CN111401661A - 一种机械设备的预测性维护方法和维护系统 - Google Patents

Abstract

本发明公开了一种机械设备的预测性维护方法和维护系统，属于工业信息的采集与分析技术领域。本发明的机械设备的预测性维护方法包括：采集器获取待测设备的原始振动加速度数据和原始温度数据；智能网关将原始振动加速度数据进行预处理得到带有时间戳的振动加速度振幅数据；云平台处理振动加速度振幅数据和原始温度数据与待测设备的对应关系并存储；人工智能引擎对振动加速度振幅数据进行分析处理得到有标签的故障特征；云平台将有标签的故障特征和原始温度数据发送；APP或Web显示；根据有标签的故障特征或原始温度数据对待测设备进行维护。在本发明中实现机械设备的预测性维护，避免无效人工作业，利于自动化操作。

Description

一种机械设备的预测性维护方法和维护系统

技术领域

本发明涉及工业信息的采集与分析技术领域，特别涉及一种机械设备的预测性维护方法和维护系统。

背景技术

设备维修是企业的一项重要工作，其中设备维护方式经历了事后维修、预防式维护和预测性维护的变革，状态监测与故障诊断技术的应用推动了维修方式的革新。预测性维护（PredictiveMaintenance,PdM），又称预知维修或视情维修，是指设备依据监测诊断需要维修时才进行的维修。预测性维护是以状态监测与故障诊断为基础，以设备的实际运行状态为依据，综合生产需要来制定维修计划，按预定计划进行维修。优点有：维修成本相对最低；减少、乃至避免灾难性事故；减少停机次数及时间，降低停产损失；延长检修周期，增加产品产量；免除过剩维修，延长设备及配件寿命；保证设备安全及性能，确保产品质量；合理配置和使用维修人员；降低备件库存及消耗；提高工厂安全，改善环境影响；确保生产计划，维护市场形象。

传统的预测性维护技术依赖于观察许多关键的测量值随时间的变化趋势，通过仔细分析监测结果，熟练的分析人员可以找到对分析有意义的波动而且能够知道导致这些波动出现的设备上故障。分析人员经常困惑于因更改操作而不是故障导致的测量结果上的变化，比如转速或者负载的变化。建立系统和分析监测结果的花费让很多潜在的用户望而却步。

状态监测与故障诊断技术的应用和发展，与十分可观的故障损失和设备维修费密切相关。多年来，企业追求未来更大的经济效益，生产规模不断扩大，生产装置向着大型化、自动化、连续化、单系列化方向发展。装置中的关键设备由于价格昂贵均无备机，一旦发生故障停机，将导致整个装置停产，经济损失十分巨大。设备维修费在成本的比重很大，是一个相当可观的数字。

发明内容

本发明所要解决的技术问题是：提供一种机械设备的预测性维护方法和维护系统，以通过机械设备运转时的振动加速度，振动速度或振动位移，来检测机械设备的健康状况，实现对机械设备进行预测性维护，避免重大财产损失。

为了实现上述目的，本发明采用的第一个技术方案是：提供一种机械设备的预测性维护方法，包括：采集数据步骤，其通过采集器获取待测设备的原始振动加速度数据和待测设备的原始温度数据，并将原始振动加速度数据和原始温度数据进行传输；数据预处理步骤，其通过智能网关将原始振动加速度数据进行预处理，得到带有时间戳的振动加速度振幅数据，然后将振动加速度振幅数据和原始温度数据进行传输；数据对应并储存步骤，其利用云平台处理振动加速度振幅数据和原始温度数据与待测设备的对应关系，并将振动加速度振幅数据、原始温度数据和对应关系存储在数据库中，然后将振动加速度振幅数据进行传输；故障特征提取步骤，其通过人工智能引擎对振动加速度振幅数据进行分析处理得到有标签的故障特征，并将有标签的故障特征反馈给云平台，其中标签包括待测设备的运行情况，故障发生的时间和相应的故障类型；APP或Web显示步骤，其利用云平台将有标签的故障特征和原始温度数据进行传输给APP或Web，APP或Web显示有标签的故障特征和原始温度数据；以及设备维护步骤，其根据有标签的故障特征或原始温度数据对待测设备进行维护，记录操作日志，并将有标签的故障特征或原始温度数据和操作日志存储在云平台中。

本发明采用的第二个技术方案是：提供一种机械设备的预测性维护系统，包括：采集器，其获取待测设备的原始振动加速度数据和原始温度数据，并将原始振动加速度数据和原始温度数据进行传输；智能网关，其将原始振动加速度数据进行预处理得到带有时间戳的振动加速度振幅数据，然后将振动加速度振幅数据和原始温度数据进行传输；云平台，其处理振动加速度振幅数据和原始温度数据与待测设备的对应关系，并将振动加速度振幅数据、原始温度数据和对应关系存储在数据库中，然后将振动加速度振幅数据进行传输；人工智能引擎，其对振动加速度振幅数据进行分析处理得到有标签的故障特征，其中标签包括待测设备的运行情况，故障发生的时间和相应的故障类型；云平台，其接收有标签的故障特征，并将有标签的故障特征和原始温度数据进行传输；APP或Web，其将有标签的故障特征和原始温度数据显示在界面上，以及用户，其根据有标签的故障特征或原始温度数据对待测设备进行维护，记录操作日志，并将有标签的故障特征或原始温度数据和操作日志存储在云平台中。

本发明的有益效果在于：本发明对机械设备的运行状态进行实时监测，通过人工智能引擎对运行状态信息进行分析处理实现机械设备的故障检测，当机械设备发生故障时及时发送预警信息，可实现机械设备的预测性维护，避免无效人工作业，利于自动化操作。

附图说明

图1为本发明机械设备的预测性维护方法的过程示意图；

图2为本发明机械设备的预测性维护系统的示意图。

具体实施方式

为了使本发明的上述特征和优点更加易懂，下面结合附图和具体实施方式对本发明做进一步详细说明。该详细说明仅仅是为了帮助理解本发明，本发明的保护范围不仅仅限于具体实施方式中的具体说明。

图1示出了本发明一种机械设备的预测性维护方法的具体实施方式，在该具体实施方式中，主要包括以下步骤：

步骤S101：采集数据步骤

在本发明的一个具体实施方式中，将传感器通过强磁吸附的方式，紧密吸附在待测设备上，采集器实时、自动获取待测设备的运行状态信息，运行状态信息通过Zigbee技术进行传输。

采集器可以包含一个或多个传感器，例如振动传感器、温度传感器和提供其他运行信息的传感器，这里运行状态信息包括但不仅限于电压、电流、振动、温度等数据。这些传感器实时监测待测设备的信息。当采集器为多个时，智能网关可以与多个采集器通过Zigbee技术实现一对多连接。振动传感器实时采集待测设备的振动情况，包括待测设备原始的振动加速度。

传感器的采样数据速率可以在1Hz到100kHz之间进行调整，低速率有助于初步避免噪声，而对某些类型的机器、机械部件或故障特征的分析不需要更高的频率。样本长度也可以根据点数进行调整。采样周期也可以在传感器上调整，例如采样周期为5s或15s，这能够及时并有效的收集设备的数据、运行设备测试和一些设备学习训练集。在实际应用中，为了节省无线传感器电池的使用寿命，可以将采样周期推到10分钟。

温度传感器检测范围-55~125℃，温度可以作为一个辅助维护条件。对于一个特定的故障类型或故障的下一个阶段，温度会有一个特定的变化，而且变化范围在不同情况下差别很大。

步骤S102：数据预处理步骤

在该具体实施方式中，智能网关最后的数据是以m/s²为国际单位的数字振动加速度振幅数据和原始温度数据。智能网关接收到原始的振动加速度振幅数据后，会将原始振动加速度数据进行数据规范化处理，改变振幅，获得正常的数字波形，然后对数据进行格式化，使数据在整个处理过程中格式统一，然后利用自动编码器进行去噪和增加智能网关接收时间戳，最后得到带有时间戳的振动加速度振幅数据，振动加速度振幅数据和原始温度数据通过消息队列遥测传输协议进行传输；

步骤S103：数据对应并储存步骤

在该具体实施方式中，云平台接收振动加速度振幅数据和原始温度数据后，处理振动加速度振幅数据和原始温度数据与待测设备的对应关系，并将振动加速度振幅数据和原始温度数据以及与设备的对应关系存储在数据库中，然后将振动加速度振幅数据进行传输；其中数据库包括关系型数据库RMDB数据库和时序数据库。

步骤S104：故障特征提取步骤

在该具体实施方式中，人工智能引擎首先对振动加速度振幅数据进行分析处理，分析处理过程首先是计算处理，计算处理过程包括：首先将振动加速度振幅数据经过快速傅里叶变换FFT得到加速度的频域波形Af，其次将加速度的频域波形Af进行数值积分得到振动速度的频域波形Vf，然后基于最主要的最低频率的频域波形Vf，得到平均振动速度数据，最后单位换算，转换成设备的转速Vr，或者将最主要的最低频率的频域波形Vf经过快速傅里叶逆变换IFFT，得到振动速度Vt。最后通过数值积分的方式，可以得到设备振动位移Dt。

在该具体实施方式中，分析处理过程其次进行聚类分析，该过程为将设备的转速Vr、振动速度Vt或者设备振动位移Dt的振幅数据进行无监督学习算法，实现对故障特征的聚类分析。

在该具体实施方式中，分析处理过程最后进行模式识别，该过程为将聚类分析得到故障特征与预设的故障类型进行模式识别，最终得到与故障类型相一致的带有标签的故障特征。

在本发明的一个具体实施例中，故障类型分为“轻微”，“警告”，“严重”，“损坏”四个级别，分别对应设备情况恶化的四个阶段第一阶段，第二阶段，第三阶段和第四阶段，设备正常状态定义为第0阶段，其中四个阶段分别对应有相应的阈值、游标值和触发值。其中阈值就是各种故障类型阶段的特征值。

在该具体实施例中，针对振动加速度，振动位移和振动速度对振幅的影响，分别设定了各阶段的阈值。将一个相应的振动加速度、振动位移或振动速度的振幅与阈值进行比较，以此判断设备的运行状态。轻微第一阶段的第一阈值说明设备处于磨损状态，警告第二阶段的第二阈值说明设备可以在没有任何约束的情况下继续使用，严重第三阶段的第三阈值表示设备状况已不适合再继续使用，它只能维持有限的一段使用时间，建议在下一次维护中进行检测维修。损坏第四阶段的第四阈值说明设备有可能随时随地损坏，设备需要及时更换。当设备的振动加速度或振动位移或振动速度的振幅大于或等于一个相对应的阈值时，则被认为该设备已经达到了相应的故障类型。

在该具体实施例中，还可以利用触发值来代替阈值的判断，当从一个阶段到下一个阶段（更糟的阶段）发生变化时，振幅将急剧变化。针对突然变化的幅度值，振动加速度，振动位移和振动速度的振幅相应地设置了各阶段的触发值。振幅的突然减小和突然增大一样原理。通过将振幅变化的绝对值与设定的触发值进行对比，来判断设备处于哪个阶段，是否发生故障。

在本发明的一个具体实施例中，针对设备的转速对振幅的影响，还可以分别将四个阶段中每个阶段的阈值都分为S_低，S_中，S_高三个值，当转速小于600rpm时，S_低值会随着转速的增大而增大，当转速在600rpm至8000rpm之间时，S_中值基本保持不变，当转速在8000rpm至100000rpm之间时，S_高值会随着转速的增大而减小。

在该具体实施例中，为了得到更高的准确率，还可以利用游标值来代替阈值的判断，频域是波形得到的一种谐波组合，每个谐波组合具有一系列可接受的值，这些值收集在每个特定的设备机械部件上，用于特定的应力和疲劳。每个阶段的故障都会产生一种独特的谐波组合。通过对四个阶段的振动速度频域做1次谐波，2次谐波和3次谐波3倍谐波等（对于特定的故障类型，会分析更多的谐波），分别得到对应的游标值。例如第一阶段故障引起谐波1x阶的小振幅范围振动，谐波2x阶的另一个可接受振幅范围振动也表示为第一阶段故障，其中每个阶段可接受的小范围就是每个阶段相对应的游标值，它都是在通过一个阶段收集所有振动数据并收集每个谐波阶数的振幅范围后完成的。

在该具体实施方式中，人工智能引擎然后将带有标签的故障特征反馈给云平台。其中标签包括待测设备的运行情况，故障发生的时间和相应的故障类型。

步骤S105：APP或Web显示步骤

在该具体实施方式中，云平台将有标签的故障特征和原始温度数据发送给APP或Web，APP或Web显示有标签的故障特征和原始温度数据。

在本发明的一个具体实施例中，云平台还可以将待测设备的维护警告信息推送给APP或Web，其中维护警告信息包括该设备现阶段需要维护的信息，该设备上一次维护情况和该设备维护计划、该设备相对应的故障类型等。

步骤S106：设备维护步骤

在该具体实施方式中，用户根据有标签的故障特征对待测设备或原始温度数据进行维护，记录操作日志，并将有标签的故障特征或原始温度数据和操作日志存储在云平台中。另外，用户还可以将维护警告信息存储在云平台中。

本发明对机械设备的运行状态进行实时监测，通过人工智能引擎对运行状态信息进行分析处理实现机械设备的故障检测，当机械设备发生故障时及时发送预警信息，可实现机械设备的预测性维护，避免无效人工作业，利于自动化操作。

当完成了一种类型的某台机械设备的分析后，对于同类型的其它设备，就可以通过迁移学习的方式进行快速的识别。

例如，将实验室机器中电机或轴承数据包含的故障特征，迁移到实际机器中，包括域划分，特征提取，域自适应和故障识别。通过人工或自动处理过的有标签的源数据与待测设备的目标域数据输入到卷积神经网络进行特征提取，经过多层域自适应和伪标记学习的正则化条件，对卷积神经网络的参数加以约束，减小可转移特征的分布差异和类间距离。通过最大平均差异方法度量可转移特征的分布差异，对非线性特征映射的参数进行训练，最大限度减小学习到的可转移特征的分布差异，从而获得具有较小跨域差异的特征。在故障识别时，利用领域共享分类器，实现对目标域未标记样本的正确分类。

图2示出了本发明一种机械设备的预测性维护系统的具体实施方式，在该具体实施方式中，主要包括：

采集器，其获取待测设备的运行状态信息，并通过Zigbee技术传输运行状态信息，其中运行状态信息包括待测设备的原始振动加速度数据和原始温度数据；其中采集器包括振动传感器和温度传感器，这些传感器实时监测待测设备。

智能网关，其将接收到的原始振动加速度数据进行预处理得到带有时间戳的振动加速度振幅数据，然后利用消息队列遥测传输协议传输振动加速度振幅数据和原始温度数据；其中预处理的过程包括，先将原始振动加速度数据进行规范化处理，改变振幅，从而得到正常数字波形，再进行格式化处理，使数据格式统一，然后利用编码器去除噪声数据和添加时间戳。

云平台，其接收振动加速度振幅数据和原始温度数据，并处理振动加速度振幅数据和原始温度数据与待测设备的对应关系，然后将振动加速度振幅数据、原始温度数据和对应关系存储在数据库中，并将振动加速度振幅数据进行传输。

人工智能引擎，其对振动加速度振幅数据进行分析处理得到待测设备的故障特征，然后将故障特征进行传输；其中分析处理的过程包括，将振动加速度振幅数据进行计算处理得到待测设备的转速或待测设备的振动位移，然后将转速或振动位移进行无监督学习算法实现对故障特征的聚类分析，最后经过模式识别的方式得到有标签的故障特征，其中标签包括待测设备的运行情况，故障发生的时间和相应的故障类型。故障类型包括“轻微”，“警告”，“严重”，“损坏”四个阶段，四个阶段分别对应有相应的阈值、游标值和触发值。

云平台，其接收有标签的故障特征，并将有标签的故障特征和原始温度数据进行传输。云平台还可以将维护警告信息进行发送，其中维护警告信息包括该设备现阶段需要维护的信息，该设备上一次维护情况和该设备维护计划、该设备相对应的故障类型等。

APP或Web，其接收有标签的故障特征和原始温度数据，并将有标签的故障特征和原始温度数据显示在界面上。APP或Web还可以显示云平台发送的维护警告信息。

用户，根据有标签的故障特征或原始温度数据对待测设备进行维护，记录操作日志，并将有标签的故障特征或原始温度数据和操作日志存储在云平台中。用户也可以将维护警告信息一并存储在云平台中。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种机械设备的预测性维护方法，其特征在于，包括：

采集数据步骤，其通过采集器获取待测设备的原始振动加速度数据和所述待测设备的原始温度数据，并将所述原始振动加速度数据和所述原始温度数据进行传输；

数据预处理步骤，其通过智能网关将所述原始振动加速度数据进行预处理，得到带有时间戳的振动加速度振幅数据，然后将所述振动加速度振幅数据和所述原始温度数据进行传输；

数据对应并储存步骤，其利用云平台处理所述振动加速度振幅数据和所述原始温度数据与所述待测设备的对应关系，并将所述振动加速度振幅数据、所述原始温度数据和所述对应关系存储在数据库中，然后将所述振动加速度振幅数据进行传输；

故障特征提取步骤，其通过人工智能引擎对所述振动加速度振幅数据进行分析处理得到有标签的故障特征，并将所述有标签的故障特征反馈给所述云平台，其中标签包括所述待测设备的运行情况，故障发生的时间和相应的故障类型；

APP或Web显示步骤，其利用所述云平台将所述有标签的故障特征和所述原始温度数据进行传输给所述APP或Web，所述APP或Web显示所述有标签的故障特征和所述原始温度数据；以及

设备维护步骤，其根据所述有标签的故障特征或所述原始温度数据对所述待测设备进行维护，记录操作日志，并将所述有标签的故障特征或所述原始温度数据和所述操作日志存储在所述云平台中。

2.根据权利要求1所述的机械设备的预测性维护方法，其特征在于，所述采集器包括振动传感器和温度传感器。

3.根据权利要求1所述的机械设备的预测性维护方法，其特征在于，所述预处理的过程包括，先将所述原始振动加速度数据进行规范化处理，改变振幅，再进行格式化、过滤噪声数据、添加时间戳。

4.根据权利要求1所述的机械设备的预测性维护方法，其特征在于，所述分析处理的过程包括，将所述振动加速度振幅数据进行计算处理得到所述待测设备的转速、振动速度或振动位移，然后将所述转速、所述振动速度或所述振动位移进行无监督学习算法实现对故障特征的聚类分析，最后经过模式识别的方式得到所述有标签的故障特征。

5.根据权利要求1所述的机械设备的预测性维护方法，其特征在于，所述故障类型包括“轻微”，“警告”，“严重”，“损坏”四个阶段，所述四个阶段分别对应有相应的阈值、游标值和触发值。

6.一种机械设备的预测性维护系统，其特征在于，包括：

采集器，其获取待测设备的原始振动加速度数据和原始温度数据，并将所述原始振动加速度数据和所述原始温度数据进行传输；

智能网关，其将所述原始振动加速度数据进行预处理得到带有时间戳的振动加速度振幅数据，然后将所述振动加速度振幅数据和所述原始温度数据进行传输；

云平台，其处理所述振动加速度振幅数据和所述原始温度数据与所述待测设备的对应关系，并将所述振动加速度振幅数据、所述原始温度数据和所述对应关系存储在数据库中，然后将所述振动加速度振幅数据进行传输；

人工智能引擎，其对所述振动加速度振幅数据进行分析处理得到所述有标签的故障特征，其中标签包括所述待测设备的运行情况，故障发生的时间和相应的故障类型；

所述云平台，其接收所述有标签的故障特征，并将所述有标签的故障特征和所述原始温度数据进行传输；

APP或Web，其将所述有标签的故障特征和所述原始温度数据显示在界面上，以及

用户，其根据所述有标签的故障特征或所述原始温度数据对所述待测设备进行维护，记录操作日志，并将所述有标签的故障特征或所述原始温度数据和所述操作日志存储在所述云平台中。

7.根据权利要求6所述的机械设备的预测性维护系统，其特征在于，所述采集器包括振动传感器和温度传感器。

8.根据权利要求6所述的机械设备的预测性维护系统，其特征在于，所述预处理的过程包括，先将所述原始振动加速度数据进行规范化处理，改变振幅，再进行格式化、过滤噪声数据、添加时间戳。

9.根据权利要求6所述的机械设备的预测性维护系统，其特征在于，所述分析处理的过程包括，将所述振动加速度振幅数据进行计算处理得到所述待测设备的转速、振动速度或振动位移，然后将所述转速、所述振动速度或所述振动位移进行无监督学习算法实现对故障特征的聚类分析，最后经过模式识别的方式得到所述有标签的故障特征。

10.根据权利要求6所述的机械设备的预测性维护系统，其特征在于，所述故障类型包括“轻微”，“警告”，“严重”，“损坏”四个阶段，所述四个阶段分别对应有相应的阈值、游标值和触发值。

Images