CN117514885A - 一种轴流风机的故障检测方法及装置 - Google Patents
一种轴流风机的故障检测方法及装置 Download PDFInfo
- Publication number
- CN117514885A CN117514885A CN202311566304.XA CN202311566304A CN117514885A CN 117514885 A CN117514885 A CN 117514885A CN 202311566304 A CN202311566304 A CN 202311566304A CN 117514885 A CN117514885 A CN 117514885A
- Authority
- CN
- China
- Prior art keywords
- fault
- axial flow
- flow fan
- fan
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000012423 maintenance Methods 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000012795 verification Methods 0.000 claims description 32
- 238000010438 heat treatment Methods 0.000 claims description 6
- 238000012098 association analyses Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000002360 preparation method Methods 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D19/00—Axial-flow pumps
- F04D19/002—Axial flow fans
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D25/00—Pumping installations or systems
- F04D25/02—Units comprising pumps and their driving means
- F04D25/08—Units comprising pumps and their driving means the working fluid being air, e.g. for ventilation
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明提供了一种轴流风机的故障检测方法及装置包括:采集轴流风机产生的风机运行数据,建立轴流风机在预设时间段内的实时运行特征,对实时运行特征进行卷积训练,得到所其与每一故障样本特征之间的故障关联信息,从而建立故障因子,利用故障因子识别轴流风机的现有故障和对应的现有故障等级建立故障维修方案,并在用户完成维修后生成完工反馈信息,查找轴流风机的历史故障以及对应的历史故障等级,结合现有故障和对应的故障等级对轴流风机进行故障预测,通过在轴流风机工作的过程风机运行数据并进行分析,从而判断轴流风机是否发生故障,以及在用户维修后进行故障预测,让用户提前了解轴流风机的情况,避免在轴流风机故障时无从下手。
Description
技术领域
本发明涉及风机故障分析技术领域,特别涉及一种轴流风机的故障检测方法及装置。
背景技术
轴流风机用于一般工厂、仓库、办公室、住宅内等场所的通风换气,是一种气流方向与风叶的轴同方向的风机,如电风扇,空调外机风扇就是轴流方式运行风机,之所以称为“轴流式”,是因为气体平行于风机轴流动,轴流式风机通常用在流量要求较高而压力要求较低的场合,但是长时间的进行工作常常会使轴流风机发生故障,轴流风机一旦发生故障需要花费大量的人力来进行检修,尤其是在确定故障位置的时候不仅需要专业人员执行,还需要用到多种检查工作工具,在维修器件,轴流风机无法进行正常工作,导致室内无法正常通风。
因此,本发明提供了一种轴流风机的故障检测方法及装置。
发明内容
本发明一种轴流风机的故障检测方法及装置,在轴流风机工作的过程中实时采集其产生的风机运行数据,然后对风机运行数据进行分析,从而判断轴流风机是否发生故障,并在其发生故障时生成维修方案,以及在用户维修后进行故障预测,让用户提前了解轴流风机的情况,避免在轴流风机故障时无从下手。
本发明提供了一种轴流风机的故障检测方法,包括:
步骤1:实时采集轴流风机在预设时间段内产生的风机运行数据,根据所述风机运行数据建立所述轴流风机在所述预设时间段内的实时运行特征;
步骤2:对所述实时运行特征进行卷积训练,得到所述实时运行特征与每一故障样本特征之间的故障关联信息;
步骤3:分别获取每一故障样本特征对应的故障类型,结合所述故障关联信息建立所述实时运行特征的故障因子,利用所述故障因子识别所述轴流风机的现有故障,以及所述现有故障对应的现有故障等级;
步骤4:根据所述现有故障对应的现有故障等级建立故障维修方案,并在用户完成维修后生成完工反馈信息;
步骤5:根据所述完工反馈信息查找所述轴流风机的历史故障以及对应的历史故障等级,结合所述现有故障和对应的故障等级对所述轴流风机进行故障预测,生成预测信息。
在一种可实施的方式中,
还包括:
解析所述预测信息得到所述轴流风机的估测剩余寿命,当所述估测剩余寿命低于预设寿命阈值时,生成更换指令,提醒所述用户更换所述轴流风机。
在一种可实施的方式中,
所述步骤1,包括:
步骤11:实时采集轴流风机在预设时间段内产生的风机运行数据,以及获取所述轴流风机的基本参数;
步骤12:根据所述风机运行数据和所述基本参数建立所述轴流风机的实时工作模型,根据所述实时工作模型确定所述轴流风机在当前时刻对应的风机叶片转动子特征;
步骤13:解析所述风机运行数据,建立所述轴流风机的连续工作时长子特征,以及建立所述轴流风机的风机发热子特征;
步骤14:统计所述预设时间周期内对应的若干个风机叶片转动子特征、若干个连续工作时长子特征以及若干个风机发热子特征,建立所述轴流风机在所述预设时间段内的实时运行特征。
在一种可实施的方式中,
所述步骤2,包括:
步骤21:统计每一故障样本特征对应的样本属性以及故障类型,基于每一故障样本特征对应的及故障类型构建样本验证集,基于所述样本验证集和预设卷积网络建立卷积网络模型;
步骤22:将所述实时运行特征输入到所述卷积网络模型中,在所述卷积网络模型中对所述实时运行特征进行自动标记,得到所述实时运行特征中的显性故障类型,在所述样本验证集中查找所述显性故障类型对应的显性故障样本特征;
步骤23:在所述卷积网络模型中对所述实时运行特征进行卷积训练,将所述实时运行特征划分为若干个单位子特征,利用所述样本验证集分别识别每一所述单位子特征对应的隐性故障类型以及对应的隐性故障样本特征;
步骤24:统计每一所述显性故障样本特征对应的显性样本数量,根据所述显性样本数量为对应的显性故障样本特征建立显性关联子信息,统计每一所述隐性故障样本特征对应的隐性样本数量,根据所述隐性样本数量为对应的隐性故障样本特征建立隐性关联子信息,基于所述显性关联子信息和所述隐性关联子信息建立所述实时运行特征与每一故障样本特征之间的故障关联信息。
在一种可实施的方式中,
所述步骤3,包括:
步骤31:基于所述故障关联信息得到所述实时运行特征与每一故障样本特征之间的关联程度,基于关联程度由高到低的顺序对所述故障样本特征进行排序,得到样本特征队列;
步骤32:分别获取每一故障样本特征对应的故障类型,根据所述故障样本特征在所述样本特征队列中的队列位置为对应的所述故障类型建立关联权重,根据所述关联权重为对应的故障类型建立故障因子;
步骤33:利用预设人工智能在大数据根据所述故障因子在大数据中识别所述轴流风机的现有故障,以及所述现有故障的表象故障等级;
步骤34:对所述故障因子进行逻辑分析得到不同故障类型之间的逻辑关系,根据所述逻辑关系得到不同现有逻辑之间的支撑信息,根据所述支撑信息修正对应的所述表象故障等级,得到每一所述现有故障对应的现有故障等级。
在一种可实施的方式中,
所述步骤4,包括:
步骤41:解析每一所述现有故障,确定每一所述现有故障在所述轴流风机上对应的故障器件,分别获取所述故障器件对应的器件属性以及器件参数;
步骤42:根据所述器件属性和器件参数建立对应故障器件的器件可调整范围,根据所述故障等级确定对应故障器件的待调整量;
步骤43:当所述待调整量处于对应的可调整范围内时,为对应的故障器件建立调节流程,当所述待调整量处于对应的可调整范围外时,为对应的故障器件建立更换流程;
步骤44:根据所述调节流程和所述更换流程建立故障维修方案,当所述用户完整维修后生成完工反馈信息。
在一种可实施的方式中,
还包括:
当所述用户完成维修并生成完工反馈信息后,获取所述轴流风机的本次故障信息,根据所述本次故障更新所述轴流风机的历史故障信息。
在一种可实施的方式中,
所述步骤5,包括:
步骤51:根据所述完工反馈信息在历史故障信息中查找所述轴流风机的历史故障以及对应的历史故障等级;
步骤52:获取所述轴流风机的基本参数,根据所述基本参数建立风机模型,分别将每一历史故障和对应的历史故障等级标记在所述风机模型中,以及将所述现有故障和现有故障等级标记在所述风机模型中,得到风机故障模型;
步骤53:解析所述风机故障模型得到所述轴流风机中每一风机器件对应的器件剩余寿命,获取每一风机器件的已使用时长,根据所述已使用时长建立对应风机器件的理论剩余寿命;
步骤54:提取器件剩余寿命低于对应理论剩余寿命的目标风机器件,获取所述目标风机器件的可形成故障,生成预测信息。
本发明提供一种轴流风机的故障检测装置,包括:
采集分析模块,用于实时采集轴流风机在预设时间段内产生的风机运行数据,根据所述风机运行数据建立所述轴流风机在所述预设时间段内的实时运行特征;
训练分析模块,用于对所述实时运行特征进行卷积训练,得到所述实时运行特征与每一故障样本特征之间的故障关联信息;
故障分析模块,用于分别获取每一故障样本特征对应的故障类型,结合所述故障关联信息建立所述实时运行特征的故障因子,利用所述故障因子识别所述轴流风机的现有故障,以及所述现有故障对应的现有故障等级;
维修监督模块,用于根据所述现有故障对应的现有故障等级建立故障维修方案,并在用户完成维修后生成完工反馈信息;
预测分析模块,用于根据所述完工反馈信息查找所述轴流风机的历史故障以及对应的历史故障等级,结合所述现有故障和对应的故障等级对所述轴流风机进行故障预测,生成预测信息。
在一种可实施的方式中,
所述训练分析模块,包括:
统计建模单元,用于统计每一故障样本特征对应的样本属性以及故障类型,基于每一故障样本特征对应的及故障类型构建样本验证集,基于所述样本验证集和预设卷积网络建立卷积网络模型;
卷积分析单元,用于将所述实时运行特征输入到所述卷积网络模型中,在所述卷积网络模型中对所述实时运行特征进行自动标记,得到所述实时运行特征中的显性故障类型,在所述样本验证集中查找所述显性故障类型对应的显性故障样本特征;
训练执行单元,用于在所述卷积网络模型中对所述实时运行特征进行卷积训练,将所述实时运行特征划分为若干个单位子特征,利用所述样本验证集分别识别每一所述单位子特征对应的隐性故障类型以及对应的隐性故障样本特征;
关联分析单元,用于统计每一所述显性故障样本特征对应的显性样本数量,根据所述显性样本数量为对应的显性故障样本特征建立显性关联子信息,统计每一所述隐性故障样本特征对应的隐性样本数量,根据所述隐性样本数量为对应的隐性故障样本特征建立隐性关联子信息,基于所述显性关联子信息和所述隐性关联子信息建立所述实时运行特征与每一故障样本特征之间的故障关联信息。
本发明可以实现的有益效果为:为了提高轴流风机的故障检查效率,在轴流风机工作时采集其产生的风机运行数据,然后根据风机运行数据建立轴流风机的实时运行特征,为了进一步实现故障分析,提高故障分析的精确度,需要对实时风机运行数据进行卷积训练,从而得到实时运行特征与不同的故障特征之间的故障关联信息,然后根据故障样本特征对应的故障类型和故障关联信息来为实时运行特征建立故障因子,最后根据故障识别因子来识别轴流风机的现有故障和现有故障对应的故障等级,为了便于用户进行维修,根据轴流风机的现有故障和故障等级建立故障维修方案,用户便可以根据该故障维修方案来进行维修,并在用户完成维修后根据轴流风机的历史故障和历史故障等级来进行下一次的故障预测,便于用户做好下一次的维修准备,实现快速维修,减少轴流风机的停工时长以及停工次数。
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、权利要求书、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轴流风机的故障检测方法的工作流程示意图;
图2为本发明实施例中一种轴流风机的故障检测装置的组成示意图。
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。
实施例1
本实施例提供了一种轴流风机的故障检测方法及装置,如图1所示,包括:
步骤1:实时采集轴流风机在预设时间段内产生的风机运行数据,根据所述风机运行数据建立所述轴流风机在所述预设时间段内的实时运行特征;
步骤2:对所述实时运行特征进行卷积训练,得到所述实时运行特征与每一故障样本特征之间的故障关联信息;
步骤3:分别获取每一故障样本特征对应的故障类型,结合所述故障关联信息建立所述实时运行特征的故障因子,利用所述故障因子识别所述轴流风机的现有故障,以及所述现有故障对应的现有故障等级;
步骤4:根据所述现有故障对应的现有故障等级建立故障维修方案,并在用户完成维修后生成完工反馈信息;
步骤5:根据所述完工反馈信息查找所述轴流风机的历史故障以及对应的历史故障等级,结合所述现有故障和对应的故障等级对所述轴流风机进行故障预测,生成预测信息。
该实例中,预设时间段可以为24小时;
该实例中,风机运行数据表示轴流风机在工作过程中所产生的数据;
该实例中,不同预设时间段内的实时运行特征可不相同,也可以不同;
该实例中,卷积训练表示分析实时运行特征内部规律的训练;
该实例中,故障样本特征是提前设置的,用来反映不同故障所对应的特征;
该实例中,故障关联信息表示实时运行特征与一个故障样本特征之间的相似、相同、因果以及逻辑关系的合集;
该实例中,一个故障样本特征对应一个故障类型,一个故障类型可以对应一种或者多种故障等级;
该实例中,故障因子表示用来识别实时运行特征所对应的多种不同故障类型的方式,且故障因子中包含了实时运行特征与一个故障样本特征之间的关系;
该实例中,现有故障表示轴流风机在当前时刻下所存在的故障;
该实例中,故障维修方案表示工具轴流风机的现有故障和现有故障等级所建立的用来维修现有故障的方案;
该实例中,完工反馈信息表示用户已经完成了维修工作;
该实例中,一个轴流风机可以对应一个或者多个历史故障,历史故障可以为同一时刻发生,也可以为不同时刻发生的,且一个历史故障对应一个历史故障等级。
上述技术方案的工作原理以及有益效果:为了提高轴流风机的故障检查效率,在轴流风机工作时采集其产生的风机运行数据,然后根据风机运行数据建立轴流风机的实时运行特征,为了进一步实现故障分析,提高故障分析的精确度,需要对实时风机运行数据进行卷积训练,从而得到实时运行特征与不同的故障特征之间的故障关联信息,然后根据故障样本特征对应的故障类型和故障关联信息来为实时运行特征建立故障因子,最后根据故障识别因子来识别轴流风机的现有故障和现有故障对应的故障等级,为了便于用户进行维修,根据轴流风机的现有故障和故障等级建立故障维修方案,用户便可以根据该故障维修方案来进行维修,并在用户完成维修后根据轴流风机的历史故障和历史故障等级来进行下一次的故障预测,便于用户做好下一次的维修准备,实现快速维修,减少轴流风机的停工时长以及停工次数。
实施例2
在实施例1的基础上,所述一种轴流风机的故障检测方法,还包括:
解析所述预测信息得到所述轴流风机的估测剩余寿命,当所述估测剩余寿命低于预设寿命阈值时,生成更换指令,提醒所述用户更换所述轴流风机。
该实例中,预设寿命阈值为初始寿命的10%。
上述技术方案的工作原理以及有益效果:根据预测信息来分析轴流风机的估测剩余寿命,当剩余寿命不足时提醒用户及时更换轴流风机,避免轴流风机突然报废导致室内无法正常通风造成不必要的伤害。
实施例3
在实施例1的基础上,所述一种轴流风机的故障检测方法,所述步骤1,包括:
步骤11:实时采集轴流风机在预设时间段内产生的风机运行数据,以及获取所述轴流风机的基本参数;
步骤12:根据所述风机运行数据和所述基本参数建立所述轴流风机的实时工作模型,根据所述实时工作模型确定所述轴流风机在当前时刻对应的风机叶片转动子特征;
步骤13:解析所述风机运行数据,建立所述轴流风机的连续工作时长子特征,以及建立所述轴流风机的风机发热子特征;
步骤14:统计所述预设时间周期内对应的若干个风机叶片转动子特征、若干个连续工作时长子特征以及若干个风机发热子特征,建立所述轴流风机在所述预设时间段内的实时运行特征。
该实例中,实时工作模型表示用来呈现轴流风机当前工作状态的模型;
该实例中,风机叶片转动子特征中包含了轴流风机的每一风叶在转动过程中的速度和每一风叶的转动次数;
该实例中,连续工作时长子特征表示轴流风机连续工作的时长;
该实例中,风机发热子特征表示轴流风机在工作过程中产生的热量。
上述技术方案的工作原理以及有益效果:为了全方位的分析轴流风机的实时运行特征,根据轴流风机产生的风机运行数据和轴流风机的基本参数来建立轴流风机的实时工作模型,从而根据实时工作模型来确定轴流风机的多个子特征,进而根据这些子特征来建立轴流风机在预设时间段内的实时运行特征。
实施例4
在实施例1的基础上,所述一种轴流风机的故障检测方法,所述步骤2,包括:
步骤21:统计每一故障样本特征对应的样本属性以及故障类型,基于每一故障样本特征对应的及故障类型构建样本验证集,基于所述样本验证集和预设卷积网络建立卷积网络模型;
步骤22:将所述实时运行特征输入到所述卷积网络模型中,在所述卷积网络模型中对所述实时运行特征进行自动标记,得到所述实时运行特征中的显性故障类型,在所述样本验证集中查找所述显性故障类型对应的显性故障样本特征;
步骤23:在所述卷积网络模型中对所述实时运行特征进行卷积训练,将所述实时运行特征划分为若干个单位子特征,利用所述样本验证集分别识别每一所述单位子特征对应的隐性故障类型以及对应的隐性故障样本特征;
步骤24:统计每一所述显性故障样本特征对应的显性样本数量,根据所述显性样本数量为对应的显性故障样本特征建立显性关联子信息,统计每一所述隐性故障样本特征对应的隐性样本数量,根据所述隐性样本数量为对应的隐性故障样本特征建立隐性关联子信息,基于所述显性关联子信息和所述隐性关联子信息建立所述实时运行特征与每一故障样本特征之间的故障关联信息。
该实例中,样本验证集表示将所有的故障样本特征和对应的故障类型进行整理,所生成的用来验证实时运行特征的参考标准;
该实例中,卷积网络模型表示用来进行卷积训练的模型;
该实例中,自动标记表示对实时运行特征中的明显的故障进行标记的过程;
该实例中,显性故障样本类型表示实时运行特征中处于明显状态的故障,即,自动标记时所标记的故障;
该实例中,单位子特征是可以轴流风机中一处位置的特征的最小规格的特征,是来源于实时运行特征的;
该实例中,隐性故障样本特征表示通过卷积训练后再进行对比所确定的故障;
该实例中,第一样本数据表示显性故障样本特征的数量,隐性样本数量表示隐性故障样本特征的数量;
该实例中,显性关联子信息表示实时运行特征与不同的显性故障样本特征之间的关联显性,隐性关联子信息表示实时运行特征与不同的隐性故障样本特征之间的关联显性。
上述技术方案的工作原理以及有益效果:为了实现故障分析的目的,便于用户进行维修,先根据每一故障样本特征的样本属性和故障类型构建样本验证集,进而结合预设卷积网络加你了卷积网络模型,然后将实时运行特征输入到卷积网络模型中,从而再卷积网络模型中标记实时试运行特征中包含的显性故障类型,同时在样本验证集中查找对应的显性故障样本特征,进一步的在卷积网络模型中对实时运行特征进行卷积训练,通过训练将实时运行特征划分为若干个单位子特征,利用样本验证集来识别每一单位子特征,从而确定实时运行特征中的隐性故障类型和其对应的隐性故障样本特征,最后统计显性故障样本特征和隐性故障样本特征的数量,以及建立对应的关联子信息,由此根据关联子信息来建立实时运行特征与每一故障样本特征之间的故障关联信息,这一来不仅可以全面的分析实时运行特征与故障样本特征之间的关系,还可以挖掘到轴流风机的隐性故障。
实施例6
在实施例1的基础上,所述一种轴流风机的故障检测方法,所述步骤4,包括:
步骤41:解析每一所述现有故障,确定每一所述现有故障在所述轴流风机上对应的故障器件,分别获取所述故障器件对应的器件属性以及器件参数;
步骤42:根据所述器件属性和器件参数建立对应故障器件的器件可调整范围,根据所述故障等级确定对应故障器件的待调整量;
步骤43:当所述待调整量处于对应的可调整范围内时,为对应的故障器件建立调节流程,当所述待调整量处于对应的可调整范围外时,为对应的故障器件建立更换流程;
步骤44:根据所述调节流程和所述更换流程建立故障维修方案,当所述用户完整维修后生成完工反馈信息。
该实例中,一个现有故障可以对应一个或者多个故障器件;
该实例中,一个故障器件对应一个器件属性和一个器件参数;
该实例中,器件可调整范围表示通过调节的方式故障器件可以达到的范围。
上述技术方案的工作原理以及有益效果:为了生成一个可行有效的故障维修方案,先根据现有故障来确定轴流风机上对应的故障器件,通过故障器件的器件属性和器件参数来建立故障器件的器件可调整范围,以及根据故障器件的故障等级来确定其对应的待调整量,当待调整量落入可调整范围内时,表示该故障器件可以通过维修恢复正常工作,当待调整量落入可调整范围外时,表示该故障器件已经无法维修需要更换,然后针对不同故障器件的状态来建立调节流程或者更换流程,从而建立轴流风机的故障维修方案,以及在用户完成维修后建立完工反馈信息,由此结束维修工作,可以执行下一步的估测工作。
实施例7
在实施例1的基础上,所述一种轴流风机的故障检测方法,还包括:
当所述用户完成维修并生成完工反馈信息后,获取所述轴流风机的本次故障信息,根据所述本次故障更新所述轴流风机的历史故障信息。
上述技术方案的工作原理以及有益效果:在一次故障维修后及时更新历史故障信息,便于后续进行故障预测。
实施例8
在实施例1的基础上,所述一种轴流风机的故障检测方法,所述步骤5,包括:
步骤51:根据所述完工反馈信息在历史故障信息中查找所述轴流风机的历史故障以及对应的历史故障等级;
步骤52:获取所述轴流风机的基本参数,根据所述基本参数建立风机模型,分别将每一历史故障和对应的历史故障等级标记在所述风机模型中,以及将所述现有故障和现有故障等级标记在所述风机模型中,得到风机故障模型;
步骤53:解析所述风机故障模型得到所述轴流风机中每一风机器件对应的器件剩余寿命,获取每一风机器件的已使用时长,根据所述已使用时长建立对应风机器件的理论剩余寿命;
步骤54:提取器件剩余寿命低于对应理论剩余寿命的目标风机器件,获取所述目标风机器件的可形成故障,生成预测信息。
该实例中,风机模型表示用来呈现轴流风机的基本状态的模型;
该实例中,风机故障模型表示用来呈现轴流风机产生过的不同故障的模型;
该实例中,器件剩余寿命表示风机器件在当前的运行状态下的可工作时长;
该实例中,轴流风机中含有若干个风机器件;
该实例中,已使用时长表示将风机器件的历史使用时长进行叠加后的总时长;
该实例中,理论剩余寿命表示根据风机器件的已使用时长和初始使用时长所计算的关于风机器件的剩余寿命。
上述技术方案的工作原理以及有益效果:为了对轴流风机进行全方位的故障分析,在用户维修过后根据历史故障信息来确定该轴流风机的历史故障和历史故障等级,然后结合轴流风机的基本参数来建立风机故障模型,进而可以根据风机故障模型来分析每一个风机器件对应的器件剩余寿命,以及每一个风机器件对应的理论剩余寿命,当一个风机器件的器件剩余寿命不足时,根据该风机器件的可形成故障来建立预测信息,给用户提供一个参考,便于用户及时进行有效的维护。
实施例9
本实施例提供了一种轴流风机的故障检测装置,如图2所示,包括:
采集分析模块,用于实时采集轴流风机在预设时间段内产生的风机运行数据,根据所述风机运行数据建立所述轴流风机在所述预设时间段内的实时运行特征;
训练分析模块,用于对所述实时运行特征进行卷积训练,得到所述实时运行特征与每一故障样本特征之间的故障关联信息;
故障分析模块,用于分别获取每一故障样本特征对应的故障类型,结合所述故障关联信息建立所述实时运行特征的故障因子,利用所述故障因子识别所述轴流风机的现有故障,以及所述现有故障对应的现有故障等级;
维修监督模块,用于根据所述现有故障对应的现有故障等级建立故障维修方案,并在用户完成维修后生成完工反馈信息;
预测分析模块,用于根据所述完工反馈信息查找所述轴流风机的历史故障以及对应的历史故障等级,结合所述现有故障和对应的故障等级对所述轴流风机进行故障预测,生成预测信息。
该实例中,预设时间段可以为24小时;
该实例中,风机运行数据表示轴流风机在工作过程中所产生的数据;
该实例中,不同预设时间段内的实时运行特征可不相同,也可以不同;
该实例中,卷积训练表示分析实时运行特征内部规律的训练;
该实例中,故障样本特征是提前设置的,用来反映不同故障所对应的特征;
该实例中,故障关联信息表示实时运行特征与一个故障样本特征之间的相似、相同、因果以及逻辑关系的合集;
该实例中,一个故障样本特征对应一个故障类型,一个故障类型可以对应一种或者多种故障等级;
该实例中,故障因子表示用来识别实时运行特征所对应的多种不同故障类型的方式,且故障因子中包含了实时运行特征与一个故障样本特征之间的关系;
该实例中,现有故障表示轴流风机在当前时刻下所存在的故障;
该实例中,故障维修方案表示工具轴流风机的现有故障和现有故障等级所建立的用来维修现有故障的方案;
该实例中,完工反馈信息表示用户已经完成了维修工作;
该实例中,一个轴流风机可以对应一个或者多个历史故障,历史故障可以为同一时刻发生,也可以为不同时刻发生的,且一个历史故障对应一个历史故障等级。
上述技术方案的工作原理以及有益效果:为了提高轴流风机的故障检查效率,在轴流风机工作时采集其产生的风机运行数据,然后根据风机运行数据建立轴流风机的实时运行特征,为了进一步实现故障分析,提高故障分析的精确度,需要对实时风机运行数据进行卷积训练,从而得到实时运行特征与不同的故障特征之间的故障关联信息,然后根据故障样本特征对应的故障类型和故障关联信息来为实时运行特征建立故障因子,最后根据故障识别因子来识别轴流风机的现有故障和现有故障对应的故障等级,为了便于用户进行维修,根据轴流风机的现有故障和故障等级建立故障维修方案,用户便可以根据该故障维修方案来进行维修,并在用户完成维修后根据轴流风机的历史故障和历史故障等级来进行下一次的故障预测,便于用户做好下一次的维修准备,实现快速维修,减少轴流风机的停工时长以及停工次数。
实施例10
在实施例9的基础上,所述一种轴流风机的故障检测装置,所述训练分析模块,包括:
统计建模单元,用于统计每一故障样本特征对应的样本属性以及故障类型,基于每一故障样本特征对应的及故障类型构建样本验证集,基于所述样本验证集和预设卷积网络建立卷积网络模型;
卷积分析单元,用于将所述实时运行特征输入到所述卷积网络模型中,在所述卷积网络模型中对所述实时运行特征进行自动标记,得到所述实时运行特征中的显性故障类型,在所述样本验证集中查找所述显性故障类型对应的显性故障样本特征;
训练执行单元,用于在所述卷积网络模型中对所述实时运行特征进行卷积训练,将所述实时运行特征划分为若干个单位子特征,利用所述样本验证集分别识别每一所述单位子特征对应的隐性故障类型以及对应的隐性故障样本特征;
关联分析单元,用于统计每一所述显性故障样本特征对应的显性样本数量,根据所述显性样本数量为对应的显性故障样本特征建立显性关联子信息,统计每一所述隐性故障样本特征对应的隐性样本数量,根据所述隐性样本数量为对应的隐性故障样本特征建立隐性关联子信息,基于所述显性关联子信息和所述隐性关联子信息建立所述实时运行特征与每一故障样本特征之间的故障关联信息。
该实例中,样本验证集表示将所有的故障样本特征和对应的故障类型进行整理,所生成的用来验证实时运行特征的参考标准;
该实例中,卷积网络模型表示用来进行卷积训练的模型;
该实例中,自动标记表示对实时运行特征中的明显的故障进行标记的过程;
该实例中,显性故障样本类型表示实时运行特征中处于明显状态的故障,即,自动标记时所标记的故障;
该实例中,单位子特征是可以轴流风机中一处位置的特征的最小规格的特征,是来源于实时运行特征的;
该实例中,隐性故障样本特征表示通过卷积训练后再进行对比所确定的故障;
该实例中,第一样本数据表示显性故障样本特征的数量,隐性样本数量表示隐性故障样本特征的数量;
该实例中,显性关联子信息表示实时运行特征与不同的显性故障样本特征之间的关联显性,隐性关联子信息表示实时运行特征与不同的隐性故障样本特征之间的关联显性。
上述技术方案的工作原理以及有益效果:为了实现故障分析的目的,便于用户进行维修,先根据每一故障样本特征的样本属性和故障类型构建样本验证集,进而结合预设卷积网络加你了卷积网络模型,然后将实时运行特征输入到卷积网络模型中,从而再卷积网络模型中标记实时试运行特征中包含的显性故障类型,同时在样本验证集中查找对应的显性故障样本特征,进一步的在卷积网络模型中对实时运行特征进行卷积训练,通过训练将实时运行特征划分为若干个单位子特征,利用样本验证集来识别每一单位子特征,从而确定实时运行特征中的隐性故障类型和其对应的隐性故障样本特征,最后统计显性故障样本特征和隐性故障样本特征的数量,以及建立对应的关联子信息,由此根据关联子信息来建立实时运行特征与每一故障样本特征之间的故障关联信息,这一来不仅可以全面的分析实时运行特征与故障样本特征之间的关系,还可以挖掘到轴流风机的隐性故障。
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)
1.一种轴流风机的故障检测方法,其特征在于,包括:
步骤1:实时采集轴流风机在预设时间段内产生的风机运行数据,根据所述风机运行数据建立所述轴流风机在所述预设时间段内的实时运行特征;
步骤2:对所述实时运行特征进行卷积训练,得到所述实时运行特征与每一故障样本特征之间的故障关联信息;
步骤3:分别获取每一故障样本特征对应的故障类型,结合所述故障关联信息建立所述实时运行特征的故障因子,利用所述故障因子识别所述轴流风机的现有故障,以及所述现有故障对应的现有故障等级;
步骤4:根据所述现有故障对应的现有故障等级建立故障维修方案,并在用户完成维修后生成完工反馈信息;
步骤5:根据所述完工反馈信息查找所述轴流风机的历史故障以及对应的历史故障等级,结合所述现有故障和对应的故障等级对所述轴流风机进行故障预测,生成预测信息。
2.如权利要求1所述的一种轴流风机的故障检测方法,其特征在于,还包括:
解析所述预测信息得到所述轴流风机的估测剩余寿命,当所述估测剩余寿命低于预设寿命阈值时,生成更换指令,提醒所述用户更换所述轴流风机。
3.如权利要求1所述的一种轴流风机的故障检测方法,其特征在于,所述步骤1,包括:
步骤11:实时采集轴流风机在预设时间段内产生的风机运行数据,以及获取所述轴流风机的基本参数;
步骤12:根据所述风机运行数据和所述基本参数建立所述轴流风机的实时工作模型,根据所述实时工作模型确定所述轴流风机在当前时刻对应的风机叶片转动子特征;
步骤13:解析所述风机运行数据,建立所述轴流风机的连续工作时长子特征,以及建立所述轴流风机的风机发热子特征;
步骤14:统计所述预设时间周期内对应的若干个风机叶片转动子特征、若干个连续工作时长子特征以及若干个风机发热子特征,建立所述轴流风机在所述预设时间段内的实时运行特征。
4.如权利要求1所述的一种轴流风机的故障检测方法,其特征在于,所述步骤2,包括:
步骤21:统计每一故障样本特征对应的样本属性以及故障类型,基于每一故障样本特征对应的及故障类型构建样本验证集,基于所述样本验证集和预设卷积网络建立卷积网络模型;
步骤22:将所述实时运行特征输入到所述卷积网络模型中,在所述卷积网络模型中对所述实时运行特征进行自动标记,得到所述实时运行特征中的显性故障类型,在所述样本验证集中查找所述显性故障类型对应的显性故障样本特征;
步骤23:在所述卷积网络模型中对所述实时运行特征进行卷积训练,将所述实时运行特征划分为若干个单位子特征,利用所述样本验证集分别识别每一所述单位子特征对应的隐性故障类型以及对应的隐性故障样本特征;
步骤24:统计每一所述显性故障样本特征对应的显性样本数量,根据所述显性样本数量为对应的显性故障样本特征建立显性关联子信息,统计每一所述隐性故障样本特征对应的隐性样本数量,根据所述隐性样本数量为对应的隐性故障样本特征建立隐性关联子信息,基于所述显性关联子信息和所述隐性关联子信息建立所述实时运行特征与每一故障样本特征之间的故障关联信息。
5.如权利要求1所述的一种轴流风机的故障检测方法,其特征在于,所述步骤3,包括:
步骤31:基于所述故障关联信息得到所述实时运行特征与每一故障样本特征之间的关联程度,基于关联程度由高到低的顺序对所述故障样本特征进行排序,得到样本特征队列;
步骤32:分别获取每一故障样本特征对应的故障类型,根据所述故障样本特征在所述样本特征队列中的队列位置为对应的所述故障类型建立关联权重,根据所述关联权重为对应的故障类型建立故障因子;
步骤33:利用预设人工智能在大数据根据所述故障因子在大数据中识别所述轴流风机的现有故障,以及所述现有故障的表象故障等级;
步骤34:对所述故障因子进行逻辑分析得到不同故障类型之间的逻辑关系,根据所述逻辑关系得到不同现有逻辑之间的支撑信息,根据所述支撑信息修正对应的所述表象故障等级,得到每一所述现有故障对应的现有故障等级。
6.如权利要求1所述的一种轴流风机的故障检测方法,其特征在于,所述步骤4,包括:
步骤41:解析每一所述现有故障,确定每一所述现有故障在所述轴流风机上对应的故障器件,分别获取所述故障器件对应的器件属性以及器件参数;
步骤42:根据所述器件属性和器件参数建立对应故障器件的器件可调整范围,根据所述故障等级确定对应故障器件的待调整量;
步骤43:当所述待调整量处于对应的可调整范围内时,为对应的故障器件建立调节流程,当所述待调整量处于对应的可调整范围外时,为对应的故障器件建立更换流程;
步骤44:根据所述调节流程和所述更换流程建立故障维修方案,当所述用户完整维修后生成完工反馈信息。
7.如权利要求1所述的一种轴流风机的故障检测方法,其特征在于,还包括:
当所述用户完成维修并生成完工反馈信息后,获取所述轴流风机的本次故障信息,根据所述本次故障更新所述轴流风机的历史故障信息。
8.如权利要求1所述的一种轴流风机的故障检测方法,其特征在于,所述步骤5,包括:
步骤51:根据所述完工反馈信息在历史故障信息中查找所述轴流风机的历史故障以及对应的历史故障等级;
步骤52:获取所述轴流风机的基本参数,根据所述基本参数建立风机模型,分别将每一历史故障和对应的历史故障等级标记在所述风机模型中,以及将所述现有故障和现有故障等级标记在所述风机模型中,得到风机故障模型;
步骤53:解析所述风机故障模型得到所述轴流风机中每一风机器件对应的器件剩余寿命,获取每一风机器件的已使用时长,根据所述已使用时长建立对应风机器件的理论剩余寿命;
步骤54:提取器件剩余寿命低于对应理论剩余寿命的目标风机器件,获取所述目标风机器件的可形成故障,生成预测信息。
9.一种轴流风机的故障检测装置,其特征在于,包括:
采集分析模块,用于实时采集轴流风机在预设时间段内产生的风机运行数据,根据所述风机运行数据建立所述轴流风机在所述预设时间段内的实时运行特征;
训练分析模块,用于对所述实时运行特征进行卷积训练,得到所述实时运行特征与每一故障样本特征之间的故障关联信息;
故障分析模块,用于分别获取每一故障样本特征对应的故障类型,结合所述故障关联信息建立所述实时运行特征的故障因子,利用所述故障因子识别所述轴流风机的现有故障,以及所述现有故障对应的现有故障等级;
维修监督模块,用于根据所述现有故障对应的现有故障等级建立故障维修方案,并在用户完成维修后生成完工反馈信息;
预测分析模块,用于根据所述完工反馈信息查找所述轴流风机的历史故障以及对应的历史故障等级,结合所述现有故障和对应的故障等级对所述轴流风机进行故障预测,生成预测信息。
10.如权利要求9所述的一种轴流风机的故障检测装置,其特征在于,所述训练分析模块,包括:
统计建模单元,用于统计每一故障样本特征对应的样本属性以及故障类型,基于每一故障样本特征对应的及故障类型构建样本验证集,基于所述样本验证集和预设卷积网络建立卷积网络模型;
卷积分析单元,用于将所述实时运行特征输入到所述卷积网络模型中,在所述卷积网络模型中对所述实时运行特征进行自动标记,得到所述实时运行特征中的显性故障类型,在所述样本验证集中查找所述显性故障类型对应的显性故障样本特征;
训练执行单元,用于在所述卷积网络模型中对所述实时运行特征进行卷积训练,将所述实时运行特征划分为若干个单位子特征,利用所述样本验证集分别识别每一所述单位子特征对应的隐性故障类型以及对应的隐性故障样本特征;
关联分析单元,用于统计每一所述显性故障样本特征对应的显性样本数量,根据所述显性样本数量为对应的显性故障样本特征建立显性关联子信息,统计每一所述隐性故障样本特征对应的隐性样本数量,根据所述隐性样本数量为对应的隐性故障样本特征建立隐性关联子信息,基于所述显性关联子信息和所述隐性关联子信息建立所述实时运行特征与每一故障样本特征之间的故障关联信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311566304.XA CN117514885B (zh) | 2023-11-23 | 2023-11-23 | 一种轴流风机的故障检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311566304.XA CN117514885B (zh) | 2023-11-23 | 2023-11-23 | 一种轴流风机的故障检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117514885A true CN117514885A (zh) | 2024-02-06 |
CN117514885B CN117514885B (zh) | 2024-05-10 |
Family
ID=89765997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311566304.XA Active CN117514885B (zh) | 2023-11-23 | 2023-11-23 | 一种轴流风机的故障检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117514885B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495549A (zh) * | 2011-11-22 | 2012-06-13 | 中联重科股份有限公司 | 工程机械的远程维护决策系统及方法 |
CN103019135A (zh) * | 2012-11-28 | 2013-04-03 | 北京金风科创风电设备有限公司 | 风机部件的寿命预测方法及系统 |
CN108008332A (zh) * | 2017-11-29 | 2018-05-08 | 国网山东省电力公司电力科学研究院 | 一种基于数据挖掘的新能源远程测试设备故障诊断方法 |
CN111157894A (zh) * | 2020-01-14 | 2020-05-15 | 许昌中科森尼瑞技术有限公司 | 基于卷积神经网络的电动机故障诊断方法、装置和介质 |
CN112524077A (zh) * | 2020-12-09 | 2021-03-19 | 国家电网有限公司 | 检测风机故障的方法及装置、系统 |
CN112648221A (zh) * | 2019-10-10 | 2021-04-13 | 天津科技大学 | 一种基于小波-神经网络的风机故障诊断方法 |
WO2022267879A1 (zh) * | 2021-06-25 | 2022-12-29 | 上海三一重机股份有限公司 | 一种工程机械故障预警方法、装置及工程机械 |
-
2023
- 2023-11-23 CN CN202311566304.XA patent/CN117514885B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495549A (zh) * | 2011-11-22 | 2012-06-13 | 中联重科股份有限公司 | 工程机械的远程维护决策系统及方法 |
CN103019135A (zh) * | 2012-11-28 | 2013-04-03 | 北京金风科创风电设备有限公司 | 风机部件的寿命预测方法及系统 |
CN108008332A (zh) * | 2017-11-29 | 2018-05-08 | 国网山东省电力公司电力科学研究院 | 一种基于数据挖掘的新能源远程测试设备故障诊断方法 |
CN112648221A (zh) * | 2019-10-10 | 2021-04-13 | 天津科技大学 | 一种基于小波-神经网络的风机故障诊断方法 |
CN111157894A (zh) * | 2020-01-14 | 2020-05-15 | 许昌中科森尼瑞技术有限公司 | 基于卷积神经网络的电动机故障诊断方法、装置和介质 |
CN112524077A (zh) * | 2020-12-09 | 2021-03-19 | 国家电网有限公司 | 检测风机故障的方法及装置、系统 |
WO2022267879A1 (zh) * | 2021-06-25 | 2022-12-29 | 上海三一重机股份有限公司 | 一种工程机械故障预警方法、装置及工程机械 |
Also Published As
Publication number | Publication date |
---|---|
CN117514885B (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102799171B (zh) | 检测故障码设置中的异常和使用分析症状增强维修文件 | |
CN109539473B (zh) | 空调系统的故障类型确定方法、电子设备 | |
CN112097365A (zh) | 基于预测和分类模型的空调故障检测与辩识方法及装置 | |
US11175061B2 (en) | Methods and systems for HVAC inefficiency prediction | |
CN105159288B (zh) | 一种电气设备的故障原因确定方法和系统 | |
KR102285987B1 (ko) | 건물 내 설비의 이상을 탐지하는 방법, 시스템 및 컴퓨터 프로그램 | |
Qiu et al. | Data mining based framework to identify rule based operation strategies for buildings with power metering system | |
US20210263511A1 (en) | Devices, methods, and systems for a distributed rule based automated fault detection | |
KR102279351B1 (ko) | 표준 공조기와 운용 공조기의 적합화를 통한 인공지능 기반 고장 진단 방법 | |
CN105116870A (zh) | 空调机组的故障分析方法、装置和系统 | |
Albayati et al. | Semi-supervised machine learning for fault detection and diagnosis of a rooftop unit | |
US20220382270A1 (en) | Building management system with machine learning for detecting anomalies in vibration data sets | |
JP6897701B2 (ja) | 保守作業支援装置、保守作業支援方法及び保守作業支援プログラム | |
CN117514885B (zh) | 一种轴流风机的故障检测方法及装置 | |
CN113010394B (zh) | 一种用于数据中心的机房故障检测方法 | |
CN110781206A (zh) | 一种学习拆回表故障特征规则预测在运电能表是否故障的方法 | |
CN113094244B (zh) | 一种用于数据中心的机房运行智能检测系统 | |
CN117091237A (zh) | 一种用于轨道列车的空调设备检测方法及系统 | |
EP3627261A1 (en) | Diagnosis system using parallel analysis paths | |
CN116500441B (zh) | 一种电机故障检测定位方法及系统 | |
CN116629409A (zh) | 一种基于朴素贝叶斯算法的sofc系统故障几率预测方法 | |
WO2017149598A1 (ja) | 機器分類装置 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN112926756A (zh) | 一种中央空调设备ai维修知识库应用方法 | |
Tahmasebi et al. | Smart Integrated Optimization Technique for Large Chilled Water Systems. |
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 |