CN109737045A - 应用于芯片生产的空压机故障预警方法、系统及相关装置 - Google Patents
应用于芯片生产的空压机故障预警方法、系统及相关装置 Download PDFInfo
- Publication number
- CN109737045A CN109737045A CN201910027185.8A CN201910027185A CN109737045A CN 109737045 A CN109737045 A CN 109737045A CN 201910027185 A CN201910027185 A CN 201910027185A CN 109737045 A CN109737045 A CN 109737045A
- Authority
- CN
- China
- Prior art keywords
- observation vector
- alarming
- air compressor
- history
- fault pre
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 34
- 239000013598 vector Substances 0.000 claims abstract description 248
- 238000012544 monitoring process Methods 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims description 25
- 238000005070 sampling Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000007667 floating Methods 0.000 claims description 5
- 238000013500 data storage Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 230000015556 catabolic process Effects 0.000 abstract description 6
- 239000011159 matrix material Substances 0.000 description 12
- 230000009286 beneficial effect Effects 0.000 description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Landscapes
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本申请公开了一种应用于芯片生产的空压机故障预警方法、系统及相关装置,包括:获取空气压缩机的历史观测向量,其中,历史观测向量中包括多个变量的监测数据;将历史观测向量分为第一历史观测向量和第二历史观测向量,通过第一历史观测向量构建故障预警模型,根据故障预警模型及第二历史观测向量确定故障预警阈值;获取空气压缩机的实际观测向量;通过故障预警模型及故障预警阈值判断实际观测向量是否满足故障预警条件,若是,生成预警信号。本申请中,当判定实际观测向量满足预警条件时,生成故障预警信号,使现场的工作人员提前发现空气压缩机故障的早期征兆,采取正确措施,以降低故障损失,极大提高启动生产过程的安全性和经济性。
Description
技术领域
本申请涉及空气压缩机领域,特别是涉及一种应用于芯片生产的空压机故障预警方法、系统及相关装置。
背景技术
空气压缩机是一种结构复杂的旋转机械,发生故障的概率较高,且一旦发生故障,将会给气动生产过程的经济性与安全性带来不利影响。在经济性方面,空气压缩机故障将会使气动生产设备丧失动力来源,造成生产停产,从而导致企业利润的大幅降低。同时空气压缩机的维修费用较高,一旦出现故障将进一步增加企业的运维成本。在安全性方面,空气压缩机是高速旋转类机械设备,储气罐由于存储被压缩的空气而具有较高的压力,故障时很容易发生部件高速抛出或气缸爆炸等重大安全事故,严重威胁现场工作人员生命安全。但是目前,还没有一种针对应用于芯片生产的空压机故障预警方案,以便现场工作人员提前发现空气压缩机故障的早期征兆,采取正确措施降低故障损失。
因此,如何提供一种解决上述技术问题的方案是本领域技术人员目前需要解决的问题。
发明内容
本申请的目的是提供一种应用于芯片生产的空压机故障预警方法、系统及相关装置,当判定实际观测向量满足预警条件时,生成故障预警信号,使现场的工作人员提前发现空气压缩机故障的早期征兆,采取正确措施,以降低故障损失,极大提高启动生产过程的安全性和经济性。
为解决上述技术问题,本申请提供了一种应用于芯片生产的空压机故障预警方法,包括:
获取空气压缩机的历史观测向量,其中,所述历史观测向量中包括多个变量的监测数据;
将所述历史观测向量分为第一历史观测向量和第二历史观测向量,通过所述第一历史观测向量构建故障预警模型,根据所述故障预警模型及所述第二历史观测向量确定故障预警阈值;
获取所述空气压缩机的实际观测向量;
通过所述故障预警模型及所述故障预警阈值判断所述实际观测向量是否满足故障预警条件,若是,生成预警信号。
优选的,所述获取空气压缩机的历史观测向量之前,该空压机故障预警方法还包括:
按预设采样周期采集所述空气压缩机的多个变量的监测数据;
将所有所述监测数据存储到数据库;
则所述获取所述空气压缩机的历史观测向量过程具体为:
在所述数据库中获取所述空气压缩机的历史观测向量。
优选的,所述获取空气压缩机的历史观测向量之后,将所述历史观测向量分为第一历史观测向量和第二历史观测向量之前,该空压机故障预警方法还包括:
根据预设规则确定异常数据;
剔除含有所述异常数据的历史观测向量;
则所述将所述历史观测向量分为第一历史观测向量和第二历史观测向量的过程具体为:
将剔除操作后剩余的历史观测向量分为第一历史观测向量和第二历史观测向量。
优选的,所述根据所述故障预警模型及所述第二历史观测向量确定故障预警阈值的过程具体为:
将所述第二历史观测向量输入所述故障预警模型,得到历史估计向量;
根据所述第二历史观测向量和所述历史估计向量计算偏离度序列;
通过滑动窗口法对所述偏离度序列进行处理,得到每一窗口的偏离度平均值;
根据所述偏离度平均值确定所述故障预警阈值。
优选的,所述通过所述故障预警模型及所述故障预警阈值判断所述实际观测向量是否满足故障预警条件的过程具体为:
将所述实际观测向量输入所述预设故障预警模型,得到估计向量;
通过所述估计向量和所述实际观测向量计算偏离度;
当所述偏离度大于所述故障预警阈值时,判定满足故障预警条件。
优选的,所述通过所述估计向量和实际观测向量计算偏离度的过程具体为:
通过偏离度函数计算偏离度,其中,所述偏离度函数为S为所述偏离度,w′i为第i个变量的权重系数,xobs(i)为所述实际观测向量中的所述第i个变量的监测数据,xest(i)为所述估计向量中的所述第i个变量的估计数据。
优选的,所述根据所述偏离度平均值确定所述故障预警阈值的过程具体为:
通过估计关系式计算预警阈值系数,其中,所述估计关系式为k为所述预警阈值系数,Sh为故障发生时实际观测向量的偏离度,u为上浮系数,Emax为所述偏离度平均值的最大值;
根据所述预警阈值系数和所述偏离度平均值的最大值确定所述故障预警阈值。
为解决上述技术问题,本申请还提供了一种应用于芯片生产的空压机故障预警系统,包括:
获取模块,用于获取空气压缩机的历史观测向量,其中,所述历史观测向量中包括多个变量的监测数据;还用于获取所述空气压缩机的实际观测向量;
构建模块,用于将所述历史观测向量分为第一历史观测向量和第二历史观测向量,通过所述第一历史观测向量构建故障预警模型,根据所述故障预警模型及所述第二历史观测向量确定故障预警阈值;
预警模块,用于通过所述故障预警模型及所述故障预警阈值判断所述实际观测向量是否满足故障预警条件,若是,生成预警信号。
为解决上述技术问题,本申请还提供了一种应用于芯片生产的空压机故障预警装置,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上文任一项所述空压机故障预警的步骤。
为解决上述技术问题,本申请还提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上文任一项所述空压机故障预警的步骤。
本申请提供了一种应用于芯片生产的空压机故障预警方法,包括:获取空气压缩机的历史观测向量,其中,历史观测向量中包括多个变量的监测数据;将历史观测向量分为第一历史观测向量和第二历史观测向量,通过第一历史观测向量构建故障预警模型,根据故障预警模型及第二历史观测向量确定故障预警阈值;获取空气压缩机的实际观测向量;通过故障预警模型及故障预警阈值判断实际观测向量是否满足故障预警条件,若是,生成预警信号。
可见,在实际应用中,采用本申请的方案,通过空气压缩机的历史观测向量构建故障预警模型以及确定故障预警阈值,然后通过故障预警模型以及故障预警阈值判断实际观测向量是否满足预警条件,若满足,则生成故障预警信号,使现场的工作人员提前发现空气压缩机故障的早期征兆,采取正确措施,以降低故障损失,极大提高启动生产过程的安全性和经济性。
本申请还提供了一种应用于芯片生产的空压机故障预警系统、装置及可读存储介质,具有和上述故障预警方法相同的有益效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对现有技术和实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请所提供的一种应用于芯片生产的空压机故障预警方法的步骤流程图;
图2为本申请所提供的一种应用于芯片生产的空压机故障预警系统的结构示意图。
具体实施方式
本申请的核心是提供一种应用于芯片生产的空压机故障预警方法、系统及相关装置,当判定实际观测向量满足预警条件时,生成故障预警信号,使现场的工作人员提前发现空气压缩机故障的早期征兆,采取正确措施,以降低故障损失,极大提高启动生产过程的安全性和经济性。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
请参照图1,图1为本申请所提供的一种应用于芯片生产的空压机故障预警方法的步骤流程图,包括:
步骤1:获取空气压缩机的历史观测向量,其中,历史观测向量中包括多个变量的监测数据;
作为一种优选的实施例,获取空气压缩机的历史观测向量之前,该空压机故障预警方法还包括:
按预设采样周期采集空气压缩机的多个变量的监测数据;
将所有监测数据存储到数据库;
则获取空气压缩机的历史观测向量过程具体为:
在数据库中获取空气压缩机的历史观测向量。
具体的,本申请获取了空气压缩机在多个采样时刻的历史观测向量,其中,每个历史观测向量中包括电机电流、电机功率、气罐入口压力、气罐出口压力、电机定子绕组温度、电机前轴承温度、电机后轴承温度、压缩机轴承正向温度、压缩机轴承侧向温度、正向垂直振动、正向水平振动、侧向垂直振动、侧向水平振动共13个变量。当然,除了包括上述13个变量,还可以包括其他变量,本申请在此不做限定。
进一步的,本申请通过CMS(Condition Monitoring System,状态监测系统)实现对空气压缩机13类变量的数据的采集,采集到的数据即为该变量在该采样时刻的监测数据。具体的,CMS通过在空气压缩机各信息采集点布置的电压、电流、功率、温度、振动等5类传感器,对上述13个变量的监测数据进行不间断的采集,并将采集的监测数据存储到数据库中,作为构建动态记忆矩阵的数据源,其中,对各变量的监测数据的预设采样周期可以设置为5分钟。
步骤2:将历史观测向量分为第一历史观测向量和第二历史观测向量,通过第一历史观测向量构建故障预警模型,根据故障预警模型及第二历史观测向量确定故障预警阈值;
首先将获取到历史观测向量分为第一历史观测向量和第二历史观测向量,假设步骤1共获取了100个采样时刻的历史观测向量,那么可以将其中70个历史观测向量作为第一历史观测向量,记为Data1,剩余30个作为第二历史观测向量,记为Data2,当然,如何将历史观测向量划分为第一历史观测向量和第二历史观测向量需要根据实际工程需要确定,本申请在此不做限定。通过Data1构建基于MSET(Multivariate State Estimation Technique,多变量状态估计技术)技术的故障预警模型的动态记忆矩阵,通过Data2来验证MSET故障预警模型的精度,以及计算故障预警阈值。
步骤3:获取空气压缩机的实际观测向量;
步骤4:通过故障预警模型及故障预警阈值判断实际观测向量是否满足故障预警条件,若是,生成预警信号。
其中,故障预警条件指,将实际观测向量输入步骤2构建的故障预警模型后得到的估计向量与实际观测向量的偏离度大于故障预警阈值。具体的,当空气压缩机处于正常状态时,实际观测向量应该位于步骤2所构建的动态记忆矩阵D所代表的正常工作空间内,通过步骤2构建的故障预警模型对实际观测向量进行最优估计可以得到对应的高精度估计向量,当空气压缩机出现故障时,实际观测向量会偏离动态记忆矩阵D所代表的正常工作空间,那么通过动态记忆矩阵D无法构造其对应的估计向量,使实际观测向量与估计向量之间的残差增大,以触发预警。可以理解的是,本申请不需要对空气压缩机的各个变量均设置对应的故障预警阈值,仅通过一个故障预警阈值即可判定空气压缩机当前的运行状态是否存在异常,提高了故障预警方案的高效性。
本申请提供了一种应用于芯片生产的空压机故障预警方法,包括:获取空气压缩机的历史观测向量,其中,历史观测向量中包括多个变量的监测数据;将历史观测向量分为第一历史观测向量和第二历史观测向量,通过第一历史观测向量构建故障预警模型,根据故障预警模型及第二历史观测向量确定故障预警阈值;获取空气压缩机的实际观测向量;通过故障预警模型及故障预警阈值判断实际观测向量是否满足故障预警条件,若是,生成预警信号。
可见,在实际应用中,采用本申请的方案,通过空气压缩机的历史观测向量构建故障预警模型以及确定故障预警阈值,然后通过故障预警模型以及故障预警阈值判断实际观测向量是否满足预警条件,若满足,则生成故障预警信号,使现场的工作人员提前发现空气压缩机故障的早期征兆,采取正确措施,以降低故障损失,极大提高启动生产过程的安全性和经济性。
在上述实施例的基础上:
作为一种优选的实施例,获取空气压缩机的历史观测向量之后,将历史观测向量分为第一历史观测向量和第二历史观测向量之前,该空压机故障预警方法还包括:
根据预设规则确定异常数据;
剔除含有异常数据的历史观测向量;
则将历史观测向量分为第一历史观测向量和第二历史观测向量的过程具体为:
将剔除操作后剩余的历史观测向量分为第一历史观测向量和第二历史观测向量。
具体的,本申请首先对步骤1获取的历史观测向量进行预处理,首先可以采用k-means聚类方法,将13个变量中每个变量的监测数据进行聚类,得到多个聚类结果,确定每个类别结果的聚类中心,将每个聚类结果中与聚类中心相聚较远的离群点确定为异常数据,剔除含有异常数据的历史观测向量。然后采用基于特征变量的滑动窗口法,以电机电流、电机功率这两个特征变量为依据对稳态工况数据点进行判别,将对应特征变量波动较大的数据确定为异常数据,剔除含有异常数据的历史观测向量,可以理解的是,在构建故障预警模型时采用的第一历史观测向量均为不包括异常数据的第一历史观测向量。进一步的,利用相关性分析法与BP网络变量选择法对经过预处理后的第一历史观测向量进行进一步的优化,具体的,在相关性较强的变量中仅选取一个变量来构建动态记忆矩阵的行,接着选取对实际观测向量影响力较大的第一历史观测向量作为动态记忆矩阵的列,通过进一步对第一历史观测向量的筛选,减少冗余的输入信息,降低构建故障预警模型的复杂度,提高故障预警模型的精度。
作为一种优选的实施例,根据故障预警模型及第二历史观测向量确定故障预警阈值的过程具体为:
将第二历史观测向量输入故障预警模型,得到历史估计向量;
根据第二历史观测向量和历史估计向量计算偏离度序列;
通过滑动窗口法对偏离度序列进行处理,得到每一窗口的偏离度平均值;
根据偏离度平均值确定故障预警阈值。
作为一种优选的实施例,通过估计向量和实际观测向量计算偏离度的过程具体为:
通过偏离度函数计算偏离度,其中,偏离度函数为S为偏离度,w′i为第i个变量的权重系数,xobs(i)为实际观测向量中的第i个变量的监测数据,xest(i)为估计向量中的第i个变量的估计数据。
具体的,在确定故障预警阈值时,可以将第二历史观测向量看作是实际观测向量Xobs,为便于理解,下文中第二历史观测向量也用Xobs表示。利用MSET方法将其与动态记忆矩阵D中的状态向量进行比较,用动态记忆矩阵D中的第一历史观测向量和权向量W的线性组合表示估计向量Xest,如下:
Xest=D·W=D·[w1,w2…wm]T=w1X(t1)+w2X(t2)+…+wmX(tm) (1)
权值向量W代表估计向量与动态记忆矩阵D中状态的一种相似性测度,可通过最小化残差向量ε来获得。实际观测向量Xobs和估计向量Xest之间的残差ε如下:
ε=Xest-Xobs (2)
在||ε||2最小的约束条件下,运用最小二乘法求得权值向量W如下:
式中,非线性运算符代替了原来的阵乘法运算符×,避免了观测向量的共线性导致的不可逆,扩大了适用范围。本申请选择欧氏距离作为非线性运算符,如下:
式(4)中xi,yj为计算距离的两个变量。
将式(3)代入式(1)可得估计向量Xest,如下:
本申请中,当空气压缩机处于正常状态时,实际观测向量Xobs位于动态记忆矩阵D所代表的正常工作空间内,MSET故障预警模型的估计向量Xest具有较高的精度。当设备出现故障时,实际观测向量Xobs会偏离动态记忆矩阵D的正常工作空间,通过动态记忆矩阵D无法构造实际观测向量Xobs对应的估计向量Xest,导致估计精度下降,使估计向量Xest与实际观测向量Xobs之间的残差增大。
进一步的,本申请采用层次分析法确定历史观测向量中每个变量的权重系数w′i,具体的,先将空压机故障预警问题按总目标、各层子目标、评价准则和选择方案分解为两层,第一层包括故障信息量与测量可靠性两个因素,第二层因素为CMS系统采集的变量因素。计算w′i时,先求出每一层次的各因素对上一层次某因素的分项权重,然后再计算底层各监测变量对顶层总目标的最终权重,然后构建表征历史观测向量与估计向量之间差异的偏离度函数。通过式(6)所示的偏离度函数来定量计算Data2中任一第二历史观测向量Xobs与其对应的估计向量Xest之间的偏离度,如下:
式中,w′i为第二历史观测向量中第i个变量的权重系数。
进一步的,利用式(7)计算在某段时间内Data2中n个第二历史观测向量Xobs与其估计向量Xest的偏离度序列如下:
S(Xobs,Xest)=[S1,S2,…,SN,…Sn] (7)
接着,通过滑动窗口法来处理式(7)计算出来的偏离度序列,确定故障预警阈值。具体的,取一个宽度为N(N<n)的滑动窗口,对窗口内的连续N个偏离度计算偏离度平均值:
根据式(9)确定故障预警阈值EAN,如下:
EAN=kEmax (9)
式(9)中,k为预警阈值系数,可由现场运行人员根据设备运行经验确定,Emax为偏离度平均值的最大值。可以理解的是,本申请中所确定的故障预警阈值EAN可以实现对空气压缩机的13类变量的综合判定,当任一变量出现异常时,均可触发预警,进一步提高了本申请的可靠性和安全性。
作为一种优选的实施例,根据偏离度平均值确定故障预警阈值的过程具体为:
通过估计关系式计算预警阈值系数,其中,估计关系式为k为预警阈值系数,Sh为故障发生时实际观测向量的偏离度,u为上浮系数,Emax为偏离度平均值的最大值;
根据预警阈值系数和偏离度平均值的最大值确定故障预警阈值。
具体的,预警阈值系数k可按式(10)进行估计:
式(10)中,Sh为故障发生时与实际观测向量对应的偏离度,u为上浮系数,可取值为2~5;本申请在估计预警阈值系数k时,可选择多个故障记录,采用式(10)的方法计算多个k的值,然后取它们的平均值作为最终的k。
请参照图2,图2为本申请所提供的一种应用于芯片生产的空压机故障预警系统的结构示意图,包括:
获取模块1,获取空气压缩机的历史观测向量,其中,历史观测向量中包括多个变量的监测数据;还用于获取空气压缩机的实际观测向量;
构建模块2,用于将历史观测向量分为第一历史观测向量和第二历史观测向量,通过第一历史观测向量构建故障预警模型,根据故障预警模型及第二历史观测向量确定故障预警阈值;
预警模块3,用于通过故障预警模型及故障预警阈值判断实际观测向量是否满足故障预警条件,若是,生成预警信号。
作为一种优选的实施例,该空压机故障预警系统还包括:
采集模块,用于按预设采样周期采集空气压缩机的多个变量的监测数据;
存储模块,用于将所有监测数据存储到数据库;
则获取模块1具体用于:
在数据库中获取空气压缩机的历史观测向量。
作为一种优选的实施例,该空压机故障预警系统还包括:
预处理模块,用于根据预设规则确定异常数据,剔除含有异常数据的历史观测向量;
则将历史观测向量分为第一历史观测向量和第二历史观测向量的过程具体为:
将剔除操作后剩余的历史观测向量分为第一历史观测向量和第二历史观测向量。
作为一种优选的实施例,根据故障预警模型及第二历史观测向量确定故障预警阈值的过程具体为:
将第二历史观测向量输入故障预警模型,得到历史估计向量;
根据第二历史观测向量和历史估计向量计算偏离度序列;
通过滑动窗口法对偏离度序列进行处理,得到每一窗口的偏离度平均值;
根据偏离度平均值确定故障预警阈值。
作为一种优选的实施例,通过故障预警模型及故障预警阈值判断实际观测向量是否满足故障预警条件的过程具体为:
将实际观测向量输入预设故障预警模型,得到估计向量;
通过估计向量和实际观测向量计算偏离度;
当偏离度大于故障预警阈值时,判定满足故障预警条件。
作为一种优选的实施例,通过估计向量和实际观测向量计算偏离度的过程具体为:
通过偏离度函数计算偏离度,其中,偏离度函数为
S为偏离度,w′i为第i个变量的权重系数,xobs(i)为实际观测向量中的第i个变量的监测数据,xest(i)为估计向量中的第i个变量的估计数据。
作为一种优选的实施例,根据偏离度平均值确定故障预警阈值的过程具体为:
通过估计关系式计算预警阈值系数,其中,估计关系式为k为预警阈值系数,Sh为故障发生时实际观测向量的偏离度,u为上浮系数,Emax为偏离度平均值的最大值;
根据预警阈值系数和偏离度平均值的最大值确定故障预警阈值。
本申请所提供的一种应用于芯片生产的空压机故障预警系统,具有和上述故障预警方法相同的有益效果。
对于本申请所提供的一种应用于芯片生产的空压机故障预警系统的介绍,请参照上述实施例,本申请在此不再赘述。
相应的,本申请还提供了一种应用于芯片生产的空压机故障预警装置,包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序时实现如上文任一项空压机故障预警方法的步骤。
本申请所提供的一种应用于芯片生产的空压机故障预警装置,具有和上述故障预警方法相同的有益效果。
对于本申请所提供的一种应用于芯片生产的空压机故障预警装置的介绍,请参照上述实施例,本申请在此不再赘述。
相应的,本申请还提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上文任一项空压机故障预警的步骤。
本申请所提供的一种可读存储介质,具有和上述故障预警方法相同的有益效果。
对于本申请所提供的一种可读存储介质的介绍,请参照上述实施例,本申请在此不再赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其他实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种应用于芯片生产的空压机故障预警方法,其特征在于,包括:
获取空气压缩机的历史观测向量,其中,所述历史观测向量中包括多个变量的监测数据;
将所述历史观测向量分为第一历史观测向量和第二历史观测向量,通过所述第一历史观测向量构建故障预警模型,根据所述故障预警模型及所述第二历史观测向量确定故障预警阈值;
获取所述空气压缩机的实际观测向量;
通过所述故障预警模型及所述故障预警阈值判断所述实际观测向量是否满足故障预警条件,若是,生成预警信号。
2.根据权利要求1所述的空压机故障预警方法,其特征在于,所述获取空气压缩机的历史观测向量之前,该空压机故障预警方法还包括:
按预设采样周期采集所述空气压缩机的多个变量的监测数据;
将所有所述监测数据存储到数据库;
则所述获取所述空气压缩机的历史观测向量过程具体为:
在所述数据库中获取所述空气压缩机的历史观测向量。
3.根据权利要求1所述的空压机故障预警方法,其特征在于,所述获取空气压缩机的历史观测向量之后,将所述历史观测向量分为第一历史观测向量和第二历史观测向量之前,该空压机故障预警方法还包括:
根据预设规则确定异常数据;
剔除含有所述异常数据的历史观测向量;
则所述将所述历史观测向量分为第一历史观测向量和第二历史观测向量的过程具体为:
将剔除操作后剩余的历史观测向量分为第一历史观测向量和第二历史观测向量。
4.根据权利要求1所述的空压机故障预警方法,其特征在于,所述根据所述故障预警模型及所述第二历史观测向量确定故障预警阈值的过程具体为:
将所述第二历史观测向量输入所述故障预警模型,得到历史估计向量;
根据所述第二历史观测向量和所述历史估计向量计算偏离度序列;
通过滑动窗口法对所述偏离度序列进行处理,得到每一窗口的偏离度平均值;
根据所述偏离度平均值确定所述故障预警阈值。
5.根据权利要求4所述的空压机故障预警方法,其特征在于,所述通过所述故障预警模型及所述故障预警阈值判断所述实际观测向量是否满足故障预警条件的过程具体为:
将所述实际观测向量输入所述预设故障预警模型,得到估计向量;
通过所述估计向量和所述实际观测向量计算偏离度;
当所述偏离度大于所述故障预警阈值时,判定满足故障预警条件。
6.根据权利要求5所述的空压机故障预警方法,其特征在于,所述通过所述估计向量和所述实际观测向量计算偏离度的过程具体为:
通过偏离度函数计算偏离度,其中,所述偏离度函数为S为所述偏离度,w′i为第i个变量的权重系数,xobs(i)为所述实际观测向量中的所述第i个变量的监测数据,xest(i)为所述估计向量中的所述第i个变量的估计数据。
7.根据权利要求6所述的空压机故障预警方法,其特征在于,所述根据所述偏离度平均值确定所述故障预警阈值的过程具体为:
通过估计关系式计算预警阈值系数,其中,所述估计关系式为k为所述预警阈值系数,Sh为故障发生时实际观测向量的偏离度,u为上浮系数,Emax为所述偏离度平均值的最大值;
根据所述预警阈值系数和所述偏离度平均值的最大值确定所述故障预警阈值。
8.一种应用于芯片生产的空压机故障预警系统,其特征在于,包括:
获取模块,用于获取空气压缩机的历史观测向量,其中,所述历史观测向量中包括多个变量的监测数据;还用于获取所述空气压缩机的实际观测向量;
构建模块,用于将所述历史观测向量分为第一历史观测向量和第二历史观测向量,通过所述第一历史观测向量构建故障预警模型,根据所述故障预警模型及所述第二历史观测向量确定故障预警阈值;
预警模块,用于通过所述故障预警模型及所述故障预警阈值判断所述实际观测向量是否满足故障预警条件,若是,生成预警信号。
9.一种应用于芯片生产的空压机故障预警装置,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1-7任一项所述空压机故障预警的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述空压机故障预警的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910027185.8A CN109737045A (zh) | 2019-01-11 | 2019-01-11 | 应用于芯片生产的空压机故障预警方法、系统及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910027185.8A CN109737045A (zh) | 2019-01-11 | 2019-01-11 | 应用于芯片生产的空压机故障预警方法、系统及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109737045A true CN109737045A (zh) | 2019-05-10 |
Family
ID=66364509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910027185.8A Pending CN109737045A (zh) | 2019-01-11 | 2019-01-11 | 应用于芯片生产的空压机故障预警方法、系统及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109737045A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112067335A (zh) * | 2020-09-03 | 2020-12-11 | 华能国际电力股份有限公司玉环电厂 | 一种基于多元状态估计的电厂送风机故障预警方法 |
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 |
CN113611096A (zh) * | 2021-08-04 | 2021-11-05 | 广东鑫钻节能科技股份有限公司 | 一种空压站电能消耗监测预警系统 |
CN115499289A (zh) * | 2022-08-17 | 2022-12-20 | 华电电力科学研究院有限公司 | 一种设备状态评估预警方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6980910B1 (en) * | 2001-03-20 | 2005-12-27 | Johnson Controls Technology Company | Extensions to dynamically configurable process for diagnosing faults in rotating machines |
US7403850B1 (en) * | 2005-09-29 | 2008-07-22 | Dynalco Controls Corporation | Automated fault diagnosis method and system for engine-compressor sets |
CN104712542A (zh) * | 2015-01-12 | 2015-06-17 | 北京博华信智科技股份有限公司 | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 |
CN108108852A (zh) * | 2018-01-05 | 2018-06-01 | 广东电网有限责任公司电力科学研究院 | 基于故障预警技术的火电机组短期可靠性评估方法及装置 |
CN108304941A (zh) * | 2017-12-18 | 2018-07-20 | 中国软件与技术服务股份有限公司 | 一种基于机器学习的故障预测方法 |
CN108681633A (zh) * | 2018-05-11 | 2018-10-19 | 上海电力学院 | 一种基于状态参数的凝结水泵故障预警方法 |
-
2019
- 2019-01-11 CN CN201910027185.8A patent/CN109737045A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6980910B1 (en) * | 2001-03-20 | 2005-12-27 | Johnson Controls Technology Company | Extensions to dynamically configurable process for diagnosing faults in rotating machines |
US7403850B1 (en) * | 2005-09-29 | 2008-07-22 | Dynalco Controls Corporation | Automated fault diagnosis method and system for engine-compressor sets |
CN104712542A (zh) * | 2015-01-12 | 2015-06-17 | 北京博华信智科技股份有限公司 | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 |
CN108304941A (zh) * | 2017-12-18 | 2018-07-20 | 中国软件与技术服务股份有限公司 | 一种基于机器学习的故障预测方法 |
CN108108852A (zh) * | 2018-01-05 | 2018-06-01 | 广东电网有限责任公司电力科学研究院 | 基于故障预警技术的火电机组短期可靠性评估方法及装置 |
CN108681633A (zh) * | 2018-05-11 | 2018-10-19 | 上海电力学院 | 一种基于状态参数的凝结水泵故障预警方法 |
Non-Patent Citations (3)
Title |
---|
刘涛: ""基于多元状态估计的电站风机故障预警研究及系统开发"", 《中国优秀硕士学位论文全文数据库,工程科技Ⅱ辑》 * |
刘涛等: ""基于多元状态估计和偏离度的电厂风机故障预警"", 《动力工程学报》 * |
李涛等: "《数据挖掘的应用与实践—大数据时代的案例分析》", 31 October 2013 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112067335A (zh) * | 2020-09-03 | 2020-12-11 | 华能国际电力股份有限公司玉环电厂 | 一种基于多元状态估计的电厂送风机故障预警方法 |
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 |
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 |
CN113611096A (zh) * | 2021-08-04 | 2021-11-05 | 广东鑫钻节能科技股份有限公司 | 一种空压站电能消耗监测预警系统 |
CN115499289A (zh) * | 2022-08-17 | 2022-12-20 | 华电电力科学研究院有限公司 | 一种设备状态评估预警方法和系统 |
CN115499289B (zh) * | 2022-08-17 | 2023-08-25 | 华电电力科学研究院有限公司 | 一种设备状态评估预警方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109737045A (zh) | 应用于芯片生产的空压机故障预警方法、系统及相关装置 | |
US11740619B2 (en) | Malfunction early-warning method for production logistics delivery equipment | |
CN105260279B (zh) | 基于smart数据动态诊断硬盘故障的方法和装置 | |
WO2023197461A1 (zh) | 一种基于工况相似性评估的齿轮箱故障预警方法及系统 | |
WO2011145496A1 (ja) | 監視診断装置および監視診断方法 | |
CN105928710B (zh) | 一种柴油机故障监测方法 | |
CN115425764A (zh) | 一种电力系统智能网络风险实时监控方法、系统及存储介质 | |
CN105804981A (zh) | 动车组牵引变压器油泵远程故障监测和预警系统及其方法 | |
CN111648992B (zh) | 燃气轮机压气机故障识别预警方法 | |
CN112529320A (zh) | 空压机集群智能诊断系统 | |
CN105202836A (zh) | 热水机机组水流量检测方法、装置及系统 | |
CN115858303B (zh) | 一种基于Zabbix的服务器性能监控方法及系统 | |
GB2619825A (en) | A fault diagnosis method of blast blower and apparatus, electronic device thereof | |
CN116823233B (zh) | 一种基于全周期运维的用户数据处理方法及系统 | |
Li et al. | A novel fault early warning method for mechanical equipment based on improved MSET and CCPR | |
CN110837953A (zh) | 一种自动化异常实体定位分析方法 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN115795999A (zh) | 一种长期服役抽水蓄能机组性能异常预警方法 | |
CN115270911A (zh) | 油田离心泵注水站工作异常检测方法、系统、终端及介质 | |
CN117521084B (zh) | 一种复杂系统的主动安全预警方法 | |
CN116192612B (zh) | 一种基于日志分析的系统故障监测和预警系统及方法 | |
CN116778688B (zh) | 机房告警事件处理方法、装置、设备及存储介质 | |
CN109726502B (zh) | 用于芯片生产的动态记忆矩阵构建方法、系统及相关装置 | |
CN115750304B (zh) | 绿能抽油机智慧管控系统 | |
CN116797209B (zh) | 一种空压机组智能运维管理规划方法、系统及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190510 |