CN114136570A - 一种基于预测性维护数据的原料质量鉴别方法 - Google Patents
一种基于预测性维护数据的原料质量鉴别方法 Download PDFInfo
- Publication number
- CN114136570A CN114136570A CN202111375999.4A CN202111375999A CN114136570A CN 114136570 A CN114136570 A CN 114136570A CN 202111375999 A CN202111375999 A CN 202111375999A CN 114136570 A CN114136570 A CN 114136570A
- Authority
- CN
- China
- Prior art keywords
- quality
- axis
- raw materials
- equipment
- amplitude
- 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
- 239000002994 raw material Substances 0.000 title claims abstract description 45
- 238000012423 maintenance Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000004519 manufacturing process Methods 0.000 claims abstract description 30
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical group [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000754 repressing effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 4
- 239000012467 final product Substances 0.000 abstract description 3
- 239000000047 product Substances 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000003326 Quality management system Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
- G01M7/04—Monodirectional test stands
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Battery Electrode And Active Subsutance (AREA)
Abstract
本发明公开了一种基于预测性维护数据的原料质量鉴别方法，通过将预测性维护获取的基础数据进行算法和功能的拓展，对生产原材料的高低进行自动评估，该评估结果可以用于生产企业进货原料的参考依据，也可以作为传统预测性维护中设备寿命的评估参数，进一步提升对设备某部件寿命的预估准确性，还可以与最终产品质量形成联动关系，进一步挖掘原料质量与产品质量之间的对应关系，发展成为新一代预测性维护的核心技术，为生产制造企业带来多方面的效益。
Description
技术领域
本发明涉及预测性维护技术领域，尤其涉及一种基于预测性维护数据的原料质量鉴别方法。
背景技术
在制造环境中采用预测性维护之前，专业人员和机器操作员必须经常定期安排维护时间，以便确定可能需要维修的内容。很多人认为，所有手动安排的机器维护中有一半实际上是徒劳的。考虑到这种形式的维护还占用了大量资源，时间和生产力，许多生产专业人士已从这种方法转向利用物联网技术来监视生产线上的机器状况、简化维护计划并收集实时数据，这意味着制造商可以降低成本，最大化产量并提高产品质量。并且传统的预测性维护监测系统主要针对设备的部件寿命进行分析预估，对生产原料对设备寿命和最终产品的影响并没有涉及。
目前预测性维护系统主要是利用设备运行的状态信息、环境信息等各种数据，结合设备的故障数据进行跟踪分解，设计算法建立数理统计模型后进行模式匹配，对故障进行预测。然而这种方法的应用存在较大的局限性，由于工业现场数据的缺乏也可能导致预警错误率较高。
发明内容
本发明的目的就在于为了解决上述问题而提供一种基于预测性维护数据的原料质量鉴别方法，本发明对传统的预测性维护系统只针对设备故障的应用场景进行拓展，在通过传统的预测性维护系统采集数据并进行分析后，提出一种基于预测性维护数据的判断干电池生产原料质量高低的鉴别方法，帮助生产企业建立生产原料的批次质量管理体系，同时根据不同原材料的软硬程度对机器设备的累积磨损存在差异，又反向提高了预测性维护中对设备故障预警的准确率。
本发明通过以下技术方案来实现上述目的：
一种基于预测性维护数据的原料质量鉴别方法，包括以下步骤：
步骤1，安装振动采集传感器在干电池生产线的“锰环复压”设备上；
步骤2，在正常生产过程中，生产过程的振动传感器在X、Y、Z轴向的振幅、速度、加速度基础状态数据，将在时间t1处产生的X轴振幅记为VX1，在时间t2处产生的X轴振幅记为VX2，在时间tn处产生的X轴振幅记为VXn，根据同样方式获得Y轴和Z轴的数据记录；
步骤3，计算基础振动引起的振幅基准特征数据；
步骤4，计算一段时间内Z轴振幅特征数据；
步骤5，映射原料质量与Z轴特征数据之间的关系；
步骤6，当设备运行时，根据Z轴特征迅速获得原料质量状况。
进一步方案为，所述步骤3中，计算在设备工作过程中产生的单次基础振动引起的振幅基准特征数据Vi，
计算由设备工作过程中产生的基础振动引起的振幅基准特征数据Vbase，
进一步方案为，所述步骤4中，
获得设备工作过程中由原材料引起的Z轴振幅特征数据Zi，
Zi＝VZi-Vbase；
将Zi归一化到[0,1]范围内，得到zi，
求出t1到tn时间段内的Z轴振幅特征数据平均值z；
进一步方案为，所述步骤5中，根据在历史生产过程中记录下的原材料好坏情况和当时计算出的z的不同数值，将z的取值区间与企业对原材料好坏的检测结论进行映射，划分出低、中、高质量的原材料在z上的阈值区间。
本发明的有益效果在于：
本发明的一种基于预测性维护数据的原料质量鉴别方法，通过将预测性维护获取的基础数据进行算法和功能的拓展，对生产原材料的高低进行自动评估，该评估结果可以用于生产企业进货原料的参考依据，也可以作为传统预测性维护中设备寿命的评估参数，进一步提升对设备某部件寿命的预估准确性，还可以与最终产品质量形成联动关系，进一步挖掘原料质量与产品质量之间的对应关系，发展成为新一代预测性维护的核心技术，为生产制造企业带来多方面的效益。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要实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为本发明流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
在任一实施例中，如图1所示，本发明的一种基于预测性维护数据的原料质量鉴别方法，包括：
安装振动采集传感器在干电池生产线的“锰环复压”设备上；
在正常生产过程中，采集较长时间(3个月以上)的振动传感器在X、Y、Z轴向的振幅、速度、加速度等基础状态数据，将在时间t1处产生的X轴振幅记为VX1，在时间t2处产生的X轴振幅记为VX2，在时间tn处产生的X轴振幅记为VXn，Y轴和Z轴的记法与X轴类似；
计算在设备工作过程中产生的单次基础振动引起的振幅基准特征数据Vi，
计算由设备工作过程中产生的基础振动引起的振幅基准特征数据Vbase，
获得设备工作过程中由原材料引起的Z轴振幅特征数据Zi，
Zi＝VZi-Vbase
将Zi归一化到[0,1]范围内，得到zi，
求出一段时间内(例如10分钟，时间从t1到tn)的Z轴振幅特征数据平均值z,
根据在历史生产过程中记录下的原材料好坏情况和当时计算出的z的不同数值(该设备主要动作是将锰环下压到电池壳内，不同质量的锰粉原料对Z轴的振动敏感，因此将Z轴振幅特征数据平均值z作为原材料好坏的主要判断依据)，将z的取值区间与企业对原材料好坏的检测结论进行映射，划分出低、中、高质量的原材料在z上的阈值区间，例如：高质量原料对应z的取值为0-0.2，中等质量原料对应z的取值为0.2-0.6，低质量原料对应z的取值为0.6-1(示例如表1)；
表1 Z轴特征数据与原料状态和对设备寿命的影响因数之间的对应关系示例
| Z轴特征数据z | 原料状态 | 对设备寿命的影响因数 |
| 0.1 | 空载 | 0.15 |
| 0.2 | 空载 | 0.15 |
| 0.3 | 质量高 | 0.2 |
| 0.4 | 质量高 | 0.2 |
| 0.5 | 质量高 | 0.3 |
| 0.6 | 质量中等 | 0.4 |
| 0.7 | 质量中等 | 0.4 |
| 0.8 | 质量低 | 0.5 |
| 0.9 | 质量低 | 0.5 |
| 1 | 质量低 | 0.6 |
当设备后续运行时，根据Z轴特征迅速获得原料质量状况。
本发明对传统的预测性维护系统只针对设备故障的应用场景进行拓展，在通过传统的预测性维护系统采集数据并进行分析后，提出一种基于预测性维护数据的判断干电池生产原料质量高低的鉴别方法，帮助生产企业建立生产原料的批次质量管理体系，同时根据不同原材料的软硬程度对机器设备的累积磨损存在差异，又反向提高了预测性维护中对设备故障预警的准确率。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。
Claims (4)
1.一种基于预测性维护数据的原料质量鉴别方法，其特征在于，包括以下步骤：
步骤1，安装振动采集传感器在干电池生产线的“锰环复压”设备上；
步骤2，在正常生产过程中，生产过程的振动传感器在X、Y、Z轴向的振幅、速度、加速度基础状态数据，将在时间t1处产生的X轴振幅记为VX1，在时间t2处产生的X轴振幅记为VX2，在时间tn处产生的X轴振幅记为VXn，根据同样方式获得Y轴和Z轴的数据记录；
步骤3，计算基础振动引起的振幅基准特征数据；
步骤4，计算一段时间内Z轴振幅特征数据；
步骤5，映射原料质量与Z轴特征数据之间的关系；
步骤6，当设备运行时，根据Z轴特征迅速获得原料质量状况。
2.如权利要求1所述的一种基于预测性维护数据的原料质量鉴别方法，其特征在于，所述步骤3中，计算在设备工作过程中产生的单次基础振动引起的振幅基准特征数据Vi，
计算由设备工作过程中产生的基础振动引起的振幅基准特征数据Vbase，
3.如权利要求1所述的一种基于预测性维护数据的原料质量鉴别方法，其特征在于，所述步骤4中，
获得设备工作过程中由原材料引起的Z轴振幅特征数据Zi，
Zi＝VZi-Vbase；
将Zi归一化到[0，1]范围内，得到zi，
求出t1到tn时间段内的Z轴振幅特征数据平均值z；
4.如权利要求1所述的一种基于预测性维护数据的原料质量鉴别方法，其特征在于，所述步骤5中，根据在历史生产过程中记录下的原材料好坏情况和当时计算出的z的不同数值，将z的取值区间与企业对原材料好坏的检测结论进行映射，划分出低、中、高质量的原材料在z上的阈值区间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111375999.4A CN114136570A (zh) | 2021-11-19 | 2021-11-19 | 一种基于预测性维护数据的原料质量鉴别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111375999.4A CN114136570A (zh) | 2021-11-19 | 2021-11-19 | 一种基于预测性维护数据的原料质量鉴别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114136570A true CN114136570A (zh) | 2022-03-04 |
Family
ID=80390386
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111375999.4A Pending CN114136570A (zh) | 2021-11-19 | 2021-11-19 | 一种基于预测性维护数据的原料质量鉴别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114136570A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107527154A (zh) * | 2017-08-31 | 2017-12-29 | 四川航天系统工程研究所 | 一种用于生产制造现场的管理规划和调度执行系统 |
| CN107894615A (zh) * | 2017-11-13 | 2018-04-10 | 中国石油化工股份有限公司华北油气分公司勘探开发研究院 | 一种定量化评价三维地震属性预测储层参数有效性的方法 |
| CN109724785A (zh) * | 2018-12-29 | 2019-05-07 | 中铁工程装备集团有限公司 | 一种基于多源信息融合的刀具状态监测及寿命预测系统 |
| CN111401661A (zh) * | 2020-04-10 | 2020-07-10 | 科通工业技术(深圳)有限公司 | 一种机械设备的预测性维护方法和维护系统 |
| CN112268814A (zh) * | 2020-10-10 | 2021-01-26 | 珠海格力绿色再生资源有限公司 | 一种抗异响材料评估方法及装置 |
-
2021
- 2021-11-19 CN CN202111375999.4A patent/CN114136570A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107527154A (zh) * | 2017-08-31 | 2017-12-29 | 四川航天系统工程研究所 | 一种用于生产制造现场的管理规划和调度执行系统 |
| CN107894615A (zh) * | 2017-11-13 | 2018-04-10 | 中国石油化工股份有限公司华北油气分公司勘探开发研究院 | 一种定量化评价三维地震属性预测储层参数有效性的方法 |
| CN109724785A (zh) * | 2018-12-29 | 2019-05-07 | 中铁工程装备集团有限公司 | 一种基于多源信息融合的刀具状态监测及寿命预测系统 |
| CN111401661A (zh) * | 2020-04-10 | 2020-07-10 | 科通工业技术(深圳)有限公司 | 一种机械设备的预测性维护方法和维护系统 |
| CN112268814A (zh) * | 2020-10-10 | 2021-01-26 | 珠海格力绿色再生资源有限公司 | 一种抗异响材料评估方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109465676B (zh) | 一种刀具寿命预测方法 | |
| US7536371B2 (en) | Apparatus and method for the analysis of a process having parameter-based faults | |
| US5407265A (en) | System and method for detecting cutting tool failure | |
| JP3553982B2 (ja) | 自動化された金属切削機械における切削工具の寿命を予測するシステム | |
| CN111353482A (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
| CN110362608B (zh) | 基于雨流计数法和局部异常因子的能耗异常检测方法 | |
| CN110674842A (zh) | 一种风电机组主轴轴承故障预测方法 | |
| CN111178553A (zh) | 一种基于arima和lstm算法的工业设备健康趋势分析方法及系统 | |
| CN116976707B (zh) | 基于用电信息采集的用户用电数据异常分析方法及系统 | |
| CN105268536B (zh) | 一种自适应在线校正的火电厂球磨机负荷软测量方法 | |
| CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
| CN111783544A (zh) | 加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法 | |
| CN117128162B (zh) | 智慧能源空压站节能控制系统及控制方法 | |
| CN110570013A (zh) | 一种单站位在线波周期数据的预测诊断方法 | |
| CN115788771A (zh) | 一种基于物联网技术的风力发电系统的智能运维管理系统 | |
| CN116862299B (zh) | 一种用于智慧工厂的数据处理系统和数据处理方法 | |
| CN114136570A (zh) | 一种基于预测性维护数据的原料质量鉴别方法 | |
| CN117350604A (zh) | 一种报表多维度智能分析处理系统 | |
| CN114637791A (zh) | 一种基于相似度的电厂设备预警方法 | |
| CN112529238A (zh) | 电脑可读取记录介质、数据处理方法及数据处理系统 | |
| CN112381352A (zh) | 一种基于多源异构监测的风电机组运行状态评估方法 | |
| Bernini et al. | Hybrid prognosis of drill-bits based on direct inspection | |
| CN114004539B (zh) | 一种基于振动数据的各方向磨损量评估方法 | |
| CN118709864B (zh) | 一种智能工具柜中工具生命周期预测方法 | |
| CN115488696B (zh) | 一种基于变分模态分解和神经网络的刀具磨损预测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220304 |