CN114841382A - 设备故障检测方法、装置及存储介质 - Google Patents

设备故障检测方法、装置及存储介质 Download PDF

Info

Publication number
CN114841382A
CN114841382A CN202210391770.8A CN202210391770A CN114841382A CN 114841382 A CN114841382 A CN 114841382A CN 202210391770 A CN202210391770 A CN 202210391770A CN 114841382 A CN114841382 A CN 114841382A
Authority
CN
China
Prior art keywords
fault
target
failure
reason
probability
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
CN202210391770.8A
Other languages
English (en)
Inventor
袁龙健
徐明照
申迎峰
马建元
许星
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.)
Shanghai Qiyao Screw Machinery Co ltd
Shanghai Marine Diesel Engine Research Institute
Original Assignee
Shanghai Qiyao Screw Machinery Co ltd
Shanghai Marine Diesel Engine Research Institute
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 Shanghai Qiyao Screw Machinery Co ltd, Shanghai Marine Diesel Engine Research Institute filed Critical Shanghai Qiyao Screw Machinery Co ltd
Priority to CN202210391770.8A priority Critical patent/CN114841382A/zh
Publication of CN114841382A publication Critical patent/CN114841382A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了设备故障检测方法、装置及存储介质。本发明一方面基于螺杆式压缩机的运行数据确定每一所述故障原因发生的先验概率以及在每一故障原因发生的条件下目标故障发生的似然概率，根据所述先验概率和所述似然概率计算所述目标故障发生时每一所述故障原因发生对应的后验概率，根据每一所述故障原因发生对应的后验概率的大小确定发生所述目标故障时所述全部故障原因的检测顺序。另一方面监测特征参数的时序数据判断与当前工况下的预设范围是否符合，以提高后续故障原因的可靠性。

Description

设备故障检测方法、装置及存储介质
技术领域
本发明涉及工艺螺杆压缩机技术领域，尤其涉及一种设备故障检测方法、装置及存储介质。
背景技术
当前大型机组的状态监测与故障诊断技术已经在石油、化工、发电等行业得到广泛应用，涉及的设备包括蒸汽发电机组、离心压缩机等，实际应用后，事故率和维修成本均大幅降低。工艺螺杆压缩机在石油化工生产过程中处于关键位置，它的稳定与否关系到整个工艺过程的安全，其一旦出现故障，极易引发安全事故，造成财产乃至生命的重大损失。由于工艺螺杆压缩机结构复杂、使用工况恶劣，当前其故障诊断算法的研究较少，尚无形成成熟的工业应用。
现阶段工艺螺杆压缩机的故障诊断方法还停留在观察温度、听声音、观察电流波动等极需经验且不可靠的方式，误诊率高，不利于实现工艺螺杆压缩机的远程故障诊断。
发明内容
本发明提供了一种设备故障检测方法、装置及存储介质，能够有效解决现阶段工艺螺杆压缩机的故障诊断方法还停留在观察温度、听声音、观察电流波动等极需经验且不可靠的方式，误诊率高，不利于实现工艺螺杆压缩机的远程故障诊断的问题。
根据本发明的一方面，提供一种设备故障检测方法，所述方法包括：获取与目标设备相关联的目标故障对应的全部故障原因；基于所述目标设备的历史统计数据确定每一所述故障原因发生的先验概率以及在每一故障原因发生的条件下所述目标故障发生的似然概率根据所述先验概率和所述似然概率计算所述目标故障发生时每一所述故障原因发生对应的后验概率；以及根据每一所述故障原因发生对应的所述后验概率的大小确定发生所述目标故障时所述全部故障原因的检测顺序。
进一步地，所述基于所述目标设备的历史统计数据确定每一所述故障原因发生的先验概率以及在每一故障原因发生的条件下所述目标故障发生的似然概率包括：基于所述历史统计数据确定所述目标设备的运行总时长；获取每一所述故障原因对应的故障时长；以及计算每一所述故障原因对应的故障时长在所述运行总时长中的占比，并将在所述运行总时长中的占比作为每一所述故障原因发生的先验概率。
进一步地，所述基于所述目标设备的历史统计数据确定每一所述故障原因发生的先验概率以及在每一故障原因发生的条件下所述目标故障发生的似然概率还包括：基于所述历史统计数据确定每一所述故障原因发生的次数；获取由每一所述故障原因导致的所述目标故障发生的故障次数；分别计算每一所述故障原因所导致的所述目标故障发生的故障次数在所述故障原因发生的次数的占比，并将在所述故障原因发生的次数的占比作为在每一故障原因发生的条件下所述目标故障发生的似然概率。
进一步地，所述根据所述先验概率和所述似然概率计算所述目标故障发生时每一所述故障原因发生对应的后验概率包括：针对每个故障原因Bi，根据下式计算该故障原因Bi对应的后验概率：
Figure BDA0003595878800000021
其中，n为故障原因总数，P(Bi|A)为故障原因Bi针对目标故障A的后验概率，P(A|Bi)为故障原因Bi针对目标故障A的似然概率，P(Bi)为故障原因Bi对应的先验概率。
进一步地，所述根据每一所述故障原因发生对应的所述后验概率的大小确定发生所述目标故障时所述全部故障原因的检测顺序包括：获取每一所述故障原因发生对应的后验概率；将所述后验概率从大到小进行排列，并将所述故障原因按照其所对应的后验概率的排列顺序对应依次排序以形成所述全部故障原因的检测顺序。
进一步地，获取无故障工况；获取无故障工况对应的所述目标设备的多个特征参数的趋势分量预设范围；根据每一所述故障原因确定与其关联的至少一个特征参数；在目标故障发生的时段内获取监测到的多个特征参数的时序数据的趋势分量；在目标故障发生的时段内，判断目标设备应当处于的单一的无故障工况；
在目标故障发生的时段内，判断与所述目标故障关联的至少一个特征参数的时序数据的趋势分量是否落入无故障工况对应的趋势分量预设范围。。
进一步地，在确定所述至少一个特征参数的时序数据的趋势分量在目标故障发生的时段内的值未落入无故障工况对应的预设范围的情况下，确认所述目标故障发生的原因为与所述至少一个特征参数所关联的故障原因；其中所述未落入无故障工况对应的趋势分量预设范围包括：至少一个特征参数的时序数据的趋势分量在第一预设时间内持续大于趋势分量预设范围；或
至少一个特征参数的时序数据的趋势分量在第二预设时间内大于趋势分量预设范围的次数超过预设次数。
进一步地，所述方法还包括：周期性地根据最新的统计数据更新每一所述故障原因发生的先验概率以及在每一故障原因发生的条件下目标故障发生的似然概率。
根据本发明的另一方面，提供了一种设备故障检测装置包括：故障原因获取单元，用于获取与目标设备相关联的目标故障对应的全部故障原因；第一计算单元，用于基于所述目标设备的历史统计数据确定每一所述故障原因发生的先验概率以及在每一故障原因发生的条件下所述目标故障发生的似然概率；第二计算单元，用于根据所述先验概率和所述似然概率计算所述目标故障发生时每一所述故障原因发生对应的后验概率；以及故障检测单元，用于根据每一所述故障原因发生对应的所述后验概率的大小确定发生所述目标故障时所述全部故障原因的检测顺序。
根据本发明的另一方面，提供了一种存储介质，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行本发明任一实施例所述的设备故障检测方法。
本发明的优点在于，一方面基于所述目标设备的历史统计数据确定每一所述故障原因发生的先验概率以及在每一故障原因发生的条件下所述目标故障发生的似然概率，根据所述先验概率和所述似然概率计算所述目标故障发生时每一所述故障原因发生对应的后验概率，根据每一所述故障原因发生对应的所述后验概率的大小确定发生所述目标故障时所述全部故障原因的检测顺序。另一方面监测特征参数的时序数据判断与当前工况下的预设范围是否符合，以提高后续故障原因的可靠性。
附图说明
下面结合附图，通过对本发明的具体实施方式详细描述，将使本发明的技术方案及其它有益效果显而易见。
图1为本发明实施例一提供的一种设备故障检测方法的步骤流程图。
图2为本发明实施例提供的步骤S120的子步骤流程图。
图3为本发明实施例提供的步骤S120的另一子步骤流程图。
图4为本发明实施例二提供的一种设备故障检测方法的步骤流程图。
图5为本发明实施例三提供的一种设备故障检测装置结构示意图。
图6为本发明实施例提供的一种目标故障检测示意图。
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，本领域技术人员在没有作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。
现在参阅图1，图1为本发明实施例一提供的设备故障检测方法。所述方法包括：
步骤S110：获取与目标设备相关联的目标故障对应的全部故障原因。
示例性地，目标设备可以为螺杆式压缩机，对螺杆式压缩机进行原理分析和故障机理分析，所述目标故障为螺杆式压缩机排气温度高故障对应的全部故障原因、排气温度高故障形成机理等。结合参阅图6，其中全部故障原因可以理解为，设事件A为“螺杆式压缩机的排气温度高”，事件Bi(i＝1,2,3…N)为所有可能的原因，B1，…，BN为完备事件组。
步骤S120：基于所述目标设备的历史统计数据确定每一所述故障原因发生的先验概率以及在每一故障原因发生的条件下所述目标故障发生的似然概率。
示例性地，螺杆式压缩机的运行数据一般包括对上千套螺杆式压缩机多年的运行数据和故障数据，当然在一些实施例中，螺杆式压缩机的运行数据也可以是当前螺杆式压缩机的运行数据和故障数据。
在一些实施例中，结合参阅图2步骤S120具体包括以下步骤：
步骤S210：基于所述历史统计数据确定所述目标设备的运行总时长。
步骤S220：获取每一所述故障原因对应的故障时长。
步骤S230：计算每一所述故障原因对应的故障时长在所述运行总时长中的占比，并将在所述运行总时长中的占比作为每一所述故障原因发生的先验概率。
示例性地,某现场机组一段时间内特征参数进气温度低于入口蒸汽凝固点、进口压力低于报警值、出口压力高于报警值的时间分别为t1，t2，t3，也即获取每一所述故障原因对应的故障时长也分别为t1，t2，t3。机组运行总时长为T，也即基于所述历史统计数据确定所述目标设备的运行总时长，则P(B2)＝t2/T，以此类推，可以得到P(B1)、P(B3)。
在一些实施例中，结合参阅图3步骤S120具体还包括以下步骤：
步骤S310：基于所述历史统计数据确定每一所述故障原因发生的次数。
步骤S320：获取由每一所述故障原因导致的所述目标故障发生的故障次数。
步骤S330：分别计算每一所述故障原因所导致的所述目标故障发生的故障次数在每一所述故障原因发生的次数的占比，并将在所述故障原因发生的次数的占比作为在每一故障原因发生的条件下所述目标故障发生的似然概率。
示例性地，从所述历史统计数据统计B1、B2、B3各自出现的次数，再分别统计B1、B2、B3各自出现的时导致的螺杆式压缩机的排气温度高故障记录，得到P(A|Bi)。例如，某现场机组一段时间内外压比升高的次数为M，其中外压比升高导致的排气温度故障次数为m，则P(A|B2)＝m/M。
步骤S130：根据所述先验概率和所述似然概率计算所述目标故障发生时每一所述故障原因发生对应的后验概率。
示例性地，根据公式
Figure BDA0003595878800000061
其中P(C)为后验概率，P(B)为似然概率，P(A)为先验概率。其中P(C)＝P(Bi|A)，
P(B)＝P(A|Bi),P(A)＝P(Bi)。也即针对每个故障原因Bi，根据下式计算该故障原因Bi对应的后验概率：
Figure BDA0003595878800000062
其中，n为故障原因总数，P(Bi|A)为故障原因Bi针对目标故障A的后验概率，P(A|Bi)为故障原因Bi针对目标故障A的似然概率，P(Bi)为故障原因Bi对应的先验概率。
步骤S140：根据每一所述故障原因发生对应的所述后验概率的大小确定发生所述目标故障时所述全部故障原因的检测顺序。
在一些实施例中，所述根据每一所述故障原因发生对应的所述后验概率的大小确定发生所述目标故障时所述全部故障原因的检测顺序包括：获取每一所述故障原因发生对应的后验概率，将所述后验概率从大到小进行排列，并将所述故障原因按照其所对应的后验概率的排列顺序对应依次排序以形成所述全部故障原因的检测顺序。
实施例一基于所述目标设备的历史统计数据确定每一所述故障原因发生的先验概率以及在每一故障原因发生的条件下所述目标故障发生的似然概率，根据所述先验概率和所述似然概率计算所述目标故障发生时每一所述故障原因发生对应的后验概率，根据每一所述故障原因发生对应的所述后验概率的大小确定发生所述目标故障时所述全部故障原因的检测顺序。
图4为本发明实施例二提供的设备故障检测方法。所述方法包括：
步骤S410：获取与目标设备相关联的目标故障对应的全部故障原因。
示例性地，目标设备可以为螺杆式压缩机，对螺杆式压缩机进行原理分析和故障机理分析，所述目标故障为螺杆式压缩机排气温度高故障对应的全部故障原因、排气温度高故障形成机理等。结合参阅图6，其中全部故障原因可以理解为，设事件A为“螺杆式压缩机的排气温度高”，事件Bi(i＝1,2,3…N)为所有可能的原因，B1，…，BN为完备事件组。
步骤S420：基于所述目标设备的历史统计数据确定每一所述故障原因发生的先验概率以及在每一故障原因发生的条件下所述目标故障发生的似然概率。
示例性地，螺杆式压缩机的运行数据一般包括对上千套螺杆式压缩机多年的运行数据和故障数据，当然在一些实施例中，螺杆式压缩机的运行数据也可以是当前螺杆式压缩机的运行数据和故障数据。
在一些实施例中，结合参阅图2步骤S120具体包括以下步骤：
步骤S210：基于所述历史统计数据确定所述目标设备的运行总时长。
步骤S220：获取每一所述故障原因对应的故障时长。
步骤S230：计算每一所述故障原因对应的故障时长在所述运行总时长中的占比，并将在所述运行总时长中的占比作为每一所述故障原因发生的先验概率。
示例性地,某现场机组一段时间内特征参数进气温度低于入口蒸汽凝固点、进口压力低于报警值、出口压力高于报警值的时间分别为t1，t2，t3，也即获取每一所述故障原因对应的故障时长也分别为t1，t2，t3。机组运行总时长为T，也即基于所述历史统计数据确定所述目标设备的运行总时长，则P(B2)＝t2/T，以此类推，可以得到P(B1)、P(B3)。
在一些实施例中，结合参阅图3步骤S420具体还包括以下步骤：
步骤S310：基于所述历史统计数据确定每一所述故障原因发生的次数。
步骤S320：获取由每一所述故障原因导致的所述目标故障发生的故障次数。
步骤S330：分别计算每一所述故障原因所导致的所述目标故障发生的故障次数在每一所述故障原因发生的次数的占比，并将在所述故障原因发生的次数的占比作为在每一故障原因发生的条件下所述目标故障发生的似然概率。
示例性地，从所述历史统计数据统计B1、B2、B3各自出现的次数，再分别统计B1、B2、B3各自出现的时导致的螺杆式压缩机的排气温度高故障记录，得到P(A|Bi)。例如，某现场机组一段时间内外压比升高的次数为M，其中外压比升高导致的排气温度故障次数为m，则P(A|B2)＝m/M。
步骤S430：根据所述先验概率和所述似然概率计算所述目标故障发生时每一所述故障原因发生对应的后验概率。
示例性地，根据公式
Figure BDA0003595878800000081
其中P(C)为后验概率，P(B)为似然概率，P(A)为先验概率。其中P(C)＝P(Bi|A)，
P(B)＝P(A|Bi),P(A)＝P(Bi)。也即针对每个故障原因Bi，根据下式计算该故障原因Bi对应的后验概率：
Figure BDA0003595878800000091
其中，n为故障原因总数，P(Bi|A)为故障原因Bi针对目标故障A的后验概率，P(A|Bi)为故障原因Bi针对目标故障A的似然概率，P(Bi)为故障原因Bi对应的先验概率。
步骤S440：根据每一所述故障原因发生对应的所述后验概率的大小确定发生所述目标故障时所述全部故障原因的检测顺序。
在一些实施例中，所述根据每一所述故障原因发生对应的所述后验概率的大小确定发生所述目标故障时所述全部故障原因的检测顺序包括：获取每一所述故障原因发生对应的后验概率，将所述后验概率从大到小进行排列，并将所述故障原因按照其所对应的后验概率的排列顺序对应依次排序以形成所述全部故障原因的检测顺序。
步骤S450：获取无故障工况对应的所述目标设备的多个特征参数的趋势分量预设范围。
步骤S460：根据每一所述故障原因确定与其关联的至少一个特征参数。
步骤S470：在目标故障发生的时段内获取监测到的多个特征参数的时序数据的趋势分量。
步骤S480：在目标故障发生的时段内，判断与所述目标故障关联的至少一个特征参数的时序数据的趋势分量是否落入无故障工况对应的趋势分量预设范围。
步骤S490：在确定所述至少一个特征参数的时序数据的趋势分量在目标故障发生的时段内的值未落入无故障工况对应的预设范围的情况下，确认所述目标故障发生的原因为与所述至少一个特征参数所关联的故障原因。
在一些实施例中，在步骤S450之前还可以包括获取无故障工况的步骤。
在一些实施例中，在目标故障发生的时段内，还需要判断目标设备处于的单一的无故障工况，用以确定目标设备在目标故障发生的时段内所处的工况。
在一些实施例中，所述未落入无故障工况对应的趋势分量预设范围包括：
至少一个特征参数的时序数据的趋势分量在第一预设时间内持续大于趋势分量预设范围；或
至少一个特征参数的时序数据的趋势分量在第二预设时间内大于趋势分量预设范围的次数超过预设次数。
步骤S500：周期性地根据最新的统计数据更新每一所述故障原因发生的先验概率以及在每一故障原因发生的条件下目标故障发生的似然概率。
如图6所示，示例性地，以“进气温度”为例，进行趋势分析。利用STL分解进气温度的时序数据，得到周期分量、趋势分量和残差分量。若趋势分量的变化量持续大于限制值，即未落入无故障工况对应的预设范围的情况下(在判断是否落入可以根据取为额定进气温度值的10％作为预设范围，并且多次穿越预设范围，则认为“进气温度”变化是造成事件A发生的可能原因，否则为不可能原因。在故障工况下对该方法进行测试，验证故障检测率。若故障检测率满足要求，则得到排气温度高故障的初始模型。若不满足，则需要对聚类算法的阀值和STL分解算法进行优化。
实施例二，一方面基于所述目标设备的历史统计数据确定每一所述故障原因发生的先验概率以及在每一故障原因发生的条件下所述目标故障发生的似然概率，根据所述先验概率和所述似然概率计算所述目标故障发生时每一所述故障原因发生对应的后验概率，根据每一所述故障原因发生对应的所述后验概率的大小确定发生所述目标故障时所述全部故障原因的检测顺序。另一方面监测特征参数的时序数据判断与当前工况下的预设范围是否符合，以提高后续故障原因的可靠性。
图5为本发明实施例三提供的设备故障检测装置。所述装置包括：故障原因获取单元100、第一计算单元200、第二计算单元300和故障检测单元400。
故障原因获取单元用于获取与目标设备相关联的目标故障对应的全部故障原因。示例性地，目标设备可以为螺杆式压缩机，对螺杆式压缩机进行原理分析和故障机理分析，所述目标故障为螺杆式压缩机排气温度高故障对应的全部故障原因、排气温度高故障形成机理等。结合参阅图6，其中全部故障原因可以理解为，设事件A为“螺杆式压缩机的排气温度高”，事件Bi(i＝1,2,3…N)为所有可能的原因，B1，…，BN为完备事件组。
第一计算单元用于基于所述目标设备的历史统计数据确定每一所述故障原因发生的先验概率以及在每一故障原因发生的条件下所述目标故障发生的似然概率。示例性地，螺杆式压缩机的运行数据一般包括对上千套螺杆式压缩机多年的运行数据和故障数据，当然在一些实施例中，螺杆式压缩机的运行数据也可以是当前螺杆式压缩机的运行数据和故障数据。
在一些实施例中，第一计算单元执行以下步骤：基于所述螺杆式压缩机的运行数据确定螺杆式压缩机的运行总时长。获取每一所述故障原因对应的故障时长。计算每一所述故障原因对应的故障时长在所述运行总时长中对应的占比，并将在所述运行总时长中对应的占比作为每一所述故障原因发生的先验概率。
示例性地,某现场机组一段时间内特征参数进气温度低于入口蒸汽凝固点、进口压力低于报警值、出口压力高于报警值的时间分别为t1，t2，t3，也即获取每一所述故障原因对应的故障时长也分别为t1，t2，t3。机组运行总时长为T，也即基于所述历史统计数据确定所述目标设备的运行总时长，则P(B2)＝t2/T，以此类推，可以得到P(B1)、P(B3)。
示例性地，从所述历史统计数据统计B1、B2、B3各自出现的次数，再分别统计B1、B2、B3各自出现的时导致的螺杆式压缩机的排气温度高故障记录，得到P(A|Bi)。例如，某现场机组一段时间内外压比升高的次数为M，其中外压比升高导致的排气温度故障次数为m，则P(A|B2)＝m/M。
在一些实施例中，第一计算单元还执行以下步骤：基于所述螺杆式压缩机的运行数据确定每一所述故障原因发生的次数。
获取由每一所述故障原因分别导致所述目标故障发生的故障次数。计算每一所述故障原因分别导致所述目标故障发生的故障次数在所述故障原因发生的次数的占比，并将在所述故障原因发生的次数的占比作为在每一故障原因发生的条件下目标故障发生的似然概率。
示例性地，从所述历史统计数据统计B1、B2、B3各自出现的次数，再分别统计B1、B2、B3各自出现的时导致的螺杆式压缩机的排气温度高故障记录，得到P(A|Bi)。例如，某现场机组一段时间内外压比升高的次数为M，其中外压比升高导致的排气温度故障次数为m，则P(A|B2)＝m/M。
第二计算单元用于根据所述先验概率和所述似然概率计算所述目标故障发生时每一所述故障原因发生对应的后验概率。示例性地，根据公式
Figure BDA0003595878800000121
Figure BDA0003595878800000122
其中P(C)为后验概率，P(B)为似然概率，P(A)为先验概率。其中P(C)＝P(Bi|A)，P(B)＝P(A|Bi),P(A)＝P(Bi)。也即针对每个故障原因Bi，根据下式计算该故障原因Bi对应的后验概率：
Figure BDA0003595878800000123
其中，n为故障原因总数，P(Bi|A)为故障原因Bi针对目标故障A的后验概率，P(A|Bi)为故障原因Bi针对目标故障A的似然概率，P(Bi)为故障原因Bi对应的先验概率。
故障检测单元用于根据每一所述故障原因发生对应的所述后验概率的大小确定发生所述目标故障时所述全部故障原因的检测顺序。
在一些实施例中，所述根据每一所述故障原因发生对应的所述后验概率的大小确定发生所述目标故障时所述全部故障原因的检测顺序包括：获取每一所述故障原因发生对应的后验概率，将所述后验概率从大到小进行排列，并将所述故障原因按照其所对应的后验概率的排列顺序对应依次排序以形成所述全部故障原因的检测顺序。
实施例三基基于所述目标设备的历史统计数据确定每一所述故障原因发生的先验概率以及在每一故障原因发生的条件下所述目标故障发生的似然概率，根据所述先验概率和所述似然概率计算所述目标故障发生时每一所述故障原因发生对应的后验概率，根据每一所述故障原因发生对应的所述后验概率的大小确定发生所述目标故障时所述全部故障原因的检测顺序。
本发明还提供一种存储介质，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行本发明任一实施例所述的设备故障检测方法。
综上所述，虽然本发明已以优选实施例揭露如上，但上述优选实施例并非用以限制本发明，本领域的普通技术人员，在不脱离本发明的精神和范围内，均可作各种更动与润饰，因此本发明的保护范围以权利要求界定的范围为准。

Claims (10)

1.一种设备故障检测方法，其特征在于，包括：
获取与目标设备相关联的目标故障对应的全部故障原因；
基于所述目标设备的历史统计数据确定每一所述故障原因发生的先验概率以及在每一故障原因发生的条件下所述目标故障发生的似然概率；
根据所述先验概率和所述似然概率计算所述目标故障发生时每一所述故障原因发生对应的后验概率；以及
根据每一所述故障原因发生对应的所述后验概率的大小确定发生所述目标故障时所述全部故障原因的检测顺序。
2.根据权利要求1所述的设备故障检测方法，其特征在于，所述基于所述目标设备的历史统计数据确定每一所述故障原因发生的先验概率以及在每一故障原因发生的条件下所述目标故障发生的似然概率包括：
基于所述历史统计数据确定所述目标设备的运行总时长；
获取每一所述故障原因对应的故障时长；以及
计算每一所述故障原因对应的故障时长在所述运行总时长中的占比，并将在所述运行总时长中的占比作为每一所述故障原因发生的先验概率。
3.根据权利要求1所述的设备故障检测方法，其特征在于，所述基于所述目标设备的历史统计数据确定每一所述故障原因发生的先验概率以及在每一故障原因发生的条件下所述目标故障发生的似然概率还包括：
基于所述历史统计数据确定每一所述故障原因发生的次数；
获取由每一所述故障原因导致的所述目标故障发生的故障次数；
分别计算每一所述故障原因所导致的所述目标故障发生的故障次数在每一所述故障原因发生的次数的占比，并将在所述故障原因发生的次数的占比作为在每一故障原因发生的条件下所述目标故障发生的似然概率。
4.根据权利要求1所述的设备故障检测方法，其特征在于，所述根据所述先验概率和所述似然概率计算所述目标故障发生时每一所述故障原因发生对应的后验概率包括：
针对每个故障原因Bi，根据下式计算该故障原因Bi对应的后验概率：
Figure FDA0003595878790000021
其中，n为故障原因总数，P(Bi|A)为故障原因Bi针对目标故障A的后验概率，P(A|Bi)为故障原因Bi针对目标故障A的似然概率，P(Bi)为故障原因Bi对应的先验概率。
5.根据权利要求1所述的设备故障检测方法，其特征在于，所述根据每一所述故障原因发生对应的所述后验概率的大小确定发生所述目标故障时所述全部故障原因的检测顺序包括：
获取每一所述故障原因发生对应的后验概率；
将所述后验概率从大到小进行排列，并将所述故障原因按照其所对应的后验概率的排列顺序对应依次排序以形成所述全部故障原因的检测顺序。
6.根据权利要求1所述的设备故障检测方法，其特征在于，所述方法还包括：
获取无故障工况对应的所述目标设备的多个特征参数的趋势分量预设范围；
根据每一所述故障原因确定与其关联的至少一个特征参数；
在目标故障发生的时段内获取监测到的多个特征参数的时序数据的趋势分量；在目标故障发生的时段内，判断与所述目标故障关联的至少一个特征参数的时序数据的趋势分量是否落入无故障工况对应的趋势分量预设范围。
7.根据权利要求6所述的设备故障检测方法，其特征在于，所述方法还包括：
在确定所述至少一个特征参数的时序数据的趋势分量在目标故障发生的时段内的值未落入无故障工况对应的预设范围的情况下，确认所述目标故障发生的原因为与所述至少一个特征参数所关联的故障原因；
其中所述未落入无故障工况对应的趋势分量预设范围包括：
至少一个特征参数的时序数据的趋势分量在第一预设时间内持续大于趋势分量预设范围；或
至少一个特征参数的时序数据的趋势分量在第二预设时间内大于趋势分量预设范围的次数超过预设次数。
8.根据权利要求1-7任意一项所述的设备故障检测方法，其特征在于，所述方法还包括：
周期性地根据最新的统计数据更新每一所述故障原因发生的先验概率以及在每一故障原因发生的条件下目标故障发生的似然概率。
9.一种设备故障检测装置，其特征在于，包括：
故障原因获取单元，用于获取与目标设备相关联的目标故障对应的全部故障原因；
第一计算单元，用于基于所述目标设备的历史统计数据确定每一所述故障原因发生的先验概率以及在每一故障原因发生的条件下所述目标故障发生的似然概率；
第二计算单元，用于根据所述先验概率和所述似然概率计算所述目标故障发生时每一所述故障原因发生对应的后验概率；以及
故障检测单元，用于根据每一所述故障原因发生对应的所述后验概率的大小确定发生所述目标故障时所述全部故障原因的检测顺序。
10.一种存储介质，其特征在于，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行权利要求1至8任一项所述的设备故障检测方法。
CN202210391770.8A 2022-04-14 2022-04-14 设备故障检测方法、装置及存储介质 Pending CN114841382A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210391770.8A CN114841382A (zh) 2022-04-14 2022-04-14 设备故障检测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210391770.8A CN114841382A (zh) 2022-04-14 2022-04-14 设备故障检测方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN114841382A true CN114841382A (zh) 2022-08-02

Family

ID=82565934

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210391770.8A Pending CN114841382A (zh) 2022-04-14 2022-04-14 设备故障检测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN114841382A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117329128A (zh) * 2023-12-01 2024-01-02 广东艾高装备科技有限公司 大功率水冷螺杆压缩机排气高温判定方法及高温检测系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117329128A (zh) * 2023-12-01 2024-01-02 广东艾高装备科技有限公司 大功率水冷螺杆压缩机排气高温判定方法及高温检测系统
CN117329128B (zh) * 2023-12-01 2024-02-02 广东艾高装备科技有限公司 大功率水冷螺杆压缩机排气高温判定方法及高温检测系统

Similar Documents

Publication Publication Date Title
JP2007123007A (ja) 燃料電池システムの診断方法および診断装置
CN112799898B (zh) 基于分布式故障检测的互联系统故障节点定位方法及系统
CN114841382A (zh) 设备故障检测方法、装置及存储介质
EP4113539A1 (en) Method and system for intelligent monitoring of state of nuclear power plant
WO2017077970A1 (ja) 真空ポンプの判断システム、および真空ポンプ
JP5651998B2 (ja) パターンライブラリを用いた異常診断方法および異常診断システム
CN110597232B (zh) 一种基于动态置信规则库的变频器冷却水泵故障报警方法
CN111075703B (zh) 一种空气压缩机的故障预测方法及系统
JP2010283000A (ja) 半導体製造における装置異常の予兆検知方法
CN109991956B (zh) 一种液体火箭发动机稳态故障预测方法
CN106651196B (zh) 一种基于风险评估的报警方法及系统
CN116735223A (zh) 一种燃气轮机多参数异常检测的方法
CN112326246A (zh) 基于周期数据及核密度估计的轴承安全状态在线监测方法
CN109872511B (zh) 一种针对轴向位移突变监测的自适应两级报警方法
CN116404213A (zh) 一种燃料电池系统电压一致性的故障诊断方法
CN115856613A (zh) 断路器状态评估方法
CN116735222A (zh) 一种燃气轮机滑油滤器故障的检测方法
CN116379801A (zh) 一种基于lstm的凝汽器换热性能恶化监测方法及系统
CN112257880B (zh) 一种k/n负载均担系统的维修决策方法及系统
JPS61228501A (ja) プラントの異常時処置決定方法
CN115792634A (zh) 一种基于云端在线数据的电池单体电压采样故障识别方法
CN115587331A (zh) 电网设备运行状态诊断预测方法及系统
CN114235424A (zh) 一种燃气轮机燃料滤器故障的检测方法
CN112733420A (zh) 火电机组冷端系统故障诊断方法、装置及电子设备
CN114138620B (zh) 一种云平台日志暴增的检测方法、装置、设备、存储介质

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