CN101799320B - 一种旋转设备故障预测方法及其装置 - Google Patents

Abstract

本发明涉及一种旋转设备故障预测方法及其装置，(1)设置一包括供电模块、传感器、数据采集模块、数据归类模块、时间序列预测模块、灰色预测模块、组合预测模块、频率分量幅值预测模块、自适应优化选择模块、显示模块和系统控制模块的测试装置；(2)数据采集模块采集适合四种预测模块的振动信号作历史数据；(3)由数据采集模块实时在线采集各种情况下的振动信号，作当前数据；(4)利用趋势预测方法对保存的数据分析；(5)将下一时刻采集的振动信号分析处理后，与前一时刻由趋势预测方法得到的结果比较；(6)比较后得到的最优预测模型。本发明采用模块化结构的故障预测装置，能适应不同旋转设备需要，实现对旋转设备状态进行实时在线预测。本发明可广泛应用于各种旋转设备的故障预测检测分析中。

Description

一种旋转设备故障预测方法及其装置

技术领域

本发明涉及一种机械故障预报预测方法及装置，特别是关于一种用于旋转设备在线状态检测领域中的旋转设备故障预测方法及其装置。

背景技术

对旋转设备运行的状态监测和故障检测，人们一直以来都十分关心与重视。保障设备的安全可靠运行，不仅能提高生产效率还能降低设备维护成本。对于大中型机械设备来说，传统的维护方式是“以时间为基础的预防性维护”也称定期维护，这种维护方式的主要特点是不论设备是否有故障都按人为计划的时间定期检修，为避免重要机械设备意外停产而造成巨大的经济损失，周期性强制维护的时间周期往往留有较大的安全系数，因而这种维护方式是不经济的。但是，在不掌握机械设备当前状态和无法预测未来发展的情况下不得已而采用。

预知维护(也称状态维护)是国际上的一项新兴设备动态维护方式，可以从根本上改变原有的设备维修制度，它是通过对机械设备的运行状态做监测及预测来取代以时间为基础的定期检修方式，并称之“以状态为基础的预知维护方式”，其原则是：只有当监测、分析和预测结果表明有必要维修时才进行或准备进行维修。这种现代化维护方式能监测和预报设备的故障和维护日期，甚至能判别和预测故障的性质和部位，做到有目的地进行检修。预知维修这种现代化的维护方式可以提高机器的利用率，延长累计维修周期，减少累计维修次数，节约维护的费用，相应提高生产力。因而，以先进的以状态为基础的预知维护取代传统的以时间为基础的预防性维修，成为关键设备和大中型设备先进维护方式的发展趋势。但是，在工业现场使用的大量机械设备，其中许多关键设备功率大、负载重且不稳定、工况较恶劣，需要采取措施保证机械设备的正常运行和对其施行科学的维护。针对不同的机械设备采用哪一种故障预测方法是最有效与最经济，目前现有测试预测技术往往是无法确定与衡量的。采用一种预测模型往往只能针对一种设备在特定的工况下，有效实现状态趋势预测，实用面窄，在不同工况的设备中不能得到推广应用。另外，当前工业生产越来越注重降低成本，特别是要求在能避免机械设备发生事故的同时，尽量延长设备运行周期。为此，迫切需要能提供及时准确预测设备状态发展和维护信息的在线趋势预示技术。

发明内容

针对上述问题，本发明的目的是提供一种能实现实时在线监测、预测精度较高且应用较为广泛的旋转设备故障预测方法及其装置。

为实现上述目的，本发明采取以下技术方案：一种旋转设备故障预测方法，其包括以下步骤：(1)设置一包括供电模块、传感器、数据采集模块、数据归类模块、时间序列预测模块、灰色预测模块、组合预测模块、频率分量幅值预测模块、自适应优化选择模块、显示模块和系统控制模块的测试装置；(2)旋转设备正常运行时，由故障预测装置内数据采集模块在线采集时间序列预测模块、灰色预测模块、组合预测模块和频率分量幅值预测模块的振动信号，并将振动信号预处理后存入数据归类模块内的知识库，作为各种预测模型的历史数据；(3)根据旋转设备运行情况，由数据采集模块实时在线采集各种情况下的振动信号，并将振动信号预处理后存入知识库，作为各种预测模型的当前信号数据；(4)利用由时间序列预测模型、灰色预测模型、组合预测模型以及频率分量幅值预测模型组成的趋势预测方法，对保存在知识库中的历史数据进行分析，得到旋转设备运行状态将来的发展趋势；(5)根据旋转设备运行情况，将下一时刻采集的最新振动信号分析处理后，与前一时刻由趋势预测方法内四种模型得到的结果进行比较；(6)分析比较结果，按照最优目标函数得到的最优预测模型，作为本时刻的精确预测方法，并由显示模块显示下一时刻预测值。

所述步骤(4)中的所述趋势预测方法包括以下步骤：(1)对于各种预测模型，统一定义目标选择函数F(M_p)为：F(M_p)＝f(M，R，w，θ，S，δ)，其中，M_p为最优目标预测模型，p为四种预测模型中的一种，即p＝1，2，3，4；M为预测模型； $R(M,k)=Y(M,k)-\hat{Y}(M,k)$ 为不同预测模型的预测精度，Y＝{Y(M，k)|k＝1，2，…，n}为原始序列，Y(M，k)为各种预测模型所需的振动原始数据；

为预测数据； $w=\{\hat{Y}(M,k)/Y(M,k)|k=\mathrm{1,2},\·\·\·,n\}\×100\%$ 为置信度；θ(M，k)为阈值； $\mathrm{\δ}\left(k\right)=\sqrt{\underset{k}{\mathrm{\Σ}}{(F\left(k\right)-Y\left(k\right))}^2}$ 为目标函数解与实际值的均方根误差；k为预测计算的历史数据个数；(2)根据所述标选择函数得到所述预测数据的预测误差序列ε₀为：ε₀(M，k)＝{ε₀(M，Y)|Y＝1，2，…，n}，由所述预测误差序列得到平均绝对误差

为： ${\stackrel{\‾}{\mathrm{\ϵ}}}_1=(1/n)\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\left|{\mathrm{\ϵ}}_0(M,k)\right|,$ 进而得到所述预测误差序列的标准差S₁为： $S_1={[\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{({\mathrm{\ϵ}}_0(M,k)-{\stackrel{\‾}{\mathrm{\ϵ}}}_1)}^2/(n-1)]}^{1/2},$ (3)根据所述目标选择函数以及所述标准差，对四种预测模型进行优化选择，得到最小的预测误差

和最大的置信度χ_max(M)分别为：

χ_max(M₂)＝Max(w_M/θ_M)，(4)根据所述最小预测误差和最大置信度χ_max(M₂)，得到最优目标函数，进而确定最优预测模型，所述最优目标函数为：

一种实现上述方法的旋转设备故障预测装置，其特征在于：它包括一供电模块、一传感器、一数据采集模块、一数据归类模块、一时间序列预测模块、一灰色预测模块、一组合预测模块、一频率分量幅值预测模块、一自适应优化选择模块、一显示模块和一系统控制模块；所述供电模块的输出端分别与一传感器和一数据采集模块连接，所述传感器将检测到的振动信号送入所述数据采集模块内，并由所述数据采集模块将振动信号送入一数据归类模块内进行分类处理后，分别传送到一时间序列预测模块、一灰色预测模块、一组合预测模块和一频率分量幅值预测模块内进行预测分析；并将预测分析后的信号送入一自适应优化选择模块内做最优化选择，最优数据由一显示模块显示并存储；所述数据采集模块和数据归类模块由一系统控制模块控制工作。

所述自适应优化选择模块包括四个比较器，一个时间序列预测的历史数据存储模块、一个灰色预测的历史数据存储模块、一个组合预测的历史数据存储模块、一个频率分量幅值预测的历史数据存储模块、一个最优解目标函数模块和一个比较计算器；每个所述比较器的输入端分别连接各预测模块和与各预测模块对应的所述历史数据存储模块的输出端，每个所述比较器的输出端一路分别与各自对应的所述历史数据存储模块的输入端连接，另一路均与所述最优解目标函数模块连接，所述最优解目标函数模块的输出端分别与所述显示模块和比较计算器的一输入端连接，所述比较计算器的另一输入端与各所述预测模块的输出端连接，所述比较计算器的输出端与所述最优解目标函数模块连接。

所述数据采集模块采用基于型号为PXIe-6251的十六通道数据采集卡。

本发明由于采取以上技术方案，其具有以下优点：1、本发明由于采用了数据采集模块、数据归类模块、时间序列预测模块、灰色预测模块、组合预测模块、频率分量幅值预测模块、自适应优化选择模块、显示模块和系统控制模块组成的故障预测装置，对旋转设备振动趋势进行预测，因此这样的模块化处理不仅能适应不同旋转设备的需要，还能实现对旋转设备状态进行实时在线预测功能。2、本发明由于采用了时间序列预测模块、灰色预测模块、组合预测模块和频率分量幅值预测模块四种预测模型，对旋转设备进行故障预测分析，且对多种振动趋势预测模型有自适应判断方法，因此使得最优预测结果有很高的判断成功率。3、本发明由于采用多种预测模型的趋势预测方法，不仅能提供多种预测模型处理得到的预测结果，并且通过显示模块能实时显示历史数据预测的预测误差值，具有较高的判断价值。4、本发明由于采用可不断扩展振动趋势预测模型，利用计算机的高计算速度和大存储量，能实现大量历史数据的保存和复杂的趋势预测数字化计算。本发明可广泛应用于各种旋转设备的故障预测检测分析中。

附图说明

图1是本发明的整个装置结构示意图，

图2是本发明的自适应优化选择模块结构示意图。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

如图1所示，本发明包括一供电模块1、一传感器2、一数据采集模块3、一数据归类模块4、一时间序列预测模块5、一灰色预测模块6、一组合预测模块7、一频率分量幅值预测模块8、一自适应优化选择模块9、一显示模块10和一系统控制模块11；供电模块1的输出端分别与传感器2和数据采集模块3连接，实现为其供电功能。传感器2将检测到的振动信号送入数据采集模块3内，再由数据采集模块3将振动信号送入数据归类模块4内进行分类处理后，分别传送到时间序列预测模块5、灰色预测模块6、组合预测模块7和频率分量幅值预测模块8内进行预测分析。并将预测分析后的信号送入一自适应优化选择模块9内做最优化选择，最优数据由显示模块10显示实时状态波形并存储。其中，数据采集模块3和数据归类模块4由系统控制模块11控制工作，可以通过系统控制模块11来设定数据采集状态，并能保证系统的可靠运行。

如图2所示，本发明的自适应优化选择模块9包括四个比较器12、一个时间序列预测的历史数据存储模块13、一个灰色预测的历史数据存储模块14、一个组合预测的历史数据存储模块15、一个频率分量幅值预测的历史数据存储模块16、一个最优解目标函数模块17和一个比较计算器18。每个比较器12的输入端分别连接各预测模块和与各预测模块对应的各历史数据存储模块13～16的输出端，每个比较器12的输出端一路分别与各自对应的历史数据存储模块13～16的输入端连接，将各预测模块输出的当前实际振动信号与各历史数据存储模块13～16内的历史数据进行比较；另一路均与最优解目标函数模块17连接，最优解目标函数模块17的输出端分别与显示模块10和比较计算器18的一输入端连接，将最优预测值送入比较计算器18内，与所有输入比较计算器18内的当前实际振动信号进行比较；比较计算器18的另一输入端与各预测模块的输出端连接，比较计算器18的输出端与最优解目标函数模块17连接。

上述实施例中，数据采集模块3采用基于型号为PXIe-6251的十六通道数据采集卡。该采集卡能够采集的信号包括：振动信号是压电式的加速度传感器信号；温度信号是PT100铂铑电阻温度变送器信号；脉冲信号是频率范围100Hz～50MHz，脉宽及延迟10ns～5ms，前后沿≤5ns，响应范围0.5～10V的脉冲信号。

本发明是根据旋转设备振动趋势情况，进而选择故障预测模型，实现对旋转设备状态进行预测预报。其具体步骤如下：

1)根据旋转设备运行情况，确定在正常工作状态下，由故障预测装置内的数据采集模块在线采集相应的适合时间序列预测模块、灰色预测模块、组合预测模块和频率分量幅值预测模块的振动信号，并将振动信号预处理后存入知识库，作为各种预测模型的历史数据。

2)根据旋转设备运行情况，由故障预测装置内的数据采集模块实时在线采集各种情况下的振动信号，并将振动信号预处理后存入数据归类模块内的知识库，作为各种预测模型的当前信号数据。

3)利用由时间序列预测模型、灰色预测模型(Gray model，简称GM)、由灰色预测模型(GM)和自回归模型(AR)组成的组合模型(GMAR)，以及频率分量幅值预测模型组成的趋势预测方法，对保存在知识库中的历史数据进行分析，得到旋转设备运行状态将来的发展趋势，其包括以下步骤：

步骤一、针对不同的预测模型，统一定义目标选择函数F(M_p)为：

F(M_p)＝f(M，R，w，θ，S，δ)    (1)

其中，M_p为最优目标预测模型，p为四种预测模型中的一种，即p＝1，2，3，4；M为预测模型； $R(M,k)=Y(M,k)-\hat{Y}(M,k)$ 为不同预测模型的预测精度，其中，Y＝{Y(M，k)|k＝1，2，…，n}为原始序列，Y(M,k)为各种预测模型所需的振动原始数据；为预测数据； $w=\{\hat{Y}(M,k)/Y(M,k)|k=\mathrm{1,2},\·\·\·,n\}\×100\%$ 为置信度；θ(M,k)为阈值； $\mathrm{\δ}\left(k\right)=\sqrt{\underset{k}{\mathrm{\Σ}}{(F\left(k\right)-Y\left(k\right))}^2}$ 为目标函数解与实际值的均方根误差；k为预测计算的历史数据个数。

步骤二、根据上述公式(1)可以得到预测数据的预测误差序列ε₀为：

ε₀(M，k)＝{ε₀(M，Y)|Y＝1，2，…，n}    (2)

由公式(2)可以得到平均绝对误差

为：

${\stackrel{\‾}{\mathrm{\ϵ}}}_1=(1/n)\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\left|{\mathrm{\ϵ}}_0(M,k)\right|---\left(3\right)$

由公式(2)、(3)可以得到预测误差序列ε₀的标准差S₁为：

$S_1={[\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{({\mathrm{\ϵ}}_0(M,k)-{\stackrel{\‾}{\mathrm{\ϵ}}}_2)}^2/(n-1)]}^{1/2}---\left(4\right)$

步骤三、根据目标选择函数F(M_s)以及预测误差序列ε₀的标准差S₁，对趋势预测方法内的四种模型进行优化选择，进而得到最小的预测误差

和最大的置信度χ_max(M)分别为：

χ_max(M₂)＝Max(w_M/θ_M)    (6)

步骤四、根据由公式(5)和公式(6)得到的最小预测误差

和最大置信度χ_max(M₂)，得到最优目标函数F(M_p)，进而确定最优预测模型M_p，其中最优目标函数F(M_p)为：

4)根据旋转设备运行情况，将下一时刻采集的最新振动信号分析处理后，与前一时刻由趋势预测方法内四种模型得到的结果进行比较。

5)分析比较结果，根据旋转设备，按照最优目标函数F(M_s)得到的最优预测模型M_s，作为本时刻的精确预测方法，并由显示模块显示下一时刻的预测值。

综上所述，本发明能实现针对不同旋转设备，建立不同的故障模式原因集和推理机制，并根据国家标准、历史档案、专家经验、客观依据以及外界条件变化确定动态趋势预测决策优化的判断准则，对不同应用对象和不同故障模式实现自适应优化的判断和决策。

上述各实施例仅是本发明的优选实施方式，在本技术领域内，凡是基于本发明技术方案上的变化和改进，不应排除在本发明的保护范围之外。

Claims (4)

1.一种旋转设备故障预测方法，其包括以下步骤：

(1)设置一包括供电模块、传感器、数据采集模块、数据归类模块、时间序列预测模块、灰色预测模块、组合预测模块、频率分量幅值预测模块、自适应优化选择模块、显示模块和系统控制模块的故障预测装置；

(2)旋转设备正常运行时，由故障预测装置内数据采集模块在线采集相应的适合时间序列预测模块、灰色预测模块、组合预测模块和频率分量幅值预测模块的振动信号，并将振动信号预处理后存入数据归类模块内的知识库，作为各种预测模型的历史数据；

(3)根据旋转设备运行情况，由数据采集模块实时在线采集各种情况下的振动信号，并将振动信号预处理后存入知识库，作为各种预测模型的当前信号数据；

(4)利用由时间序列预测模型、灰色预测模型、组合预测模型以及频率分量幅值预测模型组成的趋势预测方法，对保存在知识库中的历史数据进行分析，得到旋转设备运行状态将来的发展趋势；

(5)根据旋转设备运行情况，将下一时刻采集的最新振动信号分析处理后，与前一时刻由趋势预测方法内四种模型得到的结果进行比较；

(6)分析比较结果，按照最优目标函数得到的最优预测模型，作为本时刻的精确预测方法，并由显示模块显示下一时刻预测值。

2.一种实现如权利要求1所述方法的旋转设备故障预测装置，其特征在于：它包括一供电模块、一传感器、一数据采集模块、一数据归类模块、一时间序列预测模块、一灰色预测模块、一组合预测模块、一频率分量幅值预测模块、一自适应优化选择模块、一显示模块和一系统控制模块；

所述供电模块的输出端分别与一传感器和一数据采集模块连接，所述传感器将检测到的振动信号送入所述数据采集模块内，并由所述数据采集模块将振动信号送入一数据归类模块内进行分类处理后，分别传送到一时间序列预测模块、一灰色预测模块、一组合预测模块和一频率分量幅值预测模块内进行预测分析；并将预测分析后的信号送入一自适应优化选择模块内做最优化选择，最优数据由一显示模块显示并存储；所述数据采集模块和数据归类模块由一系统控制模块控制工作。

3.如权利要求2所述的一种旋转设备故障预测装置，其特征在于：所述自适应优化选择模块包括四个比较器，一个时间序列预测的历史数据存储模块、一个灰色预测的历史数据存储模块、一个组合预测的历史数据存储模块、一个频率分量幅值预测的历史数据存储模块、一个最优解目标函数模块和一个比较计算器；

每个所述比较器的输入端分别连接各预测模块和与各预测模块对应的所述历史数据存储模块的输出端，每个所述比较器的输出端一路分别与各自对应的所述历史数据存储模块的输入端连接，另一路均与所述最优解目标函数模块连接，所述最优解目标函数模块的输出端分别与所述显示模块和比较计算器的一输入端连接，所述比较计算器的另一输入端与各所述预测模块的输出端连接，所述比较计算器的输出端与所述最优解目标函数模块连接。

4.如权利要求2或3所述的一种旋转设备故障预测装置，其特征在于：所述数据采集模块采用基于型号为PXIe-6251的十六通道数据采集卡。

Images