CN114742250A - 一种基于数据分析的数控设备运行故障预测系统 - Google Patents
一种基于数据分析的数控设备运行故障预测系统 Download PDFInfo
- Publication number
- CN114742250A CN114742250A CN202210410385.3A CN202210410385A CN114742250A CN 114742250 A CN114742250 A CN 114742250A CN 202210410385 A CN202210410385 A CN 202210410385A CN 114742250 A CN114742250 A CN 114742250A
- Authority
- CN
- China
- Prior art keywords
- fault
- period
- prediction
- maintenance
- analysis
- 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.)
- Granted
Links
- 238000007405 data analysis Methods 0.000 title claims abstract description 12
- 238000012423 maintenance Methods 0.000 claims abstract description 117
- 238000004458 analytical method Methods 0.000 claims description 146
- 238000000034 method Methods 0.000 claims description 24
- 230000009467 reduction Effects 0.000 claims description 21
- 208000024891 symptom Diseases 0.000 claims description 21
- 238000012544 monitoring process Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 19
- 230000000630 rising effect Effects 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000006854 communication Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000007667 floating Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 239000002699 waste material Substances 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 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
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- 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"
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于数据分析的数控设备运行故障预测系统,涉及设备故障预测技术领域,解决了现有技术中不能够有效预测设备是否需要进行维护,同时也不能够预测需要维护的设备是否有可以进行维护的技术问题,将当前数控设备进行使用预测,判断当前数控设备运行的稳定性,提高了数控设备维护的及时性,从而能够提高数控设备的工作效率,同时在数控设备进行维护时也能够准确分析当前设备是否适合进行维护,提高了维护的针对性,防止数控设备的维护效果不好导致数控设备维护成本的不必要浪费;将数控设备进行维护需求预测以及维护执行预测,从两方面对数控设备进行预测能够提高了数控设备的预测效率,从而提高了数控设备的工作效率。
Description
技术领域
本发明涉及设备故障预测技术领域,具体为一种基于数据分析的数控设备运行故障预测系统。
背景技术
数控设备就是指应用这种技术的设备。数控技术也叫计算机数控技术,目前它是采用计算机实现数字程序控制的技术。这种技术用计算机按事先存贮的控制程序来执行对设备的运动轨迹和外设的操作时序逻辑控制功能。提高社会生产力已成为社会各界所高度关注的话题之一,要想实现最终的发展目标,就要加大对数控机电设备的推广和应用。但在实际应用时,由于种种原因影响,会使得数控机电设备经常会发生一些故障,不仅降低了设备的使用效率,而且也给相关生产企业的发展带来了很大的阻碍。
但是在现有技术中,数控设备在运行过程中,无法准确进行监测,以至于不能够有效预测设备是否需要进行维护,同时也不能够预测需要维护的设备是否有可以进行维护。
针对上述的技术缺陷,现提出一种解决方案。
发明内容
本发明的目的就在于为了解决上述提出的问题,而提出一种基于数据分析的数控设备运行故障预测系统,将当前数控设备进行使用预测,判断当前数控设备运行的稳定性,提高了数控设备维护的及时性,从而能够提高数控设备的工作效率,同时在数控设备进行维护时也能够准确分析当前设备是否适合进行维护,提高了维护的针对性,防止数控设备的维护效果不好导致数控设备维护成本的不必要浪费;将数控设备进行维护需求预测以及维护执行预测,从两方面对数控设备进行预测能够提高了数控设备的预测效率,从而提高了数控设备的工作效率。
本发明的目的可以通过以下技术方案实现:
一种基于数据分析的数控设备运行故障预测系统,包括服务器,服务器通讯连接有历史时期分析单元、故障类型分析单元以及设备使用预测单元;
服务器生成历史时期分析信号并将历史时期分析信号发送至历史时期分析单元,历史时期分析单元接收到历史时期分析信号后,将数控设备的历史运行分析,将投入使用的数控设备标记为分析对象,通过历史运行分析获取到同一类型的分析对象对应的早期故障期、偶发故障期、损耗征兆期以及损耗故障期,并将其发送至服务器;
服务器接收到同类型的数控设备对应的早期故障期、偶发故障期、损耗征兆期以及损耗故障期后,将对应的早期故障期、偶发故障期、损耗征兆期以及损耗故障期构建成设备寿命期限,将设备寿命期限发送至故障类型分析单元;
故障类型分析单元接收到设备寿命期限后,将对应类型的分析对象进行故障类型分析,通过故障类型分析将分析对象的功能性故障和潜在性故障以及对应可维护时间段,并将其发送至服务器;
服务器接收到分析对象的功能性故障和潜在性故障以及对应可维护时间段后,生成设备使用预测信号并将设备使用预测信号发送至设备使用预测单元,通过设备使用预测单元接收到设备使用预测信号后,将当前数控设备进行使用预测。
作为本发明的一种优选实施方式,历史时期分析单元的运行过程如下:
采集分析对象在当前投入时长内故障频率以及当前分析对象对应故障频率的降低速度,并将分析对象在当前投入时长内故障频率以及当前分析对象对应故障频率的降低速度分别与故障频率阈值和降低速度阈值进行比较:
若分析对象在当前投入时长内故障频率超过故障频率阈值,且当前分析对象对应故障频率的降低速度超过降低速度阈值,则将当前分析对象的运行时间段标记为早期故障期;若分析对象在当前投入时长内故障频率未超过故障频率阈值,或者当前分析对象对应故障频率的降低速度未超过降低速度阈值,则将当前分析对象的运行时间段标记为非早期故障期;
在早期故障期结束时刻为起点时刻,设定监测间隔时间段阈值,对当前分析对象进行故障数量分析,即将早期故障期内故障频率降至合格故障频率阈值范围内的时刻为起点时刻;采集到监测间隔时间段阈值内当前分析对象的故障数量,若当前分析对象的故障数量处于故障数量阈值范围,则将对应监测间隔时间段阈值标记为稳定时间段,并进行下一监测间隔时间段阈值的故障数量分析;若当前分析对象的故障数量未处于故障数量阈值范围,则将对应监测间隔时间段阈值的结束时刻标记为终点时刻,根据获取的起点时刻和终点时刻构建的运行时间段标记为偶发故障期;
在偶发故障期结束后,若当前分析对象的故障率上升速度超过上升速度阈值,且维护的时长超过维护时长阈值,则将当前时间段标记为损耗故障期;若当前分析对象的故障率上升速度未超过上升速度阈值且维护的时长超过维护时长阈值,或者当前分析对象的故障率上升速度超过上升速度阈值且维护的时长未超过维护时长阈值,则将当前时间段标记为损耗征兆期;
将同类型的数控设备对应的早期故障期、偶发故障期、损耗征兆期以及损耗故障期发送至服务器。
作为本发明的一种优选实施方式,故障类型分析单元的运行过程如下:
将分析对象的故障进行分析,在分析对象的故障发生时,获取到分析对象对应出现数值浮动的运行数据,并将对应运行数据标记为对应故障类型的影响数据;运行数据包括数控设备的运行时长、温度等相关运行参数;
若分析对象对应故障类型的影响数据在维护后无法处于对应合格数值阈值范围内,则将对应故障类型标记为功能性故障;若分析对象对应故障类型的影响数据在维护后可以处于对应合格数值阈值范围内,则将对应故障类型标记为潜在性故障;随后将分析对象同一故障类型进行分析,根据对应故障类型的影响数据监测获取到对应故障类型为潜在性故障的时刻以及对应故障类型为功能性故障的时刻,并根据对应故障类型为潜在性故障的时刻以及对应故障类型为功能性故障的时刻获取到对应故障类型的可维护时间段;
将当前分析对象的功能性故障和潜在性故障以及对应可维护时间段一同发送至服务器。
作为本发明的一种优选实施方式,设备使用预测单元的运行过程如下:
将当前进行预测的数控设备标记为预测对象,采集到预测对象投入使用时刻距当前时刻的运行过程中潜在性故障数量以及对应潜在性故障的增长速度,并将预测对象投入使用时刻距当前时刻的运行过程中潜在性故障数量以及对应潜在性故障的增长速度分别与故障数量阈值以及增长速度阈值进行比较:
若预测对象投入使用时刻距当前时刻的运行过程中潜在性故障数量超过故障数量阈值,或者对应潜在性故障的增长速度超过增长速度阈值,则对应预测对象的预测为须维护;若预测对象投入使用时刻距当前时刻的运行过程中潜在性故障数量未超过故障数量阈值,且对应潜在性故障的增长速度未超过增长速度阈值,则对应预测对象的预测为稳定运行;将须维护预测对象的对应编号发送至服务器;
在完成预测对象的预测后,将预测须维护的预测对象进行分析,若预测须维护的预测对象当前维护时刻处于当前预测对象的早期故障期或者偶发故障期,则判定当前维护的预测对象适合维护,生成预测对象维护信号并将维护预测对象对应预测对象维护信号发送至服务器,服务器控制当前预测对象进行维护;若预测须维护的预测对象当前维护时刻处于当前预测对象的损耗征兆期或者损耗故障期,则判定当前维护的预测对象不适合维护,生成预测对象非维护信号并将当前预测对象不进行维护;并将不进行维护的预测对象对应编号发送至服务器,服务器接收到不进行维护的预测对象对应编号后,将对应编号的数控设备进行返厂报废。
作为本发明的一种优选实施方式,在进行维护的预测对象完成维护后,采集到完成维护的预测对象对应潜在性故障转变为功能性故障的数量以及对应维护时刻与预测对象的可维护时间段结束时刻的延迟时长,并将完成维护的预测对象对应潜在性故障转变为功能性故障的数量以及对应维护时刻与预测对象的可维护时间段结束时刻的延迟时长分别与转变数量阈值和延迟时长阈值范围进行比较:
若完成维护的预测对象对应潜在性故障转变为功能性故障的数量超过转变数量阈值,或者对应维护时刻与预测对象的可维护时间段结束时刻的延迟时长未处于延迟时长阈值范围,则判定对应预测对象的维护不合格,生成维护异常信号并将维护异常信号发送至服务器;若完成维护的预测对象对应潜在性故障转变为功能性故障的数量未超过转变数量阈值,且对应维护时刻与预测对象的可维护时间段结束时刻的延迟时长处于延迟时长阈值范围,则判定对应预测对象的维护合格,生成维护正常信号并将维护正常信号发送至服务器;服务器接收到维护异常信号后,将对应数控设备进行二次维护。
与现有技术相比,本发明的有益效果是:
1、本发明中,将数控设备的历史运行分析,判断数控设备的使用过程中的各个运行时期,根据同类型数控设备实时所处运行时期进行掌控,从而能够提高了数控设备的监测效率,同时能够对数控设备的运行故障预测提高了准确性,降低了预测不准确的风险;将对应类型的分析对象进行故障类型分析,根据分析对象的故障类型进行实时运行预测,从而提高了分析对象预测的准确效率;
2、本发明中,将当前数控设备进行使用预测,判断当前数控设备运行的稳定性,提高了数控设备维护的及时性,从而能够提高数控设备的工作效率,同时在数控设备进行维护时也能够准确分析当前设备是否适合进行维护,提高了维护的针对性,防止数控设备的维护效果不好导致数控设备维护成本的不必要浪费;将数控设备进行维护需求预测以及维护执行预测,从两方面对数控设备进行预测能够提高了数控设备的预测效率,从而提高了数控设备的工作效率。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明。
图1为本发明的原理框图。
具体实施方式
下面将结合实施例对本发明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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1所示,一种基于数据分析的数控设备运行故障预测系统,包括服务器,服务器通讯连接有历史时期分析单元、故障类型分析单元以及设备使用预测单元,其中,服务器与历史时期分析单元、故障类型分析单元以及设备使用预测单元均为双向通讯连接;
服务器生成历史时期分析信号并将历史时期分析信号发送至历史时期分析单元,历史时期分析单元接收到历史时期分析信号后,将数控设备的历史运行分析,判断数控设备的使用过程中的各个运行时期,根据同类型数控设备实时所处运行时期进行掌控,从而能够提高了数控设备的监测效率,同时能够对数控设备的运行故障预测提高了准确性,降低了预测不准确的风险;
将投入使用的数控设备标记为分析对象,并将其设置标号i,i为大于1的自然数;采集分析对象在当前投入时长内故障频率以及当前分析对象对应故障频率的降低速度,并将分析对象在当前投入时长内故障频率以及当前分析对象对应故障频率的降低速度分别与故障频率阈值和降低速度阈值进行比较:
若分析对象在当前投入时长内故障频率超过故障频率阈值,且当前分析对象对应故障频率的降低速度超过降低速度阈值,则将当前分析对象的运行时间段标记为早期故障期;若分析对象在当前投入时长内故障频率未超过故障频率阈值,或者当前分析对象对应故障频率的降低速度未超过降低速度阈值,则将当前分析对象的运行时间段标记为非早期故障期;
在早期故障期结束时刻为起点时刻,设定监测间隔时间段阈值,对当前分析对象进行故障数量分析,即将早期故障期内故障频率降至合格故障频率阈值范围内的时刻为起点时刻;采集到监测间隔时间段阈值内当前分析对象的故障数量,若当前分析对象的故障数量处于故障数量阈值范围,则将对应监测间隔时间段阈值标记为稳定时间段,并进行下一监测间隔时间段阈值的故障数量分析;若当前分析对象的故障数量未处于故障数量阈值范围,则将对应监测间隔时间段阈值的结束时刻标记为终点时刻,根据获取的起点时刻和终点时刻构建的运行时间段标记为偶发故障期;
在偶发故障期结束后,若当前分析对象的故障率上升速度超过上升速度阈值,且维护的时长超过维护时长阈值,则将当前时间段标记为损耗故障期;若当前分析对象的故障率上升速度未超过上升速度阈值且维护的时长超过维护时长阈值,或者当前分析对象的故障率上升速度超过上升速度阈值且维护的时长未超过维护时长阈值,则将当前时间段标记为损耗征兆期;
将同类型的数控设备对应的早期故障期、偶发故障期、损耗征兆期以及损耗故障期发送至服务器;
服务器接收到同类型的数控设备对应的早期故障期、偶发故障期、损耗征兆期以及损耗故障期后,将对应的早期故障期、偶发故障期、损耗征兆期以及损耗故障期构建成设备寿命期限,将设备寿命期限发送至故障类型分析单元;
故障类型分析单元接收到设备寿命期限后,将对应类型的分析对象进行故障类型分析,根据分析对象的故障类型进行实时运行预测,从而提高了分析对象预测的准确效率;
将分析对象的故障进行分析,在分析对象的故障发生时,获取到分析对象对应出现数值浮动的运行数据,并将对应运行数据标记为对应故障类型的影响数据;运行数据包括数控设备的运行时长、温度等相关运行参数;
若分析对象对应故障类型的影响数据在维护后无法处于对应合格数值阈值范围内,则将对应故障类型标记为功能性故障;若分析对象对应故障类型的影响数据在维护后可以处于对应合格数值阈值范围内,则将对应故障类型标记为潜在性故障;随后将分析对象同一故障类型进行分析,根据对应故障类型的影响数据监测获取到对应故障类型为潜在性故障的时刻以及对应故障类型为功能性故障的时刻,并根据对应故障类型为潜在性故障的时刻以及对应故障类型为功能性故障的时刻获取到对应故障类型的可维护时间段;
将当前分析对象的功能性故障和潜在性故障以及对应可维护时间段一同发送至服务器;
服务器接收到分析对象的功能性故障和潜在性故障以及对应可维护时间段后,生成设备使用预测信号并将设备使用预测信号发送至设备使用预测单元;
设备使用预测单元接收到设备使用预测信号后,将当前数控设备进行使用预测,判断当前数控设备运行的稳定性,提高了数控设备维护的及时性,从而能够提高数控设备的工作效率,同时在数控设备进行维护时也能够准确分析当前设备是否适合进行维护,提高了维护的针对性,防止数控设备的维护效果不好导致数控设备维护成本的不必要浪费;
将当前进行预测的数控设备标记为预测对象,采集到预测对象投入使用时刻距当前时刻的运行过程中潜在性故障数量以及对应潜在性故障的增长速度,并将预测对象投入使用时刻距当前时刻的运行过程中潜在性故障数量以及对应潜在性故障的增长速度分别与故障数量阈值以及增长速度阈值进行比较:
若预测对象投入使用时刻距当前时刻的运行过程中潜在性故障数量超过故障数量阈值,或者对应潜在性故障的增长速度超过增长速度阈值,则对应预测对象的预测为须维护;若预测对象投入使用时刻距当前时刻的运行过程中潜在性故障数量未超过故障数量阈值,且对应潜在性故障的增长速度未超过增长速度阈值,则对应预测对象的预测为稳定运行;将须维护预测对象的对应编号发送至服务器;
在完成预测对象的预测后,将预测须维护的预测对象进行分析,若预测须维护的预测对象当前维护时刻处于当前预测对象的早期故障期或者偶发故障期,则判定当前维护的预测对象适合维护,生成预测对象维护信号并将维护预测对象对应预测对象维护信号发送至服务器,服务器控制当前预测对象进行维护;若预测须维护的预测对象当前维护时刻处于当前预测对象的损耗征兆期或者损耗故障期,则判定当前维护的预测对象不适合维护,生成预测对象非维护信号并将当前预测对象不进行维护;并将不进行维护的预测对象对应编号发送至服务器,服务器接收到不进行维护的预测对象对应编号后,将对应编号的数控设备进行返厂报废;
在进行维护的预测对象完成维护后,采集到完成维护的预测对象对应潜在性故障转变为功能性故障的数量以及对应维护时刻与预测对象的可维护时间段结束时刻的延迟时长,并将完成维护的预测对象对应潜在性故障转变为功能性故障的数量以及对应维护时刻与预测对象的可维护时间段结束时刻的延迟时长分别与转变数量阈值和延迟时长阈值范围进行比较:
若完成维护的预测对象对应潜在性故障转变为功能性故障的数量超过转变数量阈值,或者对应维护时刻与预测对象的可维护时间段结束时刻的延迟时长未处于延迟时长阈值范围,则判定对应预测对象的维护不合格,生成维护异常信号并将维护异常信号发送至服务器;若完成维护的预测对象对应潜在性故障转变为功能性故障的数量未超过转变数量阈值,且对应维护时刻与预测对象的可维护时间段结束时刻的延迟时长处于延迟时长阈值范围,则判定对应预测对象的维护合格,生成维护正常信号并将维护正常信号发送至服务器;
服务器接收到维护异常信号后,将对应数控设备进行二次维护。
一种基于数据分析的数控设备运行故障预测系统,在工作时,通过历史时期分析单元将数控设备的历史运行分析,将投入使用的数控设备标记为分析对象,通过历史运行分析获取到同一类型的分析对象对应的早期故障期、偶发故障期、损耗征兆期以及损耗故障期,并将其发送至服务器;通过故障类型分析单元接收到设备寿命期限后,将对应类型的分析对象进行故障类型分析,通过故障类型分析将分析对象的功能性故障和潜在性故障以及对应可维护时间段,并将其发送至服务器;服务器接收到分析对象的功能性故障和潜在性故障以及对应可维护时间段后,生成设备使用预测信号并将设备使用预测信号发送至设备使用预测单元,通过设备使用预测单元接收到设备使用预测信号后,将当前数控设备进行使用预测。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (5)
1.一种基于数据分析的数控设备运行故障预测系统,其特征在于,包括服务器,服务器通讯连接有历史时期分析单元、故障类型分析单元以及设备使用预测单元;
服务器生成历史时期分析信号并将历史时期分析信号发送至历史时期分析单元,历史时期分析单元接收到历史时期分析信号后,将数控设备的历史运行分析,将投入使用的数控设备标记为分析对象,通过历史运行分析获取到同一类型的分析对象对应的早期故障期、偶发故障期、损耗征兆期以及损耗故障期,并将其发送至服务器;
服务器接收到同类型的数控设备对应的早期故障期、偶发故障期、损耗征兆期以及损耗故障期后,将对应的早期故障期、偶发故障期、损耗征兆期以及损耗故障期构建成设备寿命期限,将设备寿命期限发送至故障类型分析单元;
故障类型分析单元接收到设备寿命期限后,将对应类型的分析对象进行故障类型分析,通过故障类型分析将分析对象的功能性故障和潜在性故障以及对应可维护时间段,并将其发送至服务器;
服务器接收到分析对象的功能性故障和潜在性故障以及对应可维护时间段后,生成设备使用预测信号并将设备使用预测信号发送至设备使用预测单元,通过设备使用预测单元接收到设备使用预测信号后,将当前数控设备进行使用预测。
2.根据权利要求1所述的一种基于数据分析的数控设备运行故障预测系统,其特征在于,历史时期分析单元的运行过程如下:
采集分析对象在当前投入时长内故障频率以及当前分析对象对应故障频率的降低速度,并将分析对象在当前投入时长内故障频率以及当前分析对象对应故障频率的降低速度分别与故障频率阈值和降低速度阈值进行比较:
若分析对象在当前投入时长内故障频率超过故障频率阈值,且当前分析对象对应故障频率的降低速度超过降低速度阈值,则将当前分析对象的运行时间段标记为早期故障期;若分析对象在当前投入时长内故障频率未超过故障频率阈值,或者当前分析对象对应故障频率的降低速度未超过降低速度阈值,则将当前分析对象的运行时间段标记为非早期故障期;
在早期故障期结束时刻为起点时刻,设定监测间隔时间段阈值,对当前分析对象进行故障数量分析,即将早期故障期内故障频率降至合格故障频率阈值范围内的时刻为起点时刻;采集到监测间隔时间段阈值内当前分析对象的故障数量,若当前分析对象的故障数量处于故障数量阈值范围,则将对应监测间隔时间段阈值标记为稳定时间段,并进行下一监测间隔时间段阈值的故障数量分析;若当前分析对象的故障数量未处于故障数量阈值范围,则将对应监测间隔时间段阈值的结束时刻标记为终点时刻,根据获取的起点时刻和终点时刻构建的运行时间段标记为偶发故障期;
在偶发故障期结束后,若当前分析对象的故障率上升速度超过上升速度阈值,且维护的时长超过维护时长阈值,则将当前时间段标记为损耗故障期;若当前分析对象的故障率上升速度未超过上升速度阈值且维护的时长超过维护时长阈值,或者当前分析对象的故障率上升速度超过上升速度阈值且维护的时长未超过维护时长阈值,则将当前时间段标记为损耗征兆期;
将同类型的数控设备对应的早期故障期、偶发故障期、损耗征兆期以及损耗故障期发送至服务器。
3.根据权利要求1所述的一种基于数据分析的数控设备运行故障预测系统,其特征在于,故障类型分析单元的运行过程如下:
将分析对象的故障进行分析,在分析对象的故障发生时,获取到分析对象对应出现数值浮动的运行数据,并将对应运行数据标记为对应故障类型的影响数据;若分析对象对应故障类型的影响数据在维护后无法处于对应合格数值阈值范围内,则将对应故障类型标记为功能性故障;若分析对象对应故障类型的影响数据在维护后可以处于对应合格数值阈值范围内,则将对应故障类型标记为潜在性故障;随后将分析对象同一故障类型进行分析,根据对应故障类型的影响数据监测获取到对应故障类型为潜在性故障的时刻以及对应故障类型为功能性故障的时刻,并根据对应故障类型为潜在性故障的时刻以及对应故障类型为功能性故障的时刻获取到对应故障类型的可维护时间段;
将当前分析对象的功能性故障和潜在性故障以及对应可维护时间段一同发送至服务器。
4.根据权利要求1所述的一种基于数据分析的数控设备运行故障预测系统,其特征在于,设备使用预测单元的运行过程如下:
将当前进行预测的数控设备标记为预测对象,采集到预测对象投入使用时刻距当前时刻的运行过程中潜在性故障数量以及对应潜在性故障的增长速度,并将预测对象投入使用时刻距当前时刻的运行过程中潜在性故障数量以及对应潜在性故障的增长速度分别与故障数量阈值以及增长速度阈值进行比较:
若预测对象投入使用时刻距当前时刻的运行过程中潜在性故障数量超过故障数量阈值,或者对应潜在性故障的增长速度超过增长速度阈值,则对应预测对象的预测为须维护;若预测对象投入使用时刻距当前时刻的运行过程中潜在性故障数量未超过故障数量阈值,且对应潜在性故障的增长速度未超过增长速度阈值,则对应预测对象的预测为稳定运行;将须维护预测对象的对应编号发送至服务器;
在完成预测对象的预测后,将预测须维护的预测对象进行分析,若预测须维护的预测对象当前维护时刻处于当前预测对象的早期故障期或者偶发故障期,则判定当前维护的预测对象适合维护,生成预测对象维护信号并将维护预测对象对应预测对象维护信号发送至服务器,服务器控制当前预测对象进行维护;若预测须维护的预测对象当前维护时刻处于当前预测对象的损耗征兆期或者损耗故障期,则判定当前维护的预测对象不适合维护,生成预测对象非维护信号并将当前预测对象不进行维护;并将不进行维护的预测对象对应编号发送至服务器,服务器接收到不进行维护的预测对象对应编号后,将对应编号的数控设备进行返厂报废。
5.根据权利要求4所述的一种基于数据分析的数控设备运行故障预测系统,其特征在于,在进行维护的预测对象完成维护后,采集到完成维护的预测对象对应潜在性故障转变为功能性故障的数量以及对应维护时刻与预测对象的可维护时间段结束时刻的延迟时长,并将完成维护的预测对象对应潜在性故障转变为功能性故障的数量以及对应维护时刻与预测对象的可维护时间段结束时刻的延迟时长分别与转变数量阈值和延迟时长阈值范围进行比较:
若完成维护的预测对象对应潜在性故障转变为功能性故障的数量超过转变数量阈值,或者对应维护时刻与预测对象的可维护时间段结束时刻的延迟时长未处于延迟时长阈值范围,则判定对应预测对象的维护不合格,生成维护异常信号并将维护异常信号发送至服务器;若完成维护的预测对象对应潜在性故障转变为功能性故障的数量未超过转变数量阈值,且对应维护时刻与预测对象的可维护时间段结束时刻的延迟时长处于延迟时长阈值范围,则判定对应预测对象的维护合格,生成维护正常信号并将维护正常信号发送至服务器;服务器接收到维护异常信号后,将对应数控设备进行二次维护。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210410385.3A CN114742250B (zh) | 2022-04-19 | 2022-04-19 | 一种基于数据分析的数控设备运行故障预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210410385.3A CN114742250B (zh) | 2022-04-19 | 2022-04-19 | 一种基于数据分析的数控设备运行故障预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114742250A true CN114742250A (zh) | 2022-07-12 |
CN114742250B CN114742250B (zh) | 2024-06-18 |
Family
ID=82281389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210410385.3A Active CN114742250B (zh) | 2022-04-19 | 2022-04-19 | 一种基于数据分析的数控设备运行故障预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742250B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115101187A (zh) * | 2022-07-14 | 2022-09-23 | 西南医科大学附属医院 | 一种基于大数据的麻醉机运行故障预测系统 |
CN115130702A (zh) * | 2022-09-02 | 2022-09-30 | 山东汇泓纺织科技有限公司 | 一种基于大数据分析的纺织机故障预测系统 |
CN115600130A (zh) * | 2022-11-15 | 2023-01-13 | 山东锦弘纺织股份有限公司(Cn) | 一种基于数据分析的胶合板复合胶装设备运行管控系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11161318A (ja) * | 1997-11-27 | 1999-06-18 | Sanyo Electric Co Ltd | 機器の運転状態管理装置 |
JP2000251126A (ja) * | 1999-02-26 | 2000-09-14 | Toshiba Corp | 適正保守作業分析装置 |
CN101118437A (zh) * | 2007-09-03 | 2008-02-06 | 石毅 | 一种新型的数控机床远程状态监测与故障诊断系统实现方法 |
KR20090003435A (ko) * | 2007-06-11 | 2009-01-12 | 주식회사 엔에이치테크 | 자동화기기 예측유지보수 시스템 및 이를 이용한자동화기기 예측유지보수 방법 |
FR3066844A1 (fr) * | 2017-05-23 | 2018-11-30 | Monixo | Procede de prevision de la survenue d'une defaillance sur un appareil dans le temps |
CN112329979A (zh) * | 2020-09-23 | 2021-02-05 | 燕山大学 | 一种基于自适应深度残差网络的超短期风电功率预测方法 |
RU2759714C1 (ru) * | 2021-02-19 | 2021-11-17 | Федеральное государственное казенное военное образовательное учреждение высшего образования "Военная академия Ракетных войск стратегического назначения имени Петра Великого Министерства обороны Российской Федерации | Способ контроля динамики показателей безотказности технических систем с учетом дефектов по результатам испытаний |
CN114326594A (zh) * | 2021-12-30 | 2022-04-12 | 苏州科腾软件开发有限公司 | 一种基于机床数据的机床性能测评的系统及其测评方法 |
-
2022
- 2022-04-19 CN CN202210410385.3A patent/CN114742250B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11161318A (ja) * | 1997-11-27 | 1999-06-18 | Sanyo Electric Co Ltd | 機器の運転状態管理装置 |
JP2000251126A (ja) * | 1999-02-26 | 2000-09-14 | Toshiba Corp | 適正保守作業分析装置 |
KR20090003435A (ko) * | 2007-06-11 | 2009-01-12 | 주식회사 엔에이치테크 | 자동화기기 예측유지보수 시스템 및 이를 이용한자동화기기 예측유지보수 방법 |
CN101118437A (zh) * | 2007-09-03 | 2008-02-06 | 石毅 | 一种新型的数控机床远程状态监测与故障诊断系统实现方法 |
FR3066844A1 (fr) * | 2017-05-23 | 2018-11-30 | Monixo | Procede de prevision de la survenue d'une defaillance sur un appareil dans le temps |
CN112329979A (zh) * | 2020-09-23 | 2021-02-05 | 燕山大学 | 一种基于自适应深度残差网络的超短期风电功率预测方法 |
RU2759714C1 (ru) * | 2021-02-19 | 2021-11-17 | Федеральное государственное казенное военное образовательное учреждение высшего образования "Военная академия Ракетных войск стратегического назначения имени Петра Великого Министерства обороны Российской Федерации | Способ контроля динамики показателей безотказности технических систем с учетом дефектов по результатам испытаний |
CN114326594A (zh) * | 2021-12-30 | 2022-04-12 | 苏州科腾软件开发有限公司 | 一种基于机床数据的机床性能测评的系统及其测评方法 |
Non-Patent Citations (1)
Title |
---|
刘步远;: "数控设备的管理和维修", 现代工业经济和信息化, no. 06, 30 June 2020 (2020-06-30) * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115101187A (zh) * | 2022-07-14 | 2022-09-23 | 西南医科大学附属医院 | 一种基于大数据的麻醉机运行故障预测系统 |
CN115101187B (zh) * | 2022-07-14 | 2022-11-15 | 西南医科大学附属医院 | 一种基于大数据的麻醉机运行故障预测系统 |
CN115130702A (zh) * | 2022-09-02 | 2022-09-30 | 山东汇泓纺织科技有限公司 | 一种基于大数据分析的纺织机故障预测系统 |
CN115130702B (zh) * | 2022-09-02 | 2022-12-02 | 山东汇泓纺织科技有限公司 | 一种基于大数据分析的纺织机故障预测系统 |
CN115600130A (zh) * | 2022-11-15 | 2023-01-13 | 山东锦弘纺织股份有限公司(Cn) | 一种基于数据分析的胶合板复合胶装设备运行管控系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114742250B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114742250B (zh) | 一种基于数据分析的数控设备运行故障预测系统 | |
CN115456479B (zh) | 一种基于物联网的智慧农业大棚环境监测系统 | |
CN114826989A (zh) | 基于大数据的通信设备运行监测预测系统 | |
CN102223264A (zh) | 一种用于监控系统的告警处理方法及系统 | |
CN115016339B (zh) | 一种室外电力设备的监测方法、设备及介质 | |
CN114636927A (zh) | 一种基于大数据的马达运行故障预测系统 | |
CN115495315A (zh) | 一种大型医疗设备的故障预警系统 | |
CN117156399A (zh) | 物联网信息控制传递装置与方法 | |
CN113918411B (zh) | 基于边缘计算的终端设备管控方法和系统 | |
CN117318069B (zh) | 一种供电系统故障自愈方法及系统 | |
US11641132B2 (en) | Methods and apparatus for controlling the power supply of a network node | |
CN117092953A (zh) | 一种基于工业物联网的生产数据采集管控系统 | |
CN112907911A (zh) | 一种基于设备工艺数据的智能异常识别与报警算法 | |
CN112261575A (zh) | 数据传输方法、装置、设备及介质 | |
CN110376977B (zh) | 一种循环周期的计算方法、系统、装置和存储介质 | |
CN109740766B (zh) | 一种工业设备维护服务规划方法 | |
CN113393046B (zh) | 一种光伏功率预测方法及其应用装置 | |
CN111829359A (zh) | 冶金工业炉窑集中监控方法及总系统 | |
CN117134508B (zh) | 一种配电一键式集控装置的多数据融合监测系统 | |
CN117644794B (zh) | 一种基于充电桩的智能时段控制系统 | |
CN114414938B (zh) | 一种配电网故障的动态响应方法及系统 | |
CN116545906B (zh) | 一种通信网络设备综合管理系统 | |
CN115277459B (zh) | 服务质量策略的调整方法及装置、存储介质及电子设备 | |
CN116542510B (zh) | 船舶电气调试流程的优化配置方法 | |
CN116245502B (zh) | 一种基于数字孪生的变压器设备虚实交互运检方法和系统 |
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 |