[發(fā)明專利]故障預(yù)測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202011247396.1
• 申請日: 2020-11-10
• 公開（公告）號: CN112330034A
• 公開（公告）日: 2021-02-05
• 發(fā)明（設(shè)計）人: 張孝山;周正龍;劉正方;施建權(quán);桂烜;胡顯銘
• 申請（專利權(quán)）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(chǎn)權(quán)事務(wù)所(普通合伙) 44312
• 代理人: 鮑竹

本發(fā)明提供了一種故障預(yù)測方法及系統(tǒng)，應(yīng)用于目標對象，方法包括如下步驟：獲取關(guān)鍵部件的關(guān)鍵度權(quán)重及目標對象的故障因子；按照故障因子，將關(guān)鍵部件的實時信息，與對應(yīng)的預(yù)設(shè)閾值對比，確定關(guān)鍵部件當(dāng)前狀態(tài)；應(yīng)用關(guān)鍵部件的關(guān)鍵度權(quán)重，及關(guān)鍵部件當(dāng)前狀態(tài)，確定目標對象的當(dāng)前狀態(tài)，預(yù)測目標對象發(fā)生故障的可能性。確定關(guān)鍵部件的關(guān)鍵度權(quán)重，可以降低數(shù)據(jù)復(fù)雜程度，便于處理；確定目標對象的故障因子，以分析故障發(fā)生的可能性。而應(yīng)用故障因子，可以估計出目標對象的當(dāng)前狀態(tài)，以預(yù)測目標對象可能遇到故障的可能性。

技術(shù)領(lǐng)域

本發(fā)明涉及故障預(yù)測技術(shù)，尤其是指一種故障預(yù)測方法及系統(tǒng)。

背景技術(shù)

供電系統(tǒng)，需要被運輸安裝就位，以適應(yīng)場地，還需要保證其在使用操作維護過程中的靈活性。

在這一過程中，需要把控設(shè)備的使用狀態(tài)。基于此，有一部分企業(yè)已經(jīng)從應(yīng)用角度提出了設(shè)備生命周期管理的理念。

然而，為了解決上述問題，傳統(tǒng)的方法是，雇傭?qū)I(yè)的維護人員。具有全面而高水平的維護人員數(shù)量極少，大多數(shù)維護人員的技術(shù)水平不過關(guān)。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是：提供一種故障預(yù)測方法及系統(tǒng)，用以對目標對象的狀態(tài)評估，預(yù)測其發(fā)生故障的可能性，節(jié)約人力成本。

為了解決上述技術(shù)問題，本發(fā)明采用的技術(shù)方案為：一種故障預(yù)測方法，應(yīng)用于目標對象，目標對象安裝有至少一個關(guān)鍵部件，該方法包括如下步驟：獲取關(guān)鍵部件的關(guān)鍵度權(quán)重；其中，所述關(guān)鍵部件的關(guān)鍵度權(quán)重，用于判斷所述關(guān)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(guān)鍵部件與至少一個所述目標對象的故障因子是相對應(yīng)的；

按照所述故障因子，將所述關(guān)鍵部件的實時信息，與對應(yīng)的預(yù)設(shè)閾值對比，確定所述關(guān)鍵部件當(dāng)前狀態(tài)；

應(yīng)用所述關(guān)鍵部件的關(guān)鍵度權(quán)重，及至少一個所述關(guān)鍵部件當(dāng)前狀態(tài)，確定目標對象的當(dāng)前狀態(tài)，預(yù)測所述目標對象發(fā)生故障的可能性。

進一步地，所述按照所述故障因子，將所述關(guān)鍵部件的實時信息，與對應(yīng)的預(yù)設(shè)閾值對比，確定所述關(guān)鍵部件當(dāng)前狀態(tài)的步驟中，包括如下步驟：

監(jiān)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；

獲取關(guān)鍵部件的評價模型；其中，所述關(guān)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(guān)鍵部件的評價模型，對比所述故障因子的閾值，分析所述關(guān)鍵部件當(dāng)前狀態(tài)。

具體的，所述方法還包括：

獲取關(guān)鍵部件在歷史上發(fā)生故障的多個時間點，以及，在各時間點中，導(dǎo)致故障發(fā)生的故障因子；

將關(guān)鍵部件在歷史上發(fā)生故障的多個時間點，以及，在各時間點中，導(dǎo)致故障發(fā)生的故障因子，代入MLP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，建立關(guān)鍵部件的第一趨勢評價模型；

其中，所述關(guān)鍵部件的第一趨勢評價模型，用于計算目標對象發(fā)生故障的時間；

其中，所述關(guān)鍵部件的評價模型，包括所述關(guān)鍵部件的第一趨勢評價模型。

具體的，所述方法還包括：

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

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