CN116362452B - 一种研磨机故障预警方法、装置及存储介质 - Google Patents
一种研磨机故障预警方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116362452B CN116362452B CN202310249823.7A CN202310249823A CN116362452B CN 116362452 B CN116362452 B CN 116362452B CN 202310249823 A CN202310249823 A CN 202310249823A CN 116362452 B CN116362452 B CN 116362452B
- Authority
- CN
- China
- Prior art keywords
- score
- early warning
- fault
- threshold value
- grinder
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012423 maintenance Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 15
- 239000000110 cooling liquid Substances 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000032683 aging Effects 0.000 description 3
- 239000002826 coolant Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000012809 cooling fluid Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本申请公开了一种研磨机故障预警方法、装置及存储介质,用于研磨机故障预警。本申请公开的研磨机故障预警方法包括:确定研磨机的设备故障趋势得分、温度预警得分、电机预警得分和流量预警得分,然后确定研磨机的故障预警得分,当所述故障预警得分大于设定的第十三判断阈值时,判定研磨机存在故障风险。本申请还提供了一种研磨机故障预警装置及存储介质。本发明能够准确判断研磨机是否存在故障风险。
Description
技术领域
本申请涉及计算技术领域,尤其涉及一种研磨机故障预警方法、装置和存储介质。
背景技术
随着新一代信息技术的进步,制造业正向数字化、网络化、智能化方向发展。在产业转型过程中,由于各个关键生产环节尚未配备可实现对生产流程进行实时监测的智能探知装置,缺乏对风险的预知能力,设备操作人员无法在设备运行出现故障的第一时间做出反应,往往要到设备运行到下一工段时才能发现故障,此时故障已无法修正。例如研磨机作为一种广泛使用的生产设备,如何对生产流程中研磨机故障进行实时监测是亟待解决的技术问题。
发明内容
针对上述技术问题,本申请实施例提供了一种研磨机故障预警方法、装置及存储介质,用以实时监测研磨机的故障。
第一方面,本申请实施例提供的一种研磨机故障预警方法,包括:
确定研磨机的设备故障趋势得分gp;
确定研磨机的温度预警得分gt;
确定研磨机的电机预警得分gu;
确定研磨机的流量预警得分gl;
根据所述设备故障趋势得分gp,温度预警得分gt,电机预警得分gu和流量预警得分gl确定研磨机的故障预警得分gb;
当所述故障预警得分gb大于设定的第十三判断阈值ts13时,判定研磨机存在故障风险。
本发明方法中,综合了研磨机的故障趋势,温度,电机,流量等因素,计算故障预警得分,然后将故障预警得分与设定的判断阈值进行比较,从而判断研磨机是否存在故障风险。
作为一种优选示例,所述确定研磨机的设备故障趋势得分gp包括:
根据所述研磨机的寿命老化得分g1p,连续工作得分g2p,故障干扰得分g3p,确定所述设备故障趋势得分gp:
gp=1+c1(g1p+g2p+g3p);
其中c1为历史数据训练得到的第一修正常数。
优选的,所述寿命老化得分g1p通过以下公式确定:
ts1为设定的第一判断阈值,ts2为设定的第二判断阈值,t1为设备工作时长。
优选的,所述连续工作得分g2p通过以下公式确定:
ts3为设定的第三判断阈值,ts4为设定的第四判断阈值,t2为连续工作时长。
优选的,所述故障干扰得分g3p通过以下公式确定:
ts5为设定的第五判断阈值,ts6为设定的第六判断阈值;
其中,g1为故障概率得分,且g1满足:
t0为当前时间,ts7为设定的第七判断阈值,ts8为设定的第八判断阈值;
c2为历史数据训练得到的第二修正常数;
{(tei,tji)}为设备故障维修记录数据,其中tei为故障维修的停机时长,tji为故障维修的日期,i为维修记录的序号,n1为设备故障维修记录数据长度。
优选的,确定研磨机的温度预警得分gt包括:
根据设备在固定长度时间窗内的轴承温度数据{(tmj,tvj)}计算温度预警得分gt,其中tmj为轴承温度,tvj为检测时间,j为轴承温度数据的序号,所述轴承温度数据集合长度为n2;
温度预警得分gt根据以下公式确定:
ts9为设定的第九判断阈值;
gt1为预警时长得分,根据以下公式计算:
tml为设定预警温度;
kt1为温度趋势得分,根据以下公式计算:
c3为历史数据训练得到的第三修正常数。
优选的,确定研磨机的电机预警得分gu包括:
根据设备在固定长度时间窗内的电机振动信号{(evm,thm)}计算电机预警得分gu,其中evm为振动幅值,thm为检测时间,m为电机振动信号的序号,电机振动信号集合长度为n3;
所述电机预警得分gu根据以下公式确定:
ts11为设定的第十一判断阈值;
其中,
ts10为设定的第十判断阈值;
clm为磨损波动得分,根据以下公式确定:
clmin=min(ev1,...,evn3);
n4<n3,n4为设定的子窗口长度。
优选的,确定研磨机的流量预警得分gl包括:
根据设备在固定长度时间窗内的设备冷却液的进出流量{(fjp,fcp,tlp)}计算得到流量预警得分gl,其中fjp为进入设备流量,fcp为出设备流量,tlp为检测时间,p为进出流量的序号,集合长度为n5;
所述流量预警得分gl根据以下公式确定:
其中ts12为设定的第十二判断阈值;
gl1为流量波动得分,根据以下公式确定:
q为加和角标,为大于等于1小于等于n5的整数。
优选的,根据所述设备故障趋势得分gp,温度预警得分gt,电机预警得分gu和流量预警得分gl确定研磨机的故障预警得分gb包括:
所述故障预警得分gb根据以下公式确定:
gb=gp*(gt+gu+gl)。
第二方面,本申请实施例还提供一种研磨机故障预警装置,包括:
计算模块一,被配置用于确定研磨机的设备故障趋势得分gp;
计算模块二,被配置用于确定研磨机的温度预警得分gt;
计算模块三,被配置用于确定研磨机的电机预警得分gu;
计算模块四,被配置用于确定研磨机的流量预警得分gl;
综合模块,被配置用于根据所述设备故障趋势得分gp,温度预警得分gt,电机预警得分gu和流量预警得分gl确定研磨机的故障预警得分gb;
判断模块,被配置用于判断当所述故障预警得分gb大于设定的第十三判断阈值ts13时,判定研磨机存在故障风险。
第三方面,本申请实施例还提供一种研磨机故障预警装置,包括:存储器、处理器和用户接口;
所述存储器,用于存储计算机程序;
所述用户接口,用于与用户实现交互;
所述处理器,用于读取所述存储器中的计算机程序,所述处理器执行所述计算机程序时,实现本发明提供的研磨机故障预警方法。
第四方面,本申请实施例还提供一种处理器可读存储介质,所述处理器可读存储介质存储有计算机程序,所述处理器执行所述计算机程序时实现本发明提供的研磨机故障预警方法。
本发明中,综合考虑了研磨机的寿命老化,连续工作状态,故障干扰,温度预警,电机预警,流量预警等因素,确定研磨机的故障预警得分,然后将故障预警得分与预设的第十三判断阈值进行比较,从而能够准确判断研磨机是否存在故障风险。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅是本申请的一些实施例,对于本领域的普通技术人员来讲,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为本申请实施例提供的研磨机故障预警方法流程示意图;
图2为本申请实施例提供的研磨机故障预警装置示意图;
图3为本申请实施例提供的另一种研磨机故障预警装置结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,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它实施例,都属于本发明保护的范围。
下面对文中出现的一些词语进行解释:
1、本发明实施例中术语“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
2、本申请实施例中术语“多个”是指两个或两个以上,其它量词与之类似。
针对现有技术中,如何对生产流程中研磨机故障进行实时监测的技术问题,本发明提出一种研磨机故障预警方法、装置及存储介质。在研磨机设备的预设节点加装传感器用以感知生产过程中设备各部位的运行参数,对采集到的设备各项数据等进行实时故障分析,其中设备各项数据包括但不限于:设备工作时长,连续工作时长、设备故障维修记录、设备轴承温度、电机的振动信号、设备冷却液的进出流量等。
需要说明的是,本发明中涉及的根据历史数据训练得到的第一修正常数,第二修正常数,第三修正常数,对历史数据进行训练的方法包括但不限于使用BP神经网络进行训练,本发明不做限定。
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,并不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
需要说明的是,本申请实施例的展示顺序仅代表实施例的先后顺序,并不代表实施例所提供的技术方案的优劣。
实施例一
参见图1,本申请实施例提供的一种研磨机故障预警方法示意图,如图1所示,该方法包括步骤S101到S103:
S101:确定研磨机的预定得分。
本发明中,研磨机的预定得分,用来进一步判断研磨机的故障状态。作为一种优选示例,S101包括S101-1、S101-2、S101-3和S101-4,即预定得分包括设备故障趋势得分,温度预警得分,电机预警得分,流量预警得分。根据预定得分计算研磨机的故障预警得分,当所述故障预警得分大于设定的第十三判断阈值时,判定研磨机存在故障风险。
下面分别对设备故障趋势得分,温度预警得分,电机预警得分,流量预警得分的计算进行说明。需要说明的是,设备故障趋势得分,温度预警得分,电机预警得分,流量预警得分的计算不分先后,即S101-1、S101-2、S101-3和S101-4的执行不分先后,只要在执行S102之前均执行完毕即可。
S101-1:确定研磨机的设备故障趋势得分gp。
设备故障趋势能反映研磨机的故障状态,其中设备故障趋势又可以根据寿命老化情况,连续工作情况,故障干扰情况进行确定。
作为一种优选示例,确定研磨机的设备故障趋势得分gp包括:
根据所述研磨机的寿命老化得分g1p,连续工作得分g2p,故障干扰得分g3p,确定所述设备故障趋势得分gp:
gp=1+c1(g1p+g2p+g3p);
其中c1为历史数据训练得到的第一修正常数,根据设备历史使用及故障情况对设备故障的影响程度确定。
作为一种优选示例,寿命老化得分g1p通过以下公式确定:
ts1为设定的第一判断阈值,ts2为设定的第二判断阈值,t1为设备工作时长。
需要说明的是,第一判断阈值ts1和第二判断阈值ts2均为工作时长阈值,且第二判断阈值ts2比第一判断阈值ts1小,事先根据设备的技术参数等确定。
设备工作时长t1是指从设备投入运行以来累计工作时长。
作为一种优选示例,连续工作得分g2p通过以下公式确定:
ts3为设定的第三判断阈值,ts4为设定的第四判断阈值,t2为连续工作时长。
需要说明的是,第三判断阈值ts3和第四判断阈值ts4均为工作时长阈值,且第四判断阈值ts4比第三判断阈值ts3小,事先根据设备的技术参数,运行检修要求等确定。
连续工作时长t2是指研磨机不间断工作的时间长度。
作为一种优选示例,所述故障干扰得分g3p通过以下公式确定:
ts5为设定的第五判断阈值,ts6为设定的第六判断阈值;
其中,g1为故障概率得分,且g1满足:
t0为当前时间,ts7为设定的第七判断阈值,ts8为设定的第八判断阈值;
c2为历史数据训练得到的第二修正常数,根据正常使用非人为损坏设备的情况下设备历史故障的增长趋势确定;
{(tei,tji)}为设备故障维修记录数据,其中tei为故障维修的停机时长,tji为故障维修的日期,i为维修记录的序号,n1为设备故障维修记录数据长度。
需要说明的是,第五判断阈值ts5比第六判断阈值ts6大,事先根据设备的历史维修记录等确定
S101-2:确定研磨机的温度预警得分gt。
研磨机的工作温度,能反映故障状态。本步骤根据设备在固定长度时间窗内的轴承温度数据{(tmj,tvj)}计算温度预警得分gt,其中tmj为轴承温度,tvj为检测时间,j为轴承温度数据的序号,所述轴承温度数据集合长度为n2,j的取值范围为大于等于1小于等于n2;
作为一种优选示例,温度预警得分gt根据以下公式确定:
ts9为设定的第九判断阈值;
gt1为预警时长得分,根据以下公式计算:
tml为设定预警温度;
kt1为温度趋势得分,根据以下公式计算:
c3为历史数据训练得到的第三修正常数,根据预警时长的预测误差区间确定。
S101-3:确定研磨机的电机预警得分gu。
电机作为研磨机的核心部件,对故障状态起着重要作用。本发明根据设备在固定长度时间窗内的电机振动信号{(evm,thm)}计算电机预警得分gu,其中evm为振动幅值,thm为检测时间,m为电机振动信号的序号,电机振动信号集合长度为n3;
作为一种优选示例,所述电机预警得分gu根据以下公式确定:
ts11为设定的第十一判断阈值;
其中,
ts10为设定的第十判断阈值;
clm为磨损波动得分,根据以下公式确定:
clmin=min(ev1,...,evn3);
n4<n3,n4为设定的子窗口长度。
S101-4:确定研磨机的流量预警得分gl。
本发明中,研磨机的流量是指冷却液的进出流量。冷却液的流量使用情况能反映故障状态。本发明中,根据设备在固定长度时间窗内的设备冷却液的进出流量{(fjp,fcp,tlp)}计算得到流量预警得分gl,其中fjp为进入设备流量,fcp为出设备流量,tlp为检测时间,p为进出流量的序号,集合长度为n5;
作为一种优选示例,所述流量预警得分gl根据以下公式确定:
其中ts12为设定的第十二判断阈值;
gl1为流量波动得分,根据以下公式确定:
q为加和角标,为大于等于1小于等于n5的整数,即q为对进入设备流量fj与出设备流量fc的差的求和序号,fjq-fcq即表示第q个进入设备流量与第q个出设备流量的差。
S102:所述根据所述设备故障趋势得分gp,温度预警得分gt,电机预警得分gu和流量预警得分gl确定研磨机的故障预警得分gb。
在确定研磨机的设备故障趋势得分gp,温度预警得分gt,电机预警得分gu和流量预警得分gl之后,计算研磨机的故障预警得分。作为一种优选示例,所述故障预警得分gb根据以下公式确定:
gb=gp*(gt+gu+gl)。
*表示乘法运算。
作为一种优选示例,所述故障预警得分gb还可以根据以下公式确定:
gb=gp*(r1*gt+r2*gu+r3*gl)。
*表示乘法运算,r1为温度预警加权系数,r2电机预警加权系数,r3为流量预警加权系数,该三个加权系数均事先确定。
作为一种优选示例,该三个加权系数满足:r1+r2+r3=3。
S103:当所述故障预警得分gb大于设定的第十三判断阈值ts13时,判定研磨机存在故障风险。
当研磨机故障预警得分gb大于设定的第十三判断阈值ts13时,判定研磨机存在故障风险并发送故障预警至相关管理部门进行处理。
作为一种优选示例,第十三判断阈值ts13的确定方法,可以是:分别使用存在风险的研磨机与不存在风险的研磨机计算故障预警得分,对两类得分分别进行聚类,根据两类得分的聚类中心取两个中心得分的均值作为第十三判断阈值。
需要说明的是,本发明中,第一判断阈值到第十三判断阈值,共13个判断阈值,均由相应的训练数据决定,均为实数。
本发明方法中,综合了研磨机的故障趋势,温度,电机,流量等因素,计算故障预警得分,然后将故障预警得分与设定的判断阈值进行比较,从而判断研磨机是否存在故障风险。
本发明中,综合考虑了研磨机的寿命老化,连续工作状态,故障干扰,温度预警,电机预警,流量预警等因素,确定研磨机的故障预警得分,然后将故障预警得分与预设的第十三判断阈值进行比较,从而判断研磨机是否存在故障风险。
实施例二
计算模块一201,被配置用于确定研磨机的设备故障趋势得分gp;
计算模块二202,被配置用于确定研磨机的温度预警得分gt;
计算模块三203,被配置用于确定研磨机的电机预警得分gu;
计算模块四204,被配置用于确定研磨机的流量预警得分gl;
综合模块205,被配置用于根据所述设备故障趋势得分gp,温度预警得分gt,电机预警得分gu和流量预警得分gl确定研磨机的故障预警得分gb;
判断模块206,被配置用于判断当所述故障预警得分gb大于设定的第十三判断阈值ts13时,判定研磨机存在故障风险。
作为一种优选示例,计算模块一201还被配置用于根据所述研磨机的寿命老化得分g1p,连续工作得分g2p,故障干扰得分g3p,确定所述设备故障趋势得分gp:
gp=1+c1(g1p+g2p+g3p);
其中c1为历史数据训练得到的第一修正常数。
所述寿命老化得分g1p通过以下公式确定:
ts1为设定的第一判断阈值,ts2为设定的第二判断阈值,t1为设备工作时长。
所述连续工作得分g2p通过以下公式确定:
ts3为设定的第三判断阈值,ts4为设定的第四判断阈值t2为连续工作时长。
所述故障干扰得分g3p通过以下公式确定:
ts5为设定的第五判断阈值,ts6为设定的第六判断阈值;
其中,g1为故障概率得分,且g1满足:
t0为当前时间,ts7为设定的第七判断阈值,ts8为设定的第八判断阈值;
c2为历史数据训练得到的第二修正常数;
{(tei,tji)}为设备故障维修记录数据,其中tei为故障维修的停机时长,tji为故障维修的日期,i为维修记录的序号,n1为设备故障维修记录数据长度。
作为一种优选示例,计算模块二202还被配置用于根据设备在固定长度时间窗内的轴承温度数据{(tmj,tvj)}计算温度预警得分gt,其中tmj为轴承温度,tvj为检测时间,j为轴承温度数据的序号,所述轴承温度数据集合长度为n2;
温度预警得分gt根据以下公式确定:
ts9为设定的第九判断阈值;
gt1为预警时长得分,根据以下公式计算:
tml为设定预警温度;
kt1为温度趋势得分,根据以下公式计算:
c3为历史数据训练得到的第三修正常数。
作为一种优选示例,计算模块三203还被配置用于根据设备在固定长度时间窗内的电机振动信号{(evm,thm)}计算电机预警得分gu,其中evm为振动幅值,thm为检测时间,m为机振动信号的序号,电机振动信号集合长度为n3;
所述电机预警得分gu根据以下公式确定:
ts11为设定的第十一判断阈值;
其中,
ts10为设定的第十判断阈值;
clm为磨损波动得分,根据以下公式确定:
clmin=min(ev1,...,evn3);
n4<n3,n4为设定的子窗口长度。
作为一种优选示例,计算模块四204还被配置用于根据设备在固定长度时间窗内的设备冷却液的进出流量{(fjp,fcp,tlp)}计算得到流量预警得分gl,其中fjp为进入设备流量,fcp为出设备流量,tlp为检测时间,p为进出流量的序号,集合长度为n5;
所述流量预警得分gl根据以下公式确定:
其中ts12为设定的第十二判断阈值;
gl1为流量波动得分,根据以下公式确定:
作为一种优选示例,综合模块205还被配置用于根据所述设备故障趋势得分gp,温度预警得分gt,电机预警得分gu和流量预警得分gl确定研磨机的故障预警得分gb:
gb=gp*(gt+gu+gl)。
需要说明的是,本实施例提供的计算模块一201,能实现实施例一中步骤S101-1包含的全部功能,解决相同技术问题,达到相同技术效果,在此不再赘述;
需要说明的是,本实施例提供的计算模块二202,能实现实施例一中步骤S101-2包含的全部功能,解决相同技术问题,达到相同技术效果,在此不再赘述;
需要说明的是,本实施例提供的计算模块三203,能实现实施例一中步骤S101-3包含的全部功能,解决相同技术问题,达到相同技术效果,在此不再赘述;
需要说明的是,本实施例提供的计算模块四204,能实现实施例一中步骤S101-4包含的全部功能,解决相同技术问题,达到相同技术效果,在此不再赘述;
需要说明的是,实施例二提供的装置与实施例一提供的方法属于同一个发明构思,解决相同的技术问题,达到相同的技术效果,实施例二提供的装置能实现实施例一的所有方法,相同之处不再赘述。
实施例三
基于同一个发明构思,本发明实施例还提供了一种研磨机故障预警装置,如图3所示,该装置包括:
包括存储器302、处理器301和用户接口303;
所述存储器302,用于存储计算机程序;
所述用户接口303,用于与用户实现交互;
所述处理器301,用于读取所述存储器302中的计算机程序,所述处理器301执行所述计算机程序时,实现:
确定研磨机的设备故障趋势得分gp;
确定研磨机的温度预警得分gt;
确定研磨机的电机预警得分gu;
确定研磨机的流量预警得分gl;
根据所述设备故障趋势得分gp,温度预警得分gt,电机预警得分gu和流量预警得分gl确定研磨机的故障预警得分gb;
当所述故障预警得分gb大于设定的第十三判断阈值ts13时,判定研磨机存在故障风险。
其中,在图3中,总线架构可以包括任意数量的互联的总线和桥,具体由处理器301代表的一个或多个处理器和存储器302代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口提供接口。处理器301负责管理总线架构和通常的处理,存储器302可以存储处理器301在执行操作时所使用的数据。
处理器301可以是CPU、ASIC、FPGA或CPLD,处理器301也可以采用多核架构。
处理器301执行存储器302存储的计算机程序时,实现实施例一中的任一研磨机故障预警方法。
需要说明的是,实施例三提供的装置与实施例一提供的方法属于同一个发明构思,解决相同的技术问题,达到相同的技术效果,实施例三提供的装置能实现实施例一的所有方法,相同之处不再赘述。
本申请还提出一种处理器可读存储介质。其中,该处理器可读存储介质存储有计算机程序,所述处理器执行所述计算机程序时实现实施例一中的任一研磨机故障预警方法。
需要说明的是,本申请实施例中对单元的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
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和光学存储器等)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。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (4)
1.一种研磨机故障预警方法,其特征在于,包括:
确定研磨机的设备故障趋势得分gp;
确定研磨机的温度预警得分gt;
确定研磨机的电机预警得分gu;
确定研磨机的流量预警得分gl;
根据所述设备故障趋势得分gp,温度预警得分gt,电机预警得分gu和流量预警得分gl确定研磨机的故障预警得分gb;
当所述故障预警得分gb大于设定的第十三判断阈值ts13时,判定研磨机存在故障风险;
所述确定研磨机的设备故障趋势得分gp包括:
根据所述研磨机的寿命老化得分g1p,连续工作得分g2p,故障干扰得分g3p,确定所述设备故障趋势得分gp:
gp=1+c1(g1p+g2p+g3p);
其中c1为历史数据训练得到的第一修正常数;
所述寿命老化得分g1p通过以下公式确定:
ts1为设定的第一判断阈值,ts2为设定的第二判断阈值,t1为设备工作时长;
所述连续工作得分g2p通过以下公式确定:
ts3为设定的第三判断阈值,ts4为设定的第四判断阈值,t2为连续工作时长;
所述故障干扰得分g3p通过以下公式确定:
ts5为设定的第五判断阈值,ts6为设定的第六判断阈值;
其中,g1为故障概率得分,且g1满足:
t0为当前时间,ts7为设定的第七判断阈值,ts8为设定的第八判断阈值;
c2为历史数据训练得到的第二修正常数;
{(tei,tji)}为设备故障维修记录数据,其中tei为故障维修的停机时长,tji为故障维修的日期,i为维修记录的序号,n1为设备故障维修记录数据长度;
所述确定研磨机的温度预警得分gt包括:
根据设备在固定长度时间窗内的轴承温度数据{(tmj,tvj)}计算温度预警得分gt,其中tmj为轴承温度,tvj为检测时间,j为轴承温度数据的序号,所述轴承温度数据集合长度为n2;
温度预警得分gt根据以下公式确定:
ts9为设定的第九判断阈值;
gt1为预警时长得分,根据以下公式计算:
tml为设定预警温度;
kt1为温度趋势得分,根据以下公式计算:
c3为历史数据训练得到的第三修正常数;
所述确定研磨机的电机预警得分gu包括:
根据设备在固定长度时间窗内的电机振动信号{(evm,thm)}计算电机预警得分gu,其中evm为振动幅值,thm为检测时间,m为电机振动信号的序号,电机振动信号集合长度为n3;
所述电机预警得分gu根据以下公式确定:
ts11为设定的第十一判断阈值;
其中,
ts10为设定的第十判断阈值;
clm为磨损波动得分,根据以下公式确定:
n4<n3,n4为设定的子窗口长度;
所述确定研磨机的流量预警得分gl包括:
根据设备在固定长度时间窗内的设备冷却液的进出流量{(fjp,fcp,tlp)}计算得到流量预警得分gl,其中fjp为进入设备流量,fcp为出设备流量,tlp为检测时间,p为进出流量的序号,集合长度为n5;
所述流量预警得分gl根据以下公式确定:
其中ts12为设定的第十二判断阈值;
gl1为流量波动得分,根据以下公式确定:
q为加和角标,为大于等于1小于等于n5的整数;
所述根据所述设备故障趋势得分gp,温度预警得分gt,电机预警得分gu和流量预警得分gl确定研磨机的故障预警得分gb包括:
所述故障预警得分gb根据以下公式确定:
gb=gp*(gt+gu+gl)。
2.一种研磨机故障预警装置,其特征在于,包括:
计算模块一,被配置用于确定研磨机的设备故障趋势得分gp;
计算模块二,被配置用于确定研磨机的温度预警得分gt;
计算模块三,被配置用于确定研磨机的电机预警得分gu;
计算模块四,被配置用于确定研磨机的流量预警得分gl;
综合模块,被配置用于根据所述设备故障趋势得分gp,温度预警得分gt,电机预警得分gu和流量预警得分gl确定研磨机的故障预警得分gb;
判断模块,被配置用于判断当所述故障预警得分gb大于设定的第十三判断阈值ts13时,判定研磨机存在故障风险;
所述确定研磨机的设备故障趋势得分gp包括:
根据所述研磨机的寿命老化得分g1p,连续工作得分g2p,故障干扰得分g3p,确定所述设备故障趋势得分gp:
gp=1+c1(g1p+g2p+g3p);
其中c1为历史数据训练得到的第一修正常数;
所述寿命老化得分g1p通过以下公式确定:
ts1为设定的第一判断阈值,ts2为设定的第二判断阈值,t1为设备工作时长;
所述连续工作得分g2p通过以下公式确定:
ts3为设定的第三判断阈值,ts4为设定的第四判断阈值,t2为连续工作时长;
所述故障干扰得分g3p通过以下公式确定:
ts5为设定的第五判断阈值,ts6为设定的第六判断阈值;
其中,g1为故障概率得分,且g1满足:
t0为当前时间,ts7为设定的第七判断阈值,ts8为设定的第八判断阈值;
c2为历史数据训练得到的第二修正常数;
{(tei,tji)}为设备故障维修记录数据,其中tei为故障维修的停机时长,tji为故障维修的日期,i为维修记录的序号,n1为设备故障维修记录数据长度;
所述确定研磨机的温度预警得分gt包括:
根据设备在固定长度时间窗内的轴承温度数据{(tmj,tvj)}计算温度预警得分gt,其中tmj为轴承温度,tvj为检测时间,j为轴承温度数据的序号,所述轴承温度数据集合长度为n2;
温度预警得分gt根据以下公式确定:
ts9为设定的第九判断阈值;
gt1为预警时长得分,根据以下公式计算:
tml为设定预警温度;
kt1为温度趋势得分,根据以下公式计算:
c3为历史数据训练得到的第三修正常数;
所述确定研磨机的电机预警得分gu包括:
根据设备在固定长度时间窗内的电机振动信号{(evm,thm)}计算电机预警得分gu,其中evm为振动幅值,thm为检测时间,m为电机振动信号的序号,电机振动信号集合长度为n3;
所述电机预警得分gu根据以下公式确定:
ts11为设定的第十一判断阈值;
其中,
ts10为设定的第十判断阈值;
clm为磨损波动得分,根据以下公式确定:
clmin=min(ev1,...,evn3);
n4<n3,n4为设定的子窗口长度;
所述确定研磨机的流量预警得分gl包括:
根据设备在固定长度时间窗内的设备冷却液的进出流量{(fjp,fcp,tlp)}计算得到流量预警得分gl,其中fjp为进入设备流量,fcp为出设备流量,tlp为检测时间,p为进出流量的序号,集合长度为n5;
所述流量预警得分gl根据以下公式确定:
其中ts12为设定的第十二判断阈值;
gl1为流量波动得分,根据以下公式确定:
q为加和角标,为大于等于1小于等于n5的整数;
所述根据所述设备故障趋势得分gp,温度预警得分gt,电机预警得分gu和流量预警得分gl确定研磨机的故障预警得分gb包括:
所述故障预警得分gb根据以下公式确定:
gb=gp*(gt+gu+gl)。
3.一种研磨机故障预警装置,其特征在于,包括存储器、处理器和用户接口;
所述存储器,用于存储计算机程序;
所述用户接口,用于与用户实现交互;
所述处理器,用于读取所述存储器中的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1所述的研磨机故障预警方法。
4.一种处理器可读存储介质,其特征在于,所述处理器可读存储介质存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1所述的研磨机故障预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310249823.7A CN116362452B (zh) | 2023-03-15 | 2023-03-15 | 一种研磨机故障预警方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310249823.7A CN116362452B (zh) | 2023-03-15 | 2023-03-15 | 一种研磨机故障预警方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116362452A CN116362452A (zh) | 2023-06-30 |
CN116362452B true CN116362452B (zh) | 2023-09-12 |
Family
ID=86912749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310249823.7A Active CN116362452B (zh) | 2023-03-15 | 2023-03-15 | 一种研磨机故障预警方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116362452B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062088A (zh) * | 2017-12-15 | 2018-05-22 | 广州广电运通金融电子股份有限公司 | 车站终端故障风险预警方法、装置、终端及存储介质 |
CN110262450A (zh) * | 2019-06-17 | 2019-09-20 | 浙江浙能嘉华发电有限公司 | 面向汽轮机的多种故障特性协同分析的故障预测方法 |
CN112464440A (zh) * | 2020-11-03 | 2021-03-09 | 江苏核电有限公司 | 基于三级评价模型的干式变压器健康状况评估方法 |
CN112801525A (zh) * | 2021-02-04 | 2021-05-14 | 三一重工股份有限公司 | 机械设备的健康状态评估方法及装置 |
WO2021196314A1 (zh) * | 2020-03-31 | 2021-10-07 | 厦门邑通软件科技有限公司 | 设备健康监控预警方法、系统、储存介质和设备 |
CN114328141A (zh) * | 2021-12-28 | 2022-04-12 | 浪潮电子信息产业股份有限公司 | 硬盘故障预警方法及相关组件 |
CN115775087A (zh) * | 2023-02-13 | 2023-03-10 | 东莞先知大数据有限公司 | 一种充电桩风险预警方法、装置及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201621434D0 (en) * | 2016-12-16 | 2017-02-01 | Palantir Technologies Inc | Processing sensor logs |
-
2023
- 2023-03-15 CN CN202310249823.7A patent/CN116362452B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062088A (zh) * | 2017-12-15 | 2018-05-22 | 广州广电运通金融电子股份有限公司 | 车站终端故障风险预警方法、装置、终端及存储介质 |
CN110262450A (zh) * | 2019-06-17 | 2019-09-20 | 浙江浙能嘉华发电有限公司 | 面向汽轮机的多种故障特性协同分析的故障预测方法 |
WO2021196314A1 (zh) * | 2020-03-31 | 2021-10-07 | 厦门邑通软件科技有限公司 | 设备健康监控预警方法、系统、储存介质和设备 |
CN112464440A (zh) * | 2020-11-03 | 2021-03-09 | 江苏核电有限公司 | 基于三级评价模型的干式变压器健康状况评估方法 |
CN112801525A (zh) * | 2021-02-04 | 2021-05-14 | 三一重工股份有限公司 | 机械设备的健康状态评估方法及装置 |
CN114328141A (zh) * | 2021-12-28 | 2022-04-12 | 浪潮电子信息产业股份有限公司 | 硬盘故障预警方法及相关组件 |
CN115775087A (zh) * | 2023-02-13 | 2023-03-10 | 东莞先知大数据有限公司 | 一种充电桩风险预警方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
研磨机的常见故障分析及处理对策;张峰 等;《管理观察》(第11期);第46-47页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116362452A (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105095747B (zh) | 一种Java应用健康度评估方法及系统 | |
CN104516808B (zh) | 数据预处理装置及方法 | |
JP2012244897A (ja) | 短期電力負荷を予測する方法及び装置 | |
CN112685273A (zh) | 异常检测方法、装置、计算机设备和存储介质 | |
EP2541358B1 (en) | Method, monitoring system and computer program product for monitoring the health of a monitored system utilizing an associative memory | |
JP5827426B1 (ja) | 予兆診断システム及び予兆診断方法 | |
CN110633194B (zh) | 一种硬件资源在特定环境下的性能评估方法 | |
CN110942137A (zh) | 一种基于深度学习的电网信息运维监控方法 | |
US11257001B2 (en) | Prediction model enhancement | |
Ritou et al. | Knowledge-based multi-level aggregation for decision aid in the machining industry | |
CN107464185A (zh) | 风险监控方法、装置、存储介质以及计算机设备 | |
US20160321553A1 (en) | Methods and systems that estimate a degree of abnormality of a complex system | |
CN116362452B (zh) | 一种研磨机故障预警方法、装置及存储介质 | |
CN113987027A (zh) | 一种基于故障预测的设备状态确定方法、装置及介质 | |
JP3054039B2 (ja) | プラントの保全支援装置 | |
CN113487086B (zh) | 设备剩余使用寿命预测方法、装置、计算机设备和介质 | |
JP3213929U (ja) | 海上プラント予防保全システム | |
CN111949498A (zh) | 应用服务器异常预测方法及系统 | |
CN116258482A (zh) | 一种自动选择维修方案的方法、服务器、电子设备 | |
CN115437886A (zh) | 基于存算一体芯片的故障预警方法、装置、设备及存储 | |
CN110738327A (zh) | 一种快充桩设备风险评估方法及系统 | |
CN202798762U (zh) | 用于电力通信故障信息分析告警装置 | |
CN115328054A (zh) | 一种基于云计算的智能制造工业软件调试系统 | |
CN114091618A (zh) | 工业设备健康状态诊断管理方法、装置及服务器 | |
JP2018005715A (ja) | 製造プロセスの異常状態診断方法及び異常状態診断装置 |
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 |