CN117972609A - 设备异常状态预测方法、装置、电子设备及存储介质 - Google Patents
设备异常状态预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117972609A CN117972609A CN202410206846.4A CN202410206846A CN117972609A CN 117972609 A CN117972609 A CN 117972609A CN 202410206846 A CN202410206846 A CN 202410206846A CN 117972609 A CN117972609 A CN 117972609A
- Authority
- CN
- China
- Prior art keywords
- state
- equipment
- sequence
- predicted
- prediction model
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims description 119
- 239000011159 matrix material Substances 0.000 claims description 33
- 230000007704 transition Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开一种设备异常状态预测方法、装置、电子设备及存储介质,方法包括:获取待监测设备在当前时刻的当前运行参数;将当前运行参数输入状态预测模型中,获取状态预测模型输出的预测状态序列,以及预测状态序列的预测概率;若预测状态序列对应的设备状态为异常状态,且预测概率大于第一概率阈值,则生成待监测设备的异常状态预警信息。即本申请的方案,一方面,能够对待监测设备的设备状态进行预测,实现对待监测设备的监测。另一方面,能够对待监测设备未来可能出现的异常状态进行预测,并在预测概率大于第一概率阈值时生成异常状态预警信息,使工作人员可以根据异常状态预警信息及时对设备进行维护,保证了设备的正常运行。
Description
技术领域
本申请涉及物联网技术领域,尤其涉及一种设备异常状态预测方法、装置、电子设备及存储介质。
背景技术
在当今的物联网技术中,传感器技术往往被用于采集设备运行时的多个参数,通过分析多个参数确定设备是否存在异常。随着技术的进步,传感器的精度、灵敏度和稳定性不断提高,使得传感器实时监测的设备的各项参数,如温度、压力、振动等参数时,对参数的采集更加准确高效。
目前,对传感器采集到的参数进行分析能够得到参数分析结果,根据该参数分析结果能够确定参数是否发生异常变化,从而可以在参数发生异常变化时发现设备故障的迹象,进而对设备进行维护。然而,在传感器采集到的参数出现异常时,设备可能已经发生了故障,导致对设备的维护不及时,影响设备的正常运行。
发明内容
本申请提供一种设备异常状态预测方法、装置、电子设备及存储介质,以解决现有技术中在传感器采集到的参数出现异常时,设备可能已经发生了故障,导致对设备的维护不及时,影响设备的正常运行的问题。
第一方面,本申请提供一种设备异常状态预测方法,所述方法包括:
获取待监测设备在当前时刻的当前运行参数;
将所述当前运行参数输入状态预测模型中,获取所述状态预测模型输出的预测状态序列,以及所述预测状态序列的预测概率;其中,所述预测状态序列为所述状态预测模型预测的所述待监测设备在预测时刻的状态序列,所述预测时刻为所述当前时刻之后的时刻;
若所述预测状态序列对应的设备状态为异常状态,且所述预测概率大于第一概率阈值,则生成所述待监测设备的异常状态预警信息;其中,所述异常状态预警信息包括所述预测时刻以及所述预测状态序列对应的设备状态。
第二方面,本申请提供一种设备异常状态预测装置,所述装置包括:
第一获取模块,用于获取待监测设备在当前时刻的当前运行参数;
第二获取模块,用于将所述当前运行参数输入状态预测模型中,获取所述状态预测模型输出的预测状态序列,以及所述预测状态序列的预测概率;其中,所述预测状态序列为所述状态预测模型预测的所述待监测设备在预测时刻的状态序列,所述预测时刻为所述当前时刻之后的时刻;
生成模块,用于若所述预测状态序列对应的设备状态为异常状态,且所述预测概率大于第一概率阈值,则生成所述待监测设备的异常状态预警信息;其中,所述异常状态预警信息包括所述预测时刻以及所述预测状态序列对应的设备状态。
第三方面,本申请提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如本申请任一实施例所述的设备异常状态预测方法。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请任一实施例所述的设备异常状态预测方法。
本申请的方案,获取待监测设备在当前时刻的当前运行参数;将当前运行参数输入状态预测模型中,获取状态预测模型输出的预测状态序列,以及预测状态序列的预测概率;其中,预测状态序列为状态预测模型预测的待监测设备在预测时刻的状态序列,预测时刻为当前时刻之后的时刻;若预测状态序列对应的设备状态为异常状态,且预测概率大于第一概率阈值,则生成待监测设备的异常状态预警信息;其中,异常状态预警信息包括预测时刻以及预测状态序列对应的设备状态。即本申请的方案,一方面,通过当前运行参数和状态预测模型输出预测状态序列,以及预测状态序列对应的预测概率,能够对待监测设备的设备状态进行预测,实现对待监测设备的监测。另一方面,在预测状态序列对应的设备状态为异常状态,能够对待监测设备未来可能出现的异常状态进行预测,并在预测概率大于第一概率阈值时生成异常状态预警信息,使工作人员可以根据异常状态预警信息及时对设备进行维护,避免异常状态的真正发生,保证了设备的正常运行,提高了设备的工作效率。
附图说明
为了更清楚地说明本申请的技术方案,下面将对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申请的某些实施例,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是本申请提供的设备异常状态预测方法的一个流程示意图;
图2是本申请提供的设备异常状态预测方法的一个模型训练过程示意图;
图3是本申请提供的设备异常状态预测装置的一个结构示意图;
图4是本申请提供的电子设备的一个结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,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前提下所获得的所有其他实施例,都应当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、产品或设备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单元。
图1是本申请提供的设备异常状态预测方法的一个流程示意图,该方法可以由设备异常状态预测装置来执行,该装置可采用软件和/或硬件的方式实现。在一个具体的实施例中,该装置可以应用在电子设备中,电子设备可以为计算机。以下实施例将以该装置应用在电子设备中为例进行说明,参考图1,该方法具体可以包括如下步骤:
步骤101,获取待监测设备在当前时刻的当前运行参数。
具体的,待监测设备为与物联网平台建立连接的终端设备,设备运行时的多个参数均会被与设备相连的传感器获取。传感器获取待监测设备在当前时刻的当前运行参数后,将当前运行参数上传至执行本申请的设备异常状态预测方法的设备中。在本步骤中运行参数上传的过程,以及后续对数据进行存储和处理的过程均为加密传输过程,防止数据泄露和滥用,加强数据安全性。
示例性的,待监测设备为风机,当前运行参数可以为当前时刻的出风口温度、风机转速、出风口风速、以及电机温度等至少一项参数。
步骤102,将当前运行参数输入状态预测模型中,获取状态预测模型输出的预测状态序列,以及预测状态序列的预测概率。
其中,预测状态序列为状态预测模型预测的待监测设备在预测时刻的状态序列,预测时刻为当前时刻之后的时刻。
具体的,待监测设备在运行时,可能出现多种状态,例如待监测设备的状态可能包括正常状态与异常状态。状态序列为表示一段离散的时间信号内的状态变化过程,示例地,状态序列可以为(正常,异常,正常,正常)。状态预测模型为能够以当前运行参数作为输入,输出预测状态序列以及预测状态序列的预测概率的模型。将当前运行参数输入状态预测模型中,状态预测模型输出预测状态序列以及预测状态序列的预测概率,获取该预测状态序列以及预测状态序列的预测概率。
示例性的,将风机的出风口温度60摄氏度输入状态预测模型中,获取状态预测模型输出的预测状态序列为状态序列I=(正常,异常),以及预测状态序列的预测概率为70%。
可选地,将当前运行参数输入状态预测模型中,获取状态预测模型输出的预测状态序列,以及预测状态序列的预测概率之后,还可以执行步骤21至步骤22。
步骤21,获取状态预测模型输出的当前状态序列,以及当前状态序列的概率。
具体的,状态预测模型输出的当前状态序列为当前时刻的状态序列。将当前运行参数输入状态预测模型中,状态预测模型输出当前状态序列以及当前状态序列的概率,获取该当前状态序列以及当前状态序列的概率。
示例性的,将风机的出风口温度70摄氏度输入状态预测模型中,获取状态预测模型输出的当前状态序列为状态序列I=(异常,异常),以及当前状态序列的概率为80%。
步骤22,在当前状态序列对应的设备状态为异常状态,且当前状态序列的概率大于第二概率阈值时,向待监测设备的维护人员告警。
具体的,预先设置有状态序列与设备状态的对应关系,根据当前状态序列,以及状态序列与设备状态的对应关系,确定当前状态序列对应的设备状态。在当前状态序列对应的设备状态为异常状态,且当前状态序列的概率大于第二概率阈值时,说明设备在当前时刻的运行状态有可能处于异常状态,且设备在当前时刻处于异常状态的概率为当前状态序列的概率。因此,向待监测设备的维护人员告警,便于维护人员对设备进行维护,避免设备继续运行导致出现严重损坏。
示例性的,第二概率阈值为70%,待监测设备的当前状态序列为状态序列I=(异常,异常),以及当前状态序列的概率为80%。当前状态序列对应的设备状态为异常状态,且当前状态序列的概率大于第二概率阈值,此时向待监测设备的维护人员告警。
步骤103,若预测状态序列对应的设备状态为异常状态,且预测概率大于第一概率阈值,则生成待监测设备的异常状态预警信息。
其中,异常状态预警信息包括预测时刻以及预测状态序列对应的设备状态。
具体的,预先设置有状态序列与设备状态的对应关系,根据预测状态序列,以及状态序列与设备状态的对应关系,确定预测状态序列对应的设备状态。在预测状态序列对应的设备状态为异常状态,且预测状态序列的概率大于第一概率阈值时,说明设备在预测时刻的运行状态有可能处于异常状态,且设备在预测时刻处于异常状态的概率为预测状态序列的预测概率。因此,生成待监测设备的异常状态预警信息,便于维护人员提前对设备进行维护,避免设备继续运行至出现异常状态。异常状态预警信息为根据预测时刻以及预测状态序列对应的设备状态生成的预警信息,旨在向待监测设备的维护人员提供待监测设备可能出现异常状态的预测时刻,便于维护人员提前对待监测设备进行维护。示例地,异常状态预警信息可以为待监测设备在1小时后有70%可能出现异常状态。可选地,第一概率阈值与第二概率阈值均为结合专家知识库得到的概率阈值。结合专家知识库确定概率阈值能够丰富异常情况的样本数据和响应措施,对可能出现的设备异常的具体原因进一步进行分析和推断,进一步提高了异常处理的准确性。
示例性的,第一概率阈值为50%,待监测设备的预测状态序列为状态序列I=(正常,异常),以及预测状态序列的概率为70%。预测状态序列对应的设备状态为异常状态,且预测状态序列的概率大于第一概率阈值,此时生成待监测设备的异常状态预警信息。
本申请的方案,获取待监测设备在当前时刻的当前运行参数;将当前运行参数输入状态预测模型中,获取状态预测模型输出的预测状态序列,以及预测状态序列的预测概率;其中,预测状态序列为状态预测模型预测的待监测设备在预测时刻的状态序列,预测时刻为当前时刻之后的时刻;若预测状态序列对应的设备状态为异常状态,且预测概率大于第一概率阈值,则生成待监测设备的异常状态预警信息;其中,异常状态预警信息包括预测时刻以及预测状态序列对应的设备状态。即本申请的方案,一方面,通过当前运行参数和状态预测模型输出预测状态序列,以及预测状态序列对应的预测概率,能够对待监测设备的设备状态进行预测,实现对待监测设备的监测。另一方面,在预测状态序列对应的设备状态为异常状态,能够对待监测设备未来可能出现的异常状态进行预测,并在预测概率大于第一概率阈值时生成异常状态预警信息,使工作人员可以根据异常状态预警信息及时对设备进行维护,避免异常状态的真正发生,保证了设备的正常运行,提高了设备的工作效率。
图2是本申请提供的设备异常状态预测方法的一个模型训练过程示意图,本实施例在图1所示实施例及各种可选的实现方案的基础上,对状态预测模型的训练过程进行了详细说明。如图2所示,该方法可以包括如下步骤:
步骤201,根据训练设备的历史运行信息,确定训练样本。
其中,训练设备为与待监测设备的设备属性相同的设备,训练样本包括训练设备的设备状态以及训练设备的设备参数。
具体的,训练设备的历史运行信息为训练设备在历史运行过程中的运行信息,例如训练设备在历史运行过程中的运行参数,以及每一个运行参数对应的训练设备的设备状态。训练样本可以为训练设备在历史运行过程中的部分运行参数,以及部分运行参数对应的训练设备的训练状态。或者,训练样本可以为训练设备在历史运行过程中的全部运行参数,以及全部运行参数对应的训练设备的训练状态。
示例性的,训练设备为风机。训练样本为出风口温度为40摄氏度、50摄氏度、60摄氏度、70摄氏度和80摄氏度,40摄氏度对应的训练设备的设备状态为正常状态,50摄氏度对应的训练设备的设备状态为正常状态,60摄氏度对应的训练设备的设备状态为正常状态,70摄氏度对应的训练设备的设备状态为异常状态,80摄氏度对应的训练设备的设备状态为异常状态。
可选地,训练设备的历史运行信息包括设备初始参数以及设备状态。训练设备的设备参数为利用局部异常因子算法对设备初始参数进行离群点剔除,得到的设备参数。
其中,离群点为设备初始参数中同一属性对应的多个数据点中,局部异常因子值大于局部异常因子阈值的数据点。
具体的,训练设备的历史运行信息包括设备初始参数以及设备状态。设备初始参数即为训练设备在历史运行过程中的运行参数,设备状态为训练设备在历史运行过程中的设备状态。利用局部异常因子算法对设备初始参数进行离群点剔除,得到设备参数。
利用局部异常因子算法对设备初始参数进行离群点剔除的过程为:每一个设备初始参数均对应为一个数据点。在距离某个候选异常数据点P最近的K个点中,第K个最近的数据点与候选异常数据点P之间的距离称为P的K邻近距离:dk(P)=(P,Neark)。其中,第K个最近的数据点指的是距离该候选异常数据点P最近的K个点中,与候选异常数据点P的距离最远的点。
以数据点P为圆心,以K邻近距离dk(P)为半径画圆,这个圆以内的范围就是数据点P的K距离邻域:Nk(P)=(d(P,O)≤dk(P))。可以理解,数据点P的K距离邻域本质表示的是与数据点P的距离d(P,O)小于或者等于dk(P)的数据点。本实施例中以数据点O表示数据点P的K距离邻域中的任意一个邻域数据点。为描述方便,将数据点O称为邻域数据点。
邻域数据点O至数据点P的第K可达距离(可达距离的定义依赖K的取值)定义如下:reach_distk(O,P)=max{(d(O,P),dk(O))}。d(O,P)表示邻域数据点O与数据点P之间的距离,dk(O)表示邻域数据点O的K邻近距离。也即,邻域数据点O至数据点P的第K可达距离reach_distk(O,P)为邻域数据点O至数据点P的距离与邻域数据点O的K邻近距离中的较大者。可达距离不具备对称性,这是因为数据点P与邻域数据点O的K邻近距离并不一致。
数据点P的局部可达密度定义如下:
其中,|Nk(P)|表示的是数据点P的K距离邻域中的邻域数据点的数量。表示的是数据点P的K距离邻域中的所有邻域数据点O至数据点P的第K可达距离之和。数据点P的局部可达密度本质上就是数据点P的K距离邻域中的所有邻域数据点到数据点P的可达距离的平均值的倒数。可达距离的平均值越大,数据点P的局部可达密度越小。
根据局部可达密度的定义,如果一个数据点跟其他数据点比较疏远的话(换句话说,其他数据点到该数据点的可达距离较大),那么显然该数据点的局部可达密度就小。局部异常因子(Local Outlier Factor,LOF)算法中,衡量一个数据点的异常程度,并不是基于该数据点的绝对局部可达密度,而是基于该数据点跟邻域数据点的相对密度,也即,将数据点P的K距离邻域中所有邻域数据点的局部可达密度求平均值后再除以数据点P的局部可达密度,即为数据点P的LOF(表示为LOFk(P)),为:
可以理解,如果某个数据点P的LOF较大,说明该数据点的离群程度较大。
本实施例中,可以基于上述确定数据点P的LOF的公式确定每个候选异常数据点的LOF。其中,lrdk(O)表示数据点P的邻域数据点O的局部可达密度。其中,|Nk(O)|表示邻域数据点O的K距离邻域中邻域数据点的数量。Nk(O)表示邻域数据点O的K距离邻域。/>表示的是邻域数据点O的K距离邻域中的所有邻域数据点R至邻域数据点O的第K可达距离之和。其中,邻域数据点R表示数据点P的邻域数据点O的K距离邻域中的任意一个邻域数据点。
通过计算LOF值,得到的LOF值大于局部异常因子阈值的数据点为离群点。将离群点进行剔除,得到设备参数,将设备参数及设备状态作为训练样本。
步骤202,以训练设备的设备状态作为隐藏状态,根据训练设备的设备状态对应的历史时刻序列,将训练样本中的多个隐藏状态进行排列,生成状态序列。
具体的,隐藏状态为无法直接观测到的训练设备的状态,例如训练设备的正常状态和异常状态。正常状态和异常状态不是可以观测到的状态,而是标注后的状态,例如对训练设备的正常工作状态、故障状态或轻微故障状态分别进行标注,将训练设备的正常工作状态标注为正常状态,训练设备的故障状态与轻微故障状态均被标注为异常状态。以训练设备的设备状态作为隐藏状态,根据训练设备的设备状态对应的历史时刻序列,将训练样本中的多个隐藏状态进行排列,生成状态序列,也就是将训练样本中的多个隐藏状态根据时间顺序进行排列,生成状态序列。
示例性的,假设训练设备的隐藏状态集合Q是所有可能的隐藏状态的集合,则有:Q={q1,q2,…,qn},其中n是可能的隐藏状态数。训练设备的隐藏状态序列可以是I=(i1,i2,…,it),其中任意一个隐藏状态it∈Q。
示例地,训练设备的设备状态包括正常状态与异常状态,根据训练设备的设备状态对应的历史时刻序列,例如历史时刻序列T=(t1,t2,t3,t4)。将训练样本中的多个隐藏状态进行排列,例如隐藏状态正常与t1时刻对应,隐藏状态正常与t2时刻对应,隐藏状态异常与t3时刻对应,隐藏状态异常与t4时刻对应,因此生成状态序列I=(正常,正常,异常,异常)。
步骤203,以训练设备的设备参数作为观测状态,根据训练设备的设备参数对应的历史时刻序列,将训练样本中的多个观测状态进行排列,生成观测序列。
其中,训练设备的设备状态对应的历史时刻序列与训练设备的设备参数对应的历史时刻序列相同。
具体的,观测状态为能够观测到的训练设备的参数,在本实施例中可以是训练设备的设备参数。以训练设备的设备参数作为观测状态,根据训练设备的设备参数对应的历史时刻序列,将训练样本中的多个观测状态进行排列,生成观测序列,也就是将训练样本中的多个观测状态根据时间顺序进行排列,生成观测序列。训练设备的设备状态对应的历史时刻序列与训练设备的设备参数对应的历史时刻序列相同,因此训练设备的设备状态与训练设备的设备参数是相互对应的。
示例性的,训练设备的设备参数可能是传感器读数的统计量、时域特征、频域特征等。假设观测状态集合V是所有可能的观测状态的集合,则有:V={v1,v2,…,vm},其中m是可能的观测状态数。训练设备的观测序列可以是O=(o1,o2,…,ot),其中任意一个观察状态ot∈V。示例地,训练设备的设备参数为设备温度,根据训练设备的设备温度对应的历史时刻序列,例如历史时刻序列T=(t1,t2,t3,t4)。将训练样本中的多个观测状态进行排列,例如观测到的设备温度40摄氏度与t1时刻对应,50摄氏度与t2时刻对应,60摄氏度与t3时刻对应,70摄氏度与t4时刻对应,因此生成观测序列O=(40摄氏度,50摄氏度,60摄氏度,70摄氏度)。
步骤204,利用状态序列和观测序列对待训练的状态预测模型进行训练,得到状态预测模型。
具体的,将观测序列输入待训练的状态预测模型,根据待训练的状态预测模型输出的序列,以及状态序列,对待训练的状态预测模型进行训练。在待训练的状态预测模型输出的序列与状态序列一致时,得到状态预测模型。
可选地,利用状态序列和观测序列对待训练的状态预测模型进行训练,得到状态预测模型可以通过步骤41至步骤42实现。
步骤41,将观测序列输入待训练的状态预测模型,得到待训练的状态预测模型输出的测试状态序列。
示例性的,将观测序列O=(40摄氏度,50摄氏度,60摄氏度,70摄氏度)输入待训练的状态预测模型,得到待训练的状态预测模型输出的测试状态序列I=(正常,正常,正常,正常)。
可选地,待训练的状态预测模型为隐马尔可夫模型。待训练的状态预测模型可以通过步骤411至步骤412得到。
步骤411,根据状态序列和观测序列建立初始状态概率矩阵、隐含状态转移概率矩阵以及观测状态转移概率矩阵。
具体的,隐马尔可夫模型是关于时序的概率模型,描述由一个隐藏的马尔可夫链随机生成不可观测的状态随机序列,再由各个状态生成观测随机序列的过程。隐马尔可夫模型由初始状态概率矩阵、隐含状态转移概率矩阵以及观测状态转移概率矩阵构成。初始状态概率矩阵表示隐藏状态在初始时刻的概率矩阵,隐含状态转移概率矩阵描述了隐马尔可夫模型中各个状态之间的转移概率,观测状态转移概率矩阵表示在t时刻、隐藏状态是Sj的条件下,观察状态为Oi的概率。根据状态序列和观测序列建立初始状态概率矩阵、隐含状态转移概率矩阵以及观测状态转移概率矩阵。
步骤412,根据初始状态概率矩阵、隐含状态转移概率矩阵以及观测状态转移概率矩阵建立待训练的状态预测模型。
具体的,将初始状态概率矩阵、隐含状态转移概率矩阵以及观测状态转移概率矩阵进行组合,得到隐马尔可夫模型,即待训练的状态预测模型。
步骤42,根据测试状态序列,以及状态序列,对待训练的状态预测模型进行训练,直至满足预设迭代终止条件,得到状态预测模型。
具体的,根据测试状态序列,以及状态序列,对待训练的状态预测模型进行训练,直至满足预设迭代终止条件,得到状态预测模型。预设迭代终止条件为预设的训练终止的条件,示例地,预设迭代终止条件可以是训练次数达到预设次数、训练时长达到预设时长、训练过程中损失函数的值不再变化或损失函数的值小于某一预设值中的任意一种。
示例性的,待训练的状态预测模型为步骤412得到的隐马尔可夫模型λ,根据输入的观测序列O,得到观测序列O出现的概率P(O|λ)。P(O|λ)的计算方法为:从初始时刻开始,根据初始时刻之后的任意时刻的观测值和初始时刻之后的任意时刻的状态的概率计算得到该时刻的局部前向概率,再将局部前向概率和前一个时刻的前向概率相乘,得到从初始时刻到该时刻的完整前向概率,即得到P(O|λ)的值。根据输入的观测序列O,计算得到最可能的测试状态序列I,即P(I|O)最大的状态序列,作为模型输出。利用极大似然估计算法或最大期望算法,对隐马尔可夫模型λ的参数进行调整,使P(O|λ)最大且测试状态序列与状态序列一致,此时得到状态预测模型。也可以使用迭代算法来训练隐马尔可夫模型,以更快速地收敛到最优解,得到状态预测模型。即利用局部异常因子算法、隐马尔可夫模型可以进一步将设备异常情况进行智能化学习与推理,进而得到状态预测模型,加强了设备异常的自动化预测能力。
可选地,对隐马尔可夫模型的训练还可以进行进一步优化。例如,对训练样本中的观测序列建立观测值模型,观测值模型可以是高斯混合模型,能够更好地描述观测序列的分布。或者,将隐含状态转移概率矩阵建立为状态转移模型,可以更好地描述隐马尔可夫模型,增加了对下一个状态预测的准确性。或者,以贝叶斯网络将观测状态转移概率矩阵建立为观测概率模型,能够进一步准确描述观测值与状态之间的关系。
本申请的方案,通过局部异常因子算法对获取的训练设备的设备初始参数进行离群点剔除,提高了样本数据的准确性。利用隐马尔可夫模型实现状态预测模型,用于对设备异常状态进行预测,加强了设备异常状态预测的能力,从而能够更高效地识别设备异常,及时发现设备异常问题并解决设备异常问题,降低设备损耗的概率,节约成本,同时也可以避免由人工实现对设备进行监测的人力成本。
图3是本申请提供的设备异常状态预测装置的一个结构示意图,该装置适用于执行本申请提供的设备异常状态预测方法。如图3所示,该装置具体可以包括:
第一获取模块301,用于获取待监测设备在当前时刻的当前运行参数。
第二获取模块302,用于将所述当前运行参数输入状态预测模型中,获取所述状态预测模型输出的预测状态序列,以及所述预测状态序列的预测概率;其中,所述预测状态序列为所述状态预测模型预测的所述待监测设备在预测时刻的状态序列,所述预测时刻为所述当前时刻之后的时刻。
生成模块303,用于若所述预测状态序列对应的设备状态为异常状态,且所述预测概率大于第一概率阈值,则生成所述待监测设备的异常状态预警信息;其中,所述异常状态预警信息包括所述预测时刻以及所述预测状态序列对应的设备状态。
一实施例中,第二获取模块302所述将所述当前运行参数输入状态预测模型中,获取所述状态预测模型输出的预测状态序列,以及所述预测状态序列的预测概率之后,还用于:获取所述状态预测模型输出的当前状态序列,以及所述当前状态序列的概率;在所述当前状态序列对应的设备状态为异常状态,且所述当前状态序列的概率大于第二概率阈值时,向所述待监测设备的维护人员告警。
一实施例中,第二获取模块302所述状态预测模型通过如下方法训练得到:根据训练设备的历史运行信息,确定训练样本;其中,所述训练设备为与所述待监测设备的设备属性相同的设备,所述训练样本包括:所述训练设备的设备状态以及所述训练设备的设备参数;以所述训练设备的设备状态作为隐藏状态,根据所述训练设备的设备状态对应的历史时刻序列,将所述训练样本中的多个所述隐藏状态进行排列,生成状态序列;以所述训练设备的设备参数作为观测状态,根据所述训练设备的设备参数对应的历史时刻序列,将所述训练样本中的多个所述观测状态进行排列,生成观测序列;其中,所述训练设备的设备状态对应的历史时刻序列与所述训练设备的设备参数对应的历史时刻序列相同;利用所述状态序列和所述观测序列对待训练的状态预测模型进行训练,得到所述状态预测模型。
一实施例中,第二获取模块302所述利用所述状态序列和所述观测序列对待训练的状态预测模型进行训练,得到所述状态预测模型,包括:将所述观测序列输入所述待训练的状态预测模型,得到所述待训练的状态预测模型输出的测试状态序列;根据所述测试状态序列,以及所述状态序列,对所述待训练的状态预测模型进行训练,直至满足预设迭代终止条件,得到所述状态预测模型。
一实施例中,第二获取模块302所述训练设备的历史运行信息包括:设备初始参数以及设备状态;所述训练设备的设备参数为利用局部异常因子算法对所述设备初始参数进行离群点剔除,得到的设备参数;其中,所述离群点为所述设备初始参数中同一属性对应的多个数据点中,局部异常因子值大于局部异常因子阈值的数据点。
一实施例中,第二获取模块302所述待训练的状态预测模型为隐马尔可夫模型。
一实施例中,第二获取模块302所述待训练的状态预测模型通过如下方法得到:根据所述状态序列和所述观测序列建立初始状态概率矩阵、隐含状态转移概率矩阵以及观测状态转移概率矩阵;根据所述初始状态概率矩阵、所述隐含状态转移概率矩阵以及所述观测状态转移概率矩阵建立所述待训练的状态预测模型。
本申请的装置,获取待监测设备在当前时刻的当前运行参数;将当前运行参数输入状态预测模型中,获取状态预测模型输出的预测状态序列,以及预测状态序列的预测概率;其中,预测状态序列为状态预测模型预测的待监测设备在预测时刻的状态序列,预测时刻为当前时刻之后的时刻;若预测状态序列对应的设备状态为异常状态,且预测概率大于第一概率阈值,则生成待监测设备的异常状态预警信息;其中,异常状态预警信息包括预测时刻以及预测状态序列对应的设备状态。即本申请的方案,一方面,通过当前运行参数和状态预测模型输出预测状态序列,以及预测状态序列对应的预测概率,能够对待监测设备的设备状态进行预测,实现对待监测设备的监测。另一方面,在预测状态序列对应的设备状态为异常状态,能够对待监测设备未来可能出现的异常状态进行预测,并在预测概率大于第一概率阈值时生成异常状态预警信息,使工作人员可以根据异常状态预警信息及时对设备进行维护,避免异常状态的真正发生,保证了设备的正常运行,提高了设备的工作效率。
本申请还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现上述任一实施例提供的设备异常状态预测方法。
本申请还提供了一种计算机可读介质,其上存储有计算机程序,程序被处理器执行时实现上述任一实施例提供的设备异常状态预测方法。
下面参考图4,其示出了适于用来实现本申请的电子设备400的结构示意图。图4示出的电子设备仅仅是一个示例,不应对本申请的功能和使用范围带来任何限制。
如图4所示,电子设备400包括中央处理单元(CPU)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有电子设备400操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
以下部件连接至I/O接口405:包括键盘、鼠标等的输入部分406;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407;包括硬盘等的存储部分408;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别地,根据本申请公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时,执行本申请的系统中限定的上述功能。
需要说明的是,本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请中所涉及到的模块和/或单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块和/或单元也可以设置在处理器中,例如,可以描述为:一种处理器包括第一获取模块、第二获取模块和生成模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备执行以下操作:
获取待监测设备在当前时刻的当前运行参数;将当前运行参数输入状态预测模型中,获取状态预测模型输出的预测状态序列,以及预测状态序列的预测概率;其中,预测状态序列为状态预测模型预测的待监测设备在预测时刻的状态序列,预测时刻为当前时刻之后的时刻;若预测状态序列对应的设备状态为异常状态,且预测概率大于第一概率阈值,则生成待监测设备的异常状态预警信息;其中,异常状态预警信息包括预测时刻以及预测状态序列对应的设备状态。
根据本发明的技术方案,获取待监测设备在当前时刻的当前运行参数;将当前运行参数输入状态预测模型中,获取状态预测模型输出的预测状态序列,以及预测状态序列的预测概率;其中,预测状态序列为状态预测模型预测的待监测设备在预测时刻的状态序列,预测时刻为当前时刻之后的时刻;若预测状态序列对应的设备状态为异常状态,且预测概率大于第一概率阈值,则生成待监测设备的异常状态预警信息;其中,异常状态预警信息包括预测时刻以及预测状态序列对应的设备状态。即本申请的方案,一方面,通过当前运行参数和状态预测模型输出预测状态序列,以及预测状态序列对应的预测概率,能够对待监测设备的设备状态进行预测,实现对待监测设备的监测。另一方面,在预测状态序列对应的设备状态为异常状态,能够对待监测设备未来可能出现的异常状态进行预测,并在预测概率大于第一概率阈值时生成异常状态预警信息,使工作人员可以根据异常状态预警信息及时对设备进行维护,避免异常状态的真正发生,保证了设备的正常运行,提高了设备的工作效率。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种设备异常状态预测方法,其特征在于,所述方法包括:
获取待监测设备在当前时刻的当前运行参数;
将所述当前运行参数输入状态预测模型中,获取所述状态预测模型输出的预测状态序列,以及所述预测状态序列的预测概率;其中,所述预测状态序列为所述状态预测模型预测的所述待监测设备在预测时刻的状态序列,所述预测时刻为所述当前时刻之后的时刻;
若所述预测状态序列对应的设备状态为异常状态,且所述预测概率大于第一概率阈值,则生成所述待监测设备的异常状态预警信息;其中,所述异常状态预警信息包括所述预测时刻以及所述预测状态序列对应的设备状态。
2.根据权利要求1所述的方法,其特征在于,所述将所述当前运行参数输入状态预测模型中,获取所述状态预测模型输出的预测状态序列,以及所述预测状态序列的预测概率之后,所述方法还包括:
获取所述状态预测模型输出的当前状态序列,以及所述当前状态序列的概率;
在所述当前状态序列对应的设备状态为异常状态,且所述当前状态序列的概率大于第二概率阈值时,向所述待监测设备的维护人员告警。
3.根据权利要求1所述的方法,其特征在于,所述状态预测模型通过如下方法训练得到:
根据训练设备的历史运行信息,确定训练样本;其中,所述训练设备为与所述待监测设备的设备属性相同的设备,所述训练样本包括:所述训练设备的设备状态以及所述训练设备的设备参数;
以所述训练设备的设备状态作为隐藏状态,根据所述训练设备的设备状态对应的历史时刻序列,将所述训练样本中的多个所述隐藏状态进行排列,生成状态序列;
以所述训练设备的设备参数作为观测状态,根据所述训练设备的设备参数对应的历史时刻序列,将所述训练样本中的多个所述观测状态进行排列,生成观测序列;其中,所述训练设备的设备状态对应的历史时刻序列与所述训练设备的设备参数对应的历史时刻序列相同;
利用所述状态序列和所述观测序列对待训练的状态预测模型进行训练,得到所述状态预测模型。
4.根据权利要求3所述的方法,其特征在于,所述利用所述状态序列和所述观测序列对待训练的状态预测模型进行训练,得到所述状态预测模型,包括:
将所述观测序列输入所述待训练的状态预测模型,得到所述待训练的状态预测模型输出的测试状态序列;
根据所述测试状态序列,以及所述状态序列,对所述待训练的状态预测模型进行训练,直至满足预设迭代终止条件,得到所述状态预测模型。
5.根据权利要求3所述的方法,其特征在于,所述训练设备的历史运行信息包括:设备初始参数以及设备状态;
所述训练设备的设备参数为利用局部异常因子算法对所述设备初始参数进行离群点剔除,得到的设备参数;其中,所述离群点为所述设备初始参数中同一属性对应的多个数据点中,局部异常因子值大于局部异常因子阈值的数据点。
6.根据权利要求4所述的方法,其特征在于,所述待训练的状态预测模型为隐马尔可夫模型。
7.根据权利要求6所述的方法,其特征在于,所述待训练的状态预测模型通过如下方法得到:
根据所述状态序列和所述观测序列建立初始状态概率矩阵、隐含状态转移概率矩阵以及观测状态转移概率矩阵;
根据所述初始状态概率矩阵、所述隐含状态转移概率矩阵以及所述观测状态转移概率矩阵建立所述待训练的状态预测模型。
8.一种设备异常状态预测装置,其特征在于,所述装置包括:
第一获取模块,用于获取待监测设备在当前时刻的当前运行参数;
第二获取模块,用于将所述当前运行参数输入状态预测模型中,获取所述状态预测模型输出的预测状态序列,以及所述预测状态序列的预测概率;其中,所述预测状态序列为所述状态预测模型预测的所述待监测设备在预测时刻的状态序列,所述预测时刻为所述当前时刻之后的时刻;
生成模块,用于若所述预测状态序列对应的设备状态为异常状态,且所述预测概率大于第一概率阈值,则生成所述待监测设备的异常状态预警信息;其中,所述异常状态预警信息包括所述预测时刻以及所述预测状态序列对应的设备状态。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7中任一所述的设备异常状态预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至7中任一所述的设备异常状态预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410206846.4A CN117972609A (zh) | 2024-02-26 | 2024-02-26 | 设备异常状态预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410206846.4A CN117972609A (zh) | 2024-02-26 | 2024-02-26 | 设备异常状态预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117972609A true CN117972609A (zh) | 2024-05-03 |
Family
ID=90859408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410206846.4A Pending CN117972609A (zh) | 2024-02-26 | 2024-02-26 | 设备异常状态预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117972609A (zh) |
-
2024
- 2024-02-26 CN CN202410206846.4A patent/CN117972609A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jouin et al. | Prognostics of PEM fuel cell in a particle filtering framework | |
US7873581B2 (en) | Method and system for determining the reliability of a DC motor system | |
JP6815480B2 (ja) | 時系列内の前兆部分列を発見する方法及びシステム | |
US20040044499A1 (en) | Method and system for determining motor reliability | |
JP2009099144A (ja) | Acモータシステムの残存寿命を遠隔予測する方法及びシステム | |
US20060142990A1 (en) | Information processor, state judging unit and diagnostic unit, information processing method, state judging method and diagnosing method | |
CN110119787B (zh) | 一种旋转型机械设备工况检测方法及设备 | |
JP2015529813A (ja) | 遺伝的プログラミングを用いて発見された前兆的特徴からの、残存耐用寿命の推定 | |
CN117170998B (zh) | 一种智能化设备生命周期管理系统 | |
Rasay et al. | Application of multivariate control charts for condition based maintenance | |
CN116559667A (zh) | 模型训练方法及装置、电池检测方法及装置、设备、介质 | |
CN116628633A (zh) | 一种igbt实时监测与使用寿命预测评估方法 | |
CN118176467A (zh) | 用于监视技术安装中的资产的状况的系统、装置和方法 | |
CN114239952B (zh) | 一种关键性能指标的异常检测方法、装置、设备及介质 | |
CN114861522A (zh) | 一种基于人工智能元学习技术的精密制造质量监测方法和装置 | |
Sánchez et al. | Simplified models of remaining useful life based on stochastic orderings | |
KR20200013146A (ko) | 경험모델 기반 예측 알고리즘의 최적화 방법 | |
CN117972609A (zh) | 设备异常状态预测方法、装置、电子设备及存储介质 | |
CN108664696B (zh) | 一种冷水机组运行状态的测评方法及装置 | |
CN116108385A (zh) | 一种电力设备故障类型诊断方法及系统、终端、存储介质 | |
KR20210105196A (ko) | 플랜트 고장 예지 장치 및 방법 | |
CN113447813B (zh) | 海上风力发电机组的故障诊断方法及设备 | |
CN113790164B (zh) | 设备故障预警方法、装置、电子设备及计算机可读介质 | |
CN111310959A (zh) | 风力发电机组损坏预测分析方法、装置、设备及存储介质 | |
KR102350635B1 (ko) | 플랜트 고장 예지 장치 및 방법 |
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 |