一種基于大數據的設備調度預警方法及系統技術方案

本發明專利技術提供一種基于大數據的設備調度預警方法及系統，設備調度預警方法包括以下步驟：采集數據形成檢修記錄數據集、運行記錄數據集，經過模型訓練，得到設備保養模型、設備運行模型以及設備停機模型；驗證各個模型的可靠性；準備預測數據集，預測數據集選擇線性函數的區間段應用到以上各模型中，并基于weka平臺應用BP神經網絡算法得到預測結果，并從所述預測結果中篩選出最佳保養周期、最佳運行時長、最佳停機時長，根據所得數據調度設備的運行、維修以及采買工作。本發明專利技術能夠通過大數據學習，獲得指導數據，按期保養設備，有效延長了設備的壽命、大幅降低了設備的事故率，降低了運營成本。

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.

【技術實現步驟摘要】
一種基于大數據的設備調度預警方法及系統
本專利技術涉及大數據領域以及機器學習領域，具體地說，涉及一種基于大數據的設備調度預警方法及系統。
技術介紹
一切以數據說話，成為當今或者未來互聯網發展的趨勢。隨著產業界數據量的爆炸式增長,行業大數據隱藏著的重要信息也備受關注。如何從海量的行業大數據中挖掘出有用的信息，是企業必須深入思考和解決的重要問題。隨著我國經濟發展和城鎮化的推進，對城市污水處理的需求日益增加。當前我國雖然在城市污水處理廠的建設方面取得了較大的進展，但是大部分污水處理廠都存在自動化水平低、輕視過程管理、能耗高、運維成本高等問題。如何通過應用先進的科學技術實現節能降耗是目前污水處理行業的一個重要研究方向。污水提升泵房作為污水處理系統中僅次于鼓風機房的第二大能耗設備系統，對其工作過程做優化控制和管理，對實現污水處理廠實現節能降耗、降低運維成本有極重要的作用和意義。
技術實現思路
本專利技術針對污水提升泵在運行過程中頻繁啟停、停機時長不適度而造成設備使用壽命短，運營成本高等問題提出了基于大數據和機器學習的預警方法，能夠有效預防污水提升泵的事故發生，按期保養設備，有效延長了污水提升泵的壽命、大幅降低了污水提升泵的事故率。本專利技術提供一種基于大數據的設備調度預警方法，所述設備調度預警方法包括以下步驟：采集設備的檢修記錄數據和運行記錄數據，形成檢修記錄數據集、運行記錄數據集，經過模型訓練，得到設備保養模型、設備運行模型以及設備停機模型；針對不同模型，準備測試數據集，驗證各個模型的可靠性；在確認各個模型可靠后，準備預測數據集，預測數據集選擇線性函數的區間段應用到設備保養模型、設備運行模型以及設備停機模型中，并基于weka平臺應用BP神經網絡算法進行迭代計算，得到預測結果，并從所述預測結果中篩選出最佳保養周期、最佳運行時長、最佳停機時長，其中，篩選出不發生故障最大保養周期作為最佳保養周期，篩選出不發生故障最大運行時長作為最佳運行時長，篩選出不發生故障最小停機時長作為最佳停機時長；根據所得數據調度設備的運行、維修以及采買工作。優選地，若設備運行時間超出最佳運行時長，或設備停機時間低于最佳停機時長，則預警管理員采買設備。優選地，設備停機時間小于最佳停機時長的50％，則預警管理員采買設備。優選地，若設備的累計運行時長超過設備額定壽命的90％，則發出預警，并結合系統內置的設備信息給出設備采購建議。優選地，監測設備運行時的瞬時電壓和瞬時電流，若瞬時電壓或瞬時電流的變化值超過允許偏差±10％，則自動關閉設備。本專利技術還提供一種基于大數據的設備調度預警系統，包括：數據提取單元，所述數據提取單元提取設備的檢修記錄數據和運行記錄數據，形成檢修記錄數據集、運行記錄數據集；數據運算單元，所述數據運算單元根據檢修記錄數據集、運行記錄數據集的數據進行模型訓練，得到設備保養模型、設備運行模型以及設備停機模型，并基于weka平臺應用BP神經網絡算法進行迭代計算，得到預測結果，并從所述預測結果中篩選出最佳保養周期、最佳運行時長、最佳停機時長；預警單元，所述預警單元根據最佳保養周期、最佳運行時長、最佳停機時長數據發出預警信息。優選地，數據運算單元根據預測數據的故障情況，選擇不發生故障最大保養周期作為最佳保養周期；數據運算單元根據預測數據的故障情況，選擇不發生故障最大運行時長作為最佳運行時長；數據運算單元根據預測數據的故障情況，選擇不發生故障最小停機時長作為最佳停機時長。優選地，若設備運行時間超出最佳運行時長，或設備停機時間低于最佳停機時長，則預警管理員采買設備；優選地，若設備的累計運行時長超過設備額定壽命的90％，則發出預警，并結合系統內置的設備信息給出設備采購建議；優選地，若瞬時電壓或瞬時電流的變化值超過允許偏差±10％，則自動關閉設備。附圖說明通過結合下面附圖對其實施例進行描述，本專利技術的上述特征和技術優點將會變得更加清楚和容易理解。圖1是表示本專利技術實施例涉及的機器學習的框架圖；圖2是表示本專利技術實施例涉及的預警方案的框架圖。具體實施方式下面將參考附圖來描述本專利技術所述的一種基于大數據的設備調度預警方法及系統的實施例。本領域的普通技術人員可以認識到，在不偏離本專利技術的精神和范圍的情況下，可以用各種不同的方式或其組合對所描述的實施例進行修正。因此，附圖和描述在本質上是說明性的，而不是用于限制權利要求的保護范圍。此外，在本說明書中，附圖未按比例畫出，并且相同的附圖標記表示相同的部分。相關概念解釋：機器學習：是一門多領域交叉學科，專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。它主要使用歸納、綜合的方法來提升系統的知識。數據集：按一定順序、模式組織好的為機器學習的大數據稱為數據集。模型：機器學習算法根據數據集的數據學習，從而建立變量之間的數學關系，稱之為模型。下面以污水提升泵為例來說明基于大數據的設備調度預警方法，但本專利技術的方法和系統并不局限于污水提升泵，可以廣泛的應用于需要頻繁啟停的設備管理系統中。如圖1所示，該方法主要包括提取污水提升泵檢修記錄數據、污水提升泵的運行記錄數據，并通過機器學習的方法，得到最佳保養周期、最佳運行時長、最佳停機時長、累計運行時長的數據。根據所得數據調度污水提升泵運行和采買等工作。一、下面說明獲得最佳保養周期的方法。首先，提取污水提升泵的檢修數據，形成污水提升泵檢修記錄的大數據，并基于weka(懷卡托智能分析環境)平臺應用BP神經網絡(BackPropagation)完成數據挖掘和計算，得到污水提升泵各項保養指標的最佳保養周期。其具體過程是，對污水提升泵的檢修記錄數據做特征提取，形成weka形式的檢修記錄數據集，weka數據集格式下：@relation'lubrication'@attributeperiodnumeric@attributeresult{0,1}@data該數據集的屬性如表1所示，包括：保養指標(離散數據)，保養周期(離散值)，是否故障(只有0和1取值)。通過基于weka平臺應用BP神經網絡(BackPropagation)能夠得到設備最佳的保養周期，具體按照以下步驟進行：1)按照數據集的格式，收集設備保養及故障數據，形成設備保養大數據，機器根據大數據學習，其學習的結果是建立變量之間的數學關系，獲得設備保養模型。2)按照數據集的格式，準備測試數據集，驗證設備保養模型的可靠性。也就是說，先通過一些已知的數據來驗證該設備保養模型的準確度，從而保證該設備保養模型預測的數據準確。3)在驗證設備保養模型可靠后，準備預測數據集，預測數據集通過設備保養模型得到預測結果，根據預測結果的故障情況，選取最佳保養周期。如表1所示，旋轉部位潤滑的保養周期中，預測數據集具有區間10—1000(單位天)的步長為1的990個保養周期，用于預測故障情況。根據設備保養模型得到保養周期在10-1000天內的設備故障預測，并在預測結果集中篩選出不發生故障的最大保養周期，作為系統需要的最佳保養周期。從表1中選擇的話，即最佳保養周期是從10天和1000天中通過不斷的迭代計算得到。以上僅是簡單舉例。實際上，污水提升泵的保養指標不止一項。因此，針對每一項保養指標，均會得到一個最佳保養周期。4本文檔來自技高網...

【技術保護點】
一種基于大數據的設備調度預警方法，其特征在于，所述設備調度預警方法包括以下步驟：采集設備的檢修記錄數據和運行記錄數據，形成檢修記錄數據集、運行記錄數據集，經過模型訓練，得到設備保養模型、設備運行模型以及設備停機模型；針對不同模型，準備測試數據集，驗證各個模型的可靠性；在確認各個模型可靠后，準備預測數據集，預測數據集選擇線性函數的區間段應用到設備保養模型、設備運行模型以及設備停機模型中，并基于weka平臺應用BP神經網絡算法進行迭代計算，得到預測結果，并從所述預測結果中篩選出最佳保養周期、最佳運行時長、最佳停機時長，其中，篩選出不發生故障最大保養周期作為最佳保養周期，篩選出不發生故障最大運行時長作為最佳運行時長，篩選出不發生故障最小停機時長作為最佳停機時長；根據所得數據調度設備的運行、維修以及采買工作。

【技術特征摘要】
1.一種基于大數據的設備調度預警方法，其特征在于，所述設備調度預警方法包括以下步驟：采集設備的檢修記錄數據和運行記錄數據，形成檢修記錄數據集、運行記錄數據集，經過模型訓練，得到設備保養模型、設備運行模型以及設備停機模型；針對不同模型，準備測試數據集，驗證各個模型的可靠性；在確認各個模型可靠后，準備預測數據集，預測數據集選擇線性函數的區間段應用到設備保養模型、設備運行模型以及設備停機模型中，并基于weka平臺應用BP神經網絡算法進行迭代計算，得到預測結果，并從所述預測結果中篩選出最佳保養周期、最佳運行時長、最佳停機時長，其中，篩選出不發生故障最大保養周期作為最佳保養周期，篩選出不發生故障最大運行時長作為最佳運行時長，篩選出不發生故障最小停機時長作為最佳停機時長；根據所得數據調度設備的運行、維修以及采買工作。2.根據權利要求1所述的基于大數據的設備調度預警方法，其特征在于，若設備運行時間超出最佳運行時長，或設備停機時間低于最佳停機時長，則預警管理員采買設備。3.根據權利要求2所述的基于大數據的設備調度預警方法，其特征在于，若設備停機時間小于最佳停機時長的50％，則預警管理員采買設備。4.根據權利要求1所述的基于大數據的設備調度預警方法，其特征在于，若設備的累計運行時長超過設備額定壽命的90％，則發出預警，并結合系統內置的設備信息給出設備采購建議。5.根據權利要求1所述的基于大數據的設備調度預警方法，其特征在于，監測設備運行時的瞬時電壓和瞬時電流，若瞬時電壓或瞬時電流的變化值超過允...

【專利技術屬性】
技術研發人員：姜嵐，趙賢林，劉智，桂峰，
申請(專利權)人：中冶華天工程技術有限公司，
類型：發明
國別省市：安徽,34