CN116665199A - 一种设备故障诊断方法、装置、设备及存储介质 - Google Patents
一种设备故障诊断方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116665199A CN116665199A CN202310803076.7A CN202310803076A CN116665199A CN 116665199 A CN116665199 A CN 116665199A CN 202310803076 A CN202310803076 A CN 202310803076A CN 116665199 A CN116665199 A CN 116665199A
- Authority
- CN
- China
- Prior art keywords
- data
- result
- fault
- prediction
- model
- 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 173
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 138
- 238000010835 comparative analysis Methods 0.000 claims abstract description 7
- 210000003608 fece Anatomy 0.000 claims description 32
- 241000254173 Coleoptera Species 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 238000013075 data extraction Methods 0.000 claims description 8
- 208000037408 Device failure Diseases 0.000 claims description 2
- 238000013479 data entry Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 7
- 238000005096 rolling process Methods 0.000 description 6
- 230000002431 foraging effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 241000287127 Passeridae Species 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012015 optical character recognition Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013102 re-test Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/02—Recognising information on displays, dials, clocks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Facsimiles In General (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种设备故障诊断方法、装置、设备及存储介质,所述方法包括:采集检测部件的表盘图像,提取表盘图像中的检测数据;根据检测数据进行预测,得到对检测数据的预测数据;将检测数据和预测数据分别输入训练好的故障诊断模型,分别得到初步诊断结果和故障预测结果,对初步诊断结果和故障预测结果进行对比分析,确定最终的设备故障诊断结果。本发明公开的设备故障诊断方法,通过对检测数据进行自动提取,提高了带电检测数据的数据录入可靠性与效率,降低了人力成本,并且通过将初步诊断结果和故障预测结果同时纳入对故障诊断的考量,提高了故障诊断的准确度。
Description
技术领域
本发明涉及电力检测技术领域,尤其涉及一种设备故障诊断方法、装置、设备及存储介质。
背景技术
电力带电检测数据的获取和利用是电力运维中决策过程中的一个重要环节,电力带电检测数据的规范、可靠获取和有效分析利用对于完善电力设备智能化运维体系,电力设备状态评估具有重要的意义,针对电气设备开展数据便携式获取与分析实现与管控侧的互通是建立PHM智能运维平台新模式的主要研究内容。
当前电力运维检修工作中多采用人工录入设备带电检测数据再进行故障诊断的形式,该形式存在一定的缺点:
1、现场人工记录的数据在完整性和正确性上都存在对现场运维工人专业素养和水平的依赖;
2、由于应用于各类设备的带电检测仪器种类繁多,针对各类设备的带电检测仪器其自动化程度不同,相关标准不尽统一,老旧设备只能通过纸质记录,存在数据记录不规范、数据可利用率低的情况;
3、人工记录的测量结果从纸质记录到归档统计分析需要较高的运维人力成本,工作效率较低,数据利用率不高,而且缺乏及时、有效的诊断评估分析,数据应用时效性不足。
发明内容
本发明提供了一种设备故障诊断方法、装置、设备及存储介质,以实现自动录入设备检测数据并进行故障诊断。
根据本发明的一方面,提供了一种设备故障诊断方法,包括:
采集检测部件的表盘图像,提取所述表盘图像中的检测数据;
根据所述检测数据进行预测,得到对所述检测数据的预测数据;
将所述检测数据和所述预测数据分别输入训练好的故障诊断模型,分别得到初步诊断结果和故障预测结果,对所述初步诊断结果和所述故障预测结果进行对比分析,确定最终的设备故障诊断结果。
进一步地,提取所述表盘图像中的检测数据,包括:
对所述表盘图像进行图像识别,提取初始数据值;
对所述初始数据值进行检验,确定其中的检验合格数据,将所述检验合格数据确定为所述检测数据。
进一步地,对所述初始数据值进行检验,确定其中的检验合格数据,包括:
根据预设数据阈值,将所述初始数据值中符合所述预设数据阈值的数据确定为第一合格数据,将不符合所述预设数据阈值的数据确定为待复测数据;
对所述待复测数据对应的表盘图像重新进行图像识别,若得到的数据符合所述预设数据阈值则确定为第二合格数据;
将所述第一合格数据和所述第二合格数据确定为所述检验合格数据。
进一步地,根据所述检测数据进行预测,得到对所述检测数据的预测数据,包括:
对所述检测数据进行过采样处理,得到预测输入数据;
将所述预测输入数据输入训练好的预测模型,将所述预测模型的输出结果作为所述检测数据的预测数据。
进一步地,对所述初步诊断结果和所述故障预测结果进行对比分析,确定最终的设备故障诊断结果,包括:
将所述初步诊断结果和所述故障预测结果在预设案例库中进行匹配;
根据匹配结果确定所述设备故障诊断结果。
进一步地,确定最终的设备故障诊断结果之后,还包括:
根据所述设备故障诊断结果确定对应的故障处理决策。
进一步地,所述故障诊断模型包括支持向量机模型,所述故障诊断模型的训练方法包括:
利用蜣螂算法确定支持向量机模型的模型参数,得到初始诊断模型;
根据历史检测数据提取训练数据集,将所述训练数据集输入所述初始诊断模型,根据模型输出对所述初始诊断模型进行参数调整,直到所述初始诊断模型的输出达到设定准确率阈值。
根据本发明的另一方面,提供了一种设备故障诊断装置,包括:
检测数据提取模块,用于采集检测部件的表盘图像,提取所述表盘图像中的检测数据;
数据预测模块,用于根据所述检测数据进行预测,得到对所述检测数据的预测数据;
故障诊断模块,用于将所述检测数据和所述预测数据分别输入训练好的故障诊断模型,分别得到初步诊断结果和故障预测结果,对所述初步诊断结果和所述故障预测结果进行对比分析,确定最终的设备故障诊断结果。
可选的,检测数据提取模块还用于:
对所述表盘图像进行图像识别,提取初始数据值;
对所述初始数据值进行检验,确定其中的检验合格数据,将所述检验合格数据确定为所述检测数据。
可选的,检测数据提取模块还用于:
根据预设数据阈值,将所述初始数据值中符合所述预设数据阈值的数据确定为第一合格数据,将不符合所述预设数据阈值的数据确定为待复测数据;
对所述待复测数据对应的表盘图像重新进行图像识别,若得到的数据符合所述预设数据阈值则确定为第二合格数据;
将所述第一合格数据和所述第二合格数据确定为所述检验合格数据。
可选的,数据预测模块还用于:
对所述检测数据进行过采样处理,得到预测输入数据;
将所述预测输入数据输入训练好的预测模型,将所述预测模型的输出结果作为所述检测数据的预测数据。
可选的,故障诊断模块还用于:
将所述初步诊断结果和所述故障预测结果在预设案例库中进行匹配;
根据匹配结果确定所述设备故障诊断结果。
可选的,装置还包括故障处理决策确定模块,用于根据所述设备故障诊断结果确定对应的故障处理决策。
可选的,所述故障诊断模型包括支持向量机模型,所述装置还包括模型训练模块,用于:
利用蜣螂算法确定支持向量机模型的模型参数,得到初始诊断模型;
根据历史检测数据提取训练数据集,将所述训练数据集输入所述初始诊断模型,根据模型输出对所述初始诊断模型进行参数调整,直到所述初始诊断模型的输出达到设定准确率阈值。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的设备故障诊断方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的设备故障诊断方法。
本发明公开了一种设备故障诊断方法,首先采集检测部件的表盘图像,提取表盘图像中的检测数据,然后根据检测数据进行预测,得到对检测数据的预测数据,最后将检测数据和预测数据分别输入训练好的故障诊断模型,分别得到初步诊断结果和故障预测结果,对初步诊断结果和故障预测结果进行对比分析,确定最终的设备故障诊断结果。本发明公开的设备故障诊断方法,通过对检测数据进行自动提取,提高了带电检测数据的数据录入可靠性与效率,降低了人力成本,并且通过将初步诊断结果和故障预测结果同时纳入对故障诊断的考量,提高了故障诊断的准确度。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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是根据本发明实施例一提供的一种设备故障诊断方法的流程图;
图2是根据本发明实施例二提供的一种设备故障诊断方法的流程图;
图3是根据本发明实施例三提供的一种设备故障诊断装置的结构示意图;
图4是实现本发明实施例四的设备故障诊断方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,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,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种设备故障诊断方法的流程图,本实施例可适用于对电力设备进行检测与故障诊断的情况,该方法可应用于设备故障诊断装置,该装置可以采用硬件和/或软件的形式实现,该装置可配置于电子设备中。如图1所示,该方法包括:
S110、采集检测部件的表盘图像,提取表盘图像中的检测数据。
其中,检测部件可以是对电力设备运行中的各种状态数据进行检测的仪器或装置,例如可以是传感器等。检测数据可以是检测部件执行相应的检测任务后显示于表盘上的数据。
在本实施例中,提取表盘图像中的检测数据的方式可以是,利用图像采集设备,例如照相机,对检测部件的表盘进行拍摄,然后通过图像识别的方式将图像转化为对应的数字,从表盘图像中将检测数据提取出来。通过对检测部件的表盘图像进行自动采集,可以在带电检测的情况下,减少对现场人工记录数据的依赖。
优选地,图像采集设备可以是具备拍照功能的智能终端,在响应图像采集指令完成拍摄后,可以自动进行图像识别,并将识别出的检测数据上传到故障诊断平台。
具体的,对于图像采集的智能终端来说,可以接收来自故障诊断平台的带电检测任务,并响应智能终端的操作人员在终端上的操作,对检测部件的表盘图像进行采集。然后,再将采集的图像识别转化为相应的数字,即检测数据,填入预设的空白检测数据栏中。优选地,智能终端可以是一个小型便携式设备,其中可以内置有带电检测任务相关的带电检测任务报告书,用于指导操作人员的操作。
S120、根据检测数据进行预测,得到对检测数据的预测数据。
其中,检测数据为从检测部件得到的实测数据,预测数据为对当前检测数据预测得到的一段时间内的预测值。
在本实施例中,对检测数据的预测方式可以是,利用训练好的预测模型,将得到的检测数据作为模型输入,得到预测模型的输出结果,即对检测数据的预测数据。
可选的,在对预测模型进行训练时,可以选取历史实测数据作为模型训练的数据集,根据模型输出的预测值与真实值之差调整预测模型的参数,直到预测值的准确度达到设定阈值。模型训练好之后,将上一步骤中得到的检测数据输入训练好的预测模型中即可得到预测数据。
S130、将检测数据和预测数据分别输入训练好的故障诊断模型,分别得到初步诊断结果和故障预测结果,对初步诊断结果和故障预测结果进行对比分析,确定最终的设备故障诊断结果。
在本实施例中,得到检测数据和预测数据后,可以将它们分别输入到训练好的故障诊断模型中,相应的,故障诊断模型的输出分别为初步诊断结果和故障预测结果。
可选的,故障诊断模型包括支持向量机模型,故障诊断模型的训练方法可以是:利用蜣螂算法确定支持向量机模型的模型参数,得到初始诊断模型;根据历史检测数据提取训练数据集,将训练数据集输入初始诊断模型,根据模型输出对初始诊断模型进行参数调整,直到初始诊断模型的输出达到设定准确率阈值。
其中,向量机模型(Support Vector Machine,SVM)是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器。在SVM模型中,核参数和惩罚因子是决定SVM模型性能的关键因素,为提高SVM模型的性能,可以利用蜣螂算法(Dung Beetle Optimizer,DBO)对SVM模型进行参数寻优,确定最优的核参数和惩罚因子,建立初始诊断模型,然后再按照模型训练方法,利用历史检测数据对初始诊断模型进行训练,最终得到训练好的故障诊断模型。
具体的,在蜣螂算法中,假设蜣螂种群中有四种角色:滚球蜣螂、觅食蜣螂、产卵蜣螂和小偷蜣螂。其中,滚球蜣螂通过天体线索进行导航,滚动过程中假设光源强度会影响其路径,则在滚动过程中蜣螂的位置更新表示如下:
xi(t+1)=xi(t)+a×k×xi(t-1)+b×Δx,
Δx=|xi(t)-Xw|,
其中,t表示当前迭代次数,xi(t)表示第t次迭代时第i只蜣螂的位置信息,k是偏转系数,α是自然系数,β为常数,Δx模拟光强的变化,Xw表示全局最差位置。在保证搜索性能的前提下引入光强因素Δx控制搜索范围,防止陷入局部最优解,引入自然系数α保证蜣螂在遇到障碍无法前进时通过跳舞来重新确定位置,获取新的路线。
为了模拟蜣螂的舞蹈行为,使用切线函数来得到新的滚动方向,一旦蜣螂成功确定了一个新的方向,它就应该继续把球向后滚,蜣螂位置更新并定义如下:
xi(t+1)=xi(t)+tan(θ)|xi(t)-xi(t-1)|,
其中,θ为偏转角,θ∈[0,π]。
觅食蜣螂在自然界中的觅食过程,其最佳觅食区域的边界如下:
Lbb=max(Xb×(1-R),Lb),
Ubb=min(Xb×(1+R),Ub),
其中,Lbb和Ubb分别表示最佳觅食区域的上界和下界,Xb表示全局最优位置,Lb和Ub分别表示优化问题的上界和下界,R=1-t/Tmax,Tmax表示最大迭代次数。
产卵蜣螂的位置更新如下:
Bi(t+1)=X*+b1×(Bi(t)-Lb*)+b2×(Bi(t)-Ub*),
其中,Bi(t)是第i个卵球在第t次迭代的位置,b1和b2是两个独立的1×D的随机向量,D是优化问题的维度,X*表示当前局部最优位置,Lb*和Ub*分别表示产卵区域的上界和下界,表示如下:
Lb*=max(X*×(1-R),Lb),
Ub*=min(X*×(1+R),Ub)。
另一方面,一些蜣螂的角色定义为小偷,会从其他蜣螂那里偷粪球,在迭代过程中小偷的位置也不断更新,可以描述为:
Ci(t+1)=Xb+S×t×(|Ci(t)-X*|+|Ci(t)-Xb|),
其中,Ci(t)是第i个卵球在第t次迭代的位置,S是常量,g是大小为1×D的服从正态分布的随机向量。
每个蜣螂种群都由上述四个不同的角色组成,四种蜣螂的数量之和应该等于设定的种群数,在迭代过程中四种蜣螂的位置不断更新,通过判断它们的位置是否超过边界值,更新当前最优解及其适应度值,不断重复,最后输出全局最优解及其适应度值。利用算法中四种蜣螂位置的不断更新迭代确定全局最优区域,最后利用蜣螂寻优得到的最优参数组合确定SVM模型的核参数和惩罚因子,从而创建DBO-SVM诊断模型即初始诊断模型。进一步地,得到初始诊断模型后,可以从历史检测数据中提取训练数据集,将训练数据集输入初始诊断模型,根据模型输出对初始诊断模型进行参数调整,直到初始诊断模型的输出达到设定准确率阈值。
进一步,对初步诊断结果和故障预测结果进行对比分析的方法可以是,在故障诊断平台中,根据平台中预存的决策库与案例库与初步诊断结果和故障预测结果进行匹配,确定符合的案例,从而得到最终的设备故障诊断结果。
举例说明,若初步诊断结果为当前电力设备已发生故障,那么则应采取相应措施防止事故演变;若初步诊断结果为正常但故障预测结果表示未来一小段的时间内变压器可能会发生某种故障,此时也应采取相应的运维措施。只不过前者可能设计断电,后者可以根据高级应用层案例匹配等给出的建议,采取的措施可能相对保守。
本发明公开了一种设备故障诊断方法,首先采集检测部件的表盘图像,提取表盘图像中的检测数据,然后根据检测数据进行预测,得到对检测数据的预测数据,最后将检测数据和预测数据分别输入训练好的故障诊断模型,分别得到初步诊断结果和故障预测结果,对初步诊断结果和故障预测结果进行对比分析,确定最终的设备故障诊断结果。本发明公开的设备故障诊断方法,通过对检测数据进行自动提取,提高了带电检测数据的数据录入可靠性与效率,降低了人力成本,并且通过将初步诊断结果和故障预测结果同时纳入对故障诊断的考量,提高了故障诊断的准确度。
实施例二
图2为本发明实施例二提供的一种设备故障诊断方法的流程图,该方法可应用于设备故障诊断装置,本实施例为上述实施例的细化。如图2所示,该方法包括:
S210、采集检测部件的表盘图像,对表盘图像进行图像识别,提取初始数据值。
在本实施例中,可以利用具备拍照功能的智能终端等设备,对检测部件的表盘进行拍摄,然后通过图像识别的方式将图像转化为对应的数字,从表盘图像中将检测数据提取出来。
可选的,上述智能终端可以是工业平板电脑,通过摄像头拍摄各电力设备需要获取的带电检测状态量数据,针对于一般带电检测传感器,其数据的表示形式多通过表盘显示。优选地,由摄像头对传感器测得的数据进行表盘图像的采集之后,对采集得到的包含数字信息的图像可以通过SDK卡的光符识别转化为相应的数字形式,将该数字作为初始数据值填入检测报告书中相应的检测数据栏中。
S220、对初始数据值进行检验,确定其中的检验合格数据,将检验合格数据确定为检测数据。
在本实施例中,识别出的初始数据值可能与实际数值之间存在偏差,为消除偏差对后续步骤的故障诊断带来的影响,可以对初始数据值进行校验,校验合格后再作为检测数据进行故障诊断。
可选的,对初始数据值进行检验,确定其中的检验合格数据的方式可以是:根据预设数据阈值,将初始数据值中符合预设数据阈值的数据确定为第一合格数据,将不符合预设数据阈值的数据确定为待复测数据;对待复测数据对应的表盘图像重新进行图像识别,若得到的数据符合预设数据阈值则确定为第二合格数据;将第一合格数据和第二合格数据确定为检验合格数据。
具体的,对于检测部件所测得的每一项数据,例如温度、电流、电压等,均有相应的合理范围,根据每一项数据的合理范围,可以在表盘图像采集设备中预设相应的数据阈值,若识别出来的初始数据值符合相应的数据阈值,则为合格数据,否则需要进行复测,即重新进行图像识别并判断识别结果是否符合对应的数据阈值。若复测结果符合,则确定为合格数据,否则确定为不合格数据丢弃。
S230、对检测数据进行过采样处理,得到预测输入数据。
其中,过采样(Over sampling)是指以远远高于信号带宽两倍或其最高频率对其进行采样的过程,一般来说是指采样频率高于信号最高频率的两倍。
在本实施例中,得到检测数据之后,可以将一部分数据直接用于故障诊断,并将另一部分数据先进行过采样处理,然后根据过采样处理结果进行预测,再将预测数据用于故障诊断,从而得到更全面的故障诊断结果。
优选的,在对检测数据进行过采样处理时,可以采用SMOTE算法,即合成少数类过采样技术。它是基于随机过采样算法的一种改进方案,由于随机过采样采取简单复制样本的策略来增加少数类样本,这样容易产生模型过拟合的问题,即使得模型学习到的信息过于特别而不够泛化(General),SMOTE算法的基本思想是对少数类样本进行分析并根据少数类样本人工合成新样本添加到数据集中,这符合现场采样数据体量不大的特征。过采样处理后的数据即可作为数据预测模型的预测输入数据。过采样处理可以增加样本容量,有利于提高预测模型的性能。
S240、将预测输入数据输入训练好的预测模型,将预测模型的输出结果作为检测数据的预测数据。
在本实施例中,得到预测输入数据后,可以将其输入训练好的预测模型,预测模型的输出结果即为预测数据。
优选地,预测模型可以是BP神经网络模型,BP(back propagation)神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络,是应用最广泛的神经网络模型之一。
进一步地,可以利用麻雀优化算法寻优BP神经网络模型,麻雀搜索算法(SparrowSearch Algorithm,SSA)是一种新型的群智能优化算法,主要是受麻雀的觅食行为和反捕食行为的启发。经过SSA算法对BP神经网络进行优化,建立SSA-BP预测模型并进行训练,然后将上述步骤得到的预测输入数据输入训练好的SSA-BP预测模型,即可得到相对小的一段时间内对当下数据集的预测值,即检测数据的预测数据。
S250、将检测数据和预测数据分别输入训练好的故障诊断模型,分别得到初步诊断结果和故障预测结果,将初步诊断结果和故障预测结果在预设案例库中进行匹配,根据匹配结果确定设备故障诊断结果。
在本实施例中,得到检测数据和预测数据后,可以将它们分别输入到训练好的故障诊断模型中,相应的,故障诊断模型的输出分别为初步诊断结果和故障预测结果。在故障诊断平台中,可以根据平台中预存的决策库与案例库与初步诊断结果和故障预测结果进行匹配,确定符合的案例,从而得到最终的设备故障诊断结果。
进一步地,确定最终的设备故障诊断结果之后,还可以:根据设备故障诊断结果确定对应的故障处理决策。
可选的,根据最终的设备故障诊断结果可以确定相应的故障处理决策,例如,对发生故障的电力设备进行断电处理,或者降低电力设备的运行功率等。
本发明公开了一种设备故障诊断方法,首先采集检测部件的表盘图像,对表盘图像进行图像识别,提取初始数据值,然后对初始数据值进行检验,确定其中的检验合格数据,将检验合格数据确定为检测数据,再对检测数据进行过采样处理,得到预测输入数据,再将预测输入数据输入训练好的预测模型,将预测模型的输出结果作为检测数据的预测数据,最后将检测数据和预测数据分别输入训练好的故障诊断模型,分别得到初步诊断结果和故障预测结果,将初步诊断结果和故障预测结果在预设案例库中进行匹配,根据匹配结果确定设备故障诊断结果。本发明公开的设备故障诊断方法,通过对检测数据进行自动提取,提高了带电检测数据的数据录入可靠性与效率,降低了人力成本,并且通过将初步诊断结果和故障预测结果同时纳入对故障诊断的考量,提高了故障诊断的准确度。
实施例三
图3为本发明实施例三提供的一种设备故障诊断装置的结构示意图。如图3所示,该装置包括:检测数据提取模块310,数据预测模块320和故障诊断模块330。
检测数据提取模块310,用于采集检测部件的表盘图像,提取表盘图像中的检测数据。
数据预测模块320,用于根据检测数据进行预测,得到对检测数据的预测数据。
故障诊断模块330,用于将检测数据和预测数据分别输入训练好的故障诊断模型,分别得到初步诊断结果和故障预测结果,对初步诊断结果和故障预测结果进行对比分析,确定最终的设备故障诊断结果。
可选的,检测数据提取模块310还用于:
对表盘图像进行图像识别,提取初始数据值;对初始数据值进行检验,确定其中的检验合格数据,将检验合格数据确定为检测数据。
可选的,检测数据提取模块310还用于:
根据预设数据阈值,将初始数据值中符合预设数据阈值的数据确定为第一合格数据,将不符合预设数据阈值的数据确定为待复测数据;对待复测数据对应的表盘图像重新进行图像识别,若得到的数据符合预设数据阈值则确定为第二合格数据;将第一合格数据和第二合格数据确定为检验合格数据。
可选的,数据预测模块320还用于:
对检测数据进行过采样处理,得到预测输入数据;将预测输入数据输入训练好的预测模型,将预测模型的输出结果作为检测数据的预测数据。
可选的,故障诊断模块330还用于:
将初步诊断结果和故障预测结果在预设案例库中进行匹配;根据匹配结果确定设备故障诊断结果。
可选的,装置还包括故障处理决策确定模块340,用于根据设备故障诊断结果确定对应的故障处理决策。
可选的,故障诊断模型包括支持向量机模型,装置还包括模型训练模块350,用于:
利用蜣螂算法确定支持向量机模型的模型参数,得到初始诊断模型;根据历史检测数据提取训练数据集,将训练数据集输入初始诊断模型,根据模型输出对初始诊断模型进行参数调整,直到初始诊断模型的输出达到设定准确率阈值。
本发明实施例所提供的设备故障诊断装置可执行本发明任意实施例所提供的设备故障诊断方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如设备故障诊断方法。
在一些实施例中,设备故障诊断方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的设备故障诊断的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行设备故障诊断方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种设备故障诊断方法,其特征在于,包括:
采集检测部件的表盘图像,提取所述表盘图像中的检测数据;
根据所述检测数据进行预测,得到对所述检测数据的预测数据;
将所述检测数据和所述预测数据分别输入训练好的故障诊断模型,分别得到初步诊断结果和故障预测结果,对所述初步诊断结果和所述故障预测结果进行对比分析,确定最终的设备故障诊断结果。
2.根据权利要求1所述的方法,其特征在于,提取所述表盘图像中的检测数据,包括:
对所述表盘图像进行图像识别,提取初始数据值;
对所述初始数据值进行检验,确定其中的检验合格数据,将所述检验合格数据确定为所述检测数据。
3.根据权利要求2所述的方法,其特征在于,对所述初始数据值进行检验,确定其中的检验合格数据,包括:
根据预设数据阈值,将所述初始数据值中符合所述预设数据阈值的数据确定为第一合格数据,将不符合所述预设数据阈值的数据确定为待复测数据;
对所述待复测数据对应的表盘图像重新进行图像识别,若得到的数据符合所述预设数据阈值则确定为第二合格数据;
将所述第一合格数据和所述第二合格数据确定为所述检验合格数据。
4.根据权利要求1所述的方法,其特征在于,根据所述检测数据进行预测,得到对所述检测数据的预测数据,包括:
对所述检测数据进行过采样处理,得到预测输入数据;
将所述预测输入数据输入训练好的预测模型,将所述预测模型的输出结果作为所述检测数据的预测数据。
5.根据权利要求1所述的方法,其特征在于,对所述初步诊断结果和所述故障预测结果进行对比分析,确定最终的设备故障诊断结果,包括:
将所述初步诊断结果和所述故障预测结果在预设案例库中进行匹配;
根据匹配结果确定所述设备故障诊断结果。
6.根据权利要求5所述的方法,其特征在于,确定最终的设备故障诊断结果之后,还包括:
根据所述设备故障诊断结果确定对应的故障处理决策。
7.根据权利要求1所述的方法,其特征在于,所述故障诊断模型包括支持向量机模型,所述故障诊断模型的训练方法包括:
利用蜣螂算法确定支持向量机模型的模型参数,得到初始诊断模型;
根据历史检测数据提取训练数据集,将所述训练数据集输入所述初始诊断模型,根据模型输出对所述初始诊断模型进行参数调整,直到所述初始诊断模型的输出达到设定准确率阈值。
8.一种设备故障诊断装置,其特征在于,包括:
检测数据提取模块,用于采集检测部件的表盘图像,提取所述表盘图像中的检测数据;
数据预测模块,用于根据所述检测数据进行预测,得到对所述检测数据的预测数据;
故障诊断模块,用于将所述检测数据和所述预测数据分别输入训练好的故障诊断模型,分别得到初步诊断结果和故障预测结果,对所述初步诊断结果和所述故障预测结果进行对比分析,确定最终的设备故障诊断结果。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的设备故障诊断方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的设备故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310803076.7A CN116665199A (zh) | 2023-06-30 | 2023-06-30 | 一种设备故障诊断方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310803076.7A CN116665199A (zh) | 2023-06-30 | 2023-06-30 | 一种设备故障诊断方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116665199A true CN116665199A (zh) | 2023-08-29 |
Family
ID=87728068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310803076.7A Pending CN116665199A (zh) | 2023-06-30 | 2023-06-30 | 一种设备故障诊断方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116665199A (zh) |
-
2023
- 2023-06-30 CN CN202310803076.7A patent/CN116665199A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023241272A1 (zh) | 基于图注意力网络的混凝土坝缺陷图像描述自动生成方法 | |
CN109978870A (zh) | 用于输出信息的方法和装置 | |
CN112560981A (zh) | 生成对抗模型的训练方法、装置、设备、程序和存储介质 | |
CN112613569A (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
CN117977576B (zh) | 一种基于多尺度历史负荷数据的台区负荷预测方法 | |
CN111815576B (zh) | 金属部件腐蚀状况检测方法、装置、设备和存储介质 | |
CN111680759B (zh) | 一种电网巡检绝缘子检测分类方法 | |
CN117032165A (zh) | 一种工业设备故障诊断方法 | |
CN116881704A (zh) | 电网运行状态的预警方法及系统 | |
CN114913460A (zh) | 一种基于卷积神经网络的电动车入梯实时检测方法 | |
CN114120208A (zh) | 一种火焰检测方法、装置、设备和存储介质 | |
CN118038021A (zh) | 基于改进yolov4的变电站作业现场异物入侵检测方法 | |
CN117556238A (zh) | 一种基于故障预测的电力设备巡检方法及系统 | |
CN117520664A (zh) | 一种基于图神经网络的舆情检测方法及系统 | |
CN110704614B (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 | |
CN112529836A (zh) | 高压线路缺陷检测方法、装置、存储介质及电子设备 | |
CN116665199A (zh) | 一种设备故障诊断方法、装置、设备及存储介质 | |
CN116127324A (zh) | 不间断电源内部关键部件的故障检测方法和装置 | |
CN116359738A (zh) | 电池的健康状态监测方法、装置、设备及存储介质 | |
CN115879783A (zh) | 关键绩效指标异常检测方法和装置、电子设备及存储介质 | |
CN117557108B (zh) | 电力作业风险智能识别模型的训练方法和装置 | |
WO2024012607A2 (zh) | 人员检测方法、装置、设备和存储介质 | |
CN118091422A (zh) | 电池健康状态预测方法、装置、电子设备及存储介质 | |
Li et al. | Online verification and management scheme of gateway meter flow in the power system by machine learning | |
CN115219763A (zh) | 电位均衡故障的预测方法、装置、电子终端及存储介质 |
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 |