【技術實現步驟摘要】
本專利技術涉及智能運維，具體為一種基于大數據的智能運維系統及方法。
技術介紹
1、隨著工業和智能制造概念的提出與發展，制造業等行業對生產設備的智能化管理和高效運維提出了更高要求。企業需要借助先進技術實現設備的實時監測、故障預測與快速修復，以提高生產效率、降低成本，增強市場競爭力，這促使了智能運維技術的產生和發展。物聯網技術使得設備能夠實現互聯互通，大量的傳感器可以被部署在各種設備上，實時采集設備的運行數據，如溫度、壓力、振動等。這些數據為智能運維提供了豐富的信息基礎，使得對設備狀態的全面感知成為可能。近年來，隨著人工智能、大數據、物聯網等技術的深度融合，智能運維成為了運維領域的發展趨勢。智能運維系統不僅可以實現對設備的實時監測和故障報警，還能夠通過數據分析和機器學習算法對設備的運行狀態進行預測和評估，提前發現潛在的故障風險，并自動生成相應的維護計劃和建議。但是隨著科學技術的發展，各種設備也越發精密和復雜，對于設備發生故障后的維護，往往需要特定的技術人員才能進行，普通工作人員無法對設備進行維護，這大大增加了設備運維的難度和成本，而且由于技術人員往往較少，當發生多個故障時不能及時對設備進行維護。
技術實現思路
1、本專利技術的目的在于提供一種基于大數據的智能運維系統及方法，以解決現有技術中提出的問題。
2、為實現上述目的，本專利技術提供如下技術方案：
3、一種基于大數據的智能運維方法，所述方法包括以下步驟：
4、s100、收集歷史技術人員對設備進行運
5、進一步的，根據故障現象對設備故障進行分類的具體步驟為：
6、s101、收集歷史技術人員對設備進行運維時，歷史運維中設備發生故障的記錄，采集記錄設備在工作過程中的每種故障數據，設采集隨設備工作而發生變化的每種故障數據為{s1、s2、s3、...、sn}，s1、s2、s3、...、sn表示采集隨設備工作而發生變化的每種故障數據第1、2、3、...、n個數據值，n為正整數；利用采集的每種故障數據的b個數據值繪制曲線圖，橫坐標為設備的工作時間，縱坐標為每種故障數據的數據值；
7、s102、對繪制的曲線圖進行分析，提取曲線圖中的峰值和低估值，對曲線圖中每個點的數據值進行判斷，當sx-1<sx>sx+1時，判斷sx為曲線圖中的峰值，當sx-1>sx<sx+1時，判斷sx為曲線圖中的低估值；設判斷得到曲線圖中的峰值為{f1、f2、f3、...、fk}，f1、f2、f3、...、fk表示判斷得到的曲線圖中第1、2、3、...、k個峰值，k為正整數；設判斷得到的曲線圖中的低估值為{d1、d2、d3、...、dp}，d1、d2、d3、...、dp表示判斷得到的曲線圖中第1、2、3、...、p個低估值，p為正整數；并計算曲線圖中故障數據的平均數據值為sp，計算每個峰值、低估值和平均數據值的絕對差值，公式為：
8、；
9、公式中，sci表示曲線圖中第i個峰值和平均值數據值的絕對差值，fi表示曲線圖中第i個峰值；scj表示曲線圖中第j個低估值和平均值數據的絕對差值，dj表示曲線圖中第j個低估值；經過計算得到k個峰值和平均值數據值的絕對差值，p個低估值和平均值數據的絕對差值；在k+p個絕對差值中選擇最大值作為對應故障數據的變化特征；依次對記錄中所有故障數據的變化特征進行計算，得到n種故障數據的變化特征，選擇其中的最大值作為歷史運維設備發生故障的記錄的故障現象；
10、s103、對收集的歷史運維中所有設備發生故障的記錄均進行計算，得到每個設備發生故障的記錄的故障現象，將所有記錄中故障現象相同的歸為同一種故障類型，最終根據每個記錄的故障現象將設備故障分類為{l1、l2、l3、...、lm}，l1、l2、l3、...、lm表示設備的第1、2、3、...m種故障類別，m為正整數。
11、利用歷史運維中的故障數據提取故障現象對故障進行分類后，當設備發生故障時，系統可以根據故障類別，迅速縮小排查范圍，大大縮短故障定位時間；根據故障分類，可以制定更有針對性的維護方案，針對不同的故障現象采取不同的維護方式，可以極大的增加對設備維護的效率；
12、s200、當對設備故障進行分類后，收集歷史運維中每種故障發生時的設備運行數據，計算每種故障現象和所有設備運行數據的關聯性，查找每種故障現象的所有故障原因；
13、進一步的，查找每種故障現象的所有故障原因的具體步驟為：
14、s201、當對設備故障進行分類后，收集歷史運維中每種故障現象發生時的設備運行數據為{y1、y2、y3、...、yh}，y1、y2、y3、...、yh表示收集的歷史運維中每種故障現象發生時第1、2、3、...、h種設備運行數據，h為正整數；提取每種故障發生時的故障現象數據值，將故障現象數據值作為橫坐標，收集的設備運行數據作為縱坐標繪制散點圖；在每種故障中繪制h種設備運行數據和故障現象數據值的散點圖；利用線性回歸算法對h種散點圖進行數據擬合，得到散點圖中線性函數為，函數中sx表示每種故障的故障現象；a表示線性函數的斜率，b表示線性函數的截距；
15、s202、針對h種散點圖均計算對應的線性函數，提取每個線性函數的斜率作為散點圖中設備運行數據和故障現象的關聯性，設得到的所有設備運行數據和故障現象的關聯性為{a1、a2、a3、...、ah}，a1、a2、a3、...、ah表示第1、2、3、...、h種設備運行數據和故障現象的關聯性，計算h種關聯性的平均值為ap，對每種關聯性進行判斷，當，判斷關聯性a對應的設備運行數據為故障原因，當時，判斷關聯性a對應的設備運行數據不是故障原因；經過判斷得到每種故障現象的故障原因為{ay1、ay2、ay3、...、ayt}，ay1、ay2、ay3、...、ayt表示判斷得到故障現象的第1、2、3、...、t種故障原因，t為正整數；對每種故障的故障現象的故障原因均進行判斷得到所有故障原因。
16、對設備的每種故障現象下的故障原因進行查找，明確每種故障對應的不同原因后，維修人員能夠采取精準的維修措施，并且故障原因的分析結果可以為設備的設計部門提供有價值的反饋，針對故障原因進行設備的優化；
17、s300、收集歷史運維中技術人員對設備故障的維護方案，提取維護方案中的所有維護數據，計算每個維護數據的重要性，得到維護方案的主要步驟；根據主要步驟構建維護方案模版；
18、進一步的，根據主要步驟構建維護方案模版的具體步驟為：
19、s301、收集歷史運維中技術人員對設備故障的維護方案，提取維護方案中的所有維護數據，對收集的歷史運維中技術人員對設備故障的維護方案內維護數據進行對比，提取出所有維護方案中均存在的維護數據為{w1、w2、w3、...、wg}，w1、w2、w3、...、w本文檔來自技高網...
【技術保護點】
1.一種基于大數據的智能運維方法，其特征在于：所述方法包括以下步驟：
2.根據權利要求1所述的一種基于大數據的智能運維方法，其特征在于：所述S100中根據故障現象對設備故障進行分類的具體步驟為：
3.根據權利要求2所述的一種基于大數據的智能運維方法，其特征在于：所述S200中查找每種故障現象的所有故障原因的具體步驟為：
4.根據權利要求1所述的一種基于大數據的智能運維方法，其特征在于：所述S300中根據主要步驟構建維護方案模版的具體步驟為：
5.根據權利要求4所述的一種基于大數據的智能運維方法，其特征在于：所述S400中生成自動維護方案數據庫的具體步驟為：
6.根據權利要求5所述的一種基于大數據的智能運維方法，其特征在于：所述S500中在自動維護方案數據庫中選擇維護方案進行輸出的具體步驟為：
7.根據權利要求6所述的一種基于大數據的智能運維方法，其特征在于：所述S600中搭建可視化的自動運維平臺的具體步驟為：
8.一種基于大數據的智能運維系統，其特征在于：智能運維系統包括數據收集模塊、故障分類模塊
9.根據權利要求8所述的一種基于大數據的智能運維系統，其特征在于：所述維護方案生成模塊包括維護方案模版生成單元、最佳維護方案查找單元和維護方案數據庫單元；
10.根據權利要求8所述的一種基于大數據的智能運維系統，其特征在于：所述故障判斷模塊包括故障閾值計算單元、故障判斷單元和故障原因查找單元；
...【技術特征摘要】
1.一種基于大數據的智能運維方法，其特征在于：所述方法包括以下步驟：
2.根據權利要求1所述的一種基于大數據的智能運維方法，其特征在于：所述s100中根據故障現象對設備故障進行分類的具體步驟為：
3.根據權利要求2所述的一種基于大數據的智能運維方法，其特征在于：所述s200中查找每種故障現象的所有故障原因的具體步驟為：
4.根據權利要求1所述的一種基于大數據的智能運維方法，其特征在于：所述s300中根據主要步驟構建維護方案模版的具體步驟為：
5.根據權利要求4所述的一種基于大數據的智能運維方法，其特征在于：所述s400中生成自動維護方案數據庫的具體步驟為：
6.根據權利要求5所述的一種基于大數據的智能運維方法，其特征在于：...
【專利技術屬性】
技術研發人員：姜啟升，李智，邱化冬，許樹輝，張鵬，
申請(專利權)人：山東山科世鑫科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。