CN115817178A - 故障预警方法、装置、电池、车辆及存储介质 - Google Patents
故障预警方法、装置、电池、车辆及存储介质 Download PDFInfo
- Publication number
- CN115817178A CN115817178A CN202211427155.4A CN202211427155A CN115817178A CN 115817178 A CN115817178 A CN 115817178A CN 202211427155 A CN202211427155 A CN 202211427155A CN 115817178 A CN115817178 A CN 115817178A
- Authority
- CN
- China
- Prior art keywords
- fault
- parameter data
- early warning
- time
- data
- 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 51
- 238000011156 evaluation Methods 0.000 claims abstract description 185
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 230000007257 malfunction Effects 0.000 claims 4
- 238000009413 insulation Methods 0.000 description 29
- 238000012545 processing Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000007906 compression Methods 0.000 description 8
- 230000006835 compression Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- 238000013144 data compression Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Alarm Systems (AREA)
Abstract
本申请公开了一种故障预警方法、装置、电池、车辆及存储介质,方法包括:采集第一时间窗口内的目标对象的原始参数数据;根据预警风险范围的原始参数数据,确定目标对象在第二时间窗口内的故障评估特征的参数数据,故障评估特征基于目标工况确定,预警风险范围为设定范围内的至少一个目标对象,第二时间窗口与第一时间窗口的时间长度相同,第一时间窗口内的数据量大于第二时间窗口内的数据量;根据故障评估特征的参数数据和对应的参数故障阈值,确定目标对象在目标工况下的故障预警时间。
Description
技术领域
本申请涉及故障检测领域,具体涉及一种故障预警方法、装置、电池、车辆及存储介质。
背景技术
目前的故障检测方法是采集多源故障增长数据,对获取的数据进行特征点趋势描述,选择有效跟踪故障增长过程中的检测点,去除无趋势和递减故障增长趋势的检测点,这样会导致系统误差较大,检测结果不准确。另外,上述的检测方法仅限于采集数据准确的工况,通用性较低。
发明内容
鉴于上述问题,本申请提供一种故障预警方法,通过对原始参数数据进行处理,得到目标工况下的故障评估特征的参数数据,并根据故障评估参数及其对应的故障阈值之间的关系确定目标对象是否存在故障,避免出现因参数数据受外部环境干扰导致目标对象故障预警判断不准确的情况。
第一方面,本申请提供了一种故障预警方法,包括:采集第一时间窗口内的目标对象的原始参数数据,其中,所述原始参数数据包括至少一个工况下的故障评估特征相关的运行参数;根据预警风险范围的所述原始参数数据,确定所述目标对象在第二时间窗口内的故障评估特征的参数数据,其中,所述故障评估特征基于目标工况确定,所述预警风险范围为设定范围内的至少一个目标对象,所述第二时间窗口与所述第一时间窗口的时间长度相同,所述第一时间窗口内的数据量大于所述第二时间窗口内的数据量;根据所述故障评估特征的参数数据和对应的参数故障阈值,确定所述目标对象在所述目标工况下的故障预警时间。
本申请实施例的技术方案中,在第一时间窗口内按照相同的时间间隔对目标对象的运行参数进行数据采集,作为原始参数数据,该原始参数数据包括不同工况下的目标对象的运行参数,由于数据量比较大,会将数据进行压缩处理,压缩前后的时间是相同的,区别在于压缩后的数据量减少。另外,为了避免数据受到通讯、外部环境等变量的干扰使得数据出现不稳定、易缺失,进而造成故障预警的准确率降低,首先对原始参数数据进行预处理,剔除某个时间段内没有数据对应的采样时间,或者剔除参数数据中出现异常的数值,然后获取预警风险范围内的原始参数数据,例如,同一批次的对象的运行数据。基于数据统计等方式在预警风险范围内的原始参数数据中,提炼出在目标工况下最能反映目标对象的故障评估特征的参数数据。然后根据故障评估参数及其对应的故障阈值之间的关系确定目标对象是否存在故障,避免出现因参数数据受外部环境干扰导致目标对象故障预警判断不准确的情况。例如,采集第一时间窗口包括10月1日-10月31日内的原始参数数据,目标工况为高速行驶,对应的故障评估特征为电池绝缘值,对每一天内高速行驶工况的电池绝缘值进行数据压缩,也就是特征提取,提取出每天中与电池绝缘值相关的参数数据,压缩后的时间长度时相同的,即第二时间窗口仍然为10月1日志10月31日。将10月1日-10月31日中每一天中的上千帧原始数据分别压缩为一帧特征数据,对每一天的数据进行分析,若其中某一天例如10月12日的电池绝缘特征触发了设定的电池绝缘值特征阈值,则初步判定故障预警时间为10月12日,后续再根据本发明进行进一步确认10月12日是否为真实故障。。
在一些实施例中,所述第二时间窗口包含多个相同的时间区段,根据所述故障评估特征的参数数据和对应的参数故障阈值,确定所述目标对象在所述目标工况下的故障预警时间,包括:获取所述第二时间窗口内每个时间区段内故障评估特征的参数数据统计量;将参数数据统计量触发所述故障评估特征的参数故障阈值时对应的时间区段作为所述故障预警时间。
通过对原始数据进行降低原始数据的维度、异常数据剔除等方式,即使在数据受到通讯、外部环境影响的情况下,出现数据不稳定、易缺失的情况,也可以得到更加准确的故障评估特征的参数数据,获取第二时间窗口内故障评估特征的所有参数数据,并计算第二时间窗口内每个时间区段的参数数据的统计量,找出参数数据的统计量触发该故障评估特征对应的参数故障阈值时,对应的时间区段,认为该时间区段为故障预警时间,举例而言,仍以第二时间窗口为10月1日-10月31日为例,若10月12日内故障评估的参数数据的统计量触发该故障评估特征对应的参数故障阈值,则认为10月12日为故障预警时间。
在一些实施例中,上述的故障预警方法,还包括:获取所述第二时间窗口内所述故障评估特征的参数数据变化趋势;在所述故障评估特征的参数数据变化趋势小于第一设定阈值时,确定所述故障预警时间有效。
为了进一步提高故障预警时间的准确性,还对故障预警时间进行二次判定,例如,通过获取第二时间窗口内的故障评估特征的参数数据变化趋势,根据变化趋势确定故障预警时间是否有效,其中,当变化趋势能够表征故障在持续发生时,认为目标对象出现故障,即认为故障预警时间有效。
在一些实施例中,获取所述第二时间窗口内所述故障评估特征的参数数据变化趋势,包括:对所述第二时间窗口内的故障评估特征的参数数据进行滑动平均运算和差分运算,以获得所述参数数据变化趋势。
也就是说,通过对第二时间窗口内的故障评估特征的参数数据进行滑动平均处理,能够快速且便于实时处理非平稳数据,并对滑动平均处理后的数据进行差分运算,可以很好的确定参数数据变化趋势。
在一些实施例中,对所述第二时间窗口内的故障评估特征的参数数据进行滑动平均运算和差分运算,包括:对所述第二时间窗口内所述故障评估特征的参数数据按照设定的窗口大小进行滑动平均运算,得到滑动平均运算结果;对所述滑动平均运算结果进行差分运算,得到差分运算结果;对所述差分运算结果进行二次滑动平均运算,得到二次滑动平均运算结果;对所述二次滑动平均运算结果进行平均运算,得到所述参数数据变化趋势。从而通过滑动平均运算和差分运算可以准确地确定故障评估特征的参数数据变化趋势,提高故障预警的精确度。
在一些实施例中,上述的故障预警方法,还包括:获取确定所述故障预警时间的所述故障评估特征位于所述原始参数数据中的数据帧长度;在所述数据帧长度大于第二设定阈值时,确定所述故障预警时间有效。
不仅可以根据故障评估特征的参数数据变化趋势来对故障预警时间进行二次判定,还可以根据故障评估特征在原始参数数据中的数据帧长度来确定故障预警时间是否有效,例如,当数据帧长度只有几帧时,认为故障评估特征值是根据很小的数据量提取出来的,所以可信度较低;当数据帧长度较大时,认为可信度较高,即故障预警时间有效。
在一些实施例中,获取确定所述故障预警时间的所述故障评估特征位于所述原始参数数据中的数据帧长度,包括:对所述故障评估特征的参数数据进行数据回溯,确定所述故障评估特征的参数数据在所述第一时间窗口内的数据帧长度。
在一些实施例中,上述的故障预警方法还包括:获取第三时间窗口内故障评估特征的参数数据的第一特征统计量,其中,所述第三时间窗口包含在所述第二时间窗口内,且处于所述第二时间窗口的末端;获取所述预警时间所处的预设时间范围内的故障评估特征的参数数据的第二特征统计量,其中,所述预设时间范围为所述预警时间及其相邻的前预设个时间区段;获取所述第一特征统计量和所述第二特征统计量之间的变化量;在所述变化量小于第三设定阈值时,确定所述故障预警时间有效。
不仅可以根据故障评估特征的参数数据变化趋势来对故障预警时间进行二次判定,和/或,根据故障评估特征在原始参数数据中的数据帧长度对故障预警时间进行二次判定,还可以通过第二时间窗口的末端窗口内的故障评估特征的参数数据的统计量平均值与预设时间范围内的故障评估特征的参数数据的统计量平均值之间的差值来确定故障预警时间是否有效,例如,故障预警时间为10月12日,预设时间范围为10月10日到10月12日,第三时间窗口为10月31日,根据10月31日内故障评估特征的参数数据的统计量平均值与预设时间范围内的故障评估特征的参数数据的统计量平均值之间的差值来判断故障预警时间是否有效,其中,当差值越大时,认为故障已经恢复,故障预警时间失效,如果差值较小,认为仍然存在故障,故障预警时间有效。由此,采用最新的数据(末端时间窗口数据)会提高预警判断的准确性。
在一些实施例中,在确定所述故障预警时间有效后,输出包含所述故障预警时间的故障预警信息。也就是说,在确定故障预警时间有效后,还输出故障预警信息,以便根据故障预警信息进行相应的处理措施。
在一些实施例中,根据预警风险范围的所述原始参数数据,确定所述目标对象在第二时间窗口内的故障评估特征的参数数据,包括:对所述原始参数数据进行压缩处理,并剔除所述原始参数数据中的异常值;根据剔除后的所述原始参数数据获取不同工况下的故障评估特征,其中,所述故障评估特征至少包括一个;根据所述目标工况下的故障评估特征获取剔除后的所述原始参数数据中的所述故障评估特征的参数数据。
在一些实施例中,在所述故障评估特征为多个时,所述方法还包括:获取每个所述故障评估特征的参数数据的统计量;根据每个所述故障评估特征的统计量及其对应的权重系数与设定的参数故障阈值确定所述故障预警时间。当目标工况下有多个故障评估特征时,根据每个故障评估特征的权重系数来确定故障预警时间,可以更加精准的判断故障预警时间。
第二方面,本申请提供了一种故障预警装置,包括:数据采集模块,用于采集第一时间窗口内的目标对象的原始参数数据,其中,所述原始参数数据包括至少一个工况下的故障评估特征相关的运行参数;数据确定模块,用于根据预警风险范围的所述原始参数数据,确定所述目标对象在第二时间窗口内的故障评估特征的参数数据,其中,所述故障评估特征基于目标工况确定,所述预警风险范围为设定范围内的至少一个目标对象,所述第二时间窗口与所述第一时间窗口的时间长度相同,所述第一时间窗口内的数据量大于所述第二时间窗口内的数据量;确定模块,用于根据所述故障评估特征的参数数据和对应的参数故障阈值,确定所述目标对象在所述目标工况下的故障预警时间。
本申请实施例的技术方案中,在第一时间窗口内按照相同的时间间隔对目标对象的运行参数进行数据采集,作为原始参数数据,该原始参数数据包括不同工况下的目标对象的运行参数,由于数据量比较大,会将数据进行压缩处理,压缩前后的时间是相同的,区别在于压缩后的数据量减少。另外,为了避免数据受到通讯、外部环境等变量的干扰使得数据出现不稳定、易缺失,进而造成故障预警的准确率降低,首先对原始参数数据进行预处理,剔除某个时间段内没有数据对应的采样时间,或者剔除参数数据中出现异常的数值,然后获取预警风险范围内的原始参数数据,例如,同一批次的对象的运行数据。基于数据统计等方式在预警风险范围内的原始参数数据中,提炼出在目标工况下最能反映目标对象的故障评估特征的参数数据。然后根据故障评估参数及其对应的故障阈值之间的关系确定目标对象是否存在故障,避免出现因参数数据受外部环境干扰导致目标对象故障预警判断不准确的情况。例如,采集第一时间窗口包括10月1日-10月31日内的原始参数数据,目标工况为高速行驶,对应的故障评估特征为电池绝缘值,对每一天内高速行驶工况的电池绝缘值进行数据压缩,也就是特征提取,提取出每天中与电池绝缘值相关的参数数据,压缩后的时间长度时相同的,即第二时间窗口仍然为10月1日志10月31日。将10月1日-10月31日中每一天中的上千帧原始数据分别压缩为一帧数据,对每一天的数据进行分析,若其中某一天例如10月12日的电池绝缘特征触发了设定的电池绝缘值特征阈值,则初步判定故障预警时间为10月12日,后续再根据本发明进行进一步确认10月12日是否为真实故障。
第三方面,本申请提供了一种计算机可读存储介质,其上存储有故障预警程序,该故障预警程序被处理器执行时实现第一方面的故障预警方法。
第四方面,本申请提供了一种电池,包括存储器、处理器及存储在存储器上并可在处理器上运行的故障预警程序,所述处理器执行所述故障预警程序时,实现根据第一方面的故障预警方法。。
第五方面,本申请提供了一种车辆,包括存储器、处理器及存储在存储器上并可在处理器上运行的故障预警程序,所述处理器执行所述故障预警程序时,实现根据第一方面的故障预警方法。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
通过阅读对下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在全部附图中,用相同的附图标号表示相同的部件。在附图中:
图1为本申请一些实施例的故障预警方法的流程图;
图2为本申请一些实施例的故障预警方法的流程图;
图3为本申请一些实施例的故障预警装置的方框示意图;
图4为本申请一些实施例的电池的方框示意图;
图5为本申请一些实施例的车辆的方框示意图。
具体实施方式
下面将结合附图对本申请技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本申请的技术方案,因此只作为示例,而不能以此来限制本申请的保护范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。
在本申请实施例的描述中,技术术语“第一”“第二”等仅用于区别不同对象,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本申请实施例的描述中,“多个”的含义是两个以上,除非另有明确具体的限定。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
在本申请实施例的描述中,术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
在本申请实施例的描述中,术语“多个”指的是两个以上(包括两个),同理,“多组”指的是两组以上(包括两组),“多片”指的是两片以上(包括两片)。
目前的故障检测方法为:多源故障增长数据采集,对原始数据进行预处理,确定故障预测时间节点,故障增长趋势构建,故障增长趋势信息融合,进行故障增长趋势预测。通过分析不同测点描述的故障增长趋势特征,可以选择出有效跟踪故障增长过程的测点,减少趋势特征不显著、随机干扰大的测点数据对故障预测结果的影响,提高故障预测的准确度;通过分析各个故障增长趋势的相关度,能去除具有相似趋势特征的冗余测点对故障预测效率的影响,减少预测时间;通过融合多个有效测点描述的故障增长趋势,避免依靠单一测点趋势信息的局限性,提高故障预测的精度。
但是上述方法不适用于数据缺失较多/严重的场景,并且,去除无趋势特征、递减的故障增长趋势的测点,引起系统误差。在数据受到通讯、外部环境等变量的干扰时,数据呈现不稳定、易缺失的现象,如果仍然使用上述方法,就会降低故障预警的准确性。
为了解决上述问题,申请人研究发现,可以先对原始参数数据进行预处理,剔除某个时间段内没有数据对应的采样时间,或者剔除参数数据中出现异常的数值,然后获取预警风险范围内的原始参数数据,例如,同一批次的对象的运行数据。基于数据统计等方式在预警风险范围内的原始参数数据中,提炼出在目标工况下最能反映目标对象的第二时间窗口内的故障评估特征的参数数据。然后根据故障评估参数及其对应的故障阈值之间的关系确定目标对象是否存在故障,避免出现因参数数据受外部环境干扰导致目标对象故障预警判断不准确的情况。
本申请实施例的故障预警方法可以应用与电池上,电池可以为车辆上的电池。
以下实施例为了方便说明,结合图1对本申请的故障预警方法进行说明。
如图1所示,本申请中故障预警方法可包括以下步骤:
S1,采集第一时间窗口内的目标对象的原始参数数据,其中,原始参数数据包括至少一个工况下的故障评估特征相关的运行参数。
S2,根据预警风险范围的原始参数数据,确定目标对象在第二时间窗口内的故障评估特征的参数数据,其中,故障评估特征基于目标工况确定,预警风险范围为设定范围内的至少一个目标对象,第二时间窗口与第一时间窗口的时间长度相同,第一时间窗口内的数据量大于第二时间窗口内的数据量。
S3,根据故障评估特征的参数数据和对应的参数故障阈值,确定目标对象在目标工况下的故障预警时间。
具体而言,在第一时间窗口内按照相同的时间间隔对目标对象的运行参数进行数据采集,作为原始参数数据,该原始参数数据包括不同工况下的目标对象的运行参数,由于数据量比较大,会将数据进行压缩处理,压缩前后的时间是相同的,区别在于压缩后的数据量减少。另外,为了避免数据受到通讯、外部环境等变量的干扰使得数据出现不稳定、易缺失,进而造成故障预警的准确率降低,首先对原始参数数据进行预处理,剔除某个时间段内没有数据对应的采样时间,或者剔除参数数据中出现异常的数值,然后获取预警风险范围内的原始参数数据,例如,同一批次的对象的运行数据。基于数据统计等方式在预警风险范围内的原始参数数据中,提炼出在目标工况下最能反映目标对象的第二时间窗口内的故障评估特征的参数数据。然后根据故障评估参数及其对应的故障阈值之间的关系确定目标对象是否存在故障,避免出现因参数数据受外部环境干扰导致目标对象故障预警判断不准确的情况。
举例而言,以故障预警方法应用于车辆上的电池,采集第一时间窗口(如10月1日-10月31日)内的原始参数数据,当目标工况为高速行驶,对应的故障评估特征为电池绝缘值时,对每一天内车辆处于高速行驶工况下的电池绝缘值进行数据压缩,提取出每天中与电池绝缘值相关的参数数据,压缩后的时间长度时相同的,即第二时间窗口仍然为10月1日志10月31日。将10月1日-10月31日中每一天中的上千帧原始数据分别压缩为一帧数据,对每一天的数据进行分析,若其中某一天例如10月12日的电池绝缘特征触发了设定的电池绝缘值特征阈值,则初步判定故障预警时间为10月12日,将10月12日作为第二时间窗口。例如,获取10月12日内高速行驶工况下所有的电池绝缘值的平均值,当该平均值小于设定的电池绝缘阈值时,确定电池出现异常,认为10月12日为故障预警时间。-需要说明的是,当出现多个时间区段内的参数数据统计量触发故障评估特征的参数故障阈值时,则将最后一个时间区段(靠近第二时间窗口的末端)作为故障预警时间。例如,在确定10月12日、10月14日、10月15日的参数数据均满足故障条件,则将10月15日作为最终的故障预警时间。
根据本申请的一些实施例,第二时间窗口包含多个相同的时间区段,根据故障评估特征的参数数据和对应的参数故障阈值,确定目标对象在目标工况下的故障预警时间,包括:获取第二时间窗口内每个时间区段内故障评估特征的参数数据统计量;将参数数据统计量触发故障评估特征的参数故障阈值时对应的时间区段作为故障预警时间。
具体而言,通过对原始数据进行降低原始数据的维度、异常数据剔除等方式,即使在数据受到通讯、外部环境影响的情况下,出现数据不稳定、易缺失的情况,也可以得到更加准确的故障评估特征的参数数据,获取第二时间窗口内故障评估特征的所有参数数据,并获取所有参数数据的统计量,在统计量触发该故障评估特征对应的参数故障阈值时,认为故障评估特征的参数数据对应的时间区段为故障预警时间。以目标工况为高速行驶,故障评估特征为该工况下的绝缘值,获取第二时间窗口内每个时间区段的所有高速行驶工况下的对应的电池绝缘值,并分别获取每个时间区段内电池绝缘值的平均值,在绝缘平均值小于预设的电流阈值时,认为该绝缘平均值对应的时间区段内的高速行驶工况下的绝缘数据出现异常,此时说明该时间区段为故障预警时间。
根据本申请的一些实施例,上述的故障预警方法还包括:获取第二时间窗口内故障评估特征的参数数据变化趋势;在故障评估特征的参数数据变化趋势小于第一设定阈值时,确定故障预警时间有效。其中,第一设定阈值可根据实际情况进行标定,具体可根据故障评估特征来确定对应的第一设定阈值。
具体而言,为了进一步提高故障预警时间的准确性,还对故障预警时间进行二次判定,例如,通过获取第二时间窗口内的故障评估特征的参数数据变化趋势,根据变化趋势确定故障预警时间是否有效,其中,当变化趋势能够表征故障在持续发生时,认为目标对象出现故障,即认为故障预警时间有效。
根据本申请的一些实施例,获取第二时间窗口内故障评估特征的参数数据变化趋势,包括:对第二时间窗口内的故障评估特征的参数数据进行滑动平均运算和差分运算,以获得参数数据变化趋势。
通过对第二时间窗口内的故障评估特征的参数数据进行滑动平均处理,能够快速且便于实时处理非平稳数据,并对滑动平均处理后的数据进行差分运算,可以很好的确定参数数据变化趋势。
根据本申请的一些实施例,对第二时间窗口内的故障评估特征的参数数据进行滑动平均运算和差分运算,包括:对第二时间窗口内故障评估特征的参数数据按照设定的窗口大小进行滑动平均运算,得到滑动平均运算结果;对滑动平均运算结果进行差分运算,得到差分运算结果;对差分运算结果进行二次滑动平均运算,得到二次滑动平均运算结果;对二次滑动平均运算结果进行平均运算,得到参数数据变化趋势。
具体而言,在一段时间内,基于第二时间窗口对故障评估特征的参数数据按照设定的窗口大小进行滑动平均运算,得到多个滑动平均值,然后对多个滑动平均值进行差分运算,得到多个差分值,在对多个差分值做滑动平均运算,得到多个滑动平均值,最后对多个滑动平均值求平均值,根据平均值确定参数数据的变化趋势。例如,以电池绝缘故障预警为例,得到的平均值为绝缘值时,绝缘值异常小是绝缘故障的直接体现,在对变化趋势进行量化时,绝缘值越小表示下降趋势越明显,若绝缘值为负数,则表示电池绝缘存在故障风险,确定故障预警时间有效。
举例而言,仍以第二时间窗口为10月1日至10月31日为例,按照四天(设定的窗口大小)进行滑动平均,即获取10月1日至10月4日内故障评估特征的参数数据的平均值,获取10月2日至10月5日内故障评估特征的参数数据的平均值,…,10月27日至10月31日内故障平均特征的参数数据的平均值,可以得到27组故障平均特征的参数数据的平均值。然后对27组故障平均特征的参数数据的平均值进行差分运算后,得到27组差分数据。接着对27组差分运算结果再进行滑动平均,窗口大小依旧为四天,可以得到24组结果,对着24组结果求平均值,得到最终的平均值,根据平均值的大小可以确定参数变化趋势,例如,以故障评估参数为电池绝缘值,得到最终的平均值(绝缘值)越小,表明表示下降趋势越明显,若绝缘值为负数,则表示电池绝缘存在故障风险。
其中,第二时间窗口的长度取决于预测周期,例如,业务场景要求每30天输出一次风险清单,该第二时间窗口长度为30天,第二时间窗口的滑动窗口大小取决于数据质量,若参数数据缺失较严重,则第二时间窗口的滑动窗口可适当调小,例如为特征提取周期的2到3倍;若数据完整连贯,则第二时间窗口的滑动窗口可适当调大。从而通过滑动平均运算和差分运算可以准确的确定故障评估特征的参数数据变化趋势,提高故障预警的精确度。
需要说明的是,在本申请的一些实施例中,还可以直接对一次滑动平均运算的结果取平均值,根据平均值确定参数数据变化趋势。
根据本申请的一些实施例,上述的故障预警方法,还包括:获取确定故障预警时间的故障评估特征位于原始参数数据中的数据帧长度;在数据帧长度大于第二设定阈值时,确定故障预警时间有效。
不仅可以根据故障评估特征的参数数据变化趋势来对故障预警时间进行二次判定,还可以根据故障评估特征在原始参数数据中的数据帧长度来确定故障预警时间是否有效,例如,当数据帧长度只有几帧时,认为故障评估特征值是根据很小的数据量提取出来的,所以可信度较低;当数据帧长度较大时,认为可信度较高,即故障预警时间有效。
根据本申请的一些实施例,获取确定故障预警时间的故障评估特征位于原始参数数据中的数据帧长度,包括:对故障评估特征的参数数据进行数据回溯,确定故障评估特征的参数数据在第一时间窗口内的数据帧长度。
具体而言,不仅可以根据故障评估特征的参数数据变化趋势来对故障预警时间进行二次判定,还可以根据故障评估特征在原始参数数据中的数据帧长度来确定故障预警时间是否有效,例如,当数据帧长度只有几帧时,认为故障评估特征值是根据很小的数据量提取出来的,所以可信度较低;当数据帧长度较大时,认为可信度较高,即故障预警时间有效。例如,在当前工况为高速行驶,高速行驶半小时,2帧/min,60帧数据都出现异常时,对应上述的数据长度;如果只有一帧报警则是误报。
需要说明的是,还可以在上述两种条件(故障评估特征的参数数据变化趋势满足故障条件,故障评估特征在原始参数数据中的数据帧长度满足故障条件)都满足的情况下,认为故障预警时间有效。
根据本申请的一些实施例,上述的故障预警方法还包括:获取第三时间窗口内故障评估特征的参数数据的第一特征统计量,其中,第三时间窗口包含在第二时间窗口内,且处于第二时间窗口的末端;获取预警时间所处的预设时间范围内的故障评估特征的参数数据的第二特征统计量,其中,预设时间范围为预警时间及其相邻的前预设个时间区段;获取第一特征统计量和第二特征统计量之间的变化量;在变化量小于第三设定阈值时,确定故障预警时间有效。
具体而言,不仅可以根据故障评估特征的参数数据变化趋势来对故障预警时间进行二次判定,和/或,根据故障评估特征在原始参数数据中的数据帧长度对故障预警时间进行二次判定,还可以通过第二时间窗口的末端窗口内的故障评估特征的参数数据的统计量的平均值与预设时间范围内的故障评估特征的参数数据的统计量的平均值之间的差值来确定故障预警时间是否有效,例如,故障预警时间为10月12日,预设时间范围为10月10日到10月12日,第三时间窗口为10月31日,根据10月31日内故障评估特征的参数数据的统计量的平均值与预设时间范围内的故障评估特征的参数数据的统计量的平均值之间的差值来判断故障预警时间是否有效,其中,当差值越大时,认为故障已经恢复,故障预警时间失效,如果差值较小,认为仍然存在故障,故障预警时间有效。由此,采用最新的数据(末端时间窗口数据)会提高预警判断的准确性。
举例而言,以电池绝缘故障预警为例,电池绝缘故障可能由密封失效进入水汽引起,待外部环境恢复温暖干燥之后,水汽蒸发,故障自行解除。因此故障预警时间的预警可能是一种假性预警,通过变化量观测故障是否恢复。例如,当变化量为较大的正数时,说明故障已恢复,故障预警时间不是真实预警点。
需要说明的是,可以在上述三个条件(故障评估特征的参数数据变化趋势满足故障条件,故障评估特征在原始参数数据中的数据帧长度满足故障条件,第一特征统计量和第二特征统计量之间的变化量满足故障条件)中的至少一个满足条件,或者三个条件均满足条件的情况下,还可以在上述两种条件,认为故障预警时间有效。
根据本申请的一些实施例,在在确定故障预警时间有效后,输出包含故障预警时间的故障预警信息。也就是说,在确定故障预警时间有效后,还输出故障预警信息,以便根据故障预警信息进行相应的处理措施。
根据本申请的一些实施例,根据预警风险范围的原始参数数据,确定目标对象在第二时间窗口内的故障评估特征的参数数据,包括:对原始参数数据进行压缩处理,并剔除原始参数数据中的异常值;根据剔除后的原始参数数据获取不同工况下的故障评估特征,其中,故障评估特征至少包括一个;根据目标工况下的故障评估特征获取剔除后的原始参数数据中的故障评估特征的参数数据。
具体而言,对原始数据进行预处理,例如,一个采样时间点内不存在采样数据,则需要进行缺失值处理,又如,采样数据不符合要求,则需要进行异常值处理等。需要进行缺失值处理的原因主要是由于通讯故障没有回传数据。然后获取不同工况下的故障评估特征,例如,工况包括:工况A、工况B和工况C,然后确定每个工况下的故障评估特征,如,工况A对应的故障评估特征为a,工况B对应的故障评估特征为b,工况C对应的故障评估特征为c。然后根据目标工况为B,那么对应的故障评估特征为b,获取预处理后的故障评估特征为b的参数数据。
需要说明的是,在本申请的一些实施例中,可以不同工况下对应的故障评估特征可以根据大量的试验数据获得,也可以利用现有的寻优算法,对相同工况下,不同的故障评估特征的对比结果来确定该工况下合适的故障评估特征。
根据本申请的一些实施例,在故障评估特征为多个时,方法还包括:获取每个故障评估特征的参数数据的统计量;根据每个故障评估特征的统计量及其对应的权重系数与设定的参数故障阈值确定故障预警时间。
具体而言,当一个工况对应多个故障评估特征时,例如,工况A对应的故障评估特征为a1和a2,获取故障评估特征a1和a2的权重系数,获取故障评估特征a1的参数数据的统计量b1,并获取故障评估特征a2的参数数据的统计量b2,根据a1*b1与a1*b2之和的统计量与设定的参数故障阈值进行比较,在统计量触发设定的参数故障阈值时,确定第二时间窗口为故障预警时间。当目标工况下有多个故障评估特征时,根据每个故障评估特征的权重系数来确定故障预警时间,可以更加精准的判断故障预警时间。
综上所述,本申请实施例的技术方案中,在第一时间窗口内按照相同的时间间隔对目标对象的运行参数进行数据采集,作为原始参数数据,该原始参数数据包括不同工况下的目标对象的运行参数,由于数据量比较大,会将数据进行压缩处理,压缩前后的时间是相同的,区别在于压缩后的数据量减少。另外,为了避免数据受到通讯、外部环境等变量的干扰使得数据出现不稳定、易缺失,进而造成故障预警的准确率降低,首先对原始参数数据进行预处理,剔除某个时间段内没有数据对应的采样时间,或者剔除参数数据中出现异常的数值,然后获取预警风险范围内的原始参数数据,例如,同一批次的对象的运行数据。基于数据统计等方式在预警风险范围内的原始参数数据中,提炼出在目标工况下最能反映目标对象的故障评估特征的参数数据。然后根据故障评估参数及其对应的故障阈值之间的关系确定目标对象是否存在故障,避免出现因参数数据受外部环境干扰导致目标对象故障预警判断不准确的情况。
作为本申请的一个具体示例,如图2所示,本申请的故障预警方法包括以下步骤:
S101,获取目标对象的原始参数数据。
S102,对原始数据进行预处理。其中,预处理包括数据压缩、缺失值处理、异常值处理等。
S103,根据目标对象与预警风险范围,对预处理后的数据进行特征提取,以获得目标对象的故障评估特征的参数数据。
S104,在故障评估特征的参数数据统计量触发对应的参数故障阈值时,将该时间区段作为故障预警时间,然后分别执行步骤S105、S107和S109。
S105,获取故障评估特征的参数数据的变化趋势,作为指标1。
S106,在故障评估特征的参数数据变化趋势小于第一设定阈值时,确定故障预警时间有效,并执行步骤S111。
S107,获取确定故障预警时间的故障评估特征位于原始参数数据中的数据帧长度,作为指标2。
S108,在数据帧长度大于第二设定阈值时,确定故障预警时间有效,并执行步骤S111。
S109,分别获取量化观测点附近和故障预警时间附近的故障评估特征的参数数据的特征统计变化量,作为指标3。其中,量化观测点附近是指采集原始数据的最末端的时间段。
S110,在变化量小于第三设定阈值时,确定故障预警时间有效。
S111,在确定故障预警时间有效时,输出包含故障预警时间的故障预警信息。
需要说明的是,图3中的虚线表明,指标1、指标2和指标3可以单独判断故障预警时间是否有效,也可以指标1和指标2结合判断输出故障预警时间是否有效,也可以指标2和指标3结合判断输出故障预警时间是否有效,也可以是指标1、指标2和指标3结合判断输出故障预警时间是否有效。上述实施例仅作为一个具体示例,并不能成为对本申请的限制。
对应上述实施例,本申请还提出了一种故障预警装置。
如图3所示,本申请的故障预警装置100可包括:数据采集模块110、数据确定模块120和确定模块130。
其中,数据采集模块110用于采集第一时间窗口内的目标对象的原始参数数据,其中,原始参数数据包括至少一个工况下的故障评估特征相关的运行参数。数据确定模块120用于根据预警风险范围的原始参数数据,确定目标对象在第二时间窗口内的故障评估特征的参数数据,其中,故障评估特征基于目标工况确定,预警风险范围为设定范围内的至少一个目标对象,第二时间窗口与第一时间窗口的时间长度相同,第一时间窗口内的数据量大于第二时间窗口内的数据量。确定模块130用于根据故障评估特征的参数数据和对应的参数故障阈值,确定目标对象在目标工况下的故障预警时间。
根据本申请的一些实施例,第二时间窗口包含多个相同的时间区段,确定模块130根据故障评估特征的参数数据和对应的参数故障阈值,确定目标对象在目标工况下的故障预警时间,具体用于:获取第二时间窗口内每个时间区段内故障评估特征的参数数据统计量;将参数数据统计量触发故障评估特征的参数故障阈值时对应的时间区段作为故障预警时间。
根据本申请的一些实施例,确定模块130还用于:获取第二时间窗口内故障评估特征的参数数据变化趋势;在故障评估特征的参数数据变化趋势小于第一设定阈值时,确定故障预警时间有效。
根据本申请的一些实施例,确定模块130获取第二时间窗口内故障评估特征的参数数据变化趋势,具体用于:对第二时间窗口内的故障评估特征的参数数据进行滑动平均运算和差分运算,以获得参数数据变化趋势。
根据本申请的一些实施例,确定模块130对第二时间窗口内的故障评估特征的参数数据进行滑动平均运算和差分运算,具体用于:对第二时间窗口内故障评估特征的参数数据按照设定的窗口大小进行滑动平均运算,得到滑动平均运算结果;对滑动平均运算结果进行差分运算,得到差分运算结果;对差分运算结果进行二次滑动平均运算,得到二次滑动平均运算结果;对二次滑动平均运算结果进行平均运算,得到参数数据变化趋势。
根据本申请的一些实施例,确定模块130还用于:获取确定故障预警时间的故障评估特征位于原始参数数据中的数据帧长度;在数据帧长度大于第二设定阈值时,确定故障预警时间有效。
根据本申请的一些实施例,确定模块130获取确定故障预警时间的故障评估特征位于原始参数数据中的数据帧长度,具体用于:对故障评估特征的参数数据进行数据回溯,确定故障评估特征的参数数据在第一时间窗口内的数据帧长度。
根据本申请的一些实施例,确定模块130还用于:获取第三时间窗口内故障评估特征的参数数据的第一特征统计量,其中,第三时间窗口包含在第二时间窗口内,且处于第二时间窗口的末端;获取预警时间所处的预设时间范围内的故障评估特征的参数数据的第二特征统计量,其中,预设时间范围为预警时间及其相邻的前预设个时间区段;获取第一特征统计量和第二特征统计量之间的变化量;在变化量小于第三设定阈值时,确定故障预警时间有效。
根据本申请的一些实施例,确定模块130还用于,在确定故障预警时间有效后,输出包含故障预警时间的故障预警信息。
根据本申请的一些实施例,数据确定模块120根据预警风险范围的原始参数数据,确定目标对象在第二时间窗口内的故障评估特征的参数数据,具体用于:对原始参数数据进行压缩处理,并剔除原始参数数据中的异常值;根据剔除后的原始参数数据获取不同工况下的故障评估特征,其中,故障评估特征至少包括一个;根据目标工况下的故障评估特征获取剔除后的原始参数数据中的故障评估特征的参数数据。
根据本申请的一些实施例,确定模块130还用于,在故障评估特征为多个时,获取每个故障评估特征的参数数据的统计量;根据每个故障评估特征的统计量及其对应的权重系数与设定的参数故障阈值确定故障预警时间。
需要说明的是,本申请实施例的故障预警装置中未披露的细节,请参照本申请实施例的故障预警方法中所披露的细节,具体这里不再赘述。
对应上述实施例,本申请还提出了一种计算机可读存储介质。
本申请的计算机可读存储介质,其上存储有故障预警程序,该故障预警程序被处理器执行时实现上述的故障预警方法。。
对应上述实施例,本申请还提出了电池。
如图4所示,本申请的电池200,包括存储器210、处理器220及存储在存储器210上并可在处理器220上运行的故障预警程序,所述处理器执行故障预警程序时,实现上述实施例中的故障预警方法。
对应上述实施例,本申请还提出了一种车辆。
如图5所示,本申请的车辆300,包括存储器310、处理器320及存储在存储器310上并可在处理器320上运行的故障预警程序,所述处理器执行故障预警程序时,实现上述实施例中的故障预警方法。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,其均应涵盖在本申请的权利要求和说明书的范围当中。尤其是,只要不存在结构冲突,各个实施例中所提到的各项技术特征均可以任意方式组合起来。本申请并不局限于文中公开的特定实施例,而是包括落入权利要求的范围内的所有技术方案。
Claims (15)
1.一种故障预警方法,其特征在于,包括:
采集第一时间窗口内的目标对象的原始参数数据,其中,所述原始参数数据包括至少一个工况下的故障评估特征相关的运行参数;
根据预警风险范围的所述原始参数数据,确定所述目标对象在第二时间窗口内的故障评估特征的参数数据,其中,所述故障评估特征基于目标工况确定,所述预警风险范围为设定范围内的至少一个目标对象,所述第二时间窗口与所述第一时间窗口的时间长度相同,所述第一时间窗口内的数据量大于所述第二时间窗口内的数据量;
根据所述故障评估特征的参数数据和对应的参数故障阈值,确定所述目标对象在所述目标工况下的故障预警时间。
2.根据权利要求1所述的故障预警方法,其特征在于,所述第二时间窗口包含多个相同的时间区段,根据所述故障评估特征的参数数据和对应的参数故障阈值,确定所述目标对象在所述目标工况下的故障预警时间,包括:
获取所述第二时间窗口内每个时间区段内故障评估特征的参数数据统计量;
将参数数据统计量触发所述故障评估特征的参数故障阈值时对应的时间区段作为所述故障预警时间。
3.根据权利要求1所述的故障预警方法,其特征在于,所述方法还包括:
获取所述第二时间窗口内所述故障评估特征的参数数据变化趋势;
在所述故障评估特征的参数数据变化趋势小于第一设定阈值时,确定所述故障预警时间有效。
4.根据权利要求3所述的故障预警方法,其特征在于,获取所述第二时间窗口内所述故障评估特征的参数数据变化趋势,包括:
对所述第二时间窗口内的故障评估特征的参数数据进行滑动平均运算和差分运算,以获得所述参数数据变化趋势。
5.根据权利要求4所述的故障预警方法,其特征在于,对所述第二时间窗口内的故障评估特征的参数数据进行滑动平均运算和差分运算,包括:
对所述第二时间窗口内所述故障评估特征的参数数据按照设定的窗口大小进行滑动平均运算,得到滑动平均运算结果;
对所述滑动平均运算结果进行差分运算,得到差分运算结果;
对所述差分运算结果进行二次滑动平均运算,得到二次滑动平均运算结果;
对所述二次滑动平均运算结果进行平均运算,得到所述参数数据变化趋势。
6.根据权利要求1所述的故障预警方法,其特征在于,所述方法还包括:
获取确定所述故障预警时间的所述故障评估特征位于所述原始参数数据中的数据帧长度;
在所述数据帧长度大于第二设定阈值时,确定所述故障预警时间有效。
7.根据权利要求6所述的故障预警方法,其特征在于,获取确定所述故障预警时间的所述故障评估特征位于所述原始参数数据中的数据帧长度,包括:
对所述故障评估特征的参数数据进行数据回溯,确定所述故障评估特征的参数数据在所述第一时间窗口内的数据帧长度。
8.根据权利要求1所述的故障预警方法,其特征在于,所述方法还包括:
获取第三时间窗口内故障评估特征的参数数据的第一特征统计量,其中,所述第三时间窗口包含在所述第二时间窗口内,且处于所述第二时间窗口的末端;
获取所述预警时间所处的预设时间范围内的故障评估特征的参数数据的第二特征统计量,其中,所述预设时间范围为所述预警时间及其相邻的前预设个时间区段;
获取所述第一特征统计量和所述第二特征统计量之间的变化量;
在所述变化量小于第三设定阈值时,确定所述故障预警时间有效。
9.根据权利要求1-8中任一项所述的故障预警方法,其特征在于,在在确定所述故障预警时间有效后,输出包含所述故障预警时间的故障预警信息。
10.根据权利要求1所述的故障预警方法,其特征在于,根据预警风险范围的所述原始参数数据,确定所述目标对象在第二时间窗口内的故障评估特征的参数数据,包括:
对所述原始参数数据进行压缩处理,并剔除所述原始参数数据中的异常值;
根据剔除后的所述原始参数数据获取不同工况下的故障评估特征,其中,所述故障评估特征至少包括一个;
根据所述目标工况下的故障评估特征获取剔除后的所述原始参数数据中的所述故障评估特征的参数数据。
11.根据权利要求10所述的故障预警方法,其特征在于,在所述故障评估特征为多个时,所述方法还包括:
获取每个所述故障评估特征的参数数据的统计量;
根据每个所述故障评估特征的统计量及其对应的权重系数与设定的参数故障阈值确定所述故障预警时间。
12.一种故障预警装置,其特征在于,包括:
数据采集模块,用于采集第一时间窗口内的目标对象的原始参数数据,其中,所述原始参数数据包括至少一个工况下的故障评估特征相关的运行参数;
数据确定模块,用于根据预警风险范围的所述原始参数数据,确定所述目标对象在第二时间窗口内的故障评估特征的参数数据,其中,所述故障评估特征基于目标工况确定,所述预警风险范围为设定范围内的至少一个目标对象,所述第二时间窗口与所述第一时间窗口的时间长度相同,所述第一时间窗口内的数据量大于所述第二时间窗口内的数据量;
确定模块,用于根据所述故障评估特征的参数数据和对应的参数故障阈值,确定所述目标对象在所述目标工况下的故障预警时间。
13.一种计算机可读存储介质,其特征在于,其上存储有故障预警程序,该故障预警程序被处理器执行时实现根据权利要求1-11中任一项所述的故障预警方法。
14.一种电池,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的故障预警程序,所述处理器执行所述故障预警程序时,实现根据权利要求1-11中任一项所述的故障预警方法。
15.一种车辆,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的故障预警程序,所述处理器执行所述故障预警程序时,实现根据权利要求1-11中任一项所述的故障预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211427155.4A CN115817178A (zh) | 2022-11-14 | 2022-11-14 | 故障预警方法、装置、电池、车辆及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211427155.4A CN115817178A (zh) | 2022-11-14 | 2022-11-14 | 故障预警方法、装置、电池、车辆及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115817178A true CN115817178A (zh) | 2023-03-21 |
Family
ID=85528156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211427155.4A Pending CN115817178A (zh) | 2022-11-14 | 2022-11-14 | 故障预警方法、装置、电池、车辆及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115817178A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298455A (zh) * | 2019-06-28 | 2019-10-01 | 西安因联信息科技有限公司 | 一种基于多变量估计预测的机械设备故障智能预警方法 |
CN110647539A (zh) * | 2019-09-26 | 2020-01-03 | 汉纳森(厦门)数据股份有限公司 | 一种用于车辆故障的预测方法和系统 |
CN112099476A (zh) * | 2020-09-27 | 2020-12-18 | 珠海格力电器股份有限公司 | 故障预警方法、装置及系统、存储介质 |
CN112162878A (zh) * | 2020-09-30 | 2021-01-01 | 深圳前海微众银行股份有限公司 | 数据库故障发现方法、装置、电子设备及存储介质 |
CN113447290A (zh) * | 2021-06-25 | 2021-09-28 | 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 |
CN113572625A (zh) * | 2020-04-28 | 2021-10-29 | 中国移动通信集团浙江有限公司 | 故障预警方法、预警装置、设备及计算机介质 |
CN114237087A (zh) * | 2021-11-09 | 2022-03-25 | 深圳市移动力量科技有限公司 | 监控系统预警方法、装置及计算机可读存储介质 |
CN114936675A (zh) * | 2022-04-26 | 2022-08-23 | 国能朔黄铁路发展有限责任公司 | 一种故障预警方法、装置、存储介质及电子设备 |
-
2022
- 2022-11-14 CN CN202211427155.4A patent/CN115817178A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298455A (zh) * | 2019-06-28 | 2019-10-01 | 西安因联信息科技有限公司 | 一种基于多变量估计预测的机械设备故障智能预警方法 |
CN110647539A (zh) * | 2019-09-26 | 2020-01-03 | 汉纳森(厦门)数据股份有限公司 | 一种用于车辆故障的预测方法和系统 |
CN113572625A (zh) * | 2020-04-28 | 2021-10-29 | 中国移动通信集团浙江有限公司 | 故障预警方法、预警装置、设备及计算机介质 |
CN112099476A (zh) * | 2020-09-27 | 2020-12-18 | 珠海格力电器股份有限公司 | 故障预警方法、装置及系统、存储介质 |
CN112162878A (zh) * | 2020-09-30 | 2021-01-01 | 深圳前海微众银行股份有限公司 | 数据库故障发现方法、装置、电子设备及存储介质 |
WO2022068645A1 (zh) * | 2020-09-30 | 2022-04-07 | 深圳前海微众银行股份有限公司 | 数据库故障发现方法、装置、电子设备及存储介质 |
CN113447290A (zh) * | 2021-06-25 | 2021-09-28 | 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 |
CN114237087A (zh) * | 2021-11-09 | 2022-03-25 | 深圳市移动力量科技有限公司 | 监控系统预警方法、装置及计算机可读存储介质 |
CN114936675A (zh) * | 2022-04-26 | 2022-08-23 | 国能朔黄铁路发展有限责任公司 | 一种故障预警方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020215721A1 (zh) | 一种激光雷达的寿命预测方法 | |
CN103728429B (zh) | 水质在线监测方法及监测系统 | |
CN108696368B (zh) | 一种网元健康状态的检测方法及设备 | |
CN116308305B (zh) | 一种桥梁健康监测数据管理系统 | |
CN117407700A (zh) | 一种带电作业过程中作业环境的监测方法 | |
CN116502925B (zh) | 基于大数据的数字工厂设备巡检评估方法、系统和介质 | |
CN114244751B (zh) | 无线传感器网络异常检测方法和系统 | |
CN114564629B (zh) | 异常数据处理方法、装置、计算机设备和存储介质 | |
CN117289778B (zh) | 一种工控主机电源健康状态的实时监测方法 | |
CN117892246B (zh) | 一种智能化开关柜用数据处理方法 | |
CN118051863B (zh) | 一种基于数字计量技术的健康数据采集系统及方法 | |
CN117293758B (zh) | 基于故障识别的数字化配电馈线监测终端自动化保护方法 | |
CN117527066B (zh) | 一种光纤检测方法和系统 | |
CN108446162B (zh) | 监测JVM Full GC事件的方法及系统 | |
CN111177140A (zh) | 一种卷烟制丝线生产过程数据清洗系统和方法 | |
CN115817178A (zh) | 故障预警方法、装置、电池、车辆及存储介质 | |
CN110516960B (zh) | 一种变电站继电保护设备的可靠性指标定量计算方法 | |
CN117491813A (zh) | 新能源汽车动力电池系统绝缘异常检测方法 | |
CN115144172A (zh) | 一种基于声音的gis断路器故障在线监测系统及方法 | |
CN111999435A (zh) | 空气负氧离子监测数据质量管控及相关设备 | |
CN118397797B (zh) | 小流域山洪预报预警方法及装置、电子设备、存储介质 | |
CN116860831A (zh) | 一种实时数据的故障诊断辅助决策方法 | |
CN116878728B (zh) | 一种压力传感器故障检测分析处理系统 | |
CN118118319B (zh) | 一种基于大数据的网络设备智能诊断方法及系统 | |
CN117872181B (zh) | 一种基于电池包运行分散度评估的电池早期预警方法 |
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 |