CN111931389A - 一种旋转型设备运行正异常状态分析方法、装置 - Google Patents

一种旋转型设备运行正异常状态分析方法、装置 Download PDF

Info

Publication number
CN111931389A
CN111931389A CN202011081591.1A CN202011081591A CN111931389A CN 111931389 A CN111931389 A CN 111931389A CN 202011081591 A CN202011081591 A CN 202011081591A CN 111931389 A CN111931389 A CN 111931389A
Authority
CN
China
Prior art keywords
data
equipment
edge
magnetic induction
rotary
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
CN202011081591.1A
Other languages
English (en)
Other versions
CN111931389B (zh
Inventor
马君
武通达
李金阳
刘涛
徐国想
蔺思宇
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.)
Meifang Science And Technology Tianjin Co ltd
Original Assignee
Meifang Science And Technology Tianjin 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 Meifang Science And Technology Tianjin Co ltd filed Critical Meifang Science And Technology Tianjin Co ltd
Priority to CN202011081591.1A priority Critical patent/CN111931389B/zh
Publication of CN111931389A publication Critical patent/CN111931389A/zh
Application granted granted Critical
Publication of CN111931389B publication Critical patent/CN111931389B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供了一种旋转型设备运行正异常状态分析方法、装置，边缘节点在获取设备运行正异常状态分析模型及数据处理方法后进行数据采集以及边缘运算模块进行推理计算；当边缘模型判断设备运行存在异常的可能性时，会命令边缘节点进行更高频次的数据上传和存储，从而保证在节点的有限数据中，超过百分之五十的上传数据均包含故障信息。本发明所述的旋转型设备运行正异常状态分析方法可同时采集旋转设备的振动数据和磁场数据，同时通过边缘端算法模型进行设备健康状态测量，并且将数据上传到云平台，以更新人工智能模型，并将训练好的模型参数及数据处理方法下发边缘端进行设备健康状态的推理分析。

Description

一种旋转型设备运行正异常状态分析方法、装置
技术领域
本发明属于旋转型设备状态分析技术领域，尤其是涉及一种基于边缘算法的旋转型设备运行正异常状态分析方法。
背景技术
旋转型机械设备（包括但不限于泵机、电机、鼓风机、压缩机、汽轮机等）在工业生产中一直是生产系统中的重要设备，对动力的供应、介质的转运、杂质的抽取以及液体的加注等方面都有重要作用。旋转类设备在日常生产中备受关注的部分主要集中在两点：1. 设备一段时间内的运行时长；2. 设备实时健康状态。前者的目的是为了更好的分析设备效率以及更好的实现节能降耗，后者则是防止出现突发停机导致生产成本增加或引发重大事故。
目前在旋转类机组的运行时长记录方面，除个别发动机组具备机械计时仪表外并没有很好的统计手段，这就导致了生产方在使用机组时没有办法准确的评估机组的效率、能耗，从而进一步从这两方面进行成本控制。比如相同机组相邻两个月产能接近，但整体耗电存在不合理差异，此时两个月中机组使用时间相同和使用时间不同就会引导出两个完全不同的结论。前者会导向设备能耗增大或存在其他不合规用电，后者则导向机组整体效率的下降，可能存在某种机组故障。由此可见，机组运行时长的统计在工业生产中十分重要，亟待有效的统计手段来弥补此类需求的空白。
目前绝大部分的旋转型机械设备异常检测产品使用的方法大致分为两种，第一种在传感器端直接下发特定阈值进行判断，指的是在采集到机械设备振动数据后求取振动或加速度或速度或位移的有效值，然后与阈值比对，多方向中的某一方向超过阈值则认为当前机械设备振动存在异常。阈值的设定通常以各类型设备相应的国家标准为参照，如泵机设备的振动阈值一般以 GB-10889-1989“泵的振动测量与评价方法”为参照，将国家标准中设定的不同等级的泵赋予对应的振动烈度阈值来进行判断，同时部分产品会支持客户设置阈值；第二种是将原始数据或特征值通过通讯手段上传至云平台，并通过一些行业或设备知识，对振动信息（加速度、速度或位移）进行频域上的分析，然后通过一节简单的业务规则（人工或自动化）或二叉树算法来判别异常和正常的差异。
对于上文提到的异常检测方法而言，第一种阈值法存在的缺陷是：如果选取默认阈值作为异常检测指标的话，对于很多的生产场景都是不太适用的，因为标准制定所用的实验环境和介质都是匹配的设备厂商在出厂实验测试下的条件，有很多场景都会让机械设备在正常运行下振动超过阈值；如果用户自定义阈值，很多用户缺乏相应的故障判断知识，导致阈值设定不准确，且生产调整后还需要相当长的一段时间确认新的阈值，导致在一段时间内异常识别不准确，出现频繁的漏报及误报。第二种规则法虽然比烈度大小判断更加接近于正异常判别本质，但是自动化的判断在运算量和运算性能上不能使其在当前现有技术的产品边缘端进行连续的运算和分析。如果采用云端运算分析，数据上云在传感器电量消耗中占主要部分，这就导致了无线传感器无法频繁的上传数据，从而导致了异常检测结果的滞后和疏漏。
发明内容
有鉴于此，本发明旨在提出一种基于边缘算法的旋转型设备运行正异常状态分析方法，以解决现有技术中人工成本高、专家团队经验单一、分析延迟且误判较多的问题。
为达到上述目的，本发明的技术方案是这样实现的：
第一方面，本发明实施例提供一种旋转型设备启停机状态分析模型构建方法，包括：
采集旋转型设备各方向的振动数据以及电机旋转时的磁感应数据；
对振动数据和磁感应数据的时域、频域进行区间划分，并对每一区间进行相应的统计特征提取；
将提取的统计特征传入聚类算法进行训练，用以得到匹配当前设备的启停状态分析模型。
进一步的，对振动数据在时域、频域进行区间划分的方法，具体为：
在时域上利用自适应窗长检测方法进行数据划分，以削弱采样频率波动对数据变形的影响；
在频域上根据旋转类设备旋转频率的1/3倍频、1/2倍频以及1~N的整数倍频，依次进行频域划分；随后，分别在时域及频域逐段进行统计特征的提取。
进一步的，对磁感应数据在时域、频域进行区间划分的方法，具体为：
在时域上利用自适应窗长检测方法进行数据划分，以削若采样频率波动对数据变形的影响；
在频域上提取存在明显峰值的区域，并分别在时域及频域逐段进行统计特征的提取。
进一步的，利用聚类算法进行拆分的方法，具体为：
将振动数据特征和磁感应数据特征整合传入聚类算法，采用余弦距离为相似性度量，结合一类离群值和一类异常值评判标准将数据自动分为两簇，并辅以振动统计特征和磁感应强度特征来保证此两簇的划分与设备启停存在强相关性，从而将数据拆分为设备运行和停机两类状态。
第二方面，本发明实施例提供一种旋转型设备启停机状态分析方法，包括：
将上述第一方面所述的构建方法构建形成的分析模型以及数据处理方法下传到边缘节点；边缘节点进行相应数据采集以及边缘运算模块进行边缘推理，并在设备启停状态发生改变时生成启停状态标记，并将该标记和对应的时间戳上传云端，从而准确记录设备每次开始运行和结束运行的时间点，实现有效的进行机组运行时长计时。
第三方面，本发明实施例提供旋转型设备运行正异常状态分析方法，采集旋转型设备各方向的振动数据以及电机旋转时的磁感应数据；
对采集的振动数据和磁感应数据进行处理，其中包括利用交叉相关双谱法对不同方向的振动数据两两循环生成图片，并计算磁感应数据的时域及频域统计特征量；
将图片传入深度学习分类算法进行训练，并在深度学习的中间特征网络层插入磁感应特征进行集成学习，从而生成适配当前设备的设备运行正异常状态分析模型；
将设备运行正异常状态分析模型以及振动数据和磁感应数据处理方法下传到边缘节点；
边缘节点在获取设备运行正异常状态分析模型及数据处理方法后，进行数据采集并通过边缘运算模块进行边缘推理；当边缘运算模块判断设备可能处于异常运行状态时，会命令边缘节点进行更高频次的数据上传，从而保证在节点上传的有限数据中，超过百分之五十的上传数据均包含故障信息。
第四方面，本发明实施例提供旋转型设备运行正异常状况分析装置，包括：
数据采集模块，用于同步采集旋转型设备各方向的振动数据以及电机旋转时的磁感应数据；
数据处理模块，用于利用交叉相关双谱法对不同方向的振动数据两两循环生成图片，并计算磁感应数据的时域及频域统计特征量；
深度学习分类模块，用于将图片传入深度学习分类算法进行训练，并在深度学习的中间特征网络层插入磁感应特征进行集成学习，并最终生成适配当前设备的设备运行正异常状态分析模型；
下传模块，用于将设备运行正异常状态分析模型以及振动数据和磁感应数据处理方法下传到边缘节点；
边缘运算模块，用于在边缘节点获取设备运行正异常状态分析模型及数据处理方法，且进行数据采集后，进行边缘推理；
异常判断模块，用于根据边缘计算结果判断旋转型设备是否异常；
上传模块，用于当异常判断模块判断旋转型设备异常时，命令边缘节点进行更高频次的数据上传。
第五方面，本发明实施例提供一种服务器，包括至少一个处理器，以及与所述处理器通信连接的存储器，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述处理器执行，以使所述至少一个处理器执行如上述第三方面所提供的旋转型设备运行正异常状态分析方法的步骤
第六方面，本发明实施例提供一种计算机可读取存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述第三方面所述的旋转型设备运行正异常状态分析方法。
相对于现有技术，本发明所述的基于边缘算法的旋转型设备运行正异常状态分析方法具有以下优势：
（1）本发明所述的旋转型设备运行正异常状态分析方法通过对旋转型机械设备自身历史数据的自动学习，有效的解决了不同类型设备、不同传感器型号、不同运行环境、不同流量介质等差异性因素造成通用分析方法对设备异常及工况判断不准确的问题。
（2）本发明所述的旋转型设备运行正异常状态分析方法可同时采集旋转设备的振动参数和磁场参数，同时通过边缘端算法模型进行设备健康状态测量，并且数据上传到云平台，通过人工智能数据学习算法，以提高算法模型的准确性。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例旋转型设备启停机状态分析方法流程图；
图2为本发明实施例基于边缘算法的旋转型设备运行正异常状态分析方法流程图；
图3为本发明实施例一种电子设备的实体结构示意图；
图4为本发明实施例一种电子设备数据采集部分示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
本实施例提供一种旋转型设备启停机状态分析模型构建方法，包括：
采集旋转型设备各方向的振动数据以及电机旋转时的磁感应数据；
对振动数据和磁感应数据的时域、频域进行区间划分，并对每一区间进行相应的统计特征提取；
将提取的特征传入聚类算法进行学习和拆分，用以得到匹配当前设备的启停状态分析模型。
对磁感应数据在时域、频域进行区间划分的方法，具体为：
在时域上利用自适应窗长检测方法进行数据划分，以削弱采样频率波动对数据变形的影响；
在频域上提取存在明显峰值的区域。分别对时域及频域逐段进行统计特征的运算提取。
对振动数据在时域、频域进行区间划分的方法，具体为：
在时域上利用自适应窗长检测方法进行数据划分，以削弱采样频率波动对数据变形的影响；
在频域上根据旋转类设备旋转频率的1/3倍频、1/2倍频以及1~N的整数倍频，依次进行频域划分。随后，分别对时域及频域逐段进行统计特征的提取。利用聚类算法进行拆分的方法，具体为：
将振动数据特征和磁感应数据特征整合传入聚类算法，并采用余弦距离为相似性度量，结合一类离群值和一类异常值评判标准来进行自动化的数据二分类拆分，辅以振动统计特征和磁感应强度特征来保证二分类拆分与设备启停存在强相关性，从而将数据拆分为设备运行和停机两类状态。
如图1所示，本实施例提供一种旋转型设备启停机状态分析方法，包括：
将上述旋转型设备启停机状态分析模型构建方法构建形成的分析模型以及数据区间划分及特征提取方法通过通信方式下传到边缘节点；边缘节点进行相应数据采集以及边缘运算模块进行边缘计算，并在设备启停状态发生改变时生成启停状态标记并将标记和时间戳同时上传云端，从而准确记录设备每次开始运行和结束运行的时间点，实现有效的机组运行时长计时。
其中，边缘计算包括特征提取和边缘推理两部分。特征提取包括时频域划分和统计量的计算；边缘推理主要是基于深度学习模型的推理。
其中，还包括如下处理方法：
（1）对振动数据进行处理，在时域上利用自适应窗长检测方法进行数据划分，以削弱采样频率波动对数据变形的影响；在频域上根据旋转类设备旋转频率的1/3倍频、1/2倍频以及1~N的整数倍频，依次进行频域划分。随后，分别在时域及频域逐段进行统计特征的运算提取。
（2）对磁场数据进行处理，在时域上利用自适应窗长检测方法进行数据划分，以削弱采样频率波动对数据变形的影响；
在频域上提取存在明显峰值的区域，并分别在时域及频域逐段进行统计特征的运算。
（3）将振动数据特征和磁感应数据特征整合传入聚类算法，采用余弦距离为相似性度量，结合一类离群值和一类异常值评判标准将数据自动分为两簇，并辅以振动统计特征和磁感应强度特征来保证此两簇的划分与设备启停存在强相关性，从而将数据拆分为设备运行和停机两类状态。
（4）将模型参数以及数据处理方法以嵌入式方式下传到边缘节点进行实时的单次采集数据边缘运算。
如图2所示，本实施例提供一种旋转型设备运行正异常状态分析方法，包括：
集成了传感器模块和边缘运算模块的边缘节点会在给定的学习期间内高速采集机组各方向的振动以及电机旋转时的磁感应数据并将数据上传至云平台。使用交叉相关双谱法对不同方向的振动数据（一维信号波形）两两循环生成图片（RGB三通道彩色图像），并计算磁感应数据的时域及频域统计特征量。将图片传入深度学习分类算法进行训练，并在深度学习的中间特征网络层插入磁感应特征进行集成学习，最终生成适配当前设备的健康状态分析模型。将该模型以及振动数据图像化及特征提取方法通过通信方式下传到边缘节点。边缘节点在获取模型及数据处理方法后会加速请求传感器进行数据采集以及边缘运算模块进行边缘计算。当边缘运算模块判断设备存在异常的可能性时，会请求边缘节点进行更高频次的数据上传和存储，从而保证在无线节点的有限电量中，超过百分之五十的上传数据均为有价值的包含故障信息的原始数据。该边缘模型目前可覆盖7大类机械故障和2大类电气故障的正异常判别。需要说明的是边缘运算模块可以采用本公司自研发的边缘计算加速芯片来实现，也可以利用现有的可以实现边缘运算的芯片来代替。
具体的，包括如下细节步骤：
（1）对振动数据进行处理，将同一边缘节点采集到的多方向振动数据循环运算两两结合得到多个交叉相关双谱图像。
（2）对磁场数据进行处理，提取单条数据的时域全量统计和频域全量统计特征。
（3）以多层卷积神经网络层和多层全连接网络层为基础构建集成训练深度学习网络模型
（4） 将振动得到的交叉相关双谱图像传入卷积神经网络层接口进行学习，并在学习过程中将磁场特征数据穿插传入全连接网络层进行集成学习，最终得到对应当前设备的最优网络模型参数。
（5）将模型参数以及数据处理方法以嵌入式方式下传到边缘节点进行实时的单次采集数据边缘运算。
针对旋转型设备的启停机状态分析和正异常状况分析的边缘推理过程如下：
首先，基于下发的数据处理方法，从当前有限的样本中提取多维时频域特征，并作为后续推理过程的输入；随后，根据当前特征到相关的聚类模型参数即两簇的样本中心的距离，将标签置为与距离较近的簇的标签即可实现边缘端启停状态的推理。
设备运行正异常状态分析模型的推理过程：健康状态分析模型主要由二维卷积、平均池化、全连接以及拼接等四类算子构成。在模型训练阶段，正异常状态采用独热编码，且采用交叉熵损失函数以训练分类器参数。
在边缘推理阶段，首先，计算当前振动数据的交叉相关双谱谱图。随后，基于下发的模型参数，依次通过不同尺度的卷积和平均池化层，以提取振动数据特征；同时，将磁感应数据的统计特征通过全连接层后与该振动特征拼接起来，作为下一个全连接层的输入。最后，该全连接层输出的二维向量，即可作为设备运行正异常状态的概率，而其中较大概率对应的状态即可作为设备运行正异常状态的识别结果。
本实施例提供一种基于边缘算法的旋转型设备运行正异常状况分析装置，包括：
数据采集模块，用于同步采集旋转型设备各方向的振动数据以及电机旋转时的磁感应数据；
数据处理模块，用于利用交叉相关双谱法对不同方向的振动数据两两循环生成图片，并计算磁感应数据的时域及频域统计特征量；
深度学习分类模块，用于将图片传入深度学习分类算法进行训练，并在深度学习的中间特征网络层插入磁感应特征进行集成学习，并最终生成适配当前设备的设备运行正异常状态分析模型；
下传模块，用于将设备运行正异常状态分析模型以及振动数据和磁感应数据处理方法下传到边缘节点；
边缘运算模块，用于在边缘节点获取设备运行正异常状态分析模型及数据处理方法，且进行数据采集后，进行边缘计算；
异常判断模块，用于根据边缘计算结果判断旋转型设备是否异常；
上传模块，用于当异常判断模块判断旋转型设备异常时，命令边缘节点进行更高频次的数据上传。
具体的，如图3、图4所示，边缘节点可以采用但不限于以下的电子设备架构实现：
1.传感器部分包括振动加速度传感器、磁通量传感器和温度传感器：
（1）振动数据采集部分采用多种MEMS传感器同步采样方案，以保证振动数据稳定性，其中包括ICM20602/ADXL345/ADXL325/ ADXL326等，主要性能指标为：加速度3dB带宽大于1kHz,加速度测量范围大于±8g,加速度分辨率小于2mg的振动加速度MEMS传感器元件。
（2）磁通量传感器采用分辨率小于0.001高斯、频率高于1kHz的磁通量传感器元件。
2. 无线传输部分采用NB-IOT/4G/5G的方式传输到云平台服务器；
3.内置电池采用3.6V锂亚电池，经电源调理电路分为三路分别供无线通讯部分、传感器部分和处理起部分，其中处理起部分为持续供电，其他两部分供电通过处理起进行开关控制，以达到减小功耗的目的。
整个电子设备的核心功能如下：
采用多传感器同步采样方法，为多个振动加速度传感器和磁通量传感器进行同步采样，多个振动加速度传感器以不同频率进行同意周期内的数据采样，可以使不同传感器的数据进行性能参数互补验证，更好的保证数据准确性和稳定性。振动加速度传感器和磁通量传感器在同一采样周期内进行同时同步采集，保证振动加速度数据和磁通量传感器数据的关联性。此处为前面所述算法提供了更高质量的数据。
电子设备数据采集部分算法流程：
1.初始化外设：包括传感器供电电源开启、多种传感器外设配置、处理器集成的模数转换设备设置、处理起集成的定时器中断设置、预设定的采样数据量设置等；
2.开启采样：采集装置确定要进行采样，保证所有传感器采样数据同一时间开始进行工作；
3.定时器中断：保证采样间隔的一致性，以定时器所定的时间节拍为采样锚点；
4.传感器采样：在定时器种进行各传感器数据采样，保证数据采样时，所有传感器在0.1毫秒内将数据传输完毕，达到同步采样的目的；
5.判断采样数量是否达到预设采样数据数量，如果没有达到预设数量则继续进行采样，如果达到预设定的采样数据，则结束采样，关闭传感器电源。
本实施例提供一种服务器，包括至少一个处理器，以及与所述处理器通信连接的存储器，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述处理器执行，以使所述至少一个处理器执行如上述各方法实施例所提供的旋转型设备运行正异常状态分析方法的步骤。
本实施例提供一种计算机可读取存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述各方法实施例所提供的方法：采集旋转型设备各方向的振动数据以及电机旋转时的磁感应数据；
对采集的振动数据和磁感应数据进行处理，其中包括利用交叉相关双谱法对不同方向的振动数据两两循环生成图片，并计算磁感应数据的时域及频域统计特征量；
将图片传入深度学习分类算法进行训练，并在深度学习的中间特征网络层插入磁感应特征进行集成学习，最终生成适配当前设备的健康状态分析模型；
将健康状态分析模型以及振动数据和磁感应数据处理方法通过通信方式下传到边缘节点；
边缘节点在获取健康状态分析模型及数据处理方法后进行数据采集以及边缘运算模块进行边缘计算；当边缘模型判断设备存在异常的可能性时，会命令边缘节点进行更高频次的数据上传和存储，从而保证在无线节点的有限电量中，超过百分之五十的上传数据均为有价值的包含故障信息的原始数据。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和系统，可以通过其它的方式实现。例如，以上所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。上述单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种旋转型设备启停机状态分析模型构建方法，其特征在于，包括：
采集旋转型设备各方向的振动数据以及电机旋转时的磁感应数据；
对振动数据和磁感应数据的时域、频域进行区间划分，并对每一区间进行相应的统计特征提取；
将提取的统计特征传入聚类算法进行训练，用以得到匹配当前设备的启停状态分析模型。
2.根据权利要求1所述的旋转型设备启停机状态分析模型构建方法，其特征在于，对振动数据在时域、频域进行区间划分的方法，具体为：
在时域上利用自适应窗长检测方法进行数据划分，以削弱采样频率波动对数据变形的影响；
在频域上根据旋转类设备旋转频率的1/3倍频、1/2倍频以及1~N的整数倍频，依次进行频域划分；随后，分别在时域及频域逐段进行统计特征的提取。
3.根据权利要求1所述的旋转型设备启停机状态分析模型构建方法，其特征在于，对磁感应数据在时域、频域进行区间划分的方法，具体为：
在时域上利用自适应窗长检测方法进行数据划分，以削若采样频率波动对数据变形的影响；
在频域上提取存在明显峰值的区域，并分别在时域及频域逐段进行统计特征的提取。
4.根据权利要求1所述的旋转型设备启停机状态分析模型构建方法，其特征在于，利用聚类算法进行拆分的方法，具体为：
将振动数据特征和磁感应数据特征整合传入聚类算法，采用余弦距离为相似性度量，结合一类离群值和一类异常值评判标准将数据自动分为两簇，并辅以振动统计特征和磁感应强度特征来保证此两簇的划分与设备启停存在强相关性，从而将数据拆分为设备运行和停机两类状态。
5.一种旋转型设备启停机状态分析方法，其特征在于，包括：
将权利要求1-4任一项所述的构建方法构建形成的分析模型以及数据处理方法下传到边缘节点；边缘节点进行相应数据采集以及边缘运算模块进行边缘推理，并在设备启停状态发生改变时生成启停状态标记，并将该标记和对应的时间戳上传云端，从而准确记录设备每次开始运行和结束运行的时间点，实现有效的进行机组运行时长计时。
6.一种旋转型设备运行正异常状态分析方法，其特征在于，包括：
采集旋转型设备各方向的振动数据以及电机旋转时的磁感应数据；
对采集的振动数据和磁感应数据进行处理，其中包括利用交叉相关双谱法对不同方向的振动数据两两循环生成图片，并计算磁感应数据的时域及频域统计特征量；
将图片传入深度学习分类算法进行训练，并在深度学习的中间特征网络层插入磁感应特征进行集成学习，从而生成适配当前设备的设备运行正异常状态分析模型；
将设备运行正异常状态分析模型以及振动数据和磁感应数据处理方法下传到边缘节点；
边缘节点在获取设备运行正异常状态分析模型及数据处理方法后，进行数据采集并通过边缘运算模块进行边缘推理；当边缘运算模块判断设备可能处于异常运行状态时，会命令边缘节点进行更高频次的数据上传，从而保证在节点上传的有限数据中，超过百分之五十的上传数据均包含故障信息。
7.一种旋转型设备运行正异常状况分析装置，其特征在于，包括：
数据采集模块，用于同步采集旋转型设备各方向的振动数据以及电机旋转时的磁感应数据；
数据处理模块，用于利用交叉相关双谱法对不同方向的振动数据两两循环生成图片，并计算磁感应数据的时域及频域统计特征量；
深度学习分类模块，用于将图片传入深度学习分类算法进行训练，并在深度学习的中间特征网络层插入磁感应特征进行集成学习，并最终生成适配当前设备的设备运行正异常状态分析模型；
下传模块，用于将设备运行正异常状态分析模型以及振动数据和磁感应数据处理方法下传到边缘节点；
边缘运算模块，用于在边缘节点获取设备运行正异常状态分析模型及数据处理方法，且进行数据采集后，进行边缘推理；
异常判断模块，用于根据边缘计算结果判断旋转型设备是否异常；
上传模块，用于当异常判断模块判断旋转型设备异常时，命令边缘节点进行更高频次的数据上传。
8.一种服务器，其特征在于：包括至少一个处理器，以及与所述处理器通信连接的存储器，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述处理器执行，以使所述至少一个处理器执行如权利要求6所述的旋转型设备运行正异常状态分析方法。
9.一种计算机可读取存储介质，存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求6所述的旋转型设备运行正异常状态分析方法。
CN202011081591.1A 2020-10-12 2020-10-12 一种旋转型设备运行正异常状态分析方法、装置 Active CN111931389B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011081591.1A CN111931389B (zh) 2020-10-12 2020-10-12 一种旋转型设备运行正异常状态分析方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011081591.1A CN111931389B (zh) 2020-10-12 2020-10-12 一种旋转型设备运行正异常状态分析方法、装置

Publications (2)

Publication Number Publication Date
CN111931389A true CN111931389A (zh) 2020-11-13
CN111931389B CN111931389B (zh) 2021-01-01

Family

ID=73334718

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011081591.1A Active CN111931389B (zh) 2020-10-12 2020-10-12 一种旋转型设备运行正异常状态分析方法、装置

Country Status (1)

Country Link
CN (1) CN111931389B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348135A (zh) * 2020-11-26 2021-02-09 中国科学院空天信息创新研究院 一种基于无线传感器网络的个体行为数据识别方法
CN112488302A (zh) * 2020-12-07 2021-03-12 交控科技股份有限公司 轨道交通中列车过车判定方法及系统
CN112577724A (zh) * 2020-12-03 2021-03-30 安徽容知日新科技股份有限公司 动设备启停机阈值的确定方法、启停机监测方法及装置
CN112734703A (zh) * 2020-12-28 2021-04-30 佛山市南海区广工大数控装备协同创新研究院 一种利用ai云端协同检测的pcb缺陷优化方法
CN112800907A (zh) * 2021-01-19 2021-05-14 广州华望汽车电子有限公司 鼻梁条用料情况检测方法、系统、装置和存储介质
CN113505503A (zh) * 2021-06-04 2021-10-15 浙江大学 基于标记点的电机磁固热多场耦合振动分析方法
CN113993001A (zh) * 2021-09-08 2022-01-28 四创电子股份有限公司 一种基于滑动数据窗口的实时流式分析告警方法
CN114155692A (zh) * 2021-12-02 2022-03-08 观为监测技术无锡股份有限公司 一种设备故障上报方法、装置及存储介质
CN117834630A (zh) * 2024-03-06 2024-04-05 中智关爱通(南京)信息科技有限公司 用于感知网络中边缘节点健康状态的方法、设备和介质
CN117932500A (zh) * 2024-03-22 2024-04-26 云翔赛博(山东)数字技术有限公司 提高无线温振传感器使用寿命的系统及方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104180895A (zh) * 2013-05-24 2014-12-03 安徽容知日新信息技术有限公司 旋转机械的振动信号同步采集装置及振动信号采集方法
CN106662904A (zh) * 2014-03-25 2017-05-10 佐尼特结构解决方案有限责任公司 用于功率母线槽的自动转换开关
CN107643485A (zh) * 2016-12-01 2018-01-30 中国石油化工股份有限公司 一种自供电的旋转设备状态监测装置
CN108510153A (zh) * 2018-02-08 2018-09-07 同济大学 一种多工况旋转机械故障诊断方法
CN207923283U (zh) * 2018-04-01 2018-09-28 钟海 一种机械设备质量振动检测装置
CN209068033U (zh) * 2018-09-19 2019-07-05 四川迪派锐科技有限公司 一种编码式智能管道爬行器磁控制器
CN110134571A (zh) * 2019-05-22 2019-08-16 湃方科技(北京)有限责任公司 旋转型机械设备健康状态监测方法及装置
CN110160813A (zh) * 2019-05-22 2019-08-23 湃方科技(北京)有限责任公司 旋转设备状态监测方法及装置
JP2020034811A (ja) * 2018-08-31 2020-03-05 キヤノン株式会社 防振装置および防振装置を備えた撮像装置
CN110999046A (zh) * 2017-06-10 2020-04-10 格林电子技术有限公司 用于感应加热电机的电枢或定子的方法和装置
CN111091278A (zh) * 2019-12-04 2020-05-01 湃方科技(天津)有限责任公司 机械设备异常检测的边缘检测模型构建方法及装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104180895A (zh) * 2013-05-24 2014-12-03 安徽容知日新信息技术有限公司 旋转机械的振动信号同步采集装置及振动信号采集方法
CN106662904A (zh) * 2014-03-25 2017-05-10 佐尼特结构解决方案有限责任公司 用于功率母线槽的自动转换开关
CN107643485A (zh) * 2016-12-01 2018-01-30 中国石油化工股份有限公司 一种自供电的旋转设备状态监测装置
CN110999046A (zh) * 2017-06-10 2020-04-10 格林电子技术有限公司 用于感应加热电机的电枢或定子的方法和装置
CN108510153A (zh) * 2018-02-08 2018-09-07 同济大学 一种多工况旋转机械故障诊断方法
CN207923283U (zh) * 2018-04-01 2018-09-28 钟海 一种机械设备质量振动检测装置
JP2020034811A (ja) * 2018-08-31 2020-03-05 キヤノン株式会社 防振装置および防振装置を備えた撮像装置
CN209068033U (zh) * 2018-09-19 2019-07-05 四川迪派锐科技有限公司 一种编码式智能管道爬行器磁控制器
CN110134571A (zh) * 2019-05-22 2019-08-16 湃方科技(北京)有限责任公司 旋转型机械设备健康状态监测方法及装置
CN110160813A (zh) * 2019-05-22 2019-08-23 湃方科技(北京)有限责任公司 旋转设备状态监测方法及装置
CN111091278A (zh) * 2019-12-04 2020-05-01 湃方科技(天津)有限责任公司 机械设备异常检测的边缘检测模型构建方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
温广瑞等: ""基于弗德卡曼阶比跟踪的转子起停车故障特征提取方法及应用"", 《振动与冲击》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348135B (zh) * 2020-11-26 2021-08-10 中国科学院空天信息创新研究院 一种基于无线传感器网络的个体行为数据识别方法
CN112348135A (zh) * 2020-11-26 2021-02-09 中国科学院空天信息创新研究院 一种基于无线传感器网络的个体行为数据识别方法
CN112577724A (zh) * 2020-12-03 2021-03-30 安徽容知日新科技股份有限公司 动设备启停机阈值的确定方法、启停机监测方法及装置
CN112577724B (zh) * 2020-12-03 2023-01-31 安徽容知日新科技股份有限公司 动设备启停机阈值的确定方法、启停机监测方法及装置
CN112488302A (zh) * 2020-12-07 2021-03-12 交控科技股份有限公司 轨道交通中列车过车判定方法及系统
CN112734703A (zh) * 2020-12-28 2021-04-30 佛山市南海区广工大数控装备协同创新研究院 一种利用ai云端协同检测的pcb缺陷优化方法
CN112800907A (zh) * 2021-01-19 2021-05-14 广州华望汽车电子有限公司 鼻梁条用料情况检测方法、系统、装置和存储介质
CN112800907B (zh) * 2021-01-19 2024-06-07 广州华望半导体科技有限公司 鼻梁条用料情况检测方法、系统、装置和存储介质
CN113505503A (zh) * 2021-06-04 2021-10-15 浙江大学 基于标记点的电机磁固热多场耦合振动分析方法
CN113505503B (zh) * 2021-06-04 2023-08-11 浙江大学 基于标记点的电机磁固热多场耦合振动分析方法
CN113993001A (zh) * 2021-09-08 2022-01-28 四创电子股份有限公司 一种基于滑动数据窗口的实时流式分析告警方法
CN114155692A (zh) * 2021-12-02 2022-03-08 观为监测技术无锡股份有限公司 一种设备故障上报方法、装置及存储介质
CN117834630A (zh) * 2024-03-06 2024-04-05 中智关爱通(南京)信息科技有限公司 用于感知网络中边缘节点健康状态的方法、设备和介质
CN117834630B (zh) * 2024-03-06 2024-05-03 中智关爱通(南京)信息科技有限公司 用于感知网络中边缘节点健康状态的方法、设备和介质
CN117932500A (zh) * 2024-03-22 2024-04-26 云翔赛博(山东)数字技术有限公司 提高无线温振传感器使用寿命的系统及方法

Also Published As

Publication number Publication date
CN111931389B (zh) 2021-01-01

Similar Documents

Publication Publication Date Title
CN111931389B (zh) 一种旋转型设备运行正异常状态分析方法、装置
CN113742387A (zh) 数据处理方法、设备及计算机可读存储介质
CN113158814B (zh) 一种基于卷积自编码器的轴承健康状态监测方法
CN102466566A (zh) 动力设备异常检测装置及其检测方法
CN108932581A (zh) 多物理域信息融合的自主感知方法及系统
CN117556359A (zh) 配电设备健康状态评估系统及方法
CN116248674A (zh) 一种数据传输方法、装置及系统
CN117591857A (zh) 一种基于深度学习的电机检测方法
CN116976531B (zh) 用于井下电控设备的集成管理方法及系统
CN117010191B (zh) 一种水轮发电机组的异常状态识别方法及系统
CN110119789A (zh) 一种旋转型机械设备启停判断方法及系统
CN109165396A (zh) 一种故障演化趋势的设备剩余使用寿命预测方法
CN116127324A (zh) 不间断电源内部关键部件的故障检测方法和装置
CN111242329A (zh) 一种港口起重机传动部件大数据监控系统及监控方法
CN115859210A (zh) 一种带电机设备停机尾音智能检测方法及系统
CN108829084A (zh) 一种基于粒子滤波的分布式智能故障诊断方法及其装置
CN116226719A (zh) 基于多维稳态振动特征的轴承故障诊断方法及相关组件
CN115378140A (zh) 基于图像识别的无人机电力设备巡检系统及方法
CN115221769A (zh) 一种故障预测方法、系统、电子设备和存储介质
CN116415129A (zh) 用于评估造纸机的刮刀的健康状态的方法、装置和计算设备
CN112484980A (zh) 基于声音与图像分析的机械故障检测系统及方法
CN116893297B (zh) 旋转设备能耗的监测方法、监测系统
CN112098836B (zh) 一种基于电气畸变分析的电动机非稳数据排除方法及系统
CN118585806A (zh) 一种模型训练方法、装置、电子设备及存储介质
TWI758824B (zh) 機械運轉時之異常檢測與折損檢測系統及方法

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
GR01 Patent grant
GR01 Patent grant