CN115758241A - 一种故障危害程度诊断方法、装置和设备 - Google Patents

Abstract

本发明提供一种故障危害程度诊断方法、装置和设备，将目标监测设备怀分为最小功能单元，并获取最小功能单元的故障数据，基于这些故障数据确定对应的故障模式，再获取与所述故障模式所对应的标准危害数值以及标准危害等级，将标准危害等级作为目标数据。再基于历史数据，获取与所述故障模式相对应的可探性指标、发生频率指标、严酷度指标，采用危害程度的学习模型基于各个故障模式的可探性指标、发生频率指标、以及严酷度指标对各个故障模式进行危害等级的预测，得到预测危害等级；并采用目标数据对所述危害程度的学习模型进行修正，使得所述危害程度的学习模型能够对各个故障模式的危害程度进行客观评价。

Description

一种故障危害程度诊断方法、装置和设备

技术领域

本发明涉及设备检测技术领域，具体涉及一种故障危害程度诊断方法、装置和设备。

背景技术

为了保障被监测设备的正常运行，在设备运行过程中，需要对对设备的各个故障模式的危害程度进行预测，目前常用的fmeca均需要收集专家针对于故障的严酷度、可探测性、可能性进行打分，通过对于专家打分的分析来得到各个故障模式的危害程度，该种获得方式取决于专家经验，具有较大的主观性，难以使得危害程度的评估客观化。

发明内容

有鉴于此，本发明实施例提供一种故障危害程度诊断方法、装置和设备，以实现对各个故障模式的危害程度的客观评估。

为实现上述目的，本发明实施例提供如下技术方案：

一种故障危害程度诊断方法，包括：

获取目标监测设备的最小功能单元所对应的故障数据；

获取与各个故障数据对应的故障模式；

获取与所述故障模式所对应的标准危害数值；

获取与所述标准危害数值对应的标准危害等级；

基于历史数据，获取与所述故障模式相对应的可探性指标，所述可探性指标为故障模式发生时的对应的传感器报警的比例；

基于历史数据，获取与所述故障模式相对应的发生频率指标，所述发生频率指标为传感器报警时，真实发生故障的比例；

基于历史数据，获取所述故障模式的严酷度指标，所述严酷度指标为历史数据中，所述故障模式对应的故障发生时引起故障停机的次数与总的故障次数之间的比例；

采用危害程度的学习模型基于各个故障模式的可探性指标、发生频率指标、以及严酷度指标对各个故障模式进行危害等级的预测，得到预测危害等级；

并采用标准危害等级对所述危害程度的学习模型进行修正。

可选的，上述故障危害程度诊断方法中，所述目标监测设备为海上风电机组。

可选的，上述故障危害程度诊断方法中，还包括：

基于修正后的危害程度的学习模型对目标监测设备的故障模式进行检测，并输出对应的危害等级。

可选的，上述故障危害程度诊断方法中，所述标准危害数值由不同评价主体基于所述目标监测系统中各个最小功能单元的配置参数对各个最小功能单元的各个故障模式进行评价得到。

可选的，上述故障危害程度诊断方法中，所述危害程度的学习模型为基于神经网络或支持向量机的数据分析模型。

一种故障危害程度诊断装置，包括：

故障划分单元，用于获取目标监测设备的最小功能单元所对应的故障数据，获取与各个故障数据对应的故障模式；

危害评估单元，用于获取与所述故障模式所对应的标准危害数值，获取与所述标准危害数值对应的标准危害等级；

训练数据获取单元，基于历史数据，获取与所述故障模式相对应的可探性指标，所述可探性指标为故障模式发生时的对应的传感器报警的比例；基于历史数据，获取与所述故障模式相对应的发生频率指标，所述发生频率指标为传感器报警时，真实发生故障的比例；基于历史数据，获取所述故障模式的严酷度指标，所述严酷度指标为历史数据中，所述故障模式对应的故障发生时引起故障停机的次数与总的故障次数之间的比例；

模型修正单元，用于采用危害程度的学习模型基于各个故障模式的可探性指标、发生频率指标、以及严酷度指标对各个故障模式进行危害等级的预测，得到预测危害等级；并采用标准危害等级对所述危害程度的学习模型进行修正。

可选的，上述故障危害程度诊断装置中，所述目标监测设备为海上风电机组。

可选的，上述故障危害程度诊断装置中，还包括：

危害等级预测单元，用于基于修正后的危害程度的学习模型对目标监测设备的故障模式进行检测，并输出对应的危害等级。

可选的，上述故障危害程度诊断装置中，所述危害程度的学习模型为基于神经网络或支持向量机的数据分析模型。

一种故障危害程度诊断设备，包括：

包括存储器和处理器；

所述存储器，用于存储程序；

所述处理器，用于执行所述程序，以实现：获取目标监测设备的最小功能单元所对应的故障数据；

获取与各个故障数据对应的故障模式；

获取与所述故障模式所对应的标准危害数值；

获取与所述标准危害数值对应的标准危害等级；

基于历史数据，获取与所述故障模式相对应的可探性指标，所述可探性指标为故障模式发生时的对应的传感器报警的比例；

基于历史数据，获取与所述故障模式相对应的发生频率指标，所述发生频率指标为传感器报警时，真实发生故障的比例；

基于历史数据，获取所述故障模式的严酷度指标，所述严酷度指标为历史数据中，所述故障模式对应的故障发生时引起故障停机的次数与总的故障次数之间的比例；

采用危害程度的学习模型基于各个故障模式的可探性指标、发生频率指标、以及严酷度指标对各个故障模式进行危害等级的预测，得到预测危害等级；

并采用标准危害等级对所述危害程度的学习模型进行修正。

基于上述技术方案，本发明实施例提供的上述方案，将目标监测设备怀分为最小功能单元，并获取最小功能单元的故障数据，基于这些故障数据确定对应的故障模式，再获取与所述故障模式所对应的标准危害数值以及标准危害等级，将标准危害等级作为目标数据。再基于历史数据，获取与所述故障模式相对应的可探性指标、发生频率指标、严酷度指标，采用危害程度的学习模型基于各个故障模式的可探性指标、发生频率指标、以及严酷度指标对各个故障模式进行危害等级的预测，得到预测危害等级；并采用目标数据对所述危害程度的学习模型进行修正，使得所述危害程度的学习模型能够对各个故障模式的危害程度进行客观评价。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本申请实施例公开的故障危害程度诊断方法的流程示意图；

图2为本申请实施例公开的故障危害程度诊断装置的结构示意图；

图3为本申请实施例公开的故障危害程度诊断设备的结构示意图。

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，都属于本发明保护的范围。

为了实现客观评价被检测设备的各个故障模式的危害程度，本申请公开了一种故障危害程度诊断方法，该方法通过将标准危害等级作为目标函数，将提取到的历史数据的可探性指标、发生频率指标和严酷度指标作为危害程度的学习模型的输入数据，对所述危害程度的学习模型进行训练，采用训练后的危害程度的学习模型对各个故障模式进行预测，从而使得故障模式的危害程度标准化。

参见图1，本申请公开了一种故障危害程度诊断方法，包括：步骤S101-S109。

步骤S101：获取目标监测设备的最小功能单元所对应的故障数据。

在本步骤中，所述目标监测设备可以为现有技术中任意一需要监控的目标监测设备，例如，在本申请实施例公开的技术方案中，所述目标监测设备可以为风电机组，例如海上风电机组，当然也可以为其他设备，例如，冰箱、空调等。

在本方案中，将所述目标监测设备，按照组成结构或子系统等形式，自上而下进行层次划分，直到将目标监测设备划分至独立的设备组件，将这些独立的设备组件作为一个最小的功能单元。

步骤S102：获取与各个故障数据对应的故障模式。

在本步骤中，对所述目标监测设备所有可能发生的故障按划分的功能单元进行分类，即，将属于同一功能单元的故障模式划分为同一组。

步骤S103：获取与所述故障模式所对应的标准危害数值。

在本步骤中，并将所发生的故障与对应时间的数据统一，分析出故障的故障模式、故障影响及故障原因等，将这些数据发送给各个评估主体，评估主体获取到这些数据以后，会给出与各个故障模式对应的标准危害数值。

具体的，评估主体获取到这些数据以后，按照故障发生后对应的停机时间、造成的经济损失和造成的人身安全等损失综合采用线性加权等方法计算，得到各个故障模式对应的事件的危害性数值，根据各个故障的危害性数值进行危害程度划分，得到在时间轴上离散分布的多段危害程度值，对这些危害程度值进行均分或其他方式的处理，即可得到对应于该故障模式的标准危害数值。

步骤S104：获取与所述标准危害数值对应的标准危害等级。

在获取到各个故障模式对应的标准危害数值以后，采用预设的映射关系获取与该标准危害数值对应的标准危害等级，所述标准危害等级用于表征对应的故障模式对应的影响的严重程度，危害等级越高，故障影响越严重。

步骤S105：基于历史数据，获取与所述故障模式相对应的可探性指标，所述可探性指标为故障模式发生时的对应的传感器报警的比例。

在本步骤中，获取目标监测设备的历史数据，所述历史数据为连续记录的很长一段时间的目标监测设备的运行数据，这些运行数据既包括监测设备的正常运行数据也包括在运行过程中出现的故障数据，通过这些历史数据，可以获取各个故障模式对应的可探性指标，具体的，收集历史数据中提取到的在各个故障下的故障发生数据和该故障模式涉及的传感器的报警数据，统计计算故障模式对应的故障发生时传感器的报警次数与总次数的比例，将该比例指标作为可探测性指标。

步骤S106：基于历史数据，获取与所述故障模式相对应的发生频率指标，所述发生频率指标为传感器报警时，真实发生故障的比例。

与步骤S105方案一致，此步骤中，获取目标监测设备的历史数据，通过这些历史数据，获取目标监测设备各个故障模式对应的发生频率指标，所述发生频率指标为传感器报警时，真实发生故障的比例。具体的，本步骤中，基于所述历史数据，收集历史上机组在某个故障模式得故障下的故障发生数据和相应涉及的传感器报警数据，统计计算检测到传感器探测数据报警时，真实发生故障的比例指标作为发生频率指标；例如，在历史数据中检测到了10次传感器报警，而只有5次真实发生了该故障，基于报警次数与真实发生故障的次数之间的比值作为所述真实发生故障的比例。

步骤S107：基于历史数据，获取所述故障模式的严酷度指标，所述严酷度指标为历史数据中，所述故障模式对应的故障发生时引起故障停机的次数与总的故障次数之间的比例。

与步骤S105方案一致，此步骤中，用于基于历史数据获取故障模式的严酷度指标，具体的，本步骤中，基于所述历史数据，收集历史上机组在某个故障模式得故障下的故障发生数据和相应涉及的停机次数，发生该故障时，发生停机的次数以及，该故障的总次数，将该故障引起的停机次数与该故障的总次数之间的比例作为所述严酷度指标。

步骤S108：采用危害程度的学习模型基于各个故障模式的可探性指标、发生频率指标、以及严酷度指标对各个故障模式进行危害等级的预测，得到预测危害等级。

在本步骤中，预先建立危害程度的学习模型，将步骤S105、S106、S107获取到的可探性指标、发生频率指标、以及严酷度指标，将这些数据作为模型的输入数据，危害程度的学习模型对这些数据进行运算，得到预测危害等级。

其中，所述危害程度的学习模型可以为大数据处理模型，例如，其可以为基于BT神经网络搭建的学习模型或支持向量机搭建的数据分析模型。

步骤S109：并采用标准危害等级对所述危害程度的学习模型进行修正。

在本步骤中，将所述步骤S104得到的标准危害等级作为目标数据，基于所述步骤S108得到的预测危害等级对所述危害程度的学习模型进行修正，调整模型中各项参数的权重值，最终使得所述危害程度的学习模型的预测结果与目标结果相一致，此时，即可使用修正后的危害程度的学习模型对被监测设备的各个模式的危害等级进行客观评价，并监控。

本发明实施例提供的上述方案，将目标监测设备怀分为最小功能单元，并获取最小功能单元的故障数据，基于这些故障数据确定对应的故障模式，再获取与所述故障模式所对应的标准危害数值以及标准危害等级，将标准危害等级作为目标数据。再基于历史数据，获取与所述故障模式相对应的可探性指标、发生频率指标、严酷度指标，采用危害程度的学习模型基于各个故障模式的可探性指标、发生频率指标、以及严酷度指标对各个故障模式进行危害等级的预测，得到预测危害等级；并采用目标数据对所述危害程度的学习模型进行修正，使得所述危害程度的学习模型能够对各个故障模式的危害程度进行客观评价。

在本申请另一实施例公开的技术方案中，还包括：基于修正后的危害程度的学习模型对目标监测设备的故障模式进行检测，并输出对应的危害等级。

具体的，所述对目标监测设备的故障模式进行检测，并输出对应的危害等级，具体包括：

获取被监测设备的所有的运行数据，提取运行数据中所需监控的各个故障模式对应的可探性指标、发生频率指标、以及严酷度指标，将所述可探性指标、发生频率指标、以及严酷度指标作为输入数据，采用危害程度的学习模型进行分析即可得到与所需被监测的各个故障模式对应的危害等级，当被监测设备运行时，监测到对应的故障模式时，输出与之对应的危害等级，以提醒用户及时处理故障。

本实施例中公开了一种故障危害程度诊断装置，装置中的各个单元的具体工作内容，请参见上述方法实施例的内容，下面对本发明实施例提供的故障危害程度诊断装置进行描述，下文描述的故障危害程度诊断装置与上文描述的故障危害程度诊断方法可相互对应参照。

参见图2，本申请公开了一种故障危害程度诊断装置，装置包括：故障划分单元A、危害评估单元B、训练数据获取单元C和模型修正单元D。

故障划分单元A，其与上述方法中步骤S101-S102相对应，用于获取目标监测设备的最小功能单元所对应的故障数据，获取与各个故障数据对应的故障模式；

危害评估单元B，其与上述方法中步骤S102-S104相对应，用于获取与所述故障模式所对应的标准危害数值，获取与所述标准危害数值对应的标准危害等级；

训练数据获取单元C，其与上述方法中步骤S105-S107相对应，基于历史数据，获取与所述故障模式相对应的可探性指标，所述可探性指标为故障模式发生时的对应的传感器报警的比例；基于历史数据，获取与所述故障模式相对应的发生频率指标，所述发生频率指标为传感器报警时，真实发生故障的比例；基于历史数据，获取所述故障模式的严酷度指标，所述严酷度指标为历史数据中，所述故障模式对应的故障发生时引起故障停机的次数与总的故障次数之间的比例；

模型修正单元E，其与上述方法中步骤S108-S109相对应，用于采用危害程度的学习模型基于各个故障模式的可探性指标、发生频率指标、以及严酷度指标对各个故障模式进行危害等级的预测，得到预测危害等级；并采用标准危害等级对所述危害程度的学习模型进行修正。

与上述方法相对应，上述装置中，还可以包括危害等级预测单元，该单元用于基于修正后的危害程度的学习模型对目标监测设备的故障模式进行检测，并输出对应的危害等级。

图3为本发明实施例提供的故障危害程度诊断设备的硬件结构图，参见图3所示，可以包括：至少一个处理器100，至少一个通信接口200，至少一个存储器300和至少一个通信总线400；

在本发明实施例中，处理器100、通信接口200、存储器300、通信总线400的数量为至少一个，且处理器100、通信接口200、存储器300通过通信总线400完成相互间的通信；显然，图3所示的处理器100、通信接口200、存储器300和通信总线400所示的通信连接示意仅是可选的；

可选的，通信接口200可以为通信模块的接口，如GSM模块的接口；

处理器100可能是一个中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。

存储器300可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

其中，处理器100具体用于：

获取与各个故障数据对应的故障模式；

获取与所述故障模式所对应的标准危害数值；

获取与所述标准危害数值对应的标准危害等级；

基于历史数据，获取与所述故障模式相对应的可探性指标，所述可探性指标为故障模式发生时的对应的传感器报警的比例；

基于历史数据，获取与所述故障模式相对应的发生频率指标，所述发生频率指标为传感器报警时，真实发生故障的比例；

基于历史数据，获取所述故障模式的严酷度指标，所述严酷度指标为历史数据中，所述故障模式对应的故障发生时引起故障停机的次数与总的故障次数之间的比例；

采用危害程度的学习模型基于各个故障模式的可探性指标、发生频率指标、以及严酷度指标对各个故障模式进行危害等级的预测，得到预测危害等级；

并采用标准危害等级对所述危害程度的学习模型进行修正。

所述处理器100还用于执行本申请上述方法实施例中的其他步骤，在此不再进行累述。

为了描述的方便，描述以上系统时以功能分为各种模块分别描述。当然，在实施本发明时可以把各模块的功能在同一个或多个软件和/或硬件中实现。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种故障危害程度诊断方法，其特征在于，包括：

获取目标监测设备的最小功能单元所对应的故障数据；

获取与各个故障数据对应的故障模式；

获取与所述故障模式所对应的标准危害数值；

获取与所述标准危害数值对应的标准危害等级；

基于历史数据，获取与所述故障模式相对应的可探性指标，所述可探性指标为故障模式发生时的对应的传感器报警的比例；

基于历史数据，获取与所述故障模式相对应的发生频率指标，所述发生频率指标为传感器报警时，真实发生故障的比例；

基于历史数据，获取所述故障模式的严酷度指标，所述严酷度指标为历史数据中，所述故障模式对应的故障发生时引起故障停机的次数与总的故障次数之间的比例；

采用危害程度的学习模型基于各个故障模式的可探性指标、发生频率指标、以及严酷度指标对各个故障模式进行危害等级的预测，得到预测危害等级；

并采用标准危害等级对所述危害程度的学习模型进行修正。

2.根据权利要求1所述的故障危害程度诊断方法，其特征在于，所述目标监测设备为海上风电机组。

3.根据权利要求1所述的故障危害程度诊断方法，其特征在于，还包括：

基于修正后的危害程度的学习模型对目标监测设备的故障模式进行检测，并输出对应的危害等级。

4.根据权利要求1所述的故障危害程度诊断方法，其特征在于，所述标准危害数值由不同评价主体基于所述目标监测系统中各个最小功能单元的配置参数对各个最小功能单元的各个故障模式进行评价得到。

5.根据权利要求1所述的故障危害程度诊断方法，其特征在于，所述危害程度的学习模型为基于神经网络或支持向量机的数据分析模型。

6.一种故障危害程度诊断装置，其特征在于，包括：

故障划分单元，用于获取目标监测设备的最小功能单元所对应的故障数据，获取与各个故障数据对应的故障模式；

危害评估单元，用于获取与所述故障模式所对应的标准危害数值，获取与所述标准危害数值对应的标准危害等级；

训练数据获取单元，基于历史数据，获取与所述故障模式相对应的可探性指标，所述可探性指标为故障模式发生时的对应的传感器报警的比例；基于历史数据，获取与所述故障模式相对应的发生频率指标，所述发生频率指标为传感器报警时，真实发生故障的比例；基于历史数据，获取所述故障模式的严酷度指标，所述严酷度指标为历史数据中，所述故障模式对应的故障发生时引起故障停机的次数与总的故障次数之间的比例；

模型修正单元，用于采用危害程度的学习模型基于各个故障模式的可探性指标、发生频率指标、以及严酷度指标对各个故障模式进行危害等级的预测，得到预测危害等级；并采用标准危害等级对所述危害程度的学习模型进行修正。

7.根据权利要求6所述的故障危害程度诊断装置，其特征在于，所述目标监测设备为海上风电机组。

8.根据权利要求6所述的故障危害程度诊断装置，其特征在于，还包括：

危害等级预测单元，用于基于修正后的危害程度的学习模型对目标监测设备的故障模式进行检测，并输出对应的危害等级。

9.根据权利要求6所述的故障危害程度诊断装置，其特征在于，所述危害程度的学习模型为基于神经网络或支持向量机的数据分析模型。

10.一种故障危害程度诊断设备，其特征在于，包括：

包括存储器和处理器；

所述存储器，用于存储程序；

所述处理器，用于执行所述程序，以实现：获取目标监测设备的最小功能单元所对应的故障数据；

获取与各个故障数据对应的故障模式；

获取与所述故障模式所对应的标准危害数值；

获取与所述标准危害数值对应的标准危害等级；

基于历史数据，获取与所述故障模式相对应的可探性指标，所述可探性指标为故障模式发生时的对应的传感器报警的比例；

基于历史数据，获取与所述故障模式相对应的发生频率指标，所述发生频率指标为传感器报警时，真实发生故障的比例；

基于历史数据，获取所述故障模式的严酷度指标，所述严酷度指标为历史数据中，所述故障模式对应的故障发生时引起故障停机的次数与总的故障次数之间的比例；

采用危害程度的学习模型基于各个故障模式的可探性指标、发生频率指标、以及严酷度指标对各个故障模式进行危害等级的预测，得到预测危害等级；

并采用标准危害等级对所述危害程度的学习模型进行修正。

Images