一种设备的健康状态检测方法和装置与流程

本文涉及轨道交通监控技术，尤指一种设备的健康状态检测方法和装置。

背景技术：

设备(例如冷水机组)的正常运转是保证地铁站正常运营的基础条件之一。随着轨道交通事业的飞速发展，设备作为动力环境的重要组成部分所起到的作用也越来越重要，对于设备的健康监控和系统管理的要求也随之提升。因此，对地铁站设备进行健康状态评估符合地铁站高效便捷、绿色经济和稳定可靠的发展目标。

目前，针对设备健康状态的评估方法主要是基于实时监测数据与预设阈值进行比较的方法结合检修人员经验进行评估。这种方法对人力物力资源消耗很高，不但费时费力，而且不能对健康状态给出直观具体的数字化描述。

技术实现要素：

本申请实施例提供了一种设备的健康状态检测方法和装置，能够准确、及时地检测出设备的健康状态，为及时发现设备的运行异常和潜在故障，提高设备运行的安全可靠性，降低检修维保成本提供技术基础。

本申请实施例提供了一种设备的健康状态检测方法，可以包括：

获取设备的实时运行监测数据，并获取预先建立的健康状态检测模型；

将所述实时运行监测数据输入所述健康状态检测模型，由所述健康状态检测模型对所述实时监测数据进行分析获取所述设备的健康状态。

在本申请的示例性实施例中，所述获取设备的实时运行监测数据，可以包括：

从综合监控系统调取关于所述设备的原始实时运行监测数据；

对调取的原始实时运行监测数据进行预处理，获取所述实时运行监测数据；所述预处理包括以下任意一种或多种：忽略缺失值、偏差检测、数据集成、数据规约和数据变换。

在本申请的示例性实施例中，所述健康状态检测模型可以包括：运转状态偏离模型和运转磨损模型。

在本申请的示例性实施例中，所述由所述健康状态检测模型对所述实时监测数据进行分析获取所述设备的健康状态，可以包括：

由所述运转状态偏离模型根据所述实时运行监测数据计算设备运转状态偏离程度，并由所述运转磨损模型根据所述实时运行监测数据计算设备运行过程中出现的运转磨损程度；

根据计算出的设备运转状态偏离程度和运转磨损程度确定所述设备的健康状态。

在本申请的示例性实施例中，所述由所述运转状态偏离模型根据所述实时运行监测数据计算设备运转状态偏离程度，可以包括：根据所述实时运行监测数据对所述设备运转状态偏离程度进行评分；

所述由所述运转磨损模型根据所述实时运行监测数据计算设备运行过程中出现的运转磨损程度，可以包括：根据所述实时运行监测数据对所述运转磨损程度进行评分。

在本申请的示例性实施例中，所述根据计算出的设备运转状态偏离程度和运转磨损程度确定所述设备的健康状态，可以包括：

根据对所述设备运转状态偏离程度的第一评分、对所述运转磨损程度的第二评分以及预设的计算式计算所述设备的健康状态评分；

根据所述健康状态评分确定所述设备的健康状态。

在本申请的示例性实施例中，所述方法还可以包括：对所述运转状态偏离模型设置第一权重，并对所述运转磨损模型设置第二权重；所述计算式为权重评分计算式；

所述根据对所述设备运转状态偏离程度的评分、对所述运转磨损程度的评分以及预设的计算式计算所述设备的健康状态评分，可以包括：

根据所述第一评分、所述第一权重、所述第二评分、所述第二权重以及所述权重评分计算式计算所述设备的健康状态评分。

在本申请的示例性实施例中，所述获取预先建立的健康状态检测模型，可以包括：

直接调取已经创建并训练好的运转状态偏离模型和运转磨损模型；或者，

采用进行标注的训练集对创建的网络学习模型进行训练，获取所述运转状态偏离模型和所述运转磨损模型。

在本申请的示例性实施例中，采用进行标注的训练集对创建的网络学习模型进行训练，获取所述运转状态偏离模型，可以包括：

获取关于所述设备的第一历史运行监控数据；所述第一历史运行监控数据包括具有不同的运转状态偏离程度的数据；

根据运转状态偏离程度的大小对所述具有不同的运转状态偏离程度的数据分别进行不同的标注，将标注后的所述具有不同的运转状态偏离程度的数据作为第一训练数据；

采用所述第一训练数据对预先建立的第一网络学习模型进行训练，获取所述运转状态偏离模型；

和/或，

采用进行标注的训练集对创建的网络学习模型进行训练，获取所述运转磨损模型，可以包括：

获取关于所述设备的第二历史运行监控数据；所述第二历史运行监控数据包括具有不同的运转磨损程度的数据；

根据运转磨损程度的大小对所述具有不同的运转磨损程度的数据分别进行不同的标注，将标注后的所述具有不同的运转磨损程度的数据作为第二训练数据；

采用所述第二训练数据对预先建立的第二网络学习模型进行训练，获取所述运转磨损模型。

本申请实施例还提供了一种设备的健康状态检测装置，可以包括处理器和计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令被所述处理器执行时，实现上述任意一项所述的设备的健康状态检测方法。

本申请实施例方案可以包括：获取设备的实时运行监测数据，并获取预先建立的健康状态检测模型；将所述实时运行监测数据输入所述健康状态检测模型，由所述健康状态检测模型对所述实时监测数据进行分析获取所述设备的健康状态。通过该实施例方案，实现了准确、及时地检测出设备的健康状态，为及时发现设备的运行异常和潜在故障，提高设备运行的安全可靠性，降低检修维保成本提供技术基础。

本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。

附图说明

附图用来提供对本申请技术方案的理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。

图1为本申请实施例的设备的健康状态检测方法流程图；

图2为本申请实施例的对冷水机组的健康度进行检测的方法流程图；

图3为本申请实施例的设备的健康状态检测装置组成框图。

具体实施方式

本申请描述了多个实施例，但是该描述是示例性的，而不是限制性的，并且对于本领域的普通技术人员来说显而易见的是，在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。

本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合，以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合，以形成另一个由权利要求限定的独特的发明方案。因此，应当理解，在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此，除了根据所附权利要求及其等同替换所做的限制以外，实施例不受其它限制。此外，可以在所附权利要求的保护范围内进行各种修改和改变。

此外，在描述具有代表性的实施例时，说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而，在该方法或过程不依赖于本文所述步骤的特定顺序的程度上，该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的，其它的步骤顺序也是可能的。因此，说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外，针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤，本领域技术人员可以容易地理解，这些顺序可以变化，并且仍然保持在本申请实施例的精神和范围内。

本申请实施例提供了一种设备的健康状态检测方法，如图1所示，可以包括步骤s101-s102：

s101、获取设备的实时运行监测数据，并获取预先建立的健康状态检测模型；

s102、将所述实时运行监测数据输入所述健康状态检测模型，由所述健康状态检测模型对所述实时监测数据进行分析获取所述设备的健康状态。

已知目前的基于实时监测数据与人工设定阈值的进行比较的方法对人力物力资源消耗很高，不但费时费力，而且不能对健康状态给出直观具体的数字化描述，在进行设备状态的数字化展示时具有很大的局限性。

在本申请的示例性实施例中，提出了一种设备健康状态评估的方法，该方法可以基于机器学习，通过建立设备的健康状态检测模型来对设备的健康状态进行数字表示，根据健康度评分，及时发现设备的运行异常和潜在故障，从而提高设备运行的安全可靠性，降低检修维保成本。很好地解决了上述问题。

在本申请的示例性实施例中，该设备可以包括但不限于冷水机组。

在本申请的示例性实施例中，所述获取设备的实时运行监测数据，可以包括：

从综合监控系统调取关于所述设备的原始实时运行监测数据；

对调取的原始实时运行监测数据进行预处理，获取所述实时运行监测数据；所述预处理包括以下任意一种或多种：忽略缺失值、偏差检测、数据集成、数据规约和数据变换。

在本申请的示例性实施例中，可以通过地铁的综合监控系统提供的接口获得设备全部的实时运行监测数据；对综合监控系统传输来的实时运行监测数据进行预处理，得到预处理后的设备实时运行监测数据。

在本申请的示例性实施例中，在此之前，首先需要待测设备上具有所需相应测点的传感器进行数据实时采集与实时传输。根据测点类型的不同，每个测点获取的实时运行监测数据类型也不同，具体可以分为各个实时的开关量和模拟量。开关量为布尔值，如压缩机是否启动等；模拟量为连续值，如压缩机电流、电压和油温等。

在本申请的示例性实施例中，为保证各个测点数据的可用性，在获取原始数据(即原始实时运行监测数据)之后可以对原始数据进行数据预处理，预处理可以包括如下步骤：

(1)忽略缺失值：由于存在多个设备交替工作的情况，所以模拟量数据中会大量出现缺失值，此时对该类缺失值进行忽略(删除)操作；其他数据在模拟量数据被删的基础上同时进行忽略(删除)操作；

(2)选择工作时间段数据：在对模拟量参数进行探索时发现，该类数据会出现长时间的周期震荡，例如，针对冷水机组来说，经过分析可知造成此周期震荡现象的原因是冷水机组不是一直在工作的，正常情况下(需要开冷水机组的非台风天)一般在早晨开机，晚上关机，因此可以取工作时间段内的数据，忽略(删除)非工作状态的数据。在第一步被操作后，对当天测点数据中的缺失值进行同指标参数平均值填补；

(3)偏差检测：由于人工填写的工单会出现人为的数据输入错误、有意的错误以及数据退化等问题，会导致数据偏差，数据集成时也可能导致数据不一致，所以需要进行偏差检测，以此消除噪声、离群点和需要考察的异常值；

(4)数据变换和数据离散化：对于模拟量数据，是在某个区间内进行震荡波动，为了方便特征提取，可以对模拟量数据进行变换。

在本申请的示例性实施例中，数据预处理之后即可将数据存放至数据库。若测点(即监测点)的状态没有发生变化，则在固定的时间长度后进行一次数据获取，而在此之间若该监测点发生变化则每次变化都进行一次数据采集，可以每隔一定时长(例如10s)设立时间点，并根据变化节点在当前时间点或当前时间点之前进行差赋值进行插值处理。并且数据库中的数据可以用于后续的模型训练。

在本申请的示例性实施例中，所述健康状态检测模型可以包括：运转状态偏离模型和运转磨损模型。

在本申请的示例性实施例中，运转状态偏离模型和运转磨损模型在设备健康度检测模型中可以拥有着不同的权重。

在本申请的示例性实施例中，所述由所述健康状态检测模型对所述实时监测数据进行分析获取所述设备的健康状态，可以包括：

由所述运转状态偏离模型根据所述实时运行监测数据计算设备运转状态偏离程度，并由所述运转磨损模型根据所述实时运行监测数据计算设备运行过程中出现的运转磨损程度；

根据计算出的设备运转状态偏离程度和运转磨损程度确定所述设备的健康状态。

在本申请的示例性实施例中，运转状态偏离模型可以是基于机器学习算法计算设备健康偏离程度的模型，运转磨损模型可以是描述设备运行过程中出现的运转磨损程度(例如运转磨损程度)的模型。

在本申请的示例性实施例中，计算设备运转状态偏离程度和设备运行过程中出现的运转磨损程度时可以直接给出相应的程度描述，也可以给出相应的程度数值，还可以对不同的程度进行打分，以直观地呈现出运行状态偏离程度和运转磨损程度。

在本申请的示例性实施例中，所述由所述运转状态偏离模型根据所述实时运行监测数据计算设备运转状态偏离程度，可以包括：根据所述实时运行监测数据对所述设备运转状态偏离程度进行评分。

在本申请的示例性实施例中，运转状态偏离模型的初始值可以为1，当出现设备运转异常的情况时，该项值可以减小，当设备被维修后运转状态转好时，该项值可以增大，最大为1。

在本申请的示例性实施例中，所述由所述运转磨损模型根据所述实时运行监测数据计算设备运行过程中出现的运转磨损程度，可以包括：根据所述实时运行监测数据对所述运转磨损程度进行评分。

在本申请的示例性实施例中，设备出厂状态时，运转磨损模型初始值可以为1，随着运行时间的累积该值可以逐渐减小。

在本申请的示例性实施例中，所述根据计算出的设备运转状态偏离程度和运转磨损程度确定所述设备的健康状态，可以包括：

根据对所述设备运转状态偏离程度的第一评分、对所述运转磨损程度的第二评分以及预设的计算式计算所述设备的健康状态评分；

根据所述健康状态评分确定所述设备的健康状态。

在本申请的示例性实施例中，该计算式可以包括但不限于求和计算式、求平均值计算式等。

在本申请的示例性实施例中，可以预先将设备的不同的健康状态与不同的健康状态评分一一对应，获取健康状态与健康状态评分的映射关系；当获得一个健康状态评分时可以直接根据该映射关系确定出当前设备的健康状态。

在本申请的示例性实施例中，所述方法还可以包括：对所述运转状态偏离模型设置第一权重，并对所述运转磨损模型设置第二权重；所述计算式为权重评分计算式；

所述根据对所述设备运转状态偏离程度的评分、对所述运转磨损程度的评分以及预设的计算式计算所述设备的健康状态评分，可以包括：

根据所述第一评分、所述第一权重、所述第二评分、所述第二权重以及所述权重评分计算式计算所述设备的健康状态评分。

在本申请的示例性实施例中，该权重评分计算式可以包括但不限于：健康状态评分＝第一评分×第一权重+第二评分×第二权重。

在本申请的示例性实施例中，所述获取预先建立的健康状态检测模型，可以包括：

直接调取已经创建并训练好的运转状态偏离模型和运转磨损模型；或者，

采用进行标注的训练集对创建的网络学习模型进行训练，获取所述运转状态偏离模型和所述运转磨损模型。

在本申请的示例性实施例中，采用进行标注的训练集对创建的网络学习模型进行训练，获取所述运转状态偏离模型，可以包括：

获取关于所述设备的第一历史运行监控数据；所述第一历史运行监控数据包括具有不同的运转状态偏离程度的数据；

根据运转状态偏离程度的大小对所述具有不同的运转状态偏离程度的数据分别进行不同的标注，将标注后的所述具有不同的运转状态偏离程度的数据作为第一训练数据；

采用所述第一训练数据对预先建立的第一网络学习模型进行训练，获取所述运转状态偏离模型；

和/或，

采用进行标注的训练集对创建的网络学习模型进行训练，获取所述运转磨损模型，可以包括：

获取关于所述设备的第二历史运行监控数据；所述第二历史运行监控数据包括具有不同的运转磨损程度的数据；

根据运转磨损程度的大小对所述具有不同的运转磨损程度的数据分别进行不同的标注，将标注后的所述具有不同的运转磨损程度的数据作为第二训练数据；

采用所述第二训练数据对预先建立的第二网络学习模型进行训练，获取所述运转磨损模型。

在本申请的示例性实施例中，在构建设备的运转状态偏离模型时，可以首先获取历史运行时间内的数据，如第一历史运行监控数据，可以包括正常运转的数据和非正常运转的数据(具体地可以为具有不同的运转状态偏离程度的数据)，根据相应的工单记录对数据打上标签(即，对不同运转状态偏离程度的数据进行标注)，其他的数据(如冷水机组的压缩机电流和压缩机油温等)作为特征，共同组成运转状态偏离模型的训练集。

在本申请的示例性实施例中，可以使用开源数据科学包scikit-learn进行机器学习方式的模型训练。

在本申请的示例性实施例中，对运转状态偏离模型训练后，可以对运转状态偏离模型进行相应的性能评估，采用的手段可以包括但不限于roc曲线等。

在本申请的示例性实施例中，在构建设备的运转磨损模型时，可以采用与构建运转状态偏离模型相似的方案，在此不再一一赘述，不同的是才用的训练集可以不痛，采用的网络学习模型可以不同。

在本申请的示例性实施例中，对运转磨损模型进行评估时可以为经验曲线，对于运转磨损模型，可以输入累积运行时间，返回设备自然老化程度评分。

在本申请的示例性实施例中，下面给出用于进行冷水机组健康度检测的方法实施例，如图2所示，可以包括步骤s201至s205：

s201、获取冷水机组的实时运行状态数据；

s202、获取冷水机组的累积运行时间；

s203、根据实时运行状态数据和冷水机组运转状态偏离模型得到当前冷水机组运转状态偏离程度评分；

s204、根据累积运行时间和冷水机组运转磨损模型得到当前冷水机组自然磨损偏离程度评分；

s205、根据当前冷水机组运转状态偏离程度评分和当前冷水机组自然磨损偏离程度评分得到当前冷水机组的健康度评分。

在本申请的示例性实施例中，本申请实施例方案相较于当前技术方案至少具有以下几点优势：

(1)可对设备(例如冷水机组)的健康状态进行数字评分，更为直观。

(2)节省大量人力物力资源。

(3)可实现对设备进行全寿命周期的记录和分析。

本申请实施例还提供了一种设备的健康状态检测装置1，如图3所示，可以包括处理器11和计算机可读存储介质12，所述计算机可读存储介质12中存储有指令，当所述指令被所述处理器11执行时，实现上述任意一项所述的设备的健康状态检测方法。

在本申请的示例性实施例中，前述的方法实施例中的任意实施例均适用于该装置实施例中，在此不再一一赘述。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。