CN114295814A - 一种油液检测的阈值生成方法及系统 - Google Patents
一种油液检测的阈值生成方法及系统 Download PDFInfo
- Publication number
- CN114295814A CN114295814A CN202111626171.1A CN202111626171A CN114295814A CN 114295814 A CN114295814 A CN 114295814A CN 202111626171 A CN202111626171 A CN 202111626171A CN 114295814 A CN114295814 A CN 114295814A
- Authority
- CN
- China
- Prior art keywords
- result
- data
- detection
- oil
- threshold
- 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
Links
Images
Abstract
本申请实施例提供一种油液检测的阈值生成方法及系统,涉及机械设备检测技术领域。该油液检测的阈值生成方法包括:获取油液检测的目标项目信息;根据所述目标项目信息获取目标项目结果和关联项目结果;对所述关联项目结果进行离散化处理,获得离散结果数据;获取预设风险系数;根据所述目标项目结果、所述离散结果数据、所述预设风险系数和预测评估指标生成误差检测模型;根据所述误差检测模型获得油液检测的阈值信息。该油液检测的阈值生成方法可以实现提高油液检测的可靠性的技术效果。
Description
技术领域
本申请涉及机械设备检测技术领域,具体而言,涉及一种油液检测的阈值生成方法及系统。
背景技术
油液监测分析被监测机械设备在用润滑油的理化性能、油中磨损元素和磨损颗粒等项目,获得机械设备的润滑和磨损状态的信息,评价机器的工况和预测故障,及时预防机器重大的润滑事故,帮助使用者和维修人员及时发现故障,为企业制定合理的换油周期与维修决策提供科学依据。目前油液监测中检测数据的使用一般有两种:一是直接与阈值对比,二是通过连续的趋势变化进行判断。无论是那种情况,在使用时均需要制定阈值(直接阈值、趋势阈值)。
现有技术中,报警阈值用来区分或分离各种级别的警告,例如常用的三层阈值将检测结果归入正常范围、警戒范围和异常范围,也可以使用三层或五层。阈值的制定对油液监测中结果的使用尤为重要。目前的方法有统计过程控制、稳健回归、灰色管理、概率密度法等几种,但现有方法均是基于单项目制定,部分项目由于其检测局限性,并不能好反映设备运行情况。
发明内容
本申请实施例的目的在于提供一种油液检测的阈值生成方法、系统、电子设备及计算机可读存储介质,该油液检测的阈值生成方法可以实现提高油液检测的可靠性的技术效果。
第一方面,本申请实施例提供了一种油液检测的阈值生成方法,包括:
获取油液检测的目标项目信息;
根据所述目标项目信息获取目标项目结果和关联项目结果;
对所述关联项目结果进行离散化处理,获得离散结果数据;
获取预设风险系数;
根据所述目标项目结果、所述离散结果数据、所述预设风险系数和预测评估指标生成误差检测模型;
根据所述误差检测模型获得油液检测的阈值信息。
在上述实现过程中,该油液检测的阈值生成方法通过将关联项目结果进行离散化处理,根据预测评估指标,进行模拟目标项目结果和离散结果数据之间的预测关系,预设风险系数对误差检测模型进行调节使之符合预期,最终获得的阈值信息综合考虑了与目标项目信息有关联的关联项目结果,从而提高了油液检测阈值的可靠性;从而,该油液检测的阈值生成方法可以实现提高油液检测的可靠性的技术效果。
进一步地,所述对所述关联项目结果进行离散化处理,获得离散结果数据的步骤,包括:
将所述关联项目结果分类为第一集合数据和第二集合数据,所述第一集合数据和所述第二集合数据互斥;
根据所述第一集合数据和所述第二集合数据生成所述离散结果数据。
在上述实现过程中,将关联项目结果转换为二元的数据集合,实现离散化处理;例如,根据需要的制定界限值的情况进行离散化处理,一般将关联项目结果分为两类,记为A、非A,A类集合即为第一集合数据,非A类集合即为第二集合数据。
进一步地,所述根据所述目标项目结果、离散结果数据、所述预设风险系数和预测评估指标生成误差检测模型的步骤,包括:
构建根据所述预测评估指标和所述目标项目结果预测所述离散结果数据的预测模型;
根据所述预设风险系数和所述预测模型构建所述误差检测模型,所述误差检测模型包括预测结果的误差函数,所述误差函数为:
e总(x)=eA+βe非A;
其中,x为所述目标项目结果的输入数据,eA为所述第一集合数据的漏检风险,e非A为所述第二集合数据的误检风险,β为所述预设风险系数。
在上述实现过程中,通过模拟用目标项目结果预测关联项目结果的方式,基于预测评估指标预测构建预测结果的误差函数。
进一步地,所述根据所述误差检测模型获得油液检测的阈值信息的步骤,包括:
根据核密度估计模型计算所述误差函数,获得所述阈值信息。
进一步地,所述根据所述误差检测模型获得油液检测的阈值信息的步骤,包括:
根据图解模型计算所述误差函数,获得所述阈值信息。
第二方面,本申请实施例提供了一种油液检测的阈值生成系统,包括:
目标项目获取模块,用于获取油液检测的目标项目信息;
项目结果模块,用于根据所述目标项目信息获取目标项目结果和关联项目结果;
离散处理模块,用于对所述关联项目结果进行离散化处理,获得离散结果数据;
风险系数模块,用于获取预设风险系数;
误差检测模块,用于根据所述目标项目结果、所述离散结果数据、所述预设风险系数和预测评估指标生成误差检测模型;
阈值模块,用于根据所述误差检测模型获得油液检测的阈值信息。
进一步地,所述离散处理模块包括:
分类单元,用于将所述关联项目结果分类为第一集合数据和第二集合数据,所述第一集合数据和所述第二集合数据互斥;
离散结果单元,用于根据所述第一集合数据和所述第二集合数据生成所述离散结果数据。
进一步地,所述误差检测模块包括:
构建单元,用于构建根据所述预测评估指标和所述目标项目结果预测所述离散结果数据的预测模型;
误差检测单元,用于根据所述预设风险系数和所述预测模型构建所述误差检测模型,所述误差检测模型包括预测结果的误差函数,所述误差函数为:
e总(x)=eA+βe非A;
其中,x为所述目标项目结果的输入数据,eA为所述第一集合数据的漏检风险,e非A为所述第二集合数据的误检风险,β为所述预设风险系数。
进一步地,所述阈值模块具体用于根据核密度估计模型计算所述误差函数,获得所述阈值信息。
进一步地,所述阈值模块具体用于根据图解模型计算所述误差函数,获得所述阈值信息。
第三方面,本申请实施例提供的一种电子设备,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面任一项所述的方法的步骤。
第四方面,本申请实施例提供的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指令,当所述指令在计算机上运行时,使得所述计算机执行如第一方面任一项所述的方法。
第五方面,本申请实施例提供的一种计算机程序产品,所述计算机程序产品在计算机上运行时,使得计算机执行如第一方面任一项所述的方法。
本申请公开的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本申请公开的上述技术即可得知。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的一种油液检测的阈值生成方法的流程示意图;
图2为本申请实施例提供的另一种油液检测的阈值生成方法的流程示意图;
图3为本申请实施例提供的一种Fe元素的概率密度图;
图4为本申请实施例提供的另一种Fe元素的概率密度图;
图5为本申请实施例提供的油液检测的阈值生成系统的结构框图;
图6为本申请实施例提供的一种电子设备的结构框图。
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描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
本申请实施例提供了一种油液检测的阈值生成方法、系统、电子设备及计算机可读存储介质,可以应用于机械设备润滑的油液监测中;该油液检测的阈值生成方法通过将关联项目结果进行离散化处理,根据预测评估指标,进行模拟目标项目结果和离散结果数据之间的预测关系,预设风险系数对误差检测模型进行调节使之符合预期,最终获得的阈值信息综合考虑了与目标项目信息有关联的关联项目结果,从而提高了油液检测阈值的可靠性;从而,该油液检测的阈值生成方法可以实现提高油液检测的可靠性的技术效果。
示例性地,阈值的制定对油液监测中结果的使用尤为重要,目前的方法有统计过程控制(SPC,即3-sigma法)、稳健回归、灰色管理、概率密度法等方法;其中:
(1)统计过程控制,即3-sigma法,该方法是工程实践中通常采用阈值法制定油液中磨损金属元素上限,传统的三线值法以油液磨粒含量服从正态分布假设为前提,依据统计出的均值和方差来得到相应的正常限、警告限和异常限;
(2)基于分析数据概率密度的界限值制定,该方法是首先是求解项目结果的概率密度曲线,并预设故障率,通过故障率取点作为界限值;
(3)基于稳健回归的界限值制定,该方法采用稳健回归的方法对数据进行了平滑处理避免了异常数据的干扰;
(4)基于GM(0,N)模型的油液光谱分析界限值制定,该论文将灰色理论GM(0,N)模型应用到油液光谱分析界限值制定当中,推导出油液磨粒含量基值计算式;以数据残差近似服从正态分布为理论依据,给出警告值、异常值制定。
目前的方法基本沿袭以下思路:
(1)首先,预设或求解项目结果的概率分布情况,进行参数估计,求解概率密度函数的关键参数,例如正太分布的(μ,δ);
(2)预设故障率p=0.05/0.01等,结合分布函数求得注意偏离系数k1、警告偏离系数k2、异常偏离系数k3。或预设为标准正太分布时,直接选取k2=2,k3=3;
(3)求得警戒阈值:μ±/+k2×σ;异常阈值:μ±/+k3×σ。
示例性地,传统的阈值制定方法均是基于单项目制定,部分项目由于其检测局限性,并不能好反应设备运行情况;例如,光谱检测由于其本身方法局限性,其检测到的主要是小尺寸(≤5μm)的正常磨损颗粒,对以大中尺寸为主的磨损颗粒不敏感,通过光谱来进行磨损预测是基于“设备故障时产生大颗的异常磨损颗粒时,必然会产生小磨损颗粒”,默认小颗粒的产生与异常磨损颗粒是正比的,但事实不一样如此;部分方法的重要假设是样本服从正太或某种分布,事实上该假设很多时候是不成立的,特别是默认为正态分布;部分方法在阈值制定过程中设置了统一的运行状态概率或者故障率,即使用了固定的注意偏离系数k1、警告偏离系数k2、异常偏离系数k3。例如传统方法中采用“警戒范围为μ±2σ”,该方法源于统计学中认为5%为小概率事件,这种不加区分、统一的故障率是无法反应不同设备状态的。
请参见图1,图1为本申请实施例提供的一种油液检测的阈值生成方法的流程示意图,该油液检测的阈值生成方法包括如下步骤:
S100:获取油液检测的目标项目信息。
示例性地,油液检测的目标项目信息可包括粘度、水分、酸值、闪点、机械杂质等;例如,对油液中的Fe(铁)元素进行检测。
S200:根据目标项目信息获取目标项目结果和关联项目结果。
示例性地,目标项目结果即为目标项目信息的检测结果;关联项目结果为与目标项目信息相关的项目作为关联项目的检查结果。
在一些实施方式中,以目标项目信息——Fe元素检测为例,Fe元素与机械的磨损指数(PQ)、铁谱分析、直读铁谱DL、DS值、设备运行状态、磁塞计读数、振动情况等指标具备相关性,可以作为Fe元素检测的关联项目。
示例性地,根据目标项目信息选取与之相关的项目/检查结果作为关联项目,优选能直接反映设备工况的现场工况检查结果;如Fe元素检测结果作为目标项目结果,则可以将设备运行状态的巡检结果作为关联项目结果。
S300:对关联项目结果进行离散化处理,获得离散结果数据。
示例性地,将关联项目结果转换为离散结果数据,便于进行数学上的处理。
S400:获取预设风险系数。
示例性地,预设风险系数可以调节误差检测模型的参数,使误差检测模型更符合实际情况和预设场景。
S500:根据目标项目结果、离散结果数据、预设风险系数和预测评估指标生成误差检测模型。
S600:根据误差检测模型获得油液检测的阈值信息。
示例性地,基于预测评估指标预测构建预测结果的误差检测模型,该误差检测模型包括误差函数,通过误差函数极值进行最优阈值的求解过程,最终获得油液检测的阈值信息;其中常见的预测评估指标包含准确率、错误率、灵敏性、特效性、精度、召回率、F度量、ROC度量、AUC度量等,可以根据实际情况选取其中的一种或多种评估指标,此处不作限定。
在一些实施方式中,关联项目的数量可以是多个,基于多项目融合制定阈值的扩展应用过程,其融合方法包含算术平均、加权平均、调和平均;在多关联项目融合的过程中,则可以按上述方法S300-S600分别进行制定各项目的阈值信息(界限值),再根据需要选择合适的合并方法,例如简单的算术平均,或设置不同的权重进行加权平均等。
在一些实施方式中,如果制定多层阈值,需要重复上述方法S100-S600,完成油液监测的多层阈值的制定,即在一些实施方式中,通过重复该单层阈值方法进行多层阈值制定的过程。
在一些实施场景中,该油液检测的阈值生成方法通过将关联项目结果进行离散化处理,根据预测评估指标,进行模拟目标项目结果和离散结果数据之间的预测关系,预设风险系数对误差检测模型进行调节使之符合预期,最终获得的阈值信息综合考虑了与目标项目信息有关联的关联项目结果,从而提高了油液检测阈值的可靠性;从而,该油液检测的阈值生成方法可以实现提高油液检测的可靠性的技术效果。
请参见图2,图2为本申请实施例提供的另一种油液检测的阈值生成方法的流程示意图。
示例性地,S300:对关联项目结果进行离散化处理,获得离散结果数据的步骤,包括:
S310:将关联项目结果分类为第一集合数据和第二集合数据,第一集合数据和第二集合数据互斥;
S320:根据第一集合数据和第二集合数据生成离散结果数据。
示例性地,将关联项目结果转换为二元的数据集合,实现离散化处理;例如,根据需要的制定界限值的情况进行离散化处理,一般将关联项目结果分为两类,记为A、非A,A类集合即为第一集合数据,非A类集合即为第二集合数据。
在一些实施方式中,第一集合数据、第二集合数据可以是正常集合数据和非正常集合数据,也可以是警告集合数据和非警告集合数据,也可以是其他分类方式,此处不作限定;需要注意的是,第一集合数据、第二集合数据是需要分成互斥的两个集合,例如在制定警戒阈值(较轻微一级阈值)的时候可以分为正常和非正常,异常阈值(较严重一级阈值)的时候可以分为警告和非警告。
示例性地,S500:根据目标项目结果、离散结果数据、预设风险系数和预测评估指标生成误差检测模型的步骤,包括:
S510:构建根据预测评估指标和目标项目结果预测离散结果数据的预测模型;
S520:根据预设风险系数和预测模型构建误差检测模型,误差检测模型包括预测结果的误差函数,误差函数为:
e总(x)=eA+βe非A;
其中,x为目标项目结果的输入数据,eA为第一集合数据的漏检风险,e非A为第二集合数据的误检风险,β为预设风险系数。
示例性地,通过模拟用目标项目结果预测关联项目结果的方式,基于准确率、错误率、灵敏性、特效性、精度、召回率、F度量等预测评估指标预测构建预测结果的误差函数e总(x)=eA+e非A,eA为将实际结果为A错误预测为非A的概率,e非A为将实际结果为非A错误预测为A的概率,即当A为预测主目标,则eA为漏检风险,e非A为误检风险。必要时,可进行目标项目结果进行对数、指数等变换。
示例性地,在误差函数中引入预设风险系数β,e总(x)=eA+βe非A;通过风险系数β平衡油液监测结果漏检、误检引起的风险。
示例性地,在根据误差函数求解最优解的阈值、获得阈值信息时,求解界限值最优解x*:根据计算法或者图解法求解误差函数最小时对应的x*,该值即是界限值最优解。根据情况需要可对x*进行取整、修约等操作,得到最终界限值a*(阈值信息)。
示例性地,S600:根据误差检测模型获得油液检测的阈值信息的步骤,包括:
根据核密度估计模型计算误差函数,获得阈值信息。
示例性地,根据计算法求解误差函数。
示例性地,S600:根据误差检测模型获得油液检测的阈值信息的步骤,包括:
根据图解模型计算误差函数,获得阈值信息。
示例性地,根据图解法求解误差函数。
在一些实施方式中,以“Fe元素含量”作为目标项目,将“设备运行状态”作为关联项目,以“设备运行状态”制定“Fe元素”单层界限值(阈值信息);本申请实施例提供的油液检测的阈值生成方法具体应用步骤如下:
(1)选取关联项目:根据先验知识,Fe元素含量的关联项目中,设备运行状态为设备正常与否的直接体现,优选该关联项目;设备运行状态的结果为定序变量,取值有:正常、注意、故障;
(2)关联项目离散化处理:本实施例中,制定的是Fe元素的警戒阈值,即“正常”与“非正常”的区分,因此也将关联项目“设备运行状态”结果划分为“正常”与“非正常”。结合关联项目“设备运行状态”的定序属性,可以认为:正常类包含设备运行状态为“正常”的结果,非正常类包含设备运行状态为“注意”和“警告”的结果;
(3)构建误差:绘制“正常”、“非正常”关于Fe元素的概率密度图,如图3所示;
分析可知,假设当界限值取a′时,则实际为“正常”的部分结果(阴影部分右侧)被误判为“非正常”,记为e正常;实际为“非正常”的部分结果(阴影部分左侧)被误判为“正常”,记为e非正常,则总误差为:
e总(x)=e正常+e非正常.
(4)确定预设风险系数β:在设备安全管理中,存在“漏报警”(将“故障机组”当成“正常机组”)和“误报警”(将“正常机组”当成“故障机组”)两种情况。预设风险系数β是指“漏报警”相对于“误报警”的严重程度;
对于正常机组,我们更关心故障机组,不能放过任何一个故障机组。因为如果我们过多的“漏报警”后续可能发生的突发停机事故损失会远超过“误报警”引起的检修成本,造成严重偿失。结合实际情况,在本实施例中,将警戒阈值的预设风险系数β警戒定为1.5。则考虑预设风险系数β警戒时,总误差为:
e总(x)=e正常+β警戒×e非正常;
(5)求解界限值最优解a*:根据计算法或者图解法求解误差函数最小时的a*,该值既是界限值最优解;
求解方法一:计算法,分别求出“正常”结果的概率密度函数f正常(x,“非正常”结果的概率密度函数f非正常(x),通常可采用核密度估计的方法进行求解。则误差函数为:
e总(x)=∫x ∞f正常(x)dx+1.5*∫0 xf非正常(x)dx
求解该函数的最小值,得函数最小值时x的取值a*;
求解方法二:图解法,当目前项目的分布情况不明时,可以考虑用平滑后的概率密度图进行求解:首先,绘制“正常”、“非正常”关于Fe元素的概率密度图f正常(x)、f非正常(x),并根据预设风险系数β警戒将f非正常(x)放大至f′非正常(x)=1.5×f非正常(x),绘制f′非正常(x)的概率密度图如图4。则,f正常(x)和f非正常(x)两条曲线的交点为不考虑风险系数时,e总(x)最小;f正常(x)和f′非正常(x)两条曲线的交点为考虑风险系数时,e总(x)最小,即取
(6)多关联项目融合:本实施例中仅选取了一个关联项目,无需进行多关联项目融合。
(7)多层阈值的制定:本实施例中仅展示以“设备运行状态”制定“Fe元素”单层界限值。制定多层阈值的过程为单层阈值的重复过程,仅在离散化处理、风险系数选取处不同,不进行实施例展示。
请参见图5,图5为本申请实施例提供的油液检测的阈值生成系统的结构框图,该油液检测的阈值生成系统包括:
目标项目获取模块100,用于获取油液检测的目标项目信息;
项目结果模块200,用于根据目标项目信息获取目标项目结果和关联项目结果;
离散处理模块300,用于对关联项目结果进行离散化处理,获得离散结果数据;
风险系数模块400,用于获取预设风险系数;
误差检测模块500,用于根据目标项目结果、离散结果数据、预设风险系数和预测评估指标生成误差检测模型;
阈值模块600,用于根据误差检测模型获得油液检测的阈值信息。
示例性地,离散处理模块300包括:
分类单元,用于将关联项目结果分类为第一集合数据和第二集合数据,第一集合数据和第二集合数据互斥;
离散结果单元,用于根据第一集合数据和第二集合数据生成离散结果数据。
示例性地,误差检测模块500包括:
构建单元,用于构建根据预测评估指标和目标项目结果预测离散结果数据的预测模型;
误差检测单元,用于根据预设风险系数和预测模型构建误差检测模型,误差检测模型包括预测结果的误差函数,误差函数为:
e总(x)=eA+βe非A;
其中,x为目标项目结果的输入数据,eA为第一集合数据的漏检风险,e非A为第二集合数据的误检风险,β为预设风险系数。
示例性地,阈值模块600具体用于根据核密度估计模型计算误差函数,获得阈值信息。
示例性地,阈值模块600具体用于根据图解模型计算误差函数,获得阈值信息。
应理解,图5所示的油液检测的阈值生成系统与图1至图4所示的方法实施例相对应,为避免重复,此处不再赘述。
本申请还提供一种电子设备,请参见图6,图6为本申请实施例提供的一种电子设备的结构框图。电子设备可以包括处理器510、通信接口520、存储器530和至少一个通信总线540。其中,通信总线540用于实现这些组件直接的连接通信。其中,本申请实施例中电子设备的通信接口520用于与其他节点设备进行信令或数据的通信。处理器510可以是一种集成电路芯片,具有信号的处理能力。
上述的处理器510可以是通用处理器,包括中央处理器(CPU,Central ProcessingUnit)、网络处理器(NP,Network Processor)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器510也可以是任何常规的处理器等。
存储器530可以是,但不限于,随机存取存储器(RAM,Random Access Memory),只读存储器(ROM,Read Only Memory),可编程只读存储器(PROM,Programmable Read-OnlyMemory),可擦除只读存储器(EPROM,Erasable Programmable Read-Only Memory),电可擦除只读存储器(EEPROM,Electric Erasable Programmable Read-Only Memory)等。存储器530中存储有计算机可读取指令,当所述计算机可读取指令由所述处理器510执行时,电子设备可以执行上述图1至图4方法实施例涉及的各个步骤。
可选地,电子设备还可以包括存储控制器、输入输出单元。
所述存储器530、存储控制器、处理器510、外设接口、输入输出单元各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通信总线540实现电性连接。所述处理器510用于执行存储器530中存储的可执行模块,例如电子设备包括的软件功能模块或计算机程序。
输入输出单元用于提供给用户创建任务以及为该任务创建启动可选时段或预设执行时间以实现用户与服务器的交互。所述输入输出单元可以是,但不限于,鼠标和键盘等。
可以理解,图6所示的结构仅为示意,所述电子设备还可包括比图6中所示更多或者更少的组件,或者具有与图6所示不同的配置。图6中所示的各组件可以采用硬件、软件或其组合实现。
本申请实施例还提供一种存储介质,所述存储介质上存储有指令,当所述指令在计算机上运行时,所述计算机程序被处理器执行时实现方法实施例所述的方法,为避免重复,此处不再赘述。
本申请还提供一种计算机程序产品,所述计算机程序产品在计算机上运行时,使得计算机执行方法实施例所述的方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、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。也应当注意,在有些作为替换的实现方式中,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,这依所涉及的功能而定。也要注意的是,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。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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,包括若干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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,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)
1.一种油液检测的阈值生成方法,其特征在于,包括:
获取油液检测的目标项目信息;
根据所述目标项目信息获取目标项目结果和关联项目结果;
对所述关联项目结果进行离散化处理,获得离散结果数据;
获取预设风险系数;
根据所述目标项目结果、所述离散结果数据、所述预设风险系数和预测评估指标生成误差检测模型;
根据所述误差检测模型获得油液检测的阈值信息。
2.根据权利要求1所述的油液检测的阈值生成方法,其特征在于,所述对所述关联项目结果进行离散化处理,获得离散结果数据的步骤,包括:
将所述关联项目结果分类为第一集合数据和第二集合数据,所述第一集合数据和所述第二集合数据互斥;
根据所述第一集合数据和所述第二集合数据生成所述离散结果数据。
3.根据权利要求2所述的油液检测的阈值生成方法,其特征在于,所述根据所述目标项目结果、离散结果数据、所述预设风险系数和预测评估指标生成误差检测模型的步骤,包括:
构建根据所述预测评估指标和所述目标项目结果预测所述离散结果数据的预测模型;
根据所述预设风险系数和所述预测模型构建所述误差检测模型,所述误差检测模型包括预测结果的误差函数,所述误差函数为:
e总(x)=eA+βe非A;
其中,x为所述目标项目结果的输入数据,eA为所述第一集合数据的漏检风险,e非A为所述第二集合数据的误检风险,β为所述预设风险系数。
4.根据权利要求3所述的油液检测的阈值生成方法,其特征在于,所述根据所述误差检测模型获得油液检测的阈值信息的步骤,包括:
根据核密度估计模型计算所述误差函数,获得所述阈值信息。
5.根据权利要求3所述的油液检测的阈值生成方法,其特征在于,所述根据所述误差检测模型获得油液检测的阈值信息的步骤,包括:
根据图解模型计算所述误差函数,获得所述阈值信息。
6.一种油液检测的阈值生成系统,其特征在于,包括:
目标项目获取模块,用于获取油液检测的目标项目信息;
项目结果模块,用于根据所述目标项目信息获取目标项目结果和关联项目结果;
离散处理模块,用于对所述关联项目结果进行离散化处理,获得离散结果数据;
风险系数模块,用于获取预设风险系数;
误差检测模块,用于根据所述目标项目结果、所述离散结果数据、所述预设风险系数和预测评估指标生成误差检测模型;
阈值模块,用于根据所述误差检测模型获得油液检测的阈值信息。
7.根据权利要求6所述的油液检测的阈值生成系统,其特征在于,所述离散处理模块包括:
分类单元,用于将所述关联项目结果分类为第一集合数据和第二集合数据,所述第一集合数据和所述第二集合数据互斥;
离散结果单元,用于根据所述第一集合数据和所述第二集合数据生成所述离散结果数据。
8.根据权利要求7所述的油液检测的阈值生成系统,其特征在于,所述误差检测模块包括:
构建单元,用于构建根据所述预测评估指标和所述目标项目结果预测所述离散结果数据的预测模型;
误差检测单元,用于根据所述预设风险系数和所述预测模型构建所述误差检测模型,所述误差检测模型包括预测结果的误差函数,所述误差函数为:
e总(x)=eA+βe非A;
其中,x为所述目标项目结果的输入数据,eA为所述第一集合数据的漏检风险,e非A为所述第二集合数据的误检风险,β为所述预设风险系数。
9.一种电子设备,其特征在于,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的油液检测的阈值生成方法的步骤。
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指令,当所述指令在计算机上运行时,使得所述计算机执行如权利要求1至7任一项所述的油液检测的阈值生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111626171.1A CN114295814A (zh) | 2021-12-28 | 2021-12-28 | 一种油液检测的阈值生成方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111626171.1A CN114295814A (zh) | 2021-12-28 | 2021-12-28 | 一种油液检测的阈值生成方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114295814A true CN114295814A (zh) | 2022-04-08 |
Family
ID=80972052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111626171.1A Pending CN114295814A (zh) | 2021-12-28 | 2021-12-28 | 一种油液检测的阈值生成方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114295814A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115375194A (zh) * | 2022-10-24 | 2022-11-22 | 浙江省标准化研究院(金砖国家标准化(浙江)研究中心、浙江省物品编码中心) | 风险预警方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107861915A (zh) * | 2017-11-09 | 2018-03-30 | 东软集团股份有限公司 | 获取预警阈值的方法、装置以及存储介质 |
CN110220885A (zh) * | 2019-06-10 | 2019-09-10 | 北京信息科技大学 | 一种机械设备磨损状态综合判断方法 |
JP2020160067A (ja) * | 2019-03-25 | 2020-10-01 | 国立研究開発法人物質・材料研究機構 | 閾値算出装置、閾値算出方法および測定装置 |
CN112287302A (zh) * | 2020-12-18 | 2021-01-29 | 震坤行网络技术(南京)有限公司 | 用于检测油液酸碱度的方法、计算设备和计算机存储介质 |
-
2021
- 2021-12-28 CN CN202111626171.1A patent/CN114295814A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107861915A (zh) * | 2017-11-09 | 2018-03-30 | 东软集团股份有限公司 | 获取预警阈值的方法、装置以及存储介质 |
JP2020160067A (ja) * | 2019-03-25 | 2020-10-01 | 国立研究開発法人物質・材料研究機構 | 閾値算出装置、閾値算出方法および測定装置 |
CN110220885A (zh) * | 2019-06-10 | 2019-09-10 | 北京信息科技大学 | 一种机械设备磨损状态综合判断方法 |
CN112287302A (zh) * | 2020-12-18 | 2021-01-29 | 震坤行网络技术(南京)有限公司 | 用于检测油液酸碱度的方法、计算设备和计算机存储介质 |
Non-Patent Citations (2)
Title |
---|
刘恒 等: "基于数据驱动的化工过程参数报警阈值优化", 《化工学报》 * |
赵淑兰 等: "一种评价机器磨损和润滑油质量的新方法", 《石油机械》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115375194A (zh) * | 2022-10-24 | 2022-11-22 | 浙江省标准化研究院(金砖国家标准化(浙江)研究中心、浙江省物品编码中心) | 风险预警方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20150379110A1 (en) | Automated methods and systems for calculating hard thresholds | |
US20190180379A1 (en) | Life insurance system with fully automated underwriting process for real-time underwriting and risk adjustment, and corresponding method thereof | |
CN102013148B (zh) | 多信息融合火灾探测方法 | |
CN113570396A (zh) | 时间序列数据异常检测方法、装置、设备及存储介质 | |
Mohammadfam et al. | Use of artificial neural networks (ANNs) for the analysis and modeling of factors that affect occupational injuries in large construction industries | |
Si et al. | Fault prediction model based on evidential reasoning approach | |
JP2019016039A (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
CN114295814A (zh) | 一种油液检测的阈值生成方法及系统 | |
CN104022899A (zh) | 一种网络管理系统的三维评估方法及系统 | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
JP6623784B2 (ja) | 設定支援装置及びプログラム | |
Mohammadi et al. | Risk analysis and reliability assessment of overhead cranes using fault tree analysis integrated with Markov chain and fuzzy Bayesian networks | |
Osmani et al. | Integrating fuzzy logic with Pearson correlation to optimize contaminant detection in water distribution system with uncertainty analyses | |
Sun et al. | A fault diagnosis and maintenance decision system for production line based on human-machine multi-information fusion | |
CN113295399A (zh) | 换流阀元件状态评估方法、装置、电子设备和存储介质 | |
Terceño et al. | Prediction of business failure with fuzzy models | |
US20140188772A1 (en) | Computer-implemented methods and systems for detecting a change in state of a physical asset | |
CN112819262A (zh) | 存储器、工艺管道检维修决策方法、装置和设备 | |
CN101527016A (zh) | 出入境检验检疫符合性条件的筛选方法 | |
Cook et al. | Environmental statistical process control using an augmented neural network classification approach | |
JP7062505B2 (ja) | 設備管理支援システム | |
CN113657648B (zh) | 一种多维数据融合的设备健康评估方法、装置及运维系统 | |
de León Hijes et al. | Assessment of functional condition of equipment in industrial plants based on multiple measurements | |
KR102428867B1 (ko) | 시계열 데이터의 변화 추세를 고려한 유사도 분석 방법 | |
RU2735296C1 (ru) | Способ многопараметрического контроля состояния сложных электротехнических объектов |
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 |