CN117435964B - 基于数据诊断仪的设备状态评估方法及系统 - Google Patents
基于数据诊断仪的设备状态评估方法及系统 Download PDFInfo
- Publication number
- CN117435964B CN117435964B CN202311769381.5A CN202311769381A CN117435964B CN 117435964 B CN117435964 B CN 117435964B CN 202311769381 A CN202311769381 A CN 202311769381A CN 117435964 B CN117435964 B CN 117435964B
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- evaluated
- state evaluation
- equipment state
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 84
- 238000013210 evaluation model Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000013500 data storage Methods 0.000 claims abstract description 12
- 238000010219 correlation analysis Methods 0.000 claims abstract description 9
- 238000012423 maintenance Methods 0.000 claims description 31
- 238000001914 filtration Methods 0.000 claims description 19
- 238000004140 cleaning Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 8
- 230000032683 aging Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
- G06F3/0601—Interfaces specially adapted for storage systems
- G06F3/0602—Interfaces specially adapted for storage systems specifically adapted to achieve a particular effect
- G06F3/0604—Improving or facilitating administration, e.g. storage management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
- G06F3/0601—Interfaces specially adapted for storage systems
- G06F3/0602—Interfaces specially adapted for storage systems specifically adapted to achieve a particular effect
- G06F3/0614—Improving the reliability of storage systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于数据诊断仪的设备状态评估方法及系统，涉及智能评估技术领域，该方法包括：使用数据诊断仪的数据采集终端，进行待评估设备运行数据采集，获取待评估设备运行数据，通过数据预处理模块，对待评估设备运行数据进行预处理，获得待评估数据集；基于待评估数据集，进行数据特征提取和相关性分析，获取多维设备特征数据；根据设备状态评估模型，结合多维设备特征数据，进行设备状态评估，获得设备状态评估结果。本发明解决了现有技术中由于存储数据的丢帧率高，导致设备状态评估准确度低的技术问题，达到了通过降低数据丢帧率、提高数据存储的准确率，来提高设备状态评估速度和准确度的技术效果。
Description
技术领域
本发明涉及智能评估技术领域，具体涉及一种基于数据诊断仪的设备状态评估方法及系统。
背景技术
随着汽车电子技术的快速发展以及芯片开发质量的飞速进步，汽车零部件的成本要求越来越低、性能要求越来越高。DRS 数据诊断仪作为标配的车辆数据分析部件之一，原有的芯片方案的高成本和 10%丢帧率，已无法满足现有的车辆状态评估需求。
发明内容
本申请提供了一种基于数据诊断仪的设备状态评估方法及系统，用于解决现有技术中由于存储数据的丢帧率高，导致设备状态评估准确度低的技术问题。
本申请的第一个方面，提供了一种基于数据诊断仪的设备状态评估方法，所述方法包括：使用数据诊断仪的数据采集终端，进行待评估设备运行数据采集，获取待评估设备运行数据；通过数据预处理模块，对所述待评估设备运行数据进行预处理，获得待评估数据集；基于所述待评估数据集，进行数据特征提取，获取多个待评估设备特征数据；对所述多个待评估设备特征进行相关性分析，获取多维设备特征数据；采集待评估设备历史运维记录，构建设备状态评估模型；根据所述设备状态评估模型，结合所述多维设备特征数据，进行设备状态评估，获得设备状态评估结果。
本申请的第二个方面，提供了一种基于数据诊断仪的设备状态评估系统，所述系统包括：待评估设备运行数据获取模块，所述待评估设备运行数据获取模块用于使用数据诊断仪的数据采集终端，进行待评估设备运行数据采集，获取待评估设备运行数据；待评估数据集获取模块，所述待评估数据集获取模块用于通过数据预处理模块，对所述待评估设备运行数据进行预处理，获得待评估数据集；待评估设备特征数据获取模块，所述待评估设备特征数据获取模块用于基于所述待评估数据集，进行数据特征提取，获取多个待评估设备特征数据；多维设备特征数据获取模块，所述多维设备特征数据获取模块用于对所述多个待评估设备特征进行相关性分析，获取多维设备特征数据；设备状态评估模型构建模块，所述设备状态评估模型构建模块用于采集待评估设备历史运维记录，构建设备状态评估模型；设备状态评估结果获取模块，所述设备状态评估结果获取模块用于根据所述设备状态评估模型，结合所述多维设备特征数据，进行设备状态评估，获得设备状态评估结果。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请提供的一种基于数据诊断仪的设备状态评估方法，涉及智能评估技术领域，通过使用数据诊断仪的数据采集终端，获取待评估设备运行数据，通过数据预处理模块，进行预处理，获得待评估数据集，基于待评估数据集，进行数据特征提取和相关性分析，获取多维设备特征数据，使用设备状态评估模型，进行设备状态评估，获得设备状态评估结果，解决了现有技术中由于存储数据的丢帧率高，导致设备状态评估准确度低的技术问题，实现了通过降低数据丢帧率、提高数据存储的准确率，来提高设备状态评估速度和准确度的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于数据诊断仪的设备状态评估方法流程示意图。
图2为本申请实施例提供的一种基于数据诊断仪的设备状态评估方法中获取待评估设备运行数据的流程示意图。
图3为本申请实施例提供的一种基于数据诊断仪的设备状态评估方法中获取多个待评估设备特征数据的流程示意图。
图4为本申请实施例提供的一种基于数据诊断仪的设备状态评估系统结构示意图。
附图标记说明：待评估设备运行数据获取模块11，待评估数据集获取模块12，待评估设备特征数据获取模块13，多维设备特征数据获取模块14，设备状态评估模型构建模块15，设备状态评估结果获取模块16。
具体实施方式
本申请提供了一种基于数据诊断仪的设备状态评估方法，用于解决现有技术中由于存储数据的丢帧率高，导致设备状态评估准确度低的技术问题。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一
如图1所示，本申请提供了一种基于数据诊断仪的设备状态评估方法，所述方法包括：
P10：使用数据诊断仪的数据采集终端，进行待评估设备运行数据采集，获取待评估设备运行数据；
进一步的，如图2所示，本申请实施例步骤P10还包括：
P11：设置ID过滤模式，包括白名单模式和黑名单模式；
P12：通过设置常规变量ID、特殊变量ID和ID记录频次，构建配置列表；
P13：识别实时ID过滤模式，并参照所述配置列表，使用数据诊断仪进行目标数据的ID过滤和数据存储，获得待评估设备运行数据；
P14：所述待评估设备运行数据包括待评估设备的振动、温度、电流、压力参数数据。
进一步的，本申请实施例步骤P13还包括：
P13-1：通过所述配置列表进行ID过滤，获取待存储ID数据；
P13-2：将所述待存储ID数据，使用EMMC固态方案存储在闪存芯片中，获得所述待评估设备运行数据。
可选的，使用数据诊断仪的数据采集终端，进行待评估设备的运行数据采集，所述数据采集终端包括温度传感器、振动传感器、压力传感器等，通过传感器采集各类设备运行数据，并通过数据诊断仪进行数据存储，数据诊断仪可配置多个过滤ID，用来进行存储数据过滤，过滤模式可设置为白名单模式和黑名单模式，并通过设置常规变量ID、特殊变量ID，以及每个ID的记录频次，来构建配置列表，也就是过滤ID的类型及记录频次配置列表。
进一步的，识别实时ID过滤模式，当实时ID过滤模式为黑名单模式时，数据诊断仪对配置列表中 ID 的 CAN 数据不做任何响应，当实时ID过滤模式为白名单模式时，参照所述配置列表，使用数据诊断仪进行目标数据的ID过滤，筛选出配置列表中 ID 的 CAN 数据，也就是所述待存储ID数据，将所述待存储ID数据，使用EMMC固态方案存储在闪存芯片中，获得待评估设备运行数据，包括待评估设备的振动、温度、电流、压力等参数数据。所述EMMC固态方案是一种集成电路卡，内部包含闪存存储器和控制器，相比传统硬盘，具备更快的读写速度、更高的稳定性和更低的能耗。
P20：通过数据预处理模块，对所述待评估设备运行数据进行预处理，获得待评估数据集；
进一步的，本申请实施例步骤P20还包括：
P21：所述数据预处理模块包括数据清洗单元和数据聚类单元；
P22：将所述待评估设备运行数据输入所述数据清洗单元，进行离散数据清洗，获得第一设备运行数据；
P23：基于运行数据类型，结合所述数据聚类单元，将所述第一设备运行数据进行聚类分析，得到多个所述待评估数据集。
应当理解的是，通过数据预处理模块，对所述待评估设备运行数据进行清洗、去噪、滤波和校准等，以减少数据噪声和提高数据质量，所述数据预处理模块包括数据清洗单元和数据聚类单元，所述数据清洗单元用来将所述待评估设备运行数据进行离散数据清洗，例如通过点云分布，将所述待评估设备运行数据分布在同一个空间参考系下，将距离其他点较远的不连续的点标记为非频繁点，并将非频繁点删除，获得较为准确的第一设备运行数据。进一步的，基于运行数据类型，也就是振动、温度、电流、压力等参数类型，通过所述数据聚类单元将所述第一设备运行数据进行聚类分析，也就是将所述第一设备运行数据中属于同一数据类型的数据分类到同一个簇中，属于不同数据类型的数据分类到不同的簇中，得到多个不同类别的待评估数据集。
P30：基于所述待评估数据集，进行数据特征提取，获取多个待评估设备特征数据；
进一步的，如图3所示，本申请实施例步骤P30还包括：
P31：预设待评估设备运行状态评价指标，包括运行稳定性、功能完整性；
P32：基于所述设备运行状态评价指标，进行设备特征映射，获取频域特征、时域特征和统计特征；
P33：分别基于所述频域特征、时域特征和统计特征，对所述待评估数据集进行特征数据提取，得到所述多个待评估设备特征数据。
示例性的，根据待评估设备性能属性，预设待评估设备运行状态评价指标，包括设备运行稳定性评价指标、设备功能完整性评价指标，基于所述设备运行状态评价指标，进行设备特征映射，也就是梳理所述设备评价指标对应的设备特征，例如所述设备运行稳定性评价指标对应的设备运行电流变化、电压变化、温度变化等特征数据，通过特征映射，获取频域特征、时域特征和统计特征，所述频域特征是指数据在一段时间内的变化频率特征，所述时域特征是指数据的变化间隔时长，所述统计特征是指设备的运行异常情况统计，这些特征可以反映设备的运行状态和故障特征。
P40：对所述多个待评估设备特征进行相关性分析，获取多维设备特征数据；
可选的，为减少设备状态评估维度和提高评估性能，对所述多个待评估设备特征进行相关性分析，也就是进行特征选择，可以通过皮尔逊相关分析法，提取任意待评估设备特征数据序列，进行皮尔逊相关系数计算，得到任意第一皮尔逊相关系数，所述皮尔逊相关系数是用于度量两个变量X和Y之间的相关性的系数，越接近于正负1，相关性越强，越接近于0，相关性越弱。以此类推，筛选出相关性强的设备特征，并提取相应的设备特征数据，获得多维设备特征数据，用来进行设备状态评估。
P50：采集待评估设备历史运维记录，构建设备状态评估模型；
进一步的，本申请实施例步骤P50还包括：
P51：交互待评估设备的历史运维记录；
P52：基于所述待评估设备历史运维记录，提取多个样本设备特征，以及对应的设备状态检修结果，所述多个样本设备特征和设备状态检修结果带有时间标识；
P53：预设设备老化系数，并采用所述多个样本设备特征和设备状态检修结果作为构建数据，结合BP神经网络进行训练，直至收敛，得到所述设备状态评估模型。
具体的，交互提取待评估设备的历史运维记录，也就是待评估设备在过去时间内的运行和维修记录数据，基于所述待评估设备历史运维记录，从中提取多个样本设备特征，以及对应的设备状态检修结果，也就是提取维修前设备的运行数据和设备特征，以及维修检查后确定的实际设备故障状态，并且所述多个样本设备特征和设备状态检修结果带有时间标识。
进一步的，根据待检测设备的设备折旧年限，预设设备老化系数，并参照所述时间标识，通过设备老化系数对所述多个样本设备特征和设备状态检修结果进行老化修正，也就是规避设备老化带来的设备状态下降的情况，并采用修正过的所述多个样本设备特征和设备状态检修结果作为构建数据，结合BP神经网络构建设备状态评估模型，所述BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，无需事先确定输入输出之间映射关系的数学方程，仅通过自身的训练学习某种规则，在给定输入值时得到最接近期望输出值的结果。使用所述多个样本设备特征和设备状态检修结果对所述设备状态评估模型进行训练、验证和测试，直至模型输出达到收敛且满足预设的准确率要求，比如准确率达到90%，得到所述设备状态评估模型。
P60：根据所述设备状态评估模型，结合所述多维设备特征数据，进行设备状态评估，获得设备状态评估结果。
应当理解的是，所述设备状态评估模型包含多个子模型，可分别针对不同维度的设备特征数据进行状态评估，将所述多维设备特征数据分别输入所述设备状态评估模型的多个子模型中，进行多个维度的设备状态评估，例如设备温度评估、设备压力评估等，得到多维状态评估值，并根据所述多维特征对设备状态评估的影响性大小，预设多维状态评估权重，根据多维状态评估权重，将所述多维状态评估值进行加权平均计算，得到所述待评估设备的设备状态评估结果。
进一步的，本申请实施例还包括步骤P70，步骤P70还包括：
P71：根据设备故障类型，设置自定义故障编码内嵌于数据诊断仪的故障数据存储模块；
P72：通过编码解析模块，对所述待评估数据进行故障编码解析，获得待评估数据故障编码；
P73：通过所述待评估数据故障编码，进行设备故障识别，并按照预设的故障数据记录规则，进行故障数据记录；
P74：根据故障数据记录，提取设备运行特征，进行设备状态评估，并根据设备状态评估结果配置相应的指示灯颜色，进行设备状态显示。
可选的，针对设备故障时刻的数据存储，根据不同的设备故障类型，设置不同的自定义故障编码，例如001代表设备温度过高、002代表设备过载等，并将所述自定义故障编码内嵌于数据诊断仪的故障数据存储模块，用来进行故障数据分类存储。进一步的，通过编码解析模块，对所述待评估数据进行故障编码解析，获得待评估数据故障编码，通过所述待评估数据故障编码，进行设备故障识别，获得待评估数据的故障类型，并按照预设的故障数据记录规则，进行故障数据记录，例如当数据诊断仪发现有新的故障编码产生时，将故障编码产生时刻的前 10 秒、后 10 秒的数据存放于一个单独的文件中，若前一个故障产生后不足 10 秒又产生了一个新的故障，则在当前记录的文件基础上再往后追加 10 秒的数据。
进一步的，从所述故障数据记录中，提取设备运行特征数据，输入所述设备状态评估模型中，进行设备状态评估，获取设备状态评估结果，并根据设备状态评估结果配置相应的指示灯颜色，例如绿色代表设备运行状态正常，红色代表故障等，来进行设备状态显示，达到将设备运行状态可视化显示的目的。
综上所述，本申请实施例至少具有如下技术效果：
本申请通过使用数据诊断仪的数据采集终端，获取待评估设备运行数据，通过数据预处理模块，进行预处理，获得待评估数据集，基于待评估数据集，进行数据特征提取和相关性分析，获取多维设备特征数据，使用设备状态评估模型，进行设备状态评估，获得设备状态评估结果。
达到了通过降低数据丢帧率、提高数据存储的准确率，来提高设备状态评估速度和准确度的技术效果。
实施例二
基于与前述实施例中一种基于数据诊断仪的设备状态评估方法相同的发明构思，如图4所示，本申请提供了一种基于数据诊断仪的设备状态评估系统，本申请实施例中的系统与方法实施例基于同样的发明构思。其中，所述系统包括：
待评估设备运行数据获取模块11，所述待评估设备运行数据获取模块11用于使用数据诊断仪的数据采集终端，进行待评估设备运行数据采集，获取待评估设备运行数据；
待评估数据集获取模块12，所述待评估数据集获取模块12用于通过数据预处理模块，对所述待评估设备运行数据进行预处理，获得待评估数据集；
待评估设备特征数据获取模块13，所述待评估设备特征数据获取模块13用于基于所述待评估数据集，进行数据特征提取，获取多个待评估设备特征数据；
多维设备特征数据获取模块14，所述多维设备特征数据获取模块14用于对所述多个待评估设备特征进行相关性分析，获取多维设备特征数据；
设备状态评估模型构建模块15，所述设备状态评估模型构建模块15用于采集待评估设备历史运维记录，构建设备状态评估模型；
设备状态评估结果获取模块16，所述设备状态评估结果获取模块16用于根据所述设备状态评估模型，结合所述多维设备特征数据，进行设备状态评估，获得设备状态评估结果。
进一步的，所述待评估设备运行数据获取模块11还用于执行以下步骤：
设置ID过滤模式，包括白名单模式和黑名单模式；
通过设置常规变量ID、特殊变量ID和ID记录频次，构建配置列表；
识别实时ID过滤模式，并参照所述配置列表，使用数据诊断仪进行目标数据的ID过滤和数据存储，获得待评估设备运行数据；
所述待评估设备运行数据包括待评估设备的振动、温度、电流、压力参数数据。
进一步的，所述待评估设备运行数据获取模块11还用于执行以下步骤：
通过所述配置列表进行ID过滤，获取待存储ID数据；
将所述待存储ID数据，使用EMMC固态方案存储在闪存芯片中，获得所述待评估设备运行数据。
进一步的，所述待评估数据集获取模块12还用于执行以下步骤：
所述数据预处理模块包括数据清洗单元和数据聚类单元；
将所述待评估设备运行数据输入所述数据清洗单元，进行离散数据清洗，获得第一设备运行数据；
基于运行数据类型，结合所述数据聚类单元，将所述第一设备运行数据进行聚类分析，得到多个所述待评估数据集。
进一步的，所述待评估设备特征数据获取模块13还用于执行以下步骤：
预设待评估设备运行状态评价指标，包括运行稳定性、功能完整性；
基于所述设备运行状态评价指标，进行设备特征映射，获取频域特征、时域特征和统计特征；
分别基于所述频域特征、时域特征和统计特征，对所述待评估数据集进行特征数据提取，得到所述多个待评估设备特征数据。
进一步的，所述设备状态评估模型构建模块15还用于执行以下步骤：
交互待评估设备的历史运维记录；
基于所述待评估设备历史运维记录，提取多个样本设备特征，以及对应的设备状态检修结果，所述多个样本设备特征和设备状态检修结果带有时间标识；
预设设备老化系数，并采用所述多个样本设备特征和设备状态检修结果作为构建数据，结合BP神经网络进行训练，直至收敛，得到所述设备状态评估模型。
进一步的，所述系统还包括：
自定义故障编码设置模块，所述自定义故障编码设置模块用于根据设备故障类型，设置自定义故障编码内嵌于数据诊断仪的故障数据存储模块；
待评估数据故障编码获取模块，所述待评估数据故障编码获取模块用于通过编码解析模块，对所述待评估数据进行故障编码解析，获得待评估数据故障编码；
故障数据记录模块，所述故障数据记录模块用于通过所述待评估数据故障编码，进行设备故障识别，并按照预设的故障数据记录规则，进行故障数据记录；
设备状态显示模块，所述设备状态显示模块用于根据故障数据记录，提取设备运行特征，进行设备状态评估，并根据设备状态评估结果配置相应的指示灯颜色，进行设备状态显示。
需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (5)
1.基于数据诊断仪的设备状态评估方法，其特征在于，所述方法包括：
使用数据诊断仪的数据采集终端，进行待评估设备运行数据采集，获取待评估设备运行数据；
通过数据预处理模块，对所述待评估设备运行数据进行预处理，获得待评估数据集；
基于所述待评估数据集，进行数据特征提取，获取多个待评估设备特征数据；
对所述多个待评估设备特征进行相关性分析，获取多维设备特征数据；
采集待评估设备历史运维记录，构建设备状态评估模型；
根据所述设备状态评估模型，结合所述多维设备特征数据，进行设备状态评估，获得设备状态评估结果；
所述通过数据预处理模块，对所述待评估设备运行数据进行预处理，获得待评估数据集，包括：
所述数据预处理模块包括数据清洗单元和数据聚类单元；
将所述待评估设备运行数据输入所述数据清洗单元，进行离散数据清洗，获得第一设备运行数据；
基于运行数据类型，结合所述数据聚类单元，将所述第一设备运行数据进行聚类分析，得到多个所述待评估数据集；
所述基于所述待评估数据集，进行数据特征提取，获取多个待评估设备特征数据，包括：
预设待评估设备运行状态评价指标，包括运行稳定性、功能完整性；
基于所述设备运行状态评价指标，进行设备特征映射，获取频域特征、时域特征和统计特征；
分别基于所述频域特征、时域特征和统计特征，对所述待评估数据集进行特征数据提取，得到所述多个待评估设备特征数据；
所述使用数据诊断仪的数据采集终端，进行待评估设备运行数据采集，获取待评估设备运行数据，包括：
设置ID过滤模式，包括白名单模式和黑名单模式；
通过设置常规变量ID、特殊变量ID和ID记录频次，构建配置列表；
识别实时ID过滤模式，并参照所述配置列表，使用数据诊断仪进行目标数据的ID过滤和数据存储，获得所述待评估设备运行数据；
所述待评估设备运行数据包括待评估设备的振动、温度、电流、压力参数数据。
2.如权利要求1所述的方法，其特征在于，所述使用数据诊断仪进行目标数据的ID过滤和数据存储，获得所述待评估设备运行数据，包括：
通过所述配置列表进行ID过滤，获取待存储ID数据；
将所述待存储ID数据，使用EMMC固态方案存储在闪存芯片中，获得所述待评估设备运行数据。
3.如权利要求1所述的方法，其特征在于，所述采集待评估设备历史运维记录，构建设备状态评估模型，包括：
交互待评估设备的历史运维记录；
基于所述待评估设备历史运维记录，提取多个样本设备特征，以及对应的设备状态检修结果，所述多个样本设备特征和设备状态检修结果带有时间标识；
预设设备老化系数，并采用所述多个样本设备特征和设备状态检修结果作为构建数据，结合BP神经网络进行训练，直至收敛，得到所述设备状态评估模型。
4.如权利要求1所述的方法，其特征在于，所述方法还包括：
根据设备故障类型，设置自定义故障编码内嵌于数据诊断仪的故障数据存储模块；
通过编码解析模块，对所述待评估数据进行故障编码解析，获得待评估数据故障编码；
通过所述待评估数据故障编码，进行设备故障识别，并按照预设的故障数据记录规则，进行故障数据记录；
根据故障数据记录，提取设备运行特征，进行设备状态评估，并根据设备状态评估结果配置相应的指示灯颜色，进行设备状态显示。
5.基于数据诊断仪的设备状态评估系统，其特征在于，所述系统用于执行权利要求1-4任一项所述的方法，所述系统包括：
待评估设备运行数据获取模块，所述待评估设备运行数据获取模块用于使用数据诊断仪的数据采集终端，进行待评估设备运行数据采集，获取待评估设备运行数据；
待评估数据集获取模块，所述待评估数据集获取模块用于通过数据预处理模块，对所述待评估设备运行数据进行预处理，获得待评估数据集；
待评估设备特征数据获取模块，所述待评估设备特征数据获取模块用于基于所述待评估数据集，进行数据特征提取，获取多个待评估设备特征数据；
多维设备特征数据获取模块，所述多维设备特征数据获取模块用于对所述多个待评估设备特征进行相关性分析，获取多维设备特征数据；
设备状态评估模型构建模块，所述设备状态评估模型构建模块用于采集待评估设备历史运维记录，构建设备状态评估模型；
设备状态评估结果获取模块，所述设备状态评估结果获取模块用于根据所述设备状态评估模型，结合所述多维设备特征数据，进行设备状态评估，获得设备状态评估结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311769381.5A CN117435964B (zh) | 2023-12-21 | 2023-12-21 | 基于数据诊断仪的设备状态评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311769381.5A CN117435964B (zh) | 2023-12-21 | 2023-12-21 | 基于数据诊断仪的设备状态评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117435964A CN117435964A (zh) | 2024-01-23 |
| CN117435964B true CN117435964B (zh) | 2024-03-15 |
Family
ID=89546547
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311769381.5A Active CN117435964B (zh) | 2023-12-21 | 2023-12-21 | 基于数据诊断仪的设备状态评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117435964B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102509178A (zh) * | 2011-11-25 | 2012-06-20 | 江苏省电力公司淮安供电公司 | 配网设备状态评估系统 |
| CN109765883A (zh) * | 2019-03-04 | 2019-05-17 | 积成电子股份有限公司 | 配电自动化终端运行状态评价与故障诊断方法 |
| CN114565162A (zh) * | 2022-03-01 | 2022-05-31 | 北京九天翱翔科技有限公司 | 一种飞行器运输状态监测与安全防护方法及系统 |
| CN115327496A (zh) * | 2022-08-11 | 2022-11-11 | 中国人民解放军32181部队 | 一种雷达装备状态实时评估方法及系统 |
| CN115511387A (zh) * | 2022-11-09 | 2022-12-23 | 国网湖南省电力有限公司 | 基于多源信息融合的油浸变压器状态评估方法及系统 |
| CN116453656A (zh) * | 2023-04-11 | 2023-07-18 | 中国人民解放军总医院第六医学中心 | 一种心理健康评估预警系统及方法 |
-
2023
- 2023-12-21 CN CN202311769381.5A patent/CN117435964B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102509178A (zh) * | 2011-11-25 | 2012-06-20 | 江苏省电力公司淮安供电公司 | 配网设备状态评估系统 |
| CN109765883A (zh) * | 2019-03-04 | 2019-05-17 | 积成电子股份有限公司 | 配电自动化终端运行状态评价与故障诊断方法 |
| CN114565162A (zh) * | 2022-03-01 | 2022-05-31 | 北京九天翱翔科技有限公司 | 一种飞行器运输状态监测与安全防护方法及系统 |
| CN115327496A (zh) * | 2022-08-11 | 2022-11-11 | 中国人民解放军32181部队 | 一种雷达装备状态实时评估方法及系统 |
| CN115511387A (zh) * | 2022-11-09 | 2022-12-23 | 国网湖南省电力有限公司 | 基于多源信息融合的油浸变压器状态评估方法及系统 |
| CN116453656A (zh) * | 2023-04-11 | 2023-07-18 | 中国人民解放军总医院第六医学中心 | 一种心理健康评估预警系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 谭洪卫著.图说公共建筑能耗的数据挖掘与模型方法.同济大学出版社,2021,第120-125页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117435964A (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108802535B (zh) | 筛选方法、主干扰源识别方法及装置、服务器及存储介质 | |
| CN112505570A (zh) | 电动汽车的电池健康状态的估计方法 | |
| CN114290960B (zh) | 获取动力电池的电池健康度的方法、装置和车辆 | |
| CN116075733A (zh) | 用于对电池模块进行分类的电池管理系统 | |
| CN116914917A (zh) | 一种基于大数据的配电柜运行状态监测管理系统 | |
| CN112565187A (zh) | 基于逻辑回归的电网攻击检测方法、系统、设备及介质 | |
| CN117556359A (zh) | 配电设备健康状态评估系统及方法 | |
| CN117932501A (zh) | 一种电能表运行状态管理方法和系统 | |
| CN114021448A (zh) | 半导体设备的检测方法、处理器与半导体设备 | |
| CN116306806A (zh) | 故障诊断模型确定方法、装置及非易失性存储介质 | |
| CN115617784A (zh) | 一种信息化配电的数据处理系统及其处理方法 | |
| CN117092541B (zh) | 一种直流充电大数据计算电池健康的分析方法 | |
| CN114169398A (zh) | 基于随机森林算法的光伏直流电弧故障识别方法及装置 | |
| CN112163391B (zh) | 一种在湿度影响下估计薄膜电容器寿命的方法及系统 | |
| CN117435964B (zh) | 基于数据诊断仪的设备状态评估方法及系统 | |
| CN111352365B (zh) | 一种防尘通风型电力电气设备机柜及控制方法 | |
| CN116433034B (zh) | 一种基于机器学习的虚拟电厂运行风险检测方法 | |
| CN116955935A (zh) | 基于物联网的电路故障定位方法及装置 | |
| CN112595918A (zh) | 一种低压集抄故障的检测方法及装置 | |
| CN115361424B (zh) | 一种基于物联网数据分析的医疗设备监控方法和系统 | |
| CN115902557A (zh) | 开关柜故障诊断处理方法、装置及非易失性存储介质 | |
| CN114492636B (zh) | 一种变压器绕组状态信号的采集系统 | |
| CN112700016B (zh) | 预测性维护方法和装置 | |
| CN111537889A (zh) | 一种数据驱动的梯次电池rul预测与分类方法 | |
| CN118568683B (zh) | 一种非稳态运行设备寿命预测方法、装置及相关设备 |
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 |