CN116860831A - 一种实时数据的故障诊断辅助决策方法 - Google Patents
一种实时数据的故障诊断辅助决策方法 Download PDFInfo
- Publication number
- CN116860831A CN116860831A CN202310798118.2A CN202310798118A CN116860831A CN 116860831 A CN116860831 A CN 116860831A CN 202310798118 A CN202310798118 A CN 202310798118A CN 116860831 A CN116860831 A CN 116860831A
- Authority
- CN
- China
- Prior art keywords
- fault
- real
- parameters
- time data
- parameter
- 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 29
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000011161 development Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 abstract description 8
- 230000035945 sensitivity Effects 0.000 abstract description 5
- 230000035772 mutation Effects 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 6
- 238000007619 statistical method Methods 0.000 description 4
- 238000012098 association analyses Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
Classifications
-
- 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
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/23—Updating
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种数据故障诊断方法,为解决现有技术中历史数据无法保证在极端变化或突变情况下所统计的门限值的合理性和灵敏性,故障诊断的可靠性低的问题。本发明提出一种实时数据的故障诊断辅助决策方法,包括以下步骤:S1、建立故障数据库;S2、采集n个参数的实时数据;S3、将n个参数的实时数据传输信号值与故障数据库中对应的故障模式设定阈值进行实时比对,计算所有故障参数的重要性权值系数之和,并在故障次数达到M次时,更新故障数据库;S4、使用权重检测算法进行系统故障检测;S5、设置故障状态区间识别,判断系统故障所对应的故障状态,从而完成实时数据的故障诊断辅助决策判断。
Description
技术领域
本发明属于一种数据故障诊断方法,具体涉及一种实时数据的故障诊断辅助决策方法。
背景技术
工程中常用的故障判别方法一般是利用单个特征参量与预先确定的阈值进行比较,通常数据故障诊断算法是建立在对数据统计分析基础上的,并通过以往历史数据统计分析估算所需要监测的各个参数上下线阈值,即门限值,然后在各个参数实时采集过程,检测各个被监测参数实时运行值是否超过门限值,从而判断各个参数是否正常,最后综合所有参数在一段时间内的状况进行故障检测。
该种故障诊断方法存在以下不足:①通过历史数据统计出来的门限值,在参数极端变化或突变情况下,该统计出的门限值不一定合理。②门限的设置对算法的灵敏度和可靠性的影响很大,通常门限值是有固定范围的,而且固定的范围有着比较大的区间。因为实际参数值接近门限的一端,就容易出现故障报警;同时参数测量值信噪比低也容易出现故障误报警。但是门限范围太大,又会降低算法的灵敏度。③单一因素的阈值判别方法,由于利用的信息量太少,无疑会降低故障诊断的可靠程度,又由于特征参数存在着不确定性,因而也难于避免误诊断的可能性。
发明内容
本发明的目的是解决现有技术中参数在极端变化或突发情况下,所统计出的门限值不一定合理,且其门限值设置范围的大小易于影响诊断方法的灵敏度和可靠性,以及单一因素的阈值判别方法会降低故障诊断的可靠性等问题,而提出一种实时数据的故障诊断辅助决策方法。
为实现上述目的,本发明提出的技术解决方案为:
一种实时数据的故障诊断辅助决策方法,其特殊之处在于,包括以下步骤:
S1、对系统中n个不同参数的历史数据进行判读处理,提取n个参数对应的故障模式,建立故障数据库,分析每个参数对产品性能的重要程度设置每个参数的重要性权值系数;所述故障模式包括故障时间周期与故障模式设定阈值;
S2、采集n个参数的实时数据;
S3、将n个参数的实时数据与故障数据库中对应的故障模式设定阈值进行比对,若有超出其故障模式设定阈值的参数,则记录对应的参数类型及其故障模式,累记对应参数的故障次数,并计算所有超出故障模式设定阈值的参数的重要性权值系数之和SP,执行步骤4;否则,返回步骤2;
S4、判断任一参数的累计故障次数是否达到M次,若是,则对故障数据库中对应参数的故障模式进行更新处理;否则,不予更新;其中M大于等于3;
将所有超出故障模式设定阈值的参数的重要性权值系数之和SP与系统故障设定值K进行比对,若SP≥K,则判断系统故障,执行步骤5;否则返回步骤2;
S5、将大于系统故障设定值K的数值区间划分为若干个故障数值区间,每个故障数值区间对应一种故障状态,所述故障状态为故障的严重程度;根据SP所落入的故障数值区间,判断系统故障所对应的故障状态,从而完成实时数据的故障诊断辅助决策判断。
进一步地,所述步骤S3中,对故障数据库中对应参数的故障模式进行更新处理具体为:
计算对应参数M次故障的实时数据的平均值,以及故障时间周期的平均值,将实时数据的平均值与故障时间周期的平均值作为对应参数的新的故障模式,并将新的故障模式更新到故障数据库。
进一步地,步骤S2具体为:
在待测系统中设置n个传感器,用于测试n个不同参数;实时采集n个传感器的输出值,获得n个参数的实时数据。
其中n个不同参数的实时数据传输信号值超出其所对应的故障模式设定阈值时,将所传输的参数数据以及设备管理中关于设备的全生命周期的数据结合起来,根据历史样本数据和实时参数数据进行分析,确定当前监测设备的运行状态,包含单一参数,即对温度、浓度、应力、位移的变化趋势预报进行横向比较,对多参数关联分析预报进行纵向比较,并且进行综合分析。
同时,可以对设备故障率进行统计分析、趋势分析,当设备状态参数发生突然变化时,根据设定的预报规则和预报模型可以进行故障预报与分析,减少故障发生的可能性,其中可以由传感器对参数进行采集。
在长期的监测过程中,针对多种类型传感器所采集的参数数据,将实时传输的传感器采集的参数数据与历史存储的参数数据进行对比,对比过程分为两个方面:1同一数据结合实时数据与历史数据,通过相应算法实时更新该参数的上下阈值,并对实时数据进行阈值范围的实时超范围判断;2根据不同参数的不同实时警戒值,给出多个参数同时出现超范围判断预报。此后在对这些参数设置重要性权重系数,当这几个超出阈值的传感器参数的重要性权重系数之和SP超出设定值K时,则表示系统产生故障,否则表示系统正常。
进一步地,步骤S1中所述每个参数的重要性权值系数的范围为0-1,重要性权值系数越大表示该参数越重要。
进一步地,所述步骤S1-S5基于python开发完成。
与现有技术相比,本发明的有益效果在于:
【1】本发明中所设置的故障数据库可以根据实时数据传输信号值对多个参数的故障模式设定阈值范围进行关联与更新设置。
【2】本发明中的故障数据库中各参数的故障模式可以根据实时数据传输信号值进行实时更新,可有效减少故障误报警,提高故障算法的灵敏度。
【3】本发明中使用权重检测算法进行系统故障检测,对每个参数进行重要性权值系数设定可以有效减少误报警次数,提高故障检测的可靠度。
【4】本发明中设置故障状态区间识别可以根据故障状态的大小将系统设定值K划分为若干个数值区间,每个数值区间对应一种故障状态,使其故障状态控制的更加精细化。
【5】本发明中实时数据的故障诊断辅助决策可以同时对单一参数,即对温度、浓度、应力、位移的变化趋势预报进行横向比较,对多参数关联分析预报进行纵向比较,并且进行综合分析,大大提高了诊断的可靠性。
附图说明
图1为本发明一种实时数据的故障诊断辅助决策方法的流程图。
具体实施方式
一种实时数据的故障诊断辅助决策方法,首先对历史数据进行数据判读处理,分析各个参数数据对产品性能影响的轻重程度,从而提取出判读规则。同时依据所采集参数的重要性,给每个参数设置一个重要性权值系数,其中重要性权值系数范围0-1,重要性权值系数越大表示该参数越重要。对所有纳入判读规则的参数的实时数据传输信号值进行监视和比对,一旦某一个或几个参数的实时数据传输信号值满足了触发条件,即实时数据传输信号值超出故障模式设定阈值的范围,数据判读引擎就会检索相应的判读规则进行条件比对,如果这些参数值满足了某判读规则设置的所有条件,那么数据判读模块就会给出该判读规则设置的提醒信息,以解决所设置门限值的合理性,其中可以由传感器对参数进行采集。
实时数据传输信号值超出故障模式设定阈值后,将所传输的参数数据以及设备管理中关于设备的全生命周期的数据结合起来,根据历史样本数据和实时参数数据进行分析,确定当前监测设备的运行状态,同时对单一参数,即对温度、浓度、应力、位移的变化趋势预报进行横向比较,对多参数关联分析预报进行纵向比较,并且进行综合分析。
同时对设备故障率进行统计分析、趋势分析,当设备状态参数发生突然变化时,根据设定的预报规则和预报模型可以进行故障预报与分析,减少故障发生的可能性。在长期的监测过程中,针对多种类型传感器参数数据,将实时传输的数据与历史存储的数据进行对比,对比过程分为两个方面:同一数据结合实时数据与历史数据,通过相应算法实时更新该采样参数的上下阈值,并对实时数据进行阈值范围的实时超范围判断;根据不同参数的不同阈值,给出多个参数同时出现超范围判断预报。此后在对这些采样参数的重要性权重系数进行分析判断,当这些超出阈值的传感器参数的权重系数之和SP超出设定值K后,则表示系统产生故障,否则表示系统正常。
由图1可以看出,实时数据的故障诊断辅助决策方法具体包括获取历史故障数据、故障模式设定阈值、建立故障数据库、采集n个参数的实时数据、故障数据库实时更新、权重检测算法进行系统故障检测、故障状态区间识别等步骤,具体如下:
步骤一、获取历史故障数据
根据系统中n个不同参数的历史数据进行判读处理,分析n个采样参数的历史数据对产品性能的重要程度,对每个参数设置一个重要性权值系数,提取n个参数的判读规则,n>1。
步骤二、建立故障数据库
根据n个参数的判读规则,设置对应的n个故障模式,根据所设定的故障模式建立故障数据库,所述故障模式包括故障时间周期与故障模式设定阈值,故障模式设定阈值为故障参数上下阈值包络,并将该故障模式设定阈值写入对应的故障数据库中。
其中故障时间周期就是某个参数在历史上出现故障时所在持续的最短时间周期,也可以是若干次故障时间的平均值;实际的故障发生是随机的,不可能按时间顺序发生,即故障发生是无序的。
故障参数上下阈值就是某个参数在历史上出现故障时上下限的最大值,也可以是若干次故障时上限的平均值或下限的平均值。
步骤三、采集n个参数的实时数据;
步骤四、将n个参数的实时数据与故障数据库中对应的故障模式设定阈值进行比对,若有超出其故障模式设定阈值的参数,则记录对应的参数类型及其故障模式,累记对应参数的故障次数;并计算所有超出故障模式设定阈值的参数的重要性权值系数之和SP,执行步骤五;否则,返回步骤三;
判断任一参数的累计故障次数是否达到M次,若是,则对故障数据库中对应参数的故障模式进行更新处理;否则,不予更新;其中M大于等于3;
其中,对故障数据库中对应参数的故障模式进行更新处理,具体为:计算对应参数M次故障的实时数据的平均值,以及故障时间周期的平均值,将实时数据的平均值与故障时间周期的平均值作为对应参数的新的故障模式,将新的故障模式更新到故障数据库。
步骤五、使用权重检测算法进行系统故障检测
将所有超出故障模式设定阈值的参数的重要性权值系数之和SP与系统故障设定值K进行比对;
当所有超出故障模式设定阈值的参数的重要性权值系数之和SP≥系统故障设定值K时,则表示系统产生故障,执行步骤六;
当所有超出故障模式设定阈值的参数的重要性权值系数之和SP<系统故障设定值K时,则表示系统正常,返回步骤三。
步骤六、设置故障状态区间识别
将大于系统故障设定值K的数值区间划分为若干个故障数值区间,每个故障数值区间对应一种故障状态,所述故障状态为故障的严重程度;
根据所有超出故障模式设定阈值的参数的重要性权值系数之和SP所落入的故障数值区间,判断系统故障所对应的故障状态,从而完成实时数据的故障诊断辅助决策判断,相关人员根据所产生的故障状态采取相应的处理措施。
通过上述步骤,实现了故障数据库的实时更新,系统的自主更新保证了系统对于新进数据的把控和判断,同时提升了故障状态识别的准确性。本发明的实时数据的故障诊断辅助决策方法基于python开发完成。
Claims (5)
1.一种实时数据的故障诊断辅助决策方法,其特征在于,包括以下步骤:
S1、对系统中n个不同参数的历史数据进行判读处理,提取n个参数对应的故障模式,建立故障数据库,分析每个参数对产品性能的重要程度设置每个参数的重要性权值系数;所述故障模式包括故障时间周期与故障模式设定阈值;
S2、采集n个参数的实时数据;
S3、将n个参数的实时数据与故障数据库中对应的故障模式设定阈值进行比对,若有超出其故障模式设定阈值的参数,则记录对应的参数类型及其故障模式,累记对应参数的故障次数,并计算所有超出故障模式设定阈值的参数的重要性权值系数之和SP,执行步骤4;否则,返回步骤2;
S4、判断任一参数的累计故障次数是否达到M次,若是,则对故障数据库中对应参数的故障模式进行更新处理;否则,不予更新;其中M大于等于3;
将所有超出故障模式设定阈值的参数的重要性权值系数之和SP与系统故障设定值K进行比对,若SP≥K,则判断系统故障,执行步骤5;否则返回步骤2;
S5、将大于系统故障设定值K的数值区间划分为若干个故障数值区间,每个故障数值区间对应一种故障状态,所述故障状态为故障的严重程度;根据SP所落入的故障数值区间,判断系统故障所对应的故障状态,从而完成实时数据的故障诊断辅助决策判断。
2.根据权利要求1所述一种实时数据的故障诊断辅助决策方法,其特征在于,所述步骤S3中,对故障数据库中对应参数的故障模式进行更新处理具体为:
计算对应参数M次故障的实时数据的平均值,以及故障时间周期的平均值,将实时数据的平均值与故障时间周期的平均值作为对应参数的新的故障模式,并将新的故障模式更新到故障数据库。
3.根据权利要求2所述一种实时数据的故障诊断辅助决策方法,其特征在于,步骤S2具体为:
在待测系统中设置n个传感器,用于测试n个不同参数;实时采集n个传感器的输出值,获得n个参数的实时数据。
4.根据权利要求3所述一种实时数据的故障诊断辅助决策方法,其特征在于:步骤S1中,每个参数的重要性权值系数的范围为0-1,重要性权值系数越大表示该参数越重要。
5.根据权利要求4所述一种实时数据的故障诊断辅助决策方法,其特征在于:所述步骤S1-S5基于python开发完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310798118.2A CN116860831A (zh) | 2023-06-30 | 2023-06-30 | 一种实时数据的故障诊断辅助决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310798118.2A CN116860831A (zh) | 2023-06-30 | 2023-06-30 | 一种实时数据的故障诊断辅助决策方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116860831A true CN116860831A (zh) | 2023-10-10 |
Family
ID=88228006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310798118.2A Pending CN116860831A (zh) | 2023-06-30 | 2023-06-30 | 一种实时数据的故障诊断辅助决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116860831A (zh) |
-
2023
- 2023-06-30 CN CN202310798118.2A patent/CN116860831A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414155B (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
CN109765883B (zh) | 配电自动化终端运行状态评价与故障诊断方法 | |
CN110414154B (zh) | 一种带有双测点的风机部件温度异常检测和报警方法 | |
CN112561736A (zh) | 智能变电站继电器保护装置故障诊断系统和方法 | |
CN112083244B (zh) | 综合化航空电子设备故障智能诊断系统 | |
CN112414694B (zh) | 基于多元状态估计技术的设备多级异常状态识别方法及装置 | |
CN114559819A (zh) | 一种基于信号处理的电动汽车电池安全预警方法 | |
CN112287602B (zh) | 一种基于机器学习和孤立森林的动车轴温故障预警方法 | |
CN113562562A (zh) | 一种电梯安全预警监测系统及其判断方法 | |
CN111392538A (zh) | 一种基于多维物联网图谱大数据的电梯综合故障预警方法 | |
CN114781476B (zh) | 一种量测设备故障分析系统和方法 | |
CN113177646B (zh) | 一种基于自适应边缘代理的配电设备在线监测方法及系统 | |
CN116292367B (zh) | 基于一维卷积的电厂风机系统异常工况检测方法 | |
CN112232405A (zh) | 齿轮箱的故障预测、监测和诊断方法及相应装置 | |
CN112288126B (zh) | 一种采样数据异常变化在线监测与诊断方法 | |
CN112016193B (zh) | 一种盾构机系统的润滑失效在线预测方法及系统 | |
CN109115271B (zh) | 一种数控机床远程监测系统 | |
CN117150418B (zh) | 基于状态特征故障树的变压器运检周期制定方法和系统 | |
CN116720150B (zh) | 一种机械制冷系统故障诊断方法及系统 | |
CN115034094B (zh) | 一种金属加工机床运行状态预测方法及系统 | |
CN107562041A (zh) | 转辙机故障预警方法、装置、设备及计算机可读存储介质 | |
CN116860831A (zh) | 一种实时数据的故障诊断辅助决策方法 | |
CN114492636B (zh) | 一种变压器绕组状态信号的采集系统 | |
CN114996815A (zh) | 一种基于决策树算法的金属屋面状态判断方法及系统 | |
RU2648413C1 (ru) | Способ управления режимами на основе нейросетевого диагностирования неисправностей и технического состояния электроприводного газоперекачивающего агрегата |
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 |