CN115409283A - 设备故障预测方法、设备故障预测装置、设备及存储介质 - Google Patents
设备故障预测方法、设备故障预测装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115409283A CN115409283A CN202211186207.3A CN202211186207A CN115409283A CN 115409283 A CN115409283 A CN 115409283A CN 202211186207 A CN202211186207 A CN 202211186207A CN 115409283 A CN115409283 A CN 115409283A
- Authority
- CN
- China
- Prior art keywords
- target
- equipment
- library
- model
- prediction
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种设备故障预测方法、设备故障预测装置、设备及存储介质,可以应用于故障检测技术领域。该方法包括:获取目标区域内与设备标识对应的设备上报的多个测量状态量对应的多个目标时序数据;基于设备标识,从预测模型库中提取与设备标识相匹配的目标逻辑计算模型,其中,预测模型库包括对应于不同设备标识的多个逻辑计算模型;利用目标逻辑计算模型处理多个目标时序数据,得到设备的性能评价结果,其中,性能评价结果表征设备的运行状态;根据性能评价结果对设备进行故障预测,得到预测结果。
Description
技术领域
本公开涉及故障检测领域,尤其涉及一种设备故障预测方法、设备故障预测装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
机房中通常安装有大量的设备,例如蓄电池组、高压柜、低压柜、精密空调、温湿度传感器等。在某一设备发生故障的情况下,会对设备的安全运行或设备所执行的任务造成较为恶劣的影响,例如可能会造成设备的宕机。
目前,对于机房基础设施领域类的设备进行故障维护的实现方式主要划分为两种,第一种是运维人员定时、定点的现场检查,关注设备本身现场的外观、显示屏读数、声音甚至气味,结合各设备故障的历史特点来判断设备是否发生故障;第二种是通过在设备本身、管理系统中设置一定的告警阈值,通过设备运行指标判断是否进行告警以确定设备是否发生故障。
然而,上述依赖于人工巡检或系统告警的方式无法较为准确地对设备的性能进行预测,且需要较高的人力成本。
发明内容
鉴于上述问题,本公开提供了一种设备故障预测方法、设备故障预测装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的第一个方面,提供了一种设备故障预测方法,包括:
获取目标区域内与设备标识对应的设备上报的多个测量状态量对应的多个目标时序数据;
基于上述设备标识,从预测模型库中提取与上述设备标识相匹配的目标逻辑计算模型,其中,上述预测模型库包括对应于不同设备标识的多个逻辑计算模型;
利用上述目标逻辑计算模型处理多个上述目标时序数据,得到上述设备的性能评价结果,其中,上述性能评价结果表征上述设备的运行状态;
根据上述性能评价结果对上述设备进行故障预测,得到预测结果。
根据本公开的实施例,上述逻辑计算模型包括多个模型关系库和多个函数指标库;
其中,上述基于上述设备标识,从预测模型库中提取与上述设备标识相匹配的目标逻辑计算模型,包括:
根据上述设备标识,从多个上述模型关系库中确定与上述设备相匹配的目标模型关系库;
根据上述目标模型关系库,从多个上述函数指标库确定与上述目标模型关系库对应的多个目标函数指标库;
将上述目标模型关系库和多个上述目标函数指标库确定为上述目标逻辑计算模型。
根据本公开的实施例,上述函数指标库包括函数库和指标库,其中,上述模型关系库表征上述函数库中的函数与上述指标库中多个性能指标之间的映射关系;
其中,上述根据上述目标模型关系库,从多个上述函数指标库确定与上述目标模型关系库对应的多个目标函数指标库,包括:
根据上述目标模型关系库中的映射关系,分别从多个上述函数库和多个上述指标库中确定与上述设备对应的目标函数库和多个目标指标库。
根据本公开的实施例,上述目标模型关系库包括目标模型关系库和多个目标函数指标库;
其中,上述利用上述目标逻辑计算模型处理多个上述目标时序数据,得到上述设备的性能评价结果,包括:
将多个上述目标时序数据中的多个指标参数分别代入多个上述目标函数指标库,得到多个性能计算值;
基于上述目标模型关系库中的映射关系,根据多个上述性能计算值确定上述性能评价结果。
根据本公开的实施例,上述目标函数指标库包括目标函数库和多个目标指标库;
其中,上述将多个上述目标时序数据中的多个指标参数分别代入多个上述目标函数指标库,得到多个性能计算值,包括:
将多个上述指标参数分别代入多个上述目标指标库中的多个目标性能指标中,得到多个性能指标参数;
将多个上述性能指标参数分别代入多个上述目标函数库中的多个函数中,得到多个上述性能计算值。
根据本公开的实施例,设备故障预测方法还包括:
在上述预测结果满足预设告警规则的情况下,利用告警装置显示告警信息,其中,上述告警信息包括上述预测结果和与上述预测结果对应的上述设备标识;和/或
根据上述告警信息确定上述设备的初始维护措施,其中,上述初始维护措施包括更换、检修或暂缓处理。
根据本公开的实施例,设备故障预测方法还包括:
将上述预测结果与故障更换表进行对比,得到对比结果;
在上述对比结果表明上述故障更换表不存在与上述预测结果对应的上述设备的情况下,对上述设备的性能进行二次评价,得到二次预测结果;
根据上述二次预测结果确定上述设备的二次维护措施。
根据本公开的实施例,设备故障预测方法还包括:
在上述故障更换表不存在与上述二次预测结果对应的上述设备的情况下,对与上述设备对应的上述目标逻辑计算模型进行修改,得到新的目标逻辑计算模型,以便于根据上述新的目标逻辑计算模型处理上述设备的上述目标时序数据。
根据本公开的实施例,上述设备标识是通过如下方式确定的:
根据上述设备的参数集,生成上述设备的上述设备标识,其中,上述参数集包括以下至少一种:空间信息、设备类型和设备编码,上述设备标识包括上述设备的配置参数。
根据本公开的实施例,上述获取目标区域内与设备标识对应的设备上报的多个测量状态量对应的多个目标时序数据,包括:
获取上述目标区域内的上述设备上报的多个测量状态量对应的多个初始时序数据;
根据上述设备标识中的配置参数,从多个上述初始时序数据中确定上述目标时序数据。
根据本公开的实施例,上述根据上述设备标识中的配置参数,从多个上述初始时序数据中确定上述目标时序数据,包括:
针对每个上述初始时序数据,在上述配置参数表明上述初始时序数据属于上述配置参数中的任一种的情况下,将上述初始时序数据确定为上述目标时序数据。
根据本公开的实施例,上述根据上述设备标识中的配置参数,从多个上述初始时序数据中确定上述目标时序数据,还包括:
针对每个上述初始时序数据,在上述配置参数表明上述初始时序数据不属于上述配置参数中的任一种的情况下,删除上述初始时序数据。
本公开的第二方面提供了一种设备故障预测装置,包括:
获取模块,用于获取目标区域内与设备标识对应的设备上报的多个测量状态量对应的多个目标时序数据;
提取模块,用于基于上述设备标识,从预测模型库中提取与上述设备标识相匹配的目标逻辑计算模型,其中,上述预测模型库包括对应于不同设备标识的多个逻辑计算模型;
评价模块,用于利用上述目标逻辑计算模型处理多个上述目标时序数据,得到上述设备的性能评价结果,其中,上述性能评价结果表征上述设备的运行状态;以及
预测模块,用于根据上述性能评价结果对上述设备进行故障预测,得到预测结果。
本公开的第三方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述方法。
本公开的第四方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述方法。
本公开的第五方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述方法。
根据本公开提供的设备故障预测方法、装置、设备、介质和程序产品,通过利用设备标识从预测模型库中提取用于处理该设备的目标时序数据的目标逻辑计算模型,从而对获取的该设备的目标时序数据进行处理,得到该设备的性能评价结果,从而对该设备进行故障预测,得到该设备是否存在故障的预测结果。由于针对于不同设备的目标时序数据是预测模型库中提取相匹配的目标逻辑计算模型进行计算的,因此可以对不同设备实现针对性的计算,使得不同设备的预测结果更加准确,进而至少部分的解决了人工评价的人力成本较高以及依赖系统告警造成无法提前预判设备性能带来的业务效率降低的问题,实现了提高设备故障预测的准确率和提前预判设备是否可能存在故障的技术效果。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的设备故障预测方法的应用场景图;
图2示意性示出了根据本公开实施例的设备故障预测方法的流程图;
图3示意性示出了根据本公开实施例的获取目标逻辑计算模型的流程图;
图4示意性示出了根据本公开实施例的设备故障预测方法的流程图;
图5示意性示出了根据本公开实施例的设备故障预测装置的结构框图;以及
图6示意性示出了根据本公开实施例的适于实现设备故障预测方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
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)。
本公开的实施例提供了一种设备故障预测方法,该方法包括:获取目标区域内与设备标识对应的设备上报的多个测量状态量对应的多个目标时序数据;基于设备标识,从预测模型库中提取与设备标识相匹配的目标逻辑计算模型,其中,预测模型库包括对应于不同设备标识的多个逻辑计算模型;利用目标逻辑计算模型处理多个目标时序数据,得到设备的性能评价结果,其中,性能评价结果表征设备的运行状态;根据性能评价结果对设备进行故障预测,得到预测结果。
图1示意性示出了根据本公开实施例的设备故障预测方法的应用场景图。
如图1所示,根据该实施例的应用场景100可以包括安装有设备的机房。网络104用以在终端设备101、102、103、服务器105和机房设备106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。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如故障预测类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备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用户请求对机房设备上报的时序数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或预测结果等)反馈给终端设备。
需要说明的是,本公开实施例所提供的设备故障预测方法一般可以由服务器105执行。相应地,本公开实施例所提供的设备故障预测装置一般可以设置于服务器105中。本公开实施例所提供的设备故障预测方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的设备故障预测装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络、服务器以及安装有设备的机房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终端设备、网络、服务器和机房。
以下将基于图1描述的场景,通过图2~图4对本公开实施例的设备故障预测方法进行详细描述。
图2示意性示出了根据本公开实施例的设备故障预测方法的流程图。
如图2所示,该实施例的设备故障预测方法可以包括操作S210~操作S240。
在操作S210,获取目标区域内与设备标识对应的设备上报的多个测量状态量对应的多个目标时序数据。
在操作S220,基于设备标识,从预测模型库中提取与设备标识相匹配的目标逻辑计算模型,其中,预测模型库可以包括对应于不同设备标识的多个逻辑计算模型。
在操作S230,利用目标逻辑计算模型处理多个目标时序数据,得到设备的性能评价结果,其中,性能评价结果表征设备的运行状态。
在操作S240,根据性能评价结果对设备进行故障预测,得到预测结果。
根据本公开的实施例,目标区域可以指安装不同设备的场所,例如可以是一个或多个机房。其中,设备的种类可以包括但不限于变压器、高压柜、低压柜、蓄电池、精密空调、温湿度传感器、气体检测设备、不间断电源(Uninterruptible Power Supply,UPS)、服务器等,不同区域的设备具有唯一的设备标识与该设备对应。
根据本公开的实施例,时序数据是指该设备在预设时间段内上报的多条数据,其中,预设时间段可以根据实际情况具体设置,例如可以为一个小时、一天或一个月等。测量状态量可以指设备运行的相关参数,例如设备运行的电流、电压等。
根据本公开的实施例,性能评价结果的表现形式可以是健康度,例如可以用百分制、百分比或者0-1之间的小数来量化设备运行状态的健康度,也可以是用优、良、差等形式表示该性能评价结果。需要说明的是,上述性能评价结果的表现形式仅作为示例说明,其还可以是其他不同类型的表现形式。
根据本公开的实施例,预测模型库内存储有对应于不同设备的性能计算方法的多个逻辑计算模型,例如在对变压器的性能进行确定时,从该预测模型库中提取出对应于变压器的逻辑计算模型,利用该逻辑计算模型处理从该变压器上报的多个目标时序数据,从而可以计算得到该目标区域中该变压器的性能评价结果,从而根据该性能评价结果可以对该变压器的性能做出故障预测,得到预测结果,例如该预测结果可以是无故障、性能较差和发生故障中的一种。
根据本公开提供的设备故障预测方法、装置、设备、介质和程序产品,通过利用设备标识从预测模型库中提取用于处理该设备的目标时序数据的目标逻辑计算模型,从而对获取的该设备的目标时序数据进行处理,得到该设备的性能评价结果,从而对该设备进行故障预测,得到该设备是否存在故障的预测结果。由于针对于不同设备的目标时序数据是预测模型库中提取相匹配的目标逻辑计算模型进行计算的,因此可以对不同设备实现针对性的计算,使得不同设备的预测结果更加准确,进而至少部分的解决了人工评价的人力成本较高以及依赖系统告警造成无法提前预判设备性能带来的业务效率降低的问题,实现了提高设备故障预测的准确率和提前预判设备是否可能存在故障的技术效果。
根据本公开的实施例,逻辑计算模型可以包括多个模型关系库和多个函数指标库。
图3示意性示出了根据本公开实施例的获取目标逻辑计算模型的流程图。
如图3所示,基于设备标识,从预测模型库中提取与设备标识相匹配的目标逻辑计算模型,可以包括操作S310~操作S330。
在操作S310,根据设备标识,从多个模型关系库中确定与设备相匹配的目标模型关系库。
在操作S320,根据目标模型关系库,从多个函数指标库确定与目标模型关系库对应的多个目标函数指标库。
在操作S330,将目标模型关系库和多个目标函数指标库确定为目标逻辑计算模型。
根据本公开的实施例,模型关系库可以指与该设备对应的计算方式,其可以引导如何利用与该模型关系库对应的时序数据进行计算。函数指标库可以指具有计算所使用的函数关系式以及与该函数关系式相对应的各个指标。
根据本公开的实施例,在获取到该设备标识的设备上报的时序数据后,根据该设备标识,从多个模型关系库中确定与该设备对应的目标模型关系库,并根据该目标模型关系库从多个函数指标库中确定与该目标模型关系库对应的多个目标函数指标库,将目标模型关系库和多个目标函数指标库确定为目标逻辑计算模型,从而可以利用该目标逻辑计算模型处理目标时序数据,以得到该设备的性能评价结果。
根据本公开的实施例,通过分别建立模型关系库和函数指标库,使得模型关系库和函数指标库可以根据设备的类型进行灵活拓展,针对设备的种类、空间信息灵活地组合所需要的目标逻辑计算模型,打破了不同设备类型、不同空间信息之间的关联壁垒,有助于挖掘使用与不同设备类型、不同空间信息的目标逻辑计算模型。
根据本公开的实施例,函数指标库可以包括函数库和指标库,其中,模型关系库表征函数库中的函数与指标库中多个性能指标之间的映射关系。
根据本公开的实施例,根据目标模型关系库,从多个函数指标库确定与目标模型关系库对应的多个目标函数指标库,可以包括如下操作:
根据目标模型关系库中的映射关系,分别从多个函数库和多个指标库中确定与设备对应的目标函数库和多个目标指标库。
根据本公开的实施例,函数库用于定义时序数据的判断规则单元,包含函数编号、函数名称、条件描述等要素标识,同时针对设备类型、设备所在空间位置、设备测量状态量等维度进行判断规则定义。规则定义是一系列判断条件的组合,可以包括大于、小于、不小于、等于的逻辑判断结果、基数值以及权重值等几个部分。
根据本公开的实施例,指标库用于定义时序数据的计算规则单元,包含指标ID、指标名称、指标描述等要素标识,同时针对设备类型、设备所在空间位置、设备测量状态量等维度进行统计计算定义。统计计算是按照数学方法来进行测量点位值的统计计算,可以包括周期内的求和、差值、平均、最大值、最小值、积分等计算结果、基数值以及权重值等几个部分。
根据本公开的实施例,映射关系可以指函数库中的函数与指标库中多个性能指标之间的组合关系,这种关系包含多个函数或者多个指标,可以通过加权函数、性能指标完成该函数的公式的设定。
根据本公开的实施例,在根据设备标识确定了目标模型关系库后,根据该目标模型关系库中的映射关系,分别从多个函数库和多个指标库中确定与设备对应的目标函数库和多个目标指标库,从而可以将该目标模型关系库、目标含数据和多个目标指标库确定为目标逻辑计算模型,利用该目标逻辑计算模型处理时序数据即可得到该设备的性能评价结果,进而根据性能评价结果对设备进行故障预测,得到预测结果。
根据本公开的实施例,目标模型关系库可以包括目标模型关系库和多个目标函数指标库。
根据本公开的实施例,利用目标逻辑计算模型处理多个目标时序数据,得到设备的性能评价结果,可以包括如下操作:
将多个目标时序数据中的多个指标参数分别代入多个目标函数指标库,得到多个性能计算值。基于目标模型关系库中的映射关系,根据多个性能计算值确定性能评价结果。
根据本公开的实施例,不同设备的指标参数可以不同,例如,在该设备为蓄电池的情况下,其指标参数可以是电压、电阻、温升和放点状态等,在设备为变压器的情况下,其指标参数可以是输入电压、输出电压等。需要说明的是,每一种指标参数均可以具有对应的标识,以便于与函数指标库一一对应,实现性能计算值的准确计算。
根据本公开的实施例,将每个目标时序数据中指标参数的标识与目标函数指标库中的指标一一对应代入,从而可以得到与该设备对应的多个性能计算值,根据目标模型关系库中的映射关系处理多个性能计算值,从而得到最终的性能评价结果,例如该映射关系为加和,则将多个性能计算值进行加和处理,从而得到性能评价结果。
根据本公开的实施例,性能计算值的分类计算使得不同的性能参数的计算较为准确,在根据映射关系得到的性能评价结果综合考虑了不同性能参数的影响,从而性能评价结果能够更加全面地用于评价该设备的运行状态。
根据本公开的实施例,目标函数指标库可以包括目标函数库和多个目标指标库。
根据本公开的实施例,将多个目标时序数据中的多个指标参数分别代入多个目标函数指标库,得到多个性能计算值,可以包括如下操作:
将多个指标参数分别代入多个目标指标库中的多个目标性能指标中,得到多个性能指标参数。将多个性能指标参数分别代入多个目标函数库中的多个函数中,得到多个性能计算值。
根据本公开的实施例,指标参数的代入可以是根据指标参数的标识进行匹配确定的,例如指标参数的标识为A2.5,其中A表示电压,则可以将数值2.5代入目标性能指标为电压中进行性能计算值的计算。需要说明的是,上述仅作为示例,并非限制本公开的指标参数的标识只能为上述示例,其可以根据具体需求具体设置。
图4示意性示出了根据本公开实施例的设备故障预测方法的流程图。
如图4所示,设备故障预测方法还可以包括如下操作:
在预测结果满足预设告警规则的情况下,利用告警装置显示告警信息,其中,告警信息可以包括预测结果和与预测结果对应的设备标识;和/或
根据告警信息确定设备的初始维护措施,其中,初始维护措施可以包括更换、检修或暂缓处理。
根据本公开的实施例,告警信息可以表征目标区域内该设备发生何种故障,例如机房A第一排第三列蓄电池的运行状态较差等。
根据本公开的实施例,告警装置可以包括但不限于扬声器、警示灯、在显示器中显示告警标识等多种形式,其显示形式可以包括文字、语音、弹窗等不同类型。
根据本公开的实施例,预设告警规则可以与模型关系库呈一一对应关系,在使用一个模型关系库进行性能评价结果的计算后,可以利用与该模型关系库对应的预设告警规则与预测结果进行分析判断,从而确定是否发出告警信息。例如,在性能评价结果的表现形式为百分制的健康度时,预设告警规则为低于60的健康度表示蓄电池存在故障,在计算得到的性能评价结果为59,则判定该蓄电池的性能评价结果满足预设告警规则,此时可以利用告警装置显示告警信息。
根据本公开的实施例,告警装置的使用使得维护人员无需时刻对预测结果进行监控,其可以在预测发生故障的情况下及时对维护人员发出相应的提醒,有利于故障设备的及时维护。
根据本公开的实施例,设备故障预测方法还可以包括如下操作:
将预测结果与故障更换表进行对比,得到对比结果。在对比结果表明故障更换表不存在与预测结果对应的设备的情况下,对设备的性能进行二次评价,得到二次预测结果。根据二次预测结果确定设备的二次维护措施。
根据本公开的实施例,故障更换表可以是由现场的设备维护人员定期上报的故障更换表,其中,该故障更换表中罗列有该维护人员对应的目标区域中的运行较差的一个或多个设备。
根据本公开的实施例,在对比结果表明故障更换表不存在与预测结果对应的设备的情况下,说明预测结果不准确或者故障更换表不准确,此时可以再次对该设备的性能进行评价,以确定该设备是否存在故障,从而确定是否进行该设备的维护。
根据本公开的实施例,设备故障预测方法还可以包括如下操作:
在故障更换表不存在与二次预测结果对应的设备的情况下,对与设备对应的目标逻辑计算模型进行修改,得到新的目标逻辑计算模型,以便于根据新的目标逻辑计算模型处理设备的目标时序数据。
根据本公开的实施例,如果二次预测结果显示该设备需要更换或者性能较差,而在故障更换表中并没有该设备,说明该目标逻辑计算模型的计算结果并不准确,此时可以对该目标逻辑计算模型进行修改,以使得修改后的目标逻辑计算模型的计算更加准确。其中,修改的方式可以是修改不同函数库的权重,函数库中的权重用于在该函数库中的函数对不同指标参数进行运算时与其他函数库的运算结果的比重。
根据本公开的实施例,对比以及二次评价的方式有助于提高本公开的方法的准确率,具体为其可以根据故障更换表及时对预测结果的准确性进行判断,在准确性较差的情况下重新进行评价,以确定该逻辑计算模型是否存在问题,从而通过直观方便的操作调整权重,实现逻辑计算模型的修正。
根据本公开的实施例,设备标识是通过如下方式确定的:
根据设备的参数集,生成设备的设备标识,其中,参数集可以包括以下至少一种:空间信息、设备类型和设备编码,设备标识可以包括设备的配置参数。
根据本公开的实施例,空间信息可以指该设备的安装位置。例如该设备的具体安装的楼栋、楼层等。
在一种示例性的实施例中,为保证设备的唯一可读,便于后续模块使用,设备命名可以体现设备的专业和空间信息,例如可以按照楼栋(1位)-楼层(3位)-房间(5位)-专业(2位)-设备类型(4位)-设备编号编码(8位),进行命名,如A栋2负一楼(A-B02),电池间1号房(BAR01)第5组第2节电池(00050002)进行命名,因此该蓄电池的命名结果为:A-B02-BAR01-01-BA01-0o050002-参数标识,其中,在电池间1号房(BAR01)和第5组第2节电池(00050002)之间的“01”可以指专业类型,例如该“01”可以指电池专业。
需要说明的是,上述命名方式仅作为示例进行说明,并非限定本公开的命名方式只能为上述方式,其可以根据实际情况进行修改命名方式,只需保证命名方式能够唯一性地指代具体的设备即可。
根据本公开的实施例,设备标识的设定使得设备的故障预测结果更具有针对性,在本公开的方式确定该设备存在故障后,可以根据该设备的设备标识及时确定故障所在的区域,节省了维护人员确定设备具体设备位置的时间,大大提高了设备维护的效率。
根据本公开的实施例,获取目标区域内与设备标识对应的设备上报的多个测量状态量对应的多个目标时序数据,可以包括如下操作:
获取目标区域内的设备上报的多个测量状态量对应的多个初始时序数据。根据设备标识中的配置参数,从多个初始时序数据中确定目标时序数据。
在一种示例性的实施例中,在该设备为蓄电池的情况下,其设备标识中的配置参数可以是以下至少一种:电压、内阻、温升、放电状态,编号定义为n位数字,如电池电压1001,该“1001”可以是蓄电池的命名结果中的“参数标识”。
根据本公开的实施例,初始时序数据的获取可以是基于物联网技术获取的,对于获取的初始时序数据,需要判断其是否是本公开的方法所需要的数据,如果是所需要的数据,则将其确定为目标时序数据。
根据本公开的实施例,初始时序数据的筛选能够剔除非必要的数据,有效节省了目标逻辑计算模型处理时序数据的时间,其只需将对应的目标时序数据代入相应的模型库和指标库中即可完成性能评价结果的计算,提高了故障预测的效率。
根据本公开的实施例,根据设备标识中的配置参数,从多个初始时序数据中确定目标时序数据,可以包括如下操作:
针对每个初始时序数据,在配置参数表明初始时序数据属于配置参数中的任一种的情况下,将初始时序数据确定为目标时序数据。在配置参数表明初始时序数据不属于配置参数中的任一种的情况下,删除初始时序数据。
根据本公开的实施例,从多个初始时序数据中确定目标时序数据的具体规则是:设备标识中的配置参数中存在该初始时序数据的类型时,将该初始时序数据确定为目标时序数据,可以将其存储在存储器中,如配置参数中不存在该初始时序数据的类型时,则可以删除该初始时序数据,此部分的目的在于在进行性能评价结果的计算时,获取到的时序数据能够准确地与逻辑计算模型关联匹配。
为了便于对本公开的设备故障预测方法进行描述,本公开引入蓄电池作为设备进行如下示例性的说明。
根据本公开的实施例,在进行本公开的方法之前,可以对对蓄电池的配置信息进行标准化处理,登记蓄电池设备的标识信息和测量状态量,如下表所示:
表1-设备信息配置示意
序号 | 设备编号 | 设备名称 | 设备种类 | 设备房间位置 | 测量状态量 |
1 | E(1) | N(1) | T(1) | R(1) | P(1) |
2 | E(2) | N(2) | T(2) | R(2) | P(2) |
3 | E(3) | N(3) | T(3) | R(3) | P(3) |
4 | E(4) | N(4) | T(4) | R(4) | P(4) |
…… | …… | …… | …… | …… | …… |
n | E(n) | N(n) | T(n) | R(n) | P(n) |
根据本公开的实施例,上述设备编号、设备名称、设备种类、设备房间位置、测量状态量的编号可以根据实际情况进行修改。
根据本公开的实施例,蓄电池系统上报的测量状态量P(1)数据,该数据包含时间戳和电压值信息,通过查询蓄电池设备的配置信息,确认P(1)是合法的测量状态量,将该值确定为目标时序数据并存储,持续接收一定周期的电压值数据,例如可以接收一天内的数据。
根据本公开的实施例,在性能评价结果为健康度的情况下,配置的蓄电池健康度模型的函数库、指标库和模型库如下表所示:
表2-函数库
序号 | 函数编号 | 函数名称 | 测量状态量 | 规则 | 基数 | 权重值 |
1 | F(1) | 浮充电压偏离值 | P(1) | >= | 0.6 | 0.5 |
2 | F(2) | 组内内阻极差 | P(2) | <= | 1.3 | 0.3 |
…… | …… | …… | …… | …… | …… | …… |
n | F(n) | N(n) | P(n) | R(n) | B(n) | V(n) |
需要说明的是,每种函数的权重值可以根据实际情况具体设定,上述仅为示例,并非指只能是上述权重值的设定。
表3-指标库
序号 | 指标编号 | 设备名称 | 设备种类 | 设备房间位置 | 测量状态量 | 聚合方式 |
1 | K(1) | N(1) | T(1) | R(1) | P(1) | avg |
2 | K(2) | N(2) | T(2) | R(2) | P(2) | max |
…… | …… | …… | …… | …… | …… | …… |
n | F(n) | N(n) | T(n) | R(n) | P(n) | G(n) |
根据本公开的实施例,上述聚合方式中的avg是指多个目标时序数据的平均值,max是指多个目标时序数据的最大值,其他的聚合方式G(n)可以是求和、差值、最小值、积分等。
表4-模型关系库
序号 | 模型编号 | 模型名称 | 基数 | 计算公式 |
1 | M(1) | 电池健康度模型A | 1 | F(1)+K(1) |
2 | M(2) | 电池健康度模型B | 1 | F(2)-K(2) |
…… | …… | …… | …… | …… |
n | M(n) | N(n) | B(n) | V(n) |
根据本公开的实施例,模型关系库中的计算公式即是上文涉及的映射关系,例如计算公式F(1)+K(1)即是指分别按照函数F(1)配置信息,从目标时序数据中确定P(1)点位对应的电压值,执行对应的规则计算,若电压值大于等于基数0.6,则获得对应的权重值0.5;同时按照指标K(1)的数据统计取多个测量状态量P(1)的平均值;最后根据模型M(1)的计算公式计算F(1)+K(1)的值即可得到蓄电池健康度模型A的性能评价结果。根据该性能评价结果对设备进行故障预测,得到预测结果。
根据本公开的实施例,由于时序数据可由物联网技术持续不断的产生,进而可通过周期性的模型计算得到对应设备的预测结果,通过配置健康度的阈值为90%,即可在性能评价结果在90%以下的情况下对该设备进行告警,该告警显示该蓄电池存在落后的可能,此时即可针对性的对落后的电池进行相应的运维处置。
根据本公开的实施例,在性能评价结果不准确的情况下,可以对模型库中的基数、权重值以及函数进行适应性调整,使得性能评价结果在不断调整的过程中提高性能评价结果的准确性。
基于上述设备故障预测方法,本公开还提供了一种设备故障预测装置。以下将结合图5对该装置进行详细描述。
图5示意性示出了根据本公开实施例的设备故障预测装置的结构框图。
如图5所示,该实施例的设备故障预测装置500可以包括获取模块510、提取模块520、评价模块530和预测模块540。
获取模块510,用于获取目标区域内与设备标识对应的设备上报的多个测量状态量对应的多个目标时序数据。在一实施例中,获取模块510可以用于执行前文描述的操作S210,在此不再赘述。
提取模块520,用于基于设备标识,从预测模型库中提取与设备标识相匹配的目标逻辑计算模型,其中,预测模型库可以包括对应于不同设备标识的多个逻辑计算模型。在一实施例中,提取模块520可以用于执行前文描述的操作S220,在此不再赘述。
评价模块530,用于利用目标逻辑计算模型处理多个目标时序数据,得到设备的性能评价结果,其中,性能评价结果表征设备的运行状态。在一实施例中,评价模块530可以用于执行前文描述的操作S230,在此不再赘述。
预测模块540,用于根据性能评价结果对设备进行故障预测,得到预测结果。在一实施例中,预测模块540可以用于执行前文描述的操作S240,在此不再赘述。
根据本公开提供的设备故障预测方法、装置、设备、介质和程序产品,通过利用设备标识从预测模型库中提取用于处理该设备的目标时序数据的目标逻辑计算模型,从而对获取的该设备的目标时序数据进行处理,得到该设备的性能评价结果,从而对该设备进行故障预测,得到该设备是否存在故障的预测结果。由于针对于不同设备的目标时序数据是预测模型库中提取相匹配的目标逻辑计算模型进行计算的,因此可以对不同设备实现针对性的计算,使得不同设备的预测结果更加准确,进而至少部分的解决了人工评价的人力成本较高以及依赖系统告警造成无法提前预判设备性能带来的业务效率降低的问题,实现了提高设备故障预测的准确率和提前预判设备是否可能存在故障的技术效果。
根据本公开的实施例,逻辑计算模型可以包括多个模型关系库和多个函数指标库。
根据本公开的实施例,提取模块520可以包括第一确定单元、第二确定单元和第三确定单元。
第一确定单元,用于根据设备标识,从多个模型关系库中确定与设备相匹配的目标模型关系库。
第二确定单元,用于根据目标模型关系库,从多个函数指标库确定与目标模型关系库对应的多个目标函数指标库。
第三确定单元,用于将目标模型关系库和多个目标函数指标库确定为目标逻辑计算模型。
根据本公开的实施例,函数指标库可以包括函数库和指标库,其中,模型关系库表征函数库中的函数与指标库中多个性能指标之间的映射关系。
根据本公开的实施例,第二确定单元可以包括第一确定子单元。
第一确定子单元,用于根据目标模型关系库中的映射关系,分别从多个函数库和多个指标库中确定与设备对应的目标函数库和多个目标指标库。
根据本公开的实施例,目标模型关系库可以包括目标模型关系库和多个目标函数指标库。
根据本公开的实施例,评价模块530可以包括代入单元和第四确定单元。
代入单元,用于将多个目标时序数据中的多个指标参数分别代入多个目标函数指标库,得到多个性能计算值。
第四确定单元,用于基于目标模型关系库中的映射关系,根据多个性能计算值确定性能评价结果。
根据本公开的实施例,目标函数指标库可以包括目标函数库和多个目标指标库。
根据本公开的实施例,代入单元可以包括第一代入子单元和第二代入子单元。
第一代入子单元,用于将多个指标参数分别代入多个目标指标库中的多个目标性能指标中,得到多个性能指标参数。
第二代入子单元,用于将多个性能指标参数分别代入多个目标函数库中的多个函数中,得到多个性能计算值。
根据本公开的实施例,设备故障预测装置500还可以包括告警模块和/或维护模块。
告警模块,用于在预测结果满足预设告警规则的情况下,利用告警装置显示告警信息,其中,告警信息可以包括预测结果和与预测结果对应的设备标识。
维护模块,用于根据告警信息确定设备的初始维护措施,其中,初始维护措施可以包括更换、检修或暂缓处理。
根据本公开的实施例,设备故障预测装置500还可以包括对比模块、二次预测模块和二次维护模块。
对比模块,用于将预测结果与故障更换表进行对比,得到对比结果。
二次预测模块,用于在对比结果表明故障更换表不存在与预测结果对应的设备的情况下,对设备的性能进行二次评价,得到二次预测结果。
二次维护模块,用于根据二次预测结果确定设备的二次维护措施。
根据本公开的实施例,设备故障预测装置500还可以包括模型修改模块。
模型修改模块,用于在故障更换表不存在与二次预测结果对应的设备的情况下,对与设备对应的目标逻辑计算模型进行修改,得到新的目标逻辑计算模型,以便于根据新的目标逻辑计算模型处理设备的目标时序数据。
根据本公开的实施例,设备标识是通过生成单元确定的。
生成单元,用于根据设备的参数集,生成设备的设备标识,其中,参数集可以包括以下至少一种:空间信息、设备类型和设备编码,设备标识可以包括设备的配置参数。
根据本公开的实施例,获取模块510可以包括获取单元和筛选单元。
获取单元,用于获取目标区域内的设备上报的多个测量状态量对应的多个初始时序数据。
筛选单元,用于根据设备标识中的配置参数,从多个初始时序数据中确定目标时序数据。
根据本公开的实施例,筛选单元可以包括筛选子单元。
筛选子单元,用于针对每个初始时序数据,在配置参数表明初始时序数据属于配置参数中的任一种的情况下,将初始时序数据确定为目标时序数据。
根据本公开的实施例,筛选单元还可以包括剔除子单元。
剔除子单元,用于针对每个初始时序数据,在配置参数表明初始时序数据不属于配置参数中的任一种的情况下,删除初始时序数据。
根据本公开的实施例,获取模块510、提取模块520、评价模块530和预测模块540中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,获取模块510、提取模块520、评价模块530和预测模块540中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获取模块510、提取模块520、评价模块530和预测模块540中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图6示意性示出了根据本公开实施例的适于实现设备故障预测方法的电子设备的方框图。
如图6所示,根据本公开实施例的电子设备600包括处理器601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。处理器601例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器601还可以包括用于缓存用途的板载存储器。处理器601可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 603中,存储有电子设备600操作所需的各种程序和数据。处理器601、ROM602以及RAM 603通过总线604彼此相连。处理器601通过执行ROM 602和/或RAM 603中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 602和RAM 603以外的一个或多个存储器中。处理器601也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备600还可以包括输入/输出(I/O)接口605,输入/输出(I/O)接口605也连接至总线604。电子设备600还可以包括连接至I/O接口605的以下部件中的一项或多项:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,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610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储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执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于: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(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,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。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 602和/或RAM 603和/或ROM 602和RAM 603以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本公开实施例所提供的物品推荐方法。
在该计算机程序被处理器601执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分609被下载和安装,和/或从可拆卸介质611被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被处理器601执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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。在这点上,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。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (16)
1.一种设备故障预测方法,包括:
获取目标区域内与设备标识对应的设备上报的多个测量状态量对应的多个目标时序数据;
基于所述设备标识,从预测模型库中提取与所述设备标识相匹配的目标逻辑计算模型,其中,所述预测模型库包括对应于不同设备标识的多个逻辑计算模型;
利用所述目标逻辑计算模型处理多个所述目标时序数据,得到所述设备的性能评价结果,其中,所述性能评价结果表征所述设备的运行状态;
根据所述性能评价结果对所述设备进行故障预测,得到预测结果。
2.根据权利要求1所述的方法,所述逻辑计算模型包括多个模型关系库和多个函数指标库;
其中,所述基于所述设备标识,从预测模型库中提取与所述设备标识相匹配的目标逻辑计算模型,包括:
根据所述设备标识,从多个所述模型关系库中确定与所述设备相匹配的目标模型关系库;
根据所述目标模型关系库,从多个所述函数指标库确定与所述目标模型关系库对应的多个目标函数指标库;
将所述目标模型关系库和多个所述目标函数指标库确定为所述目标逻辑计算模型。
3.根据权利要求2所述的方法,所述函数指标库包括函数库和指标库,其中,所述模型关系库表征所述函数库中的函数与所述指标库中多个性能指标之间的映射关系;
其中,所述根据所述目标模型关系库,从多个所述函数指标库确定与所述目标模型关系库对应的多个目标函数指标库,包括:
根据所述目标模型关系库中的映射关系,分别从多个所述函数库和多个所述指标库中确定与所述设备对应的目标函数库和多个目标指标库。
4.根据权利要求1~3中任一项所述的方法,所述目标模型关系库包括目标模型关系库和多个目标函数指标库;
其中,所述利用所述目标逻辑计算模型处理多个所述目标时序数据,得到所述设备的性能评价结果,包括:
将多个所述目标时序数据中的多个指标参数分别代入多个所述目标函数指标库,得到多个性能计算值;
基于所述目标模型关系库中的映射关系,根据多个所述性能计算值确定所述性能评价结果。
5.根据权利要求4所述的方法,其中,所述目标函数指标库包括目标函数库和多个目标指标库;
其中,所述将多个所述目标时序数据中的多个指标参数分别代入多个所述目标函数指标库,得到多个性能计算值,包括:
将多个所述指标参数分别代入多个所述目标指标库中的多个目标性能指标中,得到多个性能指标参数;
将多个所述性能指标参数分别代入多个所述目标函数库中的多个函数中,得到多个所述性能计算值。
6.根据权利要求1~3中任一项所述的方法,还包括:
在所述预测结果满足预设告警规则的情况下,利用告警装置显示告警信息,其中,所述告警信息包括所述预测结果和与所述预测结果对应的所述设备标识;和/或
根据所述告警信息确定所述设备的初始维护措施,其中,所述初始维护措施包括更换、检修或暂缓处理。
7.根据权利要求1所述的方法,还包括:
将所述预测结果与故障更换表进行对比,得到对比结果;
在所述对比结果表明所述故障更换表不存在与所述预测结果对应的所述设备的情况下,对所述设备的性能进行二次评价,得到二次预测结果;
根据所述二次预测结果确定所述设备的二次维护措施。
8.根据权利要求7所述的方法,还包括:
在所述故障更换表不存在与所述二次预测结果对应的所述设备的情况下,对与所述设备对应的所述目标逻辑计算模型进行修改,得到新的目标逻辑计算模型,以便于根据所述新的目标逻辑计算模型处理所述设备的所述目标时序数据。
9.根据权利要求1~3中任一项所述的方法,其中,所述设备标识是通过如下方式确定的:
根据所述设备的参数集,生成所述设备的所述设备标识,其中,所述参数集包括以下至少一种:空间信息、设备类型和设备编码,所述设备标识包括所述设备的配置参数。
10.根据权利要求1~3中任一项所述的方法,其中,所述获取目标区域内与设备标识对应的设备上报的多个测量状态量对应的多个目标时序数据,包括:
获取所述目标区域内的所述设备上报的多个测量状态量对应的多个初始时序数据;
根据所述设备标识中的配置参数,从多个所述初始时序数据中确定所述目标时序数据。
11.根据权利要求10所述的方法,其中,所述根据所述设备标识中的配置参数,从多个所述初始时序数据中确定所述目标时序数据,包括:
针对每个所述初始时序数据,在所述配置参数表明所述初始时序数据属于所述配置参数中的任一种的情况下,将所述初始时序数据确定为所述目标时序数据。
12.根据权利要求11所述的方法,其中,所述根据所述设备标识中的配置参数,从多个所述初始时序数据中确定所述目标时序数据,还包括:
针对每个所述初始时序数据,在所述配置参数表明所述初始时序数据不属于所述配置参数中的任一种的情况下,删除所述初始时序数据。
13.一种设备故障预测装置,包括:
获取模块,用于获取目标区域内与设备标识对应的设备上报的多个测量状态量对应的多个目标时序数据;
提取模块,用于基于所述设备标识,从预测模型库中提取与所述设备标识相匹配的目标逻辑计算模型,其中,所述预测模型库包括对应于不同设备标识的多个逻辑计算模型;
评价模块,用于利用所述目标逻辑计算模型处理多个所述目标时序数据,得到所述设备的性能评价结果,其中,所述性能评价结果表征所述设备的运行状态;以及
预测模块,用于根据所述性能评价结果对所述设备进行故障预测,得到预测结果。
14.一种电子设备,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,
其中,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执行根据权利要求1~12中任一项所述的方法。
15.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~12中任一项所述的方法。
16.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1~12中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211186207.3A CN115409283A (zh) | 2022-09-27 | 2022-09-27 | 设备故障预测方法、设备故障预测装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211186207.3A CN115409283A (zh) | 2022-09-27 | 2022-09-27 | 设备故障预测方法、设备故障预测装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115409283A true CN115409283A (zh) | 2022-11-29 |
Family
ID=84168995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211186207.3A Pending CN115409283A (zh) | 2022-09-27 | 2022-09-27 | 设备故障预测方法、设备故障预测装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115409283A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911642A (zh) * | 2023-09-12 | 2023-10-20 | 中国长江电力股份有限公司 | 面向多维多态的水电机组设备指标计算系统和方法 |
CN117009909A (zh) * | 2023-09-28 | 2023-11-07 | 北京博大网信股份有限公司 | 自动报障模型的构建方法、自动报障方法及其装置 |
CN117155772A (zh) * | 2023-10-27 | 2023-12-01 | 广州嘉为科技有限公司 | 一种告警信息丰富方法、装置、设备及存储介质 |
-
2022
- 2022-09-27 CN CN202211186207.3A patent/CN115409283A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911642A (zh) * | 2023-09-12 | 2023-10-20 | 中国长江电力股份有限公司 | 面向多维多态的水电机组设备指标计算系统和方法 |
CN116911642B (zh) * | 2023-09-12 | 2023-12-26 | 中国长江电力股份有限公司 | 面向多维多态的水电机组设备指标计算系统和方法 |
CN117009909A (zh) * | 2023-09-28 | 2023-11-07 | 北京博大网信股份有限公司 | 自动报障模型的构建方法、自动报障方法及其装置 |
CN117009909B (zh) * | 2023-09-28 | 2023-12-26 | 北京博大网信股份有限公司 | 自动报障模型的构建方法、自动报障方法及其装置 |
CN117155772A (zh) * | 2023-10-27 | 2023-12-01 | 广州嘉为科技有限公司 | 一种告警信息丰富方法、装置、设备及存储介质 |
CN117155772B (zh) * | 2023-10-27 | 2024-01-30 | 广州嘉为科技有限公司 | 一种告警信息丰富方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115409283A (zh) | 设备故障预测方法、设备故障预测装置、设备及存储介质 | |
US10534361B2 (en) | Industrial asset health model update | |
US20140365191A1 (en) | Industrial asset health model update | |
CN110443657B (zh) | 客户流量数据处理方法、装置、电子设备及可读介质 | |
CN109960635B (zh) | 实时计算平台的监控和报警方法、系统、设备及存储介质 | |
EP3869424A1 (en) | Equipment failure diagnosis support system and equipment failure diagnosis support method | |
CN110334816B (zh) | 一种工业设备检测方法、装置、设备及可读存储介质 | |
CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
US20210065086A1 (en) | System and method for failure curve analytics | |
GB2559877A (en) | System and method for evaluating chip zap data | |
CN114238058A (zh) | 监控方法、装置、设备、介质和程序产品 | |
US7617313B1 (en) | Metric transport and database load | |
CN112597263A (zh) | 管网检测数据异常判断方法及系统 | |
CN118171035B (zh) | 人流热力的预警方法及装置、电子设备和存储介质 | |
CN107480703B (zh) | 交易故障检测方法及装置 | |
CN114743703A (zh) | 核电站机组的可靠性分析方法、装置、设备和存储介质 | |
CN114443437A (zh) | 告警根因输出方法、装置、设备、介质和程序产品 | |
CN114235108A (zh) | 基于数据分析燃气流量计异常状态检测方法和装置 | |
CN116756522B (zh) | 概率预报方法、装置、存储介质及电子设备 | |
CN114896024B (zh) | 基于核密度估计的虚拟机运行状态检测方法和装置 | |
CN111260150A (zh) | 一种通信设备运行风险预警方法及通信管理系统 | |
CN111427874B (zh) | 医疗数据生产的质控方法、装置以及电子设备 | |
CN115660451A (zh) | 基于rpa的供应商风险预警方法、装置、设备及介质 | |
US20230179501A1 (en) | Health index of a service | |
US10599992B1 (en) | Predicting reliability of product and part combinations using machine learning based on shared model |
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 |