CN116822206A - 一种在线故障诊断方法及系统 - Google Patents
一种在线故障诊断方法及系统 Download PDFInfo
- Publication number
- CN116822206A CN116822206A CN202310779500.9A CN202310779500A CN116822206A CN 116822206 A CN116822206 A CN 116822206A CN 202310779500 A CN202310779500 A CN 202310779500A CN 116822206 A CN116822206 A CN 116822206A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- information
- fault diagnosis
- diagnosis
- 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 79
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000007418 data mining Methods 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 238000012423 maintenance Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000002085 persistent effect Effects 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 238000010248 power generation Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000002688 persistence Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Fuzzy Systems (AREA)
- Molecular Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提出了一种在线故障诊断方法及系统,涉及数据处理技术领域。其通过将获取的目标机器设备的运行参数在多个计算引擎上进行并发计算,得到对应的不同主题域的故障数据信息,然后对其进行数据挖掘,并根据数据挖掘结果基于预置的故障诊断指标、预测和对比规则进行计算和判断,用以生成对应的报表信息。从而针对类似光伏系统等存在着较多的机器设备的应用场景,能够及时清楚地对机器故障进行预测以及诊断,用以保证机器设备的低成本、高效率的运维处理。
Description
技术领域
本发明涉及数据处理技术领域,具体而言,涉及一种在线故障诊断方法及系统。
背景技术
故障诊断,顾名思义就是针对系统发生了什么故障、引起故障的原因是什么、故障有多严重、故障的解决方案等问题进行分析、评估并得出结论的过程。在现有技术中,对于类似光伏系统等存在着较多的机器设备的应用场景,往往是在机器设备发生故障后,对故障进行记录分类。具体是将这些历史的故障数据进行分类处理,后期再将新的故障按一定规律分到这些故障类中。其中包括将记录的故障数据分类到概率更大的故障类中,以使得这些故障能够被分类到对应的故障类中。
然而,这种通过在故障发生后,对故障进行记录分类的方式,其反映问题较为滞后、处理效率慢,不具有普遍性。因此,对于类似光伏系统等存在着较多的机器设备的应用场景,将不能对机器设备的故障进行提前预测以及进行诊断处理,不利于对每个机器设备进行很好的故障诊断。
发明内容
本发明的目的在于提供一种在线故障诊断方法及系统,针对类似光伏系统等存在着较多的机器设备的应用场景,能够及时清楚地对机器故障进行预测以及诊断,用以保证机器设备的低成本、高效率的运维处理。
为解决上述技术问题,本发明采用的技术方案为:
第一方面,本申请提供一种在线故障诊断方法,其包括:
获取目标机器设备的运行参数,并将上述运行参数实时同步到数据仓库内;
基于大数据框架算法将上述运行参数从数据仓库内取出,并分发到多个计算引擎上进行并发计算,得到对应的不同主题域的故障数据信息;
对上述故障数据信息进行数据挖掘,得到与预置的机器设备的故障诊断指标相关的诊断数据信息;
基于预置的故障诊断指标、预测和对比规则,对上述诊断数据信息进行计算和判断,得到对应的处理结果并生成相应的报表信息。
进一步的,上述运行参数包括用户的信息、机器参数信息、机器的环境信息、机器的运行日志和天气日志中的一种或多种。
进一步的,上述基于大数据框架算法将上述运行参数从数据仓库内取出,并分发到多个计算引擎上进行并发计算,得到对应的不同主题域的故障数据信息的步骤包括:
利用hadoop/spark/flink大数据框架算法将上述运行参数从数据仓库内取出,并分发到多个计算引擎上进行并发计算;
在并发计算中,将数据引出到不同的主题域对数据进行清洗、组装及提取,得到对应的故障数据处理结果;
将与上述故障数据处理结果相关的数据持久化到上述数据仓库中。
进一步的,上述机器设备的故障诊断指标的建立包括:
获取用于诊断机器设备是否故障、判断机器状态、预测机器未来的状态的相关指标的参数数据,得到初步指标参数;
基于初步指标参数对上述故障数据信息进行数据挖掘,得到并根据数据挖掘结果构建相应的指标体系,以及得到不同指标之间的相关性信息。
进一步的,对上述故障数据信息进行数据挖掘的步骤包括:基于预设的模型对上述故障数据信息进行数据挖掘,其中模型包括规则构建模型和数据驱动模型中的至少一种;
上述规则构建模型用于基于预先设定的规律构建输出函数对上述故障数据信息进行数据处理;
上述数据驱动模型用于基于神经网络算法对预置的故障诊断指标和得到的数据挖掘结果进行映射关系的拟合处理,并根据拟合处理得到的映射关系进行故障数据的预测、判断和诊断。
进一步的,还包括:利用专家经验算法对上述报表信息进行相应的解读、整体评分以及运维建议,得到并基于分析结果生成对应的专家评价报告。
第二方面,本申请提供一种在线故障诊断系统,其包括:
运行参数获取模块11,用于获取目标机器设备的运行参数,并将上述运行参数实时同步到数据仓库内;
故障数据计算模块12,用于基于大数据框架算法将上述运行参数从数据仓库内取出,并分发到多个计算引擎上进行并发计算,得到对应的不同主题域的故障数据信息;
诊断数据挖掘模块13,用于对上述故障数据信息进行数据挖掘,得到与预置的机器设备的故障诊断指标相关的诊断数据信息;
故障诊断模块14,用于基于预置的故障诊断指标、预测和对比规则,对上述诊断数据信息进行计算和判断,得到对应的处理结果并生成相应的报表信息。
第三方面,本申请提供一种电子设备,其包括存储器,用于存储一个或多个程序;处理器。当上述一个或多个程序被上述处理器执行时,实现如上述第一方面中任一项上述的方法。
第四方面,本申请提供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上述第一方面中任一项上述的方法。
相对于现有技术,本发明至少具有如下优点或有益效果:
本申请提供一种在线故障诊断方法及系统,首先,获取目标机器设备的运行参数,并将运行参数实时同步到数据仓库内,为后续的处理提供精准有效的原始数据支撑。然后,基于大数据框架算法将运行参数从数据仓库内取出,并分发到多个计算引擎上进行并发计算,得到对应的不同主题域的故障数据信息,用以保证数据处理的效率和精度。之后,对故障数据信息进行数据挖掘,得到与预置的机器设备的故障诊断指标相关的诊断数据信息。通过挖掘跟这些指标相关的诊断数据,从而保证从故障诊断指标角度进行诊断数据信息的获取,便于后续通过指标进行分析处理,提高使用者对故障情况的理解和认识。最后,基于预置的故障诊断指标、预测和对比规则,对诊断数据信息进行计算和判断,得到对应的处理结果并生成相应的报表信息。从而将抽象的跟机器设备故障诊断相关的诊断数据信息,通过可视化的自然语言进行具现化,使得用户可以清楚直观地了解到机器的运行情况以及对应的运维建议。本发明方法及系统能够及时清楚地对机器故障进行预测以及诊断,以保证机器设备的低成本、高效率的运维处理。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明提供的一种在线故障诊断方法一实施例的步骤框图;
图2为本发明提供的一种在线故障诊断方法一实施例的数据处理流程示意图;
图3为本发明提供的一种在线故障诊断方法一实施例中建立机器设备的故障诊断指标的步骤示意图;
图4为本发明提供的一种在线故障诊断系统一实施例的结构框图;
图5为本发明实施例提供的一种电子设备的结构框图。
图标:1、存储器;2、处理器;3、通信接口;11、运行参数获取模块;12、故障数据计算模块;13、诊断数据挖掘模块;14、故障诊断模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
实施例
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的各个实施例及实施例中的各个特征可以相互组合。
需说明的是,本发明实施例可应用于各种存在着较多的机器设备的应用场景(包括光伏系统、电力设备系统及各种工厂系统),以下为了方便理解,以光伏系统进行示例性地进程描述,但本领域技术人员可以将其扩展至其它包含较多的机器设备的应用场景中,具体此处不做限定。
请参照图1和图2,本申请实施例提供一种在线故障诊断方法,该方法包括以下步骤:
步骤S1:获取目标机器设备的运行参数,并将上述运行参数实时同步到数据仓库内。
上述步骤中,通过将目标机器设备的运行参数实时同步到数据仓库中,可以将这些运行参数进行持久化处理,为后续的处理提供精准有效的原始数据支撑。示例性地,上述运行参数包括用户的信息、机器参数信息、机器的环境信息、机器的运行日志和天气日志中的一种或多种。
在光伏系统中,对于用户的信息、机器参数信息和机器的环境信息可以归属于信息表,这些信息变化周期较长,进行实时获取的时候可以利用spark、flink、datax等工具周期性地获取并同步到数据仓库中,从而在保证实时的情况下有效地节约系统的计算资源。对于机器的运行日志和天气日志等日志数据,其记录了机器设备运行状态的变化趋势和机器周围环境的变化情况,则可以通过kafka到flink进行实时同步到数据仓库中,保证这些日志数据的及时有效性。
示例性地,在光伏系统中机器的环境信息可以通过天气数据进行获取。例如可以获取未来24小时的天气数据,并且为了实现较高容错用以提高天气数据的准确性和稳定性,获取明天的天气数据可以获取至少两次。即利用当地时间下的日出前一小时获取未来24小时的天气数据进行未来一天的预测,并在中午前一个小时获取天气数据以进行修正和实现容错。具体的获取过程包括:将需要获取天气的坐标点进行处理,经纬度保留两位小数(0.01经纬度误差在一公里)。这是由于大部分天气预报在一公里范围内基本上是一样的,从而可以通过将经纬度保留两位小数来保证天气精准度和内存消耗上的平衡。其中,可以进行坐标去重持久化处理,从而可以减少30%的天气数据获取。接着使用pyspark(Spark分布式引擎为Python开发者提供的API接口)读取坐标,分布式并发的请求第三方接口获取天气数据,并通过数据中台的API将天气数据存入数据仓库,以实现天气数据的快速准确获取。
另外,对于日志数据(机器的运行日志和天气日志)来说,可以对日志数据抽样五分之一进行采样,保证日志数据的精准度。由于日志数据是动态增长的,对于服务器的资源需求是呈波峰波谷的变化趋势,而且极差非常悬殊,将导致大量的资源浪费,从而在本发明的一些实施例中可以引入云原生技术实现在波峰波谷时的弹性伸缩。包括引入Kafka实现调峰和容错,保证数据在被确认处理之前是可以被重复获取的。kafka数据保留时间是72小时。然后将flink实时流处理部署在云原生上,可以不用更改代码就可以增加系统处理数据的吞吐量,实现减本增效,并且Flink会实时消费kafka上的数据,处理、验证后存入数据仓库。
步骤S2:基于大数据框架算法将上述运行参数从数据仓库内取出,并分发到多个计算引擎上进行并发计算,得到对应的不同主题域的故障数据信息。
上述步骤中,因为对于机器设备的运行参数计算会涉及大量的计算和历史数据的读取,所以在获取了大量的运行参数后,对其进行分流处理,在多个计算引擎上进行并发计算,用以保证数据处理的效率和精度。示例性地,可以利用hadoop、spark、flink等大数据框架进行高效的开发/计算/部署,将大量的数据从数据仓库中取出,然后分发到多个计算引擎上进行并发计算。并且将计算引擎部署在云原生上,从而可以弹性获取计算资源。在并发计算中从kafak或本身的flink流中引出到不同的主题域对数据进行清洗、组装及提取,然后再将与处理结果相关的数据持久化到数据仓库中,以供后期查询及使用。具体地,还可以利用flink从kafka中引出多条流,第一条对数据只做验证后实时入仓(原始数据层),为后期数据的开发、重复使用保留原始数据。flink再分一个流实时处理各种指标、异常检测、状态监控(异常检测、在线汇报、工作预警)分别存入各个数仓层。
步骤S3:对上述故障数据信息进行数据挖掘,得到与预置的机器设备的故障诊断指标相关的诊断数据信息。
上述步骤中,在对运行参数进行并行计算,得到对应的故障数据信息后,就可以开始对其进行数据挖掘处理,方便从这些数据中得到可以用于诊断机器设备的故障情况的数据。包括在通过一些故障诊断指标进行诊断时,可以从这些数据中挖掘出跟这些指标相关的诊断数据,从而保证从故障诊断指标角度进行诊断数据信息的获取,便于后续通过指标进行分析处理,提高使用者对故障情况的理解和认识。
具体地,请参照图3,该步骤包括:
步骤S3-1:获取用于诊断机器设备是否故障、判断机器状态、预测机器未来的状态的相关指标的参数数据,得到初步指标参数;
步骤S3-2:基于初步指标参数对上述故障数据信息进行数据挖掘,得到并根据数据挖掘结果构建相应的指标体系,以及得到不同指标之间的相关性信息。
上述步骤中,可以通过人工调研的方式收集研发部门、生产部门、业务部门等认为机器设备的哪些重要指标参数可以用于诊断机器设备是否故障、判断机器设备运行状态、预测机器设备未来的状态,从而获取到初步指标参数,并进行初步的指标体系搭建,后续再根据实际需求对其进行优化补充,保证指标体系的搭建效率和有效性。
示例性地,对于光伏系统有一个指标为真实的额定功率,其中机器设备的发电量与光伏电板受到的辐照量、机器的转换效率、光伏面板的大小有着强相关性。对于固件上的影响,在一定时间内变换不大,除非机器出现故障和环境剧烈变换,因此可以通过天气数据排除一部分因为极端环境造成的异常状况。具体的处理方式可以包括:提取该机器前60天的历史数据,进行统计分析,去除异常值。比如去除是额定功率的3倍的功率数值(因为有些用户会超接面板),然后找出每天最高的三条功率,并从中过滤出该机器对应的天气数据中都是晴天或云量是在30%以下的数据,进行排序,得到前3-10条最高功率,然后取平均值,最终得到的指标即可用来代替该机器的真实功率。
再例如,计算机器设备的发电指标时(今日最大值、今日方差、今日平均值、今日最大增幅斜率、今日最大降幅斜率、今日数据),对于故障诊断的难点在于会存在很多的环境干扰信息。但是如果和周围一定范围内的其它机器进行对比,环境因素干扰就会有一定的趋同性,所以可以将这些数据以分钟级、小时级、天级、七天级或月级处理成相应的指标,后续再对其进行数据挖掘处理。
步骤S4:基于预置的故障诊断指标、预测和对比规则,对上述诊断数据信息进行计算和判断,得到对应的处理结果并生成相应的报表信息。
上述步骤中,可以通过加权求和或阈值判断的方式进行处理,用以生成对应的报表信息,从而将抽象的跟机器设备故障诊断相关的诊断数据信息通过可视化的自然语言进行具现化,使得用户可以清楚直观地了解到机器的运行情况以及对应的运维建议,即通过报表信息对机器设备的故障进行直观的提前预测以及进行诊断处理。
在本发明的一些实施例中,对上述故障数据信息进行数据挖掘的步骤包括:基于预设的模型对上述故障数据信息进行数据挖掘,其中模型包括规则构建模型和数据驱动模型中的至少一种;上述规则构建模型用于基于预先设定的规律构建输出函数对上述故障数据信息进行数据处理;上述数据驱动模型用于基于神经网络算法对预置的故障诊断指标和得到的数据挖掘结果进行映射关系的拟合处理,并根据拟合处理得到的映射关系进行故障数据的预测、判断和诊断。
示例性地,例如在周围一公里内的机器,其天气是一致的,它们的发电趋势是一致的,从而通过历史数据计算出每台机器设备真实的功率,归一化当天的发电量,就可以将周围的机器进行对比。也就是说,对于这种具有直观规律的故障数据信息,可以基于预先设定的规律通过构建输出函数进行数据处理,即可完成相应的数据挖掘工作。对于历史天气和历史发电,分析可得天气和发电量是成强正相关的,准确的说是发电量跟云量成正相关,所以可以通过历史数据找到两者之间的映射关系。当然发电量还跟温度、时间、太阳高度和太阳方位角等相关,因此可以通过神经网络算法对这些预置的指标和结果进行拟合,得到不同指标之间的映射关系,然后通过拟合结果即可进行后续的数据预测、判断和诊断处理。
在本发明的一些实施例中,还包括:利用专家经验算法对上述报表信息进行相应的解读、整体评分以及运维建议,得到并基于分析结果生成对应的专家评价报告。
上述步骤中,对于最终生成的报表信息而言,虽然数据已经够直观清晰了,但是对于个别的数据仍然需要一定的专业知识才能对其进行解读。因此可以通过利用预置的专家经验算法对报表信息进行相应的解读、整体评分以及运维建议,从而进一步的生成更加通俗易懂的专家评价报告,使得不具有太多的专业知识的人员也可以了解到报表信息的深层次内容。
基于同样的发明构思,本发明还提出一种在线故障诊断系统,请参照图4,图4为本申请实施例提供的一种在线故障诊断系统的结构框图。该系统包括:
运行参数获取模块11,用于获取目标机器设备的运行参数,并将上述运行参数实时同步到数据仓库内;
故障数据计算模块12,用于基于大数据框架算法将上述运行参数从数据仓库内取出,并分发到多个计算引擎上进行并发计算,得到对应的不同主题域的故障数据信息;
诊断数据挖掘模块13,用于对上述故障数据信息进行数据挖掘,得到与预置的机器设备的故障诊断指标相关的诊断数据信息;
故障诊断模块14,用于基于预置的故障诊断指标、预测和对比规则,对上述诊断数据信息进行计算和判断,得到对应的处理结果并生成相应的报表信息。
请参照图5,图5为本申请实施例提供的一种电子设备的结构框图。该电子设备包括存储器1、处理器2和通信接口3,该存储器1、处理器2和通信接口3相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器1可用于存储软件程序及模块,如本申请实施例所提供的一种在线故障诊断系统对应的程序指令/模块,处理器2通过执行存储在存储器1内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口3可用于与其他节点设备进行信令或数据的通信。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (9)
1.一种在线故障诊断方法,其特征在于,包括:
获取目标机器设备的运行参数,并将所述运行参数实时同步到数据仓库内;
基于大数据框架算法将所述运行参数从数据仓库内取出,并分发到多个计算引擎上进行并发计算,得到对应的不同主题域的故障数据信息;
对所述故障数据信息进行数据挖掘,得到与预置的机器设备的故障诊断指标相关的诊断数据信息;
基于预置的故障诊断指标、预测和对比规则,对所述诊断数据信息进行计算和判断,得到对应的处理结果并生成相应的报表信息。
2.如权利要求1所述的一种在线故障诊断方法,其特征在于,所述运行参数包括用户的信息、机器参数信息、机器的环境信息、机器的运行日志和天气日志中的一种或多种。
3.如权利要求1所述的一种在线故障诊断方法,其特征在于,所述基于大数据框架算法将所述运行参数从数据仓库内取出,并分发到多个计算引擎上进行并发计算,得到对应的不同主题域的故障数据信息的步骤包括:
利用hadoop/spark/flink大数据框架算法将所述运行参数从数据仓库内取出,并分发到多个计算引擎上进行并发计算;
在并发计算中,将数据引出到不同的主题域对数据进行清洗、组装及提取,得到对应的故障数据处理结果;
将与所述故障数据处理结果相关的数据持久化到所述数据仓库中。
4.如权利要求1所述的一种在线故障诊断方法,其特征在于,所述机器设备的故障诊断指标的建立包括:
获取用于诊断机器设备是否故障、判断机器状态、预测机器未来的状态的相关指标的参数数据,得到初步指标参数;
基于初步指标参数对所述故障数据信息进行数据挖掘,得到并根据数据挖掘结果构建相应的指标体系,以及得到不同指标之间的相关性信息。
5.如权利要求1所述的一种在线故障诊断方法,其特征在于,对所述故障数据信息进行数据挖掘的步骤包括:基于预设的模型对所述故障数据信息进行数据挖掘,其中模型包括规则构建模型和数据驱动模型中的至少一种;
所述规则构建模型用于基于预先设定的规律构建输出函数对所述故障数据信息进行数据处理;
所述数据驱动模型用于基于神经网络算法对预置的故障诊断指标和得到的数据挖掘结果进行映射关系的拟合处理,并根据拟合处理得到的映射关系进行故障数据的预测、判断和诊断。
6.如权利要求1所述的一种在线故障诊断方法,其特征在于,还包括:
利用专家经验算法对所述报表信息进行相应的解读、整体评分以及运维建议,得到并基于分析结果生成对应的专家评价报告。
7.一种在线故障诊断系统,其特征在于,包括:
运行参数获取模块,用于获取目标机器设备的运行参数,并将所述运行参数实时同步到数据仓库内;
故障数据计算模块,用于基于大数据框架算法将所述运行参数从数据仓库内取出,并分发到多个计算引擎上进行并发计算,得到对应的不同主题域的故障数据信息;
诊断数据挖掘模块,用于对所述故障数据信息进行数据挖掘,得到与预置的机器设备的故障诊断指标相关的诊断数据信息;
故障诊断模块,用于基于预置的故障诊断指标、预测和对比规则,对所述诊断数据信息进行计算和判断,得到对应的处理结果并生成相应的报表信息。
8.一种电子设备,其特征在于,包括:
存储器,用于存储一个或多个程序;
处理器;
当所述一个或多个程序被所述处理器执行时,实现如权利要求1-6中任一项所述的一种在线故障诊断方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-6中任一项所述的一种在线故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310779500.9A CN116822206A (zh) | 2023-06-28 | 2023-06-28 | 一种在线故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310779500.9A CN116822206A (zh) | 2023-06-28 | 2023-06-28 | 一种在线故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116822206A true CN116822206A (zh) | 2023-09-29 |
Family
ID=88126992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310779500.9A Pending CN116822206A (zh) | 2023-06-28 | 2023-06-28 | 一种在线故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116822206A (zh) |
-
2023
- 2023-06-28 CN CN202310779500.9A patent/CN116822206A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3902992B1 (en) | Scalable system and engine for forecasting wind turbine failure | |
Hsu et al. | Wind turbine fault diagnosis and predictive maintenance through statistical process control and machine learning | |
CN110825885B (zh) | 一种电力设备知识图谱应用系统 | |
CN108549951B (zh) | 一种基于关键器件的船用电气设备寿命预测方法及装置 | |
US20190228296A1 (en) | Significant events identifier for outlier root cause investigation | |
CN102521604B (zh) | 一种基于巡检系统的设备性能退化评估装置及方法 | |
CN113325308B (zh) | 一种用于数据中心的供电故障检测方法 | |
CN111985558A (zh) | 一种电能表异常诊断方法及其系统 | |
Yan et al. | Big-data-driven based intelligent prognostics scheme in industry 4.0 environment | |
CN111259073A (zh) | 基于日志、流量和业务访问的业务系统运行状态智能研判系统 | |
CN113992153B (zh) | 一种光伏电站可视化实时监测分布式管理系统 | |
CN113065580A (zh) | 一种基于多信息融合的电厂设备管理方法及系统 | |
CN117421994A (zh) | 一种边缘应用健康度的监测方法和监测系统 | |
CN116822206A (zh) | 一种在线故障诊断方法及系统 | |
CN115840656A (zh) | 一种基于故障自愈的应用程序自动化运维方法和系统 | |
CN116149270A (zh) | 一种风力电站预警处理过程跟踪方法及系统 | |
CN116028879A (zh) | 一种在线故障诊断的方法、系统、设备及介质 | |
CN114116788A (zh) | 一种行业数据处理方法及其存储介质 | |
CN112782584B (zh) | 电池电量的剩余使用额度的预测方法、系统、介质及设备 | |
CN111200315B (zh) | 一种变电站监控后台故障诊断系统和方法 | |
CN112711508A (zh) | 面向大规模客户端系统的智能运维服务系统 | |
CN111538886A (zh) | 一种基于人工智能的大数据采集存储系统及方法 | |
Ku et al. | Self-learning mechanism for prediction of energy consumption and generation | |
CN117786372B (zh) | 基于机器学习的分布式光伏发电数据处理方法及系统 | |
Runsewe et al. | Digital Twin Based Learning Framework for Adaptive Fault Diagnosis In Microgrids with Autonomous Reconfiguration Capabilities |
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 |