CN111176226A - 一种基于运行工况的设备特征参数报警阈值自动分析方法 - Google Patents
一种基于运行工况的设备特征参数报警阈值自动分析方法 Download PDFInfo
- Publication number
- CN111176226A CN111176226A CN201911106983.6A CN201911106983A CN111176226A CN 111176226 A CN111176226 A CN 111176226A CN 201911106983 A CN201911106983 A CN 201911106983A CN 111176226 A CN111176226 A CN 111176226A
- Authority
- CN
- China
- Prior art keywords
- working condition
- data
- equipment
- state
- xki
- 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.)
- Withdrawn
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 13
- 238000009826 distribution Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 abstract description 16
- 238000011156 evaluation Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及设备状态的预报警,具体说是一种基于运行工况的设备特征参数报警阈值自动分析方法,其包括从数据库中提取近期的设备状态历史数据,通过数据过滤规则对该基础数据进行数据清洗提取有效的状态数据;对上述有效的状态数据进行聚类划分,确定设备当前的工况数量,并对设备的每个工况,按照正态分布规则,分析该工况下各状态参数的数学期望值E(x)与标准差值σ(x);对每个工况下的每个状态参数,采用其对应的E+m*σ作为该工况下该参数的预警门限、E+n*σ作为该工况下该参数的报警门限。本方法按照设备不同的运行工况进行参数报警门限整定,能够提高设备状态与报警的准确性,降低误报率、漏报率。
Description
技术领域
本发明涉及设备状态的预报警分析,具体说是一种基于运行工况的设备特征参数报警阈值自动分析方法。
背景技术
机械装备尤其是变速变载荷多运行工况设备在实际生产运行过程中,通常配备有设备状态监测系统(CMS)对运行中设备的主要状态参数进行监测与报警。现有CMS系统对设备状态参数的报警门限多依赖于国际标准、国家标准或行业标准规定的报警阈值;而标准规定的报警阈值一般为强制值,基本上不考虑设备的具体运行工况和寿命情况。比如,机械装备多采用《ISO10816-振动监测评估标准》规定的门限作为设备的振动参数报警设定值,如图1所示;电机、泵类设备多采用《ISO2373-测量和振动严重程度的评价》规定的门限作为振动参数报警设定值对设备状况进行评估,如图2所示;其它相关的状态参数也均有相关的标准文件规定。
随着制造过程中的差异、特别是运行工况的差异及服役年限的差异,用于评价设备在每个服役阶段健康状况的参数指标数值及该参数指标报警门限等均会发生变化,设备从健康到故障历史,如图3所示;因此,传统的按标准规定的报警阈值定标方法过于死板、或是太宽、或是太严。
综上所述,CMS系统在实际应用中存在报警门限定标困难、容易产生误报或漏报而无法准确掌控设备的健康状况等难点问题。
发明内容
针对上述技术问题,本发明提供基于运行工况的设备特征参数报警阈值自动分析方法,该方法基于设备的历史运行数据,采用统计分析手段,结合设备运行工况、服役状态,自动分析并刷新设备各状态参数的报警门限。
本发明采用的技术方案是:一种基于运行工况的设备特征参数报警阈值自动分析方法,其包括以下步骤:
(1)从数据库中提取近期的设备状态历史数据作为下一个服役阶段报警门限分析用的基础数据,通过数据过滤规则对该基础数据进行数据清洗提取有效的状态数据;
(2)对上述有效的状态数据进行聚类划分,确定设备当前的工况数量,并对设备的每个工况,按照正态分布规则,分析该工况下各状态参数的数学期望值E(x)与标准差值σ(x);
(3)对每个工况下的每个状态参数,采用其对应的E+m*σ作为该工况下该参数的预警门限、E+n*σ作为该工况下该参数的报警门限;
(4)将E+m*σ、E+n*σ刷新到内存中用于实时预报警,同时存储到数据库中作为下一个时间段的预报警门限。
作为优选,从所述数据库中提取各状态变量最近一个月的时间序列数据,分别为C1(t),C2(t),C3(t),X1(t),X2(t),X3(t)..Xn(t);将Ci、Xi的有效数据范围[CiL,CiH]、[XiL,XiH]作为外部配置参数提前输入到系统中,将不在[CiL,CiH]、[XiL,XiH]范围中的数据从Ci(t)、Xi(t)中剔除,保留在有效范围里的序列数据;每个设备有M个工况,每个工况有不同的边界条件,对工况参数C1,C2,C3按照工况i的边界条件[C1iL,C1iH]、[C2iL,C2iH]、[C3iL,C3iH]将C1(t),C2(t),C3(t),X1(t),X2(t),X3(t)..Xn(t)划分为子序列Ci1(t),Ci2(t),Ci3(t),Xi1(t),Xi2(t),Xi3(t)..Xin(t);对工况i,将上述子序列按照正态分布公式依次计算各参数在该工况下的数学期望和标准差,分别为Ei(Ci)、σi(Ci)、Ei(Xi)、σi(Xi),其中下标i=1..M表示工况的编号,采用3*σ,6*σ规则分别作为参数的预警误差范围和报警误差范围,则各参数的预报警门限如下:
PAL_Cki=Ei(Cki)+3*σi(Cki);Ck状态变量在工况i下的预警门限;
AL_Cki=Ei(Cki)+6*σi(Cki);Ck状态变量在工况i下的报警门限;
PAL_Xki=Ei(Xki)+3*σi(Xki);Xk状态变量在工况i下的预警门限;
AL_Xki=Ei(Xki)+6*σi(Xki);Xk状态变量在工况i下的报警门限;
再将上述PAL_Cki,AL_Cki,PAL_Xki,AL_Xki刷新到内存中用于实时预报警,同时存储到数据库中作为下一个时间段的预报警门限。
本发明的有益效果是:
1)机械设备的实际运行健康状况可由多个状态参数指标表征,本方法基于设备的历史数据统计与挖掘分析,因此,本方法适用于各类机械设备。
2)本方法可部署于设备内部或数据平台自动运行,每次分析的参数报警门限值会有不同,因此,本方法分析的参数报警门限自适应于设备的各服役阶段。
3)本方法基于设备的历史运行数据,其在设备的每个服役阶段均以设备最近的历史状态数据作为门限评价基础数据,因此,本方法分析的参数报警门限能最真实、有效地应用于设备的当前状态评价。
4)本方法按照设备不同的运行工况进行参数报警门限整定,而不是采用某一固定值作为所有工况的报警值。因此,本方法能够提高设备状态与报警的准确性,降低误报率、漏报率。
附图说明
图1为国际标准ISO10816-振动监测评估标准。
图2为国际标准ISO2373-测量和振动严重程度的评价。
图3为机械设备的生命周期浴盆特性。
图4为本发明设备特征参数报警阈值自动分析方法流程图。
具体实施方式
下面结合图4详细介绍本发明,在此本发明的示意性实施例以及说明用来解释本发明,但并不作为对本发明的限定。
机械装备在实际的运行过程中,存在变速变载荷多种工况,而每种工况下反映设备状态的特征参数(如转速、电流、功率、温度及振动等参数)具有服从正态分布、方差小的特点。
基于此,本发明提供一种基于运行工况的设备特征参数报警阈值自动分析方法,其包括以下步骤:
首先,从数据库中提取近期的设备状态历史数据作为下一个服役阶段报警门限分析用的基础数据,通过数据过滤规则进行数据清洗以提取有效的状态数据(如滤去停机过程中的状态数据)。
其次,通过对有效数据的聚类划分从而确定设备当前的工况数量,并对设备的每个工况,按照正态分布规则,分析该工况下各状态参数的数学期望值E(x)与标准差值σ(x)。
然后,对每一个工况下的每一个状态参数,采用其对应的E+m*σ作为该工况下该参数的预警门限、E+n*σ作为该工况下该参数的报警门限。
具体方案如下:
任何一个机械设备,其状态表征参数可以由多个时间序列变量组成,为通用实例化,将符号C1,C2,C3,X1,X2,X3..Xn做为本方法中被分析设备的状态变量,其中,C1,C2,C3为工况状态变量,本方法实施方式由以下步骤组成。图4为本方法的分析流程图,该方法作为一个子任务部署并由系统或者平台调用。
步骤1:状态变量时间序列的提取
从历史数据库中(图4中2处),提取各状态变量最近一个月(该时间段长度可作为配置参数由外部输入)的时间序列数据,分别为C1(t),C2(t),C3(t),X1(t),X2(t),X3(t)..Xn(t),图4中3处。
步骤2:状态变量时间序列的有效数据过滤
Ci、Xi的有效数据范围[CiL,CiH]、[XiL,XiH]可作为外部配置参数提前输入到系统中,将不在[CiL,CiH]、[XiL,XiH]范围中的数据从Ci(t)、Xi(t)中剔除,保留在有效范围里的序列,图4中4处。
步骤3:按工况条件将序列划分为子序列
每个设备由M个工况(图4中5处),每个工况有不同的边界条件,对工况参数C1,C2,C3按照工况i的边界条件[C1iL,C1iH]、[C2iL,C2iH]、[C3iL,C3iH],将C1(t),C2(t),C3(t),X1(t),X2(t),X3(t)..Xn(t)划分为子序列Ci1(t),Ci2(t),Ci3(t),Xi1(t),Xi2(t),Xi3(t)..Xin(t)。
步骤4:遍历工况,分析该工况下状态参数相应子序列的正态分布期望值和标准差
对工况i(图4中6处),将数据子序列Ci1(t),Ci2(t),Ci3(t),Xi1(t),Xi2(t),Xi3(t)..Xin(t)按照正态分布公式依次计算各参数在该工况下的数学期望和标准差分别为Ei(Ci)、σi(Ci)、Ei(Xi)、σi(Xi)(图4中7处)。
其中下标i=1..M表示工况的编号。
采用3*σ,6*σ规则(图4中8处)分别作为参数的预警误差范围和报警误差范围,则各参数的预报警门限如下:
PAL_Cki=Ei(Cki)+3*σi(Cki;Ck状态变量在工况i下的预警门限;
AL_Cki=Ei(Cki)+6*σi(Cki);Ck状态变量在工况i下的报警门限;
PAL_Xki=Ei(Xki)+3*σi(Xki;Xk状态变量在工况i下的预警门限;
AL_Xki=Ei(Xki)+6*σi(Xki;Xk状态变量在工况i下的报警门限。
步骤5:应用和存储预报警门限值
将PAL_Cki,AL_Cki,PAL_Xki,AL_Xki刷新到内存中用于实时预报警(图4中9处),同时存储到数据库中作为下一个时间段的预报警门限。
Claims (2)
1.一种基于运行工况的设备特征参数报警阈值自动分析方法,其特征在于包括以下步骤:
(1)从数据库中提取近期的设备状态历史数据作为下一个服役阶段报警门限分析用的基础数据,通过数据过滤规则对该基础数据进行数据清洗提取有效的状态数据;
(2)对上述有效的状态数据进行聚类划分,确定设备当前的工况数量,并对设备的每个工况,按照正态分布规则,分析该工况下各状态参数的数学期望值E(x)与标准差值σ(x);
(3)对每个工况下的每个状态参数,采用其对应的E+m*σ作为该工况下该参数的预警门限、E+n*σ作为该工况下该参数的报警门限;
(4)将E+m*σ、E+n*σ刷新到内存中用于实时预报警,同时存储到数据库中作为下一个时间段的预报警门限。
2.根据权利要求1所述基于运行工况的设备特征参数报警阈值自动分析方法,其特征在于:从所述数据库中提取各状态变量最近一个月的时间序列数据,分别为C1(t),C2(t),C3(t),X1(t),X2(t),X3(t)..Xn(t);将Ci、Xi的有效数据范围[CiL,CiH]、[XiL,XiH]作为外部配置参数提前输入到系统中,将不在[CiL,CiH]、[XiL,XiH]范围中的数据从Ci(t)、Xi(t)中剔除,保留在有效范围里的序列数据;每个设备有M个工况,每个工况有不同的边界条件,对工况参数C1,C2,C3按照工况i的边界条件[C1iL,C1iH]、[C2iL,C2iH]、[C3iL,C3iH]将C1(t),C2(t),C3(t),X1(t),X2(t),X3(t)..Xn(t)划分为子序列Ci1(t),Ci2(t),Ci3(t),Xi1(t),Xi2(t),Xi3(t)..Xin(t);对工况i,将上述子序列按照正态分布公式依次计算各参数在该工况下的数学期望和标准差,分别为Ei(Ci)、σi(Ci)、Ei(Xi)、σi(Xi),其中下标i=1..M表示工况的编号,采用3*σ,6*σ规则分别作为参数的预警误差范围和报警误差范围,则各参数的预报警门限如下:
PAL_Cki=Ei(Cki)+3*σi(Cki);Ck状态变量在工况i下的预警门限;
AL_Cki=Ei(Cki)+6*σi(Cki);Ck状态变量在工况i下的报警门限;
PAL_Xki=Ei(Xki)+3*σi(Xki);Xk状态变量在工况i下的预警门限;
AL_Xki=Ei(Xki)+6*σi(Xki);Xk状态变量在工况i下的报警门限;
再将上述PAL_Cki,AL_Cki,PAL_Xki,AL_Xki刷新到内存中用于实时预报警,同时存储到数据库中作为下一个时间段的预报警门限。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911106983.6A CN111176226A (zh) | 2019-11-13 | 2019-11-13 | 一种基于运行工况的设备特征参数报警阈值自动分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911106983.6A CN111176226A (zh) | 2019-11-13 | 2019-11-13 | 一种基于运行工况的设备特征参数报警阈值自动分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111176226A true CN111176226A (zh) | 2020-05-19 |
Family
ID=70648804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911106983.6A Withdrawn CN111176226A (zh) | 2019-11-13 | 2019-11-13 | 一种基于运行工况的设备特征参数报警阈值自动分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111176226A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111980900A (zh) * | 2020-07-15 | 2020-11-24 | 湘潭中环水务有限公司 | 一种基于多源数据融合分析的水泵故障诊断方法 |
CN113587387A (zh) * | 2021-07-19 | 2021-11-02 | 上海佐竹冷热控制技术有限公司 | 空气调节设备预警方法和系统 |
CN114870684A (zh) * | 2022-05-16 | 2022-08-09 | 江苏汇杰智能搅拌科技有限公司 | 一种基于物联控制的智能搅拌设备 |
-
2019
- 2019-11-13 CN CN201911106983.6A patent/CN111176226A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111980900A (zh) * | 2020-07-15 | 2020-11-24 | 湘潭中环水务有限公司 | 一种基于多源数据融合分析的水泵故障诊断方法 |
CN111980900B (zh) * | 2020-07-15 | 2022-04-15 | 湘潭中环水务有限公司 | 一种基于多源数据融合分析的水泵故障诊断方法 |
CN113587387A (zh) * | 2021-07-19 | 2021-11-02 | 上海佐竹冷热控制技术有限公司 | 空气调节设备预警方法和系统 |
CN114870684A (zh) * | 2022-05-16 | 2022-08-09 | 江苏汇杰智能搅拌科技有限公司 | 一种基于物联控制的智能搅拌设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108731923B (zh) | 一种旋转机械设备的故障检测方法及装置 | |
CN111176226A (zh) | 一种基于运行工况的设备特征参数报警阈值自动分析方法 | |
CA2634328C (en) | Method and system for trend detection and analysis | |
US20110161030A1 (en) | Method And Device For Monitoring Measurement Data In Semiconductor Process | |
US8761909B2 (en) | Batch process monitoring using local multivariate trajectories | |
CN105593864B (zh) | 用于维护设备的分析设备退化 | |
CN112254972B (zh) | 挖掘机油温预警方法、装置、服务器及挖掘机 | |
CN112598172A (zh) | 一种风电机组轴承温度预警方法 | |
CN110469496B (zh) | 一种水泵智能预警方法及系统 | |
US20240185115A1 (en) | Method and apparatus for early warning of dry pump shutdown, electronic device, storage medium and program | |
CN115858303B (zh) | 一种基于Zabbix的服务器性能监控方法及系统 | |
US20190294987A1 (en) | Multilevel Pattern Monitoring Method for Industry Processes | |
CN115617606A (zh) | 设备监测方法和系统、电子设备、存储介质 | |
CN109829245B (zh) | 轴承故障预警方法和装置 | |
CN111145895A (zh) | 异常数据的检测方法及终端设备 | |
CN112446389A (zh) | 一种故障判别方法及装置 | |
CN111879522B (zh) | 基于时序概率的汽轮机运行监测和故障判别方法及系统 | |
CN116859838B (zh) | 一种设备运行情况监测的预警系统 | |
KR101982235B1 (ko) | 생존 함수 기반의 특질 추출 방법을 이용한 유사 설비 군집화 방법 및 장치 | |
CN113123955A (zh) | 柱塞泵异常检测方法、装置、存储介质及电子设备 | |
CN114112390B (zh) | 一种非线性复杂系统早期故障诊断方法 | |
CN115422177A (zh) | 煤电机组过程数据清洗方法、系统、介质、设备及终端 | |
CN110874601A (zh) | 识别设备运行状态的方法、状态识别模型训练方法及装置 | |
CN111028487B (zh) | 一种水处理监测方法及系统 | |
CN110516323B (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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200519 |