CN113887056B - 基于故障树分析法掘进机主驱动系统故障诊断方法、系统 - Google Patents
基于故障树分析法掘进机主驱动系统故障诊断方法、系统 Download PDFInfo
- Publication number
- CN113887056B CN113887056B CN202111183175.7A CN202111183175A CN113887056B CN 113887056 B CN113887056 B CN 113887056B CN 202111183175 A CN202111183175 A CN 202111183175A CN 113887056 B CN113887056 B CN 113887056B
- Authority
- CN
- China
- Prior art keywords
- fault
- main driving
- driving system
- tree
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明公开了一种基于故障树分析法掘进机主驱动系统故障诊断方法、系统,所述方法包括:S1、收集掘进机主驱动系统所有故障信息,明确主驱动系统各种故障现象;S2、根据主驱动系统各种故障现象,为主驱动系统对应增加所缺少的监测单元。在本方案中,通过根据主驱动系统各种故障现象,为主驱动系统对应增加所缺少的监测单元,有助于涵盖主驱动系统所有故障现象的监测,从而有利于实现精准监测主驱动系统各种故障现象。
Description
技术领域
本发明涉及工程机械技术领域,特别涉及基于故障树分析法掘进机主驱动系统故障诊断方法、系统。
背景技术
掘进机作为一种地下工程装备,具有整机长、埋深大和无法后退的特点。掘进机的核心动力系统是包含主轴承、减速机、主驱动密封、液压元器件等在内的主驱动系统。而大型掘进机的复杂构造和施工环境造成了维护成本高、检修时间长、故障点难以排查、主驱动系统故障后维修更换十分困难等问题,且主驱动系统的状态对大型隧道掘进机健康运行与安全施工有至关重要的影响。
目前掘进机的监测诊断技术被国内外普遍重视,但主驱动系统的在线监测诊断尚未有成熟可靠的应用方案,主要原因在于主驱动系统组成复杂,各组成部件间的关联性和耦合性较强,导致故障现象多种多样且相互重叠,难以准确判断故障影响因素。
现阶段掘进机施工对主驱动系统的监测仅限于对主轴承润滑油温度监测、人工采油样分析等常规检查手段,只能监测少数的故障现象,故障原因的分析依赖于维保人员经验分析。由于缺乏统一监测手段与诊断标准,现场操作人员与维保人员资质参差不齐,对于故障诊断的结果准确性难以保证,并且费时费力,造成损失。
然而,现有掘进机主驱动系统在线监测诊断系统,但存在以下问题:
1.所选取的监测手段难以涵盖主驱动系统所有故障现象;
2.对于主驱动系统的故障诊断仅停留在识别故障现象,而造成该故障现象的实际元器件故障难以准确定位。
发明内容
有鉴于此,本发明提供了一种基于故障树分析法的掘进机主驱动系统故障诊断方法,能够通过根据主驱动系统各种故障现象,为主驱动系统对应增加所缺少的监测单元,有助于涵盖主驱动系统所有故障现象的监测,从而有利于实现精准监测主驱动系统各种故障现象。
为实现上述目的,本发明提供如下技术方案:
一种基于故障树分析法的掘进机主驱动系统故障诊断方法,包括:
S1、收集掘进机主驱动系统所有故障信息,明确主驱动系统各种故障现象;
S2、根据主驱动系统各种故障现象,为主驱动系统对应增加所缺少的监测单元。
优选地,在所述S2中,监测单元包括噪音传感器、温度传感器、振动传感器、电涡流传感器、应变花和/或油品在线检测仪。
优选地,在所述S2后,还包括:
S3、将已明确的主驱动系统各种故障现象进行分类;
S4、根据主驱动系统各种故障现象的分类,建立主驱动系统故障树;
S5、在主驱动系统故障树的每个节点增加判断点,且由上向下依次判断至无法继续向下判断为止,以此输出故障原因。
优选地,在所述S3中,将已明确的主驱动系统各种故障现象分类包括:
将已明确的主驱动系统各种故障现象依次按结构分解、故障分解和功能分解的方式进行分类。
优选地,在所述S4中,根据主驱动系统各种故障现象分类,建立主驱动系统故障树包括:
明确顶事件以及建树边界,逐级分解故障直至明确故障源头,以此建立主驱动系统故障树。
优选地,所述明确顶事件以及建树边界,逐级分解故障直至明确故障源头,以此建立主驱动系统故障树包括:
选取最为致命的故障现象作为分析的顶事件,明确故障树的深度和广度;
结合部件工作原理与失效模式,根据逻辑列出直接产生顶事件的全部中间事件,然后继续追溯导致中间事件发生的全部可能的直接因素,如此迭代直到无需再深究其发生的底事件或基本事件为止,以此建立主驱动系统故障树。
优选地,在所述S5中,在主驱动系统故障树的每个节点增加判断点,且由上向下依次判断至无法继续向下判断为止,以此输出故障原因包括:
在主驱动系统故障树自上而下的每个节点根据该处的故障现象增加判断点;其中,判断点为能反应该故障现象的监测数据;且由上向下依次监测,当监测到异常值时,根据异常值所反映的位置与类型,定位到故障树节点,则再向该故障树节点的下一级故障树节点继续监测,以此类推至无法继续向下监测为止,则以此输出故障原因。
优选地,在所述S5后,还包括:
S6、对所有故障原因做排查,并根据排查结果为主驱动系统对应增加所缺少的监测单元。
一种基于故障树分析法的掘进机主驱动系统故障诊断系统,包括:
收集明确单元,用于收集掘进机主驱动系统所有故障信息,明确主驱动系统各种故障现象;
监测增加单元,用于根据主驱动系统各种故障现象,为主驱动系统对应增加所缺少的监测单元。
优选地,还包括:
故障分类单元,用于将已明确的主驱动系统各种故障现象进行分类;
故障树建立单元,用于根据主驱动系统各种故障现象的分类,建立主驱动系统故障树;
故障原因定位单元,用于在主驱动系统故障树的每个节点增加判断点,且由上向下依次判断至无法继续向下判断为止,以此输出故障原因。
从上述的技术方案可以看出,本发明提供的基于故障树分析法的掘进机主驱动系统故障诊断方法,通过根据主驱动系统各种故障现象,为主驱动系统对应增加所缺少的监测单元,有助于涵盖主驱动系统所有故障现象的监测,从而有利于实现精准监测主驱动系统各种故障现象。
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一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于故障树分析法的掘进机主驱动系统故障诊断方法的工作流程图;
图2为本发明另一实施例提供的基于故障树分析法的掘进机主驱动系统故障诊断方法的工作流程图;
图3为本发明另一实施例提供的主驱动系统故障树的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供的基于故障树分析法的掘进机主驱动系统故障诊断方法,如图1所示,包括:
S1、收集掘进机主驱动系统所有故障信息,明确主驱动系统各种故障现象;
S2、根据主驱动系统各种故障现象,为主驱动系统对应增加所缺少的监测单元。
需要说明的是,本方案用于收集掘进机近年来主驱动系统所发生的所有故障信息,以及零部件厂家所提供的各零部件故障失效信息,并以此明确主驱动系统各种故障现象;该过程具体为:调研现有大量掘进机施工项目,收集模型、实验台及样机,收集仿真、测试、施工现场运行数据,通过对数据采用随机采样、分层采样、分级采样等方法进行整合分析,结合各个工地近年来统计的主驱动系统所发生的的故障、遇到的问题以及相对应的解决措施,提取故障发生时各项数据的特征变化,明确主驱动系统故障现象。并结合上述关键零部件厂家所提供的各零部件故障失效信息及处理建议,进一步明确各种故障现象及其发生原因。其中,主驱动系统各种故障现象包括各部件温度异常、振动噪声异常、油液分析结果异常、漏油、外观变形等故障现象;然后再根据所呈现的主驱动系统各种故障现象,在掘进机本身(原有的)监测传感器的基础上,在主驱动系统的合适位置对应布置所缺少的监测单元,进而涵盖主驱动系统所有故障现象的监测,从而有助于实现精准监测主驱动系统各种故障现象。
从上述的技术方案可以看出,本发明实施例提供的基于故障树分析法的掘进机主驱动系统故障诊断方法,通过根据主驱动系统各种故障现象,为主驱动系统对应增加所缺少的监测单元,有助于涵盖主驱动系统所有故障现象的监测,从而有利于实现精准监测主驱动系统各种故障现象。
在本方案中,在所述S2中,监测单元包括噪音传感器、温度传感器、振动传感器、电涡流传感器、应变花和/或油品在线检测仪。其中,上述监测单元布置在主驱动系统对应的合适位置,详情可见下文描述;本方案的监测单元如此设计,有助于实现涵盖主驱动系统各种类型故障现象的监测。
进一步地,为了透过故障现象快速准确的定位到故障原因;相应地,在所述S2后,还包括:
S3、将已明确的主驱动系统各种故障现象进行分类;
S4、根据主驱动系统各种故障现象的分类,建立主驱动系统故障树;
S5、在主驱动系统故障树的每个节点增加判断点,且由上向下依次判断至无法继续向下判断为止,以此输出故障原因。本方案如此一来,实现了主驱动系统快速故障定位,能有效减少因主驱动系统故障而停机带来的巨大损失,降低施工风险;同时,显著提高掘进安全性和效率、降低掘进和维护成本,大幅提升现阶段隧道掘进的智能化水平。
再进一步地,在所述S3中,将已明确的主驱动系统各种故障现象分类包括:
将已明确的主驱动系统各种故障现象依次按结构分解、故障分解和功能分解的方式进行分类。为了更好理解本方案,如图3所示,本方案现举例说明如下:
首先,可将主驱动系统按结构分为主轴承、减速机、液压元件、密封系统等子系统;其中,按结构分类的原则是各个子系统相对独立,所发生的故障现象可独立分析;其次,将故障现象按故障类型分解,简单来说就是将故障分类,如图3所示,以主轴承子系统为例,可以将故障类型分为温度异常、振动噪声异常等;最后是进行功能分解,例如,主轴承温度异常可以分为冷却水系统故障、润滑系统故障、环境温度异常等。也就是说,本方案将主驱动系统依次按结构类型、故障类型和功能类型做逐级分解,有利于将庞大杂乱的故障集梳理为一个个小模块,逐个分析小模块的故障原因要将节省很大的工作量。也就是说,本方案根据故障现象逐级分解故障发生原因,也便于建立主驱动系统故障树。
在本方案中,为了更好地建立主驱动系统故障树;相应地,在所述S4中,根据主驱动系统各种故障现象分类,建立主驱动系统故障树包括:
明确顶事件以及建树边界,逐级分解故障直至明确故障源头,以此建立主驱动系统故障树。其中,明确建树边界,既要符合实际需要而尽可能详细,但也不可巨细无遗,避免主驱动系统故障树无比庞大。
具体地,所述明确顶事件以及建树边界,逐级分解故障直至明确故障源头,以此建立主驱动系统故障树包括:
选取最为致命的故障现象作为分析的顶事件,明确故障树的深度和广度;
结合部件工作原理与失效模式,根据逻辑列出直接产生顶事件的全部中间事件,然后继续追溯导致中间事件发生的全部可能的直接因素,如此迭代直到无需再深究其发生的底事件或基本事件为止,以此建立主驱动系统故障树。本方案的主驱动系统故障树如此建立,既保证重要的故障能够全面的涵盖,又保证主驱动系统故障树不会过于庞大繁杂,难以开展工作。为了更好地理解本方案,现还以主轴承失效为例进行说明,按照上文所述,将主轴承失效可细分为温度异常、振动噪声异常(此为分解第一级),接下来将温度异常细分为分为冷却水系统故障、润滑系统故障、环境温度异常(此为分解第二级),冷却水系统故障可分为内循环水故障和外循环水故障(此为分解第三级),内循环水故障还可以进一步分为液位异常、流量异常、温度异常(此为分解第四级),液位异常继续分为管路泄露和散热器板片穿孔泄露(此为分解第五级)。由此可见分解至第五级就已经分解至元器件故障,已经满足实际维护保养的需求,即无需再向下做分解。按照此思路建成主驱动系统故障树。
进一步地,在所述S5中,在主驱动系统故障树的每个节点增加判断点,且由上向下依次判断至无法继续向下判断为止,以此输出故障原因包括:
在主驱动系统故障树自上而下的每个节点根据该处的故障现象增加判断点;其中,判断点为能反应该故障现象的监测数据;且由上向下依次监测,当监测到异常值时,根据异常值所反映的位置与类型,定位到故障树节点,则再向该故障树节点的下一级故障树节点继续监测,以此类推至无法继续向下监测为止,则以此输出故障原因。
需要说明的是,如前文已提到在掘进机本身已监测的数据基础上增加振动传感器、温度传感器、声发噪声传感器、应变传感器、电涡流传感器等传感器,这些监测的参数尽可能的涵盖掘进机主驱动系统的的所有故障现象。在建立故障树的过程中,在故障树自上而下的每个节点根据该处的故障现象增加判断点;其中,判断点即为能反应该故障现象的监测数据,该监测数据根据专家经验、厂家提供数据以及实验台和样机积累数据得出正常范围,超出正常范围即异常值。且由上向下依次监测,当系统监测到异常值时,根据异常值所反映的位置与类型,定位到故障树节点,则再向该故障树节点的下一级故障树节点继续监测,以此类推至无法继续向下监测为止,则以此输出故障原因,即实现故障定位。现以主轴承失效为例进行如下说明:
在主轴承断面上下左右4个方向均布振动、温度、声发噪声、应变、电涡流传感器,在吸油口过滤器前端连接油品在线检测仪;为此,如图3所示,当主轴承位置温度传感器监测到温度异常后可定位为主轴承位置发生故障,若同时还有内循环水液位传感器异常,则可定位至主轴承内循环水故障,在无其他报警信息情况下,可最后输出导致主轴承内循环水液位异常2个影响因素,分别为管路泄露和散热器板片穿孔泄露,故障追溯原因到此以足够满足工程故障诊断的需求,而由于这2个影响因素无法再通过增加传感器监测,则系统直接输出这2个影响因素,现场施工或维保人员按顺序排查并处理故障即可。
再进一步地,在所述S5后,还包括:
S6、对所有故障原因做排查,并根据排查结果为主驱动系统对应增加所缺少的监测单元。
需要说明的是,本方案通过对所有的故障原因做排查,可以梳理是否遗漏哪些可以通过增加监测单元等手段实现在线监测的,从而补充完善主驱动系统故障现象的涵盖。也就是说,本方案通过从故障源头分析,以进一步完善监测机制。
此外,基于上述本发明实施提供的基于故障树分析法的掘进机主驱动系统故障诊断方法,本发明实施例还对应公开一种基于故障树分析法的掘进机主驱动系统故障诊断系统,包括:
收集明确单元,用于收集掘进机主驱动系统所有故障信息,明确主驱动系统各种故障现象;
监测增加单元,用于根据主驱动系统各种故障现象,为主驱动系统对应增加所缺少的监测单元。由于本方案与上文存在对应关系,因此本方案所产生的有益效果,具体可以参照前面说明,在此不再赘述。
进一步地,本发明实施例提供的基于故障树分析法的掘进机主驱动系统故障诊断系统还包括:
故障分类单元,用于将已明确的主驱动系统各种故障现象进行分类;
故障树建立单元,用于根据主驱动系统各种故障现象的分类,建立主驱动系统故障树;
故障原因定位单元,用于在主驱动系统故障树的每个节点增加判断点,且由上向下依次判断至无法继续向下判断为止,以此输出故障原因。由于本方案与上文存在对应关系,因此本方案所产生的有益效果,具体可以参照前面说明,在此不再赘述。
下面再结合具体实施例对本方案作进一步介绍:
由于掘进机主驱动系统实际运行时,现有技术难以准确的识别所有故障现象,并透过故障现象定位到故障原因,为此本方案提供了一种能精准监测主驱动各种故障现象,并快速定位到故障原因的方法。
为了能够实现精准监测主驱动各种故障现象,首先,收集掘进机近年来主驱动系统所发生的所有故障信息,以及零部件厂家所提供的各零部件故障失效信息,明确各种故障现象。然后根据所呈现的主驱动故障现象,在掘进机本身监测传感器的基础上,增加噪音传感器、温度传感器、振动传感器、电涡流传感器、应变花、油品在线检测仪,布置在主驱动合适位置,从而涵盖主驱动各种故障现象的监测。
为了透过故障现象快速准确的定位到故障原因,将已明确的故障现象按结构分解、故障分解和功能分解的方式进行依次分类,把最不希望出现的系统状态,即最为致命的故障现象作为分析的顶事件,结合部件工作原理与失效模式,根据逻辑列出直接产生顶事件的全部中间事件,然后继续追溯导致中间事件发生的全部可能的直接因素,如此迭代直到无需再深究其发生的原因(称为底事件或基本事件)为止,从而建成主驱动系统故障树。在每个故障树的节点都增加判断点,从而实现快速定位,每个判断点即对应的监测对象。
通过建立故障树不仅详细列出了每个故障现象背后的原因,并且进一步明确每一个故障原因需要什么监测手段,因此反过来为上述增加传感器的步骤中补充了遗漏的监测信息。
更为具体地,如图2所示,本方案的方法包括以下步骤:
1、收集掘进机近年来主驱动系统所发生的所有故障信息,以及零部件厂家所提供的各零部件故障失效信息,明确各种故障现象。其中包括各部件温度异常、振动噪声异常、油液分析结果异常、漏油、外观变形等故障现象。
2、掘进机运行过程中会有主驱动润滑油油温监测和液位监测、冷却水温度和流量监测、轴承转速等常见参数的监测。但显然这些并不能直观的涵盖所有主驱动系统故障现象的监测,故增加噪音传感器、温度传感器、振动传感器、电涡流传感器、应变花、油品在线检测仪,布置在主驱动系统合适位置,从而涵盖主驱动各种故障现象的监测。主轴承监测量有:振动、温度、声发噪声、应变、内外圈变形、油品。在轴承断面上下左右4个方向均布振动、温度、声发噪声、应变、电涡流传感器,在吸油口过滤器前端连接油品在线检测仪,其中电涡流传感器监测内外圈变形情况,油品在线检测仪不仅监测油品品质,同时具备油温监测。此外驱动电机及减速机额外增加振动传感器。
3、将已明确的故障按结构分解、故障分解和功能分解的方式进行依次分类;首先,可以将主驱动系统按结构分为主轴承、减速机、液压元件和密封系统等子系统,按结构分类的原则是子系统相对独立,所发生的故障现象可独立分析;其次,将故障现象按故障类型分解,简单来说就是将故障分类,以主轴承子系统为例,可以将故障类型分为温度异常、振动噪声异常等;最后是进行功能分解,例如,主轴承温度异常可以分为冷却水系统故障、润滑系统故障、环境温度异常等。由此可见,将主驱动系统按结构类型、故障类型和功能类型等做逐级分解,有利于将庞大杂乱的故障集梳理为一个个小模块,逐个分析小模块的故障原因要将节省很大的工作量。
4、通过故障分解,可以更清楚的明确故障的类型以及各类故障的数量,为了方便建成故障树,我们选取最不希望出现的系统状态,即最为致命的故障现象作为分析的顶事件,例如主轴承子系统的故障树分析,选取主轴承失效为顶事件;其次还需明确建立故障树的边界条件,即明确故障树的深度与广度,既要符合实际需要而尽可能详细,但也不可巨细无遗,否则故障树将无比庞大。然后结合部件工作原理与失效模式,根据逻辑列出直接产生顶事件的全部中间事件,然后继续追溯导致中间事件发生的全部可能的直接因素,如此迭代直到无需再深究其发生的原因(称为底事件或基本事件)为止。依旧以主轴承失效为例,按照步骤3中所述,将主轴承失效可细分为温度异常、振动噪声异常(此为分解第一级),接下来将温度异常细分为分为冷却水系统故障、润滑系统故障、环境温度异常(此为分解第二级),冷却水系统故障可分为内循环水故障和外循环水故障(此为分解第三级),内循环水故障还可以进一步分为液位异常、流量异常、温度异常(此为分解第四级),液位异常继续分为管路泄露和散热器板片穿孔泄露(此为分解第五级)。由此可见分解至第五级就已经分解至元器件故障,已经满足实际维护保养的需求,即无需再向下做分解。按照此思路建成主驱动系统故障树。
5、为实现故障快速定位,在故障树的每个节点增加判断点。依旧以主轴承失效为例,第一级故障可将温度阈值与振动噪声阈值作为判断点,一旦实时监测数据中温度数据超过设定阈值,则向温度异常下一级继续做判断;第二级则可将冷却水报警信息、润滑系统报警信息和环境温度监测阈值作为判断点,一旦系统出现冷却水相关的报警信息,则继续向下做判断;以此类推至无法继续向下判断为止,则可输出最终结果,即最终定位到故障原因。具体地,在主轴承断面上下左右4个方向均布振动、温度、声发噪声、应变、电涡流传感器,在吸油口过滤器前端连接油品在线检测仪;为此,如图3所示,当主轴承位置温度传感器监测到温度异常后可定位为主轴承位置发生故障,若同时还有内循环水液位传感器异常,则可定位至主轴承内循环水故障,在无其他报警信息情况下,可最后输出导致主轴承内循环水液位异常2个影响因素,分别为管路泄露和散热器板片穿孔泄露,故障追溯原因到此以足够满足工程故障诊断的需求,而由于这2个影响因素无法再通过增加传感器监测,则系统直接输出这2个影响因素,现场施工或维保人员按顺序排查并处理故障即可。此外,需要特殊说明的是输出的最终结果可能不是单一的故障原因,有2种原因,其一是故障本身就存在多处故障源头,其二是不具备判断条件,按上文的例子,分解至内循环水液位异常后,再向下无法通过在线监测的手段判断是管路泄露还是散热器板片穿孔泄露,则系统将该2项原因均输出,这样现场维保人员同样能够快速的排查该项故障,提供及时的维修维保。
6、对所有的故障原因做排查,可以梳理是否遗漏哪些可以通过增加传感器等手段实现在线监测的,从而补充完善步骤2中的在线监测系统。
此外,本技术方案总结近年来主驱动系统发生的方方面面故障,从而明确故障发生时的所有现象,并根据故障现象逐级分解故障发生原因,建立故障树。采用多种传感器和检测仪器组合监测主驱动系统,再根据监测到的故障现象在故障树中快速准确的定位故障。
另外,本技术方案采用噪声传感器、振动传感器、温度传感器、电涡流测距传感器、应变传感器、油品在线检测仪全方位的监测主驱动系统,并结合基于故障现象建立的故障树,从而实现主驱动系统全面精准的监测和快速准确的故障定位。
除此之外,本技术方案是针对掘进机主驱动系统的,用具体的实例说明主驱动故障树建立的方式,并详细说明基于实时监测的主驱动数据,从故障现象逐级分析故障原因,每一级故障树分支都有相对应的故障现象监测数据作为判识标记,从而快速准确的知道产生该故障现象的实际原因是什么。
本方案的有益效果:
1、本技术方案采用各类传感器与检测仪对主驱动系统进行全方位的实时监测,显著缩短停机维护与人工巡检时长,降低施工成本,节约大量能源、资源和人力;
2、本技术方案实现了主驱动系统快速故障诊断以及故障定位,能有效减少因主驱动故障而停机带来的巨大损失,降低施工风险;同时,显著提高掘进安全性和效率、降低掘进和维护成本,大幅提升现阶段隧道掘进的智能化水平。
本方案的关键保护点:
1、在掘进机本身监测传感器的基础上,增加噪音传感器、温度传感器、振动传感器、电涡流传感器、应变花、油品在线检测仪,布置在主驱动合适位置,从而涵盖主驱动各种故障现象的监测。
2、将已明确的故障现象按机构分解、故障分解和功能分解的方式进行分类。
3、明确顶事件以及建树边界,逐级分解故障直至明确故障源头,建立故障树。
4、在故障树的每个节点增加判断点,实现快速故障定位。
5、从故障源头分析,进一步完善监测系统。
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。
Claims (7)
1.一种基于故障树分析法的掘进机主驱动系统故障诊断方法,其特征在于,包括:
S1、收集掘进机主驱动系统所有故障信息,明确主驱动系统各种故障现象;
S2、根据主驱动系统各种故障现象,为主驱动系统对应增加所缺少的监测单元;
在所述S2后,还包括:
S3、将已明确的主驱动系统各种故障现象进行分类;
S4、根据主驱动系统各种故障现象的分类,建立主驱动系统故障树;
S5、在主驱动系统故障树的每个节点增加判断点,且由上向下依次判断至无法继续向下判断为止,以此输出故障原因;
在所述S5中,在主驱动系统故障树的每个节点增加判断点,且由上向下依次判断至无法继续向下判断为止,以此输出故障原因包括:
在主驱动系统故障树自上而下的每个节点根据该节点处的故障现象增加判断点;其中,判断点为能反应该故障现象的监测数据;且由上向下依次监测,当监测到异常值时,根据异常值所反映的位置与类型,定位到故障树节点,则再向该故障树节点的下一级故障树节点继续监测,以此类推至无法继续向下监测为止,则以此输出故障原因。
2.根据权利要求1所述的基于故障树分析法的掘进机主驱动系统故障诊断方法,其特征在于,在所述S2中,监测单元包括噪音传感器、温度传感器、振动传感器、电涡流传感器、应变花和/或油品在线检测仪。
3.根据权利要求1所述的基于故障树分析法的掘进机主驱动系统故障诊断方法,其特征在于,在所述S3中,将已明确的主驱动系统各种故障现象分类包括:
将已明确的主驱动系统各种故障现象依次按结构分解、故障分解和功能分解的方式进行分类。
4.根据权利要求1所述的基于故障树分析法的掘进机主驱动系统故障诊断方法,其特征在于,在所述S4中,根据主驱动系统各种故障现象分类,建立主驱动系统故障树包括:
明确顶事件以及建树边界,逐级分解故障直至明确故障源头,以此建立主驱动系统故障树。
5.根据权利要求4所述的基于故障树分析法的掘进机主驱动系统故障诊断方法,其特征在于,所述明确顶事件以及建树边界,逐级分解故障直至明确故障源头,以此建立主驱动系统故障树包括:
选取最为致命的故障现象作为分析的顶事件,明确故障树的深度和广度;
结合部件工作原理与失效模式,根据逻辑列出直接产生顶事件的全部中间事件,然后继续追溯导致中间事件发生的全部可能的直接因素,如此迭代直到无需再深究其发生的底事件或基本事件为止,以此建立主驱动系统故障树。
6.根据权利要求1所述的基于故障树分析法的掘进机主驱动系统故障诊断方法,其特征在于,在所述S5后,还包括:
S6、对所有故障原因做排查,并根据排查结果为主驱动系统对应增加所缺少的监测单元。
7.一种基于故障树分析法的掘进机主驱动系统故障诊断系统,其特征在于,包括:
收集明确单元,用于收集掘进机主驱动系统所有故障信息,明确主驱动系统各种故障现象;
监测增加单元,用于根据主驱动系统各种故障现象,为主驱动系统对应增加所缺少的监测单元;
故障分类单元,用于将已明确的主驱动系统各种故障现象进行分类;
故障树建立单元,用于根据主驱动系统各种故障现象的分类,建立主驱动系统故障树;
故障原因定位单元,用于在主驱动系统故障树的每个节点增加判断点,且由上向下依次判断至无法继续向下判断为止,以此输出故障原因;
所述在主驱动系统故障树的每个节点增加判断点,且由上向下依次判断至无法继续向下判断为止,以此输出故障原因,包括:
在主驱动系统故障树自上而下的每个节点根据该节点处的故障现象增加判断点;其中,判断点为能反应该故障现象的监测数据;且由上向下依次监测,当监测到异常值时,根据异常值所反映的位置与类型,定位到故障树节点,则再向该故障树节点的下一级故障树节点继续监测,以此类推至无法继续向下监测为止,则以此输出故障原因。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111183175.7A CN113887056B (zh) | 2021-10-11 | 2021-10-11 | 基于故障树分析法掘进机主驱动系统故障诊断方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111183175.7A CN113887056B (zh) | 2021-10-11 | 2021-10-11 | 基于故障树分析法掘进机主驱动系统故障诊断方法、系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113887056A CN113887056A (zh) | 2022-01-04 |
CN113887056B true CN113887056B (zh) | 2023-04-07 |
Family
ID=79006122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111183175.7A Active CN113887056B (zh) | 2021-10-11 | 2021-10-11 | 基于故障树分析法掘进机主驱动系统故障诊断方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887056B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114593104B (zh) * | 2022-02-17 | 2023-03-14 | 成都飞机工业(集团)有限责任公司 | 一种对伺服阀输出异常压力问题进行分解检查的方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5369756A (en) * | 1990-01-18 | 1994-11-29 | Hitachi, Ltd. | Fault tree displaying method and process diagnosis support system |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AUPR464601A0 (en) * | 2001-04-30 | 2001-05-24 | Commonwealth Of Australia, The | Shapes vector |
JP4326731B2 (ja) * | 2001-08-27 | 2009-09-09 | 株式会社東芝 | リスクモニターを有する工程管理システム及びリスク表示機能を有する工程管理方法 |
JP4237610B2 (ja) * | 2003-12-19 | 2009-03-11 | 株式会社東芝 | 保守支援方法及びプログラム |
CN101950327B (zh) * | 2010-09-09 | 2012-05-23 | 西北工业大学 | 一种基于故障树信息的设备状态预测方法 |
-
2021
- 2021-10-11 CN CN202111183175.7A patent/CN113887056B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5369756A (en) * | 1990-01-18 | 1994-11-29 | Hitachi, Ltd. | Fault tree displaying method and process diagnosis support system |
Also Published As
Publication number | Publication date |
---|---|
CN113887056A (zh) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766277B (zh) | 用于核工业现场的健康评估及诊断系统和移动终端 | |
US20170074250A1 (en) | Wind turbine condition monitoring method and system | |
CN106514433B (zh) | 一种链式刀库可靠性试验方法及状态监测系统 | |
CN105809255A (zh) | 一种基于物联网的火电厂旋转机械健康管理方法及系统 | |
CN106020154A (zh) | 一种用于乙烯生产的安全动态健康评估方法及评估系统 | |
CN110779716A (zh) | 嵌入式机械故障智能诊断设备及诊断方法 | |
CN111337237B (zh) | 一种设备故障的诊断方法及系统 | |
CN102937798B (zh) | 一种人机结合的数控机床故障信息采集方法 | |
CN111401584B (zh) | 一种设备故障自动诊断方法及系统 | |
CN101118440A (zh) | 海底管道检测机器人仿真系统 | |
KR101155770B1 (ko) | 발전소 디젤엔진 상태진단 장치 및 방법 | |
JP2019098515A (ja) | 刃具状態検査システム及び方法 | |
CN111708798A (zh) | 一种风电机组故障诊断与处理方法及系统 | |
CN113887056B (zh) | 基于故障树分析法掘进机主驱动系统故障诊断方法、系统 | |
CN105046075A (zh) | 水坝质量监测数据的分析处理方法及装置 | |
CN109242104A (zh) | 一种利用数据分析实时发现设备故障异常的系统 | |
CN110765633A (zh) | 一种动力装置的智能管理方法和装置 | |
CN110554682A (zh) | 基于故障关联分析的故障检测推理机 | |
CN210721134U (zh) | 一种数控机床远程监控系统 | |
CN109270860A (zh) | 一种设备运行状态监控用集成数据采集系统及其监控方法 | |
CN112632325A (zh) | 基于数字化3d成像的作业现场远程监控管理方法及装置 | |
Zurita et al. | Intelligent sensor based on acoustic emission analysis applied to gear fault diagnosis | |
CN103760845B (zh) | 监控方法、系统及旋挖钻机 | |
Olsson et al. | Case-based reasoning combined with statistics for diagnostics and prognosis | |
CN113386976B (zh) | 一种大型飞机燃油系统全模试验方法 |
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 |