CN117057772A - 一种设备故障检测维修实时跟踪展示方法及系统 - Google Patents
一种设备故障检测维修实时跟踪展示方法及系统 Download PDFInfo
- Publication number
- CN117057772A CN117057772A CN202310803451.8A CN202310803451A CN117057772A CN 117057772 A CN117057772 A CN 117057772A CN 202310803451 A CN202310803451 A CN 202310803451A CN 117057772 A CN117057772 A CN 117057772A
- Authority
- CN
- China
- Prior art keywords
- equipment
- real
- fault
- prediction model
- time
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 230000008439 repair process Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 description 28
- 238000005516 engineering process Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开一种设备故障检测维修实时跟踪展示方法及系统，该方法包括：获取设备故障历史数据样本和样本数量，其中，所述设备故障历史数据样本包括：设备的温度、设备的振动强度、设备的电流和距离观测时刻的时间；设置设备故障预测模型，将所述设备故障历史数据样本输入到所述设备故障预测模型中，计算预测的设备发生故障概率，设置真实误差评价函数和预测故障概率与真实故障概率差异函数，迭代所述设备故障预测模型，直到预测的设备发生故障概率与真实的设备发生故障概率的误差小于预设阈值；获取设备故障实时数据，并输入到所述设备故障预测模型中，并根据预测的设备发生故障概率，对设备故障检测维修进行实时跟踪并且展示。
Description
技术领域
本发明属于设备故障检测维修实时跟踪展示技术领域，更具体地，涉及一种设备故障检测维修实时跟踪展示方法及系统。
背景技术
设备故障检测和维修是一个关键的领域，对于确保设备的可靠性和正常运行至关重要。以下是设备故障检测和维修的现状：
1.实时监测和远程维修：通过传感器和物联网(IoT)技术，设备可以进行实时监测，并将数据传输到中央控制系统或云平台进行分析和处理。这使得故障可以被及时检测到，并且一些简单的问题可以通过远程维修解决，减少了维修时间和成本。
2.数据驱动的维修策略：利用历史故障数据和维修记录，可以进行数据分析和建模，以制定更有效的维修策略。数据驱动的维修策略可以帮助优化设备维修计划，减少停机时间，并提高设备的可用性和效率。
3.维修知识管理：维修人员的知识和经验是宝贵的资产。为了有效地管理和传递这些知识，一些组织采用知识管理系统和培训计划，以确保维修人员具备必要的技能和知识来应对各种设备故障。
4.自动化维修技术的发展：自动化技术如机器人维修、自动故障排除等正在不断发展，以提高维修的效率和精度。这些技术可以实现设备的自动检测、维修和优化，减少人工干预，提高维修过程的可靠性和速度。
现有技术当中，并没有一种技术方案，能够准确预测设备发生的概率，从而派遣维修人员进行检测维修。
发明内容
为解决以上技术问题，本发明提出一种设备故障检测维修实时跟踪展示方法，包括：
获取设备故障历史数据样本和样本数量，其中，所述设备故障历史数据样本包括：设备的温度、设备的振动强度、设备的电流和距离观测时刻的时间；
设置设备故障预测模型，将所述设备故障历史数据样本输入到所述设备故障预测模型中，计算预测的设备发生故障概率，设置真实误差评价函数和预测故障概率与真实故障概率差异函数，迭代所述设备故障预测模型，直到预测的设备发生故障概率与真实的设备发生故障概率的误差小于预设阈值；
获取设备故障实时数据，并输入到所述设备故障预测模型中，并根据预测的设备发生故障概率，对设备故障检测维修进行实时跟踪并且展示。
进一步的，所述设备故障预测模型为：
其中，P为预测的设备发生故障概率，T为设备的温度，V为设备的振动强度，l为设备的电流，t为距离观测时刻的时间，w1为设备的温度权重，w2为设备的振动强度权重，w3为设备的电流权重，w4为时间影响权重，w5为距离观测时刻的时间权重。
进一步的，所述真实误差评价函数为：
其中，N为样本数量，P′为真实的设备发生故障概率，取值为0或100％，λ为正则化参数，α为权重，∈为误差值。
进一步的，所述预测故障概率与真实故障概率差异函数为：
其中，γ为差异值。
进一步的，确定所述正则化参数λ包括：
从一个较小的正则化参数λ的值开始，训练所述设备故障预测模型并记录所述设备故障预测模型的性能；
逐渐增加正则化参数λ的值，重新训练所述设备故障预测模型并记录所述设备故障预测模型性能；
绘制正则化路径曲线，以正则化参数λ的值作为x轴，所述设备故障预测模型性能作为y轴；
选择正则化路径曲线上性能最好的正则化参数λ的值作为最终的正则化参数λ。
本发明还提出一种设备故障检测维修实时跟踪展示系统，包括：
获取数据模块，用于获取设备故障历史数据样本和样本数量，其中，所述设备故障历史数据样本包括：设备的温度、设备的振动强度、设备的电流和距离观测时刻的时间；
设置模型模块，用于设置设备故障预测模型，将所述设备故障历史数据样本输入到所述设备故障预测模型中，计算预测的设备发生故障概率，设置真实误差评价函数和预测故障概率与真实故障概率差异函数，迭代所述设备故障预测模型，直到预测的设备发生故障概率与真实的设备发生故障概率的误差小于预设阈值；
跟踪展示模块，用于获取设备故障实时数据，并输入到所述设备故障预测模型中，并根据预测的设备发生故障概率，对设备故障检测维修进行实时跟踪并且展示。
进一步的，所述设备故障预测模型为：
其中，P为预测的设备发生故障概率，T为设备的温度，V为设备的振动强度，l为设备的电流，t为距离观测时刻的时间，w1为设备的温度权重，w2为设备的振动强度权重，w3为设备的电流权重，w4为时间影响权重，w5为距离观测时刻的时间权重。
进一步的，所述真实误差评价函数为：
其中，N为样本数量，P′为真实的设备发生故障概率，取值为0或100％，λ为正则化参数，α为权重，E为误差值。
进一步的，所述预测故障概率与真实故障概率差异函数为：
其中，γ为差异值。
进一步的，确定所述正则化参数λ包括：
从一个较小的正则化参数λ的值开始，训练所述设备故障预测模型并记录所述设备故障预测模型的性能；
逐渐增加正则化参数λ的值，重新训练所述设备故障预测模型并记录所述设备故障预测模型性能；
绘制正则化路径曲线，以正则化参数λ的值作为x轴，所述设备故障预测模型性能作为y轴；
选择正则化路径曲线上性能最好的正则化参数λ的值作为最终的正则化参数λ。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
本发明通过获取设备故障历史数据样本和样本数量，其中，所述设备故障历史数据样本包括：设备的温度、设备的振动强度、设备的电流和距离观测时刻的时间；设置设备故障预测模型，将所述设备故障历史数据样本输入到所述设备故障预测模型中，计算预测的设备发生故障概率，设置真实误差评价函数和预测故障概率与真实故障概率差异函数，迭代所述设备故障预测模型，直到预测的设备发生故障概率与真实的设备发生故障概率的误差小于预设阈值；获取设备故障实时数据，并输入到所述设备故障预测模型中，并根据预测的设备发生故障概率，对设备故障检测维修进行实时跟踪并且展示。本发明通过以上技术方案，能够准确预测设备故障，从而派遣维修人员进行检测维修，并且实时监测展示。
附图说明
图1是本发明实施例1的方法的流程图；
图2是本发明实施例2的系统的结构图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
本发明提供的方法可以在如下的终端环境中实施，所述终端可以包括一个或多个如下部件：处理器、存储介质和显示屏。其中，存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现下述实施例所述的方法。
处理器可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个终端内的各个部分，通过运行或执行存储在存储介质内的指令、程序、代码集或指令集，以及调用存储在存储介质内的数据，执行终端的各种功能和处理数据。
存储介质可以包括随机存储介质(Random Access Memory，RAM)，也可以包括只读存储介质(Read-Only Memory，ROM)。存储介质可用于存储指令、程序、代码、代码集或指令。
显示屏用于显示各个应用程序的用户界面。
本发明公式中所有下角标只为了区分个参数，并没有实际含义。
除此之外，本领域技术人员可以理解，上述终端的结构并不构成对终端的限定，终端可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。比如，终端中还包括射频电路、输入单元、传感器、音频电路、电源等部件，在此不再赘述。
实施例1
如图1所示，本发明实施例提供一种设备故障检测维修实时跟踪展示方法，包括：
步骤101，获取设备故障历史数据样本和样本数量，其中，所述设备故障历史数据样本包括：设备的温度、设备的振动强度、设备的电流和距离观测时刻的时间；
步骤102，设置设备故障预测模型，将所述设备故障历史数据样本输入到所述设备故障预测模型中，计算预测的设备发生故障概率，设置真实误差评价函数和预测故障概率与真实故障概率差异函数，迭代所述设备故障预测模型，直到预测的设备发生故障概率与真实的设备发生故障概率的误差小于预设阈值；
具体的，所述设备故障预测模型为：
其中，P为预测的设备发生故障概率，T为设备的温度，V为设备的振动强度，l为设备的电流，t为距离观测时刻的时间，w1为设备的温度权重，w2为设备的振动强度权重，w3为设备的电流权重，w4为时间影响权重，w5为距离观测时刻的时间权重。
具体的，所述真实误差评价函数为：
其中，N为样本数量，P′为真实的设备发生故障概率，取值为0或100％，λ为正则化参数，α为权重，∈为误差值。
具体的，所述预测故障概率与真实故障概率差异函数为：
其中，γ为差异值。
具体的，确定所述正则化参数λ包括：
从一个较小的正则化参数λ的值开始，训练所述设备故障预测模型并记录所述设备故障预测模型的性能；
逐渐增加正则化参数λ的值，重新训练所述设备故障预测模型并记录所述设备故障预测模型性能；
绘制正则化路径曲线，以正则化参数λ的值作为x轴，所述设备故障预测模型性能作为y轴；
选择正则化路径曲线上性能最好的正则化参数λ的值作为最终的正则化参数λ。
步骤103，获取设备故障实时数据，并输入到所述设备故障预测模型中，并根据预测的设备发生故障概率，对设备故障检测维修进行实时跟踪并且展示。
实施例2
如图2所示，本发明实施例还提供一种设备故障检测维修实时跟踪展示方法，包括：
获取数据模块，用于获取设备故障历史数据样本和样本数量，其中，所述设备故障历史数据样本包括：设备的温度、设备的振动强度、设备的电流和距离观测时刻的时间；
设置模型模块，用于设置设备故障预测模型，将所述设备故障历史数据样本输入到所述设备故障预测模型中，计算预测的设备发生故障概率，设置真实误差评价函数和预测故障概率与真实故障概率差异函数，迭代所述设备故障预测模型，直到预测的设备发生故障概率与真实的设备发生故障概率的误差小于预设阈值；
具体的，所述设备故障预测模型为：
其中，P为预测的设备发生故障概率，T为设备的温度，V为设备的振动强度，l为设备的电流，t为距离观测时刻的时间，w1为设备的温度权重，w2为设备的振动强度权重，w3为设备的电流权重，w4为时间影响权重，ws为距离观测时刻的时间权重。
具体的，所述真实误差评价函数为：
其中，N为样本数量，P′为真实的设备发生故障概率，取值为0或100％，λ为正则化参数，α为权重，E为误差值。
具体的，所述预测故障概率与真实故障概率差异函数为：
其中，γ为差异值。
具体的，确定所述正则化参数λ包括：
从一个较小的正则化参数λ的值开始，训练所述设备故障预测模型并记录所述设备故障预测模型的性能；
逐渐增加正则化参数λ的值，重新训练所述设备故障预测模型并记录所述设备故障预测模型性能；
绘制正则化路径曲线，以正则化参数λ的值作为x轴，所述设备故障预测模型性能作为y轴；
选择正则化路径曲线上性能最好的正则化参数λ的值作为最终的正则化参数λ。
跟踪展示模块，用于获取设备故障实时数据，并输入到所述设备故障预测模型中，并根据预测的设备发生故障概率，对设备故障检测维修进行实时跟踪并且展示。
实施例3
本发明实施例还提出一种存储介质，存储有多条指令，所述指令用于实现所述的一种设备故障检测维修实时跟踪展示方法。
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：步骤101，获取设备故障历史数据样本和样本数量，其中，所述设备故障历史数据样本包括：设备的温度、设备的振动强度、设备的电流和距离观测时刻的时间；
步骤102，设置设备故障预测模型，将所述设备故障历史数据样本输入到所述设备故障预测模型中，计算预测的设备发生故障概率，设置真实误差评价函数和预测故障概率与真实故障概率差异函数，迭代所述设备故障预测模型，直到预测的设备发生故障概率与真实的设备发生故障概率的误差小于预设阈值；
具体的，所述设备故障预测模型为：
其中，P为预测的设备发生故障概率，T为设备的温度，V为设备的振动强度，l为设备的电流，t为距离观测时刻的时间，w1为设备的温度权重，w2为设备的振动强度权重，w3为设备的电流权重，w4为时间影响权重，w5为距离观测时刻的时间权重。
具体的，所述真实误差评价函数为：
其中，N为样本数量，P′为真实的设备发生故障概率，取值为0或100％，λ为正则化参数，α为权重，∈为误差值。
具体的，所述预测故障概率与真实故障概率差异函数为：
其中，γ为差异值。
具体的，确定所述正则化参数λ包括：
从一个较小的正则化参数λ的值开始，训练所述设备故障预测模型并记录所述设备故障预测模型的性能；
逐渐增加正则化参数λ的值，重新训练所述设备故障预测模型并记录所述设备故障预测模型性能；
绘制正则化路径曲线，以正则化参数λ的值作为x轴，所述设备故障预测模型性能作为y轴；
选择正则化路径曲线上性能最好的正则化参数λ的值作为最终的正则化参数λ。
步骤103，获取设备故障实时数据，并输入到所述设备故障预测模型中，并根据预测的设备发生故障概率，对设备故障检测维修进行实时跟踪并且展示。
实施例4
本发明实施例还提出一种电子设备，包括处理器和与所述处理器连接的存储介质，所述存储介质存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行所述的一种设备故障检测维修实时跟踪展示方法。
具体的，本实施例的电子设备可以是计算机终端，所述计算机终端可以包括：一个或多个处理器、以及存储介质。
其中，存储介质可用于存储软件程序以及模块，如本发明实施例中的一种设备故障检测维修实时跟踪展示方法，对应的程序指令/模块，处理器通过运行存储在存储介质内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的一种设备故障检测维修实时跟踪展示方法。存储介质可包括高速随机存储介质，还可以包括非易失性存储介质，如一个或者多个磁性存储系统、闪存、或者其他非易失性固态存储介质。在一些实例中，存储介质可进一步包括相对于处理器远程设置的存储介质，这些远程存储介质可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输系统调用存储介质存储的信息及应用程序，以执行下述步骤：步骤101，获取设备故障历史数据样本和样本数量，其中，所述设备故障历史数据样本包括：设备的温度、设备的振动强度、设备的电流和距离观测时刻的时间；
步骤102，设置设备故障预测模型，将所述设备故障历史数据样本输入到所述设备故障预测模型中，计算预测的设备发生故障概率，设置真实误差评价函数和预测故障概率与真实故障概率差异函数，迭代所述设备故障预测模型，直到预测的设备发生故障概率与真实的设备发生故障概率的误差小于预设阈值；
具体的，所述设备故障预测模型为：
其中，P为预测的设备发生故障概率，T为设备的温度，V为设备的振动强度，l为设备的电流，t为距离观测时刻的时间，w1为设备的温度权重，w2为设备的振动强度权重，w3为设备的电流权重，w4为时间影响权重，w5为距离观测时刻的时间权重。
具体的，所述真实误差评价函数为：
其中，N为样本数量，P′为真实的设备发生故障概率，取值为0或100％，λ为正则化参数，α为权重，∈为误差值。
具体的，所述预测故障概率与真实故障概率差异函数为：
其中，γ为差异值。
具体的，确定所述正则化参数λ包括：
从一个较小的正则化参数λ的值开始，训练所述设备故障预测模型并记录所述设备故障预测模型的性能；
逐渐增加正则化参数λ的值，重新训练所述设备故障预测模型并记录所述设备故障预测模型性能；
绘制正则化路径曲线，以正则化参数λ的值作为x轴，所述设备故障预测模型性能作为y轴；
选择正则化路径曲线上性能最好的正则化参数λ的值作为最终的正则化参数λ。
步骤103，获取设备故障实时数据，并输入到所述设备故障预测模型中，并根据预测的设备发生故障概率，对设备故障检测维修进行实时跟踪并且展示。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中，应所述理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的系统实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者所述技术方案的全部或部分可以以软件产品的形式体现出来，所述计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储介质(ROM，Read-Only Memory)、随机存取存储介质(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种设备故障检测维修实时跟踪展示方法，其特征在于，包括：
获取设备故障历史数据样本和样本数量，其中，所述设备故障历史数据样本包括：设备的温度、设备的振动强度、设备的电流和距离观测时刻的时间；
设置设备故障预测模型，将所述设备故障历史数据样本输入到所述设备故障预测模型中，计算预测的设备发生故障概率，设置真实误差评价函数和预测故障概率与真实故障概率差异函数，迭代所述设备故障预测模型，直到预测的设备发生故障概率与真实的设备发生故障概率的误差小于预设阈值；
获取设备故障实时数据，并输入到所述设备故障预测模型中，并根据预测的设备发生故障概率，对设备故障检测维修进行实时跟踪并且展示。
2.如权利要求1所述的一种设备故障检测维修实时跟踪展示方法，其特征在于，所述设备故障预测模型为：
其中，P为预测的设备发生故障概率，T为设备的温度，V为设备的振动强度，l为设备的电流，t为距离观测时刻的时间，w1为设备的温度权重，w2为设备的振动强度权重，w3为设备的电流权重，w4为时间影响权重，w5为距离观测时刻的时间权重。
3.如权利要求2所述的一种设备故障检测维修实时跟踪展示方法，其特征在于，所述真实误差评价函数为：
其中，N为样本数量，P′为真实的设备发生故障概率，取值为0或100％，λ为正则化参数，α为权重，∈为误差值。
4.如权利要求3所述的一种设备故障检测维修实时跟踪展示方法，其特征在于，所述预测故障概率与真实故障概率差异函数为：
其中，γ为差异值。
5.如权利要求4所述的一种设备故障检测维修实时跟踪展示方法，其特征在于，确定所述正则化参数λ包括：
从一个较小的正则化参数λ的值开始，训练所述设备故障预测模型并记录所述设备故障预测模型的性能；
逐渐增加正则化参数λ的值，重新训练所述设备故障预测模型并记录所述设备故障预测模型性能；
绘制正则化路径曲线，以正则化参数λ的值作为x轴，所述设备故障预测模型性能作为y轴；
选择正则化路径曲线上性能最好的正则化参数λ的值作为最终的正则化参数λ。
6.一种设备故障检测维修实时跟踪展示系统，其特征在于，包括：
获取数据模块，用于获取设备故障历史数据样本和样本数量，其中，所述设备故障历史数据样本包括：设备的温度、设备的振动强度、设备的电流和距离观测时刻的时间；
设置模型模块，用于设置设备故障预测模型，将所述设备故障历史数据样本输入到所述设备故障预测模型中，计算预测的设备发生故障概率，设置真实误差评价函数和预测故障概率与真实故障概率差异函数，迭代所述设备故障预测模型，直到预测的设备发生故障概率与真实的设备发生故障概率的误差小于预设阈值；
跟踪展示模块，用于获取设备故障实时数据，并输入到所述设备故障预测模型中，并根据预测的设备发生故障概率，对设备故障检测维修进行实时跟踪并且展示。
7.如权利要求6所述的一种设备故障检测维修实时跟踪展示系统，其特征在于，所述设备故障预测模型为：
其中，P为预测的设备发生故障概率，T为设备的温度，V为设备的振动强度，l为设备的电流，t为距离观测时刻的时间，w1为设备的温度权重，w2为设备的振动强度权重，w3为设备的电流权重，w4为时间影响权重，w5为距离观测时刻的时间权重。
8.如权利要求7所述的一种设备故障检测维修实时跟踪展示系统，其特征在于，所述真实误差评价函数为：
其中，N为样本数量，P′为真实的设备发生故障概率，取值为0或100％，λ为正则化参数，α为权重，∈为误差值。
9.如权利要求8所述的一种设备故障检测维修实时跟踪展示系统，其特征在于，所述预测故障概率与真实故障概率差异函数为：
其中，γ为差异值。
10.如权利要求9所述的一种设备故障检测维修实时跟踪展示系统，其特征在于，确定所述正则化参数λ包括：
从一个较小的正则化参数λ的值开始，训练所述设备故障预测模型并记录所述设备故障预测模型的性能；
逐渐增加正则化参数λ的值，重新训练所述设备故障预测模型并记录所述设备故障预测模型性能；
绘制正则化路径曲线，以正则化参数λ的值作为x轴，所述设备故障预测模型性能作为y轴；
选择正则化路径曲线上性能最好的正则化参数λ的值作为最终的正则化参数λ。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310803451.8A CN117057772A (zh) | 2023-06-30 | 2023-06-30 | 一种设备故障检测维修实时跟踪展示方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310803451.8A CN117057772A (zh) | 2023-06-30 | 2023-06-30 | 一种设备故障检测维修实时跟踪展示方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117057772A true CN117057772A (zh) | 2023-11-14 |
Family
ID=88659621
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310803451.8A Pending CN117057772A (zh) | 2023-06-30 | 2023-06-30 | 一种设备故障检测维修实时跟踪展示方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117057772A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118153919A (zh) * | 2024-05-10 | 2024-06-07 | 江苏中天互联科技有限公司 | 设备维护排配方法及相关设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114169545A (zh) * | 2021-10-29 | 2022-03-11 | 华东师范大学 | 一种热电厂设备智能故障诊断和运维引导的方法、装置、介质及设备 |
| CN115115113A (zh) * | 2022-06-28 | 2022-09-27 | 山东大学 | 基于图注意力网络关系嵌入的设备故障预测方法及系统 |
| CN115935277A (zh) * | 2022-12-28 | 2023-04-07 | 哈尔滨工程大学 | 基于小样本学习的增压锅炉故障诊断方法及故障诊断模型的训练方法和测试方法 |
| CN116000131A (zh) * | 2022-12-09 | 2023-04-25 | 广东省科学院智能制造研究所 | 一种基于数据驱动的挤压机设备智能运维方法及系统 |
| CN116050665A (zh) * | 2023-03-14 | 2023-05-02 | 淄博热力有限公司 | 供热设备故障预测方法 |
-
2023
- 2023-06-30 CN CN202310803451.8A patent/CN117057772A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114169545A (zh) * | 2021-10-29 | 2022-03-11 | 华东师范大学 | 一种热电厂设备智能故障诊断和运维引导的方法、装置、介质及设备 |
| CN115115113A (zh) * | 2022-06-28 | 2022-09-27 | 山东大学 | 基于图注意力网络关系嵌入的设备故障预测方法及系统 |
| CN116000131A (zh) * | 2022-12-09 | 2023-04-25 | 广东省科学院智能制造研究所 | 一种基于数据驱动的挤压机设备智能运维方法及系统 |
| CN115935277A (zh) * | 2022-12-28 | 2023-04-07 | 哈尔滨工程大学 | 基于小样本学习的增压锅炉故障诊断方法及故障诊断模型的训练方法和测试方法 |
| CN116050665A (zh) * | 2023-03-14 | 2023-05-02 | 淄博热力有限公司 | 供热设备故障预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 塞巴斯蒂安·拉施卡 等: "智能科学与技术丛书 Python机器学习 原书第3版", 30 June 2021, 机械工业出版社, pages: 126 - 127 * |
| 彭偲: "中小型石化转动设备故障预警方法研究与软件开发", 《中国优秀硕士论文全文数据库 工程科技I辑》, 15 June 2021 (2021-06-15), pages 016 - 118 * |
| 董洪义: "深度学习之PyTorch物体检测实战", 31 January 2020, 机械工业出版社, pages: 227 - 146 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118153919A (zh) * | 2024-05-10 | 2024-06-07 | 江苏中天互联科技有限公司 | 设备维护排配方法及相关设备 |
| CN118153919B (zh) * | 2024-05-10 | 2024-08-13 | 江苏中天互联科技有限公司 | 设备维护排配方法及相关设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112149329B (zh) | 核电厂关键设备的状态预演方法、系统、设备及存储介质 | |
| CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
| US11500370B2 (en) | System for predictive maintenance using generative adversarial networks for failure prediction | |
| CN114881129A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
| CN117057772A (zh) | 一种设备故障检测维修实时跟踪展示方法及系统 | |
| CN113541985A (zh) | 物联网故障诊断方法、模型的训练方法及相关装置 | |
| CN105681088B (zh) | 一种面向物联网的可靠性和性能综合评估方法 | |
| CN116226676B (zh) | 适用于极端环境的机床故障预测模型生成方法及相关设备 | |
| CN117294617A (zh) | 通信网络异常检测方法及装置 | |
| CN116975081A (zh) | 一种日志诊断集更新方法、装置、设备及存储介质 | |
| CN116755974A (zh) | 云计算平台运维方法、装置、电子设备及存储介质 | |
| CN113052509B (zh) | 模型评估方法、模型评估装置、电子设备和存储介质 | |
| CN113918430A (zh) | 服务器硬件运行状态确定方法、相关装置及程序产品 | |
| CN117057773B (zh) | 一种设备维修策略的推荐方法及系统 | |
| CN117057527B (zh) | 一种汽车制造设备工业物联网智慧运维方法及系统 | |
| CN111524053B (zh) | 空气质量预报系统的信息采集方法、装置、设备及介质 | |
| CN118333529B (zh) | 库存预警方法、装置、电子设备及存储介质 | |
| CN117596160B (zh) | 一种用于制造行业数据链路融通的方法和系统 | |
| CN116976849A (zh) | 一种基于大数据的船舶作业设备的故障预测方法及系统 | |
| CN117870755A (zh) | 一种升船机电子巡检感知方法及系统 | |
| CN118861827A (zh) | 一种3d打印机故障诊断方法、装置、设备及介质 | |
| CN118035666A (zh) | 一种电子巡检数据在线与离线融合传输方法及系统 | |
| CN117763091A (zh) | 一种基于权重修正的设备故障检测方法及相关组件 | |
| CN118564416A (zh) | 基于数据挖掘的风机轴承故障预测方法、系统及存储介质 | |
| CN115408179A (zh) | 系统健康状况评价方法、装置、设备及存储介质 |
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 |