CN116893297B - 旋转设备能耗的监测方法、监测系统 - Google Patents
旋转设备能耗的监测方法、监测系统 Download PDFInfo
- Publication number
- CN116893297B CN116893297B CN202311160383.4A CN202311160383A CN116893297B CN 116893297 B CN116893297 B CN 116893297B CN 202311160383 A CN202311160383 A CN 202311160383A CN 116893297 B CN116893297 B CN 116893297B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- real
- rotating equipment
- time
- rotating
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 177
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000009826 distribution Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 230000009347 mechanical transmission Effects 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 230000002349 favourable effect Effects 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 21
- 238000004804 winding Methods 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 101100190617 Arabidopsis thaliana PLC2 gene Proteins 0.000 description 4
- 101100408456 Arabidopsis thaliana PLC8 gene Proteins 0.000 description 4
- 101100464304 Caenorhabditis elegans plk-3 gene Proteins 0.000 description 4
- 101100093534 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) RPS1B gene Proteins 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
- G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本发明公开一种旋转设备能耗的监测方法、监测系统，方法包括：S1、通过电流互感器采集旋转设备的输入电流It；S2、通过振动传感器采集旋转设备的振动数据M；S3、读取PLC中用于控制旋转设备的控制电流Iset；S4、对输入电流It、振动数据M和控制电流Iset，采用概率主元分析‑最大期望融合算法进行缺失值补全；S5、对补全后的振动数据M进行聚类，得到多个状态类别；S6、将补全后的输入电流It、控制电流Iset归类到对应的状态类别中；S7、计算出每个状态类别的旋转设备能耗的评价指标；S8、根据评价指标监测旋转设备的实时能耗是否异常。本发明能够更准确、更全面对旋转设备的能耗进行监测、分析，能够应对复杂场景，为设备能耗异常提供有利支持。
Description
技术领域
本发明设计设备状态监测技术领域，具体涉及一种旋转设备能耗的监测方法、监测系统。
背景技术
制造业企业的能源消耗占企业成本支出的很大一部分，而各类旋转设备，例如鼓风机、空压机，由于功率大，开机时间长，更是制造业中的能耗大户。如何有效分析旋转设备的能耗，及时发现能耗异常，随即采取措施，从而避免不必要的能源消耗，对制造业企业有着重要的经济和环保意义。
现有针对旋转设备能耗分析的解决方案，大多基于设备生产商给出的设备能耗的标称值，通过读取PLC中控制驱动电机转速的电流来计算设备的最大负载能耗，若实际负载能耗超过最大负载能耗，则直接判定为异常，提醒操作人员进行处理。
这种简单的监测方式，无法满足旋转设备使用时的真实复杂场景：
（1）大部分加工用的旋转设备，例如绕线机，在实际生产场景下都包含多个工作模式，不同工作模式对应不同的电机转速，不同转速下的设备能耗差异很大，仅仅以最大负载能耗作为边界值，来判定设备能耗是否正常，显然无法准确判定在中、低转速工况下的能耗情况。
（2）驱动电机及负载所用的能耗仅仅只是旋转设备能耗的一部分，整个电控系统、传动系统所消耗的能源也是不可忽视的一部分。甚至，摩擦阻力消耗的能量的变化以及电路系统因为老化或者电气连接的问题，引起的能耗变化更能反映出旋转设备的健康状态，例如润滑不足必然导致摩擦力变大，从而引起总能耗的增加。而这些变化，仅监测驱动电机所需能耗是无法及时察觉的。
发明内容
本发明要解决的技术问题是：现有对旋转设备的能耗监测方法无法适用于复杂场景的技术问题。
为此，本发明提供一种旋转设备能耗的监测方法、监测系统，能够应用于旋转机械在不同工况下的能耗监测，及时发现能耗异常。
本发明解决其技术问题所采用的技术方案是：一种旋转设备能耗的监测方法，包括：
S1、通过电流互感器采集旋转设备的输入电流It；
S2、通过振动传感器采集旋转设备的振动数据M；
S3、读取PLC中用于控制旋转设备的控制电流Iset；
S4、对所述输入电流It、振动数据M和控制电流Iset，采用概率主元分析-最大期望融合算法进行缺失值补全；
S5、对补全后的所述振动数据M进行聚类，得到多个状态类别；
S6、将补全后的输入电流It、控制电流Iset归类到对应的状态类别中；
S7、计算出每个状态类别的旋转设备能耗的评价指标；
S8、根据所述评价指标监测旋转设备的实时能耗是否异常。
进一步的，步骤S4中，概率主元分析-最大期望融合算法，包括：
建立目标参数的概率分布函数，其中，t表示目标参数的矩阵，W表示导入矩阵，μ表示偏移向量，s表示隐变量，/>表示高斯白噪声；
构建所述隐变量s和补全后的完整数据的似然函数：
，
其中，，n表示数据的序列，n=1，2，3，...，N，N表示最大取值，d表示t的维度，q表示s的维度且q<d，/>表示t的方差，
将所述似然函数进行最大化处理得到：
，
随机初始化隐变量s的分布参数W和，以及目标参数的缺失值，利用采集到的已知的目标参数的数据计算所述隐变量s 的期望分布/>，此时，缺失值已被对应的期望值所替换；
根据所述隐变量s 的期望分布，求解出最大似然函数中的和/>：
，
其中，，/>表示单位矩阵，再计算出分布参数W和/>的估计值/>和/>：
,
重复上述隐变量s 的期望分布的计算和、/>的计算，直至迭代后计算出的参数W和/>的估计值之间的差别最小。
进一步的，在步骤S5中，采用聚类算法对补全后的振动数据M进行分类，得到多个聚类簇，一个聚类簇表示旋转设备的一种状态类别；聚类后，对每个状态类别内的振动数据进行标记，利用标记好的振动数据对分类模型进行训练，得到一个多类分类器。
进一步的，在步骤S6中，分别提取补全后的输入电流It、控制电流Iset、振动数据M的时间戳信息；以所述振动数据M的时间戳信息为基准，将输入电流It、控制电流Iset的数据归类至对应的状态类别中。
进一步的，归类后，每个状态类别中均包含输入电流数据、控制电流数据和振动数据，根据所述输入电流数据能够计算出旋转设备的总输入能耗P1，根据所述控制电流数据能够计算出旋转设备的有效输出能耗P2，提取出所述总输入能耗P1中的最大值P1-max和最小值P1-min，以及所述有效输出能耗P2的最大值P2-max和最小值P2-min，将所述最大值P1-max、最小值P1-min、最大值P2-max和最小值P2-min作为一个状态类别的评价指标。
进一步的，旋转设备的实时能耗包括：实时总输入能耗和实时有效输出能耗，实时能耗是否异常的判断过程为：
若实时总输入能耗落入[P1-min，P1-max]范围内，且实时有效输出能耗落入[P2-min，P2-max]范围内，则表明旋转设备的能耗正常；
若实时总输入能耗落入[P1-min，P1-max]范围内，但实时有效输出能耗超出[P2-min，P2-max]范围，则表明旋转设备的能耗异常；
若实时有效输出能耗落入[P2-min，P2-max]范围内，但实时总输入能耗超出[P1-min，P1-max]范围，则表明旋转设备的能耗异常；
若实时有效输出能耗超出[P2-min，P2-max]范围，且实时总输入能耗也超出[P1-min，P1-max]范围，则表明旋转设备的能耗异常。
进一步的，还包括：S9、根据实时能耗的异常情况分析异常原因。
进一步的，当实时总输入能耗或/和实时有效输出能耗小于最小值时，异常原因为：机械传动部件接触失效，导致扭矩无法传输给负载；
当实时总输入能耗或/和实时有效输出能耗大于最大值时，异常原因为：械传动部件故障，机械摩擦增加；
当实时总输入能耗大于最大值时，但实时有效输出能耗正常时，异常原因为：电机以外电器老化，阻抗增大。
本发明还提供一种旋转设备能耗的监测系统，采用所述的监测方法，所述系统包括：电流互感器、PLC、旋转设备、振动传感器和边缘计算模块，所述电流互感器安装在所述旋转设备的电源输入端的线缆上，所述振动传感器安装在所述旋转设备上，所述PLC与所述旋转设备连接，所述电流互感器、PLC和振动传感器均与所述边缘计算模块连接；
其中，所述电流互感器用于采集旋转设备的输入电流；
所述振动传感器用于采集旋转设备的振动数据；
所述PLC用于控制旋转设备的转速；
所述边缘计算模块用于获取输入电流It、振动数据M、控制电流Iset，并对输入电流It、振动数据M和控制电流Iset，采用概率主元分析-最大期望融合算法进行缺失值补全；对补全后的所述振动数据M进行聚类，得到多个状态类别；将补全后的输入电流It、控制电流Iset归类到对应的状态类别中；计算出每个状态类别的旋转设备能耗的评价指标；根据所述评价指标监测旋转设备的实时能耗是否异常。
本发明的有益效果是，本发明的旋转设备能耗的监测方法、监测系统，能够更准确、更全面对旋转设备的能耗进行监测、分析，能够应对复杂场景，为设备能耗异常提供有利支持。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的监测方法的流程图。
图2是本发明对振动数据聚类的示意图。
图3是本发明实施例的聚类示意图。
图4是本发明的监测系统的结构示意图。
图中：1、电流互感器；2、PLC；3、旋转设备；4、振动传感器；5、边缘计算模块。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
如图1所示，本发明的旋转设备能耗的监测方法，包括以下步骤：S1、通过电流互感器采集旋转设备的输入电流It；S2、通过振动传感器采集旋转设备的振动数据M；S3、读取PLC中用于控制旋转设备的控制电流Iset；S4、对输入电流It、振动数据M和控制电流Iset，采用概率主元分析-最大期望融合算法进行缺失值补全；S5、对补全后的振动数据M进行聚类，得到多个状态类别；S6、将补全后的输入电流It、控制电流Iset归类到对应的状态类别中；S7、计算出每个状态类别的旋转设备能耗的评价指标；S8、根据评价指标监测旋转设备的实时能耗是否异常。
换言之，本发明通过振动传感器采集旋转设备的振动数据，旋转设备在不同工况下的状态数据是不同的，对振动数据进行聚类可以将振动数据划分成多个状态类别，然后将输入电流It、控制电流Iset归类到对应的状态类别中，计算出每个状态类别的评价指标，然后根据评价指标判断旋转设备的实时能耗是否异常。本发明并不是采用单一的指标来进行能耗异常判断的，而是每个状态类别都有对应的评价指标，更适用于复杂场景。
需要说明的是，在旋转设备上加装传感器来采集数据，往往由于外部干扰、总线传输丢包、存储时写入失效等原因，导致传感数据中出现空值，影响后续的异常判断的准确性。由于能耗数据变化比较慢，因此，在实际使用时，一般使用较低的采样频率（例如0.01Hz）来采集传感数据。采用较高的采样频率（例如1 Hz），虽然可以减少传感数据中空值丢失的情况，但是会导致数据量显著增多，不仅占用较多的内存，导致存储的硬件成本增加，而且会显著增加运算量，降低处理效率。在采集频率低的情况下，如果仅仅单纯的删除空值，会导致数据有效信息的丢失，导致异常分析结果不准确。为了解决这一问题，本发明采用概率主元分析-最大期望融合算法进行对数据缺失值补全。
具体的， 概率主元分析-最大期望融合算法，包括：
建立目标参数的概率分布：，其中，t表示目标参数的矩阵，W表示导入矩阵，μ表示偏移向量，s表示隐变量，/>表示高斯白噪声。隐变量s服从高斯分布。此处目标参数为输入电流、振动数据或控制电流，t表示采集按照时间序列排布的数据矩阵，即，t是已知的，给定t后，可以求解出W、s和μ。
构建隐变量s和补全后的完整数据的似然函数：
，
其中，，n表示数据的序列，n=1，2，3，...，N，N表示最大取值，d表示t的维度，q表示s的维度且q<d，/>表示t的方差。
利用已知的数据通过最大期望来迭代计算隐变量s的分布参数W和，从而将似然函数进行最大化处理得到：
。
利用已知的数据通过最大期望来迭代计算主要包括以下两个步骤：
步骤一：随机初始化隐变量s的分布参数W和，以及目标参数的缺失值，利用采集到的已知的目标参数的数据计算隐变量s 的期望分布/>，此时，缺失值已被对应的期望值所替换。需要说明的是，随机初始化是指先给W、/>以及缺失值任意赋一个值，初始化后，可以先计算出一个隐变量s 的期望分布，在这个计算过程，初始化的缺失值已被对应的一个期望值替换。
步骤二：根据隐变量s 的期望分布，求解出最大似然函数中的和/>，，/>，其中，/>，/>表示单位矩阵，再计算出分布参数W和/>的估计值/>和/>：
。
然后，将求解出的估计值和/>代入步骤一的隐变量s 的期望分布中，进行计算，在这个计算过程中，缺失值又被新的期望值所替换。
重复上述步骤一和步骤二中计算隐变量s 的期望分布的计算和、/>的过程，直至迭代后计算出的参数W和/>的估计值之间的差别最小。此时，已得到最优解。在这个迭代的过程中，缺失值也一直被期望值所替换，迭代结束时，补全的缺失值即为最优的期望值，与实际数据最为接近。
本发明的融合算法，主要运用简单的线性代数矩阵计算，没有特别复杂的计算过程，相对于神经网络等算法而言，对硬件计算资源的要求不高，适合于部署到边缘计算模块中。本发明通过对缺失值进行补全，在采样频率低的情况下，能够最大程度地保留数据的有效特征，有利于提高后续异常分析的准确性，同时，也能够保证运算效率。
例如，在步骤S5中，采用聚类算法对补全后的振动数据M进行分类，得到多个聚类簇，一个聚类簇表示旋转设备的一种状态类别；聚类后，对每个状态类别内的振动数据进行标记，利用标记好的振动数据对分类模型进行训练，得到一个多类分类器。需要说明的是，振动数据M可以是振动频率、振幅或振动加速度，电机是旋转设备的主要功能部件，旋转设备在不同工况下，电机会运行在不同的转速区间，其产生的振动数据也会相差很大。本发明使用振动传感器采集电机运行时的振动数据，并对振动数据进行聚类分析，可以找出旋转设备在不同工作状态下的振动特征。例如图2所示，聚类后（可以采用DBSCAN聚类或者谱聚类），振动数据被分成三个数据簇，即代表三种状态类别，例如，三种状态类别可以表示停机状态（类别一）、500转/分钟（类别二）、1000转/分钟（类别三）。聚类后，对每个状态类别内的振动数据进行标记，分别作为训练数据对分类模型进行训练，可以得到一个三类分类器。即，这个三类分类器可以输出三种状态类别。在实际使用时，将实时采集到的振动数据输入这个训练好的多类分类器中，多类分类器可以输出振动数据对应的状态类别。
对振动数据聚类后，分别提取补全后的输入电流It、控制电流Iset、振动数据M的时间戳信息；以振动数据M的时间戳信息为基准，将输入电流It、控制电流Iset的数据归类至对应的状态类别中。例如，补全后的输入电流It、控制电流Iset、振动数据M如表1所示，在同一时刻，可以采集到输入电流、控制电流、振动数据，即。每个数据都有对应的时间戳，每个状态类别中包含多个振动数据，根据振动数据的时间戳可以找到对应的输入电流、控制电流，将输入电流、控制电流与对应的状态类别进行绑定。假设，状态类别一中包含f1和f2，对应时间戳为x1和x2，则根据时间戳找到对应的输入电流为I1和 I2，对应的控制电流为i1和i2。
表1
本发明将输入电流和控制电流进行归类的目的是为了针对每个状态类别能够计算出一个评价指标，即，旋转设备不同的工况下都有一个对应的评价指标。这样，能够更准确地判断能耗异常，更适用于复杂场景。
例如，归类后，每个状态类别中均包含输入电流数据、控制电流数据和振动数据，根据输入电流数据能够计算出旋转设备的总输入能耗P1，根据控制电流数据能够计算出旋转设备的有效输出能耗P2，提取出总输入能耗P1中的最大值P1-max和最小值P1-min，以及有效输出能耗P2的最大值P2-max和最小值P2-min，将最大值P1-max、最小值P1-min、最大值P2-max和最小值P2-min作为一个状态类别的评价指标。
需要说明的是，能耗可以用功率来衡量，在运行系统中，电源电压认为是保持不变的，知道电流后，将电流与电压相乘即可得到能耗数据。每个状态类别中包含多个输入电流和控制电流，根据电流值可以计算出多个总输入能耗P1、多个有效输出能耗P2，从多个总输入能耗P1中找出最小值和最大值，从多个有效输出能耗P2中找出最小值和最大值，将最小值作为下限，最大值作为上限，即可获得状态类别的总输入能耗P1的正常区间范围以及有效输出能耗P2的正常区间范围。评价指标包含这两个区间范围。
本发明要分别计算两个能耗的正常区间范围的理由是，控制电流表征的是旋转设备中电机的输出能耗，旋转设备的工作主要依赖于电机执行，但是旋转设备中也存在其他部件，也会消耗一部分能耗，输入电流是旋转设备电源端的总输入，是给旋转设备内部多有部件供电用的，因此，输入电流表征的是旋转设备的总能耗。对一台全新的旋转设备来说，总能耗和有效输出能耗应该是相差不大的，几乎相同。但是随着旋转设备使用时间的增加，电机会老化、或者传动出现故障，或者电机以外的其他部件出现老化或故障，导致总能耗和有效输出能耗之间的差别增大。因此，仅通过监测电机的有效输出能耗是不能全面反映旋转设备的能耗情况的。
获得不同状态类别的评价指标后，可以根据旋转设备实时的输入电流和控制电流计算出旋转设备的实时能耗（实时总输入能耗和实时有效输出能耗），将实时能耗与评价指标进行比较，可以判断是否存在能耗异常。例如，若实时总输入能耗落入[P1-min，P1-max]范围内，且实时有效输出能耗落入[P2-min，P2-max]范围内，则表明旋转设备的能耗正常。若实时总输入能耗落入[P1-min，P1-max]范围内，但实时有效输出能耗超出[P2-min，P2-max]范围，则表明旋转设备的能耗异常。若实时有效输出能耗落入[P2-min，P2-max]范围内，但实时总输入能耗超出[P1-min，P1-max]范围，则表明旋转设备的能耗异常。若实时有效输出能耗超出[P2-min，P2-max]范围，且实时总输入能耗也超出[P1-min，P1-max]范围，则表明旋转设备的能耗异常。
也就是说，只有当实时总能耗和实时有效输出能耗均落入正常区间范围内时，才判定旋转设备的能耗是正常的；否则，存在异常情况，需要进行检修。
进一步的，本方法还包括：S9、根据实时能耗的异常情况分析异常原因。当实时总输入能耗或/和实时有效输出能耗小于最小值时，异常原因为：机械传动部件接触失效，导致扭矩无法传输给负载。当实时总输入能耗或/和实时有效输出能耗大于最大值时，异常原因为：械传动部件故障，机械摩擦增加。当实时总输入能耗大于最大值时，但实时有效输出能耗正常时，异常原因为：电机以外电器老化，阻抗增大。也就是说，本发明根据监测总能耗和有效输出能耗的数据还能够分析异常出现的原因，及时帮助工作人员进行排查，有利于提高维修效率。
表2
下面通过一个具体的实施例来说明本发明的过程。
绕线机根据工序的不同要求，其绕线速度会有差异。在各种工作状态下采集绕线机的振动数据、输入电流和控制电流。如表3所示，这些不同传感器采集到的数据，根据采样时间被关联在了一起，即可获得目标参数的矩阵t。
表3
在数据采集时，使用周期为1分钟的数采频率，共采集到2000个数据点。采集中出现的缺失值一般会被保存为符号NA，NAN或者inf，可以在每采集一段固定时间（例如30分钟），对这段时间内采集到的数据进行检测，看是否有缺失值。如果发现缺失值，则对这30分钟内采集到的所有数据进行缺失值补全。之后，在补全的数据中，对振动加速度X/Y/Z数据使用DBSAN算法进行聚类，得到四个类别（如图3所示）。其中，类别一对应停机状态（转速为0，振动也为0），类别二为每分钟500转的情况，类别三是每分钟1000转的情况，类别四为每分钟1500转的情况。
聚类之后，这2000个振动数据被归入不同的工作状态中，同时，电流互感器的输入电流和PLC的控制电流通过时间戳信息也会被归入相应的工作状态中。使用这些分好类的数据，训练出四个分类器。并且，在每个工作状态下，可以计算出设备端输入的总能耗和有效输出功率的最大值、最小值。例如，由于电压值可以看做稳定不变的，因此这里可以仅使用电流值来分析能耗。不同工作状态下的最大值和最小值如表4所示。
表4
将训练好的分类器以及评价指标一起部署到IoT边缘端。然后，通过传感器在线采集绕线机的数据。采样周期仍为每一分钟，例如：在2023年6月12日11点01分43秒时采集到的数据如表5所示。
表5
首先，根据表5中的振动数据找到对应的状态类别为500转的情况，然后将表5中的输入总能耗和有效输出能耗与表4的指标进行比较，发现，总能耗位于正常范围内，有效输出能耗也位于正常范围内，表明绕线机当前的能耗正常。
如图4所示，本发明还提供一种旋转设备能耗的监测系统，采用的监测方法，系统包括：电流互感器1、PLC2、旋转设备3、振动传感器4和边缘计算模块5，电流互感器1安装在旋转设备3的电源输入端的线缆上，振动传感器4安装在旋转设备3上，PLC2与旋转设备3连接，电流互感器1、PLC2和振动传感器4均与边缘计算模块5连接。其中，电流互感器1用于采集旋转设备3的输入电流；振动传感器4用于采集旋转设备3的振动数据；PLC2用于控制旋转设备的转速；边缘计算模块5用于获取输入电流It、振动数据M、控制电流Iset，并对输入电流It、振动数据M和控制电流Iset，采用概率主元分析-最大期望融合算法进行缺失值补全；对补全后的振动数据M进行聚类，得到多个状态类别；将补全后的输入电流It、控制电流Iset归类到对应的状态类别中；计算出每个状态类别的旋转设备能耗的评价指标；根据评价指标监测旋转设备的实时能耗是否异常。
综上所述，本发明的旋转设备能耗的监测方法、监测系统，能够更准确、更全面对旋转设备的能耗进行监测、分析，能够应对复杂场景，为设备能耗异常提供有利支持。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要如权利要求范围来确定其技术性范围。
Claims (8)
1.一种旋转设备能耗的监测方法，其特征在于，包括：
S1、通过电流互感器采集旋转设备的输入电流It；
S2、通过振动传感器采集旋转设备的振动数据M；
S3、读取PLC中用于控制旋转设备的控制电流Iset；
S4、对所述输入电流It、振动数据M和控制电流Iset，采用概率主元分析-最大期望融合算法进行缺失值补全；
S5、对补全后的所述振动数据M进行聚类，得到多个状态类别；
S6、将补全后的输入电流It、控制电流Iset归类到对应的状态类别中；
S7、计算出每个状态类别的旋转设备能耗的评价指标；
S8、根据所述评价指标监测旋转设备的实时能耗是否异常；
步骤S4中，概率主元分析-最大期望融合算法，包括：
建立目标参数的概率分布：，其中，t表示目标参数的矩阵，W为导入矩阵，μ表示偏移向量，s表示隐变量，/>表示高斯白噪声；
构建所述隐变量s和补全后的完整数据的似然函数：
，
其中，，n表示数据的序列，n=1，2，3，...，N，N表示最大取值，d表示t的维度，q表示s的维度且q<d，/>表示t的方差，
将所述似然函数进行最大化处理得到：
，
随机初始化隐变量s的分布参数W和，以及目标参数的缺失值，利用采集到的已知的目标参数的数据计算所述隐变量s的期望分布/>，此时，缺失值已被对应的期望值所替换；
根据所述隐变量s 的期望分布，求解出最大似然函数中的和/>：
，
其中，，/>表示单位矩阵；再计算出分布参数W和/>的估计值/>和/>：
,
重复上述隐变量s 的期望分布的计算和、/>的计算，直至迭代后计算出的参数W和/>的估计值之间的差别最小。
2.如权利要求1所述的旋转设备能耗的监测方法，其特征在于，在步骤S5中，采用聚类算法对补全后的振动数据M进行分类，得到多个聚类簇，一个聚类簇表示旋转设备的一种状态类别；聚类后，对每个状态类别内的振动数据进行标记，利用标记好的振动数据对分类模型进行训练，得到一个多类分类器。
3.如权利要求2所述的旋转设备能耗的监测方法，其特征在于，在步骤S6中，分别提取补全后的输入电流It、控制电流Iset、振动数据M的时间戳信息；以所述振动数据M的时间戳信息为基准，将输入电流It、控制电流Iset的数据归类至对应的状态类别中。
4.如权利要求3所述的旋转设备能耗的监测方法，其特征在于，归类后，每个状态类别中均包含输入电流数据、控制电流数据和振动数据，根据所述输入电流数据能够计算出旋转设备的总输入能耗P1，根据所述控制电流数据能够计算出旋转设备的有效输出能耗P2，提取出所述总输入能耗P1中的最大值P1-max和最小值P1-min，以及所述有效输出能耗P2的最大值P2-max和最小值P2-min，将所述最大值P1-max、最小值P1-min、最大值P2-max和最小值P2-min作为一个状态类别的评价指标。
5.如权利要求4所述的旋转设备能耗的监测方法，其特征在于，旋转设备的实时能耗包括：实时总输入能耗和实时有效输出能耗，实时能耗是否异常的判断过程为：
若实时总输入能耗落入[P1-min，P1-max]范围内，且实时有效输出能耗落入[P2-min，P2-max]范围内，则表明旋转设备的能耗正常；
若实时总输入能耗落入[P1-min，P1-max]范围内，但实时有效输出能耗超出[P2-min，P2-max]范围，则表明旋转设备的能耗异常；
若实时有效输出能耗落入[P2-min，P2-max]范围内，但实时总输入能耗超出[P1-min，P1-max]范围，则表明旋转设备的能耗异常；
若实时有效输出能耗超出[P2-min，P2-max]范围，且实时总输入能耗也超出[P1-min，P1-max]范围，则表明旋转设备的能耗异常。
6.如权利要求5所述的旋转设备能耗的监测方法，其特征在于，还包括：S9、根据实时能耗的异常情况分析异常原因。
7.如权利要求6所述的旋转设备能耗的监测方法，其特征在于，当实时总输入能耗或/和实时有效输出能耗小于最小值时，异常原因为：机械传动部件接触失效，导致扭矩无法传输给负载；
当实时总输入能耗或/和实时有效输出能耗大于最大值时，异常原因为：械传动部件故障，机械摩擦增加；
当实时总输入能耗大于最大值时，但实时有效输出能耗正常时，异常原因为：电机以外电器老化，阻抗增大。
8.一种旋转设备能耗的监测系统，其特征在于，采用如权利要求1-7任一项所述的监测方法，所述系统包括：电流互感器（1）、PLC（2）、旋转设备（3）、振动传感器（4）和边缘计算模块（5），所述电流互感器（1）安装在所述旋转设备（3）的电源输入端的线缆上，所述振动传感器（4）安装在所述旋转设备（3）上，所述PLC（2）与所述旋转设备（3）连接，所述电流互感器（1）、PLC（2）和振动传感器（4）均与所述边缘计算模块（5）连接；
其中，所述电流互感器（1）用于采集旋转设备（3）的输入电流；
所述振动传感器（4）用于采集旋转设备（3）的振动数据；
所述PLC（2）用于控制旋转设备的转速；
所述边缘计算模块（5）用于获取输入电流It、振动数据M、控制电流Iset，并对输入电流It、振动数据M和控制电流Iset，采用概率主元分析-最大期望融合算法进行缺失值补全；对补全后的所述振动数据M进行聚类，得到多个状态类别；将补全后的输入电流It、控制电流Iset归类到对应的状态类别中；计算出每个状态类别的旋转设备能耗的评价指标；根据所述评价指标监测旋转设备的实时能耗是否异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311160383.4A CN116893297B (zh) | 2023-09-11 | 2023-09-11 | 旋转设备能耗的监测方法、监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311160383.4A CN116893297B (zh) | 2023-09-11 | 2023-09-11 | 旋转设备能耗的监测方法、监测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116893297A CN116893297A (zh) | 2023-10-17 |
| CN116893297B true CN116893297B (zh) | 2024-01-12 |
Family
ID=88311108
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311160383.4A Active CN116893297B (zh) | 2023-09-11 | 2023-09-11 | 旋转设备能耗的监测方法、监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116893297B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105468662A (zh) * | 2014-12-31 | 2016-04-06 | 深圳市中电电力技术股份有限公司 | 一种基于表码值的能耗数据处理方法和系统 |
| CN111695792A (zh) * | 2020-05-29 | 2020-09-22 | 北方国际合作股份有限公司 | 基于多属性聚类的地铁照明系统异常能耗分析方法 |
| CN112765549A (zh) * | 2021-01-20 | 2021-05-07 | 大连理工大学 | 一种用于修复建筑能耗监测异常数据的KNN-Matrix方法 |
| CN113807418A (zh) * | 2021-09-02 | 2021-12-17 | 乐创达投资(广东)有限公司 | 一种基于高斯混合模型的注塑机能耗异常检测方法及系统 |
| KR102368396B1 (ko) * | 2021-11-18 | 2022-02-28 | 한국해양과학기술원 | K-평균 군집화 알고리즘을 이용한 주기변동 랜덤신호의 정렬방법 및 이를 이용한 내연기관의 이상진단 시스템 및 방법 |
| CN114266186A (zh) * | 2021-11-16 | 2022-04-01 | 山东大卫国际建筑设计有限公司 | 一种空调能耗数据缺失值填补方法、设备及介质 |
| CN114781779A (zh) * | 2022-02-25 | 2022-07-22 | 江苏鼋博群智能技术有限公司 | 一种无监督能耗异常检测方法、装置及存储介质 |
| CN115081795A (zh) * | 2022-04-27 | 2022-09-20 | 国网山东省电力公司泰安供电公司 | 多维场景下企业能耗异常成因分析方法及系统 |
| CN116341796A (zh) * | 2023-05-29 | 2023-06-27 | 山东国研自动化有限公司 | 能耗监测与评估系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9322667B2 (en) * | 2012-04-28 | 2016-04-26 | Hewlett Packard Enterprise Development Lp | Detecting anomalies in power consumption of electrical systems |
-
2023
- 2023-09-11 CN CN202311160383.4A patent/CN116893297B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105468662A (zh) * | 2014-12-31 | 2016-04-06 | 深圳市中电电力技术股份有限公司 | 一种基于表码值的能耗数据处理方法和系统 |
| CN111695792A (zh) * | 2020-05-29 | 2020-09-22 | 北方国际合作股份有限公司 | 基于多属性聚类的地铁照明系统异常能耗分析方法 |
| CN112765549A (zh) * | 2021-01-20 | 2021-05-07 | 大连理工大学 | 一种用于修复建筑能耗监测异常数据的KNN-Matrix方法 |
| CN113807418A (zh) * | 2021-09-02 | 2021-12-17 | 乐创达投资(广东)有限公司 | 一种基于高斯混合模型的注塑机能耗异常检测方法及系统 |
| CN114266186A (zh) * | 2021-11-16 | 2022-04-01 | 山东大卫国际建筑设计有限公司 | 一种空调能耗数据缺失值填补方法、设备及介质 |
| KR102368396B1 (ko) * | 2021-11-18 | 2022-02-28 | 한국해양과학기술원 | K-평균 군집화 알고리즘을 이용한 주기변동 랜덤신호의 정렬방법 및 이를 이용한 내연기관의 이상진단 시스템 및 방법 |
| CN114781779A (zh) * | 2022-02-25 | 2022-07-22 | 江苏鼋博群智能技术有限公司 | 一种无监督能耗异常检测方法、装置及存储介质 |
| CN115081795A (zh) * | 2022-04-27 | 2022-09-20 | 国网山东省电力公司泰安供电公司 | 多维场景下企业能耗异常成因分析方法及系统 |
| CN116341796A (zh) * | 2023-05-29 | 2023-06-27 | 山东国研自动化有限公司 | 能耗监测与评估系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| A Method for Identifying Abnormal Building Energy Consumption Using Fuzzy Model;Xuran Hu 等;2021 International Conference on Control Science and Electric Power Systems (CSEPS);161-166 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116893297A (zh) | 2023-10-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110410282B (zh) | 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 | |
| CN107247230B (zh) | 一种基于支持向量机和数据驱动的旋转电机状态监测方法 | |
| CN108126987B (zh) | 一种高速线材轧机远程在线监测和智能诊断方法 | |
| CN108647786B (zh) | 基于深度卷积对抗神经网络的旋转机械在线故障监测方法 | |
| CN110926809B (zh) | 一种基于大数据分析的风电机组传动链故障预警方法 | |
| EP2665925B1 (en) | A method for diagnostic monitoring of a wind turbine generator system | |
| CN111353482A (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
| CN115015757A (zh) | 一种电机运行状态的风险评估方法及系统 | |
| EP2646884A1 (en) | Machine anomaly detection and diagnosis incorporating operational data | |
| CA2710902A1 (en) | Integrated condition based maintenance system for wind turbines | |
| CN110008898B (zh) | 基于符号和卷积神经网络的工业设备数据边缘处理方法 | |
| CN112733283A (zh) | 一种风电机组部件故障预测方法 | |
| CN114580666A (zh) | 一种多模式融合电动机智能维护系统 | |
| DE102020101008B3 (de) | Verfahren und vorrichtung zur maschinenüberwachung mit kontinuierlicher verbesserung einer vorausschauenden wartungsdatenbank | |
| CN111209934A (zh) | 风机故障预报警方法及系统 | |
| KR102545672B1 (ko) | 기계고장 진단 방법 및 장치 | |
| Kißkalt et al. | Towards a data-driven process monitoring for machining operations using the example of electric drive production | |
| CN116771610A (zh) | 一种调整风电机组变桨系统故障评估值的方法 | |
| Manjare et al. | A review: Condition based techniques and predictive maintenance for motor | |
| CN116893297B (zh) | 旋转设备能耗的监测方法、监测系统 | |
| CN116538092B (zh) | 一种压缩机在线监测及诊断方法、装置、设备及存储介质 | |
| CN115788771A (zh) | 一种基于物联网技术的风力发电系统的智能运维管理系统 | |
| CN111046098A (zh) | 一种基于振动数据的机床运行状态的识别系统及统计方法 | |
| CN112783138A (zh) | 生产线设备加工稳定性智能监控和异常诊断方法及装置 | |
| US20230134638A1 (en) | Method and systems for vibration-based status monitoring of electric rotary machines |
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 |