一种基于大数据的设备调度预警方法及系统技术方案

本发明专利技术提供一种基于大数据的设备调度预警方法及系统，设备调度预警方法包括以下步骤：采集数据形成检修记录数据集、运行记录数据集，经过模型训练，得到设备保养模型、设备运行模型以及设备停机模型；验证各个模型的可靠性；准备预测数据集，预测数据集选择线性函数的区间段应用到以上各模型中，并基于weka平台应用BP神经网络算法得到预测结果，并从所述预测结果中筛选出最佳保养周期、最佳运行时长、最佳停机时长，根据所得数据调度设备的运行、维修以及采买工作。本发明专利技术能够通过大数据学习，获得指导数据，按期保养设备，有效延长了设备的寿命、大幅降低了设备的事故率，降低了运营成本。

Equipment scheduling early warning method and system based on big data

The present invention provides a method and system for early warning device based on big data, early warning device scheduling method comprises the following steps: data collection form maintenance record data set, recorded data set, after training the model, get the equipment maintenance model, equipment operation model and equipment downtime model; verify the reliability of each model to forecast data; set, forecast data set selection interval linear function is applied to each of the above model, and the Weka platform using the BP neural network algorithm based on the prediction results, and from the prediction of the optimal maintenance cycle, the best operation results in selected time, the best stop time, according to the data of equipment operation, maintenance and scheduling purchasing work. The invention can acquire guiding data through large data learning, maintain equipment regularly, effectively prolong the service life of the equipment, greatly reduce the accident rate of the equipment and reduce the operation cost.

【技术实现步骤摘要】
一种基于大数据的设备调度预警方法及系统
本专利技术涉及大数据领域以及机器学习领域，具体地说，涉及一种基于大数据的设备调度预警方法及系统。
技术介绍
一切以数据说话，成为当今或者未来互联网发展的趋势。随着产业界数据量的爆炸式增长,行业大数据隐藏着的重要信息也备受关注。如何从海量的行业大数据中挖掘出有用的信息，是企业必须深入思考和解决的重要问题。随着我国经济发展和城镇化的推进，对城市污水处理的需求日益增加。当前我国虽然在城市污水处理厂的建设方面取得了较大的进展，但是大部分污水处理厂都存在自动化水平低、轻视过程管理、能耗高、运维成本高等问题。如何通过应用先进的科学技术实现节能降耗是目前污水处理行业的一个重要研究方向。污水提升泵房作为污水处理系统中仅次于鼓风机房的第二大能耗设备系统，对其工作过程做优化控制和管理，对实现污水处理厂实现节能降耗、降低运维成本有极重要的作用和意义。
技术实现思路
本专利技术针对污水提升泵在运行过程中频繁启停、停机时长不适度而造成设备使用寿命短，运营成本高等问题提出了基于大数据和机器学习的预警方法，能够有效预防污水提升泵的事故发生，按期保养设备，有效延长了污水提升泵的寿命、大幅降低了污水提升泵的事故率。本专利技术提供一种基于大数据的设备调度预警方法，所述设备调度预警方法包括以下步骤：采集设备的检修记录数据和运行记录数据，形成检修记录数据集、运行记录数据集，经过模型训练，得到设备保养模型、设备运行模型以及设备停机模型；针对不同模型，准备测试数据集，验证各个模型的可靠性；在确认各个模型可靠后，准备预测数据集，预测数据集选择线性函数的区间段应用到设备保养模型、设备运行模型以及设备停机模型中，并基于weka平台应用BP神经网络算法进行迭代计算，得到预测结果，并从所述预测结果中筛选出最佳保养周期、最佳运行时长、最佳停机时长，其中，筛选出不发生故障最大保养周期作为最佳保养周期，筛选出不发生故障最大运行时长作为最佳运行时长，筛选出不发生故障最小停机时长作为最佳停机时长；根据所得数据调度设备的运行、维修以及采买工作。优选地，若设备运行时间超出最佳运行时长，或设备停机时间低于最佳停机时长，则预警管理员采买设备。优选地，设备停机时间小于最佳停机时长的50％，则预警管理员采买设备。优选地，若设备的累计运行时长超过设备额定寿命的90％，则发出预警，并结合系统内置的设备信息给出设备采购建议。优选地，监测设备运行时的瞬时电压和瞬时电流，若瞬时电压或瞬时电流的变化值超过允许偏差±10％，则自动关闭设备。本专利技术还提供一种基于大数据的设备调度预警系统，包括：数据提取单元，所述数据提取单元提取设备的检修记录数据和运行记录数据，形成检修记录数据集、运行记录数据集；数据运算单元，所述数据运算单元根据检修记录数据集、运行记录数据集的数据进行模型训练，得到设备保养模型、设备运行模型以及设备停机模型，并基于weka平台应用BP神经网络算法进行迭代计算，得到预测结果，并从所述预测结果中筛选出最佳保养周期、最佳运行时长、最佳停机时长；预警单元，所述预警单元根据最佳保养周期、最佳运行时长、最佳停机时长数据发出预警信息。优选地，数据运算单元根据预测数据的故障情况，选择不发生故障最大保养周期作为最佳保养周期；数据运算单元根据预测数据的故障情况，选择不发生故障最大运行时长作为最佳运行时长；数据运算单元根据预测数据的故障情况，选择不发生故障最小停机时长作为最佳停机时长。优选地，若设备运行时间超出最佳运行时长，或设备停机时间低于最佳停机时长，则预警管理员采买设备；优选地，若设备的累计运行时长超过设备额定寿命的90％，则发出预警，并结合系统内置的设备信息给出设备采购建议；优选地，若瞬时电压或瞬时电流的变化值超过允许偏差±10％，则自动关闭设备。附图说明通过结合下面附图对其实施例进行描述，本专利技术的上述特征和技术优点将会变得更加清楚和容易理解。图1是表示本专利技术实施例涉及的机器学习的框架图；图2是表示本专利技术实施例涉及的预警方案的框架图。具体实施方式下面将参考附图来描述本专利技术所述的一种基于大数据的设备调度预警方法及系统的实施例。本领域的普通技术人员可以认识到，在不偏离本专利技术的精神和范围的情况下，可以用各种不同的方式或其组合对所描述的实施例进行修正。因此，附图和描述在本质上是说明性的，而不是用于限制权利要求的保护范围。此外，在本说明书中，附图未按比例画出，并且相同的附图标记表示相同的部分。相关概念解释：机器学习：是一门多领域交叉学科，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它主要使用归纳、综合的方法来提升系统的知识。数据集：按一定顺序、模式组织好的为机器学习的大数据称为数据集。模型：机器学习算法根据数据集的数据学习，从而建立变量之间的数学关系，称之为模型。下面以污水提升泵为例来说明基于大数据的设备调度预警方法，但本专利技术的方法和系统并不局限于污水提升泵，可以广泛的应用于需要频繁启停的设备管理系统中。如图1所示，该方法主要包括提取污水提升泵检修记录数据、污水提升泵的运行记录数据，并通过机器学习的方法，得到最佳保养周期、最佳运行时长、最佳停机时长、累计运行时长的数据。根据所得数据调度污水提升泵运行和采买等工作。一、下面说明获得最佳保养周期的方法。首先，提取污水提升泵的检修数据，形成污水提升泵检修记录的大数据，并基于weka(怀卡托智能分析环境)平台应用BP神经网络(BackPropagation)完成数据挖掘和计算，得到污水提升泵各项保养指标的最佳保养周期。其具体过程是，对污水提升泵的检修记录数据做特征提取，形成weka形式的检修记录数据集，weka数据集格式下：@relation'lubrication'@attributeperiodnumeric@attributeresult{0,1}@data该数据集的属性如表1所示，包括：保养指标(离散数据)，保养周期(离散值)，是否故障(只有0和1取值)。通过基于weka平台应用BP神经网络(BackPropagation)能够得到设备最佳的保养周期，具体按照以下步骤进行：1)按照数据集的格式，收集设备保养及故障数据，形成设备保养大数据，机器根据大数据学习，其学习的结果是建立变量之间的数学关系，获得设备保养模型。2)按照数据集的格式，准备测试数据集，验证设备保养模型的可靠性。也就是说，先通过一些已知的数据来验证该设备保养模型的准确度，从而保证该设备保养模型预测的数据准确。3)在验证设备保养模型可靠后，准备预测数据集，预测数据集通过设备保养模型得到预测结果，根据预测结果的故障情况，选取最佳保养周期。如表1所示，旋转部位润滑的保养周期中，预测数据集具有区间10—1000(单位天)的步长为1的990个保养周期，用于预测故障情况。根据设备保养模型得到保养周期在10-1000天内的设备故障预测，并在预测结果集中筛选出不发生故障的最大保养周期，作为系统需要的最佳保养周期。从表1中选择的话，即最佳保养周期是从10天和1000天中通过不断的迭代计算得到。以上仅是简单举例。实际上，污水提升泵的保养指标不止一项。因此，针对每一项保养指标，均会得到一个最佳保养周期。4本文档来自技高网...

【技术保护点】
一种基于大数据的设备调度预警方法，其特征在于，所述设备调度预警方法包括以下步骤：采集设备的检修记录数据和运行记录数据，形成检修记录数据集、运行记录数据集，经过模型训练，得到设备保养模型、设备运行模型以及设备停机模型；针对不同模型，准备测试数据集，验证各个模型的可靠性；在确认各个模型可靠后，准备预测数据集，预测数据集选择线性函数的区间段应用到设备保养模型、设备运行模型以及设备停机模型中，并基于weka平台应用BP神经网络算法进行迭代计算，得到预测结果，并从所述预测结果中筛选出最佳保养周期、最佳运行时长、最佳停机时长，其中，筛选出不发生故障最大保养周期作为最佳保养周期，筛选出不发生故障最大运行时长作为最佳运行时长，筛选出不发生故障最小停机时长作为最佳停机时长；根据所得数据调度设备的运行、维修以及采买工作。

【技术特征摘要】
1.一种基于大数据的设备调度预警方法，其特征在于，所述设备调度预警方法包括以下步骤：采集设备的检修记录数据和运行记录数据，形成检修记录数据集、运行记录数据集，经过模型训练，得到设备保养模型、设备运行模型以及设备停机模型；针对不同模型，准备测试数据集，验证各个模型的可靠性；在确认各个模型可靠后，准备预测数据集，预测数据集选择线性函数的区间段应用到设备保养模型、设备运行模型以及设备停机模型中，并基于weka平台应用BP神经网络算法进行迭代计算，得到预测结果，并从所述预测结果中筛选出最佳保养周期、最佳运行时长、最佳停机时长，其中，筛选出不发生故障最大保养周期作为最佳保养周期，筛选出不发生故障最大运行时长作为最佳运行时长，筛选出不发生故障最小停机时长作为最佳停机时长；根据所得数据调度设备的运行、维修以及采买工作。2.根据权利要求1所述的基于大数据的设备调度预警方法，其特征在于，若设备运行时间超出最佳运行时长，或设备停机时间低于最佳停机时长，则预警管理员采买设备。3.根据权利要求2所述的基于大数据的设备调度预警方法，其特征在于，若设备停机时间小于最佳停机时长的50％，则预警管理员采买设备。4.根据权利要求1所述的基于大数据的设备调度预警方法，其特征在于，若设备的累计运行时长超过设备额定寿命的90％，则发出预警，并结合系统内置的设备信息给出设备采购建议。5.根据权利要求1所述的基于大数据的设备调度预警方法，其特征在于，监测设备运行时的瞬时电压和瞬时电流，若瞬时电压或瞬时电流的变化值超过允...

【专利技术属性】
技术研发人员：姜岚，赵贤林，刘智，桂峰，
申请(专利权)人：中冶华天工程技术有限公司，
类型：发明
国别省市：安徽,34