CN117972989A - 一种煤机设备的寿命预测方法及系统 - Google Patents
一种煤机设备的寿命预测方法及系统 Download PDFInfo
- Publication number
- CN117972989A CN117972989A CN202311837604.7A CN202311837604A CN117972989A CN 117972989 A CN117972989 A CN 117972989A CN 202311837604 A CN202311837604 A CN 202311837604A CN 117972989 A CN117972989 A CN 117972989A
- Authority
- CN
- China
- Prior art keywords
- component
- subset
- equipment
- loss
- coal machine
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000006731 degradation reaction Methods 0.000 claims abstract description 90
- 230000015556 catabolic process Effects 0.000 claims abstract description 88
- 238000009825 accumulation Methods 0.000 claims abstract description 51
- 238000004458 analytical method Methods 0.000 claims abstract description 48
- 238000012163 sequencing technique Methods 0.000 claims abstract description 10
- 238000012423 maintenance Methods 0.000 claims description 78
- 230000006870 function Effects 0.000 claims description 55
- 238000007789 sealing Methods 0.000 claims description 31
- 238000005096 rolling process Methods 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 20
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000002035 prolonged effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model 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
- 238000010606 normalization Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003685 thermal hair damage Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请提供了一种煤机设备的寿命预测方法及系统,涉及损耗预测技术领域,所述方法包括:对M种煤机设备进行构建分类,得到多类设备构件集合,然后进行排序,得到损耗累计序列,获取运行数据,对M种设备进行损耗预测,设置M条设备退化特征预测链,然后获取损耗初始预测结果,然后进行单分量分析,设置本征模函数,并对初始预测结果进行校准,得到损耗预测结果,最后对M种设备分别进行性能退化解析,获取寿命预测结果。本申请主要解决了无法自动识别设备的运行状态和潜在故障,预测的准确性和及时性较低,不能实现实时监测,无法监测设备运行时的状态。通过结合智能化技术,可以实现更准确、更及时的寿命预测,提高了煤炭行业的生产效率。
Description
技术领域
本申请涉及损耗预测技术领域,具体涉及一种煤机设备的寿命预测方法及系统。
背景技术
煤机设备是煤炭开采和加工过程中的关键设备,其运行状态和寿命直接影响到煤炭的生产效率和企业的经济效益。因此,对煤机设备的寿命进行预测具有重要的实际意义。目前,对煤机设备寿命的预测主要依靠经验判断和定期检修。这种方法不仅精度不高,而且不能及时发现设备的潜在故障,可能导致设备在运行中突然失效,造成严重的生产事故和经济损失。随着智能化技术的不断发展,基于数据分析和人工智能的寿命预测方法逐渐成为可能。这些方法通过对设备运行过程中的各种数据进行实时监测和分析,可以更准确、更及时地预测设备的寿命。
但在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
无法自动识别设备的运行状态和潜在故障,预测的准确性和及时性较低,不能实现实时监测,无法监测设备运行时的状态。
发明内容
本申请主要解决了无法自动识别设备的运行状态和潜在故障,预测的准确性和及时性较低,不能实现实时监测,无法监测设备运行时的状态。
鉴于上述问题,本申请提供了一种煤机设备的寿命预测方法及系统,第一方面,本申请提供了一种煤机设备的寿命预测方法,所述方法包括:对M种煤机设备进行构件分类,得到多类设备构件集合,所述多类设备构件集合包括轴承类构件子集、齿轮类构件子集、轴类构件子集、电气元件类构件子集、密封件类构件子集;基于所述多类设备构件集合,对构件损耗累计从大到小排序,得到构件损耗累计序列;获取煤机设备运行数据,所述煤机设备运行数据对应的指标包括设备运行时间、负载、温度、压力;通过所述煤机设备运行数据,对所述M种煤机设备进行损耗预测,设置M条设备退化特征预测链;若所述构件损耗累计序列的首位为所述轴承类构件子集,将所述轴承类构件子集细分为滚动轴承构件子集和滑动轴承构件子集,并按照构件与煤机设备之间的映射关系,代入所述M条设备退化特征预测链中,获取损耗初始预测结果;对所述齿轮类构件子集、所述轴类构件子集、所述电气元件类构件子集、所述密封件类构件子集进行单分量解析,设置本征模函数;通过所述本征模函数,对所述损耗初始预测结果校准,得到损耗预测结果,所述损耗预测结果包括煤机设备故障模式和煤机设备故障概率;通过所述损耗预测结果,对所述M种煤机设备分别进行性能退化解析,获取寿命预测结果。
第二方面,本申请提供了一种煤机设备的寿命预测系统,所述系统包括:构建分类模块,所述构建分类模块用于对M种煤机设备进行构件分类,得到多类设备构件集合,所述多类设备构件集合包括轴承类构件子集、齿轮类构件子集、轴类构件子集、电气元件类构件子集、密封件类构件子集;损耗排序模块,所述损耗排序模块是基于所述多类设备构件集合,对构件损耗累计从大到小排序,得到构件损耗累计序列;运行数据获取模块,所述运行数据获取模块用于获取煤机设备运行数据,所述煤机设备运行数据对应的指标包括设备运行时间、负载、温度、压力;预测链设置模块,所述预测链设置模块用于通过所述煤机设备运行数据,对所述M种煤机设备进行损耗预测,设置M条设备退化特征预测链;初始预测结果获取模块,所述初始预测结果获取模块为若所述构件损耗累计序列的首位为所述轴承类构件子集,将所述轴承类构件子集细分为滚动轴承构件子集和滑动轴承构件子集,并按照构件与煤机设备之间的映射关系,代入所述M条设备退化特征预测链中,获取损耗初始预测结果;本征模函数设置模块,所述本征模函数设置模块用于对所述齿轮类构件子集、所述轴类构件子集、所述电气元件类构件子集、所述密封件类构件子集进行单分量解析,设置本征模函数;结果校准模块,所述结果校准模块用于通过所述本征模函数,对所述损耗初始预测结果校准,得到损耗预测结果,所述损耗预测结果包括煤机设备故障模式和煤机设备故障概率;寿命预测结果获取模块,所述寿命预测结果获取模块用于通过所述损耗预测结果,对所述M种煤机设备分别进行性能退化解析,获取寿命预测结果。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请提供了一种煤机设备的寿命预测方法及系统,涉及损耗预测技术领域,所述方法包括:对M种煤机设备进行构建分类,得到多类设备构件集合,然后进行排序,得到损耗累计序列,获取运行数据,对M种设备进行损耗预测,设置M条设备退化特征预测链,然后获取损耗初始预测结果,然后进行单分量分析,设置本征模函数,并对初始预测结果进行校准,得到损耗预测结果,最后对M种设备分别进行性能退化解析,获取寿命预测结果。
本申请主要解决了无法自动识别设备的运行状态和潜在故障,预测的准确性和及时性较低,不能实现实时监测,无法监测设备运行时的状态。通过结合智能化技术,可以实现更准确、更及时的寿命预测,提高了煤炭行业的生产效率。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本申请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的介绍,显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供了一种煤机设备的寿命预测方法流程示意图;
图2为本申请实施例提供了一种煤机设备的寿命预测方法中对构件损耗累计序列进行优化的方法流程示意图;
图3为本申请实施例提供了一种煤机设备的寿命预测方法中比较各个构件的稳定运行系数的方法流程示意图;
图4为本申请实施例提供了一种煤机设备的寿命预测系统的结构示意图。
附图标记说明:构建分类模块10,损耗排序模块20,运行数据获取模块30,预测链设置模块40,初始预测结果获取模块50,本征模函数设置模块60,结果校准模块70,寿命预测结果获取模块80。
具体实施方式
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,所描述的实施例仅仅是本申请一部分实施例,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。
本申请主要解决了无法自动识别设备的运行状态和潜在故障,预测的准确性和及时性较低,不能实现实时监测,无法监测设备运行时的状态。通过结合智能化技术,可以实现更准确、更及时的寿命预测,提高了煤炭行业的生产效率。
为了更好地理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述方案进行详细介绍:
实施例一
如图1所示一种煤机设备的寿命预测方法,所述方法包括:
对M种煤机设备进行构件分类,得到多类设备构件集合,所述多类设备构件集合包括轴承类构件子集、齿轮类构件子集、轴类构件子集、电气元件类构件子集、密封件类构件子集;
具体而言,对M种煤机设备进行构件分类,得到的多类设备构件集合,包括轴承类构件子集:主要包括各种类型的轴承,如滚动轴承、滑动轴承等。这些构件在煤机设备中起到支撑和传动的作用。齿轮类构件子集:主要包括各种齿轮,如圆柱齿轮、锥齿轮等。齿轮在煤机设备中用于传递扭矩和旋转运动。轴类构件子集:主要包括各种轴,如传动轴、心轴等。轴在煤机设备中起到传递动力和旋转运动的作用。电气元件类构件子集:主要包括各种电气元件,如电机、变压器、传感器等。这些构件在煤机设备中用于实现电气控制和监测。密封件类构件子集:主要包括各种密封件,如机械密封、填料密封等。密封件在煤机设备中用于防止介质泄漏和外部杂质进入。
基于所述多类设备构件集合,对构件损耗累计从大到小排序,得到构件损耗累计序列;
具体而言,首先收集M种煤机设备的运行数据,包括各种设备构件的使用情况、运行时间、工作负载等。这些数据可以通过在线监测系统、设备维护记录等途径获得。计算构件损耗:根据收集的数据,计算每个构件的损耗程度。损耗程度可以基于多种因素进行评估,如构件的磨损程度、疲劳程度、使用时间等。确定构件损耗累计:将每个构件的损耗程度进行累加,得到构件的损耗累计值。这一步骤可以按照设备构件的分类进行,得到不同类别的构件损耗累计值。对构件损耗累计进行排序:根据构件的损耗累计值,对各个构件进行从大到小的排序,得到构件损耗累计序列。这一序列可以按照设备构件的分类进行排序,以便更好地了解各类构件的损耗情况。分析构件损耗累计序列:通过对构件损耗累计序列的分析,可以发现哪些构件的损耗较大,哪些构件的损耗较小。对于损耗较大的构件,可以进行重点监测和维护,以防止设备故障的发生。同时,也可以根据构件的损耗情况,预测设备的寿命和维修计划。通过以上步骤,可以得到基于多类设备构件集合的构件损耗累计序列,为设备的维护和寿命预测提供重要依据。
获取煤机设备运行数据,所述煤机设备运行数据对应的指标包括设备运行时间、负载、温度、压力;
具体而言,根据煤机设备的特性,确定需要监测的指标,如运行时间、负载、温度、压力等。安装传感器:在煤机设备上安装相应的传感器,用于监测所需的指标。传感器的类型和数量应根据具体需求进行选择和配置。数据采集:通过传感器实时采集煤机设备的运行数据,并将其传输到数据采集模块。数据处理:对采集到的原始数据进行处理,包括数据清洗、去噪、滤波等操作,以得到更加准确和可靠的数据。包括设备运行时间:煤机设备的总运行时间,以及各个部件的累计运行时间。负载:煤机设备在运行过程中所承受的负载,包括正常负载、最大负载和平均负载等。温度:煤机设备的温度变化,包括设备表面温度、轴承温度、油温等。压力:煤机设备在运行过程中所承受的压力,包括气体的压力、液压的压力等。通过实时监测和记录这些数据,可以对煤机设备的运行状态进行评估,预测设备的寿命和潜在故障,并及时采取维护措施,确保设备的稳定运行和延长使用寿命。
通过所述煤机设备运行数据,对所述M种煤机设备进行损耗预测,设置M条设备退化特征预测链;
具体而言,通过所述煤机设备运行数据,对所述M种煤机设备进行损耗预测,并设置M条设备退化特征预测链,对收集到的煤机设备运行数据进行预处理,包括数据清洗、去噪、归一化等,以确保数据的准确性和可用性。从预处理后的数据中提取与设备损耗相关的特征,如设备运行时间、负载、温度、压力等。这些特征将作为后续预测模型的输入。针对M种煤机设备,分别建立M个预测模型。每个预测模型可以根据设备的特性和历史数据进行定制,以提高预测的准确性。预测模型可以采用机器学习、深度学习等方法构建。训练预测模型:使用历史数据对预测模型进行训练,使模型能够学习到设备损耗与运行数据之间的关系。在训练过程中,可以采用交叉验证、网格搜索等技术来优化模型的参数和性能。设置设备退化特征预测链:针对每种设备,根据其特性和预测模型的需求,设置一条设备退化特征预测链。该链包括一系列的特征处理和预测步骤,用于实时监测设备的运行状态并预测其损耗情况。实时监测与预测:将实时采集到的煤机设备运行数据输入到对应的预测模型中,进行实时监测和损耗预测。通过比较预测结果与实际数据的差异,可以及时发现设备的潜在故障和异常情况。通过以上步骤,可以实现对M种煤机设备的损耗预测,并建立M条设备退化特征预测链,为设备的维护和寿命管理提供重要支持。
若所述构件损耗累计序列的首位为所述轴承类构件子集,将所述轴承类构件子集细分为滚动轴承构件子集和滑动轴承构件子集,并按照构件与煤机设备之间的映射关系,代入所述M条设备退化特征预测链中,获取损耗初始预测结果;
具体而言,从构件损耗累计序列中,将轴承类构件子集进一步细分为滚动轴承构件子集和滑动轴承构件子集。是为了更精确地识别不同类型轴承的损耗情况。根据煤机设备的具体结构和运行特性,确定滚动轴承构件子集和滑动轴承构件子集与煤机设备之间的映射关系。为了确保预测结果的准确性和针对性。代入预测链:将细化后的滚动轴承构件子集和滑动轴承构件子集分别代入M条设备退化特征预测链中。根据预测链的模型和算法,利用实时数据或历史数据对滚动轴承和滑动轴承的损耗进行预测。获取初始预测结果:可以得到滚动轴承和滑动轴承的初始损耗预测结果。这些结果可以为接下来的维护和更换计划提供重要的参考依据。通过以上步骤,能够更精确地预测轴承类构件的损耗情况,并为设备的维护和寿命管理提供有力的支持。这有助于提高设备的运行效率,降低维修成本,并确保生产过程的稳定进行。
对所述齿轮类构件子集、所述轴类构件子集、所述电气元件类构件子集、所述密封件类构件子集进行单分量解析,设置本征模函数;
具体而言,对齿轮类构件子集、轴类构件子集、电气元件类构件子集、密封件类构件子集进行单分量解析,并设置本征模函数,对于每个构件子集,进行单分量解析。将每个子集的数据分解为独立的分量,可以采用适当的信号处理技术,如傅里叶变换、小波变换等,对构件的运行数据进行分解。在本征模函数的基础上,对每个构件子集进行特征提取和模式识别。本征模函数是一组正交函数,用于描述系统的内在性质和行为。通过将单分量解析后的数据与本征模函数进行匹配或拟合,可以提取出反映构件特性的关键参数和指标。利用提取的关键参数和指标,对每个构件子集进行参数化分析。分析内容包括构件的疲劳寿命、可靠性、动态特性等。通过参数化分析,可以更深入地了解构件的性能和行为,为预测模型的建立提供依据。建立预测模型:基于参数化分析的结果,为每个构件子集建立相应的预测模型。预测模型可以采用传统的统计方法、机器学习或深度学习等技术进行构建。模型的输入可以是单分量解析后的数据、本征模函数提取的参数,以及其他相关的运行数据。模型训练与验证:使用历史数据对预测模型进行训练和验证。通过调整模型的参数和超参数,提高模型的预测精度和泛化能力。可以采用交叉验证、网格搜索等技术对模型进行优化。实时监测与预测:将实时采集的煤机设备运行数据输入到对应的预测模型中,进行实时监测和预测。根据预测结果,及时发现潜在的故障和异常情况,为设备的维护和寿命管理提供决策支持。通过以上步骤,可以对煤机设备的齿轮类构件子集、轴类构件子集、电气元件类构件子集、密封件类构件子集进行单分量解析,并设置本征模函数,从而更好地了解其特性和行为。
通过所述本征模函数,对所述损耗初始预测结果校准,得到损耗预测结果,所述损耗预测结果包括煤机设备故障模式和煤机设备故障概率;
具体而言,通过本征模函数对损耗初始预测结果进行校准,可以得到更加精确的损耗预测结果。这一结果不仅包括煤机设备的故障模式,还提供了煤机设备故障的概率。初始预测结果校准:利用本征模函数对初始的损耗预测结果进行校准。纠正预测中的偏差,提高预测结果的准确性。校准过程可以通过拟合本征模函数与实际运行数据来实现。确定故障模式:经过校准后,根据预测结果和实际运行数据,确定煤机设备的故障模式。故障模式是指设备出现问题的具体形式或类型,如轴承磨损、齿轮传动异常等。计算故障概率:基于校准后的损耗预测结果,结合实际运行数据和历史记录,计算煤机设备在给定时间段内发生故障的概率。这一概率可以帮助了解设备在未来可能出现问题的可能性。通过以上步骤,能够获得包括故障模式和故障概率在内的更加准确的损耗预测结果。这有助于提高设备的维护效率,降低维修成本,并确保生产过程的稳定进行。
通过所述损耗预测结果,对所述M种煤机设备分别进行性能退化解析,获取寿命预测结果。
具体而言,通过损耗预测结果,对M种煤机设备进行性能退化解析,并获取寿命预测结果,性能退化解析:基于得到的损耗预测结果,对每种煤机设备进行性能退化解析。了解设备性能随时间退化的规律和原因。通过分析设备的运行数据、历史维护记录以及损耗预测结果,可以识别出导致性能退化的关键因素。确定退化路径:在性能退化解析的基础上,确定每种煤机设备的退化路径。退化路径是指设备性能随时间逐渐降低的轨迹。通过分析设备的运行数据和历史记录,可以绘制出设备的退化路径图,进一步了解其退化过程和趋势。建立寿命预测模型:基于确定的退化路径和性能退化解析的结果,为每种煤机设备建立相应的寿命预测模型。寿命预测模型可以采用统计方法、机器学习或深度学习等技术进行构建。模型的输入可以是设备的运行数据、历史维护记录以及损耗预测结果,输出为设备的剩余寿命或寿命概率分布。模型训练与验证:使用历史数据对寿命预测模型进行训练和验证。通过调整模型的参数和超参数,提高模型的预测精度和泛化能力。可以采用交叉验证、网格搜索等技术对模型进行优化。实时监测与预测:将实时采集的煤机设备运行数据输入到对应的寿命预测模型中,进行实时监测和寿命预测。根据预测结果,及时发现设备的潜在故障和剩余寿命,为设备的维护和更换计划提供决策支持。结果评估与决策:根据寿命预测结果,评估每种煤机设备的状态和性能。基于评估结果,制定相应的维护计划、预防措施或设备更换决策。通过以上步骤,能够基于损耗预测结果对M种煤机设备进行性能退化解析,并获取准确的寿命预测结果。这有助于提高设备的维护效率,降低维修成本,并确保生产过程的稳定进行。
进一步而言,本申请方法还包括:
若所述构件损耗累计序列的首位为所述齿轮类构件子集,将所述齿轮类构件子集细分为圆柱齿轮构件子集、锥齿轮构件子集和行星齿构件子集,并按照构件与煤机设备之间的映射关系,代入所述M条设备退化特征预测链中,获取新的损耗初始预测结果;
对所述轴承类构件子集、所述轴类构件子集、所述电气元件类构件子集、所述密封件类构件子集进行单分量解析,设置新的本征模函数;
通过新的本征模函数,对新的损耗初始预测结果校准,得到新的损耗预测结果。
具体而言,若构件损耗累计序列的首位为齿轮类构件,首先需要将其进一步细分为圆柱齿轮构件子集、锥齿轮构件子集和行星齿构件子集。然后,根据这些子集与煤机设备之间的映射关系,代入M条设备退化特征预测链中,获取新的损耗初始预测结果。接下来,对轴承类构件子集、轴类构件子集、电气元件类构件子集、密封件类构件子集进行单分量解析,并设置新的本征模函数。最后,利用新的本征模函数对新的损耗初始预测结果进行校准,得到新的损耗预测结果。这一结果将更准确地反映设备的实际损耗情况。从构件损耗累计序列中提取出齿轮类构件子集,并将其进一步细分为圆柱齿轮构件子集、锥齿轮构件子集和行星齿构件子集。为了更精确地识别不同类型齿轮的损耗情况。根据煤机设备的具体结构和运行特性,明确圆柱齿轮构件子集、锥齿轮构件子集和行星齿构件子集与煤机设备之间的映射关系。为了确保预测结果的准确性和针对性。将细化后的齿轮类构件子集(即圆柱齿轮构件子集、锥齿轮构件子集和行星齿构件子集)分别代入M条设备退化特征预测链中。根据预测链的模型和算法,利用实时数据或历史数据对齿轮类构件的损耗进行预测,生成新的损耗初始预测结果。单分量解析与本征模函数设置:对轴承类构件子集、轴类构件子集、电气元件类构件子集、密封件类构件子集进行单分量解析,提取关键的运行数据和特征。然后,设置新的本征模函数,用于描述这些构件的内在性质和行为。校准预测结果:使用新的本征模函数对新的损耗初始预测结果进行校准。纠正预测中的偏差,提高预测结果的准确性。校准过程可以通过拟合本征模函数与实际运行数据来实现。生成新的损耗预测结果:经过校准后,根据预测结果和实际运行数据,生成新的损耗预测结果。这些结果将更加准确地反映设备的实际损耗情况,包括各构件的故障模式和故障概率。通过以上步骤,可以对煤机设备进行更准确的损耗预测和性能退化解析,从而更好地了解其特性和行为。这将有助于提高设备的维护效率,降低维修成本,并确保生产过程的稳定进行。
进一步而言,本申请方法,将所述齿轮类构件子集细分为圆柱齿轮构件子集、锥齿轮构件子集和行星齿构件子集,所述方法还包括:
若所述构件损耗累计序列的首位为所述轴类构件子集,将所述轴类构件子集细分为传动轴构件子集、支撑轴构件子集和连接轴构件子集;或
若所述构件损耗累计序列的首位为所述电气元件类构件子集,将所述电气元件类构件子集细分为电机构件子集、传感器构件子集、开关构件子集;或
若所述构件损耗累计序列的首位为所述密封件类构件子集,将所述密封件类构件子集细分为机械密封构件子集、气密封构件子集和油密封构件子集。
具体而言,根据构件损耗累计序列的首位,可以采取相应的细化措施。如果首位是轴类构件子集,可以将其细分为传动轴构件子集、支撑轴构件子集和连接轴构件子集。这样能够更好地针对不同类型的轴进行精确预测。同样,如果首位是电气元件类构件子集,可以将其细分为电机构件子集、传感器构件子集和开关构件子集。这样可以针对不同类型的电气元件进行预测,提高预测的准确性。另外,如果首位是密封件类构件子集,可以将其细分为机械密封构件子集、气密封构件子集和油密封构件子集。针对不同类型的密封件进行预测,有助于更准确地了解其损耗情况。细化后的子集可以进行损耗预测和性能退化解析。首先,将细化后的子集代入设备退化特征预测链中,获取新的损耗初始预测结果。然后,使用新的本征模函数对这些子集的预测结果进行校准,得到新的损耗预测结果。最后,将这些结果提供给维护人员和管理层,作为决策支持的依据。
进一步而言,如图2所示,本申请方法,基于所述多类设备构件集合,对构件损耗累计从大到小排序,得到构件损耗累计序列,所述方法还包括:
获取所述M种煤机设备的历史维护记录;
通过所述煤机设备运行数据与所述历史维护记录,评估每个构件对煤机设备的影响程度,获取每个构件的运行影响指数;
按照每个构件的运行影响指数从大到小的顺序,对所述构件损耗累计序列进行优化。
具体而言,要获取M种煤机设备的历史维护记录,从煤机设备的维护管理系统、日志文件或相关数据库中,收集关于设备维护的历史记录。这些记录应该包括每次维护的时间、内容、原因、操作人员等信息。对收集到的历史维护记录进行数据清洗,去除无关或错误的信息,确保数据的准确性和完整性。将清洗后的历史维护记录整合到一个统一的数据表中,方便后续的分析和处理。有了这些历史维护记录,接下来可以通过煤机设备运行数据与这些历史维护记录的关联分析,评估每个构件对煤机设备的影响程度,获取每个构件的运行影响指数。将煤机设备的运行数据与历史维护记录进行关联,建立它们之间的联系。这可以通过时间戳、设备标识等方式实现。根据历史维护记录中每个构件的维修频率、维修内容、维修难度等信息,结合设备的运行数据,评估每个构件对煤机设备的影响程度。基于影响程度评估结果,为每个构件计算运行影响指数。这个指数可以是一个数值,用于量化每个构件对煤机设备运行的影响程度。最后,按照每个构件的运行影响指数从大到小的顺序,对构件损耗累计序列进行优化。这样,可以优先关注那些对设备运行影响较大的构件,进行优先维护和检查,从而提高设备的整体运行效率和稳定性。通过以上步骤,可以更好地了解每个构件对煤机设备的影响程度,优化构件的维护和管理策略,从而延长设备的使用寿命,降低故障发生的概率。
进一步而言,如图3所示,本申请方法还包括:
基于所述历史维护记录,每个构件的维修记录进行整理,得到每个构件的构件维护记录,所述构件维护记录包括构件维修时间、构件维修内容、构件更换节点;
通过每个构件的构件维护记录,计算各个构件的稳定运行系数;
比较各个构件的稳定运行系数,确定超出设备稳定运行影响阈值的关键构件。
具体而言,基于历史维护记录,对每个构件的维修记录进行整理,得到每个构件的构件维护记录。这些记录应包括构件维修时间、构件维修内容、构件更换节点等信息。这些信息有助于了解每个构件的历史维护情况和状态变化。接下来,通过每个构件的构件维护记录,可以进一步计算各个构件的稳定运行系数。这个系数用于评估每个构件在长时间运行中的稳定性表现。计算稳定运行系数,维修频率:构件的维修频率可以反映其稳定性和可靠性。频繁维修的构件可能表明其性能不稳定。维修内容:维修内容的复杂性和范围可以反映构件的故障模式和性质。简单的维修可能表明构件的稳定性较好,而复杂的维修可能表明存在潜在的问题。更换节点:根据构件的更换节点,可以评估其在整个设备寿命周期中的性能表现和退化程度。可以构建数学模型或算法来计算每个构件的稳定运行系数。这个系数可以是一个数值,用于量化每个构件的稳定性表现。最后,比较各个构件的稳定运行系数,确定超出设备稳定运行影响阈值的关键构件。这个阈值可以根据设备的运行要求和维护经验来确定。超出阈值的构件可能表明其稳定性较差,对设备的整体运行稳定性有较大影响。通过以上步骤,可以识别出对煤机设备稳定运行影响较大的关键构件,为后续的维护和检查提供重点关注的依据。同时,这些结果也可以用于优化设备的维护策略,提高设备的整体运行效率和稳定性。
进一步而言,本申请方法包括:
基于所述关键构件分析退化规律,提取关键构件退化特征量,所述关键构件退化特征量包括构件磨损量、构件应力分布、构件温度变化;
将所述关键构件退化特征量作为所述M条设备退化特征预测链的补充退化特征量,添加至所述M条设备退化特征预测链。
具体而言,基于对关键构件的分析,可以进一步探索其退化规律。为了深入了解关键构件的性能退化情况,需要提取关键构件退化特征量。这些特征量可以包括构件磨损量、构件应力分布和构件温度变化等。这些特征量能够反映构件在运行过程中的性能变化和退化趋势。
具体来说,通过测量关键构件的磨损程度,可以了解其在长时间运行中的磨损情况。这可以通过定期检查、磨损测量仪器或无损检测技术来实现。应力分布可以反映关键构件在工作状态下的受力情况。通过监测和分析构件的应力分布,可以了解其是否承受过大的应力或分布不均的应力,这可能导致疲劳或损伤。温度变化可以反映关键构件的热量分布和散热情况。过高的温度可能导致材料热损伤或性能下降,因此温度监测也是评估构件退化状态的重要指标。提取到关键构件退化特征量后,可以将这些特征量作为M条设备退化特征预测链的补充退化特征量,添加至预测链中。这样,基于这些新的退化特征量,可以进一步完善设备退化的预测模型,提高预测的准确性和可靠性。通过这种方式,不仅可以了解关键构件的性能退化情况,还可以利用这些退化特征量来优化设备的维护和检修计划,确保设备的稳定运行和延长使用寿命。
进一步而言,本申请方法,对所述齿轮类构件子集、所述轴类构件子集、所述电气元件类构件子集、所述密封件类构件子集进行单分量解析,设置本征模函数,所述方法包括:
对所述齿轮类构件子集进行单分量解析,得到待处理单分量序列;
在所述待处理单分量序列中,随机选择单分量特征x1(t),确定所述单分量特征x1(t)的所有局部极值点,其中,t为时间;
基于所述单分量特征x1(t)的所有局部极值点,将所有极大值点和所有极小值点分别用线连接,得到单分量特征x1(t)的上下包络线;
通过所述M种煤机设备对应的标准文件,设置单分量特征x1(t)的常值序列IMFS1(t),所述常值序列IMFS1(t)符合IMF条件;
将所述常值序列IMFS1(t)作为判断条件,输入单分量特征x1(t)的上下包络线进行判断,若满足,则对单分量特征x1(t)的上下包络线进行分析,获取所述单分量特征x1(t)的特性参数,所述特性参数包括自相关系数和功率谱密度函数;
基于所述单分量特征x1(t)的特性参数以及单分量特征x1(t),遍历所述待处理单分量序列,得到所述齿轮类构件子集对应的本征模函数。
具体而言,首先,对齿轮类构件子集进行单分量解析,得到待处理的单分量序列。将复杂的齿轮类构件子集拆分为单个特征分量,接下来,在待处理的单分量序列中随机选择一个单分量特征x1(t)。这个特征可以是反映齿轮性能的某个参数或指标,例如振动信号、噪声信号等。然后,确定单分量特征x1(t)的所有局部极值点。这些极值点可能代表着齿轮在不同状态下的变化,例如齿面磨损、齿隙变化等。通过找出这些极值点,可以更好地理解齿轮的性能退化过程。基于这些局部极值点,将所有极大值点和所有极小值点分别用线连接,形成单分量特征x1(t)的上下包络线。这些包络线可以用来描述特征x1(t)的整体变化趋势和模式。接下来,通过煤机设备对应的标准文件,设置一个常值序列IMFS1(t),这个序列需要符合IMF条件。IMF是本征模函数(Intrinsic Mode Function)的缩写,是一种用于描述非线性和非平稳信号内在特征的数学工具。在这里,IMFS1(t)被用作判断条件,用来评估单分量特征x1(t)是否满足特定条件。然后,将常值序列IMFS1(t)作为判断条件,输入到单分量特征x1(t)的上下包络线中进行判断。如果满足条件,则对单分量特征x1(t)的上下包络线进行分析,获取其特性参数。这些特性参数包括自相关系数和功率谱密度函数等。通过对这些参数的分析,可以更深入地了解齿轮的性能状态和退化模式。最后,基于单分量特征x1(t)的特性参数以及单分量特征x1(t),遍历整个待处理的单分量序列。通过这样的方式,可以找到与齿轮类构件子集对应的本征模函数。这个本征模函数能够描述齿轮类构件子集的内在性质和行为模式,有助于进一步了解其性能退化的规律和模式。通过分析齿轮类构件子集的性能退化情况,获取其特性参数和本征模函数,从而为设备的维护和检修提供更准确的依据。
实施例二
基于与前述实施例一种煤机设备的寿命预测方法相同的发明构思,如图4所示,本申请提供了一种煤机设备的寿命预测系统,所述系统包括:
构建分类模块10,所述构建分类模块10用于对M种煤机设备进行构件分类,得到多类设备构件集合,所述多类设备构件集合包括轴承类构件子集、齿轮类构件子集、轴类构件子集、电气元件类构件子集、密封件类构件子集;
损耗排序模块20,所述损耗排序模块20是基于所述多类设备构件集合,对构件损耗累计从大到小排序,得到构件损耗累计序列;
运行数据获取模块30,所述运行数据获取模块30用于获取煤机设备运行数据,所述煤机设备运行数据对应的指标包括设备运行时间、负载、温度、压力;
预测链设置模块40,所述预测链设置模块40用于通过所述煤机设备运行数据,对所述M种煤机设备进行损耗预测,设置M条设备退化特征预测链;
初始预测结果获取模块50,所述初始预测结果获取模块50为若所述构件损耗累计序列的首位为所述轴承类构件子集,将所述轴承类构件子集细分为滚动轴承构件子集和滑动轴承构件子集,并按照构件与煤机设备之间的映射关系,代入所述M条设备退化特征预测链中,获取损耗初始预测结果;
本征模函数设置模块60,所述本征模函数设置模块60用于对所述齿轮类构件子集、所述轴类构件子集、所述电气元件类构件子集、所述密封件类构件子集进行单分量解析,设置本征模函数;
结果校准模块70,所述结果校准模块70用于通过所述本征模函数,对所述损耗初始预测结果校准,得到损耗预测结果,所述损耗预测结果包括煤机设备故障模式和煤机设备故障概率;
寿命预测结果获取模块80,所述寿命预测结果获取模块80用于通过所述损耗预测结果,对所述M种煤机设备分别进行性能退化解析,获取寿命预测结果。
进一步地,该系统还包括:
损耗预测结果获取模块,若所述构件损耗累计序列的首位为所述齿轮类构件子集,将所述齿轮类构件子集细分为圆柱齿轮构件子集、锥齿轮构件子集和行星齿构件子集,并按照构件与煤机设备之间的映射关系,代入所述M条设备退化特征预测链中,获取新的损耗初始预测结果;对所述轴承类构件子集、所述轴类构件子集、所述电气元件类构件子集、所述密封件类构件子集进行单分量解析,设置新的本征模函数;通过新的本征模函数,对新的损耗初始预测结果校准,得到新的损耗预测结果。
进一步地,该系统还包括:
子集细分模块,若所述构件损耗累计序列的首位为所述轴类构件子集,将所述轴类构件子集细分为传动轴构件子集、支撑轴构件子集和连接轴构件子集;若所述构件损耗累计序列的首位为所述电气元件类构件子集,将所述电气元件类构件子集细分为电机构件子集、传感器构件子集、开关构件子集;若所述构件损耗累计序列的首位为所述密封件类构件子集,将所述密封件类构件子集细分为机械密封构件子集、气密封构件子集和油密封构件子集。
进一步地,该系统还包括:
优化模块,用于获取所述M种煤机设备的历史维护记录;通过所述煤机设备运行数据与所述历史维护记录,评估每个构件对煤机设备的影响程度,获取每个构件的运行影响指数;按照每个构件的运行影响指数从大到小的顺序,对所述构件损耗累计序列进行优化。
进一步地,该系统还包括:
关键构建确定模块,是基于所述历史维护记录,每个构件的维修记录进行整理,得到每个构件的构件维护记录,所述构件维护记录包括构件维修时间、构件维修内容、构件更换节点;通过每个构件的构件维护记录,计算各个构件的稳定运行系数;比较各个构件的稳定运行系数,确定超出设备稳定运行影响阈值的关键构件。
进一步地,该系统还包括:
补充退化特征量模块,是基于所述关键构件分析退化规律,提取关键构件退化特征量,所述关键构件退化特征量包括构件磨损量、构件应力分布、构件温度变化;将所述关键构件退化特征量作为所述M条设备退化特征预测链的补充退化特征量,添加至所述M条设备退化特征预测链。
进一步地,该系统还包括:
本征模函数获取模块,用于对所述齿轮类构件子集进行单分量解析,得到待处理单分量序列;在所述待处理单分量序列中,随机选择单分量特征x1(t),确定所述单分量特征x1(t)的所有局部极值点,其中,t为时间;基于所述单分量特征x1(t)的所有局部极值点,将所有极大值点和所有极小值点分别用线连接,得到单分量特征x1(t)的上下包络线;通过所述M种煤机设备对应的标准文件,设置单分量特征x1(t)的常值序列IMFS1(t),所述常值序列IMFS1(t)符合IMF条件;将所述常值序列IMFS1(t)作为判断条件,输入单分量特征x1(t)的上下包络线进行判断,若满足,则对单分量特征x1(t)的上下包络线进行分析,获取所述单分量特征x1(t)的特性参数,所述特性参数包括自相关系数和功率谱密度函数;基于所述单分量特征x1(t)的特性参数以及单分量特征x1(t),遍历所述待处理单分量序列,得到所述齿轮类构件子集对应的本征模函数。
说明书通过前述一种煤机设备的寿命预测方法的详细描述,本领域技术人员可以清楚地知识本实施例中一种煤机设备的寿命预测系统,对于实施例公开的系统而言,由于其与实施例公开装置相对应,所以描述得比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业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申请的精神或范围的情况下,在其他实施例中实现。因此,本申请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公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种煤机设备的寿命预测方法,其特征在于,所述方法包括:
对M种煤机设备进行构件分类,得到多类设备构件集合,所述多类设备构件集合包括轴承类构件子集、齿轮类构件子集、轴类构件子集、电气元件类构件子集、密封件类构件子集;
基于所述多类设备构件集合,对构件损耗累计从大到小排序,得到构件损耗累计序列;
获取煤机设备运行数据,所述煤机设备运行数据对应的指标包括设备运行时间、负载、温度、压力;
通过所述煤机设备运行数据,对所述M种煤机设备进行损耗预测,设置M条设备退化特征预测链;
若所述构件损耗累计序列的首位为所述轴承类构件子集,将所述轴承类构件子集细分为滚动轴承构件子集和滑动轴承构件子集,并按照构件与煤机设备之间的映射关系,代入所述M条设备退化特征预测链中,获取损耗初始预测结果;
对所述齿轮类构件子集、所述轴类构件子集、所述电气元件类构件子集、所述密封件类构件子集进行单分量解析,设置本征模函数;
通过所述本征模函数,对所述损耗初始预测结果校准,得到损耗预测结果,所述损耗预测结果包括煤机设备故障模式和煤机设备故障概率;
通过所述损耗预测结果,对所述M种煤机设备分别进行性能退化解析,获取寿命预测结果。
2.如权利要求1所述的一种煤机设备的寿命预测方法,其特征在于,所述方法包括:
若所述构件损耗累计序列的首位为所述齿轮类构件子集,将所述齿轮类构件子集细分为圆柱齿轮构件子集、锥齿轮构件子集和行星齿构件子集,并按照构件与煤机设备之间的映射关系,代入所述M条设备退化特征预测链中,获取新的损耗初始预测结果;
对所述轴承类构件子集、所述轴类构件子集、所述电气元件类构件子集、所述密封件类构件子集进行单分量解析,设置新的本征模函数;
通过新的本征模函数,对新的损耗初始预测结果校准,得到新的损耗预测结果。
3.如权利要求2所述的一种煤机设备的寿命预测方法,其特征在于,将所述齿轮类构件子集细分为圆柱齿轮构件子集、锥齿轮构件子集和行星齿构件子集,所述方法还包括:
若所述构件损耗累计序列的首位为所述轴类构件子集,将所述轴类构件子集细分为传动轴构件子集、支撑轴构件子集和连接轴构件子集;或
若所述构件损耗累计序列的首位为所述电气元件类构件子集,将所述电气元件类构件子集细分为电机构件子集、传感器构件子集、开关构件子集;或
若所述构件损耗累计序列的首位为所述密封件类构件子集,将所述密封件类构件子集细分为机械密封构件子集、气密封构件子集和油密封构件子集。
4.如权利要求1所述的一种煤机设备的寿命预测方法,其特征在于,基于所述多类设备构件集合,对构件损耗累计从大到小排序,得到构件损耗累计序列,所述方法还包括:
获取所述M种煤机设备的历史维护记录;
通过所述煤机设备运行数据与所述历史维护记录,评估每个构件对煤机设备的影响程度,获取每个构件的运行影响指数;
按照每个构件的运行影响指数从大到小的顺序,对所述构件损耗累计序列进行优化。
5.如权利要求4所述的一种煤机设备的寿命预测方法,其特征在于,所述方法还包括:
基于所述历史维护记录,每个构件的维修记录进行整理,得到每个构件的构件维护记录,所述构件维护记录包括构件维修时间、构件维修内容、构件更换节点;
通过每个构件的构件维护记录,计算各个构件的稳定运行系数;
比较各个构件的稳定运行系数,确定超出设备稳定运行影响阈值的关键构件。
6.如权利要求5所述的一种煤机设备的寿命预测方法,其特征在于,所述方法包括:
基于所述关键构件分析退化规律,提取关键构件退化特征量,所述关键构件退化特征量包括构件磨损量、构件应力分布、构件温度变化;
将所述关键构件退化特征量作为所述M条设备退化特征预测链的补充退化特征量,添加至所述M条设备退化特征预测链。
7.如权利要求1所述的一种煤机设备的寿命预测方法,其特征在于,对所述齿轮类构件子集、所述轴类构件子集、所述电气元件类构件子集、所述密封件类构件子集进行单分量解析,设置本征模函数,所述方法包括:
对所述齿轮类构件子集进行单分量解析,得到待处理单分量序列;
在所述待处理单分量序列中,随机选择单分量特征x1(t),确定所述单分量特征x1(t)的所有局部极值点,其中,t为时间;
基于所述单分量特征x1(t)的所有局部极值点,将所有极大值点和所有极小值点分别用线连接,得到单分量特征x1(t)的上下包络线;
通过所述M种煤机设备对应的标准文件,设置单分量特征x1(t)的常值序列IMFS1(t),所述常值序列IMFS1(t)符合IMF条件;
将所述常值序列IMFS1(t)作为判断条件,输入单分量特征x1(t)的上下包络线进行判断,若满足,则对单分量特征x1(t)的上下包络线进行分析,获取所述单分量特征x1(t)的特性参数,所述特性参数包括自相关系数和功率谱密度函数;
基于所述单分量特征x1(t)的特性参数以及单分量特征x1(t),遍历所述待处理单分量序列,得到所述齿轮类构件子集对应的本征模函数。
8.一种煤机设备的寿命预测系统,其特征在于,所述系统包括:
构建分类模块,所述构建分类模块用于对M种煤机设备进行构件分类,得到多类设备构件集合,所述多类设备构件集合包括轴承类构件子集、齿轮类构件子集、轴类构件子集、电气元件类构件子集、密封件类构件子集;
损耗排序模块,所述损耗排序模块是基于所述多类设备构件集合,对构件损耗累计从大到小排序,得到构件损耗累计序列;
运行数据获取模块,所述运行数据获取模块用于获取煤机设备运行数据,所述煤机设备运行数据对应的指标包括设备运行时间、负载、温度、压力;
预测链设置模块,所述预测链设置模块用于通过所述煤机设备运行数据,对所述M种煤机设备进行损耗预测,设置M条设备退化特征预测链;
初始预测结果获取模块,所述初始预测结果获取模块为若所述构件损耗累计序列的首位为所述轴承类构件子集,将所述轴承类构件子集细分为滚动轴承构件子集和滑动轴承构件子集,并按照构件与煤机设备之间的映射关系,代入所述M条设备退化特征预测链中,获取损耗初始预测结果;
本征模函数设置模块,所述本征模函数设置模块用于对所述齿轮类构件子集、所述轴类构件子集、所述电气元件类构件子集、所述密封件类构件子集进行单分量解析,设置本征模函数;
结果校准模块,所述结果校准模块用于通过所述本征模函数,对所述损耗初始预测结果校准,得到损耗预测结果,所述损耗预测结果包括煤机设备故障模式和煤机设备故障概率;
寿命预测结果获取模块,所述寿命预测结果获取模块用于通过所述损耗预测结果,对所述M种煤机设备分别进行性能退化解析,获取寿命预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311837604.7A CN117972989B (zh) | 2023-12-28 | 2023-12-28 | 一种煤机设备的寿命预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311837604.7A CN117972989B (zh) | 2023-12-28 | 2023-12-28 | 一种煤机设备的寿命预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117972989A true CN117972989A (zh) | 2024-05-03 |
CN117972989B CN117972989B (zh) | 2024-07-26 |
Family
ID=90848739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311837604.7A Active CN117972989B (zh) | 2023-12-28 | 2023-12-28 | 一种煤机设备的寿命预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117972989B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909756A (zh) * | 2017-03-29 | 2017-06-30 | 电子科技大学 | 一种滚动轴承剩余寿命预测方法 |
CN107144428A (zh) * | 2017-03-17 | 2017-09-08 | 北京交通大学 | 一种基于故障诊断的轨道交通车辆轴承剩余寿命预测方法 |
CN109325208A (zh) * | 2018-08-14 | 2019-02-12 | 北京空间飞行器总体设计部 | 基于经验小波变换和神经网络的零部件寿命预测方法和装置 |
CN109460618A (zh) * | 2018-11-13 | 2019-03-12 | 华中科技大学 | 一种滚动轴承剩余寿命在线预测方法及系统 |
US20190095781A1 (en) * | 2017-09-23 | 2019-03-28 | Nanoprecise Sci Corp. | System and method for automated fault diagnosis and prognosis for rotating equipment |
CN110377984A (zh) * | 2019-07-02 | 2019-10-25 | 中国科学院深圳先进技术研究院 | 一种工业设备剩余有效寿命预测方法、系统及电子设备 |
CN115935250A (zh) * | 2022-11-10 | 2023-04-07 | 天地(常州)自动化股份有限公司北京分公司 | 基于差分振子和领域自适应混合模型故障诊断方法及系统 |
CN116413031A (zh) * | 2023-04-12 | 2023-07-11 | 煤炭工业太原设计研究院集团有限公司 | 一种煤矿机械设备轴承剩余寿命的自适应预测方法及装置 |
CN116502049A (zh) * | 2023-06-25 | 2023-07-28 | 山东科技大学 | 滚动轴承剩余使用寿命预测方法、系统、设备及存储介质 |
WO2023231995A1 (zh) * | 2022-05-30 | 2023-12-07 | 浙大城市学院 | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 |
-
2023
- 2023-12-28 CN CN202311837604.7A patent/CN117972989B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107144428A (zh) * | 2017-03-17 | 2017-09-08 | 北京交通大学 | 一种基于故障诊断的轨道交通车辆轴承剩余寿命预测方法 |
CN106909756A (zh) * | 2017-03-29 | 2017-06-30 | 电子科技大学 | 一种滚动轴承剩余寿命预测方法 |
US20190095781A1 (en) * | 2017-09-23 | 2019-03-28 | Nanoprecise Sci Corp. | System and method for automated fault diagnosis and prognosis for rotating equipment |
CN111356910A (zh) * | 2017-09-23 | 2020-06-30 | 纳诺普润塞斯Sci公司 | 一种实现旋转设备自动故障诊断及寿命预测的系统和方法 |
CN109325208A (zh) * | 2018-08-14 | 2019-02-12 | 北京空间飞行器总体设计部 | 基于经验小波变换和神经网络的零部件寿命预测方法和装置 |
CN109460618A (zh) * | 2018-11-13 | 2019-03-12 | 华中科技大学 | 一种滚动轴承剩余寿命在线预测方法及系统 |
CN110377984A (zh) * | 2019-07-02 | 2019-10-25 | 中国科学院深圳先进技术研究院 | 一种工业设备剩余有效寿命预测方法、系统及电子设备 |
WO2021000556A1 (zh) * | 2019-07-02 | 2021-01-07 | 中国科学院深圳先进技术研究院 | 一种工业设备剩余有效寿命预测方法、系统及电子设备 |
WO2023231995A1 (zh) * | 2022-05-30 | 2023-12-07 | 浙大城市学院 | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 |
CN115935250A (zh) * | 2022-11-10 | 2023-04-07 | 天地(常州)自动化股份有限公司北京分公司 | 基于差分振子和领域自适应混合模型故障诊断方法及系统 |
CN116413031A (zh) * | 2023-04-12 | 2023-07-11 | 煤炭工业太原设计研究院集团有限公司 | 一种煤矿机械设备轴承剩余寿命的自适应预测方法及装置 |
CN116502049A (zh) * | 2023-06-25 | 2023-07-28 | 山东科技大学 | 滚动轴承剩余使用寿命预测方法、系统、设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
滕伟;李晓鹤;张阳阳;柳亦兵;: "基于数据驱动的燃气轮机剩余寿命预测", 燃气轮机技术, no. 02, 16 June 2017 (2017-06-16) * |
王红;杨占才;靳小波;封锦琦;: "航空机电系统先进诊断与预测技术研究", 航空科学技术, no. 07, 25 July 2020 (2020-07-25) * |
郭文琪;宋建成;田慕琴;: "基于数据驱动的矿井主排水设备寿命预测方法", 工矿自动化, no. 11, 27 October 2017 (2017-10-27) * |
魏永合;王明华;: "基于EEMD和SVM的滚动轴承退化状态识别", 计算机集成制造系统, no. 09, 1 December 2014 (2014-12-01) * |
Also Published As
Publication number | Publication date |
---|---|
CN117972989B (zh) | 2024-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Heng et al. | Rotating machinery prognostics: State of the art, challenges and opportunities | |
Igba et al. | Performance assessment of wind turbine gearboxes using in-service data: Current approaches and future trends | |
Tinga et al. | Physical model-based prognostics and health monitoring to enable predictive maintenance | |
Jardine et al. | A review on machinery diagnostics and prognostics implementing condition-based maintenance | |
Elforjani | Diagnosis and prognosis of real world wind turbine gears | |
CN115099260A (zh) | 双螺杆输油泵在线监测机械故障实时诊断方法 | |
Hancock et al. | A hybrid approach to hydraulic vane pump condition monitoring and fault detection | |
Rodrigues et al. | Short and long forecast to implement predictive maintenance in a pulp industry | |
Anis | Towards remaining useful life prediction in rotating machine fault prognosis: an exponential degradation model | |
Wang | Key techniques in intelligent predictive maintenance (IPdM)–a framework of intelligent faults diagnosis and prognosis system (IFDaPS) | |
Calabrese et al. | An event based machine learning framework for predictive maintenance in industry 4.0 | |
Becherer et al. | Intelligent choice of machine learning methods for predictive maintenance of intelligent machines | |
Saranya et al. | Data-driven prognostics for run-to-failure data employing machine learning models | |
CN117782580B (zh) | 汽车零部件的缺陷检测方法及系统 | |
El Mahdi et al. | Real Time Assessment of Novel Predictive Maintenance System Based on Artificial Intelligence for Rotating Machines. | |
CN117972989B (zh) | 一种煤机设备的寿命预测方法及系统 | |
Baglee et al. | A proposed maintenance strategy for a wind turbine gearbox using condition monitoring techniques | |
Lu et al. | Gear fault diagnosis and life prediction of petroleum drilling equipment based on SOM neural network | |
Yacout | Logical analysis of maintenance and performance data of physical assets, ID34 | |
CN115774955A (zh) | 一种风电齿轮箱健康度智能评估方法 | |
Seo et al. | Gearbox Condition Monitoring and Diagnosis of Unlabeled Vibration Signals Using a Supervised Learning Classifier | |
Jiang et al. | A dynamic failure mode and effect analysis (FMEA) method for CNC machine tool in service | |
CN113836488A (zh) | 汽轮机在线数据处理及状态评估方法和装置 | |
Liu et al. | A fault early warning and health status rating method for ensuring safe operation of rotating equipment | |
CN118114081B (zh) | 柱塞泵剩余寿命预测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |