CN111123890A - 一种特种设备故障监测系统 - Google Patents

一种特种设备故障监测系统 Download PDF

Info

Publication number
CN111123890A
CN111123890A CN201911347699.8A CN201911347699A CN111123890A CN 111123890 A CN111123890 A CN 111123890A CN 201911347699 A CN201911347699 A CN 201911347699A CN 111123890 A CN111123890 A CN 111123890A
Authority
CN
China
Prior art keywords
monitoring
special equipment
calculating
local
monitoring system
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
Application number
CN201911347699.8A
Other languages
English (en)
Other versions
CN111123890B (zh
Inventor
陈豪
刘哲夫
陈松航
张丹
王耀宗
连明昌
王森林
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.)
Quanzhou Institute of Equipment Manufacturing
Original Assignee
Quanzhou Institute of Equipment Manufacturing
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 Quanzhou Institute of Equipment Manufacturing filed Critical Quanzhou Institute of Equipment Manufacturing
Priority to CN201911347699.8A priority Critical patent/CN111123890B/zh
Publication of CN111123890A publication Critical patent/CN111123890A/zh
Application granted granted Critical
Publication of CN111123890B publication Critical patent/CN111123890B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及一种对机电类特种设备进行故障监测的系统，该系统主要分为离线学习模块和在线监测模块。通过收集传感器测量数据，然后选择局部模型并预测相关的参数，然后再选择出最优的局部模型，通过计算离线全局监测统计量得到全局监测统计量的临界值，然后通过计算在线全局监测的统计量并与全局监测统计量的临界值进行比较，从而得到完整的设备故障监测信息。

Description

一种特种设备故障监测系统
技术领域
本发明属于工业数据分析领域，特别是设计到特种设备的故障监测方法。
背景技术
特种设备是指涉及生命安全、危险性较大的专用设备。传统基于专家知识的设备运维方案多属于亡羊补牢式的被动策略，存在较严重的滞后性，已不能满足实际需求。随着大数据和人工智能技术的发展，大数据驱动的故障预警技术为特种设备的运维提供了天然沃土。本专利基于概率主成分分析方法对特种设备进行故障监测。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种特种设备故障监测系统。
本发明通过以下技术方案来实现：
一种特种设备故障监测系统，该系统包括离线学习模块和在线监测模块；
其中所述离线学习模块工作过程包括如下步骤：
S1：从特种设备运行过程中收集N个正态传感测量数据；
S2：选择针对概率主成分分析的K个局部模型；
S3：预测局部模型参数；
S4：根据预测的模型参数，从这K个模型中选择最优模型KO；
S5：计算离线全局监测统计量；
S6：通过前面计算的全局监测统计量来计算监测统计量的临界值；
所述在线监测模块工作过程包括如下步骤：
S7：获取新样本数据并对其进行处理；
S8：计算每个局部监测模型的在线局部监测统计量；
S9：按照S5中的方法，计算在线的全局监测统计量；
S10：进行系统故障诊断。
优选地，所述正态传感测量数据，来自于特种设备的传感器，传感器的精度为±0.1％，传感器的数量为N，N的数值为300-500。
优选地，所述K个局部模型中K的取值为5＜K＜10。
优选地，所述预测局部模型参数的方法为通过传统的主成分分析方法初始化模型参数Wi和μi，其中i＝1:K，W为局部因子矩阵，μ为输出平均向量，然后通过CPV逼近去计算主成分的数量，然后通过两步EM算法得到最优的模型参数
Figure BDA0002333859050000021
σ2表示数据方差，π表示活动参数，然后计算H(K)并返回S2直到K＝Kmax。
优选地，所述离线学习模块的S4中选择最优模型的方法为：
K0＝arg minH(i)
其中，
Figure BDA0002333859050000022
其中tn为所采集的数据。
优选地，所述离线学习模块的S5中计算离线全局监测统计量的方法为：
Figure BDA0002333859050000023
Figure BDA0002333859050000024
Figure BDA0002333859050000025
其中T2为霍特林T平方，SPE为平方预测误差，
Figure BDA0002333859050000026
为T2和SPE的整合，Rni表示权重。
优选地，所述离线学习模块的S6中所述计算监测统计量的值的方法为：
Figure BDA0002333859050000027
其中J为T2，SPE或
Figure BDA0002333859050000028
α为置信水平。
优选地，所述在线监测模块的S7中所述获取新样本数据是实时的，时间延迟不能超过1s。
优选地，所述在线监测模块的S8中所述计算在线局部监测统计量的方法为：
Ti 2＝||MiWi T tn||2
Figure BDA0002333859050000032
Figure BDA0002333859050000031
其中M表示协方差。
本发明具有如下有益效果：本发明用于给不同的设备提供不同温度的冷却水，从而达到减少设备成本、提高冷却水的利用率以及释放其占地面积等。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例或现有技术描述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发明的一些实施例，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它附图。
图1是本发明的工作流程图。
具体实施方式
下面将结合本发明实施例中的附图，对发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
参考说明书附图1，一种特种设备故障监测系统，该系统包括离线学习模块和在线监测模块；
其中所述离线学习模块工作过程包括如下步骤：
S1：从特种设备运行过程中收集N个正态传感测量数据。
特种设备的正态传感测量数据，来自于特种设备常用的传感器，传感器的精度为±0.1％，传感器的数量为N，N的数值为300-500。
S2：选择针对概率主成分分析的K个局部模型。
K个局部模型中5＜K＜10。
S3：预测局部模型参数。
①通过传统的主成分分析方法初始化模型参数Wi和μi，其中i＝1:K，W为局部因子矩阵，μ为输出平均向量；
②然后通过CPV(累积方差贡献率，CumulativePercentVariance，CPV)逼近去计算主成分的数量，然后通过两步EM算法(最大期望算法，Expectation-maximization算法)得到最优的模型参数
Figure BDA0002333859050000041
σ2表示数据方差，π表示活动参数；
③计算H(K)并返回S2直到K＝Kmax。
S4：根据预测的模型参数，从这K个模型中选择最优模型KO。
选择最优模型的方法为：
K0＝arg minH(i)
其中，
Figure BDA0002333859050000042
其中tn为所采集的数据。
S5：计算离线全局监测统计量的方法为：
Figure BDA0002333859050000043
Figure BDA0002333859050000044
Figure BDA0002333859050000045
其中T2为霍特林T平方，SPE为平方预测误差，
Figure BDA0002333859050000046
为T2和SPE的整合，Rni表示权重。
S6：通过前面计算的全局监测统计量来计算监测统计量的临界值，
计算监测统计量的值的方法为：
Figure BDA0002333859050000047
其中J为T2，SPE或
Figure BDA0002333859050000051
α为置信水平。
在线监测模块为：
S7：获取新样本数据并对其进行处理，时间延迟不能超过1s
S8：计算每个局部监测模型的在线局部监测统计量，计算方式为：
Ti 2＝||MiWi Ttn||2
Figure BDA0002333859050000053
Figure BDA0002333859050000052
其中M表示协方差。
S9：按照S5中的方法，计算在线的全局监测统计量；
S10：进行系统故障诊断。
上述说明示出并描述了本发明的优选实施例，如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (9)

1.一种特种设备故障监测系统，其特征在于，该系统包括离线学习模块和在线监测模块；
其中所述离线学习模块工作过程包括如下步骤：
S1：从特种设备运行过程中收集N个正态传感测量数据；
S2：选择针对概率主成分分析的K个局部模型；
S3：预测局部模型参数；
S4：根据预测的模型参数，从这K个模型中选择最优模型KO；
S5：计算离线全局监测统计量；
S6：通过前面计算的全局监测统计量来计算监测统计量的临界值；
所述在线监测模块工作过程包括如下步骤：
S7：获取新样本数据并对其进行处理；
S8：计算每个局部监测模型的在线局部监测统计量；
S9：按照S5中的方法，计算在线的全局监测统计量；
S10：进行系统故障诊断。
2.根据权利要求1所述的一种特种设备故障监测系统，其特征在于，所述正态传感测量数据，来自于特种设备的传感器，传感器的精度为±0.1％，传感器的数量为N，N的数值为300-500。
3.根据权利要求1或2所述的一种特种设备故障监测系统，其特征在于，所述K个局部模型中K的取值为5＜K＜10。
4.根据权利要求1所述的一种特种设备故障监测系统，其特征在于，所述预测局部模型参数的方法为通过传统的主成分分析方法初始化模型参数Wi和μi，其中i＝1:K，W为局部因子矩阵，μ为输出平均向量，然后通过累积方差贡献率逼近去计算主成分的数量，然后通过两步最大期望算法得到最优的模型参数
Figure FDA0002333859040000011
σ2表示数据方差，π表示活动参数，然后计算H(K)并返回S2直到K＝Kmax。
5.根据权利要求1所述的一种特种设备故障监测系统，其特征在于，所述离线学习模块的S4中选择最优模型的方法为：
KO＝argminH(i)
其中，
Figure FDA0002333859040000021
其中tn为所采集的数据。
6.根据权利要求1所述的一种特种设备故障监测系统，其特征在于，所述离线学习模块的S5中计算离线全局监测统计量的方法为：
Figure FDA0002333859040000022
Figure FDA0002333859040000023
Figure FDA0002333859040000024
其中T2为霍特林T平方，SPE为平方预测误差，
Figure FDA0002333859040000025
为T2和SPE的整合，Rni表示权重。
7.根据权利要求1所述的一种特种设备故障监测系统，其特征在于，所述离线学习模块的S6中所述计算监测统计量的值的方法为：
Figure FDA0002333859040000026
其中J为T2，SPE或
Figure FDA0002333859040000027
α为置信水平。
8.根据权利要求1所述的一种特种设备故障监测系统，其特征在于，所述在线监测模块的S7中所述获取新样本数据是实时的，时间延迟不能超过1s。
9.根据权利要求1所述的一种特种设备故障监测系统，其特征在于，所述在线监测模块的S8中所述计算在线局部监测统计量的方法为：
Figure FDA0002333859040000028
Figure FDA0002333859040000029
Figure FDA00023338590400000210
其中M表示协方差。
CN201911347699.8A 2019-12-24 2019-12-24 一种特种设备故障监测系统 Active CN111123890B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911347699.8A CN111123890B (zh) 2019-12-24 2019-12-24 一种特种设备故障监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911347699.8A CN111123890B (zh) 2019-12-24 2019-12-24 一种特种设备故障监测系统

Publications (2)

Publication Number Publication Date
CN111123890A true CN111123890A (zh) 2020-05-08
CN111123890B CN111123890B (zh) 2022-07-12

Family

ID=70500330

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911347699.8A Active CN111123890B (zh) 2019-12-24 2019-12-24 一种特种设备故障监测系统

Country Status (1)

Country Link
CN (1) CN111123890B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103359572A (zh) * 2013-05-23 2013-10-23 中国矿业大学 一种提升机故障诊断方法及装置
CN105652845A (zh) * 2016-03-26 2016-06-08 北京工业大学 一种基于即时学习局部模型的发酵过程故障监测方法
CN106709214A (zh) * 2017-02-20 2017-05-24 北京工业大学 一种基于mlle‑ocsvm的青霉素发酵过程故障监测方法
CN109085816A (zh) * 2018-09-18 2018-12-25 兰州理工大学 一种基于动态正交的全局局部间歇过程故障检测方法
CN109459993A (zh) * 2018-12-06 2019-03-12 湖南师范大学 一种流程工业过程在线自适应故障监测与诊断方法
CN110245460A (zh) * 2019-06-28 2019-09-17 北京工业大学 一种基于多阶段oica的间歇过程故障监测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103359572A (zh) * 2013-05-23 2013-10-23 中国矿业大学 一种提升机故障诊断方法及装置
CN105652845A (zh) * 2016-03-26 2016-06-08 北京工业大学 一种基于即时学习局部模型的发酵过程故障监测方法
CN106709214A (zh) * 2017-02-20 2017-05-24 北京工业大学 一种基于mlle‑ocsvm的青霉素发酵过程故障监测方法
CN109085816A (zh) * 2018-09-18 2018-12-25 兰州理工大学 一种基于动态正交的全局局部间歇过程故障检测方法
CN109459993A (zh) * 2018-12-06 2019-03-12 湖南师范大学 一种流程工业过程在线自适应故障监测与诊断方法
CN110245460A (zh) * 2019-06-28 2019-09-17 北京工业大学 一种基于多阶段oica的间歇过程故障监测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
丛亚: "面向多采样率数据的工业过程故障检测", 《中国博士学位论文全文数据库信息科技辑》 *
刘天龙: "基于主成分分析的造纸污水处理过程故障诊断系统研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 *
张丹: "高线吐丝机在线监测与故障诊断技术的研究与应用", 《价值工程》 *
朱金林: "数据驱动的工业过程鲁棒监测", 《中国博士学位论文全文数据库基础科学辑》 *
韦洁: "基于主元分析的电机状态监测方法的研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Also Published As

Publication number Publication date
CN111123890B (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
CN107941537B (zh) 一种机械设备健康状态评估方法
CN111582392B (zh) 一种风电机组关键部件多工况健康状态在线监测方法
CN108446864B (zh) 基于大数据分析的轨道交通设备的故障预警系统及方法
CN109472110A (zh) 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法
CN111275288A (zh) 基于XGBoost的多维数据异常检测方法与装置
CN106529719B (zh) 基于粒子群优化算法风速融合的风电功率预测的方法
CN107480440A (zh) 一种基于两阶段随机退化建模的剩余寿命预测方法
CN110689075A (zh) 基于多算法融合的制冷设备的自适应阈值的故障预测方法
CN112413831A (zh) 一种中央空调节能控制系统及方法
CN112132394B (zh) 一种电厂循环水泵预测性状态评估方法及系统
CN110570013B (zh) 一种单站位在线波周期数据的预测诊断方法
CN112836941A (zh) 一种煤电机组汽轮机高加系统在线健康状况评估方法
CN111823273A (zh) 一种工业机器人在线轨迹预测的运行监测系统及其监测方法
CN114519923A (zh) 一种电厂智能诊断预警方法和系统
CN114925718A (zh) 一种变压器铁芯接地电流在线预测方法、装置、存储介质及故障诊断方法
CN117290800A (zh) 一种基于超图注意力网络的时序异常检测方法及系统
CN114326486B (zh) 一种基于概率慢特征分析和弹性权重巩固的过程监控方法
CN111123890B (zh) 一种特种设备故障监测系统
CN114320773B (zh) 一种基于功率曲线分析与神经网络的风电机组故障预警方法
CN113221248B (zh) 一种基于pf-garch模型的船舶系统设备状态参数预测方法
CN114358415A (zh) 基于交互式隐马尔可夫的台风季节架空线路跳闸预测方法
CN108921340B (zh) 一种基于误差转移密度函数的洪水概率预报方法
CN113390641A (zh) 风烟系统设备故障的智能预警与在线诊断方法及系统
CN117034157B (zh) 一种结合多模态运行数据的水电设备故障识别方法与系统
CN110516323A (zh) 一种基于时序分析的压力管道损伤预测方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Lian Mingchang

Inventor after: Chen Hao

Inventor after: Chen Songhang

Inventor after: Wang Yaozong

Inventor after: Wang Senlin

Inventor after: Liu Zhefu

Inventor after: Zhang Dan

Inventor before: Chen Hao

Inventor before: Liu Zhefu

Inventor before: Chen Songhang

Inventor before: Zhang Dan

Inventor before: Wang Yaozong

Inventor before: Lian Mingchang

Inventor before: Wang Senlin

GR01 Patent grant
GR01 Patent grant