CN117234166B - 一种设备的故障感知运维方法及系统 - Google Patents

Abstract

本公开提供了一种设备的故障感知运维方法及系统，涉及智能控制技术，方法包括：构建设备特征集，包括设备尺寸特征、设备流量特征；确定设备工作模式；构建响应参数集合，所述响应参数集合通过大数据提取的响应参数数据库和清洁影响因子构建；提取设备的供应管道特征，生成标定热损失数据；构建设备监督特征集，包括供应压力特征、直管道流速特征、换热结果特征；通过环境特征因子对标定热损失数据补偿，根据补偿结果和响应参数集合对设备监督特征集进行故障协同识别；根据故障协同识别结果进行设备的响应控制。能够解决由于多种因素干扰造成设备故障感知准确率较低的技术问题，可以提高设备故障感知的准确率，从而提高设备控制的精准度。

Description

一种设备的故障感知运维方法及系统

技术领域

本公开涉及智能控制技术，并且更具体地，涉及一种设备的故障感知运维方法及系统。

背景技术

在现代工业生产中，设备故障和停机时间对企业来说是极具挑战性和成本高昂的问题，为了解决这一问题，预测性维护作为一种先进的维护策略应运而生。

预测性维护是通过对设备运行数据进行分析，并根据数据分析结果对设备可能发生的故障进行感知和预测，现有的设备故障感知过程中，由于对外界和内在等多个干扰因素分析的精度和准确率较低，造成设备故障感知准确率较低，影响了设备控制的精准度。

现有的设备故障感知方法存在的不足之处在于：由于多种因素干扰造成设备故障感知准确率较低。

发明内容

因此，为了解决上述技术问题，本公开的实施例采用的技术方案如下：

一种设备的故障感知运维方法，包括以下步骤：构建设备的设备特征集，所述设备特征集依据设备的基础数据构建，所述设备特征集包括设备尺寸特征、设备流量特征；确定所述设备的设备工作模式，所述设备工作模式为通过建立与所述设备的通信连接后，读取所述设备的控制参数获得；构建响应参数集合，所述响应参数集合通过大数据提取的响应参数数据库和清洁影响因子构建，所述响应参数数据为以所述设备工作模式、所述设备特征集为基础数据匹配获得；依据所述设备特征集提取所述设备的供应管道特征，并依据所述供应管道特征和所述设备工作模式生成标定热损失数据；构建设备监督特征集，所述设备监督特征集包括供应压力特征、直管道流速特征、换热结果特征；采集生成环境特征因子，通过所述环境特征因子对所述标定热损失数据补偿，并根据补偿结果和所述响应参数集合对所述设备监督特征集进行故障协同识别；根据故障协同识别结果进行设备的响应控制。

一种设备的故障感知运维系统，包括：设备特征集构建模块，所述设备特征集构建模块用于构建设备的设备特征集，所述设备特征集依据设备的基础数据构建，所述设备特征集包括设备尺寸特征、设备流量特征；设备工作模式确定模块，所述设备工作模式确定模块用于确定所述设备的设备工作模式，所述设备工作模式为通过建立与所述设备的通信连接后，读取所述设备的控制参数获得；响应参数集合构建模块，所述响应参数集合构建模块用于构建响应参数集合，所述响应参数集合通过大数据提取的响应参数数据库和清洁影响因子构建，所述响应参数数据为以所述设备工作模式、所述设备特征集为基础数据匹配获得；标定热损失数据生成模块，所述标定热损失数据生成模块用于依据所述设备特征集提取所述设备的供应管道特征，并依据所述供应管道特征和所述设备工作模式生成标定热损失数据；设备监督特征集构建模块，所述设备监督特征集构建模块用于构建设备监督特征集，所述设备监督特征集包括供应压力特征、直管道流速特征、换热结果特征；故障协同识别模块，所述故障协同识别模块用于采集生成环境特征因子，通过所述环境特征因子对所述标定热损失数据补偿，并根据补偿结果和所述响应参数集合对所述设备监督特征集进行故障协同识别；设备响应控制模块，所述设备响应控制模块用于根据故障协同识别结果进行设备的响应控制。

由于采用了上述技术方法，本公开相对于现有技术来说，取得的技术进步有如下几点：

可以解决现有的设备故障感知方法由于多种因素干扰造成设备故障感知准确率较低的技术问题，通过结合响应参数数据库和清洁影响因子构建响应参数集合，可以消除清洁影响因子对响应参数的干扰，提高响应参数集合构建的准确率；生成环境特征因子对标定热损失数据进行补偿，可以消除环境对标定热损失数据的干扰，提高标定热损失数据的准确性；最后根据补偿完成的标定热损失数据和响应参数集合对设备进行故障感知，可以消除多种因素干扰，提高设备故障感知的准确率，从而提高设备控制的精准度。

附图说明

为了更清楚地说明本公开的实施例的技术方案，下面将对实施例的描述中所需要使用的附图作简单的介绍。

图1为本申请提供了一种设备的故障感知运维方法的流程示意图；

图2为本申请提供了一种设备的故障感知运维方法中构建响应参数集合的流程示意图；

图3为本申请提供了一种设备的故障感知运维系统的结构示意图。

具体实施方式

下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整的描述。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

基于上述描述，如图1所示，本公开提供了一种设备的故障感知运维方法，包括：

构建设备的设备特征集，所述设备特征集依据设备的基础数据构建，所述设备特征集包括设备尺寸特征、设备流量特征；

本申请提供的方法用于提高设备故障感知的准确率，从而进一步提高设备控制的精准度，其中所述设备主要是指换热器这种设备，但本方法的适用范围并不只限于换热器，为了使本领域技术人员方便理解，在以下实施例中，主要是通过换热器进行举例说明，本申请提供的方法具体实施于一种设备的故障感知运维系统。

换热器是一种在不同温度的两种或两种以上流体间实现物料之间热量传递的节能设备，是使热量由温度较高的流体传递给温度较低的流体，使流体温度达到流程规定的指标。

首先，获取设备的基础数据，其中设备基础数据包括设备品牌、设备类型、设备型号、设备尺寸、设备运行控制参数等数据，然后对设备基础数据中的设备特征数据进行提取，其中设备特征数据包括设备尺寸特征和设备流量特征，设备尺寸特征包括设备各部件的结构和各部件的尺寸大小，以换热器举例，其中包括直管、螺旋管、流路板等部件；其中设备流量特征是指设备的流速、热量损失、换热效果等特征，例如：换热器中管道内液体的流速、传热效率等。获得设备尺寸特征和设备流量特征，并根据设备尺寸特征和设备流量特征构建设备特征集。通过构建设备特征集，为下一步进行设备运行数据分析，构建响应参数集合提供了数据支持。

确定所述设备的设备工作模式，所述设备工作模式为通过建立与所述设备的通信连接后，读取所述设备的控制参数获得；

其中，所述设备与所述一种设备的故障感知运维系统通过信号传输的方式实现数据交互，首先，建立所述系统与所述设备的通信连接，在连接建立完成后，获取所述设备的控制参数，其中控制参数是指当前设备的运行控制参数，以换热器为例，其中运行控制参数包括管道内液体流速、换热量等参数，然后根据设备的控制参数确定设备工作模式。通过获得设备工作模式，为下一步获取响应参数数据提供了支持。

构建响应参数集合，所述响应参数集合通过大数据提取的响应参数数据库和清洁影响因子构建，所述响应参数数据为以所述设备工作模式、所述设备特征集为基础数据匹配获得；

如图2所示，在一个实施例中，所述方法还包括：

根据所述设备特征集调用设备ID；

以所述设备ID作为回溯特征，执行所述设备的同批次设备回溯，并获得设备回溯的批次测试数据集，其中，所述批次测试数据集带有样本量标识；

调用同型号的同型测试数据集，其中，所述同型测试数据集为与所述设备同型号设备的设备测试数据，且所述同型测试数据集的调用量通过所述样本量确定；

配置同批次设备和同型号设备的初始信任值，依据样本量比例对所述初始信任值进行信任调整；

根据信任调整结果提取所述批次测试数据集和所述同型测试数据集的测试特征，以构建所述响应参数集合。

基于大数据技术，根据设备特征集进行相关数据查询，根据数据查询结果构建响应参数数据库。

首先，根据所述设备特征集获取设备ID，其中设备ID是指用于表征设备身份的序列号，其中每个设备都具有唯一性的设备ID。然后将所述设备ID作为回溯特征，其中回溯特征即为信息搜索特征，基于大数据技术进行数据搜索，获得所述设备的多个同批次设备，其中同批次设备是指与所述设备相同生产批次且型号相同的设备，并根据多个同批次设备获得多个同批次设备的批次测试数据集，其中所述批次测试数据集带有样本量标识，所述样本量是指所述批次测试数据集的样本数量。所述批次测试数据集是指同批次设备运行时的设备测试数据，其中设备测试数据中包括设备运行时的流速、压力供应、换热效果等数据。

然后根据所述设备ID调用同型号设备的设备测试数据，其中同型号设备是指所述设备相同型号、不同批次的设备，其中所述同型测试数据集的调用量通过所述样本量确定，当所述样本量较大时，则适当减小同型测试数据集的调用量，当所述样本量较小时，则可适当增大同型测试数据集的调用量。

对同批次设备和同型号设备进行初始信任值配置，其中同批次设备的初始信任值大于同型号设备的初始信任值，即同批次设备的可信程度更高一点，其中初始信任值具体的数值可根据实际情况自行设置。然后根据样本量比例对所述初始信任值进行信任调整，其中样本量比例是指样本量与调用量的比值，其中样本量越大，则表征同批次设备的数量越多，则增大同批次设备的初始信任值，样本量越小，则表征同型号设备的数量越多，则增大同型号设备的初始信任值。获得同批次设备和同型号设备的信任调整结果。

然后根据信任调整结果对所述批次测试数据集和所述同型测试数据集的测试特征进行提取，并根据测试特征提取结果构建响应参数集合。

通过根据样本量比例对同批次设备和同型号设备的初始信任值进行调整，可以提高测试数据集中测试特征获得的准确率，从而提高响应参数数据库构建的准确率。

在一个实施例中，所述方法还包括：

依据所述批次测试数据集建立样本均值标准线；

以所述样本均值标准线作为评价基准，对所述同型测试数据集和所述批次测试数据集进行个体离散评价；

根据个体离散评价结果和所述信任调整结果进行个体偏离计算，根据个体偏离计算结果进行样本淘汰，以构建所述响应参数集合。

将所述批次测试数据集中的流速、压力供应、换热效果进行均值处理，获得所述批次测试数据的流速平均值、压力供应平均值和换热效果平均值，然后根据流速平均值、压力供应平均值和换热效果平均值建立样本均值标准线。

将所述样本均值标准线作为评价基准，根据所述样本均值标准线对所述同型测试数据集和所述批次测试数据集进行个体离散评价，其中个体离散评价是指根据所述同型测试数据集和所述批次测试数据集中测试数据与样本均值标准线的差值，判断测试数据的离散程度，其中测试数据与样本均值标准线的差值越大，则个体离散程度越高；差值越小，则个体离散程度越低。其中个体离散程度可通过设置个体离散系数表示，个体离散程度越大，则个体离散系数越大，个体离散程度越小，则个体离散系数越小，本领域技术人员可根据实际情况对个体离散系数进行赋值。

然后根据个体离散评价结果和所述信任调整结果进行个体偏离计算，首先，可根据信任调整结果进行个体离散权重值设置，其中个体的信任值越大，则表征个体测试数据越可靠，则权重值越小，个体的信任值越小，则权重值越大，可通过现有的变异系数法根据信任调整结果进行权重值设置，变异系数法为本领域技术人员常用的赋权方法，在此不进行展开说明，获得个体离散权重值。

然后根据个体离散权重值对所述个体离散评价结果进行加权计算，即将个体离散权重值乘以对应的个体离散系数，获得个体偏离计算结果。设置个体偏离阈值，其中个体偏离阈值可根据测试数据和样本量的实际情况进行设置。根据个体偏离阈值对个体偏离计算结果进行判断，当个体偏离计算结果大于所述个体偏离阈值时，则将个体偏离计算结果对应的样本进行淘汰，并根据剩余个体即剩余测试数据构建响应参数数据库。

通过基于大数据进行同批次和同型号设备的测试数据查询和提取，并对提取的测试数据进行数据可靠性筛选，根据筛选后的可靠数据构建响应参数数据库，可以提高响应参数数据库构建的准确性，从而可以提高响应参数集合获得的准确性。

获取所述设备的清洁影响因子，其中清洁影响因子用于表征设备管道内的清洁状态对响应参数的影响程度，其中影响程度越小，则清洁影响因子越小，影响程度越大，则清洁影响因子越大；例如：在换热器使用过程中，会根据使用时长产生相应的污垢、水垢等杂质，需要定期进行管道清洁来保证换热器的使用效率。所述清洁影响因子可根据距离最近一次的设备清洁时间间隔进行设置，其中时间间隔越短，则表征设备清洁程度越高，则清洁影响因子越小，时间间隔越长，则表征设备清洁程度越低，则清洁影响因子越大。

然后将所述设备工作模式、所述设备特征集输入所述响应参数数据库进行响应参数匹配，获得响应参数集合，并根据清洁影响因子对所述响应参数集合进行调整，例如：以换热器为例，在换热器管道内污垢较多时，当压力供应不变时，管道内液体流速会增大，此时则根据清洁影响因子的大小对管道内液体流速进行调整，可以消除管道内污垢对液体流速的影响，使得液体流速更贴合实际情况。获得清洁影响因子调整完成的响应参数集合。

通过获得响应参数集合，为下一步进行设备故障感知提供了支持，由于构建响应参数集合时考虑了管道清洁程度对响应参数集合的影响，可以提高响应参数集合获得的准确率，同时也可以提高设备故障感知的精准度。

依据所述设备特征集提取所述设备的供应管道特征，并依据所述供应管道特征和所述设备工作模式生成标定热损失数据；

根据所述设备特征集对所述设备的供应管道特征进行提取，其中供应管道是指设备中液体的供应输送管道，供应管道特征包括管道材质、管道尺寸、管道厚度等特征，然后根据所述供应管道特征和所述设备工作模式进行热损失数据计算，其中热损失是指换热器工作过程中的热量损失比例，获得标定热损失数据，所述标定热损失数据是指不考虑其他因素影响情况下的标准热损失比例。通过获得标定热损失数据，为下一步进行设备运行状态识别提供了判断依据。

构建设备监督特征集，所述设备监督特征集包括供应压力特征、直管道流速特征、换热结果特征；

获取设备监督指标，其中设备监督指标包括压力、直管道流速、换热结果，其中换热结果是指换热器的传热效率。根据设备监督指标对设备进行监测，获取设备的实时监督特征集即设备监督特征集，其中所述设备监督特征集包括供应压力特征、直管道流速特征、换热结果特征。通过获得设备监督特征集，为下一步进行设备故障识别提供了数据支持。

采集生成环境特征因子，通过所述环境特征因子对所述标定热损失数据补偿，并根据补偿结果和所述响应参数集合对所述设备监督特征集进行故障协同识别；

通过温度传感器对设备所处的环境温度进行采集，获得环境温度数据，并根据环境温度数据生成环境特征因子，然后根据所述环境特征因子对所述标定热损失数据进行优化调整，例如：当通过换热器给机器设备进行降温，当温度过高，大于标准运行温度时，则机器降温难度增大，热损失数据会大于标定热损失数据，则需要增大标定热损失数据的值，当温度小于标准运行温度时，则适当减小标定热损失数据的值。获得标定热损失数据补偿结果。然后根据标定热损失数据补偿结果和所述响应参数集合对所述设备监督特征集进行故障协同识别。

在一个实施例中，所述方法还包括：

生成压力供应异常识别结果，所述压力供应异常识别结果以所述响应参数集合对所述供应压力特征进行压力识别获得，且所述压力供应异常识别结果包括稳态值异常结果和稳定性异常结果；

在一个实施例中，所述方法还包括：

构建驱动参数集合，所述驱动参数集合通过监测所述设备的输入电压信号获得；

以标准电压信号作为参考信号，对所述驱动参数集合进行供应压力影响映射；

根据映射结果执行所述压力供应异常识别结果的识别补偿。

根据所述响应参数集合对所述供应压力特征进行压力识别，当所述供应压力特征不满足所述响应参数集合中的供应压力时，则将所述供应压力特征标记为压力供应异常，获得压力供应异常识别结果，然后根据设备电压对所述压力供应异常识别结果进行优化调整。

首先，对所述设备运行过程中的输入电压进行监测，获得所述设备运行过程中的输入电压信号集合，并根据输入电压信号集合构建驱动参数集合。

获取所述设备运行过程中的标准电压信号，其中标准电压信号是指设备处于正常工作状态的电压值。然后将所述标准电压信号作为参考信号，对所述驱动参数集合进行供应压力影响映射，所述供应压力影响映射是指建立电压与供应压力的映射关系，其中电压越大，则供应压力越大，电压越小，则供应压力越小。

然后根据映射结果对所述压力供应异常识别结果进行识别补偿，例如：假设标准电压情况下供应压力为10，当设备输入电压过小时，此时根据电压映射的供应压力为9.8，则供应压力9.8为正常值，并不存在设备压力供应异常的情况。根据所述响应参数集合中的供应压力对经过识别补偿的压力供应异常识别结果进行判断，生成压力供应异常识别结果，其中所述压力供应异常识别结果包括稳态值异常结果和稳定性异常结果，所述稳态值异常结果是指供应压力特征与标准供应压力特征的幅度差值，所述稳定性异常结果是指供应压力特征的波动频率。

通过构建输入电压-供应压力的映射关系对压力供应异常识别结果进行识别补偿，可以提高压力供应异常识别结果获得的准确率。

以所述压力供应异常识别结果作为第一协同数据，通过所述响应参数集合对所述直管道流速特征进行流速的协同异常识别，生成流速异常识别结果；

根据所述压力供应异常识别结果和所述流速异常识别结果获得所述故障协同识别结果。

将所述压力供应异常识别结果作为第一协同数据，然后根据所述响应参数集合对所述直管道流速特征进行流速的协同异常识别，当所述直管道流速特征不满足所述响应参数集合中的流速时，则将所述直管道流速特征标记为流速异常，获得流速异常识别结果。然后根据所述压力供应异常识别结果和所述流速异常识别结果获得故障协同识别结果。

在一个实施例中，所述方法还包括：

以所述流速异常识别结果作为第二协同数据，通过所述第二协同数据对所述补偿结果进行结果修正；

根据修正结果对所述响应参数集合的换热响应进行热损补偿，生成热损补偿数据；

通过所述第一协同数据对所述响应参数集合的换热响应进行换热效率补偿，生成效率转换补偿数据；

通过所述热损补偿数据和所述效率转换补偿数据对所述换热响应进行调整，根据调整结果进行所述换热结果特征的异常识别，生成换热控制异常识别结果；

根据所述压力供应异常识别结果、所述流速异常识别结果所述换热控制异常识别结果获得所述故障协同识别结果。

将所述流速异常识别结果作为第二协同数据，并根据所述第二协同数据对标定热损失数据补偿结果进行结果修正，在之前根据环境特征因子对标定热损失数据进行补偿时，并未考虑到标定热损失数据与流速之间的关系，此处结果修正用于消除流速异常识别结果对标定热损失数据补偿结果的影响，例如：当流速异常识别结果低于所述响应参数集合中的标准流速时，则流速变慢时，消耗的能量会更高，会增大标定热损失数据；当流速异常识别结果大于所述响应参数集合中的标准流速时，则会减小标定热损失数据。获得标定热损失数据补偿结果的修正结果。然后根据修正结果对所述响应参数集合的换热响应进行热损补偿，即根据修正结果对换热响应的标准热损数据进行调整，生成热损补偿数据。

通过所述第一协同数据对所述响应参数集合的换热响应进行换热效率补偿，其中换热效率补偿是指根据所述压力供应异常识别结果对换热效率进行优化调整，例如：当压力供应识别结果小于响应参数集合中的供应压力特征或压力供应识别结果波动幅度较大时，则需要适当减小换热效率，生成效率转换补偿数据。

然后根据所述热损补偿数据和所述效率转换补偿数据对所述换热响应进行调整，例如：当热损补偿变大，效率转化变小时，则需要适当减小换热响应，获得调整完成的换热响应。并根据调整完成的换热响应对所述换热结果特征的异常识别，当所述换热结果特征满足调整完成的换热响应时，则对所述换热结果特征进行异常标记，获得换热控制异常识别结果。

最后根据所述压力供应异常识别结果、所述流速异常识别结果所述换热控制异常识别结果组建故障协同识别结果，获得所述故障协同识别结果。通过获得故障协同识别结果，为下一步对设备进行精准控制提供了支持。

根据故障协同识别结果进行设备的响应控制。

在一个实施例中，所述方法还包括：

收集所述故障协同识别结果以构建所述设备的设备故障特征集；

依据所述设备故障特征集构建敏感关联因子；

通过所述敏感关联因子执行后续的故障识别。

根据故障协同识别结果进行判断，当所述故障协同识别结果中的压力供应异常识别结果、流速异常识别结果、换热控制异常识别结果有一项或多项存在异常标记时，说明设备此时存在故障特征，则生成异常运行预警信号，并根据异常运行预警信号对设备进行响应控制，例如：停机检修等。

在设备存在故障特征时，对故障协同识别结果进行记录，并对故障协同识别结果中的设备故障特征进行提取，例如：供应压力不稳定、热损失过大等，构建设备故障特征集。然后根据所述设备故障特征集构建敏感关联因子，所述敏感关联因子是指造成设备故障特征的关键原因，例如：当设备存在供应压力不稳定时，输入电压不稳定就是敏感关联因子。最后根据所述敏感关联因子执行后续的故障识别，可以提高设备故障识别的效率。

通过上述方法解决了现有的设备故障感知方法由于多种因素干扰造成设备故障感知准确率较低的技术问题，可以提高设备故障感知的准确率，从而提高设备控制的精准度。

在一个实施例中，如图3所示提供了一种设备的故障感知运维系统，包括：

设备特征集构建模块，所述设备特征集构建模块用于构建设备的设备特征集，所述设备特征集依据设备的基础数据构建，所述设备特征集包括设备尺寸特征、设备流量特征；

设备工作模式确定模块，所述设备工作模式确定模块用于确定所述设备的设备工作模式，所述设备工作模式为通过建立与所述设备的通信连接后，读取所述设备的控制参数获得；

响应参数集合构建模块，所述响应参数集合构建模块用于构建响应参数集合，所述响应参数集合通过大数据提取的响应参数数据库和清洁影响因子构建，所述响应参数数据为以所述设备工作模式、所述设备特征集为基础数据匹配获得；

标定热损失数据生成模块，所述标定热损失数据生成模块用于依据所述设备特征集提取所述设备的供应管道特征，并依据所述供应管道特征和所述设备工作模式生成标定热损失数据；

设备监督特征集构建模块，所述设备监督特征集构建模块用于构建设备监督特征集，所述设备监督特征集包括供应压力特征、直管道流速特征、换热结果特征；

故障协同识别模块，所述故障协同识别模块用于采集生成环境特征因子，通过所述环境特征因子对所述标定热损失数据补偿，并根据补偿结果和所述响应参数集合对所述设备监督特征集进行故障协同识别；

设备响应控制模块，所述设备响应控制模块用于根据故障协同识别结果进行设备的响应控制。

在一个实施例中，所述系统还包括：

压力供应异常识别结果生成模块，所述压力供应异常识别结果生成模块用于生成压力供应异常识别结果，所述压力供应异常识别结果以所述响应参数集合对所述供应压力特征进行压力识别获得，且所述压力供应异常识别结果包括稳态值异常结果和稳定性异常结果；

流速异常识别结果生成模块，所述流速异常识别结果生成模块用于以所述压力供应异常识别结果作为第一协同数据，通过所述响应参数集合对所述直管道流速特征进行流速的协同异常识别，生成流速异常识别结果；

故障协同识别结果获得模块，所述故障协同识别结果获得模块用于根据所述压力供应异常识别结果和所述流速异常识别结果获得所述故障协同识别结果。

在一个实施例中，所述系统还包括：

补偿结果修正模块，所述补偿结果修正模块用于以所述流速异常识别结果作为第二协同数据，通过所述第二协同数据对所述补偿结果进行结果修正；

热损补偿数据生成模块，所述热损补偿数据生成模块用于根据修正结果对所述响应参数集合的换热响应进行热损补偿，生成热损补偿数据；

换热效率补偿模块，所述换热效率补偿模块用于通过所述第一协同数据对所述响应参数集合的换热响应进行换热效率补偿，生成效率转换补偿数据；

换热控制异常识别结果生成模块，所述换热控制异常识别结果生成模块用于通过所述热损补偿数据和所述效率转换补偿数据对所述换热响应进行调整，根据调整结果进行所述换热结果特征的异常识别，生成换热控制异常识别结果；

故障协同识别结果获得模块，所述故障协同识别结果获得模块用于根据所述压力供应异常识别结果、所述流速异常识别结果所述换热控制异常识别结果获得所述故障协同识别结果。

在一个实施例中，所述系统还包括：

设备ID调用模块，所述设备ID调用模块用于根据所述设备特征集调用设备ID；

同批次设备回溯执行模块，所述同批次设备回溯执行模块用于以所述设备ID作为回溯特征，执行所述设备的同批次设备回溯，并获得设备回溯的批次测试数据集，其中，所述批次测试数据集带有样本量标识；

同型测试数据集调用模块，所述同型测试数据集调用模块用于调用同型号的同型测试数据集，其中，所述同型测试数据集为与所述设备同型号设备的设备测试数据，且所述同型测试数据集的调用量通过所述样本量确定；

信任调整模块，所述信任调整模块用于配置同批次设备和同型号设备的初始信任值，依据样本量比例对所述初始信任值进行信任调整；

响应参数集合构建模块，所述响应参数集合构建模块用于根据信任调整结果提取所述批次测试数据集和所述同型测试数据集的测试特征，以构建所述响应参数集合。

在一个实施例中，所述系统还包括：

样本均值标准线建立模块，所述样本均值标准线建立模块用于依据所述批次测试数据集建立样本均值标准线；

个体离散评价模块，所述个体离散评价模块用于以所述样本均值标准线作为评价基准，对所述同型测试数据集和所述批次测试数据集进行个体离散评价；

样本淘汰模块，所述样本淘汰模块用于根据个体离散评价结果和所述信任调整结果进行个体偏离计算，根据个体偏离计算结果进行样本淘汰，以构建所述响应参数集合。

在一个实施例中，所述系统还包括：

驱动参数集合构建模块，所述驱动参数集合构建模块用于构建驱动参数集合，所述驱动参数集合通过监测所述设备的输入电压信号获得；

供应压力影响映射模块，所述供应压力影响映射模块用于以标准电压信号作为参考信号，对所述驱动参数集合进行供应压力影响映射；

识别补偿模块，所述识别补偿模块用于根据映射结果执行所述压力供应异常识别结果的识别补偿。

在一个实施例中，所述系统还包括：

设备故障特征集构建模块，所述设备故障特征集构建模块用于收集所述故障协同识别结果以构建所述设备的设备故障特征集；

敏感关联因子构建模块，所述敏感关联因子构建模块用于依据所述设备故障特征集构建敏感关联因子；

后续故障识别模块，所述后续故障识别模块用于通过所述敏感关联因子执行后续的故障识别。

综上所述，与现有技术相比，本公开的实施例具有以下技术效果：

（1）根据补偿完成的标定热损失数据和响应参数集合对设备进行故障感知，可以消除多种因素干扰，提高设备故障感知的准确率，从而提高设备控制的精准度。

（2）通过基于大数据进行同批次和同型号设备的测试数据查询和提取，并对提取的测试数据进行数据可靠性筛选，根据筛选后的可靠数据构建响应参数数据库，可以提高响应参数数据库构建的准确性，从而可以提高响应参数集合获得的准确性。

（3）通过获得响应参数集合，为下一步进行设备故障感知提供了支持，由于构建响应参数集合时考虑了管道清洁程度对响应参数集合的影响，可以提高响应参数集合获得的准确率，同时也可以提高设备故障感知的精准度。

以上所述实施例仅表达了本公开的几种实施方式，但并不能因此而理解为对发明专利范围的限制。因此，在不脱离如由所附权利要求限定的本公开构思的范围的情况下，本领域普通技术人员可做出各种类型的替换、修改和变更，并且这些替换、修改和变更都属于本公开的保护范围。

Claims (5)

1.一种设备的故障感知运维方法，其特征在于，所述方法包括：

构建设备的设备特征集，所述设备特征集依据设备的基础数据构建，所述设备特征集包括设备尺寸特征、设备流量特征；

确定所述设备的设备工作模式，所述设备工作模式为通过建立与所述设备的通信连接后，读取所述设备的控制参数获得；

构建响应参数集合，所述响应参数集合通过大数据提取的响应参数数据库和清洁影响因子构建，所述响应参数数据为将所述设备工作模式、所述设备特征集输入所述响应参数数据库进行响应参数匹配获得，并根据清洁影响因子对所述响应参数集合进行调整，所述清洁影响因子用于表征设备管道内的清洁状态对响应参数的影响程度；

依据所述设备特征集提取所述设备的供应管道特征，并依据所述供应管道特征和所述设备工作模式生成标定热损失数据；

构建设备监督特征集，所述设备监督特征集包括供应压力特征、直管道流速特征、换热结果特征；

采集生成环境特征因子，通过所述环境特征因子对所述标定热损失数据补偿，并根据补偿结果和所述响应参数集合对所述设备监督特征集进行故障协同识别；

根据故障协同识别结果进行设备的响应控制；

其中，所述构建响应参数集合包括：

根据所述设备特征集调用设备ID；

以所述设备ID作为回溯特征，执行所述设备的同批次设备回溯，并获得设备回溯的批次测试数据集，其中，所述批次测试数据集带有样本量标识；

调用同型号的同型测试数据集，其中，所述同型测试数据集为与所述设备同型号设备的设备测试数据，且所述同型测试数据集的调用量通过所述样本量确定；

配置同批次设备和同型号设备的初始信任值，依据样本量比例对所述初始信任值进行信任调整；

根据信任调整结果提取所述批次测试数据集和所述同型测试数据集的测试特征，以构建所述响应参数集合；

所述根据补偿结果和所述响应参数集合对所述设备监督特征集进行故障协同识别，包括：

生成压力供应异常识别结果，所述压力供应异常识别结果以所述响应参数集合对所述供应压力特征进行压力识别获得，且所述压力供应异常识别结果包括稳态值异常结果和稳定性异常结果；

以所述压力供应异常识别结果作为第一协同数据，通过所述响应参数集合对所述直管道流速特征进行流速的协同异常识别，生成流速异常识别结果；

根据所述压力供应异常识别结果和所述流速异常识别结果获得所述故障协同识别结果；

以所述流速异常识别结果作为第二协同数据，通过所述第二协同数据对所述补偿结果进行结果修正；

根据修正结果对所述响应参数集合的换热响应进行热损补偿，生成热损补偿数据；

通过所述第一协同数据对所述响应参数集合的换热响应进行换热效率补偿，生成效率转换补偿数据；

通过所述热损补偿数据和所述效率转换补偿数据对所述换热响应进行调整，根据调整结果进行所述换热结果特征的异常识别，生成换热控制异常识别结果；

根据所述压力供应异常识别结果、所述流速异常识别结果和所述换热控制异常识别结果获得所述故障协同识别结果。

2.如权利要求1所述的方法，其特征在于，所述方法还包括：

依据所述批次测试数据集建立样本均值标准线；

以所述样本均值标准线作为评价基准，对所述同型测试数据集和所述批次测试数据集进行个体离散评价；

根据个体离散评价结果和所述信任调整结果进行个体偏离计算，根据个体偏离计算结果进行样本淘汰，以构建所述响应参数集合。

3.如权利要求1所述的方法，其特征在于，所述方法还包括：

构建驱动参数集合，所述驱动参数集合通过监测所述设备的输入电压信号获得；

以标准电压信号作为参考信号，对所述驱动参数集合进行供应压力影响映射；

根据映射结果执行所述压力供应异常识别结果的识别补偿。

4.如权利要求1所述的方法，其特征在于，所述方法还包括：

收集所述故障协同识别结果以构建所述设备的设备故障特征集；

依据所述设备故障特征集构建敏感关联因子；

通过所述敏感关联因子执行后续的故障识别。

5.一种设备的故障感知运维系统，其特征在于，用于执行权利要求1-4中所述的一种设备的故障感知运维方法中任意一项方法的步骤，所述系统包括：

设备特征集构建模块，所述设备特征集构建模块用于构建设备的设备特征集，所述设备特征集依据设备的基础数据构建，所述设备特征集包括设备尺寸特征、设备流量特征；

设备工作模式确定模块，所述设备工作模式确定模块用于确定所述设备的设备工作模式，所述设备工作模式为通过建立与所述设备的通信连接后，读取所述设备的控制参数获得；

响应参数集合构建模块，所述响应参数集合构建模块用于构建响应参数集合，所述响应参数集合通过大数据提取的响应参数数据库和清洁影响因子构建，所述响应参数数据为将所述设备工作模式、所述设备特征集输入所述响应参数数据库进行响应参数匹配获得，并根据清洁影响因子对所述响应参数集合进行调整，所述清洁影响因子用于表征设备管道内的清洁状态对响应参数的影响程度；

标定热损失数据生成模块，所述标定热损失数据生成模块用于依据所述设备特征集提取所述设备的供应管道特征，并依据所述供应管道特征和所述设备工作模式生成标定热损失数据；

设备监督特征集构建模块，所述设备监督特征集构建模块用于构建设备监督特征集，所述设备监督特征集包括供应压力特征、直管道流速特征、换热结果特征；

故障协同识别模块，所述故障协同识别模块用于采集生成环境特征因子，通过所述环境特征因子对所述标定热损失数据补偿，并根据补偿结果和所述响应参数集合对所述设备监督特征集进行故障协同识别；

设备响应控制模块，所述设备响应控制模块用于根据故障协同识别结果进行设备的响应控制。