CN114120592B - 用于故障报警的方法及装置、电子设备、存储介质 - Google Patents
用于故障报警的方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN114120592B CN114120592B CN202111205826.8A CN202111205826A CN114120592B CN 114120592 B CN114120592 B CN 114120592B CN 202111205826 A CN202111205826 A CN 202111205826A CN 114120592 B CN114120592 B CN 114120592B
- Authority
- CN
- China
- Prior art keywords
- fault
- state data
- condition
- running state
- alternative
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/185—Electrical failure alarms
Landscapes
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请涉及故障诊断技术领域,公开一种用于故障报警的方法,包括:在同一时刻获取热泵烘干机的多个运行状态数据;将运行状态数据输入预设的故障诊断模型中进行故障诊断,获得热泵烘干机的故障情况;根据故障情况进行故障报警。通过获取在同一时刻获取热泵烘干机的多个运行状态数据,然后将运行状态数据输入预设的故障诊断模型中进行故障诊断,获得热泵烘干机的故障情况,然后将故障情况进行故障报警,使得接收到故障报警的用户不需要长时间在烘房附近工作,从而在发生故障的情况下,用户能够及时了解热泵烘干机的故障类型,节省了大量的人力成本和时间成本。本申请还公开一种用于故障报警的装置及电子设备、存储介质。
Description
技术领域
本申请涉及故障诊断技术领域,例如涉及一种用于故障报警的方法及装置、电子设备、存储介质。
背景技术
目前,热泵烘干机广泛应用于各个领域,包括化工、医药、制品、木材、农副产品等领域,具有安全环保、节能高效等优势。在热泵烘干机运行过程中,很多因素都会引起热泵烘干机故障。如果在热泵烘干机发生故障的情况下,没有及时进行报警,轻则会影响物料的烘干质量,重则会使烘干物料变质,导致用户损失大量钱财。
在实现本公开实施例的过程中,发现相关技术中至少存在如下问题:现有技术中对物料进行烘干时需要人工全程在烘房附近进行查看,通过用户的经验来判断热泵烘干机是否故障,对一些需要烘干较长时间的物料,需要用户长时间在烘房附近工作,十分不便。
发明内容
为了对披露的实施例的一些方面有基本的理解,下面给出了简单的概括。所述概括不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围,而是作为后面的详细说明的序言。
本公开实施例提供了一种用于故障报警的方法及装置、电子设备、存储介质,以便于用户及时了解热泵烘干机的故障情况,节省大量的人力成本和时间成本。
在一些实施例中,所述用于故障报警的方法包括:在同一时刻获取热泵烘干机的多个运行状态数据;将所述运行状态数据输入预设的故障诊断模型中进行故障诊断,获得所述热泵烘干机的故障情况;所述故障情况包括:故障发生情况;所述故障发生情况包括:发生故障或未发生故障;在所述故障发生情况为发生故障的情况下,所述故障情况还包括故障类型;根据所述故障情况进行故障报警。
在一些实施例中,所述用于故障报警的装置包括:第一获取模块,被配置为在同一时刻获取热泵烘干机的多个运行状态数据;第二获取模块,被配置为将所述运行状态数据输入预设的故障诊断模型中进行故障诊断,获得所述热泵烘干机的故障情况;所述故障情况包括:故障发生情况;所述故障发生情况包括:发生故障或未发生故障;在所述故障发生情况为发生故障的情况下,所述故障情况还包括故障类型;报警模块,被配置为根据所述故障情况进行故障报警。
在一些实施例中,所述用于故障报警的装置包括:处理器和存储有程序指令的存储器,所述处理器被配置为在运行所述程序指令时,执行上述的用于故障报警的方法。
在一些实施例中,所述电子设备包括:上述的用于故障报警的装置。
在一些实施例中,所述存储介质,存储有程序指令,该程序指令在运行时,执行上述的用于故障报警的方法。
本公开实施例提供的用于故障报警的方法及装置、电子设备、存储介质,可以实现以下技术效果:通过获取在同一时刻获取热泵烘干机的多个运行状态数据,然后将运行状态数据输入预设的故障诊断模型中进行故障诊断,获得热泵烘干机的故障情况,然后将故障情况进行故障报警,使得接收到故障报警的用户不需要长时间在烘房附近工作,从而在发生故障的情况下,用户能够及时了解热泵烘干机的故障类型,节省了大量的人力成本和时间成本。
以上的总体描述和下文中的描述仅是示例性和解释性的,不用于限制本申请。
附图说明
一个或多个实施例通过与之对应的附图进行示例性说明,这些示例性说明和附图并不构成对实施例的限定,附图中具有相同参考数字标号的元件示为类似的元件,附图不构成比例限制,并且其中:
图1是本公开实施例提供的一个用于故障报警的方法的示意图;
图2是本公开实施例提供的一个用于更新故障诊断模型的方法的示意图;
图3是本公开实施例的一个用于故障报警的方法的时序图;
图4是本公开实施例提供的一个用于故障报警的装置的示意图;
图5是本公开实施例提供的另一个用于故障报警的装置的示意图;
图6是本公开实施例提供的另一个用于故障报警的装置的示意图。
具体实施方式
为了能够更加详尽地了解本公开实施例的特点与技术内容,下面结合附图对本公开实施例的实现进行详细阐述,所附附图仅供参考说明之用,并非用来限定本公开实施例。在以下的技术描述中,为方便解释起见,通过多个细节以提供对所披露实施例的充分理解。然而,在没有这些细节的情况下,一个或多个实施例仍然可以实施。在其它情况下,为简化附图,熟知的结构和装置可以简化展示。
本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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,以便这里描述的本公开实施例的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含。
除非另有说明,术语“多个”表示两个或两个以上。
本公开实施例中,字符“/”表示前后对象是一种“或”的关系。例如,A/B表示:A或B。
术语“和/或”是一种描述对象的关联关系,表示可以存在三种关系。例如,A和/或B,表示:A或B,或,A和B这三种关系。
术语“对应”可以指的是一种关联关系或绑定关系,A与B相对应指的是A与B之间是一种关联关系或绑定关系。
结合图1所示,本公开实施例提供一种用于故障报警的方法,包括:
步骤S101,在同一时刻获取热泵烘干机的多个运行状态数据。
步骤S102,将运行状态数据输入预设的故障诊断模型中进行故障诊断,获得热泵烘干机的故障情况;故障情况包括:故障发生情况;故障发生情况包括:发生故障或未发生故障;在故障发生情况为发生故障的情况下,故障情况还包括故障类型。
步骤S103,根据故障情况进行故障报警。
采用本公开实施例提供的用于故障报警的方法,通过获取在同一时刻获取热泵烘干机的多个运行状态数据,然后将运行状态数据输入预设的故障诊断模型中进行故障诊断,获得热泵烘干机的故障情况,然后将故障情况进行故障报警,使得接收到故障报警的用户不需要长时间在烘房附近工作,从而在发生故障的情况下,用户能够及时了解热泵烘干机的故障类型,节省了大量的人力成本和时间成本。
可选地,通过以下方法获得故障诊断模型:获取多组热泵烘干机的历史运行状态数据和各历史运行状态数据对应的故障情况;历史状态数据包括处于同一时刻的热泵烘干机的运行状态参数;根据历史运行状态数据和各历史运行状态数据对应的故障情况获取样本运行状态数据和第一增量学习状态数据;将样本运行状态数据输入预设的决策树模型中,获得备选故障诊断模型;利用第一增量学习状态数据对备选故障诊断模型进行修正,获得故障诊断模型,提高了故障诊断模型进行故障诊断的准确率,从而在根据故障情况进行故障报警后,使用户能够获得准确的故障情况,节省了大量的人力成本和时间成本。
这样,通过获取多组处于同一时刻的热泵烘干机的热泵烘干机的历史运行状态数据和各历史运行状态数据对应的故障情况,根据历史运行状态数据和各历史运行状态数据对应的故障情况获取样本运行状态数据和第一增量学习状态数据,将样本运行状态数据输入预设的决策树模型中,获得备选故障诊断模型,并利用第一增量学习状态数据对备选故障诊断模型进行修正,获得故障诊断模型,提高了修正后的故障诊断模型的故障检测准确度。
可选地,运行状态参数通过以下方式获取:通过wifi接收热泵烘干机发送的运行状态参数。
可选地,历史运行状态数据包括:历史压缩机的吸气压力值、历史压缩机的排气压力值、历史压缩机吸气温度值、历史压缩机排气温度值、历史四通阀开度值、历史风机风速值、历史室内温度值、历史室外温度值和控制模式数据等热泵烘干机的运行参数。
可选地,历史运行状态数据的类型包括:压缩机的吸气压力类、压缩机的排气压力类、压缩机吸气温度类、压缩机排气温度类、四通阀开度类、风机风速类、室内温度类、室外温度类和控制模式类等热泵烘干机的运行参数。
可选地,将样本运行状态数据输入预设的决策树模型中,获得备选故障诊断模型,包括:将样本运行状态数据输入预设的决策树模型中,利用预设的算法进行训练,获得备选故障诊断模型。可选地,决策树模型为梯度提升决策树模型。可选地,算法包括直方图优化算法、带深度限制的按层生长(Leaf-wise)算法、单边梯度采样算法或互斥特征捆绑算法等。
可选地,利用第一增量学习状态数据对备选故障诊断模型进行修正,获得故障诊断模型,包括:通过增量学习利用第一增量学习状态数据对备选故障诊断模型进行修正,获得故障诊断模型。
可选地,通过增量学习利用第一增量学习状态数据对备选故障诊断模型进行修正,获得故障诊断模型,包括:根据第一增量学习状态数据在备选故障诊断模型中增加新树,获得故障诊断模型;和/或,重新计算备选故障诊断模型的叶节点的权重,获得故障诊断模型。
在历史运行状态数据的数量较多的情况下,相较于全量训练而言,增量训练能够通过较少的历史运行状态数据获得较准确的故障检测结果,由于使用的历史运行状态数据比全量训练少,增量训练也会更加简单,同时,通过增量训练在训练过程中模拟更多的情况,使增量学习后的故障诊断模型能够应用于各种不同的数据,提高模型预测的准确度。
可选地,根据历史运行状态数据和各历史运行状态数据对应的故障情况获取样本运行状态数据和第一增量学习状态数据,包括:对历史运行状态数据进行预处理获得第一备选样本运行状态数据;将第一备选样本运行状态数据按照预设的比例确定为第二备选样本运行状态数据和第三备选样本运行状态数据;将第二备选样本运行状态数据和第二备选样本运行状态数据的对应的故障情况确定为样本运行状态数据;将第三备选样本运行状态数据和第三备选样本运行状态数据的对应的故障情况确定为备选增量学习状态数据;根据备选增量学习状态数据获取第一增量学习状态数据。这样,通过对历史运行状态数据进行预处理获得第一备选样本运行状态数据,使得预处理后的历史运行状态数据满足训练需求,根据将第一备选样本运行状态获取样本运行状态数据和第一增量学习状态数据,便于利用样本运行状态数据和第一增量学习状态数据获得故障诊断模型,提高了故障诊断模型进行故障诊断的准确率,从而在根据故障情况进行故障报警后,使用户能够获得准确的故障情况,节省了大量的人力成本和时间成本。
可选地,对历史运行状态数据进行预处理获得第一备选样本运行状态数据,包括:对历史运行状态数据进行异常值检测,异常值删除,筛选缺失值特征数组和缺失值补充。可选地,缺失值为历史运行状态数据中缺少的数据。
可选地,对历史运行状态数据进行异常值检测,包括:将超出预设范围的历史运行状态数据确定为异常值。可选地,预设范围通过专家的经验确定或根据其类型确定。由于历史运行状态数据都是根据传感器采集或者检测装置检测得到,所以不同类型的历史运行状态数据的值都会处于其类型对应的预设范围内,所以通过将超出预设范围的历史运行状态数据确定为异常值,提高了异常值筛选的准确率。
可选地,对历史运行状态数据进行异常值检测,包括:利用箱形图对对历史运行状态数据进行异常检测。
可选地,利用箱形图对对历史运行状态数据进行异常检测,包括:首先将相同类型的历史运行状态数据从大到小排序,获得序列;获取序列的中位数;将该中位数确定为四分位数;根据中位数为界限将该序列分为前序列和后序列;将前序列的中位数确定为上四分位数;将后序列的中位数确定为下四分位数;将上四分位数与下四分位数之间的差值确定为四分位距;将上四分位数与预设倍数的四分位距的和确定为最大阈值;将下四分位数与预设倍数的四分位距的之间的差确定为最小阈值;将大于最大阈值或小于最小阈值的历史运行状态数据确定为异常值。可选地,预设倍数为3倍。
可选地,对历史运行状态数据筛选缺失值特征数组,包括:将同一时刻历史运行状态数据确定为历史运行状态数组;通过异常值检测删除历史运行状态数据的异常值;将删除了异常值的历史运行状态数组确定为缺失值数组;获取各历史运行状态数组与缺失值数组之间的相关性结果;将与缺失值数组的相关性为不完全相关的历史运行状态数组确定为缺失值特征数组。
可选地,对历史运行状态数据进行缺失值补充,包括:利用多重插补法根据缺失值特征数组对缺失了数据的历史运行状态数据进行缺失值补充。
常用的单一插补方法,即,获取每个缺失值的预测分布,从其预测分布中随机抽取一个数据填充缺失值。单一插补方法包括:均值插补方法、热卡插补方法、冷卡插补方法、回归插补方法和模型插补方法等。但是单一插补不能反映出缺失值的不确定性,无法反映无回答模型的不确定性,而多重插补通过提出缺失值的随机样本,由随机样本反映缺失值的不确定性,提高了确实不补充的准确率。
可选地,历史运行状态数据进行缺失值补充,包括:利用倾向得分法对历史运行状态数据中的缺失值进行填充。
可选地,预设比例为7:3,即第二备选样本运行状态数据在第一备选样本运行状态数据中占的比重为70%;第三备选样本运行状态数据在第一备选样本运行状态数据中占的比重为30%。
可选地,根据备选增量学习状态数据获取第一增量学习状态数据,包括:随机获取备选增量学习状态数据中的一半数据,获得第一增量学习状态数据。
可选地,根据故障情况进行故障报警,包括:获取故障情况对应的报警信息;将报警信息发送给预设的用户终端进行报警。这样,使得用户不需要一直守在热泵烘干机附近便能够获取故障情况对应的报警信息,了解热泵烘干机的故障情况,节省了大量的人力成本和时间成本。
可选地,将报警信息发送给预设的用户终端进行报警,包括:通过5G或WIFI将报警信息发送给预设的用户终端进行报警。
可选地,用户终端包括:智能手机、平板、电脑等能够进行5G通信或WIFI通信的终端。
可选地,根据故障情况进行故障报警,包括:在故障情况包括发送故障的情况下,强行连接预设的用户终端进行报警提示,以触发用户通过用户终端调节热泵烘干机的运行状态,进行补救,减少损失。在一些实施例中,用户终端中安装热泵烘干机对应的应用程序,应用程序用于显示热泵烘干的运行状态参数和故障情况,触发用户通过用户终端对热泵烘干机进行监控。这样,在烘干需要较长时间物料,比如烟叶的情况下,需要连续烘干150小时,且不允许中间有停机时间,使得用户可以直接通过用户终端获取热泵烘干机的运行状态参数和故障情况,确定烘干情况,不需要长时间在烘房附近工作,节省了大量的人力,同时,通过获取故障情况对应的报警信息,并将报警信息发送给预设的用户终端进行报警,使得用户能够根据故障情况进行更加准确地通过用户终端对人泵烘干机进行控制。
可选地,获得故障诊断模型后,还包括:获取故障诊断模型的错误诊断次数;获取错误诊断次数对应的修正因子;根据修正因子对备选故障诊断模型进行修正,获得修正后的备选故障诊断模型;将故障诊断模型更新为修正后的备选故障诊断模型。
可选地,故障诊断模型的错误诊断次数为故障诊断模型的各故障类型对应的错误诊断次数。
可选地,获取错误诊断次数对应的修正因子,包括:根据各故障类型对应的错误诊断次数确定修正故障类型;获取各修正故障类型对应的修正因子。可选地,各修正故障类型对应的修正因子通过以下方式获取:在接收到用户反馈的错误诊断信息后,将错误诊断次数加1,以对错误诊断次数进行更新。
可选地,在各故障类型对应的错误诊断次数都为预设的第一阈值的情况下,将预设的第一修正故障类型确定为修正故障类型;在任一个故障类型对应的错误诊断次数大于第一阈值且小于或等于预设的第二阈值的情况下,将预设的第二修正故障类型确定为修正故障类型;在任一个故障类型对应的错误诊断次数大于第二阈值且小于或等于预设的第三阈值的情况下,将预设的第三修正故障类型确定为修正故障类型;在任一个故障类型对应的错误诊断次数大于第三阈值的情况下,将预设的第四修正故障类型确定为修正故障类型。在一些实施例中,第一阈值为0;第二阈值为1;第三阈值为5。
可选地,确定各修正故障类型对应的修正因子,包括:在修正故障类型为第一修正故障类型的情况下,将预设的第四阈值确定为修正因子;在修正故障类型为第二修正故障类型的情况下,将预设的第五阈值确定为修正因子;在修正故障类型为第三修正故障类型的情况下,将预设的第六阈值确定为修正因子;在修正故障类型为第四修正故障类型的情况下,将预设的第七阈值确定为修正因子。在一些实施例中,第四阈值为0,第五阈值为0.1,第六阈值为0.8,第七阈值为1。
可选地,在修正因子为第七阈值的情况下,包括:生成模型修正信息,并将模型修正信息发送给预设的用户终端,以通知用户对热泵烘干机进行维修;将修正因子重置为0;根据修正因子对备选故障诊断模型进行修正,获得修正后的备选故障诊断模型。
可选地,在修正因子为第七阈值的情况下,包括:生成模型修正信息,并将模型修正信息发送给预设的用户终端,以通知用户对热泵烘干机进行维修;重新获取样本样本运行状态数据和第一增量学习状态数据,以重新获取故障诊断模型;将修正因子重置为0。
在一种实施例中,第一阈值为0,第二阈值为1,第三阈值5,第四阈值为0,第五阈值为0.1,第六阈值为0.8,第七阈值为1;第一修正故障类型为A类修正故障类型,第二修正故障类型为B类修正故障类型,第三修正故障类型为C类修正故障类型,第四修正故障类型为D类修正故障类型;则在各故障类型对应的错误诊断次数都为0的情况下,修正故障类型确定为A类修正故障类型,修正因子确定为0;在任一个故障类型对应的错误诊断次数大于0且小于或等于预设的1的情况下,修正故障类型确定为B类修正故障类型,修正因子确定为0.1;在任一个故障类型对应的错误诊断次数大于2且小于或等于5的情况下,修正故障类型确定为C类修正故障类型,修正因子确定为0.8;在任一个故障类型对应的错误诊断次数大于第三阈值的情况下,修正故障类型确定为D类修正故障类型,修正因子确定为1。
结合图2所示,本公开实施例提供一种用于更新故障诊断模型的方法,包括:
步骤S201,在同一时刻获取热泵烘干机的多个运行状态数据。
步骤S202,将运行状态数据输入预设的故障诊断模型中进行故障诊断,获得热泵烘干机的故障情况;故障情况包括:故障发生情况;故障发生情况包括:发生故障或未发生故障;在故障发生情况为发生故障的情况下,故障情况还包括故障类型;故障诊断模型根据备选故障诊断模型获取。
步骤S203,根据故障情况进行故障报警。
步骤S204,获取故障诊断模型的错误诊断次数。
步骤S205,获取错误诊断次数对应的修正因子。
步骤S206,根据修正因子对备选故障诊断模型进行修正,获得修正后的备选故障诊断模型。
步骤S207,将故障诊断模型更新为修正后的备选故障诊断模型。
这样,在同一时刻获取热泵烘干机的多个运行状态数据,将运行状态数据输入预设的故障诊断模型中进行故障诊断,获得热泵烘干机的故障情况,根据故障情况进行故障报警,然后获取获取故障诊断模型的错误诊断次数,获取错误诊断次数对应的修正因子,根据修正因子对备选故障诊断模型进行修正,获得修正后的备选故障诊断模型,将故障诊断模型更新为修正后的备选故障诊断模型,利用根据错误诊断次数获取的修正因子对故障诊断模型进行更新,使得故障诊断模型能够根据该模型的实际使用情况进行实时更新,从而增加故障诊断模型的诊断准确性。
可选地,根据修正因子对故障诊断模型进行修正,包括:根据历史运行状态数据、各历史运行状态数据对应的故障情况和修正因子获取第二增量学习状态数据;利用第二增量学习状态数据对备选故障诊断模型进行修正。这样,通过根据历史运行状态数据、各历史运行状态数据对应的故障情况和修正因子获取第二增量学习状态数据,并利用第二增量学习状态数据对备选故障诊断模型进行修正,提高了故障诊断模型进行故障诊断的准确率,从而在根据故障情况进行故障报警后,使用户能够获得准确的故障情况,节省了大量的人力成本和时间成本。
可选地,根据历史运行状态数据、各历史运行状态数据对应的故障情况和修正因子获取第二增量学习状态数据,包括:获取修正因子对应的选取比例;根据历史运行状态数据和各历史运行状态数据对应的故障情况获取第一增量学习状态数据;在第一增量学习状态数据中选取修正因子对应的选取比例的数据,获得第二增量学习状态数据。
可选地,获取修正因子对应的选取比例,包括:在修正因子小于或等于第五阈值的情况下,修正因子对应的选取比例为预设的第一选取比例;在修正因子为第六阈值的情况下,修正因子对应的选取比例为预设的第二选取比例。可选地,第一选取比例为第二选取比例的一半。
可选地,利用第二增量学习状态数据对备选故障诊断模型进行修正,包括:通过增量学习利用第二增量学习状态数据对备选故障诊断模型进行修正,获得故障诊断模型。
可选地,通过增量学习利用第二增量学习状态数据对备选故障诊断模型进行修正,获得故障诊断模型,包括:根据第二增量学习状态数据在备选故障诊断模型中增加新树,获得故障诊断模型;和/或,重新计算备选故障诊断模型的叶节点的权重,获得故障诊断模型。
在一些实施例中,运行状态数据包括压机吸气温度和压机排气温度;将压机吸气温度和压机排气温度输入预设的故障诊断模型中进行故障诊断,获得热泵烘干机的故障情况。在压机吸气温度和压机排气温度都升高的情况下,故障诊断模型输出的故障情况为:发生故障,冷媒泄露故障。
结合图3所示,本公开实施例提供一种用于故障报警的方法的时序图,包括:
步骤S301,热泵烘干机获取同一时刻的多个运行状态数据。
步骤S302,热泵烘干机通过WIFI发送同一时刻的多个运行状态数据给网关设备。
步骤S303,网关设备接收热泵烘干机发送的同一时刻的多个运行状态数据,将运行状态数据输入预设的故障诊断模型中进行故障诊断,获得热泵烘干机的故障情况。
步骤S304,网关设备获取故障情况对应的报警信息。
步骤S305,网关设备发送报警信息给用户终端进行报警。
步骤S306,用户终端接收网关设备发送的报警信息,触发用户查看报警信息。
这样,热泵烘干机通过WIFI将同一时刻的多个运行状态数据发送给网关设备,网关设备将接收到的运行状态数据输入预设的故障诊断模型中进行故障诊断,获得热泵烘干机的故障情况,并获取故障情况对应的报警信息,将报警信息发送给用户终端进行报警,用户终端接收网关设备发送的报警信息,触发用户查看报警信息,使得接收到故障报警的用户不需要长时间在烘房附近工作,使得用户在发生故障的情况下,及时了解热泵烘干机的故障类型,节省了大量的人力成本和时间成本。
在现有技术中,利用直方图优化算法进行训练的思想如以下:将连续的浮点特征离散成预设个数的离散值,并构造预设宽度的直方图。然后遍历训练数据,统计每个离散值在直方图中的累计统计量。在进行特征选择时,只需要根据直方图的离散值,需要遍历寻找最优的分割点,确定对于每一个特征需要多少个箱子,并为每一个箱子分配一个整数;然后将浮点数的范围均分成若干区间,区间个数与箱子个数相等,将属于该箱子的样本数据更新为箱子的值;最后用直方图表示。本申请将样本运行状态数据作为训练数据进行训练。
现有技术中,带深度限制的按层生长算法通过在决策树中每一层的所有叶子中,找到分裂增益最大的一个叶子,进行分裂。使得在分裂次数相同的情况下,按层生长算法可以降低更多的误差,精度更高,通过在按层生长算法之上增加了一个最大深度的限制,避免了过拟合,增加了得到的故障诊断模型的准确性。
现有技术中,单边梯度采样算法根据样本数据的单梯度作为样本的权值进行训练。单边梯度采样算法从减少样本的角度出发,排除小梯度的样本,用剩下的样本计算信息增益,从而在减少数据量的同时保证精度。本申请将样本运行状态数据作为样本数据进行训练。
现有技术中,在特征中包含大量稀疏特征的时候,互斥特征捆绑算法能够减少用于构建直方图的特征数量,从而降低计算复杂度。稀疏特征是互斥的,即在有多个稀疏特征的情况下,各稀疏特征不会同时取非零值。因此,通过对特征的取值重新编码,将多个互斥的特征捆绑成为一个新的特征,减少信息遗失。如果两个特征不是完全互斥,用预设的指标对两个特征的不互斥程度进行衡量,获得冲突比率,当冲突比率小于预设比率的情况下,将该两个特征进行捆绑,从而降低了特征数量,减少训练时的复杂度。本申请将样本运行状态数据作为特征进行训练。
结合图4所示,本公开实施例提供一种用于故障报警的装置,包括:第一获取模块1、第二获取模块2和报警模块3。第一获取模块1被配置为在同一时刻获取热泵烘干机的多个运行状态数据;第二获取模块2被配置为将运行状态数据输入预设的故障诊断模型中进行故障诊断,获得热泵烘干机的故障情况;故障情况包括:故障发生情况;故障发生情况包括:发生故障或未发生故障;在故障发生情况为发生故障的情况下,故障情况还包括故障类型;报警模块3被配置为根据故障情况进行故障报警。
采用本公开实施例提供的用于故障报警的装置,通过获取在同一时刻获取热泵烘干机的多个运行状态数据,然后将运行状态数据输入预设的故障诊断模型中进行故障诊断,获得热泵烘干机的故障情况,然后将故障情况进行故障报警,使得接收到故障报警的用户不需要长时间在烘房附近工作,使得用户在发生故障的情况下,及时了解热泵烘干机的故障类型,节省了大量的人力成本和时间成本。
结合图5所示,本公开实施例提供一种用于故障报警的装置,包括:第一获取模块1、第二获取模块2、报警模块3和故障诊断模型获得模块4。第一获取模块1被配置为在同一时刻获取热泵烘干机的多个运行状态数据;第二获取模块2被配置为将运行状态数据输入预设的故障诊断模型中进行故障诊断,获得热泵烘干机的故障情况;故障情况包括:故障发生情况;故障发生情况包括:发生故障或未发生故障;在故障发生情况为发生故障的情况下,故障情况还包括故障类型;报警模块3被配置为根据故障情况进行故障报警。故障诊断模型获得模块4被配置为获取多组热泵烘干机的历史运行状态数据和各历史运行状态数据对应的故障情况;历史状态数据包括处于同一时刻的热泵烘干机的运行状态参数;根据历史运行状态数据和各历史运行状态数据对应的故障情况获取样本运行状态数据和第一增量学习状态数据;将样本运行状态数据输入预设的决策树模型中,获得备选故障诊断模型;利用第一增量学习状态数据对备选故障诊断模型进行修正,获得故障诊断模型。
采用本公开实施例提供一种用于故障报警的装置,能够通过获取在同一时刻获取热泵烘干机的多个运行状态数据,然后将运行状态数据输入预设的故障诊断模型中进行故障诊断,获得热泵烘干机的故障情况,然后将故障情况进行故障报警,使得接收到故障报警的用户不需要长时间在烘房附近工作,从而在发生故障的情况下,用户能够及时了解热泵烘干机的故障类型,节省了大量的人力成本和时间成本。
可选地,故障诊断模型获得模块通过以下方式根据历史运行状态数据和各历史运行状态数据对应的故障情况获取样本运行状态数据和第一增量学习状态数据:对历史运行状态数据进行预处理获得第一备选样本运行状态数据;将第一备选样本运行状态数据按照预设的比例确定为第二备选样本运行状态数据和第三备选样本运行状态数据;将第二备选样本运行状态数据和第二备选样本运行状态数据的对应的故障情况确定为样本运行状态数据;将第三备选样本运行状态数据和第三备选样本运行状态数据的对应的故障情况确定为备选增量学习状态数据;根据备选增量学习状态数据获取第一增量学习状态数据。
可选地,报警模块通过以下方式根据故障情况进行故障报警:获取故障情况对应的报警信息;将报警信息发送给预设的用户终端进行报警。
可选地,本公开实施例提供一种用于故障报警的装置,还包括:更新模块。更新模块被配置为获取故障诊断模型的错误诊断次数;获取错误诊断次数对应的修正因子;根据修正因子对备选故障诊断模型进行修正,获得修正后的备选故障诊断模型;将故障诊断模型更新为修正后的备选故障诊断模型。
可选地,更新模块通过以下方式根据修正因子对故障诊断模型进行修正:根据历史运行状态数据、各历史运行状态数据对应的故障情况和修正因子获取第二增量学习状态数据;利用第二增量学习状态数据对备选故障诊断模型进行修正。
结合图6所示,本公开实施例提供一种用于故障报警的装置,包括处理器(processor)100和存储器(memory)101。可选地,该装置还可以包括通信接口(Communication Interface)102和总线103。其中,处理器100、通信接口102、存储器101可以通过总线103完成相互间的通信。通信接口102可以用于信息传输。处理器100可以调用存储器101中的逻辑指令,以执行上述实施例的用于故障报警的方法。
此外,上述的存储器101中的逻辑指令可以通过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。
存储器101作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令/模块。处理器100通过运行存储在存储器101中的程序指令/模块,从而执行功能应用以及数据处理,即实现上述实施例中用于故障报警的方法。
存储器101可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器101可以包括高速随机存取存储器,还可以包括非易失性存储器。
采用本公开实施例提供的用于故障报警的装置,通过获取在同一时刻获取热泵烘干机的多个运行状态数据,然后将运行状态数据输入预设的故障诊断模型中进行故障诊断,获得热泵烘干机的故障情况,然后将故障情况进行故障报警,使得接收到故障报警的用户不需要长时间在烘房附近工作,从而在发生故障的情况下,用户能够及时了解热泵烘干机的故障类型,节省了大量的人力成本和时间成本。
采用本公开实施例提供了一种电子设备,包含上述的用于故障报警的装置。
可选地,该电子设备包括:网关设备或服务器等。
可选地,在电子设备为网关设备或服务器的情况下,电子设备通过wifi接收热泵烘干机发送的运行状态参数。
本公开实施例提供的电子设备,通过获取在同一时刻获取热泵烘干机的多个运行状态数据,然后将运行状态数据输入预设的故障诊断模型中进行故障诊断,获得热泵烘干机的故障情况,然后将故障情况进行故障报警,使得接收到故障报警的用户不需要长时间在烘房附近工作,从而在发生故障的情况下,用户能够及时了解热泵烘干机的故障类型,节省了大量的人力成本和时间成本。
本公开实施例提供了一种存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为执行上述用于故障报警的方法。
本公开实施例提供了一种计算机程序产品,所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述用于故障报警的方法。
上述的计算机可读存储介质可以是暂态计算机可读存储介质,也可以是非暂态计算机可读存储介质。
本公开实施例的技术方案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,包括一个或多个指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本公开实施例所述方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质,包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
以上描述和附图充分地示出了本公开的实施例,以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求,否则单独的部件和功能是可选的,并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。而且,本申请中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的,除非上下文清楚地表明,否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)旨在同样包括复数形式。类似地,如在本申请中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外,当用于本申请中时,术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素,和/或组件的存在,但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。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、方法或者设备中还存在另外的相同要素。本文中,每个实施例重点说明的可以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可以互相参见。对于实施例公开的方法、产品等而言,如果其与实施例公开的方法部分相对应,那么相关之处可以参见方法部分的描述。
本领域技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,可以取决于技术方案的特定应用和设计约束条件。所述技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能,但是这种实现不应认为超出本公开实施例的范围。所述技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本文所披露的实施例中,所揭露的方法、产品(包括但不限于装置、设备等),可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,可以仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例。另外,在本公开实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
附图中的流程图和框图显示了根据本公开实施例的系统、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,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。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,两个连续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,这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中,不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生,有时不同的操作或步骤之间不存在特定的顺序。例如,两个连续的操作或步骤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,这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动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。
Claims (8)
1.一种用于故障报警的方法,其特征在于,包括:
在同一时刻获取热泵烘干机的多个运行状态数据;
将所述运行状态数据输入预设的故障诊断模型中进行故障诊断,获得所述热泵烘干机的故障情况;所述故障情况包括:故障发生情况;所述故障发生情况包括:发生故障或未发生故障;在所述故障发生情况为发生故障的情况下,所述故障情况还包括故障类型;
根据所述故障情况进行故障报警;
所述故障诊断模型通过以下方法获得:获取多组所述热泵烘干机的历史运行状态数据和各所述历史运行状态数据对应的故障情况;所述历史运行状态数据包括处于同一时刻的热泵烘干机的运行状态参数;根据所述历史运行状态数据和各所述历史运行状态数据对应的故障情况获取样本运行状态数据和第一增量学习状态数据;将所述样本运行状态数据输入预设的决策树模型中,获得备选故障诊断模型;利用所述第一增量学习状态数据对所述备选故障诊断模型进行修正,获得故障诊断模型;
所述根据所述历史运行状态数据和各所述历史运行状态数据对应的故障情况获取样本运行状态数据和第一增量学习状态数据,包括:对所述历史运行状态数据进行预处理获得第一备选样本运行状态数据;将所述第一备选样本运行状态数据按照预设的比例确定为第二备选样本运行状态数据和第三备选样本运行状态数据;将所述第二备选样本运行状态数据和所述第二备选样本运行状态数据的对应的故障情况确定为样本运行状态数据;将所述第三备选样本运行状态数据和所述第三备选样本运行状态数据的对应的故障情况确定为备选增量学习状态数据;根据所述备选增量学习状态数据获取第一增量学习状态数据。
2.根据权利要求1所述的方法,其特征在于,根据所述故障情况进行故障报警,包括:
获取所述故障情况对应的报警信息;
将所述报警信息发送给预设的用户终端进行报警。
3.根据权利要求1或2任一项所述的方法,其特征在于,获得故障诊断模型后,还包括:
获取故障诊断模型的错误诊断次数;
获取错误诊断次数对应的修正因子;
根据修正因子对所述备选故障诊断模型进行修正,获得修正后的备选故障诊断模型;
将所述故障诊断模型更新为修正后的备选故障诊断模型。
4.根据权利要求3所述的方法,其特征在于,根据修正因子对所述故障诊断模型进行修正,包括:
根据所述历史运行状态数据、各所述历史运行状态数据对应的故障情况和修正因子获取第二增量学习状态数据;
利用第二增量学习状态数据对所述备选故障诊断模型进行修正。
5.一种用于故障报警的装置,其特征在于,包括:
第一获取模块,被配置为在同一时刻获取热泵烘干机的多个运行状态数据;
第二获取模块,被配置为将所述运行状态数据输入预设的故障诊断模型中进行故障诊断,获得所述热泵烘干机的故障情况;所述故障情况包括:故障发生情况;所述故障发生情况包括:发生故障或未发生故障;在所述故障发生情况为发生故障的情况下,所述故障情况还包括故障类型;
报警模块,被配置为根据所述故障情况进行故障报警;
故障诊断模型获得模块,被配置为获取多组所述热泵烘干机的历史运行状态数据和各所述历史运行状态数据对应的故障情况;所述历史运行状态数据包括处于同一时刻的热泵烘干机的运行状态参数;根据所述历史运行状态数据和各所述历史运行状态数据对应的故障情况获取样本运行状态数据和第一增量学习状态数据;将所述样本运行状态数据输入预设的决策树模型中,获得备选故障诊断模型;利用所述第一增量学习状态数据对所述备选故障诊断模型进行修正,获得故障诊断模型;
所述故障诊断模型获得模块通过以下方式根据所述历史运行状态数据和各所述历史运行状态数据对应的故障情况获取样本运行状态数据和第一增量学习状态数据:对所述历史运行状态数据进行预处理获得第一备选样本运行状态数据;将所述第一备选样本运行状态数据按照预设的比例确定为第二备选样本运行状态数据和第三备选样本运行状态数据;将所述第二备选样本运行状态数据和所述第二备选样本运行状态数据的对应的故障情况确定为样本运行状态数据;将所述第三备选样本运行状态数据和所述第三备选样本运行状态数据的对应的故障情况确定为备选增量学习状态数据;根据所述备选增量学习状态数据获取第一增量学习状态数据。
6.一种用于故障报警的装置,包括处理器和存储有程序指令的存储器,其特征在于,所述处理器被配置为在运行所述程序指令时,执行如权利要求1至4任一项所述的用于故障报警的方法。
7.一种电子设备,其特征在于,包括如权利要求6所述的用于故障报警的装置。
8.一种存储介质,存储有程序指令,其特征在于,所述程序指令在运行时,执行如权利要求1至4任一项所述的用于故障报警的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111205826.8A CN114120592B (zh) | 2021-10-15 | 2021-10-15 | 用于故障报警的方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111205826.8A CN114120592B (zh) | 2021-10-15 | 2021-10-15 | 用于故障报警的方法及装置、电子设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114120592A CN114120592A (zh) | 2022-03-01 |
CN114120592B true CN114120592B (zh) | 2023-10-20 |
Family
ID=80376301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111205826.8A Active CN114120592B (zh) | 2021-10-15 | 2021-10-15 | 用于故障报警的方法及装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114120592B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114817865A (zh) * | 2022-06-28 | 2022-07-29 | 深圳市傲立电子有限公司 | 一种基于大数据的射频功率放大器用运行故障预测系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106555788A (zh) * | 2016-11-11 | 2017-04-05 | 河北工业大学 | 基于模糊处理的深度学习在液压装备故障诊断中的应用 |
CN107316046A (zh) * | 2017-03-09 | 2017-11-03 | 河北工业大学 | 一种基于增量补偿动态自适应增强的故障诊断方法 |
CN108376264A (zh) * | 2018-02-26 | 2018-08-07 | 上海理工大学 | 一种基于支持向量机增量学习的冷水机组故障诊断方法 |
CN110162018A (zh) * | 2019-05-31 | 2019-08-23 | 天津开发区精诺瀚海数据科技有限公司 | 基于知识蒸馏与隐含层共享的增量式设备故障诊断方法 |
CN112346941A (zh) * | 2019-08-08 | 2021-02-09 | 北京国双科技有限公司 | 一种故障诊断方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE112018008228T5 (de) * | 2018-12-27 | 2021-10-21 | Ihi Corporation | Fehlerdiagnoseeinrichtung, Fehlerdiagnoseverfahren, Fehlerdiagnoseprogramm und Aufzeichnungsmedium |
-
2021
- 2021-10-15 CN CN202111205826.8A patent/CN114120592B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106555788A (zh) * | 2016-11-11 | 2017-04-05 | 河北工业大学 | 基于模糊处理的深度学习在液压装备故障诊断中的应用 |
CN107316046A (zh) * | 2017-03-09 | 2017-11-03 | 河北工业大学 | 一种基于增量补偿动态自适应增强的故障诊断方法 |
CN108376264A (zh) * | 2018-02-26 | 2018-08-07 | 上海理工大学 | 一种基于支持向量机增量学习的冷水机组故障诊断方法 |
CN110162018A (zh) * | 2019-05-31 | 2019-08-23 | 天津开发区精诺瀚海数据科技有限公司 | 基于知识蒸馏与隐含层共享的增量式设备故障诊断方法 |
CN112346941A (zh) * | 2019-08-08 | 2021-02-09 | 北京国双科技有限公司 | 一种故障诊断方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114120592A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108959934B (zh) | 安全风险评估方法、装置、计算机设备和存储介质 | |
CN109598095B (zh) | 评分卡模型的建立方法、装置、计算机设备和存储介质 | |
CN110955226B (zh) | 设备故障预测方法、装置、计算机设备和存储介质 | |
CN111339129B (zh) | 远程抄表异常监测方法、装置、燃气表系统及云服务器 | |
CN112987675A (zh) | 一种异常检测的方法、装置、计算机设备和介质 | |
EP3163519A1 (en) | Methods for detecting one or more aircraft anomalies and devices thereof | |
CN106202280A (zh) | 一种信息处理方法及服务器 | |
CN114120592B (zh) | 用于故障报警的方法及装置、电子设备、存储介质 | |
CN109344610B (zh) | 序列攻击的检测方法及装置 | |
CN115936262B (zh) | 基于大数据的环境干扰的产量预测方法、系统和介质 | |
CN110866682B (zh) | 基于历史数据的地下电缆预警方法和装置 | |
CN109714201B (zh) | 网络系统可靠性评估方法、装置、计算机设备和存储介质 | |
US9654997B2 (en) | Method and system for evaluation of sensor observations | |
CN115599830A (zh) | 一种数据关联关系的确定方法、装置、设备和介质 | |
CN101145971B (zh) | 一种网络拓扑变化的统计方法和设备 | |
CN110543108B (zh) | 基于机理模型预测的供热系统测量数据的校正方法及系统 | |
CN115550144B (zh) | 分布式故障节点预测方法、装置、电子设备及存储介质 | |
US11144046B2 (en) | Fault signal recovery apparatus and method | |
CN115174129A (zh) | 异常节点检测方法、装置、计算机设备和存储介质 | |
CN111582343B (zh) | 一种设备故障预测的方法及装置 | |
CN112416896A (zh) | 数据异常的报警方法和装置、存储介质、电子装置 | |
CN113778044A (zh) | 一种火电厂送风机系统监控方法及装置 | |
CN112184493A (zh) | 基于大数据和装配式建筑平台的数据处理方法、系统及存储介质 | |
CN110454904B (zh) | 除湿机中冷媒含量的处理方法和装置 | |
CN111027988B (zh) | 一种基于截尾数据的产品可靠度预估系统 |
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 |