本发明专利技术公开了一种设备可靠性预测方法及装置，可以基于预先构建的机理模型对影响设备可靠性的可靠性参数的当前参数值以及参数类型进行处理，得到所述设备的可靠性系数，本发明专利技术在预测设备的可靠性系数时，不需要人工参与，服务器可以自动监测设备的可靠性。另外，本发明专利技术预先构建了用于预测设备可靠性的机理模型，可以有一套衡量设备可靠性的方法，不再需要人工基于经验确定，进而避免了人工基于经验确定设备可靠性带来的可靠性确定标准不统一的问题。的问题。的问题。
【技术实现步骤摘要】
设备可靠性监测方法及装置
[0001]本专利技术涉及动设备可靠性领域，更具体的说，涉及一种设备可靠性监测方法及装置。
技术介绍
[0002]动设备是指压缩机、烟气轮机、关键机组、工业泵等工业领域的动力设备。
[0003]为保证设备的长时间无故障运行而进行的分析处理过程，这就是设备的可靠性分析。所谓可靠性，是指设备机能在时间上的稳定性程度，或者说在一定时间内，不发生问题的程度(概率)。设备的可靠性差会导致设备发生故障的概率很大。如果能够对动设备的可靠性进行预测，就可以在动设备即将出现设备不稳定问题时，提前进行预防，进而避免动设备运行不稳定带来的经济损失。因此，亟需一种对动设备的可靠性进行预测的方法。
技术实现思路
[0004]鉴于上述问题，本专利技术提供一种克服上述问题或者至少部分地解决上述问题的设备可靠性监测方法及装置。
[0005]一种设备可靠性监测方法，包括：
[0006]获取预设的可靠性参数的当前参数值；所述可靠性参数包括以下至少一种参数类型：轴承故障概率、对中不良概率、不平衡概率、基础松动概率、润滑不良概率、转子碰磨概率、转子松动概率和叶轮故障概率；
[0007]识别所述可靠性参数的参数类型；
[0008]调用预先训练的机理模型对所述可靠性参数的当前参数值以及参数类型进行处理，得到所述设备的可靠性系数；所述机理模型通过可靠性参数的样本进行训练得到；所述样本包括所述参数类型、所述参数类型对应的历史参数值以及标注的影响因子，所述影响因子表征所述可靠性参数影响所述设备可靠性的程度；所述可靠性参数用于表示设备的可靠性，且基于所述可靠性参数的当前参数值以及所述可靠性参数的参数类型对应的影响因子计算得到；
[0009]输出所述可靠性系数。
[0010]可选地，所述机理模型的生成过程包括：
[0011]获取并对所述可靠性参数的参数类型、历史参数值以及影响因子进行数据清洗后，得到所述样本；
[0012]利用所述样本对初始模型进行训练，得到所述机理模型。
[0013]可选地，在所述输出所述可靠性系数之后，还包括：
[0014]若所述设备发生故障，获取所述可靠性参数的当前故障参数值；
[0015]基于所述可靠性参数的当前故障参数值对所述机理模型进行再次训练。
[0016]可选地，基于所述可靠性参数的当前故障参数值对所述机理模型进行再次训练，包括：
[0017]将所述可靠性参数的当前故障参数值输入至所述机理模型并调整所述机理模型的预设参数；所述预设参数包括以下至少一种：机理模型的维度和所述机理模型中的关联参数的权重值。
[0018]可选地，在基于所述可靠性参数的当前故障参数值对所述机理模型进行再次训练之前，还包括：
[0019]调节所述参数类型对应的影响因子。
[0020]可选地，获取预设的可靠性参数的当前参数值，包括：
[0021]通过有线通信方式或无线通信方式，获取影响设备可靠性的可靠性参数的当前参数值。
[0022]一种设备可靠性监测装置，包括：
[0023]参数获取模块，用于获取预设的可靠性参数的当前参数值；所述可靠性参数包括以下至少一种参数类型：轴承故障概率、对中不良概率、不平衡概率、基础松动概率、润滑不良概率、转子碰磨概率、转子松动概率和叶轮故障概率；
[0024]类型识别模块，用于识别所述可靠性参数的参数类型；
[0025]模型调用模块，用于调用预先训练的机理模型对所述可靠性参数的当前参数值以及参数类型进行处理，得到所述设备的可靠性系数；所述机理模型通过可靠性参数的样本进行训练得到；所述样本包括所述参数类型、所述参数类型对应的历史参数值以及标注的影响因子，所述影响因子表征所述可靠性参数影响所述设备可靠性的程度；所述可靠性参数用于表示设备的可靠性，且基于所述可靠性参数的当前参数值以及所述可靠性参数的参数类型对应的影响因子计算得到；
[0026]数值输出模块，用于输出所述可靠性系数。
[0027]可选地，还包括模型训练模块，所述模型训练模块包括：
[0028]样本确定子模块，用于获取并对所述可靠性参数的参数类型、历史参数值以及影响因子进行数据清洗后，得到所述样本；
[0029]模型训练子模块，用于利用所述样本对初始模型进行训练，得到所述机理模型。
[0030]一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述的设备可靠性监测方法。
[0031]一种电子设备，设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行上述的设备可靠性监测方法。
[0032]借由上述技术方案，本专利技术提供的设备可靠性预测方法及装置，可以基于预先构建的机理模型对影响设备可靠性的可靠性参数的当前参数值以及参数类型进行处理，得到所述设备的可靠性系数，本专利技术在预测设备的可靠性系数时，不需要人工参与，服务器可以自动监测设备的可靠性。另外，本专利技术预先构建了用于预测设备可靠性的机理模型，可以有一套衡量设备可靠性的方法，不再需要人工基于经验确定，进而避免了人工基于经验确定设备可靠性带来的可靠性确定标准不统一的问题。
[0033]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。
附图说明
[0034]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
[0035]图1示出了本专利技术实施例提供的一种设备可靠性监测方法的方法流程图；
[0036]图2示出了本专利技术实施例提供的另一种设备可靠性监测方法的方法流程图；
[0037]图3示出了本专利技术实施例提供的一种设备可靠性监测装置的结构示意图；
[0038]图4示出了本专利技术实施例提供的一种电子设备的结构示意图。
具体实施方式
[0039]下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
[0040]为保证设备的长时间无故障运行而进行的分析处理过程，这就是设备的可靠性分析。所谓可靠性，是指设备机能在时间上的稳定性程度，或者说在一定时间内，不发生问题的程度(概率)。设备的可靠性差会导致设备发生故障的概率很大。如果能够对动设备的可靠性进行预测，就可以在动设备即将出现设备不稳定问题时，提本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种设备可靠性监测方法，其特征在于，包括：获取预设的可靠性参数的当前参数值；所述可靠性参数包括以下至少一种参数类型：轴承故障概率、对中不良概率、不平衡概率、基础松动概率、润滑不良概率、转子碰磨概率、转子松动概率和叶轮故障概率；识别所述可靠性参数的参数类型；调用预先训练的机理模型对所述可靠性参数的当前参数值以及参数类型进行处理，得到所述设备的可靠性系数；所述机理模型通过可靠性参数的样本进行训练得到；所述样本包括所述参数类型、所述参数类型对应的历史参数值以及标注的影响因子，所述影响因子表征所述可靠性参数影响所述设备可靠性的程度；所述可靠性参数用于表示设备的可靠性，且基于所述可靠性参数的当前参数值以及所述可靠性参数的参数类型对应的影响因子计算得到；输出所述可靠性系数。2.根据权利要求1所述的设备可靠性监测方法，其特征在于，所述机理模型的生成过程包括：获取并对所述可靠性参数的参数类型、历史参数值以及影响因子进行数据清洗后，得到所述样本；利用所述样本对初始模型进行训练，得到所述机理模型。3.根据权利要求1所述的设备可靠性监测方法，其特征在于，在所述输出所述可靠性系数之后，还包括：若所述设备发生故障，获取所述可靠性参数的当前故障参数值；基于所述可靠性参数的当前故障参数值对所述机理模型进行再次训练。4.根据权利要求3所述的设备可靠性监测方法，其特征在于，基于所述可靠性参数的当前故障参数值对所述机理模型进行再次训练，包括：将所述可靠性参数的当前故障参数值输入至所述机理模型并调整所述机理模型的预设参数；所述预设参数包括以下至少一种：机理模型的维度和所述机理模型中的关联参数的权重值。5.根据权利要求2所述的设备可靠性监测方法，其特征在于，在基于所述可靠性参数的当前故障参数值对所述机理模型进行再次训练之前，还包括：调节所述参数类型对应的影响因子。6.根据权利要求1所述的设备可靠...
【专利技术属性】
技术研发人员：李金诺，朴志民，翁烨晖，王鹏，张希成，
申请(专利权)人：北京国双科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。