CN115358533A - 一种基于大数据的预测性维护管理系统 - Google Patents
一种基于大数据的预测性维护管理系统 Download PDFInfo
- Publication number
- CN115358533A CN115358533A CN202210893387.2A CN202210893387A CN115358533A CN 115358533 A CN115358533 A CN 115358533A CN 202210893387 A CN202210893387 A CN 202210893387A CN 115358533 A CN115358533 A CN 115358533A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- fault
- machine tool
- gear
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 87
- 238000003745 diagnosis Methods 0.000 claims abstract description 94
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 230000007246 mechanism Effects 0.000 claims abstract description 14
- 238000007726 management method Methods 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 23
- 230000005236 sound signal Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 208000024891 symptom Diseases 0.000 claims description 10
- 238000012847 principal component analysis method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 239000006247 magnetic powder Substances 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- 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"
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于大数据的预测性维护管理系统,包括齿轮故障诊断模块、轴承故障诊断模块和机床预测性维护模块,所述齿轮故障诊断模块与轴承故障诊断模块电连接,所述轴承故障诊断模块与机床预测性维护模块电连接,所述齿轮故障诊断模块用于利用齿轮振动机理和齿轮数据进行齿轮故障识别,所述轴承故障诊断模块用于利用轴承常见故障机理数据和信号特征进行轴承故障诊断,所述机床预测性维护模块用于进行机床的预测性维护管理,依据状态监控技术对设备在线运行状态进行实时的监控,提取特征指标,进行特征分析后结合识别以及预测技术,识别故障和得出预测结果,本发明,具有提高预测准确性和实时性的特点。
Description
技术领域
本发明涉及大数据的预测性维护管理技术领域,具体为一种基于大数据的预测性维护管理系统。
背景技术
在大数据、智能制造的工业生产背景下,维护、装备都是智能制造核心的要素,如何利用生产数据去解决故障、预测故障非常重要,齿轮和轴承都是最典型的旋转设备传动部件,长期在高负载、高转速状态下工作机器容易出现故障,由轴承与齿轮故障所引发的旋转机械故障不是少数,并且它们一旦发生故障会引发许多连锁反应,在研究齿轮和轴承故障的基础上,如何去做预测性维护也是一个延伸点,现有的依据管理经验以及机械设备发生过故障的历史规律,通过定时对相关设备进行维护管理的定期维护行为,保证了设备故障的提前预测,但在一定程度上定期维护会造成过剩维护,即导致维护所需的经济和人力过剩造成资源浪费。因此,设计提高预测准确性和实时性的一种基于大数据的预测性维护管理系统是很有必要的。
发明内容
本发明的目的在于提供一种基于大数据的预测性维护管理系统,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于大数据的预测性维护管理系统,包括齿轮故障诊断模块、轴承故障诊断模块和机床预测性维护模块,所述齿轮故障诊断模块与轴承故障诊断模块电连接,所述轴承故障诊断模块与机床预测性维护模块电连接;
所述齿轮故障诊断模块用于利用齿轮振动机理和齿轮数据进行齿轮故障识别,所述轴承故障诊断模块用于利用轴承常见故障机理数据和信号特征进行轴承故障诊断,所述机床预测性维护模块用于通过机床数据知识本体的机床诊断推理模型进行机床的预测性维护管理。
根据上述技术方案,所述齿轮故障诊断模块包括故障诊断机理模块、齿轮故障数据模块和故障诊断与结果分析模块,所述故障诊断机理模块与齿轮故障数据模块电连接,所述齿轮故障数据模块与故障诊断与结果分析模块;
所述故障诊断机理模块用于针对齿轮在不同操作环境和运行条件下的发生机理进行统计,所述齿轮故障数据模块用于利用数据采集仪器和数据记录软件进行故障数据采集,所述故障诊断与结果分析模块用于利用采集数据进行故障识别和分析。
根据上述技术方案,所述齿轮故障诊断模块运行方法包括以下步骤:
步骤A1:搭建齿轮数据采集平台,将传声器阵列架搭建在平台上方,将传声器安装在阵列架上用于采集齿轮不同运行状态的声音信号,安装压电式加速度传感器在齿轮箱的侧面用于振动信号的采集获取;
步骤A2:利用电机驱动提供动力带动整个齿轮传动运转,通过磁粉制器进行载荷控制,将采集到的信号经过数据采集卡并接入终端进行保存;
步骤A3:以采集的齿轮折断声音信号为数据主体,使用主成分分析方法进行数据特征提取,以此识别齿轮故障。
根据上述技术方案,所述步骤A3进一步包括以下步骤:
步骤A31:在采集声音信号后,利用MATLAB软件处理得到原始信号波形、幅值和频率响应图;
步骤A32:利用主成分分析法将原始变量进行矩阵变化,计算第一、二等成分是否满足大于百分之八十五,并确定维度即使用满足条件的主成分作为样本特征;
步骤A33:将主成分提取的特征样本分成训练集和测试集,放入软件模型中进行训练迭代,对齿轮故障振动这种别样声音进行识别判断,同步通过控制迭代次数来提高故障识别的准确率。
根据上述技术方案,所述轴承故障诊断模块包括轴承故障数据模块、特征提取分析模块和故障诊断模块,所述轴承故障数据模块与特征提取分析模块电连接,所述特征提取分析模块与故障诊断模块电连接;
所述轴承故障数据模块通过调取轴承数据中心公开的数据集作为使用的诊断数据,所述特征提取分析模块用于利用多次叠代的小波转换分析输入讯号的细节部分,所述故障诊断模块用于将分解提取的特征数据送入分析模型中进行轴承故障的诊断。
根据上述技术方案,所述轴承故障诊断模块运行方法包括以下步骤:
步骤B1:在滚动轴承的内圈以及外圈位置,人为的制造出相应故障,通过加速度传感器采集振动信号获得滚动轴承的状态信息;
步骤B2:选择运行状态不同的轴承振动信号,利用小波包分解方法进行轴承振动信号的特征提取;
步骤B3:将提取的特征输入支持向量机模型进行故障诊断。
根据上述技术方案,所述机床预测性维护模块包括机床数据层收集模块、机床知识获取模块、诊断知识推理模块和预测性维护决策模块,所述机床数据层收集模块与机床知识获取模块电连接,所述诊断知识推理模块与预测性维护决策模块电连接;
所述机床数据层收集模块用于收集机床全生命周期的数据,所述机床知识获取模块用于从现有系统数据库中获取以往机床产生故障的经验储备知识,所述诊断知识推理模块用于将获取数据库和经验储备中的知识进行推理重用,构建故障知识本体的推理模型,所述预测性维护决策模块用于依靠机床知识本体数据诊断推理模型进行设备故障的预测维护决策,所述预测性维护决策模块包括决策维护模型子模块,所述决策维护模型子模块用于通过机床知识本体的获取决策后建立的预测性维护模型。
根据上述技术方案,所述机床预测性维护模块运行方法包括以下步骤:
步骤C1:使用智能辅助系统建立系统数据采集层,系统数据采集层包括面此齿轮数据和轴承数据的子系统数据层,通过采集传感器对相关零件或机床全生命周期数据进行采集存储;
步骤C2:子系统层建立故障预测模型并优化更新前期的模型,使用数理统计或者特征提取的方法将数据集进行预处理,通过完善的算法进行故障的预测;
步骤C3:系统层进行整体的机床故障预测,通过对现有状态进行分析,利用知识推理制定相应的维护策略。
根据上述技术方案,所述步骤C2中,子系统数据层建立的故障预测模型针对的是单个子系统或者零部件的故障预测,通过将数据集进行预处理,使用数理统计或者特征提取的方法之后,通过完善的算法进行故障的预测,利用实时采集存储的数据进行反馈后期的运行数据,由此更新优化前期故障预测的模型,使后期运行数据与前期模型实现关联,达到了动态故障预测的建模效果,当运行环境不断变化时,为了能够实现子系统精准的故障预测,根据反馈的运行数据,进行故障预测模型的实时调整。
根据上述技术方案,所述步骤C3进一步包括以下步骤:
步骤C31:提取机床设备全生命周期中囊括的设备知识概念及术语,进行一般化数据处理,检索获取已经存在于企业系统的结果型知识资源,进行重用处理;
步骤C32:设定各个子系统的阈值,使用主成分分析计算特征样本后进行分类和多元信息融合诊断,得出子系统的故障率;
步骤C33:构建通过设备状态、征兆故障与映射和对征兆计算的设备故障状态预测维护模型,利用采集的设备信号特征与故障数据,利用计算机进行演绎归纳和推理实现机床设备的故障预测。
与现有技术相比,本发明所达到的有益效果是:本发明,通过设置有齿轮故障诊断模块、轴承故障诊断模块和机床预测性维护模块,依据状态监控技术对设备在线运行状态进行实时的监控,提取出能够代表机械装备健康状态的特征指标,使用特征信号分析技术,进行特征分析后结合识别以及预测技术,得出故障识别和预测结果,这样企业管理者或者设备维护人员就能够通过结果提前制定出设备维护的有效管理方案,可预测性维护这种管理方式将被动性设备维护管理转变成主动的设备维护管理,并且能够极大提高准确及时的识别设备故障类型和剩余寿命的预测,从而可以降低停机的风险,降低了维护频率,极大节约企业管理运营的成本,提高了企业的经济效益和生产效率。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明的系统模块组成示意图。
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。
请参阅图1,本发明提供技术方案:一种基于大数据的预测性维护管理系统,包括齿轮故障诊断模块、轴承故障诊断模块和机床预测性维护模块,齿轮故障诊断模块与轴承故障诊断模块电连接,轴承故障诊断模块与机床预测性维护模块电连接;
齿轮故障诊断模块用于利用齿轮振动机理和齿轮数据进行齿轮故障识别,轴承故障诊断模块用于利用轴承常见故障机理数据和信号特征进行轴承故障诊断,机床预测性维护模块用于通过机床数据知识本体的机床诊断推理模型进行机床的预测性维护管理。
齿轮故障诊断模块包括故障诊断机理模块、齿轮故障数据模块和故障诊断与结果分析模块,故障诊断机理模块与齿轮故障数据模块电连接,齿轮故障数据模块与故障诊断与结果分析模块;
故障诊断机理模块用于针对齿轮在不同操作环境和运行条件下的发生机理进行统计,齿轮故障数据模块用于利用数据采集仪器和数据记录软件进行故障数据采集,故障诊断与结果分析模块用于利用采集数据进行故障识别和分析。
齿轮故障诊断模块运行方法包括以下步骤:
步骤A1:搭建齿轮数据采集平台,将传声器阵列架搭建在平台上方,将传声器安装在阵列架上用于采集齿轮不同运行状态的声音信号,安装压电式加速度传感器在齿轮箱的侧面用于振动信号的采集获取,在齿轮产生故障的状态下,当齿轮发生故障以及齿轮的故障发生了变化时,即使在啮合冲击增强刺激了啮合频率分量和谐波分量,但考虑到调频现象,这就使得这些分量的增大并不明显且这些因素是齿轮故障诊断的难点,直接测量齿轮啮合本身的振动就变得很困难,因此通过在变速箱箱体上安装合适的振动传感器进行测量采集;
步骤A2:利用电机驱动提供动力带动整个齿轮传动运转,通过磁粉制器进行载荷控制,将采集到的信号经过数据采集卡并接入终端进行保存;
步骤A3:以采集的齿轮折断声音信号为数据主体,使用主成分分析方法进行数据特征提取,以此识别齿轮故障,齿轮箱故障的最主要发生因素是齿轮失效,而齿轮正常状态和失效异常状态下最主要的区别是齿轮的振动特征,即产生的振动声音信号,有经验的工人可以通过辨识机器运转产生的声音进行齿轮故障部位的判断和原因的推断,因此利用计算机软件对采集的齿轮声音信号进行特征提取,结合现存的人工经验和计算机的高速计算运转,不仅可以提高识别速度还可以避免在人工识别过程中受多种主观因素的影响。
步骤A3进一步包括以下步骤:
步骤A31:在采集声音信号后,利用MATLAB软件处理得到原始信号波形、幅值和频率响应图,MATLAB软件用于商业数学软件,用于数据分析、深度学习与信号处理的领域;
步骤A32:利用主成分分析法将原始变量进行矩阵变化,计算第一、二等成分是否满足大于百分之八十五,并确定维度即使用满足条件的主成分作为样本特征,主成分分析法指的是将给定的某一组线性相关的多指标在通过一定的矩阵变换映射出可以线性不相关的综合指标,实质是在保持主要信息的前提下实现数据的降维,简化了复杂数据的结构并去除了冗余成分,提高了对外界干扰因素的抵抗力;
步骤A33:将主成分提取的特征样本分成训练集和测试集,放入软件模型中进行训练迭代,对齿轮故障振动这种别样声音进行识别判断,同步通过控制迭代次数来提高故障识别的准确率,有经验的技术人员可以通过运转时发出的声音来判断齿轮的故障,那么计算机也能够通过识别数据,对齿轮故障振动这种别样声音进行识别判断,而在模型的训练过程中,迭代次数如果过少,拟合效果并不理想,容易出现欠拟合,反之迭代次数过多,则会出现在训练集时模型表现良好,而测试集表现不佳的过拟合现象,使得模型的泛化能力差,因此通过控制迭代次数来提高故障识别的准确率。
轴承故障诊断模块包括轴承故障数据模块、特征提取分析模块和故障诊断模块,轴承故障数据模块与特征提取分析模块电连接,特征提取分析模块与故障诊断模块电连接;
轴承故障数据模块通过调取轴承数据中心公开的数据集作为使用的诊断数据,特征提取分析模块用于利用多次叠代的小波转换分析输入讯号的细节部分,故障诊断模块用于将分解提取的特征数据送入分析模型中进行轴承故障的诊断。
轴承故障诊断模块运行方法包括以下步骤:
步骤B1:在滚动轴承的内圈以及外圈位置,人为的制造出相应故障,通过加速度传感器采集振动信号获得滚动轴承的状态信息;
步骤B2:选择运行状态不同的轴承振动信号,利用小波包分解方法进行轴承振动信号的特征提取,小波包分解方法的概念是用分析树来表示小波包,即利用多次叠代的小波转换分析输入讯号的细节部分;
步骤B3:将提取的特征输入支持向量机模型进行故障诊断,在设备的运行过程中对设备的状态检测,在这些检测的特征信号和数据信息中,进行数据的处理和特征信号的提取,可以区分提取出故障检测需要的能够准确反映装备故障部位的症状的信号数据,剔除非必要的信息。
机床预测性维护模块包括机床数据层收集模块、机床知识获取模块、诊断知识推理模块和预测性维护决策模块,机床数据层收集模块与机床知识获取模块电连接,诊断知识推理模块与预测性维护决策模块电连接;
机床数据层收集模块用于收集机床全生命周期的数据,机床知识获取模块用于从现有系统数据库中获取以往机床产生故障的经验储备知识,诊断知识推理模块用于将获取数据库和经验储备中的知识进行推理重用,构建故障知识本体的推理模型,预测性维护决策模块用于依靠机床知识本体数据诊断推理模型进行设备故障的预测维护决策,预测性维护决策模块包括决策维护模型子模块,决策维护模型子模块用于通过机床知识本体的获取决策后建立的预测性维护模型,预测维护与可靠性研究是对系统的历史数据信息进行研究,从而评价系统当前的运行状态,以对机床设备故障的发展趋势或发展的时间进行提前预估,在生产效益、维护成本以及资源损耗这三者之间找到平衡点,从而使机床设备损失最小化,设备运行可靠性达到最大化。
机床预测性维护模块运行方法包括以下步骤:
步骤C1:使用智能辅助系统建立系统数据采集层,系统数据采集层包括面此齿轮数据和轴承数据的子系统数据层,通过采集传感器对相关零件或机床全生命周期数据进行采集存储,采集的数据是为后续特征提取和机床故障预测决策提供数据基础;
步骤C2:子系统层建立故障预测模型并优化更新前期的模型,使用数理统计或者特征提取的方法将数据集进行预处理,通过完善的算法进行故障的预测,使用多种算法等对已有模型进行参数寻优,可以提高故障预测的准确性和实效性,子系统数据层的作用是可以更好的分析各个独立设备的状态以及可靠度,保证系统层可以从子系统层得出系统设备整体的状态特征和可靠度,进一步使用知识库制定相适应的故障维护策略;
步骤C3:系统层进行整体的机床故障预测,通过对现有状态进行分析,利用知识推理制定相应的维护策略。
步骤C2中,子系统数据层建立的故障预测模型针对的是单个子系统或者零部件的故障预测,通过将数据集进行预处理,使用数理统计或者特征提取的方法之后,通过完善的算法进行故障的预测,利用实时采集存储的数据进行反馈后期的运行数据,由此更新优化前期故障预测的模型,使后期运行数据与前期模型实现关联,达到了动态故障预测的建模效果,当运行环境不断变化时,为了能够实现子系统精准的故障预测,根据反馈的运行数据,进行故障预测模型的实时调整,使用多种算法对已有模型进行参数寻优,可以提高对齿轮和轴承部件故障预测的准确性和实效性。
步骤C3进一步包括以下步骤:
步骤C31:提取机床设备全生命周期中囊括的设备知识概念及术语,进行一般化数据处理,检索获取已经存在于企业系统的结果型知识资源,进行重用处理,通过提取术语与本体术语之间的关系,在经过故障树、贝叶斯的算法分析后,可以实时获取机床设备全生命周期中会囊括的各种各样的设计文档、诊断维护的数据内容,既包含实时监控数据、规范的设计文件,也包含详细的检修报告、故障诊断数据及分析模型,更好的建立机床设备推理故障知识本体;
步骤C32:设定各个子系统的阈值,使用主成分分析计算特征样本后进行分类和多元信息融合诊断,得出子系统的故障率,建立一种知识的映射,通过获取的维护对象的相互关系,建立并完善数据模型从而来集成相关映射关系,用贝叶斯规则计算其后验概率进行修正,进行多次迭代实验积累,逐步建立起机床状态–征兆故障及映射–子系统征兆之间的关系式,并不断修订阈值,从而达到根据阈值预测判断和维护的目的;
步骤C33:构建通过设备状态、征兆故障与映射和对征兆计算的设备故障状态预测维护模型,利用采集的设备信号特征与故障数据,利用计算机进行演绎归纳和推理实现机床设备的故障预测,通过实时监测转动轴的振动频率从而可以获取轴端振动方向上的频谱特征,若设备出现异常时,此类振动特征量就可以表现出频谱分析中的故障征兆,但前提是在征兆-故障的匹配过程中,应该首先对征兆实例进行相关的约束检测,其次再根据故障和征兆之间相对的从属关系进行相关性匹配,在诊断案例库中如果出现相对比例征兆知识和待匹配的征兆实例大致相符,则可以认为匹配成功。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于大数据的预测性维护管理系统,其特征在于:所述一种基于大数据的预测性维护管理系统包括齿轮故障诊断模块、轴承故障诊断模块和机床预测性维护模块,所述齿轮故障诊断模块与轴承故障诊断模块电连接,所述轴承故障诊断模块与机床预测性维护模块电连接;
所述齿轮故障诊断模块用于利用齿轮振动机理和齿轮数据进行齿轮故障识别,所述轴承故障诊断模块用于利用轴承常见故障机理数据和信号特征进行轴承故障诊断,所述机床预测性维护模块用于通过机床数据知识本体的机床诊断推理模型进行机床的预测性维护管理。
2.根据权利要求1所述的一种基于大数据的预测性维护管理系统,其特征在于:所述齿轮故障诊断模块包括故障诊断机理模块、齿轮故障数据模块和故障诊断与结果分析模块,所述故障诊断机理模块与齿轮故障数据模块电连接,所述齿轮故障数据模块与故障诊断与结果分析模块;
所述故障诊断机理模块用于针对齿轮在不同操作环境和运行条件下的发生机理进行统计,所述齿轮故障数据模块用于利用数据采集仪器和数据记录软件进行故障数据采集,所述故障诊断与结果分析模块用于利用采集数据进行故障识别和分析。
3.根据权利要求2所述的一种基于大数据的预测性维护管理系统,其特征在于:所述齿轮故障诊断模块运行方法包括以下步骤:
步骤A1:搭建齿轮数据采集平台,将传声器阵列架搭建在平台上方,将传声器安装在阵列架上用于采集齿轮不同运行状态的声音信号,安装压电式加速度传感器在齿轮箱的侧面用于振动信号的采集获取;
步骤A2:利用电机驱动提供动力带动整个齿轮传动运转,通过磁粉制器进行载荷控制,将采集到的信号经过数据采集卡并接入终端进行保存;
步骤A3:以采集的齿轮折断声音信号为数据主体,使用主成分分析方法进行数据特征提取,以此识别齿轮故障。
4.根据权利要求3所述的一种基于大数据的预测性维护管理系统,其特征在于:所述步骤A3进一步包括以下步骤:
步骤A31:在采集声音信号后,利用MATLAB软件处理得到原始信号波形、幅值和频率响应图;
步骤A32:利用主成分分析法将原始变量进行矩阵变化,计算第一、二等成分是否满足大于百分之八十五,并确定维度即使用满足条件的主成分作为样本特征;
步骤A33:将主成分提取的特征样本分成训练集和测试集,放入软件模型中进行训练迭代,对齿轮故障振动这种别样声音进行识别判断,同步通过控制迭代次数来提高故障识别的准确率。
5.根据权利要求4所述的一种基于大数据的预测性维护管理系统,其特征在于:所述轴承故障诊断模块包括轴承故障数据模块、特征提取分析模块和故障诊断模块,所述轴承故障数据模块与特征提取分析模块电连接,所述特征提取分析模块与故障诊断模块电连接;
所述轴承故障数据模块通过调取轴承数据中心公开的数据集作为使用的诊断数据,所述特征提取分析模块用于利用多次叠代的小波转换分析输入讯号的细节部分,所述故障诊断模块用于将分解提取的特征数据送入分析模型中进行轴承故障的诊断。
6.根据权利要求5所述的一种基于大数据的预测性维护管理系统,其特征在于:所述轴承故障诊断模块运行方法包括以下步骤:
步骤B1:在滚动轴承的内圈以及外圈位置,人为的制造出相应故障,通过加速度传感器采集振动信号获得滚动轴承的状态信息;
步骤B2:选择运行状态不同的轴承振动信号,利用小波包分解方法进行轴承振动信号的特征提取;
步骤B3:将提取的特征输入支持向量机模型进行故障诊断。
7.根据权利要求6所述的一种基于大数据的预测性维护管理系统,其特征在于:所述机床预测性维护模块包括机床数据层收集模块、机床知识获取模块、诊断知识推理模块和预测性维护决策模块,所述机床数据层收集模块与机床知识获取模块电连接,所述诊断知识推理模块与预测性维护决策模块电连接;
所述机床数据层收集模块用于收集机床全生命周期的数据,所述机床知识获取模块用于从现有系统数据库中获取以往机床产生故障的经验储备知识,所述诊断知识推理模块用于将获取数据库和经验储备中的知识进行推理重用,构建故障知识本体的推理模型,所述预测性维护决策模块用于依靠机床知识本体数据诊断推理模型进行设备故障的预测维护决策,所述预测性维护决策模块包括决策维护模型子模块,所述决策维护模型子模块用于通过机床知识本体的获取决策后建立的预测性维护模型。
8.根据权利要求7所述的一种基于大数据的预测性维护管理系统,其特征在于:所述机床预测性维护模块运行方法包括以下步骤:
步骤C1:使用智能辅助系统建立系统数据采集层,系统数据采集层包括面此齿轮数据和轴承数据的子系统数据层,通过采集传感器对相关零件或机床全生命周期数据进行采集存储;
步骤C2:子系统层建立故障预测模型并优化更新前期的模型,使用数理统计或者特征提取的方法将数据集进行预处理,通过完善的算法进行故障的预测;
步骤C3:系统层进行整体的机床故障预测,通过对现有状态进行分析,利用知识推理制定相应的维护策略。
9.根据权利要求8所述的一种基于大数据的预测性维护管理系统,其特征在于:所述步骤C2中,子系统数据层建立的故障预测模型针对的是单个子系统或者零部件的故障预测,通过将数据集进行预处理,使用数理统计或者特征提取的方法之后,通过完善的算法进行故障的预测,利用实时采集存储的数据进行反馈后期的运行数据,由此更新优化前期故障预测的模型,使后期运行数据与前期模型实现关联,达到了动态故障预测的建模效果,当运行环境不断变化时,为了能够实现子系统精准的故障预测,根据反馈的运行数据,进行故障预测模型的实时调整。
10.根据权利要求9所述的一种基于大数据的预测性维护管理系统,其特征在于:所述步骤C3进一步包括以下步骤:
步骤C31:提取机床设备全生命周期中囊括的设备知识概念及术语,进行一般化数据处理,检索获取已经存在于企业系统的结果型知识资源,进行重用处理;
步骤C32:设定各个子系统的阈值,使用主成分分析计算特征样本后进行分类和多元信息融合诊断,得出子系统的故障率;
步骤C33:构建通过设备状态、征兆故障与映射和对征兆计算的设备故障状态预测维护模型,利用采集的设备信号特征与故障数据,利用计算机进行演绎归纳和推理实现机床设备的故障预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210893387.2A CN115358533A (zh) | 2022-07-27 | 2022-07-27 | 一种基于大数据的预测性维护管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210893387.2A CN115358533A (zh) | 2022-07-27 | 2022-07-27 | 一种基于大数据的预测性维护管理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115358533A true CN115358533A (zh) | 2022-11-18 |
Family
ID=84031753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210893387.2A Pending CN115358533A (zh) | 2022-07-27 | 2022-07-27 | 一种基于大数据的预测性维护管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115358533A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117111589A (zh) * | 2023-10-23 | 2023-11-24 | 中国机械总院集团云南分院有限公司 | 一种基于Petri网的数控机床控制系统故障诊断方法 |
CN117332233A (zh) * | 2023-10-07 | 2024-01-02 | 江苏丰昌机电科技有限公司 | 一种电机智能化维护系统 |
-
2022
- 2022-07-27 CN CN202210893387.2A patent/CN115358533A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117332233A (zh) * | 2023-10-07 | 2024-01-02 | 江苏丰昌机电科技有限公司 | 一种电机智能化维护系统 |
CN117332233B (zh) * | 2023-10-07 | 2024-05-31 | 江苏丰昌机电科技有限公司 | 一种电机智能化维护系统 |
CN117111589A (zh) * | 2023-10-23 | 2023-11-24 | 中国机械总院集团云南分院有限公司 | 一种基于Petri网的数控机床控制系统故障诊断方法 |
CN117111589B (zh) * | 2023-10-23 | 2024-01-02 | 中国机械总院集团云南分院有限公司 | 一种基于Petri网的数控机床控制系统故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115358533A (zh) | 一种基于大数据的预测性维护管理系统 | |
CN112085261B (zh) | 基于云端融合和数字孪生技术的企业生产现状诊断方法 | |
CN103645052A (zh) | 一种风电机组齿轮箱远程在线状态监测及寿命评估方法 | |
CN112052979A (zh) | 基于故障预测与健康管理的设备备件需求预测系统 | |
CN115034483A (zh) | 一种水轮发电机组运行故障监测方法及系统 | |
CN113339204B (zh) | 一种基于混合神经网络的风力发电机故障识别方法 | |
CN118154174B (zh) | 一种工业设备智慧运维云平台 | |
CN114861827A (zh) | 基于多源数据融合的采煤机预测诊断与健康管理方法 | |
CN116992346A (zh) | 一种基于人工智能大数据分析的企业生产数据处理系统 | |
CN118157132B (zh) | 基于神经网络的电压监测系统数据挖掘方法及装置 | |
CN112729815A (zh) | 基于无线网络的输送线健康状况在线故障大数据预警方法 | |
CN117214719A (zh) | 一种基于大数据的新能源车辆电池健康评估系统 | |
CN116705272A (zh) | 基于多维诊断的设备健康状态综合评价方法 | |
CN117592975A (zh) | 基于云计算的高速公路机电设备运维决策处理方法及系统 | |
CN114019935A (zh) | 一种基于工业物联网设备实时检测诊断系统 | |
CN112597607A (zh) | 风力发电机高速轴承的预测性维修方法及系统 | |
Yang et al. | Anomaly detection of automobile welding workstation based on stacked autoencoders and long short-term memory network | |
Yang et al. | Design of equipment online monitoring and fault diagnosis platform based on IoT | |
CN118468058A (zh) | 一种基于大型语言模型的智能诊断方法 | |
CN114519923B (zh) | 一种电厂智能诊断预警方法和系统 | |
CN118311914B (zh) | 一种智能化车间的生产线数据采集控制方法及系统 | |
CN118036479B (zh) | 行星齿轮减速装置传动稳定性分析方法及系统 | |
CN116738689B (zh) | 基于Elman模型的水轮发电机组状态健康评估系统及方法 | |
CN117422441A (zh) | 一种机电设备检测维护系统 | |
Ci et al. | Health State Evaluation for Production Systems by Aggregating Multi-source Data based Hidden Markov Model |
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 |