CN114490829A - 一种故障识别方法、装置、设备及存储介质 - Google Patents
一种故障识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114490829A CN114490829A CN202210121119.9A CN202210121119A CN114490829A CN 114490829 A CN114490829 A CN 114490829A CN 202210121119 A CN202210121119 A CN 202210121119A CN 114490829 A CN114490829 A CN 114490829A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- preset
- target
- real
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 125
- 238000012360 testing method Methods 0.000 claims abstract description 93
- 230000036541 health Effects 0.000 claims abstract description 68
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000007619 statistical method Methods 0.000 claims abstract description 21
- 238000004590 computer program Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 20
- 230000000694 effects Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000013499 data model Methods 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Fuzzy Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请公开了一种故障识别方法、装置、设备及存储介质，该方法包括：基于预设数量对所有设备中的历史健康数据进行穷尽式的排列组合，得到多个训练集以及对应的多个测试集；分别利用不同的训练集以及相应的测试集对待训练的多元统计分析模型进行训练以及测试以筛选出目标训练后模型；基于不同类型的故障在发生前的预设时间段内的历史设备状态特征，创建相应的特征码以得到第一故障码；获取实时数据并将输入到目标训练后模型中以进行故障检测，然后基于实时数据中的实时设备状态特征创建相应的特征码以得到第二故障码；将第一故障码与第二故障码进行比对以识别当前故障类型。通过本申请的技术方案，可以及时检测故障并对故障类型进行有效的识别。
Description
技术领域
本发明涉及工业控制故障诊断技术领域，特别涉及一种故障识别方法、装置、设备及存储介质。
背景技术
随着工业过程的发展，生产规模越来越大，流程也越来越复杂。在工业过程，当设备在运行过程中出现了故障，却没有及时的检测与处理，不仅会降低生产效率，增加维护成本，严重时甚至会威胁到人类的生命安全。因此为了预防事故的发生，在工业现场引入一种实时有效的故障检测系统变得十分重要。由于通讯、传感等技术的高速发展，越来越多的工业过程配置了数据监测与采集系统，存储了大量的工业生产实时数据。因此，基于数据驱动，特别是基于多元统计方法的工业过程故障检测得到了越来越多的关注。
但是在现有技术中，训练模型时：由工程师选择好健康数据的特定数据段之后，直接作为训练集输入进行模型训练，受采集数据的影响很严重，取不同的时间段的健康数据作为训练集进行训练，得到的模型结果差距很大，想要得到性能很好的检测模型不得不反复选取不同的数据段进行训练，但是所选择的数据段的训练效果不一定好，最终也很难找到理想的模型；故障识别时：对故障的所有时刻的数据进行分析，计算出每一时刻数据的每个变量特征对该故障的贡献率，通过绘制贡献图来记录贡献率信息，难以对某种故障的信息进行归类，不能简洁地概括出某种故障的特征，不能简单地由计算机指令判断是否为同种故障。
综上，如何实现更易由计算机执行，优化训练集数据、自动识别故障并判断故障类型是目前有待解决的问题。
发明内容
有鉴于此，本发明的目的在于提供一种故障识别方法、装置、设备及存储介质，能够实现更易由计算机执行，优化训练集数据、自动识别故障并判断故障类型。其具体方案如下：
第一方面，本申请公开了一种故障识别方法，包括：
获取设备连续时间内的历史健康数据，并基于第一预设数量和第二预设数量，对所有所述历史健康数据进行穷尽式的排列组合，以得到多个训练集以及与所述多个训练集一一对应的多个测试集；其中，每个所述训练集中均包括所述第一预设数量个所述历史健康数据，每个所述测试集中均包括所述第二预设数量个所述历史健康数据；
分别利用不同的所述训练集以及相应的所述测试集对待训练的多元统计分析模型进行训练以及测试，以基于测试结果从多个训练后模型中筛选出目标训练后模型；
基于不同类型的故障在发生前的预设时间段内的历史设备状态特征，创建相应的特征码，以得到第一故障码；
获取实时数据，并将所述实时数据输入到所述目标训练后模型中以进行故障检测，然后基于所述实时数据中的实时设备状态特征创建相应的特征码，以得到第二故障码；
将所述第一故障码与所述第二故障码进行比对以识别当前故障类型。
可选的，所述分别利用不同的所述训练集以及相应的所述测试集对待训练的多元统计分析模型进行训练以及测试，以基于测试结果从多个训练后模型中筛选出目标训练后模型，包括：
对不同的所述训练集进行标准化处理，然后基于多元统计方法将标准化处理后的不同的所述训练集进行降维处理，以得到多个训练后模型；
利用不同的所述训练集对应的所述测试集对所述多个训练后模型进行测试以得到相应的测试结果，并基于所述测试结果和预设模型筛选规则从所述多个训练后模型中筛选出目标训练后模型。
可选的，所述基于所述测试结果和预设模型筛选规则从所述多个训练后模型中筛选出目标训练后模型，包括：
利用所述测试结果确定不同所述训练后模型在不同时刻下对应的目标变量偏离统计值；
从所述多个训练后模型中统计出每一时刻下的所述目标变量偏离统计值均不大于预设控制限阈值的训练后模型，然后从统计到的所述训练后模型中筛选出与预设置信度最接近的训练后模型以得到目标训练后模型。
可选的，所述基于不同类型的故障在发生前的预设时间段内的历史设备状态特征，创建相应的特征码，以得到第一故障码，包括：
利用预设时间点确定规则从不同类型的故障在发生前的预设时间段中确定出目标时间点；
获取不同的历史设备状态特征对应的编号，以得到相应的特征码；
计算所述特征码在所述目标时间点上的故障贡献率，并将所述故障贡献率进行排序，以得到第一故障码。
可选的，所述利用预设时间点确定规则从不同类型的故障在发生前的预设时间段中确定出目标时间点，包括：
若所述不同类型的故障中每一时刻对应的变量偏离统计值均未超过所述预设控制限阈值的预设范围，则将数值最大的变量偏离统计值对应的时刻确定为目标时间点；
若所述不同类型的故障在所有时刻中存在大于预设数量个时刻对应的所述变量偏离统计值超过所述预设控制限阈值的预设范围，则将最早超过所述预设控制限阈值的变量偏离统计值对应的时刻确定为目标时间点。
可选的，所述获取实时数据，并将所述实时数据输入到所述目标训练后模型中以进行故障检测，包括：
获取实时数据，并将所述实时数据输入到所述目标训练后模型，以利用所述目标训练后模型计算所述实时数据对应的所述目标变量偏离统计值，并统计当所述实时数据对应的所述目标变量偏离统计值大于所述预设控制限阈值时对应的时刻，以得到数据异常时间点；
若所述数据异常时间点的数量与总时间点数之间的比例大于预设比例，则判定所述设备存在故障。
可选的，所述将所述第一故障码与所述第二故障码进行比对以识别当前故障类型，包括：
若所述第一故障码与所述第二故障码一致，则记录所述设备在故障时的数据，以得到故障概率趋势图并提示显示当前故障类型；
若所述第一故障码与所述第二故障码不一致，则所述设备报警显示异常。
第二方面，本申请公开了一种故障识别装置，包括：
数据获取模块，用于获取设备连续时间内的历史健康数据，并基于第一预设数量和第二预设数量，对所有所述历史健康数据进行穷尽式的排列组合，以得到多个训练集以及与所述多个训练集一一对应的多个测试集；其中，每个所述训练集中均包括所述第一预设数量个所述历史健康数据，每个所述测试集中均包括所述第二预设数量个所述历史健康数据；
模型训练模块，用于分别利用不同的所述训练集以及相应的所述测试集对待训练的多元统计分析模型进行训练以及测试，以基于测试结果从多个训练后模型中筛选出目标训练后模型；
第一故障码确定模块，用于基于不同类型的故障在发生前的预设时间段内的历史设备状态特征，创建相应的特征码，以得到第一故障码；
故障检测模块，用于获取实时数据，并将所述实时数据输入到所述目标训练后模型中以进行故障检测；
第二故障码确定模块，用于基于所述实时数据中的实时设备状态特征创建相应的特征码，以得到第二故障码；
故障识别模块，用于将所述第一故障码与所述第二故障码进行比对以识别当前故障类型。
第三方面，本申请公开了一种电子设备，包括：
存储器，用于保存计算机程序和运行数据；
处理器，用于执行所述计算机程序，以实现前述的故障识别方法。
第四方面，本申请公开了一种计算机可读存储介质，用于存储计算机程序；其中所述计算机程序被处理器执行时实现如前述的故障识别方法。
本申请中，首先获取设备连续时间内的历史健康数据，并基于第一预设数量和第二预设数量，对所有所述历史健康数据进行穷尽式的排列组合，以得到多个训练集以及与所述多个训练集一一对应的多个测试集；其中，每个所述训练集中均包括所述第一预设数量个所述历史健康数据，每个所述测试集中均包括所述第二预设数量个所述历史健康数据；分别利用不同的所述训练集以及相应的所述测试集对待训练的多元统计分析模型进行训练以及测试，以基于测试结果从多个训练后模型中筛选出目标训练后模型；然后基于不同类型的故障在发生前的预设时间段内的历史设备状态特征，创建相应的特征码，以得到第一故障码；获取实时数据，并将所述实时数据输入到所述目标训练后模型中以进行故障检测，然后基于所述实时数据中的实时设备状态特征创建相应的特征码，以得到第二故障码；将所述第一故障码与所述第二故障码进行比对以识别当前故障类型。可见，在确定目标训练后模型时，直接输入大量历史健康数据进行自动选择，通过穷尽式的排列组合对训练集进行测试，以枚举的方式得到效果最优的训练后模型，不仅操作简单而且效果更好；在进行故障识别时，通过故障码来记录不同类型的故障对应的不同设备状态特征，从而使故障识别过程更加智能化，可以由计算机自动处理，通过比较不同类型的故障在发生前的第一故障码与实时数据中得到的第二故障码是否一致，即可识别当前故障类型。实现更易由计算机执行，优化训练集数据、自动识别故障并判断故障类型。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种故障识别方法流程图；
图2为本申请公开的一种故障识别预警显示界面效果图；
图3为本申请公开的一种故障识别方法结构示意图；
图4为本申请公开的一种具体的故障识别方法流程图；
图5为本申请公开的一种具体的故障识别方法示意图；
图6为本申请公开的一种故障识别方法系统框架图；
图7为本申请公开的一种故障识别装置结构示意图；
图8为本申请公开的一种电子设备结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
当前，在工业过程故障检测的过程中，训练模型时反复选取不同的数据段进行训练效果不一定好，也很难找到理想的模型；故障识别时不能简洁地概括出某种故障的特征，不能简单地由计算机指令判断是否为同种故障。
为此，本申请提供了一种故障识别方案，能够实现更易由计算机执行，优化训练集数据、自动识别故障并判断故障类型。
本发明实施例公开了一种故障识别方法，参见图1所示，该方法包括：
步骤S11：获取设备连续时间内的历史健康数据，并基于第一预设数量和第二预设数量，对所有所述历史健康数据进行穷尽式的排列组合，以得到多个训练集以及与所述多个训练集一一对应的多个测试集；其中，每个所述训练集中均包括所述第一预设数量个所述历史健康数据，每个所述测试集中均包括所述第二预设数量个所述历史健康数据。
本申请实施例中，需要训练健康数据模型，如此一来，在故障检测时可以通过对采集设备的实时数据进行计算并与训练的健康数据模型中的数据进行对比，检测出设备是否存在故障。
具体的，首先获取设备连续时间内的历史健康数据，例如，从设备的历史数据中采集大量的健康数据作为样本，其中样本以天为单位不需要挑选，可以直接采集数个月的数据。然后基于第一预设数量和第二预设数量，对所有所述历史健康数据进行穷尽式的排列组合，以得到多个训练集以及与所述多个训练集一一对应的多个测试集。需要指出的是，在得到多个训练集以及与多个训练集一一对应的多个测试集之前，要先排除掉设备在停车状态下的数据，即有大量连续0元素的数据段。
本申请实施例中，每个所述训练集中均包括所述第一预设数量个所述历史健康数据，每个所述测试集中均包括所述第二预设数量个所述历史健康数据。例如，采集了设备1个月的历史健康数据，然后以排列组合的方式挑选出1个月内历史健康数据中3-5天的历史健康数据作为训练集，其余的历史健康数据作为测试集用以检验训练集测试成果。可以理解的是，穷尽所有的排列组合可以使利用测试集筛选出效果最好的训练集，以得到最佳的训练后模型。
步骤S12：分别利用不同的所述训练集以及相应的所述测试集对待训练的多元统计分析模型进行训练以及测试，以基于测试结果从多个训练后模型中筛选出目标训练后模型。
本申请实施例中，利用不同的所述训练集对应的所述测试集对所述多个训练后模型进行测试以得到相应的测试结果，并基于所述测试结果和预设模型筛选规则从所述多个训练后模型中筛选出目标训练后模型。
本申请实施例中，在用训练集训练模型时，首先对不同的所述训练集进行标准化处理，使其成为均值为0，且方差为1的矩阵X；然后基于多元统计方法将标准化处理后的不同的所述训练集进行降维处理，以得到多个训练后模型。需要指出的是，多元统计方法包括但不限于PCA(Principal Components Analysis，主元分析法)、ICA(IndependentComponent Analysis，独立成分分析法)等，本申请实施例以采用PCA降维数据模型为例，将数据投射到低维空间，从而更高效率地压缩数据信息，后续不在对此进行说明。当对标准化处理后的训练集采用主元分析法进行降维处理后，可以得到一个在降维后的主元空间中包含对应主元信息的新矩阵，将压缩信息后的新矩阵与原矩阵的差值定义为残差矩阵；主元子空间将保留观测变量的主要信息，而残差子空间则主要保留过程中的噪声和干扰等。
进一步的，在获得信息处理后的待训练的多元统计分析模型即主元模型后，接下来就可以对每一时刻的数据是否异常进行统计学上的判定。可以理解的是，T2统计量和Q统计量作为反应数据的偏离程度常被用于基于多变量统计法的故障检测，T2统计量由计算主元的得分向量在空间中的马氏距离获得，反映了每个主元在变化趋势和幅值上偏离模型的程度，是对模型内部化的一种度量，它可以用来对多个主元同时进行监测；Q统计量则是残差向量在残差空间中的欧式距离，刻画了输入变量的测量值对主成分模型的偏离程度，是对模型外部变化的一种度量；所以，可以将训练集对应的测试集数据投射到降维后的主元空间，然后计算每一时刻的T2统计量和Q统计量，如果统计量超过预设控制限阈值，则视为误报警，如此一来，当用测试集对待训练的多元统计分析模型进行测试时，没有误报警的概率与算法内部的预设置信度越接近，表示模型效果越好。
在一种具体的实施方式中，可以计算T2统计量和Q统计量在置信度为99％时的控制限阈值，T2统计量的阈值可用概率统计学的F分布计算，Q统计量的阈值则可用χ2分布计算出来。
本申请实施例中，在用测试集测试模型性能时，首先利用所述测试结果确定不同所述训练后模型在不同时刻下对应的目标变量偏离统计值；可以理解的是，测试结果中包括误报警的情况和没有误报警的情况，那么确定出的目标变量偏离统计值是没有误报警情况下的T2统计量和Q统计量。进一步的，从所述多个训练后模型中统计出每一时刻下的所述目标变量偏离统计值均不大于预设控制限阈值的训练后模型，然后从统计到的所述训练后模型中筛选出与预设置信度最接近的训练后模型以得到目标训练后模型。如此一来，通过筛选出与算法内部的预设置信度最接近的没有误报警的模型，可以得到最佳的训练模型。
步骤S13：基于不同类型的故障在发生前的预设时间段内的历史设备状态特征，创建相应的特征码，以得到第一故障码。
本申请实施例中，在训练出健康的目标训练后模型后，需要训练故障特征，基于不同类型的故障在发生前的预设时间段内的历史设备状态特征，创建相应的特征码，以得到第一故障码。如此一来，通过第一故障码就可以记录下不同类型故障的故障特征。
步骤S14：获取实时数据，并将所述实时数据输入到所述目标训练后模型中以进行故障检测，然后基于所述实时数据中的实时设备状态特征创建相应的特征码，以得到第二故障码。
本申请实施例中，当得到了记录不同类型故障的故障特征的第一故障码后就可以利用健康的目标训练后模型进行故障检测。具体的，首先获取实时数据，并将所述实时数据输入到所述目标训练后模型，以利用所述目标训练后模型计算所述实时数据对应的所述目标变量偏离统计值。可以理解的是，在训练健康的数据模型时，由于采集的全部都是大量的历史健康数据样本，当不同的训练后模型在不同时刻下对应的目标变量偏离统计值超过预设控制限阈值时，视为误报警；那么本申请实施例中，如果获取的实时数据在输入到目标训练后模型后，对应的目标变量偏离统计值大于预设控制限阈值，则表示其对应的时刻数据异常。
进一步的，统计当所述实时数据对应的所述目标变量偏离统计值大于所述预设控制限阈值时对应的时刻，以得到数据异常时间点；若所述数据异常时间点的数量与总时间点数之间的比例大于预设比例，则判定所述设备存在故障。
本申请实施例中，当进行故障检测时判定出设备存在故障后，同样用训练故障特征时的方式进行特征分析，得到实时数据中故障对应的第二故障码，即基于所述实时数据中的实时设备状态特征创建相应的特征码，以得到第二故障码。
步骤S15：将所述第一故障码与所述第二故障码进行比对以识别当前故障类型。
本申请实施例中，第一故障码为训练故障特征时得到的记录不同类型故障的故障特征的特征码，通过第一故障码可以确定设备出现的具体故障类型。如此一来，将实时数据中故障对应的第二故障码与第一故障码进行比对，就可以识别出当前设备的故障类型。
需要指出的是，若所述第一故障码与所述第二故障码一致，则判定为同种故障，记录所述设备在故障时的数据，以得到故障概率趋势图并提示显示当前故障类型；若所述第一故障码与所述第二故障码不一致，则所述设备报警显示异常。
示例性的，图2是本发明实施例提供的一种预警显示界面效果图。可以监控设备发生故障的概率趋势变化，即每隔一小时综合一次监控数据，每次取最近48小时的历史数据进行计算T2及Q的报警率。需要指出的是，T2报警率的计算方式为超出T2阈值的异常点数除以总的时间点数；Q报警率的计算方式为超出Q阈值的异常点数除以总的时间点数；当T2或Q的报警率大于10％时，弹出报警信息，所以将两个报警率值的最大值作为异常故障报警率，这样每个小时都能得到一个最近的异常故障报警率。将每小时的异常故障报警率记录下来，做成故障概率趋势变化图，可以更直观地向维护人员反应设备的状态趋势变化。相较于传统方法中用统计量变化图展现设备状态趋势、用报警率来判断是否发生故障，对产品用户来说，读懂界面图表的门槛更低，无需了解统计量概念，更进一步地直接对报警率做趋势图显示使对设备当前故障程度的认知也更直观。
如图3所示为本发明实施例提供的一种方法结构示意图。表明了本申请实施例的基本结构，即本方法由健康模型训练、故障特征训练、故障检测、故障识别四个步骤构成。具体的，采集设备中的历史健康数据训练模型，然后通过故障数据进行故障特征训练得到能表征故障类型的故障码；在对实时数据进行检测时，如果存在故障则也得到一个故障码，将两个故障码进行比对，如果一致则判定为同种故障，得到设备状态及报警信息，完成故障识别的过程。
本申请中，首先获取设备连续时间内的历史健康数据，并基于第一预设数量和第二预设数量，对所有所述历史健康数据进行穷尽式的排列组合，以得到多个训练集以及与所述多个训练集一一对应的多个测试集；其中，每个所述训练集中均包括所述第一预设数量个所述历史健康数据，每个所述测试集中均包括所述第二预设数量个所述历史健康数据；分别利用不同的所述训练集以及相应的所述测试集对待训练的多元统计分析模型进行训练以及测试，以基于测试结果从多个训练后模型中筛选出目标训练后模型；然后基于不同类型的故障在发生前的预设时间段内的历史设备状态特征，创建相应的特征码，以得到第一故障码；获取实时数据，并将所述实时数据输入到所述目标训练后模型中以进行故障检测，然后基于所述实时数据中的实时设备状态特征创建相应的特征码，以得到第二故障码；将所述第一故障码与所述第二故障码进行比对以识别当前故障类型。可见，在确定目标训练后模型时，直接输入大量历史健康数据进行自动选择，通过穷尽式的排列组合对训练集进行测试，以枚举的方式得到效果最优的训练后模型，不仅操作简单而且效果更好；在进行故障识别时，通过故障码来记录不同类型的故障对应的不同设备状态特征，从而使故障识别过程更加智能化，可以由计算机自动处理，通过比较不同类型的故障在发生前的第一故障码与实时数据中得到的第二故障码是否一致，即可识别当前故障类型。实现更易由计算机执行，优化训练集数据、自动识别故障并判断故障类型。
本申请实施例公开了一种具体的故障识别方法，参见图4所示，该方法包括：
步骤S21：获取设备连续时间内的历史健康数据，并基于第一预设数量和第二预设数量，对所有所述历史健康数据进行穷尽式的排列组合，以得到多个训练集以及与所述多个训练集一一对应的多个测试集；其中，每个所述训练集中均包括所述第一预设数量个所述历史健康数据，每个所述测试集中均包括所述第二预设数量个所述历史健康数据。
步骤S22：分别利用不同的所述训练集以及相应的所述测试集对待训练的多元统计分析模型进行训练以及测试，以基于测试结果从多个训练后模型中筛选出目标训练后模型。
其中，关于上述步骤S21、步骤S22更加具体的处理过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
步骤S23：利用预设时间点确定规则从不同类型的故障在发生前的预设时间段中确定出目标时间点。
本申请实施例中，在训练出健康的目标训练后模型后，需要训练故障特征，首先需要采集故障发生前数据，取到设备发生特定故障，如指定的叶轮偏心、轴承不对中等故障发生前的预设时间段，如48小时内的历史数据作为样本，并以训练集的标准进行数据标准化，即使其成为均值为0，且方差为1的矩阵。然后找到关键时间点，而不再对故障数据的所有时间点的故障特征进行记录，操作简单且容易记录。
在确定目标时间点的过程中，需要计算不同类型的故障在发生前的历史数据中每一时刻的变量偏离统计值，本申请实施例中计算数据每一时刻的T2统计量与Q统计量，T2统计量反应了数据在主元空间上的偏离程度，Q统计量反应了在残差空间上的偏离程度，然后利用预设时间点确定规则确定出目标时间点。具体的，若所述不同类型的故障中每一时刻对应的变量偏离统计值均未超过所述预设控制限阈值的预设范围，则将数值最大的变量偏离统计值对应的时刻确定为目标时间点；若所述不同类型的故障在所有时刻中存在大于预设数量个时刻对应的所述变量偏离统计值均超过所述预设控制限阈值的预设范围，则将最早超过所述预设控制限阈值的变量偏离统计值对应的时刻确定为目标时间点。例如：如果所有时间点的T2或Q统计量均未超出控制限阈值十倍，则选择统计量最高的时间点；如果超出控制限阈值十倍，则选择最早超过十倍控制限阈值的时间点。
步骤S24：获取不同的历史设备状态特征对应的编号，以得到相应的特征码；计算所述特征码在所述目标时间点上的故障贡献率，并将所述故障贡献率进行排序，以得到第一故障码。
本申请实施例中，获取不同的历史设备状态特征对应的编号，以得到相应的特征码，需要指出的是，不同类型故障对应不同的历史设备状态特征，如温度、液位、压强等，将采集的不同的历史设备状态特征进行编号可以得到对应的特征码；然后计算与不同的历史设备状态特征对应的特征码在目标时间点中对该故障的贡献率。可以理解的是，贡献率反应数据每个特征对统计量的贡献程度的指标，贡献率值越大的特征变量被认为是越可能造成故障的变量，其计算公式计算如下：
其中x表示特定时刻下，每一个变量特征标准化后的数组；xk表示除第k个元素与x相同外其余元素均为0的数组；P为对健康数据集X主元分析获得的负荷矩阵。Λ为将X特征值分解后得到的特征值的对角矩阵；经计算后得到了每个变量特征对故障的贡献程度。
本申请实施例中，在得到了每个变量特征对故障的贡献程度后，记录下故障的特征码，以得到第一故障码。在此过程中，计算出目标时间点数据的每个状态特征对该故障的贡献率，按贡献率由大到小排序出前几个序号作为故障码，具体数量可以随意设定，在此不做具体限定。例如，按贡献率由大到小排序出前三个变量特征的序号作为第一故障码，当变量序号的贡献率小于0.1时，则改用序号0进行填充。例如，一次特征分析后贡献率最大的特征序号依次为5、3、2，贡献率分别为1.22，0.63，0.05，此时特征2因为贡献率太小不保留，保存故障码为[5，3，0]。第一故障码作为具有三个元素的整型数组，记录下了不同类型故障的故障特征。
步骤S25：获取实时数据，并将所述实时数据输入到所述目标训练后模型中以进行故障检测，然后基于所述实时数据中的实时设备状态特征创建相应的特征码，以得到第二故障码。
步骤S26：将所述第一故障码与所述第二故障码进行比对以识别当前故障类型。
其中，关于上述步骤S25、步骤S26更加具体的处理过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
如图5所示，为本申请公开的一种具体的故障识别示意图，囊括了本申请实施例中的故障识别整体流程。整个流程需要训练健康模型、训练故障特征、故障检测以及故障识别。
训练健康数据模型：采集健康历史数据、划分出多组训练集和测试集、训练PCA降维数据模型、计算统计量的控制限阈值、测试集检验模型性能、找到最优的训练模型。
训练故障特征：采集故障发生前历史数据、找到关键时间点、计算各个特征的贡献率、记录故障码。
故障检测：采集实时数据、将数据投射到PCA降维空间、计算T2与Q统计量、判定统计量是否超出控制限阈值、判断统计量是否超出阈值、报警率是否超出阈值。需要指出的是，在采集实时数据时，将每个时间点所采集到的m个位号的变量，即不同的历史设备状态特征数据组成一个长度为m的数组，并以训练集的标准进行数据标准化。可以理解的是，如果报警率超出阈值，则进入故障识别的步骤，如果报警率没有超出阈值，则显示设备运行正常，采集下一时刻的数据。
故障识别：若实时报警率超出阈值，则计算关键时间点各个特征的贡献率、记录故障码、判断与特定故障的故障码是否一致。如果一致，则报警显示特定故障；如果不一致，则报警显示异常状况。
示例性的，如图6所示，为本发明实施例提供的一种应用于工业设备的系统框架图，包含了系统的层级和模块框架，包括工业现场层、数据采集层、故障识别算法层和人机交互层。在现场实际使用方法时，算法所处的环境，是先由“数据采集层”通过集散控制系统(Distributed Control System，DCS)采集到工业现场中设备的数据并存储到历史数据库中，然后历史数据和实时数据传输到故障识别算法层，被用来实时监测识别故障，最终算法结果显示于“人机交互层”，以预警界面展示的方式呈现给用户。
本申请中，首先获取设备连续时间内的历史健康数据，并基于第一预设数量和第二预设数量，对所有所述历史健康数据进行穷尽式的排列组合，以得到多个训练集以及与所述多个训练集一一对应的多个测试集；其中，每个所述训练集中均包括所述第一预设数量个所述历史健康数据，每个所述测试集中均包括所述第二预设数量个所述历史健康数据；分别利用不同的所述训练集以及相应的所述测试集对待训练的多元统计分析模型进行训练以及测试，以基于测试结果从多个训练后模型中筛选出目标训练后模型；然后利用预设时间点确定规则从不同类型的故障在发生前的预设时间段中确定出目标时间点；获取不同的历史设备状态特征对应的编号，以得到相应的特征码；计算所述特征码在所述目标时间点上的故障贡献率，并将所述故障贡献率进行排序，以得到第一故障码；获取实时数据，并将所述实时数据输入到所述目标训练后模型中以进行故障检测，然后基于所述实时数据中的实时设备状态特征创建相应的特征码，以得到第二故障码；将所述第一故障码与所述第二故障码进行比对以识别当前故障类型。可见，在确定目标训练后模型时，直接输入大量历史健康数据进行自动选择，通过穷尽式的排列组合对训练集进行测试，以枚举的方式得到效果最优的训练后模型，不仅操作简单而且效果更好；在进行故障识别时，通过故障码来记录不同类型的故障对应的不同设备状态特征，从而使故障识别过程更加智能化，可以由计算机自动处理，通过比较不同类型的故障在发生前的第一故障码与实时数据中得到的第二故障码是否一致，即可识别当前故障类型。实现更易由计算机执行，优化训练集数据、自动识别故障并判断故障类型。
相应的，本申请实施例公开了一种故障识别装置，参见图7所示，该装置包括：
数据获取模块11，用于获取设备连续时间内的历史健康数据，并基于第一预设数量和第二预设数量，对所有所述历史健康数据进行穷尽式的排列组合，以得到多个训练集以及与所述多个训练集一一对应的多个测试集；其中，每个所述训练集中均包括所述第一预设数量个所述历史健康数据，每个所述测试集中均包括所述第二预设数量个所述历史健康数据；
模型训练模块12，用于分别利用不同的所述训练集以及相应的所述测试集对待训练的多元统计分析模型进行训练以及测试，以基于测试结果从多个训练后模型中筛选出目标训练后模型；
第一故障码确定模块13，用于基于不同类型的故障在发生前的预设时间段内的历史设备状态特征，创建相应的特征码，以得到第一故障码；
故障检测模块14，用于获取实时数据，并将所述实时数据输入到所述目标训练后模型中以进行故障检测；
第二故障码确定模块15，用于基于所述实时数据中的实时设备状态特征创建相应的特征码，以得到第二故障码；
故障识别模块16，用于将所述第一故障码与所述第二故障码进行比对以识别当前故障类型。
其中，关于上述各个模块更加具体的工作过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
由此可见，通过本实施例的上述方案，首先获取设备连续时间内的历史健康数据，并基于第一预设数量和第二预设数量，对所有所述历史健康数据进行穷尽式的排列组合，以得到多个训练集以及与所述多个训练集一一对应的多个测试集；其中，每个所述训练集中均包括所述第一预设数量个所述历史健康数据，每个所述测试集中均包括所述第二预设数量个所述历史健康数据；分别利用不同的所述训练集以及相应的所述测试集对待训练的多元统计分析模型进行训练以及测试，以基于测试结果从多个训练后模型中筛选出目标训练后模型；然后基于不同类型的故障在发生前的预设时间段内的历史设备状态特征，创建相应的特征码，以得到第一故障码；获取实时数据，并将所述实时数据输入到所述目标训练后模型中以进行故障检测，然后基于所述实时数据中的实时设备状态特征创建相应的特征码，以得到第二故障码；将所述第一故障码与所述第二故障码进行比对以识别当前故障类型。可见，在确定目标训练后模型时，直接输入大量历史健康数据进行自动选择，通过穷尽式的排列组合对训练集进行测试，以枚举的方式得到效果最优的训练后模型，不仅操作简单而且效果更好；在进行故障识别时，通过故障码来记录不同类型的故障对应的不同设备状态特征，从而使故障识别过程更加智能化，可以由计算机自动处理，通过比较不同类型的故障在发生前的第一故障码与实时数据中得到的第二故障码是否一致，即可识别当前故障类型。实现更易由计算机执行，优化训练集数据、自动识别故障并判断故障类型。
进一步的，本申请实施例公开了一种电子设备，图8是根据一示例性实施例示出的电子设备20结构图，图中内容不能认为是对本申请的使用范围的任何限制。
图8为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的故障识别方法中的相关步骤。
本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222及数据223等，数据223可以包括各种各样的数据。存储方式可以是短暂存储或者永久存储。
其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的故障识别方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的，本申请实施例公开了一种计算机可读存储介质，这里所说的计算机可读存储介质包括随机存取存储器(Random Access Memory，RAM)、内存、只读存储器(Read-Only Memory，ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、磁碟或者光盘或技术领域内所公知的任意其他形式的存储介质。其中，所述计算机程序被处理器执行时实现前述故障识别方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本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它实施例的不同之处，各个实施例之间相同或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。
结合本文中所公开的实施例描述的故障识别或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后，还需要说明的是，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。
以上对本发明所提供的一种故障识别方法、装置、设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种故障识别方法，其特征在于，包括：
获取设备连续时间内的历史健康数据，并基于第一预设数量和第二预设数量，对所有所述历史健康数据进行穷尽式的排列组合，以得到多个训练集以及与所述多个训练集一一对应的多个测试集；其中，每个所述训练集中均包括所述第一预设数量个所述历史健康数据，每个所述测试集中均包括所述第二预设数量个所述历史健康数据；
分别利用不同的所述训练集以及相应的所述测试集对待训练的多元统计分析模型进行训练以及测试，以基于测试结果从多个训练后模型中筛选出目标训练后模型；
基于不同类型的故障在发生前的预设时间段内的历史设备状态特征，创建相应的特征码，以得到第一故障码；
获取实时数据，并将所述实时数据输入到所述目标训练后模型中以进行故障检测，然后基于所述实时数据中的实时设备状态特征创建相应的特征码，以得到第二故障码；
将所述第一故障码与所述第二故障码进行比对以识别当前故障类型。
2.根据权利要求1所述的故障识别方法，其特征在于，所述分别利用不同的所述训练集以及相应的所述测试集对待训练的多元统计分析模型进行训练以及测试，以基于测试结果从多个训练后模型中筛选出目标训练后模型，包括：
对不同的所述训练集进行标准化处理，然后基于多元统计方法将标准化处理后的不同的所述训练集进行降维处理，以得到多个训练后模型；
利用不同的所述训练集对应的所述测试集对所述多个训练后模型进行测试以得到相应的测试结果，并基于所述测试结果和预设模型筛选规则从所述多个训练后模型中筛选出目标训练后模型。
3.根据权利要求2所述的故障识别方法，其特征在于，所述基于所述测试结果和预设模型筛选规则从所述多个训练后模型中筛选出目标训练后模型，包括：
利用所述测试结果确定不同所述训练后模型在不同时刻下对应的目标变量偏离统计值；
从所述多个训练后模型中统计出每一时刻下的所述目标变量偏离统计值均不大于预设控制限阈值的训练后模型，然后从统计到的所述训练后模型中筛选出与预设置信度最接近的训练后模型以得到目标训练后模型。
4.根据权利要求3所述的故障识别方法，其特征在于，所述基于不同类型的故障在发生前的预设时间段内的历史设备状态特征，创建相应的特征码，以得到第一故障码，包括：
利用预设时间点确定规则从不同类型的故障在发生前的预设时间段中确定出目标时间点；
获取不同的历史设备状态特征对应的编号，以得到相应的特征码；
计算所述特征码在所述目标时间点上的故障贡献率，并将所述故障贡献率进行排序，以得到第一故障码。
5.根据权利要求4所述的故障识别方法，其特征在于，所述利用预设时间点确定规则从不同类型的故障在发生前的预设时间段中确定出目标时间点，包括：
若所述不同类型的故障中每一时刻对应的变量偏离统计值均未超过所述预设控制限阈值的预设范围，则将数值最大的变量偏离统计值对应的时刻确定为目标时间点；
若所述不同类型的故障在所有时刻中存在大于预设数量个时刻对应的所述变量偏离统计值超过所述预设控制限阈值的预设范围，则将最早超过所述预设控制限阈值的变量偏离统计值对应的时刻确定为目标时间点。
6.根据权利要求3所述的故障识别方法，其特征在于，所述获取实时数据，并将所述实时数据输入到所述目标训练后模型中以进行故障检测，包括：
获取实时数据，并将所述实时数据输入到所述目标训练后模型，以利用所述目标训练后模型计算所述实时数据对应的所述目标变量偏离统计值，并统计当所述实时数据对应的所述目标变量偏离统计值大于所述预设控制限阈值时对应的时刻，以得到数据异常时间点；
若所述数据异常时间点的数量与总时间点数之间的比例大于预设比例，则判定所述设备存在故障。
7.根据权利要求1至6任一项所述的故障识别方法，其特征在于，所述将所述第一故障码与所述第二故障码进行比对以识别当前故障类型，包括：
若所述第一故障码与所述第二故障码一致，则记录所述设备在故障时的数据，以得到故障概率趋势图并提示显示当前故障类型；
若所述第一故障码与所述第二故障码不一致，则所述设备报警显示异常。
8.一种故障识别装置，其特征在于，包括：
数据获取模块，用于获取设备连续时间内的历史健康数据，并基于第一预设数量和第二预设数量，对所有所述历史健康数据进行穷尽式的排列组合，以得到多个训练集以及与所述多个训练集一一对应的多个测试集；其中，每个所述训练集中均包括所述第一预设数量个所述历史健康数据，每个所述测试集中均包括所述第二预设数量个所述历史健康数据；
模型训练模块，用于分别利用不同的所述训练集以及相应的所述测试集对待训练的多元统计分析模型进行训练以及测试，以基于测试结果从多个训练后模型中筛选出目标训练后模型；
第一故障码确定模块，用于基于不同类型的故障在发生前的预设时间段内的历史设备状态特征，创建相应的特征码，以得到第一故障码；
故障检测模块，用于获取实时数据，并将所述实时数据输入到所述目标训练后模型中以进行故障检测；
第二故障码确定模块，用于基于所述实时数据中的实时设备状态特征创建相应的特征码，以得到第二故障码；
故障识别模块，用于将所述第一故障码与所述第二故障码进行比对以识别当前故障类型。
9.一种电子设备，其特征在于，包括：
存储器，用于保存计算机程序和运行数据；
处理器，用于执行所述计算机程序，以实现权利要求1至7任一项所述的故障识别方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机程序；其中所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的故障识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210121119.9A CN114490829A (zh) | 2022-02-09 | 2022-02-09 | 一种故障识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210121119.9A CN114490829A (zh) | 2022-02-09 | 2022-02-09 | 一种故障识别方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114490829A true CN114490829A (zh) | 2022-05-13 |
Family
ID=81479268
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210121119.9A Pending CN114490829A (zh) | 2022-02-09 | 2022-02-09 | 一种故障识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114490829A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117014784A (zh) * | 2023-09-27 | 2023-11-07 | 深圳市冉希古科技有限公司 | 一种头带式耳机的头带故障自检方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180089389A1 (en) * | 2016-09-26 | 2018-03-29 | International Business Machines Corporation | System, method and computer program product for evaluation and identification of risk factor |
| CN108717496A (zh) * | 2018-05-22 | 2018-10-30 | 北京无线电测量研究所 | 雷达天线阵面故障检测方法及系统 |
| CN111221345A (zh) * | 2020-01-23 | 2020-06-02 | 北京航天自动控制研究所 | 一种基于决策树的飞行器动力系统故障在线辨识方法 |
| CN113673600A (zh) * | 2021-08-23 | 2021-11-19 | 中海石油气电集团有限责任公司 | 一种工业信号异常预警方法、系统、存储介质及计算设备 |
| CN113807096A (zh) * | 2021-04-09 | 2021-12-17 | 京东科技控股股份有限公司 | 文本数据的处理方法、装置、计算机设备和存储介质 |
-
2022
- 2022-02-09 CN CN202210121119.9A patent/CN114490829A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180089389A1 (en) * | 2016-09-26 | 2018-03-29 | International Business Machines Corporation | System, method and computer program product for evaluation and identification of risk factor |
| CN108717496A (zh) * | 2018-05-22 | 2018-10-30 | 北京无线电测量研究所 | 雷达天线阵面故障检测方法及系统 |
| CN111221345A (zh) * | 2020-01-23 | 2020-06-02 | 北京航天自动控制研究所 | 一种基于决策树的飞行器动力系统故障在线辨识方法 |
| CN113807096A (zh) * | 2021-04-09 | 2021-12-17 | 京东科技控股股份有限公司 | 文本数据的处理方法、装置、计算机设备和存储介质 |
| CN113673600A (zh) * | 2021-08-23 | 2021-11-19 | 中海石油气电集团有限责任公司 | 一种工业信号异常预警方法、系统、存储介质及计算设备 |
Non-Patent Citations (1)
| Title |
|---|
| 李传金;王文标;花义锋;高世泽;: "基于主元分析的锅炉系统故障检测与诊断", 机电信息, no. 24, 25 August 2016 (2016-08-25) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117014784A (zh) * | 2023-09-27 | 2023-11-07 | 深圳市冉希古科技有限公司 | 一种头带式耳机的头带故障自检方法及系统 |
| CN117014784B (zh) * | 2023-09-27 | 2024-01-30 | 深圳市冉希古科技有限公司 | 一种头戴式耳机的头带故障自检方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI632443B (zh) | 異常資料的重要度判定裝置以及異常資料的重要度判定方法 | |
| US10896080B2 (en) | S.M.A.R.T. threshold optimization method used for disk failure detection | |
| US11748227B2 (en) | Proactive information technology infrastructure management | |
| US10373065B2 (en) | Generating database cluster health alerts using machine learning | |
| US8682824B2 (en) | Method and device for monitoring the state of a facility | |
| EP2015186B1 (en) | Diagnostic systems and methods for predictive condition monitoring | |
| CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| CA2471013A1 (en) | Method and system for analyzing and predicting the behavior of systems | |
| CN111143173A (zh) | 一种基于神经网络的服务器故障监测方法及系统 | |
| EP3674827B1 (en) | Monitoring target selecting device, monitoring target selecting method and program | |
| CN112414694B (zh) | 基于多元状态估计技术的设备多级异常状态识别方法及装置 | |
| CN112286771A (zh) | 一种针对全域资源监控的告警方法 | |
| CN112214768A (zh) | 一种恶意进程的检测方法及装置 | |
| KR102315580B1 (ko) | 건물의 화재 예측 분석 장치 및 방법 | |
| CN115902476A (zh) | 一种多维度变压器故障诊断和状态评估系统和方法 | |
| CN114490829A (zh) | 一种故障识别方法、装置、设备及存储介质 | |
| CN116337135A (zh) | 一种仪表故障诊断方法、系统、电子设备及可读存储介质 | |
| KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
| CN113469247B (zh) | 网络资产异常检测方法 | |
| CN116778688B (zh) | 机房告警事件处理方法、装置、设备及存储介质 | |
| CN118035904A (zh) | 一种基于多频段数据融合的振摆监测故障诊断方法及系统 | |
| CN115169650B (zh) | 一种大数据分析的装备健康预测方法 | |
| CN116468423A (zh) | 一种运维应急协同方法、系统和终端设备 | |
| US7016809B1 (en) | Method and system for automatically interpreting computer system performance measurements | |
| TWI854128B (zh) | 故障檢測裝置及故障檢測方法 |
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 |