CN115219842A - 一种机电设备故障定位及报警保护装置 - Google Patents
一种机电设备故障定位及报警保护装置 Download PDFInfo
- Publication number
- CN115219842A CN115219842A CN202210722053.9A CN202210722053A CN115219842A CN 115219842 A CN115219842 A CN 115219842A CN 202210722053 A CN202210722053 A CN 202210722053A CN 115219842 A CN115219842 A CN 115219842A
- Authority
- CN
- China
- Prior art keywords
- electromechanical equipment
- module
- heat dissipation
- temperature
- alarm
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/185—Electrical failure alarms
Abstract
本发明属于机电设备故障定位技术领域,公开了一种机电设备故障定位及报警保护装置,所述机电设备故障定位及报警保护装置包括:温度检测模块、中央控制模块、故障诊断模块、故障定位模块、散热控制模块、警报模块、寿命预测模块、显示模块。中央控制模块,与温度检测模块、故障诊断模块、故障定位模块、散热控制模块、警报模块、寿命预测模块、显示模块连接,用于控制各个模块正常工作;本发明通过散热控制模块根据机电设备的运行信息,计算散热损耗,通过散热损耗调节散热电机的运行频率,实现了高效散热控制的目的;同时,通过寿命预测模块采用外部环境参数对机电设备的内部状态参数进行修正补偿,提高了寿命预测准确性。
Description
技术领域
本发明属于机电设备故障定位技术领域,尤其涉及一种机电设备故障定位及报警保护装置。
背景技术
机电设备一般指机械、电器及电气自动化设备,在建筑中多指除土工、木工、钢筋、泥水之外的机械、管道设备的统称。它不同于五金,多指能实现一定功能的成品。随着技术的不断改进,传统的机械设备进入了机、电结合的新阶段,并不断扩大其应用范围。20世纪60年代开始,计算机逐渐在机械工业的科研、设计、生产及管理中普及,为机械制造业向更复杂、更精密方向发展创造了条件。机电设备也开始向数字化、自动化、智能化和柔性化发展,并进入现代设备的新阶段。然而,现有机电设备故障定位及报警保护装置不能有效控制机电设备散热;同时,不能准确预测机电设备寿命。
通过上述分析,现有技术存在的问题及缺陷为:
(1)现有机电设备故障定位及报警保护装置不能有效控制机电设备散热。
(2)不能准确预测机电设备寿命。
发明内容
针对现有技术存在的问题,本发明提供了一种机电设备故障定位及报警保护装置。
本发明是这样实现的,一种机电设备故障定位及报警保护装置包括:
温度检测模块、中央控制模块、故障诊断模块、故障定位模块、散热控制模块、警报模块、寿命预测模块、显示模块;
温度检测模块,与中央控制模块连接,用于通过温度传感器检测机电设备温度数据,采用电阻温度传感器,基于金属导体的电阻值随温度的增加而增加,随温度的上升而改变电阻值,采用正电阻系数,采用铜材料制成,通过测得的电阻值直接得到当前机电设备温度;
中央控制模块,与温度检测模块、故障诊断模块、故障定位模块、散热控制模块、警报模块、寿命预测模块、显示模块连接,用于控制各个模块正常工作,用于控制各个模块正常工作,主控制器对外部信号进行采集,通过分析处理后输出给输出通道,当外部需要模拟量输出时,系统经过D/A转换器转换成标准电信号进行输出;
故障诊断模块,与中央控制模块连接,用于对机电设备故障进行诊断,包括监测CPU,报警器,以及阻断器,监测CPU实时监测机电设备的状态,机电设备状态一旦发生变化,会刺激监测CPU产生电信号,若电信号经由CPU分析为异常变化,则立刻调用阻断器对装置以及系统电源进行阻断,防止造成损失,同时调用报警器发出报警提醒;
故障定位模块,与中央控制模块连接,用于对机电设备故障进行定位,当接收到故障诊断模块发送来的故障诊断结果,故障定位模块立刻使用定位程序对机电设备进行故障定位,定位程序连通局部机电设备,检测其连通状态,直至找出故障位置;
散热控制模块,与中央控制模块连接,用于对机电设备散热进行控制,首先将机电设备输出量的温度信号采用负反馈形式反馈到输入端并与误差信号比较,构成温度反馈信号,温度反馈信号传输至中央控制模块,中央控制模块中的服务器对反馈信号进行分析,当信号在设定的温度范围内,中央控制模块不下发指令,一旦超过设定的温度范围,控制器立刻下达减温指令,散热控制模块接收到指令,转换为电信号传至散热器的电芯片处,达到对机电设备的温度控制;
警报模块,与中央控制模块连接,用于通过警报器根据检测的异常温度及故障信号进行警报通知,包括温度监测服务器,报警器,以及阻断器,温度监测服务器实时监测机电设备的温度,机电设备温度一旦发生变化,会刺激温度监测服务器产生电信号,若电信号经由温度监测服务器分析为异常变化,则立刻调用阻断器对装置以及系统电源进行阻断,防止造成损失,同时调用报警器发出报警提醒;
寿命预测模块,与中央控制模块连接,用于对机电设备寿命进行预测,首先使用深度学习算法构构建寿命预测程序,使用现有公开的机电设备寿命数据集对其进行训练并测试,根据测试结果对预测程序进行调整,保证99%以上的精确率,程序获取机电设备信息并输入,得到机电设备寿命预测结果;
显示模块,与中央控制模块连接,用于通过显示器显示温度、故障诊断信息、故障定位信息、寿命预测结果,中央控制模块将信息以数字信号的形式传送至显示模块,显示模块将数字信号通过DVI接口传入显示屏,以供显示。
进一步,所述散热控制模块控制方法如下:
(1)配置机电设备、散热电机工作参数;根据机电设备的启动命令,同步启动散热电机低频率转速运行;通过电机监测设备监测散热电机运行状态;
(2)基于三相电流幅值计算出机电设备在一个调节周期内的等效发热量;
(3)通过等效发热量,计算出散热电机的频率给定;散热电机根据频率给定调节运行转速。
进一步,所述散热电机低频率转速运行的设置为30%额定转速。
进一步,所述基三相电流幅值计算出机电设备在一个调节周期内的等效发热量,具体步骤包括:
实时采集机电设备的三相电流;
根据三相电流计算三相电流幅值;
计算机电设备在一个调节周期内的等效发热量;所述计算等效发热量公式为:
式中,Ii为i时刻三相电流幅值,ΔT为采样周期,Qav为n个采样周期时间内机电设备的等效发热量。
进一步,所述通过等效发热量获得等效发热电流具体步骤包括:计算一个调节周期内产生等效发热量所需的等效发热电流;所述计算等效发热电流的公式为:
式中,Iav为等效发热电流,Qav为等效发热量,Δt为一个调节周期;
所述调节周期为相连两次计算被散热设备发热量的时间,可根据具体机电设备设定;
根据等效发热电流计算出散热电机的频率给定值;
所述计算频率给定值的公式为:
式中,Iav为等效发热电流,IN为散热电机额定电流,Qav为等效发热量,fN为散热电机额定频率。
进一步,所述根据等效发热电流计算出散热电机的频率给定值后,还包括对散热电机的频率给定值进行修正,具体修正方法包括:
采集机电设备的温度;
根据机电设备的温度,计算散热电机频率给定的修正系数K;
根据修正系数对散热电机运行频率给定值进行修正。
进一步,所述计算散热电机频率给定的修正系数K为:
当温度低于第一限定值,修正系数K=0.5;
当温度介于第一限定值与第二限定值之间,修正系数K=1;
当温度介于第二限定值与第三限定值之间,修正系数K=1.2;
当高于第三限定值,修正系数K=1.2的同时发出超温警报,并将故障信息传递给上级系统;
所述第一限定值为机电设备的工作温度低值;所述第二限定值为机电设备正常工作状态下允许长时间运行的最大温度;所述第三限定值为机电设备最大允许温度值。
进一步,所述机电设备散热控制方法还包括对散热电机进行风压监测,具体步骤包括:
检测散热电机的风压;
若风压低于报警值,切换散热电机供电电源,由备用电源供电;
由备用电源供电后,若风压仍低于报警值,则发出故障报警并将故障信息传递给上级系统。
进一步,所述寿命预测模块预测方法如下:
1)构建机电设备数据库,机电设备寿命特征数据集的获取;将获取的机电设备数据集存入机电设备数据库:
采集机电设备的内部状态参数数据和外部环境参数数据建立原始数据集,对原始数据集进行清洗和去噪,按固定时长步长对清洗后的数据进行分组,更新数据集,获得机电设备寿命特征数据集;
2)机电设备故障率的确定:
建立符合机电设备失效规律的威布尔分布故障模型,通过威布尔分布故障模型确定机电设备故障率;
3)机电设备的内部状态参数的补偿:
采用外部环境参数建立环境因素误差辨识模型,对机电设备的内部状态参数进行补偿,获得补偿后的内部状态参数;
4)机电设备寿命特征向量的构建:
以补偿后的内部状态参数和机电设备故障率作为分析对象,采用核主成分分析的无监督特征提取方法对分析对象进行筛选,获得能够表征机电设备寿命的特征向量;
5)基于循环神经网络的机电设备寿命预测模型的建立:
所述的循环神经网络为长短期记忆网络,将特征向量作为长短期记忆网络的输入量,将机电设备剩余寿命作为长短期记忆网络的输出量,对长短期记忆网络进行训练,获得机电设备寿命预测模型;
6)采用机电设备寿命预测模型对机电设备的寿命进行预测,机电设备寿命预测模型的输入量为按照步骤1)至步骤4)的方法获得的特征向量,机电设备寿命预测模型的输出量为机电设备剩余寿命。
进一步,所述机电设备的内部状态参数为电压、电流、功率、振动、维修次数、构成复杂度和运行时长;
所述的外部环境参数为温度、湿度、风力、风速、极端气候次数、CO浓度、氮氧化物浓度和PM值。
结合上述的技术方案和解决的技术问题,请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为:
第一、针对上述现有技术存在的技术问题以及解决该问题的难度,紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等,详细、深刻地分析本发明技术方案如何解决的技术问题,解决问题之后带来的一些具备创造性的技术效果。具体描述如下:
本发明通过散热控制模块根据机电设备的运行信息,计算散热损耗,通过散热损耗调节散热电机的运行频率,实现了高效散热控制的目的;同时,通过寿命预测模块采用外部环境参数对机电设备的内部状态参数进行修正补偿,提高了寿命预测准确性。
第二,把技术方案看做一个整体或者从产品的角度,本发明所要保护的技术方案具备的技术效果和优点,具体描述如下:
本发明通过散热控制模块根据机电设备的运行信息,计算散热损耗,通过散热损耗调节散热电机的运行频率,实现了高效散热控制的目的;同时,通过寿命预测模块采用外部环境参数对机电设备的内部状态参数进行修正补偿,提高了寿命预测准确性。
附图说明
图1是本发明实施例提供的机电设备故障定位及报警保护装置结构框图。
图2是本发明实施例提供的散热控制模块控制方法流程图。
图3是本发明实施例提供的寿命预测模块预测方法流程图。
图1中:1、温度检测模块;2、中央控制模块;3、故障诊断模块;4、故障定位模块;5、散热控制模块;6、警报模块;7、寿命预测模块;8、显示模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现,该部分是对权利要求技术方案进行展开说明的解释说明实施例。
如图1所示,本发明实施例提供的机电设备故障定位及报警保护装置包括:
温度检测模块1、中央控制模块2、故障诊断模块3、故障定位模块4、散热控制模块5、警报模块6、寿命预测模块7、显示模块8。
温度检测模块1,与中央控制模块2连接,用于通过温度传感器检测机电设备温度数据,采用电阻温度传感器,基于金属导体的电阻值随温度的增加而增加,随温度的上升而改变电阻值,采用正电阻系数,采用铜材料制成,通过测得的电阻值直接得到当前机电设备温度;
中央控制模块2,与温度检测模块1、故障诊断模块3、故障定位模块4、散热控制模块5、警报模块6、寿命预测模块7、显示模块8连接,用于控制各个模块正常工作,用于控制各个模块正常工作,主控制器对外部信号进行采集,通过分析处理后输出给输出通道,当外部需要模拟量输出时,系统经过D/A转换器转换成标准电信号进行输出;
故障诊断模块3,与中央控制模块2连接,用于对机电设备故障进行诊断,包括监测CPU,报警器,以及阻断器,监测CPU实时监测机电设备的状态,机电设备状态一旦发生变化,会刺激监测CPU产生电信号,若电信号经由CPU分析为异常变化,则立刻调用阻断器对装置以及系统电源进行阻断,防止造成损失,同时调用报警器发出报警提醒;
故障定位模块4,与中央控制模块2连接,用于对机电设备故障进行定位,当接收到故障诊断模块发送来的故障诊断结果,故障定位模块立刻使用定位程序对机电设备进行故障定位,定位程序连通局部机电设备,检测其连通状态,直至找出故障位置;
散热控制模块5,与中央控制模块2连接,用于对机电设备散热进行控制,首先将机电设备输出量的温度信号采用负反馈形式反馈到输入端并与误差信号比较,构成温度反馈信号,温度反馈信号传输至中央控制模块,中央控制模块中的服务器对反馈信号进行分析,当信号在设定的温度范围内,中央控制模块不下发指令,一旦超过设定的温度范围,控制器立刻下达减温指令,散热控制模块接收到指令,转换为电信号传至散热器的电芯片处,达到对机电设备的温度控制;
警报模块6,与中央控制模块2连接,用于通过警报器根据检测的异常温度及故障信号进行警报通知,包括温度监测服务器,报警器,以及阻断器,温度监测服务器实时监测机电设备的温度,机电设备温度一旦发生变化,会刺激温度监测服务器产生电信号,若电信号经由温度监测服务器分析为异常变化,则立刻调用阻断器对装置以及系统电源进行阻断,防止造成损失,同时调用报警器发出报警提醒;
寿命预测模块7,与中央控制模块2连接,用于对机电设备寿命进行预测,首先使用深度学习算法构构建寿命预测程序,使用现有公开的机电设备寿命数据集对其进行训练并测试,根据测试结果对预测程序进行调整,保证99%以上的精确率,程序获取机电设备信息并输入,得到机电设备寿命预测结果;
显示模块8,与中央控制模块2连接,用于通过显示器显示温度、故障诊断信息、故障定位信息、寿命预测结果,中央控制模块将信息以数字信号的形式传送至显示模块,显示模块将数字信号通过DVI接口传入显示屏,以供显示。
如图2所示,本发明提供的散热控制模块5控制方法如下:
S101,配置机电设备、散热电机工作参数;根据机电设备的启动命令,同步启动散热电机低频率转速运行;通过电机监测设备监测散热电机运行状态;
S102,基于三相电流幅值计算出机电设备在一个调节周期内的等效发热量;
S103,通过等效发热量,计算出散热电机的频率给定;散热电机根据频率给定调节运行转速。
本发明提供的散热电机低频率转速运行的设置为30%额定转速。
本发明提供的基三相电流幅值计算出机电设备在一个调节周期内的等效发热量,具体步骤包括:
实时采集机电设备的三相电流;
根据三相电流计算三相电流幅值;
计算机电设备在一个调节周期内的等效发热量;所述计算等效发热量公式为:
式中,Ii为i时刻三相电流幅值,ΔT为采样周期,Qav为n个采样周期时间内机电设备的等效发热量。
本发明提供的通过等效发热量获得等效发热电流具体步骤包括:计算一个调节周期内产生等效发热量所需的等效发热电流;所述计算等效发热电流的公式为:
式中,Iav为等效发热电流,Qav为等效发热量,Δt为一个调节周期;
所述调节周期为相连两次计算被散热设备发热量的时间,可根据具体机电设备设定;
根据等效发热电流计算出散热电机的频率给定值;
所述计算频率给定值的公式为:
式中,Iav为等效发热电流,IN为散热电机额定电流,Qav为等效发热量,fN为散热电机额定频率。
本发明提供的根据等效发热电流计算出散热电机的频率给定值后,还包括对散热电机的频率给定值进行修正,具体修正方法包括:
采集机电设备的温度;
根据机电设备的温度,计算散热电机频率给定的修正系数K;
根据修正系数对散热电机运行频率给定值进行修正。
本发明提供的计算散热电机频率给定的修正系数K为:
当温度低于第一限定值,修正系数K=0.5;
当温度介于第一限定值与第二限定值之间,修正系数K=1;
当温度介于第二限定值与第三限定值之间,修正系数K=1.2;
当高于第三限定值,修正系数K=1.2的同时发出超温警报,并将故障信息传递给上级系统;
所述第一限定值为机电设备的工作温度低值;所述第二限定值为机电设备正常工作状态下允许长时间运行的最大温度;所述第三限定值为机电设备最大允许温度值。
本发明提供的机电设备散热控制方法还包括对散热电机进行风压监测,具体步骤包括:
检测散热电机的风压;
若风压低于报警值,切换散热电机供电电源,由备用电源供电;
由备用电源供电后,若风压仍低于报警值,则发出故障报警并将故障信息传递给上级系统。
如图3所示,本发明提供的寿命预测模块7预测方法如下:
S201,构建机电设备数据库,机电设备寿命特征数据集的获取;将获取的机电设备数据集存入机电设备数据库:
采集机电设备的内部状态参数数据和外部环境参数数据建立原始数据集,对原始数据集进行清洗和去噪,按固定时长步长对清洗后的数据进行分组,更新数据集,获得机电设备寿命特征数据集;
S202,机电设备故障率的确定:
建立符合机电设备失效规律的威布尔分布故障模型,通过威布尔分布故障模型确定机电设备故障率;
S203,机电设备的内部状态参数的补偿:
采用外部环境参数建立环境因素误差辨识模型,对机电设备的内部状态参数进行补偿,获得补偿后的内部状态参数;
S204,机电设备寿命特征向量的构建:
以补偿后的内部状态参数和机电设备故障率作为分析对象,采用核主成分分析的无监督特征提取方法对分析对象进行筛选,获得能够表征机电设备寿命的特征向量;
S205,基于循环神经网络的机电设备寿命预测模型的建立:
所述的循环神经网络为长短期记忆网络,将特征向量作为长短期记忆网络的输入量,将机电设备剩余寿命作为长短期记忆网络的输出量,对长短期记忆网络进行训练,获得机电设备寿命预测模型;
S206,采用机电设备寿命预测模型对机电设备的寿命进行预测,机电设备寿命预测模型的输入量为按照步骤S201至步骤S204的方法获得的特征向量,机电设备寿命预测模型的输出量为机电设备剩余寿命。
本发明提供的机电设备的内部状态参数为电压、电流、功率、振动、维修次数、构成复杂度和运行时长;
所述的外部环境参数为温度、湿度、风力、风速、极端气候次数、CO浓度、氮氧化物浓度和PM值。
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值,该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
本发明工作时,首先,通过温度检测模块1利用温度传感器检测机电设备温度数据;其次,中央控制模块2通过故障诊断模块3对机电设备故障进行诊断;通过故障定位模块4对机电设备故障进行定位;通过散热控制模块5对机电设备散热进行控制;通过警报模块6利用警报器根据检测的异常温度及故障信号进行警报通知;然后,通过寿命预测模块7对机电设备寿命进行预测;最后,通过显示模块8利用显示器显示温度、故障诊断信息、故障定位信息、寿命预测结果。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果,和现有技术相比的确具备很大的优势,下面内容结合试验过程的数据、图表等进行描述。
本发明通过散热控制模块根据机电设备的运行信息,计算散热损耗,通过散热损耗调节散热电机的运行频率,实现了高效散热控制的目的;同时,通过寿命预测模块采用外部环境参数对机电设备的内部状态参数进行修正补偿,提高了寿命预测准确性。
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,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种机电设备故障定位及报警保护装置,其特征在于,所述机电设备故障定位及报警保护装置包括:
温度检测模块、中央控制模块、故障诊断模块、故障定位模块、散热控制模块、警报模块、寿命预测模块、显示模块;
温度检测模块,与中央控制模块连接,用于通过温度传感器检测机电设备温度数据,采用电阻温度传感器,基于金属导体的电阻值随温度的增加而增加,随温度的上升而改变电阻值,采用正电阻系数,采用铜材料制成,通过测得的电阻值直接得到当前机电设备温度;
中央控制模块,与温度检测模块、故障诊断模块、故障定位模块、散热控制模块、警报模块、寿命预测模块、显示模块连接,用于控制各个模块正常工作,用于控制各个模块正常工作,主控制器对外部信号进行采集,通过分析处理后输出给输出通道,当外部需要模拟量输出时,系统经过D/A转换器转换成标准电信号进行输出;
故障诊断模块,与中央控制模块连接,用于对机电设备故障进行诊断,包括监测CPU,报警器,以及阻断器,监测CPU实时监测机电设备的状态,机电设备状态一旦发生变化,会刺激监测CPU产生电信号,若电信号经由CPU分析为异常变化,则立刻调用阻断器对装置以及系统电源进行阻断,防止造成损失,同时调用报警器发出报警提醒;
故障定位模块,与中央控制模块连接,用于对机电设备故障进行定位,当接收到故障诊断模块发送来的故障诊断结果,故障定位模块立刻使用定位程序对机电设备进行故障定位,定位程序连通局部机电设备,检测其连通状态,直至找出故障位置;
散热控制模块,与中央控制模块连接,用于对机电设备散热进行控制,首先将机电设备输出量的温度信号采用负反馈形式反馈到输入端并与误差信号比较,构成温度反馈信号,温度反馈信号传输至中央控制模块,中央控制模块中的服务器对反馈信号进行分析,当信号在设定的温度范围内,中央控制模块不下发指令,一旦超过设定的温度范围,控制器立刻下达减温指令,散热控制模块接收到指令,转换为电信号传至散热器的电芯片处,达到对机电设备的温度控制;
警报模块,与中央控制模块连接,用于通过警报器根据检测的异常温度及故障信号进行警报通知,包括温度监测服务器,报警器,以及阻断器,温度监测服务器实时监测机电设备的温度,机电设备温度一旦发生变化,会刺激温度监测服务器产生电信号,若电信号经由温度监测服务器分析为异常变化,则立刻调用阻断器对装置以及系统电源进行阻断,防止造成损失,同时调用报警器发出报警提醒;
寿命预测模块,与中央控制模块连接,用于对机电设备寿命进行预测,首先使用深度学习算法构构建寿命预测程序,使用现有公开的机电设备寿命数据集对其进行训练并测试,根据测试结果对预测程序进行调整,保证99%以上的精确率,程序获取机电设备信息并输入,得到机电设备寿命预测结果;
显示模块,与中央控制模块连接,用于通过显示器显示温度、故障诊断信息、故障定位信息、寿命预测结果,中央控制模块将信息以数字信号的形式传送至显示模块,显示模块将数字信号通过DVI接口传入显示屏,以供显示。
2.如权利要求1所述机电设备故障定位及报警保护装置,其特征在于,所述散热控制模块控制方法如下:
(1)配置机电设备、散热电机工作参数;根据机电设备的启动命令,同步启动散热电机低频率转速运行;通过电机监测设备监测散热电机运行状态;
(2)基于三相电流幅值计算出机电设备在一个调节周期内的等效发热量;
(3)通过等效发热量,计算出散热电机的频率给定;散热电机根据频率给定调节运行转速。
3.如权利要求2所述机电设备故障定位及报警保护装置,其特征在于,所述散热电机低频率转速运行的设置为30%额定转速。
6.如权利要求2所述机电设备故障定位及报警保护装置,其特征在于,所述根据等效发热电流计算出散热电机的频率给定值后,还包括对散热电机的频率给定值进行修正,具体修正方法包括:
采集机电设备的温度;
根据机电设备的温度,计算散热电机频率给定的修正系数K;
根据修正系数对散热电机运行频率给定值进行修正。
7.如权利要求6所述机电设备故障定位及报警保护装置,其特征在于,所述计算散热电机频率给定的修正系数K为:
当温度低于第一限定值,修正系数K=0.5;
当温度介于第一限定值与第二限定值之间,修正系数K=1;
当温度介于第二限定值与第三限定值之间,修正系数K=1.2;
当高于第三限定值,修正系数K=1.2的同时发出超温警报,并将故障信息传递给上级系统;
所述第一限定值为机电设备的工作温度低值;所述第二限定值为机电设备正常工作状态下允许长时间运行的最大温度;所述第三限定值为机电设备最大允许温度值。
8.如权利要求2所述机电设备故障定位及报警保护装置,其特征在于,所述机电设备散热控制方法还包括对散热电机进行风压监测,具体步骤包括:
检测散热电机的风压;
若风压低于报警值,切换散热电机供电电源,由备用电源供电;
由备用电源供电后,若风压仍低于报警值,则发出故障报警并将故障信息传递给上级系统。
9.如权利要求1所述机电设备故障定位及报警保护装置,其特征在于,所述寿命预测模块预测方法如下:
1)构建机电设备数据库,机电设备寿命特征数据集的获取;将获取的机电设备数据集存入机电设备数据库:
采集机电设备的内部状态参数数据和外部环境参数数据建立原始数据集,对原始数据集进行清洗和去噪,按固定时长步长对清洗后的数据进行分组,更新数据集,获得机电设备寿命特征数据集;
2)机电设备故障率的确定:
建立符合机电设备失效规律的威布尔分布故障模型,通过威布尔分布故障模型确定机电设备故障率;
3)机电设备的内部状态参数的补偿:
采用外部环境参数建立环境因素误差辨识模型,对机电设备的内部状态参数进行补偿,获得补偿后的内部状态参数;
4)机电设备寿命特征向量的构建:
以补偿后的内部状态参数和机电设备故障率作为分析对象,采用核主成分分析的无监督特征提取方法对分析对象进行筛选,获得能够表征机电设备寿命的特征向量;
5)基于循环神经网络的机电设备寿命预测模型的建立:
所述的循环神经网络为长短期记忆网络,将特征向量作为长短期记忆网络的输入量,将机电设备剩余寿命作为长短期记忆网络的输出量,对长短期记忆网络进行训练,获得机电设备寿命预测模型;
6)采用机电设备寿命预测模型对机电设备的寿命进行预测,机电设备寿命预测模型的输入量为按照步骤1)至步骤4)的方法获得的特征向量,机电设备寿命预测模型的输出量为机电设备剩余寿命。
10.如权利要求9所述机电设备故障定位及报警保护装置,其特征在于,所述机电设备的内部状态参数为电压、电流、功率、振动、维修次数、构成复杂度和运行时长;
所述的外部环境参数为温度、湿度、风力、风速、极端气候次数、CO浓度、氮氧化物浓度和PM值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210722053.9A CN115219842A (zh) | 2022-06-24 | 2022-06-24 | 一种机电设备故障定位及报警保护装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210722053.9A CN115219842A (zh) | 2022-06-24 | 2022-06-24 | 一种机电设备故障定位及报警保护装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115219842A true CN115219842A (zh) | 2022-10-21 |
Family
ID=83609386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210722053.9A Pending CN115219842A (zh) | 2022-06-24 | 2022-06-24 | 一种机电设备故障定位及报警保护装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115219842A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117041756A (zh) * | 2023-10-09 | 2023-11-10 | 宜宾市华迅光通信有限公司 | 一种用于fttr家庭网关bob模块温度误差补偿方法 |
-
2022
- 2022-06-24 CN CN202210722053.9A patent/CN115219842A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117041756A (zh) * | 2023-10-09 | 2023-11-10 | 宜宾市华迅光通信有限公司 | 一种用于fttr家庭网关bob模块温度误差补偿方法 |
CN117041756B (zh) * | 2023-10-09 | 2024-02-23 | 宜宾市华迅光通信有限公司 | 一种用于fttr家庭网关bob模块温度误差补偿方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9194376B2 (en) | System and method for estimating remaining life for a device | |
CN109271741B (zh) | 一种降压型dc-dc电源模块剩余使用寿命预测与健康评估方法 | |
JP4943390B2 (ja) | 電力送配システム監視方法および電力送配システム | |
JP2020137145A (ja) | 異常要因特定方法、異常要因特定装置、電力変換装置及び電力変換システム | |
KR101941854B1 (ko) | 미취득 데이터 보정을 통한 부하 예측 시스템 및 방법 | |
CN110488961A (zh) | 一种服务器电源测试方法及系统 | |
EP3820037B1 (en) | Systems and methods for controlling wind converters | |
CN115219842A (zh) | 一种机电设备故障定位及报警保护装置 | |
CN117110936B (zh) | 基于时序分析的ups运行状态预测维护系统 | |
CN116593811A (zh) | 一种集成型变频器运行状态监测系统及监测方法 | |
EP4083732A1 (en) | Abnormality detection apparatus, program, and abnormality detection method | |
US11099219B2 (en) | Estimating the remaining useful life of a power transformer based on real-time sensor data and periodic dissolved gas analyses | |
CN116345677A (zh) | 一种基于人工智能的低功耗电源监控方法及系统 | |
KR102411915B1 (ko) | 시설 및 장비 실시간 모니터링 및 이상 징후 ai 진단 서비스 제공 시스템 및 방법 | |
US20200097922A1 (en) | Asset management method for substation | |
WO2021014282A1 (en) | Overheating detection in an electric drive based on monitoring of thermal behaviour of semiconductor modules of the electric drive | |
JP2022134340A (ja) | 周辺機器、監視システム、監視方法及びプログラム | |
Zhao et al. | Improved particle filter remaining life prediction method for switch mode power supply using variance of case temperature | |
WO2022195890A1 (ja) | 時系列データ処理方法 | |
AU2022204337B2 (en) | Run-time reliability reporting for electrical hardware systems | |
US20230229220A1 (en) | Systems and Methods for Predicting Power Converter Health | |
KR102572628B1 (ko) | 생산설비 통합 관리 시스템 | |
KR102485075B1 (ko) | 배전계통 구간부하 추정을 이용한 자동화개폐기 이설 및 추가 여부 판단장치 | |
Geetha et al. | The Smart Development of the Large Scale Sensing Techniques in Intelligent Industrial Automation | |
Kwon et al. | RUL Prediction of Switched Mode Power Supply Using a Kalman Filter Assisted Deep Neural Network. Processes. 2022, 10, 55 |
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 |