本发明涉及一种设备故障预测领域，具体涉及一种基于条件概率的设备故障预测方法。
背景技术：
在生产制造行业，数据采集系统采集车间生产设备故障数据，通过网关，把数据上传到生产制造执行系统，生产制造执行系统把生产设备故障数据保存在本地，形成时间范围内的生产设备故障数据报表。在智能制造的大背景下，生产设备故障数据报表只能对历史生产数据进行总结展示，无法预测设备未来一段周期内的运行状态，无法达到智能制造的条件。因此，生产制造执行系统需要一种方法，利用生产设备的历史故障数据，对设备未来一段周期内的生产运行状态进行预测。
传统的对故障预防的方式是通过定期人员巡检，让技术专家每周或每月进行预防性的检修，而由人员实现的数据采集不足以用于发现所有问题，以实现计划性的维修。故障导致的非计划的停产将会产生紧急事故和生产效率的破坏。因为无法对潜在故障进行预测，则需付出昂贵的事故和维修成本，造成生产损失。
技术实现要素：
本发明提供了一种基于条件概率的设备故障预测方法，采用概率论中的条件概率算法，预测设备未来一段周期内发生故障的概率，为企业保证安全生产、提高生产效率、节约生产成本提供技术支撑。
为实现上述目的，本发明提供的一种基于条件概率的设备故障预测方法，主要包括以下步骤：
实时采集设备的运行数据；
对运行数据进行分类，将运行数据分成无故障、故障a、故障b、故障ab四种故障类型，所述故障ab为故障a和故障b同时发生，生成故障数据报表，并将所述故障数据报表保存到数据库中；
依据所述的故障数据报表，建立设备故障预测模型；
若在周期t(c)内，设备处于无故障，则在将来周期t(c)内发生故障a或故障b或故障ab的概率分别为p(a)、p(b)、p(ab)；
若在周期t(c)内，设备发生故障a，则在将来周期t(c)内发生故障ab的概率为p(ab)＝p(b∣a)；
若在周期t(c)内，设备发生故障b，则在将来周期t(c)内发生故障ab的概率为p(ab)＝p(a∣b)；
根据建立的设备故障预测模型进行故障预测，生成故障预测数据。
具体地，对设备进行故障预测包括如下步骤：
(1)实时采集设备的运行数据，并将所述运行数据传输给边缘网关；
(2)所述边缘网关接收所述运行数据并进行分析、处理，得到无故障、故障a、故障b、故障ab中的其中一种故障类型，并将该故障类型数据信息保存到数据库中；
(3)所述设备故障预测模型依据步骤(2)中的故障类型，对在将来周期t(c)内发生故障ab的概率进行预测。
具体地，所述故障数据报表还包括：故障a开始时间、故障a解除时间、故障b开始时间、故障b解除时间、故障ab开始时间、故障ab解除时间。
具体地，在建立设备故障预测模型时，所述周期t(c)的确定方法为：在周期t(c)内，故障a和故障b至少同时发生一次，即故障ab至少发生一次。
具体地，建立设备故障预测模型还包括以下步骤：
查询数据库中保存的故障数据报表，获取周期t(c)内的设备故障数据；
计算故障a的持续时间t(a)、故障b的持续时间t(b)和故障ab的持续时间t(ab)；
计算故障a发生的概率p(a)＝t(a)/t(c)、故障b发生的概率p(b)＝t(b)/t(c)、故障ab发生的概率p(ab)＝t(ab)/t(c)。
具体地，若在周期t(c)内，故障a或故障b或故障ab发生多次，则故障a的持续时间t(a)或故障b的持续时间t(b)或故障ab的持续时间t(ab)为将相应故障类型每次发生时的持续时间进行累加。
具体地，设备故障预测模型的验证包括以下步骤：
在已知故障数据报表中，选取多个周期t(c)内的故障数据，对故障预测模型进行验证；
将故障预测数据与已知故障类型数据进行对比，验证设备故障预测模型的准确性；
若故障预测得不到效果，通过修改周期t(c)大小及更换算法重新建立设备故障预测模型，直到得到有效的数据模型，提高故障预测模型预测的准确性。
具体地，将所述故障数据报表和故障预测数据上传到云服务器进行存储，同时提供可视化显示。
具体地，若边缘网关对运行数据经过分析、处理后，得到的故障类型为故障ab，则将故障数据信息发送给用户终端。
本发明提供的一种基于条件概率的设备故障预测方法，在不改动原有设备历史故障数据报表的情况下，将设备历史故障数据进行分类。采用概率论中的条件概率方法建立设备故障预测模型，对生产设备未来一段时间的运行状态进行预测，提高了生产制造执行系统的可靠性，使得生产设备更稳定、更高效率执行生产制造。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域的技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明建立设备故障预测模型的流程图；
图2为本发明一种基于条件概率的设备故障预测方法的流程图。
具体实施方式
下面将结合本发明实施例的附图，对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1所示为本发明建立设备故障预测模型的流程图，本发明提供的设备故障模型的建立方法主要包括以下步骤：
(1)利用数据采集系统，实时采集设备的运行数据。
(2)对运行数据进行分类并保存。
边缘网关对所述运行数据进行分析、处理，将运行数据分成无故障、故障a、故障b、故障ab四种故障类型，所述故障ab即为故障a和故障b同时发生，此时设备处于宕机状态。
经过边缘网关分析、处理后的运行数据还包括各类型故障的开始时间和解除时间，即包括故障a开始时间、故障a解除时间、故障b开始时间、故障b解除时间、故障ab开始时间、故障ab解除时间。
经边缘网关分析、处理后的设备运行数据，形成时间范围内的故障数据报表，并将所述故障数据报表上传到制造执行系统中的数据库进行保存。
(3)查询数据库中保存的故障数据报表，获取周期t(c)内的设备故障数据。
在获取周期t(c)内的设备故障数据时，判断故障ab是否发生，即故障a和故障b是否同时发生，若在周期t(c)内没有发生故障ab，则需要扩大周期t(c)，直至在修改后的周期t(c)内至少包括一次故障a和故障b同时发生。
(4)计算故障a的持续时间t(a)、故障b的持续时间t(b)和故障ab的持续时间t(ab)。
故障a的持续时间t(a)＝故障a解除时间—故障a开始时间；
故障b的持续时间t(b)＝故障b解除时间—故障b开始时间；
故障ab的持续时间t(ab)＝故障ab解除时间—ab开始时间。
若在周期t(c)内，故障a或故障b或故障ab发生多次，则故障a的持续时间t(a)或故障b的持续时间t(b)或故障ab的持续时间t(ab)为将相应故障类型每次发生时的持续时间进行累加。
(5)分别计算在周期t(c)内，故障a、故障b和故障ab发生的概率。
故障a发生的概率p(a)＝t(a)/t(c)；
故障b发生的概率p(b)＝t(b)/t(c)；
故障ab发生的概率p(ab)＝t(ab)/t(c)。
(6)判断设备是否发生故障，依据故障类型预测设备宕机的概率。
若在周期t(c)内，设备处于无故障，则在将来周期t(c)内发生故障a的概率为p(a)，发生故障b的概率为p(b)，发生故障ab的概率为p(ab)。当只产生故障a或故障b时，设备无异常运行；当故障a和故障b同时发生，即故障类型为故障ab时，设备宕机，设备发生宕机的概率p(u)＝p(ab)。
若在周期t(c)内，设备发生故障a，则在将来周期t(c)内发生故障b的概率是p(b∣a)＝p(ab)/p(a)，此时，故障a和故障b同时发生，即p(u)＝p(b∣a)＝p(ab)/p(a)，设备宕机。
若在周期t(c)内，设备发生故障b，则在将来周期t(c)内发生故障a的概率为p(a∣b)＝p(ab)/p(b)，此时，故障a和故障b同时发生，即p(u)＝p(a∣b)＝p(ab)/p(b)，设备宕机。
为了验证基于条件概率的设备故障预测模型的准确性，本发明还提供了以下验证方法，包括：
(1)在已知故障数据报表中，选取多个周期t(c)内的故障数据，对故障预测模型进行验证。
在每个周期t(c)内，故障a和故障b至少同时发生一次，即故障ab至少发生一次。
(2)将故障预测数据与已知故障类型数据进行对比，验证故障预测模型的准确性。
(3)若故障预测模型得不到效果，修改周期t(c)大小及更换算法重新建立故障预测模型，直到得到有效的数据模型，提高故障预测模型预测的准确性。
根据上述提供的基于条件概率的设备故障预测模型，本发明还提供了一种设备故障预测方法，其流程图如图2所示，该设备故障预测方法包括以下步骤：
(1)实时采集设备的运行数据，并将所述运行数据传输给边缘网关。
(2)所述边缘网关接收所述运行数据并进行分析、处理，得到无故障、故障a、故障b、故障ab中的其中一种故障类型，并将该故障类型数据信息保存到数据库中。
若边缘网关对运行数据经过分析、处理后，得到的故障类型为故障ab，则将故障数据信息发送给用户终端，并发送报警信息。
(3)所述设备故障预测模型依据步骤s22中的故障类型，预测在将来周期t(c)内发生故障a或故障b或故障ab的概率。
(4)将所述故障数据报表和故障预测数据上传到云服务器进行存储，同时提供可视化显示。
本发明提供的一种基于条件概率的设备故障预测方法，不仅具有设备历史故障数据报表，还能对生产设备未来一段时间的运行状态进行预测，提高了生产制造执行系统的可靠性，使得生产设备更稳定、更高效率执行生产制造。
可以理解的是，以上关于本发明的具体描述，仅用于说明本发明而并非受限于本发明实施例所描述的技术方案，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换，以达到相同的技术效果；只要满足使用需要，都在本发明的保护范围之内。
1.一种基于条件概率的设备故障预测方法，其特征在于，包括以下步骤：
步骤s1：实时采集设备的运行数据；
步骤s2：对运行数据进行分类，将运行数据分成无故障、故障a、故障b、故障ab四种故障类型，所述故障ab为故障a和故障b同时发生，生成故障数据报表，并将所述故障数据报表保存到数据库中；
步骤s3：依据所述的故障数据报表，建立设备故障预测模型：
若在周期t(c)内，设备处于无故障，则在将来周期t(c)内发生故障a或故障b或故障ab的概率分别为p(a)、p(b)、p(ab)；
若在周期t(c)内，设备发生故障a，则在将来周期t(c)内发生故障ab的概率为p(ab)＝p(b∣a)；
若在周期t(c)内，设备发生故障b，则在将来周期t(c)内发生故障ab的概率为p(ab)＝p(a∣b)；
步骤s4：根据建立的设备故障预测模型进行故障预测，生成故障预测数据。
2.如权利要求1所述的一种基于条件概率的设备故障预测方法，其特征在于，对设备进行故障预测包括如下步骤：
步骤s41：实时采集设备的运行数据，并将所述运行数据传输给边缘网关；
步骤s42：所述边缘网关接收所述运行数据并进行分析、处理，得到无故障、故障a、故障b、故障ab中的其中一种故障类型，并将该故障类型数据信息保存到数据库中；
步骤s43：所述设备故障预测模型依据步骤s42中的故障类型，对在将来周期t(c)内发生故障ab的概率进行预测。
3.如权利要求1所述的一种基于条件概率的设备故障预测方法，其特征在于，所述故障数据报表还包括：故障a开始时间、故障a解除时间、故障b开始时间、故障b解除时间、故障ab开始时间、故障ab解除时间。
4.如权利要求3所述的一种基于条件概率的设备故障预测方法，其特征在于，在建立设备故障预测模型时，所述周期t(c)的确定方法为：在周期t(c)内，故障a和故障b至少同时发生一次，即故障ab至少发生一次。
5.如权利要求4所述的一种基于条件概率的设备故障预测方法，其特征在于，建立设备故障预测模型还包括以下步骤：
步骤s31：查询数据库中保存的故障数据报表，获取周期t(c)内的设备故障数据；
步骤s32：计算故障a的持续时间t(a)、故障b的持续时间t(b)和故障ab的持续时间t(ab)；
步骤s33：计算故障a发生的概率p(a)＝t(a)/t(c)、故障b发生的概率p(b)＝t(b)/t(c)、故障ab发生的概率p(ab)＝t(ab)/t(c)。
6.如权利要求5所述的一种基于条件概率的设备故障预测方法，其特征在于，若在周期t(c)内，故障a或故障b或故障ab发生多次，则故障a的持续时间t(a)或故障b的持续时间t(b)或故障ab的持续时间t(ab)为将相应故障类型每次发生时的持续时间进行累加。
7.如权利要求6所述的一种基于条件概率的设备故障预测方法，其特征在于，故障预测模型的验证包括以下步骤：
步骤s61：在已知故障数据报表中，选取多个周期t(c)内的故障数据，对故障预测模型进行验证；
步骤s62：将故障预测数据与已知故障类型数据进行对比，验证设备故障预测模型的准确性；
步骤s63：若故障预测得不到效果，通过修改周期t(c)大小及更换算法重新建立设备故障预测模型，直到得到有效的数据模型，提高故障预测模型预测的准确性。
8.如权利要求1所述的一种基于条件概率的设备故障预测方法，其特征在于，将所述故障数据报表和故障预测数据上传到云服务器进行存储，同时提供可视化显示。
9.如权利要求2所述的一种基于条件概率的设备故障预测方法，其特征在于，所述步骤s42还包括：若边缘网关对运行数据经过分析、处理后，得到的故障类型为故障ab，则将故障数据信息发送给用户终端。
技术总结