CN110415494A - 一种基于历史运行数据的设备报警阈值计算方法 - Google Patents

Abstract

一种基于历史运行数据的设备报警阈值计算方法，包括以下步骤：步骤1，采集设备历史运行数据；步骤2，对历史运行数据进行预处理；步骤3，经预处理后的历史数据统计指标计算，指标包括：数据平均值和数据标准差；步骤4，通过数据平均值和数据标准差计算报警阈值Alm；步骤5，设备实测状态参数S监测报警和报警阈值迭代更新。本发明基于设备历史运行数据的学习确定设备实际报警阈值，进而可以实现设备故障自动化预警。

Description

一种基于历史运行数据的设备报警阈值计算方法

技术领域

本发明属于机械设备预警领域，具体涉及一种基于历史运行数据的设备报警阈值计算方法。

背景技术

在机械设备状态监测领域，长久以来对设备运行状态评估一直是个技术难点。通过实时采集的设备状态特征参数是否报警是一种通用的设备运行状态评估方法。目前判定设备报警的方法主要是固定阈值报警方法，即设定设备不同特征参数对应的报警阈值，当实测结果超过报警阈值便触发报警，表示设备当前运行状态处于异常状态。现有的报警阈值设定多是来源于国内或国际上某些标准化组织所定的设备报警标准体系。这类标准体系范围广，多数是提供了可参考信息，并没有考虑到工业现场设备实际运行情况，以至于难以适应每一台设备的状态评估，即标准化报警阈值无法针对设备实际运行情况评估设备运行状态是否异常的问题。

发明内容

本发明的目的在于提供一种基于历史运行数据的设备报警阈值计算方法，以解决上述问题。

为实现上述目的，本发明采用以下技术方案：

一种基于历史运行数据的设备报警阈值计算方法，包括以下步骤：

步骤1，采集设备历史运行数据，作为初始报警阈值的学习数据集，历史运行数据包括振动数据和工况参数；

步骤2，对历史运行数据进行预处理：剔除历史运行数据中包含的停机数据，剔除历史运行数据中的“离群”数据点；

步骤3，经预处理后的历史数据统计指标计算，指标包括：数据平均值和数据标准差；

步骤4，通过数据平均值和数据标准差计算报警阈值Alm；

步骤5，设备实测状态参数S监测报警和报警阈值迭代更新。

进一步的，步骤1中，选取设备正常运行状态1至6个月的历史数据集作为初始报警阈值的学习数据集；振动数据包括设备各个测点位置采集的加速度峰值特征、速度有效值特征和位移峰值特征；工况参数包括电机电流和设备各部件采集温度。

进一步的，步骤2中，剔除历史运行数据中包含的停机数据的剔除方法为：根据设备启停机标志信号进行剔除；启停机标志来源包括：设备电机电流信号、设备转速及设备电机功率。

进一步的，步骤2中，剔除历史运行数据中的“离群”数据点的剔除方法为：

a、计算经剔除停机数据处理后的数据的第p分位数值pth，其中p取值范围定义为【95，99】，p取值越大，剔除的“离群点”越少；

b、剔除经剔除停机数据处理后数据中大于pth的值。

进一步的，步骤3中，

数据平均值μ_i计算，计算公式：

数据标准差σ_i计算，计算公式：

上式中下标i＝[1,2,…,m]，代表特征参数类型；

下标j＝[1,2,…,N],表示对应特征参数的样本时间序号。

进一步的，步骤4中，

计算公式：

Alm_i＝μ_i+k×σ_i

上式中下标i＝[1,2,…,m]，代表特征参数类型；

K表示方差倍数，这里K的取值可以是3，4，5，6，具体根据对设备异常状态的重视、关注程度决定；对设备异常非常关注，将K值取小，对设备异常较关注，可将K值取大。

进一步的，步骤5中，设备实测状态参数依次实时输入至报警阈值计算模块中，首先判断S是否小于阈值Alm，如果不满足条件则输出结论：设备报警；如果满足条件，则输出结论：设备正常，并继续下列步骤：

a、将当前的实测状态参数S保存进NewHis数组中，

b、判断NewHis数组元素是否超过最少数据量阈值A，若不超过最少数据量阈值A，则结束当前数据点的判断；若超过最少数据量阈值A，则将NewHis数组添加至设备历史运行数据中，并重新执行上述的步骤二、三、四，将报警阈值Alm更新；最少数据量阈值A根据数据采集的密度而定，设置为一周、一个月或者一个季度对应的数据采集点数，这个时长对应着报警阈值Alm更新的最小周期。

与现有技术相比，本发明有以下技术效果：

本发明基于设备历史运行数据的学习确定设备实际报警阈值，进而可以实现设备故障自动化预警。

相对于传统的依据标准设定固定的机械设备报警阈值的方式，本发明提出的报警阈值计算方法具有针对设备实际运行情况的特点，同时报警阈值可以自动化的不断更新迭代，因此计算的报警阈值适用性更强，可提升报警的准确性，有效的降低误报和漏报。本发明的设备报警阈值计算结果可以应用于检测设备异常信息。

通过本发明的应用，可实现机械设备异常问题的早期监测，为机械设备维修或者运行优化提供决策依据。

附图说明

图1基于历史运行数据学习的设备报警阈值计算流程图。

图2某泵驱动端标准化振动报警阈值与实际振动曲线。

图3某泵驱动端基于历史运行数据学习的报警阈值与实际振动曲线。

图4为某导热油泵振动速度利用基于历史运行数据学习的报警阈值进行报警的结果。

具体实施方式

以下结合附图对本发明进一步说明：

请参阅图1至图3，一种基于历史运行数据的设备报警阈值计算方法，包括以下步骤：

步骤1，采集设备历史运行数据，作为初始报警阈值的学习数据集，历史运行数据包括振动数据和工况参数；

步骤2，对历史运行数据进行预处理：剔除历史运行数据中包含的停机数据，剔除历史运行数据中的“离群”数据点；

步骤3，经预处理后的历史数据统计指标计算，指标包括：数据平均值和数据标准差；

步骤4，通过数据平均值和数据标准差计算报警阈值Alm；

步骤5，设备实测状态参数S监测报警和报警阈值迭代更新。

步骤1中，选取设备正常运行状态1至6个月的历史数据集作为初始报警阈值的学习数据集；振动数据包括设备各个测点位置采集的加速度峰值特征、速度有效值特征和位移峰值特征；工况参数包括电机电流和设备各部件采集温度。

步骤2中，剔除历史运行数据中包含的停机数据的剔除方法为：根据设备启停机标志信号进行剔除；启停机标志来源包括：设备电机电流信号、设备转速及设备电机功率。

步骤2中，剔除历史运行数据中的“离群”数据点的剔除方法为：

a、计算经剔除停机数据处理后的数据的第p分位数值pth，其中p取值范围定义为【95，99】，p取值越大，剔除的“离群点”越少；

b、剔除经剔除停机数据处理后数据中大于pth的值。

步骤3中，

数据平均值μ_i计算，计算公式：

数据标准差σ_i计算，计算公式：

上式中下标i＝[1,2,…,m]，代表特征参数类型；

下标j＝[1,2,…,N],表示对应特征参数的样本时间序号。

步骤4中，

计算公式：

Alm_i＝μ_i+k×σ_i

上式中下标i＝[1,2,…,m]，代表特征参数类型；

K表示方差倍数，这里K的取值可以是3，4，5，6，具体根据对设备异常状态的重视、关注程度决定；对设备异常非常关注，将K值取小，对设备异常较关注，可将K值取大。

步骤5中，设备实测状态参数依次实时输入至报警阈值计算模块中，首先判断S是否小于阈值Alm，如果不满足条件则输出结论：设备报警；如果满足条件，则输出结论：设备正常，并继续下列步骤：

a、将当前的实测状态参数S保存进NewHis数组中，

b、判断NewHis数组元素是否超过最少数据量阈值A，若不超过最少数据量阈值A，则结束当前数据点的判断；若超过最少数据量阈值A，则将NewHis数组添加至设备历史运行数据中，并重新执行上述的步骤二、三、四，将报警阈值Alm更新；最少数据量阈值A根据数据采集的密度而定，设置为一周、一个月或者一个季度对应的数据采集点数，这个时长对应着报警阈值Alm更新的最小周期。

参阅附图1。图1为基于历史运行数据学习的设备报警阈值计算方法流程图。选取设备正常运行状态1至6个月的历史数据集作为初始报警阈值的学习数据集。其中设备运行数据可以是设备不同状态类型数据，具体的包括设备振动监测中设备各个测点位置采集的加速度峰值特征、速度有效值特征、位移峰值特征，或者是设备的工况参数，如电机电流，各零部件采集温度等特征参数。接下来对历史运行数据进行预处理，包括停机数据清洗和“离群”数据清洗。在对预处理后数据计算统计均值和方差，并计算报警阈值。之后输入设备实测数据判断是否低于报警阈值，若不低于报警阈值，则输出设备报警；若低于报警阈值，则输出设备正常，并将数据保存，待保存数据量超过设定阈值则将保存数据添加进历史运行数据，并重新计算报警阈值。利用更新的报警阈值继续重复上述判断过程，不断迭代和更新报警阈值。

参阅附图2。图2为某泵电机驱动端标准化振动报警阈值与实际振动曲线。该泵标准化报警阈值与实际运行振动情况完全不匹配，按标准报警阈值，该泵振动一直超过报警线，触发报警，而该泵实际并无异常，正常运行。因此传统的基于标准化报警阈值监测设备状态将不具有针对性，导致误报警。

参阅附图3。图3为某泵电机驱动端基于历史运行数据学习的报警阈值与实际振动曲线(图中超过报警阈值的数据以实心点标记)。该泵的报警阈值基于历史运行数据的学习而生成并不断更新和迭代，新的报警阈值可准确的检测出该泵的异常运行状态。参阅附图4。图4为某导热油泵振动速度利用基于历史运行数据学习的报警阈值进行报警的结果。根据设备振动报警标准，该位置报警阈值为4.5mm/s，图中数据均未触发报警，导致设备异常问题未被检测和发现。而基于设备历史运行数据学习获取的报警阈值，可检测出设备前期的异常问题，包括a处的早期数据突变问题，b处的设备故障问题。由此可见，基于历史运行数据学习得到的报警阈值更加符合设备实际运行情况，更能准确检测和发现设备异常问题。

Claims (7)

1.一种基于历史运行数据的设备报警阈值计算方法，其特征在于，包括以下步骤：

步骤1，采集设备历史运行数据，作为初始报警阈值的学习数据集，历史运行数据包括振动数据和工况参数；

步骤2，对历史运行数据进行预处理：剔除历史运行数据中包含的停机数据，剔除历史运行数据中的“离群”数据点；

步骤3，经预处理后的历史数据统计指标计算，指标包括：数据平均值和数据标准差；

步骤4，通过数据平均值和数据标准差计算报警阈值Alm；

步骤5，设备实测状态参数S监测报警和报警阈值迭代更新。

2.根据权利要求1所述的一种基于历史运行数据的设备报警阈值计算方法，其特征在于，步骤1中，选取设备正常运行状态1至6个月的历史数据集作为初始报警阈值的学习数据集；振动数据包括设备各个测点位置采集的加速度峰值特征、速度有效值特征和位移峰值特征；工况参数包括电机电流和设备各部件采集温度。

3.根据权利要求1所述的一种基于历史运行数据的设备报警阈值计算方法，其特征在于，步骤2中，剔除历史运行数据中包含的停机数据的剔除方法为：根据设备启停机标志信号进行剔除；启停机标志来源包括：设备电机电流信号、设备转速及设备电机功率。

4.根据权利要求1所述的一种基于历史运行数据的设备报警阈值计算方法，其特征在于，步骤2中，剔除历史运行数据中的“离群”数据点的剔除方法为：

a、计算经剔除停机数据处理后的数据的第p分位数值pth，其中p取值范围定义为【95，99】，p取值越大，剔除的“离群点”越少；

b、剔除经剔除停机数据处理后数据中大于pth的值。

5.根据权利要求1所述的一种基于历史运行数据的设备报警阈值计算方法，其特征在于，步骤3中，

数据平均值μ_i计算，计算公式：

数据标准差σ_i计算，计算公式：

上式中下标i＝[1,2,…,m]，代表特征参数类型；

下标j＝[1,2,…,N],表示对应特征参数的样本时间序号。

6.根据权利要求1所述的一种基于历史运行数据的设备报警阈值计算方法，其特征在于，步骤4中，

计算公式：

Alm_i＝μ_i+k×σ_i

上式中下标i＝[1,2,…,m]，代表特征参数类型；

K表示方差倍数，这里K的取值可以是3，4，5，6，具体根据对设备异常状态的重视、关注程度决定；对设备异常非常关注，将K值取小，对设备异常较关注，可将K值取大。

7.根据权利要求1所述的一种基于历史运行数据的设备报警阈值计算方法，其特征在于，步骤5中，设备实测状态参数依次实时输入至报警阈值计算模块中，首先判断S是否小于阈值Alm，如果不满足条件则输出结论：设备报警；如果满足条件，则输出结论：设备正常，并继续下列步骤：

a、将当前的实测状态参数S保存进NewHis数组中，其中NEWHis表示的是最新无报警历史数据集合的数据存储位置；

b、判断NewHis数组元素是否超过最少数据量阈值A，若不超过最少数据量阈值A，则结束当前数据点的判断；若超过最少数据量阈值A，则将NewHis数组添加至设备历史运行数据中，并重新执行上述的步骤二、三、四，将报警阈值Alm更新；最少数据量阈值A根据数据采集的密度而定，设置为一周、一个月或者一个季度对应的数据采集点数，这个时长对应着报警阈值Alm更新的最小周期。