CN117950369A - 用于工厂设备状况监测的系统和方法 - Google Patents
用于工厂设备状况监测的系统和方法 Download PDFInfo
- Publication number
- CN117950369A CN117950369A CN202311350521.5A CN202311350521A CN117950369A CN 117950369 A CN117950369 A CN 117950369A CN 202311350521 A CN202311350521 A CN 202311350521A CN 117950369 A CN117950369 A CN 117950369A
- Authority
- CN
- China
- Prior art keywords
- data
- plant
- harmonic
- primary cause
- frequency domain
- 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 42
- 238000012544 monitoring process Methods 0.000 title abstract description 27
- 230000004044 response Effects 0.000 claims description 23
- 230000001133 acceleration Effects 0.000 claims description 19
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000013179 statistical model Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 45
- 238000012423 maintenance Methods 0.000 description 21
- 238000004458 analytical method Methods 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 5
- 230000006855 networking Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4063—Monitoring general control system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/402—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control arrangements for positioning, e.g. centring a tool relative to a hole in the workpiece, additional detection means to correct position
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Human Computer Interaction (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开提供了“用于工厂设备状况监测的系统和方法”。一种方法包括:从安装在一个或多个工厂设备上的多个传感器获得未处理的数据;对所述未处理的数据进行归一化以生成归一化数据;将所述未处理的数据从时域转换到频域以生成频域信号;基于所述归一化数据和变化指数例程来检测与所述一个或多个工厂设备相关联的性能异常;以及基于所述频域信号以及一个或多个规则来确定所述性能异常的一个或多个原因中的主要原因。
Description
相关申请的交叉引用
本申请要求于2022年2月22日提交的印度专利申请号202241009445的优先权和权益。上述申请的公开内容通过引用并入本文。
技术领域
本公开涉及用于监测工厂设备的系统和方法。
背景技术
本部分中的陈述仅提供与本公开相关的背景信息,并且可能不构成现有技术。
通常,生产工厂(诸如用于生产机动车辆的生产工厂)包括工厂设备。工厂设备可以包括机器或工厂资产中的至少一者,诸如驱动马达、泵、齿轮箱、风扇、输送机、机器人臂等。工厂设备的故障导致机动车辆的生产的计划外停止。由于计划外停止,在预定义时间量内生产的机动车辆的数量被抑制。换句话说,生产机动车辆的平均时间增加。结果,汽车生产的计划外停止导致生产工厂的收入显著减少。因此,在生产工厂处采用维护策略来监测工厂设备的状况。采用维护策略来抑制工厂设备的故障并消除汽车生产的计划外停止。
发明内容
本部分提供了对本公开的总体概述并且不是对其全部范围或其所有特征的全面公开。
本公开提供了一种方法,所述方法包括:从安装在一个或多个工厂设备上的多个传感器获得未处理的数据;对所述未处理的数据进行归一化以生成归一化数据;将所述未处理的数据从时域转换到频域以生成频域信号;基于所述归一化数据和变化指数例程来检测与所述一个或多个工厂设备相关联的性能异常;以及基于所述频域信号以及一个或多个规则来确定所述性能异常的一个或多个原因中的主要原因。
在一种形式中,所述方法还包括识别所述频域信号的一个或多个谐波峰值,其中所述一个或多个规则进一步基于所述一个或多个谐波峰值。
在一种形式中,响应于所述一个或多个谐波峰值对应于基频,所述主要原因与所述一个或多个工厂设备的零件的松动相关联。在一种形式中,响应于所述一个或多个谐波峰值对应于基频和二次谐波,所述主要原因与所述一个或多个工厂设备的错位相关联。在一种形式中,响应于所述一个或多个谐波峰值仅对应于基频,所述主要原因与所述一个或多个工厂设备的零件的结构松动相关联。在一种形式中,响应于(i)所述一个或多个谐波峰值对应于三次谐波和四次谐波以及(ii)所述四次谐波的振幅大于所述三次谐波的振幅,所述主要原因与所述一个或多个工厂设备的错位相关联。在一种形式中,响应于所述一个或多个谐波峰值对应于齿轮齿的数量,所述主要原因与所述一个或多个工厂设备的齿轮错位和齿轮啮合中的一者相关联。在一种形式中,响应于所述一个或多个谐波峰值对应于转子条的数量,所述主要原因与所述一个或多个工厂设备的马达问题相关联。在一种形式中,响应于所述一个或多个谐波峰值对应于与预定频率相关联的谐波,所述主要原因与所述一个或多个工厂设备的轴承问题相关联。
在一种形式中,所述归一化数据包括均方根(RMS)速度值、RMS加速度值、峰值速度值、峰值加速度值或其组合。在一种形式中,所述方法还包括对所述未处理的数据执行噪声消除例程以生成所述归一化数据。在一种形式中,所述未处理的数据包括速度数据、加速度数据或其组合。在一种形式中,所述变化指数例程基于统计模型和机器学习模型中的一者。
本公开提供了一种系统,所述系统包括一个或多个处理器以及一个或多个非暂时性计算机可读介质,所述一个或多个非暂时性计算机可读介质存储指令,所述指令可由所述一个或多个处理器执行。所述指令包括:从安装在一个或多个工厂设备上的多个传感器获得未处理的数据;对所述未处理的数据进行归一化以生成归一化数据;将所述未处理的数据从时域转换到频域以生成频域信号;识别所述频域信号的一个或多个谐波峰值;基于所述归一化数据和变化指数例程来检测与所述一个或多个工厂设备相关联的性能异常;以及基于所述一个或多个谐波峰值以及一个或多个规则来确定所述性能异常的一个或多个原因中的主要原因。
根据本文中提供的描述,另外的适用领域将变得显而易见。应当理解,描述和具体示例仅意图用于说明目的,而不意在限制本公开的范围。
附图说明
为了可很好地理解本公开,现在将参考附图通过举例的方式描述本公开的各种形式,在附图中:
图1A是示出根据本公开的教导的生产工厂的功能框图。
图1B是示出根据本公开的教导的用于监测部署在生产工厂处的多个工厂设备的方法的流程图。
图2示出了根据本公开的教导的用于检测每个工厂设备的性能异常并确定检测到的异常的主要原因的数据流系统。
图3示出了根据本公开的教导的用于预测检测到的异常的主要原因的一组规则。
本文描述的附图仅用于说明目的,而不意在以任何方式限制本公开的范围。
具体实施方式
以下描述本质上仅仅是示例性的并且不意图限制本公开、应用或用途。应当理解,贯穿附图,对应的附图标记指示相似或对应的零件和特征。
通常,在生产工厂(诸如用于生产机动车辆的生产工厂)处采用维护策略来监测设置在生产工厂处的工厂设备的状况。工厂设备可以包括机器或工厂资产中的至少一者,诸如驱动马达、泵、齿轮箱等。用于预防性维护(PM)的现有维护策略可以基于依据路线的振动监测例程。根据基于路线的振动监测例程,将振动传感器临时安装在工厂设备上以在根据预定义路线将振动传感器重新定位到下一件工厂设备之前的时间段内收集与给定的一件工厂设备相关联的振动数据。预定义路线是指为每件工厂设备收集振动数据的顺序。可以在预定义间隔之后周期性地收集振动数据,所述预定义间隔可以是例如一个月或一个季度。在收集振动数据之后,振动操作员分析每件工厂设备的振动数据以确定与工厂设备相关联的故障。基于分析,执行PM以修复工厂设备以抑制工厂设备将来发生故障。
在基于路线的振动监测例程期间,生产工厂处的工厂设备的正常操作受到影响。因此,基于路线的振动监测是高度生产侵入性的。此外,在收集每个工厂设备的振动数据之后重新定位振动传感器是劳动密集型过程。因此,基于路线的振动监测例程消耗大量的时间和资源。另外,由于基于路线的振动监测例程是周期性地实施的,因此与工厂设备相关联的若干问题可能在比用于收集振动数据的预定义时间间隔更短的时间内形成。在这种情况下,没有及时收集工厂设备的振动数据。此类问题可能导致在收集振动数据之前工厂设备发生故障。此外,由于维护和维修工作量,可能不会优先考虑基于路线的振动监测维护策略。
为了克服与现有的基于路线的振动监测维护策略相关联的缺点,用于预测性维护(PdM)的现有维护策略采用安装传感器、无线数据传输协议和基于云的分析来使工厂设备的维护自动化。生产工厂处的工厂设备可以包括来自不同原始设备制造商(OEM)的机器。替代地,生产工厂处的工厂设备可以包括结合在生产工厂处的机器中的来自不同OEM的一个或多个资产。不同类型的传感器或来自不同OEM的传感器安装在来自不同OEM的工厂设备上以监测工厂设备的状况。由安装在工厂设备上的传感器感测到的数据通过无线数据传输协议传送到针对工厂设备的应用而配备的分析平台。所述分析平台基于数据流系统对感测到的数据执行基于云的分析。基于云的分析的结果呈现在生产工厂处的硬件设置的用户界面上。所呈现的结果可以包括基于传感器类型的各种参数。所呈现的结果由了解传感器的参数和数据流系统的操作员来解译。
根据现有维护策略,对于在生产工厂处利用的每种类型的传感器,存在不同的数据流系统、不同的分析平台、不同的硬件和软件设置、不同的用户界面以及不同的参数。在多个不同的硬件设置上工作对于在生产工厂处工作的操作员来说是具有挑战性且低效的,这是由于操作员可能希望了解每种类型的传感器的参数和数据流系统。
本主题描述了一种用于监测部署在生产工厂(诸如用于生产机动车辆的生产工厂)处的多个工厂设备的方法。根据本公开的方法,通过来自安装在所述多个工厂设备上的多个传感器的数据信号接收未处理的数据。进一步,对接收到的未处理的数据进行归一化。基于归一化数据和变化指数例程,检测每个工厂设备的性能异常。进一步,将未处理的数据转换成频域。基于频域数据的模式,确定检测到的异常的主要原因。
本主题提供了一种基于状况的维护例程,其中通过安装在多个工厂设备上的多个传感器连续地监测多个工厂设备的状况。通过对从不同类型的传感器或来自不同OEM的传感器接收的未处理的数据进行归一化,本文描述的例程提供了用于收集、处理和分析从来自不同OEM的传感器或不同类型的传感器接收的数据的统一、一致且通用的平台。因此,本公开的方法与传感器无关,这指示例程适用于能够传输未处理的数据的所有传感器,而不管传感器的OEM、类型、配置等如何。结果,公共输出可以被报告给部署在生产工厂处的硬件设置的接口。公共输出使得能够改进对工厂设备的监测,并且为生产工厂的工人提供及时和无缝的反馈。进一步,本主题的方法抑制计划外停止生产,改进平均无故障时间(MTBF),抑制平均恢复、维修、响应或解决时间(MTTR),并且提供总体有效的预测性维护策略。根据本公开,确定检测到的异常的主要原因,并且还可以跨相同型号的不同工厂设备和不同生产工厂执行数据分析。
以下的描述描述了一种用于监测部署在生产工厂(诸如用于生产机动车辆的生产工厂)处的多个工厂设备的方法。下文参考图1至图3进一步详细描述采用本公开的方法的方式。
应注意,描述和附图仅示出本公开的原理。因此,应当理解,本领域技术人员将能够设计出各种布置,尽管本文未明确描述,但是所述布置体现本公开的原理并且包括在其范围内。此外,本文叙述的所有示例旨在帮助读者理解本公开的原理。另外,本文中叙述本主题的原理、方面和实施方式及其具体示例的所有陈述都意图涵盖其等效物。
本主题描述了根据本公开的实施方式的用于监测部署在生产工厂处的多个工厂设备的方法。用于监测部署在生产工厂处的多个工厂设备、检测每个工厂设备的性能异常以及确定检测到的异常的主要原因的各种操作可以由具有处理器的装置来执行。所述装置还可以包括耦合到处理器的存储器和通信接口。应当理解,附加部件在某些形式中也可以是装置的零件,并且在某些形式中,可以使用更少的部件。
图1A示出了部署在生产工厂10(诸如用于生产机动车辆的生产工厂)处的多个工厂设备20。在示例性形式中,多个工厂设备20可以包括来自不同OEM的机器。在另一种示例性形式中,多个工厂设备20可以包括结合在生产工厂10处的机器中的来自不同OEM的资产。工厂设备20可以是部署在生产工厂处的驱动马达、泵、齿轮箱、风扇、输送机、机器人臂等。
生产工厂10可以包括安装在多个工厂设备20上的多个传感器30。多个传感器30可以包括振动传感器、压力传感器、噪声传感器、气体传感器等。此外,多个传感器30可以由来自不同OEM的传感器提供。在示例性形式中,传感器30可以安装在工厂设备20上以监测工厂设备20在轴向和径向方向上的振动。在一种形式中,任何数量的传感器30可以安装在给定的工厂设备20上。应当理解,当执行本文描述的功能性时,传感器30可以不安装在给定的工厂设备20上。
生产工厂10可以包括控制器40。控制器40被配置为控制工厂设备20的操作并监测工厂设备。作为一个示例,控制器40由可编程逻辑控制器(PLC)提供,但是应当理解,控制器40可以由其他类型的控制器提供,并且不限于本文描述的示例。为了执行本文描述的功能性,控制器40可以包括一个或多个处理器,所述一个或多个处理器被配置为执行存储在非暂时性计算机可读介质中的指令。下文提供了关于控制器40的附加细节。
图1B示出了用于监测部署在生产工厂10处的多个工厂设备20的例程100。在框102处,控制器40通过来自安装在多个工厂设备20上的多个传感器30的数据信号接收未处理的数据。数据信号可以由多个传感器30通过使用无线传输协议来传输。此外,多个传感器中的每一者可以利用联网协议来传输数据信号。联网协议可以包括用于以太网网络、无线保真(Wi-Fi)网络、蜂窝网络、网络等的联网协议。在一种形式中,未处理的数据还可以包括来自存储在部署在生产工厂10处的PLC(作为控制器40)中的数据库的数据。
在框104处,控制器40对接收到的未处理的数据进行归一化。未处理的数据的归一化将基于工程设计或电压单元的数字化数据变换为不可知的域以适应任何类型的传感器和控制器40的数据信号。
在框106处,控制器40基于归一化数据和变化指数例程来检测每个工厂设备20的性能异常。变化指数例程采用统计和机器学习技术来基于归一化数据来检测每个工厂设备20的性能异常。归一化数据可以包括工厂设备20的速度的均方根(RMS)值、加速度的RMS值、速度的峰值和/或加速度的峰值(如传感器30所指示)。
在框108处,控制器40将未处理的数据转换成频域。在一个示例性形式中,频域数据可以包括加速度频域数据和速度频域数据。
在框110处,控制器40基于频域数据的模式来确定检测到的异常的主要原因。
图2示出了用于检测每个工厂设备20的性能异常并确定检测到的异常的主要原因的例程200。在一个示例性形式中,加速度时域突发数据202可以是从安装在工厂设备20上的传感器30接收的未处理的数据。
在框204处,控制器40对加速度时域突发数据202执行数据采样例程,以每30分钟保留一个数据点以提高存储效率。应当理解,可以采用用于保留一个数据点的其他时间段,并且所述其他时间段不限于本文描述的示例。当控制器40在框204处执行数据采样例程时,控制器40获得采样的加速度时域数据206。
在框208处,控制器40对采样的加速度时域数据206执行加窗和快速傅里叶变换(FFT)例程。当控制器40在框208处执行加窗和FFT例程时,控制器40获得加速度频域数据210。
在框212处,控制器40对加速度频域数据210进行积分。当控制器40在框212处执行积分时,控制器40获得速度频域数据214。
在框216处,控制器40对速度频域数据214执行加窗和快速傅里叶逆变换(IFFT)。当控制器40在框216处执行加窗和IFFT时,控制器40获得速度时域数据218。
在框220处,控制器40对采样的加速度时域数据206和速度时域数据218执行参数化。当控制器40在框220处执行参数化时,控制器40获得加速度和速度的RMS值222以及加速度和速度的峰值224。
在框226处,如果控制器40基于由控制器40对RMS值222和峰值224执行的趋势监测例程检测到工厂设备20的性能异常,则控制器40将工厂设备20分类为不健康。此外,如果控制器40基于由控制器40对RMS值222和峰值224执行的趋势监测例程未检测到工厂设备20的性能异常,则控制器40将工厂设备20分类为健康。趋势监测例程可以是变化指数例程,其采用统计和机器学习技术来检测来自RMS值222和峰值224的异常。控制器40可以基于统计和机器学习技术自动生成用于将工厂设备分类为健康或不健康的阈值。
此外,在框226处,控制器40根据工厂设备20的分类而生成警报。在一个示例性形式中,警报可以包括警告。控制器40可以基于统计和机器学习技术自动确定用于生成警告的阈值。在一个示例性形式中,可以在部署在生产工厂10处的硬件设置的用户界面上呈现警报。在一个示例性形式中,可以通过电子邮件、文本消息等将警报发送到用户的移动装置。
为了确定检测到的异常的主要原因,控制器40可以从控制器40的非暂时性计算机可读介质(例如,控制器40的存储器)中检索历史RMS和峰值228。
在框230处,控制器40对历史RMS和峰值228执行噪声消除例程,以去除当工厂设备20处于关闭状态时由传感器30收集的数据点。当控制器40在框230处执行噪声收集时,控制器40获得历史斜率或趋势计算232。
在框234处,控制器40对加速度频域数据210、速度频域数据214和历史斜率或趋势计算232执行噪声消除例程,以去除每个数据突发中的不想要的低振幅。
在框236处,控制器40在执行噪声消除例程之后识别每个频率处的峰值的存在或不存在。然后,控制器40应用一组规则238来预测检测到的异常的主要原因。下面参考图3提供关于该组规则238的附加细节。在框240处,控制器40识别不健康工厂设备的主要原因。
图3示出了由控制器40采用来预测不健康工厂设备20的检测到的异常的主要原因的一组规则238。图3中的“X”表示其上安装有传感器30的工厂设备20的每分钟转数(RPM)。如图3的框302和304所示,如果在1x的谐波(即,基频)处存在峰值,则控制器40将主要原因预测为工厂设备20的零件的松动。如果仅在1x和2x的谐波(即,基频和二次谐波)处存在峰值,则控制器40将主要原因预测为工厂设备20的错位。如果在1x的谐波处存在峰值但是在2x和3x的谐波(即,二次谐波和三次谐波)处不存在峰值,则控制器40将主要原因预测为工厂设备20的结构松动。如果在3x和4x的谐波(即,三次谐波和四次谐波)处存在峰值并且在4x处的峰值的振幅大于在3x处的峰值的振幅,则控制器40将主要原因预测为工厂设备20的错位。
此外,如图3的框312和314所示,如果在RPM乘以齿轮齿的数量处存在峰值,则控制器40将主要原因预测为齿轮错位。如果在RPM的两倍乘以齿轮齿的数量处存在峰值,则控制器40将主要原因预测为齿轮啮合。
此外,如图3的框322和324所示,如果在RPM乘以转子条的数量处且在边带存在的情况下存在峰值,则控制器40将主要原因预测为马达问题。
此外,如图3的框332和334所示,如果基于轴承信息在特定频率处或在高频率处存在峰值,则控制器40将主要原因预测为轴承问题。
由控制器40执行的例程识别与工厂设备20相关联的多个故障。在其中多个传感器30安装在工厂设备20上的情况下,控制器40可以基于主要原因的本质在安装在同一工厂设备20上的不同传感器30上检测到相同的主要原因。在这种情况下,本公开的方法基于数据信号来区分和识别独特的主要原因。
本主题描述了一种基于状况的维护例程,其中通过安装在多个工厂设备20上的多个传感器30连续地监测多个工厂设备20的状况。所述方法为数据处理例程和分析解决方案集提供了全面的控制和例程。此外,本主题的方法提供了一种软件例程,其中机器学习可以用于规定性维护建议。此外,本公开的方法提供了其中可以向生产工厂10的系统(诸如仪表板、维护工单、用户警报等)提供集成输出功能性的例程。
通过对从不同类型的传感器30或来自不同OEM的传感器30接收的未处理的数据进行归一化,本公开的例程提供了用于收集、处理和分析从来自不同OEM的传感器30或不同类型的传感器30接收的数据的统一、一致且通用的平台。因此,本公开的例程与传感器无关,这指示本公开适用于能够传输未处理的数据的所有传感器30,而不管传感器的OEM、类型、配置等如何。结果,控制器40可以向部署在生产工厂10处的硬件设置的接口报告公共输出。公共输出提供对工厂设备的改进监测,并且为生产工厂10的操作员提供及时和无缝的反馈。此外,本公开的例程抑制计划外停止生产,改进平均无故障时间(MTBF),抑制平均恢复、维修、响应或解决时间(MTTR),并且提供总体有效的预测性维护策略。根据本公开,控制器40可以确定检测到的异常的主要原因,并且跨相同型号的不同工厂设备和不同生产工厂10执行数据分析。
本公开的例程提供了用于接收、处理、分析和保存来自各个监测系统和控制网关的数据的公共平台。本公开的例程可为工厂设备提供顶部故障。此外,控制器40可以显示选定的工厂设备20的最新趋势图、选定的工厂设备20的时域或频域曲线以及所生成的未结或已结维护票据。
本公开提供了一种通用数据模型(CDM)以实现从各种可商购的传感器30、监测系统、网关和OEM集成解决方案到生产工厂10的信息技术系统的均匀且一致的数据流。各个监测系统可以具有机器级别的数据格式,而且也可以将相关数据输出到CDM中的联网系统。本公开的CDM定义了用于监测部署在生产工厂10处的多个工厂设备20、检测每个工厂设备20的性能异常以及确定检测到的异常的主要原因的这种数据协议的方案。所获得的结果以CDM格式输出。控制器40可以自动生成维护工作订单。此外,控制器40可以向生产工厂10处的操作员提供机器数据反馈,以提供明智的决策制定。此外,控制器40可以为规范性维护反馈提供特定根本原因识别,所述特定根本原因识别具有对应的概率百分比和对各种潜在主要原因的排名。
尽管出于说明性目的,本具体实施方式已经公开了某些特定形式,但是各种修改对于本领域技术人员来说将是显而易见的,并且应当清楚地理解,前述描述性事项应当被解释为仅说明本公开而不是对其进行限制。本文描述的方法可以由具有处理器、存储器和通信接口的装置来执行。
除非本文另有明确指示,否则指示机械/热性质、组成百分比、尺寸和/或公差或其他特性的所有数值在描述本公开的范围时应当理解为由词语“约”或“大约”修饰。出于各种原因期望进行这种修饰,所述原因包括:工业实践;材料、制造和组装公差;以及测试能力。
如本文所使用,短语A、B和C中的至少一者应被解释为使用非排他性逻辑“或”表示逻辑(A或B或C),并且不应被解释为表示“A中的至少一者、B中的至少一者以及C中的至少一者”。
在本申请中,术语“控制器”和/或“模块”可指代以下项、是以下项的一部分或包括以下项:专用集成电路(ASIC);数字、模拟或混合模拟/数字离散电路;数字、模拟或混合模拟/数字集成电路;可组合的逻辑电路;现场可编程门阵列(FPGA);执行代码的处理器电路(共享、专用或群组);存储由处理器电路执行的代码的存储器电路(共享、专用或群组);提供所描述的功能性的其他合适的硬件部件;或者上述的一些或全部的组合,诸如在片上系统中。
术语存储器是术语计算机可读介质的子集。如本文所使用的术语计算机可读介质不涵盖通过介质(诸如在载波上)传播的暂时性电信号或电磁信号;因此,术语计算机可读介质可被认为是有形的和非暂时性的。非暂时性有形计算机可读介质的非限制性示例为非易失性存储器电路(诸如快闪存储器电路、可擦除可编程只读存储器电路或掩模只读电路)、易失性存储器电路(诸如静态随机存取存储器电路或动态随机存取存储器电路)、磁性存储介质(诸如模拟磁带或数字磁带或硬盘驱动器)以及光学存储介质(诸如CD、DVD或蓝光光盘)。
本申请中所描述的设备和方法可以由专用计算机部分地或完全地实施,所述专用计算机通过将通用计算机配置为执行计算机程序中体现的一种或多种特定功能来创建。功能框、流程图组成部分和上文描述的其他要素用作软件规范,所述软件规范可通过技术人员或程序员的例行工作来转译成计算机程序。
本公开的描述本质上仅仅是示例性的,并且因此,不脱离本公开的实质的变型意图在本公开的范围内。不应将此类变型视为脱离本公开的精神和范围。
根据一个实施例,所述指令还包括:响应于所述一个或多个谐波峰值对应于基频和二次谐波,所述主要原因与所述一个或多个工厂设备的错位相关联。
根据一个实施例,所述指令还包括:响应于所述一个或多个谐波峰值仅对应于基频,所述主要原因与所述一个或多个工厂设备的零件的结构松动相关联。
根据一个实施例,所述指令还包括:响应于(i)所述一个或多个谐波峰值对应于三次谐波和四次谐波以及(ii)所述四次谐波的振幅大于所述三次谐波的振幅,所述主要原因与所述一个或多个工厂设备的错位相关联。
根据一个实施例,所述指令还包括:响应于所述一个或多个谐波峰值对应于齿轮齿的数量,所述主要原因与所述一个或多个工厂设备的齿轮错位和齿轮啮合中的一者相关联;以及响应于所述一个或多个谐波峰值对应于转子条的数量,所述主要原因与所述一个或多个工厂设备的马达问题相关联。
根据一个实施例,所述指令还包括:
响应于所述一个或多个谐波峰值对应于与预定频率相关联的谐波,所述主要原因与所述一个或多个工厂设备的轴承问题相关联。
Claims (15)
1.一种方法,其包括:
从安装在一个或多个工厂设备上的多个传感器获得未处理的数据;
对所述未处理的数据进行归一化以生成归一化数据;
将所述未处理的数据从时域转换到频域以生成频域信号;
基于所述归一化数据和变化指数例程来检测与所述一个或多个工厂设备相关联的性能异常;以及
基于所述频域信号以及一个或多个规则来确定所述性能异常的一个或多个原因中的主要原因。
2.根据权利要求1所述的方法,其还包括识别所述频域信号的一个或多个谐波峰值,其中所述一个或多个规则进一步基于所述一个或多个谐波峰值。
3.根据权利要求2所述的方法,其中响应于所述一个或多个谐波峰值对应于基频,所述主要原因与所述一个或多个工厂设备的零件的松动相关联。
4.根据权利要求2所述的方法,其中响应于所述一个或多个谐波峰值对应于基频和二次谐波,所述主要原因与所述一个或多个工厂设备的错位相关联。
5.根据权利要求2所述的方法,其中响应于所述一个或多个谐波峰值仅对应于基频,所述主要原因与所述一个或多个工厂设备的零件的结构松动相关联。
6.根据权利要求2所述的方法,其中响应于(i)所述一个或多个谐波峰值对应于三次谐波和四次谐波以及(ii)所述四次谐波的振幅大于所述三次谐波的振幅,所述主要原因与所述一个或多个工厂设备的错位相关联。
7.根据权利要求2所述的方法,其中响应于所述一个或多个谐波峰值对应于齿轮齿的数量,所述主要原因与所述一个或多个工厂设备的齿轮错位和齿轮啮合中的一者相关联。
8.根据权利要求2所述的方法,其中响应于所述一个或多个谐波峰值对应于转子条的数量,所述主要原因与所述一个或多个工厂设备的马达问题相关联。
9.根据权利要求2所述的方法,其中响应于所述一个或多个谐波峰值对应于与预定频率相关联的谐波,所述主要原因与所述一个或多个工厂设备的轴承问题相关联。
10.根据权利要求1至9中任一项所述的方法,其中所述归一化数据包括均方根(RMS)速度值、RMS加速度值、峰值速度值、峰值加速度值或其组合。
11.根据权利要求1至9中任一项所述的方法,其还包括对所述未处理的数据执行噪声消除例程以生成所述归一化数据。
12.根据权利要求1至9中任一项所述的方法,其中所述未处理的数据包括速度数据、加速度数据或其组合。
13.根据权利要求1至9中任一项所述的方法,其中所述变化指数例程基于统计模型和机器学习模型中的一者。
14.一种系统,其包括:
一个或多个处理器以及一个或多个非暂时性计算机可读介质,所述一个或多个非暂时性计算机可读介质存储指令,所述指令能够由所述一个或多个处理器执行,其中所述指令包括:
从安装在一个或多个工厂设备上的多个传感器获得未处理的数据;
对所述未处理的数据进行归一化以生成归一化数据;
将所述未处理的数据从时域转换到频域以生成频域信号;
识别所述频域信号的一个或多个谐波峰值;
基于所述归一化数据和变化指数例程来检测与所述一个或多个工厂设备相关联的性能异常;以及
基于所述一个或多个谐波峰值以及一个或多个规则来确定所述性能异常的一个或多个原因中的主要原因。
15.根据权利要求14所述的系统,其中所述指令还包括:
响应于所述一个或多个谐波峰值对应于基频,所述主要原因与所述一个或多个工厂设备的零件的松动相关联。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IN202241009445 | 2022-02-22 | ||
US17/975,058 US20230266738A1 (en) | 2022-02-22 | 2022-10-27 | Systems and methods for plant equipment condition monitoring |
US17/975,058 | 2022-10-27 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117950369A true CN117950369A (zh) | 2024-04-30 |
Family
ID=87573933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311350521.5A Pending CN117950369A (zh) | 2022-02-22 | 2023-10-18 | 用于工厂设备状况监测的系统和方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230266738A1 (zh) |
CN (1) | CN117950369A (zh) |
DE (1) | DE102023128823A1 (zh) |
-
2022
- 2022-10-27 US US17/975,058 patent/US20230266738A1/en active Pending
-
2023
- 2023-10-18 CN CN202311350521.5A patent/CN117950369A/zh active Pending
- 2023-10-19 DE DE102023128823.7A patent/DE102023128823A1/de active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230266738A1 (en) | 2023-08-24 |
DE102023128823A1 (de) | 2024-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6285119B2 (ja) | ポンプキャビテーションを監視するシステムおよび方法 | |
EP4043699A1 (en) | System and method for automated failure mode detection of rotating machinery | |
CN114061743A (zh) | 风力发电机组的振动监测方法、装置、设备及介质 | |
CN114993640A (zh) | 一种设备状态监测方法、装置、设备及计算机存储介质 | |
Peco Chacón et al. | False alarms management by data science | |
CN116880309A (zh) | 一种工厂环境监测管理系统及方法 | |
EP4025969A1 (en) | Vibration-based manufacturing plant control | |
AU2019244842B2 (en) | System and method for monitoring health and predicting failure of an electro-mechanical machine | |
KR102545672B1 (ko) | 기계고장 진단 방법 및 장치 | |
WO2020253950A1 (en) | Monitoring method, predicting method, monitoring system and computer program | |
US20210182749A1 (en) | Method of predicting component failure in drive train assembly of wind turbines | |
CN101646982A (zh) | 用于监视系统健康的方法和装置 | |
CN117950369A (zh) | 用于工厂设备状况监测的系统和方法 | |
Rodríguez-López et al. | Development of indicators for the detection of equipment malfunctions and degradation estimation based on digital signals (alarms and events) from operation SCADA | |
CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
EP4024014A1 (en) | Monitoring machine operation for various speed and loading conditions | |
US11168669B2 (en) | Method, apparatus and system for wind converter management | |
EP3819608A1 (en) | Detecting rotor anomalies by determining vibration trends during transient speed operation | |
CN117178122A (zh) | 用于监控风扇运行的方法、设备和风扇 | |
Derbel et al. | Integrated sensor based smart diagnostic and online monitoring of Industrial Systems | |
CN114689321A (zh) | 风力发电机组的轴承故障诊断方法、装置、电子设备 | |
CN113898528B (zh) | 风机变桨轴承的异常检测方法、模型训练方法及相关装置 | |
Pham et al. | Using Artificial Intelligence (AI) for Monitoring and Diagnosing Electric Motor Faults Based on Vibration Signals | |
Hao et al. | Exploration and Practice of Predictive Maintenance Technology in Automobile Factories | |
CN110836786B (zh) | 机械故障监测方法、装置、系统、介质和计算设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |