CN113987027A - 一种基于故障预测的设备状态确定方法、装置及介质 - Google Patents

一种基于故障预测的设备状态确定方法、装置及介质 Download PDF

Info

Publication number
CN113987027A
CN113987027A CN202111293595.0A CN202111293595A CN113987027A CN 113987027 A CN113987027 A CN 113987027A CN 202111293595 A CN202111293595 A CN 202111293595A CN 113987027 A CN113987027 A CN 113987027A
Authority
CN
China
Prior art keywords
posterior probability
state
determining
fault
equipment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111293595.0A
Other languages
English (en)
Inventor
谈群
苗洪雷
吴小芳
胡晓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
HNAC Technology Co Ltd
Original Assignee
HNAC Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by HNAC Technology Co Ltd filed Critical HNAC Technology Co Ltd
Priority to CN202111293595.0A priority Critical patent/CN113987027A/zh
Publication of CN113987027A publication Critical patent/CN113987027A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本申请公开了一种基于故障预测的设备状态确定方法、装置及介质，不仅获取目标设备的实时监测数据，还获取与目标设备相关联设备的实时监测数据，考虑的因素更为全面。根据知识图谱确定故障状态的根因，分析所有根因的实际后验概率并确定目标设备的状态，相比直接根据只能反映表象的监测数据确定目标设备的状态，提高对设备状态确定的准确性，有效克服根据监测数据确定设备状态与实际状态存在延迟的问题。并且根据实际后验概率进行时间序列预测分析得到未来预设时间段内的预测后验概率，根据所有根因的实际后验概率和预测后验概率确定设备状态，能够更早洞悉设备状态，起到警示作用。

Description

一种基于故障预测的设备状态确定方法、装置及介质
技术领域
本申请涉及故障信息处理技术领域，特别是涉及一种基于故障预测的设备状态确定方法、装置及介质。
背景技术
当前大型工业设备大多都建立了在线监测系统，基于监测数据可以了解设备的工作状态，帮助运维管理人员随时掌握设备运行状态，对于保障设备安全及正常生产具有重要意义。
由于监测数据一般是表象，导致表象的根因可能有很多种，直接根据监测数据确定设备状态准确性较低，另外从故障根因发展到表象往往有较大的延迟，导致直接根据监测数据确定设备状态与实际状况存在延迟。
因此，如何提高对设备状态确定的准确性，有效克服直接根据监测数据确定设备状态与实际状况存在延迟的问题是本领域技术人员亟需要解决的问题。
发明内容
本申请的目的是提供一种基于故障预测的设备状态确定方法、装置及计算机可读存储介质，用于提高对设备状态确定的准确性，有效克服基于监测数据确定设备状态与实际状况存在延迟的问题。
为解决上述技术问题，本申请提供一种基于故障预测的设备状态确定方法，包括：
获取目标设备和所述目标设备的关联设备的实时监测数据；
根据所述实时监测数据计算所述目标设备和所述关联设备当前的故障状态；
根据知识图谱确定所述故障状态的根因，并根据所述故障状态计算每个所述根因的实际后验概率；
将所述实际后验概率按时间排序，并进行时间序列预测分析，得到每个所述根因的未来预设时间段内的后验概率变化曲线；
根据所述后验概率变化曲线获得所述未来预设时间段内的预测后验概率，并根据所述目标设备的所有所述根因的所述实际后验概率和所述预测后验概率确定所述目标设备的状态。
优选地，所述根据知识图谱确定所述故障状态的根因，并根据所述故障状态计算每个所述根因的实际后验概率，包括：
根据所述知识图谱确定所述故障状态和用户反馈的状态信息对应的根因；
根据所述故障状态和所述状态信息，利用变量消元算法、团树传播算法、随机采样算法、变分法中任一种方法计算每个所述根因的所述实际后验概率。
优选地，所述得到每个所述根因的未来预设时间段内的后验概率变化曲线之后，还包括：
根据每个所述根因的所述后验概率变化曲线中后验概率上升到预设高度所需时间以确定故障发展趋势。
优选地，所述根据所述目标设备的所有所述根因的所述实际后验概率和所述预测后验概率确定所述目标设备的状态，包括：
根据所述实际后验概率和所述预测后验概率计算每个所述根因的加权后验概率；
确定每个所述根因的先验概率；
根据所述先验概率和所述加权后验概率计算每个所述根因的发生概率增益；
根据所述故障状态和用户反馈的状态信息对应的所有所述根因生成故障根因集合；
根据根因严酷度和所述故障根因集合中的所有所述根因的所述发生概率增益计算所述目标设备状态的偏离度；
根据所述偏离度计算所述目标设备的健康度；
根据所述健康度确定所述目标设备的状态。
优选地，所述根据所述健康度确定所述目标设备的状态，包括：
将所述健康度比对健康等级表确定所述设备的健康等级与处置建议以确定所述目标设备的状态；
其中，所述健康等级表包括健康度、健康等级与处置建议之间的对应关系，所述处置建议包括需要立即检修、关注设备运行状态和正常运行。
优选地，所述根据知识图谱确定所述故障状态的根因，包括：
根据历史数据、专家经验数据和专业书籍数据，构建所述知识图谱；
根据所述知识图谱确定所述故障状态的所述根因；
其中，所述知识图谱包括设备、监测数据、状态信息、故障、处理措施之间的逻辑关系。
优选地，所述确定所述目标设备的状态之后，还包括：
若所述目标设备处于异常状态，确定所述实际后验概率较高的所述根因；
利用所述知识图谱和所述实际后验概率较高的所述根因进行故障分析，确定故障的处理措施。
本申请还提供一种基于故障预测的设备状态确定装置，包括：
获取模块，用于获取目标设备和所述目标设备的关联设备的实时监测数据；
第一计算模块，用于根据所述实时监测数据计算所述目标设备和所述关联设备当前的故障状态；
第二计算模块，用于根据知识图谱确定所述故障状态的根因，并根据所述故障状态计算每个所述根因的实际后验概率；
预测模块，用于将所述实际后验概率按时间排序，并进行时间序列预测分析，得到每个所述根因的未来预设时间段内的后验概率变化曲线；
确定模块，用于根据所述后验概率变化曲线获得所述未来预设时间段内的预测后验概率，并根据所述目标设备的所有所述根因的所述实际后验概率和所述预测后验概率确定所述目标设备的状态。
本申请还提供一种基于故障预测的设备状态确定装置，包括存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述的基于故障预测的设备状态确定方法的步骤。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质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所述的基于故障预测的设备状态确定方法的步骤。
本申请所提供的一种基于故障预测的设备状态确定方法，不仅获取目标设备的实时监测数据，还获取与目标设备相关联设备的实时监测数据，考虑的因素更为全面。根据知识图谱确定故障状态的根因，分析所有根因的实际后验概率并确定目标设备的状态，相比直接根据只能反映表象的监测数据确定目标设备的状态，提高对设备状态确定的准确性，有效克服根据监测数据确定设备状态与实际状态存在延迟的问题。并且根据实际后验概率进行时间序列预测分析得到未来预设时间段内的预测后验概率，根据所有根因的实际后验概率和预测后验概率确定设备状态，能够更早洞悉设备状态，起到警示作用。
本申请所提供的一种基于故障预测的设备状态确定装置及介质与方法对应，效果如上。
附图说明
为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，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为本申请实施例提供的一种基于故障预测的设备状态确定方法的流程图；
图2为本申请实施例提供的一种贝叶斯网络图；
图3为本申请实施例提供的一种基于故障预测的设备状态确定装置的结构图；
图4为本申请实施例提供的另一种基于故障预测的设备状态确定装置的结构图。
具体实施方式
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，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。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前提下，所获得的所有其他实施例，都属于本申请保护范围。
本申请的核心是提供一种基于故障预测的设备状态确定方法、装置及计算机可读存储介质。
为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。
图1为本申请实施例提供的一种基于故障预测的设备状态确定方法的流程图。如图1所示，设备状态确定方法包括：
S10：获取目标设备和目标设备的关联设备的实时监测数据。
S11：根据实时监测数据计算目标设备和关联设备当前的故障状态。
S12：根据知识图谱确定故障状态的根因，并根据故障状态计算每个根因的实际后验概率。
S13：将实际后验概率按时间排序，并进行时间序列预测分析，得到每个根因的未来预设时间段内的后验概率变化曲线。
S14：根据后验概率变化曲线获得未来预设时间段内的预测后验概率，并根据目标设备的所有根因的实际后验概率和预测后验概率确定目标设备的状态。
在步骤S10中，实时监测数据为定时从在线监测系统获取的实时监测数据，本申请实施例不仅获取目标设备的实时监测数据，还获取与目标设备相关联设备的实时监测数据。
在步骤S11中，根据实时监测数据计算目标设备和关联设备当前的故障状态，关于如何计算故障状态和故障状态的个数本申请实施例不作具体限定，例如监测数据为轴承温度c，对应轴承温度升高的故障，其故障状态e的计算公式如下所示。
Figure BDA0003335821450000051
在步骤S12中，知识图谱可以是已存有的，也可以是根据历史数据、专家经验数据和专业书籍数据等，对设备、监测数据、状态信息、故障、处理措施及其之间的逻辑关系进行建模，构建设备的知识图谱。计算每个根因的实际后验概率，具体为，根据知识图谱可以得到故障之间关联关系的贝叶斯网络，如图2所示，图2为本申请实施例提供的一种贝叶斯网络图，最右侧两个节点“油位上升1”和“轴承温度升高2”为证据，其故障状态记为E，最左侧三个节点“冷却器漏水3”、“润滑油老化4”和“冷却水中断5”为根因Q，计算实际后验概率为P(Q|E＝e)。本申请实施例中的实际后验概率是指根据每个时间获取的实时监测数据计算出的故障状态计算得到的，本申请实施例对实际后验概率的个数不作具体限定。
在步骤S13中，将每个根因的实际后验概率按照时间先后排列，进行时间序列预测分析，可用的方法包括但不限于简单平均、滑窗平均、指数平滑、差分整合移动平均自回归模型等，预测未来预设时间段内的后验概率变化曲线。
在步骤S14中，根据后验概率变化曲线可以得到预测后验概率，预测后验概率不是根据故障状态计算得到的，而是依据已有的实际后验概率进行预测得到的。关于如何根据实际后验概率和预测后验概率确定目标设备的状态本申请实施例不作具体限定。
本申请实施例所提供的一种基于故障预测的设备状态确定方法，不仅获取目标设备的实时监测数据，还获取与目标设备相关联设备的实时监测数据，考虑的因素更为全面。根据知识图谱确定故障状态的根因，分析所有根因的实际后验概率并确定目标设备的状态，相比直接根据只能反映表象的监测数据确定目标设备的状态，提高对设备状态确定的准确性，有效克服根据监测数据确定设备状态与实际状态存在延迟的问题。并且根据实际后验概率进行时间序列预测分析得到未来预设时间段内的预测后验概率，根据所有根因的实际后验概率和预测后验概率确定设备状态，能够更早洞悉设备状态，起到警示作用。
基于上述实施例，本申请实施例根据知识图谱确定故障状态的根因，并根据故障状态计算每个根因的实际后验概率，包括：根据知识图谱确定故障状态和用户反馈的状态信息对应的根因；根据故障状态和状态信息，利用变量消元算法、团树传播算法、随机采样算法、变分法中任一种方法计算每个根因的实际后验概率。
本申请实施例不仅根据监测数据计算得到故障状态，还根据用户反馈的其他状态信息进行综合分析，确定出可能的所有根因，因此对设备状态评价考虑的因素更全面。
基于上述实施例，本申请实施例得到每个根因的未来预设时间段内的后验概率变化曲线之后，还包括：根据每个根因的后验概率变化曲线中后验概率上升到预设高度所需时间以确定故障发展趋势。
本申请实施例对预设高度不作具体限定，后验概率变化曲线的横坐标代表时间，纵坐标代表后验概率，后验概率包括实际后验概率和预测后验概率，预设高度可以是后验概率从0到0.1的高度。根据后验概率上升到预设高度所需时间以确定故障发展趋势，具体地，在最近时间的实际后验概率到预设高度所需的时间大于3天，发展趋势为平稳，在8小时到3天，发展趋势为缓慢恶化，小于8小时，发展趋势为快速恶化。上述仅为本申请实施例提供的一种故障发展趋势的确定方法，在具体的实时场景中，可以根据实际情况而定。本申请实施例考虑了故障发展趋势，可以更早地洞悉设备状态的异常。
基于上述实施例，本申请实施例根据目标设备的所有根因的实际后验概率和预测后验概率确定目标设备的状态，包括：根据实际后验概率和预测后验概率计算每个根因的加权后验概率；确定每个根因的先验概率；根据先验概率和加权后验概率计算每个根因的发生概率增益；根据故障状态和用户反馈的状态信息对应的所有根因生成故障根因集合；根据根因严酷度和故障根因集合中的所有根因的发生概率增益计算目标设备状态的偏离度；根据偏离度计算目标设备的健康度；根据健康度确定目标设备的状态。
本申请实施例中实际后验概率和预测后验概率为pi，加权系数ρ(0＜ρ＜1)，加权后验概率p的计算公式为
Figure BDA0003335821450000071
先验概率为p0，发生概率增益f的计算公式如下。
Figure BDA0003335821450000072
故障根因集合R，根据根因的严酷度s加权计算设备状态的偏离度F，计算公式为
Figure BDA0003335821450000073
根据偏离度F计算目标设备的健康度H，计算公式如下。
Figure BDA0003335821450000081
基于上述实施例，表1为本申请实施例提供的一种健康等级表，健康等级表包括健康度、健康等级与处置建议；处置建议包括需要立即检修、关注设备运行状态和正常运行。将健康度比对健康表便可以直接得出健康等级与处置建议，若健康度为0.5，健康等级便为差，处置建议为需要立即检修，根据健康表确定目标设备的状态更加直接，也方便指导检修人员快速判断是否进行检修。
表1健康等级表
序号 健康度 健康等级 处置建议
1 [0,0.6) 差 需要立即检修
2 [0.6,0.9) 中 关注设备运行状态
3 [0.9,1] 优 正常运行
基于上述实施例，本申请实施例确定目标设备的状态之后，还包括：若目标设备处于异常状态，确定实际后验概率较高的根因；利用知识图谱和实际后验概率较高的根因进行故障分析，确定故障的处理措施。
由于知识图谱中包括设备、监测数据、状态信息、故障、处理措施及其之间的逻辑关系，根据后验概率较高的根因可以确定故障状态和状态信息，基于知识图谱进行推理，确定故障的处理措施，为运维人员提出检修方案。
若目标设备状态不佳时，给出可能的故障及处置措施，能够帮助运维人员更快地定位、处置故障，恢复设备状态。
在上述实施例中，对于基于故障预测的设备状态确定方法进行了详细描述，本申请还提供基于故障预测的设备状态确定装置对应的实施例。需要说明的是，本申请从两个角度对装置部分的实施例进行描述，一种是基于功能模块的角度，另一种是基于硬件的角度。
图3为本申请实施例提供的一种基于故障预测的设备状态确定装置的结构图，如图3所示，设备状态确定装置包括：
获取模块10，用于获取目标设备和目标设备的关联设备的实时监测数据；
第一计算模块11，用于根据实时监测数据计算目标设备和关联设备当前的故障状态；
第二计算模块12，用于根据知识图谱确定故障状态的根因，并根据故障状态计算每个根因的实际后验概率；
预测模块13，用于将实际后验概率按时间排序，并进行时间序列预测分析，得到每个根因的未来预设时间段内的后验概率变化曲线；
确定模块14，用于根据后验概率变化曲线获得未来预设时间段内的预测后验概率，并根据目标设备的所有根因的实际后验概率和预测后验概率确定目标设备的状态。
基于上述实施例，作为优选的实施例，第二计算模块包括：
第一确定单元，用于根据知识图谱确定故障状态和用户反馈的状态信息对应的根因；
第一计算单元，用于根据故障状态和状态信息，利用变量消元算法、团树传播算法、随机采样算法、变分法中任一种方法计算每个根因的实际后验概率。
基于上述实施例，作为优选的实施例，还包括：
故障发展趋势确定模块，用于根据每个根因的所述后验概率变化曲线中后验概率上升到预设高度所需时间以确定故障发展趋势。
基于上述实施例，作为优选的实施例，确定模块包括：
第二计算单元，用于根据实际后验概率和预测后验概率计算每个根因的加权后验概率；
第二确定单元，用于确定每个根因的先验概率；
第三计算单元，用于根据先验概率和加权后验概率计算每个根因的发生概率增益；
生成单元，用于根据故障状态和用户反馈的状态信息对应的所有根因生成故障根因集合；
第四计算单元，用于根据根因严酷度和故障根因集合中的所有根因的发生概率增益计算目标设备状态的偏离度；
第五计算单元，用于根据偏离度计算目标设备的健康度；
第三确定单元，用于根据健康度确定目标设备的状态。
基于上述实施例，作为优选的实施例，第三确定单元包括：
比对子单元，用于将健康度比对健康等级表确定设备的健康等级与处置建议以确定目标设备的状态；其中，健康等级表包括健康度、健康等级与处置建议之间的对应关系，处置建议包括需要立即检修、关注设备运行状态和正常运行。
基于上述实施例，作为优选的实施例，第二计算模块包括：
构建单元，用于根据历史数据、专家经验数据和专业书籍数据，构建知识图谱；
第四确定单元，用于根据知识图谱确定故障状态的根因；其中，知识图谱包括设备、监测数据、状态信息、故障、处理措施之间的逻辑关系。
基于上述实施例，作为优选的实施例，还包括：
分析模块，用于若目标设备处于异常状态，确定实际后验概率较高的根因；利用知识图谱和实际后验概率较高的根因进行故障分析，确定故障的处理措施。
由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
本申请实施例所提供一种基于故障预测的设备状态确定装置，不仅获取目标设备的实时监测数据，还获取与目标设备相关联设备的实时监测数据，考虑的因素更为全面。根据知识图谱确定故障状态的根因，分析所有根因的实际后验概率并确定目标设备的状态，相比直接根据只能反映表象的监测数据确定目标设备的状态，提高对设备状态确定的准确性，有效克服根据监测数据确定设备状态与实际状态存在延迟的问题。并且根据实际后验概率进行时间序列预测分析得到未来预设时间段内的预测后验概率，根据所有根因的实际后验概率和预测后验概率确定设备状态，能够更早洞悉设备状态，起到警示作用。
图4为本申请实施例提供的另一种基于故障预测的设备状态确定装置的结构图，如图4所示，基于故障预测的设备状态确定装置包括：存储器20，用于存储计算机程序；
处理器21，用于执行计算机程序时实现如上述实施例基于故障预测的设备状态确定方法的步骤。
本实施例提供的基于故障预测的设备状态确定装置可以包括但不限于智能手机、平板电脑、笔记本电脑或台式电脑等。
其中，处理器21可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器21可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器21可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器21还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器20可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器20还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器20至少用于存储以下计算机程序201，其中，该计算机程序被处理器21加载并执行之后，能够实现前述任一实施例公开的基于故障预测的设备状态确定方法的相关步骤。另外，存储器20所存储的资源还可以包括操作系统202和数据203等，存储方式可以是短暂存储或者永久存储。其中，操作系统202可以包括Windows、Unix、Linux等。数据203可以包括但不限于监测数据、实际后验概率和预测后验概率等。
在一些实施例中，基于故障预测的设备状态确定装置还可包括有显示屏22、输入输出接口23、通信接口24、电源25以及通信总线26。
本领域技术人员可以理解，图4中示出的结构并不构成对基于故障预测的设备状态确定装置的限定，可以包括比图示更多或更少的组件。
本申请实施例提供的基于故障预测的设备状态确定装置，包括存储器和处理器，处理器在执行存储器存储的程序时，能够实现如下方法：获取目标设备和目标设备的关联设备的实时监测数据；根据实时监测数据计算目标设备和关联设备当前的故障状态；根据知识图谱确定故障状态的根因，并根据故障状态计算每个根因的实际后验概率；将实际后验概率按时间排序，并进行时间序列预测分析，得到每个根因的未来预设时间段内的后验概率变化曲线；根据后验概率变化曲线获得未来预设时间段内的预测后验概率，并根据目标设备的所有根因的实际后验概率和预测后验概率确定目标设备的状态。
最后，本申请还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述方法实施例中记载的步骤。
可以理解的是，如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上对本申请所提供的基于故障预测的设备状态确定方法进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，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。

Claims (10)

1.一种基于故障预测的设备状态确定方法，其特征在于，包括：
获取目标设备和所述目标设备的关联设备的实时监测数据；
根据所述实时监测数据计算所述目标设备和所述关联设备当前的故障状态；
根据知识图谱确定所述故障状态的根因，并根据所述故障状态计算每个所述根因的实际后验概率；
将所述实际后验概率按时间排序，并进行时间序列预测分析，得到每个所述根因的未来预设时间段内的后验概率变化曲线；
根据所述后验概率变化曲线获得所述未来预设时间段内的预测后验概率，并根据所述目标设备的所有所述根因的所述实际后验概率和所述预测后验概率确定所述目标设备的状态。
2.根据权利要求1所述的基于故障预测的设备状态确定方法，其特征在于，所述根据知识图谱确定所述故障状态的根因，并根据所述故障状态计算每个所述根因的实际后验概率，包括：
根据所述知识图谱确定所述故障状态和用户反馈的状态信息对应的根因；
根据所述故障状态和所述状态信息，利用变量消元算法、团树传播算法、随机采样算法、变分法中任一种方法计算每个所述根因的所述实际后验概率。
3.根据权利要求1所述的基于故障预测的设备状态确定方法，其特征在于，所述得到每个所述根因的未来预设时间段内的后验概率变化曲线之后，还包括：
根据每个所述根因的所述后验概率变化曲线中后验概率上升到预设高度所需时间以确定故障发展趋势。
4.根据权利要求1所述的基于故障预测的设备状态确定方法，其特征在于，所述根据所述目标设备的所有所述根因的所述实际后验概率和所述预测后验概率确定所述目标设备的状态，包括：
根据所述实际后验概率和所述预测后验概率计算每个所述根因的加权后验概率；
确定每个所述根因的先验概率；
根据所述先验概率和所述加权后验概率计算每个所述根因的发生概率增益；
根据所述故障状态和用户反馈的状态信息对应的所有所述根因生成故障根因集合；
根据根因严酷度和所述故障根因集合中的所有所述根因的所述发生概率增益计算所述目标设备状态的偏离度；
根据所述偏离度计算所述目标设备的健康度；
根据所述健康度确定所述目标设备的状态。
5.根据权利要求4所述的基于故障预测的设备状态确定方法，其特征在于，所述根据所述健康度确定所述目标设备的状态，包括：
将所述健康度比对健康等级表确定所述设备的健康等级与处置建议以确定所述目标设备的状态；
其中，所述健康等级表包括健康度、健康等级与处置建议之间的对应关系，所述处置建议包括需要立即检修、关注设备运行状态和正常运行。
6.根据权利要求1所述的基于故障预测的设备状态确定方法，其特征在于，所述根据知识图谱确定所述故障状态的根因，包括：
根据历史数据、专家经验数据和专业书籍数据，构建所述知识图谱；
根据所述知识图谱确定所述故障状态的所述根因；
其中，所述知识图谱包括设备、监测数据、状态信息、故障、处理措施之间的逻辑关系。
7.根据权利要求1所述的基于故障预测的设备状态确定方法，其特征在于，所述确定所述目标设备的状态之后，还包括：
若所述目标设备处于异常状态，确定所述实际后验概率较高的所述根因；
利用所述知识图谱和所述实际后验概率较高的所述根因进行故障分析，确定故障的处理措施。
8.一种基于故障预测的设备状态确定装置，其特征在于，包括：
获取模块，用于获取目标设备和所述目标设备的关联设备的实时监测数据；
第一计算模块，用于根据所述实时监测数据计算所述目标设备和所述关联设备当前的故障状态；
第二计算模块，用于根据知识图谱确定所述故障状态的根因，并根据所述故障状态计算每个所述根因的实际后验概率；
预测模块，用于将所述实际后验概率按时间排序，并进行时间序列预测分析，得到每个所述根因的未来预设时间段内的后验概率变化曲线；
确定模块，用于根据所述后验概率变化曲线获得所述未来预设时间段内的预测后验概率，并根据所述目标设备的所有所述根因的所述实际后验概率和所述预测后验概率确定所述目标设备的状态。
9.一种基于故障预测的设备状态确定装置，其特征在于，包括存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述的基于故障预测的设备状态确定方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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如权利要求1至7任一项所述的基于故障预测的设备状态确定方法的步骤。
CN202111293595.0A 2021-11-03 2021-11-03 一种基于故障预测的设备状态确定方法、装置及介质 Pending CN113987027A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111293595.0A CN113987027A (zh) 2021-11-03 2021-11-03 一种基于故障预测的设备状态确定方法、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111293595.0A CN113987027A (zh) 2021-11-03 2021-11-03 一种基于故障预测的设备状态确定方法、装置及介质

Publications (1)

Publication Number Publication Date
CN113987027A true CN113987027A (zh) 2022-01-28

Family

ID=79746095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111293595.0A Pending CN113987027A (zh) 2021-11-03 2021-11-03 一种基于故障预测的设备状态确定方法、装置及介质

Country Status (1)

Country Link
CN (1) CN113987027A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115840915A (zh) * 2022-11-22 2023-03-24 广州城轨科技有限公司 机电设备故障的自动识别方法、系统、终端及存储介质
CN116502166A (zh) * 2023-04-28 2023-07-28 天宇正清科技有限公司 一种基于其他设备数据的预测方法、装置、设备和介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115840915A (zh) * 2022-11-22 2023-03-24 广州城轨科技有限公司 机电设备故障的自动识别方法、系统、终端及存储介质
CN116502166A (zh) * 2023-04-28 2023-07-28 天宇正清科技有限公司 一种基于其他设备数据的预测方法、装置、设备和介质
CN116502166B (zh) * 2023-04-28 2024-02-02 天宇正清科技有限公司 一种对目标设备故障预测的方法、装置、设备和介质

Similar Documents

Publication Publication Date Title
CN110309009B (zh) 基于情境的运维故障根因定位方法、装置、设备及介质
CN113987027A (zh) 一种基于故障预测的设备状态确定方法、装置及介质
CN107516279B (zh) 一种网络舆情自动预警的方法
CN114978956A (zh) 智慧城市网络设备性能异常突变点检测方法及装置
CN112217207A (zh) 一种暂态电压稳定裕度预测方法及装置
CN113868953B (zh) 工业系统中多机组运行优化方法、装置、系统及存储介质
CN113570138A (zh) 一种时间卷积网络的设备剩余使用寿命预测方法及装置
CN116049146B (zh) 一种数据库故障处理方法、装置、设备及存储介质
Zhang et al. Statistical monitoring of the hand, foot and mouth disease in China
CN111025041A (zh) 电动汽车充电桩监测方法及其系统、计算机设备、介质
CN114301803B (zh) 网络质量检测方法、装置、电子设备及存储介质
CN111340287A (zh) 配电柜运行状态预测方法及装置
CN110348005B (zh) 配网设备状态数据处理方法、装置、计算机设备及介质
CN116755974A (zh) 云计算平台运维方法、装置、电子设备及存储介质
CN111612149A (zh) 一种基于决策树的主网线路状态检测方法、系统及介质
CN111080037A (zh) 一种基于深度神经网络的短期电力负荷预测方法及装置
CN115688984A (zh) 分区用电量分析预测方法、装置及电子设备
CN114708117A (zh) 融合先验知识的用电安全检查评级方法、装置及设备
CN111611117B (zh) 硬盘故障的预测方法、装置、设备及计算机可读存储介质
CN114565004A (zh) 一种风电机组功率曲线异常散点剔除方法及装置
CN114048592A (zh) 一种精轧全流程分布式运行性能评估及非优原因追溯方法
CN111817898A (zh) 一种识别动态网络结构异常的方法及装置
CN113360486B (zh) 数据预测方法、装置、电子设备和介质
CN117389788A (zh) 一种大数据平台运维方法、装置、介质
CN109146249B (zh) 一种配电网可靠性预估方法、装置和设备

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