[發明專利]故障因子數據的獲取方法、裝置、電子裝置及存儲介質

有效

• 申請號: 202110271569.1
• 申請日: 2021-03-12
• 公開（公告）號: CN112949733B
• 公開（公告）日: 2022-06-07
• 發明（設計）人: 郭洪飛;李嘉明;周杰怡;黃志濤;何智慧;朝寶
• 申請（專利權）人: 暨南大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G05B23/02
• 代理公司: 北京卓特專利代理事務所(普通合伙) 11572
• 代理人: 段宇

本申請涉及故障因子數據的獲取方法、裝置、電子裝置及存儲介質，該獲取方法包括獲取目標設備的運行參數數據；根據故障信息確定設備故障特征，在設備參數數據中檢測設備故障特征對應的第一參數數據；利用預設回歸模型對第一參數數據進行處理，得到第一故障因子數據，第一故障因子數據包括多個協同影響設備產生故障的單因素故障因子數據；分別確定每個單因素故障因子數據與第一故障因子數據的相關度，根據相關度在第一故障因子數據中篩選候選故障因子數據；利用特征訓練模型對候選故障因子數據進行處理，得到第一特征值，并按第一特征值自大到小選取候選故障因子作為目標故障因子數據，通過本申請，解決了相關技術中難以從參數數據中挖掘出故障因子的問題。

技術領域

本申請涉及設備故障分析技術領域，特別是涉及一種故障因子數據的獲取方法、裝置、電子裝置及存儲介質。

背景技術

在工業領域，工業生產過程中由于設備故障造成停工，會產生大量的經濟損失，伴隨著工業4.0的深入推進和物聯網技術的不斷發展，重要工業設備的檢測與維護數據被不斷收集存儲，這些檢測與維護數據中包含了大量的故障信息，而這些故障信息，為后續進行故障檢測和故障的因子分析提供了數據準備；但同時，這些檢測與維護數據因數據量大，數據冗余、數據嘈雜等問題，使得后續進行故障檢測的時間長、成本高，難以從檢測與維護數據中充分挖掘出故障因子，因此，在設備故障檢測中挖掘故障因子尤為重要，不僅可以指導工業設備科學的使用與維護，而且可以根據故障因子調整檢修方案來減少事故發生。

針對相關技術中監測數據的數據量大、數據冗余、數據嘈雜，使得進行故障檢測的時間長、成本高，難以從監測數據中挖掘出故障因子的問題，目前還沒有提出有效的解決方案。

發明內容

在本實施例中提供了一種故障因子數據的獲取方法、裝置、電子裝置及存儲介質，以至少解決相關技術中監測數據的數據量大、數據冗余、數據嘈雜，使得進行故障檢測的時間長、成本高，難以從監測數據中挖掘出故障因子的問題。

第一方面，本申請實施例中提供了一種故障因子數據的獲取方法，包括：獲取目標設備的運行參數數據，其中，所述運行參數數據包括故障信息和設備參數數據；根據所述故障信息確定所述目標設備的設備故障特征，并在所述設備參數數據中檢測所述設備故障特征對應的第一參數數據，其中，所述第一參數數據表征所述目標設備產生故障的因素；利用預設回歸模型對所述第一參數數據進行處理，篩選得到第一故障因子數據，其中，所述第一故障因子數據包括多個協同影響所述目標設備產生故障的單因素故障因子數據，所述單因素故障因子數據表征所述目標設備產生故障的直接因素；分別確定每個所述單因素故障因子數據與所述第一故障因子數據的相關度，并根據所述相關度在所述第一故障因子數據中篩選候選故障因子數據；利用已訓練的特征訓練模型對所述候選故障因子數據進行處理，得到所述候選故障因子數據的第一特征值，并按第一特征值自大到小選取至少一個所述候選故障因子作為目標故障因子數據，其中，所述已訓練的特征訓練模型被訓練為用于根據故障因子數據得到與該故障因子數據對應的特征值，所述特征值用于表征該故障因子數據影響所述目標設備產生故障的重要度。

在其中的一些實施例中，利用預設回歸模型對所述第一參數數據進行處理，篩選得到第一故障因子數據包括：獲取所述第一參數數據，并利用第一回歸模型對所述第一參數數據進行處理，得到單因素故障因子數據，其中，所述第一回歸模型包括Logistic回歸模型，所述單因素故障因子表征所述目標設備產生故障的直接因素；利用第二回歸模型對所述單因素故障因子數據進行篩選，得到所述第一故障因子數據，其中，所述第二回歸模型包括Adaptive-lasso Logistic回歸模型。

在其中的一些實施例中，獲取所述第一參數數據，并利用第一回歸模型對所述第一參數數據進行處理，得到單因素故障因子數據包括：獲取所述第一參數數據經所述第一回歸模型處理后的第一回歸系數，并判斷所述第一回歸系數是否大于預設閾值；在判斷到所述第一回歸系數大于所述預設閾值的情況下，確定所述單因素故障因子數據包括大于所述預設閾值的所述第一回歸系數對應的所述第一參數數據。