CN117332252A - 一种基于振动增长速度的旋转动设备趋势预警方法 - Google Patents
一种基于振动增长速度的旋转动设备趋势预警方法 Download PDFInfo
- Publication number
- CN117332252A CN117332252A CN202311238990.8A CN202311238990A CN117332252A CN 117332252 A CN117332252 A CN 117332252A CN 202311238990 A CN202311238990 A CN 202311238990A CN 117332252 A CN117332252 A CN 117332252A
- Authority
- CN
- China
- Prior art keywords
- value
- characteristic
- trend
- maximum value
- early warning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000000630 rising effect Effects 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims description 46
- DCOPUUMXTXDBNB-UHFFFAOYSA-N diclofenac Chemical compound OC(=O)CC1=CC=CC=C1NC1=C(Cl)C=CC=C1Cl DCOPUUMXTXDBNB-UHFFFAOYSA-N 0.000 claims description 27
- 238000004140 cleaning Methods 0.000 claims description 20
- 239000006185 dispersion Substances 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- 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
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于振动增长速度的旋转动设备趋势预警方法，通过将具有上涨趋势的特征序列进行增长速率的计算，以增长速率和报警阈值作数据比对，从而使得预设观测时长内设备各采集间隔的趋势预警更加具有准确性和实时性，并有效避免了因报警阈值的不合理设置而产生无效误报警的情况。本发明能够实现在旋转动设备预警的全过程中，采集预设观测时长内的所有特征数据，并将预设观测时长分为时长均等的采集间隔，使得该算法具有较强的实时性，能够实用于设备复杂运行环境。指数移动平均法具有更长的时间追踪范围，对把握时间序列走势及方向更具及时性和准确性。
Description
技术领域
本发明涉及工业物联网技术领域，具体涉及一种基于振动增长速度的旋转动设备趋势预警方法。
背景技术
随着工业物联网技术的发展，工业物联网将具有感知、监控能力的各类采集、控制传感器或控制器，以及移动通信、智能分析等技术不断融入到工业生产过程各个环节，从而大幅提高制造效率，改善产品质量，降低产品成本和资源消耗，最终实现将传统工业提升到智能化的新阶段。工业物联网研究是一个跨学科的工程，它涉及自动化、通信、计算机以及管理科学等领域。将无处不在(Ubiquitous)的末端设备(Devices)和设施(Facilities)，包括具备“内在智能”的传感器、移动终端、工业系统、楼控系统、家庭智能设施、视频监控系统等和“外在使能”(Enabled)的，如贴上RFID的各种资产(Assets)、携带无线终端的个人与车辆等“智能化物件或动物”或“智能尘埃”(Mote)，通过各种无线/有线的长距离/短距离通讯网络实现互联互通(M2M)、应用大集成(Grand Integration)、以及基于云计算的SaaS营运等模式，提供安全可控乃至个性化的实时在线监测、定位追溯、报警联动、调度指挥、预案管理、远程控制、安全防范、远程维保、在线升级、统计报表、决策支持、领导桌面(集中展示的Cockpit Dashboard)等管理和服务功能，实现对“万物”的“高效、节能、安全、环保”的“管、控、营”一体化。简单的讲，物联网是物与物、人与物之间的信息传递与控制，在物联网应用中有三项关键技术其中就包括传感器技术。
传感器是一种检测装置，能感受到被测量的信息，并能将检测感受到的信息，按一定规律变换成为电信号或其他所需形式的信息输出，以满足信息的传输、处理、存储、显示、记录和控制等要求。它是实现自动检测和自动控制的首要环节。价格低廉、性能良好的传感器是工业物联网应用的基石，工业物联网的发展要求更准确、更智能、更高效以及兼容性更强的传感器技术。智能数据采集技术是传感器技术发展的一个新方向。信息的泛在化对工业传感器和传感装置提出了更高的要求。利用设备的传感器数据，构建相应的预警模型，可以实现故障的早期发现，避免故障发生，减少停机时间和成本，并保证设备的可靠性、耐久性和运行效率。
对于流程化行业，这些设备在生产中占据着及其重要的地位，越来越多的流程化行业设备通过各种传感器接入互联网。复杂且敏感的流程设备为保证最大化生产效率需要全天候运行，在兼顾监管要求的同时提升生产力，不仅需要在借助材料创新的同时，利用新技术，最大限度地减少加工作业对环境的影响，更需要设备的安全、稳定的运行。一旦出现故障停机，将造成巨大的经济损失。因此利用互联网对流程化设备的监测，对工业制造生产具有重要意义。
现有的预警方法主要是按照机组状态参考标准为不同的设备设定不同的报警阈值来监测设备的异常情况。例如，通过对过程生产装的参数历史数据，对历史数据的更新，再根据每个参数的概率分布函数，对设备调整参数报警阈值。除此之外，利用机器学习算法学习数据的趋势来动态设置设备的报警阈值。由于旋转动设备的振动值在工况、运行环境等因素影响下变化非常大，以上方法目前都很容易导致误报和漏报，其准确率难以满足旋转动设备的监测要求。
发明内容
针对上述现有技术的不足，本发明提供了一种基于振动增长速度的旋转动设备趋势预警方法，通过将具有上涨趋势的特征序列进行增长速率的计算，以增长速率和报警阈值作数据比对，从而使得预设观测时长内设备各采集间隔的趋势预警更加具有准确性和实时性，用以解决因报警阈值的不合理设置而产生无效误报警的问题。
为了解决上述技术问题，本发明采用了如下技术方案：
一种基于振动增长速度的旋转动设备趋势预警方法，包括如下步骤：
S1、将目标设备的预设观测时长划分为时长相同的采集间隔；选取第一个采集间隔作为当前检测间隔；
S2、将目标设备在当前检测间隔采集到的振动信号数据进行特征提取，得到当前检测间隔内各振动信号数据点对应的特征数据；
S3、将当前检测间隔内各振动信号数据点对应的特征数据进行排列，形成当前检测间隔对应的特征序列S；判断所述特征序列S中是否存在满足预设幅值条件的极大值；若存在，则执行步骤S4；若不存在，则执行步骤S6；
S4、对所述特征序列S中的所述极大值进行单调性验证；若经过单调性验证判定所述特征序列S中极大值及其以前的特征值满足单调上涨趋势，则执行步骤S5；否则，执行步骤S6；
S5、计算所述特征序列S中极大值相对于其之前特征值的增长速率，并根据增长速率计算结果，判定当前检测间隔的振动信号预警类型并输出相应预警类型的报警；然后执行步骤S7；
S6、判定当前检测间隔的振动信号正常，输出设备运行正常信号；执行步骤S7；
S7、将下一采集间隔作为新的当前检测间隔，返回执行步骤S2；
S8、重复执行步骤S2-S7，直至预设观测时长内全部采集间隔均完成检测。
优选地，步骤S2中：
所述特征数据包括加速度峰值、速度有效值和包络峰值。
如权利要求1所述的一种基于振动增长速度的旋转动设备趋势预警方法，其特征在于，在步骤S2执行完成后，还对提取的振动信号数据的特征数据进行数据清洗和数据预处理。
优选地，所述数据清洗包括停机数据清洗和异常数据清洗；所述数据预处理是对特征值序列S使用拉依达准则进行异常值处理、缺失值填充。
优选地，停机数据清洗具体为：设定停机阈值，若当前时刻采集的振动特征值小于停机阈值，则当前值为设备停机状态下采集的，反之，则当前值为设备运行状态下采集的值；
异常数据清洗具体为：根据设备振动传感器的量程范围，判断当前时刻采集的振动特征值是否超出量程范围，若超出量程范围为异常值，反之，则为正常值。
优选地，步骤S4中，对所述特征序列S中的极大值进行单调性验证的具体步骤包括：
S401、根据长短窗口分别计算特征序列S中极大值及其之前特征值对应的短窗口指数移动平均线EWMAs(α,n)和长窗口指数移动平均线EWMAl(β,n)；n为特征序列S中极大值及其之前特征值对应的时刻，α是短窗口指数移动平均线的可调节参数，β是长窗口指数移动平均线的可调节参数；
S402、计算两条指数移动平均线EWMAs(α,n)和EWMAl(β,n)之间的距离，作为离差值DIF(n)：
DIF(n)＝EWMAs(α,n)-EWMAl(β,n)
S403、计算离差值DIF的指数移动平均线DEA(γ,n)：
DEA(γ,n)＝γ*DIF(n)+(1-γ)·DEA(γ,n-1)
其中，离差系数signal为信号周期长度。
S404、计算对应的异同移动平均线MACD(n)＝(DIF(n)-DEA(γ,n))*2；
S405、在设备趋势预警过程中，数据单调性的判断，利用DIF(n)与DEA(n)线对于零轴的位置关系以及异同移动平均线MACD(n)的分布情况，判断特征序列S中的极大值的单调性是否满足单调上涨趋势。
优选地，步骤S401中，短窗口指数移动平均线计算公式为：
EWMAs(α,n)＝(1-α)·EWMAs(α,n-1)+α·xn
其中，EWMAs(α,n)为时刻n的短窗口指数移动平均线，xn为时刻n的特征值，EWMAs(α,n-1)为n-1时刻的短窗口指数移动平均线，时刻n的取值范围为特征序列S中极大值及其之前特征值对应的时刻；α是短窗口指数移动平均线的可调节参数，处于0-1之间；
长窗口指数移动平均线计算公式为：
EWMAl(β,n)＝(1-β)·EWMAl(β,n-1)+β·xn
其中，EWMAl(β,n)为时刻n的长窗口指数移动平均线，xn为时刻n的特征值，EWMAl(β,n-1)为n-1时刻的长窗口指数移动平均线，时刻n的取值范围为特征序列S中极大值及其之前特征值对应的时刻；β是长窗口指数移动平均线的可调节参数，处于0-1之间；
其中：
其中，s和l分别是短窗口和长窗口的长度，用来计算可调节参数α和β的值；
优选地，步骤S405中，判断特征序列S中的极大值的单调性是否满足单调上涨趋势的判断规则为：
当离差值DIF(n)与指数移动平均线DEA(γ,n)都大于零时，表示特征序列S中在极大值及其之前特征值呈单调上涨趋势；
当离差值DIF(n)与指数移动平均线DEA(γ,n)都小于零时，表示特征序列S中在极大值及其之前特征值呈单调下跌趋势；
当离差值DIF(n)由上往下与指数移动平均线DEA(γ,n)相交时，此时异同移动平均线MACD(n)小于零，表示特征序列S中在极大值及其之前特征值呈单调下跌趋势；
当离差值DIF(n)由下往上与指数移动平均线DEA(γ,n)相交时，此时异同移动平均线MACD(n)大于零，表示特征序列S中在极大值及其之前特征值呈单调上涨趋势。
优选地，步骤S5中：计算特征序列S中极大值及其之前特征值的一次差分，得到差分序列diffS；计算增长速率V＝sum(diffS+)/m；其中，sum(diffS+)表示差分序列中正值的和，m为正值的个数。
优选地，步骤S5中：所述预警类型包括低报报警和高报报警；低报报警和高报报警是分别设置预设门限阈值，通过振动增长速度与预设门限阈值的对比结果，进而判断是低报报警还是高报报警。
综上所述，本发明公开了一种基于振动增长速度的旋转动设备趋势预警方法，包括如下步骤：S1、将目标设备的预设观测时长划分为时长相同的采集间隔；选取第一个采集间隔作为当前检测间隔；S2、将目标设备在当前检测间隔采集到的振动信号数据进行特征提取，得到当前检测间隔内各振动信号数据点对应的特征数据；S3、将当前检测间隔内各振动信号数据点对应的特征数据进行排列，形成当前检测间隔对应的特征序列S；判断所述特征序列S中是否存在满足预设幅值条件的极大值；若存在，则执行步骤S4；若不存在，则执行步骤S6；S4、对所述特征序列S中的所述极大值进行单调性验证；若经过单调性验证判定所述特征序列S中极大值及其以前的特征值满足单调上涨趋势，则执行步骤S5；否则，执行步骤S6；S5、计算所述特征序列S中极大值相对于其之前特征值的增长速率，并根据增长速率计算结果，判定当前检测间隔的振动信号预警类型并输出相应预警类型的报警；然后执行步骤S7；S6、判定当前检测间隔的振动信号正常，输出设备运行正常信号；执行步骤S7；S7、将下一采集间隔作为新的当前检测间隔，返回执行步骤S2；S8、重复执行步骤S2-S7，直至预设观测时长内全部采集间隔均完成检测。本发明具有如下有益效果，在旋转动设备预警的全过程中，采集预设观测时长内的特征数据，并将预设观测时长分为时长均等的采集间隔，使得该算法具有较强的实时性，能够实用于设备复杂运行环境。指数移动平均法具有更长的时间追踪范围，对把握时间序列走势及方向更具及时性和准确性。
附图说明
为了使发明的目的、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的详细描述，其中：
图1为本发明公开了一种基于振动增长速度的旋转动设备趋势预警方法的流程图。
图2为本发明实例的某旋转动设备加速度峰值增长速度趋势预警结果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件能够以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
发明公开了一种基于振动增长速度的旋转动设备趋势预警方法，如图1所示，包括如下步骤：
S1、将目标设备的预设观测时长划分为时长相同的采集间隔；选取第一个采集间隔作为当前检测间隔；
S2、将目标设备在当前检测间隔采集到的振动信号数据进行特征提取，得到当前检测间隔内各振动信号数据点对应的特征数据；
S3、将当前检测间隔内各振动信号数据点对应的特征数据进行排列，形成当前检测间隔对应的特征序列S；判断所述特征序列S中是否存在满足预设幅值条件的极大值；若存在，则执行步骤S4；若不存在，则执行步骤S6；
S4、对所述特征序列S中的所述极大值进行单调性验证；若经过单调性验证判定所述特征序列S中极大值及其以前的特征值满足单调上涨趋势，则执行步骤S5；否则，执行步骤S6；
S5、计算所述特征序列S中极大值相对于其之前特征值的增长速率，并根据增长速率计算结果，判定当前检测间隔的振动信号预警类型并输出相应预警类型的报警；然后执行步骤S7；
S6、判定当前检测间隔的振动信号正常，输出设备运行正常信号；执行步骤S7；
S7、将下一采集间隔作为新的当前检测间隔，返回执行步骤S2；
S8、重复执行步骤S2-S7，直至预设观测时长内全部采集间隔均完成检测。
本发明能够建立旋转动设备在预设观测时长内的特征序列，实现对特征序列的信息处理，以达到旋转动设备的趋势预警。该方法能够解决现有技术中按照机组状态参考标准为不同设备设定不同的报警阈值方法，由于设备状态变化快，影响因素较多，设备阈值的不合理设置，使其产生的大量无效报警的问题，并且将具有上涨趋势的特征序列进行增长速率的计算，以增长速率和报警阈值作数据比对，从而使得预设观测时长内设备各采集间隔的趋势预警更加具有准确性和实时性，并有效避免了因报警阈值的不合理设置而产生无效误报警的情况。本发明能够实现在旋转动设备预警的全过程中，采集预设观测时长内的所有特征数据，并将预设观测时长分为时长均等的采集间隔，使得该算法具有较强的实时性，能够实用于设备复杂运行环境。指数移动平均法具有更长的时间追踪范围，对把握时间序列走势及方向更具及时性和准确性。
具体实施时，步骤S1中：
将目标设备的预设观测时长分为时长相同的采集间隔。
本发明中在旋转动设备运行时，选取当前时刻及之前时刻的时间作为预设观测时长，将时间分解，将预设观测时长均等分为采集间隔。通过这种形式避免了在较长时间的预设观测时长内信息数据较多的问题，从而提高信息的准确性。
具体实施时，步骤S2中：
将目标设备在当前检测间隔采集到的振动信号数据进行特征提取，得到当前检测间隔内各振动信号数据点对应的特征数据。
本发明中，通过依次对各采集间隔的特征数据进行采集，以实现数据的准确性和实时性。
在本具体实例中，将设备当前时刻及之前时刻往前1天作为设备的预设观测时长，将时长为1天的预设观测时长分为每半小时的采集间隔，依次对各采集间隔采集振动数据。通过这种形式对预设观测时长进行分割，形成多个采集间隔，从而使得特征数据所存在的采集间隔明确化，能够快速判断故障位置，实现预警的准确性。
此外，为了使所述旋转动设备趋势预警方法更具有准确性，本发明对提取的特征数据进行数据清洗和数据预处理。
数据清洗包括停机数据清洗和异常数据清洗，在本实例中，设定停机阈值加速度峰值为5m/s2，若在预设观测时长内采集的振动特征值小于停机阈值，说明当前所采集的特征值为停机状态下采集的，不属于设备工作状态，剔除该特征值，完成停机数据清洗。所述异常数据清洗是根据设备振动传感器的量程范围加速度峰值最大为100m/s2，判断当前时刻采集的特征值是否超出量程范围，若超出量程范围则为异常值，剔除该特征值。数据预处理是对特征值序列S使用拉依达准则进行异常值处理、缺失值填充。通过所述数据清洗和数据预处理，避免了异常数据对特征序列的影响，降低了设备误报的概率。
具体实施时，步骤S3中：
将当前检测间隔内各振动信号数据点对应的特征数据进行排列，形成当前检测间隔对应的特征序列S；判断所述特征序列S中是否存在满足预设幅值条件的极大值。
本发明中所述特征序列S是通过数据清洗和数据处理优化后的特征数据，保证了后续数据的有效性，然后再对特征序列进行极大值的判断。所述极大值满足预设幅值条件，排除当前采集间隔内，存在的极大值较小的问题，减少设备故障误报。
具体实施时，步骤S4中：对所述特征序列S中的所述极大值进行单调性验证。
本发明中对采集间隔内特征序列S中极大值的单调性进行判断，从而判断采集间隔的特征序列中的极大值是否满足单调上涨趋势。对所述特征序列S中的极大值进行单调性验证的具体步骤包括：
S401、根据长短窗口分别计算特征序列S中极大值及其之前特征值对应的短窗口指数移动平均线EWMAs(α,n)和长窗口指数移动平均线EWMAl(β,n)；n为特征序列S中极大值及其之前特征值对应的时刻，α是短窗口指数移动平均线的可调节参数，β是长窗口指数移动平均线的可调节参数；
短窗口指数移动平均线计算公式为：
EWMAs(α,n)＝(1-α)·EWMAs(α,n-1)+α·xn
其中，EWMAs(α,n)为时刻n的短窗口指数移动平均线，xn为时刻n的特征值，EWMAs(α,n-1)为n-1时刻的短窗口指数移动平均线，时刻n的取值范围为特征序列S中极大值及其之前特征值对应的时刻；α是短窗口指数移动平均线的可调节参数，处于0-1之间；
长窗口指数移动平均线计算公式为：
EWMAl(β,n)＝(1-β)·EWMAl(β,n-1)+β·xn
其中，EWMAl(β,n)为时刻n的长窗口指数移动平均线，xn为时刻n的特征值，EWMAl(β,n-1)为n-1时刻的长窗口指数移动平均线，时刻n的取值范围为特征序列S中极大值及其之前特征值对应的时刻；β是长窗口指数移动平均线的可调节参数，处于0-1之间；
其中：
其中，s和l分别是短窗口和长窗口的长度，用来计算可调节参数α和β的值；
这一步中指数移动平均是在是在移动平均基础上，加大了离当前采集间隔最近的一定周期内信号波的权重，而减小了离当前采集间隔较远周期的信号波的权重，使得指数移动平均在保留平滑信号波噪声的优点基础上，对于信号波近期的变化更为的敏感。
S402、计算两条指数移动平均线EWMAs(α,n)和EWMAl(β,n)之间的距离，作为离差值DIF(n)：
DIF(n)＝EWMAs(α,n)-EWMAl(β,n)
S403、计算离差值DIF的指数移动平均线DEA(γ,n)：
DEA(γ,n)＝γ*DIF(n)+(1-γ)·DEA(γ,n-1)
其中，离差系数signal为信号周期长度。
S404、计算对应的异同移动平均线MACD(n)＝(DIF(n)-DEA(γ,n))*2；
S405、在设备趋势预警过程中，数据单调性的判断，利用DIF(n)与DEA(n)线对于零轴的位置关系以及异同移动平均线MACD(n)的分布情况，判断特征序列S中的极大值的单调性是否满足单调上涨趋势。
本发明中单调性的判断是通过MACD柱状图进行判定，而离差值DIF和指数移动平均线DEA是研判MACD的主要工具，通过DIF与DEA在零轴的位置，可得出特征序列是递减还是递增的趋势；通过各点的DIF和DEA(MACD)连接起来形成的在零轴上线移动的两条长短线，可直观观察到上涨或者下跌的趋势。
具体实施时，步骤S405中，判断特征序列S中的极大值的单调性是否满足单调上涨趋势的判断规则为：
当离差值DIF(n)与指数移动平均线DEA(γ,n)都大于零时，表示特征序列S中在极大值及其之前特征值呈单调上涨趋势；
当离差值DIF(n)与指数移动平均线DEA(γ,n)都小于零时，表示特征序列S中在极大值及其之前特征值呈单调下跌趋势；
当离差值DIF(n)由上往下与指数移动平均线DEA(γ,n)相交时，此时异同移动平均线MACD(n)小于零，表示特征序列S中在极大值及其之前特征值呈单调下跌趋势；
当离差值DIF(n)由下往上与指数移动平均线DEA(γ,n)相交时，此时异同移动平均线MACD(n)大于零，表示特征序列S中在极大值及其之前特征值呈单调上涨趋势。
MACD(n)附近的向上或者向下的面积大小，可以用于判定特征序列S中在极大值及其之前特征值呈现单调上涨或单调下跌的幅度大小。
在本发明中通过极大值的确定正常情况下数据趋势是稳定的，然而当设备在采集间隔内某时刻特征数据出现异常，特征值变大之后又变小，此时系统就会发出误报，增加了停机时间和成本。
具体实施时，步骤S5中：计算所述特征序列S中极大值相对于其之前特征值的增长速率。
在本发明中通过计算所述特征序列S中极大值相对于其之前特征值的增长速率，将增长速度作为衡量是否报警的标准。计算增长速率的步骤包括：计算特征序列S中极大值及其之前特征值的一次差分，得到差分序列diffS；计算振动增长速度计算V＝sum(diffS+)/m；其中，sum(diffS+)表示差分序列中正值的和，m为正值的个数。
这一步中，通过对特征序列S中极大值及其之前特征值的一次差分，也就是说在组成特征序列S中极大值及其之前特征值的多个特征数据中，下一个特征数据减去上一个特征数据，且采集间隔相同的情况下，得到差分序列diffS，然后基于在单调性的判断中只针对具有上涨趋势的特征序列进行振动增长速率计算，再对差分序列中值为正值的差分序列求和，得到sum(diffS+)，最后对正值求和后的差分序列除以正值的个数，得到对当前检测间隔的增长速率。
具体实施时，步骤S5中：根据增长速率计算结果，判定当前检测间隔的振动信号预警类型并输出相应预警类型的报警。
所述预警类型包括低报报警和高报报警；所述低报报警和高报报警是由于某种因素引起的设备异常，系统通过预先设定的预设门限阈值，根据增长速率和预设门限阈值的对比结果，进而做出判断并发出相应的预警。预设门限阈值的具体取值，可以根据历史先验实验数据或者技术人员的先验经验进行设定。
在本具体实例中，如图2所示，图2为某旋转动设备在3月6日至3月15日期间的加速度峰值的变化情况，设置低报报警阈值为10，高报报警阈值为20。判断增长速率V与预设报警阈值的对比结果，当增长速率V大于低报报警阈值且小于高报报警阈值时，系统判断为低保报警，并发出相应的预警；当增长速率V大于高报报警阈值时，系统判断为高报报警，并发出相应的预警；当增长速率V小于低报报警阈值时，输出正常。在图2中，可以看到在3月11日，加速度峰值在一天内的上涨趋势十分显著，通过增长速率和预设门限阈值的对比结果，系统发出多次高报报警，说明设备出现了快速劣化，需要诊断工程师或现场人员尽快诊断或检修。
具体实施时，步骤S6中：判定当前检测间隔的振动信号正常，输出设备运行正常信号。
在本发明中，当所述特征序列S未满足所述预设幅值条件的极大值时，说明在振动信号波形异常的预设观测时长内，当前检测间隔没有并出现异常，有效提高了报警的准确性，并为报警提供了更为精确的位置信息。当所述特征序列S中极大值及其以前的特征值未满足单调上涨趋势时，说明设备受外界干扰等因素，特征序列内特征值在当前时刻突然变大，而不是设备本身发生故障，设备输出正常。
具体实施时，步骤S7中：将下一采集间隔作为新的当前检测间隔，返回执行步骤S2；
在本发明中，在预设观测时长内，从第一个采集间隔对目标设备的特征进行提取，得到特征序列S，在当前检测间隔中，系统根据所述特征序列S完成了相应的预警后，系统将会继续对下一采集间隔进行预警判断；直至预设观测时长内全部采集间隔均完成检测。
综上所述，本发明利用具有上涨趋势的特征序列，通过其振动增长速率与预设门限阈值的对比结果，发出相应的预警，解决了误报和漏报的问题，保证了报警的准确率。相较于按照机组状态参数标准为不同设备设定不同的报警阈值和使用机器学习方法动态学习报警阈值。本发明是根据设备的特征序列的振动增长速率进行计算，进而产生报警，有效避免了因报警阈值的不合理设置而产生无效误报警的情况。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。
Claims (10)
1.一种基于振动增长速度的旋转动设备趋势预警方法，其特征在于，包括如下步骤：
S1、将目标设备的预设观测时长划分为时长相同的采集间隔；选取第一个采集间隔作为当前检测间隔；
S2、将目标设备在当前检测间隔采集到的振动信号数据进行特征提取，得到当前检测间隔内各振动信号数据点对应的特征数据；
S3、将当前检测间隔内各振动信号数据点对应的特征数据进行排列，形成当前检测间隔对应的特征序列S；判断所述特征序列S中是否存在满足预设幅值条件的极大值；若存在，则执行步骤S4；若不存在，则执行步骤S6；
S4、对所述特征序列S中的所述极大值进行单调性验证；若经过单调性验证判定所述特征序列S中极大值及其以前的特征值满足单调上涨趋势，则执行步骤S5；否则，执行步骤S6；
S5、计算所述特征序列S中极大值相对于其之前特征值的增长速率，并根据增长速率计算结果，判定当前检测间隔的振动信号预警类型并输出相应预警类型的报警；然后执行步骤S7；
S6、判定当前检测间隔的振动信号正常，输出设备运行正常信号；执行步骤S7；
S7、将下一采集间隔作为新的当前检测间隔，返回执行步骤S2；
S8、重复执行步骤S2-S7，直至预设观测时长内全部采集间隔均完成检测。
2.如权利要求1所述的一种基于振动增长速度的旋转动设备趋势预警方法，其特征在于，步骤S2中：
所述特征数据包括加速度峰值、速度有效值和包络峰值。
3.如权利要求1所述的一种基于振动增长速度的旋转动设备趋势预警方法，其特征在于，在步骤S2执行完成后，还对提取的振动信号数据的特征数据进行数据清洗和数据预处理。
4.如权利要求3所述的一种基于振动增长速度的旋转动设备趋势预警方法，其特征在于，所述数据清洗包括停机数据清洗和异常数据清洗；所述数据预处理是对特征值序列S使用拉依达准则进行异常值处理、缺失值填充。
5.如权利要求4所述的一种基于振动增长速度的旋转动设备趋势预警方法，其特征在于，停机数据清洗具体为：设定停机阈值，若当前时刻采集的振动特征值小于停机阈值，则当前值为设备停机状态下采集的，反之，则当前值为设备运行状态下采集的值；
异常数据清洗具体为：根据设备振动传感器的量程范围，判断当前时刻采集的振动特征值是否超出量程范围，若超出量程范围为异常值，反之，则为正常值。
6.如权利要求1所述的一种基于振动增长速度的旋转动设备趋势预警方法，其特征在于，步骤S4中，对所述特征序列S中的极大值进行单调性验证的具体步骤包括：
S401、根据长短窗口分别计算特征序列S中极大值及其之前特征值对应的短窗口指数移动平均线EWMAs(α,n)和长窗口指数移动平均线EWMAl(β,n)；n为特征序列S中极大值及其之前特征值对应的时刻，α是短窗口指数移动平均线的可调节参数，β是长窗口指数移动平均线的可调节参数；
S402、计算两条指数移动平均线EWMAs(α,n)和EWMAl(β,n)之间的距离，作为离差值DIF(n)：
DIF(n)＝EWMAs(α,n)-EWMAl(β,n)
S403、计算离差值DIF的指数移动平均线DEA(γ,n)：
DEA(γ,n)＝γ*DIF(n)+(1-γ)·DEA(γ,n-1)
其中，离差系数signal为信号周期长度。
S404、计算对应的异同移动平均线MACD(n)＝(DIF(n)-DEA(γ,n))*2；
S405、在设备趋势预警过程中，数据单调性的判断，利用DIF(n)与DEA(n)线对于零轴的位置关系以及异同移动平均线MACD(n)的分布情况，判断特征序列S中的极大值的单调性是否满足单调上涨趋势。
7.如权利要求6所述的一种基于振动增长速度的旋转动设备趋势预警方法，其特征在于，步骤S401中，短窗口指数移动平均线计算公式为：
EWMAs(α,n)＝(1-α)·EWMAs(α,n-1)+α·xn
其中，EWMAs(α,n)为时刻n的短窗口指数移动平均线，xn为时刻n的特征值，EWMAs(α,n-1)为n-1时刻的短窗口指数移动平均线，时刻n的取值范围为特征序列S中极大值及其之前特征值对应的时刻；α是短窗口指数移动平均线的可调节参数，处于0-1之间；
长窗口指数移动平均线计算公式为：
EWMAl(β,n)＝(1-β)·EWMAl(β,n-1)+β·xn
其中，EWMAl(β,n)为时刻n的长窗口指数移动平均线，xn为时刻n的特征值，EWMAl(β,n-1)为n-1时刻的长窗口指数移动平均线，时刻n的取值范围为特征序列S中极大值及其之前特征值对应的时刻；β是长窗口指数移动平均线的可调节参数，处于0-1之间；
其中：
其中，s和l分别是短窗口和长窗口的长度，用来计算可调节参数α和β的值；
8.如权利要求6所述的一种基于振动增长速度的旋转动设备趋势预警方法，其特征在于，步骤S405中，判断特征序列S中的极大值的单调性是否满足单调上涨趋势的判断规则为：
当离差值DIF(n)与指数移动平均线DEA(γ,n)都大于零时，表示特征序列S中在极大值及其之前特征值呈单调上涨趋势；
当离差值DIF(n)与指数移动平均线DEA(γ,n)都小于零时，表示特征序列S中在极大值及其之前特征值呈单调下跌趋势；
当离差值DIF(n)由上往下与指数移动平均线DEA(γ,n)相交时，此时异同移动平均线MACD(n)小于零，表示特征序列S中在极大值及其之前特征值呈单调下跌趋势；
当离差值DIF(n)由下往上与指数移动平均线DEA(γ,n)相交时，此时异同移动平均线MACD(n)大于零，表示特征序列S中在极大值及其之前特征值呈单调上涨趋势。
9.如权利要求1所述的一种基于振动增长速度的旋转动设备趋势预警方法，其特征在于，步骤S5中：计算特征序列S中极大值及其之前特征值的一次差分，得到差分序列diffS；计算增长速率V＝sum(diffS+)/m；其中，sum(diffS+)表示差分序列中正值的和，m为正值的个数。
10.如权利要求1所述的一种基于振动增长速度的旋转动设备趋势预警方法，其特征在于，步骤S5中：所述预警类型包括低报报警和高报报警；低报报警和高报报警是分别设置预设门限阈值，通过振动增长速度与预设门限阈值的对比结果，进而判断是低报报警还是高报报警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311238990.8A CN117332252A (zh) | 2023-09-22 | 2023-09-22 | 一种基于振动增长速度的旋转动设备趋势预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311238990.8A CN117332252A (zh) | 2023-09-22 | 2023-09-22 | 一种基于振动增长速度的旋转动设备趋势预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117332252A true CN117332252A (zh) | 2024-01-02 |
Family
ID=89278266
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311238990.8A Pending CN117332252A (zh) | 2023-09-22 | 2023-09-22 | 一种基于振动增长速度的旋转动设备趋势预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117332252A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117705448A (zh) * | 2024-02-05 | 2024-03-15 | 南京凯奥思数据技术有限公司 | 基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法及系统 |
-
2023
- 2023-09-22 CN CN202311238990.8A patent/CN117332252A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117705448A (zh) * | 2024-02-05 | 2024-03-15 | 南京凯奥思数据技术有限公司 | 基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法及系统 |
| CN117705448B (zh) * | 2024-02-05 | 2024-05-07 | 南京凯奥思数据技术有限公司 | 基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106219342B (zh) | 基于时频转换算法的电梯自诊断及预诊断系统和方法 | |
| CN112085261B (zh) | 基于云端融合和数字孪生技术的企业生产现状诊断方法 | |
| CN110626900B (zh) | 设备运行异常判断方法 | |
| 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 | |
| CN101799674B (zh) | 一种数控装备服役状态分析方法 | |
| CN110362608B (zh) | 基于雨流计数法和局部异常因子的能耗异常检测方法 | |
| CN108627720B (zh) | 一种基于贝叶斯算法的电力设备状态监测方法 | |
| CN117332252A (zh) | 一种基于振动增长速度的旋转动设备趋势预警方法 | |
| CN116381563B (zh) | 一种地下电力电缆监测方法及装置 | |
| CN115034483A (zh) | 一种水轮发电机组运行故障监测方法及系统 | |
| CN110543142A (zh) | 一种数控机床故障诊断与预警系统 | |
| CN113535765A (zh) | 一种基于工业互联网的智慧工厂远程实时监测调控云平台 | |
| CN111882071A (zh) | 一种基于机器学习的预应力钢构件监测方法 | |
| CN116893643A (zh) | 一种基于数据分析的智能机器人行驶轨迹安全管控系统 | |
| CN116823227A (zh) | 一种基于物联网的智能设备管理系统及方法 | |
| CN117560300B (zh) | 一种智能物联网流量预测与优化系统 | |
| WO2023128552A1 (ko) | 회전 기계 설비의 탁월 주파수 결정 방법, 및 이를 수행하는 컴퓨팅 시스템 | |
| CN109828146B (zh) | 一种通过设备电参数ad采样判断设备工况的方法 | |
| Zhou et al. | Robot remote monitoring and fault diagnosis based on industrial internet of things | |
| CN220434942U (zh) | 一种风电机组全景故障诊断系统 | |
| CN117950381B (zh) | 一种数字化生产制造管理系统 | |
| CN218180112U (zh) | 一种适用于棒线型材厂的在线测振诊断及预警系统 | |
| Yu et al. | Application of distance measure in KNN motor fault diagnosis | |
| Vanitha et al. | An Innovation Development of Neuro Controller for Condition Monitoring and Smart Industrial Instrumentation | |
| CN112654060B (zh) | 一种装置异常检测方法及系统 |
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 |