CN118051733A - 多数据融合的辅机健康状态监测方法 - Google Patents
多数据融合的辅机健康状态监测方法 Download PDFInfo
- Publication number
- CN118051733A CN118051733A CN202410029002.7A CN202410029002A CN118051733A CN 118051733 A CN118051733 A CN 118051733A CN 202410029002 A CN202410029002 A CN 202410029002A CN 118051733 A CN118051733 A CN 118051733A
- Authority
- CN
- China
- Prior art keywords
- data
- auxiliary machine
- health state
- target auxiliary
- source
- 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
- 230000036541 health Effects 0.000 title claims abstract description 115
- 238000012544 monitoring process Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000004927 fusion Effects 0.000 title claims abstract description 24
- 238000007405 data analysis Methods 0.000 claims abstract description 85
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000006243 chemical reaction Methods 0.000 claims description 29
- 230000003862 health status Effects 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000007500 overflow downdraw method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012806 monitoring device Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供一种多数据融合的辅机健康状态监测方法,涉及状态监测技术领域,包括:基于目标辅机的功能需求建立对应的在线监测信息模型,并基于在线监测信息模型对多源运行数据进行处理;将处理结果结合多源运行数据的数据源对多源数据进行数据分析;基于每一数据分析结果确定对应的健康状态,并基于所有多源运行数据确定目标辅机的综合健康状态;基于目标辅机的综合健康状态进行状态评分,并根据评分结果对目标辅机进行预警调整。通过对多源运行数据进行分类分析,从而确定不同数据源数据的健康状态,实现对目标辅机的综合健康状态确定,解决了多源数据监测不及时准确,设备运行效率差的问题。
Description
技术领域
本发明涉及状态监测技术领域,尤其涉及一种多数据融合的辅机健康状态监测方法。
背景技术
设备状态监测技术是目前工业数字化转型的一项重要技术,判断设备的健康状况从而及时进行设备调整成为主流。
目前,设备健康状态监测主要是通过工业现场各种传感器对设备状态参数的数据进行采集,然后将经过数据清洗的数据上传到工业软件的状态监测模块进行异常值检测,从而判断设备当前的健康状况。
然而,现有的监测方法对于多数据监测存在监测不及时,而且不能够及时准确的监测到具体的设备不健康程度。
发明内容
本发明提供一种多数据融合的辅机健康状态监测方法,用以解决现有技术中健康状态监测不及时准确,导致设备运行效率差的缺陷。
一方面,本发明提供一种多数据融合的辅机健康状态监测方法,包括:
步骤1:基于目标辅机的功能需求建立对应的在线监测信息模型,并基于在线监测信息模型对多源运行数据进行处理;
步骤2:将处理结果结合多源运行数据的数据源对多源数据进行数据分析;
步骤3:基于每一数据分析结果确定对应的健康状态,并基于所有多源运行数据确定目标辅机的综合健康状态;
步骤4:基于目标辅机的综合健康状态进行状态评分,并根据评分结果对目标辅机进行预警调整。
根据本发明提供的一种多数据融合的辅机健康状态监测方法,基于目标辅机的功能需求建立对应的在线监测信息模型,并基于在线监测信息模型对多源运行数据进行处理,包括:
步骤11:获取目标辅助的功能需求,并基于所述功能需求进行需求转换,从而得到对应的需求转换数据及需求转换等级,从而确定对应的在线监测信息模型;
步骤12:获取目标辅机的多源运行数据,并基于在线监测信息模型对多源运行数据进行分类处理,得到第一处理运行数据。
根据本发明提供的一种多数据融合的辅机健康状态监测方法,将处理结果结合多源运行数据的数据源对多源数据进行数据分析,包括:
步骤21:获取多源运行数据的数据源,并基于数据源所属类型不同,进行数据源的第一分类;
步骤22:基于数据源所属设备不同,对数据源进行第二分类,并基于第二分类结果与第一分类结果结合得到数据源综合分类结果;
步骤23:基于数据源综合分类结果对第一处理运行数据进行分类,得到第一分类运行数据,并基于每一分类运行子数据对应的数据源从辅机数据源运行数据库中筛选匹配的数据分析方法;
步骤24:基于每一数据源对应的数据分析方法对相应第一分类运行子数据进行数据初始分析,得到每一第一分类运行子数据的第一数据分析结果。
根据本发明提供的一种多数据融合的辅机健康状态监测方法,基于每一数据分析结果确定对应的健康状态,并基于所有多源运行数据确定目标辅机的综合健康状态,包括:
步骤31:基于每一第一分类运行子数据的第一数据分析结果与预设辅机健康状态数据表中对应数据分析参数进行第一比较;
步骤32:将第一数据分析结果超出对应数据分析参数范围的子分析结果进行第一提取,得到第一依据;
步骤33:将第一数据分析结果超出对应数据分析参数范围的子分析结果超出数据分析参数范围的部分进行结果转换,从而确定当前第一数据分析结果的偏差范围;
步骤34:基于所述第一数据分析结果的偏差范围确定当前第一分类运行子数据的偏差等级,得到第二依据;
步骤35:将第一依据及第二依据按照对应影响权重进行加权处理,得到当前第一分类运行子数据对应的健康状态,从而确定目标辅机的综合健康状态。
根据本发明提供的一种多数据融合的辅机健康状态监测方法,得到当前第一分类运行子数据对应的健康状态,从而确定目标辅机的综合健康状态,包括:
步骤351:获取每一第一分类运行子数据对应的健康状态,并基于每一第一分类运行子数据对目标辅机的影响程度,确定每一分类运行子数据的第二权重;
步骤352:基于每一第一分类运行子数据对应的健康状态进行状态数据转化,并结合对应第二权重,确定目标辅机的综合健康状态。
根据本发明提供的一种多数据融合的辅机健康状态监测方法,基于目标辅机的综合健康状态进行状态评分,并根据评分结果对目标辅机进行预警调整,包括:
步骤41:基于目标辅机的综合健康状态与预设状态分析数据表中每一状态评分对应的健康状态范围进行比较,从而确定目标辅机的实时状态评分;
步骤42:基于所述实时状态评分确定目标辅机是否需要预警或调整;
若实时状态评分低于第一预设评分,则判断目标辅机处于不健康状态,需要进行目标辅机的预警;
若实时状态评分低于第二预设评分,则判断目标辅机处于亚健康状态,需要对目标辅机进行调整;
反之,则判断目标辅机处于健康状态,可以继续进行辅机工作。
根据本发明提供的一种多数据融合的辅机健康状态监测方法,对目标辅机进行调整,包括:
步骤421:获取目标辅机中处于亚健康状态的第一分类运行子数据得到第二分类运行子数据,并获取每一第二分类运行子数据对应的第二权重;
步骤422:基于所述亚健康状态进行状态数据转化,并基于状态数据转化结果及对应第二权重对目标辅机的第二分类运行子数据进行第一排序;
步骤423:基于第二权重对对应第二分类运行子数据进行第二排序;
步骤424:基于第二分类运行子数据对应第二权重进行比较,从而确定第二权重最高的第二分类运行子数据,作为第一调整数据;
步骤425:基于第一排序结果提取目标辅机中排序最高的第二分类运行子数据,作为第二调整数据;
步骤426:将第一调整数据与第二调整数据进行比较,判断第一调整数据与第二调整数据是否一致;
若一致,则对第二调整数据对应的数据源所属设备及对应目标辅机相关设备进行调整方案确定;
反之,则获取第二排序结果中第二权重次高的第二分类运行子数据,作为第三调整数据;
步骤427:将第二调整数据与第三调整数据进行第二比较,判断第二调整数据与第三调整数据是否一致;
若一致,则对第二调整数据对应的数据源所属设备及对应目标辅机相关设备进行调整方案确定;
反之,则对第二调整数据及第三调整数据对应的数据源所属设备及对应目标辅机相关设备进行设备调整方案确定;
步骤428:基于设备调整方案上传至智能管理终端并进行对应设备的自动化调整。
另一方面,本发明还提供一种电子设备,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,所述处理器执行所述程序时实现如上述任一种所述一种多数据融合的辅机健康状态监测方法。
另一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述一种多数据融合的辅机健康状态监测方法。
另一方面,本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述一种多数据融合的辅机健康状态监测方法。
本发明提供的一种多数据融合的辅机健康状态监测方法,通过对多源运行数据进行分类分析,从而确定不同数据源数据的健康状态,实现对目标辅机的综合健康状态确定,解决了多源数据监测不及时准确,设备运行效率差的问题,得到了及时准确的辅机健康状态的有益效果。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图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是本发明实施例提供的一种多数据融合的辅机健康状态监测方法的流程图;
图2是本发明实施例提供的确定目标辅机的综合健康状态的流程图;
图3是本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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,本领域普通技术人员在没有作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。
实施例1:
本发明实施例提供了一种多数据融合的辅机健康状态监测方法,如图1所示,包括:
步骤1:基于目标辅机的功能需求建立对应的在线监测信息模型,并基于在线监测信息模型对多源运行数据进行处理;
步骤2:将处理结果结合多源运行数据的数据源对多源数据进行数据分析;
步骤3:基于每一数据分析结果确定对应的健康状态,并基于所有多源运行数据确定目标辅机的综合健康状态;
步骤4:基于目标辅机的综合健康状态进行状态评分,并根据评分结果对目标辅机进行预警调整。
该实施例中,目标辅机指电站辅机,是电站生产设备辅助机械,它是构成电站设备的重要组成部分,是电站设备正常运行的不可缺少设备。电站辅机主要有:锅炉除渣设备、锅炉除灰设备、水处理设备、烟风道系列设备、电动阀门装置等。
该实施例中,功能需求是指目标辅机在特定条件下所展现出来的行为,功能需求一般包括目标辅机的精准度、及时度等需求。
该实施例中,在线监测信息模型是指根据目标辅机的功能需求进行多源运行数据的采集,并根据采集结果构建以多源运行数据为输入的在线监测模型,从而实现对目标辅机实时多源运行数据进行监测的目标。
该实施例中,多源运行数据是指目标辅机中包含的来源于不同设备的运行数据。
该实施例中,数据源是指目标辅机的多源运行数据中每一数据的来源设备,其中,每一来源设备均属于目标辅机。
该实施例中,数据分析是指按照多源运行数据的数据源不同,按照不同的数据分析方法进行多源运行数据的数据分析,从而确定目标辅机健康状态的过程。
该实施例中,健康状态是指根据每一数据分析结果确定的对应数据的健康状态,其中每一数据源的运行数据对应一个健康状态。
该实施例中,综合健康状态是指将目标辅机包含的所有多源运行数据的健康状态进行综合确定后得到的状态。
该实施例中,状态评分是指将目标辅机的综合健康状态进行比较转化后确定的。
该实施例中,预警调整是指对状态评分低的目标辅机进行预警或调整。
上述技术方案的有益效果是:通过对多源运行数据进行分类分析,从而确定不同数据源数据的健康状态,实现对目标辅机的综合健康状态确定,解决了多源数据监测不及时准确,设备运行效率差的问题。
实施例2:
基于实施例1的基础上,基于在线监测信息模型对多源运行数据进行处理,包括:
步骤11:获取目标辅助的功能需求,并基于所述功能需求进行需求转换,从而得到对应的需求转换数据及需求转换等级,从而确定对应的在线监测信息模型;
步骤12:获取目标辅机的多源运行数据,并基于在线监测信息模型对多源运行数据进行分类处理,得到第一处理运行数据。
该实施例中,功能需求是指目标辅机在特定条件下所展现出来的行为,功能需求一般包括目标辅机的精准度、及时度等需求。
该实施例中,需求转换是指将目标辅机的功能需求转化为与目标辅机运行相关的需求数据的过程。
该实施例中,需求转换数据是指基于目标辅机的功能需求转化为与目标辅运行相关的需求数据,需求转换等级是指根据目标辅机的功能需求确定的需求转换等级,比如,目标辅机的精准度要求高时,对应的需求转换等级也高。
该实施例中,在线监测信息模型是指根据目标辅机的功能需求进行多源运行数据的采集,并根据采集结果构建以多源运行数据为输入的在线监测模型,从而实现对目标辅机实时多源运行数据进行监测的目标。
该实施例中,多源运行数据是指目标辅机中包含的来源于不同设备的运行数据。
该实施例中,第一处理运行数据是指根据在线监测信息模型的对应算法对多源运行数据进行处理后得到的数据。
上述技术方案的有益效果:通过使用在线监测信息模型对多源运行数据进行处理,可以使得得到的运行数据更加精准,从而实现对多数据融合的健康状态的精准监测。
实施例3:
基于实施例2的基础上,将处理结果结合多源运行数据的数据源对多源数据进行数据分析,包括:
步骤21:获取多源运行数据的数据源,并基于数据源所属类型不同,进行数据源的第一分类;
步骤22:基于数据源所属设备不同,对数据源进行第二分类,并基于第二分类结果与第一分类结果结合得到数据源综合分类结果;
步骤23:基于数据源综合分类结果对第一处理运行数据进行分类,得到第一分类运行数据,并基于每一分类运行子数据对应的数据源从辅机数据源运行数据库中筛选匹配的数据分析方法;
步骤24:基于每一数据源对应的数据分析方法对相应第一分类运行子数据进行数据初始分析,得到每一第一分类运行子数据的第一数据分析结果。
该实施例中,数据源所属类型包括关系型数据、文件型数据、大数据等。
该实施例中,第一分类是指根据数据源所属类型不同将多源运行数据进行分类。
该实施例中,数据源所属设备是指多源运行数据的数据源所属的设备,比如,数据源所属设备包括:目标辅机的传感器、监控设备等。
该实施例中,第二分类是指根据数据源所属设备的不同对第一运行数据进行分类。
该实施例中,数据源综合分类结果是指结合第一分类及第二分类结果将多源运行数据进行综合分类后得到的结果。
该实施例中,第一分类运行数据是指根据第一分类及第二分类对多源运行数据综合分类后得到的分类运行数据。
该实施例中,数据分析方法是指根据每一第一分类运行子数据及对应的数据源所属类型及数据源所属设备确定的对对应第一分类运行子数据进行数据分析的方法,其中,不同第一分类运行子数据的数据分析方法可以相同也可以不同。
该实施例中,数据初始分析是指按照多源运行数据的数据源不同,按照不同的数据分析方法进行多源运行数据的数据分析的过程。
该实施例中,第一数据分析结果是指根据数据分析方法对对应第一分类运行子数据进行分析后得到的数据分析结果。
上述技术方案的有益效果:通过结合数据源对多源运行数据进行数据分析,可以使得得到的分析结果更加准确,从而得到更为准确的多数据融合的健康监测结果。
实施例4:
基于实施例3的基础上,确定目标辅机的综合健康状态,如图2所示,包括:
步骤31:基于每一第一分类运行子数据的第一数据分析结果与预设辅机健康状态数据表中对应数据分析参数进行第一比较;
步骤32:将第一数据分析结果超出对应数据分析参数范围的子分析结果进行第一提取,得到第一依据;
步骤33:将第一数据分析结果超出对应数据分析参数范围的子分析结果超出数据分析参数范围的部分进行结果转换,从而确定当前第一数据分析结果的偏差范围;
步骤34:基于所述第一数据分析结果的偏差范围确定当前第一分类运行子数据的偏差等级,得到第二依据;
步骤35:将第一依据及第二依据按照对应影响权重进行加权处理,得到当前第一分类运行子数据对应的健康状态,从而确定目标辅机的综合健康状态。
该实施例中,辅机健康状态数据表包含目标辅机对应所有数据分析结果的数据分析参数及对应参数范围的数据表,将第一数据分析结果与辅机健康状态数据表中对应数据分析参数及参数范围进行比较,从而可以对目标辅机的健康状态进行确定。
该实施例中,数据分析参数是指数据分析结果所包含的所有数据分析参数,其中,每一数据分析参数对应若干参数范围,所属参数范围不同,对应健康状态也不同。
该实施例中,第一依据是指将第一分类运行子数据的第一数据分析结果与预设辅机健康状态数据表中数据分析参数进对应比较后,将比较结果作为对辅机健康状态进行确定的依据。
该实施例中,结果转换是指将第一数据分析结果超出对应数据分析参数范围的子分析结果超出数据分析参数范围的部分进行由文本数据到可运算的数据之间的转换的过程。
该实施例中,偏差范围是指根据结果转换结果确定第一数据分析结果中子数据分析结果与对应数据分析参数的标准参数范围的偏差结果对应的偏差范围。
该实施例中,第二依据是指将第一数据分析结果的偏差范围作为确定当前第一分类运行子数据健康状态的依据。
该实施例中,偏差等级是指根据第一数据分析结果的偏差范围确定的偏差等级,其中,偏差范围越大,对应的偏差等级就越高。
该实施例中,加权处理是指将同一分类运行子数据的第一依据及第二依据按照对对应健康状态进行确定的影响程度不同,确定对应的权重,从而进行处理计算的过程,其中,第一依据与第二依据对应权重的和为1。
该实施例中,健康状态是指根据每一数据分析结果确定的对应数据的健康状态,综合健康状态是指将目标辅机包含的所有多源运行数据的健康状态进行综合确定后得到的状态。
上述技术方案的有益效果:通过两种方式对分类运行子数据的健康状态进行确定,从而得到目标辅机的综合健康状态,可以使得综合健康状态的确定更为精准。
实施例5:
基于实施例1的基础上,得到当前第一分类运行子数据对应的健康状态,从而确定目标辅机的综合健康状态,包括:
步骤351:获取每一第一分类运行子数据对应的健康状态,并基于每一第一分类运行子数据对目标辅机的影响程度,确定每一分类运行子数据的第二权重;
步骤352:基于每一第一分类运行子数据对应的健康状态进行状态数据转化,并结合对应第二权重,确定目标辅机的综合健康状态。
该实施例中,影响程度是指每一第一分类运行子数据及数据对应数据源对目标辅机的影响程度,其中,影响程度的取值范围为(0,1)。
该实施例中,第二权重是指根据影响程度确定的每一分类运行子数据的对应权重,其中,第二权重的取值范围为(0,1)。
该实施例中,状态数据转化是指将第一分类运行子数据对应的健康状态进行转化,从而使得转化后的结果易于计算,从而确定目标辅机的综合健康状态。
上述技术方案的有益效果:通过两种方式对分类运行子数据的健康状态进行确定,并按照每一方式的对应权重得到目标辅机的综合健康状态,可以使得综合健康状态的确定更为精准。
实施例6:
基于实施例4的基础上,根据评分结果对目标辅机进行预警调整,包括:
步骤41:基于目标辅机的综合健康状态与预设状态分析数据表中每一状态评分对应的健康状态范围进行比较,从而确定目标辅机的实时状态评分;
步骤42:基于所述实时状态评分确定目标辅机是否需要预警或调整;
若实时状态评分低于第一预设评分,则判断目标辅机处于不健康状态,需要进行目标辅机的预警;
若实时状态评分低于第二预设评分,则判断目标辅机处于亚健康状态,需要对目标辅机进行调整;
反之,则判断目标辅机处于健康状态,可以继续进行辅机工作。
该实施例中,实时状态评分是指将目标辅机的综合健康状态进行比较转化后确定的。
该实施例中,第一预设评分、第二预设评分是根据不同状态评分下对应与目标辅机同辅机类型的辅机工作状态而预先确定的评分,低于第一预设评分,则判断辅机为不健康状态。
该实施例中,第一预设评分低于第二预设评分。
该实施例中,目标辅机的健康状态可以分为健康状态、亚健康状态、不健康状态三种,其中,每一健康状态对应目标辅机的部分状态评分,比如,目标辅机的状态评分为1-10分,其中,小于4分则目标辅机的健康状态为不健康状态,不小于4分,同时小于7分则目标辅机的健康状态为亚健康状态,不小于7分,则目标辅机的健康状态为健康状态,其中,4分为第一预设评分,7分为第二预设评分。
上述技术方案的有益效果:通过对综合健康状态进行评分分析,可以使得对目标辅机的状态确定更加精准,也可以及时进行目标辅机的调整预警。
实施例7:
基于实施例6的基础上,对目标辅机进行调整,包括:
步骤421:获取目标辅机中处于亚健康状态的第一分类运行子数据得到第二分类运行子数据,并获取每一第二分类运行子数据对应的第二权重;
步骤422:基于所述亚健康状态进行状态数据转化,并基于状态数据转化结果及对应第二权重对目标辅机的第二分类运行子数据进行第一排序;
步骤423:基于第二权重对对应第二分类运行子数据进行第二排序;
步骤424:基于第二分类运行子数据对应第二权重进行比较,从而确定第二权重最高的第二分类运行子数据,作为第一调整数据;
步骤425:基于第一排序结果提取目标辅机中排序最高的第二分类运行子数据,作为第二调整数据;
步骤426:将第一调整数据与第二调整数据进行比较,判断第一调整数据与第二调整数据是否一致;
若一致,则对第二调整数据对应的数据源所属设备及对应目标辅机相关设备进行调整方案确定;
反之,则获取第二排序结果中第二权重次高的第二分类运行子数据,作为第三调整数据;
步骤427:将第二调整数据与第三调整数据进行第二比较,判断第二调整数据与第三调整数据是否一致;
若一致,则对第二调整数据对应的数据源所属设备及对应目标辅机相关设备进行调整方案确定;
反之,则对第二调整数据及第三调整数据对应的数据源所属设备及对应目标辅机相关设备进行设备调整方案确定;
步骤428:基于设备调整方案上传至智能管理终端并进行对应设备的自动化调整。
该实施例中,第二分类运行子数据是指第一分类运行数据中处于亚健康状态的分类运行子数据。
该实施例中,第二权重是指每一第二分类运行子数据对对应第二分类运行数据的影响权重。
该实施例中,第一排序是指按照第二权重与对应亚健康状态进行结合后综合排序的结果。
该实施例中,第一调整数据是指将第二分类运行子数据对应的第二权重进行比较,从而将第二权重最高的第二分类运行子数据作为第一调整数据。
该实施例中,第二调整数据是指根据第一排序结果,提取目标辅机中排序最高的第二分类运行子数据得到的数据。
该实施例中,第三调整数据是指当第一调整数据与第二调整数据不一致时,将第二排序结果中第二权重次高的第二分类运行子数据,作为第三调整数据。
该实施例中,数据源所属设备是指调整数据对应的数据源设备,比如,数据源所属设备可以为12号传感器,目标辅机相关设备是指与当前数据处理相关的目标辅机设备,比如,目标辅机相关设备有11号传感器等。
上述技术方案的有益效果:通过对综合健康状态进行评分分析,可以使得对目标辅机的状态确定更加精准,也可以及时对亚健康状态的目标辅机进行调整,从而提高目标辅机的工作效率。
基于同一总的发明构思,本发明还保护一种多数据融合的辅机健康状态监测装置,下面对本发明提供的一种多数据融合的辅机健康状态监测装置进行描述,下文描述的一种多数据融合的辅机健康状态监测装置与上文描述的一种多数据融合的辅机健康状态监测方法可相互对应参照。
图3是本发明实施例提供的电子设备的结构示意图。
如图3所示,该电子设备可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行一种多数据融合的辅机健康状态监测方法,该方法包括:
步骤1:基于目标辅机的功能需求建立对应的在线监测信息模型,并基于在线监测信息模型对多源运行数据进行处理;
步骤2:将处理结果结合多源运行数据的数据源对多源数据进行数据分析;
步骤3:基于每一数据分析结果确定对应的健康状态,并基于所有多源运行数据确定目标辅机的综合健康状态;
步骤4:基于目标辅机的综合健康状态进行状态评分,并根据评分结果对目标辅机进行预警调整。
此外,上述的存储器630中的逻辑指令可以通过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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的一种多数据融合的辅机健康状态监测方法,该方法包括:
步骤1:基于目标辅机的功能需求建立对应的在线监测信息模型,并基于在线监测信息模型对多源运行数据进行处理;
步骤2:将处理结果结合多源运行数据的数据源对多源数据进行数据分析;
步骤3:基于每一数据分析结果确定对应的健康状态,并基于所有多源运行数据确定目标辅机的综合健康状态;
步骤4:基于目标辅机的综合健康状态进行状态评分,并根据评分结果对目标辅机进行预警调整。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的一种多数据融合的辅机健康状态监测方法,该方法包括:
步骤1:基于目标辅机的功能需求建立对应的在线监测信息模型,并基于在线监测信息模型对多源运行数据进行处理;
步骤2:将处理结果结合多源运行数据的数据源对多源数据进行数据分析;
步骤3:基于每一数据分析结果确定对应的健康状态,并基于所有多源运行数据确定目标辅机的综合健康状态;
步骤4:基于目标辅机的综合健康状态进行状态评分,并根据评分结果对目标辅机进行预警调整。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种多数据融合的辅机健康状态监测方法,其特征在于,包括:
步骤1:基于目标辅机的功能需求建立对应的在线监测信息模型,并基于在线监测信息模型对多源运行数据进行处理;
步骤2:将处理结果结合多源运行数据的数据源对多源数据进行数据分析;
步骤3:基于每一数据分析结果确定对应的健康状态,并基于所有多源运行数据确定目标辅机的综合健康状态;
步骤4:基于目标辅机的综合健康状态进行状态评分,并根据评分结果对目标辅机进行预警调整。
2.根据权利要求1所述的一种多数据融合的辅机健康状态监测方法,其特征在于,基于目标辅机的功能需求建立对应的在线监测信息模型,并基于在线监测信息模型对多源运行数据进行处理,包括:
步骤11:获取目标辅助的功能需求,并基于所述功能需求进行需求转换,从而得到对应的需求转换数据及需求转换等级,从而确定对应的在线监测信息模型;
步骤12:获取目标辅机的多源运行数据,并基于在线监测信息模型对多源运行数据进行分类处理,得到第一处理运行数据。
3.根据权利要求2所述的一种多数据融合的辅机健康状态监测方法,其特征在于,将处理结果结合多源运行数据的数据源对多源数据进行数据分析,包括:
步骤21:获取多源运行数据的数据源,并基于数据源所属类型不同,进行数据源的第一分类;
步骤22:基于数据源所属设备不同,对数据源进行第二分类,并基于第二分类结果与第一分类结果结合得到数据源综合分类结果;
步骤23:基于数据源综合分类结果对第一处理运行数据进行分类,得到第一分类运行数据,并基于每一分类运行子数据对应的数据源从辅机数据源运行数据库中筛选匹配的数据分析方法;
步骤24:基于每一数据源对应的数据分析方法对相应第一分类运行子数据进行数据初始分析,得到每一第一分类运行子数据的第一数据分析结果。
4.根据权利要求3所述的一种多数据融合的辅机健康状态监测方法,其特征在于,基于每一数据分析结果确定对应的健康状态,并基于所有多源运行数据确定目标辅机的综合健康状态,包括:
步骤31:基于每一第一分类运行子数据的第一数据分析结果与预设辅机健康状态数据表中对应数据分析参数进行第一比较;
步骤32:将第一数据分析结果超出对应数据分析参数范围的子分析结果进行第一提取,得到第一依据;
步骤33:将第一数据分析结果超出对应数据分析参数范围的子分析结果超出数据分析参数范围的部分进行结果转换,从而确定当前第一数据分析结果的偏差范围;
步骤34:基于所述第一数据分析结果的偏差范围确定当前第一分类运行子数据的偏差等级,得到第二依据;
步骤35:将第一依据及第二依据按照对应影响权重进行加权处理,得到当前第一分类运行子数据对应的健康状态,从而确定目标辅机的综合健康状态。
5.根据权利要求4所述的一种多数据融合的辅机健康状态监测方法,其特征在于,得到当前第一分类运行子数据对应的健康状态,从而确定目标辅机的综合健康状态,包括:
步骤351:获取每一第一分类运行子数据对应的健康状态,并基于每一第一分类运行子数据对目标辅机的影响程度,确定每一分类运行子数据的第二权重;
步骤352:基于每一第一分类运行子数据对应的健康状态进行状态数据转化,并结合对应第二权重,确定目标辅机的综合健康状态。
6.根据权利要求4所述的一种多数据融合的辅机健康状态监测方法,其特征在于,基于目标辅机的综合健康状态进行状态评分,并根据评分结果对目标辅机进行预警调整,包括:
步骤41:基于目标辅机的综合健康状态与预设状态分析数据表中每一状态评分对应的健康状态范围进行比较,从而确定目标辅机的实时状态评分;
步骤42:基于所述实时状态评分确定目标辅机是否需要预警或调整;
若实时状态评分低于第一预设评分,则判断目标辅机处于不健康状态,需要进行目标辅机的预警;
若实时状态评分低于第二预设评分,则判断目标辅机处于亚健康状态,需要对目标辅机进行调整;
反之,则判断目标辅机处于健康状态,可以继续进行辅机工作。
7.根据权利要求6所述的一种多数据融合的辅机健康状态监测方法,其特征在于,对目标辅机进行调整,包括:
步骤421:获取目标辅机中处于亚健康状态的第一分类运行子数据得到第二分类运行子数据,并获取每一第二分类运行子数据对应的第二权重;
步骤422:基于所述亚健康状态进行状态数据转化,并基于状态数据转化结果及对应第二权重对目标辅机的第二分类运行子数据进行第一排序;
步骤423:基于第二权重对对应第二分类运行子数据进行第二排序;
步骤424:基于第二分类运行子数据对应第二权重进行比较,从而确定第二权重最高的第二分类运行子数据,作为第一调整数据;
步骤425:基于第一排序结果提取目标辅机中排序最高的第二分类运行子数据,作为第二调整数据;
步骤426:将第一调整数据与第二调整数据进行比较,判断第一调整数据与第二调整数据是否一致;
若一致,则对第二调整数据对应的数据源所属设备及对应目标辅机相关设备进行调整方案确定;
反之,则获取第二排序结果中第二权重次高的第二分类运行子数据,作为第三调整数据;
步骤427:将第二调整数据与第三调整数据进行第二比较,判断第二调整数据与第三调整数据是否一致;
若一致,则对第二调整数据对应的数据源所属设备及对应目标辅机相关设备进行调整方案确定;
反之,则对第二调整数据及第三调整数据对应的数据源所属设备及对应目标辅机相关设备进行设备调整方案确定;
步骤428:基于设备调整方案上传至智能管理终端并进行对应设备的自动化调整。
8.一种电子设备,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任一项所述一种多数据融合的辅机健康状态监测方法。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述一种多数据融合的辅机健康状态监测方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述一种多数据融合的辅机健康状态监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410029002.7A CN118051733A (zh) | 2024-01-05 | 2024-01-05 | 多数据融合的辅机健康状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410029002.7A CN118051733A (zh) | 2024-01-05 | 2024-01-05 | 多数据融合的辅机健康状态监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118051733A true CN118051733A (zh) | 2024-05-17 |
Family
ID=91052852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410029002.7A Pending CN118051733A (zh) | 2024-01-05 | 2024-01-05 | 多数据融合的辅机健康状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118051733A (zh) |
-
2024
- 2024-01-05 CN CN202410029002.7A patent/CN118051733A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109544399B (zh) | 基于多源异构数据的输电设备状态评价方法及装置 | |
WO2016004749A1 (zh) | 一种大型数控铣床刀具磨损程度识别方法 | |
CN111177655B (zh) | 一种数据处理方法、装置及电子设备 | |
CN114416707A (zh) | 工业时序数据的自动化特征工程方法和装置 | |
CN112001511A (zh) | 基于数据挖掘的设备可靠性及动态风险评价方法、系统和设备 | |
CN116561519A (zh) | 基于电网大数据的电碳排放过程监测方法和系统 | |
CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
CN110647106B (zh) | 刀具性能监测及评价方法和系统 | |
CN116739829A (zh) | 一种基于大数据的电力数据分析方法、系统及介质 | |
CN116070527A (zh) | 基于退化模型的铣削刀具剩余寿命预测方法 | |
CN115660288A (zh) | 一种基于互联网大数据的分析管理系统 | |
CN115793552A (zh) | 一种基于数据处理的电子气体生产监测方法及系统 | |
CN116862081A (zh) | 一种污染治理设备运维方法及系统 | |
CN111459921A (zh) | 一种基于时滞互信息的空分工厂氮气浓度相关性分析方法 | |
CN112664410B (zh) | 一种基于大数据的机组在线监测系统建模方法 | |
CN113283768A (zh) | 食品检测项目提取方法、装置、设备及存储介质 | |
CN114020598A (zh) | 一种时间序列数据的异常检测方法、装置及设备 | |
CN113810792A (zh) | 一种基于云计算的边缘数据采集分析系统 | |
Oprime et al. | X-bar control chart design with asymmetric control limits and triple sampling | |
CN110633314A (zh) | 车联网数据处理方法及装置 | |
CN118051733A (zh) | 多数据融合的辅机健康状态监测方法 | |
CN112559591A (zh) | 一种用于冷轧辊制造过程的离群检测系统及其检测方法 | |
CN117113135A (zh) | 一种可对异常数据整理分类的碳排放异常监测分析系统 | |
CN116382224A (zh) | 一种基于数据分析的包装设备监测方法及系统 | |
CN111445132B (zh) | 数据处理方法、数据处理系统及计算机存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |