CN117609740B - 基于工业大模型智能预测维护系统 - Google Patents
基于工业大模型智能预测维护系统 Download PDFInfo
- Publication number
- CN117609740B CN117609740B CN202410089216.3A CN202410089216A CN117609740B CN 117609740 B CN117609740 B CN 117609740B CN 202410089216 A CN202410089216 A CN 202410089216A CN 117609740 B CN117609740 B CN 117609740B
- Authority
- CN
- China
- Prior art keywords
- maintenance
- fault
- data
- prediction
- sporadic
- 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 title claims abstract description 295
- 238000004458 analytical method Methods 0.000 claims abstract description 132
- 230000000737 periodic effect Effects 0.000 claims description 84
- 230000008859 change Effects 0.000 claims description 39
- 230000002085 persistent effect Effects 0.000 claims description 38
- 238000007405 data analysis Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 abstract description 6
- 238000000034 method Methods 0.000 description 15
- 238000002360 preparation method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000000605 extraction Methods 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
- 230000006870 function Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002459 sustained effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2219—Large Object storage; Management thereof
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供基于工业大模型智能预测维护系统,涉及大数据技术领域。该系统包括历史维护数据采集单元,用于采集同类型工业对象的历史维护数据;维护数据特征分析单元,用于对历史维护数据采集单元采集的历史维护数据进行维护特征分析,形成维护特征数据;实时运行数据采集单元,用于采集目标工业对象的实时运行数据;运行维护预测分析单元,用于获取目标工业对象的实时运行数据,并结合维护数据特征分析单元形成的维护特征数据,进行目标工业对象的预测分析,形成实时预测分析结果数据。该系统通过利用工业大模型对复杂的工业对象进行不同各类型故障的合理预测维护分析,保证工业对象的高效正常运行,提高工业对象运行的稳定性。
Description
技术领域
本发明涉及大数据技术领域,具体而言,涉及基于工业大模型智能预测维护系统。
背景技术
工业大模型是一种广泛应用于现代工业生产和规划中的技术工具。它是通过进行大数据分析和处理来模拟和预测工业系统的运行和行为。工业大模型可以包括多个方面的因素,例如生产、供应链、物流、市场需求、资源利用等。通过将这些因素纳入模型,可以分析和优化工业系统的效率、可持续性和盈利能力。
随着工业大模型数据的增加,基于大模型进行故障维护的准确度和合理性也越来越高。而面对尤其是系统类的工业作业对象,其所产生的故障种类较多,且不同类型的故障也需要根据自己的特点进行合理的故障预测和维护。因而如何合理的利用工业大模型来实现针对系统工业对象的故障预测维护成为当下重要的研究方向。
因此,设计一种基于工业大模型智能预测维护系统,通过利用工业大模型对复杂的工业对象进行不同各类型故障的合理预测维护分析,保证工业对象的高效正常运行,提高工业对象运行的稳定性,是目前亟待解决的问题。
发明内容
本发明的目的在于提供基于工业大模型智能预测维护系统,通过历史维护数据采集单元获取足量的工业大模型大数据,为后续进行基于故障预测维护的特征分析和准去合理的预测维护提供数据基础。利用维护数据特征分析单元对历史维护数据进行进行基于实时预测的合理准确分析,以为实时预测维护分析提供重要的基础对比参考数据。同时,实时运行数据采集单元则对目标工业对象的实时运行数据进行采集,以为对其进行实时准确的故障预测和维护提供最及时的分析对比数据,保证预测分析结果的有效性。另外,运行维护预测分析单元则是专门进行目标工业对象实时数据和预测特征数据的对比分析,提高分析效率。整个系统结构简单,形成紧密联系且高效运行的整体,可以及时为工业对象可能出现的各类故障进行预测,确保工业对象的高效运行,也同时提升了系统运行的稳定性。
第一方面,本发明提供基于工业大模型智能预测维护系统,包括历史维护数据采集单元,用于采集同类型工业对象的历史维护数据;维护数据特征分析单元,用于对历史维护数据采集单元采集的历史维护数据进行维护特征分析,形成维护特征数据;实时运行数据采集单元,用于采集目标工业对象的实时运行数据;运行维护预测分析单元,用于获取实时运行数据采集单元采集的目标工业对象的实时运行数据,并结合维护数据特征分析单元形成的维护特征数据,进行目标工业对象的预测分析,形成实时预测分析结果数据。
在本发明中,该系统通过历史维护数据采集单元获取足量的工业大模型大数据,为后续进行基于故障预测维护的特征分析和准去合理的预测维护提供数据基础。利用维护数据特征分析单元对历史维护数据进行进行基于实时预测的合理准确分析,以为实时预测维护分析提供重要的基础对比参考数据。同时,实时运行数据采集单元则对目标工业对象的实时运行数据进行采集,以为对其进行实时准确的故障预测和维护提供最及时的分析对比数据,保证预测分析结果的有效性。另外,运行维护预测分析单元则是专门进行目标工业对象实时数据和预测特征数据的对比分析,提高分析效率。整个系统结构简单,形成紧密联系且高效运行的整体,可以及时为工业对象可能出现的各类故障进行预测,确保工业对象的高效运行,也同时提升了系统运行的稳定性。
作为一种可能的实现方式,维护数据特征分析单元通过以下方式对历史维护数据进行维护特征分析形成维护特征数据:对历史维护数据进行故障类型的划分,形成偶发性故障维护类和持续性故障维护类;对偶发性故障维护类进行基于维护预测的特征分析,形成偶发性故障维护预测特征数据;对持续性故障维护类进行基于维护预测的特征分析,形成持续性故障维护预测特征数据。
在本发明中,可以理解的是,不同的故障类型其表现得故障形式是不同的,对其所进行的维护内容也是不同的。尤其在针对其进行故障预测时,不同故障类型的初期所表现出的故障征候情况差异性较大,并且在时间上的出现特征也是不同的,因而在对工业对象进行大模型下的故障预测时需要先进行故障类别的划分,进而后续才能针对不同的故障类型建立准确合理的预测分析内容,实现对不同类型故障准确的预测。这里,主要考虑故障类型在预测方面的分析高效性和准确性,以故障发生前的时间表达形式为重点来进行故障类别的划分,既有偶然性发生的故障类型也有具有持续不断出现的故障类型。
作为一种可能的实现方式,对历史维护数据进行故障类型的划分,形成偶发性故障维护类和持续性故障维护类,包括:对每个工业对象,设定历史数据分析周期,并确定在历史数据分析周期内每种故障发生的次数和每次故障发生前工业对象正常运行的时长;设定频次判断阈值,若在历史数据分析周期内故障出现的次数小于频次判断阈值,则确定对应故障为偶发性故障;排除工业对象中所有的偶发性故障,对剩下的故障进行周期性分析,确定出持续性非周期故障和持续性周期故障;集合所有偶发性故障,形成偶发性故障维护类;集合所有持续性非周期故障,形成持续性非周期故障维护类;集合所有持续性周期故障,形成持续性周期故障维护类。
在本发明中,偶发性故障类型和持续性故障类型主要的区别在于在统计周期内出现的频次具有较大的差异,因而在合理的分析周期内对不同故障的频次进行统计可以准确的对故障类型进行区分。在排除偶发性类型的故障后,对于持续性类型故障的识别还需要进行进一步细致的划分,毕竟周期性类型的故障可以相对非周期性类型的故障更加准确的预测和维护。
作为一种可能的实现方式,排除工业对象中所有的偶发性故障,对剩下的故障进行周期性分析,确定出持续性非周期故障和持续性周期故障,包括:获取相同故障每次出现前工业对象正常运行的时长,确定故障对应的平均运行时长Tn,n表示不同种类故障的编号,i表示相同故障在历史数据分析周期内出现的数量有序编号,且i不小于频次判断阈值;根据平均运行时长Tn确定每次故障出现前工业对象正常运行时长相对平均运行时长的偏差时长/>;设定周期判断阈值C,对每种故障进行以下判断分析:若/>,则确定对应的故障为持续性非周期故障;若/>,则确定对应的故障为持续性周期故障。
在本发明中,对于非周期性类型故障和周期性类型故障的识别划分可以考虑非周期性类型故障每次出现故障前工业对象正常运行的时长具有较大的时间跨度差距,因而划分时可以基于对这种时间跨度差异性的提取来进行识别。这里,首先获取故障在分析周期内每次发生的平均时长,再进一步基于平均时长确定每次工业对象基于平均时长的偏差量,可以理解的是,相对于周期性类型的故障,非周期性故障的偏差量累计较大,因而在设定合理的判断阈值下能够准确的对这两种类型的故障进行区分。对于周期判断阈值,可以根据实际情况进行确定,也可以基于大数据的分析来取得,以准确的实现对两种类型故障的划分,为后续针对性的进行预测分析提供合理准确的数据参考。
作为一种可能的实现方式,对偶发性故障维护类进行基于维护预测的特征分析,形成偶发性故障维护预测特征数据,包括:获取偶发性故障维护类中每种故障在故障发生前的参数数据,并进行基于参数变化的特征数据分析,形成偶发性故障参数变化预测数据;获取偶发性故障维护类中每种故障每次进行维护的维护方案,形成每种故障对应的偶发故障维护方案集;对偶发性故障维护类中的每种故障,结合偶发性故障参数变化预测数据和对应的偶发故障维护方案集,形成偶发性故障维护预测特征数据。
在本发明中,不同类型的故障在基于工业大模型下取得的预测数据是不同的,毕竟针对不同的故障类型所考虑的预测内容是不同的,究其根本原因是不同类型故障在发生前所表征的形式和内容是不同的。对于偶发性故障在进行预测时不能从时间参数上进行准确的界定,因而采取获取故障发生前的参数变化特征来进行预测分析,能够充分合理的实现对偶发性故障的预测,同时将偶发性故障的维护数据按照类型划分建立对应的参考数据集,进而为后续维护提供准确高效的维护方案确认。
作为一种可能的实现方式,获取偶发性故障维护类中每种故障在故障发生前的参数数据,并进行基于参数变化的特征数据分析,形成偶发性故障参数变化预测数据,包括:设定偶发性故障预测时长,获取偶发性故障维护类中每种故障每次发生故障前的偶发性故障预测时长下工业对象的运行参数变化数据,形成不同运行参数的偶发性预测运行参数变化曲线;获取偶发性故障维护类中每种故障在偶发性故障预测时长前工业对象正常运行下的运行参数变化数据,形成不同运行参数的正常运行参数变化曲线;对每个运行参数,进行偶发性预测运行参数变化曲线与正常运行参数变化曲线的差异性对比,形成每个运行参数的偶发性故障波动范围。
在本发明中,对于偶发性故障的参数变化数据的特征提取,由于偶发性故障不具有可以参考的时间特性,因而其参数变化的特征以数据范围为特征提取的方式形成参数对应的异常变化范围,为偶发性故障的预测提供可以对比参考的重要数据。
作为一种可能的实现方式,对持续性故障维护类进行基于维护预测的特征分析,形成持续性故障维护预测特征数据,包括:对持续性非周期故障维护类中的每种故障,确定发生故障前工业对象正常运行的最小时长,确定为非周期性基础预测时长;获取持续性非周期故障维护类中每种故障每次进行维护的维护方案,形成故障对应的非周期故障维护方案集;集合持续性非周期故障维护类中所有故障对应的非周期性基础预测时长和非周期故障维护方案集,形成持续性非周期故障维护预测特征数据。
在本发明中,对非周期性类型的故障的特征数据提取,考虑特征数据是为了在工业对象在实时运行过程中提前进行故障的预测,因而需要充分考虑时间上的及时性特征,所以对于非周期性类型的故障则是以最小的故障发生时长为依据来确定,以保证偶发性故障能在故障发生前被预测到。
作为一种可能的实现方式,对持续性故障维护类进行基于维护预测的特征分析,形成持续性故障维护预测特征数据,包括:对持续性周期故障维护类中的每种故障,确定发生故障前工业对象正常运行的最小时长,确定为周期性基础预测时长;获取持续性周期故障维护类中每种故障每次进行维护的维护方案,形成故障对应的周期故障维护方案集;集合持续性周期故障维护类中所有故障对应的周期性基础预测时长和周期故障维护方案集,形成持续性周期故障维护预测特征数据。
在本发明中,对于周期性类型的故障,由于该类型的故障具有较强的稳定周期性,同时也考虑用于进行故障的提前预测,因而需要对周期性故障在故障偏差上做出考虑,以偏差最小即周期时间相对较短的时长为预测分析的基础参考时长。同时建立对应的故障维护方案数据集为周期性类型故障的分析处理提供参考。
作为一种可能的实现方式,运行维护预测分析单元通过以下方式进行故障预测分析形成实时预测分析结果数据:对目标工业对象的运行时长进行计数,形成目标实时运行时长Tcurr;设定持续性周期故障预测因子α,对所有周期性基础预测时长存在:当满足,则形成对应持续性周期故障的维护预警信息;设定持续性非周期故障预测因子β,当所有非周期性基础预测时长/>存在:当满足/>,则形成对应持续性非周期故障的维护预警信息。
在本发明中,在对持续性的故障进行时间预测上的分析时,考虑需要提前进行预测,为作业人员提供维护准备和处理的前期调整。因而设定合理的预留周期时预测分析需要充分考虑的方面。这里,采用预测因子的形式提供时间预留的考虑以保证为持续性的故障提供合理的维护预留准确时间间隙。当然,对于预测因子可以根据实际情况考虑确定以保证能为作业人员提供充分的时间准备。
作为一种可能的实现方式,运行维护预测分析单元通过以下方式进行故障预测分析形成实时预测分析结果数据:获取目标工业对象的运行参数数据,并将每个运行参数的实时运行数值与对应的偶发性故障波动范围比较:若所有运行参数的运行数值均属于对应的偶发性故障波动范围,则形成偶发性故障维护预警信息。
在本发明中,对于偶发性的故障的预测则是基于运行参数的对比分析确定。可以理解,单一的运行参数异常并不能作为预测分析准确判断的依据,因而需要在所有对应考虑的运行参数均满足对比条件才能准确做出判断,需要说明的是,即使在刚好所有对应考虑的运行参数均满足判定条件后还是存在时间间隙为作业人员提供合理的维护准备时间。
本发明提供的基于工业大模型智能预测维护系统的有益效果有:
该系统通过历史维护数据采集单元获取足量的工业大模型大数据,为后续进行基于故障预测维护的特征分析和准去合理的预测维护提供数据基础。利用维护数据特征分析单元对历史维护数据进行进行基于实时预测的合理准确分析,以为实时预测维护分析提供重要的基础对比参考数据。同时,实时运行数据采集单元则对目标工业对象的实时运行数据进行采集,以为对其进行实时准确的故障预测和维护提供最及时的分析对比数据,保证预测分析结果的有效性。另外,运行维护预测分析单元则是专门进行目标工业对象实时数据和预测特征数据的对比分析,提高分析效率。整个系统结构简单,形成紧密联系且高效运行的整体,可以及时为工业对象可能出现的各类故障进行预测,确保工业对象的高效运行,也同时提升了系统运行的稳定性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例提供的基于工业大模型智能预测维护系统的系统框图。
标号:
01、历史维护数据采集单元;02、维护数据特征分析单元;03、实时运行数据采集单元;04、运行维护预测分析单元。
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描述。
工业大模型是一种广泛应用于现代工业生产和规划中的技术工具。它是通过进行大数据分析和处理来模拟和预测工业系统的运行和行为。工业大模型可以包括多个方面的因素,例如生产、供应链、物流、市场需求、资源利用等。通过将这些因素纳入模型,可以分析和优化工业系统的效率、可持续性和盈利能力。
随着工业大模型数据的增加,基于大模型进行故障维护的准确度和合理性也越来越高。而面对尤其是系统类的工业作业对象,其所产生的故障种类较多,且不同类型的故障也需要根据自己的特点进行合理的故障预测和维护。因而如何合理的利用工业大模型来实现针对系统工业对象的故障预测维护成为当下重要的研究方向。
参考图1,本发明实施例提供基于工业大模型智能预测维护系统,该系统通过历史维护数据采集单元获取足量的工业大模型大数据,为后续进行基于故障预测维护的特征分析和准去合理的预测维护提供数据基础。利用维护数据特征分析单元对历史维护数据进行进行基于实时预测的合理准确分析,以为实时预测维护分析提供重要的基础对比参考数据。同时,实时运行数据采集单元则对目标工业对象的实时运行数据进行采集,以为对其进行实时准确的故障预测和维护提供最及时的分析对比数据,保证预测分析结果的有效性。另外,运行维护预测分析单元则是专门进行目标工业对象实时数据和预测特征数据的对比分析,提高分析效率。整个系统结构简单,形成紧密联系且高效运行的整体,可以及时为工业对象可能出现的各类故障进行预测,确保工业对象的高效运行,也同时提升了系统运行的稳定性。
基于工业大模型智能预测维护系统包括历史维护数据采集单元01,用于采集同类型工业对象的历史维护数据;维护数据特征分析单元02,用于对历史维护数据采集单元01采集的历史维护数据进行维护特征分析,形成维护特征数据;实时运行数据采集单元03,用于采集目标工业对象的实时运行数据;运行维护预测分析单元04,用于获取实时运行数据采集单元03采集的目标工业对象的实时运行数据,并结合维护数据特征分析单元02形成的维护特征数据,进行目标工业对象的预测分析,形成实时预测分析结果数据。
维护数据特征分析单元通过以下方式对历史维护数据进行维护特征分析形成维护特征数据:对历史维护数据进行故障类型的划分,形成偶发性故障维护类和持续性故障维护类;对偶发性故障维护类进行基于维护预测的特征分析,形成偶发性故障维护预测特征数据;对持续性故障维护类进行基于维护预测的特征分析,形成持续性故障维护预测特征数据。
可以理解的是,不同的故障类型其表现得故障形式是不同的,对其所进行的维护内容也是不同的。尤其在针对其进行故障预测时,不同故障类型的初期所表现出的故障征候情况差异性较大,并且在时间上的出现特征也是不同的,因而在对工业对象进行大模型下的故障预测时需要先进行故障类别的划分,进而后续才能针对不同的故障类型建立准确合理的预测分析内容,实现对不同类型故障准确的预测。这里,主要考虑故障类型在预测方面的分析高效性和准确性,以故障发生前的时间表达形式为重点来进行故障类别的划分,既有偶然性发生的故障类型也有具有持续不断出现的故障类型。
其中,对历史维护数据进行故障类型的划分,形成偶发性故障维护类和持续性故障维护类,包括:对每个工业对象,设定历史数据分析周期,并确定在历史数据分析周期内每种故障发生的次数和每次故障发生前工业对象正常运行的时长;设定频次判断阈值,若在历史数据分析周期内故障出现的次数小于频次判断阈值,则确定对应故障为偶发性故障;排除工业对象中所有的偶发性故障,对剩下的故障进行周期性分析,确定出持续性非周期故障和持续性周期故障;集合所有偶发性故障,形成偶发性故障维护类;集合所有持续性非周期故障,形成持续性非周期故障维护类;集合所有持续性周期故障,形成持续性周期故障维护类。
偶发性故障类型和持续性故障类型主要的区别在于在统计周期内出现的频次具有较大的差异,因而在合理的分析周期内对不同故障的频次进行统计可以准确的对故障类型进行区分。在排除偶发性类型的故障后,对于持续性类型故障的识别还需要进行进一步细致的划分,毕竟周期性类型的故障可以相对非周期性类型的故障更加准确的预测和维护。
排除工业对象中所有的偶发性故障,对剩下的故障进行周期性分析,确定出持续性非周期故障和持续性周期故障,包括:获取相同故障每次出现前工业对象正常运行的时长,确定故障对应的平均运行时长Tn,n表示不同种类故障的编号,i表示相同故障在历史数据分析周期内出现的数量有序编号,且i不小于频次判断阈值;根据平均运行时长Tn确定每次故障出现前工业对象正常运行时长相对平均运行时长的偏差时长/>;设定周期判断阈值C,对每种故障进行以下判断分析:若/>,则确定对应的故障为持续性非周期故障;若/>,则确定对应的故障为持续性周期故障。
对于非周期性类型故障和周期性类型故障的识别划分可以考虑非周期性类型故障每次出现故障前工业对象正常运行的时长具有较大的时间跨度差距,因而划分时可以基于对这种时间跨度差异性的提取来进行识别。这里,首先获取故障在分析周期内每次发生的平均时长,再进一步基于平均时长确定每次工业对象基于平均时长的偏差量,可以理解的是,相对于周期性类型的故障,非周期性故障的偏差量累计较大,因而在设定合理的判断阈值下能够准确的对这两种类型的故障进行区分。对于周期判断阈值,可以根据实际情况进行确定,也可以基于大数据的分析来取得,以准确的实现对两种类型故障的划分,为后续针对性的进行预测分析提供合理准确的数据参考。
对偶发性故障维护类进行基于维护预测的特征分析,形成偶发性故障维护预测特征数据,包括:获取偶发性故障维护类中每种故障在故障发生前的参数数据,并进行基于参数变化的特征数据分析,形成偶发性故障参数变化预测数据;获取偶发性故障维护类中每种故障每次进行维护的维护方案,形成每种故障对应的偶发故障维护方案集;对偶发性故障维护类中的每种故障,结合偶发性故障参数变化预测数据和对应的偶发故障维护方案集,形成偶发性故障维护预测特征数据。
不同类型的故障在基于工业大模型下取得的预测数据是不同的,毕竟针对不同的故障类型所考虑的预测内容是不同的,究其根本原因是不同类型故障在发生前所表征的形式和内容是不同的。对于偶发性故障在进行预测时不能从时间参数上进行准确的界定,因而采取获取故障发生前的参数变化特征来进行预测分析,能够充分合理的实现对偶发性故障的预测,同时将偶发性故障的维护数据按照类型划分建立对应的参考数据集,进而为后续维护提供准确高效的维护方案确认。
获取偶发性故障维护类中每种故障在故障发生前的参数数据,并进行基于参数变化的特征数据分析,形成偶发性故障参数变化预测数据,包括:设定偶发性故障预测时长,获取偶发性故障维护类中每种故障每次发生故障前的偶发性故障预测时长下工业对象的运行参数变化数据,形成不同运行参数的偶发性预测运行参数变化曲线;获取偶发性故障维护类中每种故障在偶发性故障预测时长前工业对象正常运行下的运行参数变化数据,形成不同运行参数的正常运行参数变化曲线;对每个运行参数,进行偶发性预测运行参数变化曲线与正常运行参数变化曲线的差异性对比,形成每个运行参数的偶发性故障波动范围。
对于偶发性故障的参数变化数据的特征提取,由于偶发性故障不具有可以参考的时间特性,因而其参数变化的特征以数据范围为特征提取的方式形成参数对应的异常变化范围,为偶发性故障的预测提供可以对比参考的重要数据。
对持续性故障维护类进行基于维护预测的特征分析,形成持续性故障维护预测特征数据,包括:对持续性非周期故障维护类中的每种故障,确定发生故障前工业对象正常运行的最小时长,确定为非周期性基础预测时长;获取持续性非周期故障维护类中每种故障每次进行维护的维护方案,形成故障对应的非周期故障维护方案集;集合持续性非周期故障维护类中所有故障对应的非周期性基础预测时长和非周期故障维护方案集,形成持续性非周期故障维护预测特征数据。
对非周期性类型的故障的特征数据提取,考虑特征数据是为了在工业对象在实时运行过程中提前进行故障的预测,因而需要充分考虑时间上的及时性特征,所以对于非周期性类型的故障则是以最小的故障发生时长为依据来确定,以保证偶发性故障能在故障发生前被预测到。
对持续性故障维护类进行基于维护预测的特征分析,形成持续性故障维护预测特征数据,包括:对持续性周期故障维护类中的每种故障,确定发生故障前工业对象正常运行的最小时长,确定为周期性基础预测时长;获取持续性周期故障维护类中每种故障每次进行维护的维护方案,形成故障对应的周期故障维护方案集;集合持续性周期故障维护类中所有故障对应的周期性基础预测时长和周期故障维护方案集,形成持续性周期故障维护预测特征数据。
对于周期性类型的故障,由于该类型的故障具有较强的稳定周期性,同时也考虑用于进行故障的提前预测,因而需要对周期性故障在故障偏差上做出考虑,以偏差最小即周期时间相对较短的时长为预测分析的基础参考时长。同时建立对应的故障维护方案数据集为周期性类型故障的分析处理提供参考。
运行维护预测分析单元通过以下方式进行故障预测分析形成实时预测分析结果数据:对目标工业对象的运行时长进行计数,形成目标实时运行时长Tcurr;设定持续性周期故障预测因子α,对所有周期性基础预测时长存在:当满足/>,则形成对应持续性周期故障的维护预警信息;设定持续性非周期故障预测因子β,当所有非周期性基础预测时长/>存在:当满足/>,则形成对应持续性非周期故障的维护预警信息。
在对持续性的故障进行时间预测上的分析时,考虑需要提前进行预测,为作业人员提供维护准备和处理的前期调整。因而设定合理的预留周期时预测分析需要充分考虑的方面。这里,采用预测因子的形式提供时间预留的考虑以保证为持续性的故障提供合理的维护预留准确时间间隙。当然,对于预测因子可以根据实际情况考虑确定以保证能为作业人员提供充分的时间准备。
运行维护预测分析单元通过以下方式进行故障预测分析形成实时预测分析结果数据:获取目标工业对象的运行参数数据,并将每个运行参数的实时运行数值与对应的偶发性故障波动范围比较:若所有运行参数的运行数值均属于对应的偶发性故障波动范围,则形成偶发性故障维护预警信息。
对于偶发性的故障的预测则是基于运行参数的对比分析确定。可以理解,单一的运行参数异常并不能作为预测分析准确判断的依据,因而需要在所有对应考虑的运行参数均满足对比条件才能准确做出判断,需要说明的是,即使在刚好所有对应考虑的运行参数均满足判定条件后还是存在时间间隙为作业人员提供合理的维护准备时间。
综上所述,本发明实施例提供的基于工业大模型智能预测维护系统的有益效果有:
该系统通过历史维护数据采集单元获取足量的工业大模型大数据,为后续进行基于故障预测维护的特征分析和准去合理的预测维护提供数据基础。利用维护数据特征分析单元对历史维护数据进行进行基于实时预测的合理准确分析,以为实时预测维护分析提供重要的基础对比参考数据。同时,实时运行数据采集单元则对目标工业对象的实时运行数据进行采集,以为对其进行实时准确的故障预测和维护提供最及时的分析对比数据,保证预测分析结果的有效性。另外,运行维护预测分析单元则是专门进行目标工业对象实时数据和预测特征数据的对比分析,提高分析效率。整个系统结构简单,形成紧密联系且高效运行的整体,可以及时为工业对象可能出现的各类故障进行预测,确保工业对象的高效运行,也同时提升了系统运行的稳定性。
本发明中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a, b, c, a-b, a-c, b-c, 或a-b-c,其中a,b,c可以是单个,也可以是多个。
应理解,在本发明的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
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方法步骤,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。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统、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、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (5)
1.基于工业大模型智能预测维护系统,其特征在于,包括:
历史维护数据采集单元,用于采集同类型工业对象的历史维护数据;
维护数据特征分析单元,用于对所述历史维护数据采集单元采集的历史维护数据进行维护特征分析,形成维护特征数据;
实时运行数据采集单元,用于采集目标工业对象的实时运行数据;
运行维护预测分析单元,用于获取所述实时运行数据采集单元采集的目标工业对象的实时运行数据,并结合所述维护数据特征分析单元形成的所述维护特征数据,进行所述目标工业对象的预测分析,形成实时预测分析结果数据;
其中,所述维护数据特征分析单元通过以下方式对历史维护数据进行维护特征分析形成所述维护特征数据:
对所述历史维护数据进行故障类型的划分,形成偶发性故障维护类和持续性故障维护类:
对每个工业对象,设定历史数据分析周期,并确定在所述历史数据分析周期内每种故障发生的次数和每次故障发生前工业对象正常运行的时长;设定频次判断阈值,若在所述历史数据分析周期内故障出现的次数小于所述频次判断阈值,则确定对应故障为偶发性故障;排除工业对象中所有的所述偶发性故障,对剩下的故障进行周期性分析,确定出持续性非周期故障和持续性周期故障:
获取相同故障每次出现前工业对象正常运行的时长,确定故障对应的平均运行时长Tn,n表示不同种类故障的编号,i表示相同故障在所述历史数据分析周期内出现的数量有序编号,且i不小于所述频次判断阈值;根据平均运行时长Tn确定每次故障出现前工业对象正常运行时长相对平均运行时长的偏差时长/>;设定周期判断阈值C,对每种故障进行以下判断分析:若/>,则确定对应的故障为持续性非周期故障;若/>,则确定对应的故障为持续性周期故障;
集合所有所述偶发性故障,形成所述偶发性故障维护类;集合所有所述持续性非周期故障,形成持续性非周期故障维护类;集合所有所述持续性周期故障,形成持续性周期故障维护类;
对所述偶发性故障维护类进行基于维护预测的特征分析,形成偶发性故障维护预测特征数据:
获取所述偶发性故障维护类中每种故障在故障发生前的参数数据,并进行基于参数变化的特征数据分析,形成偶发性故障参数变化预测数据:
设定偶发性故障预测时长,获取所述偶发性故障维护类中每种故障每次发生故障前的所述偶发性故障预测时长下所述工业对象的运行参数变化数据,形成不同运行参数的偶发性预测运行参数变化曲线;获取所述偶发性故障维护类中每种故障在所述偶发性故障预测时长前工业对象正常运行下的运行参数变化数据,形成不同运行参数的正常运行参数变化曲线;对每个运行参数,进行所述偶发性预测运行参数变化曲线与所述正常运行参数变化曲线的差异性对比,形成每个运行参数的偶发性故障波动范围;获取所述偶发性故障维护类中每种故障每次进行维护的维护方案,形成每种故障对应的偶发故障维护方案集;对所述偶发性故障维护类中的每种故障,结合所述偶发性故障参数变化预测数据和对应的偶发故障维护方案集,形成所述偶发性故障维护预测特征数据;
对所述持续性故障维护类进行基于维护预测的特征分析,形成持续性故障维护预测特征数据。
2.根据权利要求1所述的基于工业大模型智能预测维护系统,其特征在于,所述对所述持续性故障维护类进行基于维护预测的特征分析,形成持续性故障维护预测特征数据,包括:
对所述持续性非周期故障维护类中的每种故障,确定发生故障前工业对象正常运行的最小时长,确定为非周期性基础预测时长;
获取所述持续性非周期故障维护类中每种故障每次进行维护的维护方案,形成故障对应的非周期故障维护方案集;
集合所述持续性非周期故障维护类中所有故障对应的所述非周期性基础预测时长和所述非周期故障维护方案集,形成持续性非周期故障维护预测特征数据。
3.根据权利要求2所述的基于工业大模型智能预测维护系统,其特征在于,所述对所述持续性故障维护类进行基于维护预测的特征分析,形成持续性故障维护预测特征数据,包括:
对所述持续性周期故障维护类中的每种故障,确定发生故障前工业对象正常运行的最小时长,确定为周期性基础预测时长;
获取所述持续性周期故障维护类中每种故障每次进行维护的维护方案,形成故障对应的周期故障维护方案集;
集合所述持续性周期故障维护类中所有故障对应的所述周期性基础预测时长和所述周期故障维护方案集,形成持续性周期故障维护预测特征数据。
4.根据权利要求3所述的基于工业大模型智能预测维护系统,其特征在于,所述运行维护预测分析单元通过以下方式进行故障预测分析形成实时预测分析结果数据:
对所述目标工业对象的运行时长进行计数,形成目标实时运行时长Tcurr;
设定持续性周期故障预测因子α,对所有所述周期性基础预测时长存在:
当满足,则形成对应持续性周期故障的维护预警信息;
设定持续性非周期故障预测因子β,当所有所述非周期性基础预测时长存在:
当满足,则形成对应持续性非周期故障的维护预警信息。
5.根据权利要求4所述的基于工业大模型智能预测维护系统,其特征在于,所述运行维护预测分析单元通过以下方式进行故障预测分析形成实时预测分析结果数据:
获取所述目标工业对象的运行参数数据,并将每个运行参数的实时运行数值与对应的所述偶发性故障波动范围比较:
若所有运行参数的运行数值均属于对应的所述偶发性故障波动范围,则形成偶发性故障维护预警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410089216.3A CN117609740B (zh) | 2024-01-23 | 2024-01-23 | 基于工业大模型智能预测维护系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410089216.3A CN117609740B (zh) | 2024-01-23 | 2024-01-23 | 基于工业大模型智能预测维护系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117609740A CN117609740A (zh) | 2024-02-27 |
CN117609740B true CN117609740B (zh) | 2024-05-24 |
Family
ID=89958243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410089216.3A Active CN117609740B (zh) | 2024-01-23 | 2024-01-23 | 基于工业大模型智能预测维护系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117609740B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109828182A (zh) * | 2018-11-29 | 2019-05-31 | 广东电网有限责任公司信息中心 | 一种基于故障分类处理的电网系统故障分析预警方法 |
CN115101187A (zh) * | 2022-07-14 | 2022-09-23 | 西南医科大学附属医院 | 一种基于大数据的麻醉机运行故障预测系统 |
CN115130702A (zh) * | 2022-09-02 | 2022-09-30 | 山东汇泓纺织科技有限公司 | 一种基于大数据分析的纺织机故障预测系统 |
CN116142913A (zh) * | 2023-02-03 | 2023-05-23 | 深圳奥龙检测科技有限公司 | 一种基于大数据的设备健康状态分析方法及系统 |
CN116308256A (zh) * | 2022-12-21 | 2023-06-23 | 上海核工程研究设计院股份有限公司 | 一种供热网故障检测及维护方法及系统 |
CN116674380A (zh) * | 2023-05-18 | 2023-09-01 | 上海思创艾睿能源科技有限公司 | 一种适用于汽车工业与智能制造电驱动方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI663510B (zh) * | 2017-11-21 | 2019-06-21 | 財團法人資訊工業策進會 | 設備保養預測系統及其操作方法 |
-
2024
- 2024-01-23 CN CN202410089216.3A patent/CN117609740B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109828182A (zh) * | 2018-11-29 | 2019-05-31 | 广东电网有限责任公司信息中心 | 一种基于故障分类处理的电网系统故障分析预警方法 |
CN115101187A (zh) * | 2022-07-14 | 2022-09-23 | 西南医科大学附属医院 | 一种基于大数据的麻醉机运行故障预测系统 |
CN115130702A (zh) * | 2022-09-02 | 2022-09-30 | 山东汇泓纺织科技有限公司 | 一种基于大数据分析的纺织机故障预测系统 |
CN116308256A (zh) * | 2022-12-21 | 2023-06-23 | 上海核工程研究设计院股份有限公司 | 一种供热网故障检测及维护方法及系统 |
CN116142913A (zh) * | 2023-02-03 | 2023-05-23 | 深圳奥龙检测科技有限公司 | 一种基于大数据的设备健康状态分析方法及系统 |
CN116674380A (zh) * | 2023-05-18 | 2023-09-01 | 上海思创艾睿能源科技有限公司 | 一种适用于汽车工业与智能制造电驱动方法及系统 |
Non-Patent Citations (2)
Title |
---|
The research of bearing multi-fault diagnosis based on minimum period correlated entropy deconvolution and narrowband demodulation;Zhang Xiao-tao et al;Journal of Vibration Engineering;20150831;第28卷(第04期);全文 * |
基于威布尔的R2R系统维护决策研究;姚可星;周慧巧;李伟杰;邓耀华;;机电工程技术;20200107(12);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117609740A (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9208209B1 (en) | Techniques for monitoring transformation techniques using control charts | |
CN107403279B (zh) | 一种输油泵工况自适应状态预警系统及方法 | |
CN104794535B (zh) | 一种基于主导行业的电力需求预测及预警的方法 | |
US11258659B2 (en) | Management and control for IP and fixed networking | |
CN111539493A (zh) | 一种告警预测方法、装置、电子设备及存储介质 | |
CN116976707B (zh) | 基于用电信息采集的用户用电数据异常分析方法及系统 | |
CN117494292A (zh) | 一种基于bim和ai大模型的工程进度管理方法及系统 | |
CN116894539A (zh) | 一种服装生产监测方法、系统及介质 | |
CN113077065A (zh) | 车辆生产线故障的处理方法、装置、设备及存储介质 | |
CN116485020A (zh) | 一种基于大数据的供应链风险识别预警方法、系统及介质 | |
CN115858606A (zh) | 时序数据的异常检测方法、装置、设备及存储介质 | |
CN117609740B (zh) | 基于工业大模型智能预测维护系统 | |
CN116258482B (zh) | 一种自动选择维修方案的方法、服务器、电子设备 | |
CN117687884A (zh) | 一种电网调度自动化主站运维操作票智能优化方法及系统 | |
CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及系统 | |
CN110796282A (zh) | 一种基于相关性系数的行业波动周期监测方法 | |
KR101982235B1 (ko) | 생존 함수 기반의 특질 추출 방법을 이용한 유사 설비 군집화 방법 및 장치 | |
Cheng et al. | Opportunistic maintenance optimization of a two-unit system with different unit failure patterns | |
CN113591266A (zh) | 一种电能表故障概率的分析方法及系统 | |
CN111724048A (zh) | 基于特征工程对成品库调度系统性能数据的特征抽取方法 | |
CN114172708A (zh) | 网络流量异常的识别方法 | |
CN114881112A (zh) | 一种系统异常检测方法、装置、设备及介质 | |
CN114676868A (zh) | 物流货量预测方法、装置、计算机设备和存储介质 | |
EP3706048A1 (en) | Anomaly prediction in an industrial system | |
CN111783487A (zh) | 一种读卡器设备的故障预警方法及装置 |
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 |