CN116561683A - 一种分层预测诊断方法、系统、电子设备及存储介质 - Google Patents
一种分层预测诊断方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116561683A CN116561683A CN202310291968.3A CN202310291968A CN116561683A CN 116561683 A CN116561683 A CN 116561683A CN 202310291968 A CN202310291968 A CN 202310291968A CN 116561683 A CN116561683 A CN 116561683A
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- parameter
- sensing operation
- prediction
- current sensing
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 205
- 238000003860 storage Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000005856 abnormality Effects 0.000 claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims description 48
- 238000002405 diagnostic procedure Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 19
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 66
- 238000004519 manufacturing process Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000007689 inspection Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 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
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明实施例中的分层预测诊断方法、系统、电子设备及存储介质,该方法由本地诊断层获取当前传感运行参数,若当前传感运行参数小于预设传感运行参数阈值,将当前传感运行参数传输至边缘诊断层并进行诊断,若结果为参数诊断正常,将传感运行数据传输至云端诊断层,并对当前传感运行参数进行参数异常预测,得到参数异常预测结果,本方法通过设置本地诊断、边缘诊断以及云端诊断对仪器仪表的故障数值及时发现,并对隐患数值进行预测诊断,有效解决了现有仪器仪表的隐患问题无法提前被发现,且设置三层诊断层可以有效避免复杂生产环境中多仪器仪表诊断漏判误判的情况,解决了单一的仪器仪表检查与诊断无法满足复杂生产场景中的全面诊断需求的问题。
Description
技术领域
本申请涉及生产控制领域,尤其涉及一种分层预测诊断方法、系统、电子设备及存储介质。
背景技术
生产设备自动化整体控制化的生产现状下,仪器仪表作为生产设备中设备的运行参数收集者,可以直观地体现生产设备运行过程中工业现场的例如温度、压力、流量等传感数据,可以有效对设备的运行状态进行体现,是现有生产制造过程控制领域必不可少的组成部分,为保证生产设备的安全生产,需要保证仪器仪表的稳定运行,且要对仪器仪表进行定期地运行健康诊断。
但是在实际生产过程中,对于仪器仪表运行健康的诊断,相关技术会针对仪器仪表的实际数值进行实时性警报预报,或者由人工对各仪器仪表进行检查,导致仪器仪表的隐患问题无法提前被发现,导致生产效率因为已经发生故障的仪器仪表而大幅减低,且单一的仪器仪表检查与诊断无法满足复杂生产场景中的全面诊断需求。
发明内容
本发明实施例的目的在于提供一种分层预测诊断方法、系统、电子设备及存储介质,以解决现有仪器仪表的隐患问题无法提前被发现,且单一的仪器仪表检查与诊断无法满足复杂生产场景中的全面诊断需求的问题。
本发明提供了一种分层预测诊断方法,所述仪表分层诊断方法包括:本地诊断层获取当前传感运行参数;若所述当前传感运行参数小于预设传感运行参数阈值,则将所述当前传感运行参数传输至边缘诊断层,并对所述当前传感运行参数进行诊断,得到诊断结果,所述诊断结果包括参数诊断异常与参数诊断正常;若所述诊断结果为参数诊断正常,则将所述传感运行数据传输至云端诊断层,并根据预设回归模型对所述当前传感运行参数进行参数异常预测,得到参数异常预测结果,以对所述当前传感运行参数进行分层预测诊断。
于本发明的一实施例中,对所述当前传感运行参数进行诊断包括:获取所述当前传感运行参数的采集时间;若存在多个所述当前传感运行参数,则根据所述采集时间对所述当前传感运行参数进行诊断次序排序;基于所述诊断次序排序对所述当前传感运行参数进行线下诊断,得到诊断结果。
于本发明的一实施例中,根据预设回归模型对所述当前传感运行参数进行参数异常预测,得到参数异常预测结果包括:基于所述预设回归模型和所述传感运行参数确定参数运行状态,所述参数运行状态包括参数运行异常和参数运行正常;若所述参数运行异常,则对所述传感运行参数进行异常状态预测标记,以及基于异常状态预测标记进行异常状态预测警示,并生成分层预测诊断结果;若所述参数运行正常,则将本次诊断记录为日志,并对所述日志进行存储。
于本发明的一实施例中,生成分层预测诊断结果之后,所述分层预测诊断方法还包括:将所述分层预测诊断结果发送至客户端并展示;根据所述诊断结果进行检修并监听检修记录;基于所述检修记录对所述预设回归模型进行权重设置,以对所述预设回归模型进行优化。
于本发明的一实施例中,所述预设回归模型的确定包括:获取多个历史传感运行参数,并生成初始样本数据;根据各历史传感运行参数的参数运行状态对所述初始样本数据进行标注,得到训练样本数据集,所述参数运行状态包括参数运行正常和参数运行异常;通过所述训练样本数据集对初始回归模型进行训练,将完成训练的所述初始回归模型确定为所述预设回归模型。
于本发明的一实施例中,本地诊断层获取当前传感运行参数之后,所述分层预测诊断方法还包括:若所述异常状态大于预设传感运行参数阈值,则对所述当前传感运行参数进行异常状态标记,并对所述异常状态进行警示。
本发明实施例还提供了一种分层预测诊断系统,所述仪表分层诊断系统包括本地诊断层,用于获取当前传感运行参数;若所述当前传感运行参数小于预设传感运行参数阈值,则将所述当前传感运行参数传输至边缘诊断层;边缘诊断层,用于对所述当前传感运行参数进行诊断,得到诊断结果,所述诊断结果包括参数诊断异常与参数诊断正常;若所述诊断结果为参数诊断正常,则将所述传感运行数据传输至云端诊断层;云端诊断层,用于根据预设回归模型对所述当前传感运行参数进行参数异常预测,得到参数异常预测结果,以对所述当前传感运行参数进行分层预测诊断。
于本发明的一实施例中,所述云端诊断层还包括:异常警示单元,用于若所述参数运行异常,则对所述传感运行参数进行异常状态预测标记,以及基于异常状态预测标记进行异常状态预测警示;日志存储单元,用于若所述参数运行正常,则将本次诊断记录为日志,并对所述日志进行存储;模型优化模块,用于将所述分层预测诊断结果发送至客户端并展示;根据所述诊断结果进行检修并监听检修记录;基于所述检修记录对所述预设回归模型进行权重设置,以对所述预设回归模型进行优化。
本发明实施例还提供了一种电子设备,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,使得所述电子设备实现如上述实施例中任一项所述的分层预测诊断方法。
本发明实施例还提供了一种计算机可读存储介质,其特征在于,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行如上述实施例中任一项所述的分层预测诊断方法。
本发明实施例中的分层预测诊断方法、系统、电子设备及存储介质,该方法由本地诊断层获取当前传感运行参数,若当前传感运行参数小于预设传感运行参数阈值,将当前传感运行参数传输至边缘诊断层并进行诊断,若结果为参数诊断正常,将传感运行数据传输至云端诊断层,并对当前传感运行参数进行参数异常预测,得到参数异常预测结果,本方法通过设置本地诊断、边缘诊断以及云端诊断对仪器仪表的故障数值及时发现,并对隐患数值进行预测诊断,有效解决了现有仪器仪表的隐患问题无法提前被发现,且设置三层诊断层可以有效避免复杂生产环境中多仪器仪表诊断漏判误判的情况,解决了单一的仪器仪表检查与诊断无法满足复杂生产场景中的全面诊断需求的问题。
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者来讲,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。在附图中:
图1是本申请的一示例性实施例示出的示例性系统架构的示意图;
图2是本申请的一示例性实施例示出的一种分层预测诊断方法的流程图;
图3是本申请的一示例性实施例示出的一种具体的分层预测诊断方法的流程图;
图4是本申请的一示例性实施例示出的一种分层预测诊断系统示意图;
图5是本申请的一示例性实施例示出的一种云端诊断层图
图6是本申请的一示例性实施例示出的电子设备的计算机系统的结构示意图。
具体实施方式
以下将参照附图和特定的具体实施例来说明本发明的实施方式,本领域技术人员可由本说明书中所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
在下文描述中,探讨了大量细节,以提供对本发明实施例的更透彻的解释,然而,对本领域技术人员来说,可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的,在其他实施例中,以方框图的形式而不是以细节的形式来示出公知的结构和设备,以避免使本发明的实施例难以理解。
在本申请中提及的“和/或”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。字符“/”一般表示前后关联对象是一种“或”的关系。
首先需要说明的是,仪器仪表(instrumentation)是用以检出、测量、观察、计算各种物理量、物质成分、物性参数等的器具或设备。从广义来说,仪器仪表具有自动控制、报警、信号传递和数据处理等功能。
工控机(IndustrialPersonalComputer—IPC)是一种加固的增强型个人计算机。工控机是一种采用总线结构,对生产过程及机电设备、工艺装备进行检测与控制的工具总称。工控机具有重要的计算机属性和特征,如具有计算机CPU、硬盘、内存、外设及接口,并有操作系统、控制网络和协议、计算能力、友好的人机界面。
本申请还可以提供的有益效果包括:对传感运行参数的采集时间进行排序,可以使边缘诊断层基于采集时间对传感运行参数进行诊断计划排序,提升边缘诊断层诊断的诊断效率,以及避免了异常状态发现不及时的情况;其次将诊断记录为日志并进行存储,便于相关技术人员对诊断记录进行调取以及查看;基于诊断结果进行检修并形成检修记录,可以基于检修记录中异常参数的异常状态情况确定诊断过程的关键数据,在预设回归模型中进行权重设置,提升预设回归模型的优化度,以提高诊断的准确度与精准度。
图1是本申请的一示例性实施例示出的示例性系统架构的示意图。
参照图1所示,系统架构可以包括本地诊断层101、边缘诊断层102和云端诊断层103。其中,本地诊断层101包括至少一台仪器仪表,边缘诊断层102包括至少一台工控机,云端诊断层103包括云端预测系统,上述至少一台仪器仪表与工控机通过进行本地连接,至少一台工控机与云端预测系统基于互联网进行连接,本地诊断层101获取当前传感运行参数,若当前传感运行参数小于预设传感运行参数阈值,则将当前传感运行参数传输至边缘诊断层102,并对当前传感运行参数进行诊断,得到诊断结果,若诊断结果为参数诊断正常,则将传感运行数据传输至云端诊断层103,并根据预设回归模型对当前传感运行参数进行参数异常预测,得到参数异常预测结果,以对当前传感运行参数进行分层预测诊断。
示意性的,本地诊断层101获取当前传感运行参数,若当前传感运行参数小于预设传感运行参数阈值,将当前传感运行参数传输至边缘诊断层102,并进行诊断,若诊断结果为参数诊断正常,将传感运行数据传输至云端诊断层103,并对当前传感运行参数进行参数异常预测,得到参数异常预测结果,本方法通过设置本地诊断、边缘诊断以及云端诊断对仪器仪表的故障数值及时发现,并对隐患数值进行预测诊断,有效解决了现有仪器仪表的隐患问题无法提前被发现,且设置三层诊断层可以有效避免复杂生产环境中多仪器仪表诊断漏判误判的情况,解决了单一的仪器仪表检查与诊断无法满足复杂生产场景中的全面诊断需求的问题。
图2是本申请的一示例性实施例示出的一种分层预测诊断方法的流程图,该分层预测诊断方法可以在图1中所示的本地诊断层101、边缘诊断层102和云端诊断层103的网络架构中执行。参照图2所示,该分层预测诊断方法的流程图至少包括步骤S210至步骤S230,详细介绍如下:
在步骤S210中,本地诊断层获取当前传感运行参数。
在本申请的一个实施例中,本地诊断层包括至少一台仪器仪表,上述仪器仪表与边缘诊断层的工况机本地连接。
在本申请的一个实施例中,本地诊断层可以基于传感装置对传感运行参数进行收集,该传感运行参数包括但不限于传感信号、电源输入、工况配置等状态参数。
在本申请的一个实施例中,本地诊断层在获取当前传感运行参数后,还需要对传感运行参数与预设运行参数阈值进行比较,以确定传感运行参数的当前运行状态是否满足正常运行范围,上述预设运行参数阈值用于对仪器仪表的正常运行限度与之进行描述。需要说明的是,上述预设运行参数阈值的确定是基于本方案实际应用中仪器仪表的量程以及对仪表满足安全生产数据极限需求的设定进行确定,在此不对该预设运行参数阈值进行限定。
在步骤S220中,若当前传感运行参数小于预设传感运行参数阈值,则将当前传感运行参数传输至边缘诊断层,并对当前传感运行参数进行诊断,得到诊断结果。
在本申请的一个实施例中,上述诊断结果包括参数诊断异常与参数诊断正常。
在本申请的一个实施例中,若所述异常状态大于预设传感运行参数阈值,则对当前传感运行参数进行异常状态标记,并对异常状态进行警示。
在本申请的一个实施例中,警示包括以文字、语音、故障报文,以及图文内容警示标注的形式以及上述形式的结合,在此仅为示例性举例,可以根据实际生产过程中的安全警示要求内容对警示信息的方式进行确定,在此不对该警示内容进行限定。
在本申请的一个实施例中,对当前传感运行参数进行诊断包括获取当前传感运行参数的采集时间,若存在多个当前传感运行参数,则根据采集时间对当前传感运行参数进行诊断次序排序,并基于诊断次序排序对当前传感运行参数进行线下诊断,得到诊断结果。
在本申请的一个实施例中,上述线下诊断包括,在工控机中通过配置周期性点巡检、保养等工单任务,将各任务对应的设备编号、任务内容、负责人,按日期时间先后顺序排列在工控机堆栈中,并判断上述日期时间与预设开工设定日期时间的一致状态,若与预设开工设定日期时间一致,由相关技术人员基于上述先后顺序对设备执行线下诊断。
在步骤S230中,若诊断结果为参数诊断正常,则将传感运行数据传输至云端诊断层,并根据预设回归模型对当前传感运行参数进行参数异常预测,得到参数异常预测结果,以对当前传感运行参数进行分层预测诊断。
在本申请的一个实施例中,根据预设回归模型对当前传感运行参数进行参数异常预测,得到参数异常预测结果包括基于预设回归模型和传感运行参数确定参数运行状态,上述参数运行状态包括参数运行异常和参数运行正常。
在本申请的一个实施例中,若参数运行异常,则对传感运行参数进行异常状态预测标记,以及基于异常状态预测标记进行异常状态预测警示,并生成分层预测诊断结果,若参数运行正常,则将本次诊断记录为日志,并对日志进行存储。
在本申请的一个实施例中,生成分层预测诊断结果之后,还包括将分层预测诊断结果发送至客户端并展示,根据诊断结果进行检修并监听检修记录,并基于检修记录对预设回归模型进行权重设置,以对预设回归模型进行优化。
在本申请的一个实施例中,权重是一个相对的概念,是针对某一指标而言,某一指标的权重是指该指标在整体评价中的相对重要程度,在评价过程中,是被评价对象的不同侧面的重要程度的定量分配,对各评价因子在总体评价中的作用进行区别对待。在本申请的一个实施例中,基于检修记录对常出现异常状态或与设备安全运行关联的核心数据的传感运行参数进行权重设置,可以进行有侧重点的数据预测,使得预测诊断结果更加精准。
在本申请的一个实施例中,回归模型是一种预测性的建模技术,它研究的是因变量(目标)和自变量(预测器)之间的关系,这种模型通常用于预测分析,时间序列模型以及发现变量之间的因果关系,回归模型重要的基础或者方法就是回归分析,回归分析是研究一个变量(被解释变量)关于另一变量(解释变量)的具体依赖关系的计算方法和理论,是建模和分析数据的重要工具。在本申请的实施例中,预设回归模型的确定包括获取多个历史传感运行参数,并生成初始样本数据,并根据各历史传感运行参数的参数运行状态对初始样本数据进行标注,得到训练样本数据集,参数运行状态包括参数运行正常和参数运行异常,通过训练样本数据集对初始回归模型进行训练,将完成训练的初始回归模型确定为预设回归模型。
在本申请的一个实施例中,样本数据可以通过技术人员来进行选择已有的历史数据或其他传感运行参数数据,采集样本数据的目的是用于后续的回归模型训练,在进行训练时,可以将原始样本数据划分为训练样本数据集合与验证样本数据集合,其中,验证样本数据所占的比例可以是预定设定的,例如,将验证样本数据比例设置为25%。然后通过训练样本数据集合进行模型训练,通过验证样本数据集合预测评估训练结果的准确性。在本实施例中,在制作独立的初始样本数据时,可以根据一定的策略,例如采用随机比例的方式,划分训练样本数据集与验证样本数据集。
请参阅图3,图3是本申请的一示例性实施例示出的一种具体的分层预测诊断方法的流程图。
如图3所示,在本申请的一个具体实施例中,包括确定性状态自诊断、预防性工单排程以及大数据预测性诊断。其中,上述确定性状态自诊断与上述实施例中的本地诊断层一致,其属于现场感知层诊断,对仪器仪表进行控制诊断,其包括采集参数与阈值进行比较,通过对传感信号、电源输入和工况配置等状态参数超限进行实时判断,快速提供故障诊断的输出。
在本申请的一个具体实施例中,上述预防性工单排程与上述实施例中的边缘诊断层一致,其属于边缘层诊断,依托于生产过程的现场工控机中,提供仪表检维修运维管理手段,具体包括通过配置周期性点巡检、保养等工单任务,通过针对仪表编排定期的检修工单计划,分配并指导相关技术人员定时定量地在线下执行针对仪表的具体的诊断工作。基于编排计划、执行计划的方式,找出仪表可能潜在的故障风险。
在本申请的一个具体实施例中,上述大数据预测性诊断与上述实施例中的云端诊断层一致,其属于云端诊断,根据云服务器中的预设模型对传感运行参数进行诊断控制,上述预设模型包括但不限于逻辑回归、随机森林等机器学习算法模型,基于历史的运行和状态参数,预测仪器仪表在时间周期内故障的可能性,并根据实际检修的结果,对算法模型的权重因子进行自动反馈调优。
本发明实施例中的分层预测诊断方法、系统、电子设备及存储介质,该方法由本地诊断层获取当前传感运行参数,若当前传感运行参数小于预设传感运行参数阈值,将当前传感运行参数传输至边缘诊断层,并进行诊断,若诊断结果为参数诊断正常,将传感运行数据传输至云端诊断层,并对当前传感运行参数进行参数异常预测,得到参数异常预测结果,本方法通过设置本地诊断、边缘诊断以及云端诊断对仪器仪表的故障数值及时发现,并对隐患数值进行预测诊断,有效解决了现有仪器仪表的隐患问题无法提前被发现,且设置三层诊断层可以有效避免复杂生产环境中多仪器仪表诊断漏判误判的情况,解决了单一的仪器仪表检查与诊断无法满足复杂生产场景中的全面诊断需求的问题,还可以提供的有益效果包括对传感运行参数的采集时间进行排序,可以使边缘诊断层基于采集时间对传感运行参数进行诊断计划排序,提升边缘诊断层诊断的诊断效率,以及避免了异常状态发现不及时的情况;其次将诊断记录为日志并进行存储,便于相关技术人员对诊断记录进行调取以及查看;基于诊断结果进行检修并形成检修记录,可以基于检修记录中异常参数的异常状态情况确定诊断过程的关键数据,在预设回归模型中进行权重设置,提升预设回归模型的优化度,以提高诊断的准确度与精准度。
以下介绍本申请的系统实施例,可以用于执行本申请上述实施例中的分层预测诊断方法。对于本申请系统实施例中未披露的细节,请参照本申请上述的分层预测诊断方法的实施例。
图4是本申请的一示例性实施例示出的一种分层预测诊断系统示意图。该系统可以应用于图2所示的实施环境。该系统也可以适用于其他的示例性实施环境,并具体配置在其他设备中,本实施例不对该系统所适用的实施环境进行限制。
如图4所示,该示例性的分层预测诊断系统包括:本地诊断层401、边缘诊断层402、云端诊断层403。
其中,本地诊断层401,用于获取当前传感运行参数;若当前传感运行参数小于预设传感运行参数阈值,则将当前传感运行参数传输至边缘诊断层;边缘诊断层402,用于对当前传感运行参数进行诊断,得到诊断结果,诊断结果包括参数诊断异常与参数诊断正常;若诊断结果为参数诊断正常,则将传感运行数据传输至云端诊断层;云端诊断层403,用于根据预设回归模型对当前传感运行参数进行参数异常预测,得到参数异常预测结果,以对当前传感运行参数进行分层预测诊断。
在本申请的一个系统实施例中,上述本地诊断层包括至少一台仪器仪表,上述边缘诊断层包括至少一台工况机,上述至少一台仪器仪表与上述至少一台工况机进行连接,构成本地诊断网络,该连接方式包括但不限于局域网连接、本地物理端口连接、虚拟端口连接、数据库中转连接等连接方式,在此不对至少一台仪器仪表与上述至少一台工况机的连接方式进行限定。上述至少一台工况机与上述远端诊断层基于互联网进行连接,并完成数据传输。
在本申请的一个实施例中,上述云端诊断层并不局限于单层系统构成,该云端诊断层可以包括云端诊断系统及用于该云端诊断系统承载的物理终端或网页形式的客户端,以完成对云端诊断系统的诊断结果进行展示、存储诊断日志以及对检修结果进行反馈等操作。
图5是本申请的一示例性实施例示出的一种云端诊断层示意图。该系统可以应用于图2所示的实施环境。该云端诊断层也可以适用于其他的示例性实施环境,并具体配置在其他设备中,本实施例不对该系统所适用的实施环境进行限制。
如图5所示,该示例性的云端诊断层包括:异常警示单元501、日志存储单元502、模型优化模块503。
异常警示单元501,用于若参数运行异常,则对传感运行参数进行异常状态预测标记,以及基于异常状态预测标记进行异常状态预测警示;日志存储单元502,用于若参数运行正常,则将本次诊断记录为日志,并对日志进行存储;模型优化模块503,用于将分层预测诊断结果发送至客户端并展示;根据诊断结果进行检修并监听检修记录;基于检修记录对预设回归模型进行权重设置,以对预设回归模型进行优化。
本申请的实施例还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,当一个或多个程序被一个或多个处理器执行时,使得电子设备实现上述各个实施例中提供的分层预测诊断方法。
图6是本申请的一示例性实施例示出的电子设备的计算机系统的结构示意图。需要说明的是,图6示出的电子设备的计算机系统600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6所示,计算机系统600包括中央处理单元(CentralProcessingUnit,CPU)601,其可以根据存储在只读存储器(Read-OnlyMemory,ROM)602中的程序或者从储存部分加载到随机访问存储器(RandomAccessMemory,RAM)603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的方法。在RAM603中,还存储有系统操作所需的各种程序和数据。CPU601、ROM602以及RAM603通过总线彼此相连。输入/输出(Input/Output,I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CathodeRayTube,CRT)、液晶显示器(Liqu身份CrystalDisplay,LCD)等以及扬声器等的输出部分607;包括硬盘等的储存部分608;以及包括诸如LAN(LocalAreaNetwork,局域网)卡、调制解调器等的网络接口卡的通信部分609。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至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储存部分608。
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。在该计算机程序被中央处理单元(CPU)601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(ErasableProgrammableReadOnlyMemory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(CompactDiscRead-OnlyMemory,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。
在上述实施例的对应附图中,连接线可以表示各个部件之间的连接关系,以表示更多的构成信号路径(constituent_signalpath)和/或一些线的一个或多个末端具有箭头,以表示主要信息流向,连接线作为一种标识,不是对方案本身的限制,而是结合一个或多个事例性实施例使用这些线有助于更容易地接电路或逻辑单元,任何所代表的信号(由设计需求或偏好所决定)实际上可以包括可以在任意一个方向传送的并且可以以任何适当类型的信号方案实现的一个或多个信号。
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。
本申请的另一方面还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如前所述的方法。该计算机可读存储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。
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。
应当注意,本申请可用于众多通用或专用的计算系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
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他实施方案。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,本上述内容,仅为本申请的较佳示例性实施例,并非用于限制本申请的实施方案,本领域普通技术人员根据本申请的主要构思和精神,可以十分方便地进行相应的变通或修改,故本申请的保护范围应以权利要求书所要求的保护范围。
Claims (10)
1.一种分层预测诊断方法,其特征在于,所述仪表分层诊断方法包括:
本地诊断层获取当前传感运行参数;
若所述当前传感运行参数小于预设传感运行参数阈值,则将所述当前传感运行参数传输至边缘诊断层,并对所述当前传感运行参数进行诊断,得到诊断结果,所述诊断结果包括参数诊断异常与参数诊断正常;
若所述诊断结果为参数诊断正常,则将所述传感运行数据传输至云端诊断层,并根据预设回归模型对所述当前传感运行参数进行参数异常预测,得到参数异常预测结果,以对所述当前传感运行参数进行分层预测诊断。
2.根据权利要求1所述的分层预测诊断方法,其特征在于,对所述当前传感运行参数进行诊断包括:
获取所述当前传感运行参数的采集时间;
若存在多个所述当前传感运行参数,则根据所述采集时间对所述当前传感运行参数进行诊断次序排序;
基于所述诊断次序排序对所述当前传感运行参数进行线下诊断,得到诊断结果。
3.根据权利要求1所述的分层预测诊断方法,其特征在于,根据预设回归模型对所述当前传感运行参数进行参数异常预测,得到参数异常预测结果包括:
基于所述预设回归模型和所述传感运行参数确定参数运行状态,所述参数运行状态包括参数运行异常和参数运行正常;
若所述参数运行异常,则对所述传感运行参数进行异常状态预测标记,以及基于异常状态预测标记进行异常状态预测警示,并生成分层预测诊断结果;
若所述参数运行正常,则将本次诊断记录为日志,并对所述日志进行存储。
4.根据权利要求3所述的分层预测诊断方法,其特征在于,生成分层预测诊断结果之后,所述分层预测诊断方法还包括:
将所述分层预测诊断结果发送至客户端并展示;
根据所述诊断结果进行检修并监听检修记录;
基于所述检修记录对所述预设回归模型进行权重设置,以对所述预设回归模型进行优化。
5.根据权利要求3所述的分层预测诊断方法,其特征在于,所述预设回归模型的确定包括:
获取多个历史传感运行参数,并生成初始样本数据;
根据各历史传感运行参数的参数运行状态对所述初始样本数据进行标注,得到训练样本数据集,所述参数运行状态包括参数运行正常和参数运行异常;
通过所述训练样本数据集对初始回归模型进行训练,将完成训练的所述初始回归模型确定为所述预设回归模型。
6.根据权利要求1-5任一项所述的分层预测诊断方法,其特征在于,本地诊断层获取当前传感运行参数之后,所述分层预测诊断方法还包括:
若所述异常状态大于预设传感运行参数阈值,则对所述当前传感运行参数进行异常状态标记,并对所述异常状态进行警示。
7.一种分层预测诊断系统,其特征在于,所述仪表分层诊断系统包括:
本地诊断层,用于获取当前传感运行参数;若所述当前传感运行参数小于预设传感运行参数阈值,则将所述当前传感运行参数传输至边缘诊断层;
边缘诊断层,用于对所述当前传感运行参数进行诊断,得到诊断结果,所述诊断结果包括参数诊断异常与参数诊断正常;若所述诊断结果为参数诊断正常,则将所述传感运行数据传输至云端诊断层;
云端诊断层,用于根据预设回归模型对所述当前传感运行参数进行参数异常预测,得到参数异常预测结果,以对所述当前传感运行参数进行分层预测诊断。
8.根据权利要求7所述的分层预测诊断系统,其特征在于,所述云端诊断层还包括:
异常警示单元,用于若所述参数运行异常,则对所述传感运行参数进行异常状态预测标记,以及基于异常状态预测标记进行异常状态预测警示;
日志存储单元,用于若所述参数运行正常,则将本次诊断记录为日志,并对所述日志进行存储;
模型优化模块,用于将所述分层预测诊断结果发送至客户端并展示;根据所述诊断结果进行检修并监听检修记录;基于所述检修记录对所述预设回归模型进行权重设置,以对所述预设回归模型进行优化。
9.一种电子设备,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,使得所述电子设备实现如权利要求1至7中任一项所述的分层预测诊断方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行权利要求1至7中任一项所述的分层预测诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310291968.3A CN116561683A (zh) | 2023-03-23 | 2023-03-23 | 一种分层预测诊断方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310291968.3A CN116561683A (zh) | 2023-03-23 | 2023-03-23 | 一种分层预测诊断方法、系统、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116561683A true CN116561683A (zh) | 2023-08-08 |
Family
ID=87493579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310291968.3A Pending CN116561683A (zh) | 2023-03-23 | 2023-03-23 | 一种分层预测诊断方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116561683A (zh) |
-
2023
- 2023-03-23 CN CN202310291968.3A patent/CN116561683A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3096123B1 (en) | System and methods for management and monitoring of aerial vehicles | |
Bengtsson | Condition based maintenance system technology–Where is development heading | |
Chen et al. | Mission reliability evaluation based on operational quality data for multistate manufacturing systems | |
Tiddens et al. | The adoption of prognostic technologies in maintenance decision making: a multiple case study | |
CN107369303A (zh) | 工厂智能诊断方法、装置及系统 | |
CN101999101B (zh) | 系统运行预测的确定方法 | |
KR102247013B1 (ko) | 기계부품 고장예지 및 수명예측 시스템 및 이를 기반으로 한 b2b 유통 서비스 시스템 | |
Lin et al. | Multi-objective decision-making model based on CBM for an aircraft fleet with reliability constraint | |
Tsybunov et al. | Interactive (intelligent) integrated system for the road vehicles’ diagnostics | |
Gorski et al. | Towards a smart workflow in CMMS/EAM systems: An approach based on ML and MCDM | |
CN112882795A (zh) | 虚拟机异常诊断方法、装置、设备及存储介质 | |
CN114550336A (zh) | 设备巡检方法、装置、计算机设备和存储介质 | |
CN117742241A (zh) | 一种基于云计算的数据采集方法和系统 | |
CN117149569A (zh) | 一种板卡运行状态预警方法、装置及电子设备 | |
CN116561683A (zh) | 一种分层预测诊断方法、系统、电子设备及存储介质 | |
Farhat et al. | Medical equipment efficient failure management in IoT environment | |
CN112819262A (zh) | 存储器、工艺管道检维修决策方法、装置和设备 | |
Rusu et al. | Condition-based maintenance model for the optimization of smart manufacturing processes | |
Zeng et al. | Research on indexes and verification technology of airborne PHM system | |
RU2735296C1 (ru) | Способ многопараметрического контроля состояния сложных электротехнических объектов | |
CN113704368A (zh) | 检验信息追溯方法、装置、计算机设备和存储介质 | |
Lukens et al. | The role of transactional data in prognostics and health management work processes | |
Guilian et al. | Research and Application of Remote Intelligent Operation and Maintenance System for Digital Instrument and Control Equipment in Nuclear Power Plant | |
JP2022541408A (ja) | 自動ウェットストック管理のためのシステムおよび方法 | |
KR102573254B1 (ko) | 연합 학습을 이용한 기계설비 고장 예지 분석 시스템 |
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 |