CN111122191B - 一种基于ewma控制的设备安康报警阈值设定方法 - Google Patents
一种基于ewma控制的设备安康报警阈值设定方法 Download PDFInfo
- Publication number
- CN111122191B CN111122191B CN201911237702.0A CN201911237702A CN111122191B CN 111122191 B CN111122191 B CN 111122191B CN 201911237702 A CN201911237702 A CN 201911237702A CN 111122191 B CN111122191 B CN 111122191B
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- vibration
- data processing
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000036541 health Effects 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 51
- 230000001133 acceleration Effects 0.000 claims abstract description 38
- 238000013500 data storage Methods 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 11
- 239000000284 extract Substances 0.000 claims abstract description 8
- 238000012423 maintenance Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 8
- 238000003745 diagnosis Methods 0.000 claims description 8
- 230000007774 longterm Effects 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 5
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012854 evaluation process Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000002035 prolonged effect Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000869 mutational effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/004—Testing the effects of speed or acceleration
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及智能控制领域，旨在提供一种基于EWMA控制的设备安康报警阈值设定方法。该方法是利用数据采集模块实时采集运转设备的振动加速度信号，将其存储于数据存储模块中的历史数据库；数据处理模块提取历史数据库中的振动加速度值，去除异常值后，根据指数加权移动平均值控制图划分四个报警区，实现设备报警阈值设定。本发明所述方法可以根据具体设备的实际运行情况确定报警阈值，具有较高的时效性和较强的适应性；对故障的辨识度高，能够及时发现设备故障的早期征兆，有效延长设备运行寿命，降低维修费用，提高设备可靠性，保证设备全生命周期的安全、高效；能够存储有效数据，使得监测数据可信度高，有利于科学决策和进一步分析。
Description
技术领域
本发明涉及智能控制领域，具体地说，涉及到一种基于EWMA(指数加权移动平均，Exponentially Weighted Moving Average)控制的设备安康报警阈值设定方法。
背景技术
近年来，随着科学技术的进步和生产效率的提高，运转设备进入了机、电结合的新阶段，不断向高速和高精度方向发展，结构日趋复杂。在工作过程中运转设备会经历正常-退化-最终失效三个阶段，其可用性、安全性和可靠性在不同程度上影响着企业的生产效率。因此，对运转设备的运行状态进行实时监测和故障报警，对于企业降低维护成本和生产损失、提高生产效益具有重要意义。
设备状态报警技术是设备状态监测和故障诊断的核心技术之一，设备运行状态等级的划分会影响到报警方法的确定及报警精度。现有的设备安康报警技术均是依据振动标准进行状态等级划分，存在划分标准的不确定、报警阈值与设备实际运行状态无关等问题。
如能根据具体设备的实际运行情况确定报警阈值，使得报警系统有较高的时效性和较强的适应性，能够及时发现设备故障的早期征兆，有效延长设备运行寿命，降低维修费用，同时提高设备可靠性，保证设备全生命周期的安全、高效。因此，提供一种新的设备安康报警阈值设定方法是十分有必要的。
发明内容
本发明要解决的技术问题是，克服现有技术中的不足，提供一种基于EWMA控制的设备安康报警阈值设定方法，以解决运转设备的故障智能报警问题。
为解决技术问题，本发明的解决方案为：
提供一种基于EWMA控制的设备安康报警阈值设定方法，是利用数据采集模块实时采集运转设备的振动加速度信号，将其存储于数据存储模块中的历史数据库；数据处理模块提取历史数据库中的振动加速度值，去除异常值后，根据指数加权移动平均值控制图划分四个报警区，实现设备报警阈值设定；
其中，数据处理模块的处理过程具体包括：
(1)数据处理服务器从历史数据库中提取数据X1，X2，X3……X1024，进行快速傅里叶变换以获取振动加速度频谱图，然后根据频谱得到指定频率分量的幅值Ui(i为采样大小，1≤i≤1024)；
(2)根据运转设备的运行机理设定关机值a和异常值b，去除小于关机值a或者大于异常值b的幅值Ui；
(3)利用最近的n个振动加速度测量值的算术平均值构建评估过程水平的控制图；根据处于受控状态的频率分量的幅值Ui确定分组大小n和分组间隔m，根据设备运行时的受控数据和失控数据，通过指定可接受的最小稳态平均运行链长(ARL)确定控制限参数L值和λ值，以实现所需的稳态平均运行链长；最后根据公式(10)-(12)得到控制上限UCL、中心线CL、控制下限LCL的值，确定指数加权移动平均控制图；
CL＝μ (11)
各符号的定义：假设随机变量为X～N(μ，σ2)，μ为过程均值；λ为平滑系数，常数，其取值范围为0＜λ≤1；
(4)设定A、B、C、D四个报警区分别代表“安全运行”、“可长期运行”“不可长期运行”和“停机检修”；四个报警区分别对应：
“(-∞，LCL]U[UCL，+∞)”这四个范围。
本发明中，所述快速傅里叶变换是指离散傅里叶变换快速算法，按下述计算过程将振动加速度由时域转换为频域：
DFT公式：
其中，X(k)为经过傅里叶变换的频域上加速度序列值；X(n)为采集的时域上振动加速度序列值，
为旋转因子，由公式(14)计算得到；k为该采样时刻点的序数，N为采样总点数，N＝1024；
X(n)＝X1(n)+X2(n) (15)
X1(n)、X2(n)分别为偶数序列和奇数序列，其长度均为N/2；
所以
由于
所以
k＝0，……，N-1 (19)
其中，X1(k)、X2(k)分别为X1(n)、X2(n)的N/2点DFT；
所以，
依此类推，得到每个采样点的频域幅值，进而得到振动加速度频谱图。
本发明中，该方法基于下述系统实现：系统数据采集模块、数据存储模块、数据处理模块和数据输出模块；其中，数据采集模块用于实时采集设备的振动数据，将其存储在数据存储模块；数据存储模块用于存储记载设备各种运行状态的历史数据库；数据处理模块用于提取和处理数据存储模块中的数据，根据指数加权移动平均值控制确定报警阈值；数据输出模块用于显示数据处理结果，实现报警信号发布；
数据处理模块将振动加速度信号经过处理后与预设的报警阈值进行比较后，若结果显示振动烈度值在预设的报警阈值以内，则将数据发送至数据存储模块进行存储，否则进行故障报警并根据振动烈度所在区域更新历史数据库。
本发明中，所述运转设备是水泵、风机、空压机、电机、电梯曳引机或电梯轿厢中的任意一种。
本发明中，所述数据存储模块是基于本地或云端的数据存储服务器，所述数据处理模块是数据处理服务器；所述数据输出模块是手机、电脑或智能显示屏中的任意一种。
本发明中，所述数据采集模块由振动检测传感器和无线网关组成，其中振动检测传感器用于采集运转设备的振动信号并通过无线网关上传至数据处理服务器。
本发明中，所述振动检测传感器是有线振动传感器、LoRa振动传感器、NB-IoT振动传感器或WiFi振动传感器中的任意一种；所述无线网关是LoRa无线网关或Wifi无线网关中的任意一种。
本发明还进一步提供了基于所述方法的运转设备安康报警方法，包括：由数据处理模块对实时采集到的振动加速度信号进行分析，如其频率分量的幅值Ui落在A或B区域内，认为设备正常运行；若频率分量的幅值Ui落在C或D区域内，则认为设备处于故障状态，此时由数据输出模块进行报警，并由数据处理模块并将落在C区域的频率分量的幅值Ui对应的原始数据通过数据处理模块更新至历史数据库；对于落在D区域的原始数据则直接丢弃。
本发明还进一步提供了基于所述方法的运转设备安康报警方法，包括：由数据处理模块根据预置规则对经过处理的频率分量的幅值Ui进行比较和判断，确认并输出故障类型诊断结果。
与现有技术相比，本发明的有益效果是：
1、本发明所述方法提供了一种全新的设备安康报警阈值设定方法，可以根据具体设备的实际运行情况确定报警阈值，具有较高的时效性和较强的适应性；
2、本发明对故障的辨识度高，能够及时发现设备故障的早期征兆，有效延长设备运行寿命，降低维修费用，提高设备可靠性，保证设备全生命周期的安全、高效；
3、本发明能够存储有效数据，使得监测数据可信度高，有利于科学决策和进一步分析。
附图说明
图1是本发明整体设计图。
图2是本发明安康报警阈值设定方法流程图。
图3是本发明指数加权移动平均值控制图模型构建示意图。
图4是本发明故障类型诊断示意图。
具体实施方式
下面结合附图与具体实施例对本发明做进一步的说明。
首先需要说明的是，本发明的实现会涉及信号检测技术，系计算机技术在工业生产领域的应用。在本发明的具体应用过程中，可能涉及到软件功能模块的应用。申请人认为，如在仔细阅读申请文件、准确理解本发明的实现原理和发明目的以后，在结合现有公知技术的情况下，本领域技术人员完全可以运用其掌握的软件编程技能实现本发明。凡本发明申请文件提及的均属此范畴，申请人不再一一列举。
移动平均控制图是利用最近n个观测值(其中现行观测值已取代n+1个观测值中的最初观测值)的算术平均值，是评估过程水平的控制图。移动平均控制图可以改善在生产过程中发现小的变动的能力。指数加权移动平均(Exponentially Weighted MovingAverage，即EWMA)控制图是移动平均控制图的一种变形图，考虑了当前样本的信息比先前样本提供的信息更重要的移动平均控制图就称为指数加权移动平均控制图，它不仅能够及时检测出生产过程均值所发生的较小波动(小于2σ)，而且对当前过程的突变性变异具有一定的检出效果。
如图1所示，一种基于EWMA控制的设备安康报警阈值设定方法，基于下述系统实现：包括数据采集模块、数据存储模块、数据处理模块、数据输出模块；数据采集模块用于实时采集设备的振动数据，将其存储在数据存储模块；数据存储模块用于存储记载设备各种运行状态的历史数据库；数据处理模块用于提取和处理数据存储模块中的数据，根据指数加权移动平均值控制确定报警阈值；数据输出模块用于显示数据处理结果，实现报警信号发布；数据处理模块将振动加速度信号经过处理后与预设的报警阈值进行比较后，若结果显示振动烈度值在预设的报警阈值以内，则将数据发送至数据存储模块进行存储，否则进行故障报警并根据振动烈度所在区域更新历史数据库。
基于该系统的设备安康报警阈值设定方法，是利用数据采集模块实时采集运转设备的振动加速度信号，将其存储于数据存储模块中的历史数据库；数据处理模块提取历史数据库中的振动加速度值，去除异常值后，根据指数加权移动平均值控制图划分四个报警区，实现设备报警阈值设定；
其中，数据处理模块的处理过程具体包括：
(1)数据处理服务器从历史数据库中提取数据X1，X2，X3……X1024，进行快速傅里叶变换以获取振动加速度频谱图，然后根据频谱得到指定频率分量的幅值Ui(i为采样大小，1≤i≤1024)；
(2)根据运转设备的运行机理设定关机值a和异常值b，去除小于关机值a或者大于异常值b的幅值Ui；
(3)利用最近的n个振动加速度测量值的算术平均值构建评估过程水平的控制图；根据处于受控状态的频率分量的幅值Ui确定分组大小n和分组间隔m，根据设备运行时的受控数据和失控数据，通过指定可接受的最小稳态平均运行链长(ARL)确定控制限参数L值和λ值，以实现所需的稳态平均运行链长；最后根据公式(10)-(12)得到控制上限UCL、中心线CL、控制下限LCL的值，确定指数加权移动平均控制图；
CL＝μ (11)
各符号的定义：假设随机变量为X～N(μ，σ2)，μ为过程均值；λ为平滑系数，常数，其取值范围为0＜λ≤1；
(4)设定A、B、C、D四个报警区分别代表“安全运行”、“可长期运行”“不可长期运行”和“停机检修”；四个报警区分别对应：
“(-∞，LCL]∪[UCL，+∞)”这四个范围。
基于上述方法的运转设备安康报警方法包括：由数据处理模块对实时采集到的振动加速度信号进行分析，如其频率分量的幅值Ui落在A或B区域内，认为设备正常运行；若频率分量的幅值Ui落在C或D区域内，则认为设备处于故障状态，此时由数据输出模块进行报警，并根据振动烈度所在区域将当前结果更新至历史数据库。根据当前结果更新至历史数据库，是指若频率分量的幅值Ui在A、B、C任一区域，则将该频率分量的幅值Ui所对应的振动加速度值保存至数据存储服务器。
进一步地，由数据处理模块根据预置规则对经过处理的频率分量的幅值Ui进行比较和判断，确认并输出故障类型诊断结果。故障类型可设定为轴承故障、基座松动故障、轴承松动故障、不平衡动故障、不对中故障、转子弯曲故障、动静件摩擦故障和早期潜在故障。
下面结合具体实施例子，对上述内容进一步阐释：
为得到频域数据，涉及的公式如下：
快速傅里叶变换(Fast Fourier Transform，FFT)，是离散傅里叶变换(DiscreteFourier Transform，DFT)的快速算法，它是根据离散傅里叶变换的奇、偶、虚、实等特性，对离散傅里叶变换的算法进行改进获得的，可将振动加速度由时域转换为频域。
快速傅里叶变换公式推算过程如下：
DFT公式：
其中，X(k)为经过傅里叶变换的频域上加速度序列值；X(n)为采集的时域上振动加速度序列值，
为旋转因子，可由公式(14)计算得到；k为该采样时刻点的序数，N为采样总点数，本发明中N＝1024。
X(n)＝X1(n)+X2(n) (15)
X1(n)、X2(n)分别为偶数序列和奇数序列，其长度均为N/2。
所以
由于
所以
(k＝0，……，N-1) (19)
其中，X1(k)、X2(k)分别为X1(n)、X2(n)的N/2点DFT。
所以，
依此类推，得到每个采样点的频域幅值，进而得到振动加速度频谱图。
指数加权移动平均控制图模型建立中涉及到的公式如下：
假设随机变量频率分量幅值Ui为X～N(μ，σ2)，μ为过程均值，μ0为过程均值目标值，μ的取值根据受控状态与否而变化，当过程处于受控状态，μ＝μ0；当过程处于失控状态，μ＝μ0+δσ，δ为过程均值漂移。
过程均值：
标准差：
指数加权移动平均控制图的定义公式为：
Zi＝λxi+(1-λ)Zi-1 (24)
其中，λ为平滑系数，常数，其取值范围为0＜λ≤1，Zi是EWMA统计量，即所有之前样本均值的加权平均值。初始值Z0＝μ0。
因为假设观测值xi是独立的随机变量，而其方差为σ2，所以zi的方差为
因此，指数加权移动平均控制图的控制限为：
CL＝μ (27)
当i逐渐增大时，(1-λ)2i将很快收敛到0，。因此当i逐渐增大时，UCL和LCL将稳定到下面两个值：
CL＝μ (30)
其中，UCL为控制上限，CL为中心线，LCL为控制下限；n为采样分组数量，L为控制限系数，λ为平滑系数。通常，λ取值在0.05≤λ≤0.25范围在实践中有较好的表现，实践中通常取λ＝0.05，λ＝0.10或者λ＝0.20；而对于L，L＝3的使用效果不错，特别是当λ较大的时候。另外，当λ≤0.1时，2.6≤L≤2.8能有效地使控制限变窄。最优的控制限参数L值和λ值通过指定可接受的较小的稳态平均运行链长(ARL)确定。
如图2所示，基于EWMA的设备安康报警阈值设定方法，包括：数据处理服务器从数据库存储服务器中提取数据X1，X2，X3......X1024，进行快速傅里叶变换，得到振动加速度信号的频谱，根据频谱得到指定频率分量的幅值Ui大小，并根据相应设备的运行机理，设定设备的关机值a和异常数据b，去除小于关机值a或者异常大的数据b值。根据指数加权移动平均值控制图，分别设定
“(-∞，LCL]∪[UCL，+∞)”为A、B、C、D四个区；并判断当前实时数据Ui处于哪个区；若指定频率分量的幅值Ui在A、B区域，认为设备正常运行，若指定频率分量的幅值Ui在C、D区域则进行故障类型诊断和报警，并根据当前结果更新历史数据库。(对于落在C区域的频率分量的幅值Ui对应的原始数据，更新至历史数据库；对于落在D区域的原始数据则直接丢弃。)
如图3所示，指数加权移动平均值控制图模型构建包括：
根据处于受控状态的频率分量的幅值Ui，确定分组大小n和分组间隔m，然后根据设备运行时的受控数据和失控数据，通过指定可接受的较小的稳态平均运行链长(ARL)确定控制限参数L值和λ值，来实现所需的ARL；最后根据公式得到UL、UCL和LCL的值，确定指数加权移动平均控制图。
如图4所示，故障类型诊断过程如下：
分别对0.5倍频、1倍频、1.5倍频、2倍频、2.5倍频、3倍频、4倍频和高倍频的频率分量的幅值Ui，根据设定的8个规则进行故障诊断，输出的诊断结果主要有轴承故障、基座松动故障、轴承松动故障、不平衡动故障、不对中故障、转子弯曲故障、动静件摩擦故障和早期潜在故障。
对设备状态报警阈值进行设定是一个技术难点，本发明提出基于指数加权移动平均值控制图的设备安康报警阈值设定方法，具有较高的时效性和较强的适应性，为防止关键设备的异常提供预警，有效延长设备运行寿命，降低维修费用，提高设备的可靠性，保证设备全生命周期的安全、高效，在机械设备报警处理系统中具有良好的应用前景。
上述内容虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，任何本领域技术人员，在不脱离本发明的精神和范围内所做出的应用或改动，均应属于本发明的保护范围。
Claims (8)
1.一种基于EWMA控制的设备安康报警阈值设定方法，其特征在于，是利用数据采集模块实时采集运转设备的振动加速度信号，将其存储于数据存储模块中的历史数据库；数据处理模块提取历史数据库中的振动加速度值，去除异常值后，根据指数加权移动平均值控制图划分四个报警区，实现设备报警阈值设定；
其中，数据处理模块的处理过程具体包括：
(1)数据处理服务器从历史数据库中提取数据X1，X2，X3……X1024，进行快速傅里叶变换以获取振动加速度频谱图，然后根据频谱得到指定频率分量的幅值Ui，i为采样大小，1≤i≤1024；
所述快速傅里叶变换是指离散傅里叶变换的快速算法，按下述计算过程将振动加速度由时域转换为频域：
离散傅里叶变换公式：
其中，X(k)为经过傅里叶变换的频域上加速度序列值；X(n)为采集的时域上振动加速度序列值，
为旋转因子，由公式(14)计算得到；k为该采样时刻点的序数，N为采样总点数，N＝1024；
X(n)＝X1(n)+X2(n) (15)
X1(n)、X2(n)分别为偶数序列和奇数序列，其长度均为N/2；
所以
由于
所以
其中，X1(k)、X2(k)分别为X1(n)、X2(n)的N/2点DFT；
所以，
依此类推，得到每个采样点的频域幅值，进而得到振动加速度频谱图；
(2)根据运转设备的运行机理设定关机值a和异常值b，去除小于关机值a或者大于异常值b的幅值Ui；
(3)利用最近的n个振动加速度测量值的算术平均值构建评估过程水平的控制图；根据处于受控状态的频率分量的幅值Ui确定分组大小n和分组间隔m，根据设备运行时的受控数据和失控数据，通过指定可接受的最小稳态平均运行链长确定控制限参数L值和λ值，以实现所需的稳态平均运行链长；最后根据公式(10)-(12)得到控制上限UCL、中心线CL、控制下限LCL的值，确定指数加权移动平均控制图；
CL＝μ (11)
各符号的定义：假设随机变量为X～N(μ，σ2)，μ为过程均值；λ为平滑系数，常数，其取值范围为0＜λ≤1；
(4)设定A、B、C、D四个报警区分别代表“安全运行”、“可长期运行”“不可长期运行”和“停机检修”；四个报警区分别对应：
“(-∞，LCL]∪[UCL，+∞)”这四个范围。
2.根据权利要求1所述的方法，其特征在于，该方法基于下述系统实现：包括数据采集模块、数据存储模块、数据处理模块和数据输出模块；其中，
数据采集模块用于实时采集设备的振动数据，将其存储在数据存储模块；
数据存储模块用于存储记载设备各种运行状态的历史数据库；
数据处理模块用于提取和处理数据存储模块中的数据，根据指数加权移动平均值控制确定报警阈值；
数据输出模块用于显示数据处理结果，实现报警信号发布；
数据处理模块将振动加速度信号经过处理后与预设的报警阈值进行比较后，若结果显示振动烈度值在预设的报警阈值以内，则将数据发送至数据存储模块进行存储，否则进行故障报警并根据振动烈度所在区域更新历史数据库。
3.根据权利要求1所述的方法，其特征在于，所述运转设备是水泵、风机、空压机、电机、电梯曳引机或电梯轿厢中的任意一种。
4.根据权利要求1所述的方法，其特征在于，所述数据存储模块是基于本地或云端的数据存储服务器，所述数据处理模块是数据处理服务器；所述数据输出模块是手机、电脑或智能显示屏中的任意一种。
5.根据权利要求1所述的方法，其特征在于，所述数据采集模块由振动检测传感器和无线网关组成，其中振动检测传感器用于采集运转设备的振动信号并通过无线网关上传至数据处理服务器。
6.根据权利要求5所述的方法，其特征在于，所述振动检测传感器是有线振动传感器、LoRa振动传感器、NB-IoT振动传感器或WiFi振动传感器中的任意一种；所述无线网关是LoRa无线网关或Wifi无线网关中的任意一种。
7.基于权利要求1所述方法的运转设备安康报警方法，其特征在于，进一步包括：由数据处理模块对实时采集到的振动加速度信号进行分析，如其频率分量的幅值Ui落在A或B区域内，认为设备正常运行；若频率分量的幅值Ui落在C或D区域内，则认为设备处于故障状态，此时由数据输出模块进行报警，并将落在C区域的频率分量的幅值Ui对应的原始数据通过数据处理模块更新至历史数据库；对于落在D区域的原始数据则直接丢弃。
8.根据权利要求7所述的方法，其特征在于，进一步包括：由数据处理模块根据预置规则对经过处理的频率分量的幅值Ui进行比较和判断，确认并输出故障类型诊断结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911237702.0A CN111122191B (zh) | 2019-12-05 | 2019-12-05 | 一种基于ewma控制的设备安康报警阈值设定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911237702.0A CN111122191B (zh) | 2019-12-05 | 2019-12-05 | 一种基于ewma控制的设备安康报警阈值设定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111122191A CN111122191A (zh) | 2020-05-08 |
| CN111122191B true CN111122191B (zh) | 2021-09-03 |
Family
ID=70497565
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911237702.0A Active CN111122191B (zh) | 2019-12-05 | 2019-12-05 | 一种基于ewma控制的设备安康报警阈值设定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111122191B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111623869B (zh) * | 2020-05-20 | 2022-01-04 | 北京必创科技股份有限公司 | 基于边缘计算的数据处理方法和数据监测及边缘计算装置 |
| CN114323643B (zh) * | 2021-12-31 | 2024-03-26 | 广东石油化工学院 | 一种旋转机组监测调节装置及方法 |
| CN114664058B (zh) * | 2022-01-29 | 2023-08-18 | 上海至冕伟业科技有限公司 | 一种消防水系统的整体故障预警系统及方法 |
| CN114613110B (zh) * | 2022-01-29 | 2023-08-18 | 上海至冕伟业科技有限公司 | 基于消防物联网的消防水系统故障检测预警系统及方法 |
| CN115900807B (zh) * | 2023-01-06 | 2024-08-20 | 深圳数动智慧科技有限公司 | 一种工厂设备工作状态的判断方法、系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101382473A (zh) * | 2008-10-08 | 2009-03-11 | 重庆大学 | 桥梁结构安全预警的ewma控制图方法 |
| CN102435436A (zh) * | 2011-11-24 | 2012-05-02 | 电子科技大学 | 风扇轴承状态退化评估方法 |
| CN103020472A (zh) * | 2012-12-27 | 2013-04-03 | 中国科学院深圳先进技术研究院 | 基于约束估计的生理信号质量评估方法和系统 |
| CN107851294A (zh) * | 2015-07-10 | 2018-03-27 | 汉阳大学校产学协力团 | 大型运行系统的基于状态的预防维护装置及方法 |
-
2019
- 2019-12-05 CN CN201911237702.0A patent/CN111122191B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101382473A (zh) * | 2008-10-08 | 2009-03-11 | 重庆大学 | 桥梁结构安全预警的ewma控制图方法 |
| CN102435436A (zh) * | 2011-11-24 | 2012-05-02 | 电子科技大学 | 风扇轴承状态退化评估方法 |
| CN103020472A (zh) * | 2012-12-27 | 2013-04-03 | 中国科学院深圳先进技术研究院 | 基于约束估计的生理信号质量评估方法和系统 |
| CN107851294A (zh) * | 2015-07-10 | 2018-03-27 | 汉阳大学校产学协力团 | 大型运行系统的基于状态的预防维护装置及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111122191A (zh) | 2020-05-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111122191B (zh) | 一种基于ewma控制的设备安康报警阈值设定方法 | |
| CN110276416B (zh) | 一种滚动轴承故障预测方法 | |
| Wu et al. | Induction machine fault detection using SOM-based RBF neural networks | |
| CA2875071C (en) | Method and system for testing operational integrity of a drilling rig | |
| US10520397B2 (en) | Methods and apparatuses for defect diagnosis in a mechanical system | |
| US7089154B2 (en) | Automatic machinery fault diagnostic method and apparatus | |
| CN113408068A (zh) | 一种随机森林分类的机泵故障诊断方法及装置 | |
| CN117270514B (zh) | 基于工业物联网的生产过程全流程故障检测方法 | |
| JPH07159231A (ja) | ポンプ劣化診断システム | |
| JP2005345154A (ja) | 異常予兆検出方法および装置 | |
| CN111811819A (zh) | 一种基于机器学习的轴承故障诊断方法及装置 | |
| KR102545672B1 (ko) | 기계고장 진단 방법 및 장치 | |
| CN118030409A (zh) | 用于风机机组的运行性能异常检测方法及系统 | |
| CN117370879A (zh) | 一种风力机齿轮箱的实时在线故障诊断方法及系统 | |
| CN113361324A (zh) | 一种基于lstm的电机电流异常检测方法 | |
| Cao et al. | Remaining useful life prediction of wind turbine generator bearing based on EMD with an indicator | |
| CN118131037B (zh) | 基于大数据的永磁电机运行监测方法 | |
| CN110749443B (zh) | 一种基于高阶原点矩的滚动轴承故障诊断方法及系统 | |
| CN118293969A (zh) | 一种基于ai智能的风力发电机组传动链故障在线检测系统 | |
| CN107436244B (zh) | 基于频率分段振动数据采集的设备故障报警方法 | |
| Sułowicz et al. | Specialized diagnostic system for induction motors | |
| Waters et al. | Vibration Anomaly Detection using Deep Autoencoders for Smart Factory | |
| Saari et al. | Selection of features for fault diagnosis on rotating machines using random forest and wavelet analysis | |
| Pham et al. | Using Artificial Intelligence (AI) for Monitoring and Diagnosing Electric Motor Faults Based on Vibration Signals | |
| Talib et al. | Classification of machine fault using principle component analysis, general regression neural network and probabilistic neural network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |