CN114692743A - 故障预测方法、装置以及存储介质 - Google Patents
故障预测方法、装置以及存储介质 Download PDFInfo
- Publication number
- CN114692743A CN114692743A CN202210286970.7A CN202210286970A CN114692743A CN 114692743 A CN114692743 A CN 114692743A CN 202210286970 A CN202210286970 A CN 202210286970A CN 114692743 A CN114692743 A CN 114692743A
- Authority
- CN
- China
- Prior art keywords
- data
- condensed water
- flow value
- fault prediction
- prediction model
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种故障预测方法、装置以及存储介质。其中,一种故障预测方法,包括:根据预先设定的时间间隔,获取用于预测凝结水泵是否出现故障的测点数据;通过预设的故障预测模型根据测点数据,预测凝结水泵的凝结水流量值,其中凝结水流量值用于指示凝结水泵的设备情况;以及在凝结水流量值超过预设的预警阈值的情况下,发送预警信息。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种故障预测方法、装置以及存储介质。
背景技术
火力发电厂中,凝结水泵被用来在火电热力系统中输送凝汽器内的凝结水,由于某些原因,介质在泵的入口处压力下降,而介质温度不变,就会发生汽化。汽化时泵体振动增大,出口压力和电流急剧下降,无法正常工作,即发生凝结水泵汽化故障。关于相关故障的预警还停留在固定阈值检测,或是频次较高的连续不间断的人工巡检中,对于故障的早期预警并没有太多的方法。随着计算机硬件的不断发展以及大数据时代的来临,神经网络在海量数据的分析中展现出强大的能力,它通过渐进和逐层的方式替换了原本复杂以及特定的特征工程。发电厂本身就积累了大量的设备监控数据,相比较于其他工作场所,设备长期处于高强度、高温和高压的生产环境中,故障的发生率和危害性较大。
现有的电厂预警系统大多采用对设备正常运行区间建模的方法。其中方法1是对电厂引风机运行数据进行主成分分析(principal component analysis,PCA)降维,再利用多元状态估计进行建模和故障预警。方法2是以热力学机理和数据挖掘为基础,确定了磨煤机正常运行的特征参数阈值及预警规则,拥有较高的置信区间。方法3采用向量量化(learning vector quantization LVQ)神经网络对磨煤机设备状态进行预测。方法4先采用基于密度的有噪声聚类(density-based spatial clustering of applications withnoise,DBSCAN)方法进行状态聚类,再采用随机森林分类法进行建模,同时实现了故障分类和磨煤机寿命的估算。但是上述方法对凝结水泵的建模工作很少,并且关于相关设备的故障预警还停留在固定阈值检测,或是频次较高的连续不间断的人工巡检中,出现误报的频率较高,以及故障异常出现的时候系统没法做到故障预测和故障设备的定位。
针对上述的现有技术中存在的在设备出现故障时,故障误报率高以及无法进行故障预测的技术问题,目前尚未提出有效的解决方案。
发明内容
本申请的实施例提供了一种故障预测方法、装置以及存储介质,以至少解决现有技术中存在的在设备出现故障时,故障误报率高以及无法进行故障预测的技术问题。
根据本申请实施例的一个方面,提供了一种故障预测方法,包括:根据预先设定的时间间隔,获取用于预测凝结水泵是否出现故障的测点数据;通过预设的故障预测模型根据测点数据,预测凝结水泵的凝结水流量值,其中凝结水流量值用于指示凝结水泵的设备情况;以及在凝结水流量值超过预设的预警阈值的情况下,发送预警信息。
根据本申请实施例的另一个方面,还提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时由处理器执行以上任意一项所述的方法。
根据本申请实施例的另一个方面,还提供了一种故障预测装置,包括:数据获取模块,用于根据预先设定的时间间隔,获取用于预测凝结水泵是否出现故障的测点数据;数据预测模块,用于通过预设的故障预测模型根据测点数据,预测凝结水泵的凝结水流量值,其中凝结水流量值用于指示凝结水泵的设备情况;以及信息发送模块,用于在凝结水流量值超过预设的预警阈值的情况下,发送预警信息。
根据本申请实施例的另一个方面,还提供了一种故障预测装置,包括:处理器;以及存储器,与处理器连接,用于为处理器提供处理以下处理步骤的指令:根据预先设定的时间间隔,获取用于预测凝结水泵是否出现故障的测点数据;通过预设的故障预测模型根据测点数据,预测凝结水泵的凝结水流量值,其中凝结水流量值用于指示凝结水泵的设备情况;以及在凝结水流量值超过预设的预警阈值的情况下,发送预警信息。
在本申请实施例中,计算设备通过故障预测模型根据多种类型的测点数据预测凝结水泵的凝结水流量值,与现有技术中单一的测点数据相比,本技术方案可以多方面的对凝结水流量值进行预测,从而提高了预测的准确性。并且本技术方案通过将预测的凝结水流量值与预设的预警阈值进行比较,当凝结水流量值达到预警阈值时可以及时预警。并且本技术方案中的预警阈值为根据预测值与真实值所确定的,因此与现有技术中的固定阈值相比更为灵活。从而本技术方案通过故障预测模型自动对凝结水流量值进行预测,避免了连续不断的人工巡检,节省了人力物力,减少了误报的频率。并且当凝结水泵出现故障时,可以及时对该凝结水泵进行定位,提高了检修的效率。进而解决了现有技术中存在的在设备出现故障时,故障误报率高以及无法进行故障预测的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是用于实现根据本申请实施例1所述的方法的计算设备的硬件结构框图;
图2是根据本申请实施例1的第一个方面所述的故障预测方法的流程示意图;
图3是根据本申请实施例1所述的LSTM模型的单个时序单元的示意图;
图4是根据本申请实施例1的第一个方面所述的故障预测方法的又一个流程示意图;
图5是根据本申请实施例2所述的故障预测装置的示意图;以及
图6是根据本申请实施例3所述的故障预测装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请的技术方案,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的实施例,而不是全部的实施例。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,都应当属于本申请保护的范围。
需要说明的是,本申请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,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本实施例,提供了一种故障预测方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的计算设备中执行。图1示出了一种用于实现故障预测方法的计算设备的硬件结构框图。如图1所示,计算设备可以包括一个或多个处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器、以及用于通信功能的传输装置。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算设备还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算设备中的其他元件中的任意一个内。如本申请实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器可用于存储应用软件的软件程序以及模块,如本申请实施例中的故障预测方法对应的程序指令/数据存储装置,处理器通过运行存储在存储器内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的应用程序的故障预测方法。存储器可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至计算设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算设备的通信供应商提供的无线网络。在一个实例中,传输装置包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算设备的用户界面进行交互。
此处需要说明的是,在一些可选实施例中,上述图1所示的计算设备可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是,图1仅为特定具体实例的一个实例,并且旨在示出可存在于上述计算设备中的部件的类型。
在上述运行环境下,根据本实施例的第一个方面,提供了一种故障预测方法,该方法由图1中所示的计算设备实现。图2示出了该方法的流程示意图,参考图2所示,该方法包括:
S202:根据预先设定的时间间隔,获取用于预测凝结水泵是否出现故障的测点数据;
S204:通过预设的故障预测模型根据测点数据,预测凝结水泵的凝结水流量值,其中凝结水流量值用于指示凝结水泵的设备情况;以及
S206:在凝结水流量值超过预设的预警阈值的情况下,发送预警信息。
具体地,计算设备预测凝结水泵是否会出现故障时,首先要获取与凝结水泵相关的测点数据。其中测点数据包括:发电机有功功率、凝结水流量、凝结水泵出口母管压力、凝结水泵马达电流和凝结器水位。并且计算设备在获取测点数据时是按照预先设定的时间间隔进行获取的。例如预先设定的时间间隔为10分钟,则计算设备就会每隔10分钟获取一次测点数据(S202)。
进一步地,计算设备将每个时刻获取的测点数据依次输入至预设的故障预测模型中,之后故障预测模型根据该测点数据输出凝结水泵的凝结水流量值。其中故障预测模型例如为LSTM模型。并且其中凝结水流量值用于指示凝结水泵的设备情况(S204)。
进一步地,计算设备得到凝结水流量值之后会将凝结水流量值与预设的预警阈值进行比较,如果凝结水流量值超过预设的预警阈值,则计算设备向告警系统发送预警信息,从而告知管理员该凝结水泵存在故障(S206)。其中预警信息包含凝结水泵的设备编号。
正如背景技术中所述的,在现有技术中对凝结水泵的建模工作很少,并且关于相关设备的故障预警还停留在固定阈值检测,或是频次较高的连续不间断的人工巡检中,出现误报的频率较高,以及故障异常出现的时候系统没法做到故障预测和故障设备的定位。
针对以上所述的技术问题,通过本申请实施例的技术方案,计算设备通过故障预测模型根据多种类型的测点数据预测凝结水泵的凝结水流量值,与现有技术中单一的测点数据相比,本技术方案可以多方面的对凝结水流量值进行预测,从而提高了预测的准确性。并且本技术方案通过将预测的凝结水流量值与预设的预警阈值进行比较,当凝结水流量值达到预警阈值时可以及时预警。并且本技术方案中的预警阈值为根据预测值与真实值所确定的,因此与现有技术中的固定阈值相比更为灵活。从而本技术方案通过故障预测模型自动对凝结水流量值进行预测,避免了连续不断的人工巡检,节省了人力物力,减少了误报的频率。并且当凝结水泵出现故障时,可以及时对该凝结水泵进行定位,提高了检修的效率。进而解决了现有技术中存在的在设备出现故障时,故障误报率高以及无法进行故障预测的技术问题。
可选地,通过预设的故障预测模型根据测点数据,预测凝结水泵的凝结水流量值的操作,包括:将测点数据进行处理,生成基于时间点的矩阵向量;以及将矩阵向量输入故障预测模型,通过故障预测模型对矩阵向量进行分析,得到与测点数据对应的凝结水流量值。
具体地,参考图3所示,计算设备获取某一时间点的测点数据后,会将该时间点的测点数据生成矩阵向量,并将该矩阵向量输入故障预测模型中。之后由故障检测模型(例如,LSTM模型)中的遗忘门、输入门以及输出门三种控制门结构来控制神经网络中隐藏层的记忆单元细胞,对矩阵向量进行分析,得到与测点数据对应的凝结水流量值。其中遗忘门决定着前一时刻的神经单元有多少信息被舍弃,在t时刻遗忘门的输出函数为ft,其中公式为:
进一步地,输入门it记录当前时刻的某些信息,同时采用tanh激活函数,和遗忘门共同控制记忆细胞的更新,其中公式为:
进一步地,输出门ot控制最终输出ht与记忆细胞信息Ct的逻辑关系,即选择输出记忆细胞中的信息,其中公式为:
ht=tanh(Ct)·ot
其中,Wt为当前时刻隐藏层节点,Ut为输入数据的权重矩阵,bt为偏置项,σ为Sigmoid激活函数。Ct-1和Ct表示记忆单元细胞中的内容。
从而本技术方案采用基于机器学习的LSTM模型,可以合理有效的进行故障预警,提高故障预报的准确性。
可选地,通过以下操作步骤训练故障预测模型:获取样本数据,其中样本数据为一段历史时间内的凝结水泵的测点数据;通过选取滑动窗口的方式将样本数据作为训练特征数据;以及利用训练特征数据对故障预测模型进行训练。
具体地,计算设备获取样本数据,用来训练故障预测模型。其中样本数据为一段历史时间内的凝结水泵的测点数据。例如,计算设备获取的样本数据为一段历史时间内的发电机有功功率、凝结水流量、凝结水泵出口母管压力、凝结水泵马达电流和凝结器水位等数据。并且其中样本数据为一段历史时间内的每隔10分钟获取一次的多个测点数据。
进一步地,计算设备通过滑动窗口的方式从样本数据中选取训练特征数据。例如计算设备获取当前时刻与前三个时刻的测点数据,将这共有四个时刻的测点数据作为训练特征数据,将该四个时刻的测点数据输入至故障预测模型中,从而预测下一时刻的凝结水流量值。以此类推,通过滑动窗口的方式将所有样本数据进行选取,得到训练特征数据,从而对故障预测模型进行训练。
从而本技术方案通过滑动窗口的方式选取训练特征数据,实现连续预测,提高了故障预测模型的实用性。
可选地,利用训练特征数据对故障预测模型进行训练的操作,包括:通过预设的LSTM模型分析训练特征数据,得到预测的凝结水流量值;以及利用残差网络将预测的凝结水流量值与真实值进行比对,确定预警阈值,其中预警阈值用于判断凝结水流量值是否超出安全范围。
具体地,计算设备将训练特征数据输入至预设的LSTM模型中,通过LSTM模型输出预测到的凝结水流量值。计算设备预先获取到凝结水流量值的真实值,之后将预测的凝结水流量值和真实值进行比对,确定残差序列,从而确定预警阈值。
R=[r1,r2,r3…rn…]
经过窗口滑动,计算设备可以得到处理后的残差均值序列,其中最大值的绝对值为Emax,定义故障预警阈值为E:
E=αEmax
其中,α为预警系数,但是还需要结合测点数据以及专家意见进行设定,从而达到最好的预警效果。
从而本技术方案通过采用滑动窗口统计法对获得的残差序列进行处理,以获得更恰当的预警阈值,从而提高了故障预测模型的准确性,减少了误报次数的发生。
此外,计算设备采用均方误差(MSE)和平均绝对误差(MAE)对故障预测模型的性能进行评价。其中均方误差(MSE)的公式为:
并且,平均绝对误差(MAE)的公式为:
进一步地,计算设备获取在一段历史时间内,时间采样点为每十分钟一次的测点数据,之后将测点数据输入LSTM模型,同时运用控制变量法(即,滑动窗口),选取恰当的取值范围,训练过程中不断调整LSTM模型的超参数。之后计算设备得到的最终的故障预测模型的结构及各项参数例如为:测试窗口序列长度为18,Sequential模型由3层LSTM层堆叠构成,通过return_sequences参数来实现中间层输出序列的完整返回,为了防止过拟合,每层后添加了一层Dropout层,Dropout值为0.2,最后加入全连接层将输出维度聚合为1。训练时的损失函数为均方差,优化算法采用RMSprop(root mean square prop),批训练数量batch=128,训练次数epochs=20。
在实际的实验中,最后采用模型结构相似的RNN模型进行对比。得到的故障预测模型在验证集上的结果如表1所示:
模型名称 | 验证集MSE | 验证集MAE |
RNN | 0.2056 | 0.1344 |
LSTM | 0.1707 | 0.2546 |
表1
凝结水流量值受实际工况影响,周期性较强,基本可以分为剧烈变化区和平缓变化区,剧烈变化时流量迅速上升或下降,随后进入平缓区。LSTM模型在训练集上的均方误差和平均绝对误差表现优于RNN模型。在波动平缓时期,RNN模型和LSTM模型的预测精度相差不大,真实值与预测值的残差值也保持在较小数值之内,但在样本剧烈波动时,RNN模型的表现不佳,残差值也比LSTM模型大,这是由于LSTM模型是在RNN模型的结构基础上引进了控制门结构,网络中蕴含了样本的长短期依赖信息,因此在数据剧烈变动后能较快的恢复预测精度。
进一步地,计算设备根据LSTM模型在验证集上的表现,对LSTM模型的参数在恰当的范围内进行取值,控制变量不断调整模型参数,并利用model.save()来保存最佳模型,方便下次调用,节约训练时间。
从而本技术方案选取发电机有功功率、凝结水流量、凝结水泵出口母管压力、凝结水泵马达电流、凝结器水位这五类测点数据,通过预测凝结水流量值及滑动窗口统计法来确定阈值,进而判断是否出现凝结水泵汽化故障,与通过单一测点进行预测相比,利用多类测点数据进行预测更为准确。并且本技术方案通过均方误差和平均绝对误差反映出真实值和预测值数据的相关关系,进而可以综合评价故障预测模型的预测能力。
可选地,获取样本数据的操作,包括:获取凝结水泵的多个测点的原始数据;以及将原始数据进行预处理以及标准化处理,得到样本数据。
具体地,参考图4所示,计算设备获取到凝结水泵的多个测点的还未进行处理的原始数据,之后根据样本数据的格式需要,对原始数据进行预处理和标准化处理。其中预处理包括数据整合、异常值筛除以及空值填充。其中标准化处理是使用零-均值规范化的方式,其公式为:
其中,x为原始数据,μ和σ分别是原始数据的均值和标准差。
从而本技术方案通过预处理和标准化的方式消除量纲,并且在对原始数据的分布规律不产生太大影响的同时,使之处于一个比较小的特定区间内,以及有助于进行故障预测模型的训练,加快故障预测模型的收敛速度。
可选地,将原始数据进行预处理以及标准化处理的操作,包括:将原始数据中的缺失数据进行均值填补,并整理乱序数据;以及去除原始数据中的异常值。
具体地,原始数据包括未进行处理的发电机有功功率、凝结水流量、凝结水泵出口母管压力、凝结水泵轴承温度、凝结水泵马达电流和凝结器水位。计算设备在对原始数据进行预处理的方式包括对凝结水泵马达电流和凝结水泵轴承温度这两类测点选择当前时刻活跃凝结水泵的数据,去除噪声数据并将其整合为一类,从而统称为凝结水泵马达电流。以及计算设备对缺失数据进行均值填补,整理乱序数据。并且计算设备会在凝结水泵轴承温度等测点接入时,去除对应的异常值。
由于在实际工作中,为最大限度的保障电厂运行安全,确保故障发生率处于最低状态,电厂往往采用多台水泵轮换工作,同时,由于机组工况复杂,测量设备有时会出现故障,导致测点数据采集失败,接口产生空值及异常值,部分数据缺失时序性,无法进行模型训练,因此要对原始数据进行清洗、填补和处理。从而本技术方案对原始数据进行预处理和标准化处理,从而使得样本数据完整且规范,从而保证了故障预测模型的训练进度。
此外,参考图1所示,根据本实施例的第二个方面,提供了一种存储介质。所述存储介质包括存储的程序,其中,在所述程序运行时由处理器执行以上任意一项所述的方法。
从而根据本实施例,计算设备通过故障预测模型根据多种类型的测点数据预测凝结水泵的凝结水流量值,与现有技术中单一的测点数据相比,本技术方案可以多方面的对凝结水流量值进行预测,从而提高了预测的准确性。并且本技术方案通过将预测的凝结水流量值与预设的预警阈值进行比较,当凝结水流量值达到预警阈值时可以及时预警。并且本技术方案中的预警阈值为根据预测值与真实值所确定的,因此与现有技术中的固定阈值相比更为灵活。从而本技术方案通过故障预测模型自动对凝结水流量值进行预测,避免了连续不断的人工巡检,节省了人力物力,减少了误报的频率。并且当凝结水泵出现故障时,可以及时对该凝结水泵进行定位,提高了检修的效率。进而解决了现有技术中存在的在设备出现故障时,故障误报率高以及无法进行故障预测的技术问题。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
图5示出了根据本实施例所述的故障预测装置500,该装置500与根据实施例1的第一个方面所述的方法相对应。参考图5所示,该装置500包括:数据获取模块510,用于根据预先设定的时间间隔,获取用于预测凝结水泵是否出现故障的测点数据;数据预测模块520,用于通过预设的故障预测模型根据测点数据,预测凝结水泵的凝结水流量值,其中凝结水流量值用于指示凝结水泵的设备情况;以及信息发送模块530,用于在凝结水流量值超过预设的预警阈值的情况下,发送预警信息。
可选地,数据预测模块520包括:数据处理子模块,用于将测点数据进行处理,生成基于时间点的矩阵向量;以及向量分析子模块,用于将矩阵向量输入故障预测模型,通过故障预测模型对矩阵向量进行分析,得到与测点数据对应的凝结水流量值。
可选地,装置500还包括,训练模块,用于通过以下操作步骤训练故障预测模型:数据获取子模块,用于获取样本数据,其中样本数据为一段历史时间内的凝结水泵的测点数据;数据确定子模块,用于通过选取滑动窗口的方式将样本数据作为训练特征数据;以及模型训练子模块,用于利用训练特征数据对故障预测模型进行训练。
可选地,模型训练子模块包括:数据分析单元,用于通过预设的LSTM模型分析训练特征数据,得到预测的凝结水流量值;以及数据比对单元,用于利用残差网络将预测的凝结水流量值与真实值进行比对,确定预警阈值,其中预警阈值用于判断凝结水流量值是否超出安全范围。
可选地,数据获取子模块包括:数据获取单元,用于获取凝结水泵的多个测点的原始数据;以及数据处理单元,用于将原始数据进行预处理以及标准化处理,得到样本数据。
可选地,数据处理单元包括:将原始数据中的缺失数据进行均值填补,并整理乱序数据;以及去除原始数据中的异常值。
从而根据本实施例,计算设备通过故障预测模型根据多种类型的测点数据预测凝结水泵的凝结水流量值,与现有技术中单一的测点数据相比,本技术方案可以多方面的对凝结水流量值进行预测,从而提高了预测的准确性。并且本技术方案通过将预测的凝结水流量值与预设的预警阈值进行比较,当凝结水流量值达到预警阈值时可以及时预警。并且本技术方案中的预警阈值为根据预测值与真实值所确定的,因此与现有技术中的固定阈值相比更为灵活。从而本技术方案通过故障预测模型自动对凝结水流量值进行预测,避免了连续不断的人工巡检,节省了人力物力,减少了误报的频率。并且当凝结水泵出现故障时,可以及时对该凝结水泵进行定位,提高了检修的效率。进而解决了现有技术中存在的在设备出现故障时,故障误报率高以及无法进行故障预测的技术问题。
实施例3
图6示出了根据本实施例所述的故障预测装置600,该装置600与根据实施例1的第一个方面所述的方法相对应。参考图6所示,该装置600包括:处理器610;以及存储器620,与处理器610连接,用于为处理器610提供处理以下处理步骤的指令:根据预先设定的时间间隔,获取用于预测凝结水泵是否出现故障的测点数据;通过预设的故障预测模型根据测点数据,预测凝结水泵的凝结水流量值,其中凝结水流量值用于指示凝结水泵的设备情况;以及在凝结水流量值超过预设的预警阈值的情况下,发送预警信息。
可选地,通过预设的故障预测模型根据测点数据,预测凝结水泵的凝结水流量值的操作,包括:将测点数据进行处理,生成基于时间点的矩阵向量;以及将矩阵向量输入故障预测模型,通过故障预测模型对矩阵向量进行分析,得到与测点数据对应的凝结水流量值。
可选地,通过以下操作步骤训练故障预测模型:获取样本数据,其中样本数据为一段历史时间内的凝结水泵的测点数据;通过选取滑动窗口的方式将样本数据作为训练特征数据;以及利用训练特征数据对故障预测模型进行训练。
可选地,利用训练特征数据对故障预测模型进行训练的操作,包括:通过预设的LSTM模型分析训练特征数据,得到预测的凝结水流量值;以及利用残差网络将预测的凝结水流量值与真实值进行比对,确定预警阈值,其中预警阈值用于判断凝结水流量值是否超出安全范围。
可选地,获取样本数据的操作,包括:获取凝结水泵的多个测点的原始数据;以及将原始数据进行预处理以及标准化处理,得到样本数据。
可选地,将原始数据进行预处理以及标准化处理的操作,包括:将原始数据中的缺失数据进行均值填补,并整理乱序数据;以及去除原始数据中的异常值。
从而根据本实施例,计算设备通过故障预测模型根据多种类型的测点数据预测凝结水泵的凝结水流量值,与现有技术中单一的测点数据相比,本技术方案可以多方面的对凝结水流量值进行预测,从而提高了预测的准确性。并且本技术方案通过将预测的凝结水流量值与预设的预警阈值进行比较,当凝结水流量值达到预警阈值时可以及时预警。并且本技术方案中的预警阈值为根据预测值与真实值所确定的,因此与现有技术中的固定阈值相比更为灵活。从而本技术方案通过故障预测模型自动对凝结水流量值进行预测,避免了连续不断的人工巡检,节省了人力物力,减少了误报的频率。并且当凝结水泵出现故障时,可以及时对该凝结水泵进行定位,提高了检修的效率。进而解决了现有技术中存在的在设备出现故障时,故障误报率高以及无法进行故障预测的技术问题。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,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,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。另一点,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,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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方案的目的。
另外,在本发明各个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。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果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,本发明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,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明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、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种故障预测方法,其特征在于,包括:
根据预先设定的时间间隔,获取用于预测凝结水泵是否出现故障的测点数据;
通过预设的故障预测模型根据所述测点数据,预测所述凝结水泵的凝结水流量值,其中所述凝结水流量值用于指示所述凝结水泵的设备情况;以及
在所述凝结水流量值超过预设的预警阈值的情况下,发送预警信息。
2.根据权利要求1所述的方法,其特征在于,通过预设的故障预测模型根据所述测点数据,预测所述凝结水泵的凝结水流量值的操作,包括:
将所述测点数据进行处理,生成基于时间点的矩阵向量;以及
将所述矩阵向量输入所述故障预测模型,通过所述故障预测模型对所述矩阵向量进行分析,得到与所述测点数据对应的凝结水流量值。
3.根据权利要求1所述的方法,其特征在于,通过以下操作步骤训练所述故障预测模型:
获取样本数据,其中所述样本数据为一段历史时间内的所述凝结水泵的测点数据;
通过选取滑动窗口的方式将所述样本数据作为训练特征数据;以及
利用所述训练特征数据对所述故障预测模型进行训练。
4.根据权利要求3所述的方法,其特征在于,利用所述训练特征数据对所述故障预测模型进行训练的操作,包括:
通过预设的LSTM模型分析所述训练特征数据,得到预测的凝结水流量值;以及
利用残差网络将所述预测的凝结水流量值与真实值进行比对,确定所述预警阈值,其中所述预警阈值用于判断所述凝结水流量值是否超出安全范围。
5.根据权利要求3所述的方法,其特征在于,获取样本数据的操作,包括:
获取所述凝结水泵的多个测点的原始数据;以及
将所述原始数据进行预处理以及标准化处理,得到所述样本数据。
6.根据权利要求5所述的方法,其特征在于,将所述原始数据进行预处理以及标准化处理的操作,包括:
将所述原始数据中的缺失数据进行均值填补,并整理乱序数据;以及
去除所述原始数据中的异常值。
7.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时由处理器执行权利要求1至6中任意一项所述的方法。
8.一种故障预测装置,其特征在于,包括:
数据获取模块,用于根据预先设定的时间间隔,获取用于预测凝结水泵是否出现故障的测点数据;
数据预测模块,用于通过预设的故障预测模型根据所述测点数据,预测所述凝结水泵的凝结水流量值,其中所述凝结水流量值用于指示所述凝结水泵的设备情况;以及
信息发送模块,用于在所述凝结水流量值超过预设的预警阈值的情况下,发送预警信息。
9.根据权利要求8所述的装置,其特征在于,通过预设的故障预测模型根据所述测点数据,预测所述凝结水泵的凝结水流量值的操作,包括:
数据处理子模块,用于将所述测点数据进行处理,生成基于时间点的矩阵向量;以及
向量分析子模块,用于将所述矩阵向量输入所述故障预测模型,通过所述故障预测模型对所述矩阵向量进行分析,得到与所述测点数据对应的凝结水流量值。
10.一种故障预测装置,其特征在于,包括:
处理器;以及
存储器,与所述处理器连接,用于为所述处理器提供处理以下处理步骤的指令:
根据预先设定的时间间隔,获取用于预测凝结水泵是否出现故障的测点数据;
通过预设的故障预测模型根据所述测点数据,预测所述凝结水泵的凝结水流量值,其中所述凝结水流量值用于指示所述凝结水泵的设备情况;以及
在所述凝结水流量值超过预设的预警阈值的情况下,发送预警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210286970.7A CN114692743A (zh) | 2022-03-22 | 2022-03-22 | 故障预测方法、装置以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210286970.7A CN114692743A (zh) | 2022-03-22 | 2022-03-22 | 故障预测方法、装置以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114692743A true CN114692743A (zh) | 2022-07-01 |
Family
ID=82139552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210286970.7A Pending CN114692743A (zh) | 2022-03-22 | 2022-03-22 | 故障预测方法、装置以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114692743A (zh) |
-
2022
- 2022-03-22 CN CN202210286970.7A patent/CN114692743A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101984730B1 (ko) | 서버 장애 자동 예측 시스템 및 자동 예측 방법 | |
US20220283576A1 (en) | Automatic diagnosis method, system and storage medium for equipment | |
US20150199224A1 (en) | Method and Apparatus for Detection of Anomalies in Integrated Parameter Systems | |
CN110895526A (zh) | 一种大气监测系统中数据异常的修正方法 | |
CN108762228A (zh) | 一种基于分布式pca的多工况故障监测方法 | |
CN112629585A (zh) | 基于多维参数估计的设备在线监测方法及装置 | |
RU2649542C1 (ru) | Способ и система удаленного мониторинга объектов | |
KR101941854B1 (ko) | 미취득 데이터 보정을 통한 부하 예측 시스템 및 방법 | |
Nakhodchi et al. | Steeleye: An application-layer attack detection and attribution model in industrial control systems using semi-deep learning | |
CN110570544A (zh) | 飞机燃油系统故障识别方法、装置、设备和存储介质 | |
CN111738520A (zh) | 一种融合孤立森林与长短期记忆网络的系统负载预测方法 | |
KR102005138B1 (ko) | 기기 이상징후 사전감지 방법 및 시스템 | |
CN109690641B (zh) | 包括确定设备重要度和警报有效性的处理程序的用于预检核电站设备异常迹象的方法及系统 | |
US20230118175A1 (en) | Event analysis in an electric power system | |
CN117156442A (zh) | 基于5g网络的云数据安全保护方法及系统 | |
CN117076258A (zh) | 一种基于互联网云端的远程监控方法及系统 | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
CN117388893A (zh) | 一种基于gps的多设备定位系统 | |
CN111814331A (zh) | 复杂情况下多变点的设备剩余使用寿命预测方法 | |
CN114936614B (zh) | 一种基于神经网络的作业风险识别方法及系统 | |
CN114692743A (zh) | 故障预测方法、装置以及存储介质 | |
CN115689320A (zh) | 基站运行的健康管理方法、装置及计算机可读存储介质 | |
CN113778044A (zh) | 一种火电厂送风机系统监控方法及装置 | |
LAMAS-LÓPEZ et al. | Predictive Maintenance of Naval Assets Using Machine Learning Techniques | |
Kim et al. | Fault detection method using inverse distance weight-based local outlier factor |
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 |