CN117311172A - 面向特殊科室的一用一备机组的故障预测方法及系统 - Google Patents
面向特殊科室的一用一备机组的故障预测方法及系统 Download PDFInfo
- Publication number
- CN117311172A CN117311172A CN202311620553.2A CN202311620553A CN117311172A CN 117311172 A CN117311172 A CN 117311172A CN 202311620553 A CN202311620553 A CN 202311620553A CN 117311172 A CN117311172 A CN 117311172A
- Authority
- CN
- China
- Prior art keywords
- fault
- unit
- model
- time
- personnel
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 97
- 238000005457 optimization Methods 0.000 claims abstract description 46
- 238000011156 evaluation Methods 0.000 claims abstract description 29
- 238000010977 unit operation Methods 0.000 claims abstract description 20
- 230000004044 response Effects 0.000 claims description 67
- 238000001514 detection method Methods 0.000 claims description 23
- 238000012423 maintenance Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000032683 aging Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 206010002091 Anaesthesia Diseases 0.000 description 1
- 230000037005 anaesthesia Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001631 haemodialysis Methods 0.000 description 1
- 230000000322 hemodialysis Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明属于设备监管技术领域，具体是面向特殊科室的一用一备机组的故障预测方法及系统，其中，该故障预测系统包括服务器、模型生成优化模块、机组数据采集处理模块、机组故障预测模块以及针对性预警推送模块；本发明通过模型生成优化模块生成与相应机组所匹配的故障预测模型，并将处理后的机组运行参数数据输入至故障预测模型中，判断机组的故障状况并在预测机组存在故障时确定所对应的故障类型，实现对机组运行故障的有效预测，且在确定机组故障类型后通过优推评估分析以确定优推人员，能够实现对机组故障的高效处理，且能够及时针对故障预测模型进行更新优化，保证一用一备机组运行故障的预测精准性和预测效率，智能化程度高。
Description
技术领域
本发明涉及设备监管技术领域，具体是面向特殊科室的一用一备机组的故障预测方法及系统。
背景技术
面向特殊科室的一用一备机组通常指的是用于特殊科室的医疗设备，这些设备需要一用一备，以确保在设备出现故障或需要维修时，有备用设备可以继续提供服务，保障科室的正常运营，包括呼吸机、血液透析机、麻醉机以及放射科设备等；对于这些特殊科室的医疗设备，一用一备机组是非常必要的，能够显著减小对患者治疗、科室正常运营所产生的严重影响；
目前在对一用一备机组进行运行监管时，难以对机组进行准确的故障预测并在预测出现故障时确定故障类型，且在确定对应机组的故障类型时无法合理且快速选定最适合的维修人员并向其推送故障预警信息，不利于对机组故障进行高效处理，以及无法及时进行系统优化，不利于保证一用一备机组运行故障的预测精准性和预测效率，智能化程度低；
针对上述的技术缺陷，现提出一种解决方案。
发明内容
本发明的目的在于提供面向特殊科室的一用一备机组的故障预测方法及系统，解决了现有技术难以对一用一备机组进行准确的故障预测并在预测出现故障时确定故障类型，且在确定对应机组的故障类型时无法合理且快速选定最适合的维修人员并向其推送故障预警信息，以及无法及时进行系统优化，智能化程度低的问题。
为实现上述目的，本发明提供如下技术方案：
面向特殊科室的一用一备机组的故障预测系统，包括服务器、模型生成优化模块、机组数据采集处理模块、机组故障预测模块以及针对性预警推送模块；模型生成优化模块用于生成与相应机组所匹配的故障预测模型，并在故障预测模型的实际使用过程中对其不断优化；机组数据采集处理模块对相应机组进行运行监测，采集机组的运行参数数据并对其进行处理，且将处理后的机组运行参数数据经服务器发送至机组故障预测模块；
机组故障预测模块将所接收的机组运行参数数据输入至故障预测模型中，对机组的运行状态和参数进行实时预测，据此判断机组的故障状况，并在机组存在故障时确定所对应的故障类型，且将所确定的故障类型经服务器发送至针对性预警推送模块；针对性预警推送模块在接收到故障类型后，获取到所有预警响应人员，将预警响应人员进行优推评估分析，据此以确定优推人员，将存在故障的机组位置以及故障类型发送至优推人员的智能终端；优推人员及时前往存在故障的机组位置，采用备用机组替换该存在故障的机组，并对存在故障的机组进行检查维修。
进一步的，模型生成优化模块的具体运行过程包括：
数据收集：收集对应机组的历史运行数据和故障数据，包括机组的电流、电压、温度和压力参数，以及机组的故障类型、发生时间和维修记录；
数据预处理：对收集到的数据进行清洗、预处理和转换，去除异常值、缺失值和重复值，将数据转化为统一的格式和尺度；
特征提取和选择：从预处理后的数据中提取与机组故障相关的特征值，选择与机组故障相关性强的特征，去除冗余和无关的特征；
模型选择和训练：选择相应的机器学习或深度学习模型作为故障预测模型，包括支持向量机、决策树和神经网络，使用提取的特征和对应的故障标签对模型进行训练，调整模型的参数和结构，提高模型的准确性和泛化能力；
模型评估和优化：使用测试数据集对训练好的模型进行测试，对模型的效果进行评估和优化，若模型的性能不满足要求，则继续调整模型的参数和结构或更换其它模型；
模型部署和实时监测：将训练好的模型部署到实际系统中，与其它模块配合工作，以对机组故障进行实时预测和监控，并定期对模型进行更新和优化。
进一步的，服务器与检维全程追溯模块通信连接，检维全程追溯模块对优推人员接收到存在故障的机组位置和对应故障类型的时刻至结束对应机组的故障处理的时刻进行全流程监控追溯分析，具体为：
采集到优推人员接收到存在故障的机组位置和对应故障类型的时刻并将其标记为推始时刻，以及采集到优推人员到达存在故障的机组位置的时刻并将其标记为到达时刻，将到达时刻与推始时刻进行时间差计算得到出发时长，将出发时长与所规定的相应预设时长进行比值计算得到出发效率系数；
以及采集到优推人员结束对应机组的故障处理的时刻并将其标记为处束时刻，将处束时刻与到达时刻进行时间差计算得到处理时长；将该优推人员进行对应机组对应故障类型的处理操作的出发效率系数和处理时长发送至服务器进行存储，且服务器将该优推人员进行对应机组对应故障类型的维修次数加一。
进一步的，预警响应人员的获取方法如下：
获取到机组维护检修岗位的所有人员并将其标记为目标人员，生成响应待确定指令，并设定响应规范时长，将响应待确定指令发送至所有目标人员的智能终端，将响应待确定指令的发送时刻标记为响应起始时刻，以响应起始时刻为时间起点进行计时，若对应目标人员在响应规范时长内对响应待确定指令进行接收并点击确定，则将对应目标人员标记为预警响应人员。
进一步的，优推评估分析的具体分析过程如下：
获取到对应预警响应人员在机组维护检修岗位的工作时长，采集到对应预警响应人员在工作时长内进行对应机组对应故障类型的处理操作的处理次数并将其标记为故障处理频率，以及采集到对应预警响应人员每次进行对应故障类型的处理时长，将所有处理时长进行求和计算并取均值以得到处理时效值；且将处理时长与预设处理时长阈值进行数值比较，若处理时长未超过预设处理时长阈值，则将对应处理过程标记为优处理过程，将对应预警响应人员进行对应故障类型的优处理过程的次数标记为故障处理优频值；
将对应预警响应人员的工作时长、故障处理频率、处理时效值和故障处理优频值进行数值计算得到优推初评值，按照优推初评值的数值由大到小的顺序将所有预警响应人员进行排序，将位于前三分之一的预警响应人员标记为待确定人员，并将所有待确定人员进行深度推送分析。
进一步的，深度推送分析的具体分析过程如下：
获取到对应待确定人员在工作时长内进行所有机组故障处理的出发效率系数，将所有出发效率系数与预设出发效率系数进行求和计算并取均值以得到出发效均值；且将出发效率系数与预设出发效率系数阈值进行数值比较，若出发效率系数未超过预设出发效率系数阈值，则将该出发效率系数标记为优效系数，将优效系数的数量与出发效率系数的数量进行比值计算得到优效检测值；
以及获取到对应待确定人员的位置，将对应待确定人员的位置和存在故障的机组位置进行距离计算得到前行距测值，将对应待确定人员的优推初评值、出发效均值、优效检测值和前行距测值进行数值计算得到优推表现值；按照优推表现值的数值由大到小的顺序进行所有待确定人员进行排序，将位于首位的待确定人员标记为优推人员。
进一步的，在进行模型评估和优化时，模型生成优化模块设定模型检测周期，采集到模型检测周期内故障预测模型的预测准确率、预测召回率和预测误报率，将预测准确率、预测召回率和预测误报率分别对对应预设阈值进行数值比较，若预测准确率和预测召回率均超过对应预设阈值且预测误报率未超过对应预设阈值，则进行模型深层次分析，其余情况则生成模型待优化信号，且将模型待优化信号发送至服务器。
进一步的，模型深层次分析的具体分析过程如下：
采集到模型检测周期内故障预测模型的故障预测时延值，以及采集到故障预测模型相邻上一次模型优化的时刻，将当前时刻与相邻上一次模型优化的时刻进行时间差计算得到模型优化间隔时长；将故障预测时延值、模型优化间隔时长、预测准确率、预测召回率和预测误报率进行数值计算得到模型优化值；将模型优化值与预设模型优化阈值进行数值比较，若模型优化值超过预设模型优化阈值，则生成模型待优化信号。
进一步的，本发明还提出了面向特殊科室的一用一备机组的故障预测方法，该故障预测方法包括以下步骤：
步骤一、生成与相应机组所匹配的故障预测模型，并在故障预测模型的实际使用过程中对其不断优化；
步骤二、采集机组的运行参数数据并对其进行处理，且将处理后的机组运行参数数据发送至机组故障预测模块；
步骤三、机组故障预测模块将所接收的机组运行参数数据输入至故障预测模型中，对机组的运行状态和参数进行实时预测，判断机组的故障状况并确定所对应的故障类型，且将所确定的故障类型发送至针对性预警推送模块；
步骤四、针对性预警推送模块获取到所有预警响应人员，将预警响应人员进行优推评估分析，据此以确定优推人员，将存在故障的机组位置以及故障类型发送至优推人员的智能终端；
步骤五、优推人员及时前往存在故障的机组位置，采用备用机组替换该存在故障的机组，并对存在故障的机组进行检查维修。
与现有技术相比，本发明的有益效果是：
1、本发明中，通过模型生成优化模块生成与相应机组所匹配的故障预测模型，机组故障预测模块将处理后的机组运行参数数据输入至故障预测模型中，故障预测模型据此判断机组的故障状况并在预测机组存在故障时确定所对应的故障类型，实现对机组运行故障的有效预测；且在确定机组故障类型后通过针对性预警推送模块进行优推评估分析以确定优推人员，能够自动且合理确定最适合的维修人员，实现对机组故障的高效处理，智能化程度高；
2、本发明中，在进行模型评估和优化时，模型生成优化模块设定模型检测周期，通过分析以判断是否生成模型待优化信号，且将模型待优化信号发送至服务器；服务器接收到模型待优化信号时，相应后台管理人员及时针对故障预测模型进行更新优化，以保证故障预测模型的运行性能，有利于维持一用一备机组运行故障的预测精准性和预测效率，进一步提升其智能化程度。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明；
图1为本发明中实施例一的第一系统框图；
图2为本发明中实施例一的第二系统框图；
图3为本发明的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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他实施例，都属于本发明保护的范围。
实施例一：如图1所示，本发明提出的面向特殊科室的一用一备机组的故障预测系统，包括服务器、模型生成优化模块、机组数据采集处理模块、机组故障预测模块以及针对性预警推送模块，且服务器与模型生成优化模块、机组数据采集处理模块、机组故障预测模块以及针对性预警推送模块均通信连接；模型生成优化模块用于生成与相应机组所匹配的故障预测模型，并在故障预测模型的实际使用过程中对其不断优化；模型生成优化模块的具体运行过程如下：
数据收集：收集对应机组的历史运行数据和故障数据，比如机组的电流、电压、温度和压力等参数，以及机组的故障类型、发生时间和维修记录等信息；数据预处理：对收集到的数据进行清洗、预处理和转换等，去除异常值、缺失值和重复值，将数据转化为统一的格式和尺度，便于后续的特征提取和模型建立；特征提取和选择：从预处理后的数据中提取与机组故障相关的特征值，选择与机组故障相关性较强的特征，去除冗余和无关的特征，特征可以是设备的电流、电压、温度、压力等参数的统计量，也可以是通过深度学习等方法提取的更高维度的特征；
模型选择和训练：根据实际情况选择相应的机器学习或深度学习模型作为故障预测模型，比如支持向量机、决策树和神经网络等，使用提取的特征和对应的故障标签对模型进行训练，调整模型的参数和结构，提高模型的准确性和泛化能力；模型评估和优化：使用测试数据集对训练好的模型进行测试，对模型的效果进行评估和优化，若模型的性能不满足要求，则继续调整模型的参数和结构或更换其它模型；模型部署和实时监测：将训练好的模型部署到实际系统中，与其它模块配合工作，以对机组故障进行实时预测和监控，并定期对模型进行更新和优化。
并且，机组数据采集处理模块对相应机组进行运行监测，采集机组的运行参数数据并对其进行处理，且将处理后的机组运行参数数据经服务器发送至机组故障预测模块；机组故障预测模块将所接收的机组运行参数数据输入至故障预测模型中，对机组的运行状态和参数进行实时预测，据此判断机组的故障状况，并在机组存在故障时确定所对应的故障类型，实现对机组运行故障的有效预测，且将所确定的故障类型经服务器发送至针对性预警推送模块；
针对性预警推送模块在接收到故障类型后，获取到所有预警响应人员，预警响应人员的获取方法具体为：获取到机组维护检修岗位的所有人员并将其标记为目标人员，生成响应待确定指令，并设定响应规范时长，将响应待确定指令发送至所有目标人员的智能终端，将响应待确定指令的发送时刻标记为响应起始时刻，以响应起始时刻为时间起点进行计时，若对应目标人员在响应规范时长内对响应待确定指令进行接收并点击确定，则将对应目标人员标记为预警响应人员；
在获取到所有预警响应人员后，将预警响应人员进行优推评估分析，据此以确定优推人员，将存在故障的机组位置以及故障类型发送至优推人员的智能终端；优推人员及时前往存在故障的机组位置，采用备用机组替换该存在故障的机组，并对存在故障的机组进行检查维修，能够自动且合理确定最适合的维修人员，实现对机组故障的高效处理，减小机组管理难度，智能化程度高；优推评估分析的具体分析过程如下：
获取到对应预警响应人员在机组维护检修岗位的工作时长，采集到对应预警响应人员在工作时长内进行对应机组对应故障类型的处理操作的处理次数并将其标记为故障处理频率，以及采集到对应预警响应人员每次进行对应故障类型的处理时长，将所有处理时长进行求和计算并取均值以得到处理时效值；且将处理时长与预设处理时长阈值进行数值比较，若处理时长未超过预设处理时长阈值，则将对应处理过程标记为优处理过程，将对应预警响应人员进行对应故障类型的优处理过程的次数标记为故障处理优频值；
通过公式将对应预警响应人员的工作时长YS、故障处理频率YK、处理时效值YQ和故障处理优频值YW进行数值计算得到优推初评值YT，其中，a1、a2、a3、a4为预设比例系数，a4＞a2＞a3＞a1；并且，优推初评值YT的数值越大，表明对应预警响应人员越适合进行该次机组故障的处理操作；按照优推初评值的数值由大到小的顺序将所有预警响应人员进行排序，将位于前三分之一的预警响应人员标记为待确定人员；
获取到对应待确定人员在工作时长内进行所有机组故障处理的出发效率系数，将所有出发效率系数与预设出发效率系数进行求和计算并取均值以得到出发效均值；且将出发效率系数与预设出发效率系数阈值进行数值比较，若出发效率系数未超过预设出发效率系数阈值，则将该出发效率系数标记为优效系数，将优效系数的数量与出发效率系数的数量进行比值计算得到优效检测值；以及获取到对应待确定人员的位置，将对应待确定人员的位置和存在故障的机组位置进行距离计算得到前行距测值；
通过公将对应待确定人员的优推初评值YT、出发效均值GR、优效检测值GF和前行距测值GW进行数值计算得到优推表现值HY；其中，ep1、ep2、ep3、ep4为预设比例系数，ep3＞ep1＞ep2＞ep4＞0；并且，优推表现值HY的数值越大，表明对应待确定人员越适合进行该机组故障的当次处理操作；按照优推表现值的数值由大到小的顺序进行所有待确定人员进行排序，将位于首位的待确定人员标记为优推人员，实现对相应机组故障的处理人员的自动且合理选择，智能化程度高。
进一步而言，如图2所示，服务器与检维全程追溯模块通信连接，检维全程追溯模块对优推人员接收到存在故障的机组位置和对应故障类型的时刻至结束对应机组的故障处理的时刻进行全流程监控追溯分析，能够准确反馈对应优推人员应对机组故障的处理表现，具体为：采集到优推人员接收到存在故障的机组位置和对应故障类型的时刻并将其标记为推始时刻，以及采集到优推人员到达存在故障的机组位置的时刻并将其标记为到达时刻，将到达时刻与推始时刻进行时间差计算得到出发时长，将出发时长与所规定的相应预设时长进行比值计算得到出发效率系数；
需要说明的是，出发效率系数的数值越大，表明该优推人员针对该次机组故障处理的反应效率越低下，应对故障处理的态度越不积极；以及采集到优推人员结束对应机组的故障处理的时刻并将其标记为处束时刻，将处束时刻与到达时刻进行时间差计算得到处理时长，其中，处理时长的数值越小，表明该优推人员针对该次机组故障处理的处理效率越高，针对该机组故障类型的处理越快；将该优推人员进行对应机组对应故障类型的处理操作的出发效率系数和处理时长发送至服务器进行存储，且服务器将该优推人员进行对应机组对应故障类型的维修次数加一，为针对性预警推送模块的分析过程提供数据支撑。
实施例二：如图3所示，本实施例与实施例1的区别在于，在进行模型评估和优化时，模型生成优化模块设定模型检测周期，采集到模型检测周期内故障预测模型的预测准确率、预测召回率和预测误报率，其中，预测准确率是表示单位时间内故障预测模型预测正确的故障数量占所有预测故障数量的比例，预测准确率越高则表明故障预测模型预测越准确；预测召回率是表示单位时间内故障预测模型预测正确的故障数量占实际发生故障数量的比例，预测召回率越高则表明故障预测模型能够发现更多的实际故障；预测误报率是表示单位时间内故障预测模型误报的故障数量多少的数据量值，预测误报率越低则表明故障预测模型鲁棒性越好；
将预测准确率、预测召回率和预测误报率分别对对应预设阈值进行数值比较，若预测准确率和预测召回率均超过对应预设阈值且预测误报率未超过对应预设阈值，表明故障预测模型的使用性能越好，故障预测效果越佳，在此情况下则进行模型深层次分析；其余情况则生成模型待优化信号，且将模型待优化信号发送至服务器；服务器接收到模型待优化信号时，相应后台管理人员及时针对故障预测模型进行更新优化，以保证故障预测模型的运行性能；
进一步而言，模型深层次分析的具体分析为：采集到模型检测周期内故障预测模型的故障预测时延值，其中，故障预测时延值是表示单位时间内故障预测模型预测故障发生的时间与实际故障发生时间的平均差距大小的数据量值，故障预测时延值越小则表明故障预测模型的预测越精准；以及采集到故障预测模型相邻上一次模型优化的时刻，将当前时刻与相邻上一次模型优化的时刻进行时间差计算得到模型优化间隔时长；
通过公式将故障预测时延值WS、模型优化间隔时长WD、预测准确率WE、预测召回率WR和预测误报率WY进行数值计算得到模型优化值WQ；其中，st1、st2、st3、st4、st5为预设比例系数，st1、st2、st3、st4、st5的取值均大于零；并且，模型优化值WQ的数值越大，表明故障预测模型的使用性能相对而言越差，越需要及时进行优化；将模型优化值WQ与预设模型优化阈值进行数值比较，若模型优化值WQ超过预设模型优化阈值，则生成模型待优化信号。
实施例三：本实施例与实施例1、实施例2的区别在于，本发明提出的面向特殊科室的一用一备机组的故障预测方法，该故障预测方法包括以下步骤：
步骤一、生成与相应机组所匹配的故障预测模型，并在故障预测模型的实际使用过程中对其不断优化；
步骤二、采集机组的运行参数数据并对其进行处理，且将处理后的机组运行参数数据发送至机组故障预测模块；
步骤三、机组故障预测模块将所接收的机组运行参数数据输入至故障预测模型中，对机组的运行状态和参数进行实时预测，判断机组的故障状况并确定所对应的故障类型，且将所确定的故障类型发送至针对性预警推送模块；
步骤四、针对性预警推送模块获取到所有预警响应人员，将预警响应人员进行优推评估分析，据此以确定优推人员，将存在故障的机组位置以及故障类型发送至优推人员的智能终端；
步骤五、优推人员及时前往存在故障的机组位置，采用备用机组替换该存在故障的机组，并对存在故障的机组进行检查维修。
本发明的工作原理：使用时，模型生成优化模块用于生成与相应机组所匹配的故障预测模型，并在故障预测模型的实际使用过程中对其不断优化，机组数据采集处理模块采集机组的运行参数数据并对其进行处理，机组故障预测模块将处理后的机组运行参数数据输入至故障预测模型中，故障预测模型对机组的运行状态和参数进行实时预测，据此判断机组的故障状况，并在预测机组存在故障时确定所对应的故障类型，实现对机组运行故障的有效预测；在确定机组故障类型后，针对性预警推送模块获取到所有预警响应人员，将预警响应人员进行优推评估分析，据此以确定优推人员，将存在故障的机组位置以及故障类型发送至优推人员的智能终端，能够自动且合理确定最适合的维修人员，实现对机组故障的高效处理，减小机组管理难度，智能化程度高。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (9)
1.面向特殊科室的一用一备机组的故障预测系统，其特征在于，包括：
模型生成优化模块，用于生成与相应机组所匹配的故障预测模型，并在故障预测模型的实际使用过程中对其不断优化；
机组数据采集处理模块，对相应机组进行运行监测，采集机组的运行参数数据并对其进行处理，且将处理后的机组运行参数数据经服务器发送至机组故障预测模块；
机组故障预测模块，将所接收的机组运行参数数据输入至故障预测模型中，对机组的运行状态和参数进行实时预测，据此判断机组的故障状况，并在机组存在故障时确定所对应的故障类型；
针对性预警推送模块，在接收到故障类型后，获取到所有预警响应人员，将预警响应人员进行优推评估分析，据此以确定优推人员，将存在故障的机组位置以及故障类型发送至优推人员的智能终端；优推人员及时前往存在故障的机组位置，采用备用机组替换该存在故障的机组，并对存在故障的机组进行检查维修。
2.根据权利要求1所述的面向特殊科室的一用一备机组的故障预测系统，其特征在于，模型生成优化模块的具体运行过程包括：
数据收集：收集对应机组的历史运行数据和故障数据，包括机组的电流、电压、温度和压力参数，以及机组的故障类型、发生时间和维修记录；
数据预处理：对收集到的数据进行清洗、预处理和转换，去除异常值、缺失值和重复值，将数据转化为统一的格式和尺度；
特征提取和选择：从预处理后的数据中提取与机组故障相关的特征值，选择与机组故障相关性强的特征，去除冗余和无关的特征；
模型选择和训练：选择相应的机器学习或深度学习模型作为故障预测模型，包括支持向量机、决策树和神经网络，使用提取的特征和对应的故障标签对模型进行训练，调整模型的参数和结构，提高模型的准确性和泛化能力；
模型评估和优化：使用测试数据集对训练好的模型进行测试，对模型的效果进行评估和优化，若模型的性能不满足要求，则继续调整模型的参数和结构或更换其它模型；
模型部署和实时监测：将训练好的模型部署到实际系统中，与其它模块配合工作，以对机组故障进行实时预测和监控，并定期对模型进行更新和优化。
3.根据权利要求1所述的面向特殊科室的一用一备机组的故障预测系统，其特征在于，还包括：
检维全程追溯模块，对优推人员接收到存在故障的机组位置和对应故障类型的时刻至结束对应机组的故障处理的时刻进行全流程监控追溯分析，具体为：
采集到优推人员接收到存在故障的机组位置和对应故障类型的时刻并将其标记为推始时刻，以及采集到优推人员到达存在故障的机组位置的时刻并将其标记为到达时刻，将到达时刻与推始时刻进行时间差计算得到出发时长，将出发时长与所规定的相应预设时长进行比值计算得到出发效率系数；
以及采集到优推人员结束对应机组的故障处理的时刻并将其标记为处束时刻，将处束时刻与到达时刻进行时间差计算得到处理时长；将该优推人员进行对应机组对应故障类型的处理操作的出发效率系数和处理时长发送至服务器进行存储，且服务器将该优推人员进行对应机组对应故障类型的维修次数加一。
4.根据权利要求1所述的面向特殊科室的一用一备机组的故障预测系统，其特征在于，预警响应人员的获取方法如下：
获取到机组维护检修岗位的所有人员并将其标记为目标人员，生成响应待确定指令，并设定响应规范时长，将响应待确定指令发送至所有目标人员的智能终端，将响应待确定指令的发送时刻标记为响应起始时刻，以响应起始时刻为时间起点进行计时，若对应目标人员在响应规范时长内对响应待确定指令进行接收并点击确定，则将对应目标人员标记为预警响应人员。
5.根据权利要求1所述的面向特殊科室的一用一备机组的故障预测系统，其特征在于，优推评估分析的具体分析过程如下：
获取到对应预警响应人员在机组维护检修岗位的工作时长，采集到对应预警响应人员在工作时长内进行对应机组对应故障类型的处理操作的处理次数并将其标记为故障处理频率，以及采集到对应预警响应人员每次进行对应故障类型的处理时长，将所有处理时长进行求和计算并取均值以得到处理时效值；且将处理时长与预设处理时长阈值进行数值比较，若处理时长未超过预设处理时长阈值，则将对应处理过程标记为优处理过程，将对应预警响应人员进行对应故障类型的优处理过程的次数标记为故障处理优频值；
将对应预警响应人员的工作时长、故障处理频率、处理时效值和故障处理优频值进行数值计算得到优推初评值，按照优推初评值的数值由大到小的顺序将所有预警响应人员进行排序，将位于前三分之一的预警响应人员标记为待确定人员，并将所有待确定人员进行深度推送分析。
6.根据权利要求5所述的面向特殊科室的一用一备机组的故障预测系统，其特征在于，深度推送分析的具体分析过程如下：
获取到对应待确定人员在工作时长内进行所有机组故障处理的出发效率系数，将所有出发效率系数与预设出发效率系数进行求和计算并取均值以得到出发效均值；且将出发效率系数与预设出发效率系数阈值进行数值比较，若出发效率系数未超过预设出发效率系数阈值，则将该出发效率系数标记为优效系数，将优效系数的数量与出发效率系数的数量进行比值计算得到优效检测值；
以及获取到对应待确定人员的位置，将对应待确定人员的位置和存在故障的机组位置进行距离计算得到前行距测值，将对应待确定人员的优推初评值、出发效均值、优效检测值和前行距测值进行数值计算得到优推表现值；按照优推表现值的数值由大到小的顺序进行所有待确定人员进行排序，将位于首位的待确定人员标记为优推人员。
7.根据权利要求2所述的面向特殊科室的一用一备机组的故障预测系统，其特征在于，在进行模型评估和优化时，模型生成优化模块设定模型检测周期，采集到模型检测周期内故障预测模型的预测准确率、预测召回率和预测误报率，若预测准确率和预测召回率均超过对应预设阈值且预测误报率未超过对应预设阈值，则进行模型深层次分析，其余情况则生成模型待优化信号，且将模型待优化信号发送至服务器。
8.根据权利要求7所述的面向特殊科室的一用一备机组的故障预测系统，其特征在于，模型深层次分析的具体分析过程如下：
采集到模型检测周期内故障预测模型的故障预测时延值，以及采集到故障预测模型相邻上一次模型优化的时刻，将当前时刻与相邻上一次模型优化的时刻进行时间差计算得到模型优化间隔时长；将故障预测时延值、模型优化间隔时长、预测准确率、预测召回率和预测误报率进行数值计算得到模型优化值；若模型优化值超过预设模型优化阈值，则生成模型待优化信号。
9.面向特殊科室的一用一备机组的故障预测方法，其特征在于，该故障预测方法采用如权利要求1-8任一项所述的面向特殊科室的一用一备机组的故障预测系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311620553.2A CN117311172B (zh) | 2023-11-30 | 2023-11-30 | 面向特殊科室的一用一备机组的故障预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311620553.2A CN117311172B (zh) | 2023-11-30 | 2023-11-30 | 面向特殊科室的一用一备机组的故障预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117311172A true CN117311172A (zh) | 2023-12-29 |
| CN117311172B CN117311172B (zh) | 2024-04-09 |
Family
ID=89285258
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311620553.2A Active CN117311172B (zh) | 2023-11-30 | 2023-11-30 | 面向特殊科室的一用一备机组的故障预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117311172B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108873830A (zh) * | 2018-05-31 | 2018-11-23 | 华中科技大学 | 一种生产现场数据在线采集分析及故障预测系统 |
| CN113844977A (zh) * | 2021-09-29 | 2021-12-28 | 湖南快杰电梯有限公司 | 一种电梯控制提醒及故障自诊断方法、系统以及存储介质 |
| CN114038169A (zh) * | 2021-11-10 | 2022-02-11 | 英业达(重庆)有限公司 | 生产设备故障监测方法、装置、设备及介质 |
| CN115684821A (zh) * | 2021-07-27 | 2023-02-03 | 品质控制有限责任公司 | 用于电网故障分析中的ai持续学习的系统和方法 |
| KR102549230B1 (ko) * | 2023-01-05 | 2023-07-03 | 주식회사 김변유니버스 | 인공지능 기반 빅데이터 분석을 통한 변호사 업무 분석 서비스 제공 방법, 장치 및 프로그램 |
| CN116451876A (zh) * | 2023-06-15 | 2023-07-18 | 国网江西省电力有限公司信息通信分公司 | 一种基于人工智能的配电网故障预测和主动检修系统 |
| CN116720055A (zh) * | 2023-08-09 | 2023-09-08 | 北京合锐赛尔电力科技股份有限公司 | 一种环保气体绝缘环网柜运行故障诊断分析系统 |
| CN116823227A (zh) * | 2023-07-07 | 2023-09-29 | 淮安瀚唐信息技术有限公司 | 一种基于物联网的智能设备管理系统及方法 |
| CN116993003A (zh) * | 2023-07-01 | 2023-11-03 | 武汉爱科森网络科技有限公司 | 一种设备故障预测系统及方法 |
| US20230359193A1 (en) * | 2020-11-30 | 2023-11-09 | Jio Platforms Limited | System and method of predicting failures |
-
2023
- 2023-11-30 CN CN202311620553.2A patent/CN117311172B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108873830A (zh) * | 2018-05-31 | 2018-11-23 | 华中科技大学 | 一种生产现场数据在线采集分析及故障预测系统 |
| US20230359193A1 (en) * | 2020-11-30 | 2023-11-09 | Jio Platforms Limited | System and method of predicting failures |
| CN115684821A (zh) * | 2021-07-27 | 2023-02-03 | 品质控制有限责任公司 | 用于电网故障分析中的ai持续学习的系统和方法 |
| CN113844977A (zh) * | 2021-09-29 | 2021-12-28 | 湖南快杰电梯有限公司 | 一种电梯控制提醒及故障自诊断方法、系统以及存储介质 |
| CN114038169A (zh) * | 2021-11-10 | 2022-02-11 | 英业达(重庆)有限公司 | 生产设备故障监测方法、装置、设备及介质 |
| KR102549230B1 (ko) * | 2023-01-05 | 2023-07-03 | 주식회사 김변유니버스 | 인공지능 기반 빅데이터 분석을 통한 변호사 업무 분석 서비스 제공 방법, 장치 및 프로그램 |
| CN116451876A (zh) * | 2023-06-15 | 2023-07-18 | 国网江西省电力有限公司信息通信分公司 | 一种基于人工智能的配电网故障预测和主动检修系统 |
| CN116993003A (zh) * | 2023-07-01 | 2023-11-03 | 武汉爱科森网络科技有限公司 | 一种设备故障预测系统及方法 |
| CN116823227A (zh) * | 2023-07-07 | 2023-09-29 | 淮安瀚唐信息技术有限公司 | 一种基于物联网的智能设备管理系统及方法 |
| CN116720055A (zh) * | 2023-08-09 | 2023-09-08 | 北京合锐赛尔电力科技股份有限公司 | 一种环保气体绝缘环网柜运行故障诊断分析系统 |
Non-Patent Citations (1)
| Title |
|---|
| 贾青宁;任洪亮;程兴冉;: "基于决策树的卫生装备数质量预警模型的应用探讨", 医疗卫生装备, no. 12, 15 December 2017 (2017-12-15), pages 27 - 29 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117311172B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108446864B (zh) | 基于大数据分析的轨道交通设备的故障预警系统及方法 | |
| CN114819415B (zh) | 一种基于数据分析的电力设备故障预测系统 | |
| CN116187593B (zh) | 一种配电网故障预测处理方法、装置、设备、存储介质 | |
| CN117148001A (zh) | 一种基于人工智能的新能源汽车充电桩故障预测系统 | |
| 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 | |
| CN112734977B (zh) | 一种基于物联网的设备风险预警系统及算法 | |
| 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 | |
| CN109491339B (zh) | 一种基于大数据的变电站设备运行状态预警系统 | |
| CN108435819A (zh) | 一种铝型材挤压机能耗异常检测方法 | |
| CN115470850A (zh) | 一种基于管网水质时空数据的水质异常事件识别预警方法 | |
| CN116820014A (zh) | 一种交通机电设备智能化监控预警方法及系统 | |
| CN115311585A (zh) | 用于电网架空线路异物的识别检测系统 | |
| CN117311172B (zh) | 面向特殊科室的一用一备机组的故障预测方法及系统 | |
| CN108613820A (zh) | 一种用于gis本体机械缺陷诊断和定位的在线异声监测算法 | |
| CN117118079A (zh) | 基于人工智能的物联网智慧电力管理中台 | |
| CN101923605B (zh) | 铁路防灾风预警方法 | |
| CN118071116B (zh) | 一种基于数据分析的设备运维智能化管理系统 | |
| CN114429148A (zh) | 一种基于多源数据融合的电力设备状态检测方法 | |
| CN117034157B (zh) | 一种结合多模态运行数据的水电设备故障识别方法与系统 | |
| CN117746323B (zh) | 一种基于时空状态图的水电站辅助设备故障检测方法 | |
| CN112017793B (zh) | 一种用于聚变装置的分子泵维护决策管理系统和方法 | |
| CN118011115A (zh) | 一种基于硬件捕捉机制的在线避雷器监测系统及方法 | |
| CN117155758A (zh) | 一种基于iptv业务感知监测预警及故障定位的方法 | |
| CN118432710A (zh) | 一种光纤通信链路故障上报的方法 |
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 |