CN112232419A - 一种基于大数据的旋转设备故障监控方法、系统及可读存储介质 - Google Patents
一种基于大数据的旋转设备故障监控方法、系统及可读存储介质 Download PDFInfo
- Publication number
- CN112232419A CN112232419A CN202011116743.7A CN202011116743A CN112232419A CN 112232419 A CN112232419 A CN 112232419A CN 202011116743 A CN202011116743 A CN 202011116743A CN 112232419 A CN112232419 A CN 112232419A
- Authority
- CN
- China
- Prior art keywords
- data
- vibration
- sample
- rotating equipment
- fault 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于大数据的旋转设备故障监控方法、系统及可读存储介质,包括:设定采样间隔时间,生成不同时间节点的多组样本数据,对多组样本数据进行标准化处理,得到标准样本数据;通过大数据分析获取历史样本数据,并建立回归模型;将标准将本数据输入回归模型,得到多个故障预测样本;将多个故障预测样本进行相似度计算;将相似度小于预设阈值的样本数据进行归类,得到结果信息;通过结果信息进行设备故障诊断。
Description
技术领域
本发明涉及一种旋转设备故障监控方法,尤其涉及一种基于大数据的旋转设备故障监控方法、系统及可读存储介质。
背景技术
振动故障诊断是一种基于振动信号分析的间接诊断方法,振动信号经过机械系统复杂路径到达振动传感器,故障信号在传递过程中不可避免受到干扰,经过复杂传递后的不确定故障诊断信息极易造成误诊断,误诊断的发生将导致过度维修或错误维修,甚至引发重大安全事故。
现有的故障诊断仅仅是对旋转设备进行简单的振动信号的检测,并以此为依据对旋转设备进行故障监控,监控的故障诊断偏差较大,此外在对振动信号进行分析过程中,没有对振动信号进行向量分解,对不同方向的振动向量进行单独分析重构,得到的结果偏差较大。
为了能够对旋转设备进行精准的故障诊断需要开发一款与其相匹配的系统进行控制,通过采集设备实时振动信号,提取特征向量;将特征向量进行三维坐标分解,对不同坐标轴下的单一向量的振动数据进行降噪处理,然后进行拟合,得到故障信息,如何对旋转设备故障诊断实现精准控制,是亟待要解决的问题。
发明内容
本发明克服了现有技术的不足,提供一种基于大数据的旋转设备故障监控方法、系统及可读存储介质。
为达到上述目的,本发明采用的技术方案为:一种基于大数据的旋转设备故障监控方法,包括:
通过大数据分析获取设备历史数据,并建立模型;
采集设备实时振动信号,得到实时振动信息,提取特征向量;
将特征向量进行三维坐标分解,得到不同坐标轴下的单一向量的振动数据;
对不同坐标轴下的单一向量的振动数据进行降噪处理,然后进行拟合,得到故障信息;
将故障信息以预定方式发送至平台。
在本发明的一个较佳实施例中,采集设备实时振动信号,得到实时振动信息,提取特征向量;具体包括
获取多组设备振动样本数据,并对多组样本数据分别提取特征向量;
将多组样本数据中处于同一频带区间内的信号进行归类,得到多个分向量;
将分向量进行标准平方和计算,获取样本数据变化趋势图及幅值曲线;
利用幅值偏离曲线及样本变化趋势图获取样本分布规律;
样本分布规律计算如下:
其中T表示样本数据协方差矩阵,t表示采样间隔时间,∧-1表示T矩阵的逆,M表示展开后T矩阵的列数,N表示展开后T矩阵的行数,F表示增益系数。
在本发明的一个较佳实施例中,通过大数据分析获取历史样本数据,并建立模型;具体包括:
将历史样本数据随机分为训练集与验证集;
对训练集内的样本数据进行分解筛选,提取因变量关联性强的自变量组合,建立样本点;
利用最小二乘法将所有样本点进行拟合,得到预测曲线,
通过最小化数据点与预测曲线的垂直误差的平方和来计算得到最佳拟合曲线;
根据最佳拟合曲线建立回归方程;
将验证集内的样本数据输入回归方程,获取数据误差;
判断数据误差是否大于预设阈值;
若大于,则重复对样本数据进行分解筛选,并建立新的样本点,进行重建回归方程。
在本发明的一个较佳实施例中,设定采样间隔,分别获取不同采样间隔下同一坐标轴下的设备振动数据,得到不同采样时间下的多组振动数据;
对多组振动数据进行均值化处理,得到估计误差;
将估计误差与预设阈值进行比较,得到偏差率;
判断偏差率是否大于预设偏差率阈值;
若大于,则进行迭代处理,直至迭代结果收敛。
在本发明的一个较佳实施例中,迭代处理过程如下:
根据不同的迭代周期,建立均值算子,并得到估计误差振荡信号;
对随机变化周期内的振荡信号进行误差修正;
进行有限次重复迭代,直至故障估计误差振动信号收敛。
在本发明的一个较佳实施例中,设定采样间隔,分别获取不同采样间隔下同一坐标轴下的设备振动数据,得到不同采样时间下的多组振动数据;
对多组振动数据进行均值化处理,得到该坐标轴下的振动均值数据;
将不同坐标轴下的同一采样时间下的振动信号进行重构,得到旋转设备对应位置处的重构振动信号,
根据重构振动信号获取故障信息。
本发明第二方面还提供了一种基于大数据的旋转设备故障监控系统,该系统包括:存储器、处理器,所述存储器中包括基于大数据的旋转设备故障监控方法程序,所述基于大数据的旋转设备故障监控方法程序被所述处理器执行时实现如下步骤:
通过大数据分析获取设备历史数据,并建立模型;
采集设备实时振动信号,得到实时振动信息,提取特征向量;
将特征向量进行三维坐标分解,得到不同坐标轴下的单一向量的振动数据;
对不同坐标轴下的单一向量的振动数据进行降噪处理,然后进行拟合,得到故障信息;
将故障信息以预定方式发送至平台。
在本发明的一个较佳实施例中,采集设备实时振动信号,得到实时振动信息,提取特征向量;具体包括
获取多组设备振动样本数据,并对多组样本数据分别提取特征向量;
将多组样本数据中处于同一频带区间内的信号进行归类,得到多个分向量;
将分向量进行标准平方和计算,获取样本数据变化趋势图及幅值曲线;
利用幅值偏离曲线及样本变化趋势图获取样本分布规律;
样本分布规律计算如下:
其中T表示样本数据协方差矩阵,t表示采样间隔时间,∧-1表示T矩阵的逆,M表示展开后T矩阵的列数,N表示展开后T矩阵的行数,F表示增益系数。。
在本发明的一个较佳实施例中,设定采样间隔,分别获取不同采样间隔下同一坐标轴下的设备振动数据,得到不同采样时间下的多组振动数据;
对多组振动数据进行均值化处理,得到估计误差;
将估计误差与预设阈值进行比较,得到偏差率;
判断偏差率是否大于预设偏差率阈值;
若大于,则进行迭代处理,直至迭代结果收敛。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括基于大数据的旋转设备故障监控方法程序,所述基于大数据的旋转设备故障监控方法程序被处理器执行时,实现上述任一项所述的基于大数据的旋转设备故障监控方法的步骤。
本发明解决了背景技术中存在的缺陷,本发明具备以下有益效果:
(1)在对振动信号进行分析过程中,将特征向量进行三维坐标分解,对不同坐标轴下的单一向量的振动数据进行降噪处理,然后对不同方向的振动向量进行单独分析重构,得到不同采样时间间隔下的同一坐标轴方向的振动信号,然后对振动信号进行二次拟合重构,设备故障诊断更加接近实际值。
(2)通过最小二乘法对振动信号进行拟合,最佳拟合曲线,能够减小数据点之间的误差,提高诊断精度。
(3)通过在机械设备不同位置安装振动传感器进行振动信号的监测,然后将监测数据随机分解成数据集与验证集,通过数据集进行回归方程的建立,然后通过验证集对回归方程进行验证,保证回归方程的准确性,提高多传感器下的故障诊断准确率。
(4)根据不同的迭代周期,建立均值算子,并得到估计误差振荡信号;对随机变化周期内的振荡信号进行误差修正,减小故障诊断过程中的振动信号采集误差,提高故障监控精度。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1示出了本发明一种基于大数据的旋转设备故障监控方法的流程图;
图2示出了提取特征向量方法流程图;
图3示出了模型建立方法流程图;
图4示出了估计误差处理方法流程图;
图5示出了迭代处理方法流程图;
图6示出了一种基于大数据的旋转设备故障监控系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于大数据的旋转设备故障监控方法的流程图。
如图1所示,本发明第一方面提供了一种基于大数据的旋转设备故障监控方法,包括:
S102,通过大数据分析获取设备历史数据,并建立模型;
S104,采集设备实时振动信号,得到实时振动信息,提取特征向量;
S106,将特征向量进行三维坐标分解,得到不同坐标轴下的单一向量的振动数据;
S108,对不同坐标轴下的单一向量的振动数据进行降噪处理,然后进行拟合,得到故障信息;
S110,将故障信息以预定方式发送至平台。
需要说明的是,在对振动信号进行分析过程中,将特征向量进行三维坐标分解,对不同坐标轴下的单一向量的振动数据进行降噪处理,然后对不同方向的振动向量进行单独分析重构,得到不同采样时间间隔下的同一坐标轴方向的振动信号,然后对振动信号进行二次拟合重构,设备故障诊断更加接近实际值,通过最小二乘法对振动信号进行拟合,最佳拟合曲线,能够减小数据点之间的误差,提高诊断精度。
如图2所示,本发明公开了提取特征向量方法流程图;
根据本发明实施例,采集设备实时振动信号,得到实时振动信息,提取特征向量;具体包括
S202,获取多组设备振动样本数据,并对多组样本数据分别提取特征向量;
S204,将多组样本数据中处于同一频带区间内的信号进行归类,得到多个分向量;
S206,将分向量进行标准平方和计算,获取样本数据变化趋势图及幅值曲线;
S208,利用幅值偏离曲线及样本变化趋势图获取样本分布规律;
样本分布规律计算如下:
其中T表示样本数据协方差矩阵,t表示采样间隔时间,∧-1表示T矩阵的逆,M表示展开后T矩阵的列数,N表示展开后T矩阵的行数,F表示增益系数。
需要说明的是,不同采样时间间隔下的样本数据的误差为:
σ=xt-teT,eT式中σ表示样本误差,xt表示t时刻下采集的样本数据,T表示样本数据协方差矩阵;
其中σ服从加权τ2分布,具体如下:
式中Q与R表示全部历史数据中对应t时刻下的数据统计量,λ表示与Q、R有关的系数,h表示加权分布的自由度,τ表示加权分布。
如图3所示,本发明公开了模型建立方法流程图;
根据本发明实施例,通过大数据分析获取历史样本数据,并建立模型;具体包括:
S302,将历史样本数据随机分为训练集与验证集;
S304,对训练集内的样本数据进行分解筛选,提取因变量关联性强的自变量组合,建立样本点;
S306,利用最小二乘法将所有样本点进行拟合,得到预测曲线,
S308,通过最小化数据点与预测曲线的垂直误差的平方和来计算得到最佳拟合曲线;
S310,根据最佳拟合曲线建立回归方程;
S312,将验证集内的样本数据输入回归方程,获取数据误差,判断数据误差是否大于预设阈值;
S314,若大于,则重复对样本数据进行分解筛选,并建立新的样本点,进行重建回归方程。
需要说明的是,通过在机械设备不同位置安装振动传感器进行振动信号的监测,然后将监测数据随机分解成数据集与验证集,通过数据集进行回归方程的建立,然后通过验证集对回归方程进行验证,保证回归方程的准确性,提高多传感器下的故障诊断准确率。
如图4所示,本发明公开了估计误差处理方法流程图;
根据本发明实施例,S402,设定采样间隔,分别获取不同采样间隔下同一坐标轴下的设备振动数据,得到不同采样时间下的多组振动数据;
S404,对多组振动数据进行均值化处理,得到估计误差;
S406,将估计误差与预设阈值进行比较,得到偏差率;
S408,判断偏差率是否大于预设偏差率阈值;
S410,若大于,则进行迭代处理,直至迭代结果收敛。
需要说明的是,获取设备振动数据可以通过在设备外壳不同位置设置振动传感器,通过监测设备不同位置处的振动信号作平均化处理,得到的振动信号更加具有参考性,采集到的不同时间节点的数据样本为一维特征,数据样本归一化成零均值和标准差为1的状态,此种方式能够减小不同时间节点的振动特征分布差异。
采集设备振动信号,通过局部均值分解算法将振动信号分解成多个单分量信号与一个剩余信号之和,单分量信号包括一个包络信号与一个调频信号的乘积,其瞬时幅值对应包络信号,瞬时频率由对应的调频函数求出,通过局部均值法能够将振动信号中的故障频率成分进行分割,从而进行单分量信号单独分析,且在对振动信号进行分提取过程中,能够有效的提取部分隐藏的故障特征,能够更加准确提取振动信号中的故障信息。
如图5所示,本发明公开了迭代处理方法流程图;
根据本发明实施例,迭代处理过程如下:
S502,根据不同的迭代周期,建立均值算子,并得到估计误差振荡信号;
S504,对随机变化周期内的振荡信号进行误差修正;
S506,进行有限次重复迭代,直至故障估计误差振动信号收敛。
需要说明的是,迭代控制算法流程包括
设置迭代参数,并设定期望轨迹和控制量;
分别设定输入和输出初始值;
被控对象加入控制输入,系统开始重复运行,并采样保持系统持续输出;
计算输出误差,通过迭代学习控制器,计算出下一次迭代的输入,存入存储器;
设定迭代约束条件,当条件满足时,迭代停止,若不满足,则进入下一个迭代周期。
根据本发明实施例,设定采样间隔,分别获取不同采样间隔下同一坐标轴下的设备振动数据,得到不同采样时间下的多组振动数据;
对多组振动数据进行均值化处理,得到该坐标轴下的振动均值数据;
将不同坐标轴下的同一采样时间下的振动信号进行重构,得到旋转设备对应位置处的重构振动信号,
根据重构振动信号获取故障信息。
需要说明的是,旋转设备故障信息包括设备轴裂纹、轴面磨损、轴不对中、轴偏心、轴裂纹、轴磨损、凹坑、划痕、塑形形变等。
如图6所示,本发明公开了基于大数据的旋转设备故障监控系统的框图;
本发明第二方面还提供了一种基于大数据的旋转设备故障监控系统,该系统6包括:存储器、处理器,所述存储器中包括基于大数据的旋转设备故障监控方法程序,所述基于大数据的旋转设备故障监控方法程序被所述处理器执行时实现如下步骤:
通过大数据分析获取设备历史数据,并建立模型;
采集设备实时振动信号,得到实时振动信息,提取特征向量;
将特征向量进行三维坐标分解,得到不同坐标轴下的单一向量的振动数据;
对不同坐标轴下的单一向量的振动数据进行降噪处理,然后进行拟合,得到故障信息;
将故障信息以预定方式发送至平台。
需要说明的是,在对振动信号进行分析过程中,将特征向量进行三维坐标分解,对不同坐标轴下的单一向量的振动数据进行降噪处理,然后对不同方向的振动向量进行单独分析重构,得到不同采样时间间隔下的同一坐标轴方向的振动信号,然后对振动信号进行二次拟合重构,设备故障诊断更加接近实际值,通过最小二乘法对振动信号进行拟合,最佳拟合曲线,能够减小数据点之间的误差,提高诊断精度。
根据本发明实施例,采集设备实时振动信号,得到实时振动信息,提取特征向量;具体包括
获取多组设备振动样本数据,并对多组样本数据分别提取特征向量;
将多组样本数据中处于同一频带区间内的信号进行归类,得到多个分向量;
将分向量进行标准平方和计算,获取样本数据变化趋势图及幅值曲线;
利用幅值偏离曲线及样本变化趋势图获取样本分布规律;
样本分布规律计算如下:
其中T表示样本数据协方差矩阵,t表示采样间隔时间,∧-1表示T矩阵的逆,M表示展开后T矩阵的列数,N表示展开后T矩阵的行数,F表示增益系数。。
需要说明的是,不同采样时间间隔下的样本数据的误差为:
σ=xt-teT,eT式中σ表示样本误差,xt表示t时刻下采集的样本数据,T表示样本数据协方差矩阵;
其中σ服从加权τ2分布,具体如下:
式中Q与R表示全部历史数据中对应t时刻下的数据统计量,λ表示与Q、R有关的系数,h表示加权分布的自由度,τ表示加权分布。
根据本发明实施例,设定采样间隔,分别获取不同采样间隔下同一坐标轴下的设备振动数据,得到不同采样时间下的多组振动数据;
对多组振动数据进行均值化处理,得到估计误差;
将估计误差与预设阈值进行比较,得到偏差率;
判断偏差率是否大于预设偏差率阈值;
若大于,则进行迭代处理,直至迭代结果收敛。
需要说明的是,迭代控制算法流程包括
设置迭代参数,并设定期望轨迹和控制量;
分别设定输入和输出初始值;
被控对象加入控制输入,系统开始重复运行,并采样保持系统持续输出;
计算输出误差,通过迭代学习控制器,计算出下一次迭代的输入,存入存储器;
设定迭代约束条件,当条件满足时,迭代停止,若不满足,则进入下一个迭代周期。
根据本发明实施例,通过大数据分析获取历史样本数据,并建立模型;具体包括:
将历史样本数据随机分为训练集与验证集;
对训练集内的样本数据进行分解筛选,提取因变量关联性强的自变量组合,建立样本点;
利用最小二乘法将所有样本点进行拟合,得到预测曲线,
通过最小化数据点与预测曲线的垂直误差的平方和来计算得到最佳拟合曲线;
根据最佳拟合曲线建立回归方程;
将验证集内的样本数据输入回归方程,获取数据误差;
判断数据误差是否大于预设阈值;
若大于,则重复对样本数据进行分解筛选,并建立新的样本点,进行重建回归方程。
需要说明的是,通过在机械设备不同位置安装振动传感器进行振动信号的监测,然后将监测数据随机分解成数据集与验证集,通过数据集进行回归方程的建立,然后通过验证集对回归方程进行验证,保证回归方程的准确性,提高多传感器下的故障诊断准确率。
根据本发明实施例,设定采样间隔,分别获取不同采样间隔下同一坐标轴下的设备振动数据,得到不同采样时间下的多组振动数据;
对多组振动数据进行均值化处理,得到该坐标轴下的振动均值数据;
将不同坐标轴下的同一采样时间下的振动信号进行重构,得到旋转设备对应位置处的重构振动信号,
根据重构振动信号获取故障信息。
需要说明的是,旋转设备故障信息包括设备轴裂纹、轴面磨损、轴不对中、轴偏心、轴裂纹、轴磨损、凹坑、划痕、塑形形变等。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中包括基于大数据的旋转设备故障监控方法程序,所述基于大数据的旋转设备故障监控方法程序被处理器执行时,实现上述任一项所述的基于大数据的旋转设备故障监控方法的步骤。
在对振动信号进行分析过程中,将特征向量进行三维坐标分解,对不同坐标轴下的单一向量的振动数据进行降噪处理,然后对不同方向的振动向量进行单独分析重构,得到不同采样时间间隔下的同一坐标轴方向的振动信号,然后对振动信号进行二次拟合重构,设备故障诊断更加接近实际值。
通过在机械设备不同位置安装振动传感器进行振动信号的监测,然后将监测数据随机分解成数据集与验证集,通过数据集进行回归方程的建立,然后通过验证集对回归方程进行验证,保证回归方程的准确性,提高多传感器下的故障诊断准确率。
根据不同的迭代周期,建立均值算子,并得到估计误差振荡信号;对随机变化周期内的振荡信号进行误差修正,减小故障诊断过程中的振动信号采集误差,提高故障监控精度。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,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,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,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全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于大数据的旋转设备故障监控方法,其特征在于,包括:
通过大数据分析获取设备历史数据,并建立模型;
采集设备实时振动信号,得到实时振动信息,提取特征向量;
将特征向量进行三维坐标分解,得到不同坐标轴下的单一向量的振动数据;
对不同坐标轴下的单一向量的振动数据进行降噪处理,然后进行拟合,得到故障信息;
将故障信息以预定方式发送至平台。
3.根据权利要求2所述的一种基于大数据的旋转设备故障监控方法,其特征在于:通过大数据分析获取历史样本数据,并建立模型;具体包括:
将历史样本数据随机分为训练集与验证集;
对训练集内的样本数据进行分解筛选,提取因变量关联性强的自变量组合,建立样本点;
利用最小二乘法将所有样本点进行拟合,得到预测曲线,
通过最小化数据点与预测曲线的垂直误差的平方和来计算得到最佳拟合曲线;
根据最佳拟合曲线建立回归方程;
将验证集内的样本数据输入回归方程,获取数据误差;
判断数据误差是否大于预设阈值;
若大于,则重复对样本数据进行分解筛选,并建立新的样本点,进行重建回归方程。
4.根据权利要求1所述的一种基于大数据的旋转设备故障监控方法,其特征在于:
设定采样间隔,分别获取不同采样间隔下同一坐标轴下的设备振动数据,得到不同采样时间下的多组振动数据;
对多组振动数据进行均值化处理,得到估计误差;
将估计误差与预设阈值进行比较,得到偏差率;
判断偏差率是否大于预设偏差率阈值;
若大于,则进行迭代处理,直至迭代结果收敛。
5.根据权利要求4所述的一种基于大数据的旋转设备故障监控方法,其特征在于:
迭代处理过程如下:
根据不同的迭代周期,建立均值算子,并得到估计误差振荡信号;
对随机变化周期内的振荡信号进行误差修正;
进行有限次重复迭代,直至故障估计误差振动信号收敛。
6.根据权利要求1所述的一种基于大数据的旋转设备故障监控方法,其特征在于:设定采样间隔,分别获取不同采样间隔下同一坐标轴下的设备振动数据,得到不同采样时间下的多组振动数据;
对多组振动数据进行均值化处理,得到该坐标轴下的振动均值数据;
将不同坐标轴下的同一采样时间下的振动信号进行重构,得到旋转设备对应位置处的重构振动信号,
根据重构振动信号获取故障信息。
7.一种基于大数据的旋转设备故障监控系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括基于大数据的旋转设备故障监控方法程序,所述基于大数据的旋转设备故障监控方法程序被所述处理器执行时实现如下步骤:
通过大数据分析获取设备历史数据,并建立模型;
采集设备实时振动信号,得到实时振动信息,提取特征向量;
将特征向量进行三维坐标分解,得到不同坐标轴下的单一向量的振动数据;
对不同坐标轴下的单一向量的振动数据进行降噪处理,然后进行拟合,得到故障信息;
将故障信息以预定方式发送至平台。
9.根据权利要求7所述的一种基于大数据的旋转设备故障监控系统,其特征在于:
设定采样间隔,分别获取不同采样间隔下同一坐标轴下的设备振动数据,得到不同采样时间下的多组振动数据;
对多组振动数据进行均值化处理,得到估计误差;
将估计误差与预设阈值进行比较,得到偏差率;
判断偏差率是否大于预设偏差率阈值;
若大于,则进行迭代处理,直至迭代结果收敛。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中包括基于大数据的旋转设备故障监控方法程序,所述基于大数据的旋转设备故障监控方法程序被处理器执行时,实现如权利要求1至6中任一项所述的基于大数据的旋转设备故障监控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011116743.7A CN112232419A (zh) | 2020-10-19 | 2020-10-19 | 一种基于大数据的旋转设备故障监控方法、系统及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011116743.7A CN112232419A (zh) | 2020-10-19 | 2020-10-19 | 一种基于大数据的旋转设备故障监控方法、系统及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112232419A true CN112232419A (zh) | 2021-01-15 |
Family
ID=74119044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011116743.7A Withdrawn CN112232419A (zh) | 2020-10-19 | 2020-10-19 | 一种基于大数据的旋转设备故障监控方法、系统及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232419A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114354236A (zh) * | 2022-03-15 | 2022-04-15 | 武汉顺源游乐设备制造有限公司 | 一种基于大数据分析的摇头飞椅运行状态监测方法及系统 |
-
2020
- 2020-10-19 CN CN202011116743.7A patent/CN112232419A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114354236A (zh) * | 2022-03-15 | 2022-04-15 | 武汉顺源游乐设备制造有限公司 | 一种基于大数据分析的摇头飞椅运行状态监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107086944B (zh) | 一种异常检测方法和装置 | |
JP4846954B2 (ja) | 複雑な信号の分解およびモデリング | |
CN109397703B (zh) | 一种故障检测方法及装置 | |
CN112766342A (zh) | 一种电气设备的异常检测方法 | |
CN112200048A (zh) | 一种基于回归模型的旋转设备故障预测方法、系统及可读存储介质 | |
CN110717472B (zh) | 基于改进的小波阈值去噪的故障诊断方法及系统 | |
CN112631240A (zh) | 航天器故障主动检测方法及装置 | |
CN111611294B (zh) | 星敏感器数据异常检测方法 | |
CN112232569A (zh) | 一种机械设备故障预警方法、系统及可读存储介质 | |
CN112100574A (zh) | 一种基于重采样的aakr模型不确定度计算方法及系统 | |
CN112232419A (zh) | 一种基于大数据的旋转设备故障监控方法、系统及可读存储介质 | |
CN115186701A (zh) | 轴承寿命预测方法、装置、电子设备及存储介质 | |
CN112664410B (zh) | 一种基于大数据的机组在线监测系统建模方法 | |
CN117368651B (zh) | 一种配电网故障综合分析系统及方法 | |
CN115705413A (zh) | 异常日志的确定方法及装置 | |
Liu et al. | Software reliability forecasting: singular spectrum analysis and ARIMA hybrid model | |
CN116662186A (zh) | 基于逻辑回归的日志回放断言方法及其装置、电子设备 | |
CN112284704A (zh) | 一种基于测试矩阵的旋转设备故障诊断方法、系统及可读存储介质 | |
CN111079591A (zh) | 基于改进多尺度主成分分析的不良数据修复方法及系统 | |
CN116595465A (zh) | 基于自编码器和数据增强的高维稀疏数据离群点检测方法及系统 | |
CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
CN115249059A (zh) | 模型训练及异常数据分析方法、装置及计算机存储介质 | |
CN116448062B (zh) | 一种桥梁沉降变形检测方法、装置、计算机及存储介质 | |
CN117349770B (zh) | 一种结构健康监测多应变传感器数据异常检测与修复方法 | |
CN111160185B (zh) | 多尺度时间序列遥感影像趋势和断点检测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210115 |
|
WW01 | Invention patent application withdrawn after publication |