CN117574292A - 一种数据故障检测方法及系统 - Google Patents
一种数据故障检测方法及系统 Download PDFInfo
- Publication number
- CN117574292A CN117574292A CN202311485827.1A CN202311485827A CN117574292A CN 117574292 A CN117574292 A CN 117574292A CN 202311485827 A CN202311485827 A CN 202311485827A CN 117574292 A CN117574292 A CN 117574292A
- Authority
- CN
- China
- Prior art keywords
- detection
- equipment
- result
- monitoring
- data
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 225
- 238000012544 monitoring process Methods 0.000 claims abstract description 252
- 230000002159 abnormal effect Effects 0.000 claims abstract description 96
- 238000005065 mining Methods 0.000 claims abstract description 82
- 238000004458 analytical method Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012806 monitoring device Methods 0.000 claims description 36
- 230000005540 biological transmission Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 11
- 230000005856 abnormality Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 description 19
- 238000012423 maintenance Methods 0.000 description 9
- 238000012216 screening Methods 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000010183 spectrum analysis Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本申请公开了一种数据故障检测方法及系统,其中,数据故障检测方法包括:S1:根据检测请求生成检测设置信息和检测表;S2:根据检测表对监测数据包进行预判断,若异常,执行S3;若正常,将监测数据包作为检测数据,将预判断结果作为故障检测结果;S3:生成校核指令,对监测设备数据进行校核分析,若异常,执行S4;若正常,将监测数据包作为检测数据,将预判断结果作为故障检测结果;S4:对获取的复采数据包进行分析处理,获得分析结果和插值数据包,将分析结果作为故障检测结果,将插值数据包作为检测数据,执行S5;S5:根据故障检测结果对检测表进行更新,存储检测数据和故障检测结果,发送检测信息。本申请能提高故障检测结果的准确性。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种数据故障检测方法及系统。
背景技术
随着工业一体化进程的发展,设备的功能和组件结构越来越复杂,组件之间的联系越来越密切。在现实生产中,由于设备受各种运行因素(例如:自身磨损和外部环境)的影响,其性能和系统的状态会随着使用时间的增加而逐渐退化,若其中某一重要零件损坏,极有可能造成设备无法正常工作,甚至引发事故,因此需要对设备进行实时监测和故障诊断。
近年来,随着传感器技术、计算机技术和网络技术的迅猛发展,机器学习已越来越多地被应用于故障检测与诊断技术中,目前基于机器学习的故障检测方法主要分为传统智能故障诊断方法和基于深度学习的智能故障诊断方法。但现有的故障检测方法均是直接对采集的设备数据进行分析,从而得出故障结果,其并未考虑对设备进行数据采集的监控设备是否故障,监控设备的故障同样会导致采集到的数据产生异常,因此,现有的故障检测方法依然存在故障检测错误的情况。
发明内容
本申请的目的在于提供一种数据故障检测方法及系统,能够提高采集数据的准确性和故障检测结果的准确性。
为达到上述目的,本申请提供一种数据故障检测方法,包括如下步骤:S1:数据故障检测中心接收管理端发送的检测请求,根据检测请求生成检测设置信息和检测表,存储检测表,并将检测设置信息发送至管理端,管理端根据检测设置信息对相应的监控设备进行运行设置,完成设置后,执行S2;其中,运行设置的内容至少包括:采集间隔时间、传输格式和传输地址;S2:数据故障检测中心接收监控设备按照采集间隔时间发送的监测数据包,并根据检测表对监测数据包进行预判断,生成预判断结果,其中,预判断结果为正常或异常;监测数据包至少包括:采集编号、采集时间和监测数值;若预判断结果为异常,执行S3;若预判断结果为正常,将监测数据包作为检测数据,将预判断结果作为故障检测结果,执行S5;S3:数据故障检测中心生成校核指令,接收监控设备执行校核指令后发送的监测设备数据,并对监测设备数据进行校核分析,获得校核结果,其中,校核结果为异常或正常;监测设备数据至少包括:校核编号、校核时间和校核数值;若校核结果为异常,执行S4;若校核结果为正常,则将监测数据包作为检测数据,将预判断结果作为故障检测结果,执行S5;S4:更换监控设备,由数据故障检测中心生成复采指令,并接收更换的监控设备执行复采指令获得的复采数据包,对复采数据包进行分析处理,获得分析结果和插值数据包,将分析结果作为故障检测结果,将插值数据包作为检测数据,执行S5;S5:根据故障检测结果生成更新信息,通过更新信息对检测表进行更新,完成更新后,将检测数据和故障检测结果作为历史数据包进行存储,并向管理端发送检测信息,其中,检测信息至少包括:检测对象、故障检测结果和检测时间。
如上的,其中,数据故障检测中心接收管理端发送的检测请求,根据检测请求生成检测设置信息和检测表,存储检测表,并将检测设置信息发送至管理端的子步骤如下:数据故障检测中心接收管理端发送的检测请求,其中,检测请求至少包括:管理端ID、监控设备信息和待检测设备信息;获取N个与待检测设备信息的类型相同和/或相关的参考检测表的采集间隔时间作为参考采集间隔时间,取多个参考采集间隔时间的平均值作为采集间隔时间;构建初始表格,将监控设备信息、待检测设备信息和采集间隔时间填写于初始表格中相应的填写单元格内后,获得检测表,并存储;其中,初始表格至少包括:多个标题单元格,每个标题单元格均对应多个填写单元格;多个标题单元格至少包括:序号项、监控设备信息项、待检测设备信息项和采集间隔时间项;根据监控设备信息和检测表生成多个子设置信息,并将多个子设置信息作为检测设置信息发送至管理端,其中,每个子设置信息至少包括:设置对象、采集间隔时间、传输格式和传输地址。
如上的,其中,根据检测表对监测数据包进行预判断,生成预判断结果的子步骤如下:读取监测数据包,根据监测数据包中的采集编号对序号项中的序号进行遍历,获取与采集编号一致的序号所对应的待检测设备信息作为预判参考信息;根据预判参考信息中的待检测设备的使用年限子项和待检测设备的故障次数子项计算当前故障概率,并利用预设的待检故障阈值对当前故障概率进行预判断,生成第一结果,若当前故障概率小于或等于待检故障阈值,则第一结果为正常,若当前故障概率大于待检故障阈值,则第一结果为异常;将预判参考信息中的待检测设备的正常运行范围值和待检测设备的异常运行范围值作为判别范围,利用判别范围对监测数据包中的监测数值进行预判断,并生成第二结果,若监测数值位于待检测设备的正常运行范围值内,则生成的第二结果为正常;若监测数值位于待检测设备的异常运行范围值内,则生成的第二结果为异常;根据第一结果和第二结果生成预判断结果,若第一结果和第二结果均为正常,则生成的预判断结果为正常;若第一结果和第二结果中具有至少一个异常,则生成的预判断结果为异常。
如上的,其中,当前故障概率的表达式如下:其中,Pdg为当前故障概率;μ1为故障频率的权重;μ2为使用年限的权重;Jyg为预判参考信息中的待检测设备的故障次数;Jdz为预判参考信息中的待检测设备的检测总次数;Ndq为预判参考信息中的待检测设备的使用年限;Nysmax为预设的待检测设备的最长使用年限;Δtjg为采集间隔时间。
如上的,其中,数据故障检测中心生成校核指令,接收监控设备执行校核指令后发送的监测设备数据,并对监测设备数据进行校核分析,获得校核结果的子步骤如下:读取监测设备数据,根据监测设备数据中的校核编号对序号项中的序号进行遍历,获取与校核编号一致的序号所对应的监控设备信息作为校核参考信息;将校核参考信息中的监控设备的正常运行范围值和监控设备的异常运行范围值作为校核范围,利用校核范围对监测设备数据中的校核数值进行校核分析,并生成预校核结果,若校核数值位于监控设备的正常运行范围值内,则生成的预校核结果为正常;若校核数值位于监控设备的异常运行范围值内,则生成的预校核结果为异常;若预校核结果为正常,则将预校核结果作为校核结果;若预校核结果为异常,则根据校核参考信息中的监控设备的使用年限子项和监控设备的故障次数子项计算当前异常概率,并利用预设的校核异常阈值对当前异常概率进行判断,生成异常判断结果,若当前异常概率小于或等于校核异常阈值,则异常判断结果为正常,将预校核结果作为校核结果;若当前异常概率大于校核异常阈值,则异常判断结果为异常,向管理端发送人工校核指令,并接收执行人工校核指令后得到的结果作为校核结果。
如上的,其中,当前异常概率的表达式如下:其中,Gyc为当前异常概率;η1为故障频率的权重;η2为使用年限的权重;Hyg为校核参考信息中的监控设备的故障次数;Hdz为校核参考信息中的监控设备的检测总次数;Sdq为校核参考信息中的监控设备的使用年限;Sysmax为预设的监控设备的最长使用年限;Δtgd为本次校核时间与校核参考信息中的监控设备的使用年限之间的间隔时间。
如上的,其中,由数据故障检测中心生成复采指令,并接收更换的监控设备执行复采指令获得的复采数据包,对复采数据包进行分析处理,获得分析结果和插值数据包的子步骤如下:数据故障检测中心生成复采指令,并将复采指令发送至更换的监控设备,其中,复采指令至少包括:复采时间段和复采频次;接收更换的监控设备执行复采指令获得的复采数据包,对复采数据包进行分析处理,获得插值数据包;其中,复采数据包至少包括:采集编号、复采序列、复采时间和复采数值;插值数据包至少包括:采集编号、采集时间和扩展插值;利用判别范围对插值数据包中的扩展插值进行分析,获得分析结果,其中,分析结果为正常或异常;若扩展插值位于待检测设备的正常运行范围值内,则生成的分析结果为正常;若扩展插值位于待检测设备的异常运行范围值内,则生成的分析结果为异常。
如上的,其中,监控设备信息项至少包括:监控设备的名称子项、监控设备的类型子项、监控设备的型号子项、监控设备的使用年限子项、监控设备的故障次数子项、监控设备的正常运行范围值子项、监控设备的异常运行范围值子项、监控设备的检修信息子项、监控设备的检测总次数子项和监控设备的最长使用年限子项。
如上的,其中,待检测设备信息项至少包括:待检测设备的名称子项、待检测设备的类型子项、待检测设备的型号子项、待检测设备的使用年限子项、待检测设备的故障次数子项、待检测设备的正常运行范围值子项、待检测设备的异常运行范围值子项、待检测设备的检修信息子项、待检测设备的检测总次数子项和待检测设备的最长使用年限子项。
本申请还提供一种数据故障检测系统,包括:至少一个用户子系统、数据故障检测中心和云端存储中心;其中,用户子系统至少包括:一个管理端、多个监控设备、多个待检测设备和至少一个备用监控设备;管理端:用于发送的检测请求;接收检测设置信息,并根据检测设置信息对监控设备进行运行设置;监控设备:允许管理端进行运行设置,完成设置后,按照采集间隔时间对待检测设备进行数据采集,获得监测数据包,并发送;接收并执行校核指令,获得监测设备数据,并发送;备用监控设备:当对监测设备数据进行校核分析,获得的校核结果为异常时,作为更换的监控设备,接收并执行复采指令,获得复采数据包,并发送;数据故障检测中心:用于执行上述的数据故障检测方法;云端存储中心:用于存储检测表数据库,检测表数据库中包括多个检测表;用于存储历史数据库,历史数据库中包括多个历史数据包。
本申请能够提高采集数据的准确性和故障检测结果的准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为数据故障检测系统一种实施例的结构示意图;
图2为数据故障检测方法一种实施例的流程图;
图3为根据检测表对监测数据包进行预判断,生成预判断结果的一种实施例的流程图;
图4为对故障信号进行分析,获得检测对象的故障模式的一种实施例的流程图。
具体实施方式
下面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。
如图1所示,本申请提供一种数据故障检测系统,包括:至少一个用户子系统1、数据故障检测中心2和云端存储中心3。
其中,用户子系统1至少包括:一个管理端、多个监控设备、多个待检测设备和至少一个备用监控设备。
管理端:用于发送的检测请求;接收检测设置信息,并根据检测设置信息对监控设备进行运行设置。
监控设备:允许管理端进行运行设置,完成设置后,按照采集间隔时间对待检测设备进行数据采集,获得监测数据包,并发送;接收并执行校核指令,获得监测设备数据,并发送。
备用监控设备:当对监测设备数据进行校核分析,获得的校核结果为异常时,作为更换的监控设备,接收并执行复采指令,获得复采数据包,并发送。
数据故障检测中心2:用于执行下述的数据故障检测方法。
云端存储中心3:用于存储检测表数据库,检测表数据库中包括多个检测表;用于存储历史数据库,历史数据库中包括多个历史数据包。
如图2所示,本申请提供一种数据故障检测方法,包括如下步骤:
S1:数据故障检测中心接收管理端发送的检测请求,根据检测请求生成检测设置信息和检测表,存储检测表,并将检测设置信息发送至管理端,管理端根据检测设置信息对相应的监控设备进行运行设置,完成设置后,执行S2;其中,运行设置的内容至少包括:采集间隔时间、传输格式和传输地址。
进一步的,数据故障检测中心接收管理端发送的检测请求,根据检测请求生成检测设置信息和检测表,存储检测表,并将检测设置信息发送至管理端的子步骤如下:
S11:数据故障检测中心接收管理端发送的检测请求,其中,检测请求至少包括:管理端ID、监控设备信息和待检测设备信息。
具体的,监控设备信息至少包括:监控设备的名称、监控设备的类型、监控设备的型号、监控设备的使用年限、监控设备的故障次数、监控设备的正常运行范围值、监控设备的异常运行范围值、监控设备的检修信息、监控设备的检测总次数和监控设备的最长使用年限。
待检测设备信息至少包括:待检测设备的名称、待检测设备的类型、待检测设备的型号、待检测设备的使用年限、待检测设备的故障次数、待检测设备的正常运行范围值、待检测设备的异常运行范围值、待检测设备的检修信息、待检测设备的检测总次数和待检测设备的最长使用年限。
S12:获取N个与待检测设备信息的类型相同和/或相关的参考检测表的采集间隔时间作为参考采集间隔时间,取多个参考采集间隔时间的平均值作为采集间隔时间。
具体的,已经存储于检测表数据库中的检测表均为参考检测表。
采集间隔时间为监控设备下一次对待检测设备进行数据采集,获得监测数据包的采集时间和上一次对待检测设备进行数据采集,获得监测数据包的采集时间之间所需间隔的时间段。采集间隔时间可以为m秒钟、m分钟、m小时、m天、m周、m月、m季度或m年,采集间隔时间的具体值根据实际情况而定,或参考多个参考采集间隔时间而定,本申请优选为取多个参考采集间隔时间的平均值作为采集间隔时间。
S13:构建初始表格,将监控设备信息、待检测设备信息和采集间隔时间填写于初始表格中相应的填写单元格内后,获得检测表,并存储;其中,初始表格至少包括:多个标题单元格,每个标题单元格均对应多个填写单元格;多个标题单元格至少包括:序号项、监控设备信息项、待检测设备信息项和采集间隔时间项。
具体的,一个待检测设备对应一个序号项、一个监控设备信息项、一个待检测设备信息项和一个采集间隔时间项。按照填写待检测设备的顺序自动生成序号或根据用户端的设定生成序号,并将序号填写于该待检测设备对应的序号项所对应的填写单元格内。
其中,监控设备信息项至少包括:监控设备的名称子项、监控设备的类型子项、监控设备的型号子项、监控设备的使用年限子项、监控设备的故障次数子项、监控设备的正常运行范围值子项、监控设备的异常运行范围值子项、监控设备的检修信息子项、监控设备的检测总次数子项和监控设备的最长使用年限子项。
监控设备的名称子项所对应的填写单元格用于填写监控设备的名称。
监控设备的类型子项所对应的填写单元格用于填写监控设备的类型。
监控设备的型号子项所对应的填写单元格用于填写监控设备的型号。
监控设备的使用年限子项所对应的填写单元格用于填写监控设备的使用年限。
监控设备的故障次数子项所对应的填写单元格用于填写监控设备的故障次数。
监控设备的正常运行范围值子项所对应的填写单元格用于填写监控设备的正常运行范围值。
监控设备的异常运行范围值子项所对应的填写单元格用于填写监控设备的异常运行范围值。
监控设备的检修信息子项所对应的填写单元格用于填写监控设备的检修信息。
监控设备的检测总次数子项所对应的填写单元格用于填写监控设备的检测总次数。
监控设备的最长使用年限子项所对应的填写单元格用于填写监控设备的最长使用年限。
其中,监控设备的使用年限子项、监控设备的故障次数子项、监控设备的检修信息子项和监控设备的检测总次数子项的填写内容根据实际情况进行更新。监控设备的检修信息至少包括:故障时间、故障原因、检修时间和检修结果。
其中,待检测设备信息项至少包括:待检测设备的名称子项、待检测设备的类型子项、待检测设备的型号子项、待检测设备的使用年限子项、待检测设备的故障次数子项、待检测设备的正常运行范围值子项、待检测设备的异常运行范围值子项、待检测设备的检修信息子项、待检测设备的检测总次数子项和待检测设备的最长使用年限子项。
待检测设备的名称子项所对应的填写单元格用于填写待检测设备的名称。
待检测设备的类型子项所对应的填写单元格用于填写待检测设备的类型。
待检测设备的型号子项所对应的填写单元格用于填写待检测设备的型号。
待检测设备的使用年限子项所对应的填写单元格用于填写待检测设备的使用年限。
待检测设备的故障次数子项所对应的填写单元格用于填写待检测设备的故障次数。
待检测设备的正常运行范围值子项所对应的填写单元格用于填写待检测设备的正常运行范围值。
待检测设备的异常运行范围值子项所对应的填写单元格用于填写待检测设备的异常运行范围值。
待检测设备的检修信息子项所对应的填写单元格用于填写待检测设备的检修信息。
待检测设备的检测总次数子项所对应的填写单元格用于填写待检测设备的检测总次数。
待检测设备的最长使用年限子项所对应的填写单元格用于填写待检测设备的最长使用年限。
其中,待检测设备的使用年限子项、待检测设备的故障次数子项、待检测设备的检修信息子项和待检测设备的检测总次数子项的填写内容根据实际情况进行更新。待检测设备的检修信息至少包括:故障时间、故障原因、检修时间和检修结果。
S14:根据监控设备信息和检测表生成多个子设置信息,并将多个子设置信息作为检测设置信息发送至管理端,其中,每个子设置信息至少包括:设置对象、采集间隔时间、传输格式和传输地址。
具体的,设置对象为需要进行运行设置的监控设备。
传输格式为监控设备对待检测设备进行数据采集,获得数据后,对数据进行规范化处理,获得的监测数据包的格式,该格式符合检测表的填写单元格中的内容所需的格式。
传输地址为数据故障检测中心指定的存储地址,一个管理端对应一个存储地址。存储地址用于存储监测数据包和历史数据包。
S2:数据故障检测中心接收监控设备按照采集间隔时间发送的监测数据包,并根据检测表对监测数据包进行预判断,生成预判断结果,其中,预判断结果为正常或异常;监测数据包至少包括:采集编号、采集时间和监测数值;若预判断结果为异常,执行S3;若预判断结果为正常,将监测数据包作为检测数据,将预判断结果作为故障检测结果,执行S5。
具体的,监控设备按照采集间隔时间对待检测设备进行数据采集,获得监控数据包,并将监控数据包发送至数据故障检测中心。
监测数值为监控设备采集的待检测设备(例如:工业设备)的运维数据的值。
进一步的,如图3所示,根据检测表对监测数据包进行预判断,生成预判断结果的子步骤如下:
S21:读取监测数据包,根据监测数据包中的采集编号对序号项中的序号进行遍历,获取与采集编号一致的序号所对应的待检测设备信息作为预判参考信息。
具体的,监测数据包中的采集编号与检测表中的序号一致。一个监控设备和一个待检测设备均对应一个序号。
S22:根据预判参考信息中的待检测设备的使用年限子项和待检测设备的故障次数子项计算当前故障概率,并利用预设的待检故障阈值对当前故障概率进行预判断,生成第一结果,若当前故障概率小于或等于待检故障阈值,则第一结果为正常,若当前故障概率大于待检故障阈值,则第一结果为异常。
进一步的,当前故障概率的表达式如下:
其中,Pdg为当前故障概率;μ1为故障频率的权重;μ2为使用年限的权重;Jyg为预判参考信息中的待检测设备的故障次数;Jdz为预判参考信息中的待检测设备的检测总次数;Ndq为预判参考信息中的待检测设备的使用年限;Nysmax为预设的待检测设备的最长使用年限;Δtjg为采集间隔时间。
具体的,若当前故障概率大于预设的待检故障阈值,则表示该待检测设备可能发生故障的概率较大,需要考虑监控设备的准确性,从而进一步确保所采集的监测数值的准确性。待检故障阈值的具体值根据实际情况而定。
S23:将预判参考信息中的待检测设备的正常运行范围值和待检测设备的异常运行范围值作为判别范围,利用判别范围对监测数据包中的监测数值进行预判断,并生成第二结果,若监测数值位于待检测设备的正常运行范围值内,则生成的第二结果为正常;若监测数值位于待检测设备的异常运行范围值内,则生成的第二结果为异常。
S24:根据第一结果和第二结果生成预判断结果,若第一结果和第二结果均为正常,则生成的预判断结果为正常;若第一结果和第二结果中具有至少一个异常,则生成的预判断结果为异常。
S3:数据故障检测中心生成校核指令,接收监控设备执行校核指令后发送的监测设备数据,并对监测设备数据进行校核分析,获得校核结果,其中,校核结果为异常或正常;监测设备数据至少包括:校核编号、校核时间和校核数值;若校核结果为异常,执行S4;若校核结果为正常,则将监测数据包作为检测数据,将预判断结果作为故障检测结果,执行S5。
具体的,校核数值为监控设备的运维数据的值。
进一步的,数据故障检测中心生成校核指令,接收监控设备执行校核指令后发送的监测设备数据,并对监测设备数据进行校核分析,获得校核结果的子步骤如下:
S31:读取监测设备数据,根据监测设备数据中的校核编号对序号项中的序号进行遍历,获取与校核编号一致的序号所对应的监控设备信息作为校核参考信息。
具体的,监测设备数据中的校核编号与检测表中的序号一致。一个监控设备和一个待检测设备均对应一个序号。
S32:将校核参考信息中的监控设备的正常运行范围值和监控设备的异常运行范围值作为校核范围,利用校核范围对监测设备数据中的校核数值进行校核分析,并生成预校核结果,若校核数值位于监控设备的正常运行范围值内,则生成的预校核结果为正常;若校核数值位于监控设备的异常运行范围值内,则生成的预校核结果为异常;若预校核结果为正常,则将预校核结果作为校核结果。
S33:若预校核结果为异常,则根据校核参考信息中的监控设备的使用年限子项和监控设备的故障次数子项计算当前异常概率,并利用预设的校核异常阈值对当前异常概率进行判断,生成异常判断结果,若当前异常概率小于或等于校核异常阈值,则异常判断结果为正常,将预校核结果作为校核结果;若当前异常概率大于校核异常阈值,则异常判断结果为异常,向管理端发送人工校核指令,并接收执行人工校核指令后得到的结果作为校核结果。
进一步的,当前异常概率的表达式如下:
其中,Gyc为当前异常概率;η1为故障频率的权重;η2为使用年限的权重;Hyg为校核参考信息中的监控设备的故障次数;Hdz为校核参考信息中的监控设备的检测总次数;Sdq为校核参考信息中的监控设备的使用年限;Sysmax为预设的监控设备的最长使用年限;Δtgd为本次校核时间与校核参考信息中的监控设备的使用年限之间的间隔时间。
具体的,若当前异常概率大于预设的校核异常阈值,则表示该监控设备可能发生故障的概率较大,上传的监测设备数据的错误率较高,因此,需要通过人工校核进一步确保校核结果的准确性。校核异常阈值的具体值根据实际情况而定。监控设备的使用年限根据校核时间进行更新。
S4:更换监控设备,由数据故障检测中心生成复采指令,并接收更换的监控设备执行复采指令获得的复采数据包,对复采数据包进行分析处理,获得分析结果和插值数据包,将分析结果作为故障检测结果,将插值数据包作为检测数据,执行S5。
进一步的,由数据故障检测中心生成复采指令,并接收更换的监控设备执行复采指令获得的复采数据包,对复采数据包进行分析处理,获得分析结果和插值数据包的子步骤如下:
S41:数据故障检测中心生成复采指令,并将复采指令发送至更换的监控设备,其中,复采指令至少包括:复采时间段和复采频次。
具体的,复采时间段为需要增加数据采集次数的时间段,复采时间段为:[Tz始,Tz末],其中,Tz始为复采时间段的开始节点,Tz末为复采时间段的结束节点,且复采时间段位于本次监控设备根据采集间隔时间采集监测数据包的采集时间与下一次监控设备根据采集间隔时间采集监测数据包的采集时间之间。复采时间段的开始节点和结束节点的具体时间根据实际情况设定。
复采频次为复采时间段内需要增加的采集次数,复采频次的具体值根据实际情况而定。
S42:接收更换的监控设备执行复采指令获得的复采数据包,对复采数据包进行分析处理,获得插值数据包;其中,复采数据包至少包括:采集编号、复采序列、复采时间和复采数值;插值数据包至少包括:采集编号、采集时间和扩展插值。
具体的,扩展插值为通过对插值数据包进行分析,预测的本次的采集时间所对应的监测数值。
复采序列的值按照复采时间由先至后的顺序依次增大。
复采数值为更换的监控设备采集的待检测设备(例如:工业设备)的运维数据的值。
进一步的,扩展插值的表达式如下:
其中,Kcz为扩展插值;Cjzf-1为本次的采集时间的前一个采集时间的检测数值;wr为复采时间段中复采序列为r的复采数值;wr+1为复采时间段中复采序列为r+1的复采数值;r∈[1,R],R为复采时间段中的复采序列的总个数;tr为复采时间段中复采序列为r的复采时间;tr+1为复采时间段中复采序列为r+1的复采时间;Δtjg为采集间隔时间;f为本次的采集时间的时间序列,f-1为本次的采集时间的前一个采集时间的时间序列。
采集时间的时间序列按照采集时间由先至后的顺序依次增大。
具体的,wr+1-wr表示复采数值wr+1和复采数值wr之间的变化数据;tr+1-tr为复采数值wr+1和复采数值wr之间的变化时间。历史数据包中的扩展插值或监测数值即为检测数值。
S43:利用判别范围对插值数据包中的扩展插值进行分析,获得分析结果,其中,分析结果为正常或异常;若扩展插值位于待检测设备的正常运行范围值内,则生成的分析结果为正常;若扩展插值位于待检测设备的异常运行范围值内,则生成的分析结果为异常。
S5:根据故障检测结果生成更新信息,通过更新信息对检测表进行更新,完成更新后,将检测数据和故障检测结果作为历史数据包进行存储,并向管理端发送检测信息,其中,检测信息至少包括:检测对象、故障检测结果和检测时间。
具体的,更新信息包括待检测设备的使用年限子项、待检测设备的故障次数子项、待检测设备的检修信息子项、待检测设备的检测总次数子项、监控设备的使用年限子项、监控设备的故障次数子项、监控设备的检修信息子项和监控设备的检测总次数子项中的一项或多项。
检测对象为监测的待检测设备。
检测时间为发送检测信息的时间。
进一步的,当检测信息中的故障检测结果为异常时,将该检测信息中的检测对象作为故障设备,获取故障设备的故障信号,并对故障信号进行分析,获得检测对象的故障模式。
进一步的,如图4所示,当检测信息中的故障检测结果为异常时,将该检测信息中的检测对象作为故障设备,获取故障设备的故障信号后,对故障信号进行分析,获得检测对象的故障模式的子步骤如下:
F1:通过自适应局部迭代滤波(ALIF)方法对故障信号进行分解,并获得一组单分量。
具体的,通过自适应局部迭代滤波(ALIF)方法对故障信号进行分解并获得一组单分量,但不仅限于自适应局部迭代滤波(ALIF)方法,本申请优选为自适应局部迭代滤波(ALIF)方法。
F2:利用峭度公式对一组单分量进行计算,获得特征值。
F3:利用特征值对预先设置的本征模态函数(IMF)进行筛选,将包含故障信号的本征模态函数(IMF)作为筛选函数,并标记索引序号,一个筛选函数对应一个索引序号,索引序号按照由先至后的筛选顺序依次递增。
F4:根据索引序号由小至大的顺序,保留前三个筛选函数作为待分析函数。
具体的,由于设备的故障发生位置及损坏程度均存在不同,因此,设备可能存在多种故障模式,例如:发生故障的设备具有轴承,在轴承的每次旋转过程中,重复发生的冲击会激发所有的轴承谐波和共振,其诊断的关键是轴承频率的谐波数量。因此,在保留筛选函数(即:包含故障信号的本征模态函数)时,如果只选择筛选得到的第一个筛选函数,即使该筛选函数是最好的一个本征模态函数(IMF),也会存在信息丢失的问题。因此,保留多个筛选函数的加和进行分析,能够有效的避免信息丢失问题,提高故障诊断的准确性。保留的筛选函数的具体个数根据实际情况而定,本申请优选为三个。
F5:采用快速峭度法对待分析函数进行分析,去除待分析函数中的剩余噪声后,获得平方包络谱分析信息,根据平方包络谱分析信息确定检测对象的故障模式。
具体的,采用基于快速峭度法(FK)导出的最优带滤波器去除所选的三个本征模态函数(IMF)(即:待分析函数)中的剩余噪声,获得平方包络谱分析信息,根据平方包络谱分析信息确定检测对象的故障模式。
本申请能够提高采集数据的准确性和故障检测结果的准确性。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,本申请的保护范围意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。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精神和范围。这样,倘若本申请的这些修改和变型属于本申请保护范围及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种数据故障检测方法,其特征在于,包括如下步骤:
S1:数据故障检测中心接收管理端发送的检测请求,根据检测请求生成检测设置信息和检测表,存储检测表,并将检测设置信息发送至管理端,管理端根据检测设置信息对相应的监控设备进行运行设置,完成设置后,执行S2;其中,运行设置的内容至少包括:采集间隔时间、传输格式和传输地址;
S2:数据故障检测中心接收监控设备按照采集间隔时间发送的监测数据包,并根据检测表对监测数据包进行预判断,生成预判断结果,其中,预判断结果为正常或异常;监测数据包至少包括:采集编号、采集时间和监测数值;若预判断结果为异常,执行S3;若预判断结果为正常,将监测数据包作为检测数据,将预判断结果作为故障检测结果,执行S5;
S3:数据故障检测中心生成校核指令,接收监控设备执行校核指令后发送的监测设备数据,并对监测设备数据进行校核分析,获得校核结果,其中,校核结果为异常或正常;监测设备数据至少包括:校核编号、校核时间和校核数值;若校核结果为异常,执行S4;若校核结果为正常,则将监测数据包作为检测数据,将预判断结果作为故障检测结果,执行S5;
S4:更换监控设备,由数据故障检测中心生成复采指令,并接收更换的监控设备执行复采指令获得的复采数据包,对复采数据包进行分析处理,获得分析结果和插值数据包,将分析结果作为故障检测结果,将插值数据包作为检测数据,执行S5;
S5:根据故障检测结果生成更新信息,通过更新信息对检测表进行更新,完成更新后,将检测数据和故障检测结果作为历史数据包进行存储,并向管理端发送检测信息,其中,检测信息至少包括:检测对象、故障检测结果和检测时间。
2.根据权利要求1所述的数据故障检测方法,其特征在于,数据故障检测中心接收管理端发送的检测请求,根据检测请求生成检测设置信息和检测表,存储检测表,并将检测设置信息发送至管理端的子步骤如下:
数据故障检测中心接收管理端发送的检测请求,其中,检测请求至少包括:管理端ID、监控设备信息和待检测设备信息;
获取N个与待检测设备信息的类型相同和/或相关的参考检测表的采集间隔时间作为参考采集间隔时间,取多个参考采集间隔时间的平均值作为采集间隔时间;
构建初始表格,将监控设备信息、待检测设备信息和采集间隔时间填写于初始表格中相应的填写单元格内后,获得检测表,并存储;其中,初始表格至少包括:多个标题单元格,每个标题单元格均对应多个填写单元格;多个标题单元格至少包括:序号项、监控设备信息项、待检测设备信息项和采集间隔时间项;
根据监控设备信息和检测表生成多个子设置信息,并将多个子设置信息作为检测设置信息发送至管理端,其中,每个子设置信息至少包括:设置对象、采集间隔时间、传输格式和传输地址。
3.根据权利要求2所述的数据故障检测方法,其特征在于,根据检测表对监测数据包进行预判断,生成预判断结果的子步骤如下:
读取监测数据包,根据监测数据包中的采集编号对序号项中的序号进行遍历,获取与采集编号一致的序号所对应的待检测设备信息作为预判参考信息;
根据预判参考信息中的待检测设备的使用年限子项和待检测设备的故障次数子项计算当前故障概率,并利用预设的待检故障阈值对当前故障概率进行预判断,生成第一结果,若当前故障概率小于或等于待检故障阈值,则第一结果为正常,若当前故障概率大于待检故障阈值,则第一结果为异常;
将预判参考信息中的待检测设备的正常运行范围值和待检测设备的异常运行范围值作为判别范围,利用判别范围对监测数据包中的监测数值进行预判断,并生成第二结果,若监测数值位于待检测设备的正常运行范围值内,则生成的第二结果为正常;若监测数值位于待检测设备的异常运行范围值内,则生成的第二结果为异常;
根据第一结果和第二结果生成预判断结果,若第一结果和第二结果均为正常,则生成的预判断结果为正常;若第一结果和第二结果中具有至少一个异常,则生成的预判断结果为异常。
4.根据权利要求3所述的数据故障检测方法,其特征在于,当前故障概率的表达式如下:
其中,Pdg为当前故障概率;μ1为故障频率的权重;μ2为使用年限的权重;Jyg为预判参考信息中的待检测设备的故障次数;Jdz为预判参考信息中的待检测设备的检测总次数;Ndq为预判参考信息中的待检测设备的使用年限;Nysmax为预设的待检测设备的最长使用年限;Δtjg为采集间隔时间。
5.根据权利要求4所述的数据故障检测方法,其特征在于,数据故障检测中心生成校核指令,接收监控设备执行校核指令后发送的监测设备数据,并对监测设备数据进行校核分析,获得校核结果的子步骤如下:
读取监测设备数据,根据监测设备数据中的校核编号对序号项中的序号进行遍历,获取与校核编号一致的序号所对应的监控设备信息作为校核参考信息;
将校核参考信息中的监控设备的正常运行范围值和监控设备的异常运行范围值作为校核范围,利用校核范围对监测设备数据中的校核数值进行校核分析,并生成预校核结果,若校核数值位于监控设备的正常运行范围值内,则生成的预校核结果为正常;若校核数值位于监控设备的异常运行范围值内,则生成的预校核结果为异常;若预校核结果为正常,则将预校核结果作为校核结果;
若预校核结果为异常,则根据校核参考信息中的监控设备的使用年限子项和监控设备的故障次数子项计算当前异常概率,并利用预设的校核异常阈值对当前异常概率进行判断,生成异常判断结果,若当前异常概率小于或等于校核异常阈值,则异常判断结果为正常,将预校核结果作为校核结果;若当前异常概率大于校核异常阈值,则异常判断结果为异常,向管理端发送人工校核指令,并接收执行人工校核指令后得到的结果作为校核结果。
6.根据权利要求5所述的数据故障检测方法,其特征在于,当前异常概率的表达式如下:
其中,Gyc为当前异常概率;η1为故障频率的权重;η2为使用年限的权重;Hyg为校核参考信息中的监控设备的故障次数;Hdz为校核参考信息中的监控设备的检测总次数;Sdq为校核参考信息中的监控设备的使用年限;Sysmax为预设的监控设备的最长使用年限;Δtgd为本次校核时间与校核参考信息中的监控设备的使用年限之间的间隔时间。
7.根据权利要求6所述的数据故障检测方法,其特征在于,由数据故障检测中心生成复采指令,并接收更换的监控设备执行复采指令获得的复采数据包,对复采数据包进行分析处理,获得分析结果和插值数据包的子步骤如下:
数据故障检测中心生成复采指令,并将复采指令发送至更换的监控设备,其中,复采指令至少包括:复采时间段和复采频次;
接收更换的监控设备执行复采指令获得的复采数据包,对复采数据包进行分析处理,获得插值数据包;其中,复采数据包至少包括:采集编号、复采序列、复采时间和复采数值;插值数据包至少包括:采集编号、采集时间和扩展插值;
利用判别范围对插值数据包中的扩展插值进行分析,获得分析结果,其中,分析结果为正常或异常;若扩展插值位于待检测设备的正常运行范围值内,则生成的分析结果为正常;若扩展插值位于待检测设备的异常运行范围值内,则生成的分析结果为异常。
8.根据权利要求7所述的数据故障检测方法,其特征在于,监控设备信息项至少包括:监控设备的名称子项、监控设备的类型子项、监控设备的型号子项、监控设备的使用年限子项、监控设备的故障次数子项、监控设备的正常运行范围值子项、监控设备的异常运行范围值子项、监控设备的检修信息子项、监控设备的检测总次数子项和监控设备的最长使用年限子项。
9.根据权利要求8所述的数据故障检测方法,其特征在于,待检测设备信息项至少包括:待检测设备的名称子项、待检测设备的类型子项、待检测设备的型号子项、待检测设备的使用年限子项、待检测设备的故障次数子项、待检测设备的正常运行范围值子项、待检测设备的异常运行范围值子项、待检测设备的检修信息子项、待检测设备的检测总次数子项和待检测设备的最长使用年限子项。
10.一种数据故障检测系统,其特征在于,包括:至少一个用户子系统、数据故障检测中心和云端存储中心;
其中,用户子系统至少包括:一个管理端、多个监控设备、多个待检测设备和至少一个备用监控设备;
管理端:用于发送的检测请求;接收检测设置信息,并根据检测设置信息对监控设备进行运行设置;
监控设备:允许管理端进行运行设置,完成设置后,按照采集间隔时间对待检测设备进行数据采集,获得监测数据包,并发送;接收并执行校核指令,获得监测设备数据,并发送;
备用监控设备:当对监测设备数据进行校核分析,获得的校核结果为异常时,作为更换的监控设备,接收并执行复采指令,获得复采数据包,并发送;
数据故障检测中心:用于执行权利要求1-9中任意一项所述的数据故障检测方法;
云端存储中心:用于存储检测表数据库,检测表数据库中包括多个检测表;用于存储历史数据库,历史数据库中包括多个历史数据包。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311485827.1A CN117574292A (zh) | 2023-11-09 | 2023-11-09 | 一种数据故障检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311485827.1A CN117574292A (zh) | 2023-11-09 | 2023-11-09 | 一种数据故障检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117574292A true CN117574292A (zh) | 2024-02-20 |
Family
ID=89892751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311485827.1A Pending CN117574292A (zh) | 2023-11-09 | 2023-11-09 | 一种数据故障检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117574292A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117743606A (zh) * | 2024-02-21 | 2024-03-22 | 天云融创数据科技(北京)有限公司 | 一种基于大数据的智能检索方法及系统 |
-
2023
- 2023-11-09 CN CN202311485827.1A patent/CN117574292A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117743606A (zh) * | 2024-02-21 | 2024-03-22 | 天云融创数据科技(北京)有限公司 | 一种基于大数据的智能检索方法及系统 |
CN117743606B (zh) * | 2024-02-21 | 2024-04-30 | 天云融创数据科技(北京)有限公司 | 一种基于大数据的智能检索方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086889B (zh) | 基于神经网络的终端故障诊断方法、装置和系统 | |
US11016479B2 (en) | System and method for fleet reliabity monitoring | |
US20200371858A1 (en) | Fault Predicting System and Fault Prediction Method | |
CN112101764B (zh) | 基于状态监测的船舶技术状况综合评估系统 | |
US7814369B2 (en) | System and method for detecting combinations of perfomance indicators associated with a root cause | |
CN112152698B (zh) | 一种遥感卫星地面站健康监控系统及方法 | |
CN117574292A (zh) | 一种数据故障检测方法及系统 | |
EP3663919B1 (en) | System and method of automated fault correction in a network environment | |
CN110658308B (zh) | 考虑共因失效的烟气在线监测系统安全可靠性评价方法 | |
CN109472369A (zh) | 电力设备的监测方法及装置 | |
CN111611146B (zh) | 一种微服务故障预测方法和装置 | |
CN110968061A (zh) | 设备故障的预警方法、装置、存储介质和计算机设备 | |
CN116739829B (zh) | 一种基于大数据的电力数据分析方法、系统及介质 | |
CN116502925B (zh) | 基于大数据的数字工厂设备巡检评估方法、系统和介质 | |
CN111669123A (zh) | 用于对光伏组串进行故障诊断的方法和装置 | |
CN116719664B (zh) | 基于微服务部署的应用和云平台跨层故障分析方法及系统 | |
CN111209274A (zh) | 一种数据质量检核方法、系统、设备及可读存储介质 | |
CN106951360B (zh) | 数据统计完整度计算方法和系统 | |
CN116388402A (zh) | 一种应用于变电设备的异常报警分析方法 | |
CN111080484A (zh) | 一种配电网异常数据监测方法及装置 | |
CN117596119A (zh) | 一种基于snmp协议的设备数据采集与监控方法及系统 | |
CN117331790A (zh) | 一种用于数据中心的机房故障检测方法及装置 | |
CN110609761B (zh) | 确定故障源的方法、装置、存储介质和电子设备 | |
CN109885978B (zh) | 一种遥感地面站故障诊断系统及方法 | |
CN114500178B (zh) | 一种自运维的智慧物联网关 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |