CN117572808A - 一种设备监测方法、装置及设备 - Google Patents
一种设备监测方法、装置及设备 Download PDFInfo
- Publication number
- CN117572808A CN117572808A CN202410050360.6A CN202410050360A CN117572808A CN 117572808 A CN117572808 A CN 117572808A CN 202410050360 A CN202410050360 A CN 202410050360A CN 117572808 A CN117572808 A CN 117572808A
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- determining
- parameter
- degree
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000036541 health Effects 0.000 claims abstract description 62
- 230000002159 abnormal effect Effects 0.000 claims abstract description 33
- 238000012423 maintenance Methods 0.000 claims description 41
- 238000003066 decision tree Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 8
- 238000013210 evaluation model Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000002829 reductive effect Effects 0.000 abstract description 7
- 230000001105 regulatory effect Effects 0.000 abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 17
- 238000004519 manufacturing process Methods 0.000 description 15
- 230000003068 static effect Effects 0.000 description 14
- 238000007726 management method Methods 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012549 training 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
- G06F18/24323—Tree-organised classifiers
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24024—Safety, surveillance
Abstract
本发明提供一种设备监测方法、装置及设备,所述方法包括:获取传感器采集的目标设备监测数据;根据所述监测数据和存储的数据库历史数据,确定至少一个设备参数的健康度;根据所述健康度发送预警信息,所述预警信息包括异常参数的数据信息和与所述异常参数相关的关联参数的数据信息。本发明的方案可以综合考虑设备的运行状态和运行环境,对设备进行实时监控预警;并对设备进行反控调节,降低安全隐患。
Description
技术领域
本发明涉及工业设备管理技术领域,特别是一种设备监测方法、装置及设备。
背景技术
在工业设备管理领域,尤其是水务生产设备如水泵的监控与维护方面,传统方法依赖于静态数据管理,如设备档案存档和巡检记录。这些静态数据通常只能在设备出现故障后才能进行更新和维护,存在以下不足:
1、传统方法通常采用反应式维护,即在设备出现故障后才进行维修。这种方式可能导致突发停机,影响生产效率和可靠性。由于缺乏实时监控和预警系统,无法在故障发生前及时发现潜在问题,因此无法采取预防性维护措施,增加了设备的故障率和维修成本。
2、传统方法往往过分依赖经验丰富的技术人员进行故障诊断和维护,这可能导致维护质量随个体技能和经验的差异而波动。由于技术人员的能力和经验不同,可能会对故障诊断和维护产生不同的效果。同时,随着技术更新换代,经验丰富的技术人员可能无法跟上技术发展的步伐,从而影响维护质量。
3、在不考虑环境因素如温度、湿度等的情况下进行维护,可能无法有效预防由这些因素引起的设备故障。环境因素对设备的运行和维护有很大的影响,如温度过高可能导致设备过热、湿度过大可能导致设备腐蚀等。传统维护方法往往忽略了这些因素,导致设备故障率增加。
4、传统维护策略可能增加工作人员在检查和维修设备时的安全风险。由于缺乏自动化和智能化维护系统,工作人员需要直接接触设备进行维修,增加了因操作不当或设备故障导致的安全风险。
发明内容
本发明要解决的技术问题是提供一种设备监测方法、装置及设备,可以综合考虑设备的运行状态和运行环境,对设备进行实时监控预警;并对设备进行反控调节,降低安全隐患。
为解决上述技术问题,本发明的技术方案如下:
一种设备监测方法,包括:
获取传感器采集的目标设备监测数据;
根据所述监测数据和存储的数据库历史数据,确定至少一个设备参数的健康度;
根据所述健康度发送预警信息,所述预警信息包括异常参数的数据信息和与所述异常参数相关的关联参数的数据信息。
可选的,根据所述监测数据和存储的数据库历史数据,确定至少一个设备参数的健康度,包括:
根据所述监测数据和存储的数据库历史数据,确定阈值,通过阈值确定第一设备参数的健康度;
或者根据所述监测数据和存储的数据库历史数据,通过设备参数健康评估模型,确定第二设备参数的健康度。
可选的,根据所述监测数据和存储的数据库历史数据,确定阈值,通过阈值确定第一设备参数的健康度,包括:
根据数据库历史数据,确定目标设备状态和参数变化趋势;
根据所述目标设备状态和参数变化趋势,确定阈值;
根据所述阈值和监测数据,确定设备参数的健康度。
可选的,根据所述监测数据和存储的数据库历史数据,通过设备参数健康评估模型,确定第二设备参数的健康度,包括:
根据所述监测数据和存储的数据库历史数据,确定至少一个特征的状态;
根据所述至少一个特征的状态,确定至少一个决策树的预测结果;
根据至少一个决策树的预测结果,通过预设评估方法得到第二设备参数的健康度。
可选的,所述关联参数是通过如下方法得到的:
根据目标设备历史数据,得到异常参数与至少一个其他设备参数的支持度、置信度和提升度;
根据所述支持度、置信度和提升度,得到异常参数与至少一个其他设备参数的关联度;
将所述关联度达到预设阈值的设备参数确定为关联参数。
可选的,设备监测方法还包括:
根据目标设备的历史维修方案,得到所述预警信息的解决方案;
根据所述解决方案,对目标设备的参数进行控制,得到调整后的目标设备运行状态。
可选的,根据目标设备的历史维修方案,得到所述预警信息的解决方案,包括:
根据预设规则、报警信息属性和自然语言提取方法,将报警信息与历史维修方案进行匹配;
根据匹配状态,得到预警信息的解决方案。
本发明还提供一种设备监测装置,包括:
获取模块,用于获取传感器采集的目标设备监测数据;
处理模块,用于根据所述监测数据和存储的数据库历史数据,确定至少一个设备参数的健康度;根据所述健康度发送预警信息,所述预警信息包括异常参数的数据信息和与所述异常参数相关的关联参数的数据信息。
本发明还提供一种计算设备,包括:处理器、存储有计算机程序的存储器,所述计算机程序被处理器运行时,执行如上述的方法。
本发明还提供一种计算机可读存储介质,存储指令,当所述指令在计算机上运行时,使得计算机执行如上述的方法。
本发明的上述方案至少包括以下有益效果:
本发明的上述方案,通过获取传感器采集的目标设备监测数据;根据所述监测数据和存储的数据库历史数据,确定至少一个设备参数的健康度;根据所述健康度发送预警信息,所述预警信息包括异常参数的数据信息和与所述异常参数相关的关联参数的数据信息。可以综合考虑设备的运行状态和运行环境,对设备进行实时监控预警;并对设备进行反控调节,降低安全隐患。
附图说明
图1是本发明实施例的设备监测方法的流程示意图;
图2是本发明实施例的设备监测方法的架构示意图;
图3是本发明实施例的设备监测方法的动态监控示意图;
图4是本发明实施例的设备监测方法的设备静态信息示意图;
图5是本发明实施例的设备监测方法的设备维修专家库示意图;
图6是本发明实施例的设备监测方法的设备反控示意图;
图7是本发明实施例的设备监测装置的结构图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
如图1所示,本发明的实施例提出一种设备监测方法,包括:
步骤11,获取传感器采集的目标设备监测数据;
步骤12,根据所述监测数据和存储的数据库历史数据,确定至少一个设备参数的健康度;
步骤13,根据所述健康度发送预警信息,所述预警信息包括异常参数的数据信息和与所述异常参数相关的关联参数的数据信息。
如图2所示,本实施例中,针对现有技术中静态设备预警存在的技术问题,提出一种动静结合的设备监测预警方法。该方法结合了设备档案、静态数据管理、实时监控数据、预警提醒和关联分析,能够实时更新和掌握设备的运行状态和性能。同时,通过构建专家知识库,提供全面、高效的设备监管解决方案。可以定期巡检、实时监控设备状态和参数、进行设备反控调节,以及在故障发生时快速查询专家知识库中的解决方案。具体来说,所述动态监控实时监控设备参数,并根据监测的数据确定参数的健康度。根据健康度发送预警信息。并且,本申请中,在异常报警时,不仅展示异常参数的信息,还会展示与异常参数相关的关联因素的实时和历史数据。
如图3所示,在设备实时监控中,主要包括设备状态实时监管、设备主要工艺参数实时监管、设备参数预警规则自定义、设备预警触发自动发送和关联因素分析等。所述监测数据包括温度、压力、流量、振动、电流和电压等,通过部署传感器收集设备的实时运行数据。通过高精度传感器实时监测设备状态,并在检测到潜在风险时立即发出预警,大幅降低了设备故障率。
如图4所示,所述数据库历史数据包括设备档案库的维护和管理,依据预设计划自动产生巡检和维护任务。比如:设备型号、历史维护记录、操作手册中的标准参数、预定寿命等。其中所述设备档案库管理设备相关文件,如操作手册、维修指南、安全标准。针对不同类型设备,如泵类、电机、阀门等,存储详尽的技术规格、操作历史和维护记录,确保了设备管理的深度和广度。
本发明一可选的实施例中,步骤12,根据所述监测数据和存储的数据库历史数据,确定至少一个设备参数的健康度,包括:
步骤121,根据所述监测数据和存储的数据库历史数据,确定阈值,通过阈值确定第一设备参数的健康度;
步骤122,或者根据所述监测数据和存储的数据库历史数据,通过设备参数健康评估模型,确定第二设备参数的健康度。
本实施例中,在确定设备参数健康度时,根据参数性质的不同,主要通过两种方法确定参数健康度。
具体的,步骤121,根据所述监测数据和存储的数据库历史数据,确定阈值,通过阈值确定第一设备参数的健康度,包括:
步骤1211,根据数据库历史数据,确定目标设备状态和参数变化趋势;
步骤1212,根据所述目标设备状态和参数变化趋势,确定阈值;
步骤1213,根据所述阈值和监测数据,确定设备参数的健康度。
该步骤为通过阈值确定健康度的方法,阈值的确定基于对设备历史数据的分析,主要包括通过历史数据对设备运行状态进行分类,如开机、稳态运行、关机等。以及通过历史数据确定设备参数的历史趋势。根据设备所处的运行状态和设备参数变化趋势,确定阈值。在监测到设备参数超过阈值时进行报警。
步骤122,根据所述监测数据和存储的数据库历史数据,通过设备参数健康评估模型,确定第二设备参数的健康度,包括:
步骤1221,根据所述监测数据和存储的数据库历史数据,确定至少一个特征的状态;
步骤1222,根据所述至少一个特征的状态,确定至少一个决策树的预测结果;
步骤1223,根据至少一个决策树的预测结果,通过预设评估方法得到第二设备参数的健康度。
该步骤为通过机器学习算法确定设备参数健康度,算法步骤包括从训练数据集中随机选择子样本,根据每个子样本构建决策树。对于每个决策树,依据设备参数异常的特征表现,随机选择部分特征进行分裂。在对设备实时运行数据的健康状态判断中,每个决策树对输入的数据根据自己的分裂特征进行健康判断,最终落入至少一个叶子节点。根据每一个叶子节点的分裂值,采用平均或者多数投票的方法,得到最终的决策树的预测结果,该预测结果即为当前状态下设备参数的健康状态。
上述设备参数健康度的确定方法,将静态数据与动态数据结合,将实时监控数据(动态数据)与设备档案、维护记录(静态数据)结合,提供更全面的设备状态分析。使用数据融合技术整合不同数据源,提高数据的准确性和完整性。还使用动态数据验证静态数据假设,静态数据提供动态数据分析的上下文信息。通过结合动态和静态数据,进行数据挖掘和预测,如利用静态数据的历史趋势来解释动态数据的异常波动。
本发明一可选的实施例中,所述关联参数是通过如下方法得到的:
根据目标设备历史数据,得到异常参数与至少一个其他设备参数的支持度、置信度和提升度;
根据所述支持度、置信度和提升度,得到异常参数与至少一个其他设备参数的关联度;
将所述关联度达到预设阈值的设备参数确定为关联参数。
本实施例中,在异常报警时,会展示异常参数的关联参数的实时和历史数据。除了静态预设的关联因子外,还支持动态分析关联参数。该关联参数的确定主要通过计算支持度,即项集在所有事务中出现的频率;置信度,即规则 X至 Y 的置信度是在包含 X 的事务中同时也包含 Y 的概率;提升度,即表示有 X 的条件下有 Y 的概率与 Y 的无条件概率之比,来实现。该支持度、置信度和提升度的公式如下:
支持度:\text{Support}(X) = \frac{\text{Number of transactionscontaining } X}{\text{Total number of transactions}}Support(X)=Total numberof transactionsNumber of transactions containing X;
置信度:\text{Confidence}(X \rightarrow Y) = \frac{\text{Support}(X \cup Y)}{\text{Support}(X)}Confidence(X→Y)=Support(X)Support(X∪Y);
提升度:\text{Lift}(X \rightarrow Y) = \frac{\text{Confidence}(X \rightarrow Y)}{\text{Support}(Y)}Lift(X→Y)=Support(Y)Confidence(X→Y);
采用时间序列预测模型分析历史趋势,预测未来的设备状态。时间序列预测模型:ARIMA(p, d, q)ARIMA(p,d,q),其中p表示自回归项的数量、d表示非季节性差分的次数、q表示滑动平均项的数量、是自回归系数、/>是滑动平均系数、是误差项。
差分化过的序列 y_tyt 可表示为: y_t = \phi_1 y_{t-1} + \phi_2 y_{t-2}+ ... + \phi_p y_{t-p} + \theta_1 \epsilon_{t-1} + \theta_2 \epsilon_{t-2} +... + \theta_q\epsilon_{t-q}+\epsilon_tyt。
运用因果推断技术确定不同参数间的因果关系,集成多种数据源(如操作历史、环境数据、设备性能指标)进行综合分析。
本发明一可选的实施例中,设备监测方法还包括:
步骤14,根据目标设备的历史维修方案,得到所述预警信息的解决方案;
步骤15,根据所述解决方案,对目标设备的参数进行控制,得到调整后的目标设备运行状态。
如图5所示,本实施例中,根据目标设备的基础信息和历史维修方案,构建知识库。该知识库包括了结构化的维修手册、操作指南和历史维修案例。在设备参数异常时,优先在知识库中进行匹配,得到解决方案。根据该解决方案对目标设备的异常参数进行反控,得到调整后的目标设备运行状态。
本发明一可选的实施例中,步骤14,根据目标设备的历史维修方案,得到所述预警信息的解决方案,包括:
步骤141,根据预设规则、报警信息属性和自然语言提取方法,将报警信息与历史维修方案进行匹配;
步骤142,根据匹配状态,得到预警信息的解决方案。
本实施例中,具体知识库的匹配方法包括三种,一是基于规则的匹配算法,对于一些常见问题,可以通过预设规则来匹配解决方案;二是基于案例的推理,分析历史案例,根据报警信息的属性推理找到与当前问题相似的情况,得到解决方案;三是基于机器学习的匹配,运用自然语言处理技术解析报警内容,与知识库中的内容进行匹配,找到最合适的解决方案。可以使用文本分类、相似度计算等技术。
结合知识库和机器学习,根据当前的设备状态和故障特征,自动生成解决方案。此时系统可以提出调整软件配置(如控制逻辑、参数设置)或硬件更换(如更换阀门型号)的建议。通过反馈循环不断优化解决方案,提高解决方案的准确性和适用性。如图6所示,设备反控功能允许用户远程调节和控制设备运行参数,解决了现有技术中需要人工现场调整,安全系数低的问题。
该设备反控功能的实现方法如下:首先用户通过监控界面选择和调整工艺参数,然后系统将调整指令发送至设备,设备根据接收到的指令调整运行状态并将调整后的状态反馈至监控界面。
下面通过一具体实施例阐述本设备监测方法:
在某地大型的水务生产现场,水泵设备是保障整个生产流程正常运行的关键。然而,水泵设备在长时间运行中,很容易出现各种故障和异常情况,给生产带来不利影响。
为了解决这个问题,现场管控使用本设备监测方法,实现了对水泵设备的全面监管。
首先,维保人员通过定期巡检和维保,确保水泵设备的正常运行。系统可以每隔一段时间自动对水泵设备进行巡检和维保,检查设备的各项参数是否正常,以及是否有潜在的故障风险。如果发现异常情况,系统会立即发出警报,通知相关人员及时处理。
其次,工艺人员通过实时监控水泵状态和参数,确保设备的正常运行。可以实时监控水泵的转速、流量、压力等参数,如果这些参数出现异常,系统会立即发出警报,通知相关人员及时处理。同时,还可以根据实时监控的数据,进行设备反控调节。如果水泵设备的某个参数出现异常,通过该方法可以自动进行反控调节,例如调整水泵的转速或改变阀门开度,以保持设备的正常运行。
最后,如果在故障发生时,维修人员可以通过快速查询专家知识库中的解决方案,找到故障原因并采取有效的措施进行修复。维修人员查看专家知识库,可以快速查询相关的解决方案,为排查问题提供参考和支持。这样可以帮助技术人员更快地找到故障原因,并采取有效的措施进行修复,减少故障对生产的影响。
通过该动静结合的多维度结合专家知识库的设备监管方式,目标地管控人员对水务生产现场的水泵设备实现了全面监管。这不仅提高了设备的运行效率,降低了故障率,还为水务生产提供了可靠的技术支持。可以帮助企业实现生产管理的智能化和自动化,提高生产效率和产品质量。同时还可以减少人工干预和操作失误的可能性,降低生产成本和风险。
本发明的上述方法具有如下优势:
1、动静结合:将设备档案、设备资料库与实时监控、预警事件以及历史数据分析进行结合。能够提供全面的设备状态视图,包括设备的运行状态、各项参数、历史数据以及潜在故障预警等。通过这种方式,更好地了解设备的性能和状况,及时发现并解决潜在问题。
2、智能预警系统:基于实时数据设置阈值,能够快速响应潜在故障。当设备运行参数出现异常时,预警系统会立即发出警报,通知相关人员及时处理。同时,通过关联因素分析,在异常报警时展示核心参数的关联因素实时和历史数据,帮助技术人员更好了解故障原因和设备性能变化趋势。
3、专家知识库:持续更新维修方案数据库。通过与专家知识库的连接,快速查询相关的解决方案,为技术人员提供准确的指导和支持。提高故障处理效率,缩短设备维修时间和生产停机时间。
4、设备反控功能:通过远程调节设备运行参数来优化生产过程。根据实时监控的数据,如果水泵设备的某些参数出现异常,可以自动进行反控调节,例如调整水泵的转速或改变阀门开度。能够更好地控制生产过程,提高设备的运行效率和稳定性。
如图7所示,本发明还提供一种设备监测装置70,包括:
获取模块71,用于获取传感器采集的目标设备监测数据;
处理模块72,用于根据所述监测数据和存储的数据库历史数据,确定至少一个设备参数的健康度;根据所述健康度发送预警信息,所述预警信息包括异常参数的数据信息和与所述异常参数相关的关联参数的数据信息。需要说明的是,该装置是与上述方法对应的装置,上述方法实施例中的所有实现方式均适用于该装置的实施例中,也能达到相同的技术效果。
可选的,根据所述监测数据和存储的数据库历史数据,确定至少一个设备参数的健康度,包括:
根据所述监测数据和存储的数据库历史数据,确定阈值,通过阈值确定第一设备参数的健康度;
或者根据所述监测数据和存储的数据库历史数据,通过设备参数健康评估模型,确定第二设备参数的健康度。
可选的,根据所述监测数据和存储的数据库历史数据,确定阈值,通过阈值确定第一设备参数的健康度,包括:
根据数据库历史数据,确定目标设备状态和参数变化趋势;
根据所述目标设备状态和参数变化趋势,确定阈值;
根据所述阈值和监测数据,确定设备参数的健康度。
可选的,根据所述监测数据和存储的数据库历史数据,通过设备参数健康评估模型,确定第二设备参数的健康度,包括:
根据所述监测数据和存储的数据库历史数据,确定至少一个特征的状态;
根据所述至少一个特征的状态,确定至少一个决策树的预测结果;
根据至少一个决策树的预测结果,通过预设评估方法得到第二设备参数的健康度。
可选的,所述关联参数是通过如下方法得到的:
根据目标设备历史数据,得到异常参数与至少一个其他设备参数的支持度、置信度和提升度;
根据所述支持度、置信度和提升度,得到异常参数与至少一个其他设备参数的关联度;
将所述关联度达到预设阈值的设备参数确定为关联参数。
可选的,处理模块72还可用于:
根据目标设备的历史维修方案,得到所述预警信息的解决方案;
根据所述解决方案,对目标设备的参数进行控制,得到调整后的目标设备运行状态。
可选的,根据目标设备的历史维修方案,得到所述预警信息的解决方案,包括:
根据预设规则、报警信息属性和自然语言提取方法,将报警信息与历史维修方案进行匹配;
根据匹配状态,得到预警信息的解决方案。
本发明的实施例还提供一种计算设备,包括:处理器、存储有计算机程序的存储器,所述计算机程序被处理器运行时,执行如上述的方法。上述方法实施例中的所有实现方式均适用于该实施例中,也能达到相同的技术效果。
本发明的实施例还提供一种计算机可读存储介质,存储有指令,所述指令在计算机上运行时,使得计算机执行如上述的方法。上述方法实施例中的所有实现方式均适用于该实施例中,也能达到相同的技术效果。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置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,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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。
所述功能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该技术方案的部分可以以软件产品的形式体现出来,该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(可以是个人计算机,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、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外,需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行,某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言,能够理解本发明的方法和装置的全部或者任何步骤或者部件,可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中,以硬件、固件、软件或者它们的组合加以实现,这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此,本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此,本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说,这样的程序产品也构成本发明,并且存储有这样的程序产品的存储介质也构成本发明。显然,所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种设备监测方法,其特征在于,包括:
获取传感器采集的目标设备监测数据;
根据所述监测数据和存储的数据库历史数据,确定至少一个设备参数的健康度;
根据所述健康度发送预警信息,所述预警信息包括异常参数的数据信息和与所述异常参数相关的关联参数的数据信息。
2.根据权利要求1所述的设备监测方法,其特征在于,根据所述监测数据和存储的数据库历史数据,确定至少一个设备参数的健康度,包括:
根据所述监测数据和存储的数据库历史数据,确定阈值,通过阈值确定第一设备参数的健康度;
或者根据所述监测数据和存储的数据库历史数据,通过设备参数健康评估模型,确定第二设备参数的健康度。
3.根据权利要求2所述的设备监测方法,其特征在于,根据所述监测数据和存储的数据库历史数据,确定阈值,通过阈值确定第一设备参数的健康度,包括:
根据数据库历史数据,确定目标设备状态和参数变化趋势;
根据所述目标设备状态和参数变化趋势,确定阈值;
根据所述阈值和监测数据,确定设备参数的健康度。
4.根据权利要求2所述的设备监测方法,其特征在于,根据所述监测数据和存储的数据库历史数据,通过设备参数健康评估模型,确定第二设备参数的健康度,包括:
根据所述监测数据和存储的数据库历史数据,确定至少一个特征的状态;
根据所述至少一个特征的状态,确定至少一个决策树的预测结果;
根据至少一个决策树的预测结果,通过预设评估方法得到第二设备参数的健康度。
5.根据权利要求1所述的设备监测方法,其特征在于,所述关联参数是通过如下方法得到的:
根据目标设备历史数据,得到异常参数与至少一个其他设备参数的支持度、置信度和提升度;
根据所述支持度、置信度和提升度,得到异常参数与至少一个其他设备参数的关联度;
将所述关联度达到预设阈值的设备参数确定为关联参数。
6.根据权利要求1所述的设备监测方法,其特征在于,还包括:
根据目标设备的历史维修方案,得到所述预警信息的解决方案;
根据所述解决方案,对目标设备的参数进行控制,得到调整后的目标设备运行状态。
7.根据权利要求6所述的设备监测方法,其特征在于,根据目标设备的历史维修方案,得到所述预警信息的解决方案,包括:
根据预设规则、报警信息属性和自然语言提取方法,将报警信息与历史维修方案进行匹配;
根据匹配状态,得到预警信息的解决方案。
8.一种设备监测装置,其特征在于,包括:
获取模块,用于获取传感器采集的目标设备监测数据;
处理模块,用于根据所述监测数据和存储的数据库历史数据,确定至少一个设备参数的健康度;根据所述健康度发送预警信息,所述预警信息包括异常参数的数据信息和与所述异常参数相关的关联参数的数据信息。
9.一种计算设备,其特征在于,包括:处理器、存储有计算机程序的存储器,所述计算机程序被处理器运行时,执行如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,存储指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410050360.6A CN117572808A (zh) | 2024-01-15 | 2024-01-15 | 一种设备监测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410050360.6A CN117572808A (zh) | 2024-01-15 | 2024-01-15 | 一种设备监测方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117572808A true CN117572808A (zh) | 2024-02-20 |
Family
ID=89862624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410050360.6A Pending CN117572808A (zh) | 2024-01-15 | 2024-01-15 | 一种设备监测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117572808A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102248955A (zh) * | 2011-05-25 | 2011-11-23 | 苏州博远容天信息科技有限公司 | 自动接警方法 |
CN108171367A (zh) * | 2017-12-19 | 2018-06-15 | 天津市市政工程设计研究院 | 一种公交车服务水平可靠性预测方法 |
CN108665159A (zh) * | 2018-05-09 | 2018-10-16 | 深圳壹账通智能科技有限公司 | 一种风险评估方法、装置、终端设备及存储介质 |
CN111259975A (zh) * | 2020-01-21 | 2020-06-09 | 支付宝(杭州)信息技术有限公司 | 分类器的生成方法及装置、文本的分类方法及装置 |
CN111563524A (zh) * | 2020-03-18 | 2020-08-21 | 宁波送变电建设有限公司永耀科技分公司 | 一种多站融合系统运行态势异常监测和告警合并方法 |
CN113190421A (zh) * | 2021-03-16 | 2021-07-30 | 北京中大科慧科技发展有限公司 | 一种用于数据中心的设备健康状态的检测分析方法 |
CN114154591A (zh) * | 2021-12-14 | 2022-03-08 | 南方电网深圳数字电网研究院有限公司 | 基于多源信息的设备状态智能预警方法及装置 |
CN116187027A (zh) * | 2023-01-09 | 2023-05-30 | 广西桂冠电力股份有限公司 | 一种光伏发电故障智能预测预警方法及系统 |
CN117010863A (zh) * | 2023-08-10 | 2023-11-07 | 绍兴市麦芒智能科技有限公司 | 一种基于物联网技术的市政管网健康度在线监测系统和方法 |
CN117271728A (zh) * | 2023-09-20 | 2023-12-22 | 泛微网络科技股份有限公司 | 一种解决方案生成方法、装置、电子设备及存储介质 |
-
2024
- 2024-01-15 CN CN202410050360.6A patent/CN117572808A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102248955A (zh) * | 2011-05-25 | 2011-11-23 | 苏州博远容天信息科技有限公司 | 自动接警方法 |
CN108171367A (zh) * | 2017-12-19 | 2018-06-15 | 天津市市政工程设计研究院 | 一种公交车服务水平可靠性预测方法 |
CN108665159A (zh) * | 2018-05-09 | 2018-10-16 | 深圳壹账通智能科技有限公司 | 一种风险评估方法、装置、终端设备及存储介质 |
CN111259975A (zh) * | 2020-01-21 | 2020-06-09 | 支付宝(杭州)信息技术有限公司 | 分类器的生成方法及装置、文本的分类方法及装置 |
CN111563524A (zh) * | 2020-03-18 | 2020-08-21 | 宁波送变电建设有限公司永耀科技分公司 | 一种多站融合系统运行态势异常监测和告警合并方法 |
CN113190421A (zh) * | 2021-03-16 | 2021-07-30 | 北京中大科慧科技发展有限公司 | 一种用于数据中心的设备健康状态的检测分析方法 |
CN114154591A (zh) * | 2021-12-14 | 2022-03-08 | 南方电网深圳数字电网研究院有限公司 | 基于多源信息的设备状态智能预警方法及装置 |
CN116187027A (zh) * | 2023-01-09 | 2023-05-30 | 广西桂冠电力股份有限公司 | 一种光伏发电故障智能预测预警方法及系统 |
CN117010863A (zh) * | 2023-08-10 | 2023-11-07 | 绍兴市麦芒智能科技有限公司 | 一种基于物联网技术的市政管网健康度在线监测系统和方法 |
CN117271728A (zh) * | 2023-09-20 | 2023-12-22 | 泛微网络科技股份有限公司 | 一种解决方案生成方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109240244B (zh) | 基于数据驱动的设备运行状态健康度分析方法及系统 | |
US10192170B2 (en) | System and methods for automated plant asset failure detection | |
US7213174B2 (en) | Provision of process related information | |
WO2019182894A1 (en) | Diagnosing and predicting electrical pump operation | |
CN104102773A (zh) | 一种设备故障预警及状态监测方法 | |
Colone et al. | Predictive repair scheduling of wind turbine drive‐train components based on machine learning | |
CN116720752A (zh) | 基于大数据的装配式建筑质量信息监管系统 | |
KR102102346B1 (ko) | 함정설비의 상태기반 정비지원 시스템 및 방법 | |
CN117055502A (zh) | 基于物联网和大数据分析的智能控制系统 | |
Calabrese et al. | An event based machine learning framework for predictive maintenance in industry 4.0 | |
zu Wickern | Challenges and reliability of predictive maintenance | |
CN117648543A (zh) | 一种自演化的变电站设备学习方法 | |
Lughofer et al. | Prologue: Predictive maintenance in dynamic systems | |
CN111766514B (zh) | 一种设备检测点的数据分析方法 | |
WO2019089533A1 (en) | Determining, encoding, and transmission of classification variables at end-device for remote monitoring | |
US20230229144A1 (en) | Safety Interlock Recommendation System | |
CN117572808A (zh) | 一种设备监测方法、装置及设备 | |
Beduschi et al. | Optimizing rotating equipment maintenance through machine learning algorithm | |
Chen | Automated on-line fault prognosis for wind turbine monitoring using scada data | |
EP3303835B1 (en) | Method for windmill farm monitoring | |
US20200311283A1 (en) | A method of generating invariants for distributed attack detection, and apparatus thereof | |
Bellini et al. | A Deep Learning Approach for Short Term Prediction of Industrial Plant Working Status | |
Trstenjak et al. | A Decision Support System for the Prediction of Wastewater Pumping Station Failures Based on CBR Continuous Learning Model. | |
WO2020180747A1 (en) | System and method for plant operation gap analysis and guidance solution | |
Ma et al. | Application of SCADA data in wind turbine fault detection–a review |
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 |