CN117332233B - 一种电机智能化维护系统 - Google Patents
一种电机智能化维护系统 Download PDFInfo
- Publication number
- CN117332233B CN117332233B CN202311278857.5A CN202311278857A CN117332233B CN 117332233 B CN117332233 B CN 117332233B CN 202311278857 A CN202311278857 A CN 202311278857A CN 117332233 B CN117332233 B CN 117332233B
- Authority
- CN
- China
- Prior art keywords
- fault
- module
- motor
- information
- data
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 79
- 238000012544 monitoring process Methods 0.000 claims abstract description 25
- 238000012163 sequencing technique Methods 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 230000000737 periodic effect Effects 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000013500 data storage Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000001364 causal effect Effects 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000011112 process operation Methods 0.000 claims 1
- 238000000034 method Methods 0.000 description 11
- 230000009286 beneficial effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000010485 coping Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000011418 maintenance treatment Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02K—DYNAMO-ELECTRIC MACHINES
- H02K15/00—Methods or apparatus specially adapted for manufacturing, assembling, maintaining or repairing of dynamo-electric machines
- H02K15/0006—Disassembling, repairing or modifying dynamo-electric machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
-
- 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
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06F2218/04—Denoising
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Power Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Acoustics & Sound (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明涉及电机运维领域，提供了一种电机智能化维护系统，包括数据采集模块，用于采集电机的运行数据和轴承处的振动信号；故障监控模块，用于判断运行数据的波动范围是否超出预设阈值，当波动范围超出阈值时，生成第一故障信号；故障预测模块，用于将振动信号输入故障预测模型，进行振动规律分析，确定振动因素，并生成第二故障信号；日常维护模块，用于计算第一故障信号和第二故障信号电机一个周期内的同步性，并通过同步性，判断故障信息；其中，当同步性一致是，表示轴承故障；当同步性为不一致时，分别判断电机运行故障和轴承故障；告警模块，用于将故障信息发送至用户终端，其中故障信息包括故障成因以及相对应的维修信息。
Description
技术领域
本发明涉及电机技术领域，特别涉及一种电机智能化维护系统。
背景技术
电机，也称电动机(俗称马达)，是指依据电磁感应定律实现电能的转换或传递的一种电磁装置。它的主要作用是产生驱动转矩，作为用电器或各种机械的动力源。
电机是生产、制造中比不可少的设备之一，为了保证电机正常工作，除了按操作规程正常使用、运行过程中注意正常监视和维护外，还应该进行定期检查，做好电机维护保养工作。
现有的维护都靠日常检修，不能预测性维护，没有对电机进行全方位的维护。
在专利文件202111463537.8一种电动机故障诊断及劣化趋势预测系统中，提出了一种基于故障指数和告警阈值进行对比，从而判断电机故障的技术方案。这种技术方案是能够通过电极的运行状态，即电压、电流、空载运行、轻载运行、满载超载运行等不同状态下的电机的电力驱动参数，判断电机是否存在故障。
但是，这种方式在电机的轴承出现故障的时候，只是电机的运行参数变化，是无法判断电机是否存在故障。在轴承出现故障，例如：轴承磨损、轴承硬度不足、轴承每个球上存在磨痕，或者运行过程中，表面抛光异常，以及轴承因为过热，导致滚动体材料退火，轴承材料性质发生变化，这些情况下，电机的运行数据不会发生变化，但是，轴承依然与基准性能对比上，有所不足。而且这种现象无法检测得到，在现有技术中，只有当电机进行整体维修的时候，才会发现轴承出现的异常情况。
发明内容
本发明提供一种电机智能化维护系统，用以解决由于检修不及时而导致的电机故障，以及电机的轴承只能通过拆卸检测维修的情况。
本申请提出了一种电机智能化维护系统，包括：
数据采集模块，用于采集电机的运行数据和轴承处的振动信号；
故障监控模块，用于判断运行数据的波动范围是否超出预设阈值，当波动范围超出阈值时，生成第一故障信号；
故障预测模块，用于将振动信号输入故障预测模型，进行振动规律分析，确定振动因素，并生成第二故障信号；
日常维护模块，用于计算第一故障信号和第二故障信号电机一个周期内的同步性，并通过同步性，判断故障信息；其中，
当同步性一致是，表示轴承故障；
当同步性为不一致时，分别判断电机运行故障和轴承故障；
告警模块，用于将故障信息发送至用户终端，其中故障信息包括故障成因以及相对应的维修信息。
优选的，所述告警模块包括故障成因确定子模块、列表生成子模块、信息生成模块和数据传输子模块，其中：
故障成因确定子模块被配置为：解析第一故障信号，得到异常因子，将异常因子输入至预设的故障成因库中，查询与当前异常因子所对应的多个故障原因，以及故障原因所映射的维修信息；
列表生成子模块用于将多个故障原因进行打包，生成故障成因列表；
信息生成模块用于根据故障成因列表和相对应的维修信息生成故障信息；
数据传输子模块：用于将故障信息发送至终端。
优选的，所述告警模块还包括排序子模块，所述排序子模块用于预设的排序模式，在存在多个故障因素时，进行故障排序；其中，
排序模式包括危害性排序、因果排序、维修排序、故障重复性排序。
优选的，所述日常维护模块包括数据存储子模块、时间监控子模块和检修提醒子模块，其中：
所述数据存储子模块用于接收用户终端输入的检修数据；
所述时间监控子模块用于根据历史检修数据并利用预设的时间监控模型确定电机的检修时间；
检修提醒子模块用于根据检修时间发送提醒信息至终端，其中，提醒信息包括检修的部位。
优选的，所述时间监控模型的构建步骤包括：
对历史检修数据进行分析处理；其中，
检修数据包括电机各部位的工作参数以及环境状态；
根据分析处理，判定不同电机部件出现故障的第一周期和出现故障时关联因素的出现的第二周期；
根据第一周期和第二周期，进行不同电机部件的时间序列排序，生成不同电机故障的时空特征变量；
根据时空特征变量，构建基于电机故障检修的周期性故障预测模型；
在周期性故障预测模型确定基于不同电机部件检修的自适应算法，预测不同电机部件的检修时间；
将各组成部位的检修时间按照预设条件进行分类，确定每一类的检修时间。
优选的，所述故障预测模块包括特征提取模块和确定模块，其中：
特征提取模块用于基于傅里叶变换对振动信号进行特征提取；
确定模块用于将提取出的特征输入至训练好的BP神经网络中预估轴承的故障类型。
优选的，所述BP神经网络的训练步骤包括。
获取电机的历史振动信号，并对历史振动信号进行特征提取，将特征提取后的历史振动信号分为训练集和测试集；
将训练集输入人工神经网络模型进行训练，并通过测试集验证模型的准确性，最终得到训练好的BP神经网络。
优选的，所述故障预测模块还用于将得到预测结果至告警模块，由告警模块发送预警信息至终端设备；其中，
告警模块包括通信单元和自响应单元；
通信单元连接终端设备；
自响应单元调控电机的实时运行参数。
优选的，还包括运行数据展示模块，所述运行数据展示模块用于对电机运行数据进行处理，并在终端显示屏显示。
优选的，所述查询模块用于接收终端的查询信息，并将所述查询信息进行语义解析，将解析后的信息映射至终端设备中；其中，
语义解析有由接收终端中植入的离线语义解析模型和样本对比模型进行语义解析；
样本对比模型用于将查询信息解析为数据地址信息；
离线语义解析模型用于根据地址信息，提取对应的查询数据，并转化为数据文本；
所述查询信息为故障原因。
本发明有益效果为：
本申请能够对电机进行全方位的监控和维护，实时监控电机的异常状况并对轴承进行预测性的维护；
本申请创新性的将电机本体故障和轴承故障进行区分，进而才能让故障识别的时候，识别效果更加准确，防止因为轴承产生的故障，传导至运行参数出现异常，从而检查不出来电机故障出在什么地点，只能进行电机拆解，全面分析，甚至直接电机报废。
还能够分析故障产生的原因以及制定故障应对策略并将其发送至终端，便于用户及时确认，提高电机运行的可靠性，减小电机损坏的风险。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种电机智能化维护系统的结构示意图；
图2为本发明实施例中一种电机智能化维护系统的运行流程图；
图3为本发明实施例中时间监控模型的构建的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提供了一种电机智能化维护系统，参加图1和图2，包括数据采集模块、故障监测模块、日常维护模块和告警模块，其中：
数据采集模块，用于采集电机的运行数据和轴承处的振动信号；运行数据包括电机的电压、电流、输出功率、温度、响度等数据。温度可以由设置在电机主要部位的温度传感器测得，响度可由监测周围环境响动的声计器以及用于监测电机响动的声计器共同测得。轴承的振动信号主要为在一个运行周期内，轴承运行的波动信号，在实际实施的时候，振动信号随着轴承的滚珠因为挤压变形、存在磨损和其它本体变动的情况下，都会出现不同的振动信号，在一个周期内，振动信号不均衡。
故障监控模块，用于判断运行数据的波动范围是否超出预设阈值，当波动范围超出阈值时，生成第一故障信号；
运行数据是电机的总体运行过程中的电力数据和传感数据，主要是自动运行数据，用于判断电机本身出现的电力故障或者其它驱动故障，以及温度过高导致的故障，这些故障数据会转化为第一故障信号，每种不同的数据都预设有运行阈值，超出阈值就表示运行数据存在故障。
故障预测模块，用于将振动信号输入故障预测模型，进行振动规律分析，确定振动因素，并生成第二故障信号；
本申请的故障预测模型用于是一种轴承的故障识别模型，用于判断轴承在产生不同振动信号时，导致这个振动产生的因素。
由于振动信号在负载一定，且轴承没有出现本体损伤的情况下，会有一个固定的周期波动，在出现不同损伤现象是，一个周期内出现的振动波动不同，甚至让轴承的运行一个周期的时间更长，所以通过故障预测模型，可以判断轴承具体的故障原因，因此可以监测出电机的早期故障，可靠性高。
日常维护模块，用于计算第一故障信号和第二故障信号电机一个周期内的同步性，并通过同步性，判断故障信息；确定电机的检修时间并记录检修数据；其中，
当同步性一致是，表示轴承故障；
当同步性为不一致时，分别判断电机运行故障和轴承故障；
日常维护模块是以一种维护检测模块，用于常规情况下用户进行历史检修数据和平常检修数据的记录等等，在产生故障信号的时候，为了判断故障是因为轴承损伤导致产生，还是因为电机运行导致，也为了规避，轴承这种长期运行状态的设备检测时可能出现错误判定，所以，本申请会判断两个故障信号的同步性，两个故障信号如果同时出现，就代表轴承故障，两个信号如果不是同时出现，可能电机本身和轴承都出现了故障。在产生单独故障信号的时候，要么是轴承故障，要么是电极故障。
日常维护模块还用于根据电机的历史检修数据确定电机的各部位下一次检修的时间并记录检修数据；其中，日常检修数据包括电机及启动设备的清洁程度、接线螺丝以及固定部分螺丝的松动状况、传动装置的安装是否牢固、各接线部位是否有烧伤痕迹、轴承状况、风扇的工作状况、是否有异常振动等。
告警模块，用于生成故障信息并将故障信息发送至用户终端，其中故障信息包括故障成因以及相对应的维修信息。
上述技术方案的工作原理为：
通过数据采集模块实时采集的运行数据以及轴承处的振动信号；故障监控模块根据运行数据实时监控对电机的运行状况，故障检测模块中的故障预测模型根据振动信号对电机轴承进行预测性的维护。日常维护模块可确定检修时间并做好记录，当监测到故障时，判断是轴承故障还是电机本体故障，以及两者都出现故障，最后可利用告警模块生成告警信息，并将其发生至终端。
上述技术方案的有益效果为：
本申请能够对电机进行全方位的监控和维护，实时监控电机的异常状况并对轴承进行预测性的维护；
本申请创新性的将电机本体故障和轴承故障进行区分，进而才能让故障识别的时候，识别效果更加准确，防止因为轴承产生的故障，传导至运行参数出现异常，从而检查不出来电机故障出在什么地点，只能进行电机拆解，全面分析，甚至直接电机报废。
还能够分析故障产生的原因以及制定故障应对策略并将其发送至终端，便于用户及时确认，提高电机运行的可靠性，减小电机损坏的风险。
在一个实施例中，告警模块包括故障成因确定子模块、列表生成子模块、信息生成模块和数据传输子模块，其中：
故障成因确定子模块：解析第一故障信号，得到异常因子，将异常因子输入至预设的故障成因库中，查询与故障发生部位所对应的多个故障原因，以及故障原因所映射的维修信息；异常因子包括电流、电压、电流、输出功率、温度、响度等。
列表生成子模块：将多个故障原因进行打包，生成故障成因列表；信息生成模块用于根据故障成因列表和相对应的维修信息生成故障信息；
数据传输子模块：用于将故障信息发送至终端。
上述技术方案的原理在于：
本申请可以对故障信号进行解析，判断具体的异常因子，然后根据具体的异常因子，去判断造成故障的原因，这个故障因子主要是电机本体运行数据中产生的故障，或者传感设备传感数据中感应数据的异常导致的故障。上述技术方案的有益效果为：
通过由故障成因确定子模块、列表生成子模块、信息生成模块和数据传输子模块构成的告警模块生成故障信息，并将故障信息发送至终端，能够及时提醒用户，并且用户也可以根据故障成因对电机进行排查。
在一个实施例中，告警模块还包括排序子模块，排序子模块用于根据当前多个故障原因发生的次数对其进行排序，按照发生的次数对故障原因进行排序，节省排查的时间。
上述技术方案的原理在于：
本申请的排序子模块是用于在存在多种故障因素的时候，进行故障排序；
本申请的故障排序存在多种排序模式，危害性排序、因果排序、维修排序、故障重复性排序等；
危害性排序用于判断不同故障因素造成的故障危害性，根据危害性的严重程度进行排序；
因果排序是根据不同故障因素的关联性，判断是否因为前项故障因素导致后项故障因素的产生，从而根据故障因素的因果排序顺序，进行排序。
维修排序用于判断不同故障因素在维修的时候，维修顺序的便利性，从而根据维修顺序进行维修排序。
故障重复性排序用于判断不同故障因素产生的次数，根据故障产生的次数进行故障排序。
在一个实施例中，日常维护模块包括数据存储模块、时间监控模块和检修提醒模块，其中：
数据存储模块用于接收用户终端输入的电机各部位的检修数据；
时间监控模块用于根据历史检修数据并利用预设的时间监控模型确定电机检修时间；
检修提醒模块用于根据检修时间发送提醒信息至终端，其中，提醒信息包括需要检修的部位。
上述技术方案的有原理在于：
本申请可以通过数据存储子模块存储电机的维修、检修数据，从而能够确定电机以前出现的所有故障和维修信息；
本申请的时间监控子模块可以通过历史检修数据，判断电机出现故障的规律，从而设定电机具体的检修时间。
本申请的提醒子模块可以根据电机的检修时间，提醒用户进行电机的检修处理。
上述技术方案的有益效果为：
由于电机各部分的发生故障的概率及时间不同，因此利用数据存储模块、时间监控模块和检修提醒模块构成的日常维护模块确定电机检修的时间并进行提醒，可避免由于现有的是每隔特定时间统一检修一次而导致的部分部位出现故障的情况，更好地维护电机。
在一个实施例中，
所述时间监控模型的构建步骤包括：
对历史检修数据进行分析处理；其中，
检修数据包括电机各部位的工作参数以及环境状态；
根据分析处理，判定不同电机部件出现故障的第一周期和出现故障时关联因素的出现的第二周期；
根据第一周期和第二周期，进行不同电机部件的时间序列排序，生成不同电机故障的时空特征变量；
根据时空特征变量，构建基于电机故障检修的周期性故障预测模型；
在周期性故障预测模型确定基于不同电机部件检修的自适应算法，预测不同电机部件的检修时间；
将各组成部位的检修时间按照预设条件进行分类，确定每一类的检修时间。
预设条件为将检修时间相差值小于预设天数的检修部位归为一类，取中间值作为这一类部位的检修时间。
上述技术方案的有益效果为：
如附图3所示，为了能够实现全自动的自动提醒对电机的不同部件进行检修，从而减少电机出现故障的次数，延长电机的使用寿命，同时防止突发性电机故障，本申请会对电机不同部件的故障周期进行判定，从而实现提前检修，提前预防。
在这个过程中，第一周期是电机出现故障的常规周期，第二周期是关联因素产生周期，即其它因素导致电机出现故障的时候，这个其它因素的产生周期；通过这两个周期和不同电机部件的时间序列排序，可以确定时空特征变量，时空特征变量是电机出现故障的表征变量，通过这个变量的训练，可以生成一个基于深度网络的周期性故障预测模型，周期性故障预测模型可以对电机故障进行周期性的计算预测，然后通过转换为智适应算法，预测电机不同部件的检修最佳检修时间，从而实现电机的检修，这种情况下，可以对电机的故障进行提前的检修，故障提前预防。
根据时间监控模型确定各部位的检修时间，并将检修时间相近的需要监测的部位归为一类，取中间值作为这一类的检修时间，避免频繁检修。
在一个实施例中，故障预测模块包括特征提取模块和确定模块，特征提取模块用于基于傅里叶变换对振动信号进行特征提取；确定模块用于将提取出的特征输入至训练好的BP神经网络中预估轴承的故障类型。
上述技术方案的原理在于：
本申请的故障预测模块可以通过提取振动信号的中的振动特征，即振动的强度和规律，然后通过训练好的BP神经网络，确定轴承具体的故障类型。
BP神经网络的训练步骤包括：
获取电机的历史振动信号，并对历史振动信号进行特征提取，将特征提取后的历史振动信号分为训练集和测试集；
将训练集输入人工神经网络模型进行训练，并通过测试集验证模型的准确性，最终得到训练好的BP神经网络。
上述技术方案的有益效果为：
利用训练好的BP神经网络对预测电机轴承处的故障以及故障类型，实现电机预测性维护。
在一个实施例中，所述故障预测模块还用于将得到预测结果至告警模块，由告警模块发送预警信息至终端；其中，
告警模块包括通信单元和自响应单元；
通信单元连接终端设备；
自响应单元调控电机的实时运行参数。
上述技术方案的原理在于：
本申请的告警模块主要用于连接终端设备，报告检修信息，还可以在出现故障的时候，自动调节电机的运行参数；
自响应单元通过预先设置的触发型数字信号，对不同类型的故障时间进行响应，在具备响应信息之后，根据故障的危害性启动电源管控模式和参数控制模式；电源管控模式时，当故障产生的危害性存在增大趋势时，自动对电机进行关机控制；
当参数控制模式时，通过预设的参数模板，控制电机的运行参数趋近于参数模板的控制参数。
上述技术方案的有益效果在于：
本申请的告警模块不仅具备通信功能实现故障上报的作用，还能实现故障的自动动态管控。
在一个实施例中，还包括运行数据展示模块，运行数据展示模块用于对电机运行数据进行处理，并在终端显示屏显示。可视化展示便于用户观察电机的运行状态。
在具体展示的时候，本申请还配置有一种故障的自动展示方法，首先基于接收的不同类型的故障，切换对应的故障展示模板；
每种故障展示模板对应有唯一的故障类型；
在接收到故障信息的时候，对应的故障展示模板被触发，并将故障信息按照故障展示模板上不同的界面格式，进行故障数据填充；
通过故障数据填充，生成展示电机运行状态的可视化界面。
上述技术方案的原理在于：
本申请在展示故障信息的时候根据具体的故障行为触发对应的故障模板，实现自动化故障信息的展示；
在传统的电机设备中，就算是具备显示屏，存在故障显示界面，显示的也只是故障的代码，或者故障的原因或者节点，但是故障信息无法全面的具体化展示，而且，不同类型的故障没有对应界面，只能显示故障，以及通用的参数，无法清晰化的展示具体的故障信息。二本申请的故障展示信息，可以自动展示，自动通过不同的故障展示模板进行自动显示故障数据，数据更加准确和清楚，而且通过数据填充的形式，每种故障有对应的界面，直接填充数据，少了计算过程，故障展示的过程更加快速。在一个实施例中，所述查询模块用于接收终端的查询信息，并将所述查询信息进行语义解析，将解析后的信息映射至终端设备中；其中，
语义解析有由接收终端中植入的离线语义解析模型和样本对比模型进行语义解析；
样本对比模型用于将查询信息解析为数据地址信息；
离线语义解析模型用于根据地址信息，提取对应的查询数据，并转化为数据文本；
所述查询信息为故障原因。
上述技术方案的原理在于：
本申请在用户进行信息查询之后，会将查询的讯息转化为文本信息，在这个过程中，首先查询信息的时候，对于电机类产品，只能通过调用日志，通过日志信息，分析对应的代码进行故障识别，人工根据故障代码判断具体的故障信息。
本申请通过查询故障信息的时候，获取故障信息的日志数据，日志数据通过本申请的离线语义解析模型，自动判断出具体是什么类型的故障，并转化为文本数据，进行输出，让非专业人员在故障信息识别的时候，更加快速，也可以更加快速的辅助非专业人员，向专业人员询问，具体故障的时候，应该如何处理。
防止电机出现故障，而附近只有非专业人员的时候，无法详细向专业人员阐述故障原因，造成工作事故。
上述技术方案的有益效果为：用户终端可根据需要查询故障原因所对应的维修策略，为用户提供技术支持。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种电机智能化维护系统，其特征在于，包括：
数据采集模块，用于采集电机的运行数据和轴承处的振动信号；
故障监控模块，用于判断运行数据的波动范围是否超出预设阈值，当波动范围超出阈值时，生成第一故障信号；
故障预测模块，用于将振动信号输入故障预测模型，进行振动规律分析，确定振动因素，并生成第二故障信号；
日常维护模块，用于计算第一故障信号和第二故障信号电机一个周期内的同步性，并通过同步性，判断故障信息；确定电机的检修时间并记录检修数据；其中，
当同步性一致时，表示轴承故障；
当同步性为不一致时，分别判断电机运行故障和轴承故障；
告警模块，用于将故障信息发送至用户终端，其中故障信息包括故障成因以及相对应的维修信息。
2.如权利要求1所述的一种电机智能化维护系统，其特征在于，所述告警模块包括故障成因确定子模块、列表生成子模块、信息生成模块和数据传输子模块，其中：
故障成因确定子模块被配置为：解析第一故障信号，得到异常因子，将异常因子输入至预设的故障成因库中，查询与当前异常因子所对应的多个故障原因，以及故障原因所映射的维修信息；
列表生成子模块用于将多个故障原因进行打包，生成故障成因列表；
信息生成模块用于根据故障成因列表和相对应的维修信息生成故障信息；
数据传输子模块：用于将故障信息发送至终端。
3.如权利要求2所述的一种电机智能化维护系统，其特征在于，所述告警模块还包括排序子模块，所述排序子模块用于预设的排序模式，在存在多个故障因素时，进行故障排序；其中，
排序模式包括危害性排序、因果排序、维修排序、故障重复性排序。
4.如权利要求1所述的一种电机智能化维护系统，其特征在于，所述日常维护模块包括数据存储子模块、时间监控子模块和检修提醒子模块，其中：
所述数据存储子模块用于接收用户终端输入的检修数据；
所述时间监控子模块用于根据历史检修数据并利用预设的时间监控模型确定电机的检修时间；
检修提醒子模块用于根据检修时间发送提醒信息至终端，其中，提醒信息包括检修的部位。
5.如权利要求4所述的一种电机智能化维护系统，其特征在于，所述时间监控模型的构建步骤包括：
对历史检修数据进行分析处理；其中，
检修数据包括电机各部位的工作参数以及环境状态；
根据分析处理，判定不同电机部件出现故障的第一周期和出现故障时关联因素的出现的第二周期；
根据第一周期和第二周期，进行不同电机部件的时间序列排序，生成不同电机故障的时空特征变量；
根据时空特征变量，构建基于电机故障检修的周期性故障预测模型；
在周期性故障预测模型确定基于不同电机部件检修的自适应算法，预测不同电机部件的检修时间；
将各组成部位的检修时间按照预设条件进行分类，确定每一类的检修时间。
6.如权利要求1所述的一种电机智能化维护系统，其特征在于，
所述故障预测模块包括特征提取模块和确定模块，其中：
特征提取模块用于基于傅里叶变换对振动信号进行特征提取；
确定模块用于将提取出的特征输入至训练好的BP神经网络中预估轴承的故障类型。
7.如权利要求6所述的一种电机智能化维护系统，其特征在于，所述BP神经网络的训练步骤包括：
获取电机的历史振动信号，并对历史振动信号进行特征提取，将特征提取后的历史振动信号分为训练集和测试集；
将训练集输入人工神经网络模型进行训练，并通过测试集验证模型的准确性，最终得到训练好的BP神经网络。
8.如权利要求2所述的一种电机智能化维护系统，其特征在于，所述故障预测模块还用于将得到预测结果至告警模块，由告警模块发送预警信息至终端设备；其中，
告警模块包括通信单元和自响应单元；
通信单元连接终端设备；
自响应单元调控电机的实时运行参数。
9.如权利要求1所述的一种电机智能化维护系统，其特征在于，还包括运行数据展示模块，所述运行数据展示模块用于对电机运行数据进行处理，并在终端显示屏显示。
10.如权利要求1所述的一种电机智能化维护系统，其特征在于，还包括查询模块，所述查询模块用于接收终端的查询信息，并将所述查询信息进行语义解析，将解析后的信息映射至终端设备中；其中，
语义解析有由接收终端中植入的离线语义解析模型和样本对比模型进行语义解析；
样本对比模型用于将查询信息解析为数据地址信息；
离线语义解析模型用于根据地址信息，提取对应的查询数据，并转化为数据文本；
所述查询信息为故障原因。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311278857.5A CN117332233B (zh) | 2023-10-07 | 2023-10-07 | 一种电机智能化维护系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311278857.5A CN117332233B (zh) | 2023-10-07 | 2023-10-07 | 一种电机智能化维护系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117332233A CN117332233A (zh) | 2024-01-02 |
| CN117332233B true CN117332233B (zh) | 2024-05-31 |
Family
ID=89282426
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311278857.5A Active CN117332233B (zh) | 2023-10-07 | 2023-10-07 | 一种电机智能化维护系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117332233B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1997049977A1 (en) * | 1996-06-24 | 1997-12-31 | Arcelik A.S. | Model-based fault detection system for electric motors |
| CN111539374A (zh) * | 2020-05-07 | 2020-08-14 | 上海工程技术大学 | 基于多维数据空间的轨道列车轴承故障诊断系统及方法 |
| CN112946471A (zh) * | 2021-02-04 | 2021-06-11 | 郑州恩普特科技股份有限公司 | 一种变频电机故障监测系统 |
| CN113639842A (zh) * | 2021-08-25 | 2021-11-12 | 江苏邮创达安全科技有限公司 | 一种基于5g的远程设备故障诊断方法及系统 |
| CN114580666A (zh) * | 2020-11-30 | 2022-06-03 | 西安市双合软件技术有限公司 | 一种多模式融合电动机智能维护系统 |
| CN114674562A (zh) * | 2022-03-22 | 2022-06-28 | 中车大连机车研究所有限公司 | 一种考虑寿命监测条件的轨道交通圆锥滚子轴承寿命预测方法 |
| CN115358533A (zh) * | 2022-07-27 | 2022-11-18 | 韩兆井 | 一种基于大数据的预测性维护管理系统 |
| CN116320832A (zh) * | 2023-05-23 | 2023-06-23 | 常州指尖互动网络科技有限公司 | 一种监控设备故障监测方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114417699A (zh) * | 2021-12-10 | 2022-04-29 | 烟台杰瑞石油服务集团股份有限公司 | 泵阀故障检测方法 |
-
2023
- 2023-10-07 CN CN202311278857.5A patent/CN117332233B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1997049977A1 (en) * | 1996-06-24 | 1997-12-31 | Arcelik A.S. | Model-based fault detection system for electric motors |
| CN111539374A (zh) * | 2020-05-07 | 2020-08-14 | 上海工程技术大学 | 基于多维数据空间的轨道列车轴承故障诊断系统及方法 |
| CN114580666A (zh) * | 2020-11-30 | 2022-06-03 | 西安市双合软件技术有限公司 | 一种多模式融合电动机智能维护系统 |
| CN112946471A (zh) * | 2021-02-04 | 2021-06-11 | 郑州恩普特科技股份有限公司 | 一种变频电机故障监测系统 |
| CN113639842A (zh) * | 2021-08-25 | 2021-11-12 | 江苏邮创达安全科技有限公司 | 一种基于5g的远程设备故障诊断方法及系统 |
| CN114674562A (zh) * | 2022-03-22 | 2022-06-28 | 中车大连机车研究所有限公司 | 一种考虑寿命监测条件的轨道交通圆锥滚子轴承寿命预测方法 |
| CN115358533A (zh) * | 2022-07-27 | 2022-11-18 | 韩兆井 | 一种基于大数据的预测性维护管理系统 |
| CN116320832A (zh) * | 2023-05-23 | 2023-06-23 | 常州指尖互动网络科技有限公司 | 一种监控设备故障监测方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| A the dynamics simulation and failure analysis of rolling bearings;Zhang Le-le等;《Journal of Shanghai Jiaotong University》;20070901;第41卷(第9期);全文 * |
| 基于1DCNN-ELM 的带式输送机托辊轴承故障诊断研究;张伟等;《煤炭科学技术》;20230630;第51卷(第S1期);全文 * |
| 风电机组振动监测与故障预测系统;赵洪山;徐樊浩;徐文岐;高夺;;陕西电力;20160720(第07期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117332233A (zh) | 2024-01-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109001649B (zh) | 一种电源智能诊断系统及保护方法 | |
| US6308138B1 (en) | Diagnostic rule base tool condition monitoring system | |
| US6694286B2 (en) | Method and system for monitoring the condition of an individual machine | |
| US11422529B1 (en) | Monitoring system for use in industrial operations | |
| CN113552840A (zh) | 一种机械加工控制系统 | |
| CN111098463A (zh) | 一种注塑机故障诊断系统及诊断方法 | |
| CN112415947B (zh) | 一种基于dtu设备的cnc机床数据采集与管理方法及系统 | |
| CN116596322B (zh) | 一种基于大数据可视化的物业设备管理方法及系统 | |
| CN110836696A (zh) | 适于调相机系统的远程故障预测方法和系统 | |
| CN117808456B (zh) | 一种基于智慧运营管理的设备故障预警方法及装置 | |
| CN115238925B (zh) | 一种电机设备监管方法及系统 | |
| CN114415581A (zh) | 一种机械设备运维方法及系统 | |
| CN112580858A (zh) | 设备参数预测分析方法及系统 | |
| CN109240253B (zh) | 一种在线设备诊断及预防性维护方法及系统 | |
| KR102387375B1 (ko) | 선제적 풍력발전 유지관리 시스템 | |
| CN117040111A (zh) | 一种用于辅助水电站智慧运行的方法及系统 | |
| CN117910999A (zh) | 一种智能电厂设备检修方法及系统 | |
| CN117332233B (zh) | 一种电机智能化维护系统 | |
| KR101879385B1 (ko) | 진동 감시 설비용 신호 처리 장치 | |
| KR101166101B1 (ko) | 통계적 품질 검사 및 관리 시스템 | |
| US11366460B2 (en) | System for monitoring electrical devices and a method thereof | |
| CN111196546B (zh) | 扶梯驱动链异常的检测方法、装置、系统、计算机设备 | |
| CN114866877A (zh) | 一种污水处理远程数据的传输方法及系统 | |
| CN116802471A (zh) | 综合诊断旋转机械的缺陷的方法及系统 | |
| CN114091811A (zh) | 一种核电厂循环水泵维修决策系统及设计方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |