高的相似度作为所述第一输入对应的预测相似度,将与所述第一输入相似度最高的故障数据的故障类型作为所述第一输入对应的预测故障类型,并且输出所述第一输入对应的预测故障类型和预测相似度;
当所述第一输入对应的预测相似度小于预设相似度阈值时确定无故障发生,当所述第一输入对应的预测相似度不小于所述预设相似度阈值时确定有故障发生。
2.根据权利要求1所述的用于为无负压叠压供水设备提供自我诊断功能的自我诊断方法,其特征在于,每个所述运行参数对应的预设范围的获取过程如下:
针对每个所述运行参数,当所述无负压叠压供水设备处于正常运行状态时,分别记录所述运行参数在多个预设时刻的测量数据;
利用所述运行参数在多个预设时刻的测量数据求取平均值;
获取包含所述平均值的预设范围,所述预设范围的最大值与最小值的差值与所述平均值之比是所述运行参数对应的预设常数。
3.根据权利要求1所述的用于为无负压叠压供水设备提供自我诊断功能的自我诊断方法,其特征在于,所述故障检测模型的训练过程如下:
获取训练集,所述训练集中的每个训练数据包括多个运行参数的样本数据及其对应的标注故障类型和标注相似度,所述样本数据是实际测量得到的或者利用GAN模型的生成网络生成的;
针对每个所述训练数据,将所述训练数据中的多个运行参数的样本数据作为预设的深度学习模型的第二输入,通过所述预设的深度学习模型输出所述第二输入对应的预测故障类型和预测相似度;其中,所述预设的深度学习模型用于将所述第二输入分别与所述故障数据库中的每个故障数据进行比对,得到所述第二输入与每个故障数据的相似度,将所述第二输入对应的多个相似度中最高的相似度作为所述第二输入对应的预测相似度,将与所述第二输入相似度最高的故障数据的故障类型作为所述第二输入对应的预测故障类型,并且输出所述第二输入对应的预测故障类型和预测相似度;
基于所述第二输入对应的预测故障类型和预测相似度以及所述第二输入对应的标注故障类型和标注相似度,更新所述预设的深度学习模型的模型参数;
检测是否满足预设的训练结束条件,如果是,则停止训练,并将训练得到的所述预设的深度学习模型作为所述故障检测模型,如果否,则利用下一个所述训练数据继续训练所述预设的深度学习模型;
其中,预设的训练结束条件是达到预设的训练次数。
4.根据权利要求1所述的用于为无负压叠压供水设备提供自我诊断功能的自我诊断方法,其特征在于,所述方法还包括:
当所述第一输入对应的预测相似度不小于所述预设相似度阈值时,生成第一自诊断报告,所述第一自诊断报告包括所述第一输入对应的预测故障类型;
基于所述第一自诊断报告,获取所述第一输入对应的预测故障类型所对应的第一解决策略和第一通信等级,每个通信等级对应预设的一个或多个用户设备;
生成包含所述第一解决策略的故障报警信息,并发送至所述第一通信等级对应的用户设备。
5.根据权利要求1所述的用于为无负压叠压供水设备提供自我诊断功能的自我诊断方法,其特征在于,所述方法还包括:
当检测到至少一个所述运行参数的测量数据不处于自身对应的预设范围时,生成第二自诊断报告,所述第二自诊断报告包括不处于自身预设范围的运行参数对应的部件名称和预设问题类型;
基于所述第二自诊断报告,生成包含所述部件名称和所述预设问题类型的问题预警信息,并发送至预设的用户设备,以及利用显示设备显示所述部件名称和所述预设问题类型。
6.根据权利要求1所述的用于为无负压叠压供水设备提供自我诊断功能的自我诊断方法,其特征在于,所述方法还包括:
当所述无负压叠压供水设备开始投入运行时,生成目标部件的维修保养计划,所述目标部件分别是软接头和密封垫中的每一个,所述目标部件的维修保养计划包括所述目标部件的使用寿命;
基于所述目标部件的维修保养计划,当检测到所述目标部件的使用时长达到自身的使用寿命时,生成所述目标部件的维修保养任务单并发送至预设的用户设备。
7.一种无负压叠压供水设备,其特征在于,包括:
底座,所述底座设置有底座振动传感器,用以获取所述无负压叠压供水设备的底座振动参数的测量数据;
管路,所述管路设置在所述底座上,所述管路的进水口与水箱的出水口连接,所述管路的出水口与稳流罐的进水口连接,所述管路设置有管路压力传感器;
螺栓,所述螺栓设置于所述管路的进水口,所述螺栓设置有螺栓松动传感器,用以检测所述螺栓是否发生松动,得到螺栓松动参数的测量数据;
多个水泵机组,每个所述水泵机组包括水泵和电机,每个所述水泵设置于所述底座上,每个所述电机设置于对应的水泵上,每个所述水泵设置有水泵温度传感器、水泵振动传感器和水泵转速传感器,用以获取每个所述水泵的水泵温度参数、水泵振动参数和水泵转速参数的测量数据,每个所述电机设置有电机温度传感器、电机电流传感器和电机电压传感器,用以获取每个所述电机的电机温度参数、电机电流参数和电机电压参数的测量数据;
控制器,所述控制器分别与所述底座振动传感器、所述管路压力传感器、所述螺栓松动传感器、多个所述水泵温度传感器、多个所述水泵振动传感器、多个所述水泵转速传感器、多个所述电机温度传感器、多个所述电机电流传感器和多个所述电机电压传感器电连接,所述控制器存储有故障检测模型和故障数据库,所述控制器被配置成实现权利要求1-6任一项方法所述的步骤。
8.根据权利要求7所述的无负压叠压供水设备,其特征在于,所述控制器还被配置成:
当接收到所述底座振动传感器、所述管路压力传感器、所述螺栓松动传感器、多个所述水泵温度传感器、多个所述水泵振动传感器、多个所述水泵转速传感器、多个所述电机温度传感器、多个所述电机电流传感器和多个所述电机电压传感器中的任意一个发送的测量数据时,将接收到的测量数据放入待发送队列;
检测所述待发送队列中的测量数据的数量是否不小于预设数量阈值;
当检测到所述待发送队列中的测量数据的数量不小于所述预设数量阈值时,将所述待发送队列中的所有测量数据上传至云服务器。
9.根据权利要求8所述的无负压叠压供水设备,其特征在于,所述控制器被进一步配置成采用如下方式上传数据:
当检测到所述待发送队列中的测量数据的数量不小于预设数量阈值时,判断所述待发送队列中的测量数据是否齐全;
当所述待发送队列中的测量数据齐全时,将所述待发送队列中的所有测量数据上传至云服务器;
其中,所述待发送队列中的测量数据齐全是指所述待发送队列中包含所述底座振动传感器、所述管路压力传感器、所述螺栓松动传感器、多个所述水泵温度传感器、多个所述水泵振动传感器、多个所述水泵转速传感器、多个所述电机温度传感器、多个所述电机电流传感器和多个所述电机电压传感器发送的测量数据。
10.根据权利要求9所述的无负压叠压供水设备,其特征在于,所述控制器还被配置成:
当所述待发送队列中的测量数据不齐全时,确定缺失测量数据的目标传感器;
向所述目标传感器发送数据获取请求,并开始计时;
当预设时长内接收到所述目标传感器发送的测量数据时,停止计时,并在接收到所述目标传感器发送的测量数据的下一时刻,将所述待发送队列中的所有测量数据上传至云服务器;
当所述预设时长内未接收到所述目标传感器发送的测量数据时,在计时结束后,将所述待发送队列中的所有测量数据上传至云服务器。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111440578.5A CN113931258B (zh) | 2021-11-30 | 2021-11-30 | 自我诊断方法和无负压叠压供水设备 |
PCT/CN2022/128821 WO2023098372A1 (zh) | 2021-11-30 | 2022-10-31 | 自我诊断方法和无负压叠压供水设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111440578.5A CN113931258B (zh) | 2021-11-30 | 2021-11-30 | 自我诊断方法和无负压叠压供水设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113931258A CN113931258A (zh) | 2022-01-14 |
CN113931258B true CN113931258B (zh) | 2022-06-24 |
Family
ID=79288686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111440578.5A Active CN113931258B (zh) | 2021-11-30 | 2021-11-30 | 自我诊断方法和无负压叠压供水设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113931258B (zh) |
WO (1) | WO2023098372A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113931258B (zh) * | 2021-11-30 | 2022-06-24 | 无锡汇田水务科技有限公司 | 自我诊断方法和无负压叠压供水设备 |
CN114353854B (zh) * | 2022-03-21 | 2022-05-24 | 蘑菇物联技术(深圳)有限公司 | 用于在线定位异常传感器的方法、设备和介质 |
CN115022151B (zh) * | 2022-07-04 | 2023-06-23 | 青岛佳世特尔智创科技有限公司 | 一种泵机组状态监测分析方法及系统 |
CN115199518A (zh) * | 2022-07-22 | 2022-10-18 | 无锡汇田水务科技有限公司 | 排污泵的控制方法、装置、电子设备及存储介质 |
CN116328244B (zh) * | 2023-03-21 | 2023-09-01 | 江苏智慧工场技术研究院有限公司 | 一种消防巡检方法、系统及存储介质 |
CN116634037B (zh) * | 2023-07-25 | 2023-09-29 | 水利部机电研究所 | 一种用于水泵智能诊断的数据传输方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0896039A (ja) * | 1994-09-29 | 1996-04-12 | Akira Hayashi | 水道管路情報管理装置 |
CN107885189A (zh) * | 2017-11-14 | 2018-04-06 | 北京煜邦电力技术股份有限公司 | 供水设备监控方法及装置 |
CN107957277A (zh) * | 2017-12-21 | 2018-04-24 | 重庆金鑫科技产业发展有限公司 | 一种无负压二次供水设备的检测系统 |
CN110469495A (zh) * | 2018-05-11 | 2019-11-19 | 上海威派格智慧水务股份有限公司 | 一种多水泵供水系统的故障诊断方法 |
KR102147610B1 (ko) * | 2019-12-23 | 2020-08-25 | (주) 그린텍아이엔씨 | 자가진단 및 자가복구 기능을 갖는 스마트형 상하수도 원방 감시장치 |
DE102019124985A1 (de) * | 2019-09-17 | 2021-03-18 | Livisi Gmbh | Hausautomationssystem |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354755B (zh) * | 2015-09-30 | 2019-12-03 | 冯小林 | 基于物联网的供水设备的管理方法 |
CN107862375A (zh) * | 2017-10-30 | 2018-03-30 | 北京计算机技术及应用研究所 | 一种两阶段的设备故障诊断方法 |
CN209556031U (zh) * | 2018-12-14 | 2019-10-29 | 浙江正同水务设备有限公司 | 带故障检测功能的无负压供水设备 |
CN110765619B (zh) * | 2019-10-28 | 2023-05-30 | 中国人民解放军63921部队 | 基于多状态参数的无失效屏蔽泵故障短期多步预测方法 |
CN113931258B (zh) * | 2021-11-30 | 2022-06-24 | 无锡汇田水务科技有限公司 | 自我诊断方法和无负压叠压供水设备 |
-
2021
- 2021-11-30 CN CN202111440578.5A patent/CN113931258B/zh active Active
-
2022
- 2022-10-31 WO PCT/CN2022/128821 patent/WO2023098372A1/zh unknown
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0896039A (ja) * | 1994-09-29 | 1996-04-12 | Akira Hayashi | 水道管路情報管理装置 |
CN107885189A (zh) * | 2017-11-14 | 2018-04-06 | 北京煜邦电力技术股份有限公司 | 供水设备监控方法及装置 |
CN107957277A (zh) * | 2017-12-21 | 2018-04-24 | 重庆金鑫科技产业发展有限公司 | 一种无负压二次供水设备的检测系统 |
CN110469495A (zh) * | 2018-05-11 | 2019-11-19 | 上海威派格智慧水务股份有限公司 | 一种多水泵供水系统的故障诊断方法 |
DE102019124985A1 (de) * | 2019-09-17 | 2021-03-18 | Livisi Gmbh | Hausautomationssystem |
KR102147610B1 (ko) * | 2019-12-23 | 2020-08-25 | (주) 그린텍아이엔씨 | 자가진단 및 자가복구 기능을 갖는 스마트형 상하수도 원방 감시장치 |
Also Published As
Publication number | Publication date |
---|---|
CN113931258A (zh) | 2022-01-14 |
WO2023098372A1 (zh) | 2023-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113931258B (zh) | 自我诊断方法和无负压叠压供水设备 | |
CN112436968B (zh) | 一种网络流量的监测方法、装置、设备及存储介质 | |
CN111209131A (zh) | 一种基于机器学习确定异构系统的故障的方法和系统 | |
CN110868241B (zh) | 基于多模型的地下电缆故障预警方法和装置 | |
CN101720453B (zh) | 利用时序信号处理进行电池组件预测维护的系统和方法 | |
CN111045894B (zh) | 数据库异常检测方法、装置、计算机设备和存储介质 | |
US9846601B2 (en) | Method and apparatuses for determining a leak of resource and predicting usage of resource | |
WO2021027213A1 (zh) | 检测方法、装置、电子设备和计算机可读介质 | |
CN111949646B (zh) | 基于大数据的设备运行状况分析方法、装置、设备及介质 | |
CN110875851A (zh) | 地下电缆故障预警方法和装置 | |
CN104598340A (zh) | 硬件故障的检测系统、电子装置及方法 | |
CN112882795A (zh) | 虚拟机异常诊断方法、装置、设备及存储介质 | |
CN110866634A (zh) | 基于模型选择的地下电缆故障预警方法和装置 | |
CN109507992A (zh) | 一种机车制动系统部件的故障预测方法、装置及设备 | |
CN117436846A (zh) | 基于神经网络的设备预测性维护方法及系统 | |
CN117367807A (zh) | 航空发动机的故障诊断方法、系统、设备及介质 | |
CN112882898B (zh) | 基于大数据日志分析的异常检测方法、系统、设备及介质 | |
CN114235108A (zh) | 基于数据分析燃气流量计异常状态检测方法和装置 | |
CN111950623B (zh) | 数据稳定性监控方法、装置、计算机设备及介质 | |
CN112527568A (zh) | 数据流量测试方法、装置、电子设备及存储介质 | |
CN112506754A (zh) | 一种系统性能监测方法及平台 | |
CN115765182A (zh) | 基于时序数据库的数字孪生方法及装置 | |
CN114312930A (zh) | 基于日志数据的列车运行异常诊断方法和装置 | |
CN112529310A (zh) | 一种生产计划调度方法、装置、设备及存储介质 | |
Lei et al. | Application of distributed machine learning model in fault diagnosis of air preheater |
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 |