设备故障的预测方法、装置及存储介质与流程

1.本公开涉及故障检测技术领域，尤其涉及一种设备故障的预测方法、装置及存储介质。


背景技术：

2.水泥设备故障是十分复杂的，且故障影响的因子具有多样性，靠人工进行故障诊断时，参照单一参数的故障诊断不能够准确有效地定位具体的故障位置，不能够满足实时故障诊断的需求，并且，人工故障诊断无法提前预知设备故障。
3.因此，如何准确预测设备故障是亟待解决的问题。


技术实现要素：

4.为克服相关技术中存在的问题，本公开提供一种设备故障的预测方法、装置及存储介质。
5.根据本公开实施例的第一方面，提供一种设备故障的预测方法，所述预测方法包括：
6.根据多个故障相关的历史数据，确定n个故障参数，其中，n为大于等于1的正整数；
7.获取当前时刻之前m个时段内的n个所述故障参数相关的故障参数数据，m为大于等于1的正整数；
8.根据所述故障参数数据，预测下一时段的n个所述故障参数相关的预测数据；
9.根据故障预测模型和所述预测数据，确定n个所述故障参数在下一时段内的故障概率。
10.在一示例性实施例中，所述预测方法还包括：
11.根据n个所述故障参数的故障参数历史数据，以及n个所述故障参数对应的权重，确定所述故障预测模型，所述故障概率预测模型用于预测n个所述故障参数的故障概率。
12.在一示例性实施例中，所述根据n个所述故障参数的故障参数历史数据，以及n个所述故障参数对应的权重，确定所述故障预测模型，包括：
13.根据所述n个故障参数的故障参数历史数据，以及所述n个故障参数对应的权重，初始化弱学习器；
14.根据所述弱学习器，生成用于分类的决策树；
15.根据所述决策树，确定所述故障预测模型。
16.在一示例性实施例中，所述根据多个故障相关的历史数据，确定n个故障参数，包括：
17.获取n条故障相关的历史数据，其中n为大于等于1的正整数；
18.确定所述历史数据中对应初始故障参数的特征参数，所述特征参数用于描述对应初始故障参数的故障频率；
19.根据所述特征参数，确定n个所述故障参数。
20.在一示例性实施例中，按照下述方式确定所述历史数据中对应初始故障参数的特征参数：
[0021][0022]
其中，为n条所述故障相关的历史数据的协方差矩阵，λ为所述特征参数。
[0023]
在一示例性实施例中，所述根据所述故障参数数据，预测下一时段的n个所述故障参数相关的预测数据，包括：
[0024]
将所述故障参数数据输入至lstm算法模型，得出下一时段的n个所述故障参数相关的预测数据。
[0025]
在一示例性实施例中，所述预测方法还包括：
[0026]
按照下述方式确定所述预测数据的可信度：
[0027][0028]
其中，为置信度，h为期望，a为预警阈值，σ为拟合标准差，x为预测数据。
[0029]
根据本公开实施例的第二方面，提供一种设备故障的预测装置，所述预测装置包括：
[0030]
第一确定模块，被配置为根据多个故障相关的历史数据，确定n个故障参数，其中，n为大于等于1的正整数；
[0031]
获取模块，被配置为获取当前时刻之前m个时段内的n个所述故障参数相关的故障参数数据，m为大于等于1的正整数；
[0032]
预测模块，被配置为根据所述故障参数数据，预测下一时段的n个所述故障参数相关的预测数据；
[0033]
第二确定模块，被配置为根据故障预测模型和所述预测数据，确定n个所述故障参数在下一时段内的故障概率。
[0034]
根据本公开实施例的第三方面，提供一种设备故障的预测装置，包括：
[0035]
处理器；
[0036]
用于存储处理器可执行指令的存储器；
[0037]
其中，所述处理器被配置为执行如本公开实施例的第一方面中任一项所述的方法。
[0038]
根据本公开实施例的第四方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由装置的处理器执行时，使得装置能够执行如本公开实施例的第一方面中任一项所述的方法。
[0039]
采用本公开的上述方法，具有以下有益效果：通过设备故障的历史数据确定故障参数，获取故障参数历史时段的故障参数数据，通过时间序列相关的算法模型预测下一时刻的故障参数数据，将下一时刻的预测数据输入到故障预测模型中，获得下一时刻的故障概率，根据故障概率能够提前获知所要发生的故障，以及时采取应对措施，避免由于设备故障而产生的一系列问题。
[0040]
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
能限制本公开。
附图说明
[0041]
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
[0042]
图1是根据一示例性实施例示出的一种设备故障的预测方法的流程图；
[0043]
图2是根据一示例性实施例示出的确定故障模型的方法流程图；
[0044]
图3是根据一示例性实施例示出的步骤s101中根据多个故障相关的历史数据，确定n个故障参数的方法流程图；
[0045]
图4是根据一示例性实施例示出的一种设备故障的预测装置框图；
[0046]
图5是根据一示例性的实施例示出的一种用于设备故障预测的装置的框图；
[0047]
图6是根据一示例性实施例示出的决策树数据示意图。
具体实施方式
[0048]
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
[0049]
本公开示例性的实施例中，提供一种设备故障的预测方法。图1是根据一示例性实施例示出的一种设备故障的预测方法的流程图，如图1所示，预测方法包括以下步骤：
[0050]
步骤s101，根据多个故障相关的历史数据，确定n个故障参数，其中，n为大于等于1的正整数；
[0051]
步骤s102，获取当前时刻之前m个时段内的n个故障参数相关的故障参数数据，m为大于等于1的正整数；
[0052]
步骤s103，根据故障参数数据，预测下一时段的n个故障参数相关的预测数据；
[0053]
步骤s104，根据故障预测模型和预测数据，确定n个故障参数在下一时段内的故障概率。
[0054]
在本公开示例性的实施例中，为了能够及时诊断并准确定位设备故障，提供一种设备故障的预测方法。根据多个故障相关的历史数据，确定n个故障参数，获取当前时刻之前m个时段内的n个故障参数相关的故障参数数据，根据故障参数数据，预测下一时段的n个故障参数相关的预测数据，根据故障预测模型和预测数据，确定n个故障参数在下一时段内的故障概率，能够准确预测设备在下一时段内的所要发生的故障概率，以提前获知故障的发生，并及时采取应对措施，避免由于设备故障而产生的一系列问题。
[0055]
在本公开示例性的实施例中，以水泥厂中的设备为例，提供设备故障的预测方法。
[0056]
步骤s101中，多个故障相关的历史数据为设备故障的样本数据，根据故障样本数据确定多个故障参数。设备故障的样本数据包括该设备每一故障发生时，设备的参数值和对应的故障概率。确定n个故障参数时，可以将该故障对应的全部参数作为故障参数，也可以选择该故障对应的全部参数中对故障产生影响较大的n个参数作为故障参数。
[0057]
在一示例中，以水泥厂中某设备的某故障为例，历史数据显示该故障发生次数为
n，存在n条故障样本数据，则该故障对应的样本数据记为d＝{z1，z2，
…
zm，y}，其中，z1，z2…
zm为n行列向量，表示该设备中某一参数对应的数值，m为故障参数个数，y为对应的参数值下发生该故障的概率。
[0058]
步骤s102中，确定故障参数后，获取当前时刻之前m个时段内的n个故障参数相关的故障参数数据，即故障参数的历史参数值。为了保证预测的准确性，m个时段的时间间隔相等，m的取值可以根据实际预测效果确定。
[0059]
在一示例中，当前时刻为t时刻，当m为10时，获取当前时刻之前10个时间段内的故障参数相关的故障参数数据，即分别获取t-1、t-2、t-3、t-4、t-5、t-6、t-7、t-8、t-9、t-10时刻时对应的故障参数数据。
[0060]
步骤s103中，根据历史时刻的故障参数数据，基于实际序列相关的算法模型，预测下一时段的n个故障参数相关的预测数据，例如可以使用统计学相关的算法，也可以使用机器学习相关的算法。例如传统统计学算法中的自回归综合移动平均(arima，auto-regressive integrated moving averages)算法、或者机器学习算法中的长短期记忆(lstm，long short term memory)算法。
[0061]
步骤s104，预测出下一时刻的故障参数的相关预测数据后，将预设数据输入到故障预测模型中，即可确定n个故障参数在下一时段内的故障概率。故障预测模型为机器学习算法模型，例如决策树模型。
[0062]
在本公开示例性的实施例中，通过设备故障的历史数据确定故障参数，获取故障参数历史时段的故障参数数据，通过时间序列相关的算法模型预测下一时刻的故障参数数据，将下一时刻的预测数据输入到故障预测模型中，获得下一时刻的故障概率，根据故障概率能够提前获知所要发生的故障，以及时采取应对措施，避免由于设备故障而产生的一系列问题。
[0063]
在一示例性实施例中，设备故障的预测方法还包括：根据n个故障参数的故障参数历史数据，以及n个故障参数对应的权重，确定故障预测模型，故障概率预测模型用于预测n个故障参数的故障概率。
[0064]
当选择该故障对应的全部参数中对故障产生影响较大的n个参数作为故障参数，从全部故障参数的历史数据中挑选出n个故障参数对应的历史数据。n个故障参数对应的权重为经验值。根据n个故障参数的故障参数历史数据和其对应的权重，确定故障预测模型。由于需要预测故障概率，因此故障预测模型需要选用分类算法模型，例如决策树算法模型。
[0065]
在一示例性实施例中，图2是根据一示例性实施例示出的确定故障模型的方法流程图，如图2所示，根据n个故障参数的故障参数历史数据，以及n个故障参数对应的权重，确定故障预测模型，包括以下步骤：
[0066]
步骤s201，根据n个故障参数的故障参数历史数据，以及n个故障参数对应的权重，初始化弱学习器；
[0067]
步骤s202，根据弱学习器，生成用于分类的决策树；
[0068]
步骤s203，根据决策树，确定故障预测模型。
[0069]
使用基于权重的gbdt算法模型作为故障预测模型。将n个故障参数的故障参数历史数据记为x
′
＝{x
′1，x
′2，
…
x
′n，y}，n个故障参数对应的权重记为w＝{w1，w2，
…
wn}，其中wi∈[0，1]，i＝1，2，3
…
n。将y按照其值范围划分为m个区间，落在每个区间的值为pj，j＝1，
2，
…
m，通过以下公式初始化弱学习器：
[0070]
pj为yi落在该区间的值
[0071]
其中，wi为故障参数对应的权重，yi为故障参数对应的故障概率。
[0072]
此时故障参数的初始残差为r1＝y-f0(x)。
[0073]
通过平方损失函数计算每个故障参数中每个参数值的损失，对于每一个参数值，将小于故障参数的参数值的区域r1的平方损失之和记为sl，大于等于故障参数的参数值的区域r2的平方损失之和记为sr，因此该参数值的损失为sum＝sl+sr。求出每个参数值的损失，将损失最小的故障参数数据，作为最佳的分裂样本，并在分裂时，依据参数权重w值较大之一作为分裂依据。
[0074]
将该分裂样本分裂成两个子树，对分裂样本的两个子树继续按照上述过程进行节点切分，当树的数量大于预设阈值时，或者损失值小于预设损失阈值时，停止分裂，最终生成该故障参数对应的决策树。将该决策树的叶子节点的值记为残差r0，同时记录每个叶子节点的路径。
[0075]
此时更新残差为r2＝y-(f0(x)+learning_rate*r1)，其中learning_rate为学习率，学习率的取值为经验值，通常为0.1，可以根据预测结果进行调整。
[0076]
根据上述过程依次得出每个故障参数对应的决策树，并由此确定故障预测模型，即基于权重的gbdt算法模型。
[0077]
在一示例中，当生成6颗决策树时，图6是根据一示例性实施例示出的决策树数据示意图，如图6所示，则参数1、参数2、参数3样本值为-65.82，-267，921.54对应的预测的值p为：
[0078]
(253.799466666667+0.1*(30.66653333+27.59988+24.839892+22.3559028+20.12031252+18.10828127))/0.3＝893.8951562
[0079]
在一示例性实施例中，图3是根据一示例性实施例示出的步骤s101中根据多个故障相关的历史数据，确定n个故障参数的方法流程图，如图3所示，包括以下步骤：
[0080]
步骤s301，获取n条故障相关的历史数据，其中n为大于等于1的正整数；
[0081]
步骤s302，确定历史数据中对应初始故障参数的特征参数，特征参数用于描述对应初始故障参数的故障频率；
[0082]
步骤s303，根据特征参数，确定n个故障参数。
[0083]
确定n个故障参数时，为了保证故障预测的高效性及准确性，选择全部故障参数中对故障产生影响较大的n个参数作为故障参数。获取n条故障相关的历史数据后，将历史数据中的全部故障参数作为初始故障参数，确定初始故障参数的特征参数，即故障频率。例如使用主成分分析的方法确定特征参数，以获知初始故障参数的故障频率排序，即初始故障参数对故障产生的影响程度排序，再根据排序，从初始故障参数中选择影响较大的n个参数作为故障参数。n的取值可以根据实际需求确定，也可以根据故障预测结果进行调整。
[0084]
在一示例性实施例中，按照下述方式确定历史数据中对应初始故障参数的特征参数：
[0085]
[0086]
其中，为n条故障相关的历史数据的协方差矩阵，λ为特征参数。
[0087]
使用主成分分析的方法确定特征参数，以获知初始故障参数的故障频率排序，即初始故障参数对故障产生的影响程度排序。将包括初始故障参数的n条故障相关的历史数据记为d＝{z1，z2，
…
zm}，其中，z1，z2…
zm为n行列向量，表示设备中某一参数对应的所有参数值，m为故障参数个数。
[0088]
由于设备故障相关的数据通常包括多个维度的数据，由多个特征或者属性构成的复杂数据集合。因此，在对其进行处理时，需要进行数据中心化，将各类数据整合在原点附近，便于后续处理。通过以下公式对故障相关的历史数据进行中心化处理：
[0089][0090][0091]
其中，j为故障参数下标，表示第j个故障参数，m为故障参数总个数，i为故障相关的历史数据下标，表示第i条故障相关的历史数据，n为故障相关的历史数据的总个数，x为中心化后的故障相关的历史数据。
[0092]
为了后续计算方便，将中心化后的故障相关的历史数据记为x＝{x1，x2，
…
xm}。
[0093]
根据中心化后的故障相关的历史数据，通过以下公式计算故障相关的历史数据的协方差矩阵：
[0094][0095]
其中，i为故障参数下标，表示第i个故障参数，m为故障参数总个数，n为故障相关的历史数据的总个数，t表示对矩阵的转置处理，x为中心化后的故障相关的历史数据。
[0096]
根据故障相关的历史数据的协方差矩阵，按照下述方式确定历史数据中对应初始故障参数的特征参数：
[0097][0098]
其中，为n条故障相关的历史数据的协方差矩阵，λ为特征参数。
[0099]
通过上述公式计算得出k个特征参数λ1，λ2，
…
λk，其中k≤m，且特征参数按照从大到小的顺序排序，即初始故障参数的故障频率由大到小排序，从而获知初始故障参数对故障产生的影响程度排序。从k个特征参数中选择排在前n位的n个特征参数，将其对应的故障参数作为用于故障预测的故障参数。n的取值可以根据实际需求确定，也可以根据故障预测结果进行调整。
[0100]
在一示例性实施例中，根据故障参数数据，预测下一时段的n个故障参数相关的预测数据，包括：将故障参数数据输入至lstm算法模型，得出下一时段的n个故障参数相关的预测数据。
[0101]
通过lstm算法模型，预测下一时段的n个故障参数相关的预测数据时，lstm算法模
型采用10层lstm层(卷积层)、1层dropout层、1层dense层(全连接层)的网络架构，其中dropout层能够有效避免出现过拟合的情况。将当前时刻之前的多个时间段的数据去均值后作为模型的输入，即可通过lstm算法模型得出下一时刻的n个故障参数相关的预测数据。
[0102]
在一示例性实施例中，设备故障的预测方法还包括：按照下述方式确定预测数据的可信度：
[0103][0104]
其中，为置信度，h为期望，a为预警阈值，σ为拟合标准差，x为预测数据。
[0105]
由于lstm算法模型的预测误差符合高斯分布，因此，可以将其预测值作为期望，拟合标准差作为该高斯分布的标准差，即可通过上述公式确定预测数据的可信度。
[0106]
本公开示例性的实施例中，提供一种设备故障的预测装置。图4是根据一示例性实施例示出的一种设备故障的预测装置框图，如图4所示，预测装置包括：
[0107]
第一确定模块401，被配置为根据多个故障相关的历史数据，确定n个故障参数，其中，n为大于等于1的正整数；
[0108]
获取模块402，被配置为获取当前时刻之前m个时段内的n个所述故障参数相关的故障参数数据，m为大于等于1的正整数；
[0109]
预测模块403，被配置为根据所述故障参数数据，预测下一时段的n个所述故障参数相关的预测数据；
[0110]
第二确定模块404，被配置为根据故障预测模型和所述预测数据，确定n个所述故障参数在下一时段内的故障概率。
[0111]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0112]
图5是根据一示例性的实施例示出的一种用于设备故障预测的装置500的框图。
[0113]
参照图5，装置500可以包括以下一个或多个组件：处理组件502，存储器504，电源组件506，多媒体组件508，音频组件510，输入/输出(i/o)的接口512，传感器组件514，以及通信组件516。
[0114]
处理组件502通常控制装置500的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件502可以包括一个或多个处理器520来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件502可以包括一个或多个模块，便于处理组件502和其他组件之间的交互。例如，处理组件502可以包括多媒体模块，以方便多媒体组件508和处理组件502之间的交互。
[0115]
存储器504被配置为存储各种类型的数据以支持在装置500的操作。这些数据的示例包括用于在装置500上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器504可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
[0116]
电源组件506为装置500的各种组件提供电源。电源组件506可以包括电源管理系统，一个或多个电源，及其他与为装置500生成、管理和分配电力相关联的组件。
[0117]
多媒体组件508包括在所述装置500和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(lcd)和触摸面板(tp)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件508包括一个前置摄像头和/或后置摄像头。当装置500处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
[0118]
音频组件510被配置为输出和/或输入音频信号。例如，音频组件510包括一个麦克风(mic)，当装置500处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器504或经由通信组件516发送。在一些实施例中，音频组件510还包括一个扬声器，用于输出音频信号。
[0119]
i/o接口512为处理组件502和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
[0120]
传感器组件514包括一个或多个传感器，用于为装置500提供各个方面的状态评估。例如，传感器组件514可以检测到装置500的打开/关闭状态，组件的相对定位，例如所述组件为装置500的显示器和小键盘，传感器组件514还可以检测装置500或装置500一个组件的位置改变，用户与装置500接触的存在或不存在，装置500方位或加速/减速和装置500的温度变化。传感器组件514可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件514还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件514还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
[0121]
通信组件516被配置为便于装置500和其他设备之间有线或无线方式的通信。装置500可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件516经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件516还包括近场通信(nfc)模块，以促进短程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
[0122]
在示例性实施例中，装置500可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
[0123]
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器504，上述指令可由装置500的处理器520执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0124]
一种非临时性计算机可读存储介质，当所述存储介质中的指令由装置的处理器执行时，使得装置能够执行一种设备故障的预测方法，所述方法包括上述的任一种方法。
[0125]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其
它实施方案。本技术旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
[0126]
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。