CN115855548A - 一种基于多维诊断的转机设备故障诊断系统及其方法 - Google Patents

Abstract

一种基于多维诊断的转机设备故障诊断系统及其方法，包括传感器、智能数据采集器、下机位、数据服务器、隔离网闸的信号输入端相连接，隔离网闸的信号输出端与移动端的信号输入端相连接；一：将采集的转机设备的数据上传；二：下机位将接收到的数据整理并发送至数据服务器；三、数据服务器将下位机输入的数据应用mongoDB数据库完成数据存储、信号分析、可视化实时监测、故障自动诊断、故障处理建议；针对转机设备运转状态下各类过程数据耦合分析，建立一套专家诊断模型，实现转机设备的健康状态管理，提早发现转机设备的潜在故障和隐患，并提出出现故障隐患的存在的最大可能因素，便于检修人员及时确定故障位置及故障原因利于及时排除故障。

Description

一种基于多维诊断的转机设备故障诊断系统及其方法

技术领域

本发明涉及运转设备健康状态管理及设备故障诊断技术领域，特别涉及一种基于多维诊断的转机设备故障诊断系统及其方法。

背景技术

目前设备故障诊断多为事后诊断，无法准确的在设备运转过程中通过多种运行过程数据综合诊断判断设备运行健康状态，无法提前发现设备潜在的故障和隐患，故障的判断仅仅在于设备发生后的表征现象，对于设备管理易造成欠修或者过修的情况发生。

随着信息化、数字化的发展，将关于设备的多种数据充分收集，其中包括运行过程中的设备巡检情况、定期点检情况及实时运行工艺数据，将这些数据充分耦合，通过基于多年设备运行经验积累，建立专家故障诊断模型，就能够准确判断设备运行的健康状态，发现潜在故障和运行风险隐患，可通过该系统诊断出的设备故障及潜在运行隐患完善设备检修计划、检修方案、检修工期和节约检修费用成本。

中国专利申请CN202111184175.9公开了一种基于人工智能的发电厂设备故障诊断系统及方法，故障诊断系统包括故障数据库、特征提取模块、特征比较模块、目标设备选取模块和信息传输模块，故障数据库用于存储发电厂各个设备发生故障时的特征，特征提取模块用于在检测到故障发生时，提取当前故障特征，特征比较模块将当前故障特征与故障数据库内的各个设备发生故障时的特征进行相似度比较，如果故障数据库中仅存在一个设备发生故障时的特征与当前故障特征的相似度大于等于相似度阈值，那么该设备为目标设备，否则，令目标设备选取模块根据相似度信息和历史故障信息，从发电厂各个设备中选取目标设备，信息传输模块用于传输目标设备发生故障的告警信息。但是，该发明具有仅能结合当前故障库中所包含的故障条数进行故障对比、定位的缺点。

中国专利申请CN202110967727公开了一种汽轮发电机组的故障确定方法及系统，方法包括：获取汽轮发电机组发生故障时的故障振动数据；故障振动数据包括多种振动因素数据；根据故障振动数据，确定转机设备的故障类型；获取转机设备中能够引起故障类型的多种状态参数；根据状态参数和故障振动数据，构建故障类型参数矩阵；根据故障类型参数矩阵，确定汽轮发电机组的故障原因和故障位置。本发明通过建立故障类型参数矩阵，能够确定故障的原因和位置，以便工作人员能够及时确定故障修复方案。但由于仅能对当前所获取的参数根据设置阈值进行判断，无法进行多为诊断，并且对以往发生的故障未建立故障知识库，具有仅能获取当前故障参数进行现场判断故障，无法根据故障知识库提供存在故障的原因的缺点。

发明内容

为了克服上述现有技术的不足，本发明的目的在于提供了一种基于多维诊断的转机设备故障诊断系统及其方法，针对转机设备运转状态下各类过程数据耦合分析，建立一套专家诊断模型，实现转机设备的健康状态管理，提早发现转机设备的潜在故障和隐患，并提出出现故障隐患的存在的最大可能因素，便于检修人员及时确定故障位置及故障原因利于及时排除故障。

本发明所采用的技术方案是：

一种基于多维诊断的转机设备故障诊断系统，包括设置在转机设备的轴承、电机处的传感器1，传感器1的信号输出端与智能数据采集器2的信号输入端相连接，智能数据采集器2的信号输出端与下机位3的信号输入端相连接，下机位3的信号输出端与数据服务器4的信号输入端相连接，数据服务器4的信号输出端与隔离网闸5的信号输入端相连接，隔离网闸5的信号输出端与移动端的信号输入端相连接；所述下位机3将接收到的传感器1发出的信号进行数据整理，通过频谱分析应用矩形窗、汉宁窗、海明窗进行耦合处理后的数据发送至数据服务器4；所述数据服务器4将下机位3输入的数据应用mongoDB数据库完成数据存储、信号分析、可视化实时监测、故障自动诊断、故障处理建议，同时将通讯状态、设备健康状态、幅值-时间趋势、时域波形参数等通过隔离网闸5传输给web服务器，用作平台web登录展示。

所述传感器1包括设置在电机自由端轴承水平振动处、电机驱动端轴承水平轴承处、电机驱动端轴承轴向振动处、驱动端水平轴承处、驱动端轴向振动处、非驱动端水平振动处的高温加速度传感器或常温加速度传感器。

一种基于多维诊断的转机设备故障诊断方法，包括以下步骤：

步骤一：传感器1与智能数据采集器2将采集的转机设备的数据上传至下机位3；

步骤二：下机位3将接收到的传感器1发出的信号进行数据整理，通过频谱分析应用矩形窗、汉宁窗、海明窗进行耦合处理后的数据发送至数据服务器4；

步骤三、数据服务器4将下机位3输入的数据应用mongoDB数据库完成数据存储、信号分析、可视化实时监测、故障自动诊断、故障处理建议，同时将通讯状态、设备健康状态、幅值-时间趋势、时域波形参数等通过隔离网闸5传输给web服务器，用作平台web登录展示。

所述步骤一采集的转机设备的数据包括加速度、速度、位移信号、振动、转速、振动波形、频谱、倍频幅值、相位参数。

所述步骤二中，下机位3将接收到的传感器1发出的转机设备的加速度、速度、位移信号、振动、转速、振动波形、频谱、倍频幅值、相位参数进行耦合处理，具体步骤是：

步骤2.1：将复杂信号分解为有限或无限个频率的简谐分量，将一个组合振动分解为它的各个频率分量；

步骤2.2：把各次谐波按其频率大小从低到高排列起来构成频谱。

所述步骤三所述的可视化实时监测的具体步骤是：

步骤3.11：结合转机设备三维效果图，把数据服务器处理后的数据进行展示利用；

步骤3.12：对厂区的设备进行健康状态、运行状态、相关参数(轴位移量、电流、功率、轴承状态、振动值)、状态趋势进行可视化管理，通过缩略图的形式来呈现所有设备，并通过设备图标的颜色来代表设备当前的通讯状态，健康状态，设备健康分为：正常(浅绿)、轻微(浅蓝)、中度(浅黄)、较严重(紫)、严重(红)、灰色(未知)来标识，多通道同步整周期实时在线采样数据；

步骤3.13：通过机组主监测画面，了解机组的实际运行状态，系统提供多种方式进行的画面组态。

所述步骤三所述的故障自动诊断的具体步骤是：

步骤3.21：把由传感器1监测的设备数据传给服务器；

步骤3.22：通过征兆获取程序，从测点知识库及故障知识库中获取计算可信度的相关变量用以计算所有征兆的可信度，成为具有可信度大小的征兆事实，存储在征兆知识库中；

步骤3.23：由数据服务器4的对照经验知识库、故障诊断规则知识库中的每个故障所包含的多条诊断规则与征兆知识库中征兆事实进行匹配，自动完成诊断推理过程，得到故障的可信度在与案例知识库中案例的相似度进行匹配得到诊断结果；

步骤3.24：如果对诊断结果满意，诊断过程结束，否则可以人为修改征兆的可信度，得到对话诊断结果；

步骤3.25：根据诊断结果与对策知识库进行特定故障处理建议进行匹配，按照轻重急缓下发故障处理建议。

所述步骤3.22中的测点知识库，是对与故障诊断有关的、和测点关联的设备及其相关参数组成。

所述步骤3.22中的故障知识库的故障类型有质量不平衡、热态不平衡、部件脱落、大轴弯曲、不对中、动静碰摩、刚度不足或松动、油膜涡动、油膜振荡、汽流涡动、汽流激振、基础振动、结构共振、轴承故障、联轴器损坏、转子刚度不对称、传感器故障、电磁力不平衡、匝间短路和非真实振动；如果诊断结果同时出现若干个故障，则以复合故障显示。

所述步骤3.23中的故障诊断规则知识库包括规则序号、规则前提和充分可信度；规则序号用R××表示，它代表一条诊断规则；规则前提是一个或若干个征兆组合起来，组合的征兆之间是“与”关系；充分可信度CF是规则前提对结论的支持程度的数值度量，计算方式为如下两种方式：

瞬时值型条件可信度计算：由某一时刻的数据确定的，如征兆为“转速大于一阶临界转速的两倍以上”、“振动频谱中一倍频幅值较大”、“机组带负荷运行”时，可信度是[0,1]中的任意值；

变化率型条件可信度计算：由不同时刻的数据确定的，变化率型在计算转速不变时振幅波动较大的可信度时，可以在转速变化小于10rpm的情况下，取两组数据的变化量与设置的阈值进行比较，如下式所示：

其中，CF(X)为征兆X的可信度；A1、A0、Ab分别表示振幅的实时值、初始值和阈值。

所述步骤3.23中的案例知识库包括一个个案例，由案例名称、故障出现时设备的状况、故障经过、故障的原因、故障特征、故障处理措施和效果等组成。

所述步骤3.23中的诊断推理步骤如下：

1、当某测点幅值达到所设定的阈值或变化率达到所设定的阈值，则启动系统；

2、计算转机设备所有征兆的可信度，在对话诊断时允许进行修改；

3、计算转机设备所有规则和故障的可信度；每个诊断规则的征兆之间为“与”关系，故障可信度取征兆可信度中的最小值与规则可信度的乘积；如果一个故障模型有多条诊断规则，则故障可信度取其最大值；

4、如果某个故障可信度大于所设定的阈值，则显示；多个故障成立时，按从大到小显示前3个故障；

5、根据故障成立的规则，调用解释机制；

6、根据成立的故障，调用对策机制。

与现有技术相比，本发明的优点为：

一种基于多维诊断的转机设备故障诊断系统及其方法，基于系统将转机设备数据实施数据采集，同时结合电厂机组负荷、温度、速率等参数关联至转机设备故障，建立专家诊断故障知识库的模型进行自学习、自寻优，将所可能发生的故障及时进行精准定位，提供指导意见，实现转机设备健康状态管理，提早发现转机设备潜在故障和隐患，在故障初期就进行故障的维护修理。本发明以故障知识库为定位故障的基础依据，其次结合多方面采集数据进行耦合分析，最终确定故障问题以及给出指导意见。

1、基于前端传感器1及智能数据采集器2，将每个转机设备的全寿期纵向数据及其与工艺系统间的横向数据，全面获取并完成标准化处理；

2、转机设备的正负(自身升降)相关数据与左右(系统升降)相关数据的提取与聚类，对接“五维度评价”(可靠性、安全性、可用性、经济性、环保性)。

3、专家诊断知识库的知识图谱的建立与多元数据耦合人工智能算法融合；包括设备故障理化(机理)模型的建立、数理模型的建立、专家经验模型的建立、混合模型的建立、解决方案(对策)的匹配模型建立等。

4、自动实现设备状态的“五定诊断”——故障部位确定、故障原因确定、故障等级确定、解决方案确定、检修成本确定；进而自动实现设备运维的“五优决策”——优化检修项目、优化检修周期、优化检修等级、优化检修管理、优化检修成本。

5、可以搭建起辖区内各电厂的转机设备健康与能效优化综合管控平台，提高了管理效率、保障了执行质量。创新了管理模式，提升了管理能力。

6、数字化转型赋能的价值优势全面体现，策略制定数字化、管理考核数字化、趋势预警数字化、故障诊断智能化、知识创新数字化、解决方案知识化、能效提升可视化。

7、对设备建立三维模型，将设备状态直观、形象地呈现出来，同时将难以理解的时频分析结果直接与设备的状态联系起来，实现可视化实时监测，并能够及时自动发现设备出现的异常现象，给出有针对性的处理意见，便于检修人员直接应对故障进行消缺，减少花费人力物力进行故障定位和判断，使得运维费用降低30％—50％；非停与降负荷事故降低50％。

8、专家诊断知识图谱的建立、不断创新、累积和传承，降低技术人才流动给企业带来的影响。

附图说明

图1为本发明的转机设备故障诊断系统结构示意图。

图2为本发明的转机设备故障诊断方法流程图。

图3为本发明的转机设备故障诊断判别流程图。

具体实施方式

下面结合附图对本发明做进一步详细描述。

参照图1，一种基于多维诊断的转机设备故障诊断系统，包括设置在设备上的传感器1，传感器1的信号输出端与智能数据采集器2的信号输入端相连接，智能数据采集器2的信号输出端与下机位3的信号输入端相连接，下机位3的信号输出端与数据服务器4的信号输入端相连接，数据服务器4的信号输出端与隔离网闸5的信号输入端相连接，隔离网闸5的信号输出端与移动端的信号输入端相连接。

所述传感器1与智能数据采集器2连接，将检测的转机设备数据上传至下机位3，下机位3将接收到的传感器1原始信号进行通过频谱分析应用矩形窗、汉宁窗、海明窗等进行耦合处理，并将分析处理后的数据发送至数据服务器4，数据服务器4将下机位3的数据应用mongoDB数据库完成振动数据存储、信号分析功能、可视化实时监测、故障自动诊断、故障处理建议等功能，同时将分析处理的数据通过隔离网闸5传输给web服务器，用作平台web登录展示功能。

参照图2，一种基于多维诊断的转机设备故障诊断方法，包括以下步骤：

步骤一：传感器1与智能数据采集器2将采集的转机设备的数据上传至下位机3；

步骤二：下位机3将接收到的传感器1发出的信号进行数据整理，通过频谱分析应用矩形窗、汉宁窗、海明窗进行耦合处理后的数据发送至数据服务器4；

步骤三、数据服务器4将下机位3输入的数据应用mongoDB数据库完成数据存储、信号分析、可视化实时监测、故障自动诊断、故障处理建议，同时将通讯状态、设备健康状态、幅值-时间趋势、时域波形参数等通过隔离网闸5传输给web服务器，用作平台web登录展示。

所述步骤一采集的转机设备的数据包括加速度、速度、位移信号、振动、转速、振动波形、频谱、倍频幅值、相位参数。

所述步骤二中，下机位3将接收到的传感器1发出的转机设备的加速度、速度、位移信号、振动、转速、振动波形、频谱、倍频幅值、相位参数进行耦合处理，具体步骤是：

步骤2.1：将复杂信号分解为有限或无限个频率的简谐分量，将一个组合振动分解为它的各个频率分量；

步骤2.2：把各次谐波按其频率大小从低到高排列起来构成频谱。

所述步骤三所述的可视化实时监测的具体步骤是：

步骤3.11：结合转机设备三维效果图，把数据服务器处理后的数据进行展示利用；

步骤3.12：对厂区的设备进行健康状态、运行状态、相关参数(轴位移量、电流、功率、轴承状态、振动值)、状态趋势进行可视化管理，通过缩略图的形式来呈现所有设备，并通过设备图标的颜色来代表设备当前的通讯状态，健康状态，设备健康分为：正常(浅绿)、轻微(浅蓝)、中度(浅黄)、较严重(紫)、严重(红)、灰色(未知)来标识，多通道同步整周期实时在线采样数据，具有完备可靠的现场信号拾取功能，系统实时显示机组的运行状态；

步骤3.13：通过机组主监测画面，能够了解机组的实际运行状态，系统能提供多种方式进行的画面组态。

实时对数据服务器4中存储的转机设备的振动、转速和机组负荷等参数根据最小间隙与相应位置设计间隙的比值自动识态，全面反映转子顶起高度、转子在轴承中的位置、油膜厚度，并以不同颜色显示，生动形象、准确可靠地判断常见的质量不平衡、热态不平衡、轴弯曲、部件脱落、联轴器故障、动静摩擦、松动、共振、油膜涡动、油膜振荡、轴承故障。

所述步骤三所述的故障自动诊断的具体步骤是：

步骤3.21：把由传感器1监测的设备数据传给服务器，通过获取的数据结合设备自身的运行状态参数进行设备故障诊断。

设备的异常或故障都是通过设备运行过程中其状态信号的变化表现出来的，以合理、正确的方法测取设备的状态信号对故障诊断至关重要。一般包括以下几个过程：测取信号；中间变换；数据采集；直接从特征信号来判断设备是否有故障，通常是比较困难的，一般要对特征信号加以处理，提取有用的信息，才能判断设备是否有故障；

步骤3.22：通过征兆获取程序，从测点知识库及故障知识库中获取计算可信度的相关变量用以计算所有征兆的可信度，成为具有可信度大小的征兆事实，存储在征兆知识库中；

步骤3.23：由数据服务器4的对照经验知识库、故障诊断规则知识库中的每个故障所包含的多条诊断规则与征兆知识库中征兆事实进行匹配，自动完成诊断推理过程，得到故障的可信度在与案例知识库中案例的相似度进行匹配得到诊断结果；

步骤3.24：如果对诊断结果满意，诊断过程结束，否则可以人为修改征兆的可信度，得到对话诊断结果；

步骤3.25：根据诊断结果与对策知识库进行特定故障处理建议进行匹配，按照轻重急缓下发故障处理建议。

所述步骤3.22中的测点知识库，是对与故障诊断有关的、和测点关联的设备及其相关参数组成。

所述步骤3.22中的故障知识库的故障类型有质量不平衡、热态不平衡、部件脱落、大轴弯曲、不对中、动静碰摩、刚度不足或松动、油膜涡动、油膜振荡、汽流涡动、汽流激振、基础振动、结构共振、轴承故障、联轴器损坏、转子刚度不对称、传感器故障、电磁力不平衡、匝间短路和非真实振动；如果诊断结果同时出现若干个故障，则以复合故障显示。

所述步骤3.23中的故障诊断规则知识库包括规则序号、规则前提和充分可信度；规则序号用R××表示，它代表一条诊断规则；规则前提是一个或若干个征兆组合起来，组合的征兆之间是“与”关系；充分可信度CF是规则前提对结论的支持程度的数值度量，计算方式为如下两种方式：

瞬时值型条件可信度计算：由某一时刻的数据确定的，如征兆为“转速大于一阶临界转速的两倍以上”、“振动频谱中一倍频幅值较大”、“机组带负荷运行”时，可信度是[0,1]中的任意值；

例如，以征兆“振动频谱中某频率成分幅值较大”的征兆可信度为例，可以采用该频率成分幅值与其它频率成分振幅比较的方法，如下式所示：

CF(X)为征兆“振动频谱中某频率成分幅值较大”的征兆可信度；A(X)、A(TX)、A(LX)和A(HX)分别该频率、通频、低频和高频的振幅，a1、a2、a3为小于1的比例系数，与故障性质有关，a1、a2、a3主要是根据经验确定，数值大小反映不同频率成分对其影响程度大小，同样的条件描述，在不同的故障中，计算方法是不相同的。

变化率型条件可信度计算：由不同时刻的数据确定的，变化率型在计算转速不变时振幅波动较大的可信度时，可以在转速变化小于10rpm的情况下，取两组数据的变化量与设置的阈值进行比较，如下式所示：

其中，CF(X)为征兆X的可信度；A1、A0、Ab分别表示振幅的实时值、初始值和阈值。

瞬时值型计算中不同频段的可信度系数、变化率型计算中幅值变化的阈值与机组的类型、故障机理、机组负荷及工艺参数有密切关系，其准确确定是故障模式识别的关键和难点，本发明计算征兆可信度时使用瞬时值型和变化率型中的较大值。

所述步骤3.23中的案例知识库包括一个个案例，由案例名称、故障出现时设备的状况、故障经过、故障的原因、故障特征、故障处理措施和效果等组成。

所述步骤3.23中的诊断推理步骤如下：

1、当某测点幅值达到所设定的阈值或变化率达到所设定的阈值，则启动系统；

2、计算转机设备所有征兆的可信度，在对话诊断时允许进行修改；

3、计算转机设备所有规则和故障的可信度；每个诊断规则的征兆之间为“与”关系，故障可信度取征兆可信度中的最小值与规则可信度的乘积；如果一个故障模型有多条诊断规则，则故障可信度取其最大值；

4、如果某个故障可信度大于所设定的阈值，则显示；多个故障成立时，按从大到小显示前3个故障；

5、根据故障成立的规则，调用解释机制；

6、根据成立的故障，调用对策机制。

背景知识库，主要来源于生产厂家的制造数据、运行规程和经验统计数据。是对与故障诊断有关的设备结构、工作参数和特性进行描述，如设备的额定转速、临界转速、功率、联轴器型式、轴承类型等。背景知识库内容丰富，不仅与结构有关，还与运行数据和检修历史等有关，即使设备的生产厂家和结构完全相同，也需要独立设置背景知识库。

测点知识库，是对与故障诊断有关的、和测点关联的设备及其相关参数组成。背景知识库和测点知识库，都是为征兆自动获取提供相关数据的，可以简化系统的设计。

转机设备主要故障类型有质量不平衡、热态不平衡、部件脱落、大轴弯曲、不对中、动静碰摩、刚度不足或松动、油膜涡动、油膜振荡、汽流涡动、汽流激振、基础振动、结构共振、轴承故障、联轴器损坏、转子刚度不对称、传感器故障、电磁力不平衡、匝间短路和非真实振动。

如果诊断结果同时出现若干个故障，则以复合故障显示，如不平衡和动静碰摩复合故障。

设备征兆是故障表现的特征，也包括正常现象，是不同类型故障的特征的集合，是判断故障的依据。

根据性质不同，可以将故障的征兆分为瞬时值型征兆、变化率型征兆、图形征兆和混合型征兆。

瞬时值型征兆是指征兆是由某一时刻的数据确定的，如振动频谱中一倍频振幅较大；变化率型征兆是指征兆是由不同时刻的数据确定的，如转速不变时振幅基本不变；图形征兆是指经过信号分析得到的图形所具有的特征，如波形为正弦波，但不包括趋势分析图形，它表现为变化率型征兆。集成型征兆是指根据同样性质的多个传感器获得的征兆，如水平与垂直方向相位差接近90度。

诊断规则由规则序号、规则前提和充分可信度组成，每个故障有一条或多条规则。规则序号用R××表示，它代表一条诊断规则。规则前提是一个或若干个征兆组合起来，组合的征兆之间是“与”关系。充分可信度CFr是规则前提对结论的支持程度的数值度量，它是一个界于0—1之间的数。例如：诊断质量不平衡故障的一条规则：

R12如果振动频谱中一倍频较大

且转速不变时振幅基本不变

且转速不变时一倍频相位基本不变

则质量不平衡CFr＝0.95

目前，转机设备故障诊断规则数量有1000多条。

对策知识库是对特定故障的处理建议，需要根据故障的类型和轻重程度不同，考虑处理效果和难以程度适当进行排序，可以对对策知识库进行编辑和修改操作。如动静碰摩故障的处理意见如下：

⑴检查轴系平衡、对中状况是否良好。

⑵检查轴系的稳定性是否良好。

⑶检查和调整动静间隙。

⑷启停机过程中应检查大轴晃动度、汽缸上下温差、蒸汽参数等是否合格。

⑸根据不同碰摩原因采取低速盘车、反复启机磨出间隙以及提高升速率等措施。

案例知识库存放一个个案例，由案例名称、故障出现时设备的状况、故障经过、故障的原因、故障特征、故障处理措施和效果等组成。

如果在故障原因、特征、严重程度和处理方式等任何方面存在不同，可以作为一个故障案例。

判断案例是否成立，取决于案例相似性计算结果。

如果某个案例相似度大于设置的阈值，则显示该案例。一般按照相似度从大到小显示最多5个案例。

目前，转机设备典型故障案例有300多个。

基于故障因果关系的规则诊断逻辑

规则必须能够准确地反映专家处理实际问题的整个思维过程，确切地表达事物的因果关系。因果关系是复杂的，在规则中表现为征兆与故障的复杂对应关系，必须仔细考虑其中微妙的差别，采用最佳表示形式，而不能简单地认为规则只是某故障所有征兆的任意组合，

征兆可信度计算

征兆是机组出现的异常现象，如振动增大，从故障诊断的角度来说，征兆是有助于判断故障的各种现象，包括某些正常现象，如振动稳定。因为利用正常现象可以排除某些故障。征兆可信度计算的基本原则如下：

1.故障诊断的需要：不同类型的旋转机械，故障的机理和特征有较大区别，需要分别计算；为了发现设备潜在的故障，需要有一定的提前量；

2.诊断部位的差别：故障诊断是针对特定设备的特定部位而言的。由于轴承类型、动静间隙和磨损等不同，允许的振动和瓦温也是不同的，在可信度计算时需要设定不同的量值；

3.故障的类型：同样，征兆是针对特定的故障而言的。不同的故障具有相同的征兆，如果在计算方法上有区别，需要用不同的表述方式；

4.故障的不同阶段：对于特定的故障，在特定的阶段其征兆表现有强弱之分，判断征兆是正常还是异常的标准应该不同；

5.复合故障的相互影响：当复合故障存在相互影响时，需要采相应的措施，尽可能消除或减轻相互影响。

所述步骤S3中征兆的可信度计算的基本原则如下：

1、故障诊断的需要：不同类型的旋转机械，故障的机理和特征有较大区别，需要分别计算；为了发现设备潜在的故障，需要有一定的提前量；

2、诊断部位的差别：故障诊断是针对特定设备的特定部位而言的。由于轴承类型、动静间隙和磨损等不同，允许的振动和瓦温也是不同的，在可信度计算时需要设定不同的量值；

3、故障的类型：同样，征兆是针对特定的故障而言的。不同的故障具有相同的征兆，如果在计算方法上有区别，需要用不同的表述方式；

4、故障的不同阶段：对于特定的故障，在特定的阶段其征兆表现有强弱之分，判断征兆是正常还是异常的标准应该不同；

5、复合故障的相互影响：当复合故障存在相互影响时，需要采取相应的措施，尽可能消除或减轻相互影响。

Claims (10)

1.一种基于多维诊断的转机设备故障诊断系统，其特征在于，包括设置在转机设备的轴承、电机处安装的传感器(1)，传感器(1)的信号输出端与智能数据采集器(2)的信号输入端相连接，智能数据采集器(2)的信号输出端与下机位(3)的信号输入端相连接，下机位(3)的信号输出端与数据服务器(4)的信号输入端相连接，数据服务器(4)的信号输出端与隔离网闸(5)的信号输入端相连接，隔离网闸(5)的信号输出端与移动端的信号输入端相连接；所述下机位(3)将接收到的传感器(1)发出的加速度、速度、位移信号、振动值进行数据整理，通过频谱分析应用矩形窗、汉宁窗、海明窗等进行耦合处理；所述数据服务器(4)将下机位(3)输入的数据应用mongoDB数据库完成数据存储、信号分析、可视化实时监测、故障自动诊断、故障处理建议，同时将通讯状态、设备健康状态、幅值-时间趋势、时域波形参数等通过隔离网闸(5)传输给web服务器，用作平台web登录展示。

2.根据权利要求1所述的一种基于多维诊断的转机设备故障诊断系统，其特征在于，所述传感器(1)包括设置在电机自由端轴承水平振动处、电机驱动端轴承水平轴承处、电机驱动端轴承轴向振动处、驱动端水平轴承、驱动端轴向振动处、非驱动端水平振动处设置高温加速度传感器或常温加速度传感器。

3.一种基于多维诊断的转机设备故障诊断方法，其特征在于，包括以下步骤：

步骤一：传感器(1)与智能数据采集器(2)将采集的转机设备的数据上传至下机位(3)；

步骤二：下机位(3)将接收到的传感器(1)发出的加速度、速度、位移信号、振动值进行数据整理，通过频谱分析应用矩形窗、汉宁窗、海明窗等进行耦合处理后的数据发送至数据服务器(4)；

步骤三、数据服务器(4)将下机位(3)输入的数据应用mongoDB数据库完成数据存储、信号分析、可视化实时监测、故障自动诊断、故障处理建议，同时将通讯状态、设备健康状态、幅值-时间趋势、时域波形参数等通过隔离网闸(5)传输给web服务器，用作平台web登录展示。

4.根据权利要求3所述的一种基于多维诊断的转机设备故障诊断方法，其特征在于，所述步骤一采集的转机设备的数据包括加速度、速度、位移信号、振动、转速、振动波形、频谱、倍频幅值、相位参数。

5.根据权利要求3所述的一种基于多维诊断的转机设备故障诊断方法，其特征在于，所述步骤二中，下机位(3)将接收到的传感器(1)发出的转机设备的加速度、速度、位移信号、振动、转速、振动波形、频谱、倍频幅值、相位参数进行耦合处理，具体步骤是：

步骤2.1：将复杂信号分解为有限或无限个频率的简谐分量，将一个组合振动分解为它的各个频率分量；

步骤2.2：把各次谐波按其频率大小从低到高排列起来构成频谱。

6.根据权利要求3所述的一种基于多维诊断的转机设备故障诊断方法，其特征在于，所述步骤三所述的可视化实时监测的具体步骤是：

步骤3.11：结合转机设备三维效果图，把数据服务器处理后的数据进行展示利用；

步骤3.12：对厂区的设备进行健康状态、运行状态、相关参数(轴位移量、电流、功率、轴承状态、振动值)、状态趋势进行可视化管理，通过缩略图的形式来呈现所有设备，并通过设备图标的颜色来代表设备当前的通讯状态，健康状态，设备健康分为：正常(浅绿)、轻微(浅蓝)、中度(浅黄)、较严重(紫)、严重(红)、灰色(未知)来标识，多通道同步整周期实时在线采样数据；

步骤3.13：通过机组主监测画面，能够了解机组的实际运行状态，系统能提供多种方式进行的画面组态。

7.根据权利要求3所述的一种基于多维诊断的转机设备故障诊断方法，其特征在于，所述步骤三所述的故障自动诊断的具体步骤是：

步骤3.21：把由传感器(1)监测的设备数据传给服务器；

步骤3.22：通过征兆获取程序，从测点知识库及故障知识库中获取计算可信度的相关变量用以计算所有征兆的可信度，成为具有可信度大小的征兆事实，存储在征兆知识库中；

步骤3.23：由数据服务器(4)的对照经验知识库、故障诊断规则知识库中的每个故障所包含的多条诊断规则与征兆知识库中征兆事实进行匹配，自动完成诊断推理过程，得到故障的可信度在与案例知识库中案例的相似度进行匹配得到诊断结果；

步骤3.24：如果对诊断结果满意，诊断过程结束，否则可以人为修改征兆的可信度，得到对话诊断结果；

步骤3.25：根据诊断结果与对策知识库进行特定故障处理建议进行匹配，按照轻重急缓下发故障处理建议。

8.根据权利要求7所述的一种基于多维诊断的转机设备故障诊断方法，其特征在于，所述步骤3.22中的测点知识库，是对与故障诊断有关的、和测点关联的设备及其相关参数组成；所述步骤3.22中的故障知识库的故障类型有质量不平衡、热态不平衡、部件脱落、大轴弯曲、不对中、动静碰摩、刚度不足或松动、油膜涡动、油膜振荡、汽流涡动、汽流激振、基础振动、结构共振、轴承故障、联轴器损坏、转子刚度不对称、传感器故障、电磁力不平衡、匝间短路和非真实振动；如果诊断结果同时出现若干个故障，则以复合故障显示。

9.根据权利要求7所述的一种基于多维诊断的转机设备故障诊断方法，其特征在于，所述步骤3.23中的故障诊断规则知识库包括规则序号、规则前提和充分可信度；规则序号用R××表示，它代表一条诊断规则；规则前提是一个或若干个征兆组合起来，组合的征兆之间是“与”关系；充分可信度CF是规则前提对结论的支持程度的数值度量，计算方式为如下两种方式：

瞬时值型条件可信度计算：由某一时刻的数据确定的，如征兆为“转速大于一阶临界转速的两倍以上”、“振动频谱中一倍频幅值较大”、“机组带负荷运行”时，可信度是[0,1]中的任意值；

变化率型条件可信度计算：由不同时刻的数据确定的，变化率型在计算转速不变时振幅波动较大的可信度时，可以在转速变化小于10rpm的情况下，取两组数据的变化量与设置的阈值进行比较，如下式所示：

其中，CF(X)为征兆X的可信度；A1、A0、Ab分别表示振幅的实时值、初始值和阈值。

10.根据权利要求7所述的一种基于多维诊断的转机设备故障诊断方法，其特征在于，所述步骤3.23中的案例知识库包括一个个案例，由案例名称、故障出现时设备的状况、故障经过、故障的原因、故障特征、故障处理措施和效果等组成；所述步骤3.23中的诊断推理步骤如下：

1、当某测点幅值达到所设定的阈值或变化率达到所设定的阈值，则启动系统；

2、计算转机设备所有征兆的可信度，在对话诊断时允许进行修改；

3、计算转机设备所有规则和故障的可信度；每个诊断规则的征兆之间为“与”关系，故障可信度取征兆可信度中的最小值与规则可信度的乘积；如果一个故障模型有多条诊断规则，则故障可信度取其最大值；

4、如果某个故障可信度大于所设定的阈值，则显示；多个故障成立时，按从大到小显示前3个故障；

5、根据故障成立的规则，调用解释机制；

6、根据成立的故障，调用对策机制。

Images