CN116235148A - 干泵宕机的预警方法、装置、电子设备、存储介质及程序 - Google Patents
干泵宕机的预警方法、装置、电子设备、存储介质及程序 Download PDFInfo
- Publication number
- CN116235148A CN116235148A CN202180002670.5A CN202180002670A CN116235148A CN 116235148 A CN116235148 A CN 116235148A CN 202180002670 A CN202180002670 A CN 202180002670A CN 116235148 A CN116235148 A CN 116235148A
- Authority
- CN
- China
- Prior art keywords
- operation data
- downtime
- dry pump
- data
- historical
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
一种干泵宕机的预警方法、装置、电子设备、存储介质及程序,属于自动控制技术领域,所述方法包括:获取干泵的历史运行数据(101);利用历史运行数据构建卡尔曼滤波模型(102);通过卡尔曼滤波模型预测干泵的预测运行数据(103);利用历史运行数据和预测运行数据对宕机预测模型进行训练(104);将干泵的当前运行数据输入至训练后的宕机预测模型,获取干泵的宕机预警信息(105)。
Description
本公开属于自动控制技术领域,特别涉及一种干泵宕机的预警方法、装置、电子设备、存储介质及程序。
干泵设备在面板行业中的用途广泛,主要为各种腔室提供真空镀膜的反应环境,是显示工艺流程中不可缺少的辅助设备。但干泵存在随时宕机,备品备件管理不当等情况,这将导致产品品质失控、设备管理被动、维修成本提高等问题,引发一系列的产能损耗与经济损失。
概述
本公开提供的一种干泵宕机的预警方法、装置、电子设备、存储介质及程序。
本公开一些实施方式提供一种干泵宕机的预警方法,所述方法包括:
获取干泵的历史运行数据;
利用所述历史运行数据构建卡尔曼滤波模型;
通过所述卡尔曼滤波模型预测所述干泵的预测运行数据;
利用所述历史运行数据和所述预测运行数据对宕机预测模型进行训练;
将所述干泵的当前运行数据输入至训练后的宕机预测模型,获取所述干泵的宕机预警信息。
可选地,所述利用所述历史运行数据和所述预测运行数据对宕机预测模型进行训练,包括:
识别所述预测运行数据的运行状态类型;
根据所述运行状态类型对所述历史运行数据进行标注;
利用标注后的历史运行数据对所述宕机预测模型进行训练。
可选地,所述运行状态类型至少包括:宕机类型、正常类型;
所述识别所述预测运行数据的宕机类型,包括:
在所述预测运行数据超出正常运行数据范围时,将所述预测运行数据确定为宕机类型;
在所述预测运行数据未超出正常运行数据范围时,将所述预测运行数据 确定为正常类型。
可选地,所述宕机类型至少包括:渐变异常类型、突变异常类型;
可选地,所述获取干泵的历史运行数据,包括:
获取所述干泵的全量运行数据;
分析所述全量运行数据中不同维度的运行数据与所述干泵宕机事件之间的关联性;
将所述关联性符合宕机事件关联要求的至少一个维度的运行数据作为历史运行数据。
可选地,所述分析所述全量运行数据中不同维度的运行数据与所述干泵宕机事件之间的关联性,包括:
获取所述全量运行数据中不同维度的运行数据在干泵宕机时间点附近的变化趋势;
根据所述变化趋势的变化值确定所述不同维度的运行数据与干泵宕机事件之间的关联性。
可选地,所述分析所述全量运行数据中不同维度的运行数据与所述干泵宕机事件之间的关联性,包括:
构建所述全量运行数据中不同维度的运行数据的多维模型;
获取所述不同维度的运行数据在所述多维模型中的离散程度;
根据所述离散程度确定不同维度的运行数据与干泵宕机事件之间的关联性。
可选地,所述利用所述历史运行数据构建卡尔曼滤波模型,包括:
初始化卡尔曼滤波模型的动态参数;
利用所述历史运行数据对初始化后的卡尔曼滤波模型中的动态参数进行调整,直至调整后的卡尔曼滤波模型的执行度符合构建要求。
可选地,所述卡尔曼滤波模型为:
X=a
0t
2+v
0t+x
0
X=At+B
其中,X表示历史运行数据的向量矩阵,t表示时间矩阵,A表示转移矩阵,B表示随机项,a
0、v
0、x
0表示动态参数。
可选地,在所述获取干泵的历史运行数据之后,所述方法还包括:
过滤所述历史运行数据中无效数据,所述无效数据包括:错误值、空值、重复值中的至少一种。
可选地,在所述获取干泵的历史运行数据之后,所述方法还包括:
将所述历史运行数据归一化值目标数据区间。
本公开一些实施例提供一种干泵宕机的预警装置,所述装置包括:
接收模块,被配置为获取干泵的历史运行数据;
训练模块,被配置为利用所述历史运行数据构建卡尔曼滤波模型;
通过所述卡尔曼滤波模型预测所述干泵的预测运行数据;
利用所述历史运行数据和所述预测运行数据对宕机预测模型进行训练;
预警模块,被配置为将所述干泵的当前运行数据输入至训练后的宕机预测模型,获取所述干泵的宕机预警信息。
可选地,所述训练模块,还被配置为:
识别所述预测运行数据的运行状态类型;
根据所述运行状态类型对所述历史运行数据进行标注;
利用标注后的历史运行数据对所述宕机预测模型进行训练。
可选地,所述运行状态类型至少包括:宕机类型、正常类型;
所述训练模块,还被配置为:
在所述预测运行数据超出正常运行数据范围时,将所述预测运行数据确定为宕机类型;
在所述预测运行数据未超出正常运行数据范围时,将所述预测运行数据确定为正常类型。
可选地,所述宕机类型至少包括:渐变异常类型、突变异常类型;
所述训练模块,还被配置为:
在所述预测运行数据中的温度数据或压力数据超出正常运行数据范围时,将所述预测运行数据确定为渐变异常类型;
在所述预测运行数据中的电流数据或功率数据超出正常运行数据范围时,将所述预测运行数据确定为突变异常类型。
可选地,所述接收模块,还被配置为:
获取所述干泵的全量运行数据;
分析所述全量运行数据中不同维度的运行数据与所述干泵宕机事件之间的关联性;
将所述关联性符合宕机事件关联要求的至少一个维度的运行数据作为历史运行数据。
可选地,所述训练模块,还被配置为:
获取所述全量运行数据中不同维度的运行数据在干泵宕机时间点附近的变化趋势;
根据所述变化趋势的变化值确定所述不同维度的运行数据与干泵宕机事件之间的关联性。
可选地,所述训练模块,还被配置为:
构建所述全量运行数据中不同维度的运行数据的多维模型;
获取所述不同维度的运行数据在所述多维模型中的离散程度;
根据所述离散程度确定不同维度的运行数据与干泵宕机事件之间的关联性。
可选地,所述训练模块,还被配置为:
初始化卡尔曼滤波模型的动态参数;
利用所述历史运行数据对初始化后的卡尔曼滤波模型中的动态参数进行调整,直至调整后的卡尔曼滤波模型的执行度符合构建要求。
可选地,所述卡尔曼滤波模型为:
X=a
0t
2+v
0t+x
0
X=At+B
其中,X表示历史运行数据的向量矩阵,t表示时间矩阵,A表示转移矩阵,B表示随机项,a
0、v
0、x
0表示动态参数。
可选地,所述接收模块,还被配置为:
过滤所述历史运行数据中无效数据,所述无效数据包括:错误值、空值、重复值中的至少一种。
可选地,所述接收模块,还被配置为:
将所述历史运行数据归一化值目标数据区间。
本公开一些实施例提供一种计算处理设备,包括:
存储器,其中存储有计算机可读代码;
一个或多个处理器,当所述计算机可读代码被所述一个或多个处理器执行时,所述计算处理设备执行如上述的干泵宕机的预警方法。
本公开一些实施例提供一种计算机程序,包括计算机可读代码,当所述计算机可读代码在计算处理设备上运行时,导致所述计算处理设备执行如上述的干泵宕机的预警方法。
本公开一些实施例提供一种非瞬态计算机可读介质,其中存储了如上 述的干泵宕机的预警方法。
上述说明仅是本公开技术方案的概述,为了能够更清楚了解本公开的技术手段,而可依照说明书的内容予以实施,并且为了让本公开的上述和其它目的、特征和优点能够更明显易懂,以下特举本公开的具体实施方式。
附图简述
为了更清楚地说明本公开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一简单地介绍,显而易见地,下面描述中的附图是本公开的一些实施例,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示意性地示出了本公开一些实施例提供的干泵在显示面板制作工艺中的流程示意图;
图2示意性地示出了本公开一些实施例提供的一种干泵宕机的预警方法的流程示意图;
图3示意性地示出了本公开一些实施例提供的一种干泵宕机的预警方法的原理示意图之一;
图4示意性地示出了本公开一些实施例提供的一种干泵宕机的预警方法的原理示意图之二;
图5示意性地示出了本公开一些实施例提供的另一种干泵宕机的预警方法的流程示意图之一;
图6示意性地示出了本公开一些实施例提供的另一种干泵宕机的预警方法的流程示意图之二;
图7示意性地示出了本公开一些实施例提供的一种干泵宕机的预警方法的原理示意图之三;
图8示意性地示出了本公开一些实施例提供的一种干泵宕机的预警方法的原理示意图之四;
图9示意性地示出了本公开一些实施例提供的一种干泵宕机的预警装置的结构示意图;
图10示意性地示出了用于执行根据本公开一些实施例的方法的计算处理设备的框图;
图11示意性地示出了用于保持或者携带实现根据本公开一些实施例的方法的程序代码的存储单元。
详细描述
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通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,都属于本公开保护的范围。
参照图1,干泵在显示面板行业中应用广泛,分布在各工序中(干刻、PECVD、Sputter、EVEN等),主要为反应腔室提供真空环境,将气体抽出实现反应室真空系统。实现成膜工艺。以Array-PECVD工艺为例,反应气体进入成膜区域后在真空条件下发生化学反应进而成膜。
相关技术中针对干泵维护的方法主要通过主动维护设备、定期更换备品备件、发生故障后维护修理等,这类方法效率低,耗时长,成本高且无法避免故障发生后对产线造成的影响,后来出现阈值监控系统,利用统计学上下限的方式监控干泵运行状态,但此方法人为影响极大,对结果误判次数多,准确率偏低,效果不佳。随着人工智能、大数据、互联网等高科技技术的不断发展,监测干泵设备健康状态有了更智能、更省人力,更精准的解决方案,此类人工智能监测系统对数据依赖性较强,但预测准确性很高。
图2示意性地示出了本公开提供的一种干泵宕机的预警方法的流程示意图,该方法可以由该应用程序的服务器或者终端设备执行,可选地,该方法可以由服务器执行,所述方法包括:
步骤101,获取干泵的历史运行数据。
在本公开实施例中,干泵是指无油干式机械真空泵,可以分为干式螺旋真空泵和涡旋式干泵。历史运行数据是指干泵在过去时间段对干泵运行过程进行检测得到的各种运行指标数据,例如:电流数据、功率数据、温度数据、冷去液流速等等,只要可以反映干泵的运行情况均可适用于本公开实施例,此处不作限定。
在实际应用,服务器可以通过设置在干泵中的检测设备对干泵在过去时间段中的运行数据进行收集,以供后续进行宕机预测模型的训练和优化使用。
示例性的,从数据质量与数据数量两维度展开。质量上,以分钟为采集数据的频率单位,利用干泵自带的传感器采集到“电流、功率、 温度、N
2流量”等多个维度的运行数据(表1),以时间为排序将数据提取出来,另外后期在干泵马达及齿轮或相应位置上加装振动传感器,增加数据采集的维度。数量上,在可增加干泵数量的基础上采集全生命周期(全生命周期指自干泵安装之日起到宕机,经过检修后重新安装再到下一次宕机之日)数据。
表1
步骤102,利用所述历史运行数据构建卡尔曼滤波模型。
在本公开实施例中,卡尔曼滤波模型是一种利用线性系统状态方式,通过输入输出系统观测数据,对系统状态进行估计的算法模型。具体的,卡尔曼滤波模型的的构建分为两个阶段:首先是通过将历史运行数输入至卡尔曼滤波模型中,对卡尔曼滤波模型中的动态参数进行调整后,参照图3,通过预测上一时刻t-1的后验估计值来估计当前时刻t的值,并与历史运行数据中的实际值进行比较,根据比较值对卡尔曼滤波模型的置信度进行调整,直至调整后的卡尔曼滤波模型的预测值与实际值之间的误差达到预期要求为止,即可确定卡尔曼滤波模型构建完毕。
步骤103,通过所述卡尔曼滤波模型预测所述干泵的预测运行数据。
在本公开实施例中,通过卡尔曼滤波模型对干泵在下一时刻的运行数据进行预测所得到的预测运行数据可以反映干泵在下一时刻的运行情况。以电流为例,在实际生产中,干泵的电流数据不断更新,结合设定的置信度可以不断通过卡尔曼滤波模型得到预测电流数据,在预测电流数据低于置信度相关联的区间内时,则表明干泵存在宕机风险。
步骤104,利用所述历史运行数据和所述预测运行数据对宕机预测 模型进行训练。
在本公开实施例中,宕机预测模型可以是基于LSTM(Long Short-Term Memory,长短期记忆)算法的神经网络模型。由于卡尔曼滤波模型可以过滤运行数据中噪音和干扰,因此通过卡尔曼滤波模型预测得到的预测运行数据可以更加准确地反映干泵的未来运行情况。从而基于该预测运行数据作为参考标准对历史运行数据进行标注后,输入至宕机预测模型进行预测,即可有效消除数据中的噪音和干扰对于宕机预测模型的预测过程的影响,使得宕机预测模型可以更加准确地识别干泵的宕机风险。
示例性的,可以将历史运行数据进行不同维度的分类后,划分训练集和验证集,然后取各分类训练集合中的前10~15个值,通过卡尔曼滤波模型不断将先验置信度调整到符合要求的较高水平时,得到预测运行数据,然后将该选取的10~15个值以及卡尔曼预测模型的预测运行数据作为最终训练集对宕机预测模型进行训练,然后再使用验证集对训练后的宕机预测模型进行检验,从而达到不断优化宕机预测模型的目的。
步骤105,将所述干泵的当前运行数据输入至训练后的宕机预测模型,获取所述干泵的宕机预警信息。
在本公开实施例中,在宕机预测模型训练完成后,服务器可以将检测到的干泵的当前运行数据实时输入至宕机预测模型中,即可得到宕机预警信息。当然宕机预测模型通常识别出的结果是干泵的预测运行数据是否会发生宕机,因此通过对识别出宕机风险的预测运行数据进行分析,即可得到包括是干泵是否存在宕机风险,以及可能出现宕机情况的时间段,以及宕机原因等等的宕机基于信息,例如干泵在未来1~10天内可能发生宕机,或者干泵在未来1~10天内可能由于温度过高发生宕机等等,具体可以根据实际需求设置,此处不做限定。
进一步的,参照图4,以电流数据和功率数据为例,针对不同种类的数据进行算法模型搭建,可以不断利用新采集到的运行数据对宕机预测模型进行模型优化与训练,可以生成准确的算法模型,得到准确的参数预测。
本公开实施例通过利用通过干泵的历史运行数据构建的卡尔曼滤波模型来预测宕机的运行数据,从而通过所等得到的预测运行数据和 历史运行数据对宕机预测模型进行训练,使得宕机预测模型可以兼顾卡尔曼滤波模型对于噪音和干扰的滤波特性,可以更加稳定地对干泵宕机风险进行识别,提高了干泵宕机预警的准确性。
可选地,参照图5,所述步骤103,可以包括:
步骤1031,识别所述预测运行数据的运行状态类型。
步骤1032,根据所述运行状态类型对所述历史运行数据进行标注。
步骤1033,利用标注后的历史运行数据对所述宕机预测模型进行训练。
在本公开步骤1031至步骤1033的实施例中,运行状态类型是用于表征干泵运行情况的类型,例如故障运行类型、正常运行类型、过载运行类型等,具体可以根据实际需求设置,此处不做限定。
由于预测运行数据可以反映干泵在历史运行数据的下一时刻的干泵运行状态,因此可以对预测运行数据中的参数指标进行分析,即可得到干泵在下一时刻的运行状态类型,例如是否发生宕机,发生宕机的原因所属类型等等,从而对历史运行数据在下一时刻的运行状态类型进行标注所得到的样本数据可以兼顾卡尔曼滤波模型的稳定特性,使得后续宕机预测模型可以学习到卡尔曼滤波模型的稳定特性。
可选地,所述运行状态类型至少包括:宕机类型、正常类型,所述步骤1031,可以包括:
A1,在所述预测运行数据超出正常运行数据范围时,将所述预测运行数据确定为宕机类型。
A2,在所述预测运行数据未超出正常运行数据范围时,将所述预测运行数据确定为正常类型。
在本公开实施例中,可通过预先设置的干泵正常运行时的正常运行数据范围对预测运行数据进行筛选,超出范围的即可认定为存在宕机风险的宕机类型,未超出范围即可认定为不存在宕机风险的正常类型。
可选地,所述宕机类型至少包括:渐变异常类型、突变异常类型。
在本公开实施例中,宕机类型具体可以更为渐变异常类型和突变异常类型,渐变异常类型是用于反映运行数据逐渐趋于异常数值所导致的宕机类型,例如干泵温度逐渐变高、干泵所连接的镀膜腔室压力逐渐变大等因素导致的宕机;突变异常类型是用于反映运行数据突达 到异常数值的宕机类型,例如干泵电流突然上升、异物突然卡死、干泵零部件老化导致部件突然不可用等因素所导致的宕机。
可选地,参照图6,所述步骤101,可以包括:
步骤1011,获取所述干泵的全量运行数据。
步骤1012,分析所述全量运行数据中不同维度的运行数据与所述干泵宕机事件之间的关联性。
步骤1013,将所述关联性符合宕机事件关联要求的至少一个维度的运行数据作为历史运行数据。
在本公开实施例中,干泵的全量运行数据是指对干泵的各维度参数指标进行检测得到的原始数据,其中可能包含有与干泵宕机无关或者相关度较低的数据,因此可以从中挑选出于干泵的宕机事件关联性较高的数据作为后续模型训练的输入数据,从而减少模型训练所需的数据量和数据处理量。
可选地,所述步骤1012,可以包括:
C1,获取所述全量运行数据中不同维度的运行数据在干泵宕机时间点附近的变化趋势。
C2,根据所述变化趋势的变化值确定所述不同维度的运行数据与干泵宕机事件之间的关联性。
在本公开实施例中,以时间作为横坐标,运行数据作为纵坐标,绘制不同维度的运行数据的变化趋势图,从而对异常泵、正常泵、正常下线泵等多台干泵的运行数据中在宕机时刻的相关性强弱进行比对,即可得到不同维度的运行数据与干泵宕机事件之间的关联性。示例性的,参照图7,其中横坐标为时间,纵坐标为电流数据,发现越接近宕机事件发生的时间点时,异常泵1、2、3的电流数据相较于正常泵和正常下线泵的电流数据发生明显变化,表明电流数据与干泵宕机事件的关联性较高。
可选地,所述步骤1012,可以包括:
D1,构建所述全量运行数据中不同维度的运行数据的多维模型。
D2,获取所述不同维度的运行数据在所述多维模型中的离散程度。
D3,根据所述离散程度确定不同维度的运行数据与干泵宕机事件之间的关联性。
在本公开实施例中,以某维度的运行数据为横坐标,其他维度的 运行数据为纵坐标,即可构建可以反映不同维度的运行数据关联关系的多维模型,多维模型的维度与运行数据的维度相同。从而几何多维模型判断不同维度参数之间的相关离散程度,若离散程度越高,则说明该维度参数与干泵宕机事件关联性越大。
示例性,参照图8,横坐标为干泵电流数据,纵坐标为其他维度参数,可见在干泵宕机时,Dry_Pump_Temperature1维度的运行数据、Main_Booster_Temperature1维度的运行数据与其他维度的运行数据的离散程度明显较大,因此该两个维度的运行数据与干泵宕机的关联性较大。
可选地,所述步骤102,可以包括:初始化卡尔曼滤波模型的动态参数;利用所述历史运行数据对初始化后的卡尔曼滤波模型中的动态参数进行调整,直至调整后的卡尔曼滤波模型的执行度符合构建要求。
在本公开实施例中,可以首先取历史运行数据中的例如5~15个部分值,初始化卡尔曼滤波器,使其对数据分布的先验置信度收敛到一个较高的水平。根据模型状态估计,预估下一个数据点的位置和置信度,若预测值与历史运行数据中的实际值相差较大,则需对置信度进行调整优化至最佳,使得最终的预测值与实际值基本吻合其中准确率等于检出宕机故障数除以实际宕机故障总数。
可选地,所述卡尔曼滤波模型为:
X=a
0t
2+v
0t+x
0
X=At+B
其中,X表示历史运行数据的向量矩阵,t表示时间矩阵,A表示转移矩阵,B表示随机项,a
0、v
0、x
0表示动态参数。
在本公开实施例中,通过对数据进行分析,可以确定两个维度的运行数据与干泵宕机的关联性最高,可由
的模拟位移速度公式,最终使用二阶方程X=a
0t
2+v
0t+x
0作为卡尔曼滤波模型的预估公式。为了确定动态参数,将X定义为维度空间矩阵X=At+B,即下述公式(1):
其中a、b、c、d表示转移矩阵A中的参数,一般初期从单位矩阵开始验算,e、f表示随机项B中的随机变量。例如在1s时干泵电流为7.9A,当1s增压泵电流为4.3A,将数值代入二维矩阵中即可确定7.9=a+2b+e,4.3=c+2d+f,并通过多组数据迭代更新卡尔曼滤波模型。
可选地,在所述步骤101之后,所述方法还可以包括:过滤所述历史运行数据中无效数据,所述无效数据包括:错误值、空值、重复值中的至少一种。
在本公开实施例中,将以时间为排序的运行数据进行整理,由于在宕机前的数值会有部分空值的情况出现,另外宕机时一般功率、电流等参数会突变为0,因此结合相关算法利用机器筛选的方式将其中错误值、空值、重复值等意义不大的值删除。示例性的,所采集的历史运行数据可以通过表2的形式表示:
表2
可选地,在所述步骤101之后,所述方法还可以包括将所述历史运行数据归一化值目标数据区间。
在本公开实施例中,通过将所采集到的历史运行数据进行标准化处理,将数据的数值转换为[a,b]的固定区间内,有助于后续模型的收敛过程,可以提高宕机预测模型的精度。
图9示意性地示出了本公开提供的一种干泵宕机的预警装置30的结构示意图,所述装置包括:
接收模块301,被配置为获取干泵的历史运行数据;
训练模块302,被配置为利用所述历史运行数据构建卡尔曼滤波模型;
通过所述卡尔曼滤波模型预测所述干泵的预测运行数据;
利用所述历史运行数据和所述预测运行数据对宕机预测模型进行训练;
预警模块303,被配置为将所述干泵的当前运行数据输入至训练后的宕机预测模型,获取所述干泵的宕机预警信息。
可选地,所述训练模块302,还被配置为:
识别所述预测运行数据的运行状态类型;
根据所述运行状态类型对所述历史运行数据进行标注;
利用标注后的历史运行数据对所述宕机预测模型进行训练。
可选地,所述运行状态类型至少包括:宕机类型、正常类型;
所述训练模块302,还被配置为:
在所述预测运行数据超出正常运行数据范围时,将所述预测运行数据确定为宕机类型;
在所述预测运行数据未超出正常运行数据范围时,将所述预测运行数据确定为正常类型。
可选地,所述宕机类型至少包括:渐变异常类型、突变异常类型;
可选地,所述接收模块301,还被配置为:
获取所述干泵的全量运行数据;
分析所述全量运行数据中不同维度的运行数据与所述干泵宕机事件之间的关联性;
将所述关联性符合宕机事件关联要求的至少一个维度的运行数据作为历史运行数据。
可选地,所述训练模块302,还被配置为:
获取所述全量运行数据中不同维度的运行数据在干泵宕机时间点附近的变化趋势;
根据所述变化趋势的变化值确定所述不同维度的运行数据与干泵宕机事件之间的关联性。
可选地,所述训练模块302,还被配置为:
构建所述全量运行数据中不同维度的运行数据的多维模型;
获取所述不同维度的运行数据在所述多维模型中的离散程度;
根据所述离散程度确定不同维度的运行数据与干泵宕机事件之间的关联性。
可选地,所述训练模块302,还被配置为:
初始化卡尔曼滤波模型的动态参数;
利用所述历史运行数据对初始化后的卡尔曼滤波模型中的动态参数进行调整,直至调整后的卡尔曼滤波模型的执行度符合构建要求。
可选地,所述卡尔曼滤波模型为:
X=a
0t
2+v
0t+x
0
X=At+B
其中,X表示历史运行数据的向量矩阵,t表示时间矩阵,A表示转移矩阵,B表示随机项,a
0、v
0、x
0表示动态参数。
可选地,所述接收模块301,还被配置为:
过滤所述历史运行数据中无效数据,所述无效数据包括:错误值、空值、重复值中的至少一种。
可选地,所述接收模块301,还被配置为:
将所述历史运行数据归一化值目标数据区间。
本公开实施例通过利用通过干泵的历史运行数据构建的卡尔曼滤波模型来预测宕机的运行数据,从而通过所等得到的预测运行数据和历史运行数据对宕机预测模型进行训练,使得宕机预测模型可以兼顾卡尔曼滤波模型对于噪音和干扰的滤波特性,可以更加稳定地对干泵宕机风险进行识别,提高了干泵宕机预警的准确性。
以上所描述的装置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的劳动的情况下,即可以理解并实施。
本公开的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开实施例的计算处理设备中的一些或者全部部件的一些或者全部功能。本公开还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本公开的程序可以存储在非瞬态计算机可读介质上,或者可以具有一个或者多个信 号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
例如,图10示出了可以实现根据本公开的方法的计算处理设备。该计算处理设备传统上包括处理器410和以存储器420形式的计算机程序产品或者非瞬态计算机可读介质。存储器420可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器420具有用于执行上述方法中的任何方法步骤的程序代码431的存储空间430。例如,用于程序代码的存储空间430可以包括分别用于实现上面的方法中的各种步骤的各个程序代码431。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘,紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为如参考图11所述的便携式或者固定存储单元。该存储单元可以具有与图10的计算处理设备中的存储器420类似布置的存储段、存储空间等。程序代码可以例如以适当形式进行压缩。通常,存储单元包括计算机可读代码431’,即可以由例如诸如410之类的处理器读取的代码,这些代码当由计算处理设备运行时,导致该计算处理设备执行上面所描述的方法中的各个步骤。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本文中所称的“一个实施例”、“实施例”或者“一个或者多个实施例”意味着,结合实施例描述的特定特征、结构或者特性包括在本公开的至少一个实施例中。此外,请注意,这里“在一个实施例中”的词语例子不一定全指同一个实施例。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本公开的实施例可以在没有这些具体细节的情况下被实践。在一些实例中,并 未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
最后应说明的是:以上实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述实施例对本公开进行了详细的说明,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公开各实施例技术方案的精神和范围。
Claims (14)
- 一种干泵宕机的预警方法,其特征在于,所述方法包括:获取干泵的历史运行数据;利用所述历史运行数据构建卡尔曼滤波模型;通过所述卡尔曼滤波模型预测所述干泵的预测运行数据;利用所述历史运行数据和所述预测运行数据对宕机预测模型进行训练;将所述干泵的当前运行数据输入至训练后的宕机预测模型,获取所述干泵的宕机预警信息。
- 根据权利要求1所述的方法,其特征在于,所述利用所述历史运行数据和所述预测运行数据对宕机预测模型进行训练,包括:识别所述预测运行数据的运行状态类型;根据所述运行状态类型对所述历史运行数据进行标注;利用标注后的历史运行数据对所述宕机预测模型进行训练。
- 根据权利要求2所述的方法,其特征在于,所述运行状态类型至少包括:宕机类型、正常类型;所述识别所述预测运行数据的宕机类型,包括:在所述预测运行数据超出正常运行数据范围时,将所述预测运行数据确定为宕机类型;在所述预测运行数据未超出正常运行数据范围时,将所述预测运行数据确定为正常类型。
- 根据权利要求1所述的方法,其特征在于,所述获取干泵的历史运行数据,包括:获取所述干泵的全量运行数据;分析所述全量运行数据中不同维度的运行数据与所述干泵宕机事件之间的关联性;将所述关联性符合宕机事件关联要求的至少一个维度的运行数据作为历史运行数据。
- 根据权利要求4所述的方法,其特征在于,所述分析所述全量运行数据中不同维度的运行数据与所述干泵宕机事件之间的关联性,包括:获取所述全量运行数据中不同维度的运行数据在干泵宕机时间点 附近的变化趋势;根据所述变化趋势的变化值确定所述不同维度的运行数据与干泵宕机事件之间的关联性。
- 根据权利要求4所述的方法,其特征在于,所述分析所述全量运行数据中不同维度的运行数据与所述干泵宕机事件之间的关联性,包括:构建所述全量运行数据中不同维度的运行数据的多维模型;获取所述不同维度的运行数据在所述多维模型中的离散程度;根据所述离散程度确定不同维度的运行数据与干泵宕机事件之间的关联性。
- 根据权利要求1所述的方法,其特征在于,所述利用所述历史运行数据构建卡尔曼滤波模型,包括:初始化卡尔曼滤波模型的动态参数;利用所述历史运行数据对初始化后的卡尔曼滤波模型中的动态参数进行调整,直至调整后的卡尔曼滤波模型的执行度符合构建要求。
- 根据权利要求7所述的方法,其特征在于,所述卡尔曼滤波模型为:X=a 0t 2+v 0t+x 0X=At+B其中,X表示历史运行数据的向量矩阵,t表示时间矩阵,A表示转移矩阵,B表示随机项,a 0、v 0、x 0表示动态参数。
- 根据权利要求1所述的方法,其特征在于,在所述获取干泵的历史运行数据之后,所述方法还包括:过滤所述历史运行数据中无效数据,所述无效数据包括:错误值、空值、重复值中的至少一种。
- 根据权利要求1所述的方法,其特征在于,在所述获取干泵的历史运行数据之后,所述方法还包括:将所述历史运行数据归一化值目标数据区间。
- 一种干泵宕机的预警装置,其特征在于,所述装置包括:接收模块,被配置为获取干泵的历史运行数据;训练模块,被配置为利用所述历史运行数据构建卡尔曼滤波模型;通过所述卡尔曼滤波模型预测所述干泵的预测运行数据;利用所述历史运行数据和所述预测运行数据对宕机预测模型进行训练;预警模块,被配置为将所述干泵的当前运行数据输入至训练后的宕机预测模型,获取所述干泵的宕机预警信息。
- 一种计算处理设备,其特征在于,包括:存储器,其中存储有计算机可读代码;一个或多个处理器,当所述计算机可读代码被所述一个或多个处理器执行时,所述计算处理设备执行如权利要求1-10中任一项所述的干泵宕机的预警方法。
- 一种计算机程序,其特征在于,包括计算机可读代码,当所述计算机可读代码在计算处理设备上运行时,导致所述计算处理设备执行如权利要求1-10中任一项所述的干泵宕机的预警方法。
- 一种非瞬态计算机可读介质,其特征在于,其中存储了如权利要求1-10中任一项所述的干泵宕机的预警方法的计算机程序。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2021/120378 WO2023044770A1 (zh) | 2021-09-24 | 2021-09-24 | 干泵宕机的预警方法、装置、电子设备、存储介质及程序 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116235148A true CN116235148A (zh) | 2023-06-06 |
Family
ID=85719225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180002670.5A Pending CN116235148A (zh) | 2021-09-24 | 2021-09-24 | 干泵宕机的预警方法、装置、电子设备、存储介质及程序 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116235148A (zh) |
WO (1) | WO2023044770A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116861798A (zh) * | 2023-09-01 | 2023-10-10 | 华侨大学 | 基于XGBoost算法的真空干泵在线实时剩余寿命预测方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167527B (zh) * | 2023-04-21 | 2023-09-12 | 南方电网数字电网研究院有限公司 | 纯数据驱动的电力系统静态安全运行风险在线评估方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9104650B2 (en) * | 2005-07-11 | 2015-08-11 | Brooks Automation, Inc. | Intelligent condition monitoring and fault diagnostic system for preventative maintenance |
CN106126909A (zh) * | 2016-06-22 | 2016-11-16 | 重庆科技学院 | 基于无迹卡尔曼神经网络的pm2.5浓度预测方法 |
CN108376298B (zh) * | 2018-02-12 | 2023-11-10 | 湘潭大学 | 一种风电机组发动机温度故障预警诊断方法 |
CN109842521A (zh) * | 2019-01-28 | 2019-06-04 | 西安科技大学 | 一种移动终端宕机预测系统及方法 |
GB201913131D0 (en) * | 2019-05-31 | 2019-10-30 | Governing Council Of The Univ Of Toronto | System and method for filtering time-varying data for physiological signal prediction |
CN113095562A (zh) * | 2021-04-07 | 2021-07-09 | 安徽天能清洁能源科技有限公司 | 基于卡尔曼滤波和lstm发电超短期预测方法及装置 |
-
2021
- 2021-09-24 CN CN202180002670.5A patent/CN116235148A/zh active Pending
- 2021-09-24 WO PCT/CN2021/120378 patent/WO2023044770A1/zh unknown
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116861798A (zh) * | 2023-09-01 | 2023-10-10 | 华侨大学 | 基于XGBoost算法的真空干泵在线实时剩余寿命预测方法 |
CN116861798B (zh) * | 2023-09-01 | 2023-12-26 | 华侨大学 | 基于XGBoost算法的真空干泵在线实时剩余寿命预测方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2023044770A1 (zh) | 2023-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kundu et al. | Multiple failure behaviors identification and remaining useful life prediction of ball bearings | |
Filev et al. | An industrial strength novelty detection framework for autonomous equipment monitoring and diagnostics | |
CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
CN116235148A (zh) | 干泵宕机的预警方法、装置、电子设备、存储介质及程序 | |
WO2013012535A1 (en) | Monitoring method using kernel regression modeling with pattern sequences | |
CN110757510B (zh) | 一种机器人剩余寿命预测方法及系统 | |
CN112862127B (zh) | 一种传感器数据的异常处理方法、装置、电子设备及介质 | |
CN116066343A (zh) | 一种输油泵机组故障模型的智能预警方法及系统 | |
CN112381965A (zh) | 一种基于数据挖掘的航空发动机健康状态识别系统及方法 | |
CN114091525A (zh) | 一种滚动轴承退化趋势预测方法 | |
CN116000131A (zh) | 一种基于数据驱动的挤压机设备智能运维方法及系统 | |
Huang et al. | Bayesian neural network based method of remaining useful life prediction and uncertainty quantification for aircraft engine | |
CN117076869B (zh) | 旋转机械时频域融合故障诊断方法及系统 | |
EP3712728A1 (en) | Apparatus for predicting equipment damage | |
CN111652393A (zh) | 基于大数据技术的电力设备异常预警方法 | |
CN112925806B (zh) | 基于关联规则的性能退化特征参数提取方法、系统、介质及设备 | |
US20240185115A1 (en) | Method and apparatus for early warning of dry pump shutdown, electronic device, storage medium and program | |
CN115081514A (zh) | 一种数据不平衡情况下的工业设备故障识别方法 | |
CN113849479A (zh) | 基于即时学习和自适应阈值的综合能源供应站油罐泄漏检测方法 | |
Singh et al. | Predicting the remaining useful life of ball bearing under dynamic loading using supervised learning | |
US12007745B2 (en) | Apparatus for predicting equipment damage | |
SOUZA et al. | Trend-weighted rule-based expert system with application to industrial process monitoring | |
CN116991137B (zh) | 一种面向概念漂移的可适应可解释的工控系统异常检测方法 | |
CN114692783B (zh) | 基于分层图偏差网络的智能服务异常检测方法 | |
Zhang et al. | Performance assessment of fault classifier of chemical plant based on support vector machine |
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 |