CN118034261A - 基于人工智能的工业设备故障诊断系统及方法 - Google Patents
基于人工智能的工业设备故障诊断系统及方法 Download PDFInfo
- Publication number
- CN118034261A CN118034261A CN202410430412.2A CN202410430412A CN118034261A CN 118034261 A CN118034261 A CN 118034261A CN 202410430412 A CN202410430412 A CN 202410430412A CN 118034261 A CN118034261 A CN 118034261A
- Authority
- CN
- China
- Prior art keywords
- fault
- line
- industrial equipment
- operation data
- node
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 54
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000008859 change Effects 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000007689 inspection Methods 0.000 claims description 12
- 230000000737 periodic effect Effects 0.000 claims description 8
- 238000011835 investigation Methods 0.000 claims description 4
- 239000013589 supplement Substances 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000002085 persistent effect Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了基于人工智能的工业设备故障诊断系统及方法,涉及工业设备故障诊断技术领域。包括故障检测单元:设定基础目标运行数据,并建立运行数据的标准区间,再以运行数据的变化范围分析基础目标是否存在故障,该基于人工智能的工业设备故障诊断系统及方法,通过运行数据的变化范围分析工业设备线路是否存在故障,并匹配对应的故障解决方案,可以减少工业设备故障诊断方案匹配的时间,实现故障诊断的实时监控同时还能快速进行定位;线路节点进行检修的二分法定位,能够最大时间节省故障诊断定位的时间,配合标记的故障区间进行优先诊断,能够根据以往的故障数据进行优先判断,基于人工智能分析,有效的提升了工业设备故障诊断效率。
Description
技术领域
本发明涉及工业设备故障诊断技术领域,具体为基于人工智能的工业设备故障诊断系统及方法。
背景技术
公开号为CN117311316A的中国专利申请,公开了一种面向工业互联网的机器故障诊断方法及系统,该专利通过故障监测模块可以对工业机器的运行状态进行监测分析,对每一个机器组内所有的机器关节进行运行状态分析并得到运行系数,通过运行系数对机器关节的运行异常程度进行反馈,从而在出现运行异常时及时进行预警。
但是现有的工业设备故障诊断过程仍然存在缺陷,例如,在进行故障诊断的过程中,只能对工业设备故障诊断的整体线路进行定位,但是工业设备的单个线路存在若干个线路节点,若干个节点依次排查的效率极低,并且不能对已经故障的线路节点进行整合分析,导致每一次故障线路的分析都是从头开始定位,极大的降低了工业设备故障诊断效率。
发明内容
针对现有技术的不足,本发明提供了基于人工智能的工业设备故障诊断系统及方法,解决了上述背景技术提到的工业设备故障诊断效率低的问题。
为实现以上目的,本发明通过以下技术方案予以实现:基于人工智能的工业设备故障诊断系统,包括:
故障检测单元:设定基础目标运行数据,并建立运行数据的标准区间,再以运行数据的变化范围分析基础目标是否存在故障,并匹配对应的故障解决方案,其中,基础目标具体为工业设备线路;
检修定位单元:以工业设备线路故障为基础,再以单个线路为节点,定位工业设备线路故障的线路节点,再根据定位后的线路节点进行检修,其中,工业设备线路中单个线路为若干个;
故障标记单元:对线路节点的故障进行标记,然后根据标记的故障区间进行优先诊断,并且建立线路节点故障报表,按照故障报表进行定期巡检,其中,节点故障报表包括工业设备故障的全部线路节点。
作为一种改进的技术方案,所述故障检测单元中以运行数据的变化范围分析基础目标是否存在故障,并匹配对应的故障解决方案的具体方式为:
S1:首先将运行数据标记为Hj,j为运行数据的种类,其中,Hj为浮动值,然后将运行数据的标准区间标记为(HA,HB),当Hj∈(HA,HB)时,此时工业设备无故障,当Hj(HA,HB)时,此时工业设备存在故障;
S2:然后将Hj(HA,HB)的运行数据分为若干个故障区间,并依次标记为n,那么故障区间n对应预设的故障类型,并记作Fn,即可匹配对应的故障解决方案。
作为一种改进的技术方案,所述S2中故障区间n对应预设的故障类型存在空白区域,即空白区域没有对应的故障解决方案,在进行人工故障排查后并进行信息录入,对故障区间n的故障类型予以补充。
作为一种改进的技术方案,所述S2中故障区间n对应预设的故障类型,匹配对应的故障解决方案时,在Fn内存在至少一个解决方案。
作为一种改进的技术方案,所述检修定位单元中定位工业设备线路故障的线路节点,再根据定位后的线路节点进行检修的具体方式为:
P1:首先将工业设备线路分为若干个线路节点,并记作j,j为1、2、3、...、n,然后根据二分法对线路节点故障进行定位,具体为将线路节点[1,n]一分为二,分别为[1,]、[,n],再根据[1,/>]、[/>,n]一分为二,...,以此类推,直至将线路节点故障进行定位;
P2:然后针对线路节点区间的划分,若区间为偶数,则一分为二,若区间为奇数,则前区间比后区间多1个,然后按照定位的线路节点进行检修,在线路节点检修完成后,对检修数据进行录入存储。
作为一种改进的技术方案,所述故障标记单元中对线路节点的故障进行标记,然后根据标记的故障区间进行优先诊断的具体方式为:
首先对工业设备线路进行定位,然后根据二分法确定定位区间,此时二分法的区间选择按照标记故障的线路节点优先选择,若故障区间符合,则按照定位方式确定故障区间,若故障区间不符合,则按照二分法的另一区间选择。
作为一种改进的技术方案,所述故障标记单元中建立线路节点故障报表,按照故障报表进行定期巡检具体为:设定时间阈值T,在时间T内对存在故障的线路节点进行巡检。
作为一种改进的技术方案,还包括诊断周期单元:对工业设备线路故障时间进行统计,按照故障时间的走向更新工业设备故障诊断的周期,其中,故障时间进行统计的初始时间为30天。
本发明还公开了基于人工智能的工业设备故障诊断方法,采用上述基于人工智能的工业设备故障诊断系统,具体包括以下步骤:
步骤一:设定基础目标运行数据,并建立运行数据的标准区间,再以运行数据的变化范围分析基础目标是否存在故障,并匹配对应的故障解决方案;
步骤二:以工业设备线路故障为基础,再以单个线路为节点,定位工业设备线路故障的线路节点,再根据定位后的线路节点进行检修;
步骤三:对线路节点的故障进行标记,然后根据标记的故障区间进行优先诊断,并且建立线路节点故障报表,按照故障报表进行定期巡检;
步骤四:对工业设备线路故障时间进行统计,按照故障时间的走向更新工业设备故障诊断的周期。
本发明与现有技术相比,具备以下有益效果:
该基于人工智能的工业设备故障诊断系统及方法,通过运行数据的变化范围分析工业设备线路是否存在故障,并匹配对应的故障解决方案,可以减少工业设备故障诊断方案匹配的时间,实现故障诊断的实时监控,同时还能快速进行定位;线路节点进行检修的二分法定位,能够最大时间节省故障诊断定位的时间,配合标记的故障区间进行优先诊断,能够根据以往的故障数据进行优先判断,基于人工智能分析,有效的提升了工业设备故障诊断效率。
附图说明
图1为本发明基于人工智能的工业设备故障诊断系统框图;
图2为本发明示出的电子设备的结构示意图;
图3为本发明基于人工智能的工业设备故障诊断方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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做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。
请参阅图1-图3,本发明实施例提供四种技术方案:
实施例一:基于人工智能的工业设备故障诊断系统,包括:
故障检测单元:设定基础目标运行数据,并建立运行数据的标准区间,再以运行数据的变化范围分析基础目标是否存在故障,并匹配对应的故障解决方案,其中,基础目标具体为工业设备线路;故障检测单元中以运行数据的变化范围分析基础目标是否存在故障,并匹配对应的故障解决方案的具体方式为:
S1:首先将运行数据标记为Hj,j为运行数据的种类,其中,Hj为浮动值,然后将运行数据的标准区间标记为(HA,HB),当Hj∈(HA,HB)时,此时工业设备无故障,当Hj(HA,HB)时,此时工业设备存在故障;
结合实例进行分析,以j取2为例,分别为A类数据以及B类数据,此时A类数据的范围为(25,35),然后(HA,HB)具体为(30,40),此时(25,35)(30,40),工业设备存在故障,需要对该设备进行停机检查。
S2:然后将Hj(HA,HB)的运行数据分为若干个故障区间,并依次标记为n,那么故障区间n对应预设的故障类型,并记作Fn,即可匹配对应的故障解决方案。S2中故障区间n对应预设的故障类型存在空白区域,即空白区域没有对应的故障解决方案,在进行人工故障排查后并进行信息录入,对故障区间n的故障类型予以补充,没有录入的空白区域通常为数据变化范围没有产生的情况,如果数据产生了空白区域,即为第一次发生的问题,针对该问题进行补充解决方案即可。S2中故障区间n对应预设的故障类型,匹配对应的故障解决方案时,在Fn内存在至少一个解决方案,当解决方案为多种时,此时需要参考不同的解决方案,或者建立一个设备故障的展示模型,这样根据模型的状态便于分析工业设备的实际故障情况。
结合实例进行分析,以n取5为例,在5个故障区间内,对应有至少5种故障解决方案,当故障区间为1时,此时没有对应的故障解决方案,就需要人工分析故障问题,在故障问题解决后将故障解决方案录入到故障区间1内,下次再出现故障区间1时,故障解决方案显示,当故障区间为3时,此时对应的故障解决方案有3种,3种不同的解决方案,对应疑似三种出现的问题,这样根据三种问题进行排查,具体为其中的1种。
检修定位单元:以工业设备线路故障为基础,再以单个线路为节点,定位工业设备线路故障的线路节点,再根据定位后的线路节点进行检修,其中,工业设备线路中单个线路为若干个;检修定位单元中定位工业设备线路故障的线路节点,再根据定位后的线路节点进行检修的具体方式为:
P1:首先将工业设备线路分为若干个线路节点,并记作j,j为1、2、3、...、n,然后根据二分法对线路节点故障进行定位,具体为将线路节点[1,n]一分为二,分别为[1,]、[,n],再根据[1,/>]、[/>,n]一分为二,...,以此类推,直至将线路节点故障进行定位;
P2:然后针对线路节点区间的划分,若区间为偶数,则一分为二,若区间为奇数,则前区间比后区间多1个,然后按照定位的线路节点进行检修,在线路节点检修完成后,对检修数据进行录入存储。
结合实例进行分析,以j为10为例,此时将线路节点[1,10]一分为二,分别为[1,5]、[5,10],若故障在[1,5]内,则继续一分为二[1,5],具体为[1,3]、[3,5],若故障在[1,3]内,则则继续一分为二[1,3],具体为[1,2]、[2,3],若故障在[1,2]内,则故障区间为1或者2。
故障标记单元:对线路节点的故障进行标记,然后根据标记的故障区间进行优先诊断,并且建立线路节点故障报表,按照故障报表进行定期巡检,其中,节点故障报表包括工业设备故障的全部线路节点。故障标记单元中对线路节点的故障进行标记,然后根据标记的故障区间进行优先诊断的具体方式为:
首先对工业设备线路进行定位,然后根据二分法确定定位区间,此时二分法的区间选择按照标记故障的线路节点优先选择,若故障区间符合,则按照定位方式确定故障区间,若故障区间不符合,则按照二分法的另一区间选择。
结合实例进行分析,以j为10为例,若之前存在的故障区间具体有1、2和4,那么此时将线路节点[1,10]一分为二,分别为[1,5]、[5,10],优先检查故障在[1,5]内的,若不符合则按照[5,10]一分为二的顺序检查,后续随机进行,若符合则继续一分为二[1,5],具体为[1,3]、[3,5],优先检查故障在[1,3]内,若符合则继续一分为二[1,3],具体为[1,2]、[2,3],优先检查故障在[1,2]内,则故障区间为1或者2。
故障标记单元中建立线路节点故障报表,按照故障报表进行定期巡检具体为:设定时间阈值T,在时间T内对存在故障的线路节点进行巡检,结合实例进行分析,时间阈值T为1个月,在1个月的时间对故障的线路节点进行巡检即可。
实施例二:在实施例一的基础上实施例,且与实施例一的区别之处在于,还包括诊断周期单元:对工业设备线路故障时间进行统计,按照故障时间的走向更新工业设备故障诊断的周期,其中,故障时间进行统计的初始时间为30天。
首先设定标准状态故障数量,并记作BZ,然后设定周期时间T,在T时间内获取到的故障数量标记为KZ,当KZ≤BZ时,此时周期时间T不予改变,若KZ>BZ时,此时需要对故障诊断的周期T进行调整,具体方式如下:
以10%为基础增长比例,参考计算公式:,W≥10%时,T对应比例减少20%,W≥20%时,T对应比例减少50%,W≥30%时,T对应比例减少80%。
结合实际分析,周期时间T为30天,此时标准状态故障数量为10,30天内获取到的故障数量KZ为8,此时周期时间30不予改变,若30天内获取到的故障数量KZ为12,此时T对应比例减少50%,T更改为15天,若30天内获取到的故障数量KZ为13,T对应比例减少80%,周期时间T更改为6天,直至恢复设定的周期30天内。
实施例三:基于人工智能的工业设备故障诊断方法,具体包括以下步骤:
步骤一:设定基础目标运行数据,并建立运行数据的标准区间,再以运行数据的变化范围分析基础目标是否存在故障,并匹配对应的故障解决方案;
步骤二:以工业设备线路故障为基础,再以单个线路为节点,定位工业设备线路故障的线路节点,再根据定位后的线路节点进行检修;
步骤三:对线路节点的故障进行标记,然后根据标记的故障区间进行优先诊断,并且建立线路节点故障报表,按照故障报表进行定期巡检;
步骤四:对工业设备线路故障时间进行统计,按照故障时间的走向更新工业设备故障诊断的周期。
同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
实施例四:与前述应用功能实现方法实施例相对应,本发明还提供了一种电子设备及相应的实施例。
参见图2,电子设备1000包括存储器1010和处理器1020。
处理器1020可以是中央处理单元(Central Processing Unit,CPU),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)、现场可编程门阵列 (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。
存储器1010可以包括各种类型的存储单元,例如系统内存、只读存储器(ROM),和永久存储装置。其中,ROM可以存储处理器1020或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中,永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中,永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备,例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外,存储器1010可以包括任意计算机可读存储媒介的组合,包括各种类型的半导体存储芯片(DRAM,SRAM,SDRAM,闪存,可编程只读存储器),磁盘和/或光盘也可以采用。在一些实施方式中,存储器1010可以包括可读和/或写的可移除的存储设备,例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM,双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等等)、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
存储器1010上存储有可执行代码,当可执行代码被处理器1020处理时,可以使处理器1020执行上文述及的方法中的部分或全部。
此外,根据本申请的方法还可以实现为一种计算机程序或计算机程序产品,该计算机程序或计算机程序产品包括用于执行本申请的上述方法中部分或全部步骤的计算机程序代码指令。
或者,本发明还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质),其上存储有可执行代码(或计算机程序、或计算机指令代码),当所述可执行代码(或计算机程序、或计算机指令代码)被电子设备(或电子设备、服务器等)的处理器执行时,使所述处理器执行根据本申请的上述方法的各个步骤的部分或全部。
本领域技术人员还将明白的是,结合这里的申请所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。
附图中的流程图和框图显示了根据本申请的多个实施例的系统和方法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,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,在有些作为替换的实现中,方框中所标记的功能也可以以不同于附图中所标记的顺序发生。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。也要注意的是,框图和/或流程图中的每个方框、以及框图和/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。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (9)
1.基于人工智能的工业设备故障诊断系统,其特征在于,包括:
故障检测单元:设定基础目标运行数据,并建立运行数据的标准区间,再以运行数据的变化范围分析基础目标是否存在故障,并匹配对应的故障解决方案,其中,基础目标具体为工业设备线路;
检修定位单元:以工业设备线路故障为基础,再以单个线路为节点,定位工业设备线路故障的线路节点,再根据定位后的线路节点进行检修,其中,工业设备线路中单个线路为若干个;
故障标记单元:对线路节点的故障进行标记,然后根据标记的故障区间进行优先诊断,并且建立线路节点故障报表,按照故障报表进行定期巡检,其中,节点故障报表包括工业设备故障的全部线路节点。
2.根据权利要求1所述的基于人工智能的工业设备故障诊断系统,其特征在于:所述故障检测单元中以运行数据的变化范围分析基础目标是否存在故障,并匹配对应的故障解决方案的具体方式为:
S1:首先将运行数据标记为Hj,j为运行数据的种类,其中,Hj为浮动值,然后将运行数据的标准区间标记为(HA,HB),当Hj∈(HA,HB)时,此时工业设备无故障,当Hj(HA,HB)时,此时工业设备存在故障;
S2:然后将Hj(HA,HB)的运行数据分为若干个故障区间,并依次标记为n,那么故障区间n对应预设的故障类型,并记作Fn,即可匹配对应的故障解决方案。
3.根据权利要求2所述的基于人工智能的工业设备故障诊断系统,其特征在于:所述S2中故障区间n对应预设的故障类型存在空白区域,即空白区域没有对应的故障解决方案,在进行人工故障排查后并进行信息录入,对故障区间n的故障类型予以补充。
4.根据权利要求2所述的基于人工智能的工业设备故障诊断系统,其特征在于:所述S2中故障区间n对应预设的故障类型,匹配对应的故障解决方案时,在Fn内存在至少一个解决方案。
5.根据权利要求1所述的基于人工智能的工业设备故障诊断系统,其特征在于:所述检修定位单元中定位工业设备线路故障的线路节点,再根据定位后的线路节点进行检修的具体方式为:
P1:首先将工业设备线路分为若干个线路节点,并记作j,j为1、2、3、...、n,然后根据二分法对线路节点故障进行定位,具体为将线路节点[1,n]一分为二,分别为[1,]、[/>,n],再根据[1,/>]、[/>,n]一分为二,...,以此类推,直至将线路节点故障进行定位;
P2:然后针对线路节点区间的划分,若区间为偶数,则一分为二,若区间为奇数,则前区间比后区间多1个,然后按照定位的线路节点进行检修,在线路节点检修完成后,对检修数据进行录入存储。
6.根据权利要求5所述的基于人工智能的工业设备故障诊断系统,其特征在于:所述故障标记单元中对线路节点的故障进行标记,然后根据标记的故障区间进行优先诊断的具体方式为:
首先对工业设备线路进行定位,然后根据二分法确定定位区间,此时二分法的区间选择按照标记故障的线路节点优先选择,若故障区间符合,则按照定位方式确定故障区间,若故障区间不符合,则按照二分法的另一区间选择。
7.根据权利要求1所述的基于人工智能的工业设备故障诊断系统,其特征在于:所述故障标记单元中建立线路节点故障报表,按照故障报表进行定期巡检具体为:设定时间阈值T,在时间T内对存在故障的线路节点进行巡检。
8.根据权利要求1所述的基于人工智能的工业设备故障诊断系统,其特征在于:还包括诊断周期单元:对工业设备线路故障时间进行统计,按照故障时间的走向更新工业设备故障诊断的周期,其中,故障时间进行统计的初始时间为30天。
9.基于人工智能的工业设备故障诊断方法,其特征在于:具体包括以下步骤:
步骤一:设定基础目标运行数据,并建立运行数据的标准区间,再以运行数据的变化范围分析基础目标是否存在故障,并匹配对应的故障解决方案;
步骤二:以工业设备线路故障为基础,再以单个线路为节点,定位工业设备线路故障的线路节点,再根据定位后的线路节点进行检修;
步骤三:对线路节点的故障进行标记,然后根据标记的故障区间进行优先诊断,并且建立线路节点故障报表,按照故障报表进行定期巡检;
步骤四:对工业设备线路故障时间进行统计,按照故障时间的走向更新工业设备故障诊断的周期。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410430412.2A CN118034261A (zh) | 2024-04-11 | 2024-04-11 | 基于人工智能的工业设备故障诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410430412.2A CN118034261A (zh) | 2024-04-11 | 2024-04-11 | 基于人工智能的工业设备故障诊断系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118034261A true CN118034261A (zh) | 2024-05-14 |
Family
ID=90989554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410430412.2A Pending CN118034261A (zh) | 2024-04-11 | 2024-04-11 | 基于人工智能的工业设备故障诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118034261A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2515129A2 (fr) * | 2011-04-22 | 2012-10-24 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Procede et dispositif de controle et de localisation de defauts dans une chaine de panneaux photovoltaiques |
CN108983043A (zh) * | 2018-07-30 | 2018-12-11 | 国网河南省电力公司周口供电公司 | 配电网中低压侧运行监测主站管理系统 |
CN110133451A (zh) * | 2019-06-19 | 2019-08-16 | 山东大学 | 基于微型pmu和二分法搜索的配电网故障定位方法及系统 |
CN111521919A (zh) * | 2020-06-04 | 2020-08-11 | 广西电网有限责任公司桂林供电局 | 一种低压台区零线带电故障诊断装置及诊断与定位方法 |
KR102383139B1 (ko) * | 2021-09-29 | 2022-04-08 | 가온플랫폼 주식회사 | 인공지능 기반의 산업설비 고장예측 진단을 위한 데이터 학습 라벨링 시스템 및 그 방법 |
CN115622606A (zh) * | 2022-09-14 | 2023-01-17 | 中国电信股份有限公司 | 故障检测电路、仪器、方法、装置、系统、设备及介质 |
-
2024
- 2024-04-11 CN CN202410430412.2A patent/CN118034261A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2515129A2 (fr) * | 2011-04-22 | 2012-10-24 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Procede et dispositif de controle et de localisation de defauts dans une chaine de panneaux photovoltaiques |
CN108983043A (zh) * | 2018-07-30 | 2018-12-11 | 国网河南省电力公司周口供电公司 | 配电网中低压侧运行监测主站管理系统 |
CN110133451A (zh) * | 2019-06-19 | 2019-08-16 | 山东大学 | 基于微型pmu和二分法搜索的配电网故障定位方法及系统 |
CN111521919A (zh) * | 2020-06-04 | 2020-08-11 | 广西电网有限责任公司桂林供电局 | 一种低压台区零线带电故障诊断装置及诊断与定位方法 |
KR102383139B1 (ko) * | 2021-09-29 | 2022-04-08 | 가온플랫폼 주식회사 | 인공지능 기반의 산업설비 고장예측 진단을 위한 데이터 학습 라벨링 시스템 및 그 방법 |
CN115622606A (zh) * | 2022-09-14 | 2023-01-17 | 中国电信股份有限公司 | 故障检测电路、仪器、方法、装置、系统、设备及介质 |
Non-Patent Citations (1)
Title |
---|
赵晓宇;: "基于人工智能电网故障诊断技术的研究现状及未来发展趋势", 通讯世界, no. 11, 25 November 2018 (2018-11-25) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103049354B (zh) | 数据修复方法、数据修复装置以及存储系统 | |
CN117170304B (zh) | 一种基于工业物联网的plc远程监测控制方法及系统 | |
CN114996257A (zh) | 数据量异常检测方法、装置、介质及程序产品 | |
CN106373616B (zh) | 一种检测随机存储器故障的方法、装置和网络处理器 | |
CN103049345B (zh) | 基于异步通信机制的磁盘状态变迁检测方法及装置 | |
CN116203898A (zh) | 基于数字孪生技术的生产线监控系统以及监控方法 | |
CN118034261A (zh) | 基于人工智能的工业设备故障诊断系统及方法 | |
CN110108981B (zh) | 一种有源配电网中线路的故障诊断方法和系统 | |
DE102022208557A1 (de) | Verfahren zur fehlerprüfungs- und bereinigungsoperation und halbleitersystem, das dasselbe verwendet | |
CN108182169B (zh) | 一种mtd滤波器中高效fft实现方法 | |
CN117314830A (zh) | 一种x光图像焊缝缺陷检测方法和系统 | |
CN111078528A (zh) | 一种自动化测试的管理方法、设备及介质 | |
CN112017692A (zh) | 一种基于主成分分析的异常检测方法、装置及设备 | |
CN117541213B (zh) | 一种企业数字化工厂设备运维管理平台及方法 | |
CN112001507A (zh) | 提供船舶发动机系统检修策略的方法、设备及存储介质 | |
CN117667601B (zh) | 可编程存储器烧录监控方法、电子设备、系统以及监控器 | |
CN117407207B (zh) | 一种内存故障处理方法、装置、电子设备及存储介质 | |
CN111143182A (zh) | 一种进程行为的分析方法、装置及存储介质 | |
CN113535516B (zh) | 一种监控cpu占用率异常的方法及设备 | |
CN117554385B (zh) | 同向连续报废的允收告警方法、装置、设备及存储介质 | |
CN118479220B (zh) | 基于大数据的卸妆湿巾加工工艺在线监管系统及方法 | |
CN114780642B (zh) | 一种区块链数据处理方法、装置及电子设备 | |
CN117994942A (zh) | 一种报警信号处理方法、系统、电子设备和存储介质 | |
CN110990395B (zh) | 一种数据处理方法及装置 | |
CN117149492A (zh) | 一种服务器故障检测方法、装置、设备及计算机存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |