【技术实现步骤摘要】
本专利技术涉及工业数据管理，具体为一种基于边缘计算的工业数据管理系统及方法。
技术介绍
1、电力机组设备是指利用设备将其他形式的能量转化为电能的一种设备，设备在使用中，根据设备的使用频率和运行情况，相关人员会制定定期的维护计划，来进行常规的设备检查和保养工作，并对每次检修进行详细记录，包括检修时间、内容、发现的问题、采取的措施等，检修工作人员根据这些内容生成检修报告并进行存档管理。
2、但是，由于检修报告中只是简单记录了检修的过程和结果，没有对其进行深入的分析和总结，无法对机组设备管理提供有效的参考。同时，对同一设备进行检修工作时存在检修工作人员变更的情况，由于检修工作人员的操作技能和经验不同，存档记录的检修报告中同一设备相关的数据和结论可能存在偏差，这些偏差可能会对设备后续的管理和维护产生不良影响，甚至造成安全隐患，危及操作人员的人身安全。
3、因此，为了解决上述问题或部分问题，本专利技术提供了一种基于边缘计算的工业数据管理系统及方法。
技术实现思路
1、本专利技术的目的在于提供一种基于边缘计算的工业数据管理系统及方法，以解决上述
技术介绍
中提出的问题。
2、为了解决上述技术问题，本专利技术提供如下技术方案：一种基于边缘计算的工业数据管理方法，包括以下步骤：
3、s1：确定监管目标设备，通过设备检修报告对目标设备的历史检修相关数据进行获取，通过数据导入或实时监测的方式获取目标设备的当前状态数据；
4、s2：对获取的检修相关
5、s3：若当前目标设备的状态数据存在异常情况，则对目标设备的异常数据进行挖掘，根据目标设备的异常数据对目标设备相关元素中的风险项进行提取，生成风险项集；
6、s4：对步骤s3中生成的风险项集进行验证，判断风险项集中的各设备相关元素是否存在维护需求，并将验证结果反馈至相关的设备管理人员。
7、进一步的，所述s1中，用户通过应用程序选择任意设备作为目标设备，通过设备检修报告对目标设备的历史检修相关数据进行获取，包括设备信息、检修时间、检修目的、检修内容、检修人员和检修结果；
8、通过数据导入或实时监测的方式获取目标设备的当前状态数据，包括设备运行状态数据、设备故障信息和设备运行日志；
9、其中，设备基本信息包括设备名称、型号、制造商、生产日期等；设备故障信息包括故障类型、故障代码、故障时间等。
10、若目标设备存在电子化的数据管理系统，则通过系统自动获取数据，否则，通过工作人员手动记录并整理相关数据，在数据获取后，通过后续步骤对相关数据进行分析并及时对目标设备进行维修和保养，以确保设备的正常运行，并保证生产效率和安全。
11、进一步的，所述s2包括：
12、步骤s2-1：构建设备状态异常类型集合a＝{a1，a2，…，am}；其中a1、a2、…、am分别代表设备状态异常类型中的一种，m表示设备状态异常类型的数量；获取设备检修相关因素，选择与设备状态异常相关系数超过预设值g的因素作为设备状态异常预测模型训练特征，包括：设备负荷、环境温度、环境气压、设备操作灵敏度、设备用电反馈、设备材料磨损度；根据以下公式构建设备状态异常预测模型，分析设备状态异常预测指数：
13、
14、其中，z表示设备异常预测指数；uk表示第k个设备状态异常预测模型的回归系数，k＝[1，k’]，k’表示设备状态异常预测模型训练特征的数量，μ为误差因子，由相关人员预设；sk表示第k个设备状态异常预测模型训练特征；
15、步骤s2-2：获取设备异常预测指数作为预测值，获取实际设备异常的概率作为实际值，获取δ个数据样本，δ为常数，由相关人员根据实际数据量进行设置；将预测值与实际值相差小于a％的数据样本定义为高样本，将预测值与实际值相差大于等于a％的数据样本定义为低样本；所述数据样本中包括设备检修相关数据和设备状态异常类型相关数据；
16、根据以上数据样本构建设备状态异常预测模型，包括以下步骤：
17、步骤s2-2-1：使用均方差函数构建损失函数loss(y，z)，选择弱学习器使损失函数最小，并将该弱学习器进行初始化，进而迭代训练该弱学习器，设置最大迭代次数t；对任意数据样本i，i∈[1，δ]，根据以下公式计算任意数据样本i负梯度fti：
18、
19、其中，为偏导数符号；zi表示数据样本i相应的设备异常预测指数，yi为zi对应的损失函数；zt-1表示上一轮迭代的模型，t表示迭代次数；
20、步骤s2-2-2：将步骤s2-2-1中选择的弱学习器加入训练完成的模型中，得到新的预测模型：即设备状态异常预测模型，通过该模型可输出当前设备状态的预测异常指数；
21、
22、其中，zt表示第t轮迭代得到的新的设备状态异常预测模型；j表示叶子区域；h用于与htj组合，表示本轮的决策树拟合函数；htj表示最优拟合值，根据以下方式计算得到：
23、通过步骤s2-2-1中的负梯度fti拟合回归树，并设置回归树的最大深度；负梯度fti相对应的叶子结点区域为ltj，j∈[1，δ]；根据以下公式计算最优拟合值htj：
24、
25、其中，arg min()表示使求和结果最小的zi取值；c为常数，由相关人员添加；
26、步骤s2-3：根据设备状态异常预测模型对目标设备的分析结果，得到当前设备状态的预测异常指数z′，根据当前设备状态的预测异常指数z′判断设备是否存在风险隐患，若当前设备状态的预测异常指数z′超出数据库中预设的阈值γ，则表示当前设备存在异常状况，则需要相关人员及时采取措施，对设备进行维修或更换，并加强对设备的监管和管理。若当前设备状态的预测异常指数z′没有超出数据库中预设的阈值γ，则表示当前设备不存在异常状况。
27、根据设备的运行数据，可以分析出设备的运行状况，是否存在过度使用、峰值负荷过高或者超负荷运行等情况，是否存在运行寿命过长等问题；通过对检修记录的分析，可以判断设备是否经常出现故障，维护费用是否超出了预算等问题，从而判断设备是否存在风险隐患；通过对故障记录的分析，可以找出设备存在的故障类型、故障频率、故障影响范围等情况，以及对故障处理方式的评估，从而判断设备是否存在风险隐患；
28、进一步的，所述s3中，若当前目标设备的状态数据存在异常情况，则对目标设备的异常数据进行挖掘，包括以下步骤：
29、步骤s3-1：获取被判别为存在异常情况的目标设备的状态数据和目标设备的相关元素，并对获取的数据进行预处理，所述异常数据包括目标设备的检修相关数据和目标设备的运行状态数据；建立对应目标设备的异常数据集合d＝{d1，d2，...，dn}，其中，d1，d2，...，dn分别表示目标设备的异常数据集合d中第1、2、...、n组异常数据；
<本文档来自技高网...【技术保护点】
1.一种基于边缘计算的工业数据管理方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于边缘计算的工业数据管理方法，其特征在于：所述S1中，用户通过应用程序选择任意设备作为目标设备，通过设备检修报告对目标设备的历史检修相关数据进行获取，包括设备信息、检修时间、检修目的、检修内容、检修人员和检修结果；
3.根据权利要求1所述的一种基于边缘计算的工业数据管理方法，其特征在于：所述S2包括：
4.根据权利要求1所述的一种基于边缘计算的工业数据管理方法，其特征在于：所述S3中，若当前目标设备的状态数据存在异常情况，则对目标设备的异常数据进行挖掘，包括以下步骤：
5.根据权利要求1所述的一种基于边缘计算的工业数据管理方法，其特征在于：所述S4包括：
6.一种基于边缘计算的工业数据管理系统，其特征在于：所述系统包括：设备检测数据获取模块、检测数据分析模块、风险项检测模块和风险项验证模块；
7.根据权利要求6所述的一种基于边缘计算的工业数据管理系统，其特征在于：所述设备检测数据获取模块包括历史检修数据采集单元和
8.根据权利要求6所述的一种基于边缘计算的工业数据管理系统，其特征在于：所述检测数据分析模块包括检测数据提取单元和数据异常判别单元；
9.根据权利要求6所述的一种基于边缘计算的工业数据管理系统，其特征在于：所述风险项检测模块包括异常数据检测单元和风险项集生成单元；
10.根据权利要求6所述的一种基于边缘计算的工业数据管理系统，其特征在于：所述风险项验证模块包括风险项集分析单元和验证结果反馈单元；
...【技术特征摘要】
1.一种基于边缘计算的工业数据管理方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于边缘计算的工业数据管理方法，其特征在于：所述s1中，用户通过应用程序选择任意设备作为目标设备，通过设备检修报告对目标设备的历史检修相关数据进行获取，包括设备信息、检修时间、检修目的、检修内容、检修人员和检修结果；
3.根据权利要求1所述的一种基于边缘计算的工业数据管理方法，其特征在于：所述s2包括：
4.根据权利要求1所述的一种基于边缘计算的工业数据管理方法，其特征在于：所述s3中，若当前目标设备的状态数据存在异常情况，则对目标设备的异常数据进行挖掘，包括以下步骤：
5.根据权利要求1所述的一种基于边缘计算的工业数据管理方法，其特征在于：所述s4包括：
6.一...
【专利技术属性】
技术研发人员：刘轩，巩宇，杨铭轩，吴昊，王彬，王卓艺，邹佳衡，雷俊雄，熊江翱，
申请(专利权)人：南方电网调峰调频发电有限公司检修试验分公司，
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。