CN105675038B - 一种仪表的故障预测装置 - Google Patents

一种仪表的故障预测装置 Download PDF

Info

Publication number
CN105675038B
CN105675038B CN201610024841.5A CN201610024841A CN105675038B CN 105675038 B CN105675038 B CN 105675038B CN 201610024841 A CN201610024841 A CN 201610024841A CN 105675038 B CN105675038 B CN 105675038B
Authority
CN
China
Prior art keywords
module
prediction
instruments
instrument
state
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.)
Expired - Fee Related
Application number
CN201610024841.5A
Other languages
English (en)
Other versions
CN105675038A (zh
Inventor
潘静
王凌
陈锡爱
许宏
王斌锐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Jiliang University
Original Assignee
China Jiliang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Jiliang University filed Critical China Jiliang University
Priority to CN201610024841.5A priority Critical patent/CN105675038B/zh
Publication of CN105675038A publication Critical patent/CN105675038A/zh
Application granted granted Critical
Publication of CN105675038B publication Critical patent/CN105675038B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Emergency Alarm Devices (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

一种仪表的故障预测装置，包括A/D采集模块，信号处理模块、存储模块、故障预测模块和报警模块。定期采集在相同工作环境下工作的两个同型号仪表的输出信号，A/D采集模块将仪表输出的模拟信号转换为数字信号；通过信号处理模块计算输出差值；将差值数据进行归一化处理并提取时域特征向量，发送至存储模块；故障预测模块对特征向量进行特征降维、聚类分析、交叉验证、状态转移概率计算、状态识别和剩余使用寿命预测，实现仪表的故障预测；显示模块显示得到预测结果；报警模块实现当预测结果超出预先设定的标准阈值时，做出报警提示，表示这两个仪表将有一个损坏，或两个都损坏。本装置可根据两个同型号仪表的输出信号的差值预测仪表的剩余使用寿命。

Description

一种仪表的故障预测装置
技术领域
本发明涉及一种仪表的故障预测装置，特别是一种精密仪表的故障预测装置。
背景技术
随着半导体技术、现代制造技术、通信技术、网络技术和软件技术的飞速发展，现代仪表的功能越来越强大，智能性和集成度也越来越高。当今世界已进入信息时代，测量技术是信息技术的源头和基础。仪表作为信息行业的重要组成部分，在现代工业生产中，仪表发挥着“四两拨千斤”的作用，它们承担着对大量的设备进行测量的任务。由于现代工业中仪表长时间的工作，导致仪表的使用性能逐渐下降，若仪表突然发生故障，其结果不仅会导致关键设备因故障而不能继续运行，往往会涉及整个系统设备的运行，可能导致巨大的经济损失，因此考虑到整体设备运行的稳定性和安全性，对仪表提前预测它的性能状态是很有必要的。
发明内容
本发明的目的在于克服现有技术中存在的不足，提供一种仪表的故障预测装置，该装置能够实现对仪表故障的预测，预防仪表的突然故障带来的损失。
为了实现上述目的，本发明提供一种仪表的故障预测装置，该装置包括：A/D采集模块、信号处理模块、存储模块、故障预测模块、显示模块、报警模块。故障预测模块包含基于PCA特征提取、基于SOM聚类、基于马尔可夫模型的状态转移概率计算、基于蒙特卡洛的RUL预测。为实现仪表的故障预测，具体步骤如下：
a)在相同工作环境下定期采集正在工作的两个同型号的仪表的输出信号，通过A/D采集模块把仪表输出的模拟信号转变为数字信号；
b)通过信号处理模块处理经过A/D采集模块传送的数字量信号，计算两个同型号仪表的输出差值；
c)对差值进行归一化处理，将数据规整到[0，1]范围内，提高后续预测的精确性；
d)对归一化后的数据进行时域分析，提取均值、方差、均方根值、峰值、峭度作为时域特征向量，并把特征向量发送至存储模块中；
e)故障预测模块(4)基于PCA(主元分析法)对步骤d)中获得的特征向量进行降维，通过构造一组新的潜隐变量来降低特征向量的维数，从新的映射空间抽取主要变化信息，进行特征向量的提取；再对降维之后的特征向量采用SOM(自组织特征映射神经网络)进行聚类，对具有相似性的数据进行自组织分类，设置多个全寿命下不同劣化状态数，将聚类后的状态利用交叉验证思想，得到仪表从健康到故障所经历的最佳劣化状态数；将最优状态数下的状态分类结果采用马尔可夫过程对劣化过程进行建模，计算状态转移概率，构成状态转移矩阵；用已经训练好的马尔可夫模型，采用马氏距离法识别出当前特征序列的状态，根据计算得到的状态转移矩阵采用蒙特卡罗仿真方法对未来劣化状态进行RUL预测，得到当前仪表的剩余使用寿命，将预测结果发送给显示模块(5)；
f)报警模块实现当预测结果超出预先设定的标准阈值时，做出报警提示，表示这两个仪表将有一个损坏，或两个都损坏。
本发明两个同型号的仪表为输出是单一信号的电压输出型仪表，输出电压范围为0～10V或0～5V。
本发明的优点在于，利用两个同型号的仪表的差值的变化来预测仪表的剩余使用寿命，根据预测结果提前更换仪表，防止仪表的突然故障给设备带来的损失。
附图说明
图1是本发明的结构框图
具体实施方式
如图1所示，本发明包括六个模块，A/D采集模块1、信号处理模块2、存储模块3、故障预测模块4、显示模块5、报警模块6。故障预测模块包括以下几个部分：基于PCA特征提取7、基于SOM聚类8、基于马尔可夫模型的状态转移概率计算9、基于蒙特卡洛的RUL预测10。本发明采用两个AOSONG公司的AQ3010Y电压型温湿度变送器，A/D采集模块1采用ADC0809，信号处理模块2采用高性能DSP2812，存储模块3和故障预测模块4采用研华工控机IPC-510，显示模块5采用联想品牌显示器，研华工控机运行Windows XP系统，存储模块3、故障预测模块4和显示模块5采用Matlab和Labview编程实现。具体步骤为：
a)通过ADC0809，每周同一时间段相同环境下采集两个温湿度变送器输出的电压信号，由ADC0809将采集到的模拟量转变为可分析处理的数字量，以备后续数据处理；
b)通过DSP2812处理ADC0809传送的数字量信号，计算两个温湿度变送器的输出差值；
c)为消除数据间数量级差别，避免因为输入数据数量级差别较大而造成后续故障预测误差较大，将由DSP2812计算所得到的差值进行归一化处理，使得所有数据规整到[0，1]的范围内，提高后续预测的精确性；
d)对归一化后的数据进行时域分析，提取均值、方差、均方根值、峰值、峭度作为时域特征向量，并把特征向量发送至存储模块中；
e)采用PCA(主元分析法)对步骤d)中获得的特征向量进行降维，求出协方差矩阵，计算协方差矩阵的特征向量和特征值，按照特征值由大到小排列，忽略较小的特征值构成模式矢量，将得到降维后的数据作为新的特征向量；取15组全寿命样本下提取的特征向量用SOM(自组织特征映射神经网络)进行聚类，每一输出神经元计算输入的特征向量和权重向量wj之间的距离，利用竞争学习规则，不断调整wj，使得在稳定时，每一领域的节点对某种输入的特征向量具有类似的输出，从而将这15组全寿命样本下提取的特征向量聚类成不同的劣化状态数，对于每组取定的劣化状态数采用10折交叉验证方法进行交叉验证，把15组全寿命下的特征向量均分为10组，将每组分别做一次验证集，取剩下的9组用来训练，这样会得到10个模型，用这10个模型最终的验证集的分类准确率最高的劣化状态数作为最佳聚类数；将最优状态数下的状态分类结果采用马尔可夫模型对劣化过程进行建模，计算状态转移概率，构成状态转移矩阵；用已经训练好的马尔可夫模型，采用马氏距离法识别出当前特征序列的状态，蒙特卡罗仿真建立在MATLAB平台的基础上，利用MATLAB产生随机数命令产生在(0，1)上均匀分布的随机数，根据随机数在不同状态转移概率的区间，决定劣化状态是否跳变，实现对劣化状态的预测，得到当前仪表的剩余使用寿命，最终将预测结果发送给显示模块；
f)报警模块实现当预测结果超出预先设定的标准阈值时，做出报警提示，表示这两个仪表将有一个损坏，或两个都损坏。
经过以上步骤，最终实现了对仪表的故障预测。

Claims (2)

1.一种仪表的故障预测装置，包括：A/D采集模块(1)、信号处理模块(2)、存储模块(3)、故障预测模块(4)、显示模块(5)、报警模块(6)，其特征在于，为准确预测故障的发生，该预测装置执行如下步骤：
a)定期采集在相同工作环境下工作的两个同型号仪表的输出信号，通过A/D采集模块(1)把仪表输出的模拟信号转变为数字信号；
b)通过信号处理模块(2)处理经过A/D采集模块(1)传送的数字量信号，计算两个同型号仪表的输出差值；
c)对差值进行归一化处理，将数据规整到[0，1]范围内，提高后续预测的精确性；
d)对归一化后的数据进行时域分析，提取均值、方差、均方根值、峰值、峭度作为时域特征向量，并把特征向量发送至存储模块(3)中；
e)故障预测模块(4)基于PCA(主元分析法)对步骤d)中获得的特征向量进行降维，通过构造一组新的潜隐变量来降低特征向量的维数，从新的映射空间抽取主要变化信息，进行特征向量的提取；再对降维之后的特征向量采用SOM(自组织特征映射神经网络)进行聚类，对具有相似性的数据进行自组织分类，设置多个全寿命下不同劣化状态数，将聚类后的状态利用交叉验证思想，得到仪表从健康到故障所经历的最佳劣化状态数；将最优状态数下的状态分类结果采用马尔可夫过程对劣化过程进行建模，计算状态转移概率，构成状态转移矩阵；用已经训练好的马尔可夫模型，采用马氏距离法识别出当前特征序列的状态，根据计算得到的状态转移矩阵采用蒙特卡罗仿真方法对未来劣化状态进行RUL预测，得到当前仪表的剩余使用寿命，将预测结果发送给显示模块(5)；
f)报警模块(6)实现当预测结果超出预先设定的标准阈值时，做出报警提示，表示这两个仪表将有一个损坏，或两个都损坏。
2.根据权利要求1所述的一种仪表的故障预测装置，其特征在于：两个同型号的仪表为输出是单一信号的电压输出型仪表，输出电压范围为0～10V或0～5V。
CN201610024841.5A 2016-01-05 2016-01-05 一种仪表的故障预测装置 Expired - Fee Related CN105675038B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610024841.5A CN105675038B (zh) 2016-01-05 2016-01-05 一种仪表的故障预测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610024841.5A CN105675038B (zh) 2016-01-05 2016-01-05 一种仪表的故障预测装置

Publications (2)

Publication Number Publication Date
CN105675038A CN105675038A (zh) 2016-06-15
CN105675038B true CN105675038B (zh) 2019-12-13

Family

ID=56300824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610024841.5A Expired - Fee Related CN105675038B (zh) 2016-01-05 2016-01-05 一种仪表的故障预测装置

Country Status (1)

Country Link
CN (1) CN105675038B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106769032B (zh) * 2016-11-28 2018-11-02 南京工业大学 一种回转支承使用寿命的预测方法
TWI639907B (zh) * 2017-06-06 2018-11-01 國立彰化師範大學 工具機具殘餘使用壽命預測系統及其方法
CN108268893B (zh) * 2018-01-03 2021-07-27 浙江图讯科技股份有限公司 一种基于机器学习的化工园区预警方法及装置
US11113168B2 (en) 2018-03-09 2021-09-07 Toyota Motor Engineering & Manufacturing North America, Inc. Distributed architecture for fault monitoring
US10650616B2 (en) 2018-04-06 2020-05-12 University Of Connecticut Fault diagnosis using distributed PCA architecture
US10354462B1 (en) 2018-04-06 2019-07-16 Toyota Motor Engineering & Manufacturing North America, Inc. Fault diagnosis in power electronics using adaptive PCA
CN108777484A (zh) * 2018-06-01 2018-11-09 福州大学 一种基于节点功率降维的输电通道快速搜索方法
CN108847686B (zh) * 2018-07-02 2021-11-30 国电南瑞科技股份有限公司 一种光伏逆变器故障预测方法
EP3611588A1 (de) * 2018-08-14 2020-02-19 Siemens Aktiengesellschaft Anordnung und verfahren zur prognose einer restnutzungsdauer einer maschine
CN109683565A (zh) * 2018-12-12 2019-04-26 电子科技大学 一种基于多方法融合的仪器仪表故障检测方法
CN111060766A (zh) * 2019-12-27 2020-04-24 天津博迈科海洋工程有限公司 一种海洋石油模块中的仪表故障检测方法
CN112325918A (zh) * 2020-10-19 2021-02-05 中国电子科技集团公司第三十八研究所 一种标准仪器的状态预测处理系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101399672A (zh) * 2008-10-17 2009-04-01 章毅 一种多神经网络融合的入侵检测方法
WO2009080549A3 (de) * 2007-12-20 2009-12-17 Endress+Hauser Process Solutions Ag Feldgerät und verfahren zur überprüfung der kalibrierung eines feldgeräts
CN102322890A (zh) * 2011-05-30 2012-01-18 三一重工股份有限公司 一种变送器故障诊断电路及方法
CN103714401A (zh) * 2014-01-21 2014-04-09 国家电网公司 一种电网配变故障次数预测的方法
CN104297002A (zh) * 2014-10-21 2015-01-21 中国计量学院 一种地铁电动塞拉门故障预测装置
CN104742153A (zh) * 2015-04-01 2015-07-01 中国计量学院 六轴多关节工业机器人故障预测装置
CN105022912A (zh) * 2015-05-28 2015-11-04 北京交通大学 基于小波主成分分析的滚动轴承故障预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009080549A3 (de) * 2007-12-20 2009-12-17 Endress+Hauser Process Solutions Ag Feldgerät und verfahren zur überprüfung der kalibrierung eines feldgeräts
CN101399672A (zh) * 2008-10-17 2009-04-01 章毅 一种多神经网络融合的入侵检测方法
CN102322890A (zh) * 2011-05-30 2012-01-18 三一重工股份有限公司 一种变送器故障诊断电路及方法
CN103714401A (zh) * 2014-01-21 2014-04-09 国家电网公司 一种电网配变故障次数预测的方法
CN104297002A (zh) * 2014-10-21 2015-01-21 中国计量学院 一种地铁电动塞拉门故障预测装置
CN104742153A (zh) * 2015-04-01 2015-07-01 中国计量学院 六轴多关节工业机器人故障预测装置
CN105022912A (zh) * 2015-05-28 2015-11-04 北京交通大学 基于小波主成分分析的滚动轴承故障预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于PCA和多变量极限学习机的轴承剩余寿命预测;何群 等;《中国机械工程》;20140415;第25卷(第7期);第984-989页 *
复杂装备故障预测与健康管理关键技术研究;李向前;《中国博士学位论文全文数据库 工程科技II辑》;20150415(第4期);第C029-16页 *
机械动力传动系统关键部件故障预测技术研究;曾庆虎;《中国博士学位论文全文数据库 工程科技II辑》;20130915(第9期);第C029-5页 *

Also Published As

Publication number Publication date
CN105675038A (zh) 2016-06-15

Similar Documents

Publication Publication Date Title
CN105675038B (zh) 一种仪表的故障预测装置
TWI543102B (zh) 異因分析與校正方法與系統
CN115578015B (zh) 基于物联网的污水处理全过程监管方法、系统及存储介质
CN109670676A (zh) 基于支持向量数据描述的配网台区风险预警方法及系统
US20230213926A1 (en) Abnormal irregularity cause identifying device, abnormal irregularity cause identifying method, and abnormal irregularity cause identifying program
Gao et al. A process fault diagnosis method using multi‐time scale dynamic feature extraction based on convolutional neural network
CN118051827A (zh) 基于深度学习的电网故障预测方法
CN112507479B (zh) 一种基于流形学习和softmax的石油钻机健康状态评估方法
CN111340110A (zh) 一种基于工业过程运行状态趋势分析的故障预警方法
CN117592870B (zh) 基于水环境监测信息的综合分析系统
CN104317778A (zh) 基于海量监测数据的变电设备故障诊断方法
CN116720095A (zh) 一种基于遗传算法优化模糊c均值的电特性信号聚类方法
US11989013B2 (en) Abnormality detection apparatus, abnormality detection system, and learning apparatus, and methods for the same and non-temporary computer-readable medium storing the same
CN113469247B (zh) 网络资产异常检测方法
CN109033205B (zh) 基于数据输入行为分析的航天测试数据校核装置
CN114020715A (zh) 一种日志数据的处理方法、装置、介质及设备
Zhang et al. Similarity analysis of industrial alarm floods based on word embedding and move-split-merge distance
CN118037112A (zh) 一种基于数据驱动的胎面质量预测模型构建方法
Leng et al. Multi-layer parallel transformer model for detecting product quality issues and locating anomalies based on multiple time‑series process data in Industry 4.0
CN117977536A (zh) 一种智能电网负荷辨识方法
CN117056842A (zh) 构建设备异常监测模型的方法、装置、设备、介质及产品
CN116170200A (zh) 电力监控系统时间序列异常检测方法、系统、设备及存储介质
CN103514458A (zh) 基于纠错编码与支持向量机相结合的传感器故障辨识方法
CN116304814A (zh) 一种基于分类算法的监测对象工况分析方法和系统
CN115659271A (zh) 传感器异常检测方法、模型训练方法、系统、设备及介质

Legal Events

Date Code Title Description
C06 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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20191213

Termination date: 20210105

CF01 Termination of patent right due to non-payment of annual fee