[發明專利]故障預測方法及系統

在審

• 申請號: 202011247396.1
• 申請日: 2020-11-10
• 公開（公告）號: CN112330034A
• 公開（公告）日: 2021-02-05
• 發明（設計）人: 張孝山;周正龍;劉正方;施建權;桂烜;胡顯銘
• 申請（專利權）人: 深圳市匯拓新邦科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/00;G06N3/08;G06N5/00;G06N20/10
• 代理公司: 深圳市恒申知識產權事務所(普通合伙) 44312
• 代理人: 鮑竹

1.一種故障預測方法，應用于目標對象，所述目標對象安裝有至少一個關鍵部件，其特征在于，所述方法包括如下步驟：

獲取關鍵部件的關鍵度權重；其中，所述關鍵部件的關鍵度權重，用于判斷所述關鍵部件對所述目標對象的影響程度；

獲取目標對象的故障因子；其中，所述關鍵部件與至少一個所述目標對象的故障因子是相對應的；

按照所述故障因子，將所述關鍵部件的實時信息，與對應的預設閾值對比，確定所述關鍵部件當前狀態；

應用所述關鍵部件的關鍵度權重，及至少一個所述關鍵部件當前狀態，確定目標對象當前狀態，預測所述目標對象發生故障的可能性。

2.如權利要求1所述的故障預測方法，其特征在于，所述確定所述關鍵部件當前狀態的步驟中，包括如下步驟：

監測所述目標對象，獲得目標對象的實時信息；其中，所述目標對象的實時信息包括至少一個故障因子的實時信息；

選取關鍵部件的評價模型；其中，所述關鍵部件的評價模型，包括至少一個故障因子的閾值；

將所述故障因子的實時信息代入所述關鍵部件的評價模型，分析所述關鍵部件當前狀態。

3.如權利要求2所述的故障預測方法，其特征在于，所述方法還包括：

獲取關鍵部件在歷史上發生故障的多個時間點，以及，在各時間點中，導致故障發生的故障因子；

將關鍵部件在歷史上發生故障的多個時間點，以及，在各時間點中，導致故障發生的故障因子，代入MLP神經網絡進行訓練，建立關鍵部件的第一趨勢評價模型；

其中，所述關鍵部件的第一趨勢評價模型，用于計算目標對象發生故障的時間；

其中，所述關鍵部件的評價模型，包括所述關鍵部件的第一趨勢評價模型。

4.如權利要求2所述的故障預測方法，其特征在于，所述方法還包括：

從目標對象的歷史信息，提取特征建模數據，并將所述特征建模數據劃分成多個訓練集、多個驗證集；其中，所述特征建模數據，包括故障因子的歷史參數及目標對象歷史故障狀態；

分別按照特征選擇的多個算法，應用所述訓練集的故障因子的歷史參數，以及所述目標對象歷史故障狀態進行訓練，建立多個算法模型；

將所述驗證集的故障因子的歷史參數，分別代入多個所述算法模型，獲得多個目標對象預估狀態；

將多個所述目標對象故障預估狀態，分別與驗證集中的所述目標對象歷史故障狀態進行比較，確定第二趨勢評價模型；

其中，所述關鍵部件的評價模型，包括所述第二趨勢評價模型。

5.如權利要求2所述的故障預測方法，其特征在于，所述將所述故障因子的實時信息代入所述關鍵部件的評價模型，對比所述故障因子的閾值，分析所述關鍵部件當前狀態的步驟，包括：

對所述目標對象的歷史信息進行分類，獲得所述目標對象的工況及運行參數；

從所述目標對象的工況及運行參數中，提取并組合故障診斷的信息，生成故障預測專家庫；其中，所述故障預測專家庫，包括至少一種故障診斷規則；

針對所述目標對象的故障因子，按照所述故障診斷規則，確定所述關鍵部件當前狀態。

6.如權利要求5所述的故障預測方法，其特征在于，所述獲取目標對象的故障因子的步驟中，具體包括：

對所述目標對象的歷史運行數據進行挖掘，確定所述關鍵部件的故障特征；

對所述關鍵部件的故障特征進行降維，生成所述目標對象的故障因子。