带有风险控制的设备维修预警装置的制作方法
专利名称：带有风险控制的设备维修预警装置的制作方法
技术领域：
本实用新型涉及一种设备维修预警装置，尤其涉及一种带有风险控制的设备维修
预警装置。
背景技术：
现代设备具有复杂、精密、价格高、功率大的特点，其安全性和可靠性要求比较高。 因此，对设备系统实时在线监控，建立有效、准确的故障诊断及预警系统显得十分重要。现有的方法在实际的应用中都取得了一定的效果，但是存在着一些局限性，主要 如下1、各种信息检测手段和预警方法都未能将诊断对象看成一个有机的整体，未能有效 的考虑设备的各个部件之间可能存在的相互联系和影响。2、难以处理多种故障并存的复杂 情况。在实际的设备故障演变过程中，系统的各个部件之间有着紧密的联系，各种故障经常 同时发生，因此现有技术方法还很难得到较为准确的预测值。风险维修(Risk Based Maintenance，简称RBM)是基于风险分析和评价而制订 维修策略的方法。风险维修也是以设备或部件处理的风险为评判基础的维修策略管理模 式。设备维修模式以及技术体系的发展分为四个阶段，即事后维修、计划维修、状态维修 和风险维修，由此可见，风险维修作为下一代的以可靠性为中心的维修方法(Reliability Centered Maintenance,简称RCM)，是现代设备维修管理的发展方向。关联规则(Association Rule)是为了挖掘出隐藏在数据之间的相互关系，找出所 有能把一组事件或数据项与另一组事件或数据项联系起来的规则。挖掘关联规则的基本思路给定一个事务集，挖掘关联规则的任务就是生成支持 度(support)和置信度(confidence)分别大于用户给定的最小支持度(minsupp)和最小 置信度(minconf)的关联规则。满足最小支持度、最小置信度和相关度要求的规则称为强 规则。寻找出所有有效的强规则就是关联规则数据挖掘要完成的任务。神经网络有很强的非线性拟合能力，可映射任意复杂的非线性关系，而且学习规 则简单，便于计算机实现。具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学 习能力，因此有很大的应用市场。BP (Back Propagation)神经网络，即误差反传误差反向传播算法的学习过程，由 信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输 入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变 化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各 神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出 信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出 层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向 传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此 过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。发明内容本实用新型的主要目的在于提供一种可以通过对监测设备的数据进行分析和处 理达到预测其设备潜在故障风险值的装置，当达到或超过规定的阈值时，装置报警并显示 故障类型及故障风险值。在实际的生产中，设备的状态变化是一个连续的过程，在到达当前的状态下继续 运行，其设备各个部件的磨损概率是不同的，即会产生有选择的磨损。本实用新型提出一种 带有风险控制的设备维修预警装置，通过对监测设备的数据进行分析和处理达到预测其设 备潜在故障风险值的目的。该装置采用实时动态决策方法，根据设备运行过程中的信息实 时预测的设备潜在故障风险值，使其更符合实际情况。该实用新型在实际中有很强的应用 价值。本实用新型解决其技术问题所采用的技术方案是带有风险控制的设备维修预警 装置，包括外部系统监测接口模块以及连接外部系统监测接口模块的设备故障预警装置， 其中外部系统监测接口模块将被监测设备的相关数据发送给设备故障预警装置，所述设备 故障预警装置包括数据处理器、模式匹配模块、后果预测模块、关联挖掘模块、BP神经网 络模块、风险预测模块和输出显示装置，其中，数据处理器用于连接外部系统监测接口模块，接收外部系统监测接口模块发送 的被监测设备的相关数据，规范数据提取特征值，并发送给模式匹配模块；模式匹配模块与数据处理器、关联挖掘模块和后果预测模块、风险预测模块连 接，接收关联挖掘模块发送的关联规则模式并保存，当接收到数据处理器发送的规范过的 相关特征值，将所述相关特征值与保存的关联规则模式相匹配，即判断设备是否出现退化 征兆，若匹配不成功，则说明设备没有出现退化征兆，返回继续监测数据。若匹配成功，则说 明设备出现退化征兆，按照匹配结果记录每个匹配成功的潜在故障的支持度，即潜在故障 发生概率值，并将所述概率值发送给风险预测模块，同时将匹配的潜在故障发生可能产生 的后果因素值，即设备自身风险值、人身风险值、环境风险值、社会风险值和系统风险值发 送给后果预测模块；后果预测模块与模式匹配模块、BP神经网络模块、风险预测模块连接，接收模式 匹配模块发送的潜在故障发生可能产生的后果因素值，并将所接收数据作为神经网络的输 入，利用训练好的BP神经网络模型预测潜在故障发生的综合后果值，并将输出结果发送到 风险预测模块；风险预测模块与模式匹配模块和后果预测模块连接，分别接收模式匹配模块发 送的潜在故障发生概率值和后果预测模块发送的潜在故障发生的综合后果值，并将潜在故 障发生概率值与对应的综合后果值相乘得出风险预测值，将该风险预测值发送给输出显示 装置；输出显示装置与风险预测模块连接，接收风险预测模块发送的风险预测值，实时 显示该值，并与事先规定的阈值比较，如果达到或超过阈值则发出报警；关联挖掘模块与模式匹配模块连接，利用关联规则对设备历史监控数据进行挖 掘，并将挖掘的关联规则模式发送到模式匹配模块，其中设备历史监控数据包括故障及非 故障状态；BP神经网络模块与后果预测模块连接，以设备自身风险、人身风险、环境风险、社会风险和系统风险作为输入，潜在故障综合后果值为输出，对故障样本进行学习训练，建 立BP神经网络模型；与现有技术相比，本实用新型具有以下有益效果1、本实用新型将诊断对象看成一个有机的整体，有效的考虑设备的各个部件之间 可能存在的相互联系和影响。2、本实用新型解决了现有预测技术对多种故障并存的复杂情况处理不精确的问题。3、本实用新型采用实时动态决策，根据设备运行过程中的信息实时调整判断设备 所处状态，使其更符合实际情况。4、本发明只需要计算一次就可以判断设备是否处于缺陷状态、潜在故障类型和潜 在故障发生概率值，与传统的风险维修方法相比，提高了故障诊断准确度，同时加快了诊断 速度，为在线决策提供了更好的参考。
图1是本实用新型所述的带有风险控制的设备维修预警装置的结构图；图2是本实用新型所述的带有风险控制的设备维修预警装置的一具体实施例进 行故障风险预测的流程图。
具体实施方式
带有风险控制的设备维修预警装置，包括外部系统监测接口模块以及连接外部系 统检测接口模块的设备故障预警装置，其中外部系统监测接口模块将被监测设备的相关数 据发送给设备故障预警装置，所述评审装置包括数据处理器、模式匹配模块、后果预测模 块、输出显示装置和关联挖掘模块，其中，1)数据处理器用于连接外部系统监测接口模块，接收外部系统监测接口模块发 送的被监测设备的相关数据，规范数据提取特征值，并发送给模式匹配模块；2)模式匹配模块与数据处理器、关联挖掘模块和后果预测模块、风险预测模块 连接，接收关联挖掘模块发送的关联规则模式并保存，当接收到数据处理器发送的规范过 的相关特征值，将所述相关特征值与保存的关联规则模式相匹配，即判断设备是否出现退 化征兆，若匹配不成功，则说明设备没有出现退化征兆，返回继续监测数据；若匹配成功，则 说明设备出现退化征兆，按照匹配结果记录每个匹配成功的潜在故障的支持度，即潜在故 障发生概率值，并将所述概率值发送给风险预测模块，同时将匹配的潜在故障发生可能产 生的后果因素值，即设备自身风险值、人身风险值、环境风险值、社会风险值和系统风险值 发送给后果预测模块；3)后果预测模块与模式匹配模块、BP神经网络模块、风险预测模块连接，接收模 式匹配模块发送的潜在故障发生可能产生的后果因素值，并将所接收数据作为神经网络的 输入，利用训练好的BP神经网络模型预测潜在故障发生的综合后果值，并将输出结果发送 到风险预测模块；4)风险预测模块与模式匹配模块和后果预测模块连接，分别接收模式匹配模块 发送的潜在故障发生概率值和后果预测模块发送的潜在故障发生的综合后果值，并将潜在故障发生概率值与对应的综合后果值相乘得出风险预测值，将该风险预测值发送给输出显 示装置；5)输出显示装置与风险预测模块连接，接收风险预测模块发送的风险预测值， 实时显示该值，并与事先规定的阈值比较，如果达到或超过阈值则发出报警；6)关联挖掘模块与模式匹配模块连接，利用关联规则对设备历史监控数据进行 挖掘，并将挖掘的关联规则模式发送到模式匹配模块，其中设备历史监控数据包括故障及 非故障状态；7)BP神经网络模块与后果预测模块连接，以设备自身风险、人身风险、环境风 险、社会风险和系统风险作为输入，潜在故障综合后果值为输出，对故障样本进行学习训 练，建立BP神经网络模型；各模块之间结构如图1所示。外部系统监测接口模块110与设备故障预警装置 120相连。设备故障预警装置120中数据处理器121分别与外部系统监测接口模块110、模 式匹配模块123相连。模式匹配模块123分别与数据处理器121、关联挖掘模块122、风险 预测模块126和后果预测模块IM相连。后果预测模块IM与模式匹配模块123、BP什么 网络模块125和风险预测模块1 相连。风险预测模块1 与模式匹配模块123和后果预 测模块1 相连。输出显示装置127与风险预测模块1 相连。关联挖掘模块122与模式 匹配模块123相连。BP神经网络模块125与后果预测模块IM相连。利用本实用新型的设备故障预警装置进行预测过程如下将设备故障预警装置120与外部系统监测接口模块110连接。外部系统监测接口模块110采集被监测设备相关数据，并将该数据传到数据处理 器 121。数据处理器121接收外部系统监测接口模块110发送的被监测设备的相关数据， 对其数据进行分析和处理，提取特征值，并将相关数据发送到模式匹配模块123。模式匹配模块123接收关联挖掘模块122发送的关联规则模式并保存。当接收到 数据处理器121发送的被监测设备的相关数据时，将所述被监测设备的相关数据与保存的 关联规则模式相匹配，即判断设备是否出现退化征兆。若匹配不成功，则说明设备没有出现 退化征兆，返回继续监测数据。若匹配成功，按照匹配结果记录每个匹配成功的潜在故障的 支持度，即潜在故障发生概率值，并将所述概率值发送给风险预测模块126，同时将关联挖 掘模块中记录的匹配的潜在故障发生可能产生的后果因素值，即设备自身风险值、人身风 险值、环境风险值、社会风险值和系统风险值发送给后果预测模块124。后果预测模块IM接收模式匹配模块123发送的潜在故障发生可能产生的后果因 素值，并将所接收数据作为神经网络的输入，利用训练好的BP神经网络模型125预测潜在 故障发生的综合后果值，并将输出结果发送到风险预测模块126。风险预测模块1261分别接收模式匹配模块123发送的潜在故障发生概率值和后 果预测模块1 发送的潜在故障发生的综合后果值，并将潜在故障发生概率值与对应的综 合后果值相乘得出风险预测值，将该风险预测值发送给输出显示装置127。输出显示装置127接收风险预测模块1 发送的风险预测值，实时显示该值，并与 事先规定的阈值比较，如果达到或超过阈值则发出报警。关联挖掘模块122利用关联规则对设备历史监控数据进行挖掘，并将挖掘的关联规则模式发送到模式匹配模块，其中设备历史监控数据包括故障及非故障状态。 BP神经网络模块125以设备自身风险、人身风险、环境风险、社会风险和系统风险
作为输入，潜在故障综合后果值为输出，对故障样本进行学习训练，建立BP神经网络模型。
权利要求1.带有风险控制的设备维修预警装置，包括外部系统监测接口模块以及连接外部系统 监测接口模块的设备故障预警装置，其中外部系统监测接口模块将被监测设备的相关数据 发送给设备故障预警装置，其特征在于所述设备故障预警装置包括数据处理器、模式匹 配模块、后果预测模块、关联挖掘模块、BP神经网络模块、风险预测模块和输出显示装置，其 中，数据处理器用于连接外部系统监测接口模块，接收外部系统监测接口模块发送的被 监测设备的相关数据，规范数据提取特征值，并发送给模式匹配模块；模式匹配模块与数据处理器、关联挖掘模块和后果预测模块、风险预测模块连接， 判断设备是否出现退化征兆，若出现退化则计算潜在故障发生概率值，并将所述概率值发 送给风险预测模块，同时计算潜在故障发生可能产生的后果因素值，并发送给后果预测模 块；后果预测模块与模式匹配模块、BP神经网络模块、风险预测模块连接，接收模式匹配 模块发送的潜在故障发生可能产生的后果因素值，利用模型预测潜在故障发生的综合后果 值，并将输出结果发送到风险预测模块；风险预测模块与模式匹配模块和后果预测模块连接，分别接收模式匹配模块发送的 潜在故障发生概率值和后果预测模块发送的潜在故障发生的综合后果值，并将潜在故障 发生概率值与对应的综合后果值相乘得出风险预测值，将该风险预测值发送给输出显示装 置；输出显示装置与风险预测模块连接，接收风险预测模块发送的风险预测值，实时显示 该值，并与事先规定的阈值比较，如果达到或超过阈值则发出报警；关联挖掘模块与模式匹配模块连接，将挖掘的关联规则模式发送到模式匹配模块， 其中设备历史监控数据包括故障及非故障状态；BP神经网络模块与后果预测模块连接，对故障样本进行学习训练，建立BP神经网络 模型。
专利摘要本实用新型涉及一种带有风险控制的设备维修预警装置，包括外部系统监测接口模块、数据处理器、模式匹配模块、后果预测模块、风险预测模块、输出显示装置、关联挖掘模块、BP神经网络模块。本实用新型采用实时动态决策方法，通过对监测设备的数据进行分析和处理，根据设备运行过程中的信息达到判断设备潜在故障风险值，并对超过阈值的潜在故障预警，使其更符合实际情况，提高了预警的准确性。
文档编号G06N3/02GK201898519SQ20102051717
公开日2011年7月13日 申请日期2010年9月1日 优先权日2010年9月1日
发明者刘晶, 季海鹏, 张蕾, 朱清香, 滕丽丽 申请人:燕山大学
技术领域：
本实用新型涉及一种设备维修预警装置，尤其涉及一种带有风险控制的设备维修
预警装置。
背景技术：
现代设备具有复杂、精密、价格高、功率大的特点，其安全性和可靠性要求比较高。 因此，对设备系统实时在线监控，建立有效、准确的故障诊断及预警系统显得十分重要。现有的方法在实际的应用中都取得了一定的效果，但是存在着一些局限性，主要 如下1、各种信息检测手段和预警方法都未能将诊断对象看成一个有机的整体，未能有效 的考虑设备的各个部件之间可能存在的相互联系和影响。2、难以处理多种故障并存的复杂 情况。在实际的设备故障演变过程中，系统的各个部件之间有着紧密的联系，各种故障经常 同时发生，因此现有技术方法还很难得到较为准确的预测值。风险维修(Risk Based Maintenance，简称RBM)是基于风险分析和评价而制订 维修策略的方法。风险维修也是以设备或部件处理的风险为评判基础的维修策略管理模 式。设备维修模式以及技术体系的发展分为四个阶段，即事后维修、计划维修、状态维修 和风险维修，由此可见，风险维修作为下一代的以可靠性为中心的维修方法(Reliability Centered Maintenance,简称RCM)，是现代设备维修管理的发展方向。关联规则(Association Rule)是为了挖掘出隐藏在数据之间的相互关系，找出所 有能把一组事件或数据项与另一组事件或数据项联系起来的规则。挖掘关联规则的基本思路给定一个事务集，挖掘关联规则的任务就是生成支持 度(support)和置信度(confidence)分别大于用户给定的最小支持度(minsupp)和最小 置信度(minconf)的关联规则。满足最小支持度、最小置信度和相关度要求的规则称为强 规则。寻找出所有有效的强规则就是关联规则数据挖掘要完成的任务。神经网络有很强的非线性拟合能力，可映射任意复杂的非线性关系，而且学习规 则简单，便于计算机实现。具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学 习能力，因此有很大的应用市场。BP (Back Propagation)神经网络，即误差反传误差反向传播算法的学习过程，由 信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输 入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变 化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各 神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出 信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出 层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向 传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此 过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。发明内容本实用新型的主要目的在于提供一种可以通过对监测设备的数据进行分析和处 理达到预测其设备潜在故障风险值的装置，当达到或超过规定的阈值时，装置报警并显示 故障类型及故障风险值。在实际的生产中，设备的状态变化是一个连续的过程，在到达当前的状态下继续 运行，其设备各个部件的磨损概率是不同的，即会产生有选择的磨损。本实用新型提出一种 带有风险控制的设备维修预警装置，通过对监测设备的数据进行分析和处理达到预测其设 备潜在故障风险值的目的。该装置采用实时动态决策方法，根据设备运行过程中的信息实 时预测的设备潜在故障风险值，使其更符合实际情况。该实用新型在实际中有很强的应用 价值。本实用新型解决其技术问题所采用的技术方案是带有风险控制的设备维修预警 装置，包括外部系统监测接口模块以及连接外部系统监测接口模块的设备故障预警装置， 其中外部系统监测接口模块将被监测设备的相关数据发送给设备故障预警装置，所述设备 故障预警装置包括数据处理器、模式匹配模块、后果预测模块、关联挖掘模块、BP神经网 络模块、风险预测模块和输出显示装置，其中，数据处理器用于连接外部系统监测接口模块，接收外部系统监测接口模块发送 的被监测设备的相关数据，规范数据提取特征值，并发送给模式匹配模块；模式匹配模块与数据处理器、关联挖掘模块和后果预测模块、风险预测模块连 接，接收关联挖掘模块发送的关联规则模式并保存，当接收到数据处理器发送的规范过的 相关特征值，将所述相关特征值与保存的关联规则模式相匹配，即判断设备是否出现退化 征兆，若匹配不成功，则说明设备没有出现退化征兆，返回继续监测数据。若匹配成功，则说 明设备出现退化征兆，按照匹配结果记录每个匹配成功的潜在故障的支持度，即潜在故障 发生概率值，并将所述概率值发送给风险预测模块，同时将匹配的潜在故障发生可能产生 的后果因素值，即设备自身风险值、人身风险值、环境风险值、社会风险值和系统风险值发 送给后果预测模块；后果预测模块与模式匹配模块、BP神经网络模块、风险预测模块连接，接收模式 匹配模块发送的潜在故障发生可能产生的后果因素值，并将所接收数据作为神经网络的输 入，利用训练好的BP神经网络模型预测潜在故障发生的综合后果值，并将输出结果发送到 风险预测模块；风险预测模块与模式匹配模块和后果预测模块连接，分别接收模式匹配模块发 送的潜在故障发生概率值和后果预测模块发送的潜在故障发生的综合后果值，并将潜在故 障发生概率值与对应的综合后果值相乘得出风险预测值，将该风险预测值发送给输出显示 装置；输出显示装置与风险预测模块连接，接收风险预测模块发送的风险预测值，实时 显示该值，并与事先规定的阈值比较，如果达到或超过阈值则发出报警；关联挖掘模块与模式匹配模块连接，利用关联规则对设备历史监控数据进行挖 掘，并将挖掘的关联规则模式发送到模式匹配模块，其中设备历史监控数据包括故障及非 故障状态；BP神经网络模块与后果预测模块连接，以设备自身风险、人身风险、环境风险、社会风险和系统风险作为输入，潜在故障综合后果值为输出，对故障样本进行学习训练，建 立BP神经网络模型；与现有技术相比，本实用新型具有以下有益效果1、本实用新型将诊断对象看成一个有机的整体，有效的考虑设备的各个部件之间 可能存在的相互联系和影响。2、本实用新型解决了现有预测技术对多种故障并存的复杂情况处理不精确的问题。3、本实用新型采用实时动态决策，根据设备运行过程中的信息实时调整判断设备 所处状态，使其更符合实际情况。4、本发明只需要计算一次就可以判断设备是否处于缺陷状态、潜在故障类型和潜 在故障发生概率值，与传统的风险维修方法相比，提高了故障诊断准确度，同时加快了诊断 速度，为在线决策提供了更好的参考。
图1是本实用新型所述的带有风险控制的设备维修预警装置的结构图；图2是本实用新型所述的带有风险控制的设备维修预警装置的一具体实施例进 行故障风险预测的流程图。
具体实施方式
带有风险控制的设备维修预警装置，包括外部系统监测接口模块以及连接外部系 统检测接口模块的设备故障预警装置，其中外部系统监测接口模块将被监测设备的相关数 据发送给设备故障预警装置，所述评审装置包括数据处理器、模式匹配模块、后果预测模 块、输出显示装置和关联挖掘模块，其中，1)数据处理器用于连接外部系统监测接口模块，接收外部系统监测接口模块发 送的被监测设备的相关数据，规范数据提取特征值，并发送给模式匹配模块；2)模式匹配模块与数据处理器、关联挖掘模块和后果预测模块、风险预测模块 连接，接收关联挖掘模块发送的关联规则模式并保存，当接收到数据处理器发送的规范过 的相关特征值，将所述相关特征值与保存的关联规则模式相匹配，即判断设备是否出现退 化征兆，若匹配不成功，则说明设备没有出现退化征兆，返回继续监测数据；若匹配成功，则 说明设备出现退化征兆，按照匹配结果记录每个匹配成功的潜在故障的支持度，即潜在故 障发生概率值，并将所述概率值发送给风险预测模块，同时将匹配的潜在故障发生可能产 生的后果因素值，即设备自身风险值、人身风险值、环境风险值、社会风险值和系统风险值 发送给后果预测模块；3)后果预测模块与模式匹配模块、BP神经网络模块、风险预测模块连接，接收模 式匹配模块发送的潜在故障发生可能产生的后果因素值，并将所接收数据作为神经网络的 输入，利用训练好的BP神经网络模型预测潜在故障发生的综合后果值，并将输出结果发送 到风险预测模块；4)风险预测模块与模式匹配模块和后果预测模块连接，分别接收模式匹配模块 发送的潜在故障发生概率值和后果预测模块发送的潜在故障发生的综合后果值，并将潜在故障发生概率值与对应的综合后果值相乘得出风险预测值，将该风险预测值发送给输出显 示装置；5)输出显示装置与风险预测模块连接，接收风险预测模块发送的风险预测值， 实时显示该值，并与事先规定的阈值比较，如果达到或超过阈值则发出报警；6)关联挖掘模块与模式匹配模块连接，利用关联规则对设备历史监控数据进行 挖掘，并将挖掘的关联规则模式发送到模式匹配模块，其中设备历史监控数据包括故障及 非故障状态；7)BP神经网络模块与后果预测模块连接，以设备自身风险、人身风险、环境风 险、社会风险和系统风险作为输入，潜在故障综合后果值为输出，对故障样本进行学习训 练，建立BP神经网络模型；各模块之间结构如图1所示。外部系统监测接口模块110与设备故障预警装置 120相连。设备故障预警装置120中数据处理器121分别与外部系统监测接口模块110、模 式匹配模块123相连。模式匹配模块123分别与数据处理器121、关联挖掘模块122、风险 预测模块126和后果预测模块IM相连。后果预测模块IM与模式匹配模块123、BP什么 网络模块125和风险预测模块1 相连。风险预测模块1 与模式匹配模块123和后果预 测模块1 相连。输出显示装置127与风险预测模块1 相连。关联挖掘模块122与模式 匹配模块123相连。BP神经网络模块125与后果预测模块IM相连。利用本实用新型的设备故障预警装置进行预测过程如下将设备故障预警装置120与外部系统监测接口模块110连接。外部系统监测接口模块110采集被监测设备相关数据，并将该数据传到数据处理 器 121。数据处理器121接收外部系统监测接口模块110发送的被监测设备的相关数据， 对其数据进行分析和处理，提取特征值，并将相关数据发送到模式匹配模块123。模式匹配模块123接收关联挖掘模块122发送的关联规则模式并保存。当接收到 数据处理器121发送的被监测设备的相关数据时，将所述被监测设备的相关数据与保存的 关联规则模式相匹配，即判断设备是否出现退化征兆。若匹配不成功，则说明设备没有出现 退化征兆，返回继续监测数据。若匹配成功，按照匹配结果记录每个匹配成功的潜在故障的 支持度，即潜在故障发生概率值，并将所述概率值发送给风险预测模块126，同时将关联挖 掘模块中记录的匹配的潜在故障发生可能产生的后果因素值，即设备自身风险值、人身风 险值、环境风险值、社会风险值和系统风险值发送给后果预测模块124。后果预测模块IM接收模式匹配模块123发送的潜在故障发生可能产生的后果因 素值，并将所接收数据作为神经网络的输入，利用训练好的BP神经网络模型125预测潜在 故障发生的综合后果值，并将输出结果发送到风险预测模块126。风险预测模块1261分别接收模式匹配模块123发送的潜在故障发生概率值和后 果预测模块1 发送的潜在故障发生的综合后果值，并将潜在故障发生概率值与对应的综 合后果值相乘得出风险预测值，将该风险预测值发送给输出显示装置127。输出显示装置127接收风险预测模块1 发送的风险预测值，实时显示该值，并与 事先规定的阈值比较，如果达到或超过阈值则发出报警。关联挖掘模块122利用关联规则对设备历史监控数据进行挖掘，并将挖掘的关联规则模式发送到模式匹配模块，其中设备历史监控数据包括故障及非故障状态。 BP神经网络模块125以设备自身风险、人身风险、环境风险、社会风险和系统风险
作为输入，潜在故障综合后果值为输出，对故障样本进行学习训练，建立BP神经网络模型。
权利要求1.带有风险控制的设备维修预警装置，包括外部系统监测接口模块以及连接外部系统 监测接口模块的设备故障预警装置，其中外部系统监测接口模块将被监测设备的相关数据 发送给设备故障预警装置，其特征在于所述设备故障预警装置包括数据处理器、模式匹 配模块、后果预测模块、关联挖掘模块、BP神经网络模块、风险预测模块和输出显示装置，其 中，数据处理器用于连接外部系统监测接口模块，接收外部系统监测接口模块发送的被 监测设备的相关数据，规范数据提取特征值，并发送给模式匹配模块；模式匹配模块与数据处理器、关联挖掘模块和后果预测模块、风险预测模块连接， 判断设备是否出现退化征兆，若出现退化则计算潜在故障发生概率值，并将所述概率值发 送给风险预测模块，同时计算潜在故障发生可能产生的后果因素值，并发送给后果预测模 块；后果预测模块与模式匹配模块、BP神经网络模块、风险预测模块连接，接收模式匹配 模块发送的潜在故障发生可能产生的后果因素值，利用模型预测潜在故障发生的综合后果 值，并将输出结果发送到风险预测模块；风险预测模块与模式匹配模块和后果预测模块连接，分别接收模式匹配模块发送的 潜在故障发生概率值和后果预测模块发送的潜在故障发生的综合后果值，并将潜在故障 发生概率值与对应的综合后果值相乘得出风险预测值，将该风险预测值发送给输出显示装 置；输出显示装置与风险预测模块连接，接收风险预测模块发送的风险预测值，实时显示 该值，并与事先规定的阈值比较，如果达到或超过阈值则发出报警；关联挖掘模块与模式匹配模块连接，将挖掘的关联规则模式发送到模式匹配模块， 其中设备历史监控数据包括故障及非故障状态；BP神经网络模块与后果预测模块连接，对故障样本进行学习训练，建立BP神经网络 模型。
专利摘要本实用新型涉及一种带有风险控制的设备维修预警装置，包括外部系统监测接口模块、数据处理器、模式匹配模块、后果预测模块、风险预测模块、输出显示装置、关联挖掘模块、BP神经网络模块。本实用新型采用实时动态决策方法，通过对监测设备的数据进行分析和处理，根据设备运行过程中的信息达到判断设备潜在故障风险值，并对超过阈值的潜在故障预警，使其更符合实际情况，提高了预警的准确性。
文档编号G06N3/02GK201898519SQ20102051717
公开日2011年7月13日 申请日期2010年9月1日 优先权日2010年9月1日
发明者刘晶, 季海鹏, 张蕾, 朱清香, 滕丽丽 申请人:燕山大学
最新回复(0)