CN116805068A - 一种基于大数据的故障监测预警系统及方法 - Google Patents
一种基于大数据的故障监测预警系统及方法 Download PDFInfo
- Publication number
- CN116805068A CN116805068A CN202310592434.4A CN202310592434A CN116805068A CN 116805068 A CN116805068 A CN 116805068A CN 202310592434 A CN202310592434 A CN 202310592434A CN 116805068 A CN116805068 A CN 116805068A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- equipment
- effective
- fault
- monitored
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 448
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012417 linear regression Methods 0.000 claims abstract description 63
- 238000004458 analytical method Methods 0.000 claims abstract description 54
- 238000010276 construction Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000012806 monitoring device Methods 0.000 claims description 91
- 230000002159 abnormal effect Effects 0.000 claims description 48
- 238000012423 maintenance Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000005856 abnormality Effects 0.000 claims description 12
- 238000011161 development Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于大数据的故障监测预警系统及方法，涉及故障监测预警技术领域，包括状态监测数据获取模块、有效状态参数分析模块、线性回归方程构建模块、故障监测集合划分模块和监测参数实施模块；所述状态监测数据获取模块用于提取待监测设备在有效监测周期内的状态监测数据；所述有效状态参数分析模块用于筛查不同状态监测数据并输出有效状态参数；所述线性回归方程构建模块用于构建待监测设备的时间‑状态参数偏差线性回归方程；所述故障监测集合划分模块用于基于回归方程划分待监测设备的故障监测集合；所述监测参数实施模块用于实施不同故障监测的监测优先级和监测周期。
Description
技术领域
本发明涉及故障监测预警技术领域，具体为一种基于大数据的故障监测预警系统及方法。
背景技术
目前智能监测产品的市场主要集中在智能电网的变电环节，国家电网公司在智能电网规划报告中也已将变电站状态智能监测系统建设作为智能变电站的重要内容；智能变电站通过状态监测单元实现开关柜关键点温升、变压器油色谱、组合电器局部放电、避雷器全电流等主要设备、重要参数的在线监测，为电网设备管理提供基础数据支撑。实时状态信息通过专家系统分析处理后可做出初步决策，实现站内智能设备自诊断功能。随着我国中、低压电网改造工程已进入规模阶段，电力设备智能监测装置是其改造的一个基础，市场潜力很大；
但现有的智能故障监测系统往往是根据设定关于每一监测设备的合理阈值区间，从而判断不同监测设备是否存在故障状态进行预警；缺少对不同监测设备之间的关联性进行分析，以及对监测设备的寿命阶段和寿命阶段所影响到的监测优先级和周期调整等问题。
发明内容
本发明的目的在于提供一种基于大数据的故障监测预警系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于大数据的故障监测预警方法，包括以下分析步骤：
步骤S1：获取待监测设备在有效监测周期内的状态监测数据，有效监测周期是指传感器记录待监测设备的状态监测参数属于对应参数阈值区间时所记录的连续监测周期；筛查不同状态监测数据输出在有效监测周期内的有效状态参数；
步骤S2：基于有效状态参数，构建待监测设备的时间-状态参数偏差线性回归方程；
步骤S3：基于时间-状态参数偏差线性回归方程预测相邻有效监测周期内的状态参数偏差预测值，并获取相邻有效监测周期内的实际状态参数偏差值，以划分待监测设备的故障监测集合；
步骤S4：基于不同故障监测集合，实施不同故障监测的监测优先级和监测周期。
进一步的，步骤S1包括以下分析步骤：
步骤S11：获取第i个待监测设备以任一相同监测时刻为监测起点的状态监测参数ai，且标记第i个待监测设备对应状态监测参数ai属于参数阈值区间ai0时连续监测时长hi，比较m个待监测设备对应的连续监测时长hi，输出最小值min[hi]对应的连续监测时长为有效监测周期，其中m表示待监测设备的总个数；选择最小值是考虑到在监测系统中需要符合所有待监测设备在监测周期内的参数属于阈值区间；不限定监测起点的有效监测周期可以适应待监测设备的多种状态时刻，且在控制不同设备于同一监测区间内使得参数分析更加精确；
步骤S12：获取第i个待监测设备在有效监测周期前的使用时长Hi，使用时长是指待监测设备首次记录状态监测参数到有效监测周期的监测起点所对应的时长；提取待监测设备对应使用时长的最小值min[Hi]和最大值max[Hi]；若max[Hi]-min[Hi]大于等于差值阈值，则标记小于等于使用时长均值H0对应的待监测设备为异常监测设备，H0＝(1/m)∑Hi；
分析使用时长对应的异常监测设备是为了筛除掉使用时长与其他待监测设备使用时长差距较大的设备，因为随着设备的使用，初始使用和较长时间后使用所对应的状态参数波动幅度是不同的，无法有效的进行相同维度的分析；
步骤S13：标记待监测设备在有效监测周期前的平均使用时长内存在设备维保记录对应的设备为异常监测设备；设备维保记录是指对待监测设备进行维修或更换的记录；剔除待监测设备中的异常监测设备并输出有效监测设备，以及有效监测周期内的有效状态参数。分析维保记录是因为维保可能改变设备的状态参数。
进一步的，构建待监测设备的时间-状态参数偏差线性回归方程包括以下分析步骤：
步骤S21：将第j个有效监测设备对应有效状态参数与参数阈值的差值Aj按照有效监测周期内的时间发展顺序排序生成数列Pj，j≤n，n表示有效监测设备的个数，n<m；有效监测周期内的时间发展顺序是指以天为监测单位的发展顺序，有效状态参数表示在监测单位内的平均状态参数；
将有效监测周期内的监测单位以时间长度数值为基础、按照时间顺序生成数列Tj；以时间长度数值为基础是指以有效监测周期的每一监测单位到待监测设备首次记录状态监测参数对应的时长为基础；
步骤S22：构建时间-状态参数偏差线性回归方程为y＝ax+b，其中因变量y表示状态参数偏差值，自变量x表示时间，a表示回归方程的斜率，b表示回归方程的截距；
步骤S23：记损失函数其中k≥1且k为有序正整数集合，k表示时间数值xk和状态参数偏差值yk中的列数，w表示数列中的总个数；根据公式：
求解得到
步骤S24：代入数列Pj和数列Tj，求解得到回归方程的斜率a和截距b；并代入回归方程y＝ax+b中，得到斜率和截距确定的回归方程。
进一步的，步骤S3包括以下分析步骤：
步骤S31：获取有效监测设备在有效监测周期后的第p个目标周期的时间长度，将时间长度输入时间-状态参数偏差线性回归方程，得到第p个目标周期内每一监测单元对应的状态参数偏差预测值并构成第p个目标周期的预测集合Qp；目标周期是指周期时长小于有效监测周期的考察时长，且目标周期至少包含两个监测单元；
步骤S32：计算第p个预测集合Qp内的异动值Cp，Cp＝Up/Vp，其中Up表示第p个预测集合中状态参数偏差预测值小于实际状态参数偏差值且实际状态参数偏差值不属于参数阈值区间时的个数；Vp表示第p个预测集合中状态参数偏差预测值的个数；
步骤S33：遍历分析任意两个有效监测设备在z个目标周期内存在相同异动值对应的目标周期个数z1，计算关联指数g，g＝z0*(z1/z)，p≤z；标记g>g0对应的有效监测设备为第一关联设备，g0表示关联指数阈值，z0表示异动平均值；
步骤S34：提取所有标记第一关联设备的有效监测设备，将可以构建闭环关联的有效监测设备存储为第一故障监测集合；闭环关联是指第1个第一关联设备E1、第2个第一关联设备E2、...、第N个第一关联设备EN任意两有效监测设备互为第一关联设备；当存在有效监测设备在z个目标周期内存在相同异动值对应的目标周期个数为0时，输出为独立监测设备，存储为第四故障监测集合；
步骤S35：当标记为第一关联设备的两有效监测设备仅存在一次标记记录时，输出有效监测设备为线性关联设备，并存储为第三故障监测集合；当标记为第一关联设备的两有效监测设备被标记若干次且不能构成闭环关联，则输出为开放式关联设备，并存储至第二故障监测集合；且对标记第一关联设备的有效监测设备按照第一故障监测集合至第四故障监测集合对应的分析顺序进行数据存储；
步骤S36：当有效监测设备存储于任一故障监测集合后又符合另一故障监测集合存储条件；则计算故障监测集合对应两有效监测设备的影响指数R，
R＝s1*g+s2*(a0/ar)+s3*(b0/br)
其中g表示符合故障监测集合存储条件的两有效监测设备的关联指数，ar表示符合故障监测集合存储条件的两有效监测设备对应线性回归方程的斜率差值绝对值，a0表示两有效监测设备对应线性回归方程的斜率平均值，br表示符合故障监测集合存储条件的两有效监测设备对应线性回归方程的截距差值绝对值，b0表示两有效监测设备对应线性回归方程的截距平均值；s1、s2和s3分别表示相应的参考系数且数值均大于0小于1；
标记先存储的故障监测集合为母集合，标记后存储的故障监测集合为子集合；
比较母集合对应的影响指数R1与子集合对应的影响指数R2；
若R1≥R2，则保留相同有效监测设备存储于母集合中，不同有效监测设备存储于子集合中；
若R1<R2，则将上述分析涉及的所有有效监测设备均存储于母集合中。
将监测设备划分为不同故障监测集合是为了有效对数量繁多的设备进行合理的监测规划，且设定不同的监测集合可以将设备进行区分以及在任一设备出现故障时，快速的限定和排查故障设备所能够波及到的影响范围，从而实现先决预警效果，避免更大的损失。
进一步的，步骤S4包括以下分析步骤：
当待监测设备进行维保或监测系统预警非监测设备参数异常时，第一故障监测集合的处理优先级大于第二故障监测集合大于第三故障监测集合大于第四故障监测集合；
且设定第一故障监测集合对应的维保周期小于第二故障监测集合小于第三故障监测集合小于第四故障监测集合。
因为在第一故障监测集合中存储的设备关联程度强，影响范围大；此时对应于异常故障排查时，则是优先第一故障监测集合；
在第一故障监测集合中存储的设备对应的设备生命周期相近且使用历程可能较大，对应于维保周期的限定时，则是第一周期的维保周期最短，因为在生命周期历程较大的设备中，越靠近寿命结束发生异常的可能性越大；所以设定不同维保周期以满足提高第一故障监测集合中的监测设备对整体系统的安全性和稳定性。
故障监测预警系统，包括状态监测数据获取模块、有效状态参数分析模块、线性回归方程构建模块、故障监测集合划分模块和监测参数实施模块；
状态监测数据获取模块用于提取待监测设备在有效监测周期内的状态监测数据；
有效状态参数分析模块用于筛查不同状态监测数据并输出有效状态参数；
线性回归方程构建模块用于构建待监测设备的时间-状态参数偏差线性回归方程；
故障监测集合划分模块用于基于回归方程划分待监测设备的故障监测集合。
进一步的，有效状态参数分析模块包括有效监测周期输出单元、异常监测设备标记单元和有效状态参数输出单元；
有效监测周期输出单元用于比较待监测设备对应的连续监测时长，输出最小值对应的连续监测时长为有效监测周期；
异常监测设备标记单元用于提取待监测设备对应使用时长的最小值和最大值；若最大值和最小值差值大于等于差值阈值，则标记小于等于使用时长均值对应的待监测设备为异常监测设备；以及标记待监测设备在有效监测周期前的平均使用时长内存在设备维保记录对应的设备为异常监测设备；
有效状态参数输出单元用于剔除待监测设备中的异常监测设备并输出有效监测设备，以及有效监测周期内的有效状态参数。
进一步的，线性回归方程构建模块包括数列生成单元、线性回归方程设立单元和参数计算单元；
数列生成单元用于将第j个有效监测设备对应有效状态参数与参数阈值的差值Aj按照有效监测周期内的时间发展顺序排序生成数列，以及将有效监测周期内的监测单位以时间长度数值为基础、按照时间顺序生成数列；
线性回归方程设立单元用于设立时间-状态参数偏差线性回归方程；
参数计算单元用于代入数列和求解损失函数计算线性回归方程的斜率和截距，并输出具有确定斜率和截距的线性回归方程。
进一步的，故障监测集合划分模块包括预测集合构建单元、异动值计算单元、关联指数计算单元、故障监测集合生成单元和存储异常分析单元；
预测集合构建单元用于将时间长度输入时间-状态参数偏差线性回归方程，得到目标周期内每一监测单元对应的状态参数偏差预测值并构成目标周期的预测集合；
异动值计算单元用于计算预测集合内的异动值；
关联指数计算单元用于遍历分析任意两个有效监测设备在目标周期内存在相同异动值对应的目标周期个数，计算关联指数；
故障监测集合生成单元用于生成满足不同存储条件的故障监测集合；
存储异常分析单元用于在有效监测设备在存储故障监测集合时出现重复异常时进行分析。
进一步的，存储异常分析单元包括影响指数计算单元和存储路径执行单元；
影响指数计算单元用于在有效监测设备存储于任一故障监测集合后又符合另一故障监测集合存储条件时，计算故障监测集合对应两有效监测设备的影响指数；
存储路径执行单元用于在母集合对应的影响指数≥子集合对应的影响指数时，保留相同有效监测设备存储于母集合中，不同有效监测设备存储于子集合中；在母集合对应的影响指数<子集合对应的影响指数，则将上述分析涉及的所有有效监测设备均存储于母集合中；标记先存储的故障监测集合为母集合，标记后存储的故障监测集合为子集合。
与现有技术相比，本发明所达到的有益效果是：本发明通过构建不同待监测设备的时间-状态参数偏差线性回归方程来预测实际状态参数偏差值，并结合待监测设备所处的寿命阶段与其他设备的相似程度来进行集合区分；将监测设备划分为不同故障监测集合是为了有效对数量繁多的设备进行合理的监测规划，且设定不同的监测集合可以将设备进行区分以及在任一设备出现故障时，快速的限定和排查故障设备所能够波及到的影响范围，从而实现先决预警效果，避免更大的损失；使得故障预警系统的分析更加智能化，不单单局限于数值的波动，使得不同设备间存在关联，动态调整优先级和监测周期。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种基于大数据的故障监测预警系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供技术方案：一种基于大数据的故障监测预警方法，包括以下分析步骤：
步骤S1：获取待监测设备在有效监测周期内的状态监测数据，有效监测周期是指传感器记录待监测设备的状态监测参数属于对应参数阈值区间时所记录的连续监测周期；筛查不同状态监测数据输出在有效监测周期内的有效状态参数；如在智能电网监测系统中，电力设备智能装置是一种采用无线传输网络技术，以智能微处理器为核心，使用精密的传感仪器对开关柜、变压器、断路器、GIS等各类电力设备关键参数进行不间断实时监测；
步骤S2：基于有效状态参数，构建待监测设备的时间-状态参数偏差线性回归方程；
步骤S3：基于时间-状态参数偏差线性回归方程预测相邻有效监测周期内的状态参数偏差预测值，并获取相邻有效监测周期内的实际状态参数偏差值，以划分待监测设备的故障监测集合；
步骤S4：基于不同故障监测集合，实施不同故障监测的监测优先级和监测周期。
步骤S1包括以下分析步骤：
步骤S11：获取第i个待监测设备以任一相同监测时刻为监测起点的状态监测参数ai，且标记第i个待监测设备对应状态监测参数ai属于参数阈值区间ai0时连续监测时长hi，比较m个待监测设备对应的连续监测时长hi，输出最小值min[hi]对应的连续监测时长为有效监测周期，其中m表示待监测设备的总个数；选择最小值是考虑到在监测系统中需要符合所有待监测设备在监测周期内的参数属于阈值区间；不限定监测起点的有效监测周期可以适应待监测设备的多种状态时刻，且在控制不同设备于同一监测区间内使得参数分析更加精确；
步骤S12：获取第i个待监测设备在有效监测周期前的使用时长Hi，使用时长是指待监测设备首次记录状态监测参数到有效监测周期的监测起点所对应的时长；提取待监测设备对应使用时长的最小值min[Hi]和最大值max[Hi]；若max[Hi]-min[Hi]大于等于差值阈值，则标记小于等于使用时长均值H0对应的待监测设备为异常监测设备，H0＝(1/m)∑Hi；
分析使用时长对应的异常监测设备是为了筛除掉使用时长与其他待监测设备使用时长差距较大的设备，因为随着设备的使用，初始使用和较长时间后使用所对应的状态参数波动幅度是不同的，无法有效的进行相同维度的分析；
步骤S13：标记待监测设备在有效监测周期前的平均使用时长内存在设备维保记录对应的设备为异常监测设备；设备维保记录是指对待监测设备进行维修或更换的记录；剔除待监测设备中的异常监测设备并输出有效监测设备，以及有效监测周期内的有效状态参数。分析维保记录是因为维保可能改变设备的状态参数。
构建待监测设备的时间-状态参数偏差线性回归方程包括以下分析步骤：
步骤S21：将第j个有效监测设备对应有效状态参数与参数阈值的差值Aj按照有效监测周期内的时间发展顺序排序生成数列Pj，j≤n，n表示有效监测设备的个数，n<m；有效监测周期内的时间发展顺序是指以天为监测单位的发展顺序，有效状态参数表示在监测单位内的平均状态参数；
将有效监测周期内的监测单位以时间长度数值为基础、按照时间顺序生成数列Tj；以时间长度数值为基础是指以有效监测周期的每一监测单位到待监测设备首次记录状态监测参数对应的时长为基础；
步骤S22：构建时间-状态参数偏差线性回归方程为y＝ax+b，其中因变量y表示状态参数偏差值，自变量x表示时间，a表示回归方程的斜率，b表示回归方程的截距；
步骤S23：记损失函数其中k≥1且k为有序正整数集合，k表示时间数值xk和状态参数偏差值yk中的列数，w表示数列中的总个数；根据公式：
求解得到
步骤S24：代入数列Pj和数列Tj，求解得到回归方程的斜率a和截距b；并代入回归方程y＝ax+b中，得到斜率和截距确定的回归方程。
步骤S3包括以下分析步骤：
步骤S31：获取有效监测设备在有效监测周期后的第p个目标周期的时间长度，将时间长度输入时间-状态参数偏差线性回归方程，得到第p个目标周期内每一监测单元对应的状态参数偏差预测值并构成第p个目标周期的预测集合Qp；目标周期是指周期时长小于有效监测周期的考察时长，且目标周期至少包含两个监测单元；
步骤S32：计算第p个预测集合Qp内的异动值Cp，Cp＝Up/Vp，其中Up表示第p个预测集合中状态参数偏差预测值小于实际状态参数偏差值且实际状态参数偏差值不属于参数阈值区间时的个数；Vp表示第p个预测集合中状态参数偏差预测值的个数；
步骤S33：遍历分析任意两个有效监测设备在z个目标周期内存在相同异动值对应的目标周期个数z1，计算关联指数g，g＝z0*(z1/z)，p≤z；标记g>g0对应的有效监测设备为第一关联设备，g0表示关联指数阈值，z0表示异动平均值；
步骤S34：提取所有标记第一关联设备的有效监测设备，将可以构建闭环关联的有效监测设备存储为第一故障监测集合；闭环关联是指第1个第一关联设备E1、第2个第一关联设备E2、...、第N个第一关联设备EN任意两有效监测设备互为第一关联设备；当存在有效监测设备在z个目标周期内存在相同异动值对应的目标周期个数为0时，输出为独立监测设备，存储为第四故障监测集合；
如存在有效监测设备1、有效监测设备2和有效监测设备3，有效监测设备1与有效监测设备2互为第一关联设备，有效监测设备2和有效监测设备3互为第一关联设备，有效监测设备1和有效监测设备3互为第一关联设备，则说明有效监测设备1、有效监测设备2和有效监测设备3可以构成闭环关联；
步骤S35：当标记为第一关联设备的两有效监测设备仅存在一次标记记录时，输出有效监测设备为线性关联设备，并存储为第三故障监测集合；当标记为第一关联设备的两有效监测设备被标记若干次且不能构成闭环关联，则输出为开放式关联设备，并存储至第二故障监测集合；且对标记第一关联设备的有效监测设备按照第一故障监测集合至第四故障监测集合对应的分析顺序进行数据存储；
步骤S36：当有效监测设备存储于任一故障监测集合后又符合另一故障监测集合存储条件；则计算故障监测集合对应两有效监测设备的影响指数R，
R＝s1*g+s2*(a0/ar)+s3*(b0/br)
其中g表示符合故障监测集合存储条件的两有效监测设备的关联指数，ar表示符合故障监测集合存储条件的两有效监测设备对应线性回归方程的斜率差值绝对值，a0表示两有效监测设备对应线性回归方程的斜率平均值，br表示符合故障监测集合存储条件的两有效监测设备对应线性回归方程的截距差值绝对值，b0表示两有效监测设备对应线性回归方程的截距平均值；s1、s2和s3分别表示相应的参考系数且数值均大于0小于1；
标记先存储的故障监测集合为母集合，标记后存储的故障监测集合为子集合；
比较母集合对应的影响指数R1与子集合对应的影响指数R2；
若R1≥R2，则保留相同有效监测设备存储于母集合中，不同有效监测设备存储于子集合中；
若R1<R2，则将上述分析涉及的所有有效监测设备均存储于母集合中。
如实施例所示：存在有效监测设备a、b、c、d、e；
且不存在有效监测设备在z个目标周期内存在相同异动值对应的目标周期个数为0的有效监测设备；即说明任意两有效监测设备均可计算出不为0的关联指数；得到10组关联指数；
若基于关联指数分析得到ac、ad、bc、cd和ce均被标记为第一关联设备；
由上述可知，设备a、c和d构成闭环关联，则存储于第一故障监测集合中；
且不存在线性关联设备，不存储第三故障监测集合；
当存在bc互为第一关联设备和cd互为第一关联设备时，符合第二故障监测集合的存储条件，但此时有效监测设备已存储于第一故障监测集合中，则需判断有效监测设备b的存储路径；
分别获取bc对应的关联指数和ac对应的关联指数，以及设备b、c对应的线性回归方程在斜率和截距上的差值和设备a、c对应线性回归方程在斜率和截距上的差值；来计算对应的影响指数；
若第一故障监测集合对应的影响指数大于等于第二故障监测集合对应的影响指数，则说明设备a和设备c的关联影响性更强；若第一故障监测集合对应的影响指数小于第二故障监测集合对应的影响指数，则说明设备b和设备c的关联影响性更强，则将设备c关联的设备b一同存储于优先级更高的第一故障监测集合中。
将监测设备划分为不同故障监测集合是为了有效对数量繁多的设备进行合理的监测规划，且设定不同的监测集合可以将设备进行区分以及在任一设备出现故障时，快速的限定和排查故障设备所能够波及到的影响范围，从而实现先决预警效果，避免更大的损失。
步骤S4包括以下分析步骤：
当待监测设备进行维保或监测系统预警非监测设备参数异常时，第一故障监测集合的处理优先级大于第二故障监测集合大于第三故障监测集合大于第四故障监测集合；
且设定第一故障监测集合对应的维保周期小于第二故障监测集合小于第三故障监测集合小于第四故障监测集合。
因为在第一故障监测集合中存储的设备关联程度强，影响范围大；此时对应于异常故障排查时，则是优先第一故障监测集合；
在第一故障监测集合中存储的设备对应的设备生命周期相近且使用历程可能较大，对应于维保周期的限定时，则是第一周期的维保周期最短，因为在生命周期历程较大的设备中，越靠近寿命结束发生异常的可能性越大；所以设定不同维保周期以满足提高第一故障监测集合中的监测设备对整体系统的安全性和稳定性。
故障监测预警系统，包括状态监测数据获取模块、有效状态参数分析模块、线性回归方程构建模块、故障监测集合划分模块和监测参数实施模块；
状态监测数据获取模块用于提取待监测设备在有效监测周期内的状态监测数据；
有效状态参数分析模块用于筛查不同状态监测数据并输出有效状态参数；
线性回归方程构建模块用于构建待监测设备的时间-状态参数偏差线性回归方程；
故障监测集合划分模块用于基于回归方程划分待监测设备的故障监测集合。
有效状态参数分析模块包括有效监测周期输出单元、异常监测设备标记单元和有效状态参数输出单元；
有效监测周期输出单元用于比较待监测设备对应的连续监测时长，输出最小值对应的连续监测时长为有效监测周期；
异常监测设备标记单元用于提取待监测设备对应使用时长的最小值和最大值；若最大值和最小值差值大于等于差值阈值，则标记小于等于使用时长均值对应的待监测设备为异常监测设备；以及标记待监测设备在有效监测周期前的平均使用时长内存在设备维保记录对应的设备为异常监测设备；
有效状态参数输出单元用于剔除待监测设备中的异常监测设备并输出有效监测设备，以及有效监测周期内的有效状态参数。
线性回归方程构建模块包括数列生成单元、线性回归方程设立单元和参数计算单元；
数列生成单元用于将第j个有效监测设备对应有效状态参数与参数阈值的差值Aj按照有效监测周期内的时间发展顺序排序生成数列，以及将有效监测周期内的监测单位以时间长度数值为基础、按照时间顺序生成数列；
线性回归方程设立单元用于设立时间-状态参数偏差线性回归方程；
参数计算单元用于代入数列和求解损失函数计算线性回归方程的斜率和截距，并输出具有确定斜率和截距的线性回归方程。
故障监测集合划分模块包括预测集合构建单元、异动值计算单元、关联指数计算单元、故障监测集合生成单元和存储异常分析单元；
预测集合构建单元用于将时间长度输入时间-状态参数偏差线性回归方程，得到目标周期内每一监测单元对应的状态参数偏差预测值并构成目标周期的预测集合；
异动值计算单元用于计算预测集合内的异动值；
关联指数计算单元用于遍历分析任意两个有效监测设备在目标周期内存在相同异动值对应的目标周期个数，计算关联指数；
故障监测集合生成单元用于生成满足不同存储条件的故障监测集合；
存储异常分析单元用于在有效监测设备在存储故障监测集合时出现重复异常时进行分析。
存储异常分析单元包括影响指数计算单元和存储路径执行单元；
影响指数计算单元用于在有效监测设备存储于任一故障监测集合后又符合另一故障监测集合存储条件时，计算故障监测集合对应两有效监测设备的影响指数；
存储路径执行单元用于在母集合对应的影响指数≥子集合对应的影响指数时，保留相同有效监测设备存储于母集合中，不同有效监测设备存储于子集合中；在母集合对应的影响指数<子集合对应的影响指数，则将上述分析涉及的所有有效监测设备均存储于母集合中；标记先存储的故障监测集合为母集合，标记后存储的故障监测集合为子集合。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于大数据的故障监测预警方法，其特征在于，包括以下分析步骤：
步骤S1：获取待监测设备在有效监测周期内的状态监测数据，所述有效监测周期是指传感器记录待监测设备的状态监测参数属于对应参数阈值区间时所记录的连续监测周期；筛查不同状态监测数据输出在有效监测周期内的有效状态参数；
步骤S2：基于有效状态参数，构建待监测设备的时间-状态参数偏差线性回归方程；
步骤S3：基于时间-状态参数偏差线性回归方程预测相邻有效监测周期内的状态参数偏差预测值，并获取相邻有效监测周期内的实际状态参数偏差值，以划分待监测设备的故障监测集合；
步骤S4：基于不同故障监测集合，实施不同故障监测的监测优先级和监测周期。
2.根据权利要求1所述的一种基于大数据的故障监测预警方法，其特征在于：所述步骤S1包括以下分析步骤：
步骤S11：获取第i个待监测设备以任一相同监测时刻为监测起点的状态监测参数ai，且标记第i个待监测设备对应状态监测参数ai属于参数阈值区间ai0时连续监测时长hi，比较m个待监测设备对应的连续监测时长hi，输出最小值min[hi]对应的连续监测时长为有效监测周期，其中m表示待监测设备的总个数；
步骤S12：获取第i个待监测设备在有效监测周期前的使用时长Hi，所述使用时长是指待监测设备首次记录状态监测参数到有效监测周期的监测起点所对应的时长；提取待监测设备对应使用时长的最小值min[Hi]和最大值max[Hi]；若max[Hi]-min[Hi]大于等于差值阈值，则标记小于等于使用时长均值H0对应的待监测设备为异常监测设备，H0＝(1/m)∑Hi；
步骤S13：标记待监测设备在有效监测周期前的平均使用时长内存在设备维保记录对应的设备为异常监测设备；所述设备维保记录是指对待监测设备进行维修或更换的记录；剔除待监测设备中的异常监测设备并输出有效监测设备，以及有效监测周期内的有效状态参数。
3.根据权利要求2所述的一种基于大数据的故障监测预警方法，其特征在于：所述构建待监测设备的时间-状态参数偏差线性回归方程包括以下分析步骤：
步骤S21：将第j个有效监测设备对应有效状态参数与参数阈值的差值Aj按照有效监测周期内的时间发展顺序排序生成数列Pj，j≤n，n表示有效监测设备的个数，n<m；所述有效监测周期内的时间发展顺序是指以天为监测单位的发展顺序，有效状态参数表示在监测单位内的平均状态参数；
将有效监测周期内的监测单位以时间长度数值为基础、按照时间顺序生成数列Tj；所述以时间长度数值为基础是指以有效监测周期的每一监测单位到待监测设备首次记录状态监测参数对应的时长为基础；
步骤S22：构建时间-状态参数偏差线性回归方程为y＝ax+b，其中因变量y表示状态参数偏差值，自变量x表示时间，a表示回归方程的斜率，b表示回归方程的截距；
步骤S23：记损失函数其中k≥1且k为有序正整数集合，k表示时间数值xk和状态参数偏差值yk中的列数，w表示数列中的总个数；根据公式：
求解得到
步骤S24：代入数列Pj和数列Tj，求解得到回归方程的斜率a和截距b；并代入回归方程y＝ax+b中，得到斜率和截距确定的回归方程。
4.根据权利要求1所述的一种基于大数据的故障监测预警方法，其特征在于：所述步骤S3包括以下分析步骤：
步骤S31：获取有效监测设备在有效监测周期后的第p个目标周期的时间长度，将时间长度输入时间-状态参数偏差线性回归方程，得到第p个目标周期内每一监测单元对应的状态参数偏差预测值并构成第p个目标周期的预测集合Qp；所述目标周期是指周期时长小于有效监测周期的考察时长，且目标周期至少包含两个监测单元；
步骤S32：计算第p个预测集合Qp内的异动值Cp，Cp＝Up/Vp，其中Up表示第p个预测集合中状态参数偏差预测值小于实际状态参数偏差值且实际状态参数偏差值不属于参数阈值区间时的个数；Vp表示第p个预测集合中状态参数偏差预测值的个数；
步骤S33：遍历分析任意两个有效监测设备在z个目标周期内存在相同异动值对应的目标周期个数z1，计算关联指数g，g＝z0*(z1/z)，p≤z；标记g>g0对应的有效监测设备为第一关联设备，g0表示关联指数阈值，z0表示异动平均值；
步骤S34：提取所有标记第一关联设备的有效监测设备，将可以构建闭环关联的有效监测设备存储为第一故障监测集合；所述闭环关联是指第1个第一关联设备E1、第2个第一关联设备E2、...、第N个第一关联设备EN任意两有效监测设备互为第一关联设备；当存在有效监测设备在z个目标周期内存在相同异动值对应的目标周期个数为0时，输出为独立监测设备，存储为第四故障监测集合；
步骤S35：当标记为第一关联设备的两有效监测设备仅存在一次标记记录时，输出有效监测设备为线性关联设备，并存储为第三故障监测集合；当标记为第一关联设备的两有效监测设备被标记若干次且不能构成闭环关联，则输出为开放式关联设备，并存储至第二故障监测集合；且对标记第一关联设备的有效监测设备按照第一故障监测集合至第四故障监测集合对应的分析顺序进行数据存储；
步骤S36：当有效监测设备存储于任一故障监测集合后又符合另一故障监测集合存储条件；则计算故障监测集合对应两有效监测设备的影响指数R，
R＝s1*g+s2*(a0/ar)+s3*(b0/br)
其中g表示符合故障监测集合存储条件的两有效监测设备的关联指数，ar表示符合故障监测集合存储条件的两有效监测设备对应线性回归方程的斜率差值绝对值，a0表示两有效监测设备对应线性回归方程的斜率平均值，br表示符合故障监测集合存储条件的两有效监测设备对应线性回归方程的截距差值绝对值，b0表示两有效监测设备对应线性回归方程的截距平均值；s1、s2和s3分别表示相应的参考系数且数值均大于0小于1；
标记先存储的故障监测集合为母集合，标记后存储的故障监测集合为子集合；
比较母集合对应的影响指数R1与子集合对应的影响指数R2；
若R1≥R2，则保留相同有效监测设备存储于母集合中，不同有效监测设备存储于子集合中；
若R1<R2，则将上述分析涉及的所有有效监测设备均存储于母集合中。
5.根据权利要求4所述的一种基于大数据的故障监测预警方法，其特征在于：所述步骤S4包括以下分析步骤：
当待监测设备进行维保或监测系统预警非监测设备参数异常时，所述第一故障监测集合的处理优先级大于第二故障监测集合大于第三故障监测集合大于第四故障监测集合；
且设定第一故障监测集合对应的维保周期小于第二故障监测集合小于第三故障监测集合小于第四故障监测集合。
6.应用权利要求1-5中任一项所述的一种基于大数据的故障监测预警方法的故障监测预警系统，其特征在于，包括状态监测数据获取模块、有效状态参数分析模块、线性回归方程构建模块、故障监测集合划分模块和监测参数实施模块；
所述状态监测数据获取模块用于提取待监测设备在有效监测周期内的状态监测数据；
所述有效状态参数分析模块用于筛查不同状态监测数据并输出有效状态参数；
所述线性回归方程构建模块用于构建待监测设备的时间-状态参数偏差线性回归方程；
所述故障监测集合划分模块用于基于回归方程划分待监测设备的故障监测集合；
所述监测参数实施模块用于实施不同故障监测的监测优先级和监测周期。
7.根据权利要求6所述的故障监测预警系统，其特征在于：所述有效状态参数分析模块包括有效监测周期输出单元、异常监测设备标记单元和有效状态参数输出单元；
所述有效监测周期输出单元用于比较待监测设备对应的连续监测时长，输出最小值对应的连续监测时长为有效监测周期；
所述异常监测设备标记单元用于提取待监测设备对应使用时长的最小值和最大值；若最大值和最小值差值大于等于差值阈值，则标记小于等于使用时长均值对应的待监测设备为异常监测设备；以及标记待监测设备在有效监测周期前的平均使用时长内存在设备维保记录对应的设备为异常监测设备；
所述有效状态参数输出单元用于剔除待监测设备中的异常监测设备并输出有效监测设备，以及有效监测周期内的有效状态参数。
8.根据权利要求7所述的故障监测预警系统，其特征在于：所述线性回归方程构建模块包括数列生成单元、线性回归方程设立单元和参数计算单元；
所述数列生成单元用于将第j个有效监测设备对应有效状态参数与参数阈值的差值Aj按照有效监测周期内的时间发展顺序排序生成数列，以及将有效监测周期内的监测单位以时间长度数值为基础、按照时间顺序生成数列；
所述线性回归方程设立单元用于设立时间-状态参数偏差线性回归方程；
所述参数计算单元用于代入数列和求解损失函数计算线性回归方程的斜率和截距，并输出具有确定斜率和截距的线性回归方程。
9.根据权利要求8所述的故障监测预警系统，其特征在于：所述故障监测集合划分模块包括预测集合构建单元、异动值计算单元、关联指数计算单元、故障监测集合生成单元和存储异常分析单元；
所述预测集合构建单元用于将时间长度输入时间-状态参数偏差线性回归方程，得到目标周期内每一监测单元对应的状态参数偏差预测值并构成目标周期的预测集合；
所述异动值计算单元用于计算预测集合内的异动值；
所述关联指数计算单元用于遍历分析任意两个有效监测设备在目标周期内存在相同异动值对应的目标周期个数，计算关联指数；
所述故障监测集合生成单元用于生成满足不同存储条件的故障监测集合；
所述存储异常分析单元用于在有效监测设备在存储故障监测集合时出现重复异常时进行分析。
10.根据权利要求9所述的故障监测预警系统，其特征在于：所述存储异常分析单元包括影响指数计算单元和存储路径执行单元；
所述影响指数计算单元用于在有效监测设备存储于任一故障监测集合后又符合另一故障监测集合存储条件时，计算故障监测集合对应两有效监测设备的影响指数；
所述存储路径执行单元用于在母集合对应的影响指数≥子集合对应的影响指数时，保留相同有效监测设备存储于母集合中，不同有效监测设备存储于子集合中；在母集合对应的影响指数<子集合对应的影响指数，则将上述分析涉及的所有有效监测设备均存储于母集合中；标记先存储的故障监测集合为母集合，标记后存储的故障监测集合为子集合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310592434.4A CN116805068A (zh) | 2023-05-24 | 2023-05-24 | 一种基于大数据的故障监测预警系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310592434.4A CN116805068A (zh) | 2023-05-24 | 2023-05-24 | 一种基于大数据的故障监测预警系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116805068A true CN116805068A (zh) | 2023-09-26 |
Family
ID=88080207
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310592434.4A Pending CN116805068A (zh) | 2023-05-24 | 2023-05-24 | 一种基于大数据的故障监测预警系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116805068A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117171670A (zh) * | 2023-11-03 | 2023-12-05 | 海门市缔绣家用纺织品有限公司 | 一种纺织品生产过程故障监测方法、装置及系统 |
| CN117235649A (zh) * | 2023-11-09 | 2023-12-15 | 广东正德工业科技股份有限公司 | 一种基于大数据的工业设备状态智能监测系统及方法 |
| CN117514360A (zh) * | 2024-01-04 | 2024-02-06 | 山东金科星机电股份有限公司 | 一种矿山监测预警系统 |
-
2023
- 2023-05-24 CN CN202310592434.4A patent/CN116805068A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117171670A (zh) * | 2023-11-03 | 2023-12-05 | 海门市缔绣家用纺织品有限公司 | 一种纺织品生产过程故障监测方法、装置及系统 |
| CN117171670B (zh) * | 2023-11-03 | 2024-02-13 | 海门市缔绣家用纺织品有限公司 | 一种纺织品生产过程故障监测方法、装置及系统 |
| CN117235649A (zh) * | 2023-11-09 | 2023-12-15 | 广东正德工业科技股份有限公司 | 一种基于大数据的工业设备状态智能监测系统及方法 |
| CN117235649B (zh) * | 2023-11-09 | 2024-02-13 | 广东正德工业科技股份有限公司 | 一种基于大数据的工业设备状态智能监测系统及方法 |
| CN117514360A (zh) * | 2024-01-04 | 2024-02-06 | 山东金科星机电股份有限公司 | 一种矿山监测预警系统 |
| CN117514360B (zh) * | 2024-01-04 | 2024-03-22 | 山东金科星机电股份有限公司 | 一种矿山监测预警系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116805068A (zh) | 一种基于大数据的故障监测预警系统及方法 | |
| CN111047082B (zh) | 设备的预警方法及装置、存储介质和电子装置 | |
| CN107831415B (zh) | 一种变压器绝缘纸老化状态评估的区间值模糊集方法 | |
| CN115048591B (zh) | 一种基于人工智能的配电网全息数据可视化智能展示分析系统 | |
| CN109753591A (zh) | 业务流程预测性监控方法 | |
| CN111614491A (zh) | 一种面向电力监控系统安全态势评估指标选取方法及系统 | |
| CN112561736A (zh) | 智能变电站继电器保护装置故障诊断系统和方法 | |
| CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
| CN115086089B (zh) | 一种用于网络安全评估预测的方法及系统 | |
| CN112417791B (zh) | 基于线性回归与ahp算法的电力设备监视预警方法及系统 | |
| CN113420162B (zh) | 一种基于知识图谱的设备运行链状态监测方法 | |
| CN115760484A (zh) | 一种配电台区隐患辨识能力提升方法、装置、系统及存储介质 | |
| CN116739829B (zh) | 一种基于大数据的电力数据分析方法、系统及介质 | |
| CN107153915A (zh) | 一种变电站不变化遥测数据自动检测的方法和系统 | |
| CN114254818A (zh) | 一种基于风险评估模型的低压配电网连锁故障预警方法 | |
| CN115372816A (zh) | 基于数据分析的配电开关设备运行故障预测系统及方法 | |
| CN109615160A (zh) | Cvt电压异常数据分析方法 | |
| CN116029699A (zh) | 一种基于数据孪生的电力信息系统及运维方法 | |
| CN117269655B (zh) | 变电站电力设备温度异常监测方法、系统、终端及介质 | |
| CN117390944A (zh) | 一种变电站运行工况仿真系统 | |
| CN117498559A (zh) | 配电网低电压预警分析方法及系统 | |
| CN116311814B (zh) | 高压开关柜运行状态分析、主动预警系统及方法 | |
| CN108123436B (zh) | 基于主成分分析和多元回归算法的电压越限预测模型 | |
| Khalyasmaa et al. | Fuzzy inference algorithms for power equipment state assessment | |
| CN110930035A (zh) | 一种基于区间统计值的谐波危害评估方法 |
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 |