CN201898519U - 带有风险控制的设备维修预警装置 - Google Patents
带有风险控制的设备维修预警装置 Download PDFInfo
- Publication number
- CN201898519U CN201898519U CN2010205171757U CN201020517175U CN201898519U CN 201898519 U CN201898519 U CN 201898519U CN 2010205171757 U CN2010205171757 U CN 2010205171757U CN 201020517175 U CN201020517175 U CN 201020517175U CN 201898519 U CN201898519 U CN 201898519U
- Authority
- CN
- China
- Prior art keywords
- module
- value
- consequence
- equipment
- risk
- 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.)
- Expired - Fee Related
Links
Images
Abstract
本实用新型涉及一种带有风险控制的设备维修预警装置,包括外部系统监测接口模块、数据处理器、模式匹配模块、后果预测模块、风险预测模块、输出显示装置、关联挖掘模块、BP神经网络模块。本实用新型采用实时动态决策方法,通过对监测设备的数据进行分析和处理,根据设备运行过程中的信息达到判断设备潜在故障风险值,并对超过阈值的潜在故障预警,使其更符合实际情况,提高了预警的准确性。
Description
技术领域
本实用新型涉及一种设备维修预警装置,尤其涉及一种带有风险控制的设备维修预警装置。
背景技术
现代设备具有复杂、精密、价格高、功率大的特点,其安全性和可靠性要求比较高。因此,对设备系统实时在线监控,建立有效、准确的故障诊断及预警系统显得十分重要。
现有的方法在实际的应用中都取得了一定的效果,但是存在着一些局限性,主要如下:1、各种信息检测手段和预警方法都未能将诊断对象看成一个有机的整体,未能有效的考虑设备的各个部件之间可能存在的相互联系和影响。2、难以处理多种故障并存的复杂情况。在实际的设备故障演变过程中,系统的各个部件之间有着紧密的联系,各种故障经常同时发生,因此现有技术方法还很难得到较为准确的预测值。
风险维修(Risk Based Maintenance,简称RBM)是基于风险分析和评价而制订维修策略的方法。风险维修也是以设备或部件处理的风险为评判基础的维修策略管理模式。设备维修模式以及技术体系的发展分为四个阶段,即:事后维修、计划维修、状态维修和风险维修,由此可见,风险维修作为下一代的以可靠性为中心的维修方法(Reliability Centered Maintenance,简称RCM),是现代设备维修管理的发展方向。
关联规则(Association Rule)是为了挖掘出隐藏在数据之间的相互关系,找出所有能把一组事件或数据项与另一组事件或数据项联系起来的规则。
挖掘关联规则的基本思路:给定一个事务集,挖掘关联规则的任务就是生成支持度(support)和置信度(confidence)分别大于用户给定的最小支持度(minsupp)和最小置信度(minconf)的关联规则。满足最小支持度、最小置信度和相关度要求的规则称为强规则。寻找出所有有效的强规则就是关联规则数据挖掘要完成的任务。
神经网络有很强的非线性拟合能力,可映射任意复杂的非线性关系,而且学习规则简单,便于计算机实现。具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力,因此有很大的应用市场。
BP(Back Propagation)神经网络,即误差反传误差反向传播算法的学习过程,由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息,并传递给中间层各神经元;中间层是内部信息处理层,负责信息变换,根据信息变化能力的需求,中间层可以设计为单隐层或者多隐层结构;最后一个隐层传递到输出层各神经元的信息,经进一步处理后,完成一次学习的正向传播处理过程,由输出层向外界输出信息处理结果。当实际输出与期望输出不符时,进入误差的反向传播阶段。误差通过输出层,按误差梯度下降的方式修正各层权值,向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程,是各层权值不断调整的过程,也是神经网络学习训练的过程,此过程一直进行到网络输出的误差减少到可以接受的程度,或者预先设定的学习次数为止。
发明内容
本实用新型的主要目的在于提供一种可以通过对监测设备的数据进行分析和处理达到预测其设备潜在故障风险值的装置,当达到或超过规定的阈值时,装置报警并显示故障类型及故障风险值。
在实际的生产中,设备的状态变化是一个连续的过程,在到达当前的状态下继续运行,其设备各个部件的磨损概率是不同的,即会产生有选择的磨损。本实用新型提出一种带有风险控制的设备维修预警装置,通过对监测设备的数据进行分析和处理达到预测其设备潜在故障风险值的目的。该装置采用实时动态决策方法,根据设备运行过程中的信息实时预测的设备潜在故障风险值,使其更符合实际情况。该实用新型在实际中有很强的应用价值。
本实用新型解决其技术问题所采用的技术方案是:带有风险控制的设备维修预警装置,包括外部系统监测接口模块以及连接外部系统监测接口模块的设备故障预警装置,其中外部系统监测接口模块将被监测设备的相关数据发送给设备故障预警装置,所述设备故障预警装置包括:数据处理器、模式匹配模块、后果预测模块、关联挖掘模块、BP神经网络模块、风险预测模块和输出显示装置,其中,
数据处理器:用于连接外部系统监测接口模块,接收外部系统监测接口模块发送的被监测设备的相关数据,规范数据提取特征值,并发送给模式匹配模块;
模式匹配模块:与数据处理器、关联挖掘模块和后果预测模块、风险预测模块连接,接收关联挖掘模块发送的关联规则模式并保存,当接收到数据处理器发送的规范过的相关特征值,将所述相关特征值与保存的关联规则模式相匹配,即判断设备是否出现退化征兆,若匹配不成功,则说明设备没有出现退化征兆,返回继续监测数据。若匹配成功,则说明设备出现退化征兆,按照匹配结果记录每个匹配成功的潜在故障的支持度,即潜在故障发生概率值,并将所述概率值发送给风险预测模块,同时将匹配的潜在故障发生可能产生的后果因素值,即设备自身风险值、人身风险值、环境风险值、社会风险值和系统风险值发送给后果预测模块;
后果预测模块:与模式匹配模块、BP神经网络模块、风险预测模块连接,接收模式匹配模块发送的潜在故障发生可能产生的后果因素值,并将所接收数据作为神经网络的输入,利用训练好的BP神经网络模型预测潜在故障发生的综合后果值,并将输出结果发送到风险预测模块;
风险预测模块:与模式匹配模块和后果预测模块连接,分别接收模式匹配模块发送的潜在故障发生概率值和后果预测模块发送的潜在故障发生的综合后果值,并将潜在故障发生概率值与对应的综合后果值相乘得出风险预测值,将该风险预测值发送给输出显示装置;
输出显示装置:与风险预测模块连接,接收风险预测模块发送的风险预测值,实时显示该值,并与事先规定的阈值比较,如果达到或超过阈值则发出报警;
关联挖掘模块:与模式匹配模块连接,利用关联规则对设备历史监控数据进行挖掘,并将挖掘的关联规则模式发送到模式匹配模块,其中设备历史监控数据包括故障及非故障状态;
BP神经网络模块:与后果预测模块连接,以设备自身风险、人身风险、环境风险、社会风险和系统风险作为输入,潜在故障综合后果值为输出,对故障样本进行学习训练,建立BP神经网络模型;
与现有技术相比,本实用新型具有以下有益效果:
1、本实用新型将诊断对象看成一个有机的整体,有效的考虑设备的各个部件之间可能存在的相互联系和影响。
2、本实用新型解决了现有预测技术对多种故障并存的复杂情况处理不精确的问题。
3、本实用新型采用实时动态决策,根据设备运行过程中的信息实时调整判断设备所处状态,使其更符合实际情况。
4、本发明只需要计算一次就可以判断设备是否处于缺陷状态、潜在故障类型和潜在故障发生概率值,与传统的风险维修方法相比,提高了故障诊断准确度,同时加快了诊断速度,为在线决策提供了更好的参考。
附图说明
图1是本实用新型所述的带有风险控制的设备维修预警装置的结构图;
图2是本实用新型所述的带有风险控制的设备维修预警装置的一具体实施例进行故障风险预测的流程图。
具体实施方式
带有风险控制的设备维修预警装置,包括外部系统监测接口模块以及连接外部系统检测接口模块的设备故障预警装置,其中外部系统监测接口模块将被监测设备的相关数据发送给设备故障预警装置,所述评审装置包括:数据处理器、模式匹配模块、后果预测模块、输出显示装置和关联挖掘模块,其中,
1)数据处理器:用于连接外部系统监测接口模块,接收外部系统监测接口模块发送的被监测设备的相关数据,规范数据提取特征值,并发送给模式匹配模块;
2)模式匹配模块:与数据处理器、关联挖掘模块和后果预测模块、风险预测模块连接,接收关联挖掘模块发送的关联规则模式并保存,当接收到数据处理器发送的规范过的相关特征值,将所述相关特征值与保存的关联规则模式相匹配,即判断设备是否出现退化征兆,若匹配不成功,则说明设备没有出现退化征兆,返回继续监测数据;若匹配成功,则说明设备出现退化征兆,按照匹配结果记录每个匹配成功的潜在故障的支持度,即潜在故障发生概率值,并将所述概率值发送给风险预测模块,同时将匹配的潜在故障发生可能产生的后果因素值,即设备自身风险值、人身风险值、环境风险值、社会风险值和系统风险值发送给后果预测模块;
3)后果预测模块:与模式匹配模块、BP神经网络模块、风险预测模块连接,接收模式匹配模块发送的潜在故障发生可能产生的后果因素值,并将所接收数据作为神经网络的输入,利用训练好的BP神经网络模型预测潜在故障发生的综合后果值,并将输出结果发送到风险预测模块;
4)风险预测模块:与模式匹配模块和后果预测模块连接,分别接收模式匹配模块发送的潜在故障发生概率值和后果预测模块发送的潜在故障发生的综合后果值,并将潜在故障发生概率值与对应的综合后果值相乘得出风险预测值,将该风险预测值发送给输出显示装置;
5)输出显示装置:与风险预测模块连接,接收风险预测模块发送的风险预测值,实时显示该值,并与事先规定的阈值比较,如果达到或超过阈值则发出报警;
6)关联挖掘模块:与模式匹配模块连接,利用关联规则对设备历史监控数据进行挖掘,并将挖掘的关联规则模式发送到模式匹配模块,其中设备历史监控数据包括故障及非故障状态;
7)BP神经网络模块:与后果预测模块连接,以设备自身风险、人身风险、环境风险、社会风险和系统风险作为输入,潜在故障综合后果值为输出,对故障样本进行学习训练,建立BP神经网络模型;
各模块之间结构如图1所示。外部系统监测接口模块110与设备故障预警装置120相连。设备故障预警装置120中数据处理器121分别与外部系统监测接口模块110、模式匹配模块123相连。模式匹配模块123分别与数据处理器121、关联挖掘模块122、风险预测模块126和后果预测模块124相连。后果预测模块124与模式匹配模块123、BP什么网络模块125和风险预测模块126相连。风险预测模块126与模式匹配模块123和后果预测模块124相连。输出显示装置127与风险预测模块126相连。关联挖掘模块122与模式匹配模块123相连。BP神经网络模块125与后果预测模块124相连。
利用本实用新型的设备故障预警装置进行预测过程如下:
将设备故障预警装置120与外部系统监测接口模块110连接。
外部系统监测接口模块110采集被监测设备相关数据,并将该数据传到数据处理器121。
数据处理器121接收外部系统监测接口模块110发送的被监测设备的相关数据,对其数据进行分析和处理,提取特征值,并将相关数据发送到模式匹配模块123。
模式匹配模块123接收关联挖掘模块122发送的关联规则模式并保存。当接收到数据处理器121发送的被监测设备的相关数据时,将所述被监测设备的相关数据与保存的关联规则模式相匹配,即判断设备是否出现退化征兆。若匹配不成功,则说明设备没有出现退化征兆,返回继续监测数据。若匹配成功,按照匹配结果记录每个匹配成功的潜在故障的支持度,即潜在故障发生概率值,并将所述概率值发送给风险预测模块126,同时将关联挖掘模块中记录的匹配的潜在故障发生可能产生的后果因素值,即设备自身风险值、人身风险值、环境风险值、社会风险值和系统风险值发送给后果预测模块124。
后果预测模块124接收模式匹配模块123发送的潜在故障发生可能产生的后果因素值,并将所接收数据作为神经网络的输入,利用训练好的BP神经网络模型125预测潜在故障发生的综合后果值,并将输出结果发送到风险预测模块126。
风险预测模块1261分别接收模式匹配模块123发送的潜在故障发生概率值和后果预测模块124发送的潜在故障发生的综合后果值,并将潜在故障发生概率值与对应的综合后果值相乘得出风险预测值,将该风险预测值发送给输出显示装置127。
输出显示装置127接收风险预测模块126发送的风险预测值,实时显示该值,并与事先规定的阈值比较,如果达到或超过阈值则发出报警。
关联挖掘模块122利用关联规则对设备历史监控数据进行挖掘,并将挖掘的关联规则模式发送到模式匹配模块,其中设备历史监控数据包括故障及非故障状态。
BP神经网络模块125以设备自身风险、人身风险、环境风险、社会风险和系统风险作为输入,潜在故障综合后果值为输出,对故障样本进行学习训练,建立BP神经网络模型。
Claims (1)
1.带有风险控制的设备维修预警装置,包括外部系统监测接口模块以及连接外部系统监测接口模块的设备故障预警装置,其中外部系统监测接口模块将被监测设备的相关数据发送给设备故障预警装置,其特征在于:所述设备故障预警装置包括:数据处理器、模式匹配模块、后果预测模块、关联挖掘模块、BP神经网络模块、风险预测模块和输出显示装置,其中,
数据处理器:用于连接外部系统监测接口模块,接收外部系统监测接口模块发送的被监测设备的相关数据,规范数据提取特征值,并发送给模式匹配模块;
模式匹配模块:与数据处理器、关联挖掘模块和后果预测模块、风险预测模块连接,判断设备是否出现退化征兆,若出现退化则计算潜在故障发生概率值,并将所述概率值发送给风险预测模块,同时计算潜在故障发生可能产生的后果因素值,并发送给后果预测模块;
后果预测模块:与模式匹配模块、BP神经网络模块、风险预测模块连接,接收模式匹配模块发送的潜在故障发生可能产生的后果因素值,利用模型预测潜在故障发生的综合后果值,并将输出结果发送到风险预测模块;
风险预测模块:与模式匹配模块和后果预测模块连接,分别接收模式匹配模块发送的潜在故障发生概率值和后果预测模块发送的潜在故障发生的综合后果值,并将潜在故障发生概率值与对应的综合后果值相乘得出风险预测值,将该风险预测值发送给输出显示装置;
输出显示装置:与风险预测模块连接,接收风险预测模块发送的风险预测值,实时显示该值,并与事先规定的阈值比较,如果达到或超过阈值则发出报警;
关联挖掘模块:与模式匹配模块连接,将挖掘的关联规则模式发送到模式匹 配模块,其中设备历史监控数据包括故障及非故障状态;
BP神经网络模块:与后果预测模块连接,对故障样本进行学习训练,建立BP神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010205171757U CN201898519U (zh) | 2010-09-01 | 2010-09-01 | 带有风险控制的设备维修预警装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010205171757U CN201898519U (zh) | 2010-09-01 | 2010-09-01 | 带有风险控制的设备维修预警装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN201898519U true CN201898519U (zh) | 2011-07-13 |
Family
ID=44256402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010205171757U Expired - Fee Related CN201898519U (zh) | 2010-09-01 | 2010-09-01 | 带有风险控制的设备维修预警装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN201898519U (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116277A (zh) * | 2011-10-24 | 2013-05-22 | 费希尔-罗斯蒙特系统公司 | 预测故障分析 |
CN103428189A (zh) * | 2012-05-25 | 2013-12-04 | 阿里巴巴集团控股有限公司 | 一种识别恶意网络设备的方法、装置和系统 |
WO2014172838A1 (en) * | 2013-04-22 | 2014-10-30 | Abb Technology Ltd | Method and apparatus for defect pre-warning of power device |
CN107330529A (zh) * | 2017-06-05 | 2017-11-07 | 上海理工大学 | 重型轧辊装载智能机器人的故障风险评估方法 |
CN108062088A (zh) * | 2017-12-15 | 2018-05-22 | 广州广电运通金融电子股份有限公司 | 车站终端故障风险预警方法、装置、终端及存储介质 |
CN109739902A (zh) * | 2018-12-29 | 2019-05-10 | 联想(北京)有限公司 | 一种数据分析方法、设备及计算机可读存储介质 |
CN110008253A (zh) * | 2019-03-28 | 2019-07-12 | 浙江大学 | 基于两阶段频繁项集产生策略的工业数据关联规则挖掘及异常工况预测方法 |
CN110018670A (zh) * | 2019-03-28 | 2019-07-16 | 浙江大学 | 一种基于动态关联规则挖掘的工业过程异常工况预测方法 |
CN112541647A (zh) * | 2019-09-20 | 2021-03-23 | 中国石油化工股份有限公司 | 炼油动设备风险预警方法及预警系统 |
CN112596490A (zh) * | 2020-02-28 | 2021-04-02 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 工业机器人故障检测方法、装置、计算机设备及存储介质 |
-
2010
- 2010-09-01 CN CN2010205171757U patent/CN201898519U/zh not_active Expired - Fee Related
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116277A (zh) * | 2011-10-24 | 2013-05-22 | 费希尔-罗斯蒙特系统公司 | 预测故障分析 |
CN103428189A (zh) * | 2012-05-25 | 2013-12-04 | 阿里巴巴集团控股有限公司 | 一种识别恶意网络设备的方法、装置和系统 |
CN103428189B (zh) * | 2012-05-25 | 2016-06-29 | 阿里巴巴集团控股有限公司 | 一种识别恶意网络设备的方法、装置和系统 |
WO2014172838A1 (en) * | 2013-04-22 | 2014-10-30 | Abb Technology Ltd | Method and apparatus for defect pre-warning of power device |
CN105324900A (zh) * | 2013-04-22 | 2016-02-10 | Abb技术有限公司 | 用于电力设备的缺陷预警的方法和装置 |
CN105324900B (zh) * | 2013-04-22 | 2018-02-06 | Abb技术有限公司 | 用于电力设备的缺陷预警的方法和装置 |
US10613153B2 (en) | 2013-04-22 | 2020-04-07 | Abb Schweiz Ag | Method and apparatus for defect pre-warning of power device |
CN107330529A (zh) * | 2017-06-05 | 2017-11-07 | 上海理工大学 | 重型轧辊装载智能机器人的故障风险评估方法 |
CN108062088B (zh) * | 2017-12-15 | 2019-11-19 | 广州广电运通金融电子股份有限公司 | 车站终端故障风险预警方法、装置、终端及存储介质 |
WO2019114288A1 (zh) * | 2017-12-15 | 2019-06-20 | 广州广电运通金融电子股份有限公司 | 车站终端故障风险预警方法、装置、终端及存储介质 |
CN108062088A (zh) * | 2017-12-15 | 2018-05-22 | 广州广电运通金融电子股份有限公司 | 车站终端故障风险预警方法、装置、终端及存储介质 |
CN109739902A (zh) * | 2018-12-29 | 2019-05-10 | 联想(北京)有限公司 | 一种数据分析方法、设备及计算机可读存储介质 |
CN110008253A (zh) * | 2019-03-28 | 2019-07-12 | 浙江大学 | 基于两阶段频繁项集产生策略的工业数据关联规则挖掘及异常工况预测方法 |
CN110018670A (zh) * | 2019-03-28 | 2019-07-16 | 浙江大学 | 一种基于动态关联规则挖掘的工业过程异常工况预测方法 |
CN110018670B (zh) * | 2019-03-28 | 2020-07-10 | 浙江大学 | 一种基于动态关联规则挖掘的工业过程异常工况预测方法 |
CN112541647A (zh) * | 2019-09-20 | 2021-03-23 | 中国石油化工股份有限公司 | 炼油动设备风险预警方法及预警系统 |
CN112596490A (zh) * | 2020-02-28 | 2021-04-02 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 工业机器人故障检测方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN201898519U (zh) | 带有风险控制的设备维修预警装置 | |
CN110134113B (zh) | 一种海洋石油井控装备安全保障方法及系统 | |
CN103974311B (zh) | 基于改进高斯过程回归模型的状态监测数据流异常检测方法 | |
CN108418841A (zh) | 基于ai的下一代关键信息基础设施网络安全态势感知系统 | |
CN102705303B (zh) | 一种基于残差与双级Elman神经网络的液压伺服系统故障定位方法 | |
CN102520697B (zh) | 一种远程协同诊断的现场信息预处理方法 | |
CN105825271B (zh) | 基于证据推理的卫星故障诊断与预测方法 | |
WO2019080367A1 (zh) | 一种机械设备健康状态评估方法 | |
CN111563524A (zh) | 一种多站融合系统运行态势异常监测和告警合并方法 | |
CN102013148B (zh) | 多信息融合火灾探测方法 | |
CN105512448A (zh) | 一种配电网健康指数的评估方法 | |
CN110209999A (zh) | 一种车载设备故障趋势预测方法 | |
CN111124852A (zh) | 一种基于bmc健康管理模块的故障预测方法及系统 | |
CN104615121B (zh) | 一种列车故障诊断方法及系统 | |
CN104777827A (zh) | 高速铁路信号系统车载设备故障诊断方法 | |
RU2745136C1 (ru) | Автоматизированная система выявления и прогнозирования осложнений в процессе строительства нефтяных и газовых скважин | |
CN117055502A (zh) | 基于物联网和大数据分析的智能控制系统 | |
Tang et al. | Prediction of bearing performance degradation with bottleneck feature based on LSTM network | |
Savic et al. | Intelligent urban water infrastructure management | |
Li et al. | Meteorological radar fault diagnosis based on deep learning | |
CN114167837B (zh) | 一种铁路信号系统的智能故障诊断方法及系统 | |
CN114399024B (zh) | 油气浓度大数据智能检测系统 | |
CN113109666B (zh) | 一种基于深度卷积神经网络的轨道电路故障诊断方法 | |
CN111160603B (zh) | 一种端到端电力通信业务可靠性保障方法及系统 | |
CN108335044A (zh) | 一种输变电设备状态评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110713 Termination date: 20120901 |