CN113849774A - 基于寿命分析和健康监测的设备智能维护平台 - Google Patents

Abstract

本发明提供了一种基于寿命分析和健康监测的设备智能维护平台，包括数据监测端、服务端以及用户端；所述数据监测端包括云端数据库，所述云端数据库用于存储设备部件的历史维修数据和实时运行数据；所述服务端，用于根据所述历史维修数据和实时运行数据通过对设备部件进行寿命分析进而生成维修周期和所述设备部件运行状态的健康度；所述用户端，无线连接所述服务端，用于对所述服务端进行管理和控制。本发明充分利用设备的历史故障信息，对设备进行寿命分析，进而优化设备的预防性维修周期，同时引入了设备健康度的概念，对设备的整体运行状态进行量化评估，保证设备在运行时的完整性。

Description

基于寿命分析和健康监测的设备智能维护平台

技术领域

本发明涉及工业设备智能维护，具体地，涉及一种基于寿命分析和健康监测的设备智能维护平台。

背景技术

随着工业技术的发展，设备的种类越来越多，对不同的设备采取合理的维修方式能够有效地减少设备的非计划性停机，降低维修成本，保证设备可靠性。预防性维护与预测性维护是工业设备维护的主要手段，预防性维护通过制定合理的维修周期，对设备的部件进行定期的维护或更换，预测性维修则是通过分析设备的运行数据，判断当前的运行状态，预测设备的剩余寿命。因此，针对不同的设备采取合理的维修方式，保证设备的完整性成为工业设备管理的提升方向。

现阶段的设备管理平台常用来维护具有监测条件的设备，即能够通过数据采集装置获取运行数据的设备，如大型旋转设备燃气轮机、空压机等，进而以故障诊断算法作为设备预测性维修的基础；然而，对于一些缺乏监测手段、重要程度比较低的设备，如阀门、执行机构等，其预防性维修的周期往往通过工作人员的经验来制定，没有充分地利用到设备的基本维修信息。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于寿命分析和健康监测的设备智能维护平台。

根据本发明提供的基于寿命分析和健康监测的设备智能维护平台，包括数据监测端、服务端以及用户端；

所述数据监测端包括云端数据库，所述云端数据库用于存储设备部件的历史维修数据和实时运行数据；

所述服务端，用于根据所述历史维修数据和实时运行数据通过对设备部件进行寿命分析进而生成维修周期和所述设备部件运行状态的健康度；

所述用户端，无线连接所述服务端，用于对所述服务端进行管理和控制。

优选地，所述历史维修数据为通过维修人员的维修记录统计得到的故障数据，并由此建立设备的故障库；

所述实时运行数据通过数据采集设备采集生成，且经过预处理之后上传至云端数据库中。

优选地，所述设备故障信息包括设备故障时间、故障原因、故障模式、故障部件、维修内容以及下一次预防性维修时间。

优选地，所述服务端包括云端智能平台，所述云端智能平包括数据库访问模块和云计算模块；

所述数据库访问模块，用于获取所述云端数据库的数据信息；

所述云计算模块，用于根据预设置的寿命分析算法计算设备部件的寿命信息以及预防性维修周期，向用户端推送设备部件的下一次维修更换周期，且当设备部件的健康度超过了预设置的健康度阈值，向用户端发出报警信息。

优选地，所述寿命分析算法用于对具有故障周期的设备部件进行寿命分析，包括如下步骤：

-通过访问云端数据库获取设备部件的更换数据，根据所述更换数据中启用时间和故障时间确定故障间隔时间；

-通过对多种典型故障分布进行线性拟合分析，得到部件的最佳的故障分布函数；

-根据故障分布函数计算寿命信息，得到维修周期。

优选地，所述健康度的预警包括如下步骤：

-将采集的运行数据进行降噪和归一化处理，然后与设备衰退指标进行相关性分析，确定相关的特征数据；

-将包含特征数据的数据集划分为训练集和测试集，通过所述训练集和所述测试集对SOM神经网络进行训练和测试生成健康度预警模型，所述健康度预警模型根据MQE值进行健康评价；

-每日采集的运行数据模型不断导入训练集进行所述SOM神经网络的更新训练，当设备部件的MQE值超过了预设的健康阈值则通过平台向用户发送维修请求。

优选地，所述用户端包括基于WEB的PC客户端、基于Android系统以及IOS系统的手机APP。

优选地，所述故障分布包括指数分布、正态分布、对数正态分布以及威布尔分布；

所述故障分布函数包括概率分布函数、概率密度函数、失效度函数、可靠度函数以及平均寿命函数。

优选地，在进行线性拟合分析时，采用假设检验的方法验证故障数据对不同故障分布函数的拟合优度，拟合优度的度量方法是找出子样和母体间的最大偏差值，检验统计量按下式：

D＝max|F_n(t)-F(t)|

假设显著性检验水平α，D(n,α)为临界值，若D<D(n,α)则接受原假设，即故障数据符合对应的故障分布函数。

优选地，将采集的运行数据进行降噪和归一化处理的过程具体为：

获取时间序列的运行数据{x₁,x₂,x₃,...,x_n}，假设拟合多项式方程如下式：

x(t)＝a₀+a₁t+...+a_ntⁿ,n∈Z

式中：n为拟合阶数；

通过最小二乘法拟合残差为：

式中：x(t)为拟合点；x_t为实际数据点；t＝-M为数据窗口最左边的数据点；t＝M为数据窗口最右边的数据点，求解上式残差最小即可得到新的降噪序列；

在得到新的降噪序列后，对新的降噪序列进行归一化处理：

式中：x_min为样本数据最小值；x_max为样本数据最大值。

与现有技术相比，本发明具有如下的有益效果：

本发明充分利用设备的历史故障信息，对设备进行寿命分析，进而优化设备的预防性维修周期，同时引入了设备健康度的概念，对设备的整体运行状态进行量化评估，保证设备在运行时的完整性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明实施例中基于寿命分析和健康监测的设备智能维护平台的框架示意图；

图2为本发明实施例中寿命分析算法的实现流程图；

图3为本发明实施例中健康评估算法的实现流程图；

图4为本发明实施例中用户客户端登陆的示意图；以及

图5为本发明实施例中用户使用权限的示意图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例，例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。

图1为本发明实施例中基于寿命分析和健康监测的设备智能维护平台的框架示意图，如图1所示，本发明提供的一种基于寿命分析和健康监测的设备智能维护平台，包括数据监测端、服务端以及用户端；

所述数据监测端包括云端数据库，所述云端数据库用于存储设备部件的历史维修数据和实时运行数据；

所述服务端，用于根据所述历史维修数据和实时运行数据通过对设备部件进行寿命分析进而生成维修周期和设备部件运行状态的健康度；

所述用户端，无线连接所述服务端，用于对所述服务端进行管理和控制。

在本发明实施例中，所述数据监测端为基于SQL Sever，MySQL等构建云端数据库。根据不同的管理等级可对用户设置相应的数据库管理权限。数据库能够实现对设备信息的增加、删减、改写、导入等基本功能，同时，数据库会随着故障数据，以及设备每日运行数据的导入进行自动更新。服务端具有云计算功能，其求得维修周期的功能和设备部件运行状态的健康度诊断的功能，为视情维修提供基础。用户端包括基于WEB的PC客户端、基于Android系统以及IOS系统的手机APP，使得用户可通过互联网实现对设备信息进行实时的管理。

在本发明实施例中，所述历史维修数据为通过维修人员的维修记录统计得到的故障数据，由此建立设备的故障库；

所述实时运行数据通过数据采集设备，如传感器等采集生成，且经过预处理之后上传至云端数据库中。

所述云端数据库还存储有设备管理信息与设备实时运行数据。所述设备管理信息包括设备基本信息以及设备故障信息，设备基本信息包含设备编号、设备投产时间、出厂时间等基础信息；设备故障信息包含了设备故障时间、故障原因、故障模式、故障部件、维修内容、下一次预防性维修时间等与故障维修相关的数据，由工作人员完成信息填报并更新，上传到云端数据库中。设备实时运行数据，主要针对具有监测条件的设备，通过在设备上安装能够捕捉实时运行状态的数据采集设备，经预处理，将运行数据通过物联网实时传输给云端数据库，由于监测设备不同，获取的数据属性也不相同。

在本发明实施例中，所述服务端包括云端智能平台，所述云端智能平包括数据库访问模块和云计算模块；

所述数据库访问模块，用于获取所述云端数据库的数据信息；所述数据信息包括设备管理信息、寿命分析结果、维修周期、实时运行数据以及健康状态等。当用户的等级不同时，访问的内容也会不同。

所述云计算模块，用于根据预设置的寿命分析算法计算设备部件的寿命信息以及预防性维修周期，向用户端推送设备部件的下一次维修更换周期，且当设备部件的健康度超过了预设置的健康度阈值，向用户端发出报警信息。

图2为本发明实施例中寿命分析算法的实现流程图，如图2所示，所述寿命分析算法用于对具有故障周期的设备部件进行寿命分析，包括如下步骤：

-通过访问云端数据库获取设备部件的更换数据，根据所述更换数据中启用时间和故障时间确定故障间隔时间；

-通过对多种典型故障分布进行线性拟合分析，得到部件的最佳的故障分布函数；

-根据所述故障分布函数计算寿命信息，得到维修周期。

所述寿命分析算法适用的设备部件包括滤芯、膜片等，所述故障分布包括指数分布、正态分布、对数正态分布以及威布尔分布。

以威布尔分布为例：

两参数威布尔分布的概率分布函数如下：

对上式进行移向取对数得：

令

A＝β,B＝βln(η),X＝ln(t),即将该概率分布函数转化为形如Y＝AX+B线性方程。其中经验分布F(t)的值可由近似中位秩数公式求得：

其中i为故障数据，t按从小到大顺序排列后得到的故障数据的序号；n为故障数据的总个数。

将四种线性变化后的线性方程采用最小二乘法估计方法求得线性方程的参数，求解公式如下：

其中，

由此可得到线性方程的参数，并且由上述线性变化的过程可进一步求得分布函数的参数。

在分别得到四种常见故障分布的分布参数后，采用假设检验的方法验证故障数据对不同故障分布的拟合优度，拟合优度的度量方法是找出子样和母体间的最大偏差值，检验统计量按下式：

D＝max|F_n(t)-F(t)|

设显著性检验水平α，D(n,α)为临界值，若D<D(n,α)则接受原假设，即故障数据符合的故障分布函数，反之，拒绝原假设，其中，F_n(t)为任一种故障分布函数，F(t)为故障数据。

根据上述假设检验可选择出故障数据拟合优度最佳的分布类型，从而得到相关的寿命信息，故障分布函数包括概率分布函数、概率密度函数、失效度函数、可靠度函数以及平均寿命函数。

根据预设置的可靠度阈值，通过可靠度函数计算得到基于可靠度的维修周期，以威布尔分布为例，维修周期T可求得：

其中，R_T为预设置的可靠度阈值，η为威布尔分布的比例参数，β为威布尔分布的形状参数。

图3为本发明实施例中健康评估算法的实现流程图，如图3所示，在本发明实施例中，所述健康度的预警包括如下步骤：

-将采集的运行数据进行降噪和归一化处理，然后与设备衰退指标进行相关性分析，确定相关的特征数据；

-将包含特征数据的数据集划分为训练集和测试集，通过所述训练集和所述测试集对SOM神经网络进行训练和测试生成健康度预警模型，所述健康度预警模型根据MQE值进行健康评价；

-每日采集的运行数据模型不断导入训练集进行所述SOM神经网络的更新训练，当设备部件的MQE值超过了预设的健康阈值则通过平台向用户发送维修请求。

所述训练集用来训练健康数据的SOM神经网络，测试集用来测试SOM神经网络的模型性能。

更为具体地，从设备工作现场采集到的数据往往是包含的工业噪声的数据，因此采用SG算法对原始数据进行平滑处理，以达到降噪的目的，算法实现如下：

获取时间序列的运行数据{x₁,x₂,x₃,...,x_n}，假设拟合多项式方程如下式：

x(t)＝a₀+a₁t+...+a_ntⁿ,n∈Z

式中：n为拟合阶数。

最小二乘法拟合残差为：

式中：x(t)为拟合点；x_t为实际数据点；t＝-M为数据窗口最左边的数据点；t＝M为数据窗口最右边的数据点。求解上式残差最小即可得到新的降噪序列。

在得到新的降噪序列后，对新的降噪序列进行归一化处理：

式中：x_min为样本数据最小值；x_max为样本数据最大值。

基于Person相关性分析的特征选择，先择出与机械退化指标相关性较强的特征属性。公式如下：

式中：

Person相关系数r定量的描述了变量之间的线性相关程度，范围在[-1,1]之间，取值越接近1，则二者之间的相关性较强，X_i为自变量，Y_i为因变量。

建立基于SOM-MQE的机械设备健康诊断

根据数据预处理以及特征选择提取出的特征属性作为SOM网络的输入向量X＝(x₁,x₂,x₃,...,x_n)。根据下式计算实时特征向量与SOM神经网络训练得到后的最佳获胜神经元权重向量的距离，得到设备整体的性能健康变化趋势MQE。

MQE＝‖X-W_BWU‖

式中：W_BWU为最佳获胜神经元与输入向量X之间的权重。

图4为本发明实施例中用户客户端登陆的示意图，图5为本发明实施例中用户使用权限的示意图，如图4、图5所示，所述用户端包括基于WEB的PC客户端、基于Android系统以及IOS系统的手机APP，二者的通用功能包括：

-APP与PC客户端采用图形化呈现现场设备的总体布局。

-总体布局图中选中单体设备后可以调出相应的设备信息画面，包括台账基本信息、维修信息，设备寿命信息以及实时运行状态的健康程度；

-持查找定位功能，输入设备位号、设备编号等筛查条件时，弹出对应设备界面。

-单体设备临近维修周期时设备图标变色、并弹出提示窗口。

除此之外，PC客户端可以录入设备基础台账信息、维检修记录，查看即接受中心服务器推送的维修任务；APP客户端能够查看和接收中心服务器推送的信息，具备查看设备信息、录入维检修记录及维修任务。

图5为本发明实施例中用户使用权限的示意图，如图5所示,所述系统用户分为一级用户和二级用户，设置除通用功能外不同的访问权限下的特定功能：

一级用户包括显示现场设备分布，进入查看设备信息，包括各个设备的统计报表；具有下达临时维护任务的推送功能；

二级用户包括显示用户权限内的设备，可查看设备寿命信息以及实时运行状态的健康程度，查看运行参数，调出的单体设备界面设置常规维检修作业的按钮、支持一键录入维检修内容，查看权限内的设备信息、查看统计报表以及关闭临时维修单。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (10)

1.一种基于寿命分析和健康监测的设备智能维护平台，其特征在于，包括数据监测端、服务端以及用户端；

所述数据监测端包括云端数据库，所述云端数据库用于存储设备部件的历史维修数据和实时运行数据；

所述服务端，用于根据所述历史维修数据和实时运行数据通过对设备部件进行寿命分析进而生成维修周期和所述设备部件运行状态的健康度；

所述用户端，无线连接所述服务端，用于对所述服务端进行管理和控制。

2.根据权利要求1所述的基于寿命分析和健康监测的设备智能维护平台，其特征在于，所述历史维修数据为通过维修人员的维修记录统计得到的故障数据，并由此建立设备的故障库；

所述实时运行数据通过数据采集设备采集生成，且经过预处理之后上传至云端数据库中。

3.根据权利要求1所述的基于寿命分析和健康监测的设备智能维护平台，其特征在于，所述设备故障信息包括设备故障时间、故障原因、故障模式、故障部件、维修内容以及下一次预防性维修时间。

4.根据权利要求1所述的基于寿命分析和健康监测的设备智能维护平台，其特征在于，所述服务端包括云端智能平台，所述云端智能平包括数据库访问模块和云计算模块；

所述数据库访问模块，用于获取所述云端数据库的数据信息；

所述云计算模块，用于根据预设置的寿命分析算法计算设备部件的寿命信息以及预防性维修周期，向用户端推送设备部件的下一次维修更换周期，且当设备部件的健康度超过了预设置的健康度阈值，向用户端发出报警信息。

5.根据权利要求4所述的基于寿命分析和健康监测的设备智能维护平台，其特征在于，所述寿命分析算法用于对具有故障周期的设备部件进行寿命分析，包括如下步骤：

-通过访问云端数据库获取设备部件的更换数据，根据所述更换数据中启用时间和故障时间确定故障间隔时间；

-通过对多种典型故障分布进行线性拟合分析，得到部件的最佳的故障分布函数；

-根据故障分布函数计算寿命信息，得到维修周期。

6.根据权利要求4所述的基于寿命分析和健康监测的设备智能维护平台，其特征在于，所述健康度的预警包括如下步骤：

-将采集的运行数据进行降噪和归一化处理，然后与设备衰退指标进行相关性分析，确定相关的特征数据；

-将包含特征数据的数据集划分为训练集和测试集，通过所述训练集和所述测试集对SOM神经网络进行训练和测试生成健康度预警模型，所述健康度预警模型根据MQE值进行健康评价；

-每日采集的运行数据模型不断导入训练集进行所述SOM神经网络的更新训练，当设备部件的MQE值超过了预设的健康阈值则通过平台向用户发送维修请求。

7.根据权利要求1所述的基于寿命分析和健康监测的设备智能维护平台，其特征在于，所述用户端包括基于WEB的PC客户端、基于Android系统以及IOS系统的手机APP。

8.根据权利要求5所述的基于寿命分析和健康监测的设备智能维护平台，其特征在于，所述故障分布包括指数分布、正态分布、对数正态分布以及威布尔分布；

所述故障分布函数包括概率分布函数、概率密度函数、失效度函数、可靠度函数以及平均寿命函数。

9.根据权利要求5所述的基于寿命分析和健康监测的设备智能维护平台，其特征在于，在进行线性拟合分析时，采用假设检验的方法验证故障数据对不同故障分布函数的拟合优度，拟合优度的度量方法是找出子样和母体间的最大偏差值，检验统计量按下式：

D＝max|F_n(t)-F(t)|

假设显著性检验水平α，D(n，α)为临界值，若D＜D(n，α)则接受原假设，即故障数据符合对应的故障分布函数。

10.根据权利要求6所述的基于寿命分析和健康监测的设备智能维护平台，其特征在于，将采集的运行数据进行降噪和归一化处理的过程具体为：

获取时间序列的运行数据{x₁，x₂，x₃，...，x_n}，假设拟合多项式方程如下式：

x(t)＝a₀+a₁t+...+a_ntⁿ，n∈Z

式中：n为拟合阶数；

通过最小二乘法拟合残差为：

式中：x(t)为拟合点；x_t为实际数据点；t＝-M为数据窗口最左边的数据点；t＝M为数据窗口最右边的数据点，求解上式残差最小即可得到新的降噪序列；

在得到新的降噪序列后，对新的降噪序列进行归一化处理：

式中：x_min为样本数据最小值；x_max为样本数据最大值。

Images