CN113095540A - 数据整合方法及数据整合系统 - Google Patents
数据整合方法及数据整合系统 Download PDFInfo
- Publication number
- CN113095540A CN113095540A CN202011402075.4A CN202011402075A CN113095540A CN 113095540 A CN113095540 A CN 113095540A CN 202011402075 A CN202011402075 A CN 202011402075A CN 113095540 A CN113095540 A CN 113095540A
- Authority
- CN
- China
- Prior art keywords
- data
- information
- target
- data integration
- target device
- 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.)
- Pending
Links
- 230000010354 integration Effects 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001228 spectrum Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000003745 diagnosis Methods 0.000 claims description 14
- 238000005265 energy consumption Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000013501 data transformation Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 16
- 239000013598 vector Substances 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 239000012530 fluid Substances 0.000 description 7
- 238000010168 coupling process Methods 0.000 description 5
- 206010011906 Death Diseases 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- WURBVZBTWMNKQT-UHFFFAOYSA-N 1-(4-chlorophenoxy)-3,3-dimethyl-1-(1,2,4-triazol-1-yl)butan-2-one Chemical compound C1=NC=NN1C(C(=O)C(C)(C)C)OC1=CC=C(Cl)C=C1 WURBVZBTWMNKQT-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
一种数据整合方法及数据整合系统，包括处理转动机械组件的信号以形成特征信息，其中，该特征信息包含全频谱数据，再将该特征信息进行概率演算，以获取该转动机械组件的剩余有效寿命。
Description
技术领域
本发明有关于一种数据整合方法，尤指一种用于预测转动机械组件的寿命的数据整合方法及数据整合系统。
背景技术
目前发电厂为了追求更高的能源转换效率，将发电机的涡轮机械组件从低速单级设计朝向高速多级发展已为当前趋势，故传统的滚动式轴承已难以匹配高效率/高发电量的涡轮工作条件，如高负载、高转速、高温度或其它等。
目前为了确保涡轮机械组件的高运转可靠度，美国石油学会(AmericanPetroleum Institute)特别建立ANSI/API Standard 612标准以规范蒸汽涡轮需使用流体膜轴承(Fluid Film Bearing)。
然而，目前蒸汽涡轮的预测性维护(Predictive Maintenance)仅凭现场人员的经验，判断是否需更换该涡轮机械的零组件，因而无法准确得知该涡轮机械的零组件的剩余寿命，因而容易误判该涡轮机械的零组件的更换时间点，导致电厂意外发生或更换成本大幅增加。
因此，如何预判该涡轮机械组件的使用寿命，实已成为目前业界亟待克服的课题。
发明内容
鉴于上述现有技术的种种缺失，本发明提供一种数据整合方法和数据整合系统,有助于提升设备稼动率而增加其经济性。
本发明的数据整合方法，包括：收集一目标装置的目标信息，其中，该目标装置为转动机械组件；借由一电子装置接收并处理该目标信息以形成特征信息，其中，该特征信息包含全频谱数据；以及借由该电子装置将该特征信息进行概率演算，以获取剩余有效寿命。
本发明还提供一种数据整合系统，包括：收集组件，用于收集一目标装置的目标信息，其中，该目标装置为转动机械组件；数据处理模块，其通信连接该收集组件以接收并处理该目标信息，以令该目标信息形成特征信息，其中，该特征信息包含全频谱数据；以及预测模块，其通信连接该数据处理模块，以利用该特征信息进行概率演算而获取剩余有效寿命。
由上可知，本发明的数据整合方法及数据整合系统中，主要借由包含全频谱数据的特征信息，以进行概率演算而获取剩余有效寿命，故相较于现有技术，本发明的数据整合方法及数据整合系统可演算出该目标装置的剩余有效寿命，以提供保养计划最佳化的参考，并有助于提升设备稼动率而增加其经济性，且能减少意外停机或发生重大事故的风险。
以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。
附图说明
图1A为本发明的数据整合系统的配置示意图。
图1A’为图1A的另一实施例的配置示意图。
图1B为本发明的数据整合系统的架构配置示意图。
图2为本发明的数据整合方法的流程示意图。
图3A至图3B为本发明的数据整合方法的耦合过程的示意图。
图3C至图3D为本发明的数据整合方法的制作特征信息的过程示意图。
图4A至图4B为本发明的数据整合方法的获取参考信息的过程示意图。
图4B’为图4B的实施过程。
图4C、图4C’及图4D为本发明的数据整合方法的获取剩余有效寿命的过程示意图。
图4E为图4D的实施过程的示意图。
图5为图2的另一实施例的示意图。
图5A为图5的向量化过程的示意图。
图5B至图5C为图5的降维过程的示意图。
图6为图1A’的另一实施例的配置示意图。
附图标记
1 数据整合系统 1a 电子装置
10 收集组件 10’ 信号转换模块
10a 多工器 10b 转换器
10c 数据库 100 传感器
11 数据处理模块 12 预测模块
120 数据转换部 121 评估部
122 预测部 13 存储器
14a 示警器 14b 示警面板
2a 前置作业 2b 处理作业
2c 预测作业 50 故障诊断模块
500 特性获取部 501 故障识别部
6 控制系统 6’ 应用端电脑
60 转换器 61 控制器
9 目标装置 9a 外壳
90 转轴 A1 X轴方向感测图
A2 Y轴方向感测图 B 原始偏摆轨迹
C1,C2 滤波轨迹 C 概率的数值
fE 故障临界值 K 次平面
L 曲线 L1 第一曲线
L2 第二曲线 L3 第三曲线
L4 第四曲线 p 振动特征向量
P(fp),P(tE),P(fp1),P(fP2) 概率密度函数
S 全频空间 S21-S27 步骤
S27’ 步骤 S50-S51 步骤
tP 当前时间点 tp1,tp2 未来时间点
Z 特性空间 Z1,Z2 坐标方位。
具体实施方式
下面结合附图对本发明的结构原理和工作原理作具体的描述：
图1A及图1B为本发明的数据整合系统1的架构配置示意图。如图1A所示，该数据整合系统1例如包括一相互通信连接的收集组件10以及一电子装置1a(如图1B所示)，其中，该收集组件10用于收集一目标装置9(如图1B所示)的目标信息，且该电子装置1a配置有一数据处理模块(Data Processing Module)11以及一预测模块(Prognosis Module)12。
于本实施例中，该电子装置1a为运算仪器或电脑，且该目标装置9为转动机械组件，如低温发电机的蒸汽涡轮，其包含流体膜轴承(Fluid Film Bearing)，其具有一外壳9a及一设于该外壳9a内的转轴90。应可理解地，有关转动机械组件的种类繁多，并不限于上述。
所述的收集组件10通信连接该目标装置9，以收集该目标装置9的目标信息。
于本实施例中，该收集组件10包含多个传感器100，如接近传感器(ProximitySensor)，其位于该目标装置9的外壳9a内，以获取该转轴90的轨迹信号。例如，该传感器100的形式可为涡电流式、电容式、光学式或其它适当形式，并无特别限制。
此外，于该目标装置9的外壳9a上连接有两个传感器100，其以90度正交方式配置，以获取该转轴90的两个方向的偏摆量。
另外，该接近传感器所测量的数据以模拟电压信号作输出，故可依需求增设一信号转换模块10’，以将该收集组件10所接收的模拟电压信号转换成数字信号，再将该数字信号输出至该数据处理模块11。
应可理解地，有关收集该目标信息的方式繁多，可依需求配置适当的收集组件10，并不限于上述的感测方式。
所述的数据处理模块11通信连接该收集组件10以耦合来自该收集组件10的目标信息而获得中介信息，并将该中介信息进行快速傅立叶转换(Fast Fourier Transform，简称FFT)以形成特征信息。
于本实施例中，该目标信息包含该转轴90的偏摆数据，且该特征信息包含全频谱数据(Full Spectrum)。
此外，由于该数据处理模块11需制作该全频谱数据，故该传感器100的数量以偶数为佳，如2个、4个、6个、8个或其它等。
所述的预测模块12通信连接该数据处理模块11，以利用该特征信息进行概率算法而获取剩余有效寿命，且包含一通信连接该数据处理模块11的数据转换部(DataTransformation)120、一通信连接该数据转换部120的评估部(Estimation)121、及一通信连接该评估部121的预测部(Prediction)122。
于本实施例中，该数据转换部120将该特征信息的全频谱振幅进行积分转换以形成参考信息(包含振动耗能参数)，再利用该参考信息进一步量化该目标装置9的运作状态，例如，采用量值表示故障状态(Fault State)。
此外，该评估部121用以评估该目标装置9的故障状态，且该预测部122用以预测该目标装置9的剩余有效寿命。
图2为本发明的数据整合方法的流程示意图。如图2所示，所述的数据整合方法采用该数据整合系统1依序进行前置作业2a、处理作业2b及预测作业2c，其中，该前置作业2a包括步骤S20-S21，该处理作业2b包括步骤S22-S23，该预测作业2c包括步骤S24-S26，详述如下。
于步骤S20中，借由该收集组件10收集有关该目标装置9的所需数据，以获取目标信息，如获取该转轴90的轨迹信号。
于本实施例中，该目标信息包含该转轴90的两个方向的偏摆量，如图3A所示的X轴方向感测图A1及Y轴方向感测图A2，即该转轴90的偏摆数据。
此外，若该传感器100的输出信号为模拟形式时，可经由该信号转换模块10’将该收集组件10的模拟电压信号转换成数字信号，如步骤S21。
于步骤S22中，借由该数据处理模块11耦合来自该收集组件10的目标信息。
于本实施例中，由于该目标信息包含X轴方向、Y轴方向的二维的转轴90的偏摆数据，故经由耦合后，将获取一中介信息，其包含该转轴90的原始偏摆轨迹B(如图3B所示)。
于步骤S23中，将该中介信息进行快速傅立叶转换(FFT)以形成特征信息。
于本实施例中，该特征信息包含滤波轨迹(Filtered Orbit)数据及对应该滤波轨迹信息的全频谱数据(Full Spectrum)。例如，重建该转轴90的原始偏摆轨迹B，以获得各个频率(如倍频1x、2x或其它倍数频率等，其中，x表示转轴90的转速的频率)下的滤波轨迹数据(如图3C所示的倍频1x的滤波轨迹C1及倍频2x的滤波轨迹C2)，其代表顺时针旋转方向上的振幅及逆时针旋转方向上的振幅，故该全频谱数据将所有振幅数据根据所对应的频率整理而成(如图3D所示的正向与反向)，其中，该全频谱数据的图表的横轴表示频率，而纵轴表示振幅峰值(Peak to Peak Amplitude)。
于步骤S24中，借由该预测模块12的数据转换部120的内建算法模型将由FFT转换所得的全频谱数据(如图3D及图4A所示)进行积分转换(如图4B所示)，以获取包含有振动耗能参数的参考信息。
于本实施例中，该振动耗能参数为全频谱振幅值积分，如图4B所示的曲线L所涵盖的面积，其中，可先将图4A的线状图改为图4B’所示的直方图，再进行积分演算。具体地，该数据转换部120的内建算法模型可由一方程式建构，如下公式：
q＝u∑a
其中，q为振动耗能参数，a为振幅的向量(An/2-,…,A2-,A1-,A1+,A2+…,An/2+)，u为频率解析度(Frequency Resolution)。因FFT的特性，该频率解析度u将由该数据整合系统1的取样率sp及每次输入FFT计算全频谱数据的样本量m所决定，即u＝sp/m。
此外，该目标装置9因故障所导致的能量损失会经由振动、热或声波等形式进行释放，故该振动耗能参数表示借由所测量到的振动强度而评估该目标装置9所释放出的能量。例如，该振动耗能参数可用以表示目前该转轴90的故障状态，故当该振动耗能参数越大，则表示该目标装置9的故障状态越严重。
于步骤S25中，借由该评估部121将该振动耗能参数转换成一目标量值，如图4C所示，以评估该目标装置9的可能状态。
于本实施例中，该评估部121依据一内建的状态函数将该振动耗能参数转换成该目标量值，且可依据该目标装置9(如流体膜轴承)的操作条件的不同改变该状态函数。例如，该操作条件可包含转轴转速N、该转轴90的偏心程度e、该转轴90的姿态角β、轴承流体入口温度Ten或其它适当条件，故可用方程式表示该目标量值，如下所示：
f＝F(q,N,e,β,Ten)
其中，该状态函数为故障状态函数F，且该目标量值为故障量值f。
此外，该评估部121所计算出的目标量值配合一损坏传播模型(DamagePropagation Model)的算法，并通过追踪滤波器(Tracking Filter)进行追踪迭代，以同时追踪该目标装置9的所有故障类型的故障量值的变化。例如，该损坏传播模型通过经验模型、物理模型或大数据理论所建立，其用于呈现该故障量值随时间增加而改变的趋势(Trend)，且该追踪滤波器为粒子滤波器(Particle Filter)或卡曼滤波器(Kalmanfilter)，其计算所得的故障状态为该故障量值的概率密度函数(Probability DensityFunction)，即p(f)。
具体地，如图4C’所示的损坏传播模型，其描述故障量值随时间变化的趋势，其对应四种故障类型，即该转轴90的破损的损坏传播模型(如图4C’所示的第一曲线L1)、该目标装置9的联轴器故障的损坏传播模型(如图4C’所示的第二曲线L2)、该目标装置9的轴承故障的损坏传播模型(如图4C’所示的第三曲线L3)与该目标装置9的密封磨损的损坏传播模型(如图4C’所示的第四曲线L4)，其中，图4C’的纵轴表示该故障量值的估计值(其通过一经验模型、物理模型或大数据理论等所得到的模拟值)，且横轴表示衰变时间。
于步骤S26中，借由该预测部122采用该目标量值演算出剩余有效寿命(RemainingUseful Life，简称RUL)。
于本实施例中，该预测部122依据内建的寿命预测算法进行演算，计算该目标量值于该当前时间点tP发展至故障临界值fE所需的时间ΔtE，即ΔtE表示剩余有效寿命(RUL)，如图4D所示，且该寿命预测算法基于概率算法方式设计。例如，该故障临界值fE为用以判定该目标装置9(如该转动机械组件)失效的假想量值，其数值可依不同程度的安全需求任意调整，且因该当前时间点tp的故障状态以该概率密度函数P(fp)作表示，故通过该寿命预测算法所得的寿命终止时间点也可以时间的概率密度函数P(tE)作表示。
具体地，该预测部122通过寿命预测算法预测于未来时间点tp1,tp2下的失效量值的可能性，其以概率密度函数P(fp1),P(fP2)作表示。若继续延伸该未来时间点tp1,tp2的位置，则可计算出延伸至该故障临界值fE的边界的概率密度函数P(tE)。
接着，对该概率密度函数P(tE)进行积分，以求得该失效量值于某一个未来时间点tE达到该故障临界值fE的概率PEOL，也就是该目标装置9失效的概率。举例来说，如图4E所示，可假定一个寿命终止参考点tEOL，其代表该目标装置9失效的概率PEOL的时间点，且该概率PEOL的数值C(如50％)可依使用者的需求任意调整，其中，该概率PEOL的算式如下：
故当该寿命终止参考点tEOL及该当前时间点tp为已知数时，即可通过该寿命终止参考点tEOL减去该当前时间点tp而求得剩余有效寿命ΔtEOL(即tEOL-tP＝ΔtEOL)，借此，获取一具有代表性的剩余有效寿命ΔtEOL的数值。
因此，由于该概率PEOL的数值C可任意调整，故使用者可得到多种剩余有效寿命ΔtEOL的概率PEOL，如下表所示：
| 剩余有效寿命Δt<sub>EOL</sub> | 概率P<sub>EOL</sub> |
| 120小时 | 50％ |
| 180小时 | 80％ |
| 300小时 | 95％ |
| 15小时 | 22.4％ |
| 2小时 | 10.7％ |
最后，于步骤S27中，输出该剩余有效寿命ΔtEOL的结果(如上表)，以供使用者参考或进行相关后续应用。例如，由上表可知，该目标装置9于工作300小时后的损坏概率约95％，使用者可选择采用的，或采用其它者(如工作180小时的损坏概率约80％)。
如图1A’所示，所述的电子装置1a可依需求增设一通信连接该数据处理模块11的故障诊断模块(Fault Diagnosis Module)50，其用于分析该特征信息的全频谱数据的状态，以判断机械故障的项目。
于本实施例中，该故障诊断模块50包含一特性获取部(Feature Extraction)500及一故障识别部(Fault Pattern Recognition)501。
所述的特性获取部500依据内建算法进行该全频谱数据的分析与特性获取，以求得一组低维度且具有代表性的振动特征(Vibration Signature)，如图5的步骤S50。
于本实施例中，该特性获取部500的内建算法基于主成分分析法(PrincipalComponent Analysis，简称PCA)、神经网络(Neural Network，简称NN)或其它方法等设计，且该特性获取过程将该全频谱数据由一高维度的全频空间S投影至低维度的特性空间Z，具体如下所述。
首先，先对原始的全频谱数据(如图3D所示)进行向量化，再进行特性获取，该向量的大小等于该全频谱数据中的频率元素总数量n，其包含正值频率元素与负值频率元素，且该向量的元素值xw为针对某一频率w下的振幅值Aw进行正规化后所求得，其中，该正规化为借由除以该全频谱数据中的最大振幅值Amax以完成者(即xw＝Aw/Amax)，故该向量可表示为于该全频空间S(坐标方位S1,S2,S3)中，维度等于该全频谱数据中的频率元素总数量n的一个数点(即x＝x1,x2,…,xn)，其可称为振动全频向量x，如图5A所示，其中，每一个元素值x1,x2,…,xn均小于或等于1。
接着，将该振动全频向量x通过内建算法进行降维投影，如图5B至图5C所示，将一组三维的原始特性数据降维至二维的特性数据，其中，该特性空间Z(坐标方位Z1,Z2)于该全频空间S中呈现一个次平面(Subspace)K，故可将多笔振动全频向量x的向量数据由较高维度的全频空间S降维投影至该次平面K上，且该次平面K为较低维度的特性空间Z，即p＝F(x)，其中，p(p＝p1,p2,…,pk)表示降维度后的振动特征向量，且F(x)为该内建算法。
因此，该特性获取的目的用于舍去多余且无意义的特性数据，以将所有的振动全频向量x从维度为频率元素总数量n的全频空间S降至维度为频率元素总数量m(n＞m)的特性空间Z，以减少对后续进行故障诊断的不良因素，如准确度、计算量或其它。
所述的故障识别部501依据内建算法针对该振动特征进行故障识别，以识别其所对应的故障项目，如图5的步骤S51。
于本实施例中，该故障识别部501的内建算法基于K最近邻算法(k-NearestNeighbors，简称kNN)、支持向量机方法(Support Vector Machine，简称SVM)、神经网络法(Neural Network，简称NN)或其它方法设计，以建置完成各种故障项目。例如，该故障项目包含：轴破损(Rotor Crack)、联轴器故障(Coupling Malfunction)、轴承故障(BearingMalfunction)、密封磨损(Seal Rub)或其它故障(Other Malfunctions)等。
此外，该故障识别部501利用机器学习(Machine Learning)的样形识别(PatternRecognition)技术，故该故障识别部501可针对该振动特征向量p进行非线性内插(Nonlinear Interpolation)算法，以求得一内差值，且该内差值的计算结果将与已建置完成的故障项目进行比对，以进行故障项目的识别而获取一诊断结果。
因此，通过该已建置完成的故障项目对应该振动特征向量p进行故障项目分类，因而不需人工辅助进行，故可达到自动分析诊断的目的。
此外，由于该预测模块12与该故障诊断模块50采用该数据处理模块11的全频谱数据，故于图5的步骤S27’中，可先比对该诊断结果与该剩余有效寿命ΔtEOL，以将两者整合，而进一步确认该剩余有效寿命ΔtEOL的零组件与该故障项目是否吻合，再输出整合结果。例如：若该故障诊断模块50判定目前的故障项目为「转轴90的偏心损坏」，则该预测模块12应输出「该转轴90的偏心损坏项目」的剩余有效寿命ΔtEOL的数值。
另外，该预测模块12所演算出的剩余有效寿命ΔtEOL可传送至一控制系统6，如图1B所示。例如，该数据整合系统1可于该电子装置1a中配置至少一通信连接该预测模块12的存储器(Memory)13，如图6所示，其借由该电子装置1a中所配置的多个数字模拟转换器(DAC)60及一个控制器61(EtherCAT型)通信连接该控制系统6，以供使用者(如图1B所示的应用端电脑6’)进行相关后续应用，如记录、参考、实验或其它等作业。具体地，如图1A及图6所示，该信号转换模块10’包含一多工器(Multiplexer)10a、一模拟数字转换器(ADC)10b及数据库(Data Buffer)10c，该多工器10a用于将多个传感器100所输入的线路进行切换，且该模拟数字转换器10b用于将该些传感器100的模拟电压信号转换成数字数据，并将该数字数据输出至该数据库10c，以供作为该目标信息，以令该数据库10c可将该目标信息传送至该数据处理模块11及该存储器13中。
另外，该预测模块12所演算出的剩余有效寿命ΔtE也可传送至一示警器(AlarmConditioner)14a，如图6所示，以根据预先设定的示警值判断是否需反应示警，且可通过一示警面板(Annunciation Panel)14b进行示警。
另一方面，如图6所示，该预测模块12及/或该故障诊断模块50也可通信连接该存储器13中，以利于数据的存取。
综上所述，本发明的数据整合方法及数据整合系统1，利用该数据处理模块11进行全频图分析计算，以产生包含全频谱数据的特征信息，并通过该预测模块12进行故障量值的计算，以进行概率演算而获取剩余有效寿命，故本发明的数据整合方法及数据整合系统1可演算出该转动机械组件(或轴系列组件)的剩余有效寿命，以提供保养计划最佳化的参考，并有助于提升设备稼动率(高设备综合效益)而增加其经济性(高投资报酬率)，且能减少意外停机或发生重大事故的风险。
此外，本发明的数据整合方法及数据整合系统1通过导入振动耗能参数以有助于量化故障状态(如故障量值)，以供作为估计该剩余有效寿命的依据。
另外，本发明的数据整合方法及数据整合系统1借由该故障诊断模块50的配置，其采用全频谱分析技术结合机器学习方法，以改善传统方法(如半频谱分析或人工经验)对于该流体膜轴承诊断能力不佳的问题，并达成自动诊断的功能(如项目分类)。
另外，本发明的数据整合方法可编制成一内储程序的电脑可读取记录媒体，如制成软件的光盘，以当该电脑载入该程序并执行后，能完成前述的数据整合方法。
当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (20)
1.一种数据整合方法，其特征在于，包括：
收集一目标装置的目标信息，其中，该目标装置为转动机械组件；
借由一电子装置接收并处理该目标信息以形成特征信息，其中，该特征信息包含全频谱数据；以及
借由该电子装置将该特征信息进行概率演算，以获取该目标装置的剩余有效寿命。
2.如权利要求1所述的数据整合方法，其特征在于，该转动机械组件具有转轴，且该目标信息包含该转轴的偏摆数据。
3.如权利要求2所述的数据整合方法，其特征在于，该电子装置耦合该转轴的偏摆数据，以获取一中介信息，再将该中介信息进行快速傅立叶转换以形成该特征信息。
4.如权利要求3所述的数据整合方法，其特征在于，该中介信息包含该转轴的原始偏摆轨迹。
5.如权利要求1所述的数据整合方法，其特征在于，该电子装置将该全频谱数据进行积分转换，以获取包含有振动耗能参数的参考信息，供该概率演算的运作。
6.如权利要求5所述的数据整合方法，其特征在于，该电子装置将该振动耗能参数转换成目标量值，以采用该目标量值演算出该剩余有效寿命。
7.如权利要求6所述的数据整合方法，其特征在于，该目标量值依据状态函数转换该振动耗能参数而得，该状态函数为故障状态函数，且该目标量值为故障量值。
8.如权利要求1所述的数据整合方法，其特征在于，该方法还包括分析该特征信息的全频谱数据的状态，以判断该目标装置的故障项目。
9.如权利要求8所述的数据整合方法，其特征在于，该方法还包括比对该故障项目与该剩余有效寿命，以供该电子装置进行整合。
10.如权利要求1所述的数据整合方法，其特征在于，该方法还包括输出该剩余有效寿命至一警示器。
11.一种数据整合系统，其特征在于，包括：
收集组件，其收集一目标装置的目标信息，其中，该目标装置为转动机械组件；
数据处理模块，其通信连接该收集组件以接收并处理该目标信息，以令该目标信息形成特征信息，其中，该特征信息包含全频谱数据；以及
预测模块，其通信连接该数据处理模块，以利用该特征信息进行概率演算而获取该目标装置的剩余有效寿命。
12.如权利要求11所述的数据整合系统，其特征在于，该转动机械组件具有转轴，且该收集组件包含传感器，用以获取该转轴的轨迹信号。
13.如权利要求12所述的数据整合系统，其特征在于，该传感器的数量为偶数。
14.如权利要求11所述的数据整合系统，其特征在于，该数据处理模块耦合该目标信息并进行快速傅立叶转换，以形成该特征信息。
15.如权利要求11所述的数据整合系统，其特征在于，该预测模块包含通信连接该数据处理模块的一数据转换部、通信连接该数据转换部的一评估部以及通信连接该评估部的一预测部。
16.如权利要求15所述的数据整合系统，其特征在于，该数据转换部用以将该全频谱数据进行积分转换以获取该目标装置的运作状态。
17.如权利要求15所述的数据整合系统，其特征在于，该评估部用以评估该目标装置的故障状态。
18.如权利要求15所述的数据整合系统，其特征在于，该预测部用以预测该剩余有效寿命。
19.如权利要求11所述的数据整合系统，其特征在于，该系统还包括通信连接该数据处理模块的一故障诊断模块，其用于分析该特征信息的全频谱数据的状态，以判断该目标装置的故障项目。
20.如权利要求11所述的数据整合系统，其特征在于，该系统还包括通信连接该预测模块的一警示器。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW108147278 | 2019-12-23 | ||
| TW108147278A TWI753338B (zh) | 2019-12-23 | 2019-12-23 | 資料整合方法及資料整合系統 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113095540A true CN113095540A (zh) | 2021-07-09 |
Family
ID=76663704
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011402075.4A Pending CN113095540A (zh) | 2019-12-23 | 2020-12-02 | 数据整合方法及数据整合系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113095540A (zh) |
| TW (1) | TWI753338B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11578615B1 (en) | 2021-12-28 | 2023-02-14 | Industrial Technology Research Institute | Turbo device and circulatory system |
| TWI833251B (zh) * | 2022-06-21 | 2024-02-21 | 南亞科技股份有限公司 | 失效模式分析系統及失效模式分析方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102402727A (zh) * | 2011-11-10 | 2012-04-04 | 中联重科股份有限公司 | 工程机械的部件剩余寿命预测系统及方法 |
| CN106446217A (zh) * | 2016-09-30 | 2017-02-22 | 广州特道信息科技有限公司 | 大数据高速整合系统 |
| KR20170067292A (ko) * | 2015-12-08 | 2017-06-16 | 한양대학교 산학협력단 | 기계 시스템의 잔여 수명 예측 장치 및 방법 |
| CN108764567A (zh) * | 2018-05-28 | 2018-11-06 | 中国科学院自动化研究所 | 基于状态健康信息的剩余寿命远程预测方法、系统及设备 |
| CN109635119A (zh) * | 2018-10-25 | 2019-04-16 | 同济大学 | 一种基于本体融合的工业大数据集成系统 |
| CN110377984A (zh) * | 2019-07-02 | 2019-10-25 | 中国科学院深圳先进技术研究院 | 一种工业设备剩余有效寿命预测方法、系统及电子设备 |
| TWI676939B (zh) * | 2018-06-22 | 2019-11-11 | 富比庫股份有限公司 | 運用類神經網路進行分類之電子零件封裝分類系統 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI386653B (zh) * | 2008-11-28 | 2013-02-21 | Ind Tech Res Inst | 動力設備耗能診斷方法 |
| CN102216862A (zh) * | 2009-12-17 | 2011-10-12 | 日本精工株式会社 | 轴承的剩余寿命预测方法、剩余寿命诊断装置和轴承诊断系统 |
| CN106248381B (zh) * | 2016-10-11 | 2019-04-09 | 西安交通大学 | 一种基于多特征和相空间的滚动轴承寿命动态预测方法 |
| CN106934125B (zh) * | 2017-02-28 | 2020-02-18 | 西安交通大学 | 一种梯形噪声分布的指数模型机械设备剩余寿命预测方法 |
-
2019
- 2019-12-23 TW TW108147278A patent/TWI753338B/zh active
-
2020
- 2020-12-02 CN CN202011402075.4A patent/CN113095540A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102402727A (zh) * | 2011-11-10 | 2012-04-04 | 中联重科股份有限公司 | 工程机械的部件剩余寿命预测系统及方法 |
| KR20170067292A (ko) * | 2015-12-08 | 2017-06-16 | 한양대학교 산학협력단 | 기계 시스템의 잔여 수명 예측 장치 및 방법 |
| CN106446217A (zh) * | 2016-09-30 | 2017-02-22 | 广州特道信息科技有限公司 | 大数据高速整合系统 |
| CN108764567A (zh) * | 2018-05-28 | 2018-11-06 | 中国科学院自动化研究所 | 基于状态健康信息的剩余寿命远程预测方法、系统及设备 |
| TWI676939B (zh) * | 2018-06-22 | 2019-11-11 | 富比庫股份有限公司 | 運用類神經網路進行分類之電子零件封裝分類系統 |
| CN109635119A (zh) * | 2018-10-25 | 2019-04-16 | 同济大学 | 一种基于本体融合的工业大数据集成系统 |
| CN110377984A (zh) * | 2019-07-02 | 2019-10-25 | 中国科学院深圳先进技术研究院 | 一种工业设备剩余有效寿命预测方法、系统及电子设备 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11578615B1 (en) | 2021-12-28 | 2023-02-14 | Industrial Technology Research Institute | Turbo device and circulatory system |
| TWI833251B (zh) * | 2022-06-21 | 2024-02-21 | 南亞科技股份有限公司 | 失效模式分析系統及失效模式分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TWI753338B (zh) | 2022-01-21 |
| TW202125390A (zh) | 2021-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hamadache et al. | A comprehensive review of artificial intelligence-based approaches for rolling element bearing PHM: Shallow and deep learning | |
| KR101903283B1 (ko) | 발전 설비의 자동 진단 시스템 및 자동 진단 방법 | |
| KR101955305B1 (ko) | 희소 코딩 방법론을 활용한 가스 터빈 센서 고장 검출 | |
| KR101818394B1 (ko) | 설비 상태 진단 방법 및 장치 | |
| US9483049B2 (en) | Anomaly detection and diagnosis/prognosis method, anomaly detection and diagnosis/prognosis system, and anomaly detection and diagnosis/prognosis program | |
| JP5337853B2 (ja) | 発電プラントの診断装置、及び発電プラントの診断方法 | |
| WO2012032812A1 (ja) | 異常検知方法及びそのシステム | |
| Cheng et al. | High-accuracy unsupervised fault detection of industrial robots using current signal analysis | |
| KR20200101507A (ko) | 기계학습을 이용한 회전기계 고장 진단 및 예측시스템 | |
| CN113095540A (zh) | 数据整合方法及数据整合系统 | |
| Mosallam et al. | Time series trending for condition assessment and prognostics | |
| Sun et al. | Composite-graph-based sparse subspace clustering for machine fault diagnosis | |
| Jaber et al. | The state of the art in research into the condition monitoring of industrial machinery | |
| JP6830414B2 (ja) | 診断装置及び診断方法 | |
| CN117076869B (zh) | 旋转机械时频域融合故障诊断方法及系统 | |
| Karpat et al. | Fault classification of wind turbine gearbox bearings based on convolutional neural networks | |
| EP3385804B1 (en) | Failure diagnosis apparatus, failure diagnosis method and recording medium | |
| Gu et al. | A prediction method of operation trend for large axial-flow fan based on vibration-electric information fusion | |
| Zhou et al. | Early warning analysis of online vibration fault characteristics of motor base screw loosening based on similarity measurement theory | |
| Lv et al. | A novel multivariate signal processing-based fault diagnosis approach of rotating machinery under various operating conditions | |
| Rosli et al. | Application of principal component analysis vs. Multiple linear regression in resolving influential factor subject to air booster compressor Motor failure | |
| Chen et al. | Gas-path component fault diagnosis for gas turbine engine: a review | |
| Rosli et al. | Application of Principle Component Analysis in Resolving Influential Factor Subject to Industrial Motor Failure | |
| Mosallam et al. | Unsupervised trend extraction for prognostics and condition assessment | |
| Fang et al. | Failure Prediction of Wind Turbines Using Improved Gray Relation Analysis Based Support Vector Machine Method |
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 |