CN112729815A - 基于无线网络的输送线健康状况在线故障大数据预警方法 - Google Patents

Abstract

本发明属于智能制造、工业互联网技术领域，具体涉及基于无线网络的输送线健康状况在线故障大数据预警方法；包括如下步骤：1)核心边缘组件安装：S1、在各段输送线的电机所在位置安装一个无线数据采集器，每台电机一个，在首次部署时，需要设定采集参数；S2、服务器端安装部署大数据采集软件和大数据处理软件；2)基于机器学习的大数据预警方法；能够提前预判输送线健康运行状态，对即将发生的问题提前预测和预警，避免因设备故障停机给用户带来的生产效益损失，从而间接降低用户改造成本。

Description

基于无线网络的输送线健康状况在线故障大数据预警方法

技术领域

本发明属于智能制造、工业互联网技术领域，具体涉及基于无线网络的输送线健康状况在线故障大数据预警方法。

背景技术

在制造、交通运输、仓储等行业中，输送线包括大量的机械、电器设备，都是支撑输送线正常运转必不可少的组件。为保障整个生产工艺稳定连续运作，这些机器设备需要长时间重负荷运行。然而系统的精细化设计、工作环境复杂恶劣却是设备使用寿命的最大缺陷所在，恶劣的工作环境使得精细设备的故障率居高不下。

对于生产线上运行的电机而言，振动是非常重要的运行状态特征。健康的电机在工作时或多或少都会产生有规律的振动，主要是由于电磁力和机械力的耦合以及转子的构造，在电机运行过程中，能量逐层传递到电机表面，产生振动响应，而电机的异常振动就是机械内部缺陷的外在表征，可以通过测量和分析电机的振动，进行电机故障的诊断和预测。

当前，国内大部分工业企业的设备运行管理，还处于事后维修或定期计划维修的状态，企业无法准确把握设备的实际运行状况，故障发生后将造成很大的损失。

数据故障预警系统具备高精度健康监测分析预警模型，传统生产线电机组健康监测系统多基于单一指标量设定阈值法进行状态监测预警，存在高虚警率以及高漏诊率等问题。

如何采集工业机器设备的关键数据，而且以低成本、容易部署采集器的方式、通过采集的数据对设备健康状况进行综合分析，实现对设备的运行状况进行预测是目前智能制造和智慧工厂中迫切需要解决的问题。

机器设备在损坏前，表征其健康状况的主要状态参数，包括设备的振动量、主要轴系磨损点的表面温度、减速机组的振动量等关键数据，均会呈现出有规律的变化，通过连续监测这些数据的变化，就可以对输送线生产设备的故障进行提前预测并报警，在发生重大故障前采取措施，减小故障发生后生产成本的极大浪费。

从机械设备投入工业生产以来，就已经有了对设备的状态检修操作。早期的设备状态检修主要依赖于工程人员的经验，通过对设备的触摸及敲打，获取设备的振动、噪声及温度等状态特征的直观感受，来判断设备是否存在故障。随着传感器技术、信号处理及检测技术的迅速发展，设备故障诊断开始成为一门系统学科。

机械设备在产生故障的早期，一般都会在电磁、机械、声学等方面有一些状态特征的变化体现。其中，通过机械振动信息进行诊断和预测是故障诊断预测中最为重要的分析方法之一，在设备核心-电机所有可能的故障中，振动问题出现的概率最高。另外，振动信号含有丰富的电机运行的状态信息，而许多电机故障都能从振动信号的变化中得到体现；振动信号还便于采集，能够在不影响电机生产运行的情况下完成监测与诊断。由此可见，振动信号成为电机运行状态监测的一项重要参考技术指标。

目前现有的工业输送线健康状况依赖人工巡检，即使使用在线的数据分析方法，数据来源也依赖传统的PLC设备和一些昂贵的传感器，数据量少，可供细致分析的数据满足不了预测准确度需要。这个问题在高效全自动运行的快递、物流等行业尤其显得突出，而故障造成的经济损失及生产时间的耗费，也是一个不容忽视的巨大隐性成本，更使得为保障设备生产运行而配置的维修、售后技术人员苦不堪言，人为成本高升而效率低下。

发明内容

本发明的目的在于提出基于无线网络的输送线健康状况在线故障大数据预警方法，能够提前预判输送线健康运行状态，对即将发生的问题提前预测和预警，避免因设备全部停机给用户带来的生产效益损失，从而间接降低用户改造成本。

为解决上述的技术问题，本发明采用以下技术方案：

基于无线网络的输送线健康状况在线故障大数据预警方法，包括如下步骤：

1)核心无线数据采集组件安装：

S1、在输送线的电机所在位置安装一个数据采集器，每台电机一个，安装位置可能根据电机的现场情况进行配置，例如图1，可以放置与电机外壳，靠近中部的位置，在首次部署时，需要设定相应的参数；例如输送线地址，采集器地址(如图2)，采集器的数据采集间隔，数据传送服务器的地址，书传送目录，采集器指示灯等。

注意，数据输送线的地址，按照图3或者图4的方式进行线性编码，例如，只有一条输送线地址为1,…,n.如果有多条分支线图5，按照输送线的输送方向和摆轮位置，依次编址为1,…,m，这样可形成层级式的编址，编址方式为1#2#，这种编址理论上有可有L层。

S2、服务器端安装部署数据采集软件；软件的基本功能包括：现场采集器的数据接收，服务器数据存储数据库/目录位置；数据实时分析模块；数据预测预警模块；核心在于数据预测预警。

2)基于机器学习的大数据预警方法：

采集软件接收采集器采集的设备振动和轴承表面的温度等数据，基于大数据驱动，融合机器学习预警方法，训练和执行模型，实现海量生产线监测数据深度挖掘，构建较高精度的设备电动机组监测分析预警模型，通过提取有效的振动监测特征指标，对电动机、减速齿轮箱中的齿轮以及轴承等零部件的健康状态分析与评估。

进一步，步骤2)预警方法中，振动监测数据主要包括时域监测特征指标提取以及频域监测特征指标提取。

进一步，时域监测特征指标提取是采取数理统计相关理论方法，来研究振动监测数据的时域分布规律。

进一步，频域监测特征指标提取是对信号进行频谱分析，如有效值幅值谱、功率谱以及包络谱等，并结合电动机故障特征频率进行有效监测和趋势分析。

进一步，步骤2)预警方法中，有效的振动监测特征指标主要包括有效值指标、峰值指标、峭度指标、包络指标；

1)有效值指标：适用于减速机齿轮箱中磨损类的故障监测，主要表现为振幅值随时间缓慢变化，尽管有效值对早期故障不敏感，但稳定性很好。在滚动轴承的状态监测中，有效值可以用来反应各个滚动体在滚道上运动时，由于制造精度差以及工作表面点蚀所产生的不规则振动状况；制造精度愈低或轴承磨损程度愈大，则有效值愈高。

对于正常轴承以及表面发生点蚀的轴承有效值很稳定，不受偶然因素的干扰；但对于表面剥落或局部损伤产生的冲击脉冲振动波形，脉冲幅值的大小有效值是反映不出来的。

2)峰值指标：适用于表面点蚀损伤之类的具有瞬时冲击的故障监测，对转速较低的情况(如300r/min以下)，也常采用峰值进行有效监测。

3)峭度指标：适用于轴承早期故障检测。当轴承出现初期故障时，有效值的变化还不大，但峭度值已有明显增加，因此它比测量有效值能提供更早期的预报。

但峭度值只能反映进展中的故障，当故障到达一定程度后，在整个频带范围内各波峰都是同样水平的尖峰脉冲波，峭度指标值变化也不大，也就是轴承良好状态和严重故障状态下的峭度指标几乎是相同的。

振幅满足正态分布的无故障轴承其峭度值约为3，轴承振动信号的峭度值一般在3～45，当值大于4时，即预示着轴承有一定程度的损伤。采用该特征参数的优点在于与轴承的转速、尺寸和载荷无关，主要适用于点蚀类故障状态监测。

4)包络指标：当轴承出现故障后，在其振动频谱中会出现缺陷频率及其谐波的谱峰，实践证明，实际的频谱中缺陷频率并不总是精确地等于理论值，需要在理论缺陷频率值的上下一定范围寻找最大峰值作为实际缺陷频率幅值。

故障轴承振动信号的特点为故障特征频率周期出现的高频共振，可以近似看作一个以高频共振为载波频率，以故障特征频率为调制频率的幅值调制信号，因此可以从其包络谱中提取故障轴承特征频率。

进一步，步骤2)预警方法中，机器学习预警方法模型训练和运行步骤包括(如图6)：

第1步：根据实验、经验、统计分析得到输送带电机故障、正常运行的运行特征；

第2步、通过现场数据的采集，对数据进行预处理；

第3步、为了对输送线上的不同电机品牌数据去除差异化影响，对所有窗口内收集的数据进行标准化和归一化；

第4步、计算各个特征和标签的相关性、相关系数、根据相关系数的大小选择特征列作为模型输入；

第5步、选取训练数据和测试数据的特征和标签；

第6步、构建机器学习输送线电机预警模型；

第7步、以训练集作为输入，通过机器学习方法对预警模型进行参数学习优化，得到训练后的预警模型，然后评估模型。

第8步、以训练集作为输入，通过机器学习方法对预警模型进行参数学习优化，得到训练后的预警模型；

第9步、对于任一输送线电机数据作为输入，调用上述模型进行处理，得到相应模型输出。

第11步、对有效值指标、峰值指标、峭度指标、包络指标数据归一化，并按正常、警告、严重进行分级；

第12步、根据电机振动数据和分级指标进行匹配得到结果信息，根据结果信息对输送线健康状态进行预警，实现提前预判设备故障的目的。

与现有技术相比，本发明的有益效果是：(1)能够提前预判输送线健康运行状态，对即将发生的问题提前预测和预警，避免因设备全部停机给用户带来的生产效益损失，从而间接降低用户改造成本。(2)减少预警系统现场安装调试工作量。(3)与现有输送线系统无缝接入，部署简单。

附图说明

图1为本发明采集器安置位置图。

图2为采集器配置图。

图3为采集器主要模块图。

图4为输送线编址单条图。

图5为带分支的输送线编址图。

图6为数据预警模型图。

具体实施方式

如图1-6所示，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例

基于无线网络的输送线健康状况在线故障大数据预警方法，包括如下步骤：

1)核心无线数据采集组件安装：

S1、在输送线的电机所在位置安装一个数据采集器，每台电机一个，安装位置可能根据电机的现场情况进行配置，例如图1，可以放置与电机外壳，靠近中部的位置，在首次部署时，需要设定相应的参数；例如输送线地址，采集器地址(如图2)，采集器的数据采集间隔，数据传送服务器的地址，书传送目录，采集器指示灯等。

注意，数据输送线的地址，按照图3或者图4的方式进行线性编码，例如，只有一条输送线地址为1,…,n.如果有多条分支线图5，按照输送线的输送方向和摆轮位置，依次编址为1,…,m，这样可形成层级式的编址，编址方式为1#2#，这种编址理论上有可有L层；输送线编址方法不限于线性编址，可以使用笛卡尔坐标平面或者立体式的编址方式，关键在于只要能够标识每个采集器的位置即可。

S2、服务器端安装部署数据采集软件；软件的基本功能包括：现场采集器的数据接收，服务器数据存储数据库/目录位置；数据实时分析模块；数据预测预警模块；核心在于数据预测预警。

2)核心无线数据采集组件安装：

采集软件接收采集器采集的设备振动和轴承表面的温度等数据，振动监测数据主要包括时域监测特征指标提取以及频域监测特征指标提取，时域监测特征指标提取是采取数理统计相关理论方法，来研究振动监测数据的时域分布规律，频域监测特征指标提取是对信号进行频谱分析，如有效值幅值谱、功率谱以及包络谱等，并结合电动机故障特征频率进行有效监测和趋势分析，基于大数据驱动，融合机器学习预警方法，训练和执行模型，实现海量生产线监测数据深度挖掘，构建较高精度的设备电动机组监测分析预警模型，通过提取有效的振动监测特征指标，有效的振动监测特征指标主要包括有效值指标、峰值指标、峭度指标、包络指标；可以扩展到其他指标，比如相位、周期等物理特性。模型中的输入参数还可以包括温度、湿度、压力等，这样可以使得训练模型更稳定，对电动机、减速齿轮箱中的齿轮以及轴承等零部件的健康状态分析与评估。

1)有效值指标：适用于减速机齿轮箱中磨损类的故障监测，主要表现为振幅值随时间缓慢变化，尽管有效值对早期故障不敏感，但稳定性很好。在滚动轴承的状态监测中，有效值可以用来反应各个滚动体在滚道上运动时，由于制造精度差以及工作表面点蚀所产生的不规则振动状况；制造精度愈低或轴承磨损程度愈大，则有效值愈高。

对于正常轴承以及表面发生点蚀的轴承有效值很稳定，不受偶然因素的干扰；但对于表面剥落或局部损伤产生的冲击脉冲振动波形，脉冲幅值的大小有效值是反映不出来的。

2)峰值指标：适用于表面点蚀损伤之类的具有瞬时冲击的故障监测，对转速较低的情况(如300r/min以下)，也常采用峰值进行有效监测。

3)峭度指标：适用于轴承早期故障检测。当轴承出现初期故障时，有效值的变化还不大，但峭度值已有明显增加，因此它比测量有效值能提供更早期的预报。

但峭度值只能反映进展中的故障，当故障到达一定程度后，在整个频带范围内各波峰都是同样水平的尖峰脉冲波，峭度指标值变化也不大，也就是轴承良好状态和严重故障状态下的峭度指标几乎是相同的。

振幅满足正态分布的无故障轴承其峭度值约为3，轴承振动信号的峭度值一般在3～45，当值大于4时，即预示着轴承有一定程度的损伤。采用该特征参数的优点在于与轴承的转速、尺寸和载荷无关，主要适用于点蚀类故障状态监测。

4)包络指标：当轴承出现故障后，在其振动频谱中会出现缺陷频率及其谐波的谱峰，实践证明，实际的频谱中缺陷频率并不总是精确地等于理论值，需要在理论缺陷频率值的上下一定范围寻找最大峰值作为实际缺陷频率幅值。

故障轴承振动信号的特点为故障特征频率周期出现的高频共振，可以近似看作一个以高频共振为载波频率，以故障特征频率为调制频率的幅值调制信号，因此可以从其包络谱中提取故障轴承特征频率。

机器学习预警方法模型训练和运行步骤包括(如图6)：

第1步：根据实验、经验、统计分析得到输送带电机故障、正常运行的运行特征；

第2步、通过现场数据的采集，对数据进行预处理；

第3步、为了对输送线上的不同电机品牌数据去除差异化影响，对所有窗口内收集的数据进行标准化和归一化；

第4步、计算各个特征和标签的相关性、相关系数、根据相关系数的大小选择特征列作为模型输入；

第5步、选取训练数据和测试数据的特征和标签；

第6步、构建机器学习输送线电机预警模型；

第7步、以训练集作为输入，通过机器学习方法对预警模型进行参数学习优化，得到训练后的预警模型，然后评估模型。

第8步、以训练集作为输入，通过机器学习方法对预警模型进行参数学习优化，得到训练后的预警模型；

第9步、对于任一输送线电机数据作为输入，调用上述模型进行处理，得到相应模型输出。

第11步、对有效值指标、峰值指标、峭度指标、包络指标数据进行归一化，并按正常、警告、严重进行分级；

第12步、根据电机振动数据和分级指标进行匹配得到结果信息，根据结果信息对现场输送线设备的健康状态进行预警。

无线传输WiFi可选用目前物联网所使用的传输协议，如4G/5G,ZigBee等常用协议，可根据现场输送带大小和干扰进行选择；

机器学习模型不限于决策树模型，可根据预测需要选择逻辑斯蒂回归,支持向量机，神经网络等模型。

本发明能够提前预判输送线健康运行状态，对即将发生的问题提前预测和预警，避免因设备全部停机给用户带来的生产效益损失，从而间接降低用户改造成本；减少预警系统现场安装调试工作量；与现有输送线系统无缝接入，部署简单。

尽管这里参照本发明的多个解释性实施例对本发明进行了描述，但是，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。更具体地说，在本申请公开、附图和权利要求的范围内，可以对主题组合布局的组成部件和/或布局进行多种变型和改进。除了对组成部件和/或布局进行的变形和改进外，对于本领域技术人员来说，其他的用途也将是明显的。

Claims (6)

1.基于无线网络的输送线健康状况在线故障大数据预警方法，其特征在于：包括如下步骤：

1)核心无线数据采集组件安装：

S1、在输送线的电机所在位置安装一个无线数据采集器，每台电机一个，在首次部署时，需要设定相应的参数；

S2、服务器端安装部署数据采集软件和大数据处理软件；

2)基于机器学习的大数据预警方法：

采集软件接收采集器采集的设备振动和轴承表面的温度等数据，基于大数据驱动，融合机器学习预警方法，训练和执行模型，实现海量生产线监测数据深度挖掘，构建较高精度的设备电动机组监测分析预警模型，通过提取有效的振动监测特征指标，对电动机、减速齿轮箱中的齿轮以及轴承等零部件的健康状态分析与评估。

2.根据权利要求1所述的基于无线网络的输送线健康状况在线故障大数据预警方法，其特征在于：步骤2)预警方法中，振动监测数据主要包括时域监测特征指标提取以及频域监测特征指标提取。

3.根据权利要求2所述的基于无线网络的输送线健康状况在线故障大数据预警方法，其特征在于：时域监测特征指标提取是采取数理统计相关理论方法，来研究振动监测数据的时域分布规律。

4.根据权利要求2所述的基于无线网络的输送线健康状况在线故障大数据预警方法，其特征在于：频域监测特征指标提取是对信号进行频谱分析。

5.根据权利要求1所述的基于无线网络的输送线健康状况在线故障大数据预警方法，其特征在于：步骤2)预警方法中，有效的振动监测特征指标主要包括有效值指标、峰值指标、峭度指标、包络指标。

6.根据权利要求1所述的基于无线网络的输送线健康状况在线故障大数据预警方法，其特征在于：步骤2)预警方法中，机器学习预警方法模型训练和运行步骤包括：

第1步：根据实验、经验、统计分析得到输送带电机故障、正常运行的运行特征；

第2步、通过现场数据的采集，对数据进行预处理；

第3步、为了对输送线上的不同电机品牌数据去除差异化影响，对所有窗口内收集的数据进行标准化和归一化；

第4步、计算各个特征和标签的相关性、相关系数、根据相关系数的大小选择特征列作为模型输入；

第5步、选取训练数据和测试数据的特征和标签；

第6步、构建机器学习输送线电机预警模型；

第7步、以训练集作为输入，通过机器学习方法对预警模型进行参数学习优化，得到训练后的预警模型，然后评估模型。

第8步、以训练集作为输入，通过机器学习方法对预警模型进行参数学习优化，得到训练后的预警模型；

第9步、对于任一输送线电机数据作为输入，调用上述模型进行处理，得到相应模型输出。

第11步、对有效值指标、峰值指标、峭度指标、包络指标数据归一化，并按正常、警告、严重进行分级；

第12步、根据电机振动数据和分级指标进行匹配得到结果信息，根据结果信息对输送线健康状态进行预警，实现提前预判设备故障的目的。

Images