本技术涉及结合邻接样本分析的机电设备故障监测方法、设备及存储介质,涉及控制设备监测领域,包括:与机电设备交互,接收机电设备运行控制参数和机电设备监测特征矩阵;进行非故障状态多级邻接搜索,获得邻接样本树;对邻接样本树进行递归聚合,生成机电设备标准特征矩阵;比对机电设备监测特征矩阵和机电设备标准特征矩阵,构建机电设备特征偏差矢量矩阵,输入机电设备故障概率预测模型,生成机电设备故障概率,大于或等于故障概率阈值,生成机电设备维保指令。通过引入邻接样本分析,扩大故障监测的样本量,同时保证了判断的准确性,实现了机电设备故障监测的自动化和智能化,达到了提高故障监测效率和准确性的技术效果。
背景技术
机电设备作为工业生产中的关键设施,其运行状态影响着生产效率和产品质量。为了保障机电设备的正常运转,及时发现和预警设备的故障状况至关重要。传统的机电设备故障监测主要依靠人工经验,通过设定各种状态参数的门限值来判断设备是否存在故障。这种方法不仅效率低下,而且准确性很大程度上取决于人员的专业水平,难以适应日益复杂的工业生产需求。近年来,随着工业自动化和信息化的发展,一些研究开始尝试利用数据驱动的方法来实现机电设备故障的自动监测和诊断。这些方法通过采集和分析设备运行过程中产生的海量数据,自动构建各种状态参数的门限值,但由于工业数据的样本量有限,导致准确性和可靠性难以满足实际应用要求。
实现思路