CN117705430A - 动设备故障监测方法、装置、电子设备及存储介质 - Google Patents
动设备故障监测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117705430A CN117705430A CN202311587076.4A CN202311587076A CN117705430A CN 117705430 A CN117705430 A CN 117705430A CN 202311587076 A CN202311587076 A CN 202311587076A CN 117705430 A CN117705430 A CN 117705430A
- Authority
- CN
- China
- Prior art keywords
- fault
- test point
- determining
- target
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 202
- 208000024891 symptom Diseases 0.000 claims abstract description 105
- 238000012423 maintenance Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 230000005856 abnormality Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000003068 static effect Effects 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 8
- 238000013145 classification model Methods 0.000 claims description 6
- 230000007257 malfunction Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 29
- 238000010586 diagram Methods 0.000 description 27
- 230000006870 function Effects 0.000 description 20
- 238000004891 communication Methods 0.000 description 16
- 239000000243 solution Substances 0.000 description 16
- 230000008569 process Effects 0.000 description 10
- 239000010410 layer Substances 0.000 description 9
- 238000005070 sampling Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000010835 comparative analysis Methods 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 239000002346 layers by function Substances 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000000844 transformation Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000011527 multiparameter analysis Methods 0.000 description 2
- 238000012856 packing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241001584775 Tunga penetrans Species 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请涉及一种动设备故障监测方法、装置、电子设备及存储介质,方法应用于动设备故障监测系统,方法包括:确定目标动设备的多个测试点,以及每个测试点的参数匹配规则;针对每个测试点,按照对应的参数匹配规则匹配所述测试点的目标参数数据;根据所述目标参数数据,确定所述测试点的故障征兆量;基于每个所述测试点对应的故障征兆量,确定每个所述测试点的运行状态;在通过每个测试点的所述运行状态,确定所述目标动设备存在故障的情况下,根据每个测试点的所述运行状态,确定所述目标动设备的故障点和故障类型。由此可以实现及时发现动设备运行故障,并对故障进行诊断,降低诊断维修成本,提高用户体验。
Description
技术领域
本申请涉及动设备监测技术领域,尤其涉及一种动设备故障监测方法、装置、电子设备及存储介质。
背景技术
以往复设备和旋转设备等为主的动设备,在工业应用中起到举足轻重的作用。其中,动设备主体一般包括:动力单元、传动单元、执行单元。动力单元有电机、活塞发动机、汽轮机等;传动单元有联轴器、齿轮箱等;执行单元有离心压缩机、离心泵、往复压缩机、往复泵等。由于动设备的上述结构复杂,且一般是在恶劣的环境中进行高强度的作业,其容易发生部件疲劳性失效或者突发故障等,若不能提前发现并处理,则将严重影响生产效率,增加生产和运维成本。
对此,现有技术中,一般通过采集各类传感器数据,生成信号时频图谱,并基于专家经验或者对比分析,发现故障。然而,该种方法整体故障预警时效性不够提前,故障识别依赖专家经验,且诊断维修成本较高。
发明内容
本申请提供了一种动设备故障监测方法、装置、电子设备及存储介质,以解决现有技术中通过采集各类传感器数据,生成信号时频图谱,并基于专家经验或者对比分析,发现故障的方法整体故障预警时效性不够提前,故障识别依赖专家经验,且诊断维修成本较高的技术问题。
第一方面,本申请提供了一种动设备故障监测方法,应用于动设备故障监测系统,所述方法包括:
确定目标动设备的多个测试点,以及每个测试点的参数匹配规则;
针对每个测试点,按照对应的参数匹配规则匹配所述测试点的目标参数数据;
根据所述目标参数数据,确定所述测试点的故障征兆量;
基于每个所述测试点对应的故障征兆量,确定每个所述测试点的运行状态;
在通过每个测试点的所述运行状态,确定所述目标动设备存在故障的情况下,根据每个测试点的所述运行状态,确定所述目标动设备的故障点和故障类型。
第二方面,本申请实施例提供一种动设备故障监测装置,应用于动设备故障监测系统,所述装置包括:
第一确定模块,用于确定目标动设备的多个测试点,以及每个测试点的参数匹配规则;
匹配模块,用于针对每个测试点,按照对应的参数匹配规则匹配所述测试点的目标参数数据;
第二确定模块,用于根据所述目标参数数据,确定所述测试点的故障征兆量;
第三确定模块,用于基于每个所述测试点对应的故障征兆量,确定每个所述测试点的运行状态;
第四确定模块,用于在通过每个测试点的所述运行状态,确定所述目标动设备存在故障的情况下,根据每个测试点的所述运行状态,确定所述目标动设备的故障点和故障类型。
第三方面,本申请实施例提供一种电子设备,包括:处理器和存储器,所述处理器用于执行所述存储器中存储的动设备故障监测程序,以实现第一方面中任一项所述的动设备故障监测方法。
第四方面,本申请实施例提供一种存储介质,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现第一方面中任一项所述的动设备故障监测方法。
本申请实施例提供的技术方案,通过确定目标动设备的多个测试点,以及每个测试点的参数匹配规则,针对每个测试点,按照对应的参数匹配规则匹配该测试点的目标参数数据,根据目标参数数据,确定该测试点的故障征兆量,基于每个测试点对应的故障征兆量,确定每个测试点的运行状态,在通过每个测试点的运行状态,确定目标动设备存在故障的情况下,根据每个测试点的运行状态,确定目标动设备的故障点和故障类型。这一技术方案,通过预先为目标动设备设置多个测试点,并根据每个测试点的故障征兆量,确定每个测试点的运行状态,从而对目标动设备进行故障检测,其相对于专家经验或者对比分析发现目标动设备的故障而言,可以实现实时对动设备进行故障监测,并在监测到动设备运行故障的情况下,确定动设备的故障点和故障类型,从而实现及时发现动设备运行故障,并对故障进行诊断,降低诊断维修成本,提高用户体验。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1为本申请实施例提供的一种动设备故障监测系统的结构示意图;
图2为本申请实施例提供的一种动设备故障监测方法的实施例流程图;
图3为本申请实施例提供的另一种动设备故障监测方法的实施例流程图;
图4为本申请实施例提供的又一种动设备故障监测方法的实施例流程图;
图5为本申请实施例提供的一种阈值配置数据功能界面示意图;
图6为本申请实施例提供的一种历史告警日志数据功能界面示意图;
图7为本申请实施例提供的再一种动设备故障监测方法的实施例流程图;
图8为本申请实施例提供的另一种动设备故障监测系统的结构示意图;
图9为本申请实施例提供的一种动设备故障监测装置的实施例框图。
图10为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。当然,它们仅仅为示例,并且目的不在于限制本发明。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。
为了解决现有技术中通过采集各类传感器数据,生成信号时频图谱,并基于专家经验或者对比分析,发现故障的方法整体故障预警时效性不够提前,故障识别依赖专家经验,诊断维修成本较高的技术问题,本申请提供了一种动设备故障监测方法、装置、电子设备及存储介质,能实现实时对动设备进行故障监测,并在监测到动设备运行故障的情况下,确定动设备的故障点和故障类型,从而实现及时发现动设备运行故障,并对故障进行诊断,降低诊断维修成本,提高用户体验。
为便于理解本申请实施例提供的动设备故障监测方法,以下先对本申请实施例涉及的动设备故障监测系统进行举例说明:
参见图1,为本申请实施例提供的一种动设备故障监测系统的结构示意图。如图1所示,该动设备故障监测系统10可包括:基础层11、功能层12,以及应用层13。
其中,上述基础层11可包括但不限于数据源模块111和数据采集模块112,上述数据源模块111可为用于存储目标动设备的基础运行参数数据的数据库,上述数据采集模块112可用于采集目标动设备的上述基础运行参数数据,并将采集到的上述基础运行参数数据发送至数据源模块111进行存储。
可选的,上述目标动设备的基础运行参数数据可包括但不限于:目标动设备的静态属性数据、目标动设备的维修保单数据、目标动设备的运行数据,以及通过传感器采集的目标动设备的传感器信号数据等。
上述功能层12可包括但不限于动设备监测模块121,该动设备监测模块121可通过获取数据源模块111存储的目标动设备的基础运行参数数据,并根据获取到的基础运行参数数据采用本申请实施例提供的动设备故障监测方法对目标动设备进行故障监测。
上述应用层13可包括但不限于终端展示模块131,该终端展示模块131可用于展示目标动设备的故障监测情况,以及在监测到目标动设备存在故障的情况下,将目标动设备的故障点和故障类型通过终端进行展示。
本申请实施例中,本申请实施例的执行主体可为功能层12的动设备监测模块121,其可获取基础层11中的存储的目标动设备的基础运行参数数据,并利用本申请实施例提供的动设备故障监测方法对目标动设备进行故障监测。
下面结合附图以具体实施例对本申请提供的动设备故障监测方法做进一步的解释说明,实施例并不构成对本发明实施例的限定
参见图2,为本申请实施例提供的一种动设备故障监测方法的实施例流程图。图2所示流程可应用于动设备故障监测系统,例如图1所示的动设备故障监测系统10。如图2所示,该流程可包括以下步骤:
步骤201、确定目标动设备的多个测试点,以及每个测试点的参数匹配规则。
上述目标动设备指待进行故障监测的动设备。其可包括但不限于:动力单元、传动单元、执行单元,其中,动力单元有电机、活塞发动机、汽轮机等;传动单元有联轴器、齿轮箱等;执行单元有离心压缩机、离心泵、往复压缩机、往复泵等。
上述测试点指测试的目标动设备可能发生故障的位置,或者目标动设备的关键位置,通过测试该关键位置的运行状态,可确定目标动设备是否发生故障,例如该测试点可为动设备的电机、活塞发动机,以及往复泵等。
上述参数匹配规则指每个测试点与对应的参数数据的对应关系,通过该对应关系,可确定每个测试点对应的目标参数数据。
在一实施例中,用户可预先确定待监测目标动设备的测试点,并将目标动设备的测试点的位置信息和每个测试点的参数匹配规则通过可视化界面输入本申请实施例的执行主体。
基于此,本申请实施例的执行主体可通过可视化界面确定目标动设备的多个测试点,以及每个测试点的位置信息和参数匹配规则的对应关系。
基于此,本申请实施例的执行主体可获取每个测试点在目标动设备的位置信息,并根据该位置信息,从上述对应关系中确定每个测试点的参数匹配规则。
步骤202、针对每个测试点,按照对应的参数匹配规则匹配该测试点的目标参数数据。
上述目标参数数据为每个测试点对应的参数数据,其可为包括但不限于:目标动设备的静态属性数据、目标动设备的维修保单数据、目标动设备的运行数据,以及通过传感器采集的目标动设备的传感器信号数据等。
在一实施例中,本申请实施例的执行主体可在确定目标动设备的多个测试点,以及每个测试点的参数匹配规则后,可针对每个测试点,按照对应的参数匹配规则匹配该测试点的目标参数数据。
作为一示例性的实施方式,本申请实施例的执行主体可针对每个测试点,按照对应的参数匹配规则从预设的数据库(例如图1所示的数据源模块111)中获取该测试点对应的目标参数数据。其中,上述数据库可预先存储目标动设备的以下几种参数数据:目标动设备的静态属性数据、目标动设备的维修保单数据、目标动设备的运行数据,以及通过传感器采集的目标动设备的传感器信号数据等。
具体的,上述目标动设备的静态属性数据可包括但不限于:设备名称、设备生产日期、设备投产日期、设备各类额定参数等静态档案属性类数据。
上述目标动设备的维修保单数据可包括但不限于:设备日常检维修时间、维护负责人、维护零件、配件损毁程度等设备检维修信息数据。
上述目标动设备的运行数据可包括但不限于:设备作业期间转速、沙比、总压力、排量、功率等仪表运行记录数据,其一般采集频率低,但是可以直接响应目标动设备当前的启停机或者运行状态。
上述通过传感器采集的目标动设备的传感器信号数据可为用于动设备运行监测、分析物理参数变化的传感器信号,其可包括但不限于:振动、温度、压力、声纹等。
可选的,由于旋转、往复等不同设备监测传感器类型也存在差异,因此,上述传感器可包括但不仅限于:旋转部件振动传感器,往复部件键相、振动、温度、压力传感器等可以用于设备运行状态信号监测的传感器硬件。
进一步地,目标动设备可预先安装多个传感器,其可安装于目标动设备的多个测试点,还可安装于目标动设备的其他位置,本申请实施例对此不做限制。基于此,本申请实施例的执行主体可获取预设的传感器采集规则,并按照该传感器采集规则,控制对应的传感器采集对应的传感器信号数据。之后,可将采集到的上述传感器信号数据存储至上述数据库,以及时对数据库中存储的数据进行更新。其中,上述传感器采集规则可为用户预先设置的采集模式:例如60秒间隔同步采集,当曲轴转速大于10转或振动特征值大于1mm/s时触发采集;采样频率:25600Hz;采样点数:102400;传感器灵敏度:100mv/g。
举个例子,以下以一台往复柱塞泵振动、压力和温度传感器安装为例,介绍传感器数据获取方式:
第一、振动传感器可通过螺纹或磁吸等方式安装在减速箱(也可以是其它转动部件)各轴承座的径向及轴向部位上。
第二、键相齿盘安装在动力端曲轴或与曲轴连接的旋转部件上,随曲轴旋转运动;键相传感器通过支架安装在动力端曲轴或与曲轴连接的支撑部件上,不随曲轴旋转运动。键相齿盘N个齿,其中(N-1)个均匀分布,其齿间角度为360°/N;剩余1个齿形状不同,凹陷或凸出,这个齿用来定义零点位置,简称零点齿。通过这种办法可以获得曲轴转速也可以获得曲轴转过的角度(其角度与活塞的行程相关联),并用获得的角度值作为横坐标来标定其它信号(振动、温度、压力等)的变化情况。
其中,盘车使1缸处于上止点位置,零点齿与键相传感器精确对齐。由于各缸之间的角度差是固定的,所以各缸在采集传感器信号时,便有了一个零点角度基准。
第三、振动传感器通过螺纹或磁吸等方式安装在曲轴箱轴承座的径向及轴向部位上、十字头载荷区、盘根腔垂直方向。
第四、温度传感器通过螺纹或磁吸等方式安装在十字头载荷区,监测十字头部件温度,也可采用温振一体传感器。
第五、压力传感器可通过螺纹等方式安装吸入压盖上,监测阀箱腔内实时动态压力。
步骤203、根据上述目标参数数据,确定该测试点的故障征兆量。
上述故障征兆量指能够与设备某类故障具有强关联关系的故障征兆变量或因子。其中每个测试点可对应一个或多个故障征兆量,本申请实施例对此不做限制。
在一实施例中,本申请实施例的执行主体在确定目标动设备的每个测试点对应的目标参数数据后,可针对每一测试点,根据该测试点对应的目标参数数据,确定该测试点的故障征兆量。
作为一示例性的实施方式,本申请实施例的执行主体可确定每个测试点的位置信息,并根据该测试点的位置信息,确定该测试点对应的特征值计算规则和故障征兆量计算规则。其中,上述特征值计算规则和上述故障征兆量计算规则可为用户预先输入的计算规则。
基于此,针对每个测试点,本申请实施例的执行主体可按照上述特征值计算规则对该测试点对应的目标参数数据进行计算,得到该测试点对应的至少一个特征值。
其中,上述特征值指的是对目标参数数据进行一系列数值变换,计算或提取出来的能够反映数据主要分布特征的指标数据。其可包括但不限于以下几种:
第一、目标动设备每一个运行周期内,计算时域的特征值,其可包括但不限于:有效值、最大值、最小值、均值、平均幅值、峰峰值、峭度值、歪度值、方根幅值、峰值因子、脉冲因子、波形因子、裕度因子等。
第二、目标动设备每一个运行周期内,按照角度域分段计算各角度段的特征值,其可包括但不限于:有效值、最大值、最小值、均值、平均幅值、峰峰值、峭度值、歪度值、方根幅值、峰值因子、脉冲因子、波形因子、裕度因子等。
举个例子,可根据键相信号初始相位零点位置,提取1缸盘根1V测点的1个工作循环的整周期振动信号;通过插值算法(包括但不仅限于多样条插值算法、拉格朗日插值算法等),将等间隔的振动时域信号转换为按照曲轴转角0~360°分段等间隔的振动角域信号;按照每10°或其它角度分段计算角域有效值。
第三、对传感器信号进行快速傅里叶变换得到频域信号,按照不同的固定频段,进行滤波,计算不同频率段的特征值。
举个例子,假设原始振动信号分析频率范围0~12800Hz,可按照0~2Hz,2~1000Hz,1000~12800Hz,进行带通滤波后,计算对应频段有效值。其中,0~2Hz,可以反应传感器是否产生滑雪坡,是否正常工作;2~1000Hz,可以反应机组的低频故障,如不平衡、不对中等;1000~12800Hz,可以反应机组的高频故障,如轴承、齿轮磨损等。
第四、可基于传动链传动比和轴承型号,按照曲轴转速,计算对应的电机转频、齿轮箱平行级转频、齿轮箱行星级转频、曲轴转频、齿轮箱啮合频率;对齿轮箱、曲轴箱振动传感器信号进行快速傅里叶变换得到频域信号,对频域信号按照上诉频率进行加窗函数滤波,对滤波后的信号,计算对应频率的特征值。
之后,可按照上述故障征兆量计算规则对上述目标参数数据和/或特征值进行数据组合,生成该测试点的故障征兆量。上述故障征兆量可包括但不限于:旋转类部件故障征兆量、泄露类故障征兆量、传感器异常征兆量、数据驱动建模的故障识别征兆量,以及基线空间超限征兆量。
其中,上述旋转类部件故障征兆量,通过对轴承转频、齿轮啮合频率、频率边带等频率及倍频或者或不同频段进行组合计算(组合计算方式包含但不仅限于加和、做差、积分、微分等),获得响应不同类型旋转部件故障的故障征兆量。创建旋转类故障征兆量包含但不限于:轴承因子(能够反映轴承不平衡等故障状态);轴瓦因子(能够反映大头瓦故障状态);平行级载荷因子、行星级载荷因子(能够反映轴系不对中故障状态);边带因子(能够反映齿轮损伤状态)等。
上述泄露类故障征兆量,通过对设备往复运动过程中缸内振动信号的特定频段或频率进行组合计算(组合计算方式包含但不仅限于加和、做差、积分、微分等),获得响应缸内泄漏类故障的故障征兆量。创建泄露类故障征兆量包含但不限于:有效泄露因子、能量泄露因子、加速度泄露因子(能够反映缸内单向阀等密封件泄漏引起的故障状态)等。
上述传感器异常征兆量,通过计算某信号频域数据指定频率段能量值、偏置电压值等与传感器状态具有强关联关系的特征指标,并进行组合计算(组合计算方式包含但不仅限于加和、做差、积分、微分等),获得能够响应传感器异常的征兆量。
上述数据驱动建模的故障识别征兆量,基于实验室或作业现场收集的正常机组信号,借助无监督机器学习等算法建立的故障识别征兆量。可以实现对指定测点进行故障状态和健康状态识别误差的输出和判断结果输出。
举个例子,可获取某一柱塞泵减速箱大齿轮输入侧测点在设备健康状态下的历史振动信号数据(数据采集方式为60秒间隔采集,采样频率25600Hz,采样点数102400),对每分钟的样本数据进行快速傅里叶变化,以每分钟的频域原始数据作为训练样本数据,并构建基于一维卷积神经网络层的对称自编码器神经网络模型,输入训练样本数据,进行模型多批次迭代训练。将待测振动数据输入模型,即可输出故障识别误差,该误差项即为该测点故障识别征兆量。
上述基线空间超限征兆量,可基于实验室或作业现场收集的正常机组信号,构建时域或频域的概率分布空间,简称基线空间。对基线空间输入信号,得到输入信号与基线空间的差值分布,对差值分布进行计算,得到特征值,以反映机组的运行状态。
举个例子,可收集减速箱输入1H测点正常的振动信号,设备健康状态下的历史振动信号数据(数据采集方式为60秒间隔采集,采样频率25600Hz,采样点数102400),对每分钟的样本数据进行快速傅里叶变化,将所有频域样本数据,按照对应频率进行幅值加和平均,获得一个平均幅值频谱,即为频域基线空间。输入待测频域信号,与基线空间做差,当某频率幅值小于基线空间对应的幅值时差值置零,大于时,累计加和差值。该差值和即为该测点基线空间超限征兆量。
步骤204、基于每个测试点对应的故障征兆量,确定每个测试点的运行状态。
步骤205、在通过每个测试点的运行状态,确定目标动设备存在故障的情况下,根据每个测试点的运行状态,确定目标动设备的故障点和故障类型。
以下对步骤204和步骤205进行统一说明:
上述运行状态指测试点在目标动设备运行过程中对应的状态,其可包括故障状态和非故障状态,该非故障状态则为正常运行状态,进一步地,上述故障状态还可分为低故障状态、中故障状态,以及高故障状态,其故障等级依次递增,故障等级越高,其故障越大。
在一实施例中,本申请实施例的执行主体可根据目标动设备中每个测试点对应的一个或多个故障征兆量,确定该测试点对应的运行状态。
至于具体是如何根据每个测试点对应的故障征兆量确定每个测试点对应的运行状态的,可在下文通过图3所示流程进行说明,这里先不详述。
之后,可通过每个测试点的运行状态,确定目标动设备是否存在故障,并在确定目标动设备存在故障的情况下,根据每个测试点的运行状态,确定目标动设备的故障点和故障类型。
作为一示例性的实施方式,当确定目标动设备的多个测试点中存在任意至少一个测试点的运行状态为故障状态时,则可确定目标动设备存在故障。
至于具体是如何根据每个测试点的运行状态,确定目标动设备的故障点和故障类型的,可在下文通过图7所示流程进行说明,这里先不详述。
此外,为了使得用户可以及时了解目标动设备存在故障,本申请实施例的执行主体在确定目标动设备存在故障的情况下,可通过预设的报警方式进行报警,以提示用户目标动设备存在故障,上述报警方式可为报警信息声光提示、或者短信推送等方式。
进一步地,在确定目标动设备的故障点和故障类型后,可通过可视化界面输出目标动设备的故障点和故障类型,并由技术人员确定该目标动设备的故障点和故障类型是否准确,并在收到技术人员的确认后,将该故障点和故障类型存储至故障案例库。
此外,为了便于用户进一步了解目标动设备的运行情况,本申请实施例的执行主体可根据预设的信号处理规则,对数据库(例如数据源模块111)存储的目标动设备的参数数据进行信号处理和特征变换,得到多种图谱数据。上述图谱数据可包括但不限于:机组状态图、振动监测图、包络解调图、阶比图、角域监测图、多趋势图、多参数分析图,以及基线空间图。
此外,为了便于用户可以更加详细地了解目标动设备的故障点和故障类型,本申请实施例的执行主体可在确定目标动设备的故障点和故障类型后,可生成该目标动设备的三维图像,并在该三维图像中标注目标动设备的故障点和故障类型(例如对目标动设备的故障点进行标红),得到目标三维图像。
之后,可输出该目标三维图像,并通过预设的预警方式进行预警。
本申请实施例提供的技术方案,通过确定目标动设备的多个测试点,以及每个测试点的参数匹配规则,针对每个测试点,按照对应的参数匹配规则匹配该测试点的目标参数数据,根据目标参数数据,确定该测试点的故障征兆量,基于每个测试点对应的故障征兆量,确定每个测试点的运行状态,在通过每个测试点的运行状态,确定目标动设备存在故障的情况下,根据每个测试点的运行状态,确定目标动设备的故障点和故障类型。这一技术方案,通过预先为目标动设备设置多个测试点,并根据每个测试点的故障征兆量,确定每个测试点的运行状态,从而对目标动设备进行故障检测,其相对于专家经验或者对比分析发现目标动设备的故障而言,可以实现实时对动设备进行故障监测,并在监测到动设备运行故障的情况下,确定动设备的故障点和故障类型,从而实现及时发现动设备运行故障,并对故障进行诊断,降低诊断维修成本,提高用户体验。
参见图3,为本申请实施例提供的另一种动设备故障监测方法的实施例流程图。图3所示流程在图2所示流程的基础上,描述了具体是如何根据每个测试点对应的故障征兆量确定每个测试点对应的运行状态的。如图3所示,该流程可包括以下步骤:
步骤301、获取目标动设备在多个运行周期内的最高转速和最低转速。
上述运行周期指目标动设备在预设历史时间段内的运行周期,上述预设历史时间段内可为当前时刻之前的一分钟或两分钟,本申请实施例对此不做限制。
上述最高转速指目标动设备在上述预设历史时间段内运行的最高转速。
上述最低转速指目标设备在上述预设历史时间段内运行的最低转速。
在一实施例中,本申请实施例的执行主体可从预设的数据库中获取目标动设备在上述多个运行周期内的最高转速和最低转速。
在另一实施例中,本申请实施例的执行主体可通过可视化界面获取用户输入的目标动设备在多个运行周期内的最高转速和最低转速。
步骤302、确定上述最高转速和最低转速的转速差值,并确定该转速差值是否小于预设的差值阈值,若是,则执行步骤303;若否,则结束流程。
步骤303、在确定转速差值小于差值阈值的情况下,基于预设的动态预警模型和每个测试点对应的故障征兆量,确定每个测试点的运行状态。
以下对步骤302和步骤303进行统一说明:
本申请实施例中,在对目标动设备进行故障监测时,可先通过目标动设备的最高转速和最低转速,确定目标动设备是否满足故障监测条件,若满足,则可继续确定目标动设备是否存在故障;若不满足,则可结束流程。
在一实施例中,本申请实施例的执行主体在确定目标动设备在多个运行周期内的最高转速和最低转速后,可将最高转速减去最低转速,从而确定目标动设备对应的转速差值,并进一步确定该转速差值是否小于预设的差值阈值。
可选的,若确定上述转速差值大于或等于该差值阈值,说明此时的目标动设备运行不稳定,不可进行故障监测,因此,可直接结束流程,并输出当前目标动设备运行不稳定的报警信息。
相反的,若确定上述转速差值小于该差值阈值,说明此时的目标动设备运行温度,可进行故障监测,因此,可进一步基于预设的动态预警模型和每个测试点对应的故障征兆量,确定每个测试点的运行状态。其中,上述动态预警模型可为预先训练的用于预测每个故障征兆量的预警结果的模型。
作为一示例性的实施方式,本申请实施例的执行主体可先获取目标动设备在预设历史时间段的历史运行数据,以及该预设的动态预警模型的配置参数。其中,上述预设历史时间段可为过去的一天、两天,或者一周,本申请实施例对此不做限制。上述动态预警模型的配置参数可为动态预警模型中涉及到的参数,例如每个故障征兆量的多级阈值等。
之后,可将上述历史运行数据、每个测试点对应的故障征兆量,以及上述配置参数输入动态预警模型,得到该动态预警模型输出的每个故障征兆量对应的预警结果,例如1(正常),2(故障低风险),3(故障中风险),以及4(故障高风险)。
最后,可基于每个故障征兆量对应的预警结果,确定每个测试点的运行状态,其中该运行状态可包括故障状态和非故障状态。
在一实施例中,上述故障征兆量可包括传感器异常征兆量,其可用于表征采集目标动设备的参数数据的传感器是否存在异常。基于此,本申请实施例的执行主体在基于每个故障征兆量对应的预警结果,确定每个测试点的运行状态时,可先确定上述传感器异常征兆量对应的预警结果是否为故障预警。
可选的,若确定该传感器异常征兆量对应的预警结果为故障预警,则说明此时用于采集目标动设备的参数数据的传感器存在异常,作为目标动设备的故障监测依据的参数数据可能存在错误,因此可直接结束本次故障监测判断,并输出传感器异常的报警信息。
相反的,若确定该传感器异常征兆量对应的预警结果为非故障预警,则进一步获取当前传感器采集的传感器信号数据,并将该传感器信号数据输入预设的传感器故障识别模型,得到该传感器故障识别模型输出的传感器异常识别结果。
其中,上述传感器故障识别模型可为基于设备历史正常数据、传感器故障样本数据,构建的神经网络模型,通过模型训练实现传感器故障识别。上述神经网络模型可以是无监督学习模型、有监督的分类学习模型等,网络结构可以但不仅限于是自编码器神经网络结构、卷积神经网络结构、全连接神经网络模型结构、或者上述神经网络模型结构组合后的其他网络结构等。
进一步地,若上述传感器异常识别结果表征传感器异常,说明此时目标动设备通过传感器采集的参数数据不准确,因此,可确定每个测试点的运行状态为非故障状态。
可选的,若上述传感器异常识别结果表征传感器正常,说明此时的传感器正常运行,因此可通过每个测试点对应的每个故障征兆量的预警结果等级,确定测试点的运行状态。
作为一示例性的实施方式,由于目标动设备的每个测试点可包括一个或多个故障征兆量,而每个故障征兆量的预警结果可包括多个等级,例如1(正常),2(故障低风险),3(故障中风险),以及4(故障高风险),因此,可确定每个测试点对应的每个征兆量的预警结果等级,并将预警结果等级最高的预警结果对应的故障状态,确定为对应测试点的运行状态。
举个例子,假设测试点1包括三个故障征兆量,其对应的预警结果分别为1(正常)、2(故障低风险),以及4(故障高风险),由此可知预警结果等级最高的预警结果为4(故障高风险),继续假设4(故障高风险)对应的故障状态为高风险故障运行,那么,该测试点1对应的运行状态则为高风险故障运行。
以下以某一柱塞泵液力端输入侧测点故障识别征兆量(下称ae征兆量)的故障预警为例对本申请实施例中具体是如何根据每个测试点对应的故障征兆量确定每个测试点对应的运行状态的进行举例说明。参见图4,为本申请实施例提供的又一种动设备故障监测方法的实施例流程图。如图4所示,该流程可包括:
首先,输入当前时刻电机转速和转速差(即一分钟内设备多个运行周期最高转速和最低转速的差值),判断转速差是否大于转速差阈值α,如果转速差>=α,则退出预警逻辑;否则,将当前时刻ae征兆量及其前n时刻历史数据输入动态预警模型,输出初始预警结果result_label。
之后,判断result_label中传感器异常征兆量,是否为2/3/4标签(即预警结果为2(故障低风险)、3(故障中风险),或者4(故障高风险));如果是,则退出预警逻辑;否则,将当前时刻原始信号数据输入传感器故障识别模型。
再之后,传感器故障识别模型输出传感器故障状态标签,状态等级分为1(正常),2(故障低风险),3(故障中风险),4(故障高风险)。如果标签为2/3/4,则将result_label中标签为2/3/4的征兆量初始预警结果修正为1;否则,直接输出初始预警结果作为最终预警结果。
其中,上述故障动态预警模型预警阈值共涉及所有征兆量多级预警阈值配置。具备前端界面可自主进行上述阈值配置功能界面,前端手动配置后台同步更新阈值配置表,该阈值配置数据功能界面如图5所示,参见图5,为本申请实施例提供的一种阈值配置数据功能界面示意图。如图5所示,该阈值配置数据功能界面可包括:设备id、测点位置、征兆量、征兆量名称、一级阈值、是否启用、触发报警类别,二级阈值、是否启用、触发报警类别、三级阈值、是否启用,一级触发报警类别等参数。
此外,本申请实施例的执行主体还可包括历史告警日志,其是一个重要的工具。可清楚地查看已发生的所有警报,以及是否已确认这些警报,可以让用户确信他们掌握了所有警报。历史告警日志数据功能界面如图6所示,参见图6,为本申请实施例提供的一种历史告警日志数据功能界面示意图。如图6所示,该历史告警日志数据功能界面可包括:事件ID、报警类别、设备id、测点位置、征兆量、征兆量名称、征兆量值、征兆量超限阈值、规则故障树故障标签、数据模型故障标签、确认状态、报警开始时间、报警确认时间、确认人员、人工判别结果,以及备注等参数。
本申请实施例提供的技术方案,通过获取目标动设备在多个运行周期内的最高转速和最低转速,确定上述最高转速和最低转速的转速差值,并确定该转速差值是否小于预设的差值阈值,若是,则在确定转速差值小于差值阈值的情况下,基于预设的动态预警模型和每个测试点对应的故障征兆量,确定每个测试点的运行状态;若否,则结束流程。这一技术方案,通过在确定目标动设备稳定运行的情况下,基于预先训练的动态预警模型和每个测试点对应的故障征兆量,确定测试点的运行状态,其通过训练动态预警模型可更加准确地确定每个测试点的运行状态,实现了更加准确地确定目标动设备每个测试点的运行状态,从而实现及时发现动设备运行故障,并对故障进行诊断,降低诊断维修成本,提高用户体验。
参见图7,为本申请实施例提供的再一种动设备故障监测方法的实施例流程图。图7所示流程在图3所示流程的基础上,进一步描述了具体是如何根据每个测试点的运行状态,确定目标动设备的故障点和故障类型的。如图7所示,该流程可包括以下步骤:
步骤701、在确定目标动设备存在故障的情况下,确定每个测试点的运行状态是否为故障状态。
步骤702、将运行状态为故障状态的测试点确定为初始故障点。
以下对步骤701和步骤702进行统一说明:
由图3所示流程可知,目标动设备的每个测试点对应的故障征兆量的预警结果可包括:1(正常),2(故障低风险),3(故障中风险),以及4(故障高风险)。基于此,可确定每个测试点的运行状态为故障状态和非故障状态,其故障状态可进一步分为低风险故障运行、中风险故障运行,以及高风险故障运行。
基于此,当本申请实施例的执行主体确定目标动设备存在任一测试点的运行状态为故障状态的情况下,确定目标动设备存在故障。
进一步地,当确定目标动设备存在故障的情况下,可确定每个测试点的运行状态是否为故障状态,并将运行状态为故障状态的测试点确定为初始故障点。
步骤703、针对每个初始故障点,将该初始故障点的预警结果输入预设的故障检测模型,得到该故障检测模型输出的目标动设备的故障点和故障类型。
上述故障检测模型可为预先训练的用于检测目标动设备的故障点和故障类型的模型。
本申请实施例中,可将初始故障点对应的预警结果输入上述故障检测模型,从而得到该故障检测模型输出的目标动设备的故障点和故障类型。
进一步地,上述故障检测模型可包括典型故障分类模型和故障分析模型,上述典型故障分类模型可用于确定目标动设备的故障类型是否为典型故障,上述故障分析模型可用于分析目标动设备的故障点和基本故障类型。
基于此,在通过故障检测模型确定目标动设备的故障点和故障类型时,可将初始故障点对应的预警结果分别输入典型故障分类模型和故障分析模型,得到该典型故障分类模型输出的典型故障分类结果,以及故障分析模型输出的故障分析结果。
之后,可对典型故障分类结果和故障分析结果进行加权求和,得到目标动设备对应的故障点和故障类型。
进一步地,为了给用户提供更加准确的故障类型以及对应的解决方案,从而提高用户体验,本申请实施例的执行主体可确定上述故障类型是否为典型故障类型。
可选的,在确定该故障类型为典型故障类型的情况下,可将该故障类型与预设的典型故障案例库进行匹配,得到该故障类型对应的目标解决方案,其中,上述典型故障案例库可用于存储典型故障以及每个典型故障对应的解决方案。
之后,可通过可视化界面输出该目标解决方案。
此外,上述故障类型和目标解决方案通过人工确认,业务人员或者诊断人员可以对当前故障诊断结果在前端操作界面进行人工确认。人工确认以后的故障案例事件以及解决方案,将自动转存故障案例库。
举个例子,以下是某柱塞泵规则类故障诊断模型中,联轴器不对中故障专家判断规则如下表1所示:
表1
继续假设,该规则置信度为95%,则“联轴器对中不良”的故障概率=95%*(0.3s1+0.4s2+0.4s3)。
本申请实施例提供的技术方案,通过在确定目标动设备存在故障的情况下,确定每个测试点的运行状态是否为故障状态,将运行状态为故障状态的测试点确定为初始故障点,针对每个初始故障点,将该初始故障点的预警结果输入预设的故障检测模型,得到该故障检测模型输出的目标动设备的故障点和故障类型。这一技术方案,通过预设的故障检测模型,并根据每个测试点的运行状态可以准确预测目标动设备的故障点和故障类型,实现了更加准确地确定目标动设备的故障点和故障类型,从而实现及时发现动设备运行故障,并对故障进行诊断,降低诊断维修成本,提高用户体验。
参见图8,为本申请实施例提供的另一种动设备故障监测系统的结构示意图。如图8所示,该动设备故障监测系统可包括:数据源、数据采集模块、数据加工模块、预警中心模块、数据存储模块、数据通信模块、图谱分析模块、故障诊断模块。
其中,数据源可用于存储包括但不仅限于以下四类参数数据:设备档案类静态属性数据、设备维保工单类数据、设备运行控制类数据,以及传感器类数据。
上述数据采集模块,可实现对多种传感器模拟量信号的采集,并通过转换将模拟信号转换为数字信号。采集模块可以实现设置采集模式、采样频率、采样点数、传感器类型、传感器灵敏度等,支持多通道同步采集、支持间隔采集、及转速或特征指标触发采集。
上述数据加工模块,主要包含转速计算、特征值计算和征兆量计算。特征值指的是对静态属性数据、设备维保数据、运行控制数据和传感器数据等原始信号进行一系列数值变换,计算或提取出来的能够反映数据主要分布特征的指标数据;征兆量指的是在特征值或者原始数据的基础上进行数据组合,生成的能够与设备某类故障具有强关联关系的故障征兆变量或因子。
上述预警中心模块,又称报警模块,实现故障动态预警的主要功能,包含:稳定转速工况识别功能、设备动态预警功能、传感器异常识别功能。预警中心的输入数据是数据加工以后的待测试征兆量、电机转速差和动态预警模型配置参数;输出数据为各征兆量当前预警状态,状态等级分为1(正常),2(故障低风险),3(故障中风险),4(故障高风险)。预警中心内部通过一系列数据流转、功能项调用和控制逻辑实现故障动态多级预警,且能防止异常点误报警、同一报警事件重复报警等情况发生。同时前端界面提供动态预警功能的阈值和预警模型参数的自定义配置功能,用户可以根据实际业务需要进行预警模型的自定义配置。
其中,报警信息可以在大屏监控、PC端、手持终端APP等显示,并发出声光报警提示,并通过短信、消息提示、邮件等方式进行报警信息推送。且对于历史报警信息,系统提供历史报警日志的查询、存储和分析功能。
上述典型故障诊断模块,主要在故障预警基础上实现故障分类预测、故障定位以及专家案例库提供解决方案推荐。故障诊断模块包含AI故障诊断和规则类故障诊断。其中,AI故障诊断主要是基于设备历史正常、不同等级典型故障样本数据,构建神经网络模型,通过模型训练获得典型故障AI故障诊断模型,实现典型故障分类预测;规则类故障诊断是依靠包含各种结构化存储的专家经验规则,进行预警数据的故障定位和分类识别。专家案例库包含各类典型故障案例事件结构化存储结果以及专家推荐解决方案。
具体如下:对于预警中心的报警结果,输入故障诊断模块进行进一步故障定位、分类。如果某测点预警结果为2/3/4,该测点AI故障诊断模型和规则类故障诊断模型会被调用,两类模型预测结果进行加权融合,输出该测点预测故障类型。同时,根据故障类型关联故障案例库输出该故障专家推荐解决方案。其中,AI故障诊断模型为预训练模型,针对各类设备典型故障包含但不仅限于与气阀泄露故障分类预测模型、轴承故障分类预测模型、齿轮故障分类预测模型等。规则类模型是通过对各类历史故障事件的专家判断规则进行结构化处理和存储生成的。
同时,故障诊断模块预测结果提供人工确认接口,业务人员或者诊断人员可以对当前故障诊断结果在前端操作界面进行人工确认。人工确认以后的故障案例事件以及解决方案,将自动转存故障案例库。
上述存储模块,可存储采集、计算、报警模块的数据,满足至少6个月或其它周期数据容量。对于传感器采集数据稀释策略:报警数据永久保存;正常数据按照年、月、日、小时等时间周期重要性稀释数据,保证每个时间周期内都有数据,时间越久远,稀释的数据越多。
例如,某柱塞泵故障动态预警系统报警数据的存储包含:全部征兆量原始数据、全部征兆量状态标签数据。
上述通信模块,可分为系统内部通讯、系统外部通讯和系统通讯链路三部分。其中,系统内部通讯主要是通过UDP/HTTP等通讯方法实现;系统外部通讯采用标准通信协议(ModBus/OPC/TCP/IP...)或自定义协议,内外部通讯整体包括包括硬件层协议、网络层传输协议、应用层协议等。完成不同信息系统(PLC、运行数据采集系统等)之间,以及本系统内不同单元、模块的数据传输和交换。另外,该系统数据通讯链路由传感器、数据采集器、边缘工控机、工业网关、远端服务器组成。
上述图谱分析模块,可用于对原始信号进行信号处理与特征变换,得到专业的图谱数据,辅助工程师对机组进行故障诊断。主要包括以下功能:
机组状态图:显示实时各个往复泵及子部件的运行状态,状态:正常、预警、报警、高报;
振动监测图:显示各振动测点的实时与历史特征值趋势、波形、频谱。
包络解调图:把故障冲击产生的高频共振响应波放大,通过包络检波方法变为具有故障特征信息的低频波形,然后采用频谱分析法找出故障的特征频率。
可选的,其算法步骤可为:首先是利用带通滤波器的滤波特性,使目标频率成分被滤出;其次利用Hilbert变换从信号中提取调制信号,分析调制信号的变化;最后通过傅里叶变换从振动信号中分离出低频信号成分。
阶比图:结合键相数据,把等时间采样的时域波形转换成等角度采样的时域波形,然后进行傅里叶变换及其它变换;
角域监测图:显示各往复测点的整周期信号,包括角域波形图、角域包络图、角域柱状图。
可选的,其算法步骤可为:首先截取整周期键相数据和振动数据或其它参量数据;其次对键相数据进行内插,得到每1°或其它等间隔角度对应的时间,即集合{angle,t};然后对振动数据进行内插,内插点为angle,得到angle对应的幅值,即集合{angle,amp},也就是角域波形;对角域波形进行hilbert变换得到角域包络图;对角域波形进行分段切割计算,得到角域柱状图。
多趋势图:显示转速、振动、压力、温度等状态参量的实时和历史特征值趋势;
多参数分析图:对横坐标相同的整周期振动波形、腔内压力波形、十字头温度等进行同步分析;
基线空间图:显示与基线空间的对比与差值结果。
本申请实施例提供的动设备故障监测系统可对动设备各部件的实时运行状态监测和故障预警,其包含不同类型的设备故障征兆量,实现设备故障响应,预警中心通过预警中心逻辑调用动态预警模型和传感器故障识别模型,实现设备故障预警和传感器故障判断,还可以实现典型故障分类预测结果输出和故障解决方案输出,以及故障案例结构化存储,进一步地可视化界面可以实现从预警模型配置、预警报警到人工确认、图谱分析等全流程故障事件识别和追溯,极大的降低了使用人员的专业门槛,提高了生产作业效率。
参见图9,为本申请实施例提供的一种动设备故障监测装置的实施例框图。图9所示装置可应用于图1所示的动设备故障监测系统。如图9所示,该装置可包括:
第一确定模块91,用于确定目标动设备的多个测试点,以及每个测试点的参数匹配规则;
匹配模块92,用于针对每个测试点,按照对应的参数匹配规则匹配所述测试点的目标参数数据;
第二确定模块93,用于根据所述目标参数数据,确定所述测试点的故障征兆量;
第三确定模块94,用于基于每个所述测试点对应的故障征兆量,确定每个所述测试点的运行状态;
第四确定模块95,用于在通过每个测试点的所述运行状态,确定所述目标动设备存在故障的情况下,根据每个测试点的所述运行状态,确定所述目标动设备的故障点和故障类型。
如图10所示,为本申请实施例提供的一种电子设备的结构示意图,包括处理器101、通信接口102、存储器103和通信总线104,其中,处理器101,通信接口102,存储器103通过通信总线104完成相互间的通信,
存储器103,用于存放计算机程序;
在本申请一个实施例中,处理器101,用于执行存储器103上所存放的程序时,实现前述任意一个方法实施例提供的动设备故障监测方法,包括:
确定目标动设备的多个测试点,以及每个测试点的参数匹配规则;
针对每个测试点,按照对应的参数匹配规则匹配所述测试点的目标参数数据;
根据所述目标参数数据,确定所述测试点的故障征兆量;
基于每个所述测试点对应的故障征兆量,确定每个所述测试点的运行状态;
在通过每个测试点的所述运行状态,确定所述目标动设备存在故障的情况下,根据每个测试点的所述运行状态,确定所述目标动设备的故障点和故障类型。
本申请实施例还提供了一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前述任意一个方法实施例提供的动设备故障监测方法的步骤。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
应理解的是,文中使用的术语仅出于描述特定示例实施方式的目的,而无意于进行限制。除非上下文另外明确地指出,否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的,并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在,但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行,除非明确指出执行顺序。还应当理解,可以使用另外或者替代的步骤。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (14)
1.一种动设备故障监测方法,其特征在于,应用于动设备故障监测系统,所述方法包括:
确定目标动设备的多个测试点,以及每个测试点的参数匹配规则;
针对每个测试点,按照对应的参数匹配规则匹配所述测试点的目标参数数据;
根据所述目标参数数据,确定所述测试点的故障征兆量;
基于每个所述测试点对应的故障征兆量,确定每个所述测试点的运行状态;
在通过每个测试点的所述运行状态,确定所述目标动设备存在故障的情况下,根据每个测试点的所述运行状态,确定所述目标动设备的故障点和故障类型。
2.根据权利要求1所述的方法,其特征在于,所述针对每个测试点,按照对应的参数匹配规则匹配所述测试点的目标参数数据,包括:
针对每个测试点,按照所述测试点对应的参数匹配规则从预设的数据库中获取所述测试点对应的目标参数数据,其中,所述数据库预先存储所述目标动设备的以下几种参数数据:所述目标动设备的静态属性数据、所述目标动设备的维修保单数据、所述目标动设备的运行数据,以及通过传感器采集的所述目标动设备的传感器信号数据;
所述方法还包括:
获取预设的传感器采集规则;
按照所述传感器采集规则,控制对应的传感器采集对应的传感器信号数据。
3.根据权利要求1所述的方法,其特征在于,确定每个测试点的参数匹配规则,包括:
获取每个测试点在所述目标动设备的位置信息;
根据所述位置信息,确定每个所述测试点的参数匹配规则;
所述根据所述目标参数数据,确定所述测试点的故障征兆量,包括:
根据所述测试点的位置信息,确定所述测试点对应的特征值计算规则和故障征兆量计算规则;
按照所述特征值计算规则对所述目标参数数据进行计算,得到所述测试点对应的至少一个特征值;
按照所述故障征兆量计算规则对所述目标参数数据和/或所述特征值进行数据组合,生成所述测试点的故障征兆量。
4.根据权利要求1所述的方法,其特征在于,所述基于每个所述测试点对应的故障征兆量,确定每个所述测试点的运行状态,包括:
获取所述目标动设备在多个运行周期内的最高转速和最低转速;
确定所述最高转速和所述最低转速的转速差值,并确定所述转速差值是否小于预设的差值阈值;
在确定所述转速差值小于所述差值阈值的情况下,基于预设的动态预警模型和每个所述测试点对应的故障征兆量,确定每个所述测试点的运行状态。
5.根据权利要求4所述的方法,其特征在于,所述基于预设的动态预警模型和每个所述测试点对应的故障征兆量,确定每个所述测试点的运行状态,包括:
获取所述目标动设备在预设历史时间段的历史运行数据,以及预设的动态预警模型的配置参数;
将所述历史运行数据、每个所述测试点对应的故障征兆量,以及所述配置参数输入所述动态预警模型,得到所述动态预警模型输出的每个故障征兆量对应的预警结果;
基于每个故障征兆量对应的所述预警结果,确定每个测试点的运行状态,其中,所述运行状态包括故障状态和非故障状态。
6.根据权利要求5所述的方法,其特征在于,所述故障征兆量包括传感器异常征兆量,所述基于每个故障征兆量对应的所述预警结果,确定每个测试点的运行状态,包括:
确定所述传感器异常征兆量对应的预警结果是否为故障预警;
若确定所述传感器异常征兆量对应的预警结果为故障预警,则输出传感器异常的报警信息,并结束流程;
若确定所述传感器异常征兆量对应的预警结果为非故障预警,则获取传感器采集的传感器信号数据;
将所述传感器信号数据输入预设的传感器故障识别模型,得到所述传感器故障识别模型输出的传感器异常识别结果;
若所述传感器异常识别结果表征所述传感器异常,则确定每个测试点的运行状态为非故障状态;
若所述传感器异常识别结果表征所述传感器正常,则确定每个测试点对应的每个故障征兆量的预警结果等级,并将预警结果等级最高的预警结果对应的故障状态,确定为所述测试点的运行状态。
7.根据权利要求6所述的方法,其特征在于,所述通过每个测试点的所述运行状态,确定所述目标动设备存在故障,包括:
在确定存在任一测试点的运行状态为故障状态的情况下,确定所述目标动设备存在故障;
所述根据每个测试点的所述运行状态,确定所述目标动设备的故障点和故障类型,包括:
确定每个测试点的运行状态是否为故障状态;
将运行状态为故障状态的测试点确定为初始故障点;
针对每个所述初始故障点,将所述初始故障点对应的预警结果输入预设的故障检测模型,得到所述故障检测模型输出的所述目标动设备的故障点和故障类型。
8.根据权利要求7所述的方法,其特征在于,所述故障检测模型包括典型故障分类模型和故障分析模型,所述典型故障分类模型用于确定所述目标动设备的故障类型是否为典型故障,所述故障分析模型用于分析所述目标动设备的故障点和基本故障类型,所述将所述初始故障点对应的预警结果输入预设的故障检测模型,得到所述故障检测模型输出的所述目标动设备的故障点和故障类型,包括:
将所述初始故障点对应的预警结果分别输入所述典型故障分类模型和所述故障分析模型,得到所述典型故障分类模型输出的典型故障分类结果,以及所述故障分析模型输出的故障分析结果;
对所述典型故障分类结果和所述故障分析结果进行加权求和,得到所述目标动设备对应的故障点和故障类型。
9.根据权利要求8所述的方法,其特征在于,所述方法还包括:
确定所述故障类型是否为典型故障类型;
在确定所述故障类型为典型故障类型的情况下,将所述故障类型与预设的典型故障案例库进行匹配,得到所述故障类型对应的目标解决方案,其中,所述典型故障案例库用于存储典型故障以及每个所述典型故障对应的解决方案;
通过可视化界面输出所述目标解决方案。
10.根据权利要求2所述的方法,其特征在于,所述方法还包括:
根据预设的信号处理规则,对所述数据库存储的所述目标动设备的参数数据进行信号处理和特征变换,得到多种图谱数据;
通过可视化界面输出所述图谱数据,以根据所述图谱数据对所述目标动设备进行分析。
11.根据权利要求1所述的方法,其特征在于,在所述确定所述目标动设备的故障点和故障类型之后,所述方法还包括:
生成所述目标动设备的三维图像;
在所述三维图像中标注所述目标动设备的故障点和故障类型,得到目标三维图像;
输出所述目标三维图像,并通过预设的预警方式进行预警。
12.一种动设备故障监测装置,其特征在于,应用于动设备故障监测系统,所述装置包括:
第一确定模块,用于确定目标动设备的多个测试点,以及每个测试点的参数匹配规则;
匹配模块,用于针对每个测试点,按照对应的参数匹配规则匹配所述测试点的目标参数数据;
第二确定模块,用于根据所述目标参数数据,确定所述测试点的故障征兆量;
第三确定模块,用于基于每个所述测试点对应的故障征兆量,确定每个所述测试点的运行状态;
第四确定模块,用于在通过每个测试点的所述运行状态,确定所述目标动设备存在故障的情况下,根据每个测试点的所述运行状态,确定所述目标动设备的故障点和故障类型。
13.一种电子设备,其特征在于,包括:处理器和存储器,所述处理器用于执行所述存储器中存储的动设备故障监测程序,以实现权利要求1~11中任一项所述的动设备故障监测方法。
14.一种存储介质,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1~11中任一项所述的动设备故障监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311587076.4A CN117705430A (zh) | 2023-11-24 | 2023-11-24 | 动设备故障监测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311587076.4A CN117705430A (zh) | 2023-11-24 | 2023-11-24 | 动设备故障监测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117705430A true CN117705430A (zh) | 2024-03-15 |
Family
ID=90143290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311587076.4A Pending CN117705430A (zh) | 2023-11-24 | 2023-11-24 | 动设备故障监测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117705430A (zh) |
-
2023
- 2023-11-24 CN CN202311587076.4A patent/CN117705430A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | Research on an enhanced scale morphological-hat product filtering in incipient fault detection of rolling element bearings | |
CA2969414C (en) | Apparatus and method for monitoring a device having a movable part | |
CN103471841B (zh) | 一种旋转机械振动故障诊断方法 | |
CN110766277B (zh) | 用于核工业现场的健康评估及诊断系统和移动终端 | |
US10496466B2 (en) | Preprocessor of abnormality sign diagnosing device and processing method of the same | |
CN109469896B (zh) | 一种基于时间序列分析工业锅炉故障的诊断方法及系统 | |
CN102155988B (zh) | 设备监诊方法 | |
MX2014014577A (es) | Metodos y aparatos para el diagnostico de defectos en un sistema mecanico. | |
CN111122191B (zh) | 一种基于ewma控制的设备安康报警阈值设定方法 | |
CN105865794A (zh) | 基于短时傅立叶变换和主分量分析的发动机失火故障诊断方法 | |
KR20190081933A (ko) | 제조 설비의 이상 감지 및 진단 방법 | |
CN113408068A (zh) | 一种随机森林分类的机泵故障诊断方法及装置 | |
CN110969185A (zh) | 基于数据重构的设备异常状态检测方法 | |
WO2011075233A1 (en) | Method and system for diagnosing compressors | |
CN116880454A (zh) | 车辆故障智能诊断系统与方法 | |
CN112124229A (zh) | 一种应急抢险泵车远程实时故障诊断方法 | |
CN113361324B (zh) | 一种基于lstm的电机电流异常检测方法 | |
CN117786461A (zh) | 水泵的故障诊断方法、控制设备及其存储介质 | |
KR100749667B1 (ko) | 크랭크축 속도 변화를 이용한 엔진 상태진단 시스템 및 그방법 | |
CN112308391A (zh) | 一种基于神经网络的设备状态实时监测与异常探测方法 | |
CN116537965B (zh) | 一种柴油机在线监测和故障诊断装置 | |
CN117705430A (zh) | 动设备故障监测方法、装置、电子设备及存储介质 | |
CN112380782A (zh) | 一种基于混合指标和神经网络的旋转设备故障预测方法 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN115962100A (zh) | 一种风电机组状态监测系统 |
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 |