CN114662702A - 故障检测方法、装置、电子设备和介质 - Google Patents

故障检测方法、装置、电子设备和介质 Download PDF

Info

Publication number
CN114662702A
CN114662702A CN202210340068.9A CN202210340068A CN114662702A CN 114662702 A CN114662702 A CN 114662702A CN 202210340068 A CN202210340068 A CN 202210340068A CN 114662702 A CN114662702 A CN 114662702A
Authority
CN
China
Prior art keywords
frequency
target
feature
features
interval data
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
CN202210340068.9A
Other languages
English (en)
Inventor
杨海华
杨敬
王栋
张英
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202210340068.9A priority Critical patent/CN114662702A/zh
Publication of CN114662702A publication Critical patent/CN114662702A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06Q10/20—Administration of product repair or maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本公开提供了一种故障检测方法、装置、设备、介质和产品，涉及计算机技术领域，具体为工业大数据、机器学习技术领域。故障检测方法包括：基于目标频率范围和目标设备的运行状态数据的频率，对运行状态数据进行分解，得到与目标频率范围对应的频率区间数据；对频率区间数据进行特征提取，得到与频率区间数据对应的初始特征集合，其中，初始特征集合中的初始特征包括类别标识；基于类别标识，对初始特征集合进行处理，得到目标特征；基于目标特征，确定针对目标设备的故障信息。

Description

故障检测方法、装置、电子设备和介质
技术领域
本公开涉及计算机技术领域，具体为工业大数据、机器学习技术领域，更具体地，涉及一种故障检测方法、装置、电子设备、介质和程序产品。
背景技术
在目标设备的运行过程中，在一些情况下会发生设备故障，目标设备包括机械设备。为了保证设备的正常运行，需要及时检测设备的故障情况，以便及时采集相关措施。但是，相关技术的设备故障检测方式存在准确性较低、成本较高的问题。
发明内容
本公开提供了一种故障检测方法、装置、电子设备、存储介质以及程序产品。
根据本公开的一方面，提供了一种故障检测方法，包括：基于目标频率范围和目标设备的运行状态数据的频率，对所述运行状态数据进行分解，得到与所述目标频率范围对应的频率区间数据；对所述频率区间数据进行特征提取，得到与所述频率区间数据对应的初始特征集合，其中，所述初始特征集合中的初始特征包括类别标识；基于所述类别标识，对所述初始特征集合进行处理，得到目标特征；基于所述目标特征，确定针对所述目标设备的故障信息。
根据本公开的另一方面，提供了一种故障检测装置，包括：分解模块、提取模块、处理模块以及第一确定模块。分解模块，用于基于目标频率范围和目标设备的运行状态数据的频率，对所述运行状态数据进行分解，得到与所述目标频率范围对应的频率区间数据；提取模块，用于对所述频率区间数据进行特征提取，得到与所述频率区间数据对应的初始特征集合，其中，所述初始特征集合中的初始特征包括类别标识；处理模块，用于基于所述类别标识，对所述初始特征集合进行处理，得到目标特征；第一确定模块，用于基于所述目标特征，确定针对所述目标设备的故障信息。
根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器和与所述至少一个处理器通信连接的存储器。其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的故障检测方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行上述的故障检测方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现上述故障检测方法的步骤。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1示意性示出了根据本公开一实施例的故障检测的系统架构；
图2示意性示出了根据本公开一实施例的故障检测方法的流程图；
图3示意性示出了根据本公开一实施例的故障检测方法的系统图；
图4示意性示出了根据本公开另一实施例的故障检测方法的系统图；
图5示意性示出了根据本公开一实施例的故障检测装置的框图；以及
图6是用来实现本公开实施例的用于执行故障检测的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
图1示意性示出了根据本公开一实施例的故障检测的系统架构。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示，根据该实施例的系统架构100可以包括数据采集装置101、102、103，网络104和服务器105。网络104用以在数据采集装置101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
数据采集装置101、102、103可以是具有数据采集功能的各种电子设备，例如包括但不限于温度传感器、压力传感器、设备磨损传感器等等。
服务器105可以是提供各种服务的服务器，例如对用户利用数据采集装置101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的数据进行分析等处理，并将处理结果。服务器105还可以是云服务器，即服务器105具有云计算功能。
需要说明的是，本公开实施例所提供的故障检测方法可以由服务器105执行。相应地，本公开实施例所提供的故障检测装置可以设置于服务器105中。
在一种示例中，数据采集装置101、102、103用于采集目标设备的运行状态数据，目标设备例如包括机械设备，机械设备包括但不仅限于飞机、汽轮机、燃气轮机、机床等等。数据采集装置101、102、103可以将采集的运行状态数据通过网络104发送给服务器105。服务器105可以处理运行状态数据，得到针对目标设备的故障信息。
应该理解，图1中的数据采集装置、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的数据采集装置、网络和服务器。
下面结合图1的系统架构，参考图2～图4来描述根据本公开示例性实施方式的故障检测方法。本公开实施例的故障检测方法例如可以由图1所示的服务器来执行，图1所示的服务器例如以下文的电子设备相同或类似。
图2示意性示出了根据本公开一实施例的故障检测方法的流程图。
如图2所示，本公开实施例的故障检测方法200例如可以包括操作S210～操作S240。
在操作S210，基于目标频率范围和目标设备的运行状态数据的频率，对运行状态数据进行分解，得到与目标频率范围对应的频率区间数据。
在操作S220，对频率区间数据进行特征提取，得到与频率区间数据对应的初始特征集合，初始特征集合中的初始特征包括类别标识。
在操作S230，基于类别标识，对初始特征集合进行处理，得到目标特征。
在操作S240，基于目标特征，确定针对目标设备的故障信息。
示例性地，目标频率范围可以包括多个，例如包括目标频率范围[a，b]、目标频率范围(b，c]、目标频率范围(c，d]等等，其中a、b、c、d为频率数值。当然，各个目标频率范围之间也可以存在部分数值重合，本公开的实施例对目标频率范围的具体数值不作限定。
示例性地，目标设备例如包括机械设备，机械设备例如包括飞机、汽轮机、燃气轮机、机床等等。运行状态数据例如包括压力数据、温度数据、轴承力数据、密封力数据、间隙气流激振数据、机床刀具磨损度数据等等。
以目标频率范围作为依据，确定目标设备的运行状态数据的频率和目标频率范围的对应关系，基于对应关系对目标设备的运行状态数据进行分解，得到与多个目标频率范围一一对应的多个频率区间数据。每个频率区间数据的频率落入与其对应的目标频率范围之内。
在将运行状态数据分解为多个频率区间数据之后，分别对每个频率区间数据进行特征提取，得到与每个频率区间对应的初始特征集合，初始特征集合中包括多初始特征，每个初始特征具有类别标签，类别标签表征了初始特征所属的类别。
在得到多个初始特征集合之后，可以基于初始特征的类别标签处理多个初始特征集合得到目标特征。然后，基于目标特征确定针对目标设备的故障信息，例如基于目标特征预测目标设备的故障情况，即，故障信息可以表征目标设备是否出现故障，也可以表征目标设备未来发生故障的概率。
根据本公开的实施例，基于目标频率范围和目标设备的运行状态数据的频率，将运行状态数据分解为多个频率区间数据之后，再分别对每个频率区间数据进行特征提取和特征处理得到目标特征，基于目标特征来确定设备的故障信息。可以理解，由于运行状态数据的频率数值跨度过大，因此将运行状态数据进行分解之后再进行特征提取，提高了特征的准确性，进而提高了故障检测的准确性。
根据本公开的另一实施例，目标频率范围可以预先设定，还可以基于目标设备的运行状态数据的频率分布来确定目标频率范围。例如，当从运行状态数据的频率分布中得知运行状态数据的频率集中在某些区间时，可以将集中的区间作为目标频率范围，从而提高目标频率范围的确定灵活性，提高目标频率范围与运行状态数据之间的匹配程度，从而提高后续特征提取的效果。
图3示意性示出了根据本公开一实施例的故障检测方法的系统图。
如图3所示，针对目标设备的运行状态数据310，对运行状态数据310进行分解得到多个频率区间数据。多个频率区间数据例如包括第一频率区间数据321、第二频率区间数据322、第三频率区间数据323。第一频率区间数据321的频率大于等于第二频率区间数据322的频率，第二频率区间数据322的频率大于等于第三频率区间数据323的频率。换言之，第一频率区间数据321例如为高频数据，第二频率区间数据322例如为中频数据、第三频率区间数据323例如为低频数据，即，将运行状态数据310分解为高频数据、中频数据、低频数据。
在得到第一频率区间数据321、第二频率区间数据322、第三频率区间数据323之后，对第一频率区间数据321进行特征提取，得到初始特征集合331，对第二频率区间数据322进行特征提取，得到初始特征集合332，对第三频率区间数据323进行特征提取，得到初始特征集合333。
示例性地，初始特征集合331、初始特征集合332、初始特征集合333中的每个集合包括多个初始特征，每个初始特征具有类别标识。基于类别标识对初始特征集合331、初始特征集合332、初始特征集合333进行特征处理，得到目标特征340，基于目标特征340得到针对目标设备的故障信息350。
根据本公开的实施例，通过将运行状态数据分解为高频数据、中频数据、低频数据，并分别对高频数据、中频数据、低频数据进行特征提取，使得提取的特征准确性较高，特征提取的效率较高，基于准确性较高的目标特征进行故障检测，提高了故障检测的效果。
图4示意性示出了根据本公开另一实施例的故障检测方法的系统图。
如图4所示，针对运行状态数据410，在对运行状态数据410进行分解之前，可以先对运行状态数据410进行预处理。预处理包括填充缺失值、去除异常值、统一量钢、归一化等等。
针对预处理后的运行状态数据410，基于目标频率范围和运行状态数据410的频率，对运行状态数据410进行分解，得到第一频率区间数据421、第二频率区间数据422和第三频率区间数据423。第一频率区间数据421例如包括高频数据，第二频率区间数据422例如包括中频数据、第三频率区间数据423例如包括低频数据。分解方式例如包括经验模态分解(Empirical Mode Decomposition，EMD)方式。
接下来，对第一频率区间数据421进行特征提取，得到初始特征集合431，对第二频率区间数据422进行特征提取，得到初始特征集合432，对第三频率区间数据423进行特征提取，得到初始特征集合433。
针对初始特征集合431、初始特征集合432、初始特征集合433中的任意一个集合，该集合例如包括至少一个类别的特征。至少一个类别的特征例如包括时域类别特征、频域类别特征、时频域类别特征。时域类别特征的类别标识例如为时域标识，频域类别特征的类别标识例如为频域标识，时频域类别特征的类别标识例如为时频域标识。
根据本公开的实施例，通过对频率区间数据进行特征提取得到多类别的特征，提高了特征的广度，使得提取的特征包括更多与故障相关的信息，以提高故障检测的准确性。
在对初始特征集合431、初始特征集合432、初始特征集合433进行特征处理得到目标特征440时，可以对初始特征集合431、初始特征集合432、初始特征集合433中的各个集合的初始特征分别进行处理，也可以对初始特征集合431、初始特征集合432、初始特征集合433等全部集合中的初始特征进行处理。
在一种示例中，当初始特征集合431、初始特征集合432、初始特征集合433中的任意一个或多个集合包括多个时域类别特征时，对多个时域类别特征进行特征处理得到目标特征440。
示例性地，时域类别特征的类别标识例如为时域标识，基于类别标识从集合中确定多个时域类别特征，将多个时域类别特征中的任意多个进行组合，得到第一组合特征，任意多个进行组合包括任意两个或两个以上进行组合。然后，将多个时域类别特征和第一组合特征确定为目标特征440。
例如，时域类别特征包括均值、均方根、脉冲、峭度、裕度、峰值、均方误差、峰度、偏度等等。第一组合特征例如包括均值和均方根的组合特征、均方根和脉冲的组合特征等等。
在另一种示例中，当初始特征集合431、初始特征集合432、初始特征集合433中的任意一个或多个集合包括多个频域类别特征时，对多个频域类别特征进行特征处理得到目标特征440。
示例性地，频域类别特征的类别标识例如为频域标识，基于类别标识从集合中确定多个频域类别特征，将多个频域类别特征中的任意多个进行组合，得到第二组合特征，任意多个进行组合包括任意两个或两个以上进行组合。然后，将多个频域类别特征和第二组合特征确定为目标特征440。
例如，频域类别特征包括功率谱标准差、功率谱和、功率谱均值、功率谱偏度、功率谱峭度、功率谱相对峰值、最大值频率等等。第二组合特征例如包括功率谱标准差及功率谱和的组合特征、功率谱均值及功率谱偏度的组合特征等等。
在另一种示例中，当初始特征集合431、初始特征集合432、初始特征集合433中的任意一个或多个集合包括时域类别特征和频域类别特征时，对时域类别特征和频域类别特征进行特征处理得到目标特征440。
例如，基于类别标识从集合中确定时域类别特征和频域类别特征，将时域类别特征和频域类别特征进行组合，得到第三组合特征，然后将时域类别特征、频域类别特征和第三组合特征确定为目标特征440。
例如，时域类别特征包括均值、均方根等等，频域类别特征包括功率谱标准差、功率谱和等等。第三组合特征例如包括均值及功率谱标准差的组合特征、均方根及功率谱和的组合特征等等。
在另一种示例中，可以利用快速傅里叶变换、小波分解等方式对各个频率区间数据进行特征提取得到时频域类别特征，时频域类别特征的类别标识例如为时频域标识。当初始特征集合431、初始特征集合432、初始特征集合433中的任意一个或多个集合包括时频域类别特征时，基于类别标识从集合中确定时频域类别特征，并将时频域类别特征确定为目标特征440。
由此，目标特征440例如包括时域类别特征、频域类别特征、时频域类别特征、第一组合特征、第二组合特征、第三组合特征中的任意一个或多个。
根据本公开的实施例，对初始特征进行组合，进一步提高了特征的类别，基于多类别的特征进行故障检测得到的故障信息更加准确。
在得到目标特征440之后，可以从目标特征440中选择重要特征450，并基于重要特征450得到针对目标设备的故障信息470。
例如，基于历史故障信息确定目标特征440的重要度，然后基于重要度，从目标特征440中选择重要特征450。
例如，基于历史故障信息训练特征评价模型，将目标特征440输入特征评价模型中，特征评价模型输出重要度，基于重要度选择重要特征450。特征评价模型例如包括梯度提升模型(Extreme Gradient Boosting，XGBoost)、逻辑回归模型(Logistic Regression，LR)等待。
另外，还可以通过主成分分析法(Principal Component Analysis，PCA)从目标特征440中选择重要特征450。
在得到重要特征450之后，可以将重要特征450输入机器学习模型460中，输出针对目标设备的故障信息470。
示例性地，机器学习模型460例如包括自回归模型(Autoregressive，AR)、移动平均自回归模型(Autoregressive Moving Average，ARMA)、梯度提升模型(ExtremeGradient Boosting，XGBoost)等等。
根据本公开的实施例，在得到目标特征之后，为了避免一些无关特征影响故障检测的效果，可以从目标特征中进一步筛选出重要特征，基于重要特征来进行故障检测，可以提高检测效果和检测准确性。
可以理解，本公开实施例的故障检测方法适用于检测不同类型的目标设备，无需人工分析不同目标设备的工作原理来进行数据分析或特征分析，降低了故障预测对专业知识的要求，在提高故障检测效果的同时还降低了检测成本。
图5示意性示出了根据本公开一实施例的故障检测装置的框图。
如图5所示，本公开实施例的故障检测装置500例如包括分解模块510、提取模块520、处理模块530以及第一确定模块540。
分解模块510可以用于基于目标频率范围和目标设备的运行状态数据的频率，对运行状态数据进行分解，得到与目标频率范围对应的频率区间数据。根据本公开实施例，分解模块510例如可以执行上文参考图2描述的操作S210，在此不再赘述。
提取模块520可以用于对频率区间数据进行特征提取，得到与频率区间数据对应的初始特征集合，其中，初始特征集合中的初始特征包括类别标识。根据本公开实施例，提取模块520例如可以执行上文参考图2描述的操作S220，在此不再赘述。
处理模块530可以用于基于类别标识，对初始特征集合进行处理，得到目标特征。根据本公开实施例，处理模块530例如可以执行上文参考图2描述的操作S230，在此不再赘述。
第一确定模块540可以用于基于目标特征，确定针对目标设备的故障信息。根据本公开实施例，第一确定模块540例如可以执行上文参考图2描述的操作S240，在此不再赘述。
根据本公开的实施例，初始特征集合包括多个时域类别特征；处理模块530包括：第一组合子模块和第一确定子模块。第一组合子模块，用于将多个时域类别特征中的任意多个进行组合，得到第一组合特征；第一确定子模块，用于将多个时域类别特征和第一组合特征确定为目标特征。
根据本公开的实施例，初始特征集合包括多个频域类别特征；处理模块530包括：第二组合子模块和第二确定子模块。第二组合子模块，用于将多个频域类别特征中的任意多个进行组合，得到第二组合特征；第二确定子模块，用于将多个频域类别特征和第二组合特征确定为目标特征。
根据本公开的实施例，初始特征集合包括时域类别特征和频域类别特征；处理模块530包括：第三组合子模块和第三确定子模块。第三组合子模块，用于将时域类别特征和频域类别特征进行组合，得到第三组合特征；第三确定子模块，用于将时域类别特征、频域类别特征和第三组合特征确定为目标特征。
根据本公开的实施例，初始特征集合包括时频域类别特征；处理模块530包括：第四确定子模块，用于将时频域类别特征确定为目标特征。
根据本公开的实施例，第一确定模块540包括：第五确定子模块、选择子模块和获得模块。第五确定子模块，用于基于历史故障信息，确定目标特征的重要度；选择子模块，用于基于重要度，从目标特征中选择重要特征；获得模块，用于将重要特征输入机器学习模型中，得到针对目标设备的故障信息。
根据本公开的实施例，装置500还可以包括：第二确定模块，用于基于目标设备的运行状态数据的频率分布，确定目标频率范围。
根据本公开的实施例，频率区间数据包括第一频率区间数据、第二频率区间数据、第三频率区间数据，第一频率区间数据的频率大于等于第二频率区间数据的频率，第二频率区间数据的频率大于等于第三频率区间数据的频率。
根据本公开的实施例，时域类别特征包括以下至少一个：均值、均方根、脉冲、峭度、裕度、峰值、均方误差、峰度、偏度。
根据本公开的实施例，频域类别特征包括以下至少一个：功率谱标准差、功率谱和、功率谱均值、功率谱偏度、功率谱峭度、功率谱相对峰值、最大值频率。
在本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开实施例，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行上文所描述的故障检测方法。
根据本公开实施例，提供了一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时实现上文所描述的故障检测方法。
图6是用来实现本公开实施例的用于执行故障检测的电子设备的框图。
图6示出了可以用来实施本公开实施例的示例电子设备600的示意性框图。电子设备600旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如故障检测方法。例如，在一些实施例中，故障检测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的故障检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行故障检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程故障检测装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (23)

1.一种故障检测方法，包括：
基于目标频率范围和目标设备的运行状态数据的频率，对所述运行状态数据进行分解，得到与所述目标频率范围对应的频率区间数据；
对所述频率区间数据进行特征提取，得到与所述频率区间数据对应的初始特征集合，其中，所述初始特征集合中的初始特征包括类别标识；
基于所述类别标识，对所述初始特征集合进行处理，得到目标特征；以及
基于所述目标特征，确定针对所述目标设备的故障信息。
2.根据权利要求1所述的方法，其中，所述初始特征集合包括多个时域类别特征；所述基于所述类别标识，对所述初始特征集合进行处理，得到目标特征包括：
将所述多个时域类别特征中的任意多个进行组合，得到第一组合特征；以及
将所述多个时域类别特征和所述第一组合特征确定为所述目标特征。
3.根据权利要求1或2所述的方法，其中，所述初始特征集合包括多个频域类别特征；所述基于所述类别标识，对所述初始特征集合进行处理，得到目标特征包括：
将所述多个频域类别特征中的任意多个进行组合，得到第二组合特征；以及
将所述多个频域类别特征和所述第二组合特征确定为所述目标特征。
4.根据权利要求1-3中任意一项所述的方法，其中，所述初始特征集合包括时域类别特征和频域类别特征；所述基于所述类别标识，对所述初始特征集合进行处理，得到目标特征包括：
将所述时域类别特征和所述频域类别特征进行组合，得到第三组合特征；以及
将所述时域类别特征、所述频域类别特征和所述第三组合特征确定为所述目标特征。
5.根据权利要求1-4中任意一项所述的方法，其中，所述初始特征集合包括时频域类别特征；所述基于所述类别标识，对所述初始特征集合进行处理，得到目标特征包括：
将所述时频域类别特征确定为所述目标特征。
6.根据权利要求1所述的方法，其中，所述基于所述目标特征，确定所述目标设备的故障信息包括：
基于历史故障信息，确定所述目标特征的重要度；
基于所述重要度，从所述目标特征中选择重要特征；以及
将所述重要特征输入机器学习模型中，得到针对所述目标设备的故障信息。
7.根据权利要求1所述的方法，还包括：
基于所述目标设备的运行状态数据的频率分布，确定所述目标频率范围。
8.根据权利要求1所述的方法，其中，所述频率区间数据包括第一频率区间数据、第二频率区间数据、第三频率区间数据，所述第一频率区间数据的频率大于等于所述第二频率区间数据的频率，所述第二频率区间数据的频率大于等于所述第三频率区间数据的频率。
9.根据权利要求2所述的方法，其中，所述时域类别特征包括以下至少一个：
均值、均方根、脉冲、峭度、裕度、峰值、均方误差、峰度、偏度。
10.根据权利要求3所述的方法，其中，所述频域类别特征包括以下至少一个：
功率谱标准差、功率谱和、功率谱均值、功率谱偏度、功率谱峭度、功率谱相对峰值、最大值频率。
11.一种故障检测装置，包括：
分解模块，用于基于目标频率范围和目标设备的运行状态数据的频率，对所述运行状态数据进行分解，得到与所述目标频率范围对应的频率区间数据；
提取模块，用于对所述频率区间数据进行特征提取，得到与所述频率区间数据对应的初始特征集合，其中，所述初始特征集合中的初始特征包括类别标识；
处理模块，用于基于所述类别标识，对所述初始特征集合进行处理，得到目标特征；以及
第一确定模块，用于基于所述目标特征，确定针对所述目标设备的故障信息。
12.根据权利要求11所述的装置，其中，所述初始特征集合包括多个时域类别特征；所述处理模块包括：
第一组合子模块，用于将所述多个时域类别特征中的任意多个进行组合，得到第一组合特征；以及
第一确定子模块，用于将所述多个时域类别特征和所述第一组合特征确定为所述目标特征。
13.根据权利要求11或12所述的装置，其中，所述初始特征集合包括多个频域类别特征；所述处理模块包括：
第二组合子模块，用于将所述多个频域类别特征中的任意多个进行组合，得到第二组合特征；以及
第二确定子模块，用于将所述多个频域类别特征和所述第二组合特征确定为所述目标特征。
14.根据权利要求11-13中任意一项所述的装置，其中，所述初始特征集合包括时域类别特征和频域类别特征；所述处理模块包括：
第三组合子模块，用于将所述时域类别特征和所述频域类别特征进行组合，得到第三组合特征；以及
第三确定子模块，用于将所述时域类别特征、所述频域类别特征和所述第三组合特征确定为所述目标特征。
15.根据权利要求11-14中任意一项所述的装置，其中，所述初始特征集合包括时频域类别特征；所述处理模块包括：
第四确定子模块，用于将所述时频域类别特征确定为所述目标特征。
16.根据权利要求11所述的装置，其中，所述第一确定模块包括：
第五确定子模块，用于基于历史故障信息，确定所述目标特征的重要度；
选择子模块，用于基于所述重要度，从所述目标特征中选择重要特征；以及
获得模块，用于将所述重要特征输入机器学习模型中，得到针对所述目标设备的故障信息。
17.根据权利要求11所述的装置，还包括：
第二确定模块，用于基于所述目标设备的运行状态数据的频率分布，确定所述目标频率范围。
18.根据权利要求11所述的装置，其中，所述频率区间数据包括第一频率区间数据、第二频率区间数据、第三频率区间数据，所述第一频率区间数据的频率大于等于所述第二频率区间数据的频率，所述第二频率区间数据的频率大于等于所述第三频率区间数据的频率。
19.根据权利要求12所述的装置，其中，所述时域类别特征包括以下至少一个：
均值、均方根、脉冲、峭度、裕度、峰值、均方误差、峰度、偏度。
20.根据权利要求13所述的装置，其中，所述频域类别特征包括以下至少一个：
功率谱标准差、功率谱和、功率谱均值、功率谱偏度、功率谱峭度、功率谱相对峰值、最大值频率。
21.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-10中任一项所述的方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-10中任一项所述的方法。
23.一种计算机程序产品，包括计算机程序/指令，其特征在于，所述计算机程序/指令被处理器执行时实现根据权利要求1-10中任一项所述方法的步骤。
CN202210340068.9A 2022-03-31 2022-03-31 故障检测方法、装置、电子设备和介质 Pending CN114662702A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210340068.9A CN114662702A (zh) 2022-03-31 2022-03-31 故障检测方法、装置、电子设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210340068.9A CN114662702A (zh) 2022-03-31 2022-03-31 故障检测方法、装置、电子设备和介质

Publications (1)

Publication Number Publication Date
CN114662702A true CN114662702A (zh) 2022-06-24

Family

ID=82033842

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210340068.9A Pending CN114662702A (zh) 2022-03-31 2022-03-31 故障检测方法、装置、电子设备和介质

Country Status (1)

Country Link
CN (1) CN114662702A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103234767A (zh) * 2013-04-21 2013-08-07 蒋全胜 基于半监督流形学习的非线性故障检测方法
US20170344411A1 (en) * 2016-05-25 2017-11-30 International Business Machines Corporation Equipment failure risk detection and prediction in industrial process
US20190095781A1 (en) * 2017-09-23 2019-03-28 Nanoprecise Sci Corp. System and method for automated fault diagnosis and prognosis for rotating equipment
CN111325159A (zh) * 2020-02-25 2020-06-23 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 故障诊断方法、装置、计算机设备和存储介质
CN113177537A (zh) * 2021-06-29 2021-07-27 湖北博华自动化系统工程有限公司 一种旋转机械设备的故障诊断方法及系统
CN114169539A (zh) * 2022-02-11 2022-03-11 阿里巴巴（中国）有限公司 模型训练方法、训练装置、电子设备和计算机可读介质
CN114239639A (zh) * 2021-11-08 2022-03-25 深圳供电局有限公司 特征选择方法、装置、计算机设备和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103234767A (zh) * 2013-04-21 2013-08-07 蒋全胜 基于半监督流形学习的非线性故障检测方法
US20170344411A1 (en) * 2016-05-25 2017-11-30 International Business Machines Corporation Equipment failure risk detection and prediction in industrial process
US20190095781A1 (en) * 2017-09-23 2019-03-28 Nanoprecise Sci Corp. System and method for automated fault diagnosis and prognosis for rotating equipment
CN111325159A (zh) * 2020-02-25 2020-06-23 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 故障诊断方法、装置、计算机设备和存储介质
CN113177537A (zh) * 2021-06-29 2021-07-27 湖北博华自动化系统工程有限公司 一种旋转机械设备的故障诊断方法及系统
CN114239639A (zh) * 2021-11-08 2022-03-25 深圳供电局有限公司 特征选择方法、装置、计算机设备和存储介质
CN114169539A (zh) * 2022-02-11 2022-03-11 阿里巴巴（中国）有限公司 模型训练方法、训练装置、电子设备和计算机可读介质

Similar Documents

Publication Publication Date Title
CN112162878B (zh) 数据库故障发现方法、装置、电子设备及存储介质
CN115033463B (zh) 一种系统异常类型确定方法、装置、设备和存储介质
US10250463B2 (en) Methods and systems for online monitoring using a variable data sampling rate
CN115686910A (zh) 一种故障分析方法、装置、电子设备及介质
CN114065627A (zh) 温度异常检测方法、装置、电子设备和介质
CN113468021A (zh) 监控性能数据的方法、装置、设备以及存储介质
CN113379153A (zh) 用于预测电力负荷的方法、预测模型训练方法及装置
CN116755974A (zh) 云计算平台运维方法、装置、电子设备及存储介质
CN114662702A (zh) 故障检测方法、装置、电子设备和介质
CN115687406A (zh) 一种调用链数据的采样方法、装置、设备及存储介质
CN115454443A (zh) 多系统的数据交互方法、装置和电子设备
CN113887101A (zh) 网络模型的可视化方法、装置、电子设备及存储介质
CN113014675A (zh) 数据处理方法及装置、电子设备和存储介质
CN113052325A (zh) 在线模型的优化方法、装置、设备、存储介质及程序产品
CN113138903B (zh) 用于跟踪存储系统的性能的方法和设备
EP4123479A2 (en) Method and apparatus for denoising click data, electronic device and storage medium
CN116596336B (zh) 电子设备的状态评估方法、装置、电子设备及存储介质
CN114218285A (zh) 数据检测方法、装置、电子设备及存储介质
CN118132629A (zh) 一种基于多线程的数据对比方法、装置、设备及存储介质
CN117707899A (zh) 一种微服务异常检测方法、装置、设备及存储介质
CN114358288A (zh) 生成知识图谱的方法、信息推荐方法、装置及电子设备
CN115454800A (zh) 日志数据验证方法、装置、电子设备、存储介质及产品
CN118069942A (zh) 一种营销链接的生成方法、装置、设备及存储介质
CN117033057A (zh) 基于调用链数据的故障根因定位方法、装置、设备及介质
CN115604091A (zh) 数据处理方法、装置、基板控制管理系统及电子设备

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