CN111898632A - 一种设备故障诊断方法和系统 - Google Patents

一种设备故障诊断方法和系统 Download PDF

Info

Publication number
CN111898632A
CN111898632A CN202010567192.XA CN202010567192A CN111898632A CN 111898632 A CN111898632 A CN 111898632A CN 202010567192 A CN202010567192 A CN 202010567192A CN 111898632 A CN111898632 A CN 111898632A
Authority
CN
China
Prior art keywords
fault
equipment
probability
initial
damage
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
CN202010567192.XA
Other languages
English (en)
Other versions
CN111898632B (zh
Inventor
杜翠凤
房小兆
沈文明
猛新予
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.)
Guangdong University of Technology
GCI Science and Technology Co Ltd
Original Assignee
Guangdong University of Technology
GCI Science and Technology Co Ltd
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 Guangdong University of Technology, GCI Science and Technology Co Ltd filed Critical Guangdong University of Technology
Priority to CN202010567192.XA priority Critical patent/CN111898632B/zh
Publication of CN111898632A publication Critical patent/CN111898632A/zh
Application granted granted Critical
Publication of CN111898632B publication Critical patent/CN111898632B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Probability & Statistics with Applications (AREA)
  • Geometry (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

本发明公开一种设备故障诊断方法和系统，所述系统包括：数据获取模块，用于实时获取数据传感器采集到的设备各零部件的参数数据；故障检测模块，用于根据所述各零部件的参数数据的时空分布状态，判断零部件是否产生故障；故障诊断模块，当检测到所述设备的某一零部件产生故障时，接收采用深度学习得到的初始多故障传播关系模型输入的所述零部件的初始故障概率以及设备结构数字孪生模型输入的所述设备的损伤度；所述故障诊断模块，还用于根据所述设备的损伤度和所述零部件的初始故障概率，确定所述零部件的最终故障概率，并根据每一个最终故障概率和故障关系定位故障原因。本发明实施例能够精准地定位设备故障原因。

Description

一种设备故障诊断方法和系统
技术领域
本发明涉及人工智能技术领域，尤其涉及一种设备故障诊断方法和系统。
背景技术
发明人在研究实践中发现，目前设备故障诊断技术不够成熟、设备故障诊断系统不能精准的定位设备故障原因，因此如何进一步提高设备故障诊断的精准性成为本技术领域亟需解决的技术问题。
发明内容
本发明提供一种设备故障诊断方法和系统，以解决现有设备故障诊断技术不成熟、不能精准地定位设备故障原因的技术问题，本发明能够精准地定位设备故障原因。
第一方面，本发明实施例提供一种设备故障诊断系统，包括：
数据获取模块，用于实时获取数据传感器采集到的设备各零部件的参数数据；
故障检测模块，用于根据所述各零部件的参数数据的时空分布状态，判断零部件是否产生故障；
故障诊断模块，当检测到所述设备的某一零部件产生故障时，接收基于图论的初始多故障传播关系模型输入的所述零部件的初始故障概率以及设备结构数字孪生模型输入的所述设备的损伤度；其中，所述初始多故障传播关系模型基于所述设备历史参数数据，采用深度学习并结合专家经验构建得到；
所述故障诊断模块，还用于根据所述设备的损伤度和所述零部件的初始故障概率，确定所述零部件的最终故障概率，并根据每一个最终故障发生概率和故障关系定位故障原因。
进一步地所述最终故障发生概率由以下公式确定：
pf＝pi×Damage
其中，pf表示最终故障发生概率，pi表示初始故障概率，Damage表示设备的损伤度。
进一步地，所述设备结构数字孪生模型基于所述设备在生产过程中获取的应力、温度、振动，以数据驱动损伤机理，结合损伤和寿命预测模型，计算设备的损伤度。
进一步地，所述初始多故障传播关系模型通过初始故障概率指示故障与故障之间的关系；
基于设备历史参数数据，采用深度学习并结合专家经验构建得到所述初始多故障传播关系，具体包括：
基于设备历史参数数据，采用深度学习得到多故障传播关系；
根据所述多故障传播关系和专家经验对故障进行分层，获得初始多故障传播关系模型；其中，所述专家经验为故障从低层节点传播到高层节点的经验。
进一步地，所述设备为注塑设备，所述设备的历史参数数据包括：
注塑设备开关模参数：开模压力、开模流量、开模位置、关模压力、关模流量、关模位置；
注射参数：射出压力、射出流量、射出位置、保射压力、保射流量、保射位置、储料压力、储料流量、储前冷却时间、射退位置与时间、清料压力、清料流量、清料时间、注射循环时间；
托模参数：托模压力、托模流量、托模位置、座台压力、座台流量、座台位置、公母模吹气压力、公母模吹气流量、公母模吹气位置、托模周期；
中子参数：中子压力、中子流量、中子位置、中子时间；
料管温度参数：各段温度设置值、各段温度实际值；
以及其他参数：循环周期、注射周期、保压位、射监控。
进一步地，所述注塑设备的损伤度根据以下公式计算：
Figure BDA0002548276580000021
Damage表示注塑设备的损伤度，p示生产过程中锁模受到的最大应力，maxp表示注塑设备所允许的最大应力。
第二方面，本发明实施例提供一种设备故障诊断方法，包括：
实时获取数据传感器采集到的设备各零部件的参数数据；
根据所述各零部件的参数数据的时空分布状态，判断零部件是否产生故障；
当检测到所述设备的某一零部件产生故障时，接收基于图论的初始多故障传播关系模型输入的所述零部件的初始故障概率以及设备结构数字孪生模型输入的所述设备的损伤度；其中，所述初始多故障传播关系模型基于所述设备历史参数数据，采用深度学习并结合专家经验构建得到；
根据所述设备的损伤度和所述零部件的初始故障概率，确定所述零部件的最终故障概率，并根据每一个最终故障概率和故障关系定位故障原因。
进一步地，每一零部件最终故障发生概率由以下公式确定：
pf＝pi×Damage
其中，pf表示最终故障发生概率，pi表示初始故障概率，Damage表示设备的损伤度。
进一步地，所述设备结构数字孪生模型基于所述设备在生产过程中获取的应力、温度、振动，以数据驱动损伤机理，结合损伤和寿命预测模型，计算设备的损伤度
进一步地，所述初始多故障传播关系模型通过初始故障概率指示故障与故障之间的关系；
基于设备历史参数数据，采用深度学习并结合专家经验构建得到所述初始多故障传播关系，具体包括：
基于设备历史参数数据，采用深度学习得到多故障传播关系；
根据所述多故障传播关系和专家经验对故障进行分层，获得初始多故障传播关系模型；其中，所述专家经验为故障从低层节点传播到高层节点的经验。
本发明实施例通过实时获取设备各零部件的参数数据，并根据所述各零部件的参数数据的时空分布状态，判断零部件是否产生故障；当检测到所述设备的某一零部件产生故障时，接收初始多故障传播关系模型输入的所述零部件的初始故障概率以及设备结构数字孪生模型输入的所述设备的损伤度；其中，所述初始多故障传播关系模型基于所述设备历史参数数据，采用深度学习并结合专家经验构建得到；根据所述设备的损伤度和所述零部件的初始故障概率，确定所述零部件的最终故障概率，并根据每一个最终故障概率和故障关系定位故障原因。本发明实时例基于深度学习、图论和数字孪生模型能够更加精准的定位设备故障。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式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方式，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他的附图。
图1为本发明实施例提供的设备故障诊断系统的系统原理图；
图2为其中一个举例中，与注塑开关故障直接关联的故障关系图；
图3为其中一个举例中，注塑开关的多故障传播关系图；
图4为其中一个举例中，注塑开关故障的多故障传播关系模型；
图5为其中一个举例中，图4的初始故障概率经设备损伤度修正后的最终故障概率示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本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。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动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。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
实施例1：
请参阅图1，本发明实施例提供一种设备故障诊断系统，包括：
数据获取模块1，用于实时获取数据传感器采集到的设备各零部件的参数数据。其中，在获得到设备各零部件的参数数据后，采用边缘计算的技术对数据进行预处理，以便于故障检测模块根据设备各零部件的参数数据判断零部件是否产生故障。
故障检测模块2，用于根据所述各零部件的参数数据的时空分布状态，判断零部件是否产生故障。
故障诊断模块3，用于当检测到所述设备的某一零部件产生故障时，接收基于图论的初始多故障传播关系模型4输入的所述零部件的初始故障概率以及设备结构数字孪生模型5输入的所述设备的损伤度；其中，所述初始多故障传播关系模型基于所述设备历史参数数据，采用深度学习并结合专家经验构建得到。
在本发明实施例中，所述设备结构数字孪生模型基于所述设备在生产过程中获取的应力、温度、振动，以数据驱动损伤机理，结合损伤和寿命预测模型，计算设备的损伤度。所述初始多故障传播关系模型通过初始故障概率指示故障与故障之间的关系；所述初始多故障传播关系模型基于设备历史参数数据，采用深度学习并结合专家经验构建得到，具体包括：
基于设备历史参数数据，采用深度学习得到多故障传播关系；其中，所述设备历史参数数据为设备传感器曾经采集到的数据，在获得设备历史参数数据后，对数据进行预处理，以便于进行深度学习；
根据所述多故障传播关系和专家经验对故障进行分层，获得初始多故障传播关系模型；其中，所述专家经验为故障从低层节点传播到高层节点的经验。
所述故障诊断模块3，还用于根据所述设备的损伤度和所述零部件的初始故障概率，确定所述零部件的最终故障发生概率，并根据每一个最终故障概率和故障关系定位故障原因。
在本发明实施例中，所述最终故障概率由以下公式确定：
pf＝pi×Damage (1)
其中，pf表示最终故障发生概率，pi表示初始故障概率，Damage表示设备的损伤度。
为了使得工作人员能够获得设备故障原因，本发明实施例提供的故障诊断系统包括显示模块6，所述显示模块用于显示设备故障原因，即显示诊断结果。
在本发明实施例中，多故障传播的定义为：一个故障很可能由多个故障引起的，并且多个故障很可能由其他故障引起的，从而形成一个层次的传播关系。以注塑开关故障为例，如图2所示，注塑开关故障很可能由注射器压力过大引起的，注射器压力过大很可能由注射流量过多或射退位置时间过短引起的。示例性的，图1表示的注塑开关的多故障传播关系图，图2表明的是，若注塑开关发生故障，50％的概率可能是因为注射器压力过大引起的，50％的概率可能是因为储料注射器压力过大引起的。注射器压力过大，80％的概率可能是因为注射流量过多引起的，20％的概率可能是因为射退位置与时间过短引起的。储料注射器压力过大，70％的概率可能是因为料管温度太高引起的，30％的概率可能是因为托模压力过大引起的。托模压力过大，60％的概率可能是因为公母模吹气压力过大引起的，40％的概率可能是因为中子压力过大引起的。公母模吹气压力过大，60％的概率可能因为是公母模吹起气流量周期多短引起的，40％的概率可能是因为公母模吹起流量过多引起的。
图3所示的注塑开关的多故障传播关系是基于设备历史参数数据，采用深度学习算法得到。表1具体介绍了如何基于设备历史数据获得引起注塑开关故障的原因。
表1
Figure BDA0002548276580000061
表1中，以每一次记录中，是否发生注塑开关故障为输出(1表示是，0表示否)，注射器压力是否过大、托模压力是否过大、中子压力是否过大、注射流量是否过多、射退位置与时间是否过短、料管温度是否太高、公母模吹气压力是否过大、公母模吹气流量周期是否过短、公母模吹气流量是否过多为输入(1表示是，0表示否)通过深度学习算法获得可能引起注塑开关故障的所有故障(原因)，以及注塑开关故障与每一种所述故障之间的概率关系。如图2所示，通过深度学习，得到注塑开关故障可能是因为注射器压力过大引起的或是因为储料注射器压力过大引起的，其中，注射器压力过大引起注塑开关故障的概率为50％，储料注射器压力过大引起注塑开关故障的概率也为为50％。同理，当欲获得所有可能引起注射器压力过大的原因及对应的概率，则将注射器压力过大作为输出。最终通过该方法，能够获得注塑开关的的多故障传播关系，示例性的，如图3所示。需要说明的是，若要形成整个注塑设备的多故障关系传播模型，用于深度学习的历史数据(通过传感器获取)至少包括：
注塑设备开关模参数：开模压力、开模流量、开模位置、关模压力、关模流量、关模位置；
注射参数：射出压力、射出流量、射出位置、保射压力、保射流量、保射位置、储料压力、储料流量、储前冷却时间、射退位置与时间、清料压力、清料流量、清料时间、注射循环时间；
托模参数：托模压力、托模流量、托模位置、座台压力、座台流量、座台位置、公母模吹气压力、公母模吹气流量、公母模吹气位置、托模周期；
中子参数：中子压力、中子流量、中子位置、中子时间；
料管温度参数：各段温度设置值、各段温度实际值)以及其他参数(循环周期、注射周期、保压位、射监控。
若故障很多，便会引起混乱，因此，为避免出现混乱的问题，基于故障的可连接性，对故障进行分层。又由于收集的参数会有一些随机性和噪音，因此，为了使得故障分层更加准确，从而使得最终得到的初始多故障传播模型更加准确，根据专家经验对故障传播机制的理解和经验对多故障传播关系进行确认和微调，形成最终的故障分层，并获得最终的初始多故障传播模型。
基于设备历史数据，采用深度学习算法能够获得故障概率，进而能够定位设备故障，但是这样获得故障概率的方法会受到设备本身损伤噪音的影响，因此，为了实现对故障原因的定位更加精准，通过设备结构数字孪生模型修正上述获得的初始故障概率。此处应当理解的时，设备结构数字孪生模型的构建根据实际的设备，采用数字孪生模型的构建方法构建即可，本发明在此不做赘述。
通过数字孪生模型计算设备的损伤度，以注塑设备为例，首先创建一个三维数字孪生模型，对锁模结构进行微小单元划分，并对锁模结构提供标定的锁模接触力；其中单元之间通过一个共用的节点来传递力的作用，结构的内应力和内应变根据在一个单元上的两个节点之间产生的相对位移量计算。由于在生产过程中锁模需要频繁进行开关工作，因此将传感器实时测量得到锁模力输入到注塑设备孪生模型中进行仿真，以实时监测锁模所受到的最大应力以及在生产过程中各零部件所允许的最大应力(设备允许最大的应力)，以此来计算注塑设备的损伤度。
所述注塑设备的损伤度根据以下公式计算：
Figure BDA0002548276580000071
Damage表示注塑设备的损伤度，p示生产过程中锁模受到的最大应力，maxp表示注塑设备所允许的最大应力。
假设计算得到住所设备的损伤度为0.9，且假设图4为最终的故障传播模型，根据公式(1)，即pf＝pi×Damage，即将注塑开关初始多故障模型的每一个初始故障概率分别乘以0.9，则注塑开关故障的最终故障发生概率变为如图5所示。根据图5所示的概率大小关系便可以定位故障原因。
本发明实施例通过实时获取设备各零部件的参数数据，并根据所述各零部件的参数数据的时空分布状态，判断零部件是否产生故障；当检测到所述设备的某一零部件产生故障时，接收初始多故障传播关系模型输入的所述零部件的初始故障概率以及设备结构数字孪生模型输入的所述设备的损伤度；其中，所述初始多故障传播关系模型基于所述设备历史参数数据，采用深度学习并结合专家经验构建得到；根据所述设备的损伤度和所述零部件的初始故障概率，确定所述零部件的最终故障概率，并根据每一个最终故障概率和故障关系定位故障原因。本发明实时例基于深度学习、图论和数字孪生模型能够更加精准的定位设备故障。
实施例2：
本发明实施例还提供一种设备故障诊断方法，包括：
实时获取数据传感器采集到的设备各零部件的参数数据；
根据所述各零部件的参数数据的时空分布状态，判断零部件是否产生故障；
当检测到所述设备的某一零部件产生故障时，接收初始多故障传播关系模型输入的所述零部件的初始故障概率以及设备结构数字孪生模型输入的所述设备的损伤度；其中，所述初始多故障传播关系模型基于所述设备历史参数数据，采用深度学习并结合专家经验构建得到；
根据所述设备的损伤度和所述零部件的初始故障概率，确定所述零部件的最终故障概率，并根据每一个最终故障发生概率和故障关系定位故障原因。
作为本发明实施例的一种举例，每一零部件最终故障概率由以下公式确定：
pf＝pi×Damage
其中，pf表示最终故障发生概率，pi表示初始故障概率，Damage表示设备的损伤度。
作为本发明实施例的一种举例，所述设备结构数字孪生模型基于所述设备在生产过程中获取的应力、温度、振动，以数据驱动损伤机理，结合损伤和寿命预测模型，计算设备的损伤度
作为本发明实施例的一种举例，所述初始多故障传播关系模型通过初始故障概率指示故障与故障之间的关系；
基于设备历史参数数据，采用深度学习并结合专家经验构建得到所述初始多故障传播关系，具体包括：
基于设备历史参数数据，采用深度学习得到多故障传播关系；
根据所述多故障传播关系和专家经验对故障进行分层，获得初始多故障传播关系模型；其中，所述专家经验为故障从低层节点传播到高层节点的经验。
本发明实施例2是实施例1一一对应的方法项，因此，本发明实施例2在此不做过多赘述。以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种设备故障诊断系统，其特征在于，包括：
数据获取模块，用于实时获取数据传感器采集到的设备各零部件的参数数据；
故障检测模块，用于根据所述各零部件的参数数据的时空分布状态，判断零部件是否产生故障；
故障诊断模块，用于当检测到所述设备的某一零部件产生故障时，接收基于图论的初始多故障传播关系模型输入的所述零部件的初始故障概率以及设备结构数字孪生模型输入的所述设备的损伤度；其中，所述初始多故障传播关系模型基于所述设备历史参数数据，采用深度学习并结合专家经验构建得到；
所述故障诊断模块，还用于根据所述设备的损伤度和所述零部件的初始故障概率，确定所述零部件的最终故障发生概率，并根据每一个最终故障发生概率和故障关系定位故障原因。
2.根据权利要求1所述的设备故障诊断系统，其特征在于，所述最终故障概率由以下公式确定：
pf＝pi×Damage
其中，pf表示最终故障发生概率，pi表示初始故障概率，Damage表示设备的损伤度。
3.根据权利要求1所述的设备故障诊断系统，其特征在于，
所述设备结构数字孪生模型基于所述设备在生产过程中获取的应力、温度、振动，以数据驱动损伤机理，结合损伤和寿命预测模型，计算设备的损伤度。
4.根据权利要求1所述的设备故障诊断系统，其特征在于，所述初始多故障传播关系模型通过初始故障概率指示故障与故障之间的关系；
基于设备历史参数数据，采用深度学习并结合专家经验构建得到所述初始多故障传播关系，具体包括：
基于设备历史参数数据，采用深度学习得到多故障传播关系；
根据所述多故障传播关系和专家经验对故障进行分层，获得初始多故障传播关系模型；其中，所述专家经验为故障从低层节点传播到高层节点的经验。
5.根据权利要求1-4任一项所述的设备故障诊断系统，其特征在于，所述设备为注塑设备，所述设备的历史参数数据包括：
注塑设备开关模参数：开模压力、开模流量、开模位置、关模压力、关模流量、关模位置；
注射参数：射出压力、射出流量、射出位置、保射压力、保射流量、保射位置、储料压力、储料流量、储前冷却时间、射退位置与时间、清料压力、清料流量、清料时间、注射循环时间；
托模参数：托模压力、托模流量、托模位置、座台压力、座台流量、座台位置、公母模吹气压力、公母模吹气流量、公母模吹气位置、托模周期；
中子参数：中子压力、中子流量、中子位置、中子时间；
料管温度参数：各段温度设置值、各段温度实际值；
其他参数：循环周期、注射周期、保压位、射监控。
6.根据权利要求5所述的设备故障诊断系统，其特征在于，所述注塑设备的损伤度根据以下公式计算：
Figure FDA0002548276570000021
Damage表示注塑设备的损伤度，p示生产过程中锁模受到的最大应力，maxp表示注塑设备所允许的最大应力。
7.一种设备故障诊断方法，其特征在于，包括：
实时获取数据传感器采集到的设备各零部件的参数数据；
根据所述各零部件的参数数据的时空分布状态，判断零部件是否产生故障；
当检测到所述设备的某一零部件产生故障时，接收基于图论的初始多故障传播关系模型输入的所述零部件的初始故障概率以及设备结构数字孪生模型输入的所述设备的损伤度；其中，所述初始多故障传播关系模型基于所述设备历史参数数据，采用深度学习并结合专家经验构建得到；
根据所述设备的损伤度和所述零部件的初始故障概率，确定所述零部件的最终故障概率，并根据每一个最终故障概率和故障关系定位故障原因。
8.根据权利要求7所述的设备故障诊断方法，其特征在于，每一零部件最终故障发生概率由以下公式确定：
pf＝pi×Damage
其中，pf表示最终故障发生概率，pi表示初始故障概率，Damage表示设备的损伤度。
9.根据权利要求7所述的设备故障诊断方法，其特征在于，
所述设备结构数字孪生模型基于所述设备在生产过程中获取的应力、温度、振动，以数据驱动损伤机理，结合损伤和寿命预测模型，计算设备的损伤度。
10.根据权利要求7所述的设备故障诊断方法，其特征在于，所述初始多故障传播关系模型通过初始故障概率指示故障与故障之间的关系；
基于设备历史参数数据，采用深度学习并结合专家经验构建得到所述初始多故障传播关系，具体包括：
基于设备历史参数数据，采用深度学习得到多故障传播关系；
根据所述多故障传播关系和专家经验对故障进行分层，获得初始多故障传播关系模型；其中，所述专家经验为故障从低层节点传播到高层节点的经验。
CN202010567192.XA 2020-06-19 2020-06-19 一种设备故障诊断方法和系统 Active CN111898632B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010567192.XA CN111898632B (zh) 2020-06-19 2020-06-19 一种设备故障诊断方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010567192.XA CN111898632B (zh) 2020-06-19 2020-06-19 一种设备故障诊断方法和系统

Publications (2)

Publication Number Publication Date
CN111898632A true CN111898632A (zh) 2020-11-06
CN111898632B CN111898632B (zh) 2024-04-16

Family

ID=73206373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010567192.XA Active CN111898632B (zh) 2020-06-19 2020-06-19 一种设备故障诊断方法和系统

Country Status (1)

Country Link
CN (1) CN111898632B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112491468A (zh) * 2020-11-20 2021-03-12 福州大学 基于孪生节点辅助传感的fbg传感网络节点故障定位方法
CN113933708A (zh) * 2021-10-13 2022-01-14 哈尔滨电机厂有限责任公司 一种发电机组智能诊断故障原因概率的自修正方法
CN114826440A (zh) * 2022-03-31 2022-07-29 文山电视调频骨干转播台 基于数字孪生的发射机监测故障定位方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829468A (zh) * 2018-04-16 2019-05-31 南京航空航天大学 基于贝叶斯网络的民机复杂系统故障诊断方法
CN110276147A (zh) * 2019-06-24 2019-09-24 广东工业大学 一种基于数字孪生模型的制造系统故障溯源方法、系统
CN110900307A (zh) * 2019-11-22 2020-03-24 北京航空航天大学 一种数字孪生驱动的数控机床刀具监控系统
CN111208759A (zh) * 2019-12-30 2020-05-29 中国矿业大学(北京) 矿井无人化综采工作面数字孪生智能监控系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829468A (zh) * 2018-04-16 2019-05-31 南京航空航天大学 基于贝叶斯网络的民机复杂系统故障诊断方法
CN110276147A (zh) * 2019-06-24 2019-09-24 广东工业大学 一种基于数字孪生模型的制造系统故障溯源方法、系统
CN110900307A (zh) * 2019-11-22 2020-03-24 北京航空航天大学 一种数字孪生驱动的数控机床刀具监控系统
CN111208759A (zh) * 2019-12-30 2020-05-29 中国矿业大学(北京) 矿井无人化综采工作面数字孪生智能监控系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112491468A (zh) * 2020-11-20 2021-03-12 福州大学 基于孪生节点辅助传感的fbg传感网络节点故障定位方法
CN112491468B (zh) * 2020-11-20 2022-04-01 福州大学 基于孪生节点辅助传感的fbg传感网络节点故障定位方法
CN113933708A (zh) * 2021-10-13 2022-01-14 哈尔滨电机厂有限责任公司 一种发电机组智能诊断故障原因概率的自修正方法
CN113933708B (zh) * 2021-10-13 2023-11-14 哈尔滨电机厂有限责任公司 一种发电机组智能诊断故障原因概率的自修正方法
CN114826440A (zh) * 2022-03-31 2022-07-29 文山电视调频骨干转播台 基于数字孪生的发射机监测故障定位方法
CN114826440B (zh) * 2022-03-31 2023-11-24 文山电视调频骨干转播台 基于数字孪生的发射机监测故障定位方法

Also Published As

Publication number Publication date
CN111898632B (zh) 2024-04-16

Similar Documents

Publication Publication Date Title
CN111898632A (zh) 一种设备故障诊断方法和系统
CN110415494A (zh) 一种基于历史运行数据的设备报警阈值计算方法
CN106526488B (zh) 串联式动力电池包内传感器故障诊断方法
CN106017737B (zh) 一种温度传感器的故障诊断方法及系统
EP2221698B1 (en) Method for computing the relative likelihood of failures
CN109033499B (zh) 一种多阶段一致性检验的航空发动机剩余寿命预测方法
CN106528975B (zh) 一种应用于电路与系统的故障预测与健康管理方法
US20090299695A1 (en) System and method for advanced condition monitoring of an asset system
US9726576B2 (en) Equipment monitoring system
EP2216727A1 (en) Fault splitting algorithm
US20020052712A1 (en) Method for the monitoring of a plant
CN111664083B (zh) 一种基于贝叶斯网络的核电主泵故障诊断方法
CN109885951A (zh) 设备故障诊断方法及装置
CN110414154A (zh) 一种带有双测点的风机部件温度异常检测和报警方法
CN112053055A (zh) 一种融合故障诊断阶段的全电采油树实时可靠性评估方法
CN108682140A (zh) 一种基于压缩感知和自回归模型的增强型异常检测方法
CN108416386A (zh) 一种用于水电机组轴承温度异常判断的方法及系统
CN111260127A (zh) 基于全机数字孪生模型的故障预测系统及方法
KR102182226B1 (ko) 고장 검출 진단 시스템 및 진단방법
CN103245373B (zh) 一种水下机器人传感器故障诊断方法
US11339763B2 (en) Method for windmill farm monitoring
CN116793666A (zh) 一种基于lstm-mlp-lsgan模型的风电机组齿轮箱故障诊断方法
CN116840766A (zh) 基于知识图谱的电力计量设备状态追踪与异常监控方法
CN114819261A (zh) 一种基于设备实时运行状态的故障预测方法及系统
CN113246421A (zh) 一种基于大数据的注塑工业数据处理系统及方法

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

Inventor after: Du Cuifeng

Inventor after: Fang Xiaozhao

Inventor after: Shen Wenming

Inventor after: Meng Xinyu

Inventor before: Du Cuifeng

Inventor before: Fang Xiaozhao

Inventor before: Shen Wenming

Inventor before: Meng Xinyu

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant