[go: up one dir, main page]

CN118312923B - 面向智慧园区的设备测量方法及计算机设备 - Google Patents

面向智慧园区的设备测量方法及计算机设备 Download PDF

Info

Publication number
CN118312923B
CN118312923B CN202410721197.1A CN202410721197A CN118312923B CN 118312923 B CN118312923 B CN 118312923B CN 202410721197 A CN202410721197 A CN 202410721197A CN 118312923 B CN118312923 B CN 118312923B
Authority
CN
China
Prior art keywords
data
fault
equipment
abnormal
measurement
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
Application number
CN202410721197.1A
Other languages
English (en)
Other versions
CN118312923A (zh
Inventor
葛君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ge Jun
Original Assignee
Zhuhai Yizhi Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhuhai Yizhi Technology Co ltd filed Critical Zhuhai Yizhi Technology Co ltd
Priority to CN202410721197.1A priority Critical patent/CN118312923B/zh
Publication of CN118312923A publication Critical patent/CN118312923A/zh
Application granted granted Critical
Publication of CN118312923B publication Critical patent/CN118312923B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/26—Discovering frequent patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开一种面向智慧园区的设备测量方法及计算机设备，方法通过获取智慧园区中设备的原始测量数据，并进行数据清洗和格式转化，获取标准化的目标数据以进行时序分段，提取分段后的数据片段的特征向量并对每个数据片段进行分解，获取多个分量信号，计算每个分量信号的复杂度指标，以确定异常复杂度指标，并和对应的异常分量信号获取数据片段对应的故障信息，根据多个特征向量和每个特征向量对应的故障信息构建设备故障本体库；在待测量设备的实时测量数据中提取语义特征，将语义特征和设备故障本体库进行语义匹配和推理，将获取的初步诊断结果中的子诊断结果进行融合分析，根据获取的最终诊断结论和异常分量信号确定对待测量设备的测量方法。

Description

面向智慧园区的设备测量方法及计算机设备
技术领域
本申请涉及故障诊断技术领域，尤其涉及一种面向智慧园区的设备测量方法及计算机设备。
背景技术
随着工业4.0和智能制造的快速发展,现代工业园区的设备运维管理面临着前所未有的挑战。一方面,园区内设备种类繁多、工况复杂,且设备之间相互影响、关联紧密,单纯依靠传统的事后维修和定期保养策略,难以满足设备高效、可靠、长周期运行的需求。另一方面,在设备全生命周期内,从状态监测、故障诊断到维修决策的各个环节往往相对独立,缺乏数据融合和流程贯通,难以实现全局最优和动态适应。
近年来,状态监测与故障诊断技术受到了工业界和学术界的广泛关注。这些技术利用传感器实时采集设备的振动、温度、压力等关键参数,运用信号处理、机器学习等方法对监测数据进行分析,从而实现对设备健康状态的评估和故障征兆的识别。然而,大多数现有的状态监测与故障诊断方法仍然存在一些不足之处。首先,在数据采集和处理阶段,由于缺乏对设备机理和故障模式的深入理解,监测参数的选取和测点布置往往依赖于经验和规范,难以保证数据的质量和全面性。其次,在异常检测与故障诊断阶段,常用的统计控制限和专家规则方法,容易产生误报和漏报,且诊断的可解释性较差。针对复杂系统和复合故障,它们的适用性和准确性受到限制。
在维修决策优化方面,传统的做法多是基于可靠性理论和专家经验,制定固定周期的检修计划。这种静态的策略没有充分考虑设备的实际健康状态和风险水平,往往带来维修成本的浪费和设备可用性的下降。近年来,一些学者尝试将状态监测和故障诊断的结果应用于维修决策的优化,提出了基于状态的维修(Condition-Based Maintenance，CBM)策略。但是,这些CBM方法大多针对单台设备或独立的生产线,缺乏对园区设备整体运行和资源调度的统筹考虑。此外,它们在故障预测和维修规划时,对设备退化机理和不确定性考虑不足,优化的动态性和鲁棒性有待加强。
总的来说,如何实现设备全生命周期管理与园区生产运营的协同优化,已成为智慧园区建设亟待解决的关键问题。
发明内容
本申请实施例提供了一种面向智慧园区的设备测量方法及计算机设备，可以解决当下维修决策优化方法大多针对单台设备或独立的生产线,缺乏对园区设备整体运行和资源调度的统筹考虑。此外,它们在故障预测和维修规划时,对设备退化机理和不确定性考虑不足,优化的动态性和鲁棒性有待加强的问题。所提供的方法能实现设备全生命周期管理与园区生产运营的协同优化。
第一方面，本申请实施例提供了一种面向智慧园区的设备测量方法，所述方法包括：
获取智慧园区中的预设的设备的多个原始测量数据，对所述原始测量数据进行数据清洗和格式转化，获取标准化的目标数据；
对所述目标数据进行时序分段，获取多个数据片段，提取每个所述数据片段的特征向量；对每个所述数据片段进行分解，获取多个分量信号，计算每个所述分量信号对应的复杂度指标，在多个所述复杂度指标中确定异常复杂度指标；
根据所述异常复杂度指标、所述异常复杂度指标对应的异常分量信号获取所述数据片段对应的故障信息，根据多个所述特征向量和每个所述特征向量对应的故障信息构建设备故障本体库；
获取待测量设备的实时测量数据，在所述实时测量数据中提取语义特征，将所述语义特征和所述设备故障本体库进行语义匹配和推理，获取所述实时测量数据对应的初步诊断结果；将所述初步诊断结果中的多个子诊断结果进行融合分析，获取最终诊断结论，根据所述最终诊断结论和所述异常分量信号，生成测量策略，以确定对所述待测量设备的测量方法。
第二方面，本申请还提供一种面向智慧园区的设备测量装置，包括：
数据获取模块，用于获取智慧园区中的预设的设备的多个原始测量数据，对所述原始测量数据进行数据清洗和格式转化，获取标准化的目标数据；
时序分段模块，用于对所述目标数据进行时序分段，获取多个数据片段，提取每个所述数据片段的特征向量；
复杂计算模块，用于对每个所述数据片段进行分解，获取多个分量信号，计算每个所述分量信号对应的复杂度指标，在多个所述复杂度指标中确定异常复杂度指标；
故障构建模块，用于根据所述异常复杂度指标、所述异常复杂度指标对应的异常分量信号获取所述数据片段对应的故障信息，根据多个所述特征向量和每个所述特征向量对应的故障信息构建设备故障本体库；
初步诊断模块，用于获取待测量设备的实时测量数据，在所述实时测量数据中提取语义特征，将所述语义特征和所述设备故障本体库进行语义匹配和推理，获取所述实时测量数据对应的初步诊断结果；
最终诊断模块，用于将所述初步诊断结果中的多个子诊断结果进行融合分析，获取最终诊断结论，根据所述最终诊断结论和所述异常分量信号，生成测量策略，以确定对所述待测量设备的测量方法。
第三方面，本申请还提供一种计算机设备，包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时实现如第一方面所述的面向智慧园区的设备测量方法。
第四方面，本申请还提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的面向智慧园区的设备测量方法。
与现有技术相比，本申请至少具备以下有益效果：
1.提高设备故障诊断的准确性和可靠性。本申请所提供的方法采用自适应测量策略和多源异构数据融合分析,充分挖掘设备运行数据中的故障特征和规律,构建了涵盖设备部件、故障模式、异常征兆等多维度知识的智能诊断模型。通过语义推理、数理统计、机器学习等智能算法,该方案可以从海量监测数据中自动识别设备的退化状态和故障模式,并对初步诊断结果进行深度验证和优化,保证了故障诊断的准确性和可靠性,减少了误报、漏报等诊断失误,为设备运维提供可靠的决策依据。
2.实现设备故障的预测性维护和主动防控。本申请所提供的方法创新性地提出了融合故障诊断、自适应测量和预警阈值优化的预测性维护策略。通过实时跟踪设备健康状态的动态变化,自适应调整测量参数和预警阈值,该方案可以敏锐地捕捉设备性能的早期衰退和微小异常,准确预估设备的剩余使用寿命和故障风险,为制定针对性的检修计划和维护决策提供有力支持。通过超前感知和主动防控,本申请可以有效减少设备意外停机和性能下降,延长设备使用寿命,提高设备生产效率和可靠性。
3.优化园区设备的全生命周期管理,提升综合运营效益。本申请所提供的方法以数据驱动、模型赋能为核心,将设备故障诊断、预警、维护等环节进行流程再造和模型集成,形成了全生命周期闭环优化的智慧化管理体系。通过设备维护策略的多目标优化求解,该方案在保证设备可靠性和可用性的同时,最大限度地降低检测维护成本和资源消耗,在设备全寿命周期内实现效益最大化。此外,本申请所提供的方法将设备管理的诊断规则和专家经验进行了系统性的知识抽取和智能建模,促进了关键诊维技术和经验知识的沉淀积累和智能复用,有利于园区运维管理的持续改进和创新升级。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
图1为本申请实施例示出的面向智慧园区的设备测量方法的流程示意图；
图2为本申请实施例示出的面向智慧园区的设备测量装置的结构示意图；
图3为本申请实施例示出的计算机设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
下面对本申请实施例的技术方案进行介绍。
请参照图1，图1为本申请实施例提供的一种面向智慧园区的设备测量方法的流程示意图。本申请实施例的面向智慧园区的设备测量方法可应用于计算机设备，该计算机设备包括但不限于智能手机、笔记本电脑、平板电脑、桌上型计算机、物理服务器和云服务器等设备。如图1所示，本实施例的面向智慧园区的设备测量方法包括步骤S101至步骤S106，详述如下：步骤S101，获取智慧园区中的预设的设备的多个原始测量数据，对原始测量数据进行数据清洗和格式转化，获取标准化的目标数据。
具体地，在对智慧园区中的多个设备确定对应的测量方法前，需要先获取智慧园区中的设备的工作过程中的原始测量数据，原始测量数据可以来自各种传感器、仪表、控制系统和日志文件等多个来源。原始测量数据的类型可以包括温度、压力、流量、振动、电流、电压、功率等多种物理量,以及设备的运行状态、告警信息、维护记录等非结构化数据。为了确保原始测量数据的完整性和一致性,需要建立数据采集的标准规范和接口协议,明确数据的采集频率、时间戳、数据格式等要求。同时,要充分考虑数据的安全性和隐私保护,对敏感数据进行脱敏处理,并建立严格的权限控制机制。
获取原始测量数据后,需要对其进行预处理,以提高数据质量和可用性。预处理的第一步是数据清洗,目的是识别并处理原始测量数据中的缺失值、异常值、重复值和不一致性。常用的数据清洗方法包括删除法、插值法、平均值法、中位数法等。例如,对于温度传感器采集的数据,如果某个时间点的温度值远超过正常范围(如500℃),可以将其识别为异常值并进行删除或替换处理。再如,对于某台设备在某个时间段内缺失的数据,可以通过插值法(如线性插值、样条插值)估计缺失值,或者直接删除该时间段的数据。数据清洗的过程需要依赖预定义的规则和阈值,这些规则可以基于专家知识、统计分析或机器学习方法来获取。
数据清洗完成后,需要进行数据转换和集成。不同来源的原始测量数据可能采用不同的格式和单位,需要将其转换为统一的格式和单位,以便后续的分析和处理。例如,对于时间序列数据,需要将时间戳转换为标准的日期时间格式(如ISO 8601),并将时区、夏令时等因素考虑在内。对于不同单位的物理量,需要进行单位换算,如将压力从帕斯卡(Pa)转换为兆帕(MPa)。此外,还需要处理数据的精度和分辨率,如将浮点数保留到小数点后两位,或者将高频采样数据降采样到指定的时间间隔。数据集成是将不同来源的数据合并到一个统一的数据集中,需要解决数据的映射、同步和冗余等问题。
在进行数据转换和集成时,还需要考虑原始测量数据的可解释性和语义互操作性。可以引入元数据和语义标注,明确描述数据的含义、来源、质量等属性信息。这样可以方便数据在不同系统和应用间的共享和理解,提高数据的复用价值。语义标注可以采用本体、词表等知识组织体系,将数据映射到标准化的概念和关系上。例如,可以定义一个设备故障本体,将不同来源的故障数据映射到统一的故障类型和故障模式上。
数据转换与集成后,还需要进行数据归一化和标准化处理。归一化是将数据缩放到指定的范围(如[0,1]或[-1,1]),可以消除不同量纲和数量级带来的影响。常用的归一化方法包括最小-最大值归一化、零-均值归一化等。标准化是将数据转换为均值为0、标准差为1的分布,可以方便地进行不同数据之间的比较和分析。归一化和标准化处理可以提高数据的可比性和稳定性,为后续的特征提取、异常检测等分析奠定基础。
最后,对预处理后的原始测量数据对应的目标数据进行质量验证和评估,确保其满足后续分析的需求。可以采用统计方法计算数据的完整率、准确率、一致性等质量指标,并与预定义的质量阈值进行比较。例如,要求目标数据的完整率不低于99％,误差率不超过1％等。对于不符合质量要求的目标数据,需要进行修正或重新采集处理。通过数据采集与预处理,可以将原始的、异构的、不一致的测量数据转换为标准化的、高质量的多个目标数据构成的目标数据集。步骤S102，对目标数据进行时序分段，获取多个数据片段，提取每个数据片段的特征向量。具体地，对于预处理后的目标数据,本申请采用自适应时间窗口的方法进行时序分段。传统的固定时间窗口方法存在一定局限性,无法适应设备运行状态的动态变化特性。具体来说,本申请定义了一个信号的局部复杂度指标,用于衡量信号在局部时间范围内的非线性、非平稳程度。该指标综合考虑了信号的局部波动性、突变性和趋势性等多个方面。当信号的局部复杂度较高时,表明信号在局部时间范围内剧烈变化,本申请采用较小的时间窗口以捕捉信号的细节特征；当信号的局部复杂度较低时,表明信号在局部时间范围内相对平稳,本申请采用较大的时间窗口以捕捉信号的整体趋势特征。通过自适应调整时间窗口大小,本申请可以在不同的时间尺度上提取设备运行状态的多尺度特征,既不会遗漏关键的细节信息,也不会受到噪声和冗余信息的干扰。
对于每个自适应时间窗口内的数据片段,本申请提取了一组统计特征和形状特征。传统的特征提取方法通常只关注数据的统计特性,如均值、方差、峰峰值等,忽略了数据的形状特性。然而,设备运行状态的异常往往表现为波形的畸变和失真,如脉冲、尖峰、截顶、失真等。为了捕捉这些形状特征,本申请引入了一些新颖的形状因子,如峰值因子、脉冲因子、峭度因子和歪度因子等。峰值因子是数据片段内数据的最大绝对值与均方根之比,反映了数据的峰值水平。脉冲因子是数据片段内数据的最大绝对值与绝对平均值之比,反映了数据中尖峰脉冲的强度。峭度因子是数据片段内数据的四阶中心矩与方差的平方之比,反映了数据分布的尾部特性。歪度因子是数据片段内数据的三阶中心矩与标准差的立方之比,反映了数据分布的对称性。通过提取这些形状因子,本申请可以定量地刻画设备运行状态的波形特征,及早发现设备的异常征兆。
在一些实施例中，所述对每个所述数据片段进行分解，获取多个分量信号，包括：获取所述数据片段对应的频谱的能量分布信息、局部极值信息和跳变点信息；根据所述能量分布信息、局部极值信息和跳变点信息对所述数据片段对应的频谱进行自适应分段，获取多个频段；构建每个所述频段对应的小波基函数；基于经验小波变换的方法，根据每个所述小波基函数对所述频段进行分解，获取多个所述分量信号。
在信号分解方面,本申请采用了经验小波变换(Empirical Wavelet Transform,EWT)的方法,自适应地将设备运行状态信号分解为若干个紧支正交的频段。传统的小波变换方法需要预先设定小波基函数,如Daubechies小波、Morlet小波等,这些基函数的选择通常依赖于经验和试错,难以适应不同类型信号的特性。而EWT方法可以根据信号的频谱特性自适应地构造小波基函数,不仅可以提高信号分解的精度和效率,还可以避免人为因素的干扰。具体来说,EWT首先对信号的频谱进行自适应分段,将频谱划分为若干个紧支的频段。频谱分段的过程综合考虑了频谱的能量分布、局部极值、跳变点等特征,既保证了每个频段内频谱的连续性和平滑性,又尽可能地分离出不同尺度的振荡模式。然后,在每个频段内构造一个紧支正交的波函数,作为该频段的小波基函数。构造小波基函数的过程采用了Meyer小波的生成方法,保证了波函数的紧支性、正交性和光滑性。最后,用这些自适应构造的小波基函数对信号进行小波分解,得到若干个紧支正交的波段信号。每个波段信号表示了原始信号在不同频率尺度上的振荡模式,反映了设备运行状态的多尺度频域特征。
对于EWT分解得到的每个波段信号,本申请同样提取其统计特征和形状特征,如均值、均方根、峰值因子等,形成该波段的特征向量。由于EWT分解是一个递归的过程,每一级分解都会生成若干个子波段,因此,本申请采用一种树状的特征向量组织方式,称为EWT特征树。EWT特征树的根节点表示原始信号的特征向量,每个中间节点表示一个子波段的特征向量,叶节点表示最终的基础波段的特征向量。EWT特征树不仅包含了不同频率尺度的特征信息,而且保留了这些特征之间的层次关系和依赖关系。通过EWT特征树,本申请可以更加全面和系统地刻画设备运行状态的频域特征。
示例性的,本申请还在步骤S103之前将自适应时间窗口特征向量库和EWT特征树融合起来,构成了一个多尺度、多域、多层次的设备运行状态特征库。该特征库不仅包含了设备在不同时间尺度上的静态特征和动态特征,而且包含了设备在不同频率尺度上的振荡特征和瞬态特征。
步骤S103，对每个数据片段进行分解，获取多个分量信号，计算每个分量信号对应的复杂度指标，在多个复杂度指标中确定异常复杂度指标。
具体地，本申请采用分量不规则度作为复杂度指标,它综合了信号的幅值波动、频率变化和相位混乱等多个方面的不规则特性。分量不规则度的计算基于距离矩阵和递归置换熵的概念。进而能快速确定存在异常的复杂度指标。
在一些实施例中，所述计算每个所述分量信号对应的复杂度指标，包括：构建每个所述分量信号对应的距离矩阵；对所述距离矩阵进行递归置换，获取所述距离矩阵对应的多个置换矩阵；计算每个所述置换矩阵对应的置换熵；根据多个所述置换熵获取所述分量信号的所述复杂度指标。
首先,对于每个分量信号,本申请构建一个距离矩阵。距离矩阵的每个元素表示分量信号中两个时间点之间的距离。距离的度量可以采用欧几里得距离、曼哈顿距离或动态时间弯曲距离等。例如,对于分量信号x(t),其距离矩阵D的元素dij表示时间点ti和tj之间的距离:
接下来,本申请对距离矩阵进行递归置换,生成一系列置换矩阵。置换矩阵反映了分量信号在不同时间尺度上的自相似性和重复性。具体来说,本申请定义一个置换算子,它将距离矩阵的行和列同时重排,使得重排后的距离矩阵在对角线附近的元素尽可能接近原始距离矩阵。置换算子的目标是最小化重排后的距离矩阵与原始距离矩阵之间的差异度量,如均方误差或绝对误差之和。置换算子可以通过贪婪搜索、动态规划或匈牙利算法等优化方法来求解。
通过递归置换,本申请可以得到一系列置换矩阵P1,P2,……,PK,其中K表示递归的深度。每个置换矩阵对应一个时间尺度,反映了分量信号在该尺度上的自相似性。
然后,本申请对每个置换矩阵计算置换熵。置换熵衡量了置换矩阵中不同排列模式的出现频率和多样性。具体来说,本申请统计置换矩阵中每种排列模式的出现次数,并计算它们的频率分布。然后,本申请用香农熵来量化这个频率分布的不确定性和复杂度。置换熵Hk的计算公式为:
其中,n表示置换矩阵的阶数,pi表示第i种排列模式的出现频率,n！表示所有可能的排列模式的总数。置换熵越大,表明置换矩阵中排列模式的多样性越高,分量信号在对应时间尺度上的复杂度越高。
最后,本申请对所有置换矩阵的置换熵进行加权平均,得到分量信号的复杂度指标I:
其中,wk表示第k个置换矩阵的权重系数,反映了不同时间尺度的重要性。权重系数可以根据经验设置,也可以通过数据驱动的方法自适应学习。
复杂度指标I量化了分量信号的整体复杂程度。I值越大,表明分量信号的幅值波动、频率变化和相位混乱等不规则特性越显著,也就意味着设备运行状态越有可能出现异常或故障。
举个例子,假设本申请对智慧园区中的一台冷水机组的振动信号进行分解,得到了若干个波段分量信号。对于其中一个分量信号,本申请计算其距离矩阵、递归置换矩阵和置换熵,最终得到复杂度指标I＝0.85。这个指标值较高,表明该分量信号的波动性和混沌性较强,可能预示着冷水机组的某个部件(如压缩机或冷凝器风扇电机)出现了异常磨损或疲劳损伤。
通过分量信号复杂度计算,本申请可以定量评估设备运行状态的健康水平和退化程度,及早发现潜在的异常或故障征兆。
在一些实施例中，所述在多个所述复杂度指标中确定异常复杂度指标，包括：根据多个预设的异常检测算法构建基础检测器；根据网格搜索和交叉验证的方法优化所述基础检测器的参数；将每个所述复杂度指标输入至所述基础检测器，获取所述复杂度指标对应的异常评分；将所述异常评分大于预设的异常阈值的所述复杂度指标确定为所述异常复杂度指标。
首先,本申请需要构建一个异常检测算法的集成池,选择多个经典的异常检测算法作为基础检测器,如一类支持向量机(One-Class SVM)、孤立森林(Isolation Forest)、局部异常因子(Local Outlier Factor)等。这些算法能够从不同的角度刻画数据的异常特征,如密度、距离、边界等。本申请对每个基础检测器进行参数调优,使用网格搜索和交叉验证等技术,在训练数据上找到最优的超参数组合,以达到最佳的异常检测性能。
接下来,本申请使用训练好的基础检测器对复杂度指标进行异常评分。对于每个复杂度指标样本,本申请将其输入到所有的基础检测器中,得到一组异常评分。然后,本申请采用自适应权重分配策略,根据每个检测器在验证数据上的性能表现,动态地调整其权重系数。
具体地,本申请使用softmax函数将检测器的性能指标(如精确率、召回率、F1分数等)转化为权重。性能越好的检测器将获得越高的权重,而性能较差的检测器的权重将被削弱。通过这种自适应权重分配,本申请可以充分发挥每个检测器的优势,同时抑制其局限性,提高异常检测的鲁棒性和泛化能力。
softmax函数的数学表达式如下:
其中,wi表示第i个检测器的权重,pi表示第i个检测器的性能指标,如F1分数,T是一个温度参数,用于控制softmax函数的平滑程度,pj表示第j个检测器的性能指标，N是检测器的总数。
权重分配完成后,本申请使用加权平均的方式对基础检测器的异常评分进行融合,得到每个复杂度指标样本的最终异常评分。异常评分越高,表示该样本越有可能是异常的。加权平均的数学表达式如下:
其中,s表示样本的最终异常评分,wi表示第i个检测器的权重,si表示第i个检测器给出的异常评分。
为了判断样本是否异常,本申请需要设定一个异常阈值。与传统的固定阈值方法不同,本申请采用了一种自适应阈值调整策略。本申请首先对正常状态下的异常评分进行统计建模,拟合其概率密度函数。然后,根据预期的异常比例,本申请选择概率密度函数的右侧尾部作为异常区域,动态地调整阈值,使得异常区域的面积等于异常比例。
假设异常评分服从正态分布,其概率密度函数为:
其中,μ和σ分别是异常评分的均值和标准差。给定异常比例α,异常阈值t应满足:
通过数值求解上述方程,本申请可以得到自适应的异常阈值t。
一旦确定了异常阈值,本申请就可以对每个复杂度指标样本进行异常判断。如果样本的异常评分超过了异常阈值,本申请就将其标记为异常样本,并将对应的分量信号识别为异常分量信号。这些异常分量信号往往携带了设备异常运行状态的关键信息,是进行故障诊断和预测性维护的重要线索。
步骤S104，根据异常复杂度指标、异常复杂度指标对应的异常分量信号获取数据片段对应的故障信息，根据多个特征向量和每个特征向量对应的故障信息构建设备故障本体库。
在本步骤中，利用上述步骤中提取的设备运行状态的特征向量和识别出的异常复杂度指标、异常复杂度指标对应的异常分量信号,能确定异常的故障信息构建设备故障本体库。本体库中的故障信息包含设备故障类型、故障模式、故障征兆等知识,以及设备间的关联关系和约束条件。进而能在后续快速完成对实时数据的诊断。
首先,本申请参考了智慧园区设备运维的相关标准,如ASHRAE、IEC等,并咨询了有经验的园区工程师,通过异常分量信号和异常复杂度指标定义了本体库的核心概念和设备间关系。这些概念包括设备类型(如冷水机组、冷却塔、空调末端等)、部件名称(如压缩机、冷凝器、蒸发器等)、故障模式(如制冷剂泄漏、换热器结垢、风机失衡等)、故障征兆(如供水温度过高、振动加剧、能耗异常等)、严重程度(如轻度、中度、严重)等设备的故障信息。本申请采用本体描述语言OWL(Web Ontology Language)对这些故障信息的概念及其属性进行了形式化表示,明确了它们的语义关系和逻辑约束。例如,本申请定义了"冷水机组"是一个设备类型,它与"压缩机"、"冷凝器"、"蒸发器"等部件之间存在"hasPart"(包含)关系；而"压缩机磨损"是一种故障模式,它与"异常振动"、"噪音增大"等征兆之间存在"hasSymptom"(表现为)关系。
接下来,本申请利用上述步骤通过聚类算法得到的设备运行状态的特征向量,构建了描述不同健康状态的本体概念。对于每一个聚类簇,本申请将其定义为一个健康状态概念,如"正常运行"、"轻度异常"、"严重故障"等。每个状态概念包含了该聚类的中心特征向量、特征分布参数等统计信息,用于刻画该状态下设备特征的典型表现。这些健康状态概念与故障模式、故障征兆等诊断概念之间也存在一定的对应关系。例如,本申请可以定义一个概率映射矩阵P,其中元素Pij表示在状态i下观测到征兆j的条件概率。这个矩阵可以通过统计历史运维数据得到,也可以由专家根据经验给出。有了这个概率矩阵,本申请就可以在本体库中表示不同健康状态与故障征兆之间的关联强度,从而为基于症状的故障诊断提供概率依据。在利用上述步骤识别出的异常分量信号构建故障知识时,本申请重点关注异常特征组合与故障模式之间的对应关系。通过分析历史故障案例和专家诊断经验,本申请总结出了不同故障模式的典型异常特征模式,并用本体公理的形式表示出来。例如,对于冷水机组的典型故障"压缩机磨损",本申请可以定义以下公理:
CompressorWear equivalentTo(Fault and(hasSymptom someAbnormalVibration)and(hasSymptom some NoiseRise)and(hasSymptom somePowerConsumptionIncrease))。
该公理表示,"压缩机磨损"是一种故障,它必然表现出"异常振动"、"噪音增大"、"能耗上升"等征兆。这些基于异常特征的故障定义公理可以帮助本申请快速匹配和诊断出设备的潜在故障,缩小问题排查的范围。当然,在实际应用中,基于异常特征的故障诊断可能存在一定的不确定性。同一种故障可能表现出多种异常组合,而某种异常组合也可能对应多种可能的故障原因。为了提高诊断的精准性和可靠性,本申请在异常特征与故障模式的语义关联中引入了概率的表示。通过统计大量历史案例,本申请可以得到一个条件概率矩阵Q,其中元素Qij表示在观测到异常组合i的情况下,判断为故障模式j的概率。例如,本申请可能得到以下概率关系:
P(CompressorWear|AbnormalVibration,NoiseRise,PowerConsumptionIncrease)＝0.85。
P(CompressorLeakage|AbnormalVibration,NoiseRise,PowerConsumptionIncrease)＝0.10。
P(CompressorLooseConnection|AbnormalVibration,NoiseRise,PowerConsumptionIncrease)＝0.05。
这表示,当本申请观测到压缩机出现"异常振动"、"噪音增大"、"能耗上升"这三种异常征兆时,有85％的概率判断为"压缩机磨损",10％的概率判断为"压缩机泄漏",5％的概率判断为"压缩机松动"。这种概率化的语义关联可以帮助本申请量化故障诊断的不确定性,合理评估每种可能原因的可信度,从而做出最优决策。除了构建状态、征兆、故障等诊断知识外,设备故障本体库还需要表示园区设备间的关联结构知识。这些知识包括设备在物理空间上的拓扑连接,如"冷水管道连接冷水机组和空调末端"；设备在逻辑上的功能依赖,如"空调末端的制冷量取决于冷水机组的供水温度"；以及设备故障的传播影响,如"冷却泵的故障可能导致冷水机组的高压报警"等。本申请可以使用本体的对象属性机制来刻画这些结构化的关联语义,例如:
Chiller coolingWaterConnectedTo AirConditioningTerminal。
AirConditioning cooling Capacity dependsOn ChilledWatersupplyTemperature。
Chiller hasAlarm HighPressure influencedBy CoolingPump hasFault。
这些结构化的关联知识可以帮助本申请从局部到整体地分析设备的健康状态,推理故障的根源和影响,优化维修的范围和策略。例如,当本申请诊断出冷水机组的故障时,可以通过关联分析得知其可能会影响下游空调末端的制冷效果,于是本申请不仅要检修冷水机组,还要评估对园区室内环境的影响,必要时采取提前降负荷、调度备用机组等应对措施。
步骤S105，获取待测量设备的实时测量数据，在实时测量数据中提取语义特征，将语义特征和设备故障本体库进行语义匹配和推理，获取实时测量数据对应的初步诊断结果。
在本步骤中，通过实时采集带测量设备的实时测量数据,提取语义特征,并在步骤S104构建的设备故障本体库中进行语义匹配和推理。结合在上述步骤中识别出的异常分量信号和对应的诊断规则,识别待测量设备的故障模式,给出初步诊断结果。
在一些实施例中，所述在所述实时测量数据中提取语义特征，将所述语义特征和所述设备故障本体库进行语义匹配和推理，包括：根据预设的语义特征映射规则在所述实时测量数据中提取出所述语义特征；将所述语义特征与所述设备故障本体库中的所述故障信息进行匹配，获取症状层匹配结果；根据所述症状层匹配结果进行推理，获取所述待测量设备对应的故障模式，完成对所述语义特征和所述设备故障本体库的语义匹配和推理。
具体来说,本申请首先通过各种传感器和监控系统实时采集园区设备的运行参数,如温度、压力、流量、振动等。这些参数构成了描述设备实时状态的测量数据流。为了将这些数值型测量数据与本体库中的语义知识进行匹配,本申请需要对数据进行特征提取和语义表示。一种常用的方法是将数值特征转化为语义特征,即用一组定性的描述词来刻画数值的高低、变化趋势等。例如,本申请可以定义如下的语义特征映射规则:
温度T>85℃:(hasTemperature,High)；温度T<60℃:(hasTemperature,Low)。压力P>1.2MPa:(hasPressure,High)；压力P<0.8MPa:(hasPressure,Low)；振动幅值V>2mm/s:(hasVibration,Abnormal)；振动幅值V<0.5mm/s:(hasVibration,Normal)。
这里的High、Low、Abnormal、Normal都是预定义的语义特征词,它们与本体库中的故障征兆概念直接对应。通过这种映射,本申请可以将实时测量数据流转化为语义特征流,如:(Chiller1,hasTemperature,High)(Chiller1,hasPressure,Normal)(Chiller1,hasVibration,Abnormal)...。
接下来,本申请将提取出的语义特征与本体库中的设备故障知识进行匹配与推理。这一过程可以分为两个层次:症状层匹配和故障层推理。
在症状层匹配中,本申请先将语义特征与本体库中定义的故障征兆概念进行匹配。例如,上述语义特征(Chiller1,hasTemperature,High)可以匹配到本体概念"HighTemperature",而(Chiller1,hasVibration,Abnormal)可以匹配到本体概念"AbnormalVibration"。通过这种匹配,本申请可以得到一组设备当前表现出的异常症状,如:Chiller1 hasSymptom HighTemperature Chiller1 hasSymptom AbnormalVibration。这些症状层匹配结果可以用于初步判断设备的健康状态。如果一个设备的多个关键参数都出现异常,则很可能存在某种故障。但仅凭症状还不足以确诊故障类型,因为同一症状可能对应多种故障模式。
因此,本申请还需要在故障层进行语义推理。故障层推理的目的是根据已匹配到的异常症状,利用本体库中定义的故障规则,推断设备最可能发生的故障模式。以冷水机组为例,本申请在本体库中可能定义了如下的故障规则:
CompressorFailure equivalentTo(Fault and(hasSymptom someHighTemperature)and(hasSymptom some AbnormalVibration)and(hasSymptom somePressureIncrease))。
RefrigerantLeakage equivalentTo(Fault and(hasSymptom somePressureDecrease)and(hasSymptom some SubcoolingReduction))。
这里,CompressorFailure表示压缩机故障,RefrigerantLeakage表示制冷剂泄漏故障。它们都被定义为一种Fault(故障),且都以一组必要的异常症状为充分条件。
当本申请在症状层匹配到了HighTemperature和AbnormalVibration这两个异常征兆时,就可以触发CompressorFailure这条故障规则。通过语义推理,本申请可以得出如下诊断结论:Chiller1 hasFault CompressorFailure。这表明冷水机组1号most probable发生了压缩机故障。但如果本申请进一步在症状层匹配到了PressureDecrease(压力下降)和SubcoolingReduction(过冷度降低)等征兆,则RefrigerantLeakage这条规则也会被触发。这时就存在故障诊断的冲突和不确定性。
为了消解这种不确定性,本申请可以利用前面上述步骤中识别出的异常分量信号,对故障模式进行区分和确认。在上述步骤中，本申请通过自适应小波分析等方法,从设备的海量运行数据中自动提取出了最能反映故障特征的异常分量。这些异常分量与具体的故障类型有着更加特异的对应关系。
例如,本申请发现压缩机故障时的振动信号在某些频段上会出现明显的异常放大,而制冷剂泄漏时的压力曲线则呈现出某些典型的下降模式。这些异常分量信号可以作为确认故障类型的强有力证据。
因此,在语义推理得到可能的故障候选之后,本申请需要进一步检查与这些故障相关的异常分量信号是否在实时数据中出现。如果压缩机故障相关的异常频率分量被检测到,而制冷剂泄漏相关的异常压力模式没有出现,那么就可以确认最终的故障诊断结果是CompressorFailure,而非RefrigerantLeakage。
这种融合语义推理和数据异常分析的诊断方法,建立在设备故障本体库和异常特征库这两个强大的知识源基础之上,具有更高的准确性和可解释性。一方面,本体库中的语义规则直接刻画了故障与征兆的因果逻辑,诊断结果有明确的物理和机理解释；另一方面,异常分量信号作为数据层面的故障"指纹",能够有效消除语义规则匹配时的歧义和不确定性。两者的结合,使得智能诊断系统能够像人类专家那样,综合语义知识(SemanticKnowledge)和数据特征(Data Characteristics),得出最可信、最准确的诊断结论。
步骤S106，将初步诊断结果中的多个子诊断结果进行融合分析，获取最终诊断结论，根据最终诊断结论和异常分量信号，生成测量策略，以确定对待测量设备的测量方法。
在本步骤中，在上述的语义匹配与故障诊断中,本申请利用设备故障本体库中的语义规则,结合实时采集的设备测量数据,初步判定出设备可能发生的故障模式。例如,对于某台冷水机组,本申请可能诊断出它同时满足压缩机故障(CompressorFailure)和制冷剂泄漏(RefrigerantLeakage)两种故障模式的语义条件。这种情况下,仅凭语义规则难以进一步判断故障的真实原因。再根据确认的最终诊断结论和识别出的异常分量信号,自适应地生成测量策略。针对不同的故障类型和异常分量,动态调整测量的采样频率、测点位置和测量范围,实现测量资源的动态分配。
为了提高诊断的准确性和可信度,本申请需要对初步诊断结果进行融合与确认。所谓结果融合,就是综合利用语义匹配结果、异常分量信号以及设备历史运行数据等多源的子诊断结果,对诊断假设进行验证和裁决,得出最终的故障诊断结论。这一过程可以看作是对初步诊断结果进行后处理和优化。
在一些实施例中，所述子诊断结果包括多个语义匹配结果、所述语义匹配结果对应的所述异常分量信号和所述语义匹配结果对应的所述原始测量数据；所述将所述初步诊断结果中的多个子诊断结果进行融合分析，获取最终诊断结论，包括：计算所述语义匹配结果对应的异常分量信号和所述实时测量数据的匹配度；根据所述匹配度对多个所述语义匹配结果进行筛选，获取筛选后的所述匹配结果与所述原始测量数据的相似度；在多个所述相似度中确定目标相似度，所述目标相似度对应的所述语义匹配结果为所述最终诊断结论。
首先,本申请要充分利用上述步骤中识别出的异常分量信号,对不同的故障假设进行区分。本申请使用自适应小波分析等信号处理技术,从设备的海量运行数据中自动提取出了最能反映故障特征的异常分量信号。这些分量与具体的故障类型往往有更加特异的对应关系。
例如,压缩机故障通常会在振动信号的某些特定频段上表现出明显的异常放大,而制冷剂泄漏则可能导致压力曲线出现某些典型的下降模式。这些异常分量信号可以作为鉴别故障类型的有力证据。
因此,在得到初步的语义诊断结果后,本申请要进一步检查与这些故障hypotheses相关的异常分量信号在实时数据中是否出现。本申请可以定义一个异常分量匹配度量函数M(Fi，D),表示故障Fi的异常分量信号在当前数据D中的匹配程度。该函数可以基于信号的相关性、距离度量或统计检验等方法构建。例如,本申请可以用异常分量的能量占比来刻画匹配程度:
其中Si表示故障Fi的异常分量信号集合,Ek表示第k个异常分量的能量,N为数据总分量数。这个指标刻画了故障相关异常分量的能量在整个数据中所占的比例,匹配度越高,说明当前数据越可能包含该故障的特征。
利用异常分量匹配信息,本申请可以对语义诊断结果进行初步的筛选。例如,如果压缩机故障的异常分量匹配度显著高于制冷剂泄漏,那么本申请可以推断压缩机故障是更可能的原因。但如果两种故障的异常分量都没有明显表现,那么可能需要考虑其他的故障可能或重新采集数据。
除了异常分量信息,本申请还要结合设备的历史运行数据,对诊断结果进行进一步的确认。设备的历史数据蕴含了丰富的故障发生、发展和修复的案例知识,对判断当前故障的性质和严重程度具有重要的参考价值。
例如,如果某台冷水机组在过去一年中曾多次发生压缩机故障,且故障前的症状与当前表现一致,那么就可以提高压缩机故障诊断的置信度。反之,如果该机组有频繁制冷剂泄漏的历史,而压缩机一直运行稳定,那么制冷剂泄漏的可能性可能更大。
本申请可以使用基于案例的推理(Case-based Reasoning)技术,度量当前故障症状与历史故障案例的相似性,找出最相似的案例,并以其诊断结果作为当前故障的参考。案例相似度可以考虑症状特征、测量参数、环境条件以及设备型号等多方面因素,用加权距离函数或学习排序模型等方法建模。
此外,历史运行数据还可以用于构建设备退化趋势模型,评估当前故障的演化阶段和风险等级。例如,通过跟踪设备关键参数的长期变化趋势,本申请可以判断当前故障是处于早期阶段还是已经接近失效临界点,从而确定诊断结果的紧迫性和应对措施的优先级。
综合考虑语义规则匹配、异常分量检测和历史数据分析的结果,本申请可以对初步诊断结果进行融合与确认。一种常用的融合策略是加权投票法,即按照不同信息源的可信度为其诊断结果赋予不同的权重,然后进行加权求和,得到最终的综合诊断结论。
设语义诊断、异常分量诊断和历史数据诊断得到的故障概率分布分别为Ps(Fi),Pa(Fi),Ph(Fi),且它们的权重分别为ws,wa,wh,则最终的融合诊断概率P(Fi)可以表示为:
P(Fi)＝wsPs(Fi)+waPa(Fi)+whPh(Fi)。
本申请可以选取概率最大的故障模式作为最终诊断结论,并将其概率值作为诊断的置信度:
其中F*为最终诊断的故障模式,C为诊断置信度。
在一些实施例中，所述测量策略包括采样频率、测点位置和测量范围；所述根据所述最终诊断结论和所述异常分量信号，生成测量策略，包括：根据所述最终诊断结论确定所述测点位置和测量范围；根据所述异常分量信号的频率范围，确定所述采样频率。
具体而言,自适应测量策略生成的核心思想是:针对不同类型的故障和异常特征,采用不同的测量方法,以最小的测量代价获取最有价值的故障信息。这里的测量方法主要包括三个方面:采样频率、测点位置和测量范围。
采样频率是指每单位时间内采集测量数据的次数。一般来说,采样频率越高,获得的数据就越精细和完整,但同时也意味着更大的数据传输和存储开销。因此,选择合适的采样频率需要权衡数据质量和资源消耗。本申请知道,不同故障类型在时域和频域上的表现特点是不同的。例如,某些故障可能发展缓慢,表现为长期的趋势变化,如设备磨损、老化等；而另一些故障可能发生急剧,表现为瞬时的脉冲信号,如部件断裂、短路等。针对趋势性缓变故障,本申请可以采用相对较低的采样频率,如每分钟或每小时采样一次,既能捕捉到故障的总体特征,又能减少数据量。而对于瞬变型剧变故障,本申请需要使用较高的采样频率,如每秒或每毫秒采样多次,以免错过关键的故障瞬间。
此外,根据识别出的异常分量信号,本申请还可以进一步优化采样频率。回顾上述步骤,本申请使用小波分析等信号处理技术,从设备的海量运行数据中自动提取出了最能反映故障特征的异常分量。这些分量对应着故障在不同频段上的能量分布。例如,本申请发现某台风机电机的故障主要体现在125Hz和300Hz两个频段上。根据奈奎斯特采样定理,为了能够准确重构这两个频段的信号,本申请的采样频率就需要大于其二倍,即大于600Hz。这样,本申请就可以根据异常分量信号的频率分布,自适应地确定最优采样频率,既不会漏掉关键的故障信息,也不会过度采样导致资源浪费。
测点位置是指传感器和仪表的安装部位。不同的测点布置方案,对故障监测的覆盖范围和灵敏度有很大影响。传统的测点布置往往依据经验或规范,难以适应设备结构和故障模式的变化。而自适应测量策略生成方法则根据诊断出的具体故障类型和部位,动态优化测点的选择和布局。例如,如果诊断结果表明某台泵可能存在轴承故障,则本申请就需要在轴承附近增加振动和温度传感器,重点监测轴承的异常状态。而如果怀疑是泵叶片存在问题,则应该在叶轮进出口布置压力和流量传感器,密切关注叶片的工况变化。
同时,借助提取的异常分量信号,本申请还可以实现测点位置的进一步优化。异常分量信号不仅反映了故障的频率特性,也包含了其在空间上的分布信息。例如,通过对振动信号的模态分析,本申请发现某台压缩机的异常振动主要集中在二号缸体的前端。这表明该位置可能存在故障隐患,需要重点监测。因此,本申请可以根据异常分量信号的空间分布图,自动识别出故障的高风险区域,并相应地增加这些区域的测点密度,以提高监测的精度和可靠性。
测量范围是指传感器和仪表的量程范围。合理的测量范围既要充分覆盖设备的正常工作区间,又要预留足够的裕度应对可能的异常波动。但如果测量范围设置过大,则会降低测量的灵敏度和分辨率；如果测量范围过小,则可能无法捕捉到故障引起的极端值。因此,自适应测量策略生成方法根据诊断出的故障严重程度和异常幅值,动态调整测量范围,既避免了测量盲区,又提高了测量精度。
例如,如果诊断结果表明某台设备只存在轻微的初始故障,其异常参数值仍在正常范围附近,则本申请可以适当缩小测量范围,将更多的分辨率集中在正常值附近,以便及早发现故障的微小变化。反之,如果诊断发现设备已处于严重故障状态,其许多参数值都大大超出正常范围,则需要相应地扩大测量范围,以免出现测量饱和或截断的现象。这里的调整幅度可以参考上述步骤提取的异常分量信号的数值分布。例如,对于振动幅值异常分量,本申请可以将其最大值的1.5倍作为新的测量上限,将最小值的0.5倍作为新的测量下限,形成自适应的测量范围。
下面本申请通过一个具体的案例来说明自适应测量策略生成的过程。
假设上述步骤中，本申请确认某台离心式冷水机组存在压缩机轴承早期故障,其置信度为80％。同时,在上述步骤中,本申请识别出该故障的异常分量信号主要集中在1kHz-5kHz的高频振动信号中,振动幅值异常峰值为5g。
根据以上诊断结果,本申请生成如下的自适应测量方法:
1.采样频率:根据异常分量信号的频率范围,将压缩机轴承位置的振动传感器采样频率提高到10kHz,以确保能够完整捕捉到1kHz-5kHz的故障信号。而对于其他测点,维持原有的1kHz采样频率不变,以节省数据资源。
2.测点位置:在压缩机轴承的驱动端和非驱动端各增加一个振动传感器,形成"三点一线"的测点布局,以全面监测轴承的振动状态。同时,在轴承附近增加一个温度传感器,监测轴承的异常发热情况。其他测点位置保持不变。
3.测量范围:将压缩机轴承振动传感器的测量范围由原来的±10g调整为±7.5g,以提高对轴承早期微小异常振动的分辨能力。相应地,将轴承温度传感器的测量范围由原来的0-100℃调整为30-70℃,以更精细地监测轴承的温升过程。其他传感器的测量范围维持不变。
通过上述自适应测量策略的调整,本申请可以更有针对性、更高效率地捕捉和监测压缩机轴承的早期故障征兆,为后续的趋势预测和维护决策提供高质量的数据支持。
在一些实施例中，在所述根据所述最终诊断结论和所述异常分量信号，生成测量策略，以确定对所述待测量设备的测量方法之后，还包括：根据所述测量策略和所述最终诊断结论，确定所述待测量设备对应的故障预警阈值；当所述实时测量数据对应的测量参数大于所述故障预警阈值时，生成预警信号，完成对所述待测量设备的预警和实时监控。
故障预警阈值是指当测量参数达到或超过某个临界值时,就触发故障预警信号的参数界限。合理的预警阈值需要在故障检出率和误报率之间达成平衡,既要尽可能早地发现故障征兆,又要避免过多的无效报警。传统的固定阈值法往往根据经验或标准来设定一个静态的临界值,如振动速度超过10mm/s、温度高于80℃等。但是,这种"一刀切"的做法忽略了设备运行工况、健康状态、环境条件等因素的影响,导致预警效果不佳。例如,10mm/s的振动速度阈值可能对于低速设备来说过于宽松,而对于高速设备来说又过于严格。因此,本申请需要根据设备的实际运行特性和故障模式,自适应地确定和调整预警阈值。
具体而言,自适应故障预警阈值确定方法主要包括三个步骤:基于历史数据的阈值初始化、基于在线数据的阈值自适应优化以及基于专家经验的阈值约束调整。
首先,本申请利用历史运行和故障数据,对预警阈值进行初始化设置。这里的历史数据主要包括两部分:正常运行数据和故障案例数据。本申请对每个测量参数的历史正常值进行统计分析,得到其均值μ和标准差σ。根据3σ原则,本申请可以将μ±3σ作为该参数的初始正常范围,超出这个范围的值则视为异常或故障。例如,如果温度传感器的历史数据均值为60℃,标准差为5℃,则其初始正常范围就是[45℃,75℃],高于75℃或低于45℃的温度值都将触发预警。
但是,仅凭正常数据得到的阈值往往比较保守,可能会漏掉一些早期或隐性的故障征兆。因此,本申请还需要分析历史故障案例数据,找出每种故障模式下测量参数的异常变化模式和临界值。例如,通过统计分析,本申请发现某型号电机的轴承磨损故障通常在其振动速度达到6mm/s左右时开始显现,并在振动速度超过8mm/s时急剧恶化。据此,本申请可以将6mm/s作为该电机轴承故障的预警阈值,8mm/s作为严重警告阈值。
将正常数据和故障数据分析得到的阈值进行对比和综合,本申请就可以得到一组初始的故障预警阈值。这些阈值覆盖了主要的测量参数和故障模式,反映了设备在不同健康状态下的运行边界。
示例性的,由于历史数据的局限性和设备状态的不断变化,初始阈值并不一定能够很好地适应当前的运行工况。因此,本申请还需要在线实时地对阈值进行自适应优化。这就要用到上述步骤中生成的自适应测量策略。
本申请根据设备的实时故障诊断结果和异常特征,动态调整测量的采样频率、测点位置和测量范围,生成了一套自适应的测量参数。这些参数实时反映了设备的健康状态和退化趋势。本申请可以将这些自适应参数作为阈值优化的依据和输入。
例如,如果诊断结果表明设备出现了轻微的初始故障,监测参数开始呈现异常趋势,但尚未达到初始预警阈值,则本申请可以适当降低相应参数的预警阈值,以实现更早的故障预警。当监测参数持续恶化并超过初始预警阈值后,本申请还可以进一步提高预警等级,直至触发警报阈值。
再如,如果测量策略将轴承的振动采样频率从1kHz提高到10kHz,说明轴承的高频振动特征可能包含重要的故障信息。这时,本申请不仅要关注振动速度的变化,还要重点分析高频段的振动加速度和峰值因子等指标,并相应地设置和优化其预警阈值。
为了量化地描述测量参数与预警阈值之间的关系,本申请可以建立一个自适应阈值优化模型。该模型以当前测量参数值xt和历史预警阈值yt-1为输入,输出优化后的新预警阈值yt。其一般形式可表示为:yt＝f(xt，yt-1，θ)。
其中,f为阈值优化函数,θ为优化函数的超参数,可通过机器学习等方法从历史数据中训练得到。常见的阈值优化函数包括加权移动平均法、指数平滑法、自适应控制限法等。例如,指数平滑法可将当前参数值与历史阈值进行加权平均,权重由平滑因子α决定:
yt＝αxt+(1-α)yt-1。
通过调节平滑因子,本申请可以控制阈值对当前参数变化的敏感度。α越大,阈值随当前参数变化越快；α越小,阈值越稳定。平滑因子的取值可以根据故障的发展速度、测量噪声水平等因素自适应地进行调整。
除了数据驱动的阈值优化方法外,本申请还需要充分利用专家经验对阈值进行约束和微调。资深工程师和维修人员积累了大量的设备故障诊断和预防保养经验,掌握了很多关键测量参数的异常模式和临界值。本申请可以通过知识获取、规则提取等方法,将这些经验转化为阈值约束条件,用于指导和校验模型的优化结果。
例如,专家经验可能指出,对于某型号的泵,其压力脉动峰峰值一旦超过额定压力的20％,就很有可能发生气蚀,导致叶轮和轴封损坏。据此,本申请就可以设置一条约束规则:泵的压力脉动预警阈值不得高于额定压力的20％。如果模型优化得到的阈值违背了这一规则,本申请就需要进行人工干预和修正。
此外,专家还可以根据设备的安全裕度、故障后果、检修难度等因素,对不同测量参数的预警阈值进行主观调整。比如,对于那些一旦发生故障就可能导致严重事故或难以维修的关键部件,专家可能会建议采用更为严格和保守的预警阈值,以尽早发现隐患,提高安全系数。而对于那些故障后果轻微或易于更换的一般部件,专家可能会适当放宽预警阈值,以减少误报概率,节约维护成本。
综合以上步骤,本申请最终可以得到一套动态优化的故障预警阈值体系。该阈值体系以历史数据分析为基础,以在线测量参数为优化依据,以专家经验为约束条件,能够自适应地跟踪设备健康状态的变化,实现早期、准确、全面的故障预警。
下面本申请用一个具体案例来说明该方法的应用效果。
某化工园区的一台离心压缩机通过所提供的自适应测量策略生成,识别出其故障主要与叶轮和轴承振动泄漏有关。在初始预警阈值设置时,本申请根据历史数据分析,得到叶轮振动速度的正常范围为0-5mm/s,轴承振动速度正常范围为0-3mm/s。同时,故障案例数据显示,当叶轮振动速度超过10mm/s时,往往已发生叶片断裂；当轴承振动速度超过6mm/s时,多数已出现严重磨损。因此,本申请分别取10mm/s和6mm/s作为叶轮和轴承振动速度的初始警报阈值。
在实际运行监测中,自适应测量模块发现压缩机的叶轮和轴承振动速度均有上升趋势,分别从3mm/s和2mm/s增长到7mm/s和4mm/s。尽管尚未达到初始警报阈值,但增速已明显偏离正常范围。据此,阈值优化模型将叶轮振动速度的预警阈值从10mm/s下调至9mm/s,将轴承振动速度的预警阈值从6mm/s下调至5mm/s。同时,模型还根据经验规则对阈值进行约束,要求叶轮振动速度阈值不得低于8mm/s,轴承振动速度阈值不得低于4mm/s,以免引起过多误报。
在接下来的一周内,压缩机叶轮振动速度进一步恶化到8.5mm/s,触发了预警信号。值班人员及时对压缩机进行停机检查,发现一片叶片出现裂纹,有脱落风险。通过更换叶片和动平衡校正,压缩机振动速度重新恢复到正常水平,避免了叶片断裂等严重事故的发生。与此同时,轴承振动速度虽有升高,但还维持在5mm/s以下,没有触发预警。巡检发现轴承润滑良好,磨损轻微,暂不需要更换。这表明阈值优化模型能够较好地权衡故障检测率和误报率,既要能及时发现关键故障,又要避免过度报警,合理分配维护资源。
示例性的，在所述生成预警信号，完成对所述待测量设备的预警和实时监控之后，还包括：根据所述故障预警阈值、所述测量策略和所述最终诊断结论，确定所述待测量设备的设备维护策略；其中，所述维护策略包括维护周期、维护方式和维护资源配置；获取所述待测量设备的健康信息、故障风险信息和预警等级信息；根据所述健康信息、故障风险信息和预警等级信息优化所述维护周期、维护方式和维护资源配置。
具体而言,设备维护策略优化的核心是建立一个多目标优化模型。该模型以设备的健康状态、故障风险和维护成本为主要决策变量,以设备的可靠性、可用性和生命周期成本为关键优化目标。同时,该模型将故障诊断结果、测量策略参数和预警阈值作为重要的约束条件,确保优化后的维护策略满足设备监测诊断的性能要求。通过求解这个多目标优化问题,本申请可以得到设备维护的最佳时间计划、最优维护方式组合以及最合理的维护资源配置,实现设备生命周期价值的最大化。
该优化模型旨在最大化设备在健康状态s、故障率λ和维护成本c下的可靠性R(s,λ,c)和可用性A(s,λ,c),同时最小化其生命周期成本C(s,λ,c)。模型的约束条件包括:设备的健康状态s必须属于预定义的健康状态集合H1,H2,...,Hn；设备的故障率λ不得超过故障率阈值λT；设备的维护成本c必须在可接受的成本区间[cL，cU]内；故障诊断的准确率fD(s)要大于最低准确率要求αD；故障预警的准确率fP(s，λ)要小于最高误报率容限βP。
为了求解这个多目标优化模型,本申请首先需要根据上述步骤的故障诊断结果,准确估计设备当前所处的健康状态。故障诊断结果的准确性直接影响到健康状态估计的可靠性。然后,本申请要利用上述步骤的自适应测量策略,获取设备在不同健康状态下的实时监测数据。通过对监测数据进行统计建模和机器学习分析,本申请可以建立起健康状态与设备故障率、关键测量参数之间的定量关系模型。例如,本申请可以使用Cox比例风险模型来描述设备的健康状态与其故障率函数之间的依赖关系:
λ(t|s)＝λ0(t)exp(β1x1+β2x2+…+βmxm)。
其中,λ(t|s)表示给定健康状态s下的故障率函数,λ0(t)为基础故障率函数,x1,x2,…,xm为影响故障率的协变量,如温度、压力、振动等测量参数,β1,β2,…,βm为相应的回归系数。通过对历史运行数据和故障数据进行参数估计,本申请可以得到故障率函数的具体形式。
接下来,本申请要充分利用上述步骤的故障预警阈值,对设备的当前健康状态和故障风险进行评估。如果监测参数超过了预警阈值,就意味着设备已经出现显著的异常征兆,极有可能在短期内发生功能性故障,需要尽快安排维护或更换。相反,如果监测参数远低于预警阈值,就表明设备运行状态良好,可以适当延长维护周期,减少不必要的停机检修。本申请可以定义一个综合考虑健康状态和故障率的风险评估函数R(s，λ),定量评判设备当前的风险等级:
R(s，λ)＝f(s)·g(λ)。
其中,f(s)和g(λ)分别为关于健康状态和故障率的单调递增函数。风险评估函数的值越大,表示设备的健康状态越差,故障率越高,维护的紧迫性就越强。
在获得健康状态估计、故障率预测和风险评估的结果后,本申请就可以开始构建维护策略优化模型了。本申请将维护决策问题转化为一个多目标优化问题。优化的决策变量主要包括两大类:一是维护的时间计划,即何时进行预防性维护和设备更新；二是维护的方式和强度,即采取何种类型的维护活动,以及投入多少维护资源。本申请可以将这些决策变量组合成一个维护策略向量m:
m＝(t1，t2，…，tk，d1，d2，…，dk，r1，r2，…，rk)。
其中,ti表示第i次维护的时间,di表示第i次维护的方式,ri表示第i次维护的资源配置,i∈[1，k]，k为总的维护次数。
本申请的目标是在设备整个生命周期内,找到一种最优的维护时间计划和维护方式组合,使得设备的可靠性、可用性最大化,而维护总成本最小化。本申请可以建立相应的目标函数来量化这些优化目标。例如,可靠性函数R(t|m)可以基于故障率函数λ(t|s)和维护策略m求得:
其中,sm(x)表示在维护策略m下,设备在时间x的健康状态。类似地,本申请可以建立可用性函数A(t|m)和成本函数C(t|m)的计算模型。
最后,本申请利用多目标优化的智能算法,设计了一种基于改进粒子群优化(Particle Swarm Optimization,PSO)算法的求解方法，求解上述维护策略优化模型,得到最优的设备维护计划和资源配置方案。
首先,本申请将维护决策问题转化为一个离散组合优化问题。本申请为每台设备的每个可能的维护时间点分配一个二元决策变量,变量取值为0表示不进行维护,取值为1表示进行维护。这样,所有设备的维护决策变量共同构成了一个高维离散解空间,每个解向量都代表一种可能的维护时间计划。
然后,本申请将PSO算法应用于该离散解空间的搜索优化。在经典PSO算法的基础上,本申请进行了以下关键改进:
1.粒子编码:每个粒子被编码为一个二元矩阵,矩阵的行表示设备,列表示时间窗口。矩阵元素取值为0或1,分别表示该时间窗口内是否对相应设备进行维护。
2.粒子初始化:初始种群中,既包括随机生成的粒子,又混合了一些根据设备重要性、故障风险、维护周期等领域知识生成的启发式粒子,以提高初始解的质量和多样性。
3.粒子评价:对每个粒子所代表的维护计划,通过设备退化模型、维护效果模型等仿真工具,预测该计划下的设备可靠性、维护成本等多目标值,然后归一化加权求和,得到粒子的综合适应度值。
4.粒子更新:引入自适应惯性权重和学习因子,使算法在不同阶段呈现出不同的全局探索和局部开发能力。同时,通过智能约束处理机制,对违反资源约束和任务协调约束的粒子进行合理修复。
5.领域搜索:定期将根据设备故障诊断结果和维修经验生成的优质维护模式导入种群,并与普通粒子进行交叉操作,加速种群的进化和收敛。
通过迭代执行以上步骤,粒子群不断更新,最终收敛到问题的帕累托最优解集。本申请从该解集中选取综合适应度值最高的解作为最终的设备维护策略,并根据该策略对应的维护计划和资源分配方案,生成可操作的维护作业指导书和备件采购计划。
下面本申请以智慧园区的离心式冷水机组为例,来说明设备维护策略优化的应用流程。
假设园区中有一组离心式冷水机组,负责为园区的空调系统和工艺设备提供冷冻水。本申请在每台冷水机组上安装了先进的在线监测系统,对机组的振动、温度、压力、电流等关键参数进行实时采集和分析。通过上述步骤的故障诊断模型,本申请发现1号冷水机组的电机轴承处于轻度磨损状态,健康指数为0.8,估计的故障率为0.2次/年。上述步骤的自适应测量策略显示,该冷水机组轴承的振动水平有所上升,但尚未超过预警阈值。经过风险评估,本申请判定1号冷水机组当前的综合风险水平为0.35,属于中低风险等级。
针对1号冷水机组的诊断结果和风险评估,本申请初步制定了如下维护策略:在未来1年内,每3个月对机组进行一次例行保养,包括机油更换、过滤器清洗、安全保护装置校验等；每半年进行一次专项检测,重点关注轴承振动状态；暂不安排轴承大修或更换。然后,本申请将该维护策略输入到多目标优化模型中,以机组寿命周期成本最小、可靠性最高为优化目标,以故障诊断准确率大于95％等为约束条件,利用遗传算法进行求解。
经过多轮迭代优化,本申请得到了1号冷水机组最优的年度维护策略:在未来1年内,在第2、5、8、11个月对机组进行例行保养,每次投入16个工时；在第6个月进行一次专项检测,投入24个工时；在第10个月对轴承进行一次小修,更换润滑脂,投入32个工时。在该最优策略下,1号冷水机组的年度可靠性可达到98％以上,20年生命周期内的维护总成本可降低15％左右。与原有的固定周期保养策略相比,该自适应维护策略在确保机组高可靠运行的同时,最大限度地降低了维护成本和资源消耗。
为了执行上述方法实施例对应的面向智慧园区的设备测量方法，以实现相应的功能和技术效果。参见图2，图2示出了本申请实施例提供的一种面向智慧园区的设备测量装置200的结构框图。为了便于说明，仅示出了与本实施例相关的部分，本申请实施例提供的面向智慧园区的设备测量装置200，包括：
数据获取模块201，用于获取智慧园区中的预设的设备的多个原始测量数据，对所述原始测量数据进行数据清洗和格式转化，获取标准化的目标数据。
时序分段模块202，用于对所述目标数据进行时序分段，获取多个数据片段，提取每个所述数据片段的特征向量。
复杂计算模块203，用于对每个所述数据片段进行分解，获取多个分量信号，计算每个所述分量信号对应的复杂度指标，在多个所述复杂度指标中确定异常复杂度指标。
故障构建模块204，用于根据所述异常复杂度指标、所述异常复杂度指标对应的异常分量信号获取所述数据片段对应的故障信息，根据多个所述特征向量和每个所述特征向量对应的故障信息构建设备故障本体库。
初步诊断模块205，用于获取待测量设备的实时测量数据，在所述实时测量数据中提取语义特征，将所述语义特征和所述设备故障本体库进行语义匹配和推理，获取所述实时测量数据对应的初步诊断结果。
最终诊断模块206，用于将所述初步诊断结果中的多个子诊断结果进行融合分析，获取最终诊断结论，根据所述最终诊断结论和所述异常分量信号，生成测量策略，以确定对所述待测量设备的测量方法。
上述的面向智慧园区的设备测量装置200可实施上述方法实施例的面向智慧园区的设备测量方法。上述方法实施例中的可选项也适用于本实施例，这里不再详述。本申请实施例的其余内容可参照上述方法实施例的内容，在本实施例中，不再进行赘述。
图3为本申请一实施例提供的计算机设备的结构示意图。如图3所示，该实施例的计算机设备3包括：至少一个处理器30(图3中仅示出一个)、存储器31以及存储在所述存储器31中并可在所述至少一个处理器30上运行的计算机程序32，所述处理器30执行所述计算机程序32时实现上述任意方法实施例中的步骤。
所述计算机设备3可以是智能手机、平板电脑、桌上型计算机和云端服务器等计算设备。该计算机设备可包括但不仅限于处理器30、存储器31。本领域技术人员可以理解，图3仅仅是计算机设备3的举例，并不构成对计算机设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，该处理器30还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31在一些实施例中可以是所述计算机设备3的内部存储单元，例如计算机设备3的硬盘或内存。所述存储器31在另一些实施例中也可以是所述计算机设备3的外部存储设备，例如所述计算机设备3上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器31还可以既包括所述计算机设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
另外，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任意方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现上述各个方法实施例中的步骤。
在本申请所提供的几个实施例中，可以理解的是，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，所述模块、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。也应当注意的是，在有些作为替换的实现方式中，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，两个连续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。
所述功能如果以软件功能模块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，本申请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执行本申请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。
以上所述的具体实施例，对本申请的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本申请的具体实施例而已，并不用于限定本申请的保护范围。特别指出，对于本领域技术人员来说，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (9)

1.一种面向智慧园区的设备测量方法，其特征在于，所述方法包括：获取智慧园区中的预设的设备的多个原始测量数据，对所述原始测量数据进行数据清洗和格式转化，获取标准化的目标数据；
对所述目标数据进行时序分段，获取多个数据片段，提取每个所述数据片段的特征向量；
对每个所述数据片段进行分解，获取多个分量信号，计算每个所述分量信号对应的复杂度指标，在多个所述复杂度指标中确定异常复杂度指标；所述在多个所述复杂度指标中确定异常复杂度指标，包括：根据多个预设的异常检测算法构建基础检测器；根据网格搜索和交叉验证的方法优化所述基础检测器的参数；将每个所述复杂度指标输入至所述基础检测器，获取所述复杂度指标对应的异常评分；将所述异常评分大于预设的异常阈值的所述复杂度指标确定为所述异常复杂度指标；其中，所述异常评分的概率密度函数为:概率密度函数为f(s)，μ和σ分别是异常评分的均值和标准差，α为给定的异常比例,异常阈值t应满足:通过选择所述概率密度函数的右侧尾部作为异常区域,动态地调整异常阈值,使得异常区域的面积等于所述异常比例，以实现对所述异常阈值的自适应阈值调整策略；
根据所述异常复杂度指标、所述异常复杂度指标对应的异常分量信号获取所述数据片段对应的故障信息，根据多个所述特征向量和每个所述特征向量对应的故障信息构建设备故障本体库；
获取待测量设备的实时测量数据，在所述实时测量数据中提取语义特征，将所述语义特征和所述设备故障本体库进行语义匹配和推理，获取所述实时测量数据对应的初步诊断结果；
将所述初步诊断结果中的多个子诊断结果进行融合分析，获取最终诊断结论，根据所述最终诊断结论和所述异常分量信号，生成测量策略，以确定对所述待测量设备的测量方法。
2.根据权利要求1所述的方法，其特征在于，所述对每个所述数据片段进行分解，获取多个分量信号，包括：
获取所述数据片段对应的频谱的能量分布信息、局部极值信息和跳变点信息；
根据所述能量分布信息、局部极值信息和跳变点信息对所述数据片段对应的频谱进行自适应分段，获取多个频段；
构建每个所述频段对应的小波基函数；
基于经验小波变换的方法，根据每个所述小波基函数对所述频段进行分解，获取多个所述分量信号。
3.根据权利要求1所述的方法，其特征在于，所述计算每个所述分量信号对应的复杂度指标，包括：
构建每个所述分量信号对应的距离矩阵；
对所述距离矩阵进行递归置换，获取所述距离矩阵对应的多个置换矩阵；
计算每个所述置换矩阵对应的置换熵；
根据多个所述置换熵获取所述分量信号的所述复杂度指标。
4.根据权利要求1所述的方法，其特征在于，所述在所述实时测量数据中提取语义特征，将所述语义特征和所述设备故障本体库进行语义匹配和推理，包括：
根据预设的语义特征映射规则在所述实时测量数据中提取出所述语义特征；
将所述语义特征与所述设备故障本体库中的所述故障信息进行匹配，获取症状层匹配结果；
根据所述症状层匹配结果进行推理，获取所述待测量设备对应的故障模式，完成对所述语义特征和所述设备故障本体库的语义匹配和推理。
5.根据权利要求1所述的方法，其特征在于，所述子诊断结果包括多个语义匹配结果、所述语义匹配结果对应的所述异常分量信号和所述语义匹配结果对应的所述原始测量数据；所述将所述初步诊断结果中的多个子诊断结果进行融合分析，获取最终诊断结论，包括：
计算所述语义匹配结果对应的异常分量信号和所述实时测量数据的匹配度；
根据所述匹配度对多个所述语义匹配结果进行筛选，获取筛选后的所述匹配结果与所述原始测量数据的相似度；
在多个所述相似度中确定目标相似度，所述目标相似度对应的所述语义匹配结果为所述最终诊断结论。
6.根据权利要求1所述的方法，其特征在于，所述测量策略包括采样频率、测点位置和测量范围；所述根据所述最终诊断结论和所述异常分量信号，生成测量策略，包括：
根据所述最终诊断结论确定所述测点位置和测量范围；
根据所述异常分量信号的频率范围，确定所述采样频率。
7.根据权利要求1所述的方法，其特征在于，在所述根据所述最终诊断结论和所述异常分量信号，生成测量策略，以确定对所述待测量设备的测量方法之后，还包括：
根据所述测量策略和所述最终诊断结论，确定所述待测量设备对应的故障预警阈值；
当所述实时测量数据对应的测量参数大于所述故障预警阈值时，生成预警信号，完成对所述待测量设备的预警和实时监控。
8.根据权利要求7所述的方法，其特征在于，在所述生成预警信号，完成对所述待测量设备的预警和实时监控之后，还包括：
根据所述故障预警阈值、所述测量策略和所述最终诊断结论，确定所述待测量设备的设备维护策略；其中，所述维护策略包括维护周期、维护方式和维护资源配置；
获取所述待测量设备的健康信息、故障风险信息和预警等级信息；
根据所述健康信息、故障风险信息和预警等级信息优化所述维护周期、维护方式和维护资源配置。
9.一种计算机设备，其特征在于，包括：处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至8中任一项所述的面向智慧园区的设备测量方法的步骤。
CN202410721197.1A 2024-06-05 2024-06-05 面向智慧园区的设备测量方法及计算机设备 Active CN118312923B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410721197.1A CN118312923B (zh) 2024-06-05 2024-06-05 面向智慧园区的设备测量方法及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410721197.1A CN118312923B (zh) 2024-06-05 2024-06-05 面向智慧园区的设备测量方法及计算机设备

Publications (2)

Publication Number Publication Date
CN118312923A CN118312923A (zh) 2024-07-09
CN118312923B true CN118312923B (zh) 2024-09-13

Family

ID=91725976

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410721197.1A Active CN118312923B (zh) 2024-06-05 2024-06-05 面向智慧园区的设备测量方法及计算机设备

Country Status (1)

Country Link
CN (1) CN118312923B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118518984B (zh) * 2024-07-24 2024-09-27 新疆西部明珠工程建设有限公司 输配电线路的故障智能定位系统及方法
CN118863549B (zh) * 2024-09-24 2024-12-24 浙江微风智能科技有限公司 基于非结构化数据处理的智慧园区安防方法及装置
CN119269054A (zh) * 2024-10-12 2025-01-07 西南大学 一种基于振动分析的电力设备故障预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114021932A (zh) * 2021-10-28 2022-02-08 华能利津风力发电有限公司 风电机组的能效评价与诊断方法、系统及介质
CN117151684A (zh) * 2023-08-22 2023-12-01 新疆信友新能源发电有限公司 风电风机数据分析预警方法、系统、装置及可读存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115718472A (zh) * 2022-11-17 2023-02-28 中国长江电力股份有限公司 水电机组故障扫描诊断方法
CN116205621A (zh) * 2022-12-22 2023-06-02 南方海洋科学与工程广东省实验室(湛江) 风电机组故障诊断方法、装置、设备及存储介质
CN117350377A (zh) * 2023-09-22 2024-01-05 辽宁科技大学 一种基于知识图谱驱动的设备故障诊断方法及装置
CN117744789A (zh) * 2023-12-26 2024-03-22 广东省工业边缘智能创新中心有限公司 基于知识图谱的工业设备故障管理方法、装置及设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114021932A (zh) * 2021-10-28 2022-02-08 华能利津风力发电有限公司 风电机组的能效评价与诊断方法、系统及介质
CN117151684A (zh) * 2023-08-22 2023-12-01 新疆信友新能源发电有限公司 风电风机数据分析预警方法、系统、装置及可读存储介质

Also Published As

Publication number Publication date
CN118312923A (zh) 2024-07-09

Similar Documents

Publication Publication Date Title
CN118312923B (zh) 面向智慧园区的设备测量方法及计算机设备
US11308250B2 (en) Learning expected operational behavior of machines from generic definitions and past behavior
CN108596229B (zh) 在线异常的监测诊断方法和系统
JP7477625B2 (ja) メンテナンス最適化及びそのような方法を実行するためのシステムのためのハイブリッドリスクモデル
US10402511B2 (en) System for maintenance recommendation based on performance degradation modeling and monitoring
US6871160B2 (en) Intelligent condition-based engine/equipment management system
CN107111311B (zh) 利用稀疏编码方法的燃气涡轮机传感器故障检测
US20040049715A1 (en) Computer networked intelligent condition-based engine/equipment management system
CN117114454B (zh) 一种基于Apriori算法的直流套管状态评估方法及系统
Venturini et al. Application of a statistical methodology for gas turbine degradation prognostics to alstom field data
Li et al. Preventive maintenance decision model of urban transportation system equipment based on multi-control units
CN118408583B (zh) 一种编码器故障诊断方法及系统
CN118445731A (zh) 变压器的故障确定方法、装置和变压器故障检测系统
WO2019049523A1 (ja) リスク評価装置、リスク評価システム、リスク評価方法、及び、リスク評価プログラム
Calabrese et al. An event based machine learning framework for predictive maintenance in industry 4.0
WO2020253950A1 (en) Monitoring method, predicting method, monitoring system and computer program
CN119109136A (zh) 基于大数据的电力系统智能调度方法以及系统
KR20200009081A (ko) 리스크 평가 장치, 리스크 평가 시스템, 리스크 평가 방법, 리스크 평가 프로그램 및 데이터 구조
CN118410279A (zh) 一种基于深度学习的汽轮机组故障处理方法及系统
Florian et al. Machine learning for predictive maintenance: A methodological framework
Beduschi et al. Optimizing rotating equipment maintenance through machine learning algorithm
US20240035445A1 (en) Systems and methods for estimating future risk of failure of a wind turbine component using machine learning
RU2829543C1 (ru) Компьютерно-реализуемый способ мониторинга и обработки данных для распознавания и классификации аномалий в работе установок и оптимизации их технического обслуживания и система для выполнения данного способа
CN118965247B (zh) 一种基于多源数据的电厂数据管理方法及系统
WO2019049522A1 (ja) リスク評価装置、リスク評価システム、リスク評価方法、及び、リスク評価プログラム

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240919

Address after: 045000 No. 4, unit 4, building 33, Xinjian Road, Yangquan City, Shanxi Province

Patentee after: Ge Jun

Country or region after: China

Address before: Unit 422, 4th Floor, Building A, No.1 Gangle Road, Tangjiawan Town, High tech Zone, Zhuhai City, Guangdong Province, 519000

Patentee before: Zhuhai Yizhi Technology Co.,Ltd.

Country or region before: China