CN115238915A - 一种工业装备故障预测与健康监测系统 - Google Patents

Abstract

本发明公开了智能运维领域的一种工业装备故障预测与健康监测系统，所述故障预测与健康监测系统通过在线实时监测温度、压力、风力、噪声、振动、应变、裂纹、磨损、腐蚀参数，并基于人工智能算法开展故障智能预测，然后采用机器学习算法对故障状态进行分析，自主进行修正，最后构建重大装备的安全预警模型。本发明采用了在线实时监测和物联网技术，信息传递延时很短，传感器采集的信息具有良好的精度和可靠度，在信号处理方面，采用了人工智能算法，以大量样本数据为基础，特征分类的效率和鲁棒性更高；本发明建立了传感器信号的集成分析系统，具备裂纹、磨损、腐蚀三种损伤的在线监测方法，并融合了图像识别和无损检测方法。

Description

一种工业装备故障预测与健康监测系统

技术领域

本发明属于智能运维领域，具体涉及一种工业装备故障预测与健康监测系统。

背景技术

起重机械、压力容器、管道、锅炉、储油罐、桥梁等作为与民生息息相关的重要装备，涉及高端制造、新材料、交通运输等行业，其安全稳定运行起着至关重要的作用，一直以来备受社会的关注，由于工作环境的特殊性，高频过度运行，在长期服役后没有进行实时有效的检查，使得设备本体存在较多风险，当设备钢结构出现缺陷时，如果能及时发现缺陷区并采取有效的补救措施，可以提高设备的运行周期，降低损失及危害。

实用新型专利CN 209432187 U，涉及一种用于离心式压缩机健康监测系统的信息采集节点。信息采集节点由电源模块供电，32位嵌入式处理器最小系统通过周边电路通信接口模块获取布置在离心压缩机上的温度传感器、压力传感器、形变传感器、震动传感器信号，显示屏显示离心压缩机的信号状态；

发明专利CN 107826919 B，涉及一种提升系统关键部件多状态健康监测装置及监测方法，利用健康监测装置模拟矿井提升系统钢丝绳及轴承的故障状况并采集相关信息，应用深度学习方法进行智能故障诊断，从而实现矿井提升系统中钢丝绳及轴承的多状态健康监测；

发明专利CN 113722380 A，公开了一种特种装备关重件健康管理方法及其验证与监测系统，包括以下步骤：首先通过监测系统上的不同类型的传感器，获得关重件状态监测数据；然后对来自不同类型传感器获得的状态监测数据进行健康状态的分类和估计，建立关重件状态集和状态评价集，然后建立部件劣化度模糊判断矩阵，接着进行关重件级健康状态模糊综合评估，建立关重件健康状态模糊综合评估模型，最后按最大隶属度确定关重件健康状态；根据得到的健康状态做出相应的决策；

发明专利CN 112216085 B，公开一种基于边缘计算和在线更新样本智能识别的装备关键承力结构件健康监测系统。系统包括中心云计算层、边缘云计算层和边缘端计算层。

但是上述公开的内容中存在以下缺陷：

1、传统方法不可达，受结构型式、尺寸以及作业环境的影响，传统的人力检测方法，不仅成本高，且无法获取部分特征信息；

2、监测数据可靠性差，单一传感器检测的数据无法准确识别故障信息，且易受噪声干扰，数据可靠性差；

3、数据处理可用性差，现有传感器检测数据为初始数据，需进一步的人工分析获取相应的可用故障特征。

为此我们提出一种工业装备故障预测与健康监测系统用于解决上述问题。

发明内容

针对现有技术的不足，本发明的目的在于提供一种工业装备故障预测与健康监测系统，以解决上述背景技术中提出的问题。

本发明的目的可以通过以下技术方案实现：

一种工业装备故障预测与健康监测系统，所述故障预测与健康监测系统通过在线实时监测温度、压力、风力、噪声、振动、应变、裂纹、磨损、腐蚀参数，并基于人工智能算法开展故障智能预测，然后采用机器学习算法对故障状态进行分析，自主进行修正，最后构建重大装备的安全预警模型。

优选地，所述故障预测与健康监测系统架构包括基础级、数字级、智能级，基础级融合多种传感器的参数，采用现场总线、ZigBee、光纤通信技术，在线实时监测装备的本体、操作人员、环境的具体状态并传输至数字级内，最后结合信号处理技术、特征提取、模式识别以及故障预报模型，智能级对获取的运行数据进行处理和分析。

优选地，所述故障预测与健康监测系统的硬件架构包括传感器模块、数据采集监测站、就地系统服务器、故障诊断分析软件、客户端和大数据处理/云计算模块。

优选地，所述基础级包括零部件性能、电气系统、安全保护装置、环境状况监测、标识系统、设备内部集成监测传感器、人机交互系统、能耗监控传感器。

优选地，所述数字级包括数字孪生模型、数据交互和传感器检测数据。

优选地，所述数字孪生模型包括几何变形、动态特征、力学性能、电气参数、环境参数、能耗参数。

优选地，所述智能级包括类脑算法、人工智能。

优选地，所述类脑算法包括神经网络、机器学习、脉冲神经网络、深度学习；

所述人工智能包括图像识别、视频分类、数字特征提取、数字特征分类。

优选地，所述温度参数获取采用光纤光栅温度在线监测系统，同时采用波分复用与全同光纤光栅混合复用方法解决多点分区检测，采用红外广角扫查传感器实时监测环境的温度变化；

所述压力参数通过防爆压力传感器进行实时监测，并将压力值、压力变化曲线实时上传；

所述风力参数通过风速仪实时监测；

所述噪声参数通过频率分析仪、声强分析仪实时采集；

所述振动参数通过惯性式或压电式加速度传感器测定；

所述应变参数通过无线电阻应变偏监测动态运动部件的应力，嵌入式光纤光栅电阻应变片监测主要受力结构件的应变状态；

所述裂纹参数通过声发射技术和超声波技术的传感器获取；

所述磨损参数通过图像识别技术，并基于人工智能算法对重要零部件进行检测；

所述腐蚀参数通过图像识别技术，并基于人工智能算法，对主要受力结构件进行检测，风险较大的位置，采用超声波技术对腐蚀点进行再评估。

一种工业装备故障预测与健康监测器，储存有运行所述的工业装备故障预测与健康监测系统程序。

本发明的有益效果：

1、本发明引入了人工智能算法对信号进行模式识别，拓展了应用场景，在起重机械、压力容器、管道、锅炉、储油罐、钢质桥梁等装备中推广，实现故障智能预测与主动安全预警；

2、本发明采用了在线实时监测和物联网技术，信息传递延时很短，传感器采集的信息具有良好的精度和可靠度，在信号处理方面，采用了人工智能算法，以大量样本数据为基础，特征分类的效率和鲁棒性更高；

3、本发明集成了温度、压力、风力、噪声、振动、应变、裂纹、磨损、腐蚀九种传感器，建立了传感器信号的集成分析系统，具备裂纹、磨损、腐蚀三种损伤的在线监测方法，并融合了图像识别和无损检测方法。

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，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是本发明系统架构图；

图2是本发明流程图；

图3是本发明硬件架构图。

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。

一种工业装备故障预测与健康监测系统，系统架构如图1所示：

通过融合多种传感器，采用可靠的现场总线、ZigBee、光纤通信等“互联网+”技术，在线实时监测装备的本体、操作人员、环境等具体状态，结合信号处理技术、特征提取、模式识别以及故障预报模型等，对获取的运行数据进行处理和分析，从而实现装备的故障智能预测与主动安全，系统架构如图1所示。

系统架构包括基础级、数字级、智能级；

基础级包括有零部件性能、电气系统、安全保护装置、环境状况监测、标识系统、设备内部集成监测传感器、人机交互系统、能耗监控传感器，基础级内的数据通过IoT采集终端、ZigBee组网、5GIT基础设施进行采集，然后将采集的数据上传至云服务器平台进行数据阈值化分析、反馈，然后数据进入数字级内和智能级内；

数字级包括数字孪生模型、数据交互和传感器检测数据，数字孪生模型包括几何变形、动态特征、力学性能、电气参数、环境参数、能耗参数，然后数字级内的数据进入智能级内；

智能级包括类脑算法、人工智能(AI+)进行大数据分析，类脑算法包括神经网络、机器学习、脉冲神经网络、深度学习，人工智能(AI+)包括图像识别、视频分类、数字特征提取、数字特征分类，最后通过故障预测与健康监测系统进行决策，故障预测与健康监测系统获取传感器数据、数字仿真数据，然后进行故障辨识、风险溯源，最后给出安全评价、维保方案、全寿命评估。

故障预测与健康监测系统的运行流程如图2所示，通过在线实时监测温度、压力、风力、噪声、振动、应变、裂纹、磨损、腐蚀等参数，基于人工智能算法开展故障智能预测，采用机器学习算法对故障状态进行分析，自主进行修正，构建重大装备的安全预警模型。

其中温度参数通过温度监测传感器技术进行获取，采用全同光纤光栅技术研制出光纤光栅温度在线监测系统，同时采用波分复用与全同光纤光栅混合复用方法解决多点分区检测，有效解决钢结构温度在线监测问题；采用红外广角扫查传感器实时监测环境的温度变化，提供环境温度预警功能；

压力参数通过压力传感器进行获取，开发出防爆压力传感器，实时监测压力值、压力变化曲线，并实时上传故障预测与健康监测系统；

风力参数通过风力传感器进行获取，采用风速仪实时监测环境的风力；

噪声参数通过噪声传感器进行获取，采用频率分析仪、声强分析仪实时采集环境及运动零部件的噪声；

振动参数通过振动传感器获取，根据被测对象的特点，采用惯性式或压电式加速度传感器测定结构的振动特性；

应变参数通过应变传感器获取，采用无线电阻应变偏监测动态运动部件的应力，采用嵌入式光纤光栅电阻应变片监测主要受力结构件的应变状态；

裂纹参数通过裂纹检测传感器获取，基于声发射技术和超声波技术的多传感器信息融合裂纹扩展在线监测装置；

磨损参数通过磨损检测传感器获取，采用图像识别技术，基于人工智能算法，主要针对钢丝绳、齿轮、轴承、制动器刹车片等重要零部件进行腐蚀检测；

腐蚀参数通过腐蚀检测传感器获取，采用图像识别技术，基于人工智能算法，对主要受力结构件的腐蚀状态进行检测，对风险较大的位置，采用超声波技术对腐蚀点进行再评估。

故障预测与健康监测系统的硬件架构如图3所示，硬件架构包括传感器模块(获取位移、速度、加速度、转速、温度参数)、数据采集监测站(有线数据采集站和无线数据采集站)、就地系统服务器、故障诊断分析软件、客户端和大数据处理/云计算模块。

故障预测与健康监测系统从人、机、环三个方面，综合考虑操作人员、设备本体、环境因素的影响，对结构、机构及零部件、电气系统(液压系统)、安全保护装置以及维护保养状态五个方面进行统计，基于静、动态信号融合的裂纹在线监测方法，通过特征提取、模式识别，实现裂纹协同检测技术，根据各重大装备的安全技术规范、国家标准、行业标准，制定相关的检验检测项目、内容，通过在线监测数据自动传输到对应的项目和内容，编写相应的人工智能程序进行比较识别，基于人工智能算法，以深度学习算法为基础，开发类人脑算法-脉冲神经网络，提升获取全局最优解的精度和计算效率，开发一套专用的软件分析系统，集成各重大装备及其相应参数的数据集成采集、分析软件，将人工智能算法嵌入分析程序，基于类人脑算法-脉冲神经网络进行模式识别，提供相应的故障预测及风险解决方法，同时开发手机客户端程序，用户可在手机客户端实时进行参数比对和风险监控。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和 /或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/ 或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种工业装备故障预测与健康监测系统，其特征在于，所述故障预测与健康监测系统通过在线实时监测温度、压力、风力、噪声、振动、应变、裂纹、磨损、腐蚀参数，并基于人工智能算法开展故障智能预测，然后采用机器学习算法对故障状态进行分析，自主进行修正，最后构建重大装备的安全预警模型。

2.根据权利要求1所述的一种工业装备故障预测与健康监测系统，其特征在于，所述故障预测与健康监测系统架构包括基础级、数字级、智能级，基础级融合多种传感器的参数，采用现场总线、ZigBee、光纤通信技术，在线实时监测装备的本体、操作人员、环境的具体状态并传输至数字级内，最后结合信号处理技术、特征提取、模式识别以及故障预报模型，智能级对获取的运行数据进行处理和分析。

3.根据权利要求1所述的一种工业装备故障预测与健康监测系统，其特征在于，所述故障预测与健康监测系统的硬件架构包括传感器模块、数据采集监测站、就地系统服务器、故障诊断分析软件、客户端和大数据处理/云计算模块。

4.根据权利要求2所述的一种工业装备故障预测与健康监测系统，其特征在于，所述基础级包括零部件性能、电气系统、安全保护装置、环境状况监测、标识系统、设备内部集成监测传感器、人机交互系统、能耗监控传感器。

5.根据权利要求2所述的一种工业装备故障预测与健康监测系统，其特征在于，所述数字级包括数字孪生模型、数据交互和传感器检测数据。

6.根据权利要求5所述的一种工业装备故障预测与健康监测系统，其特征在于，所述数字孪生模型包括几何变形、动态特征、力学性能、电气参数、环境参数、能耗参数。

7.根据权利要求2所述的一种工业装备故障预测与健康监测系统，其特征在于，所述智能级包括类脑算法、人工智能。

8.根据权利要求7所述的一种工业装备故障预测与健康监测系统，其特征在于，所述类脑算法包括神经网络、机器学习、脉冲神经网络、深度学习；

所述人工智能包括图像识别、视频分类、数字特征提取、数字特征分类。

9.根据权利要求1所述的一种工业装备故障预测与健康监测系统，其特征在于，所述温度参数获取采用光纤光栅温度在线监测系统，同时采用波分复用与全同光纤光栅混合复用方法解决多点分区检测，采用红外广角扫查传感器实时监测环境的温度变化；

所述压力参数通过防爆压力传感器进行实时监测，并将压力值、压力变化曲线实时上传；

所述风力参数通过风速仪实时监测；

所述噪声参数通过频率分析仪、声强分析仪实时采集；

所述振动参数通过惯性式或压电式加速度传感器测定；

所述应变参数通过无线电阻应变偏监测动态运动部件的应力，嵌入式光纤光栅电阻应变片监测主要受力结构件的应变状态；

所述裂纹参数通过声发射技术和超声波技术的传感器获取；

所述磨损参数通过图像识别技术，并基于人工智能算法对重要零部件进行检测；

所述腐蚀参数通过图像识别技术，并基于人工智能算法，对主要受力结构件进行检测，风险较大的位置，采用超声波技术对腐蚀点进行再评估。

10.一种工业装备故障预测与健康监测器，储存有运行权利要求1-9任意一项所述的工业装备故障预测与健康监测系统程序。

Images