CN107851294A - 大型运行系统的基于状态的预防维护装置及方法 - Google Patents
大型运行系统的基于状态的预防维护装置及方法 Download PDFInfo
- Publication number
- CN107851294A CN107851294A CN201680040401.7A CN201680040401A CN107851294A CN 107851294 A CN107851294 A CN 107851294A CN 201680040401 A CN201680040401 A CN 201680040401A CN 107851294 A CN107851294 A CN 107851294A
- Authority
- CN
- China
- Prior art keywords
- state
- slope
- intercept
- preventive maintenance
- sensor data
- 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.)
- Granted
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 50
- 230000003449 preventive effect Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims abstract description 32
- 238000001228 spectrum Methods 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010183 spectrum analysis Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 abstract description 2
- 241001269238 Data Species 0.000 abstract 1
- 238000009826 distribution Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000032683 aging Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000001507 sample dispersion Methods 0.000 description 1
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
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0232—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on qualitative trend analysis, e.g. system evolution
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Complex Calculations (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
Abstract
公开一种大型运行系统的基于状态的预防维护装置及方法。大型运行系统的基于状态的预防维护装置包括：从设置于系统的多个传感器收集传感器数据的收集部；对收集的所述传感器数据进行小波变换提取能谱作为特征值的特征提取部；计算提取的所述特征值的斜率和截距的计算部；以及利用算出的所述斜率和截距监控所述系统有无故障的监控部。
Description
技术领域
本发明涉及一种预测大型运行系统的老化过程，事先感测故障的基于状态的预防维护装置及其方法。
背景技术
基于状态维护是通过传感器与运算处理技术的快速发展监控系统的老化过程以早期感测异常状态，事先防止故障的接近法，受到生产企业的广泛关注。基于状态保全是实时监控系统、评价系统的状态、事先感测系统的异常或故障征兆并采取维护措施，能够最小化故障导致的更换及系统停机引起的机会费用等不必要的费用。
就现有的时间基准维护来讲，经过规定时间后无条件地更换部件或系统，因此便于适用，但不能100％预防故障，可能会因过度维护造成不必要的超额费用。而基于状态维护是通过传感器实时监控系统的状态以判断有无异常，预测何时达到故障发生可能性高的致命水平并事先采取维护措施，从而能够100％防止故障的新型概念的维护措施。
现有的基于状态维护的研究以通过人工神经网络(Artificial NeuralNetwork)、支持向量机(Support Vector Machine)或遗传算法(Genetic Algorithm)区分正常和异常状态为主。
由于通过传感器实时监控将系统的状态数值化，而数值化的数据中含有噪声，因此无法准确提取系统的特征。通常，监控与故障直接相关的特性的直接状态监控并不多，主要使用的是监控判断认为与故障相关的品质特性值的间接状态监控。工业现场使用的间接状态监控的一般例子有振动监控、温度监控、油渣分析。
现有的维护保全的概念受到作为变数的噪声的影响，因此其缺点是无论在故障之后实施还是事先预防，其预测率都非常低。另外，现有技术采用由人监控传感器数据的依赖于人的视觉的方式，受传感器附着环境或个人能力差异的影响，具有无法很好地管理传感器数据的问题。
发明内容
技术问题
本发明提供一种根据传感器数据的信号分析结果，利用包括赫斯特(Hurst)系数的线性轮廓判断系统有无异常、预测系统的老化过程、事先感测故障的基于状态的预防维护装置及其方法。
技术方案
根据本发明的一个方面，提供一种根据传感器数据的信号分析结果，利用包括赫斯特(Hurst)系数的线性轮廓判断系统有无异常、预测系统的老化过程、事先感测故障的基于状态的预防维护方法。
根据本发明的一个实施例，可提供一种大型运行系统的基于状态的预防维护方法，包括：(a)从设置于系统的多个传感器收集传感器数据的步骤；(b)对收集的所述传感器数据进行小波变换以提取能谱作为特征值的步骤；(c)计算所述提取的特征值的斜率和截距的步骤；及(d)利用算出的所述斜率和截距监控所述系统有无故障的步骤。
所述(b)步骤可通过能谱分析对所述传感器数据进行小波变换得到的数据导出赫斯特(Hurst)系数以提取所述特征值。
所述(b)步骤的特征在于根据对所述传感器数据进行小波变换得到的结果计算关于细节信号(father)的能量平均值并提取所述能谱作为特征值，所述斜率与截距为关于所述细节信号的能谱的斜率与截距。
所述(d)步骤可利用所述斜率与截距计算T2统计量，利用算出的所述T2统计量监控所述系统有无故障。
所述(d)步骤可通过比较算出的所述T2统计量和上限管理界限监控所述系统有无故障。
根据本发明的另一方面，提供一种根据传感器数据的信号分析结果，利用包括赫斯特(Hurst)系数的线性轮廓判断系统有无异常、预测系统的老化过程、事先感测故障的基于状态的预防维护装置。
根据本发明的一个实施例，可提供一种大型运行系统的基于状态的预防维护装置，包括：从设置于系统的多个传感器收集传感器数据的收集部；对收集的所述传感器数据进行小波变换以提取能谱作为特征值的特征提取部；计算提取的所述特征值的斜率和截距的计算部；及利用算出的所述斜率和截距监控所述系统有无故障的监控部。
所述特征提取部可通过能谱分析对所述传感器数据进行小波变换得到的数据导出赫斯特(Hurst)系数以提取所述特征值。
所述特征提取部的特征在于根据对所述传感器数据进行小波变换得到的结果计算关于细节信号(father)的能量平均值并提取所述能谱作为特征值，所述斜率与截距为关于所述细节信号的能谱的斜率与截距。
所述监控部可利用所述斜率与截距计算T2统计量，利用算出的所述T2统计量监控所述系统有无故障。
所述监控部可比较算出的所述T2统计量和上限管理界限监控所述系统有无故障。
技术效果
本发明一个实施例提供一种大型运行系统的基于状态的预防维护装置及方法，其有益效果是能够根据传感器数据的信号分析结果，利用包括赫斯特(Hurst)系数的线性轮廓判断系统有无异常、预测系统的老化过程、事先感测故障。
从而，本发明能够评价系统的状态、事先感测异常故障征兆，因此能够最小化不必要的费用及时间。
附图说明
图1为显示本发明一个实施例的大型运行系统的基于状态的预防维护方法的流程图；
图2为简要显示本发明一个实施例的大型运行系统的基于状态的预防维护装置的内部构成的框图。
具体实施方式
可对本发明进行多种变换，可具有多种实施例。附图例示特定实施例，在具体说明中对此进行详细说明。但这目的并不是将本发明限定在特定的实施形态，需要理解包括本发明的思想及技术范围内的所有变换、等同物及替代物。在说明本发明方面，判断认为对相关公知技术的具体说明可能会混淆本发明的主旨的情况下省略对其具体说明。
第一、第二等用语可用于说明多种构成要素，但所述构成要素不得限定于所述用语。所述用语只是用于使一个构成要素区别于其他构成要素。
本申请中所使用的用语只是用于说明特定实施例，而并非限定本发明。单数的记载在无特殊说明的情况下还包括复数的表达。应理解本申请所述的“包括”或“具有”等用语旨在指定存在说明书上记载的特征、数字、步骤、动作、构成要素、部件或其组合，而并非提前排除一个或多个其他特征或数字、步骤、动作、构成要素、部件或其组合。
以下参见附图具体说明本发明的实施例。
图1为显示本发明一个实施例的大型运行系统的基于状态的预防维护方法的流程图。以下假设汽轮发电机之类的大型运行系统上设置有多个传感器。其中，多个传感器可以是至少两个以上不同的传感器。以下，本说明书假设系统分别具有多个温度传感器与振动传感器，从各温度传感器与振动传感器获取传感器数据并进行说明，但传感器的种类还可以有更多种。
步骤110中，基于状态的预防维护装置100从系统的多个传感器收集传感器数据。
例如，系统上可具有多个温度传感器。这种情况下，基于状态的预防维护装置可将设置于系统的温度传感器测量的温度数据作为传感器数据进行收集。
如上，通过各传感器收集的传感器数据可能含有噪声(noise)。
因此，步骤115中，基于状态的预防维护装置100对收集的传感器数据进行小波变换(wavelet transform)提取能谱作为特征值。
基于状态的预防维护装置不仅能够通过对传感器数据进行小波变换去除收集的传感器数据中的噪声，还能够提取能谱作为特征值。
本发明一个实施例的基于状态的预防维护装置基于对传感器数据进行小波变换得到的数据进行能谱分析导出赫斯特(Hurst)系数，以提取出所述特征值。
并且，本发明一个实施例的基于状态的预防维护装置可基于对所述传感器数据进行小波变换得到的结果计算关于细节信号(father)的能量平均值，提取所述能谱作为特征值。
可通过以下说明对此有更具体的理解。
小波区域显示因规模(Scale)与海森堡(Heisenberg)的法则制约而引起的与时间地域化的相冲关系，提供可适应的局域性。并且，小波区域是信号的时间尺度的表现，小波变换在有效控制和缩小数据的噪声方面凑效。
小波函数由说明高频部分(不平坦的部分)的母小波(mother wavelet)与说明低频部分(平坦部分)的父小波(father wavelet)构成。
这可分别用数学式1及数学式2表示。
数学式1
[数式1]
数学式2
[数式2]
ψj，k(t)＝2j/2ψ(2jt-k)；j(≥J0)，k∈Z
在考虑二次非流动时间序列数据
X(t)；
的情况下，符合所有级
j∈Z
的条件所对应的小波系数(
{dj，k：k∈Z}
)是流动的。因此，对应于j级的能量顺序可用数学式3表示。
数学式3
[数式3]
数学式4
[数式4]
其中，
fX(Z)
表示关于能谱的密度函数。
其中，
rx(s)＝Cou(X(t+s)，X(t))
表示满足
s∈Z
的条件下的关于X的自相关关系。根据帕什瓦尔(Parseval)变量的独立性和变化整理数学式3的情况下可如数学式5所示。
数学式5
[数式5]
其中，
表示关于
ψ
的傅里叶变换式。j值大的情况下，
fX(ξ2j)
表示关于趋近0的频率的频谱密度式(
fX(ξ)
)的扩张版本。X(t)是长期非独立的信号，在根源具有无穷频谱密度的条件，
越是
t→0
则可以用数学式6表示。
数学式6
[数式6]
fX(t)～cf|t|-α，a∈(0，1)
其中，
cf＞0
，～表示数学式中左侧项和右侧项均向1收敛。
利用数学式5和数学式6，能量顺序可根据
j→∞
用数学式7表示。
数学式7
[数式7]
εj～C2-jα
其中，
，α
表示长期非独立变量，可用通过最小平方回归式从下述数学式8定义的小波频谱域推导获得的赫斯特指数(
H＝(1+α)/2
)表示。
数学式8
[数式8]
其中，
log2(εj)
可以通过求出如数学式9所示的样本的平均值获得。
数学式9
[数式9]
其中，
nj
表示关于j级的分辨率的二项值。
log2(εj)，j＝1，....，J
可用样本能量的平均值如数学式10预测得到。
数学式10
[数式10]
其中，
表示分解级j的小波频谱。
数学式8中，长期独立时间序列等级和斜率(
Δ＝1-2H
)构成线性，对此重新整理结果如下。
用哈密顿(Hamilton)理论简单说明关于斜率的泰尔型(Theil-type)推定
Δ(j1，j2)量。
可用数学式11表示。
数学式11
[数式11]
其中，
表示从j1到j2的指数的所有对的样本，
δ(r，s)
表示解析度级r和s之间的斜率，
表示加权值。
泰尔型(Theil-type)推定量使用每对斜率的加权平均值，对可能存在推定量的异常点和分布的制约强健(robust)。
数学式11中，
δ(r，s)
可定义为如数学式12所示。
数学式12
[数式12]
为考虑最佳化而使用基于对应于样本大小的级的调和平均的加权值(
)，这可以用数学式13表示。
数学式13
[数式13]
数学式13中，
HA(2p，2q)＝(2-(p+1)+2-(q+1))-1。
并且，加权值(
)与
δ(r，s)
的方差成反比。作为哈密顿(Hamilton)限制的微分结果，各对的加权值是为了根据推定量防止异常点的非正常效果而设计的。
可用数学式11的
Δ(j1，j2)，
如数学式14推定赫斯特指数。
数学式14
[数式14]
长期(long-range)非独立的时间序列系数的小波能谱是具有斜率1-2H的线性关系。
可根据分辨率级j调配回归线的小波能谱推定出赫斯特指数。
根据本发明的一个实施例，可利用多变量控制图观察到经小波能谱变换的时间序列数据。
步骤120中，基于状态的预防维护装置100计算提取的特征值的斜率和截距。为了监控目的而将所有观测时机分为n个块，log小波能谱(
yj≡log2(εj)
)和解析度级(
xj≡j
)的关系对于第l块是线性的，其如数学式15所示。
数学式15
[数式15]
yil＝β0+β1xj+∈jl，j＝1，.....J
其中，
∈jl
是独立的，是均匀地具有平均值0和分散值(
σ2
)的正规分布。为适合运行数学式15，
xj
值是固定的，从各块取得相同的值。
关于l块的斜率和截距可通过最小平方法推定得到。
关于l块的
β0
和
β1
的最小平方推定量可用数学式16表示。
数学式16
[数式16]
其中，
并且，可用剩余(
ejl＝yjl-b0l-b1lxj
)通过
推定关于错误(
∈jl
)的方差值。关于错误的方差值推定式中，
ejl
是独立函数，是具有平均值(0)和方差值(
σ2
)的正规分布。
选择的块(l)中
b0l
和
b1l
的最小二乘推定量追随具有平均值向量(
μ＝(β0，β1)T
)和分散-协方差矩阵(
)的二项正规分布。其中，
分别表示
b0l
和
b1l
的分散和协方差。
*为解决数学式15的变量推定问题，用
b0l
和
b1l的变量推定量和关于各块(
l＝1，....，n
)的分散值(
MSEl
)，用数学式17算出
μ≡(β0，β1)T
和
σ2
的推定量。
数学式17
[数式17]
其中，
b0，b1
和
分别表示
β0，β1
和
σ2，
的不偏性推定量。并且，数学式17遵循
和
因此，越是
n→∞，
则越
Var(b0)→0，
Var(b1)→0。
之后在步骤125中，基于状态的预防维护装置100可利用算出的斜率和截距监控系统有无故障。
更具体来讲，本发明一个实施例的基于状态的预防维护装置可利用斜率和截距算出T2统计量，利用算出的T2统计量监控所述系统有无故障。
此处，基于状态的预防维护装置可通过比较计算的所述T2统计量和所述管理界限监控系统有无故障。
以下对此进行具体说明。
程序监控通过包括两个步骤(Phase I和Phase II)的控制图实现。测定基于PhaseI的数据的管理范围内的程序变量后，为说明程序是否会持续稳定，可用在Phase I计算的管理界限观察后续的观测值。
本发明的一个实施例可执行两步骤监控使得能够找到系统的初期故障缺陷。
观测线性轮廓时可利用数学式18算出T2统计量。
数学式18
[数式18]
能够管理工程步骤时，
遵循自由度值2和管理上限(
)的卡方分布图。其中，
表示具有自由度2的卡方分布的
100(1-α)
百分位。
若工程预测有变化，
遵循非中心点的
χ2，
具有非中心点变量
非中心点变量数学式中，
λ
和
ψ
由
σ
构成，表示关于截距
β0
的变化期斜率
β1
的变化。
从现实角度来讲难以获知管理范围值的工程变量，因此需要根据在Phase I通过工程步骤获得的数据进行推定。若所有值均在管理界限内，则可通过所述
Y＝b0+b1X
指定
β0
和
β1
的最佳推定値b0，b1。
而如果任意的某个值超出了管理界限，则从数据组中删除该数据。基于状态的预防维护装置100可通过剩余的数据重新计算
b0，b1
的推定值，再重新检查是否所有的数据值均在管理界限内。
可对所有块重复上述过程使得计算统计值和剩余数据的结果在管理界限内。
并且，基于状态的预防维护装置100可为了位于参考轮廓(reference profile)的Phase I的关心影响而生成。
假设不知
μ
和
∑
的情况下，关于l块的T2统计量可以如数学式19进行修正。
数学式19
[数式19]
其中，
μ0≡(b0，b1)T
表示
μ
的不偏性推定值，样本分散与协方差矩阵
S≡(S11，Sl2；S12，S22)
是
∑
不偏性推定值。并且，
修正的T2统计量和具有自由度
(2，(j-2)n)
的分布相关，因此Phase I中具有
UCL＝2F2，(J-2)n，α
这个上限管理界限。其中，
F2，(j-2)n，α
表示具有自由度
(2，(j-2)n)
的F分布的
100(1-α)
百分位。
本发明的一个实施例用指数加权移动平均(EWMA)和极差图(R-chart)找到工程分散的变更或变化进行评价。利用剩余的EWMA表的管理上限可以定为如数学式20所示。
数学式20
[数式20]
其中，
θ
是满足条件
0＜θ＜1
的加权值，L表示说明错误检测率的大量块统计量的标准偏差。大体上，设定L＝3，并设定θ＝0.08、0.10、0.15或0.2。
EWMA表具有多个样本的信号值在管理范围外时，未明确定义样本去除法和界限的重新计算的问题。
R-chart的情况下，作为补充使用法，管理界限可用数学式21表示。
数学式21
[数式21]
其中，d2与d3分别表示与范围(range)、标准偏差相关的固定函数。
图2为简要显示本发明一个实施例的大型运行系统的基于状态的预防维护装置的内部构成的框图。
参见图2，本发明一个实施例的大型运行系统的基于状态的预防维护装置100包括收集部210、特征提取部215、计算部220、监控部225、存储器230及处理器235。
收集部210起到从设置于系统的多个传感器收集传感器数据的功能。如上所述，大型运行系统是汽轮发电机之类的系统，系统上可分别附着有多个传感器。本发明的一个实施例假设系统为发电机，假设了传感器具有多个温度传感器与振动传感器。而传感器的类型可随系统的特性而异，这是显而易见的。
特征提取部215可对收集的传感器数据进行小波变换提取能谱作为特征值。
例如，特征提取部215可通过能谱分析对传感器数据进行小波变换得到的数据导出赫斯特(Hurst)系数以提取特征值。
并且，特征提取部215可根据对传感器数据进行小波变换的结果计算关于细节信号(father)的能量平均值提取能谱作为特征值。
由于这和参见图1所述说明相同，因此省略重复说明。
计算部220起到计算提取的特征值的斜率和截距的功能。
例如，计算部220可计算细节信号的能谱的斜率与截距。
由于这和参见图1所述说明相同，因此省略重复说明。
监控部225起到利用计算出的斜率和截距监控系统有无故障的功能。
例如，监控部225可利用斜率和截距计算T2统计量，利用计算的T2统计量监控系统有无故障。其中，监控部()可通过比较计算的T2统计量和上限管理界限监控所述系统有无故障。
由于已经参见图1对此进行了具体说明，因此省略重复说明。
基于状态的预防维护方法用于根据传感器数据的信号分析结果，利用包括Hurst系数的线性轮廓判断系统有无异常，而存储器230存储执行所述基于状态的预防维护方法所需的多种算法、应用、该过程中派生的多种数据。
处理器235是用于控制本发明一个实施例的基于状态的预防维护装置100的内部构成要素(例如，收集部210、特征提取部215、计算部220、监控部225、存储器230等)的单元。
以上参见本发明的优选实施例进行了说明，但本领域的普通技术人员应当理解其依然可以在不脱离技术方案记载的本发明思想及领域的范围内对本发明进行多种修改及变形。
产业上的可应用性
可适用于大容量系统。
Claims (11)
1.一种大型运行系统的基于状态的预防维护方法，包括：
(a)从设置于系统的多个传感器收集传感器数据的步骤；
(b)对收集的所述传感器数据进行小波变换以提取能谱作为特征值的步骤；
(c)计算所述提取的特征值的斜率和截距的步骤；及
(d)利用算出的所述斜率和截距监控所述系统有无故障的步骤。
2.根据权利要求1所述的大型运行系统的基于状态的预防维护方法，其特征在于：
所述(b)步骤为通过能谱分析对所述传感器数据进行小波变换得到的数据导出赫斯特(Hurst)系数以提取所述特征值。
3.根据权利要求1所述的大型运行系统的基于状态的预防维护方法，其特征在于：
所述(b)步骤是根据对所述传感器数据进行小波变换得到的结果计算关于细节信号(father)的能量平均值并提取所述能谱作为特征值，
所述斜率与截距为关于所述细节信号的能谱的斜率与截距。
4.根据权利要求1所述的大型运行系统的基于状态的预防维护方法，其特征在于：
所述(d)步骤利用所述斜率与截距计算T2统计量，利用算出的所述T2统计量监控所述系统有无故障。
5.根据权利要求4所述的大型运行系统的基于状态的预防维护方法，其特征在于：
所述(d)步骤是比较算出的所述T2统计量和上限管理界限监控所述系统有无故障。
6.一种计算机可读存储介质制品，其中，存储有用于执行权利要求1至5中任一项所述的方法的程序代码。
7.一种大型运行系统的基于状态的预防维护装置，包括：
从设置于系统的多个传感器收集传感器数据的收集部；
对收集的所述传感器数据进行小波变换以提取能谱作为特征值的特征提取部；
计算提取的所述特征值的斜率和截距的计算部；及
利用算出的所述斜率和截距监控所述系统有无故障的监控部。
8.根据权利要求7所述的大型运行系统的基于状态的预防维护方法，其特征在于：
所述特征提取部通过能谱分析对所述传感器数据进行小波变换得到的数据导出赫斯特(Hurst)系数以提取所述特征值。
9.根据权利要求7所述的大型运行系统的基于状态的预防维护装置，其特征在于：
所述特征提取部根据对所述传感器数据进行小波变换得到的结果计算关于细节信号(father)的能量平均值并提取所述能谱作为特征值，
所述斜率与截距为关于所述细节信号的能谱的斜率与截距。
10.根据权利要求7所述的大型运行系统的基于状态的预防维护装置，其特征在于：
所述监控部利用所述斜率与截距计算T2统计量，利用算出的所述T2统计量监控所述系统有无故障。
11.根据权利要求10所述的大型运行系统的基于状态的预防维护装置，其特征在于：
所述监控部比较算出的所述T2统计量和上限管理界限监控所述系统有无故障。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020150098524A KR101663426B1 (ko) | 2015-07-10 | 2015-07-10 | 대형 운용 시스템의 상태 기반 예방정비 장치 및 방법 |
| KR10-2015-0098524 | 2015-07-10 | ||
| PCT/KR2016/007529 WO2017010778A1 (ko) | 2015-07-10 | 2016-07-11 | 대형 운용 시스템의 상태 기반 예방정비 장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107851294A true CN107851294A (zh) | 2018-03-27 |
| CN107851294B CN107851294B (zh) | 2022-07-12 |
Family
ID=57145262
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201680040401.7A Active CN107851294B (zh) | 2015-07-10 | 2016-07-11 | 大型运行系统的基于状态的预防维护装置及方法 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US11068859B2 (zh) |
| KR (1) | KR101663426B1 (zh) |
| CN (1) | CN107851294B (zh) |
| WO (1) | WO2017010778A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111122191A (zh) * | 2019-12-05 | 2020-05-08 | 杭州哲达科技股份有限公司 | 一种基于ewma控制的设备安康报警阈值设定方法 |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10482900B2 (en) * | 2017-01-18 | 2019-11-19 | Microsoft Technology Licensing, Llc | Organization of signal segments supporting sensed features |
| US20190026473A1 (en) * | 2017-07-21 | 2019-01-24 | Pearson Education, Inc. | System and method for automated feature-based alert triggering |
| US10867128B2 (en) | 2017-09-12 | 2020-12-15 | Microsoft Technology Licensing, Llc | Intelligently updating a collaboration site or template |
| US10742500B2 (en) * | 2017-09-20 | 2020-08-11 | Microsoft Technology Licensing, Llc | Iteratively updating a collaboration site or template |
| CN111382754B (zh) * | 2018-12-27 | 2024-03-01 | 中国移动通信集团山西有限公司 | 用户聚类方法、装置、设备和介质 |
| US10802942B2 (en) * | 2018-12-28 | 2020-10-13 | Intel Corporation | Methods and apparatus to detect anomalies of a monitored system |
| CN111582682B (zh) * | 2020-04-24 | 2023-04-28 | 深圳市海梁科技有限公司 | 一种车辆调度方法、装置及终端 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070265533A1 (en) * | 2006-05-12 | 2007-11-15 | Bao Tran | Cuffless blood pressure monitoring appliance |
| KR100840129B1 (ko) * | 2006-11-16 | 2008-06-20 | 삼성에스디에스 주식회사 | 통계적인 분석을 이용한 성능장애 관리시스템 및 그 방법 |
| CN102083087A (zh) * | 2011-01-25 | 2011-06-01 | 南京金思科技有限公司 | 一种主客观模型结合的话务量异常检测方法 |
| KR20110107096A (ko) * | 2010-03-24 | 2011-09-30 | 삼성중공업 주식회사 | 자동화 장비의 실시간 장비 상태 모니터링 장치 |
| CN102594836A (zh) * | 2012-03-06 | 2012-07-18 | 青岛农业大学 | 一种基于小波能量谱的流量识别方法 |
| CN102792240A (zh) * | 2009-11-16 | 2012-11-21 | Nrg系统股份有限公司 | 用于基于条件的维护的数据获取系统 |
| CN103648827A (zh) * | 2011-07-06 | 2014-03-19 | 通用电气公司 | 用于预测电机的机械故障的系统和方法 |
| CN104121985A (zh) * | 2013-04-29 | 2014-10-29 | 艾默生电气（美国）控股公司（智利）有限公司 | 过采样数据的选择性抽取和分析 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101166871B1 (ko) * | 2010-10-14 | 2012-07-19 | (주)에스엠인스트루먼트 | 기계시스템 상태감시장치 및 상태감시방법 |
-
2015
- 2015-07-10 KR KR1020150098524A patent/KR101663426B1/ko active IP Right Grant
-
2016
- 2016-07-11 CN CN201680040401.7A patent/CN107851294B/zh active Active
- 2016-07-11 WO PCT/KR2016/007529 patent/WO2017010778A1/ko active Application Filing
-
2018
- 2018-01-09 US US15/865,676 patent/US11068859B2/en active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070265533A1 (en) * | 2006-05-12 | 2007-11-15 | Bao Tran | Cuffless blood pressure monitoring appliance |
| KR100840129B1 (ko) * | 2006-11-16 | 2008-06-20 | 삼성에스디에스 주식회사 | 통계적인 분석을 이용한 성능장애 관리시스템 및 그 방법 |
| CN102792240A (zh) * | 2009-11-16 | 2012-11-21 | Nrg系统股份有限公司 | 用于基于条件的维护的数据获取系统 |
| KR20110107096A (ko) * | 2010-03-24 | 2011-09-30 | 삼성중공업 주식회사 | 자동화 장비의 실시간 장비 상태 모니터링 장치 |
| CN102083087A (zh) * | 2011-01-25 | 2011-06-01 | 南京金思科技有限公司 | 一种主客观模型结合的话务量异常检测方法 |
| CN103648827A (zh) * | 2011-07-06 | 2014-03-19 | 通用电气公司 | 用于预测电机的机械故障的系统和方法 |
| CN102594836A (zh) * | 2012-03-06 | 2012-07-18 | 青岛农业大学 | 一种基于小波能量谱的流量识别方法 |
| CN104121985A (zh) * | 2013-04-29 | 2014-10-29 | 艾默生电气（美国）控股公司（智利）有限公司 | 过采样数据的选择性抽取和分析 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111122191A (zh) * | 2019-12-05 | 2020-05-08 | 杭州哲达科技股份有限公司 | 一种基于ewma控制的设备安康报警阈值设定方法 |
| CN111122191B (zh) * | 2019-12-05 | 2021-09-03 | 杭州哲达科技股份有限公司 | 一种基于ewma控制的设备安康报警阈值设定方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR101663426B1 (ko) | 2016-10-07 |
| US20180130032A1 (en) | 2018-05-10 |
| CN107851294B (zh) | 2022-07-12 |
| WO2017010778A1 (ko) | 2017-01-19 |
| US11068859B2 (en) | 2021-07-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107851294B (zh) | 大型运行系统的基于状态的预防维护装置及方法 | |
| Zhao et al. | Fault-relevant principal component analysis (FPCA) method for multivariate statistical modeling and process monitoring | |
| CN109298697B (zh) | 基于动态基线模型的火电厂系统各部件工作状态评估方法 | |
| Kozłowski et al. | Machining sensor data management for operation-level predictive model | |
| KR101316486B1 (ko) | 이상 검지 방법 및 시스템 | |
| JP5303474B2 (ja) | 連続工業プロセスでの異常事象検出のために推論計測を使用する方法およびシステム | |
| US7039554B2 (en) | Method and system for trend detection and analysis | |
| Li et al. | Feature extraction and classification of gear faults using principal component analysis | |
| KR101948604B1 (ko) | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 | |
| US20140365179A1 (en) | Method and Apparatus for Detecting and Identifying Faults in a Process | |
| WO2013012583A1 (en) | Method of sequential kernel regression modeling for forecasting and prognostics | |
| JP5753301B1 (ja) | プラント装置の統括診断方法、及び、プラント装置の統括診断装置 | |
| Bae et al. | Condition monitoring of a steam turbine generator using wavelet spectrum based control chart | |
| Xu et al. | Bayesian wavelet PCA methodology for turbomachinery damage diagnosis under uncertainty | |
| WO2019043600A1 (en) | ESTIMATOR OF REMAINING USEFUL LIFE ESTIMATOR | |
| JP6714498B2 (ja) | 設備診断装置及び設備診断方法 | |
| CA2252868C (en) | Automatic control loop monitoring and diagnostics | |
| CN110751217A (zh) | 基于主元分析的设备能耗占比预警分析方法 | |
| Anis | Towards remaining useful life prediction in rotating machine fault prognosis: an exponential degradation model | |
| Das et al. | Data mining and control loop performance assessment: The multivariate case | |
| Toosi et al. | Method for detecting aging related failures of process sensors via noise signal measurement | |
| CN106647274B (zh) | 一种连续生产过程中运行工况稳态判别方法 | |
| CN113642618B (zh) | 一种用于螺杆装置状态预测模型训练的方法及设备 | |
| Liao et al. | Machinery time to failure prediction-Case study and lesson learned for a spindle bearing application | |
| Oddan | Multivariate statistical condition monitoring |
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 |