CN111333131A - 用于地下式再生水厂的设备预测性维护系统和方法 - Google Patents

Abstract

本发明提供一种用于地下式再生水厂的设备预测性维护系统和方法，通过数据采集、标准化处理、数据驱动、生成方案进行设备预测性维护，采集监测数据、纸质数据、经验数据后进行数据整理，生成标准化数据；对标准化数据进行处理，建立设备运行故障数据库；基于设备运行故障数据库，通过数据驱动的递归神经网络机器学习，对设备运行故障数据库中的数据进行持续训练，形成设备预测性维护模型；将标准化数据作为设备预测性维护模型的输入参数，输出预测性维护方案。本发明规范再生水厂设备运行数据，降低专业人员依赖，提高设备安全运行时长，减少因设备故障引起的停机维修成本，提升全厂设备的运行效率，对再生水厂安全稳定运行具有重要意义。

Description

用于地下式再生水厂的设备预测性维护系统和方法

技术领域

本发明涉及再生水处理设备管理技术领域，具体地，涉及一种用于地下式再生水厂的设备预测性维护系统和方法。

背景技术

地下式再生水厂处于相对密闭的空间，空间中湿度较大，水厂中的气体成分较多，同时再生水厂的进水水源中泥沙等物质相对较多，对再生水厂生产运营设备的侵蚀更为严重，更容易造成设备的损耗甚至故障。目前地下式再生水厂的设备维保，依靠的是专业人员的生产运营经验，在巡检过程中肉眼观察到设备的振动等异常后，判断出设备故障。由于此时设备已发生故障，往往需要进行停机检修，影响再生水厂的正常生产运营。

地下式再生水厂，一般基础网络的覆盖程度不高，主要的水处理设备，通常没有安装监测设备运行状态数据的传感器，很难对设备的实时运行状态数据进行采集和传输，更加难对这些运行数据进行收集和分析。同时缺少对影响设备运行的环境数据的监测、收集和分析。缺少这些数据的监测与分析，无法对设备的实时运行状态进行准确掌握，更加无法对设备的预测性维护进行决策。由于设备运行状态不可知，一旦设备发生故障，后知后觉，停机检修时间较长，对再生水厂的正常生产运营产生不利影响。

传统的设备维护系统，比较依赖概率统计工具，关注的是设备的历史数据，对设备的预测维护考虑较少。同时对设备备品备件的安全库存量化程度不高，很难提升对水厂整体运营成本的控制效果。

专利文献CN 106529764A公开了一种三维可视化智慧水务运营系统，包括通过中心调度模块分别与中心数据库连接的污水厂自控模块、污水厂优化模块、泵站自控模块、水质监测模块、厂区展示模块、视频监控模块、设备管理模块、能耗管理模块、智能巡检模块、管网管理模块、数据分析模块和移动端模块，视频监控模块连接数据分析模块，数据分析模块分别连接中心数据库和中心调度模块。用三维虚拟现实技术，通过建立完备的远程监测、预警、调度与处置和控制体系，集成建设智能综合指挥平台及移动巡检设备，提高应对变化的能力，可以促进运营管理向数字化、信息化、现代化、自动化和智能化，位进行远程数据监测和控制，大大提高管理的效率和精度。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种用于地下式再生水厂的设备预测性维护系统和方法。

根据本发明提供的一种用于地下式再生水厂的设备预测性维护系统，包括：

数据采集模块：采集监测数据、纸质数据、经验数据后进行数据整理，生成标准化数据；

标准化处理模块：对标准化数据进行处理，建立设备运行故障数据库；

数据驱动模块：基于设备运行故障数据库，通过数据驱动的递归神经网络机器学习，对设备运行故障数据库中的数据进行持续训练，形成设备预测性维护模型；

生成方案模块：将标准化数据作为设备预测性维护模型的输入参数，输出预测性维护方案。

优选地，所述监测数据包括环境温度、环境湿度、降雨量、设备温度、电流、转速、震动频率、运行时间中的任一种或任多种，分别由温度计、湿度计、翻斗式雨量计及设备PLC进行采集，采集后通过网络传输协议上传至中转站平台，再统一写入设备运行故障数据库。

优选地，所述对标准化数据进行处理是按照z-score标准化进行处理。

优选地，所述持续训练是通过递归神经网络的长短期记忆对设备运行故障数据库中的数据进行持续训练，将设备运行故障数据库中存储的设备运行环境数据与设备运行状态的进行关联，并根据设备运行状态进行设备运行趋势预测，形成环境因素-设备运行状态-故障耦合的设备预测性维护模型。

优选地，所述设备预测性维护模型包括设备单元、方案单元、人员单元和移动应用单元；

设备单元是预测性维护方案处理设备，包括设备基础信息、设备运行环境数据、设备运行记录、设备检修记录；

方案单元是预测性维护方案的实际预测性维护方案，是对设备进行预测性维护的具体实施方法；

人员单元是预测性维护方案的执行人、责任人的基础信息，保证决策方案的有效执行与责任追踪；

移动应用单元是预测性维护方案的移动端显示，保证相关人员按决策方案执行和实时查询设备运维的动态。

根据本发明提供的一种用于地下式再生水厂的设备预测性维护方法，包括：

数据采集步骤：采集监测数据、纸质数据、经验数据后进行数据整理，生成标准化数据；

标准化处理步骤：对标准化数据进行处理，建立设备运行故障数据库；

数据驱动步骤：基于设备运行故障数据库，通过数据驱动的递归神经网络机器学习，对设备运行故障数据库中的数据进行持续训练，形成设备预测性维护模型；

生成方案步骤：将标准化数据作为设备预测性维护模型的输入参数，输出预测性维护方案。

与现有技术相比，本发明具有如下的有益效果：

本发明规范再生水厂设备运行数据，降低专业人员依赖，提高设备安全运行时长，减少因设备故障引起的停机维修成本，提升全厂设备的运行效率，降低设备能耗，保留合理库存，降低运营成本，对再生水厂安全稳定运行具有重要的技术管理意义。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本申请的系统框架示意图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

地下式再生水厂的基础网络设施建设，保证厂区全范围的网络覆盖，为环境、设备监测数据的采集、传输提供保障。主要水处理设备的运行状态数据传感器和厂区内外环境数据监测设备的安装，监控中心的建设，数据采集、传输的调试。将环境监测数据、设备运行数据、设备维保数据、纸质数据、人员经验等数据进行标准化处理，建立再生水厂设备运行故障数据库。通过数据驱动的递归神经网络机器学习技术，对数据库中的数据进行持续训练，形成环境因素-设备运行状态-故障耦合的设备预测性维护决策模型，实现设备运行状态在线诊断与故障预判。解决再生水厂主要设备健康状况不可知，依赖人员经验，故障发生后才知晓，停机维修时间长的问题。同时量化安全库存，控制运营成本，提升再生水厂的运营效果。

为保证地下式再生水厂厂区全范围的网络覆盖，采用有线加无线两种方式结合的网络覆盖方法。对需要稳定网络环境的设备使用有线方式，对不方便布线的设备使用无线方式，保障厂区内所有需要监测的设备数据能够采集并传输到监控中心，并作为设备预测性维护模型的输入。

如图1所示，首先进行监测数据、纸质数据、人员经验数据的收集，需要采集、传输、分析的数据包括但不限于：环境温度、湿度、降雨量、设备温度、电流、转速、振动频率、运行时间等。收集的数据经过系统的标准化处理，建立再生水厂设备运行故障数据库。

设备运行故障数据库的设计，包括数据库名称，表名称，字段名称，字段数据类型，以及多个表之间的关联关系等。收集的数据包括设备监测数据、纸质数据、人员经验数据。其中，设备监测数据包括：环境温度、湿度、降雨量、设备温度、电流、转速、振动频率、运行时间等，分别由温度计、湿度计、翻斗式雨量计及设备的PLC(可编程逻辑控制器)进行采集，单个设备的数据单独采集，通过TCP(传输控制协议)、UDP(用户数据报协议)或其他传输协议上传至SCADA(数据采集与监视控制系统)中，由SCADA作为中转站统一写入设备运行故障数据库。

纸质数据包括：设备运行记录、设备故障记录、设备维修记录等。纸质记录按数据库表的字段格式进行填写，整理。

人员经验数据包括：设备运行状态判断、设备故障检修步骤方法等。人员经验数据按数据库表的字段格式进行填写，整理。

数据的标准化处理是按z-score标准化方法进行数据标准化。公式：z-score的新数据＝(原数据-均值)/标准差。

通过数据驱动的递归神经网络机器学习技术，对数据库中的数据进行持续训练，形成环境因素-设备运行状态-故障耦合的设备预测性维护决策模型。通过递归神经网络的长短期记忆(Long Short-Term Memory，LSTM)算法，对数据库中的数据进行持续训练。数据库中存储的设备运行环境数据与设备运行状态的进行关联，并根据设备的运行状态数据进行设备运行趋势的预测，形成环境因素-设备运行状态-故障耦合的设备预测性维护决策模型。

模型形成之后，将采集的数据作为参数输入模型，输出再生水厂主要水处理设备的预测性维护决策方案，解决再生水厂主要设备健康状况不可知，依赖人员经验，故障发生后才知晓，停机维修时间长的问题。预测性维护决策方案包括设备模块、方案模块、人员模块和移动应用模块。其中设备模块是该决策方案处理设备，包括设备基础信息、设备运行环境数据、设备运行记录、设备检修记录等；方案模块是该决策方案的实际预测性维护方案，是对设备进行预测性维护的具体实施方法；人员模块是该决策方案的执行人、责任人的基础信息，保证决策方案的有效执行与责任追踪；移动应用模块是决策方案的移动端显示，保证相关人员按决策方案执行和实时查询设备运维的动态。预测性维护决策方案也包括了设备的备品备件的安全库存量化，在保证再生水厂正常生产运营的基础上，控制库存，降低运营成本,提高生产运营效果。

具体实施中，地下式再生水厂的基础网络设施建设，保证厂区全范围的网络覆盖，为环境、设备监测数据的采集、传输提供保障。主要水处理设备的运行状态数据传感器和厂区内外环境数据监测设备的安装，监控中心的建设，数据采集、传输的调试。收集传输过来的数据，进行标准化处理，建立再生水厂设备运行故障数据库。通过数据驱动的递归神经网络机器学习技术，对数据库中的数据进行持续训练，形成环境因素-设备运行状态-故障耦合的设备预测性维护决策模型。将传输的设备运行数据、环境数据作为输入参数，输入到模型中，输出设备预测性维护决策方案。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种用于地下式再生水厂的设备预测性维护系统，其特征在于，包括：

数据采集模块：采集监测数据、纸质数据、经验数据后进行数据整理，生成标准化数据；

标准化处理模块：对标准化数据进行处理，建立设备运行故障数据库；

数据驱动模块：基于设备运行故障数据库，通过数据驱动的递归神经网络机器学习，对设备运行故障数据库中的数据进行持续训练，形成设备预测性维护模型；

生成方案模块：将标准化数据作为设备预测性维护模型的输入参数，输出预测性维护方案。

2.根据权利要求1所述的用于地下式再生水厂的设备预测性维护系统，其特征在于，所述监测数据包括环境温度、环境湿度、降雨量、设备温度、电流、转速、震动频率、运行时间中的任一种或任多种，分别由温度计、湿度计、翻斗式雨量计及设备PLC进行采集，采集后通过网络传输协议上传至中转站平台，再统一写入设备运行故障数据库。

3.根据权利要求1所述的用于地下式再生水厂的设备预测性维护系统，其特征在于，所述对标准化数据进行处理是按照z-score标准化进行处理。

4.根据权利要求1所述的用于地下式再生水厂的设备预测性维护系统，其特征在于，所述持续训练是通过递归神经网络的长短期记忆对设备运行故障数据库中的数据进行持续训练，将设备运行故障数据库中存储的设备运行环境数据与设备运行状态的进行关联，并根据设备运行状态进行设备运行趋势预测，形成环境因素-设备运行状态-故障耦合的设备预测性维护模型。

5.根据权利要求1所述的用于地下式再生水厂的设备预测性维护系统，其特征在于，所述设备预测性维护模型包括设备单元、方案单元、人员单元和移动应用单元；

设备单元是预测性维护方案处理设备，包括设备基础信息、设备运行环境数据、设备运行记录、设备检修记录；

方案单元是预测性维护方案的实际预测性维护方案，是对设备进行预测性维护的具体实施方法；

人员单元是预测性维护方案的执行人、责任人的基础信息，保证决策方案的有效执行与责任追踪；

移动应用单元是预测性维护方案的移动端显示，保证相关人员按决策方案执行和实时查询设备运维的动态。

6.一种用于地下式再生水厂的设备预测性维护方法，其特征在于，包括：

数据采集步骤：采集监测数据、纸质数据、经验数据后进行数据整理，生成标准化数据；

标准化处理步骤：对标准化数据进行处理，建立设备运行故障数据库；

数据驱动步骤：基于设备运行故障数据库，通过数据驱动的递归神经网络机器学习，对设备运行故障数据库中的数据进行持续训练，形成设备预测性维护模型；

生成方案步骤：将标准化数据作为设备预测性维护模型的输入参数，输出预测性维护方案。

7.根据权利要求6所述的用于地下式再生水厂的设备预测性维护方法，其特征在于，所述监测数据包括环境温度、环境湿度、降雨量、设备温度、电流、转速、震动频率、运行时间中的任一种或任多种，分别由温度计、湿度计、翻斗式雨量计及设备PLC进行采集，采集后通过网络传输协议上传至中转站平台，再统一写入设备运行故障数据库。

8.根据权利要求6所述的用于地下式再生水厂的设备预测性维护方法，其特征在于，所述对标准化数据进行处理是按照z-score标准化进行处理。

9.根据权利要求6所述的用于地下式再生水厂的设备预测性维护方法，其特征在于，所述持续训练是通过递归神经网络的长短期记忆对设备运行故障数据库中的数据进行持续训练，将设备运行故障数据库中存储的设备运行环境数据与设备运行状态的进行关联，并根据设备运行状态进行设备运行趋势预测，形成环境因素-设备运行状态-故障耦合的设备预测性维护模型。

10.根据权利要求6所述的用于地下式再生水厂的设备预测性维护方法，其特征在于，所述设备预测性维护模型包括设备单元、方案单元、人员单元和移动应用单元；

设备单元是预测性维护方案处理设备，包括设备基础信息、设备运行环境数据、设备运行记录、设备检修记录；

方案单元是预测性维护方案的实际预测性维护方案，是对设备进行预测性维护的具体实施方法；

人员单元是预测性维护方案的执行人、责任人的基础信息，保证决策方案的有效执行与责任追踪；

移动应用单元是预测性维护方案的移动端显示，保证相关人员按决策方案执行和实时查询设备运维的动态。

Images