CN114063601A - 一种基于人工智能的设备状态诊断系统及方法 - Google Patents
一种基于人工智能的设备状态诊断系统及方法 Download PDFInfo
- Publication number
- CN114063601A CN114063601A CN202111341941.8A CN202111341941A CN114063601A CN 114063601 A CN114063601 A CN 114063601A CN 202111341941 A CN202111341941 A CN 202111341941A CN 114063601 A CN114063601 A CN 114063601A
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- sensor
- signal
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003745 diagnosis Methods 0.000 title claims abstract description 39
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 239000000523 sample Substances 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000008859 change Effects 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000003860 storage Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 238000013500 data storage Methods 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims abstract description 6
- 230000004927 fusion Effects 0.000 claims abstract description 6
- 238000012423 maintenance Methods 0.000 claims abstract description 5
- 239000013307 optical fiber Substances 0.000 claims abstract description 4
- 239000003921 oil Substances 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 32
- 238000012544 monitoring process Methods 0.000 claims description 20
- 238000005516 engineering process Methods 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000013499 data model Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000006866 deterioration Effects 0.000 claims description 3
- 238000012774 diagnostic algorithm Methods 0.000 claims description 3
- 230000017525 heat dissipation Effects 0.000 claims description 3
- 230000001050 lubricating effect Effects 0.000 claims description 3
- 239000010687 lubricating oil Substances 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 2
- 238000009827 uniform distribution Methods 0.000 claims 1
- 239000010410 layer Substances 0.000 description 8
- 238000007405 data analysis Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000002346 layers by function Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Abstract
本发明属于设备预测性维护技术领域，具体涉及一种基于人工智能的设备状态诊断系统及方法。本发明包括安装于设备上的传感器探头，其信号通过模拟量传输至边缘计算模块内的AD信号转换板卡，AD信号转换板卡将信号从模拟量转化为数字量送至中央处理板进行存储、处理，并通过无线发送模块进行转发；无线接收模块接收到边缘计算模块发送的信号后，通过光纤或网线将数据最终送至数据存储及算法服务器模块；边缘计算模块内设有电源模块为其提供电源。本发明解决了设备状态智能诊断中存在的多源异构参数的同步与融合，基于多元状态评估的异常判断，设备参数变化趋势的自动识别、分析和预测，设备状态提前预警以及设备故障智能诊断等技术难题。
Description
技术领域
本发明属于设备预测性维护技术领域，具体涉及一种基于人工智能的设备状态诊断系统及方法。
背景技术
传统的设备状态监测主要依靠人工定期采集设备的振动参数和油质参数来实现有限的状态监测。随着传感技术与计算机技术的发展，设备状态监测和诊断技术开始朝着自动化、智能化的方向发展，这就需要在设备上增加传感器并对监测数据进行准确诊断预测和分析。但在具体推进过程中存在着增加有线的传感器需要进行大量电缆敷设的难题，且和已有的在线监测数据无法同步和融合的问题；另外智能诊断所需大量数据的传输会导致传感器各节点与服务器间的访问堵塞，同时现有技术的智能诊断功能不完善且准确率低，无法准确预测设备的异常和健康状态。本发明借助无线传感技术、边缘计算技术、大数据分析技术以及人工智能技术手段建设了一套可实现设备实时状态监测、数据分析、性能预测、提前预警、智能诊断以及自动报告等功能的方法和装置。
发明内容
本发明的目的在于：
针对现有技术不足，提供了一种借助无线传感技术、边缘计算技术、大数据分析技术以及人工智能技术手段的设备智能诊断方法和装置，用以解决设备状态智能诊断中存在的多源异构参数的同步与融合，基于多元状态评估的异常判断，设备参数变化趋势的自动识别、分析和预测，设备状态提前预警以及设备故障智能诊断等技术难题。
本发明采用的技术方案：
一种基于人工智能的设备状态诊断系统，包括安装于设备上的传感器探头，其信号通过模拟量传输至边缘计算模块内的AD信号转换板卡，AD信号转换板卡将信号从模拟量转化为数字量送至中央处理板进行存储、处理，并通过无线发送模块进行转发；无线接收模块接收到边缘计算模块发送的信号后，通过光纤或网线将数据最终送至数据存储及算法服务器模块；边缘计算模块内设有电源模块为其提供电源。
所述传感器探头包括油液传感器，振动传感器，声学传感器，油液传感器，振动传感器，声学传感器的探头均布置在监测设备上用于设备相关数据采集，油液传感器，振动传感器，声学传感器的另一端与边缘计算模块连接。
所述边缘计算单元内部还包括：电源转换器，计算存储单元，风扇，信号端子，振动和声学信号采集模块，油质信号采集模块，通信耦合器；电源转换器用于将220V交流电转换为传感器所需的10V直流电，信号端子用于信号线的连接，油液传感器，振动传感器，声学传感器与信号端子连接，采集后的信号先经过信号端子，再经过振动和声学信号采集模块，或油质信号采集模块，并经过通信耦合器进行数据耦合，再送入计算存储单元进行计算和存储，风扇用于排除内部的热空气，吸入外部的冷空气，确保边缘计算单元的散热。
一种基于人工智能的设备状态诊断方法，包括如下步骤：
步骤一：数据采集；步骤二：在线监测；步骤三：异常判断；步骤四：性能预测和趋势分析；步骤五：故障诊断。
所述步骤一中，通过在监测设备上加装振动传感器，声学传感器和油液传感器，边缘计算单元实现数据采集的功能；其中振动传感器获取振动信息，实现设备的预测性维护；油液传感器通过对运行设备在用润滑油的代表性样品检测与分析，获得有关油品性能指标变化以及油中污染和变质产物的宏观或微观物态特征变化信息，进而确定设备润滑与磨损状态并诊断相关故障的技术；声学传感器通过与用户建立的基线信号进行比较，监测信号的振幅和频率内容，从而提供诊断；通过从DCS系统中读取设备控制器的控制反馈信号，确定设备的状态和其它工作参数，从而进一步完善数据的准确完整性。
所述步骤二中，通过传感器探头采集的相关数据，在经过边缘计算单元处理后通过无线网络发送到远端的数据存储及算法服务器，实现特征参数和设备状态信息的在线监测，并和实时数据系统中的数据集成同步和预处理。
所述步骤三中，通过测量正常运行范围内信号之间的相似性完成状态估计的高级模式识别技术，使用正常运行状态的历史数据建立用于定义系统正常状态的各个参数之间的关系，并建立在线机理模型和在线基准数据模型，对设备性能进行监测。
建立模型之后，通过智能诊断算法，对于设备的每一个新观测值，使用从已经学习状态中得到的模式来估计系统的真实状态；采用西格玛统计方法检验残差统计特性的变化，对残差进行分析，当残差超过设定的阈值区间时，进行异常判断报警。
所述步骤四中，采用时序预测方法对原始数据进行短期时间内预测，评估在接下来一段时间内的变化趋势；通过对原始数据的数据预处理和趋势特征提取，并进行特征融合和趋势分析；以上数据将不断迭代并和实际数据进行对比，实现算法和模型有效性评估，并对原算法和模型进行更新。
所述步骤五中，设备出现异常之后，对原始振动信号进行频谱分析，结合旋转设备常见故障机理分析和故障频率，计算故障概率幅值及其变化趋势；通过专家数据库，系统自动定位故障类型，并计算故障概率，输出诊断结果，最终指导工程师进行分析确认。
与现有技术相比，本发明的有益效果在于：
(1)本发明提供一种基于人工智能的设备状态诊断系统及方法，在数据源层，通过从实时数据系统抽取的标准格式化数据，和就地新增振动传感器上传的高频振动数据、油质传感器通过通信接口上传的厂家自定义格式数据、以及声学传感器通过接口上传的文本数据进行统一融合，实现多源异构参数的同步与融合；
(2)本发明提供一种基于人工智能的设备状态诊断系统及方法，在数据源层，通过借助无线传感技术、边缘计算技术、大数据分析技术解决了传感器各节点与服务器间的访问堵塞，智能诊断功能不完善且准确率低等问题；
(3)本发明提供一种基于人工智能的设备状态诊断系统及方法，在数据交互存储层，通过计算多元参数之间的耦合关系，并与大量历史记录进行比较，实现了基于多元状态评估的异常判断；
(4)本发明提供一种基于人工智能的设备状态诊断系统及方法，在应用功能层和展示层，建立参数变化趋势的自动识别、分析和预测，实现了设备参数变化趋势的自动识别、分析和预测；
(5)本发明提供一种基于人工智能的设备状态诊断系统及方法，在数据科学模型层，通过比较当前健康数据和历史健康矩阵的相似度，并与设定门限进行比较；同时对核心参数趋势预测，并比较预测结果与设定门限的差值距离，实现了设备状态的寿命预测，提前预警和智能诊断。
附图说明
图1为本发明提供的一种基于人工智能的设备状态诊断系统结构示意图；
图2为本发明中有线探头安装结构示意图；
图3为边缘计算单元内部结构布置图；
图4为一种基于人工智能的设备状态诊断方法流程图；
图中：1-传感器探头；2-AD信号转换板卡；3-处理存储板卡；4-无线传输模块；5-电源模块；6-无线接收模块；7-数据存储及算法服务器模块；8-边缘计算单元；9-监测设备；10-油液传感器；11-振动传感器；12-声学传感器；13-电源转换器；14-计算存储单元；15-风扇；16-信号端子；17-振动和声学信号采集模块；18-油质信号采集模块；19-通信耦合器。
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。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
如图1所示，本发明提供的一种基于人工智能的设备状态诊断系统，包括安装于设备上的传感器探头1，其信号通过模拟量传输至边缘计算模块8内的AD信号转换板卡2，AD板卡2将信号从模拟量转化为数字量送至中央处理板3进行存储、处理，并通过无线发送模块4进行转发；无线接收模块6接收到边缘计算模块8发送的信号后，通过光纤或网线将数据最终送至数据存储及算法服务器模块7；边缘计算模块8内设有电源模块5为其提供电源。
如图2所示，传感器探头1包括油液传感器10，振动传感器11，声学传感器12，油液传感器10，振动传感器11，声学传感器12的探头均布置在监测设备9上用于设备相关数据采集，油液传感器10，振动传感器11，声学传感器12的另一端与边缘计算模块8连接。
如图3所示，边缘计算单元8内部还包括：电源转换器13，计算存储单元14，风扇15，信号端子16，振动和声学信号采集模块17，油质信号采集模块18，通信耦合器19；电源转换器13用于将220V交流电转换为传感器所需的10V直流电，信号端子16用于信号线的连接，传感器采集后的信号先经过信号端子16，再经过振动和声学信号采集模块17，或油质信号采集模块18，并经过通信耦合器19进行数据耦合，再送入计算存储单元14进行计算和存储，实现了多源异构参数的同步与融合，风扇15主要用于排除内部的热空气，吸入外部的冷空气，确保边缘计算单元的散热。
如图4所示，本发明提供的一种基于人工智能的设备状态诊断方法，经边缘计算单元运算后的数据和结果通过无线网络发送到远端的计算存储层，并和实时数据系统中的数据集成同步和预处理，通过在线机理模型和在线基准数据模型等智能诊断算法在数据科学模型层的进一步运算，在应用功能层和展示层得出最终的诊断结果，并以此作为算法和模型有效性评估的基础，用于进一步优化和改进算法和模型。
具体包括如下步骤：
步骤一：数据采集。通过在监测设备上加装振动传感器11，声学传感器12和油液传感器10，边缘计算单元8实现数据采集的功能。其中振动传感器11的主要作用为，获取振动信息，实现设备的预测性维护。振动分析可以监测机械退化信息。油液传感器10主要用于油液分析，通过对运行设备在用润滑油的代表性样品检测与分析，获得有关油品性能指标变化以及油中污染和变质产物的宏观或微观物态特征变化信息，进而确定设备润滑与磨损状态并诊断相关故障的技术。声学传感器12主要用于声学监测，通过与用户建立的基线信号进行比较，监测来自传感器(加速度计)的信号的振幅和频率内容，从而提供诊断；通过从DCS系统中读取设备控制器的控制反馈信号，确定设备的状态和其它工作参数，从而进一步完善数据的准确完整性。
步骤二：在线监测。通过传感器探头1采集设备的振动、声学、油液的相关数据，在经过边缘计算单元8处理后通过无线网络发送到远端的数据存储及算法服务器7，实现特征参数和设备状态信息的在线监测，并和实时数据系统中的数据集成同步和预处理；
步骤三：异常判断。通过测量正常运行范围内信号之间的相似性完成状态估计的高级模式识别技术，使用正常运行状态的历史数据建立用于定义系统正常状态的各个参数之间的关系，并建立在线机理模型和在线基准数据模型，对设备性能进行监测。建立模型之后，通过智能诊断算法，对于设备的每一个新观测值，使用从已经学习状态中得到的模式来估计系统的真实状态。采用西格玛统计方法检验(拉依达准则)残差统计特性的变化，对残差进行分析，当残差超过设定的阈值区间时，进行异常判断报警；
步骤四：性能预测和趋势分析。采用时序预测方法对原始数据进行短期时间内预测，评估在接下来一段时间内的变化趋势；通过对原始数据的数据预处理和趋势特征提取，并进行特征融合和趋势分析。以上数据将不断迭代并和实际数据进行对比，实现算法和模型有效性评估，并对原算法和模型进行更新。
步骤五：故障诊断。设备出现异常之后，对原始振动信号进行频谱分析，结合旋转设备常见故障机理分析和故障频率，计算故障概率幅值及其变化趋势。通过专家数据库，系统自动定位故障类型，并计算故障概率，输出诊断结果，最终指导工程师进行分析确认。一种基于人工智能的设备状态诊断系统及方法可以采用在正常运行中从各种现场测量元件或者数据源获得的大量历史数据对所需监视的重要设备或者过程模型进行训练。在数据训练完成后，能够监视相对于正常运行状态的任何偏差。因此，本发明可以在破坏性故障真正发生之前的早期阶段就能准确发现和定位故障。由于本发明特殊的工作原理，它可以用于监视电厂里面各种不同的系统、设备以及子设备。在实际运行中，本系统基于训练后的模型将计算每个监视测量点的期望值，如果该期望值与当前实际值有明显偏差，那么系统将及时给出报警并归档，且能够通过专家数据库进行性能预测、趋势分析和故障诊断。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种基于人工智能的设备状态诊断系统，其特征在于：包括安装于设备上的传感器探头(1)，其信号通过模拟量传输至边缘计算模块(8)内的AD信号转换板卡(2)，AD信号转换板卡(2)将信号从模拟量转化为数字量送至中央处理板(3)进行存储、处理，并通过无线发送模块(4)进行转发；无线接收模块(6)接收到边缘计算模块(8)发送的信号后，通过光纤或网线将数据最终送至数据存储及算法服务器模块(7)；边缘计算模块(8)内设有电源模块(5)为其提供电源。
2.根据权利要求1所述的一种基于人工智能的设备状态诊断系统，其特征在于：所述传感器探头(1)包括油液传感器(10)，振动传感器(11)，声学传感器(12)，油液传感器(10)，振动传感器(11)，声学传感器(12)的探头均布置在监测设备(9)上用于设备相关数据采集，油液传感器(10)，振动传感器(11)，声学传感器(12)的另一端与边缘计算模块(8)连接。
3.根据权利要求2所述的一种基于人工智能的设备状态诊断系统，其特征在于：所述边缘计算单元(8)内部还包括：电源转换器(13)，计算存储单元(14)，风扇(15)，信号端子(16)，振动和声学信号采集模块(17)，油质信号采集模块(18)，通信耦合器(19)；电源转换器(13)用于将220V交流电转换为传感器所需的10V直流电，信号端子(16)用于信号线的连接，油液传感器(10)，振动传感器(11)，声学传感器(12)与信号端子(16)连接，采集后的信号先经过信号端子(16)，再经过振动和声学信号采集模块(17)，或油质信号采集模块(18)，并经过通信耦合器(19)进行数据耦合，再送入计算存储单元(14)进行计算和存储，风扇(15)用于排除内部的热空气，吸入外部的冷空气，确保边缘计算单元的散热。
4.一种基于人工智能的设备状态诊断方法，其特征在于：包括如下步骤：
步骤一：数据采集；步骤二：在线监测；步骤三：异常判断；步骤四：性能预测和趋势分析；步骤五：故障诊断。
5.根据权利要求4所述的一种基于人工智能的设备状态诊断方法，其特征在于：所述步骤一中，通过在监测设备上加装振动传感器(11)，声学传感器(12)和油液传感器(10)，边缘计算单元(8)实现数据采集的功能；其中振动传感器(11)获取振动信息，实现设备的预测性维护；油液传感器(10)通过对运行设备在用润滑油的代表性样品检测与分析，获得有关油品性能指标变化以及油中污染和变质产物的宏观或微观物态特征变化信息，进而确定设备润滑与磨损状态并诊断相关故障的技术；声学传感器(12)通过与用户建立的基线信号进行比较，监测信号的振幅和频率内容，从而提供诊断；通过从DCS系统中读取设备控制器的控制反馈信号，确定设备的状态和其它工作参数，从而进一步完善数据的准确完整性。
6.根据权利要求5所述的一种基于人工智能的设备状态诊断方法，其特征在于：所述步骤二中，通过传感器探头(1)采集的相关数据，在经过边缘计算单元(8)处理后通过无线网络发送到远端的数据存储及算法服务器(7)，实现特征参数和设备状态信息的在线监测，并和实时数据系统中的数据集成同步和预处理。
7.根据权利要求6所述的一种基于人工智能的设备状态诊断方法，其特征在于：所述步骤三中，通过测量正常运行范围内信号之间的相似性完成状态估计的高级模式识别技术，使用正常运行状态的历史数据建立用于定义系统正常状态的各个参数之间的关系，并建立在线机理模型和在线基准数据模型，对设备性能进行监测。
8.根据权利要求7所述的一种基于人工智能的设备状态诊断方法，其特征在于：建立模型之后，通过智能诊断算法，对于设备的每一个新观测值，使用从已经学习状态中得到的模式来估计系统的真实状态；采用西格玛统计方法检验残差统计特性的变化，对残差进行分析，当残差超过设定的阈值区间时，进行异常判断报警。
9.根据权利要求8所述的一种基于人工智能的设备状态诊断方法，其特征在于：所述步骤四中，采用时序预测方法对原始数据进行短期时间内预测，评估在接下来一段时间内的变化趋势；通过对原始数据的数据预处理和趋势特征提取，并进行特征融合和趋势分析；以上数据将不断迭代并和实际数据进行对比，实现算法和模型有效性评估，并对原算法和模型进行更新。
10.根据权利要求9所述的一种基于人工智能的设备状态诊断方法，其特征在于：所述步骤五中，设备出现异常之后，对原始振动信号进行频谱分析，结合旋转设备常见故障机理分析和故障频率，计算故障概率幅值及其变化趋势；通过专家数据库，系统自动定位故障类型，并计算故障概率，输出诊断结果，最终指导工程师进行分析确认。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111341941.8A CN114063601A (zh) | 2021-11-12 | 2021-11-12 | 一种基于人工智能的设备状态诊断系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111341941.8A CN114063601A (zh) | 2021-11-12 | 2021-11-12 | 一种基于人工智能的设备状态诊断系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114063601A true CN114063601A (zh) | 2022-02-18 |
Family
ID=80271935
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111341941.8A Pending CN114063601A (zh) | 2021-11-12 | 2021-11-12 | 一种基于人工智能的设备状态诊断系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114063601A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116614177A (zh) * | 2023-05-08 | 2023-08-18 | 湖北思极科技有限公司 | 一种光纤状态多维度参量监测系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102840882A (zh) * | 2012-09-04 | 2012-12-26 | 中国海洋石油总公司 | 燃气透平发电机组状态监测和故障诊断系统及其使用方法 |
| CN103245491A (zh) * | 2013-04-01 | 2013-08-14 | 华南理工大学 | 基于确定学习理论的转子系统故障诊断方法 |
| CN104252575A (zh) * | 2014-08-06 | 2014-12-31 | 哈尔滨工程大学 | 一种基于行为的uuv推进操纵系统异常辨识方法 |
| CN206957878U (zh) * | 2017-05-27 | 2018-02-02 | 华北电力科学研究院有限责任公司 | 风电机组状态监测装置及系统 |
| CN108507787A (zh) * | 2018-06-28 | 2018-09-07 | 山东大学 | 基于多特征融合的风电齿轮增速箱故障诊断试验平台及方法 |
| CN109033930A (zh) * | 2018-05-07 | 2018-12-18 | 北京化工大学 | 一种基于故障机理和统计模型在线学习的机械设备故障诊断方法 |
| CN110401262A (zh) * | 2019-06-17 | 2019-11-01 | 北京许继电气有限公司 | 基于边缘计算技术的gis设备状态智能监控系统及方法 |
| CN110766277A (zh) * | 2018-10-24 | 2020-02-07 | 中国核电工程有限公司 | 用于核工业现场的健康评估及诊断系统和移动终端 |
| CN113202701A (zh) * | 2021-02-04 | 2021-08-03 | 杨润童 | 一种风力发电厂光纤监测系统及监测方法 |
| CN113536682A (zh) * | 2021-07-21 | 2021-10-22 | 北京航空航天大学 | 一种基于二次自编码融合机制的电动液压舵机参数退化时序外推预测方法 |
-
2021
- 2021-11-12 CN CN202111341941.8A patent/CN114063601A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102840882A (zh) * | 2012-09-04 | 2012-12-26 | 中国海洋石油总公司 | 燃气透平发电机组状态监测和故障诊断系统及其使用方法 |
| CN103245491A (zh) * | 2013-04-01 | 2013-08-14 | 华南理工大学 | 基于确定学习理论的转子系统故障诊断方法 |
| CN104252575A (zh) * | 2014-08-06 | 2014-12-31 | 哈尔滨工程大学 | 一种基于行为的uuv推进操纵系统异常辨识方法 |
| CN206957878U (zh) * | 2017-05-27 | 2018-02-02 | 华北电力科学研究院有限责任公司 | 风电机组状态监测装置及系统 |
| CN109033930A (zh) * | 2018-05-07 | 2018-12-18 | 北京化工大学 | 一种基于故障机理和统计模型在线学习的机械设备故障诊断方法 |
| CN108507787A (zh) * | 2018-06-28 | 2018-09-07 | 山东大学 | 基于多特征融合的风电齿轮增速箱故障诊断试验平台及方法 |
| CN110766277A (zh) * | 2018-10-24 | 2020-02-07 | 中国核电工程有限公司 | 用于核工业现场的健康评估及诊断系统和移动终端 |
| CN110401262A (zh) * | 2019-06-17 | 2019-11-01 | 北京许继电气有限公司 | 基于边缘计算技术的gis设备状态智能监控系统及方法 |
| CN113202701A (zh) * | 2021-02-04 | 2021-08-03 | 杨润童 | 一种风力发电厂光纤监测系统及监测方法 |
| CN113536682A (zh) * | 2021-07-21 | 2021-10-22 | 北京航空航天大学 | 一种基于二次自编码融合机制的电动液压舵机参数退化时序外推预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 胡杰等: "基于大数据技术的电厂设备状态评估和预警应用研究", 《华电技术》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116614177A (zh) * | 2023-05-08 | 2023-08-18 | 湖北思极科技有限公司 | 一种光纤状态多维度参量监测系统 |
| CN116614177B (zh) * | 2023-05-08 | 2023-11-17 | 湖北思极科技有限公司 | 一种光纤状态多维度参量监测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110647133B (zh) | 轨道交通设备状态检测维护方法及系统 | |
| KR102092185B1 (ko) | 중전기기 건전성 분석 플랫폼 및 이를 이용하는 분석 방법 | |
| EP1242923B1 (en) | A process for the monitoring and diagnostics of data from a remote asset | |
| WO2021121182A1 (zh) | 一种数控机床健康诊断方法 | |
| CN115395646B (zh) | 一种数字孪生式牵引变电所智慧运维系统 | |
| CN116629627A (zh) | 输电在线监测装置的智能检测系统 | |
| CN112232405A (zh) | 齿轮箱的故障预测、监测和诊断方法及相应装置 | |
| CN114063601A (zh) | 一种基于人工智能的设备状态诊断系统及方法 | |
| CN101093239A (zh) | 自动化电站在线检测与远程诊断系统 | |
| CN117609716A (zh) | 基于状态健康信息的电力设备剩余寿命远程预测方法及系统 | |
| CN116611953A (zh) | 基于物联网的电能表生产制造实时数据管理方法和系统 | |
| CN110455370B (zh) | 防汛抗旱远程遥测显示系统 | |
| JP2023535611A (ja) | ケーブル監視システム | |
| CN117589444B (zh) | 一种基于联邦学习的风力发电机齿轮箱故障诊断方法 | |
| CN112363432A (zh) | 一种水电站辅助设备的监测系统及监测方法 | |
| CN117854786A (zh) | 一种用于核电站机械设备故障诊断的系统 | |
| CN117038048B (zh) | 一种用于医疗器械的远程故障处理方法及系统 | |
| CN117353807B (zh) | 一种基于人工智能的光缆远程监测系统及方法 | |
| KR102573254B1 (ko) | 연합 학습을 이용한 기계설비 고장 예지 분석 시스템 | |
| KR102604708B1 (ko) | 인공 지능 기반 수배전반 진단 시스템 및 방법 | |
| CN117172139B (zh) | 通信用铜包铝合金电缆的性能测试方法及系统 | |
| KR20130049232A (ko) | 엔진 모니터링 시스템 및 방법 | |
| CN118032228A (zh) | 一种有效的利用气压检测实现电池鼓包的判断方法 | |
| CN117639245A (zh) | 一种变电站二次压板状态监测方法 | |
| CN117053860A (zh) | 一种高压电机综合智能在线监测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220218 |