CN117170998B - 一种智能化设备生命周期管理系统 - Google Patents
一种智能化设备生命周期管理系统 Download PDFInfo
- Publication number
- CN117170998B CN117170998B CN202311454457.5A CN202311454457A CN117170998B CN 117170998 B CN117170998 B CN 117170998B CN 202311454457 A CN202311454457 A CN 202311454457A CN 117170998 B CN117170998 B CN 117170998B
- Authority
- CN
- China
- Prior art keywords
- equipment
- state
- function
- model
- value
- 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
- 238000012423 maintenance Methods 0.000 claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 112
- 238000000034 method Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 230000004083 survival effect Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000009291 secondary effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Abstract
本发明公开了一种智能化设备生命周期管理系统,包括预测计算节点和多个状态计算节点,其中所述多个状态计算节点用于获得设备状态数据;所述多个状态计算节点还包括设备故障状态预测模块,所述设备故障状态预测模块用于进行设备故障状态预测;当基于状态计算节点中设备故障状态预测模块输出确定设备进入故障状态时,确定是否上报预测计算节点;预测计算节点预测设备的预期剩余寿命;基于预测设备的预期剩余寿命确定所述设备的使用寿命评价结果,确定对设备进行维护或替换;在设备生命周期管理系统的后台进行相应提示。本发明的系统能够提高设备管理的准确性和效率,优化设备使用和维护决策,增强设备管理系统的用户体验。
Description
技术领域
本发明属于计算机技术领域,尤其涉及一种智能化设备生命周期管理系统。
背景技术
随着科技的发展,各种设备的生命周期管理变得越来越重要。有效地管理设备的生命周期可以确保设备在其整个使用期间都能高效、稳定地运行,从而提高设备的使用效率,降低设备的运维成本,延长设备的使用寿命。
传统的设备生命周期管理主要依赖于人工检查和经验判断,这不仅耗时耗力,而且准确性和效率难以保证。例如,设备的维护和替换决策通常需要设备管理员定期检查设备状态,然后根据经验进行判断,这可能会导致对设备状态的判断不准确,从而影响设备维护和替换的决策。此外,设备管理员可能需要花费大量时间和精力来管理大量设备,这可能会导致设备管理的效率低下。
因此,如何有效地管理设备的生命周期,提高设备管理的准确性和效率,优化设备的使用和维护决策,成为了设备生命周期管理领域亟待解决的问题。
发明内容
针对上述现有技术中存在的缺陷,本发明提供一种智能化设备生命周期管理系统,所述系统包括预测计算节点和多个状态计算节点,其中:
所述多个状态计算节点用于获得设备状态数据;
所述多个状态计算节点还包括设备故障状态预测模块,所述设备故障状态预测模块用于基于高斯过程GP和支持向量机SVM进行设备故障状态预测;
当基于所述状态计算节点中设备故障状态预测模块的SVM算法输出确定设备进入故障状态时,将所述SVM的输出转化得到一个概率值,基于所述概率值确定是否将所述设备的设备信息上报至预测计算节点;
所述预测计算节点基于生存分析算法来预测设备的预期剩余寿命;
基于预测设备的预期剩余寿命确定所述设备的使用寿命评价结果,并基于设备的使用寿命评价结果确定对设备进行维护或替换;
将设备进行维护或替换的结果在设备生命周期管理系统的后台进行相应提示。
其中,所述设备故障状态预测模块用于基于高斯过程GP和支持向量机SVM进行设备故障状态预测,包括利用收集到设备状态数据,使用高斯过程GP模型来模拟不同设备状态数据在预设周期内的分布表示,将GP模型输出的不同设备状态数据分布表示作为SVM算法的输入,所述SVM算法用于根据GP模型的输出预测设备是否进入故障状态。
其中,对于给定类型的设备状态数据,训练好的GP模型可以用来预测设备在预设周期内的状态;
设有一个预设周期内有n个时间观测点的设备状态数据,所述GP模型的输入为n×1的向量X,输出为n个时间观测点的设备状态数据的状态分布;
设定GP模型的先验为GP(m(x), k(x, x')),其中m(x)是均值函数,m(x)为基于线性均值函数作为GP模型中的均值函数;
k(x, x')是核函数,选择为径向基函数RBF,即:k(x, x') = σ² exp(-0.5 ||x -x'||²/ l²);其中,σ²是函数值的方差,l是长度尺度。
其中,确定GP模型的均值函数常数值、方差、长度尺寸和信号强度作为SVM分类模型的输入参数。
其中,所述GP模型的均值函数常数值为均值函数m(x)的值,对于每一各设备状态数据的类型,均值函数m(x)的值计算为:m(x) = (1/n) * Σ,其中,/>是X向量中的第k个元素,而Σ是对所有k的求和。
其中,对于GP模型中的方差、长度尺寸分别为所述核函数k(x, x')中的σ²是函数值的方差,l是长度尺度,参数σ²和l通过最大化对数边缘似然函数来确定的。
其中,对于GP模型中的信号强度确定包括计算设备在预设周期内历史数据的标准差,然后基于标准差和方差确定所述设备在所述预设周期内的信号强度,包括基于以下公式来计算信号强度sig:
sig = σ² * sqrt(Σ(x - m(x))^2 / (n - 1)),
其中,σ² 是GP模型的方差,用作调节因子;x是设备状态数据;
m(x)是设备状态数据的平均值,n是观察点的数量,sqrt是平方根函数。
其中,不同类型的设备状态数据对应的参数需要输入到SVM中进行故障概率的预测,包括使用以下训练好的决策函数p(failure | f)= Σ (α_i * y_i * exp(-γ ||f -f_i||²)) + b;
决策函数 p(failure | f)被视为样本点 f 被分类为正类或负类的置信度,如果p(failure | f) 的值大于0,预测样本点 f 为正类即设备故障,如果 p(failure | f) 的值小于0,预测样本点 f 为负类即设备正常;
当p(failure | f) 的值大于0时,基于p(failure | f)得到预测的概率值,将SVM的输出映射到 [0, 1] 之间,从而得到一个概率值,包括基于如下公式将SVM的输出转换为概率p(y=1 | f):
p(y=1 | f) = 1 / (1 + exp(A * p(failure | f) + B)),
其中, p(failure | f)是SVM的决策函数的输出,p(failure | f) 的值大于0;A和 B 是通过最大化似然函数得到的参数。
其中,当p(y=1 | f)的值大于预设的预测故障的第一阈值,判断设备可能进入故障状态,状态计算节点触发报告机制,状态计算节点需要将相关的监测数据和预测结果上报给预测计算节点。
其中,预测计算节点使用生存分析的方法来预测设备的剩余寿命,包括确定设备的Cox比例风险模型,之后计算所述设备在当前预设周期内的生存函数,然后计算在当前预设周期内的故障密度函数,最后计算在当前预设周期内的期望剩余寿命E[T|X,t]。
其中,基于预测设备的剩余寿命E[T|X,t]确定所述设备的使用寿命评价结果E_adj,并基于设备的使用寿命评价结果E_adj确定对设备进行维护或替换,包括基于预设周期长度、SVM输出结果、设备当前使用时间以及设备总寿命的占比对当前预设周期内的期望剩余寿命E[T|X,t]进行修正获得设备的使用寿命评价结果E_adj。
本发明通过实时获取设备状态数据,并基于高斯过程GP和支持向量机SVM进行设备故障状态预测,系统能够准确、及时地监控和预测设备状态,从而大大提高了设备管理的准确性和效率。同时通过预测设备的预期剩余寿命,系统能够科学地评估设备的使用状态,进而做出合理的设备维护或替换决策,从而优化了设备的使用和维护,延长了设备的使用寿命,降低了设备的运维成本。此外,通过在设备生命周期管理系统的后台进行相应提示,系统能够及时向设备管理员提供设备维护或替换的建议,从而使设备管理员能够更好地理解和管理设备,增强了设备管理系统的用户体验。
附图说明
通过参考附图阅读下文的详细描述,本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本公开的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是示出根据本发明实施例的一种智能化设备生命周期管理系统的示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,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它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种。
应当理解,尽管在本发明实施例中可能采用术语第一、第二、第三等来描述……,但这些……不应限于这些术语。这些术语仅用来将……区分开。例如,在不脱离本发明实施例范围的情况下,第一……也可以被称为第二……,类似地,第二……也可以被称为第一……。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是,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商品或者装置不仅包括那些要素,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商品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者装置中还存在另外的相同要素。
在传统的设备管理系统中,对设备状态的监控和预测主要依赖于人工检查和经验判断,这不仅耗时耗力,而且准确性和效率难以保证。本系统通过在设备本身或设备本地所在网络中部署状态计算节点,实现了对设备状态数据的实时获取,同时,通过设备故障状态预测模块,基于高斯过程GP和支持向量机SVM进行设备故障状态预测,大大提高了设备状态监控和预测的准确性和效率。此外在传统的设备管理系统中设备的维护和替换决策主要依赖于人工经验和定期检查,这往往无法实现对设备状态的精确评估和及时响应。本系统通过预测计算节点,基于生存分析算法来预测设备的预期剩余寿命,进而确定设备的使用寿命评价结果,并基于此结果确定对设备进行维护或替换,实现了对设备维护和替换决策的科学化和及时化。
如图1所示,本发明公开了一种智能化设备生命周期管理系统,所述系统包括预测计算节点和多个状态计算节点,其中:
所述多个状态计算节点部署在状态设备本身或设备本地所在的网络中,用于获得设备状态的监控数据;
所述多个状态计算节点还包括设备故障状态预测模块,所述设备故障状态预测模块用于基于高斯过程GP和支持向量机SVM进行设备故障状态预测;所述设备故障状态预测模块用于基于高斯过程GP和支持向量机SVM进行设备故障状态预测,包括利用收集到设备状态数据,使用高斯过程GP模型来模拟不同设备状态数据在预设周期内的分布表示,将GP模型输出的不同设备状态数据分布表示作为SVM算法的输入,所述SVM算法用于根据GP模型的输出预测设备是否进入故障状态。
当基于所述状态计算节点中设备故障状态预测模块的SVM算法输出确定设备进入故障状态时,将所述SVM的输出转化得到一个概率值,基于所述概率值确定是否将所述设备的设备信息上报至预测计算节点;
所述预测计算节点基于生存分析算法来预测设备的预期剩余寿命;
基于预测设备的预期剩余寿命确定所述设备的使用寿命评价结果,并基于设备的使用寿命评价结果确定对设备进行维护或替换;
将设备进行维护或替换的结果在设备生命周期管理系统的后台进行相应提示。
本发明通过实时获取设备状态数据,并基于高斯过程GP和支持向量机SVM进行设备故障状态预测,系统能够准确、及时地监控和预测设备状态,从而大大提高了设备管理的准确性和效率。同时通过预测设备的预期剩余寿命,系统能够科学地评估设备的使用状态,进而做出合理的设备维护或替换决策,从而优化了设备的使用和维护,延长了设备的使用寿命,降低了设备的运维成本。此外,通过在设备生命周期管理系统的后台进行相应提示,系统能够及时向设备管理员提供设备维护或替换的建议,从而使设备管理员能够更好地理解和管理设备,增强了设备管理系统的用户体验。
在某一实施例中,状态计算节点被设计为独立的小型硬件设备被安装在设备或部署在设备所在网络中,所述硬件设备具备计算能力和存储空间来运行算法和存储数据,且通过接口和协议来收集设备的监控数据,包括通过I/O接口接收设备的监控数据。
在某一实施例中,状态计算节点作为软件模块在设备的操作系统上运行,例如状态计算节点可能需要在Linux或Windows上运行,软件需求包括运行环境(例如Python、Java)和所需的库(用于高斯过程和支持向量机的机器学习库)。
在某一实施例中,状态计算节点定期从设备上获取监控数据,包括通过直接读取设备的状态信息,或者通过设备提供的API来获得监控数据。
获取监控数据后,状态计算节点需要对数据进行预处理,例如,清理无效或异常的数据,对数据进行归一化或标准化,然后将预处理后的数据输入到模型中。状态计算节点还需要定期更新模型的参数,以适应设备状态的变化。
在某一实施例中,状态计算节点具有报告机制,当模型预测设备可能会进入故障状态时,状态计算节点需要将相关的监测数据和预测结果上报给预测计算节点。
在某一实施例中,所述多个状态计算节点还包括设备故障状态预测模块,所述设备故障状态预测模块利用收集到的设备状态数据,使用高斯过程GP模型来模拟不同设备状态数据在预设周期内的分布表示。
其中,对于给定类型的设备状态数据,通过以下步骤使用高斯过程(GP)模型来模拟设备状态数据在预设周期内的分布:
假设有一个预设周期内有n个时间观测点的设备状态数据,输入为X(一个n×1的向量,表示n个时间观测点的设备状态数据),输出为n个时间观测点的设备状态数据的状态分布。
设定GP模型的先验为f ~ GP(m(x), k(x, x')),其中m(x)是均值函数,所述GP模型中的均值函数m(x)满足:m(x) = (1/n) * Σ,其中,/>是X向量中的第k个元素,而Σ是对所有k的求和。
k(x, x')是核函数,选择为径向基函数(RBF),即:k(x, x') = σ² exp(-0.5 ||x- x'||²/ l²)。其中,σ²是函数值的方差,l是长度尺度。
通过最大化对数边缘似然函数来进行优化以确定σ²和l,包括通过优化算法BFGS获得优化结果。
用给定的输入X和输出y来训练GP模型,训练的目标是找到最优的参数σ²和l,使得对数边缘似然函数最大。
训练好的GP模型可以用来预测设备在预设周期内的状态。具体地,将设备的当前状态作为输入,通过GP模型,得到设备的该类设备状态数据在该预设周期内的状态分布。
在某一实施例中,如果所述被监测设备为一个工业泵,它有三种类型的监测设备状态数据:温度、压力和振动。将对每一种类型的监测数据分别进行高斯过程模型的拟合,然后将这三个模型的输出作为SVM分类器的输入,进行设备故障的预测。
首先,定义每个观察变量(温度T、压力P、振动V)的高斯过程模型。每个变量的高斯过程模型都是独立的,分别对每个变量进行拟合和预测。
假设一系列时间点t(在监测数据中收集),对应的温度观测值为T(t),压力观测值为P(t),振动观测值为V(t)。将这些观测值看作是从某些未知的函数f_T(t), f_P(t), f_V(t)中添加噪声后得到的,即:
T(t) = f_T(t) + ε_T,
P(t) = f_P(t) + ε_P,
V(t) = f_V(t) + ε_V,
其中,ε_T, ε_P, ε_V是独立的高斯噪声。
然后,假设f_T(t), f_P(t), f_V(t)都是从高斯过程中抽取的,即:
f_T ~ GP(m_T, k_T),
f_P ~ GP(m_P, k_P),
f_V ~ GP(m_V, k_V),
其中,m_T, m_P, m_V都是均值函数,均值函数m_T,m_P,m_V可以被定义为对应监测数据的平均值。对于每一种设备状态(温度T,压力P,振动V),均值函数如下:
均值函数m_T可以被定义为所有温度观测值的平均值:m_T = (1/n) * ΣT(t_i),其中 i=1,2,...,n。其中,t_i表示第i个时间观测点,Σ表示对所有n个时间观测点的求和。
均值函数m_P可以被定义为所有压力观测值的平均值:m_P = (1/n) * ΣP(t_i),其中 i=1,2,...,n。其中,t_i表示第i个时间观测点,Σ表示对所有n个时间观测点的求和。
均值函数m_V可以被定义为所有振动观测值的平均值:m_V = (1/n) * ΣV(t_i),其中 i=1,2,...,n。其中,t_i表示第i个时间观测点,Σ表示对所有n个时间观测点的求和。
k_T, k_P, k_V是协方差函数或核函数,通常选择为RBF核,即:
k_i(x, x') = σ_i² exp(-0.5 ||x - x'||²/ l_i²),对于 i ∈ {T, P, V}。
在这个公式中,σ_i²是函数值的方差,l_i是长度尺度,这两个参数都需要通过最大化对数边缘似然函数来进行优化。
在某一实施例中,确定GP模型的均值函数常数值、方差、长度尺寸和信号强度作为SVM分类模型的输入参数。
对于均值函数m(x),均值函数被设定为常数,本发明中对于每一个设备状态数据类型,均值函数计算为:m(x) = (1/n) * Σ,其中,/>是X向量中的第k个元素,而Σ是对所有k的求和。
对于GP模型中的方差、长度尺寸,这些参数通常是通过最大化对数边缘似然函数来确定的。这个过程涉及到数值优化技术,例如BFGS。具体地,假设有一个协方差函数k(x,x') = σ² exp(-||x - x'||² / (2l²))。那么,可以通过以下步骤来确定参数σ²和l:初始化参数σ²和l;计算对数边缘似然函数log p(y | X, σ², l),其中y是目标值,X是输入值;使用BFGS优化算法来找到使得log p(y | X, σ², l)最大化的参数σ²和l。
在GP模型中,优化的目标是找到一组参数(在这个情况下是σ²和l),使得对数边缘似然函数 log p(y | X, σ², l) 最大化。对数边缘似然函数是观测到的数据(即目标值y)在给定模型参数和输入值X的情况下的对数概率。通过最大化这个函数,可以找到最能解释观测到的数据的模型参数。具体地,对数边缘似然函数可以表示为:
,
其中,θ是模型参数(在这个情况下是σ²和l),y是目标值,K是协方差矩阵,σ²是噪声方差,I是单位矩阵,n是数据点的数量。
这个函数关于θ的梯度可以通过反向传播算法来计算,然后可以使用BFGS等优化算法来找到使得这个函数最大化的θ。
对于GP模型中的信号强度,根据数据的范围或者标准差来估计信号强度。例如,对于一个设备状态(如温度、压力或振动),设备状态的变化幅度或者波动性能反映其信号强度,因此可以计算其在预设时间段内历史数据的标准差,然后基于标准差和方差确定信号强度。
具体地,用以下公式来计算信号强度:
sig = σ² * sqrt(Σ(x - m(x))^2 / (n - 1)),
其中,σ² 是GP模型的方差,用作调节因子;x是设备状态数据;
m(x)是设备状态数据的平均值,n是观察点的数量,sqrt是平方根函数。
在某一实施例中,不同类型的设备状态数据对应的参数需要输入到SVM中进行故障概率的预测,以下以工业泵的故障概率预测进行举例:
对于工业泵的每一种设备状态(例如温度、压力和振动),都可以获得一组GP模型参数(例如预测的均值、方差、长度尺寸和信号强度)。然后,可以将这些参数合并成一个特征向量,并用它作为SVM的输入。具体地,设备状态的特征向量可以表示为:
[m_T, var_T, len_T, sig_T, m_P, var_P, len_P, sig_P, m_V, var_V, len_V, sig_V],
其中,m_T, var_T, len_T, sig_T是温度GP模型的预测均值、方差、长度尺寸和信号强度,m_P, var_P, len_P, sig_P是压力GP模型的对应参数,m_V, var_V, len_V, sig_V是振动GP模型的对应参数。
然后,将上述特征向量输入训练好的SVM模型来预测设备的故障概率。
具体地,首先使用以下训练好的决策函数:
p(failure | f) = Σ (α_i *y_i *K(f, f_i))+ b,
其中,α_i, y_i, f_i是训练数据中的拉格朗日乘数,目标值和特征向量,K是SVM的核函数,b是偏置项。α_i 是拉格朗日乘数,它是SVM模型的训练过程中得到的参数,通过最大化拉格朗日对偶函数获得。y_i 是训练数据的目标值,对于二分类问题,通常取值为+1或-1。f_i 是训练数据的特征向量。K(f, f_i) 是核函数,它可以将特征空间映射到更高维的空间,以帮助处理线性不可分的情况。b 是偏置项,也是训练过程中得到的参数。
SVM的核函数K用于计算新的数据点和训练数据点在高维空间中的内积。本发明使用的SVM模型基于RBF核,其形式为:K(f, f_i)= exp(-γ ||f - f_i||²)。其中,γ是RBF核的参数,||f - f_i||²是新的特征向量f和训练特征向量f_i的欧几里得距离的平方,f 是输入的特征向量,训练的特征向量和输入的特征向量维度相同。
将RBF核代入到决策函数中:
p(failure | f)= Σ (α_i * y_i * exp(-γ ||f - f_i||²)) + b。
其中,α_i *y_i *K(f, f_i) 是每个支持向量对预测结果的贡献,b 是偏置项。
在某一实施例中,在SVM模型中,决策函数 p(failure | f)被视为样本点 f 被分类为正类(设备故障)或负类(设备正常)的“置信度”。
如果 p(failure | f) 的值大于0,预测样本点 f 为正类(设备故障);
如果 p(failure | f) 的值小于0,预测样本点 f 为负类(设备正常)。
当p(failure | f) 的值大于0时,基于p(failure | f)得到预测的概率值,将SVM的输出映射到 [0, 1] 之间,从而得到一个概率值。
具体地,基于如下公式将SVM的输出转换为概率:
p(y=1 | f) = 1 / (1 + exp(A * p(failure | f) + B)),
其中, p(failure | f)是SVM的决策函数的输出,p(failure | f) 的值大于0;A和 B 是通过最大化似然函数得到的参数。
找到一组参数A和B,需要训练上述缩放模型,包括在训练过程中通过最大化对数似然函数来实现,具体包括:初始化参数A和B;计算对数似然函数L(A, B):L(A, B) = Σ[y_i * log(p(y=1 | f_i)) + (1 - y_i) * log(1 - p(y=1 | f_i))],其中y_i是每个样本的真实标签,p(y=1 | f_i)是基于当前参数A和B计算得到的概率预测。更新参数A和B以最大化对数似然函数L(A, B),通过梯度上升实现,包括计算L(A, B)关于A和B的梯度,然后在梯度的方向上更新A和B,重复步骤直到A和B的值收敛,或者达到预设的最大迭代次数。
在某一实施例中,当p(y=1 | f)的值大于预设的预测故障的第一阈值,第一阈值取值在0到1之间,例如可以是0.3,当超过第一阈值时,判断设备可能进入故障状态,状态计算节点触发报告机制,状态计算节点需要将相关的监测数据和预测结果上报给预测计算节点。其中,对于预测计算节点使用生存分析的方法来预测设备的剩余寿命和使用寿命评价结果的所有相关参数,可以在所述状态计算节点进行处理后上传给预测计算节点,也可以不经处理直接将所述预测计算节点计算所需所有参数直接上传给预测计算节点。
在某一实施例中,预测计算节点使用生存分析的方法来预测设备的剩余寿命,包括确定设备的Cox比例风险模型,之后计算所述设备在当前预设周期内的生存函数,然后计算在当前预设周期内的故障密度函数,最后计算在当前预设周期内的期望剩余寿命。
确定设备的期望剩余寿命包括如下步骤,具体包括如下步骤:
步骤1,确定设备的Cox比例风险模型。
Cox比例风险模型的基本形式为:h(t|X) = h0(t) * exp(β1X1 + β2X2 + ... +βpXp)。其中,h(t|X) 是给定预测变量 X 的条件下,在时间 t 的风险函数。h0(t) 是基线风险函数,表示在 X=0 的条件下,在时间 t 的风险。β1X1 + β2X2 + ... + βpXp 是预测变量与风险的关系,其中 βi 是 Xi 的系数,表示 Xi 对风险的影响程度,Xi 是预测变量。exp() 是指数函数,用来确保风险函数的值为正。
还是以工业泵为例,预测变量 X 可以包含设备的温度、压力、振动,以及SVM模型预测的设备故障概率,所述设备的Cox模型表示为:
h(t|X) = h0(t) * exp(β1*Temperature + β2*Pressure + β3*Vibration + β4*Failure_Probability)。
在这个模型中,β4*Failure_Probability 表示SVM模型预测的设备故障概率对风险的影响。如果 β4 的值为正,那么设备故障概率越高,风险也越高;如果 β4 的值为负,那么设备故障概率越高,风险反而越低。这个模型的参数可以通过训练Cox模型来得到。
所述模型的作用是预测在给定设备状态(温度、压力、振动、故障概率)下,设备在特定时间t发生故障的风险。这个风险函数是时间t和设备状态X(包括温度、压力、振动和故障概率)的函数。其中,h0(t)是基线风险,代表设备在没有其他影响因素(即X全部为零)的情况下的风险。β1*Temperature + β2*Pressure + β3*Vibration + β4*Failure_Probability表示设备状态对风险的影响,其中的βi是系数,表示对应的设备状态对风险的影响程度。
h0(t),也称为基线风险函数,是不直接估计的,而是估计Cox模型的参数βi,而不是h0(t)。在具体操作中,先假设h0(t)的某种形式,例如指数分布或者Weibull分布,并设定相关参数。然后根据已知的设备状态(例如温度、压力、振动、故障概率等)和设备的故障时间,利用最大似然估计法来估计Cox模型的参数βi。在这个过程中,会将设备状态的影响(也就是β1*Temperature + β2*Pressure + β3*Vibration + β4*Failure_Probability)和h0(t)结合起来,得到设备在特定时间t发生故障的风险函数h(t|X)。然后,会找到一组参数βi,在Python的lifelines库中,可以使用CoxPHFitter类通过数值优化方法来训练和求解Cox模型得到一组参数β,使得观察到的设备故障时间的概率(也就是似然函数)最大。虽然可以估计出Cox模型的参数βi,但是h0(t)的具体形式通常仍然是未知的。然而,由于Cox模型的一个重要性质,即风险比例是常数,因此不需要知道h0(t)的具体形式,就可以利用估计出的参数βi来比较不同设备状态下的风险比例,从而进行设备的风险评估和故障预测。
步骤2,计算所述设备在当前预设周期内的生存函数:S(t|X) = exp(-∫_0^t h(u|X) du)。
其中,S(t|X)是生存函数,表示在给定预测变量X的情况下,设备在时间t之前存活的概率。∫_0^t h(u|X) du表示是从0到t,设备的风险函数h(u|X)关于时间u的积分。它表示设备在时间t之前的累积风险。
所述生存函数的作用是预测在给定设备状态下,设备在时间t之前存活的概率。这个概率是时间t和设备状态X的函数。这个函数通过对风险函数h(u|X)从0到t的积分,然后取负值,最后求指数得到。这个过程表示设备在时间t之前存活的概率等于设备在每个时间点存活的概率的乘积。
步骤3,计算在当前预设周期内的故障密度函数:f(t|X) = h(t|X) * S(t|X)。
其中,f(t|X)是在给定预测变量X的情况下,设备在时间t发生故障的概率。S(t|X)是生存函数,表示在给定预测变量X的情况下,设备在时间t之前存活的概率。
S(t|X) 是设备的生存函数,表示在给定预测变量 X 的条件下,设备在时间 t 之前存活的概率。这个函数的作用是预测在给定设备状态下,设备在时间t发生故障的密度(也就是概率)。这个密度是风险函数和生存函数的乘积。这个过程表示设备在时间t发生故障的概率等于设备在时间t发生故障的风险和设备在时间t之前存活的概率的乘积。
步骤4,计算在当前预设周期内的期望剩余寿命:E[T|X,t] = ∫_t^∞ (u-t) * f(u|X) du。
其中,E[T|X,t]是在给定预测变量X和当前时间t的情况下,设备从现在开始的期望剩余寿命。(u-t)表示从现在开始到设备发生故障的时间。f(u|X) du是设备在时间u发生故障的概率。∫_t^∞ (u-t) * f(u|X) du是从t到∞,(u-t) * f(u|X)关于时间u的积分。它表示设备的期望剩余寿命。
这个公式的作用是预测在给定设备状态和当前时间下,设备从现在开始的期望剩余寿命。这个寿命通过对(u-t) * f(u|X)从t到∞的积分得到。其中,(u-t)表示从现在开始到设备发生故障的时间,f(u|X)表示设备在时间u发生故障的密度。这个过程表示设备的期望剩余寿命等于设备在每个未来时间点发生故障的时间和密度的乘积的和。
在某一实施例中,基于预测设备的剩余寿命确定所述设备的使用寿命评价结果E_adj,并基于设备的使用寿命评价结果E_adj确定对设备进行维护或替换,包括基于预设周期长度、SVM输出结果、设备当前使用时间以及设备总寿命的占比对当前预设周期内的期望剩余寿命E[T|X,t]进行修正获得设备的使用寿命评价结果E_adj。
假设设备的预期剩余寿命为 E[T|X,t],预设周期长度为 P,设备当前使用时间为U,设备的总寿命为 L,SVM模型输出转化的预测故障概率为 p(y=1 | f),那么调整的期望剩余寿命 E_adj 可以通过以下公式计算:
E_adj =E[T|X,t]* (1 + a * (P / L) - b * p(y=1 | f) - c * (U / L) + d* (P / L)^2 + e * p(y=1 | f)^2 + f * (U / L)^2 - g * (P / L) * p(y=1 | f) - h* (P / L) * (U / L) + i * p(y=1 | f) * (U / L)),
其中,a、d 控制预设周期长度的影响,b、e 控制SVM模型输出转化的预测故障概率的影响,c、f 控制设备使用时间占比的影响,而 g、h 和 i 控制这些影响因素的交互二次效应。对当前预设周期内的期望剩余寿命E[T|X,t]进行修正获得设备的使用寿命评价结果E_adj可以更准确地反映各种因素对设备期望剩余寿命的影响,对于参数影响调整的灵活度也更高。
在某一实施例中,基于设备的使用寿命评价结果确定对设备进行维护或替换,包括根据设备的使用寿命评价结果来确定设备的维护或替换需求。如果设备的使用寿命评价结果较低,那么需要在下一预设周期结束之前进行设备替换;如果设备的使用寿命评价结果较高,那么需要在下一预设周期结束时进行设备维护。
所述设备的总寿命可以为所述类型的设备的平均设备寿命,也可以是设备生产厂商标注的报废年限或保修年限等设备寿命数据。
在某一实施例中,将设备进行维护或替换的结果在设备生命周期管理系统的后台进行相应提示,包括通过生成一条提示消息,包括设备的ID、设备的预期剩余寿命、设备的使用寿命评价结果、设备的维护或替换需求,以及维护或替换的推荐时间。这条消息可以展示在设备生命周期管理系统的后台,供设备管理员参考。
在某一实施例中,定期(如每周)运行一个脚本,自动收集设备的相关数据,计算设备的预期剩余寿命和设备的使用寿命评价结果,确定设备的维护或替换需求,并在设备生命周期管理系统的后台生成相应提示。这样可以大大提高设备生命周期管理的效率和准确性,同时避免因设备故障造成的损失。
本发明通过实时获取设备状态数据,并基于高斯过程GP和支持向量机SVM进行设备故障状态预测,系统能够准确、及时地监控和预测设备状态,从而大大提高了设备管理的准确性和效率。同时通过预测设备的预期剩余寿命,系统能够科学地评估设备的使用状态,进而做出合理的设备维护或替换决策,从而优化了设备的使用和维护,延长了设备的使用寿命,降低了设备的运维成本。此外,通过在设备生命周期管理系统的后台进行相应提示,系统能够及时向设备管理员提供设备维护或替换的建议,从而使设备管理员能够更好地理解和管理设备,增强了设备管理系统的用户体验。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定。
以上介绍了本发明的较佳实施方式,旨在使得本发明的精神更加清楚和便于理解,并不是为了限制本发明,凡在本发明的精神和原则之内,所做的修改、替换、改进,均应包含在本发明所附的权利要求概括的保护范围之内。
Claims (8)
1.一种智能化设备生命周期管理系统,所述系统包括预测计算节点和多个状态计算节点,其中:
所述多个状态计算节点用于获得设备状态数据;
所述多个状态计算节点还包括设备故障状态预测模块,所述设备故障状态预测模块用于基于高斯过程GP和支持向量机SVM进行设备故障状态预测;
当基于所述状态计算节点中设备故障状态预测模块的SVM算法输出确定设备进入故障状态时,对所述SVM算法输出进行转化得到一个概率值,基于所述概率值确定是否将所述设备的设备信息上报至预测计算节点;
所述预测计算节点基于生存分析算法来预测设备的预期剩余寿命;
基于设备的预期剩余寿命确定所述设备的使用寿命评价结果E_adj,并基于设备的使用寿命评价结果E_adj确定对设备进行维护或替换;
将设备进行维护或替换的结果在设备生命周期管理系统的后台进行相应提示;
其中,所述设备故障状态预测模块用于基于高斯过程GP和支持向量机SVM进行设备故障状态预测,包括利用收集到的设备状态数据,使用高斯过程GP模型来模拟不同设备状态数据在预设周期内的分布表示,将GP模型输出的不同设备状态数据分布表示作为SVM算法的输入,所述SVM算法用于根据GP模型的输出预测设备是否进入故障状态;
其中,对于给定类型的设备状态数据,训练好的GP模型用来预测设备在预设周期内的状态;
设一个预设周期内有n个时间观测点的设备状态数据,所述GP模型的输入为n×1的向量X,输出为n个时间观测点的设备状态数据的状态分布;
设定GP模型的先验为GP(m(x), k(x, x')),其中将线性均值函数作为GP模型中的均值函数m(x);
k(x, x')是GP模型的核函数,所述核函数为径向基函数RBF,即:k(x, x') = σ² exp(-0.5 ||x - x'||²/ l²);其中,σ²是函数值的方差,l是长度尺度;
其中,预测计算节点使用生存分析算法来预测设备的剩余寿命,包括确定设备的Cox比例风险模型,之后计算所述设备在当前预设周期内的生存函数,然后计算在当前预设周期内的故障密度函数,最后计算在当前预设周期内的期望剩余寿命。
2.如权利要求1所述的一种智能化设备生命周期管理系统,其特征在于,确定GP模型的均值函数常数值、方差、长度尺寸和信号强度作为SVM分类模型的输入参数。
3.如权利要求2所述的一种智能化设备生命周期管理系统,其特征在于,所述GP模型的均值函数常数值为均值函数m(x)的值,对于每一种设备状态数据的类型,均值函数m(x)的值计算为:m(x) = (1/n) * Σ,其中,n是观测点的数量,/>是向量X中的第k个元素,而Σ是对所有/>的求和。
4.如权利要求1所述的一种智能化设备生命周期管理系统,其特征在于,GP模型中的方差、长度尺寸分别对应所述核函数k(x, x')中的参数σ²和l,所述参数σ²和l通过最大化对数边缘似然函数确定。
5.如权利要求2所述的一种智能化设备生命周期管理系统,其特征在于,对于GP模型中的信号强度确定包括计算设备在预设周期内历史数据的标准差,然后基于标准差和方差确定所述设备在所述预设周期内的信号强度,包括基于以下公式来计算信号强度sig:
sig = σ² * sqrt(Σ(x - m(x))^2 / (n - 1)),
其中,σ² 是GP模型中函数值的方差,用作调节因子;x是设备状态数据;
n是观测点的数量,sqrt是平方根函数。
6.如权利要求2所述的一种智能化设备生命周期管理系统,其特征在于,不同类型的设备状态数据对应的参数需要输入到SVM中进行故障概率的预测,包括使用以下训练好的决策函数p(failure | f)= Σ (α_i * y_i * exp(-γ ||f - f_i||²)) + b;
其中,α_i,y_i,f_i分别是训练数据中的拉格朗日乘数,目标值和特征向量,b是偏置项,γ是径向基函数RBF的参数,||f-f_i||²是新的特征向量f和训练特征向量f_i的欧几里得距离的平方,f是输入的特征向量;
决策函数 p(failure | f)被视为样本点 f 被分类为正类或负类的置信度,如果 p(failure | f) 的值大于0,预测样本点 f 为正类即设备故障,如果 p(failure | f) 的值小于0,预测样本点 f 为负类即设备正常;
当p(failure | f) 的值大于0时,基于p(failure | f)得到预测的概率值,将SVM的输出映射到 [0, 1] 之间,从而得到一个概率值,包括基于如下公式将SVM的输出转换为概率p(y=1 | f):
p(y=1 | f) = 1 / (1 + exp(A * p(failure | f) + B)),
其中, p(failure | f)是SVM的决策函数的输出,p(failure | f) 的值大于0;A 和 B是通过最大化似然函数得到的参数。
7.如权利要求6所述的一种智能化设备生命周期管理系统,其特征在于,
当p(y=1 | f)的值大于预设的预测故障的第一阈值,判断设备可能进入故障状态,状态计算节点触发报告机制,状态计算节点将相关的监测数据和预测结果上报给预测计算节点。
8.如权利要求1所述的一种智能化设备生命周期管理系统,其特征在于,
基于预测设备的剩余寿命确定所述设备的使用寿命评价结果E_adj,并基于设备的使用寿命评价结果E_adj确定对设备进行维护或替换,包括基于预设周期长度、SVM输出结果、设备当前使用时间以及设备总寿命对当前预设周期内的期望剩余寿命进行修正获得设备的使用寿命评价结果E_adj。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311454457.5A CN117170998B (zh) | 2023-11-03 | 2023-11-03 | 一种智能化设备生命周期管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311454457.5A CN117170998B (zh) | 2023-11-03 | 2023-11-03 | 一种智能化设备生命周期管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117170998A CN117170998A (zh) | 2023-12-05 |
CN117170998B true CN117170998B (zh) | 2024-03-01 |
Family
ID=88945442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311454457.5A Active CN117170998B (zh) | 2023-11-03 | 2023-11-03 | 一种智能化设备生命周期管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117170998B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6470479B1 (en) * | 1999-12-01 | 2002-10-22 | Mitsubishi Denki Kabushiki Kaisha | Method of verifying semiconductor integrated circuit reliability and cell library database |
CN101963937A (zh) * | 2010-09-29 | 2011-02-02 | 南京航空航天大学 | 飞控计算机系统剩余寿命预测方法 |
CN105929723A (zh) * | 2015-02-26 | 2016-09-07 | 发那科株式会社 | 通过纠错功能进行寿命预测的控制装置 |
CN108228377A (zh) * | 2017-12-29 | 2018-06-29 | 华中科技大学 | 一种面向磁盘故障检测的smart阈值优化方法 |
CN109828869A (zh) * | 2018-12-05 | 2019-05-31 | 中兴通讯股份有限公司 | 预测硬盘故障发生时间的方法、装置及存储介质 |
CN110647446A (zh) * | 2018-06-26 | 2020-01-03 | 中兴通讯股份有限公司 | 一种日志故障关联与预测方法、装置、设备及存储介质 |
CN112559279A (zh) * | 2020-11-10 | 2021-03-26 | 深圳前海有电物联科技有限公司 | 不间断电源系统故障预测方法、设备和计算机可读存储介质 |
CN115617604A (zh) * | 2022-09-09 | 2023-01-17 | 北京同有飞骥科技股份有限公司 | 基于图像模式匹配的磁盘故障预测方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7472038B2 (en) * | 2007-04-16 | 2008-12-30 | International Business Machines Corporation | Method of predicting microprocessor lifetime reliability using architecture-level structure-aware techniques |
US10067817B2 (en) * | 2016-05-25 | 2018-09-04 | International Business Machines Corporation | Equipment failure risk detection and prediction in industrial process |
US11409592B2 (en) * | 2020-02-13 | 2022-08-09 | Baker Hughes Oilfield Operations Llc | Methods of predicting electronic component failures in an earth-boring tool and related systems and apparatus |
-
2023
- 2023-11-03 CN CN202311454457.5A patent/CN117170998B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6470479B1 (en) * | 1999-12-01 | 2002-10-22 | Mitsubishi Denki Kabushiki Kaisha | Method of verifying semiconductor integrated circuit reliability and cell library database |
CN101963937A (zh) * | 2010-09-29 | 2011-02-02 | 南京航空航天大学 | 飞控计算机系统剩余寿命预测方法 |
CN105929723A (zh) * | 2015-02-26 | 2016-09-07 | 发那科株式会社 | 通过纠错功能进行寿命预测的控制装置 |
CN108228377A (zh) * | 2017-12-29 | 2018-06-29 | 华中科技大学 | 一种面向磁盘故障检测的smart阈值优化方法 |
CN110647446A (zh) * | 2018-06-26 | 2020-01-03 | 中兴通讯股份有限公司 | 一种日志故障关联与预测方法、装置、设备及存储介质 |
CN109828869A (zh) * | 2018-12-05 | 2019-05-31 | 中兴通讯股份有限公司 | 预测硬盘故障发生时间的方法、装置及存储介质 |
CN112559279A (zh) * | 2020-11-10 | 2021-03-26 | 深圳前海有电物联科技有限公司 | 不间断电源系统故障预测方法、设备和计算机可读存储介质 |
CN115617604A (zh) * | 2022-09-09 | 2023-01-17 | 北京同有飞骥科技股份有限公司 | 基于图像模式匹配的磁盘故障预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117170998A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rigamonti et al. | Ensemble of optimized echo state networks for remaining useful life prediction | |
US10831577B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
EP3640870A1 (en) | Asset performance manager | |
CN111033552B (zh) | 热能流体传输系统中非侵入式传感器的认知能量评估 | |
EP2963552B1 (en) | System analysis device and system analysis method | |
CN110757510B (zh) | 一种机器人剩余寿命预测方法及系统 | |
CN110570544A (zh) | 飞机燃油系统故障识别方法、装置、设备和存储介质 | |
KR102235808B1 (ko) | 산업 플랜트 설비의 신호 그룹 기반 학습 모델을 이용한 운전 예측 시스템, 방법 및 컴퓨터 프로그램 | |
CN112508723B (zh) | 基于自动择优建模的金融风险预测方法、装置和电子设备 | |
US20220414526A1 (en) | Intelligent fault detection system | |
KR101468142B1 (ko) | 플랜트 건강상태 예측방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체 | |
CN113438114A (zh) | 互联网系统的运行状态监控方法、装置、设备及存储介质 | |
CN117176560A (zh) | 一种基于物联网的监测设备监管系统及其方法 | |
CN117713221B (zh) | 一种微逆光伏并网优化系统 | |
CN117354171B (zh) | 基于物联网平台的平台健康状况预警方法及系统 | |
US11715284B2 (en) | Anomaly detection apparatus, anomaly detection method, and program | |
CN117170998B (zh) | 一种智能化设备生命周期管理系统 | |
CN117269742A (zh) | 一种高海拔环境下断路器健康状态评估方法、装置及介质 | |
CN112100617A (zh) | 一种异常sql检测方法及装置 | |
US20230038977A1 (en) | Apparatus and method for predicting anomalous events in a system | |
CN114338351B (zh) | 网络异常根因确定方法、装置、计算机设备及存储介质 | |
KR102656115B1 (ko) | 연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치 | |
US20230297095A1 (en) | Monitoring device and method for detecting anomalies | |
CN113076217B (zh) | 基于国产平台的磁盘故障预测方法 | |
CN113447813B (zh) | 海上风力发电机组的故障诊断方法及设备 |
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 |