CN117221145A - 基于物联网平台的设备故障预测性维护系统 - Google Patents
基于物联网平台的设备故障预测性维护系统 Download PDFInfo
- Publication number
- CN117221145A CN117221145A CN202311178784.2A CN202311178784A CN117221145A CN 117221145 A CN117221145 A CN 117221145A CN 202311178784 A CN202311178784 A CN 202311178784A CN 117221145 A CN117221145 A CN 117221145A
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- maintenance
- time
- real
- 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 125
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 238000003745 diagnosis Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 8
- 238000013473 artificial intelligence Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 230000000737 periodic effect Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了基于物联网平台的设备故障预测性维护系统，属于故障诊断技术领域，解决了现有技术中大部分设备设置的监测系统无法对设备出现的故障进行预测，影响设备工作效率的技术问题；本发明通过采集设备运行过程中的实时数据，当设备的工作状态不安全时，对设备进行检查维修；根据采集的历史数据拟合数据变化函数F(t)，求解数据变化函数F(t)的水平渐近线X(t)，将水平渐近线X(t)的数值和标准阈值范围的上限值和下限值进行比较，预测设备是否会出现故障，当预测设备出现故障时，分析识别出故障部件，对故障部件进行检查维修，能够排除设备存在的安全隐患；通过计算设备的剩余维保日期，能够确保派遣维保人员对设备进行定期维保。
Description
技术领域
本发明属于故障诊断领域，涉及设备故障预测性维护技术，具体是基于物联网平台的设备故障预测性维护系统。
背景技术
设备故障预测性维护是指在设备运行过程中，通过监测和分析设备的运行状态和历史数据，预测设备可能出现的故障和异常情况，并采取相应的维护措施，避免设备在低效或停机的状态下运行，提高设备的运行效率；并且通过预测设备故障和异常情况，可以避免设备在严重损坏的情况下进行维修，减小维修的成本；因此，设备故障预测性维护非常重要。
现有技术中，设备维护模式一般是定期维护或事后故障维修，部分设备设置有监测系统，能够在设备工作时对设备的实时数据进行监测，当实时数据出现异常时，能够及时对设备进行检查维修；但是在现有技术中，大部分设备设置的监测系统无法对设备出现的故障进行预测，导致在设备出现故障的时候才对设备进行检查维修，影响设备工作效率。
本发明提供了基于物联网平台的设备故障预测性维护系统，以解决以上技术问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了基于物联网平台的设备故障预测性维护系统，用于解决现有技术中大部分设备设置的监测系统无法对设备出现的故障进行预测，导致在设备出现故障的时候才对设备进行检查维修，影响设备工作效率的技术问题。
为实现上述目的，本发明的第一方面提供了基于物联网平台的设备故障预测性维护系统，包括：中枢预测模块，以及与之相连的数据采集模块和终端维护模块；
数据采集模块：通过数据传感器采集设备在工作过程中的实时数据，将实时数据传输至中枢预测模块；其中，数据传感器包括压力传感器、温度传感器或者震动传感器；
中枢预测模块：基于实时数据判断设备的工作状态是否正常；是，则持续对实时数据进行监测；否，则生成预警信号，并将预警信号传输至终端维护模块；以及，
获取设备工作的历史数据，基于历史数据预测设备是否会出现故障；是，则分析识别出故障部件；否，则持续对设备进行故障预测；
终端维护模块：基于预警信号派遣维保人员对设备进行检查维修；其中，预警信号包括设备发生故障或者设备维保到期。
优选的，所述基于实时数据判断设备的工作状态是否正常，包括：
获取设备在工作过程中的实时数据；
判断实时数据是否处于标准阈值范围内；是，则判定设备处于安全的工作状态；否，则判定设备处于不安全的工作状态。
本发明通过采集设备的实时数据，根据实时数据判断设备是否处于安全的工作状态，当设备处于不安全的工作状态时，能够发出警报，及时对设备进行检查维修，有利于避免在设备运行的过程中设备因故障而停机，影响工作效率。
优选的，所述基于历史数据预测设备是否会出现故障，包括：
获取设备在工作过程中的历史数据，基于历史数据中的任一类型子数据拟合成数据变化函数F(t)；求解数据变化函数F(t)的水平渐近线X(t)；
判断水平渐近线X(t)的数值是否小于标准阈值范围的上限值且大于标准阈值范围的下限值；是，则判定设备不会出现故障；否，则判定设备会出现故障，并分析识别出故障部件。
本发明通过将设备在工作中的历史数据中的任一类型子数据拟合成数据变化函数F(t)，求解数据变化函数F(t)的水平渐近线X(t)；将水平渐近线X(t)的数值与标准阈值范围的上限值和下限值进行比较，预测设备是否会发生故障，当预测出设备会发生故障时，能够分析识别出故障部件，对故障部件进行检查维修，有利于在设备出现故障前对设备进行检查，排除设备存在的安全隐患。本发明中的子数据是温度数据、压力数据或者震动数据中的任意一种。
优选的，所述分析识别出故障部件，包括：
获取设备故障时刻的实时数据，将实时数据拼合成故障特征序列；
调用故障诊断模型，将故障特征序列输入故障诊断模型中，获取对应的故障标签，基于故障标签匹配对应的故障部件；其中，故障标签基于正整数设置；故障诊断模型基于人工智能模型构建。
本发明通过获取设备故障时刻的实时数据，并将实时数据拼合成故障特征序列；利用故障诊断模型获取对应的故障标签，基于故障标签匹配对应的故障部件，能够根据预测的实时数据的结果识别出故障部件，针对识别的故障部件对设备进行检查维修。
优选的，所述故障诊断模型基于人工智能模型构建，包括：
获取标准训练数据；其中，标准训练数据包括与故障特征序列内容属性相一致的标准输入数据，以及与故障标签内容属性相一致的标准输出数据；
通过标准训练数据对构建的人工智能模型进行训练，获取故障诊断模型；其中，人工智能模型包括BP神经网络模型或者RBF神经网络模型。
优选的，所述中枢预测模块还对历史维保记录进行分析，包括：
获取设备的历史维保记录；
基于历史维保记录的时间判断实时监测时间是否超出维保预设阈值；是，则生成预警信号，并将预警信号传输至终端维护模块；否，则预测设备的剩余维保时间。
优选的，所述预测设备的剩余维保时间，包括：
获取设备的历史维保记录，根据历史维保记录检测设备运行的时间YS，通过公式SW＝ɑ×(BW-YS)计算得到设备的剩余维保时间SW；当设备的剩余维保时间SW为0时，派遣维保人员对设备进行定期维保；其中，BW为设备的标准维保期限；ɑ为大于0的系数。
本发明通过对设备的维保记录进行监测，判断实时监测时间是否超出维保预设阈值，当设备的实时监测时间超出维保预设阈值时，能够生成预警信号，派遣相关技术人员对设备进行定期的维保；当设备的实时监测时间没有超出维保预设阈值时，计算设备的剩余维保时间，当设备的剩余维保时间为0时，能够派遣相关技术人员对设备进行定期维保，有利于排除设备存在的安全隐患。
优选的，所述中枢预测模块分别与数据采集模块、终端维护模块通信和/或电气连接；所述数据采集模块与数据传感器通信和/或电气连接；所述终端维护模块和智能终端通信和/或电气连接；其中，数据传感器包括压力传感器、温度传感器或者振动传感器；智能终端包括手机或者电脑。
与现有技术相比，本发明的有益效果是：本发明通过数据传感器采集设备的实时数据，当实时数据超出标准阈值范围时，判定设备发生故障，并生成预警信号，派遣相关技术人员对设备进行检查维修；通过将设备的历史数据任一子数据拟合成数据变化函数F(t)，求解数据变化函数F(t)的水平渐近线X(t)，基于水平渐近线X(t)的数值与标准阈值范围的上限值和下限值进行比较，预测设备是否会发生故障，当预测设备会发生故障时，能够将设备及时停机，并对设备进行检查维修，有利于在设备发生故障前对设备进行检查，避免在设备运行过程中突发故障而导致停机，影响工作效率；获取设备故障时刻的实时数据，将实时数据拼合成故障特征序列，调用故障诊断模型，基于故障特征序列匹配对应的故障标签，根据故障标签识别故障部件，能够预测识别故障部件，针对故障部件对设备进行检查，有利于在设备发生故障前对设备进行分析识别，避免对设备的每个部件进行排查从而影响工作效率；获取设备的历史维保记录，当设备的实时监测时间超出维保期限时，生成预警信号，并派遣相关技术人员对设备进行定期维保；若设备的实时监测时间没有超出维保期限时，分析设备的剩余维保时间，当剩余维保时间的数值为0时，派遣维保人员对设备进行定期维保；有利于对设备的维保时间进行监测，在维保到期时，能够及时对设备进行维保，排除设备存在的安全隐患。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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为本发明整体的框示意图；
图2为本发明具体步骤示意图；
图3为本发明预测设备故障的数据变化函数F(t)的示意图。
具体实施方式
下面将结合实施例对本发明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它实施例，都属于本发明保护的范围。
请参阅图1-图2，本发明第一方面实施例提供了基于物联网平台的设备故障预测性维护系统，包括：中枢预测模块，以及与之相连的数据采集模块和终端维护模块；
数据采集模块：通过数据传感器采集设备在工作过程中的实时数据，将实时数据传输至中枢预测模块；其中，数据传感器包括压力传感器、温度传感器或者震动传感器；
中枢预测模块：基于设备的实时数据判断实时数据是否处于标准阈值范围内；是，则持续对实时数据进行监测；否，则生成预警信号，并将预警信号传输至终端维护模块；以及，
获取设备在工作过程中的历史数据，基于历史数据中的任一类型子数据拟合成数据变化函数F(t)；求解数据变化函数F(t)的水平渐近线X(t)；判断水平渐近线X(t)的数值是否小于标准阈值范围的上限值且大于标准阈值范围的下限值；是，则判定设备不会出现故障；否，则判定设备会出现故障，并分析识别出故障部件；
获取设备故障时刻的实时数据，将实时数据拼合成故障特征序列；调用故障诊断模型，将故障特征序列输入故障诊断模型中，获取对应的故障标签，基于故障标签匹配对应的故障部件；
中枢预测模块还对历史维保记录进行分析，包括：
获取设备的历史维保记录；基于历史维保记录的时间判断实时监测时间是否超出维保预设阈值；是，则生成预警信号，并将预警信号传输至终端维护模块；否，则预测设备的剩余维保时间；根据历史维保记录检测设备运行的时间YS，通过公式SW＝ɑ×(BW-YS)计算得到设备的剩余维保时间SW；当设备的剩余维保时间SW为0时，派遣维保人员对设备进行定期维保；
终端维护模块：基于预警信号派遣维保人员对设备进行检查维修；其中，预警信号包括设备发生故障或者设备维保到期。
接下来举例说明本实施例的技术方案，本实施例提供了基于物联网平台的设备故障预测性维护系统包括以下步骤：
1.数据采集模块通过数据传感器采集设备在工作过程中的实时数据，将实时数据传输至中枢预测模块；其中，数据传感器包括压力传感器、温度传感器或者震动传感器；中枢预测模块基于设备的实时数据判断实时数据是否处于标准阈值范围内；是，则持续对实时数据进行监测；否，则生成预警信号，并将预警信号传输至终端维护模块。
例如：现有某设备正在运行中，监测该设备在工作过程中的实时数据，温度的标准阈值范围为-10-40摄氏度，现有监测的两组温度的实时数据如下：
第一组数据：设备的实时温度为35摄氏度；此时，设备的实时温度处于温度标准阈值范围内，判定设备处于安全的工作状态下；第二组数据：设备的实时温度为46摄氏度；此时，设备的实时温度超出温度标准阈值范围，判定设备处于不安全的工作状态下。
2.请参阅图3，获取设备在工作过程中的历史数据，基于历史数据中的任一类型子数据拟合成数据变化函数F(t)；求解数据变化函数F(t)的水平渐近线X(t)；判断水平渐近线X(t)的数值是否小于标准阈值范围的上限值且大于标准阈值范围的下限值；是，则判定设备不会出现故障；否，则判定设备会出现故障，并分析识别出故障部件；获取设备故障时刻的实时数据，将实时数据拼合成故障特征序列；调用故障诊断模型，将故障特征序列输入故障诊断模型中，获取对应的故障标签，基于故障标签匹配对应的故障部件。
例如：现有某设备正在运行中，调取该设备历史数据中的温度历史数据，将温度历史数据拟合成数据变化函数F(t)，求解数据变化函数F(t)的水平渐近线X(t)，将水平渐近线X(t)的数值分别与标准阈值范围的上限值和下限值进行比较，判断水平渐近线X(t)的数值大于标准阈值范围的上限值，则预测设备会出现故障，获取故障时刻t1的实时数据，温度数值为40摄氏度，压力数值为275Pa，震动的数值为19Hz；其中，温度的标准阈值范围为-10-40摄氏度；压力的标准阈值范围为0-300Pa；震动的标准阈值范围为10-30Hz；
将实时数据拼合成故障特征序列[40,275,19]，将实时数据输入故障诊断模型，输出数据为2，对应的故障类型为部件B将出现故障，生成预警信号，并对部件B进行检查维修。
3.获取设备的历史维保记录；基于历史维保记录的时间判断实时监测时间是否超出维保预设阈值；是，则生成预警信号，并将预警信号传输至终端维护模块；否，则预测设备的剩余维保时间；根据历史维保记录检测设备运行的时间YS，通过公式SW＝ɑ×(BW-YS)计算得到设备的剩余维保时间SW；当设备的剩余维保时间SW为0时，派遣维保人员对设备进行定期维保。
例如：现有某设备的维保期限为15天，获取历史维保记录为4月17日，根据维保记录监测设备运行时间为8天，判定实时监测时间没有超出维保预设阈值；根据公式SW＝1×(15-8)＝7天计算得出设备的剩余维保时间为7天。
4.终端维护模块基于预警信号派遣维保人员对设备进行检查维修；其中，预警信号包括设备发生故障或者设备维保到期。
例如：现有某设备正在运行过程中，终端维护模块接收到两种类型的预警信号如下：
第一种类型的预警信号是设备出现故障，派遣相关技术人员对设备进行检查维修；第二种类型的预警信号是设备维保到期，派遣维保人员对设备进行定期的维护保养。
上述公式中的部分数据是去除量纲取其数值计算，公式是由采集的大量数据经过软件模拟得到最接近真实情况的一个公式；公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者通过大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。
Claims (8)
1.基于物联网平台的设备故障预测性维护系统，包括：中枢预测模块，以及与之相连的数据采集模块和终端维护模块；其特征在于：
数据采集模块：通过数据传感器采集设备在工作过程中的实时数据，将实时数据传输至中枢预测模块；其中，数据传感器包括压力传感器、温度传感器或者震动传感器；
中枢预测模块：基于实时数据判断设备的工作状态是否正常；是，则持续对实时数据进行监测；否，则生成预警信号，并将预警信号传输至终端维护模块；以及，
获取设备工作的历史数据，基于历史数据预测设备是否会出现故障；是，则分析识别出故障部件；否，则持续对设备进行故障预测；
终端维护模块：基于预警信号派遣维保人员对设备进行检查维修；其中，预警信号包括设备发生故障或者设备维保到期。
2.根据权利要求1所述的基于物联网平台的设备故障预测性维护系统，其特征在于，所述基于实时数据判断设备的工作状态是否正常，包括：
获取设备在工作过程中的实时数据；
判断实时数据是否处于标准阈值范围内；是，则判定设备处于安全的工作状态；否，则判定设备处于不安全的工作状态。
3.根据权利要求1所述的基于物联网平台的设备故障预测性维护系统，其特征在于，所述基于历史数据预测设备是否会出现故障，包括：
获取设备在工作过程中的历史数据，基于历史数据中的任一类型子数据拟合成数据变化函数F(t)；求解数据变化函数F(t)的水平渐近线X(t)；
判断水平渐近线X(t)的数值是否小于标准阈值范围的上限值且大于标准阈值范围的下限值；是，则判定设备不会出现故障；否，则判定设备会出现故障，并分析识别出故障部件。
4.根据权利要求3所述的基于物联网平台的设备故障预测性维护系统，其特征在于，所述分析识别出故障部件，包括：
获取设备故障时刻的实时数据，将实时数据拼合成故障特征序列；调用故障诊断模型，将故障特征序列输入故障诊断模型中，获取对应的故障标签，基于故障标签匹配对应的故障部件；其中，故障标签基于正整数设置；故障诊断模型基于人工智能模型构建。
5.根据权利要求4所述的基于物联网平台的设备故障预测性维护系统，其特征在于，所述故障诊断模型基于人工智能模型构建，包括：
获取标准训练数据；其中，标准训练数据包括与故障特征序列内容属性相一致的标准输入数据，以及与故障标签内容属性相一致的标准输出数据；
通过标准训练数据对构建的人工智能模型进行训练，获取故障诊断模型；其中，人工智能模型包括BP神经网络模型或者RBF神经网络模型。
6.根据权利要求1所述的基于物联网平台的设备故障预测性维护系统，其特征在于，所述中枢预测模块还对历史维保记录进行分析，包括：
获取设备的历史维保记录；
基于历史维保记录的时间判断实时监测时间是否超出维保预设阈值；是，则生成预警信号，并将预警信号传输至终端维护模块；否，则预测设备的剩余维保时间。
7.根据权利要求6所述的基于物联网平台的设备故障预测性维护系统，其特征在于，所述预测设备的剩余维保时间，包括：
获取设备的历史维保记录，根据历史维保记录检测设备运行的时间YS，通过公式SW＝ɑ×(BW-YS)计算得到设备的剩余维保时间SW；当设备的剩余维保时间SW为0时，派遣维保人员对设备进行定期维保；其中，BW为设备的标准维保期限；ɑ为大于0的系数。
8.根据权利要求1所述的基于物联网平台的设备故障预测性维护系统，其特征在于，所述中枢预测模块分别与数据采集模块、终端维护模块通信和/或电气连接；所述数据采集模块与数据传感器通信和/或电气连接；所述终端维护模块和智能终端通信和/或电气连接；其中，数据传感器包括压力传感器、温度传感器或者振动传感器；智能终端包括手机或者电脑。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311178784.2A CN117221145A (zh) | 2023-09-12 | 2023-09-12 | 基于物联网平台的设备故障预测性维护系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311178784.2A CN117221145A (zh) | 2023-09-12 | 2023-09-12 | 基于物联网平台的设备故障预测性维护系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117221145A true CN117221145A (zh) | 2023-12-12 |
Family
ID=89050570
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311178784.2A Pending CN117221145A (zh) | 2023-09-12 | 2023-09-12 | 基于物联网平台的设备故障预测性维护系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117221145A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117577287A (zh) * | 2023-12-25 | 2024-02-20 | 南京吾爱网络技术有限公司 | 一种医院自动化运维管理平台 |
-
2023
- 2023-09-12 CN CN202311178784.2A patent/CN117221145A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117577287A (zh) * | 2023-12-25 | 2024-02-20 | 南京吾爱网络技术有限公司 | 一种医院自动化运维管理平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115425764B (zh) | 一种电力系统智能网络风险实时监控方法、系统及存储介质 | |
| CN110941918B (zh) | 智能化变电站故障分析系统 | |
| CN112561736A (zh) | 智能变电站继电器保护装置故障诊断系统和方法 | |
| CN117221145A (zh) | 基于物联网平台的设备故障预测性维护系统 | |
| CN111204363A (zh) | 一种牵引系统故障诊断预警和状态评估方法、装置及系统 | |
| CN112713649A (zh) | 一种基于极限学习机的电力设备剩余寿命预测方法 | |
| CN117689214B (zh) | 一种柔性直流牵引供电系统能量路由器动态安全评估方法 | |
| CN112686402A (zh) | 一种日常巡检与智慧运维管理平台结合的方法 | |
| EP4113539A1 (en) | Method and system for intelligent monitoring of state of nuclear power plant | |
| CN116142913A (zh) | 一种基于大数据的设备健康状态分析方法及系统 | |
| CN114862275B (zh) | 基于数字孪生模型的仓储物流系统可靠性评估方法及系统 | |
| CN114707401A (zh) | 信号系统设备的故障预警方法及装置 | |
| CN109896384B (zh) | 基于大数据分析的曳引电梯健康状态特征参数提取方法 | |
| CN114676791A (zh) | 一种基于模糊证据推理的电力系统告警信息处理方法 | |
| CN114994565A (zh) | 一种电气柜防水漏电警报系统 | |
| CN113468022B (zh) | 一种对产品集中监控的自动化运维方法 | |
| CN117391675B (zh) | 一种数据中心基础设施运维管理方法 | |
| CN109240253A (zh) | 一种在线设备诊断及预防性维护方法及系统 | |
| CN109687584B (zh) | 一种输电物联通信网络接入优化方法 | |
| JP2001084035A (ja) | 運転監視システム | |
| CN115630284A (zh) | 一种考虑服役周期的空压机故障分析与寿命预测系统 | |
| CN105138755A (zh) | 一种液体火箭发动机试验台故障响应生成器的设计方法 | |
| KR102470804B1 (ko) | 회전기계의 결함을 종합적으로 진단하는 방법 및 시스템 | |
| CN115237719A (zh) | 一种服务器电源可靠性的预警方法及系统 | |
| CN116414086A (zh) | 基于fmeda失效预测技术集成安全控制系统的装置 |
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 |