CN112232569A - 一种机械设备故障预警方法、系统及可读存储介质 - Google Patents
一种机械设备故障预警方法、系统及可读存储介质 Download PDFInfo
- Publication number
- CN112232569A CN112232569A CN202011116741.8A CN202011116741A CN112232569A CN 112232569 A CN112232569 A CN 112232569A CN 202011116741 A CN202011116741 A CN 202011116741A CN 112232569 A CN112232569 A CN 112232569A
- Authority
- CN
- China
- Prior art keywords
- signal
- early warning
- vibration
- equipment
- point
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种机械设备故障预警方法、系统及可读存储介质,包括:获取设备历史运行数据,建立大数据预警平台;设定采样间隔,按照同等采样间隔获取设备运行状态,并建立模型;根据模型预测设备运行状态变化信息,并拟合曲线图;根据曲线图预测设备故障信息;将设备故障信息反馈至预警平台进行分析,得到结果信息;根据结果信息生成维修策略。
Description
技术领域
本发明涉及一种机械设备故障预警方法,尤其涉及一种机械设备故障预警方法、系统及可读存储介质。
背景技术
故障预测是寿命预测技术的研究前沿和热点,最初是来源于实际工作中的经验知识,其具体实施则是依靠领域专家的耳听、手摸、眼看等感官获得设备的健康状态,随着信息科学和控制理论的迅速法阵,涌现出许多创新性的技术和方法,进一步促进了设备寿命预测与健康管理技术的飞速发展,在电力、化工、建材等工业生产领域取得广泛应用,设备寿命预测与健康管理作为一门新兴学科,在国民经济建设中发挥越来越重要的作用,越来越多的企业采用设备寿命预测技术保证设备及大型机械的安全高效运行。
现有的故障预测大多是在及其的健康寿命、故障严重程度、振动强度、能量大小方面对设备的安全运行进行预测,仅仅是对特定的单一故障进行预测,无法对故障类型、故障部位进行预测和诊断,此外仅仅在机械设备的某一个位置或某一个方向安装振动传感器获取的振动信息来判断设备运行状态,得到的结果具有片面性,忽视了同一截面两个方向上振动信号之间的联系,造成了设备故障分析难以接近实际值,偏差较大。
为了能够对旋转设备进行精准的故障诊断需要开发一款与其相匹配的系统进行控制,通过全矢融合采集得到的振动特征构建时间序列,根据获得的全矢特征历史数据,构建预测模型,预测特征数据的变化趋势,建立振动一维幅值及二维频谱结构进行设备状态监测,实现设备故障预警,如何对旋转机械设备故障诊断实现精准控制,是亟待要解决的问题。
发明内容
本发明克服了现有技术的不足,提供一种机械设备故障预警方法、系统及可读存储介质。
为达到上述目的,本发明采用的技术方案为:一种机械设备故障预警方法,包括:
获取设备历史运行数据,建立大数据预警平台;
设定采样间隔,按照同等采样间隔获取设备运行状态,并建立模型;
根据模型预测设备运行状态变化信息,并拟合曲线图;
根据曲线图预测设备故障信息;
将设备故障信息反馈至预警平台进行分析,得到结果信息;
根据结果信息生成维修策略。
在本发明的一个较佳实施例中,设定采样间隔,按照同等采样间隔获取设备运行状态,并建立模型;具体包括:
采集设备振动信号,获取振动谐波下的振动矢量,并提取特征值;
将特征值按照采样时间顺序进行排序,获得若干组时间序列,得到全矢时间序列特征数据;
通过全矢时间序列特征数据建立预测模型,
通过预测模型对设备故障状态进行预警。
在本发明的一个较佳实施例中,预测模型表达式如下:
γ=λ1x1+λ2x2+λ3x3…+λjxj+ξ
其中γ表示预测模型,λ1表示第一采样间隔下的模型参数,λ2表示第二个采样时间间隔下的模型参数,λj表示第j采样间隔下的模型参数,x1表示第一采样间隔下的振动幅值,xj表示第j采样间隔下的振动幅值,ξ表示随机噪声。
在本发明的一个较佳实施例中,构建a测点,建立坐标系,
在第一采样间隔时间下,提取a测点信号特征,将a测点信号特征进行分解,得到X方向的ax1信号与Y方向的ay1信号;
在第二采样间隔时间下,提取a测点信号特征,将a测点信号特征进行分解,得到X方向的ax2信号与Y方向的ay2信号;
在第n采样间隔时间下的,提取a测点信号特征,将a测点信号特征进行分解,得到X方向的axn信号与Y方向的ayn信号;
将不同采样时间间隔下的X方向的n个信号进行同源信息融合,得到X方向的信号离散序列,
将不同采样时间间隔下的Y方向的n个信号进行同源信息融合,得到Y方向的信号离散序列;
根据X方向与Y方向的信号离散序列获取设备运行状态信息。
在本发明的一个较佳实施例中,X方向的离散序列记为{xn},Y方向的离散序列记为{yn},其中n=0、1、2…
对{xn}与{yn}进行离散傅里叶变换,得到数据序列;
通过数据序列构建复数序列{zn},{zn}={xn}+{yn};
根据复数序列计算出振动谐波下的全矢谱信息,
根据全矢谱信息分析设备故障状态。
在本发明的一个较佳实施例中,采集设备振动信号,并进行全矢特征提取,形成历史数据库;
根据历史数据库建立预测模型;
设定采样间隔,当进行下一次采样时,将采样数据通过预测模型进行预测计算,形成振动特征值;
根据振动特征值建立振动频谱信息;
根据振动频谱信息预测振动强度变化量,得到结果信息,并生成设备运行状态信息。
本发明第二方面还提供了一种机械设备故障预警系统,该系统包括:存储器、处理器,所述存储器中包括机械设备故障预警方法程序,所述机械设备故障预警方法程序被所述处理器执行时实现如下步骤:
获取设备历史运行数据,建立大数据预警平台;
设定采样间隔,按照同等采样间隔获取设备运行状态,并建立模型;
根据模型预测设备运行状态变化信息,并拟合曲线图;
根据曲线图预测设备故障信息;
将设备故障信息反馈至预警平台进行分析,得到结果信息;
根据结果信息生成维修策略。
在本发明的一个较佳实施例中,构建a测点,建立坐标系,
在第一采样间隔时间下,提取a测点信号特征,将a测点信号特征进行分解,得到X方向的ax1信号与Y方向的ay1信号;
在第二采样间隔时间下,提取a测点信号特征,将a测点信号特征进行分解,得到X方向的ax2信号与Y方向的ay2信号;
在第n采样间隔时间下的,提取a测点信号特征,将a测点信号特征进行分解,得到X方向的axn信号与Y方向的ayn信号;
将不同采样时间间隔下的X方向的n个信号进行同源信息融合,得到X方向的信号离散序列,
将不同采样时间间隔下的Y方向的n个信号进行同源信息融合,得到Y方向的信号离散序列;
根据X方向与Y方向的信号离散序列获取设备运行状态信息。
在本发明的一个较佳实施例中,采集设备振动信号,并进行全矢特征提取,形成历史数据库;
根据历史数据库建立预测模型;
设定采样间隔,当进行下一次采样时,将采样数据通过预测模型进行预测计算,形成振动特征值;
根据振动特征值建立振动频谱信息;
根据振动频谱信息预测振动强度变化量,得到结果信息,并生成设备运行状态信息。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括机械设备故障预警方法程序,所述机械设备故障预警方法程序被处理器执行时,实现上述任一项所述的机械设备故障预警方法的步骤。
本发明解决了背景技术中存在的缺陷,本发明具备以下有益效果:
(1)通过全矢振动时间序列特征数据进行建模和预测分析,能够很好的将用于时序数据的趋势预测,通过预测模型对振动强度、故障性质及设备状态进行监控,全面反映旋转设备运行过程中的性能变化,使得故障诊断更加精准。
(2)通过建立预测模型预测振动值及频谱结构变化情况,并根据设备测点处的报警阈值设定进行状态评价,判断未来时间段上的设备运行健康状态,判断故障部位,能够实现对设备进行健康状态的实时评估预警,以便更好的为设备管理及维修提供决策性参考。
(3)通过全矢融合采集得到的振动特征构建时间血泪,根据获得的全矢特征历史数据,构建预测模型,预测特征数据的变化趋势,建立振动一维幅值及二维频谱结构进行设备状态监测,实现设备故障预警,预警结果更加接近实际值。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1示出了本发明一种机械设备故障预警方法的流程图;
图2示出了通过预测模型对设备故障状态预警方法流程图;
图3示出了同源信息融合方法流程图;
图4示出了通过振动频谱进行设备运行状态监测方法流程图;
图5示出了一种机械设备故障预警系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种机械设备故障预警方法的流程图。
如图1所示,本发明第一方面提供了一种机械设备故障预警方法,包括:
S102,获取设备历史运行数据,建立大数据预警平台;
S104,设定采样间隔,按照同等采样间隔获取设备运行状态,并建立模型;
S106,根据模型预测设备运行状态变化信息,并拟合曲线图;
S108,根据曲线图预测设备故障信息;
S110,将设备故障信息反馈至预警平台进行分析,得到结果信息;
S112,根据结果信息生成维修策略。
需要说明的是,通过全矢振动时间序列特征数据进行建模和预测分析,能够很好的将用于时序数据的趋势预测,通过预测模型对振动强度、故障性质及设备状态进行监控,全面反映旋转设备运行过程中的性能变化,使得故障诊断更加精准,维修策略包括维修顺序、维修时间,当故障点出现多个时,根据不同故障点的故障程度以及对机械设备造成影响的程度进行对故障的损害力进行评价,故障损害力较大时,则进行优先处理。
如图2所示,本发明公开了通过预测模型对设备故障状态预警方法流程图;
根据本发明实施例,设定采样间隔,按照同等采样间隔获取设备运行状态,并建立模型;具体包括:
S202,采集设备振动信号,获取振动谐波下的振动矢量,并提取特征值;
S204,将特征值按照采样时间顺序进行排序,获得若干组时间序列,得到全矢时间序列特征数据;
S206,通过全矢时间序列特征数据建立预测模型,
S208,通过预测模型对设备故障状态进行预警。
需要说明的是,通过建立预测模型预测振动值及频谱结构变化情况,并根据设备测点处的报警阈值设定进行状态评价,判断未来时间段上的设备运行健康状态,判断故障部位,能够实现对设备进行健康状态的实时评估预警,以便更好的为设备管理及维修提供决策性参考。
根据本发明实施例,预测模型表达式如下:
γ=λ1x1+λ2x2+λ3x3…+λjxj+ξ
其中γ表示预测模型,λ1表示第一采样间隔下的模型参数,λ2表示第二个采样时间间隔下的模型参数,λj表示第j采样间隔下的模型参数,x1表示第一采样间隔下的振动幅值,xj表示第j采样间隔下的振动幅值,ξ表示随机噪声。
如图3所示,本发明公开了同源信息融合方法流程图;
根据本发明实施例,S302,构建a测点,建立坐标系,
S304,在第一采样间隔时间下,提取a测点信号特征,将a测点信号特征进行分解,得到X方向的ax1信号与Y方向的ay1信号;
S306,在第二采样间隔时间下,提取a测点信号特征,将a测点信号特征进行分解,得到X方向的ax2信号与Y方向的ay2信号;
S308,在第n采样间隔时间下的,提取a测点信号特征,将a测点信号特征进行分解,得到X方向的axn信号与Y方向的ayn信号;
S310,将不同采样时间间隔下的X方向的n个信号进行同源信息融合,得到X方向的信号离散序列,
S312,将不同采样时间间隔下的Y方向的n个信号进行同源信息融合,得到Y方向的信号离散序列;
S314,根据X方向与Y方向的信号离散序列获取设备运行状态信息。
需要说明的是,同源信息融合是根据一定的准则,对获取的数据进行加工再利用,采用同一种类型的传感器,在不同方向测量设备的振动信号,信号采集时,多个传感器保持同步测量统一振动源的数据信息,保证测量数据特征的完整性,此外传感器在对数据进行采集时,采用同步整周期的运行方式,通过键相信号触发采样,整周期采用可以减少频谱分析时的能量泄露,各个传感器之间采样时间同步,满足进入融合条件的数据是统一时刻发生这一条件,各对应测量点时间上严格对齐。
根据本发明实施例,X方向的离散序列记为{xn},Y方向的离散序列记为{yn},其中n=0、1、2…
对{xn}与{yn}进行离散傅里叶变换,得到数据序列;
通过数据序列构建复数序列{zn},{zn}={xn}+{yn};
根据复数序列计算出振动谐波下的全矢谱信息,
根据全矢谱信息分析设备故障状态。
需要说明的是,全矢时序数据通过平稳化处理,均值化处理然后对异常数据进行剔除,保留能够精准反应设备运行状态的实时数据,对实时数据进行标准化处理,得到一组新的时序数据,通过这组时序数据能够更加精确全面的反应时序特征,并对设备故障进行快速的分析。
如图4所示,本发明公开了通过振动频谱进行设备运行状态监测方法流程图;
根据本发明实施例,S402,采集设备振动信号,并进行全矢特征提取,形成历史数据库;
S404,根据历史数据库建立预测模型;
S406,设定采样间隔,当进行下一次采样时,将采样数据通过预测模型进行预测计算,形成振动特征值;
S408,根据振动特征值建立振动频谱信息;
S410,根据振动频谱信息预测振动强度变化量,得到结果信息,并生成设备运行状态信息。
需要说明的是,通过全矢融合采集得到的振动特征构建时间序列,根据获得的全矢特征历史数据,构建预测模型,预测特征数据的变化趋势,建立振动一维幅值及二维频谱结构进行设备状态监测,实现设备故障预警,预警结果更加接近实际值。
如图5所示,本发明公开了一种机械设备故障预警系统框图;
本发明第二方面还提供了一种机械设备故障预警系统,该系统5包括:存储器51、处理器52,所述存储器中包括机械设备故障预警方法程序,所述机械设备故障预警方法程序被所述处理器执行时实现如下步骤:
获取设备历史运行数据,建立大数据预警平台;
设定采样间隔,按照同等采样间隔获取设备运行状态,并建立模型;
根据模型预测设备运行状态变化信息,并拟合曲线图;
根据曲线图预测设备故障信息;
将设备故障信息反馈至预警平台进行分析,得到结果信息;
根据结果信息生成维修策略。
需要说明的是,维修策略包括维修顺序、维修时间,当故障点出现多个时,根据不同故障点的故障程度以及对机械设备造成影响的程度进行对故障的损害力进行评价,故障损害力较大时,则进行优先处理。
根据本发明实施例,构建a测点,建立坐标系,
在第一采样间隔时间下,提取a测点信号特征,将a测点信号特征进行分解,得到X方向的ax1信号与Y方向的ay1信号;
在第二采样间隔时间下,提取a测点信号特征,将a测点信号特征进行分解,得到X方向的ax2信号与Y方向的ay2信号;
在第n采样间隔时间下的,提取a测点信号特征,将a测点信号特征进行分解,得到X方向的axn信号与Y方向的ayn信号;
将不同采样时间间隔下的X方向的n个信号进行同源信息融合,得到X方向的信号离散序列,
将不同采样时间间隔下的Y方向的n个信号进行同源信息融合,得到Y方向的信号离散序列;
根据X方向与Y方向的信号离散序列获取设备运行状态信息。
需要说明的是,同源信息融合是根据一定的准则,对获取的数据进行加工再利用,采用同一种类型的传感器,在不同方向测量设备的振动信号,信号采集时,多个传感器保持同步测量统一振动源的数据信息,保证测量数据特征的完整性,此外传感器在对数据进行采集时,采用同步整周期的运行方式,通过键相信号触发采样,整周期采用可以减少频谱分析时的能量泄露,各个传感器之间采样时间同步,满足进入融合条件的数据是统一时刻发生这一条件,各对应测量点时间上严格对齐。
根据本发明实施例,采集设备振动信号,并进行全矢特征提取,形成历史数据库;
根据历史数据库建立预测模型;
设定采样间隔,当进行下一次采样时,将采样数据通过预测模型进行预测计算,形成振动特征值;
根据振动特征值建立振动频谱信息;
根据振动频谱信息预测振动强度变化量,得到结果信息,并生成设备运行状态信息。
需要说明的是,通过全矢融合采集得到的振动特征构建时间序列,根据获得的全矢特征历史数据,构建预测模型,预测特征数据的变化趋势,建立振动一维幅值及二维频谱结构进行设备状态监测,实现设备故障预警,预警结果更加接近实际值。
根据本发明实施例,设定采样间隔,按照同等采样间隔获取设备运行状态,并建立模型;具体包括:
采集设备振动信号,获取振动谐波下的振动矢量,并提取特征值;
将特征值按照采样时间顺序进行排序,获得若干组时间序列,得到全矢时间序列特征数据;
通过全矢时间序列特征数据建立预测模型,
通过预测模型对设备故障状态进行预警。
需要说明的是,通过建立预测模型预测振动值及频谱结构变化情况,并根据设备测点处的报警阈值设定进行状态评价,判断未来时间段上的设备运行健康状态,判断故障部位,能够实现对设备进行健康状态的实时评估预警,以便更好的为设备管理及维修提供决策性参考。
根据本发明实施例,预测模型表达式如下:
γ=λ1x1+λ2x2+λ3x3…+λjxj+ξ
其中γ表示预测模型,λ1表示第一采样间隔下的模型参数,λ2表示第二个采样时间间隔下的模型参数,λj表示第j采样间隔下的模型参数,x1表示第一采样间隔下的振动幅值,xj表示第j采样间隔下的振动幅值,ξ表示随机噪声。
根据本发明实施例,X方向的离散序列记为{xn},Y方向的离散序列记为{yn},其中n=0、1、2…
对{xn}与{yn}进行离散傅里叶变换,得到数据序列;
通过数据序列构建复数序列{zn},{zn}={xn}+{yn};
根据复数序列计算出振动谐波下的全矢谱信息,
根据全矢谱信息分析设备故障状态。
需要说明的是,全矢时序数据通过平稳化处理,均值化处理然后对异常数据进行剔除,保留能够精准反应设备运行状态的实时数据,对实时数据进行标准化处理,得到一组新的时序数据,通过这组时序数据能够更加精确全面的反应时序特征,并对设备故障进行快速的分析。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括机械设备故障预警方法程序,所述机械设备故障预警方法程序被处理器执行时,实现上述任一项所述的机械设备故障预警方法的步骤。
通过全矢振动时间序列特征数据进行建模和预测分析,能够很好的将用于时序数据的趋势预测,通过预测模型对振动强度、故障性质及设备状态进行监控,全面反映旋转设备运行过程中的性能变化,使得故障诊断更加精准。
通过建立预测模型预测振动值及频谱结构变化情况,并根据设备测点处的报警阈值设定进行状态评价,判断未来时间段上的设备运行健康状态,判断故障部位,能够实现对设备进行健康状态的实时评估预警,以便更好的为设备管理及维修提供决策性参考。
通过全矢融合采集得到的振动特征构建时间序列,根据获得的全矢特征历史数据,构建预测模型,预测特征数据的变化趋势,建立振动一维幅值及二维频谱结构进行设备状态监测,实现设备故障预警,预警结果更加接近实际值。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种机械设备故障预警方法,其特征在于,包括:
获取设备历史运行数据,建立大数据预警平台;
设定采样间隔,按照同等采样间隔获取设备运行状态,并建立模型;
根据模型预测设备运行状态变化信息,并拟合曲线图;
根据曲线图预测设备故障信息;
将设备故障信息反馈至预警平台进行分析,得到结果信息;
根据结果信息生成维修策略。
2.根据权利要求1所述的一种机械设备故障预警方法,其特征在于,
设定采样间隔,按照同等采样间隔获取设备运行状态,并建立模型;具体包括:
采集设备振动信号,获取振动谐波下的振动矢量,并提取特征值;
将特征值按照采样时间顺序进行排序,获得若干组时间序列,得到全矢时间序列特征数据;
通过全矢时间序列特征数据建立预测模型,
通过预测模型对设备故障状态进行预警。
3.根据权利要求2所述的一种机械设备故障预警方法,其特征在于:
预测模型表达式如下:
γ=λ1x1+λ2x2+λ3x3…+λjxj+ξ
其中γ表示预测模型,λ1表示第一采样间隔下的模型参数,λ2表示第二个采样时间间隔下的模型参数,λj表示第j采样间隔下的模型参数,x1表示第一采样间隔下的振动幅值,xj表示第j采样间隔下的振动幅值,ξ表示随机噪声。
4.根据权利要求1所述的一种机械设备故障预警方法,其特征在于:构建a测点,建立坐标系,
在第一采样间隔时间下,提取a测点信号特征,将a测点信号特征进行分解,得到X方向的ax1信号与Y方向的ay1信号;
在第二采样间隔时间下,提取a测点信号特征,将a测点信号特征进行分解,得到X方向的ax2信号与Y方向的ay2信号;
在第n采样间隔时间下的,提取a测点信号特征,将a测点信号特征进行分解,得到X方向的axn信号与Y方向的ayn信号;
将不同采样时间间隔下的X方向的n个信号进行同源信息融合,得到X方向的信号离散序列,
将不同采样时间间隔下的Y方向的n个信号进行同源信息融合,得到Y方向的信号离散序列;
根据X方向与Y方向的信号离散序列获取设备运行状态信息。
5.根据权利要求4所述的一种机械设备故障预警方法,其特征在于:X方向的离散序列记为{xn},Y方向的离散序列记为{yn},其中n=0、1、2…
对{xn}与{yn}进行离散傅里叶变换,得到数据序列;
通过数据序列构建复数序列{zn},{zn}={xn}+{yn};
根据复数序列计算出振动谐波下的全矢谱信息,
根据全矢谱信息分析设备故障状态。
6.根据权利要求1所述的一种机械设备故障预警方法,其特征在于:还包括:采集设备振动信号,并进行全矢特征提取,形成历史数据库;
根据历史数据库建立预测模型;
设定采样间隔,当进行下一次采样时,将采样数据通过预测模型进行预测计算,形成振动特征值;
根据振动特征值建立振动频谱信息;
根据振动频谱信息预测振动强度变化量,得到结果信息,并生成设备运行状态信息。
7.一种机械设备故障预警系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括机械设备故障预警方法程序,所述机械设备故障预警方法程序被所述处理器执行时实现如下步骤:
获取设备历史运行数据,建立大数据预警平台;
设定采样间隔,按照同等采样间隔获取设备运行状态,并建立模型;
根据模型预测设备运行状态变化信息,并拟合曲线图;
根据曲线图预测设备故障信息;
将设备故障信息反馈至预警平台进行分析,得到结果信息;
根据结果信息生成维修策略。
8.根据权利要求7所述的一种机械设备故障预警系统,其特征在于:
构建a测点,建立坐标系,
在第一采样间隔时间下,提取a测点信号特征,将a测点信号特征进行分解,得到X方向的ax1信号与Y方向的ay1信号;
在第二采样间隔时间下,提取a测点信号特征,将a测点信号特征进行分解,得到X方向的ax2信号与Y方向的ay2信号;
在第n采样间隔时间下的,提取a测点信号特征,将a测点信号特征进行分解,得到X方向的axn信号与Y方向的ayn信号;
将不同采样时间间隔下的X方向的n个信号进行同源信息融合,得到X方向的信号离散序列,
将不同采样时间间隔下的Y方向的n个信号进行同源信息融合,得到Y方向的信号离散序列;
根据X方向与Y方向的信号离散序列获取设备运行状态信息。
9.根据权利要求7所述的一种机械设备故障预警系统,其特征在于:采集设备振动信号,并进行全矢特征提取,形成历史数据库;
根据历史数据库建立预测模型;
设定采样间隔,当进行下一次采样时,将采样数据通过预测模型进行预测计算,形成振动特征值;
根据振动特征值建立振动频谱信息;
根据振动频谱信息预测振动强度变化量,得到结果信息,并生成设备运行状态信息。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中包括机械设备故障预警方法程序,所述机械设备故障预警方法程序被处理器执行时,实现如权利要求1至6中任一项所述的机械设备故障预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011116741.8A CN112232569A (zh) | 2020-10-19 | 2020-10-19 | 一种机械设备故障预警方法、系统及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011116741.8A CN112232569A (zh) | 2020-10-19 | 2020-10-19 | 一种机械设备故障预警方法、系统及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112232569A true CN112232569A (zh) | 2021-01-15 |
Family
ID=74117442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011116741.8A Withdrawn CN112232569A (zh) | 2020-10-19 | 2020-10-19 | 一种机械设备故障预警方法、系统及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232569A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112632805A (zh) * | 2021-03-15 | 2021-04-09 | 国能大渡河大数据服务有限公司 | 机组跨越振动区分析预警方法、系统、终端及介质 |
CN112907107A (zh) * | 2021-03-12 | 2021-06-04 | 中国水产科学研究院南海水产研究所 | 一种基于多源信息融合的渔业事故应急处理系统及方法 |
CN113269413A (zh) * | 2021-05-08 | 2021-08-17 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 压合机故障预警方法、设备和存储介质 |
CN114757380A (zh) * | 2022-04-29 | 2022-07-15 | 西安热工研究院有限公司 | 一种火电厂故障预警系统、方法、电子设备及存储介质 |
CN116523151A (zh) * | 2023-07-05 | 2023-08-01 | 深圳市鑫冠亚科技有限公司 | 基于人工智能的电极生产管理方法、系统及存储介质 |
CN116861218A (zh) * | 2023-07-25 | 2023-10-10 | 上海华菱电站成套设备股份有限公司 | 一种矿井提升机关键设备状态监测预警系统 |
CN117851956A (zh) * | 2024-03-07 | 2024-04-09 | 深圳市森树强电子科技有限公司 | 基于数据分析的机电设备故障诊断方法、系统及终端 |
-
2020
- 2020-10-19 CN CN202011116741.8A patent/CN112232569A/zh not_active Withdrawn
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907107A (zh) * | 2021-03-12 | 2021-06-04 | 中国水产科学研究院南海水产研究所 | 一种基于多源信息融合的渔业事故应急处理系统及方法 |
CN112907107B (zh) * | 2021-03-12 | 2024-01-09 | 中国水产科学研究院南海水产研究所 | 一种基于多源信息融合的渔业事故应急处理系统及方法 |
CN112632805A (zh) * | 2021-03-15 | 2021-04-09 | 国能大渡河大数据服务有限公司 | 机组跨越振动区分析预警方法、系统、终端及介质 |
CN113269413A (zh) * | 2021-05-08 | 2021-08-17 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 压合机故障预警方法、设备和存储介质 |
CN113269413B (zh) * | 2021-05-08 | 2023-10-10 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 压合机故障预警方法、设备和存储介质 |
CN114757380A (zh) * | 2022-04-29 | 2022-07-15 | 西安热工研究院有限公司 | 一种火电厂故障预警系统、方法、电子设备及存储介质 |
CN114757380B (zh) * | 2022-04-29 | 2024-02-20 | 西安热工研究院有限公司 | 一种火电厂故障预警系统、方法、电子设备及存储介质 |
CN116523151A (zh) * | 2023-07-05 | 2023-08-01 | 深圳市鑫冠亚科技有限公司 | 基于人工智能的电极生产管理方法、系统及存储介质 |
CN116523151B (zh) * | 2023-07-05 | 2024-01-09 | 深圳市鑫冠亚科技有限公司 | 基于人工智能的电极生产管理方法、系统及存储介质 |
CN116861218A (zh) * | 2023-07-25 | 2023-10-10 | 上海华菱电站成套设备股份有限公司 | 一种矿井提升机关键设备状态监测预警系统 |
CN117851956A (zh) * | 2024-03-07 | 2024-04-09 | 深圳市森树强电子科技有限公司 | 基于数据分析的机电设备故障诊断方法、系统及终端 |
CN117851956B (zh) * | 2024-03-07 | 2024-05-10 | 深圳市森树强电子科技有限公司 | 基于数据分析的机电设备故障诊断方法、系统及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112232569A (zh) | 一种机械设备故障预警方法、系统及可读存储介质 | |
Alaswad et al. | A review on condition-based maintenance optimization models for stochastically deteriorating system | |
CN110647133B (zh) | 轨道交通设备状态检测维护方法及系统 | |
CN106407589B (zh) | 一种风机状态评估与预测方法及系统 | |
CN112254972B (zh) | 挖掘机油温预警方法、装置、服务器及挖掘机 | |
CN109470946B (zh) | 一种发电设备故障检测方法及系统 | |
CN115238915A (zh) | 一种工业装备故障预测与健康监测系统 | |
CN116125958A (zh) | 一种基于数字孪生的智能化工厂故障诊断与决策系统 | |
CN117111544B (zh) | 一种自动适配的楼宇物联网监控方法及系统 | |
CN112454008A (zh) | 一种基于网络模型的切割平台寿命预测方法、系统及可读存储介质 | |
CN117115637A (zh) | 一种基于大数据技术的水质监测预警方法及系统 | |
CN118035814A (zh) | 基于数字孪生场域数据分析设备状态故障预警方法及系统 | |
CN106680574B (zh) | 一种变电站设备过电压感知和数据处理方法 | |
Albano et al. | Advanced sensor-based maintenance in real-world exemplary cases | |
KR20230102431A (ko) | 인공지능 기반의 오일가스 플랜트 설비 고장 예측 및 진단시스템 | |
CN114138601A (zh) | 一种业务告警方法、装置、设备及存储介质 | |
CN112232419A (zh) | 一种基于大数据的旋转设备故障监控方法、系统及可读存储介质 | |
CN117556998A (zh) | 用于输电线路的预测性巡检方法及系统 | |
CN115659620A (zh) | 基于数据相对重要度的fmeca分析方法及系统 | |
CN118128742B (zh) | 一种空压机智能监控方法及系统 | |
Skaf | Prognostics: Design, implementation, and challenges | |
CN117272042A (zh) | 光伏电站监测方法、装置、电子设备及存储介质 | |
CN112287600A (zh) | 一种基于多特征融合的旋转设备寿命预测方法、系统及可读存储介质 | |
Tengfei et al. | Prediction of CNC Machine Tool Wear Stat Based on LSTM | |
CN117473270A (zh) | 一种基于人工智能的安全预警系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210115 |