CN115130758A - 应用于工业互联网的故障预测方法、装置、介质及设备 - Google Patents
应用于工业互联网的故障预测方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN115130758A CN115130758A CN202210777100.XA CN202210777100A CN115130758A CN 115130758 A CN115130758 A CN 115130758A CN 202210777100 A CN202210777100 A CN 202210777100A CN 115130758 A CN115130758 A CN 115130758A
- Authority
- CN
- China
- Prior art keywords
- accessory
- determining
- ratio
- service life
- time
- 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 44
- 230000002159 abnormal effect Effects 0.000 claims abstract description 55
- 238000009776 industrial production Methods 0.000 claims abstract description 25
- 238000004590 computer program Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 17
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请的实施例提供了一种应用于工业互联网的故障预测方法、装置、计算机可读介质及电子设备。该应用于工业互联网的故障预测方法包括:获取当前工业生产过程中的运行数据以及所述运行数据关联的配件信息;根据运行数据中的运行参数和本轮运行时长,以及预设的参数阈值确定异常运行占比;获取所述配件标识对应的使用寿命,根据所述总运行时长和所述使用寿命确定配件的有效寿命占比;基于所述异常运行占比和所述有效寿命占比确定所述配件发生故障的概率。通过根据配件实际的运行参数值确定异常运行占比,同时将配件的运行时长和使用寿命也考虑进故障的预测中,保证了故障预测的全面和精确,提高了工业生产中的设备监控的效率和可靠性。
Description
本申请是申请日为2022年04月06日中国申请号为2022103534984、发明名称为“应用于工业互联网的故障预测方法、装置及电子设备”的发明申请的分案申请。
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种应用于工业互联网的故障预测方法、装置、计算机可读介质及电子设备。
背景技术
工业互联网是新一代信息通信技术与工业经济深度融合的新型基础设施、应用模式和工业生态,通过对人、机、物、系统等的全面连接,构建起覆盖全产业链、全价值链的全新制造和服务体系。在实际的工业生产过程中,通过对尚未发生但通过某些迹象判断设备可能存在异常,这种判断可以通过某种模型或者算法进行初筛,然后通过人工确认后,再向设备工程师发出警告,最终现场确认设备是否存在故障,或者故障趋势。但是这种方式在精确性和故障预测效率上往往不能满足生产者的需求。
发明内容
本申请的实施例提供了一种应用于工业互联网的故障预测方法、装置、计算机可读介质及电子设备,进而至少在一定程度上可以保证了故障预测的全面和精确,提高了工业生产中的设备监控的效率和可靠性。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面,提供了一种应用于工业互联网的故障预测方法,包括:
获取当前工业生产过程中的运行数据以及所述运行数据关联的配件信息;所述运行数据包括运行参数、本轮运行时长以及总运行时长,所述配件信息包括配件标识;
根据所述运行数据中的运行参数和本轮运行时长,以及预设的参数阈值,确定异常运行占比;
获取所述配件标识对应的使用寿命,根据所述总运行时长和所述使用寿命,确定配件的有效寿命占比;
基于所述异常运行占比和所述有效寿命占比,确定所述配件发生故障的概率。
在本申请的一些实施例中,基于前述方案,所述获取当前工业生产过程中的运行数据以及所述运行数据关联的配件信息,包括:
基于设定的数据获取周期,通过预设的传感器获取当前工业生产过程中的运行数据,并从数据库中获取与所述运行数据关联的配件信息。
在本申请的一些实施例中,基于前述方案,所述根据所述运行数据中的运行参数和本轮运行时长,以及预设的参数阈值,确定异常运行占比,包括:
计算所述运行参数和所述参数阈值之间的参数差值;
根据所述参数差值与所述参数阈值之间的比值,以及所述本轮运行时间,确定异常运行占比。
在本申请的一些实施例中,基于前述方案,所述根据所述总运行时长和所述使用寿命,确定配件的有效寿命占比,包括:
根据所述使用寿命和所述总运行时长之间的比值,确定配件的已用时间占比;
基于所述已用时间占比确定配件的有效寿命占比。
在本申请的一些实施例中,基于前述方案,所述基于所述异常运行占比和所述有效寿命占比,确定所述配件发生故障的概率,包括:
基于所述异常运行占比和所述有效寿命占比之间的比值,确定配件发生故障的概率。
在本申请的一些实施例中,基于前述方案,所述方法还包括:
根据所述配件发生故障的概率和所述使用寿命,预测所述配件的发生故障的时间。
在本申请的一些实施例中,基于前述方案,所述根据所述配件发生故障的概率和所述使用寿命,预测所述配件的发生故障的时间,包括:
根据所述配件发生故障的概率Por_fai,确定配件正常运行的概率Por_fuc为:Por_fuc=1-Por_fai;
根据所述配件正常运行的概率Por_fuc与使用寿命Tim_tal之间的乘积,确定配件正常运行的时长Tim_fuc为:Tim_fuc=μ·Por_fuc·Tim_tal;其中,μ为预设的运行因子;
根据配件正常运行的时长,确定配件的发生故障的时间。
根据本申请实施例的一个方面,提供了一种应用于工业互联网的故障预测装置,包括:
数据获取单元,用于获取当前工业生产过程中的运行数据以及所述运行数据关联的配件信息;所述运行数据包括运行参数、本轮运行时长以及总运行时长,所述配件信息包括配件标识;
异常确定单元,用于根据所述运行数据中的运行参数和本轮运行时长,以及预设的参数阈值,确定异常运行占比;
时间确定单元,用于获取所述配件标识对应的使用寿命,根据所述总运行时长和所述使用寿命,确定配件的有效寿命占比;
故障预测单元,用于基于所述异常运行占比和所述有效寿命占比,确定所述配件发生故障的概率。
在本申请的一些实施例中,基于前述方案,所述获取当前工业生产过程中的运行数据以及所述运行数据关联的配件信息,包括:
基于设定的数据获取周期,通过预设的传感器获取当前工业生产过程中的运行数据,并从数据库中获取与所述运行数据关联的配件信息。
在本申请的一些实施例中,基于前述方案,所述根据所述运行数据中的运行参数和本轮运行时长,以及预设的参数阈值,确定异常运行占比,包括:
计算所述运行参数和所述参数阈值之间的参数差值;
根据所述参数差值与所述参数阈值之间的比值,以及所述本轮运行时间,确定异常运行占比。
在本申请的一些实施例中,基于前述方案,所述根据所述总运行时长和所述使用寿命,确定配件的有效寿命占比,包括:
根据所述使用寿命和所述总运行时长之间的比值,确定配件的已用时间占比;
基于所述已用时间占比确定配件的有效寿命占比。
在本申请的一些实施例中,基于前述方案,所述基于所述异常运行占比和所述有效寿命占比,确定所述配件发生故障的概率,包括:
基于所述异常运行占比和所述有效寿命占比之间的比值,确定配件发生故障的概率。
在本申请的一些实施例中,基于前述方案,所述方法还包括:
根据所述配件发生故障的概率和所述使用寿命,预测所述配件的发生故障的时间。
在本申请的一些实施例中,基于前述方案,所述根据所述配件发生故障的概率和所述使用寿命,预测所述配件的发生故障的时间,包括:
根据所述配件发生故障的概率Por_fai,确定配件正常运行的概率Por_fuc为:Por_fuc=1-Por_fai;
根据所述配件正常运行的概率Por_fuc与使用寿命Tim_tal之间的乘积,确定配件正常运行的时长Tim_fuc为:Tim_fuc=μ·Por_fuc·Tim_tal;其中,μ为预设的运行因子;
根据配件正常运行的时长,确定配件的发生故障的时间。
根据本申请实施例的一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述实施例中所述的应用于工业互联网的故障预测方法。
根据本申请实施例的一个方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例中所述的应用于工业互联网的故障预测方法。
根据本申请实施例的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选实现方式中提供的应用于工业互联网的故障预测方法。
在本申请的一些实施例所提供的技术方案中,获取当前工业生产过程中的运行数据以及所述运行数据关联的配件信息;根据所述运行数据中的运行参数和本轮运行时长,以及预设的参数阈值,确定异常运行占比;获取所述配件标识对应的使用寿命,根据所述总运行时长和所述使用寿命,确定配件的有效寿命占比;基于所述异常运行占比和所述有效寿命占比,确定所述配件发生故障的概率。本实施例中通过根据配件实际的运行参数值确定异常运行占比,同时将配件的运行时长和使用寿命也考虑进故障的预测中,保证了故障预测的全面和精确,提高了工业生产中的设备监控的效率和可靠性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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,还可以根据这些附图获得其他的附图。
图1示意性示出了根据本申请的一个实施例的应用于工业互联网的故障预测方法的流程图。
图2示意性示出了根据本申请的一个实施例的预测配件的发生故障时间的流程图。
图3示意性示出了根据本申请的一个实施例的应用于工业互联网的故障预测装置的示意图。
图4示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本申请将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
以下对本申请实施例的技术方案的实现细节进行详细阐述:
图1示出了根据本申请的一个实施例的应用于工业互联网的故障预测方法的流程图。参照图1所示,该应用于工业互联网的故障预测方法至少包括步骤S110至步骤S140,详细介绍如下:
在步骤S110中,获取当前工业生产过程中的运行数据以及所述运行数据关联的配件信息;所述运行数据包括运行参数、本轮运行时长以及总运行时长,所述配件信息包括配件标识。
在本申请一实施例中,在实际的工业生产过程中,对设备或者配件当前的运行数据和配件信息进行获取。具体的,本实施例中获取的运行数据可以包括运行参数、本轮运行时长以及总运行时长,其中运行参数可以包括温度、转速或者移动速度等等,本轮运行时长表示配件在本次运转作业时连续工作的时长,总运行时长表示该配件在所有作业过程中的运行时长总和。
在本申请一实施例中,还可以基于设定的数据获取周期,通过预设的传感器获取当前工业生产过程中的运行数据,并从数据库中获取与所述运行数据关联的配件信息。以通过传感器的方式提高数据获取的精确性。
在步骤S120中,根据所述运行数据中的运行参数和本轮运行时长,以及预设的参数阈值,确定异常运行占比。
在本申请一实施例中,根据所述运行数据中的运行参数和本轮运行时长,以及预设的参数阈值,确定异常运行占比,包括:
计算所述运行参数和所述参数阈值之间的参数差值;
根据所述参数差值与所述参数阈值之间的比值,以及所述本轮运行时间,确定异常运行占比。
在本申请一实施例中,计算所述运行参数Par_fun和所述参数阈值Par_thr之间的参数差值Par_dif为:
Par_dif=Par_thr-Par_fun
本轮运行时间越长表示发生故障的可能性越高,因此本实施例中确定异常运行占比时,将实际的运行参数和参数阈值考虑进异常评估中,并结合本轮运行时长来进行综合考量,根据所述参数差值Par_dif与所述参数阈值Par_thr之间的比值,以及所述本轮运行时间Tim_rod,确定异常运行占比Por_abn为:
其中,γ表示预设的异常因子,本实施例中在确定异常运行占比时,将实际的运行参数和参数阈值考虑进异常评估中,并结合本轮运行时长来进行综合考量,提高了故障和异常评估的全面性和精确性。
在步骤S130中,获取所述配件标识对应的使用寿命,根据所述总运行时长和所述使用寿命,确定配件的有效寿命占比。
在本申请一实施例中,通过从数据库中获取配件对应的使用寿命,以根据配件总运行的时长和使用寿命,确定配件的有效寿命占比。本实施例中配件的有效寿命占比用于表示根据寿命预测得到的配件可使用的时间在总寿命中的占比,即配件正常运转的可用时长。
在本申请一实施例中,根据所述总运行时长和所述使用寿命,确定配件的有效寿命占比,包括:
根据所述使用寿命和所述总运行时长之间的比值,确定配件的已用时间占比;
基于所述已用时间占比确定配件的有效寿命占比。
在本申请一实施例中,根据所述使用寿命Tim_tal和所述总运行时长Tim_use之间的比值,确定配件的已用时间占比Por_use为:
Por_use=α·Tim_use/Tim_tal
其中,α表示预设的时间因子。
基于所述已用时间占比确定配件的有效寿命占比Por_val为:
Por_val=1-α·Tim_use/Tim_tal
通过上述方式可以计算出配件当前的有效寿命占比,该数值越大表示可用时长越久,即发生故障的可能性越低;越小则表示可用时长越短,即发生故障的可能性越高。
在步骤S140中,基于所述异常运行占比和所述有效寿命占比,确定所述配件发生故障的概率。
在本申请一实施例中,基于所述异常运行占比和所述有效寿命占比,确定所述配件发生故障的概率,包括:
基于所述异常运行占比和所述有效寿命占比之间的比值,确定配件发生故障的概率。
在本申请一实施例中,基于所述异常运行占比Por_abn和所述有效寿命占比Por_val之间的比值,确定配件发生故障的概率Por_fai为:
Por_fai=η·Por_abn/Por_val
其中,η表示预设的故障因子。上述方式,通过根据配件实际的运行参数值确定异常运行占比,同时将配件的运行时长和使用寿命也考虑进故障的预测中,保证了故障预测的全面和精确。
在本申请一实施例中,所述方法还包括:
根据所述配件发生故障的概率和所述使用寿命,预测所述配件的发生故障的时间。
在本申请一实施例中,根据所述配件发生故障的概率和所述使用寿命,预测所述配件的发生故障的时间,包括:
根据所述配件发生故障的概率,确定配件正常运行的概率;
根据所述配件正常运行的概率与使用寿命之间的乘积,确定配件正常运行的时长;
根据配件正常运行的时长,确定配件的发生故障的时间。
在本申请一实施例中,根据所述配件发生故障的概率Por_fai,确定配件正常运行的概率Por_fuc为:
Por_fuc=1-Por_fai
根据所述配件正常运行的概率Por_fuc与使用寿命之间的乘积Tim_tal,确定配件正常运行的时长Tim_fuc为:
Tim_fuc=μ·Por_fuc·Tim_tal
其中,μ为预设的运行因子。本实施例中正常运行时长用于表示估计得到的该配件可以保持正常运转、不发生异常的概率。在计算得到正常运行的时长之后,便可以确定配件的发生故障的时间,即在正常运行的时长结束之后,便可能发生异常。
上述方案,通过获取当前工业生产过程中的运行数据以及所述运行数据关联的配件信息;根据所述运行数据中的运行参数和本轮运行时长,以及预设的参数阈值,确定异常运行占比;获取所述配件标识对应的使用寿命,根据所述总运行时长和所述使用寿命,确定配件的有效寿命占比;基于所述异常运行占比和所述有效寿命占比,确定所述配件发生故障的概率。本实施例中通过根据配件实际的运行参数值确定异常运行占比,同时将配件的运行时长和使用寿命也考虑进故障的预测中,保证了故障预测的全面和精确,提高了工业生产中的设备监控的效率和可靠性。
以下介绍本申请的装置实施例,可以用于执行本申请上述实施例中的应用于工业互联网的故障预测方法。可以理解的是,所述装置可以是运行于计算机设备中的一个计算机程序(包括程序代码),例如该装置为一个应用软件;该装置可以用于执行本申请实施例提供的方法中的相应步骤。对于本申请装置实施例中未披露的细节,请参照本申请上述的应用于工业互联网的故障预测方法的实施例。
图3示出了根据本申请的一个实施例的应用于工业互联网的故障预测装置的框图。
参照图3所示,根据本申请的一个实施例的应用于工业互联网的故障预测装置300,包括:
数据获取单元310,用于获取当前工业生产过程中的运行数据以及所述运行数据关联的配件信息;所述运行数据包括运行参数、本轮运行时长以及总运行时长,所述配件信息包括配件标识;
异常确定单元320,用于根据所述运行数据中的运行参数和本轮运行时长,以及预设的参数阈值,确定异常运行占比;
时间确定单元330,用于获取所述配件标识对应的使用寿命,根据所述总运行时长和所述使用寿命,确定配件的有效寿命占比;
故障预测单元340,用于基于所述异常运行占比和所述有效寿命占比,确定所述配件发生故障的概率。
在本申请的一些实施例中,基于前述方案,所述获取当前工业生产过程中的运行数据以及所述运行数据关联的配件信息,包括:
基于设定的数据获取周期,通过预设的传感器获取当前工业生产过程中的运行数据,并从数据库中获取与所述运行数据关联的配件信息。
在本申请的一些实施例中,基于前述方案,所述根据所述运行数据中的运行参数和本轮运行时长,以及预设的参数阈值,确定异常运行占比,包括:
计算所述运行参数和所述参数阈值之间的参数差值;
根据所述参数差值与所述参数阈值之间的比值,以及所述本轮运行时间,确定异常运行占比。
在本申请的一些实施例中,基于前述方案,所述根据所述总运行时长和所述使用寿命,确定配件的有效寿命占比,包括:
根据所述使用寿命和所述总运行时长之间的比值,确定配件的已用时间占比;
基于所述已用时间占比确定配件的有效寿命占比。
在本申请的一些实施例中,基于前述方案,所述基于所述异常运行占比和所述有效寿命占比,确定所述配件发生故障的概率,包括:
基于所述异常运行占比和所述有效寿命占比之间的比值,确定配件发生故障的概率。
在本申请的一些实施例中,基于前述方案,所述方法还包括:
根据所述配件发生故障的概率和所述使用寿命,预测所述配件的发生故障的时间。
在本申请的一些实施例中,基于前述方案,所述根据所述配件发生故障的概率和所述使用寿命,预测所述配件的发生故障的时间,包括:
根据所述配件发生故障的概率,确定配件正常运行的概率;
根据所述配件正常运行的概率与使用寿命之间的乘积,确定配件正常运行的时长;
根据配件正常运行的时长,确定配件的发生故障的时间。
上述方案,通过获取当前工业生产过程中的运行数据以及所述运行数据关联的配件信息;根据所述运行数据中的运行参数和本轮运行时长,以及预设的参数阈值,确定异常运行占比;获取所述配件标识对应的使用寿命,根据所述总运行时长和所述使用寿命,确定配件的有效寿命占比;基于所述异常运行占比和所述有效寿命占比,确定所述配件发生故障的概率。本实施例中通过根据配件实际的运行参数值确定异常运行占比,同时将配件的运行时长和使用寿命也考虑进故障的预测中,保证了故障预测的全面和精确,提高了工业生产中的设备监控的效率和可靠性。
图4示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是,图4示出的电子设备的计算机系统400仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示,计算机系统400包括中央处理单元(Central Processing Unit,CPU)401,其可以根据存储在只读存储器(Read-Only Memory,ROM)402中的程序或者从储存部分408加载到随机访问存储器(Random Access Memory,RAM)403中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM 403中,还存储有系统操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(Input/Output,I/O)接口405也连接至总线404。
以下部件连接至I/O接口405:包括键盘、鼠标等的输入部分406;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分407;包括硬盘等的储存部分408;以及包括诸如LAN(Local Area Network,局域网)卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便于从其上读出的计算机程序根据需要被安装入储存部分408。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中,该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、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。其中,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,上述模块、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,两个接连地表示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,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操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。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选实现方式中提供的方法。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现上述实施例中所述的方法。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (8)
1.一种应用于工业互联网的故障预测方法,其特征在于,包括:
获取当前工业生产过程中的运行数据以及所述运行数据关联的配件信息;所述运行数据包括运行参数、本轮运行时长以及总运行时长,所述配件信息包括配件标识;
根据所述运行数据中的运行参数和本轮运行时长,以及预设的参数阈值,确定异常运行占比;
获取所述配件标识对应的使用寿命,根据所述总运行时长和所述使用寿命,确定配件的有效寿命占比;
基于所述异常运行占比和所述有效寿命占比,确定所述配件发生故障的概率。
2.根据权利要求1所述的方法,其特征在于,获取当前工业生产过程中的运行数据以及所述运行数据关联的配件信息,包括:
基于设定的数据获取周期,通过预设的传感器获取当前工业生产过程中的运行数据,并从数据库中获取与所述运行数据关联的配件信息。
3.根据权利要求1所述的方法,其特征在于,根据所述运行数据中的运行参数和本轮运行时长,以及预设的参数阈值,确定异常运行占比,包括:
计算所述运行参数和所述参数阈值之间的参数差值;
根据所述参数差值与所述参数阈值之间的比值,以及所述本轮运行时间,确定异常运行占比。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述配件发生故障的概率和所述使用寿命,预测所述配件的发生故障的时间。
5.根据权利要求4所述的方法,其特征在于,根据所述配件发生故障的概率和所述使用寿命,预测所述配件的发生故障的时间,包括:
根据所述配件发生故障的概率Por_fai,确定配件正常运行的概率Por_fuc为:Por_fuc=1-Por_fai;
根据所述配件正常运行的概率Por_fuc与使用寿命Tim_tal之间的乘积,确定配件正常运行的时长Tim_fuc为:Tim_fuc=μ·Por_fuc·Tim_tal;其中,μ为预设的运行因子;
根据配件正常运行的时长,确定配件的发生故障的时间。
6.一种应用于工业互联网的故障预测装置,其特征在于,包括:
数据获取单元,用于获取当前工业生产过程中的运行数据以及所述运行数据关联的配件信息;所述运行数据包括运行参数、本轮运行时长以及总运行时长,所述配件信息包括配件标识;
异常确定单元,用于根据所述运行数据中的运行参数和本轮运行时长,以及预设的参数阈值,确定异常运行占比;
时间确定单元,用于获取所述配件标识对应的使用寿命,根据所述总运行时长和所述使用寿命,确定配件的有效寿命占比;
故障预测单元,用于基于所述异常运行占比和所述有效寿命占比,确定所述配件发生故障的概率。
7.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的应用于工业互联网的故障预测方法。
8.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至5中任一项所述的应用于工业互联网的故障预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210777100.XA CN115130758A (zh) | 2022-04-06 | 2022-04-06 | 应用于工业互联网的故障预测方法、装置、介质及设备 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210353498.4A CN114429250B (zh) | 2022-04-06 | 2022-04-06 | 应用于工业互联网的故障预测方法、装置及电子设备 |
CN202210777100.XA CN115130758A (zh) | 2022-04-06 | 2022-04-06 | 应用于工业互联网的故障预测方法、装置、介质及设备 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210353498.4A Division CN114429250B (zh) | 2022-04-06 | 2022-04-06 | 应用于工业互联网的故障预测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115130758A true CN115130758A (zh) | 2022-09-30 |
Family
ID=81314424
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210777100.XA Pending CN115130758A (zh) | 2022-04-06 | 2022-04-06 | 应用于工业互联网的故障预测方法、装置、介质及设备 |
CN202210353498.4A Active CN114429250B (zh) | 2022-04-06 | 2022-04-06 | 应用于工业互联网的故障预测方法、装置及电子设备 |
CN202210776503.2A Pending CN115115116A (zh) | 2022-04-06 | 2022-04-06 | 应用于工业互联网的故障预测方法及相关设备 |
Family Applications After (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210353498.4A Active CN114429250B (zh) | 2022-04-06 | 2022-04-06 | 应用于工业互联网的故障预测方法、装置及电子设备 |
CN202210776503.2A Pending CN115115116A (zh) | 2022-04-06 | 2022-04-06 | 应用于工业互联网的故障预测方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (3) | CN115130758A (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757587B (zh) * | 2022-06-13 | 2022-09-30 | 深圳市玄羽科技有限公司 | 一种基于大数据的产品质量控制系统及方法 |
CN115526348B (zh) * | 2022-08-30 | 2024-06-25 | 深圳市东昂科兴技术有限公司 | 设备维护计划生成方法、装置、设备及存储介质 |
CN116502166B (zh) * | 2023-04-28 | 2024-02-02 | 天宇正清科技有限公司 | 一种对目标设备故障预测的方法、装置、设备和介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899690A (zh) * | 2015-06-08 | 2015-09-09 | 江苏省电力公司苏州供电公司 | 基于历史故障信息和运行状态的电力电缆运行维护方法 |
CN113127984A (zh) * | 2019-12-31 | 2021-07-16 | 中移(上海)信息通信科技有限公司 | 设备维护的方法、装置、设备及存储介质 |
CN112326287B (zh) * | 2020-10-29 | 2021-09-21 | 工业互联网创新中心(上海)有限公司 | 一种基于物联网的工程机械远程运维系统 |
CN113447290B (zh) * | 2021-06-25 | 2022-11-29 | 上海三一重机股份有限公司 | 一种工程机械故障预警方法、装置及工程机械 |
CN113537643A (zh) * | 2021-08-20 | 2021-10-22 | 诺博特数据信息科技(南京)有限公司 | 一种基于互联网电力设备寿命预测的算法 |
CN113794592B (zh) * | 2021-09-14 | 2024-04-19 | 深圳市凯博百通信息技术有限公司 | 云平台的语音处理方法及系统 |
CN113902198B (zh) * | 2021-10-13 | 2024-07-23 | 彩虹无线(北京)新技术有限公司 | 一种机油寿命预测方法、装置、电子设备和存储介质 |
-
2022
- 2022-04-06 CN CN202210777100.XA patent/CN115130758A/zh active Pending
- 2022-04-06 CN CN202210353498.4A patent/CN114429250B/zh active Active
- 2022-04-06 CN CN202210776503.2A patent/CN115115116A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
CN114429250B (zh) | 2022-07-29 |
CN114429250A (zh) | 2022-05-03 |
CN115115116A (zh) | 2022-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114429250B (zh) | 应用于工业互联网的故障预测方法、装置及电子设备 | |
Tsui et al. | Prognostics and health management: A review on data driven approaches | |
CN103310051B (zh) | 一种全寿命周期内的车载信息终端故障率预测方法 | |
US20160041848A1 (en) | Methods and Apparatuses for Determining a Leak of Resource and Predicting Usage Condition of Resource | |
CN109960232B (zh) | 领先辅助参数的选择方法和设备维护预诊断的方法 | |
CN115122155A (zh) | 基于工业互联网大数据的机床远程诊断方法及系统 | |
CN112346893B (zh) | 故障预测方法、装置、终端及存储介质 | |
CN113849374B (zh) | 中央处理器占用率预测方法、系统、电子设备及存储介质 | |
CN112115031A (zh) | 集群状态监控方法及装置 | |
CN114757587B (zh) | 一种基于大数据的产品质量控制系统及方法 | |
US20230239194A1 (en) | Node health prediction based on failure issues experienced prior to deployment in a cloud computing system | |
JP7262000B2 (ja) | 優先度判定システム、優先度判定方法及びプログラム | |
CN114626563B (zh) | 一种基于大数据的配件管理方法及系统 | |
CN114760341B (zh) | 一种工业互联网设备智能管控远程运维平台及方法 | |
CN111833608B (zh) | 路况信息的处理方法、装置 | |
CN115128986A (zh) | 基于SaaS级的工业互联网产量实时监控系统及方法 | |
US20220171380A1 (en) | Automated device maintenance | |
CN113850428A (zh) | 作业调度的预测处理方法、装置和电子设备 | |
CN114121711A (zh) | 晶圆生产过程的侦测方法、装置、介质和电子设备 | |
CN111026571B (zh) | 处理器降频处理方法、装置及电子设备 | |
Noori et al. | Demand-driven condition-based maintenance planning under Markovian deterioration of machine condition | |
CN115963798A (zh) | 工业互联网中的设备运控方法、系统及电子设备 | |
CN116340101A (zh) | 一种资源监控方法、系统、电子设备及可读存储介质 | |
CN116957402A (zh) | 基于目标缺陷的处理方法、装置及计算机可读存储介质 | |
CN116775205A (zh) | 云主机的资源扩缩容方法和装置 |
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 |