CN116679653A - 一种用于工业设备数据的智能采集系统 - Google Patents
一种用于工业设备数据的智能采集系统 Download PDFInfo
- Publication number
- CN116679653A CN116679653A CN202310831493.2A CN202310831493A CN116679653A CN 116679653 A CN116679653 A CN 116679653A CN 202310831493 A CN202310831493 A CN 202310831493A CN 116679653 A CN116679653 A CN 116679653A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- bearing
- equipment
- acquisition system
- 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
- 238000004364 calculation method Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000000007 visual effect Effects 0.000 claims abstract description 16
- 230000010354 integration Effects 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000012423 maintenance Methods 0.000 claims abstract description 5
- 230000007547 defect Effects 0.000 claims description 17
- 238000007405 data analysis Methods 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000010191 image analysis Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000013075 data extraction Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 15
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000007726 management method Methods 0.000 description 12
- 238000013500 data storage Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000013523 data management Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31282—Data acquisition, BDE MDE
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种用于工业设备数据的智能采集系统，具体涉及数据采集领域，包括数据采集模块，数据整合模块，数据计算模块，故障预测模块，报警处理模块及可视化界面模块；采集的数据可以用于实时监控设备运行状态；包括：自动化数据采集：智能采集系统可以通过连接传感器和设备来自动采集数据；实时监控：该系统可实时监测设备运行状态、故障、生产计划和成本控制；预测性维护：智能采集系统可以分析收集到的数据，帮助预测设备故障，进行维护和更换。智能采集系统的优点在于可以实现智能化、自动化、高效的数据采集和分析，从而提高生产效率和可靠性，减少停机时间和成本。
Description
技术领域
本发明涉及工业数据处理技术领域，更具体地说，本发明涉及一种用于工业设备数据的智能采集系统及其方法。
背景技术
工业设备是指在工业生产过程中使用的各种机器、设备、工具等生产资料之一，能够进行物料加工、制造、包装、储运等各种生产工序的机器和设备。不同传感器获取的信息可能具有不同的重要性，或者在不同时段具有不同的价值。需要使用多种传感器技术来监测轴承状态参数，但是不同传感器之间存在数据不一致、不兼容等问题，导致数据整合和分析的困难。
目前采用的特征提取算法普遍具有较低的准确度和稳定性，存在着特征损失和噪音干扰带来的误判等问题，影响了工业设备轴承状态的判断精度，现有的算法模型对于数据量较大、维度较高的工业设备数据计算效率较低，不能及时地进行数据分析和故障预测，从而影响了工业设备的稳定运行；当前的智能采集系统往往只能对单一设备进行监测和分析，无法实现对多设备数据的综合分析与对比。
本实验新型可以根据轴承状态的变化，自适应地调整数据的权重和重要性，可以融合来自不同传感器的数据，同时结合历史数据和环境因素等信息，从而提高对轴承状态的判断精度。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供一种用于工业设备数据的智能采集系统，通过大数据技术，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种用于工业设备数据的智能采集系统，包括：
数据采集模块：利用传感器采集轴承的状态参数，并将轴承的状态参数传输至数据整合模块；
数据整合模块：用于将采集到的数据进行整合并依次编号，并将数据传输至数据计算模块；
数据计算模块：用于系统根据设备轴承数据计算工业设备轴承的缺陷程度An、稳定性指数Bn以及运行可靠性指数为Cn＝k*An+(1-k)Bn，并将计算结果传输至故障预测模块；
故障预测模块：用于系统将计算出的轴承可靠性指数与预设值进行对比，判断轴承可靠性指数是否小于预设值，小于则为不合格，筛选出不合格的数据，并传输至报警处理模块；
报警处理模块：用于系统接收不合格的设备数据以及设备轴承数据，并触发报警装置，当设备出现异常或故障时，该系统会发出报警信号，通知操作人员进行检查和维修；
可视化界面模块：用于系统将设备数据、数据计算判断结果以及数据计算结果实时更新并传输至显示器上。
优选的，所述数据采集模块采用传感器技术对轴承的状态参数进行监测，运用图像处理技术，对收集到的轴承样品进行数据分析，所述数据分析模块具体包括：
传感器采集单元：利用温度传感器、振动传感器、转速传感器以及其他检测设备对轴承的工作状态进行监测；
图像分析单元：对轴承样本的图像进行图像分析，对轴承样本外观数据进行采集提取。
优选的，所述数据整合模块：用于存储将采集到的设备轴承数据存储至系统的数据库中，对采集到的数据进行整合并依次编号，并将数据传输至数据计算模块，所述数据整合模块具体包括：
数据提取单元：利用网络爬虫技术对数据库中的所需数据进行筛选并提取并对提取出的数据进行整合处理；
数据排序单元：对整合后的数据进行排序处理，整合后的数据具体包括：轴承平均加速度a1、a2……an、平均速度b1、b2……bn、工作时的相对位移c1、c2……cn、工作温度d1、d2……dn、噪声分贝值e1、e2……en、载荷f1、f2……fn、强度g1、g2……gn、刚度h1、h2……hn、摩擦系数j1、j2……jn、硬度k1、k2……kn以及表面刻痕个数s1、s2……sn。
优选的，所述数据计算模块用于系统根据设备承轴数据计算工业设备轴承的缺陷程度An、稳定性指数Bn以及运行可靠性指数Cn，并将计算结果传输至故障预测模块，所述数据计算模块具体包括：
缺陷程度计算单元：计算轴承样本的缺陷程度为：
稳定性指数计算单元：计算轴承样本的稳定性指数为：
运行可靠性指数计算单元：计算轴承样本的运行可靠性指数为：Cn＝k*An+(1-k)Bn；
优选的，所述报警处理模块：当设备出现异常或故障时，该系统会发出报警信号，通知操作人员进行检查和维修。
优选的，所述可视化界面模块：该模块用于将采集到的数据以图表、仪表盘展示给操作人员，以便他们能够迅速准确了解设备的运行状态。
优选的，所述故障预测模块：故障预测模块采用机器学习、人工智能、大数据分析，对轴承的故障特征进行分析，通过评估历史数据和当前运行状态，预测轴承在未来可能出现的各种故障模式和性质。
本发明的技术效果和优点：
本发明通过数据采集模块采集轴承的状态参数，数据整合模块进行数据整合和编号，数据计算模块计算轴承缺陷程度和稳定性指数，故障预测模块用于判断轴承可靠性指数是否合格，报警处理模块在出现不合格数据时发出报警信号。同时，可视化界面模块将系统的实时更新以可视化的方式展示在显示器上。
这种用于工业设备数据的智能采集系统的主要优点是优化了设备的管理方式，能够通过实时监测和数据分析预测设备故障，并在设备出现问题时及时发出报警，减少故障的危害并提高设备的利用率。
附图说明
图1为本发明的系统结构框图。
图2为本发明的系统流程图。
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。
实施例1
本实施例提供了如图1所示下面是工业设备故障预测系统各模块的功能连接：数据采集模块利用传感器采集轴承的状态参数，并将数据传输至数据整合模块。数据整合模块将采集到的数据进行整合和编号，以便后续数据计算和预测分析模块使用。数据计算模块根据设备轴承数据计算出轴承缺陷程度An、稳定性指数Bn以及运行可靠性指数，并将计算结果传输至故障预测模块。故障预测模块接受数据计算模块传输的计算结果，与预设的可靠性指数进行比较，判断轴承可靠性指数是否合格。如果不合格，则将不合格数据传输至报警处理模块。报警处理模块接受故障预测模块传输的不合格数据，通过触发报警装置通知操作人员进行检查和维修。可视化界面模块将设备数据、数据计算判断结果以及数据计算结果实时更新并传输至显示器上，以便操作人员进行实时监控和管理。
本实施与现有技术的区别在于该实施方案在数据计算模块中，引入了稳定性指数Bn的计算方法，依据设备轴承的历史数据，能够有效估计设备的稳定性。基于此得出的计算结果能够更准确地评估设备的状态和可靠性，降低了对设备的不必要维修和保养；该实施方案使用传感器对轴承进行数据采集，实现了自动化和智能化，相比传统的人工采集数据的方式，减少了人工操作的劳动力成本，增强了数据的准确性和全面性。
综上所述，该实施方案在可视化监控、故障预测功能、自动化数据采集和稳定性评估方面有很大的优势，大大提高了设备管理的效率和准确性，提升了企业的管理水平，并能够减少对环境和资源的浪费，具有很高的实用和应用价值。
如图2本实施例提供一种用于工业设备数据的智能采集系统，具体包括下列步骤：
101、数据采集模块是工业设备故障预测系统中的重要模块，具体实施步骤如下：
A1.了解设备类型和性质，根据设备的转速、负载、形态等因素，选择适当的传感器类型。
A2.确定传感器的位置和数量，根据不同位置和方向选择合理的传感器。
A3.搭建数据采集系统，选用专业的数据采集软件和硬件设备进行数据采集，并建立数据采集模块和整合模块之间的数据传输通道。
A4.开始采集数据，根据预设的采集频率和采集范围，持续进行数据采集。在采集的过程中需要注意传感器测量范围、分辨率、稳定性等信息的检测和核实，确保采集的数据符合预期。
A5.进行数据预处理，包括去噪、滤波、幅度调整、归一化等内容，针对不同的传感器采集方式和设备形态，制定合适的数据处理策略，以确保采集到的数据的准确性和独立性。
A6.继续开展数据采集，每隔一定时间对传感器进行一定的检测和维修，保职工业设备故障预测系统的正常运作。
关于传感器的选择，可以根据需要选择不同种类的传感器，如加速度传感器、温度传感器、位移传感器等。传感器还可以根据传输方式分类，有有线传感器和无线传感器。
在实际应用过程中，利用MEMS加速度传感器Micro-electro-mechanical system，微电子机械系统加速度传感器进行数据采集，因为这类传感器可以同时测量多个方向的振动和加速度，并能够提供高精度的数据测量结果。此外，利用扩展性高、通用性广的USB数据采集板NI USB-6363进行采集操作，可方便对采集数据进行了解、保存和管理。
在软件工具方面，可使用专业的采集软件和数据处理软件实现数据采集功能。例如，可以选择使用LabVIEW软件并结合NI-DAQmx进行传感器采集。这样的工具具有数据采集、实时处理和可视化管理等功能，容易操作、功能全面、稳定可靠。
总之，工业设备故障预测系统的数据采集模块需要根据具体情况和设备要求进行方案设计和实施，选择合适的传感器和软件工具，以确保数据采集的实时性和准确性。
102、数据整合模块是工业设备故障预测系统中的重要模块，其具体实施步骤如下：
B1、使用编程语言和算法对预处理后的数据进行整合和编号
针对预处理后的数据，使用编程语言和算法对数据进行整合、处理、分析和编码，以便后续数据分析和管理。
具体方法包括利用程序实现对数据的分类、划分和统计等操作，得出更为清晰的数据结构和结果。
B2、建立数据库存储采集到的数据，便于后续数据分析和管理；
建立数据库储存采集到的数据，可以有效存储设备运行时的数据，采用标准的数据库管理系统可以实现高效的数据检索和管理。
针对数据储存方式，可选择关系型数据库MySQL、SQL Server、Oracle、非关系型数据库MongoDB、Cassandra和云数据库阿里云、AWS、Azure，具体选择需要根据设备型号、数据量、数据处理的速度和安全等多个因素综合考虑。
在软件工具方面，可以利用专业的数据管理和处理工具进行数据库建立和管理。MySQL Workbench、Microsoft SQL Server Management Studio、Navicat，都是常用的数据库管理工具，可方便进行数据导入、备份、查询和更新等任务。
B3、规定数据存储格式，以便后续数据计算和分析模块的使用。
规定数据存储格式可以方便后续的数据处理、分析和计算操作。数据存储格式根据具体场景和需求的不同，包括文件格式、数据结构等多个方面。
在实际应用中，常用的数据存储格式有CSV、XML、JSON，这些数据格式在传输、存储和处理方面，都具备较好的性能和精度，能够满足大多数工业设备故障预测的需求，可以方便地被其他技术工具进行处理和解析。
对于数据存储格式的规定一般由专业的数据管理和处理工具完成，常见的有LabVIEW、Python等语言的专业库，以及可视化系统中的数据管理器等工具。
103、数据计算模块：
C1、缺陷程度计算单元：计算轴承样本的缺陷程度为：
C2、稳定性指数计算单元：计算轴承样本的稳定性指数为：
C3、运行可靠性指数计算单元：计算轴承样本的运行可靠性指数为：Cn＝k*An+(1-k)Bn；
对于采集到的数据，可以利用时域数据分析方法和频域数据分析方法来计算其缺陷程度。
时域数据分析方法中，通常采用均方根、峰值、裕度系数等参数来反映设备运行的缺陷情况。
频域数据分析方法，通常使用傅里叶变换将时域数据转换成频域数据，再进行幅值分析和相位分析，较精细地反应出轴承缺陷的状态和程度。
以轴承缺陷状态检测为例，可以采用支持向量机SVM算法，对采集到的数据进行数据训练和识别，以获得更准确的缺陷程度诊断结果。
104、故障预测模块：
D1、利用预测分析算法和故障判断模型对轴承的可靠性指数进行分析和预测
预测分析算法和故障判断模型具体有哪些，需要根据实际情况进行选择和确定。例如，常用的有神经网络模型、支持向量机模型、逻辑回归模型、深度学习模型等。
针对轴承的可靠性指数，需要利用历史数据进行训练和预测。对于不同的模型和算法，其训练和预测的方式会有所不同。如逻辑回归模型可以通过最大似然估计法进行训练，神经网络模型可以通过反向传播算法进行训练等。
需要对模型的训练和预测结果进行综合分析，以确定轴承的故障状态，其只要尽可能地减少误判和漏判的情况，并确保预测结果的准确性和可靠性。
D2、设定预测模型和故障判断模型的参数和标准，确保预测分析结果的可靠性
预测模型和故障判断模型的参数和标准需要灵活设置，以确保预测分析结果的准确性和可靠性。这些参数和标准可以根据设备的运行特性、故障类型和历史故障数据等因素综合考虑。
在设定预测模型的参数和标准时，需要考虑数据样本的选择、特征提取方法、数据划分方式、损失函数和模型参数优化等方面的设置，尽可能得到最佳预测结果。
故障判断模型的参数和标准需要结合实际设备的情况进行设定。例如，在设置轴承故障判断模型时，需要考虑不同故障类型的表现形式、故障特征的提取方法、阈值的选择等因素。
D3、确定预测结果与预设阈值的比较判断方式，以便及时发现不合格的数据，并进行报警处理
预测结果与预设阈值的比较判断方式需要根据设备运行的特性和判断故障类型的需求进行确定。可以根据预测模型和故障判断模型的预测结果进行设定，例如可以设定预测结果的置信区间、概率分布、预测误差等指标来进行判断。
同时需要设定预测结果和预设阈值之间的报警策略，以便及早发现故障，避免因故障而造成的生产损失。一般，可以使用声音、光纤、短信等方式进行报警，通知相关人员对设备进行维护和保养。
综上所述，故障预测模块需要根据不同设备和故障类型进行实际情况的选择和确定，选用适当的预测分析算法和故障判断模型，设定合适的模型参数和标准，确定预测结果和预设阈值之间的比较判断方法和报警策略，以保证预测结果的可靠性和故障预判的准确性。
105、报警处理模块：
F1、设计和实现一个报警装置和通知系统，将预测分析模块传输过来的不合格数据发送到指定的设备，并及时通知操作人员进行检查和维修
报警装置和通知系统需要针对不合格的数据，实时将预警信号发送到设备管理系统，同时通知相关的操作人员进行检查和维修，并给出相应的处理建议和方案。
报警的方式可以根据设备的要求进行选择，常见的报警方式包括声音报警、文字报警、弹窗提醒等多种方式。通知系统可以通过短信、邮件、电话等多种方式通知相关人员。
F2、设置报警装置的参数和标准，确保报警装置的准确性和及时性
报警装置的参数和标准需要根据应用场景和故障特征进行灵活设定，以确保报警装置的准确性和及时性。
在设置报警装置的参数和标准时，需要考虑许多因素，例如自动报警的方式、报警时间的设定、报警灵敏度的调整、处理人员的优先级、报警通知的方式等。
针对设备故障的特点和实际应用需求，可以采用机器学习、人工智能等先进算法来优化报警装置的性能和准确性，如深度学习诊断算法、多传感器数据融合等方法。
综上所述，报警处理模块需要设计和实现一个报警装置和通知系统，将预测分析模块传输过来的不合格数据发送到指定的设备，并及时通知操作人员进行检查和维修。同时，需要设置报警装置的参数和标准，以确保报警装置的准确性和及时性使用机器学习、人工智能等先进算法来优化报警装置的性能和准确性。
106、可视化界面模块：
G1、基于操作员需求，设计合适的用户界面
需要综合考虑操作员的操作习惯、技能水平、视觉习惯等因素，设计一个易于操作和理解的用户界面，以方便操作人员进行实时监控和管理。
用户界面需要具有良好的实时性、易读性、交互性等特点，应该包括数据的可视化展示、数据判断结果和预测结果的可视化展示、报警信息的实时提醒和监测等功能。
G2、对可视化界面进行设计和开发，将设备数据、数据计算判断结果以及数据计算结果实时更新并传输至显示器上，以便操作人员进行实时监控和管理
在对可视化界面进行设计和开发时，需要采用一些现代化的工业控制技术，如大数据、物联网等技术，以保证设备数据的实时更新和传输。
数据显示界面应该具有实时性、易读性和交互性等特点，数据的呈现方式可以采用表格、曲线、图表、地图等多种形式。
为了更好的满足操作员的需求，用户界面可以通过定制化和个性化的方式进行开发。
综上所述，可视化界面模块需要针对操作员需求进行合理设计，具有良好的实时性、易读性、交互性等特点，通过现代化的工业控制技术，保证设备数据的实时更新和传输，以方便操作人员进行实时监控和管理。同时，需要采用定制化和个性化的方式进行开发，以满足不同用户的需求。
总之，每个模块需要根据实际情况进行合适的设计和开发，确保各个模块协同配合和运转稳定可靠，以实现工业设备故障预测系统的有效管理和监控。
本发明实施例仅仅提供一种实施方式，而不是具体的限定本发明的保护范围。
最后：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，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 (7)
1.一种用于工业设备数据的智能采集系统，其特征在于，包括：
数据采集模块：利用传感器采集轴承的状态参数，并将轴承的状态参数传输至数据整合模块；
数据整合模块：用于将采集到的数据进行整合并依次编号，并将数据传输至数据计算模块；
数据计算模块：用于系统根据设备轴承数据计算工业设备轴承的缺陷程度An、稳定性指数Bn以及运行可靠性指数为Cn＝k*An+(1-k)Bn，并将计算结果传输至故障预测模块；
故障预测模块：用于系统将计算出的轴承可靠性指数与预设值进行对比，判断轴承可靠性指数是否小于预设值，小于则为不合格，筛选出不合格的数据，并传输至报警处理模块；
报警处理模块：用于系统接收不合格的设备数据以及设备轴承数据，并触发报警装置，当设备出现异常或故障时，该系统会发出报警信号，通知操作人员进行检查和维修；
可视化界面模块：用于系统将设备数据、数据计算判断结果以及数据计算结果实时更新并传输至显示器上。
2.根据权利要求1所述的一种用于工业设备数据的智能采集系统，其特征在于：所述数据采集模块采用传感器技术对轴承的状态参数进行监测，运用图像处理技术，对收集到的轴承样品进行数据分析，所述数据分析模块具体包括：
传感器采集单元：利用温度传感器、振动传感器、转速传感器以及其他检测设备对轴承的工作状态进行监测；
图像分析单元：对轴承样本的图像进行图像分析，对轴承样本外观数据进行采集提取。
3.根据权利要求1所述的一种用于工业设备数据的智能采集系统，其特征在于：所述数据整合模块：用于存储将采集到的设备轴承数据存储至系统的数据库中，对采集到的数据进行整合并依次编号，并将数据传输至数据计算模块，所述数据整合模块具体包括：
数据提取单元：利用网络爬虫技术对数据库中的所需数据进行筛选并提取并对提取出的数据进行整合处理；
数据排序单元：对整合后的数据进行排序处理，整合后的数据具体包括：轴承平均加速度a1、a2……an、平均速度b1、b2……bn、工作时的相对位移c1、c2……cn、工作温度d1、d2……dn、噪声分贝值e1、e2……en、载荷f1、f2……fn、强度g1、g2……gn、刚度h1、h2……hn、摩擦系数j1、j2……jn、硬度k1、k2……kn以及表面刻痕个数s1、s2……sn。
4.根据权利要求1所述的一种用于工业设备数据的智能采集系统，其特征在于：所述数据计算模块用于系统根据设备承轴数据计算工业设备轴承的缺陷程度An、稳定性指数Bn以及运行可靠性指数Cn，并将计算结果传输至故障预测模块，所述数据计算模块具体包括：
缺陷程度计算单元：计算轴承样本的缺陷程度为：
稳定性指数计算单元：计算轴承样本的稳定性指数为：
运行可靠性指数计算单元：计算轴承样本的运行可靠性指数为：
Cn＝k*An+(1-k)Bn。
5.根据权利要求1所述的一种用于工业设备数据的智能采集系统，其特征在于：所述报警处理模块：当设备出现异常或故障时报警装置通过灯光变化的方式进行报警，闪烁、变色，用于提醒相关人员采取相应手段进行维修和故障诊断。
6.根据权利要求1所述的一种用于工业设备数据的智能采集系统，其特征在于：所述可视化界面模块：该模块用于将采集到的数据以图表、仪表盘展示给操作人员。
7.根据权利要求1所述的一种用于工业设备数据的智能采集系统，其特征在于：所述故障预测模块：故障预测模块采用机器学习、人工智能、大数据分析，对轴承的故障特征进行分析，评估历史数据和当前运行状态，预测轴承在未来可能出现的各种故障模式和性质。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310831493.2A CN116679653A (zh) | 2023-07-07 | 2023-07-07 | 一种用于工业设备数据的智能采集系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310831493.2A CN116679653A (zh) | 2023-07-07 | 2023-07-07 | 一种用于工业设备数据的智能采集系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116679653A true CN116679653A (zh) | 2023-09-01 |
Family
ID=87781095
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310831493.2A Pending CN116679653A (zh) | 2023-07-07 | 2023-07-07 | 一种用于工业设备数据的智能采集系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116679653A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117140186A (zh) * | 2023-10-27 | 2023-12-01 | 山东沪金精工科技股份有限公司 | 一种基于人工智能的机械加工车间在线监测系统及方法 |
| CN118261740A (zh) * | 2024-03-29 | 2024-06-28 | 苍南县求是中医药创新研究院 | 一种生产线实时检测放行系统 |
| CN118394010A (zh) * | 2024-04-25 | 2024-07-26 | 江苏长天智远数字智能科技有限公司 | 一种数字化设备运行参数监控及在线预警平台 |
-
2023
- 2023-07-07 CN CN202310831493.2A patent/CN116679653A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117140186A (zh) * | 2023-10-27 | 2023-12-01 | 山东沪金精工科技股份有限公司 | 一种基于人工智能的机械加工车间在线监测系统及方法 |
| CN118261740A (zh) * | 2024-03-29 | 2024-06-28 | 苍南县求是中医药创新研究院 | 一种生产线实时检测放行系统 |
| CN118394010A (zh) * | 2024-04-25 | 2024-07-26 | 江苏长天智远数字智能科技有限公司 | 一种数字化设备运行参数监控及在线预警平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116679653A (zh) | 一种用于工业设备数据的智能采集系统 | |
| US12078497B2 (en) | Methods and internet of things systems for jointly processing safety hazards based on smart gas geographic information systems | |
| CN112418451A (zh) | 基于数字孪生的变压器故障诊断定位系统 | |
| CN112101764B (zh) | 基于状态监测的船舶技术状况综合评估系统 | |
| EP3869340A1 (en) | Operation and maintenance data processing method, system and device | |
| EP3825966A1 (en) | A system and method for monitoring and predicting breakdowns in vehicles | |
| CN116415931B (zh) | 一种基于大数据的电力设备运行状态监控方法和系统 | |
| US12007745B2 (en) | Apparatus for predicting equipment damage | |
| CN115186883A (zh) | 基于边云协同计算的工业设备健康状态监测系统及方法 | |
| CN117196066A (zh) | 智慧运维信息分析模型 | |
| CN110455397A (zh) | 一种基于lstm的工厂设备故障光纤传感方法和系统 | |
| CN116932523B (zh) | 一种整合和监管第三方环境检测机构的平台 | |
| CN116485020B (zh) | 一种基于大数据的供应链风险识别预警方法、系统及介质 | |
| CN110490486A (zh) | 一种企业大数据管理系统 | |
| CN116337135A (zh) | 一种仪表故障诊断方法、系统、电子设备及可读存储介质 | |
| CN117708720B (zh) | 一种基于知识图谱的设备故障诊断系统 | |
| CN110455370B (zh) | 防汛抗旱远程遥测显示系统 | |
| CN117591949A (zh) | 一种设备异常识别方法、设备及介质 | |
| CN107121616B (zh) | 一种用于对智能仪表进行故障定位的方法和装置 | |
| CN113268525A (zh) | 一种自动优化常模的认知评估方法及系统 | |
| CN111382946A (zh) | 设备健康状态的自主评估方法、系统及工业互联网设备 | |
| CN118561118B (zh) | 一种电梯运行状态判定方法、系统、介质及电子设备 | |
| CN118331212B (zh) | 多源采集与数据建模的工业电气机房环境监控系统和方法 | |
| CN112187555B (zh) | 一种基于机器学习的实时kpi数据异常检测方法及装置 | |
| CN117354168A (zh) | 用于物联网预测建模的混合系综方法 |
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 |