CN111980900B - 一种基于多源数据融合分析的水泵故障诊断方法 - Google Patents
一种基于多源数据融合分析的水泵故障诊断方法 Download PDFInfo
- Publication number
- CN111980900B CN111980900B CN202010677913.2A CN202010677913A CN111980900B CN 111980900 B CN111980900 B CN 111980900B CN 202010677913 A CN202010677913 A CN 202010677913A CN 111980900 B CN111980900 B CN 111980900B
- Authority
- CN
- China
- Prior art keywords
- state
- pump
- equipment
- value
- fault diagnosis
- 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
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B49/00—Control, e.g. of pump delivery, or pump pressure of, or safety measures for, machines, pumps, or pumping installations, not otherwise provided for, or of interest apart from, groups F04B1/00 - F04B47/00
- F04B49/10—Other safety measures
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及水泵设备的故障诊断方法,具体说是一种基于多源数据融合分析的水泵故障诊断方法,其包括采用正态分布原理及拉达以准则对泵设备正常运行时间段里的状态数据进行统计分析,获得各状态变量的实际门限;对泵设备的被监测状态变量按照门限进行归一化处理,并采用加权融合得到泵设备及泵各子部件的健康指数;根据健康指数的变化范围对泵设备进行状态预报警;当健康指数处于报警状态的时候,根据特征规则库对泵设备进行频域故障诊断及故障定位。本发明按照设备不同的运行工况进行参数报警门限整定,而不是采用某一固定值作为所有工况的报警值。因此,本方法能够提高设备状态与报警的准确性,降低误报率、漏报率。
Description
技术领域
本发明涉及水泵设备的故障诊断方法,特别涉及一种基于多源数据融合分析的水泵故障诊断方法。
背景技术
泵设备在运行过程中受到机械、电气、环境等多方面因素的影响,其运行状态具有复杂性、多变性等特点,而传统“是非制”的评价方法不能得到准确、可信的诊断结果。泵设备是一个电路、磁路及机械相互关联的复杂系统,其故障特征与故障形式往往不是简单的一一对应,而是复杂的非线性关系,基于这种特点,我们就需要尽可能全面地收集故障特征,并对这些信息进行综合分析才能对泵的故障做出正确判断。
泵的故障诊断过程中存在着大量的不确定性因素,具体来说,这些不确定因素主要包括泵的运行环境不确定性,传感器信号采集的不确定性,信号处理手段的不确定性和诊断方法的不确定性等等,如不同的故障类型可能以相同的特征信号方式呈现。因此,传统的基于单参数、单个特征的泵故障诊断系统往往难以保证诊断的准确性。
多传感器信息融合技术是一门新兴的技术,由于其容错性好、系统精度高、信息处理速度块、互补性强、信息获取成本低等方面的优势,在许多工业领域已经得到应用和发展,采用多传感器融合分析技术是泵设备故障诊断的一个发展方向。
发明内容
针对现有技术存在的上述缺陷,本发明提供一种基于多源数据融合分析的水泵故障诊断方法,该方法更全面的根据设备总体状态进行预报警分析与故障诊断处理,能有效的对设备服役健康状态进行评价、提高设备状态预报警准报率及故障诊断的准确性。
本发明解决上述技术问题采用的技术方案为:一种基于多源数据融合分析的水泵故障诊断方法,其包括以下步骤:
(1)采用正态分布原理及拉达以准则对泵设备正常运行时间段里的状态数据进行统计分析,获得各状态变量的实际门限;
(2)对泵设备的被监测状态变量按照门限进行归一化处理,并采用加权融合得到泵设备及泵各子部件的健康指数;
(3)根据健康指数的变化范围对泵设备进行状态预报警;
(4)当健康指数处于报警状态的时候,根据特征规则库对泵设备进行频域故障诊断及故障定位。
作为优选,步骤(1)中,选取正常运行段的时域状态数据,采用标准规定值、正态分布方法及拉达以准则确定各状态变量的实际运行预警门限、报警门限、故障门限、最大值。
作为优选,步骤(2)中,对各状态变量进行归一化处理,将各状态变量的表征形式由实际值转换成标幺值,并将状态变量对泵设备健康状态的影响程度作为各变量分配权重因子,按照乘法加权融合得到泵设备及泵各子部件的健康指数。
作为优选,所述时域状态数据为从监测装置及传感器获取的泵设备电流、压力、温升、振动速度信号。
作为优选,所述时域状态数据运行时最大值的确定规则如下:
(1.1)对于电流信号,按照泵额定电流1.2倍作为电流的最大值;
(1.2)对于温升,按照国家标准规定的温升规定值作为各温升的最大值;
(1.3)对于压力、振动信号,按照正态分布及拉达以准则确定其预警值、报警值、故障值、最大值。
作为优选,实际值转换成标幺值采用以下方式:
Ki=Kval/Kmax;
上式中,Ki表示状态参数K的标幺值,Kval表示状态参数K的稳态值,Kmax表示状态参数K的最大值。
作为优选,加权融合采用以下方式:
上式中,K表示泵设备的总体健康指数,ωi表示某参数的影响因子,ki表示参数k的健康指数。
作为优选,根据健康指数变化范围对设备进行预报警的方法如下:
将健康指数变化范围的区间[0,1]划分为4个连续的子区间为[0 0.6]、(0.60.8]、(0.8 0.9]、(0.9 1.0],当健康指数在(0.9 1.0]之间时表征设备运行正常;当健康指数在(0.8 0.9]之间时表征设备处于预警状态;当健康指数在(0.6 0.8]之间时表征设备处于报警状态;当健康指数在[0 0.6]之间时表征设备处于故障状态。
作为优选,步骤(4)中,特征规则库是根据贝叶斯统计方法统计生成的故障发生几率计算规则库,为故障和特征数值组成的二维网格数据库,该特征规则库输入为融合信号状态值及当前频谱特征,输出为发生不同故障类型的置信度结果。
作为优选,所述故障诊断及故障定位是按照所述特征规则库生成的各类故障置信度进行故障的判定过程。
与现有技术相比,本发明具有以下有益效果:
1)机械设备的实际运行健康状况由多个状态参数指标表征,本方法基于设备的历史数据统计分析,因此,本方法的门限确定方法更贴近于设备的实际运行状况。
2)本方法按照设备不同的运行工况进行参数报警门限整定,而不是采用某一固定值作为所有工况的报警值。因此,本方法能够提高设备状态与报警的准确性,降低误报率、漏报率。
3)本方法对于任何状态变量均将其归一量化,归一化后的状态参数特征之间可相互比较、运算、统计、融合,十分方便设备的状态评估和预警。
4)本方法将任何一个设备状态简化为四种状态:正常状态、预警状态、报警状态、故障状态,对于设备状态的监测、预警、诊断更加简易、直观。
5)本方法采用融合方式并结合贝叶斯统计方法确定各故障发生的概率,更贴近泵的实际故障。
附图说明
图1是本发明的流程图。
图2是本发明中统计信号的门限确定方法示意图。
图3是本发明中状态值归一化为状态指数的映射关系示意图。
图4是本发明中多源数据特征融合方法示意图。
图5是本发明中数据融合分析后的设备健康指数变化曲线图。
图6是本发明中故障诊断分类树图。
具体实施方式
下面结合图1、图2、图3、图4、图5和图6详细介绍本发明,在此本发明的示意性实施例以及说明用来解释本发明,但并不作为对本发明的限定。
如图1,本发明提供了一种基于多源数据融合分析的水泵故障诊断方法,其包括以下步骤:
(1)采用正态分布原理及拉达以准则对泵设备正常运行时间段里的状态数据进行统计分析,获得各状态变量的实际门限;在实施过程中,选取正常运行段的时域状态数据,采用标准规定值、正态分布方法及拉达以准则确定各状态变量的实际运行预警门限、报警门限、故障门限、最大值。如在泵的运行初期,获取一段时间内的泵连续工况状态信号数据及各信号的频谱特征,所述的状态信号包括电流、温升、振动等。其中,电流信号门限按照泵的定额整定;泵的温升门限按照国家相关标准中规定的范围确定;对于振动等具备统计特征的信号,其门限按照拉达以准则进行统计分析获取。
本发明的时域状态数据为从监测装置及传感器获取的泵设备电流、压力、温升、振动速度等信号,时域状态数据运行时最大值的确定规则如下:
(1.1)对于电流信号,按照泵额定电流1.2倍作为电流的最大值;
(1.2)对于温升,按照国家标准规定的温升规定值作为各温升的最大值;
(1.3)对于压力、振动信号,按照正态分布及拉达以准则确定其预警值、报警值、故障值、最大值。
(2)对泵设备的被监测状态变量按照门限进行归一化处理,并采用加权融合得到泵设备及泵各子部件的健康指数;在实施过程中,对各状态变量进行归一化处理,将各状态变量的表征形式由实际值转换成标幺值,并将状态变量对泵设备健康状态的影响程度作为各变量分配权重因子,按照乘法加权融合得到泵设备及泵各子部件的健康指数。具体来说,在上述门限确定的情况下,对各状态信号进行标幺化处理,得到各信号状态在区间[0 1]上的分布;然后按照各状态变量的影响因子,对各状态进行加权融合得到泵设备的总体健康指数;再按照泵设备总体健康指数在[0 1]区间上不同范围的分区,确定泵设备当前是处于正常、预警、报警还是故障状态。
本发明中,实际值转换成标幺值采用以下方式:
Ki=Kval/Kmax;
上式中,Ki表示状态参数K的标幺值,Kval表示状态参数K的稳态值,Kmax表示状态参数K的最大值。
作为优选,加权融合采用以下方式:
上式中,K表示泵设备的总体健康指数,ωi表示某参数的影响因子,ki表示参数k的健康指数。
(3)根据健康指数的变化范围对泵设备进行状态预报警,具体方法如下:
将健康指数变化范围的区间[0,1]划分为4个连续的子区间为[0 0.6]、(0.60.8]、(0.8 0.9]、(0.9 1.0],当健康指数在(0.9 1.0]之间时表征设备运行正常;当健康指数在(0.8 0.9]之间时表征设备处于预警状态;当健康指数在(0.6 0.8]之间时表征设备处于报警状态;当健康指数在[0 0.6]之间时表征设备处于故障状态。
(4)当健康指数处于报警状态的时候,根据特征规则库对泵设备进行频域故障诊断及故障定位。其中,特征规则库是根据贝叶斯统计方法统计生成的故障发生几率计算规则库,为故障和特征数值组成的二维网格数据库,该特征规则库输入为融合信号状态值及当前频谱特征,输出为发生不同故障类型的置信度结果,故障诊断及故障定位是按照所述特征规则库生成的各类故障置信度进行故障的判定过程。当泵设备总体健康指数处于故障状态时,对各信号及其特征按照贝叶斯统计方法确定各类故障发生的置信度,再根据置信度的大小定位泵故障类型。
实施例
本实施案例以对某供水公司一次供水水泵进行故障诊断为例。
在本实施例中,在供水水泵的电机供电电缆上加装霍尔电流传感器以获取电流信号;在电机和泵的驱动轴和非驱动侧加装温度传感器以获取泵的各部位温度信号;在电机和泵驱动轴和非驱动侧加装加速度振动传感器以获得泵的振动信号;在泵的周围加装一温度传感器以获取泵运行环境温度;上述信号通过一数据采集终端采集获取,此外数据采集终端内部具备实时计算和分析功能可以获得实时信号对应的频谱特征。
在本实施例中,泵的信号及频谱特征采用数据采集终端采集和分析后传输至云平台,云平台根据泵的实时状态数据进行泵的健康指数的实时计算。在实施过程中,是基于拉达伊准则确定具有统计特性信号的门限,如图2;将状态值归一化为状态指数的映射关系,如图3;数据融合规则,如图4;基于数据融合的设备健康指数曲线,如图5。
当泵的健康指数处于故障区间,云平台中的故障处理模块按照特征规则库的知识对信号及其特征进行贝叶斯统计,其中特征规则库(E为各信号特征值)如下表:
故障诊断结果按照置信度的大小进行排序和输出通知前端发出故障诊断报警和诊断结果,分类故障树,如图6。
Claims (7)
1.一种基于多源数据融合分析的水泵故障诊断方法,其特征包括以下步骤:
(1)采用正态分布原理及拉达以准则对泵设备正常运行时间段里的状态数据进行统计分析,获得各状态变量的实际门限;
(2)对泵设备的被监测状态变量按照门限进行归一化处理,并采用加权融合得到泵设备及泵各子部件的健康指数;
(3)根据健康指数的变化范围对泵设备进行状态预报警;
(4)当健康指数处于报警状态的时候,根据特征规则库对泵设备进行频域故障诊断及故障定位;
步骤(1)中,选取正常运行段的时域状态数据,采用标准规定值、正态分布方法及拉达以准则确定各状态变量的实际运行预警门限、报警门限、故障门限、最大值;
步骤(2)中,对各状态变量进行归一化处理,将各状态变量的表征形式由实际值转换成标幺值,并将状态变量对泵设备健康状态的影响程度作为各变量分配权重因子,按照乘法加权融合得到泵设备及泵各子部件的健康指数;实际值转换成标幺值采用以下方式:
Ki=Kval/Kmax;
上式中,Ki表示状态参数K的标幺值,Kval表示状态参数K的稳态值,Kmax表示状态参数K的最大值。
2.根据权利要求1所述基于多源数据融合分析的水泵故障诊断方法,其特征在于:所述时域状态数据为从监测装置及传感器获取的泵设备电流、压力、温升、振动速度信号。
3.根据权利要求2所述基于多源数据融合分析的水泵故障诊断方法,其特征在于:所述时域状态数据运行时最大值的确定规则如下:
(1.1)对于电流信号,按照泵额定电流1.2倍作为电流的最大值;
(1.2)对于温升,按照国家标准规定的温升规定值作为各温升的最大值;
(1.3)对于压力、振动信号,按照正态分布及拉达以准则确定其预警值、报警值、故障值、最大值。
5.根据权利要求4所述基于多源数据融合分析的水泵故障诊断方法,其特征在于:根据健康指数变化范围对设备进行预报警的方法如下:
将健康指数变化范围的区间[0,1]划分为4个连续的子区间为[0 0.6]、(0.6 0.8]、(0.8 0.9]、(0.9 1.0],当健康指数在(0.9 1.0]之间时表征设备运行正常;当健康指数在(0.8 0.9]之间时表征设备处于预警状态;当健康指数在(0.6 0.8]之间时表征设备处于报警状态;当健康指数在[0 0.6]之间时表征设备处于故障状态。
6.根据权利要求1至5中任意一项所述基于多源数据融合分析的水泵故障诊断方法,其特征在于:步骤(4)中,特征规则库是根据贝叶斯统计方法统计生成的故障发生几率计算规则库,为故障和特征数值组成的二维网格数据库,该特征规则库输入为融合信号状态值及当前频谱特征,输出为发生不同故障类型的置信度结果。
7.根据权利要求6所述基于多源数据融合分析的水泵故障诊断方法,其特征在于:所述故障诊断及故障定位是按照所述特征规则库生成的各类故障置信度进行故障的判定过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010677913.2A CN111980900B (zh) | 2020-07-15 | 2020-07-15 | 一种基于多源数据融合分析的水泵故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010677913.2A CN111980900B (zh) | 2020-07-15 | 2020-07-15 | 一种基于多源数据融合分析的水泵故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111980900A CN111980900A (zh) | 2020-11-24 |
CN111980900B true CN111980900B (zh) | 2022-04-15 |
Family
ID=73437786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010677913.2A Active CN111980900B (zh) | 2020-07-15 | 2020-07-15 | 一种基于多源数据融合分析的水泵故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111980900B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7539549B1 (en) * | 1999-09-28 | 2009-05-26 | Rockwell Automation Technologies, Inc. | Motorized system integrated control and diagnostics using vibration, pressure, temperature, speed, and/or current analysis |
CN103147972A (zh) * | 2013-03-19 | 2013-06-12 | 北京化工大学 | 一种基于多传感器信息融合的往复式压缩机故障诊断方法 |
CN105868912A (zh) * | 2016-04-06 | 2016-08-17 | 清华大学 | 基于数据融合的电力变压器状态评价方法及装置 |
CN106949056A (zh) * | 2017-05-02 | 2017-07-14 | 辽宁工程技术大学 | 一种压风机运行状态感知及故障预测系统及方法 |
CN107013473A (zh) * | 2017-04-19 | 2017-08-04 | 武汉惜源科技有限公司 | 一种泵站实时在线监测与能效管理方法及系统 |
CN109117353A (zh) * | 2018-08-20 | 2019-01-01 | 中国石油大学(北京) | 故障诊断结果的融合方法及装置 |
CN110866558A (zh) * | 2019-11-13 | 2020-03-06 | 湖南纬拓信息科技有限公司 | 一种基于多源数据融合分析的旋转设备状态预警方法 |
CN111176226A (zh) * | 2019-11-13 | 2020-05-19 | 湖南纬拓信息科技有限公司 | 一种基于运行工况的设备特征参数报警阈值自动分析方法 |
CN111289829A (zh) * | 2020-03-18 | 2020-06-16 | 西南石油大学 | 一种基于多源信息融合的配电变压器在线监测方法及系统 |
-
2020
- 2020-07-15 CN CN202010677913.2A patent/CN111980900B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7539549B1 (en) * | 1999-09-28 | 2009-05-26 | Rockwell Automation Technologies, Inc. | Motorized system integrated control and diagnostics using vibration, pressure, temperature, speed, and/or current analysis |
CN103147972A (zh) * | 2013-03-19 | 2013-06-12 | 北京化工大学 | 一种基于多传感器信息融合的往复式压缩机故障诊断方法 |
CN105868912A (zh) * | 2016-04-06 | 2016-08-17 | 清华大学 | 基于数据融合的电力变压器状态评价方法及装置 |
CN107013473A (zh) * | 2017-04-19 | 2017-08-04 | 武汉惜源科技有限公司 | 一种泵站实时在线监测与能效管理方法及系统 |
CN106949056A (zh) * | 2017-05-02 | 2017-07-14 | 辽宁工程技术大学 | 一种压风机运行状态感知及故障预测系统及方法 |
CN109117353A (zh) * | 2018-08-20 | 2019-01-01 | 中国石油大学(北京) | 故障诊断结果的融合方法及装置 |
CN110866558A (zh) * | 2019-11-13 | 2020-03-06 | 湖南纬拓信息科技有限公司 | 一种基于多源数据融合分析的旋转设备状态预警方法 |
CN111176226A (zh) * | 2019-11-13 | 2020-05-19 | 湖南纬拓信息科技有限公司 | 一种基于运行工况的设备特征参数报警阈值自动分析方法 |
CN111289829A (zh) * | 2020-03-18 | 2020-06-16 | 西南石油大学 | 一种基于多源信息融合的配电变压器在线监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111980900A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353482B (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
US10496466B2 (en) | Preprocessor of abnormality sign diagnosing device and processing method of the same | |
GB2476246A (en) | Diagnosing an operation mode of a machine | |
CN112734977B (zh) | 一种基于物联网的设备风险预警系统及算法 | |
KR20210017637A (ko) | IoT 센서 기반 회전 기기의 정밀 상태 진단 장치 및 방법 | |
CN108872852A (zh) | 一种风力发电机故障诊断系统及方法 | |
CN114061743A (zh) | 风力发电机组的振动监测方法、装置、设备及介质 | |
CN115437358A (zh) | 工业机器人智能状态监测与故障诊断系统及故障诊断方法 | |
CN116937818B (zh) | 对内部进行实时监控的高压直流配电柜监控系统 | |
CN111980900B (zh) | 一种基于多源数据融合分析的水泵故障诊断方法 | |
CN110059413B (zh) | 一种故障诊断方法 | |
CN115034094B (zh) | 一种金属加工机床运行状态预测方法及系统 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
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 | |
CN108919041A (zh) | 一种基于聚类分析的变压器绕组状态在线监测方法 | |
Zhao et al. | Health indicator selection and health assessment of rolling element bearing | |
CN114689321A (zh) | 风力发电机组的轴承故障诊断方法、装置、电子设备 | |
CN112380782A (zh) | 一种基于混合指标和神经网络的旋转设备故障预测方法 | |
Zheng et al. | Wavelet packet decomposition and neural network based fault diagnosis for elevator excessive vibration | |
CN117560300B (zh) | 一种智能物联网流量预测与优化系统 | |
CN117740082B (zh) | 一种电力设备故障风险预警方法及系统 | |
CN116956219A (zh) | 一种基于轮式车辆传动异常预警的数据采集方法及系统 | |
Mei et al. | LEVITATION SYSTEM CONDITION EVALUATION METHOD BASED ON WEIGHTED HELLINGER DISTANCE | |
CN118051784A (zh) | 一种基于数据驱动的复杂装备异常检测系统及方法 | |
CN118033414A (zh) | 一种基于运行数据的电机扭矩异常检测方法 |
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 |