CN111950201B - 一种泵用密封装置的全生命周期监测系统及方法 - Google Patents
一种泵用密封装置的全生命周期监测系统及方法 Download PDFInfo
- Publication number
- CN111950201B CN111950201B CN202010804292.XA CN202010804292A CN111950201B CN 111950201 B CN111950201 B CN 111950201B CN 202010804292 A CN202010804292 A CN 202010804292A CN 111950201 B CN111950201 B CN 111950201B
- Authority
- CN
- China
- Prior art keywords
- data
- pump
- sealing device
- cloud server
- monitoring
- 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.)
- Active
Links
- 238000007789 sealing Methods 0.000 title claims abstract description 127
- 238000012544 monitoring process Methods 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000036541 health Effects 0.000 claims abstract description 91
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000004891 communication Methods 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000003745 diagnosis Methods 0.000 claims description 43
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 16
- 238000013135 deep learning Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 230000008859 change Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001595 flow curve Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000003566 sealing material Substances 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种泵用密封装置的全生命周期监测系统及方法,所述系统包括分布在泵密封装置所在区域的不同测量节点的至少一个采集装置,所述采集装置通过通讯装置(2)与云服务器(3)连接以将所述采集装置测量的数据信息发送至所述云服务器,其中,所述采集装置的采集数据至少包括压力数据、湿度数据、温度数据、流量数据和/或振动数据,所述云服务器中的数据处理模块基于监测模型将所述采集数据分析处理形成能够表征泵密封装置的健康值的全生命周期曲线。本发明能够基于环境的客观因素来对泵密封装置进行更客观、更准确的全生命周期的监测,评估和预测密封装置的使用寿命并进行及时更换,全部避免密封装置失效的情况,实现安全生产。
Description
技术领域
本发明涉及泵密封装置技术领域,尤其涉及一种泵用密封装置的全生命周期监测系统及方法。
背景技术
现有技术中一般是采用了多个机械密封结构来实现对电机轴的密封,密封结构一般是采用动环磨块和静环磨块之间形成摩擦副进行的密封,但是动环磨块和静环磨块均设置在泵腔内,而并没有在泵腔和静环磨块之间增设密封结构,造成了水从叶轮和静环磨块之间的间隙进入并与电机轴的外周壁相接触,导致了泵用密封结构密封效果较差,容易对电机轴产生磨损,降低了泵的使用寿命和使用效率。
但是,泵的密封装置的密封寿命没有得到监测,从而在密封寿命接近,或者磨损导致密封损坏时没有及时进行密封装置的更换,使得气体容易泄露,造成生产安全事故。因此,泵的密封装置的全生命周期应当得到监测。
当前,全生命周期监测普遍应用在物料管理、电池管理、智能建筑管理等技术领域,却没有设计干气密封装置、泵密封装置的密封技术领域。因此,当前,泵的密封装置的全生命周期是缺乏监测的,仅通过设置防漏结构来保证生产安全。
例如,中国专利文献公开了一种设备的全生命周期数据处理方法及系统,通过数据采集器获取设备的全生命周期的各阶段的特征数据,特征数据包括系统配置数据和设备运行状态数据,继而数据采集器将系统配置数据和满足目标条件的设备运行状态数据上传至服务器,然后服务器将接收到的满足目标条件的设备运行状态数据与预先存储的与设备的全生命周期的各阶段的系统配置数据对应关联的预警阈值策略进行匹配,若匹配成功,那么服务器将发出预警提示信息。通过上述方式实现了对设备的全生命周期的各阶段的数据进行统一存储和处理,若设备的运行状态数据满足预先设定的预警阈值策略,则服务器发出预警提示信息,进而实现对设备的全生命周期的数据的全方位管控。虽然该发明能够对普通设备进行全生命周期的检测,但是密封装置具有压力大、易爆炸、易损伤的特点,因此不适用于泵的密封装置的监测。
此外,一方面由于对本领域技术人员的理解存在差异;另一方面由于发明人做出本发明时研究了大量文献和专利,但篇幅所限并未详细罗列所有的细节与内容,然而这绝非本发明不具备这些现有技术的特征,相反本发明已经具备现有技术的所有特征,而且申请人保留在背景技术中增加相关现有技术之权利。
发明内容
针对现有技术之不足,本发明提供一种泵用密封装置的全生命周期监测系统,其特征在于,所述系统包括分布在泵密封装置所在区域的不同测量节点的至少一个采集装置,所述采集装置通过通讯装置与云服务器连接以将所述采集装置测量的数据信息发送至所述云服务器,其中,所述采集装置的采集数据至少包括压力数据、湿度数据、温度数据、流量数据和/或振动数据,所述云服务器中的数据处理模块基于监测模型将所述采集数据分析处理形成能够表征泵密封装置的健康值的全生命周期曲线。本发明通过对泵用密封装置的全生命周期监测,实现了对密封装置的健康状态的检测,能够及时更换密封装置,避免安全生产事故。
优选的,所述云服务器还包括数据诊断模块,所述数据诊断模块与所述数据处理模块通信连接,所述数据诊断模块对各类采集数据的全生命周期曲线和所述健康值的全生命周期曲线进行异常情况诊断,在异常情况发生的情况下,所述数据诊断模块向与所述云服务器通信连接的监测中心发送预警信息。对弈异常情况的诊断有利于及时对监测人员发出提醒,以便于及时发现密封装置的异常,降低泄露的损失。
优选的,所述云服务器还包括建模模块,所述建模模块基于包括泵密封装置的压力、湿度、温度、流量、振动和健康值的样本数据建立监测模型,其中,健康值的特征向量F表示压力数据,T表示温度数据,RH表示湿度数据,Q表示流量数据,f表示振动频率。本发明的监测模型,涉及影响因素多,从而得到的健康值的预测更准确。
优选的,所述建模模块将所述健康值的特征向量输入深度学习算法进行训练和优化,直至输出的预测健康值/>与样本健康值数据xt的误差小于误差阈值,得到监测模型。本发明的建模方式,有利于得到智能化、准确的监测模型。
优选的,所述云服务器与至少一个移动终端和/或PC终端通过优先或无线的方式建立通信连接,从而至少一个所述移动终端和/或PC终端与云服务器中的用户端访问服务模块建立信息交互以查询泵用密封装置的全生命周期信息。本发明有利于工作人员或者监测人员随时查看密封装置的运行状态和健康状态,从而便于工作人员安排工作进度,提高工作效率。
优选的,所述通讯装置还包括至少一个数据缓存模块,所述数据缓存模块对所述采集装置测量的数据信息进行缓存、整理并发送至云服务器,有利于减少通讯装置与云服务器之间的数据传输量,避免数据量太大导致的数据传输卡顿以及数据丢失现象。
优选的,所述云服务器通过有线或无线的方式与监控中心建立通信连接,所述监控中心设置有存储至少一种监测模型的专家知识诊断库,所述数据处理模型基于所述数据诊断模块发送的更新监测模型指令来更新监测模型,其中,所述数据诊断模块基于当前的监测模型与待更新监测模型的健康值对比结果来发送更新监测模型指令。本发明的监测模型的更新有利于根据客观环境情况更换更准确的模型,得到更准确的健康值生命周期曲线。
本发明还提供一种泵用密封装置的全生命周期监测方法,所述方法包括:
在泵密封装置所在区域的不同测量节点的至少一个采集装置,
所述采集装置通过通讯装置将采集的数据信息发送至云服务器,其中,
所述采集装置的采集数据至少包括压力数据、湿度数据、温度数据、流量数据和/或振动数据,
所述云服务器中的数据处理模块基于监测模型将所述采集数据分析处理形成能够表征泵密封装置的健康值的全生命周期曲线。
所述方法还包括:所述云服务器中的数据诊断模块对各类采集数据的全生命周期曲线和所述健康值的全生命周期曲线进行异常情况诊断,
在异常情况发生的情况下,所述数据诊断模块向与所述云服务器通信连接的监测中心发送预警信息。
所述方法还包括:所述云服务器中的建模模块基于包括泵密封装置的压力、湿度、温度、流量、振动和健康值的样本数据建立监测模型,其中,
健康值的特征向量F表示压力数据,T表示温度数据,RH表示湿度数据,Q表示流量数据,f表示振动频率。
本发明还提供一种泵用密封装置的生命周期预测系统,其特征在于,所述系统包括分布在泵用密封装置所在区域的不同测量节点的至少一个采集装置,所述采集装置通过通讯装置与云服务器连接以将所述采集装置测量的数据信息发送至所述云服务器,
所述云服务器中的数据处理模块基于监测模型将所述采集数据分析处理形成全生命周期曲线,并且根据所述全生命周期曲线、环境参数和人为因素预测所述泵用密封装置的健康值,其中,
所述采集装置的采集数据至少包括压力数据、湿度数据、温度数据、流量数据和/或振动数据。
本发明的有益技术效果:
相比于现有技术,本发明能够基于环境的客观因素来对泵密封装置进行更客观、更准确的全生命周期的监测,评估和预测密封装置的使用寿命并进行及时更换,全部避免密封装置失效的情况,实现安全生产。
附图说明
图1是本发明的框架结构图。
附图标记列表
1:数据采集点;2:通讯装置;3:云服务器;4:移动终端;5:PC终端;6:监控中心。
具体实施方式
下面结合附图进行详细说明。
本发明提供泵用密封装置的全生命周期监测系统,如图1所示。本发明还可以是一种泵用密封装置的寿命预测系统,还可以是一种泵用密封装置的健康监测方法。
实施例1
泵用密封装置的全生命周期监测系统至少包括设置在若干测量节点的采集装置1。采集节点至少包括压力测量节点、湿度测量节点、温度测量节点、流量测量节点、振动测量。采集装置至少包括压力传感器、温度传感器、流量传感器、振动传感器、湿度传感器等。
若干采集装置1通过有线或无线的通讯装置2与云服务器3通信连接,将测量节点的数据信息无线发送至云服务器。优选的,通讯装置2包括4G数据发射终端、5G数据发射终端。优选的,通讯装置2内设置有至少一个数据缓存模块,用于对各个测量节点上传的数据进行整理、处理并通过通讯装置2发送至云服务器,例如,删除误差较大的数据,有利于减少数据的传输量,减少数据的延迟效应。
云服务器3用于通过云计算将接收的各类数据进行存储、分析、计算。其中,云服务器至少包括用户端访问服务模块、数据处理模块、数据查询模块、数据库和数据诊断模块。用户端访问服务模块、数据处理模块、数据查询模块、数据库和数据诊断模块彼此建立通信连接,从而相互发送指令或者数据信息。用户端访问服务模块、数据处理模块、数据查询模块、数据库和数据诊断模块均可以是专用集成芯片、计算器、服务器、服务器群组中的一种或几种。
用户端访问服务模块用于基于用户端的访问请求来提取信息并发送至用户端,从而实现云服务器与用户端的交互。用户端包括移动终端4和PC终端5,便于用户通过移动终端或PC终端查看泵密封装置的数据信息预测密封状态。本发明的泵密封装置的密封状态,是指泵密封装置的健康值。健康值高,则密封状态好,健康值降低,则密封状态逐渐变差。
数据处理模块用于对接收的采集数据根据监测模型进行相应的计算和处理,生成对应的生命周期曲线,用于预测和评估泵密封装置的生命周期状态。数据处理模块处理后的信息存储于数据库中进行存储。
数据查询模块用于根据移动终端和/或PC终端的访问请求从数据库进行数据检索服务和数据信息展示。数据信息展示包括数据展示、数据曲线展示、泵密封装置的健康状态展示等。
数据诊断模块用于对各类数据变化曲线进行异常判断,从而对生命周期内的异常情况进行预警。数据变化曲线包括压力曲线、温度曲线、流量曲线、振动曲线、健康值曲线等等。
移动终端和PC终端用于通过互联网络访问的方式查询泵用密封装置的实时运行数据、密封状态、报表数据等相关信息。
其中,云服务器3还通过有线或无线的方式与监控中心6通信连接。监控中心6用于实时监测泵用密封装置的采集数据。其中,监控中心6设置有专家知识诊断库。专家知识诊断库存储有多种监测模型,能够对数据处理模块中的监测模型进行更新,并且能够为数据诊断模块提供更优的诊断规则,从而更精准地预测泵用密封装置的运行状况与密封状态。
本发明的云服务器3中还包括建模模块,用于对不同型号的泵密封装置的密封状态的计算方法建立监测模型,从而使得数据处理模块能够根据监测模型计算泵密封装置的健康值。建模模块与数据处理模块进行数据连接。
本发明对建模模块的建模方法进行如下说明。
S1:采集样本数据。
对于作为样本的泵密封装置,通过设置压力传感器、温度传感器、流量传感器、振动传感器、湿度传感器来采集与健康值对应的样本数据。将大量样本数据存储形成样本数据库。将采集的样本数据按照预设的格式进行整理,作为监测模型的输出数据。
其中,压力数据为F,温度数据为T,湿度数据为RH,流量数据为Q,振动数据为f。
S2:定义健康值的特征向量
S3:建立监测模型并进行初始化。
基于深度学习算法建立监测模型并初始化。深度学习算法至少包括基于最小二乘法拟合算法的高维非线性模型和BP(Back-propagation,反向传播)神经网络算法。优选的,基于最小二乘法拟合算法的高维非线性模型,或BP神经网络算法进行深度学习,得到校准模型。每一个特征向量对应一个气体浓度的预测值。
本发明通过将压力数据F,温度数据T,湿度数据RH,流量数据Q,振动数据f纳入健康值的影响因素,使得泵密封装置的密封状态得到全面的影响因素监控,从而得到泵密封装置的准确密封状态。避免由于某个因素的遗漏导致密封状态预测出现偏差。
S4:优化标准模型。
将特征向量输入深度学习算法进行训练和优化,直至监测模型输出的预测健康值/>与样本健康值数据xt的误差小于误差阈值,形成监测模型。本发明通过深度学习方法进行训练,得到的预测健康值与样本健康值的误差小,有利于得到准确的监测模型,即获得准确的预测结果。
具体地,将特征向量输入高维非线性模型中,利用最小二乘法进行训练,使得模型输出的预测值接近样本值。预测值为预测健康值/>样本值为样本健康值xt。即监测模型使得预测健康值/>接近样本健康值xt。
或者,将特征向量输入反向传播神经网络中,进行训练,使得模型输出的预测健康值接近样本健康值xt。
S5:确定算法在优化中可改变的参数。
可改变参数可以是:高维非线性模型中每一项的系数,或反向传播神经网络中每层之间的权重。即压力数据F,温度数据T,湿度数据RH,流量数据Q,振动数据f各自的权重参数或者系数参数,使得可改变参数随着密封装置的类型变化以及模型训练来得到适应性变化,实现匹配各个类型的密封装置的个性化监测模型。
S6:当预测健康值与样本健康值xt的平均误差小于10-3即0.1%时,监测模型建立完成。
S7:数据处理模块将实时采集的数据输入监测模型中,得到预测的健康值,从而得到泵密封装置的密封状态,判断泵密封装置是否需要更换,或者预防密封装置失效而采取相关措施。
优选的,本发明还能够将泵密封装置工作时的工作电极输出电压VWE与辅助电极输出电压VAUX作为健康值的影响因素。优选的,电参数不限于电压参数,还包括能够通过计算得到工作电极输出电压VWE与辅助电极输出电压VAUX的电流参数、电感参数、电容参数等。
使得特征向量将特征向量输入深度学习算法进行训练和优化,得到监测模型。电压也会影响到泵轴的运动,从而影响泵密封装置的密封效果。因此,将电压影响因素纳入监测模型中,能够更准确的得到泵密封装置的密封状态的监测以及预测效果。
优选的,本发明的数据处理模块中的监测模型能够定期进行更新。例如,四季的温度、使用时间存在明显差距,其对泵密封装置的密封效果的影响是不同的。因此,数据处理模块基于数据诊断模块发送的更新监测模型指令来更新监测模型。其中,专家知识诊断库基于预设的泵密封装置的季节和/或启用时间来发出更新监测模型的指示并且提供新监测模型。泵的密封装置的材料会在使用过程中老化进而影响密封效果。因此,根据密封装置的启用时间、或者季节来进行与启用时间或季节相适配的监测模型,能够明显有利于提高泵密封装置的监测准确度,实现泵密封装置的全生命周期的准确监测。
优选的,专家知识诊断库内存储有专业人员输入的监测模型预备更换时间段以及待更新监测模型。在预备更换监测模型的预备时间段内,数据诊断模块接收实时数据并且将实时数据用待更新监测模型进行参考计算,得到参考健康值。并且,数据诊断模块将当前监测模型根据同样的实时数据计算的实时健康值与待更新监测模型的参考健康值进行对比。在实时健康值与参考健康值的平均误差大于10-3即0.1%时,数据诊断模块向数据处理模型发送监测模型更新信息以及待更新监测模型。如此设置,有利于减少监测模型的监测误差,减少密封材料老化对监测结果的影响,提高监测模型的准确度。
优选的,在监测模型的健康值的生命周期曲线出现明显异常的情况下,数据诊断模块基于异常数值向专家知识诊断库检索异常案例信息。专家知识诊断库存储有至少一种异常案例及其诊断方案。数据诊断模块将泵密封装置的各类采集数据的全生命周期曲线以及健康值的全生命周期曲线与异常案例进行对比,并向监测中心6反馈诊断方案。诊断方案包含解决方式信息。优选的,数据诊断模块对异常全生命周期曲线匹配案例失败的情况下,所述数据诊断模块向至少一个与云服务器连接的专家终端发送请求信息,以请求专家人员通过专家终端来接收异常信息,从而进行人工线上或人工线下诊断,解决异常情况。
本发明的泵用密封装置的全生命周期监测方法,同样能够用于泵用密封装置的寿命预测或者更新提醒。
相比于现有技术中通过泄露来发现泵密封装置的失效情况,本发明通过对泵密封装置的全生命周期的健康值进行监测,能够预测泵用密封装置的使用寿命。在泵密封装置的密封效率即将失效前更换密封装置的更换,避免生产安全事故,提高生产效率。
优选的,在数据处理模块根据监测模型得到的健康值低于健康阈值的情况下,数据诊断模块向监控中心发送预警信息,以便提醒工作人员对密封装置进行更换。
优选的,本发明中,数据诊断模块与能够提供天气变化信息以及天气预测信息的第三方平台连接。数据诊断模块基于天气的温度变化曲线向至少一个专家终端发送监测模型提醒信息。其中,在天气温度与所在季节的平均温度的温度差连续一周大于温度差阈值的情况,数据诊断模块向专家终端发送监测模型更新提醒信息。专家终端的专家人员基于实际情况选择或建立待更新的监测模型。本发明通过将天气温度因素作为监测模型的更换条件之一,使得新的监测模型能够更符合季节的变化,避免天气温度对密封装置实际温度影响的权重变化导致的健康值的误差,更有利于监测模型的准确度的提升。
实施例2
本实施例是对实施例1的进一步论述,重复的内容不再赘述。
本发明还提供一种泵用密封装置的生命周期预测系统,所述系统包括分布在泵用密封装置所在区域的不同测量节点的至少一个采集装置,所述采集装置通过通讯装置2与云服务器3连接以将所述采集装置测量的数据信息发送至所述云服务器3。
云服务器中的数据处理模块基于监测模型将所述采集数据分析处理形成全生命周期曲线,并且根据所述全生命周期曲线、环境参数和人为因素预测所述泵用密封装置的健康值。其中,所述采集装置的采集数据至少包括压力数据、湿度数据、温度数据、流量数据和/或振动数据。
优选的,数据处理模块基于第三方平台发送至云服务器的环境参数、和人为因素调节由监测模型计算的预测健康值,从而形成泵用密封装置的修正健康值。
环境参数至少包括环境的湿度变化参数、早晚温度差异参数等。例如,湿度变化参数小于5的调节因子为-0.2,湿度变化范围在5~10的调节因子为-0.4。早晚温度差异参数小于5的调节因子为-1,早晚温度差异参数在5~10的调节因子为-2。A表示温度变化参数的调节因子,B表示早晚温度差异参数的调节因子。
人为因素至少包括由工作人员通过监测平台发送的暂停次数、维修次数、维修间隔时间等因素。人工因素的种类还可以根据实际需要来设置。每一个人为因素具有对应的调节因子。例如,暂停一次的调节因子为-0.5,维修次数为-0.2,维修间隔一个月的调节因子为-1,维修间隔6个月的调节因子为-0.5。C表示暂停次数的调节因子,D表示维修次数的调节因子。E表示维修间隔时间的调节因子。
本发明的调节因子,对泵用密封装置具有健康积极影响的为正数,对泵用密封装置具有负面影响的为负数。
数据处理模块基于环境参数和人为因素对预测健康值的修正方法为:
健康值=预测健康值+A+B+C+D+E
对预测健康值进行修正,得到真实的健康值,有利于数据处理模块预测泵用密封装置的真实健康状态,降低理论预测的误差,从而使得监测人员能够对泵用密封装置进行及时的更换,避免泄漏等安全事故的发生。
需要注意的是,上述具体实施例是示例性的,本领域技术人员可以在本发明公开内容的启发下想出各种解决方案,而这些解决方案也都属于本发明的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白,本发明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护范围由权利要求及其等同物限定。
Claims (7)
1.一种泵用密封装置的全生命周期监测系统,其特征在于,所述系统包括分布在泵密封装置所在区域的不同测量节点的至少一个采集装置,所述采集装置通过通讯装置(2)与云服务器(3)连接以将所述采集装置测量的数据信息发送至所述云服务器(3),其中,
所述采集装置的采集数据至少包括压力数据、湿度数据、温度数据、流量数据和/或振动数据,
所述云服务器(3)中的数据处理模块基于监测模型将所述采集数据分析处理形成能够表征泵密封装置的与泵密封装置工作电极输出电压和辅助电极输出电压相关的健康值的全生命周期曲线;
数据处理模块基于第三方平台发送至云服务器(3)的环境参数和人为因素调节由监测模型计算的预测健康值,从而形成泵用密封装置的修正健康值,人为因素至少包括由工作人员通过监测平台发送的暂停次数、维修次数和维修间隔时间因素;
所述云服务器(3)还包括建模模块,
所述建模模块基于包括泵密封装置的压力、湿度、温度、流量、振动和健康值的样本数据建立监测模型,其中,
健康值的特征向量
F表示压力数据,T表示温度数据,RH表示湿度数据,Q表示流量数据,f表示振动频率;
所述建模模块将所述健康值的特征向量输入深度学习算法进行训练和优化,直至输出的预测健康值/>与样本健康值数据xt的误差小于误差阈值,得到监测模型。
2.根据权利要求1所述的泵用密封装置的全生命周期监测系统,其特征在于,所述云服务器(3)还包括数据诊断模块,所述数据诊断模块与所述数据处理模块通信连接,
所述数据诊断模块对各类采集数据的全生命周期曲线和所述健康值的全生命周期曲线进行异常情况诊断,
在异常情况发生的情况下,所述数据诊断模块向与所述云服务器(3)通信连接的监控中心(6)发送预警信息。
3.根据权利要求1或2所述的泵用密封装置的全生命周期监测系统,其特征在于,
所述云服务器(3)与至少一个移动终端(4)和/或PC终端(5)通过有线或无线的方式建立通信连接,从而
至少一个所述移动终端(4)和/或PC终端(5)与云服务器(3)中的用户端访问服务模块建立信息交互以查询泵用密封装置的全生命周期信息。
4.根据权利要求3所述的泵用密封装置的全生命周期监测系统,其特征在于,所述云服务器(3)通过有线或无线的方式与监控中心(6)建立通信连接,
所述监控中心(6)设置有存储至少一种监测模型的专家知识诊断库,
数据处理模型基于数据诊断模块发送的更新监测模型指令来更新监测模型,其中,
所述数据诊断模块基于当前的监测模型与待更新监测模型的健康值对比结果来发送更新监测模型指令。
5.一种泵用密封装置的全生命周期监测方法,其特征在于,所述方法包括:
在泵密封装置所在区域的不同测量节点的至少一个采集装置,
所述采集装置通过通讯装置(2)将采集的数据信息发送至云服务器(3),其中,
所述采集装置的采集数据至少包括压力数据、湿度数据、温度数据、流量数据和/或振动数据,
所述云服务器(3)中的数据处理模块基于监测模型将所述采集数据分析处理形成能够表征泵密封装置的与泵密封装置工作电极输出电压和辅助电极输出电压相关的健康值的全生命周期曲线;
数据处理模块基于第三方平台发送至云服务器(3)的环境参数和人为因素调节由监测模型计算的预测健康值,从而形成泵用密封装置的修正健康值,人为因素至少包括由工作人员通过监测平台发送的暂停次数、维修次数和维修间隔时间因素;
所述云服务器(3)还包括建模模块,
所述建模模块基于包括泵密封装置的压力、湿度、温度、流量、振动和健康值的样本数据建立监测模型,其中,
健康值的特征向量
F表示压力数据,T表示温度数据,RH表示湿度数据,Q表示流量数据,f表示振动频率;
所述建模模块将所述健康值的特征向量输入深度学习算法进行训练和优化,直至输出的预测健康值/>与样本健康值数据xt的误差小于误差阈值,得到监测模型。
6.根据权利要求5所述的泵用密封装置的全生命周期监测方法,其特征在于,所述方法还包括:
所述云服务器(3)中的数据诊断模块对各类采集数据的全生命周期曲线和所述健康值的全生命周期曲线进行异常情况诊断,
在异常情况发生的情况下,所述数据诊断模块向与所述云服务器(3)通信连接的监控中心(6)发送预警信息。
7.一种泵用密封装置的生命周期预测系统,其特征在于,所述系统包括分布在泵用密封装置所在区域的不同测量节点的至少一个采集装置,所述采集装置通过通讯装置(2)与云服务器(3)连接以将所述采集装置测量的数据信息发送至所述云服务器(3),
所述云服务器(3)中的数据处理模块基于监测模型将采集数据分析处理形成全生命周期曲线,并且根据所述全生命周期曲线、环境参数和人为因素预测所述泵用密封装置的与泵密封装置工作电极输出电压和辅助电极输出电压相关的健康值,其中,
所述采集装置的采集数据至少包括压力数据、湿度数据、温度数据、流量数据和/或振动数据;
数据处理模块基于第三方平台发送至云服务器(3)的环境参数和人为因素调节由监测模型计算的预测健康值,从而形成泵用密封装置的修正健康值,人为因素至少包括由工作人员通过监测平台发送的暂停次数、维修次数和维修间隔时间因素;
所述云服务器(3)还包括建模模块,
所述建模模块基于包括泵密封装置的压力、湿度、温度、流量、振动和健康值的样本数据建立监测模型,其中,
健康值的特征向量
F表示压力数据,T表示温度数据,RH表示湿度数据,Q表示流量数据,f表示振动频率;
所述建模模块将所述健康值的特征向量输入深度学习算法进行训练和优化,直至输出的预测健康值/>与样本健康值数据xt的误差小于误差阈值,得到监测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010804292.XA CN111950201B (zh) | 2020-08-11 | 2020-08-11 | 一种泵用密封装置的全生命周期监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010804292.XA CN111950201B (zh) | 2020-08-11 | 2020-08-11 | 一种泵用密封装置的全生命周期监测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111950201A CN111950201A (zh) | 2020-11-17 |
CN111950201B true CN111950201B (zh) | 2024-06-04 |
Family
ID=73332253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010804292.XA Active CN111950201B (zh) | 2020-08-11 | 2020-08-11 | 一种泵用密封装置的全生命周期监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111950201B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113067870A (zh) * | 2021-03-18 | 2021-07-02 | 山东渤聚通云计算有限公司 | 设备数据的处理方法、装置以及服务端设备 |
CN113486583B (zh) * | 2021-07-06 | 2024-01-12 | 新奥新智科技有限公司 | 设备的健康评估方法、装置、计算机设备及计算机可读存储介质 |
CN113357138B (zh) * | 2021-07-21 | 2022-10-11 | 中国人民解放军陆军工程大学 | 液压泵剩余使用寿命预测方法、装置及终端设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105765475A (zh) * | 2013-09-30 | 2016-07-13 | 通用电气石油和天然气Esp公司 | 用于电动潜水泵浦系统的综合风险和健康管理的系统和方法 |
CN107070692A (zh) * | 2017-01-16 | 2017-08-18 | 中国联合网络通信有限公司广东省分公司 | 一种基于大数据分析的云平台监控服务系统及方法 |
CN111256920A (zh) * | 2020-01-17 | 2020-06-09 | 中密控股股份有限公司 | 干气密封智能监测系统 |
CN111255674A (zh) * | 2020-01-21 | 2020-06-09 | 武汉瑞莱保能源技术有限公司 | 一种用于检测旋转机械设备状态的系统及检测方法 |
-
2020
- 2020-08-11 CN CN202010804292.XA patent/CN111950201B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105765475A (zh) * | 2013-09-30 | 2016-07-13 | 通用电气石油和天然气Esp公司 | 用于电动潜水泵浦系统的综合风险和健康管理的系统和方法 |
CN107070692A (zh) * | 2017-01-16 | 2017-08-18 | 中国联合网络通信有限公司广东省分公司 | 一种基于大数据分析的云平台监控服务系统及方法 |
CN111256920A (zh) * | 2020-01-17 | 2020-06-09 | 中密控股股份有限公司 | 干气密封智能监测系统 |
CN111255674A (zh) * | 2020-01-21 | 2020-06-09 | 武汉瑞莱保能源技术有限公司 | 一种用于检测旋转机械设备状态的系统及检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111950201A (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111950201B (zh) | 一种泵用密封装置的全生命周期监测系统及方法 | |
CN113358732B (zh) | 一种气体传感器的远程校准方法及系统 | |
CN110492186B (zh) | 一种基于云端控制技术的动力电池模组的管理方法 | |
US20220137612A1 (en) | Transformer fault diagnosis and positioning system based on digital twin | |
CN109240244B (zh) | 基于数据驱动的设备运行状态健康度分析方法及系统 | |
CN112990288B (zh) | 一种大型设备在线监测与故障预测系统 | |
CN116346864B (zh) | 基于智慧燃气物联网的超声波计量补偿方法、系统和介质 | |
CN115329812B (zh) | 一种基于人工智能的桥梁基础设施异常监测方法 | |
CN117176560B (zh) | 一种基于物联网的监测设备监管系统及其方法 | |
CN116308304B (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及系统 | |
CN106790604B (zh) | 一种高精度的大坝安全远程监测系统 | |
CN116225102B (zh) | 一种移动式的储能通信温升自动监控系统及装置 | |
CN108921305B (zh) | 一种部件生命期监测方法 | |
CN105046595A (zh) | 一种基于物联网技术的能效评估诊断云系统及方法 | |
CN109446661A (zh) | 一种考虑锂电池退化特性的剩余寿命预测方法 | |
CN116341796A (zh) | 能耗监测与评估系统及方法 | |
CN111130173A (zh) | 一种基于物联网的锂电池安全监测系统 | |
CN110991799A (zh) | 一种配电网生产综合预警方法 | |
CN116519054A (zh) | 一种热力站设备健康状态监测系统及方法 | |
CN117422004B (zh) | 基于神经网络的碳势预测方法及系统 | |
CN117408108A (zh) | 一种基于有限元及实时监测的健康监测方法 | |
CN102095953A (zh) | 一种蓄电池充电机性能在线检测方法 | |
CN106710157B (zh) | 一种抽油烟机故障预警方法及系统 | |
CN116861503A (zh) | 一种基于大数据的电力变压器数字孪生模型的构建方法 | |
CN112528461B (zh) | 一种基于油气含量及产气速率的变压器的停运评估方法 |
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 |