CN117077040B - 基于机器学习的大型复杂装备故障诊断与预测系统 - Google Patents
基于机器学习的大型复杂装备故障诊断与预测系统 Download PDFInfo
- Publication number
- CN117077040B CN117077040B CN202311129170.5A CN202311129170A CN117077040B CN 117077040 B CN117077040 B CN 117077040B CN 202311129170 A CN202311129170 A CN 202311129170A CN 117077040 B CN117077040 B CN 117077040B
- Authority
- CN
- China
- Prior art keywords
- fault
- complex equipment
- information
- data
- large complex
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 72
- 238000010801 machine learning Methods 0.000 title claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 84
- 230000000737 periodic effect Effects 0.000 claims abstract description 20
- 238000011161 development Methods 0.000 claims abstract description 12
- 230000003068 static effect Effects 0.000 claims description 28
- 238000013507 mapping Methods 0.000 claims description 26
- 238000010223 real-time analysis Methods 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 13
- 230000003993 interaction Effects 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 7
- 238000012790 confirmation Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 10
- 230000018109 developmental process Effects 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了基于机器学习的大型复杂装备故障诊断与预测系统包括:数据采集模块,用于在预设时间周期内采集大型复杂装备的周期数据,故障分析模块,用于调取与相匹配的工作分析模型,将所述周期数据输入到分析模型中进行故障分析,得到分析结果,故障诊断模块,用于根据分析结果判断大型复杂装备是否发生故障,并在大型复杂装备发生故障时确定大型复杂装备的故障类型,传输到指定终端进行显示,故障预测模块,用于当大型复杂装备未发生故障时,解析周期数据预测所述大型复杂装备的故障发展趋势建立故障预测信息,将故障预测信息传输到指定终端进行显示,将大型复杂装备的实际数据完善传统模型的诊断弊端,从而可以随时进行故障诊断和预测工作。
Description
技术领域
本发明涉及装备故障诊断与预测技术领域,特别涉及基于机器学习的大型复杂装备故障诊断与预测系统。
背景技术
大型复杂装备并不一定是全智能化设备,从设计之初并没有为装备运行设置足够的传感器,如大型船舶中的大部分机电设备。工程师往往无法从这类设备中采集到足够多的运行监测数据,包括故障状态下的运行监测数据。因此,此类大型复杂装备的故障数据大部分由人工记录和处理,形成基于运维专家的经验性积累。这类小样本非标准化数据很难使用一般故障诊断模型来分析建模。在这种前提下为这类大型复杂装备现场运维人员提供一套交互式的智能故障诊断和预测辅助系统是一个比较有挑战的目标。
因此,本发明提供了基于机器学习的大型复杂装备故障诊断与预测系统。
发明内容
本发明基于机器学习的大型复杂装备故障诊断与预测系统,通过分析大型复杂装备在不同时间段内产生的周期数据结合模型手段来对大型复杂装备进行故障诊断和预测,可以将大型复杂装备的实际数据完善传统模型的诊断弊端,从而可以随时进行故障诊断和预测工作。
本发明提供了基于机器学习的大型复杂装备故障诊断与预测系统,包括:
数据采集模块,用于在预设时间周期内采集大型复杂装备的周期数据;
故障分析模块,用于调取与所述大型复杂装备工作状态相匹配的工作分析模型,将所述周期数据输入到所述分析模型中进行故障分析,得到分析结果;
故障诊断模块,用于根据所述分析结果判断所述大型复杂装备是否发生故障,并在所述大型复杂装备发生故障时确定所述大型复杂装备的故障类型,传输到指定终端进行显示;
故障预测模块,用于当所述大型复杂装备未发生故障时,解析所述周期数据预测所述大型复杂装备的故障发展趋势建立故障预测信息,将所述故障预测信息传输到指定终端进行显示。
在一种可实施的方式中,
还包括:
指定终端,用于显示所述大型复杂装备的故障类型,以及显示所述故障预测信息。
在一种可实施的方式中,
所述数据采集模块,包括:
数据采集单元,用于采集所述大型复杂装备的实时数据,在所述实时数据中截取每一预设时间周期对应的第一实时数据;
数据处理单元,用于分别将每一条所述第一实时数据划分为若干个元数据,分别获取每一元数据对应的数据生成时刻,将同一第一实时数据包含的所有元数据的数据生成时刻进行统计,建立时间序列;
数据分析单元,用于分别获取每一时间序列对应的序列特征,分别将每一序列特征与预设样本特征进行对比,将与所述预设样本特征不一致的序列特征记作异常序列特征,获取所述异常序列特征对应的第一实时数据记作第二实时数据,根据所述异常序列特征与所述预设样本特征之间的特征差,确定对应第二实时数据的数据丢失量;
数据修正单元,用于获取所述大型复杂装备在每一预设时间周期内对应的工作状态,根据所述工作状态匹配对应的样本数据,利用所述样本数据修正对应的第二实时数据,记录每一条第二实时数据对应的数据修正量,当所述第二实时数据对应的数据修正量与数据修正量一致后,得到每一预设时间周期对应的周期数据。
在一种可实施的方式中,
所述故障分析模块,包括:
预准备单元,用于所述大型复杂装备在每一预设时间周期内对应的工作状态,调取与所述工作状态相匹配的工作分析模型;
第一分析单元,用于将所述周期数据输入到所述工作分析模型中,利用所述周期数据对所述工作分析模型的模型结构进行修正,建立实时分析模型,将所述实时分析模型划分为若干个模型区域,分别获取每一模型区域对应的静态模型特征;
第二分析单元,用于运行并监测所述实时分析模型,得到所述实时分析模型在运行过程中产生的监测数据,获取所述大型复杂装备在所述工作状态下的标准数据,得到所述监测数据与所述标准数据之间的若干个数据差,根据所述数据差建立对应的动态模型特征;
第三分析单元,用于对所述静态模型特征进行第一特征融合,得到所述大型复杂装备的静态故障特征,对所述动态模型特征进行第二特征融合,得到所述大型复杂装备的动态故障特征,根据所述静态故障特征和所述动态故障特征建立分析结果,并将所述分析结果传输到所述故障诊断模块。
在一种可实施的方式中,
所述故障诊断模块,包括:
故障匹配单元,用于根据所述分析结果得到所述大型复杂装备的静态故障特征和动态故障特征,在预设故障库中查找所述静态故障特征对应的若干种第一样本故障,和所述动态故障特征对应的若干种第二样本故障;
故障分析单元,用于分别获取所述大型复杂装备在每一种第一样本故障下对应的第一故障表现,建立每一种第一样本故障对应的第一故障表现信息,以及分别获取所述大型复杂装备在每一种第二样本故障下对应的第二故障表现,建立每一种第二样本故障对应的第二故障表现信息;
故障整理单元,用于以预设坐标系的第一坐标轴的映射方向分别将每一第一故障表现信息映射映射到所述预设坐标系中,得到每一种第一样本故障对应的若干个第一映射点,以预设坐标系的第二坐标轴为映射方向分别将每一第二故障表示信息映射到所述预设坐标系中,得到每一种第二样本故障对应的若干个第二映射点,获取所述预设坐标系中的重合映射点;
故障确定单元,用于分别获取每一所述重合映射点对应的重合故障表现,以及每一所述重合故障表现对应的故障特征,在预设知识库中查找每一故障特征建立所述大型复杂装备的故障类型,并将所述故障类型传输到指定终端进行显示。
在一种可实施的方式中,
所述故障预测模块,包括:
信息解析单元,用于当所述大型复杂装备未发生故障时,解析所述分析周期得到所述大型复杂装备子在不同预设时间周期内的工作信息;
信息处理单元,用于分别将每一所述工作信息划分为若干个子信息,根据每一子信息对应的预设预设时间周期,分别为每一子信息建立时间标签;
信息统计单元,用于分别获取每一子信息对应的信息来源,将信息来源一致的子信息记作同类子信息,根据时间标签由远及近的顺序对所述同类子信息进行排序,得到每一信息来源对应的子信息折线图;
故障预测单元,用于每一根据所述子信息折线图中不同子信息折线的斜率确定每一信息来源的故障发展趋势,统计所有信息来源的故障发展趋势,建立故障预测信息,将所述故障预测信息传输到所述指定终端进行显示。
在一种可实施的方式中,
所述故障确定单元,还用于当所述第一样本故障和第二样本故障的数量均为1时,根据所述第一样本故障和第二样本故障建立所述大型复杂装备的故障类型,并将所述故障类型传输到所述指定终端进行显示。
在一种可实施的方式中,
还包括:
故障更新模块,用于获取所述大型复杂装备的故障类型,以及对应的故障特征,建立故障信息,根据所述故障信息更新所述预设故障库。
在一种可实施的方式中,
还包括:
语音交互模块,用于当所述故障诊断模块无法确定所述大型复杂装备的故障类型时,采集现场人员发出的语音信息,结合所述分析结果建立现场信息,将所述现场信息传输到远程互动模块等待远程人员的反馈信息。
在一种可实施的方式中,
远程互动模块,用于:
获取远程人员发出的故障确认信息,根据所述故障确认信息确定所述大型复杂装备的故障类型,将所述故障类型传输到所述指定终端进行显示。
本发明可以实现的有益效果为:为了对大型复杂装备进行故障诊断和预测,先采集大型复杂装备在不同预设时间周期内产生的周期数据,然后调取与大型复杂装备工作状态相匹配的工作分析模型,将周期数据输入到故障分析模型中进行故障分析,进而根据分析结果来判断大型复杂装备是否发生故障,并在大型复杂装备发生故障时及时确定其故障类型,如果大型复杂装备没有发生故障,那么通过周期数据来预测大型复杂装备在发生不同故障的预测信息,这样一来不仅可以实时对大型复杂设备进行故障诊断,还可以通过大型复杂装备所产生的周期数据对其进行故障预测,且在故障诊断过程中使用了传统模型,利用了传统模型进行故障诊断,在诊断时利用周期数据对模型进行调整,从而提高了传统模型的实用性,实现了故障诊断与预测工作。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
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为本发明实施例中基于机器学习的大型复杂装备故障诊断与预测系统的组成示意图;
图2为本发明实施例中基于机器学习的大型复杂装备故障诊断与预测系统的数据采集模块组成示意图;
图3为本发明实施例中基于机器学习的大型复杂装备故障诊断与预测系统的故障诊断模块组成示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1
本实施例提供了基于机器学习的大型复杂装备故障诊断与预测系统,如图1所示,包括:
数据采集模块,用于在预设时间周期内采集大型复杂装备的周期数据;
故障分析模块,用于调取与所述大型复杂装备工作状态相匹配的工作分析模型,将所述周期数据输入到所述分析模型中进行故障分析,得到分析结果;
故障诊断模块,用于根据所述分析结果判断所述大型复杂装备是否发生故障,并在所述大型复杂装备发生故障时确定所述大型复杂装备的故障类型,传输到指定终端进行显示;
故障预测模块,用于当所述大型复杂装备未发生故障时,解析所述周期数据预测所述大型复杂装备的故障发展趋势建立故障预测信息,将所述故障预测信息传输到指定终端进行显示。
该实例中,预设时间周期可以为2小时,工程师或其他管理人员可以根据实际需要对预设时间周期进行调整;
该实例中,工作状态包括:工作中、待机中、冷却中以及未通电;
该实例中,工作分析模型与工作状态一一对应,每一种工作状态对应一个工作分析模型;
该实例中,分析结果中包含了大型复杂装备在所发生的所有故障;
该实例中,故障发展趋势表示大型复杂装备发生每一种故障的趋势;
该实例中,故障预测信息表示大型复杂装备在当前工作状态下发生不同故障的时间。上述技术方案的工作原理以及有益效果:为了对大型复杂装备进行故障诊断和预测,先采集大型复杂装备在不同预设时间周期内产生的周期数据,然后调取与大型复杂装备工作状态相匹配的工作分析模型,将周期数据输入到故障分析模型中进行故障分析,进而根据分析结果来判断大型复杂装备是否发生故障,并在大型复杂装备发生故障时及时确定其故障类型,如果大型复杂装备没有发生故障,那么通过周期数据来预测大型复杂装备在发生不同故障的预测信息,这样一来不仅可以实时对大型复杂设备进行故障诊断,还可以通过大型复杂装备所产生的周期数据对其进行故障预测,且在故障诊断过程中使用了传统模型,利用了传统模型进行故障诊断,在诊断时利用周期数据对模型进行调整,从而提高了传统模型的实用性,实现了故障诊断与预测工作。
实施例2
在实施例1的基础上,所述一种基于机器学习的大型复杂装备故障诊断与预测系统,还包括:
指定终端,用于显示所述大型复杂装备的故障类型,以及显示所述故障预测信息。
该实例中,指定终端可以为设置在现场的显示屏,或通过网络技术设置在远程的显示屏。
上述技术方案的工作原理以及有益效果:通过设置指定终端可以方便工程师或其他工作人员查看大型复杂设备的信息。
实施例3
在实施例1基础上,所述一种基于机器学习的大型复杂装备故障诊断与预测系统,如图2所示,所述数据采集模块,包括:
数据采集单元,用于采集所述大型复杂装备的实时数据,在所述实时数据中截取每一预设时间周期对应的第一实时数据;
数据处理单元,用于分别将每一条所述第一实时数据划分为若干个元数据,分别获取每一元数据对应的数据生成时刻,将同一第一实时数据包含的所有元数据的数据生成时刻进行统计,建立时间序列;
数据分析单元,用于分别获取每一时间序列对应的序列特征,分别将每一序列特征与预设样本特征进行对比,将与所述预设样本特征不一致的序列特征记作异常序列特征,获取所述异常序列特征对应的第一实时数据记作第二实时数据,根据所述异常序列特征与所述预设样本特征之间的特征差,确定对应第二实时数据的数据丢失量;
数据修正单元,用于获取所述大型复杂装备在每一预设时间周期内对应的工作状态,根据所述工作状态匹配对应的样本数据,利用所述样本数据修正对应的第二实时数据,记录每一条第二实时数据对应的数据修正量,当所述第二实时数据对应的数据修正量与数据修正量一致后,得到每一预设时间周期对应的周期数据。
该实例中,实时数据表示大型复杂装备所产生的数据;
该实例中,第一实时数据表示从实时数据中截取的,起始时间与预设时间周期一致的实时数据;
该实例中,元数据是第一实时数据的一部分,且不同元数据的数据长度是一致的;
该实例中,一个元数据对应一个数据生成时刻;
该实例中,时间序列表示将同一第一实时数据中所有元数据的生成时刻进行排序所得到的序列;
该实例中,预设样本特征表示时间连续不断的特征;
该实例中,异常序列特征表示出现了时间断裂的时间序列。
上述技术方案的工作原理以及有益效果:为了采集周期数据,首先采集大型复杂装备的实时数据,然后在实时数据上截取对应时间周期内的第一实时数据,然后对第一实时数据进行数据修正,从而得到了完整的周期数据,这样一来可以避免丢失的数据影响后续的故障诊断以及预测工作。
实施例4
在实施例1的基础上,所述一种基于机器学习的大型复杂装备故障诊断与预测系统,所述故障分析模块,包括:
预准备单元,用于所述大型复杂装备在每一预设时间周期内对应的工作状态,调取与所述工作状态相匹配的工作分析模型;
第一分析单元,用于将所述周期数据输入到所述工作分析模型中,利用所述周期数据对所述工作分析模型的模型结构进行修正,建立实时分析模型,将所述实时分析模型划分为若干个模型区域,分别获取每一模型区域对应的静态模型特征;
第二分析单元,用于运行并监测所述实时分析模型,得到所述实时分析模型在运行过程中产生的监测数据,获取所述大型复杂装备在所述工作状态下的标准数据,得到所述监测数据与所述标准数据之间的若干个数据差,根据所述数据差建立对应的动态模型特征;
第三分析单元,用于对所述静态模型特征进行第一特征融合,得到所述大型复杂装备的静态故障特征,对所述动态模型特征进行第二特征融合,得到所述大型复杂装备的动态故障特征,根据所述静态故障特征和所述动态故障特征建立分析结果,并将所述分析结果传输到所述故障诊断模块。
该实例中,模型结构表示工作分析模型的组成;
该实例中,对模型结构进行修正的目的是:使工作分析模型的结构与大型复杂装备的结构一致;
该实例中,静态模型特征表示大型复杂装备的外表特征;
该实例中,标准数据表示大型复杂装备在没有发生故障的情况下,且处于所述工作状态下时所产生的数据;
该实例中,第一特征融合表示将所有的静态模型特征进行统计的过程;
该实例中,第二特征融合表示将所有的动态模型特征进行相互适应训练的过程;
该实例中,静态故障特征表示实时分析模型的外表故障特征;
该实例中,动态故障特征表示实时分析模型的在工作时的故障特征。
上述技术方案的工作原理以及有益效果:为了对大型复杂装备进行故障诊断,先根据大型复杂装备的工作状态调取工作分析模型,将周期数据输入到工作分析模型中进行结构调整建立了实时分析模型,然后将实时分析模型划分为若干个模型区域,进而得到每一个模型区域的静态模型特征,然后运行实时分析模型,根据实时分析模型产生的监测数据来确定实时分析模型的动态模型特征,然后将静态模型特征和动态模型特征分别进行特征融合,从而建立了分析结果,最后将分析结果传输到故障诊断模块等待下一步的诊断。
实施例5
在实施例1的基础上,所述一种基于机器学习的大型复杂装备故障诊断与预测系统,如图3所示,所述故障诊断模块,包括:
故障匹配单元,用于根据所述分析结果得到所述大型复杂装备的静态故障特征和动态故障特征,在预设故障库中查找所述静态故障特征对应的若干种第一样本故障,和所述动态故障特征对应的若干种第二样本故障;
故障分析单元,用于分别获取所述大型复杂装备在每一种第一样本故障下对应的第一故障表现,建立每一种第一样本故障对应的第一故障表现信息,以及分别获取所述大型复杂装备在每一种第二样本故障下对应的第二故障表现,建立每一种第二样本故障对应的第二故障表现信息;
故障整理单元,用于以预设坐标系的第一坐标轴的映射方向分别将每一第一故障表现信息映射映射到所述预设坐标系中,得到每一种第一样本故障对应的若干个第一映射点,以预设坐标系的第二坐标轴为映射方向分别将每一第二故障表示信息映射到所述预设坐标系中,得到每一种第二样本故障对应的若干个第二映射点,获取所述预设坐标系中的重合映射点;
故障确定单元,用于分别获取每一所述重合映射点对应的重合故障表现,以及每一所述重合故障表现对应的故障特征,在预设知识库中查找每一故障特征建立所述大型复杂装备的故障类型,并将所述故障类型传输到指定终端进行显示。
该实例中,预设故障库表示存储了大型复杂设备已经出现的故障的数据库;
该实例中,第一样本故障表示当大型复杂装置呈现静态故障特征时可能出现的故障;
该实例中,第二样本故障表示当大型复杂装置呈现动态故障特征时可能出现的故障;
该实例中,第一故障表现表示每一个第一样本故障的表现;
该实例中,第二故障表示表示每一个第二样本故障的表现;
该实例中,预设坐标系为二维坐标系;
该实例中,第一坐标轴为X轴,第二坐标轴为Y轴;
该实例中,第一映射点表示将第一故障表现信息进行映射到预设坐标系中所呈现的点;
该实例中,第二映射点表示将第二故障表现信息进行映射到预设坐标系中所呈现的点;
该实例中,预设知识库表示与公用网络所连接,实时更新关于大型复杂设备知识的知识数据库;
该实例中,预设知识库的构成包括:
[1]装备来源:具体某型号大型复杂装备的原理说明、操作手册等技术资料;
[2]所有技术做文本提取,并做文本切分,如通过标点符号进行切分;
[3]构建本地知识库的索引;
[4]提供基于索引的搜素能力,输出搜索结果;
该实例中,故障特征表示大型复杂装置在当前故障下所呈现的特征。
上述技术方案的工作原理以及有益效果:为了进行故障诊断,保证故障诊断的有效性,在进行故障诊断时先根据分析结果确定大型复杂装备的静态故障特征和动态故障特征,从而在预设故障库中查找这两个特征,查询得知大型复杂设备可能出现的多个第一样本故障和多个第二样本故障,然后分析不同样本故障对应的故障表现信息,为了直观的分析大型复杂装备的故障,将两组不同的故障表现信息投影到同一直角坐标系中,从而根据不同预设点的重合情况来确定大型复杂装备的故障特征,进而在预设知识库中进行查找,从而确定了大型复杂装备的故障类型,通过这样的方式可以在故障不明确的情况下进行网络鉴定,避免不断提高故障诊断的有效性。
实施例6
在实施例1的基础上,所述一种基于机器学习的大型复杂装备故障诊断与预测系统,所述故障预测模块,包括:
信息解析单元,用于当所述大型复杂装备未发生故障时,解析所述分析周期得到所述大型复杂装备子在不同预设时间周期内的工作信息;
信息处理单元,用于分别将每一所述工作信息划分为若干个子信息,根据每一子信息对应的预设预设时间周期,分别为每一子信息建立时间标签;
信息统计单元,用于分别获取每一子信息对应的信息来源,将信息来源一致的子信息记作同类子信息,根据时间标签由远及近的顺序对所述同类子信息进行排序,得到每一信息来源对应的子信息折线图;
故障预测单元,用于每一根据所述子信息折线图中不同子信息折线的斜率确定每一信息来源的故障发展趋势,统计所有信息来源的故障发展趋势,建立故障预测信息,将所述故障预测信息传输到所述指定终端进行显示。
上述技术方案的工作原理以及有益效果:为了保护大型复杂装备,在日常的使用中根据大型复杂装备在不同预设时间段内的工作信息来确定不同装备不同区域的工作情况,通过分析不同区域的子信息所组成的子信息折线图的斜率来确定每一信息来源的故障发展趋势,从而建立故障预测信息,方便工程师或其他管理人员随时了解大型复杂装备的工作情况。
实施例7
在实施例5的基础上,所述一种基于机器学习的大型复杂装备故障诊断与预测系统:
所述故障确定单元,还用于当所述第一样本故障和第二样本故障的数量均为1时,根据所述第一样本故障和第二样本故障建立所述大型复杂装备的故障类型,并将所述故障类型传输到所述指定终端进行显示。
上述技术方案的工作原理以及有益效果:当大型复杂装备的故障明确时,根据所匹配的第一样本故障和第二样本故障快速确定大型复杂装备的故障类型,提高了确定故障类型的效率。
实施例8
在实施例5的基础上,所述一种基于机器学习的大型复杂装备故障诊断与预测系统,还包括:
故障更新模块,用于获取所述大型复杂装备的故障类型,以及对应的故障特征,建立故障信息,根据所述故障信息更新所述预设故障库。
上述技术方案的工作原理以及有益效果:为了进一步提高预设故障库的覆盖广度,根据大型复杂装备的故障类型和故障特征来建立故障信息,从而更新预设故障库。
实施例9
在实施例1的基础上,所述一种基于机器学习的大型复杂装备故障诊断与预测系统,还包括:
语音交互模块,用于当所述故障诊断模块无法确定所述大型复杂装备的故障类型时,采集现场人员发出的语音信息,结合所述分析结果建立现场信息,将所述现场信息传输到远程互动模块等待远程人员的反馈信息。
该实例中,语音交互的过程包括:
[1]现场运维人员将故障现象以语音的方式进行描述,由系统完成语音识别转化成文本;
[2]根据需要对文本进行一定的处理,如文字转化、关键字提取等操作;
[3]成为AI大模型的输入数据;
该实例中,进行语音交互的优点在于:
[1]运维现场人员不需要一次性描述装备的故障现象;
[2]通过和多次对话,逐步将故障现象描述出来,告诉远程互动模块;
[3]通过连续对话,大模型能够对话的上下文逐步给出故障的判断;
[4]大模型在对话中给出答复时,同时参考了装备的技术资料库和故障库,使输出的结果更有针对性,准确性也有提高。
上述技术方案的工作原理以及有益效果:通过建立语音交互模块朗读语音信息可以远程进行故障分析。
实施例10
在实施例9的基础上,所述一种基于机器学习的大型复杂装备故障诊断与预测系统,远程互动模块,用于:
获取远程人员发出的故障确认信息,根据所述故障确认信息确定所述大型复杂装备的故障类型,将所述故障类型传输到所述指定终端进行显示。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种基于机器学习的大型复杂装备故障诊断与预测系统,其特征在于,包括:
数据采集模块,用于在预设时间周期内采集大型复杂装备的周期数据;
故障分析模块,用于调取与所述大型复杂装备工作状态相匹配的工作分析模型,将所述周期数据输入到所述分析模型中进行故障分析,得到分析结果;
故障诊断模块,用于根据所述分析结果判断所述大型复杂装备是否发生故障,并在所述大型复杂装备发生故障时确定所述大型复杂装备的故障类型,传输到指定终端进行显示;
故障预测模块,用于当所述大型复杂装备未发生故障时,解析所述周期数据预测所述大型复杂装备的故障发展趋势建立故障预测信息,将所述故障预测信息传输到指定终端进行显示;
所述故障预测模块,包括:
信息解析单元,用于当所述大型复杂装备未发生故障时,解析所述周期数据得到所述大型复杂装备子在不同预设时间周期内的工作信息;
信息处理单元,用于分别将每一所述工作信息划分为若干个子信息,根据每一子信息对应的预设时间周期,分别为每一子信息建立时间标签;
信息统计单元,用于分别获取每一子信息对应的信息来源,将信息来源一致的子信息记作同类子信息,根据时间标签由远及近的顺序对所述同类子信息进行排序,得到每一信息来源对应的子信息折线图;
故障预测单元,用于每一根据所述子信息折线图中不同子信息折线的斜率确定每一信息来源的故障发展趋势,统计所有信息来源的故障发展趋势,建立故障预测信息,将所述故障预测信息传输到所述指定终端进行显示。
2.如权利要求1所述的一种基于机器学习的大型复杂装备故障诊断与预测系统,其特征在于,还包括:
指定终端,用于显示所述大型复杂装备的故障类型,以及显示所述故障预测信息。
3.如权利要求1所述的一种基于机器学习的大型复杂装备故障诊断与预测系统,其特征在于,所述数据采集模块,包括:
数据采集单元,用于采集所述大型复杂装备的实时数据,在所述实时数据中截取每一预设时间周期对应的第一实时数据;
数据处理单元,用于分别将每一条所述第一实时数据划分为若干个元数据,分别获取每一元数据对应的数据生成时刻,将同一第一实时数据包含的所有元数据的数据生成时刻进行统计,建立时间序列;
数据分析单元,用于分别获取每一时间序列对应的序列特征,分别将每一序列特征与预设样本特征进行对比,将与所述预设样本特征不一致的序列特征记作异常序列特征,获取所述异常序列特征对应的第一实时数据记作第二实时数据,根据所述异常序列特征与所述预设样本特征之间的特征差,确定对应第二实时数据的数据丢失量;
数据修正单元,用于获取所述大型复杂装备在每一预设时间周期内对应的工作状态,根据所述工作状态匹配对应的样本数据,利用所述样本数据修正对应的第二实时数据,记录每一条第二实时数据对应的数据修正量,当所述第二实时数据对应的数据修正量与数据修正量一致后,得到每一预设时间周期对应的周期数据。
4.如权利要求1所述的一种基于机器学习的大型复杂装备故障诊断与预测系统,其特征在于,所述故障分析模块,包括:
预准备单元,用于所述大型复杂装备在每一预设时间周期内对应的工作状态,调取与所述工作状态相匹配的工作分析模型;
第一分析单元,用于将所述周期数据输入到所述工作分析模型中,利用所述周期数据对所述工作分析模型的模型结构进行修正,建立实时分析模型,将所述实时分析模型划分为若干个模型区域,分别获取每一模型区域对应的静态模型特征;
其中,静态模型特征表示大型复杂装备的外表特征;
第二分析单元,用于运行并监测所述实时分析模型,得到所述实时分析模型在运行过程中产生的监测数据,获取所述大型复杂装备在所述工作状态下的标准数据,得到所述监测数据与所述标准数据之间的若干个数据差,根据所述数据差建立对应的动态模型特征;
其中,标准数据表示大型复杂装备在没有发生故障的情况下,且处于所述工作状态下时所产生的数据;
第三分析单元,用于对所述静态模型特征进行第一特征融合,得到所述大型复杂装备的静态故障特征,对所述动态模型特征进行第二特征融合,得到所述大型复杂装备的动态故障特征,根据所述静态故障特征和所述动态故障特征建立分析结果,并将所述分析结果传输到所述故障诊断模块;
其中,第一特征融合表示将所有的静态模型特征进行统计的过程,第二特征融合表示将所有的动态模型特征进行相互适应训练的过程。
5.如权利要求1所述的一种基于机器学习的大型复杂装备故障诊断与预测系统,其特征在于,所述故障诊断模块,包括:
故障匹配单元,用于根据所述分析结果得到所述大型复杂装备的静态故障特征和动态故障特征,在预设故障库中查找所述静态故障特征对应的若干种第一样本故障,和所述动态故障特征对应的若干种第二样本故障;
其中,静态故障特征表示实时分析模型的外表故障特征,动态故障特征表示实时分析模型的在工作时的故障特征;
故障分析单元,用于分别获取所述大型复杂装备在每一种第一样本故障下对应的第一故障表现,建立每一种第一样本故障对应的第一故障表现信息,以及分别获取所述大型复杂装备在每一种第二样本故障下对应的第二故障表现,建立每一种第二样本故障对应的第二故障表现信息;
故障整理单元,用于以预设坐标系的第一坐标轴的映射方向分别将每一第一故障表现信息映射到所述预设坐标系中,得到每一种第一样本故障对应的若干个第一映射点,以预设坐标系的第二坐标轴为映射方向分别将每一第二故障表示信息映射到所述预设坐标系中,得到每一种第二样本故障对应的若干个第二映射点,获取所述预设坐标系中的重合映射点;
故障确定单元,用于分别获取每一所述重合映射点对应的重合故障表现,以及每一所述重合故障表现对应的故障特征,在预设知识库中查找每一故障特征建立所述大型复杂装备的故障类型,并将所述故障类型传输到指定终端进行显示。
6.如权利要求5所述的一种基于机器学习的大型复杂装备故障诊断与预测系统,其特征在于:
所述故障确定单元,还用于当所述第一样本故障和第二样本故障的数量均为1时,根据所述第一样本故障和第二样本故障建立所述大型复杂装备的故障类型,并将所述故障类型传输到所述指定终端进行显示。
7.如权利要求5所述的一种基于机器学习的大型复杂装备故障诊断与预测系统,其特征在于,还包括:
故障更新模块,用于获取所述大型复杂装备的故障类型,以及对应的故障特征,建立故障信息,根据所述故障信息更新所述预设故障库。
8.如权利要求1所述的一种基于机器学习的大型复杂装备故障诊断与预测系统,其特征在于,还包括:
语音交互模块,用于当所述故障诊断模块无法确定所述大型复杂装备的故障类型时,采集现场人员发出的语音信息,结合所述分析结果建立现场信息,将所述现场信息传输到远程互动模块等待远程人员的反馈信息。
9.如权利要求8所述的一种基于机器学习的大型复杂装备故障诊断与预测系统,其特征在于,远程互动模块,用于:
获取远程人员发出的故障确认信息,根据所述故障确认信息确定所述大型复杂装备的故障类型,将所述故障类型传输到所述指定终端进行显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311129170.5A CN117077040B (zh) | 2023-09-04 | 2023-09-04 | 基于机器学习的大型复杂装备故障诊断与预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311129170.5A CN117077040B (zh) | 2023-09-04 | 2023-09-04 | 基于机器学习的大型复杂装备故障诊断与预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117077040A CN117077040A (zh) | 2023-11-17 |
CN117077040B true CN117077040B (zh) | 2024-02-23 |
Family
ID=88702251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311129170.5A Active CN117077040B (zh) | 2023-09-04 | 2023-09-04 | 基于机器学习的大型复杂装备故障诊断与预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117077040B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000293411A (ja) * | 1999-04-06 | 2000-10-20 | Nippon Steel Corp | 障害管理装置および方法、記録媒体 |
JP2013197601A (ja) * | 2012-03-15 | 2013-09-30 | Nec System Technologies Ltd | 障害検知装置、障害検知方法、及びプログラム |
CN103809058A (zh) * | 2014-02-24 | 2014-05-21 | 尹忠和 | 船艇供配电智能检测系统 |
CN107643425A (zh) * | 2017-08-18 | 2018-01-30 | 南京林业大学 | 六维加速度传感器及故障诊断方法 |
CN111967486A (zh) * | 2020-06-02 | 2020-11-20 | 安徽三禾一信息科技有限公司 | 一种基于多传感器融合的复杂装备故障诊断方法 |
WO2022157985A1 (ja) * | 2021-01-25 | 2022-07-28 | 三菱電機株式会社 | 監視装置および監視プログラム |
CN115186935A (zh) * | 2022-09-08 | 2022-10-14 | 山东交通职业学院 | 一种机电设备非线性故障预测方法及系统 |
CN115622264A (zh) * | 2022-11-15 | 2023-01-17 | 深圳供电局有限公司 | 一种电力信息监控系统及方法 |
CN116578040A (zh) * | 2023-07-13 | 2023-08-11 | 北京机床研究所有限公司 | 一种面向机床故障诊断的数字孪生模型构建方法、系统及终端 |
CN116663722A (zh) * | 2023-05-25 | 2023-08-29 | 淮北矿业股份有限公司涡北选煤厂 | 一种基于数据分析的选煤机电设备故障预测系统 |
CN116658412A (zh) * | 2023-07-18 | 2023-08-29 | 三一氢能有限公司 | 压缩机气缸故障监测方法及氢气压缩机 |
-
2023
- 2023-09-04 CN CN202311129170.5A patent/CN117077040B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000293411A (ja) * | 1999-04-06 | 2000-10-20 | Nippon Steel Corp | 障害管理装置および方法、記録媒体 |
JP2013197601A (ja) * | 2012-03-15 | 2013-09-30 | Nec System Technologies Ltd | 障害検知装置、障害検知方法、及びプログラム |
CN103809058A (zh) * | 2014-02-24 | 2014-05-21 | 尹忠和 | 船艇供配电智能检测系统 |
CN107643425A (zh) * | 2017-08-18 | 2018-01-30 | 南京林业大学 | 六维加速度传感器及故障诊断方法 |
CN111967486A (zh) * | 2020-06-02 | 2020-11-20 | 安徽三禾一信息科技有限公司 | 一种基于多传感器融合的复杂装备故障诊断方法 |
WO2022157985A1 (ja) * | 2021-01-25 | 2022-07-28 | 三菱電機株式会社 | 監視装置および監視プログラム |
CN115186935A (zh) * | 2022-09-08 | 2022-10-14 | 山东交通职业学院 | 一种机电设备非线性故障预测方法及系统 |
CN115622264A (zh) * | 2022-11-15 | 2023-01-17 | 深圳供电局有限公司 | 一种电力信息监控系统及方法 |
CN116663722A (zh) * | 2023-05-25 | 2023-08-29 | 淮北矿业股份有限公司涡北选煤厂 | 一种基于数据分析的选煤机电设备故障预测系统 |
CN116578040A (zh) * | 2023-07-13 | 2023-08-11 | 北京机床研究所有限公司 | 一种面向机床故障诊断的数字孪生模型构建方法、系统及终端 |
CN116658412A (zh) * | 2023-07-18 | 2023-08-29 | 三一氢能有限公司 | 压缩机气缸故障监测方法及氢气压缩机 |
Non-Patent Citations (2)
Title |
---|
Structural Fault Diagnosis Based on Static and Dynamic Response Parameters;Qiuwei Yang 等;《coatings》;1-18 * |
复杂装备故障预测与健康管理关键技术研究;李向前;《中国博士学位论文全文数据库 工程科技Ⅱ辑》(第4期);C029-16 * |
Also Published As
Publication number | Publication date |
---|---|
CN117077040A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113112086B (zh) | 一种基于边缘计算和标识解析的智能生产系统 | |
US11231980B1 (en) | Method, device and system for fault detection | |
CN110689148A (zh) | 一种基于ar技术的计量设备故障检测方法 | |
CN103443725A (zh) | 伺服控制装置的异常诊断装置及异常诊断系统 | |
CN113472079B (zh) | 配电站运维监控云机器人系统、后台处理及作业任务方法 | |
CN104391190A (zh) | 一种用于测量仪器的远程诊断系统及诊断方法 | |
CN109117526A (zh) | 一种适用于机械系统设备维修指引数据记录及分析系统 | |
CN115184361A (zh) | 基于机器视觉的实时工件表面缺陷检测评价系统及方法 | |
CN202956182U (zh) | 设备振动状态诊断远程支持系统 | |
CN112687022A (zh) | 一种基于视频的智能楼宇巡检方法及系统 | |
CN116300736A (zh) | 基于mes的数字工厂孪生管理系统、平台及方法 | |
CN112598142B (zh) | 一种风电机组检修工作质量审查辅助方法与系统 | |
CN114995302A (zh) | 一种智能控制方法及系统 | |
CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
CN117077040B (zh) | 基于机器学习的大型复杂装备故障诊断与预测系统 | |
CN105242655A (zh) | 基于物联网的工业现场监控装置 | |
CN116992346A (zh) | 一种基于人工智能大数据分析的企业生产数据处理系统 | |
CN111047731A (zh) | 一种基于ar技术的电信机房巡检方法及系统 | |
CN113438248B (zh) | 一种便于主站网络ip地址自查管理系统 | |
CN113835387A (zh) | 运维管理方法、系统及介质 | |
CN112542892B (zh) | 变电站调控一体化控制方法及控制装置 | |
CN113360628A (zh) | 一种基于问题知识库的网络报修事件分层维修方法及系统 | |
CN112446619A (zh) | 配电网抢修处理方法和装置 | |
CN115018332B (zh) | 一种基于虚拟现实的火电厂可视化管理系统 | |
Wang et al. | Image Recognition Technology and Digital Twin in the Power Industry |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |