CN104848885A - 一种对设备未来故障时间点进行预测的方法 - Google Patents

Abstract

本发明涉及设备故障预测领域，尤其涉及一种对设备未来故障时间点进行预测的方法，包括：在设备运行时，于设定的时间间隔内采集该设备的运行数据，并建立该设备的运行数据随时间变化的曲线；根据建立的曲线确定步长值，通过求导计算该设备的运行数据的波动率，进而得到波动率均值，通过最小二乘法拟合时间-波动率均值曲线；通过建立的时间-波动率均值曲线的变化趋势得到该设备在未来某个时间点的波动率均值，判断该波动率均值是否在预定的异常范围内，若在预定的异常范围内，则判定该设备在该时间点将出现故障，并发出检修预警。本发明提供了一种在设备的维护工作中，及时发现设备未来故障时间点的预测方法。

Description

一种对设备未来故障时间点进行预测的方法

技术领域

本发明涉及设备故障预测领域，尤其涉及一种对设备未来故障时间点进行预测的方法。

背景技术

机器设备在日常使用和运转过程中，由于外部负荷、内部应力、磨损、腐蚀和自然侵蚀等因素的影响，使其个别部位或整体的尺寸、形状发生改变，进而影响设备的机械性能、工艺效果，使设备性能下降，甚至报废，这是所有设备都避免不了的客观规律。为了使设备保持正常性能，延长其使用周期，必须对设备进行适度的检修和日常维护保养工作，这对于各行各业的设备维修都是尤为重要的。对于不同企业，由于企业规模、性质和设备数量及其复杂程度的不同，其检修制度也不一样。例如，化工***行业多，生产流程相差很大，有的生产工艺要求长周期连续运行，甚至最好是一年内连续运行330天以上；有的生产工艺却是批量的，只要求连续运行一段时间即可；有的工艺不能间断；有的可以开开停停；另外设备的结构、复杂程度不同，检修要求也不同。目前，多数企业、厂家对设备的检修、考核都是定期进行的，基本采用预防维护或生产维护方式，无法及时发现设备异常。

发明内容

针对上述技术问题，本发明设计开发了一种对设备未来故障时间点进行预测的方法，目的在于提供一种运行简单、对设备无需新增仪器，即可实现连续监测，且在设备的维护工作中，及时发现设备未来故障时间点的预测方法，以提高设备维护工作效率，达到更高效的设备维护，保障工艺正常运行，提高工作效率。

本发明提供的技术方案为：

一种对设备未来故障时间点进行预测的方法，包括以下步骤：

步骤一、在设备运行时，于设定的时间间隔内采集该设备的运行数据，并建立该设备的运行数据随时间变化的曲线；

步骤二、根据步骤一建立的曲线确定步长值，通过求导计算该设备的运行数据的波动率，进而得到波动率均值，以波动率均值为纵坐标，时间为横坐标，通过最小二乘法拟合时间-波动率均值曲线；

步骤三、通过步骤二建立的时间-波动率均值曲线的变化趋势得到该设备在未来某个时间点的波动率均值，判断该波动率均值是否在预定的异常范围内，若在预定的异常范围内，则判定该设备在该时间点将出现故障，并发出检修预警。

通过分析设备的运行数据的波动变化情况，进行数据波动率分析，判断、拟合波动率均值随时间的变化趋势，通过定义波动率均值变化的异常范围，对设备未来故障时间点进行预测，快一步发现设备异常并预判故障点可能发生时间，保障设备及时检修，提高设备使用寿命。

优选的是，所述的对设备未来故障时间点进行预测的方法中，所述步骤三中预定的异常范围为p_t＞(1+μ)·p₀或p_t＜(1-μ)·p₀，其中，p_t为该设备在未来某个时间点的波动率均值，p₀为该设备的波动率均值稳定值，μ为波动参数，μ∈(0，100％)。将该设备的波动率均值稳定值作为判断设备是否出现故障的参考值，提高了判断的准确性。

优选的是，所述的对设备未来故障时间点进行预测的方法中，μ为10％，使得故障点的判断更加及时。

优选的是，所述的对设备未来故障时间点进行预测的方法中，所述波动率均值稳定值为经验值或根据该设备更新后的初始运行数据计算得到，以保证波动率均值稳定值的可靠性。

优选的是，所述的对设备未来故障时间点进行预测的方法中，所述的初始运行数据为200个，以保证波动率均值稳定值的可靠性。

优选的是，所述的对设备未来故障时间点进行预测的方法中，所述步骤二中该设备的运行数据的波动率的计算公式为：

$k_i=\left|\frac{\mathrm{dx}}{\mathrm{dt}}\right|=\left|\frac{x_j-x_i}{t_j-t_i}\right|,$

其中，k_i为该设备在某一时刻t_i时的运行数据的波动率，x_i为该设备在某一时刻t_i时的运行数据，x_j为该设备在另一时刻t_j时的运行数据；

所述波动率均值的计算公式为：

$p_i=\frac{\underset{1}{\overset{i}{\mathrm{\Σ}}}{k}_i}{i},$

其中，p_i为该设备在某一时刻t_i时的波动率均值，i为采集的该设备的运行数据的个数。

通过求导得到某一时刻该设备运行数据的波动率，方法简单，以波动率均值作为判断故障点的最终标准，数据变化的波动性更小，判断更加准确。

优选的是，所述的对设备未来故障时间点进行预测的方法中，所述步骤一中还包括：将采集到的该设备的运行数据进行滤波，去除异常点，并标记，以免对波动率的分析产生干扰，避免故障漏检情况的发生。

优选的是，所述的对设备未来故障时间点进行预测的方法中，所述设备为仪器仪表或电机，对仪器仪表的监测反应其运行状态，对电机的监测反应电机运行的状况。

优选的是，所述的对设备未来故障时间点进行预测的方法中，所述设备的运行数据为仪器仪表的监测数据或电机的运行电流。该方法具有一定的通用性，不仅可以应用于环保行业，在其他各行业的设备运行状况的监测、预测、预警中均可应用。

本发明所述的对设备未来故障时间点进行预测的方法中，针对仪器仪表类和电机类两大类设备，通过设备正常运行时，分析设备所监测数据(仪器仪表类)或通过监测设备运行电流(电机类)的数据变化情况，进行数据波动率分析，拟合波动率均值随时间的变化趋势，得到该设备在未来某个时间点的波动率均值，通过判断该波动率均值是否在预定的异常范围内，对设备未来故障时间点进行预测，快一步发现设备异常并预判故障点可能发生时间，以使得企业可在该时间点之前对设备及时进行检修，避免设备故障的发生，保障工艺的正常运行，并提高设备使用寿命。

附图说明

图1是本发明的预测方法中波动率和波动率均值随时间变化的曲线；

图2是实施例1的波动率和波动率均值随时间变化的曲线；

图3是实施例1的波动率均值随时间变化的曲线的放大示意图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

如图1所示，本发明提供一种对设备未来故障时间点进行预测的方法，包括以下步骤：

步骤一、在设备运行时，于设定的时间间隔内采集该设备的运行数据，对于仪器仪表类设备，直接获取其监测数据存入数据库；对于电机类设备，例如水泵、风机等，可以通过安装监测其运行电流的传感器获取运行电流，对其进行分析，并建立该设备的运行数据随时间变化的曲线。在数据库建立的数据表格是时间和运行数据的二维表，依此建立以时间为横轴，以滤波后的运行数据为纵轴的历史数据曲线。设在某时间段(t₁，t₂，t₃，……，t_n)内对应该设备的n个运行数据为(x₁，x₂，x₃，……，x_n)。

滤波是抑制和防止干扰的一项重要措施，监测数据中一些异常数据需要先通过滤波的方法进行去除，以免对波动率的分析产生干扰。本发明采用机械滤波的方法，去除数据中的异常点，如COD值出现负值，这显然不合实际，是为异常点，应去除。对于异常点，在滤波去除的同时，也应作出标记，给出提示，避免故障漏检情况。

步骤二、根据步骤一建立的曲线确定步长值，通过求导计算该设备的运行数据的波动率，进而得到波动率均值，以波动率均值为纵坐标，时间为横坐标，通过最小二乘法拟合时间-波动率均值曲线。最小二乘法是一种数学优化技术，用于寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。

该设备的运行数据的波动率的计算公式为：

$k_i=\left|\frac{\mathrm{dx}}{\mathrm{dt}}\right|=\left|\frac{x_j-x_i}{t_j-t_i}\right|,$

其中，k_i为该设备在某一时刻t_i时的运行数据的波动率，x_i为该设备在某一时刻t_i时的运行数据，x_j为该设备在另一时刻t_j时的运行数据；

所述波动率均值的计算公式为：

$p_i=\frac{\underset{1}{\overset{i}{\mathrm{\Σ}}}{k}_i}{i},$

其中，p_i为该设备在某一时刻t_i时的波动率均值，i为采集的该设备的运行数据的个数。

步骤三、通过步骤二建立的时间-波动率均值曲线的变化趋势得到该设备在未来某个时间点的波动率均值，判断该波动率均值是否在预定的异常范围内，预定的异常范围为p_t＞(1+μ)·p₀或p_t＜(1-μ)·p₀，其中，p_t为该设备在未来某个时间点的波动率均值，p₀为该设备的波动率均值稳定值，μ为波动参数，μ∈(0，100％)，具体数值可由使用者根据设备运行情况自行调节，本发明中μ为10％，若在预定的异常范围内，则判定该设备在该时间点将出现故障，该时间点即为设备未来故障时间点，并发出检修预警，企业应在该时间点之前及时对设备进行检修。

所述的对设备未来故障时间点进行预测的方法中，所述波动率均值稳定值为经验值或根据该设备更新后的初始运行数据计算得到，所述的初始运行数据为200个，也可以将经验值和计算值综合考虑以确定波动率均值稳定值。

图1中曲线a表示该设备的运行数据的波动率，曲线b表示该设备的运行数据的波动率均值，直线c表示该设备的运行数据的波动率均值稳定值，曲线d表示该设备的运行数据的波动率均值的预测值，时刻e为采集运行数据的终点时刻，时刻f为设备出现故障的临界点，即企业应在该时间点之前应及时对设备进行检修。

各种仪器仪表类设备运行时的监测数据或电机类设备的运行电流都具有一定的波动性，其波动强度及波动率变化趋势存在一些规律性的变化，例如电机类设备定期更新、检修后其运行电流相对稳定、波动趋势也相对稳定，长期运行一定时间后，设备有所磨损，电流稳定性降低、波动变大，对于仪器仪表类设备运行时的监测数据同样如此。根据监测数据或运行电流波动率的变化特点，我们考虑，可以通过一种技术手段，形成监测数据或运行电流波动率的变化曲线，即监测数据(运行电流)变化率模型，进而反应设备的运行状况。基于此，我们提出对单数据集(某一监测数据在时间序列的波动率)进行建模，分析、判别设备在实际运行时的监测数据或运行电流波动率的变化趋势，通过波动率变化情况预测仪器仪表类或电机类设备的未来故障时间点。例如，对污水处理出水水质COD值进行数据建模，选择时间步长_dt，获得的(t₁，t₁+n·dt)时间段的监测数据波动率(k₁，k₂，......，k_n)、波动率均值为(p₂，p₃，......，p_n)，拟合得时间-波动率均值曲线，判别波动率变化趋势，通过曲线变化规律预测仪器仪表类设备(COD监测仪)的未来故障时间点。而对于电机类设备，我们可以通过监测该设备的运行电流进行波动率分析，如某时间段(t₁，t₂)内水泵电流的波动率为(k′₁，k′₂，......，k′_n)、波动率均值为(p′₂，p′₃，......，p′_n)，拟合得时间-波动率均值曲线，通过曲线变化规律预测电机类设备(水泵)的未来故障时间点。为使故障点的判断更加及时，我们定义波动率均值偏离稳定值10％时为故障发生点，该点所对应时间即为未来故障点发生时间，企业可在该时间点之前对仪器仪表类或电机类设备及时检修，避免设备故障的发生，保障工艺的正常运行，并提高设备使用寿命。

本发明针对工业领域设备和仪器仪表的质量指标，对设备运行状况进行预警。仪器仪表方面，我们对pH、溶解氧浓度、污泥浓度、流量、液位、氧化还原电位、COD、氨氮、总磷、总氮、二氧化硫、一氧化碳、PM2.5等指标监测仪器仪表进行监测数据波动率分析，对这些仪器仪表设备未来故障时间点进行预测；在设备方面，可以对水泵、风机等电机电流波动性进行监测、分析，对其未来故障时间点进行预测。该方法具有一定的通用性，不仅可以应用于环保行业，在其他各行业的设备运行状况的监测和预警中均可应用。

本发明解决了设备的定期检修无法***故障的发生的问题；设备小，故障易被忽略的问题；设备维护连续监测操作复杂、花费高的问题等。本发明运行简单、对仪器仪表设备无需新增仪器，可实现连续监测、未来故障时间点预测，对这些表征环境质量、反应设备运行状态的监测数据或电机的运行电流进行波动率分析，对设备的检修、维护具有重要的实际意义。

实施例1

某水厂每隔0.5h采集一次进水COD值，即步长值为0.5，计算单位小时进水COD波动率，计算公式如下：

$k_i=\left|\frac{\mathrm{dx}}{\mathrm{dt}}\right|=\left|\frac{x_{i+1}-x_i}{0.5}\right|$

计算波动率均值，公式如下

$p_1=\frac{k_1}{1},p_2=\frac{k_1+k_2}{2},p_3=\frac{k_1+k_2+k_3}{3},.......p_i=\frac{\underset{i}{\overset{i}{\mathrm{\Σ}}}{k}_i}{i}$

根据经验，p₀值取2.8。

所有数据的列表如下：

根据上述表格得到该水厂单位小时进水COD波动率和波动率均值随时间变化的曲线，如图2所示，图中曲线a表示该水厂单位小时进水COD的波动率，曲线b表示该水厂单位小时进水COD的波动率均值，直线c表示该水厂单位小时进水COD的波动率均值稳定值。图3中曲线d表示该水厂单位小时进水COD的波动率均值，直线e表示该水厂单位小时进水COD的波动率均值稳定值。由图2和图3均可以看出，初始阶段波动率均值波动较大，因此判断设备未来故障时间点时至少从10小时以后开始。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (9)

1.一种对设备未来故障时间点进行预测的方法，其特征在于，包括以下步骤：

步骤一、在设备运行时，于设定的时间间隔内采集该设备的运行数据，并建立该设备的运行数据随时间变化的曲线；

步骤二、根据步骤一建立的曲线确定步长值，通过求导计算该设备的运行数据的波动率，进而得到波动率均值，以波动率均值为纵坐标，时间为横坐标，通过最小二乘法拟合时间-波动率均值曲线；

步骤三、通过步骤二建立的时间-波动率均值曲线的变化趋势得到该设备在未来某个时间点的波动率均值，判断该波动率均值是否在预定的异常范围内，若在预定的异常范围内，则判定该设备在该时间点将出现故障，并发出检修预警。

2.如权利要求1所述的对设备未来故障时间点进行预测的方法，其特征在于，所述步骤三中预定的异常范围为p_t＞(1+μ)·p₀或p_t＜(1-μ)·p₀，其中，p_t为该设备在未来某个时间点的波动率均值，p₀为该设备的波动率均值稳定值，μ为波动参数，μ∈(0，100％)。

3.如权利要求2所述的对设备未来故障时间点进行预测的方法，其特征在于，μ为10％。

4.如权利要求3所述的对设备未来故障时间点进行预测的方法，其特征在于，所述波动率均值稳定值为经验值或根据该设备更新后的初始运行数据计算得到。

5.如权利要求4所述的对设备未来故障时间点进行预测的方法，其特征在于，所述的初始运行数据为200个。

6.如权利要求3所述的对设备未来故障时间点进行预测的方法，其特征在于，所述步骤二中该设备的运行数据的波动率的计算公式为：

$k_i=\left|\frac{\mathrm{dx}}{\mathrm{dt}}\right|=\left|\frac{x_j-x_i}{t_j-t_i}\right|,$

其中，k_i为该设备在某一时刻t_i时的运行数据的波动率，x_i为该设备在某一时刻t_i时的运行数据，x_j为该设备在另一时刻t_j时的运行数据；

所述波动率均值的计算公式为：

$p_i=\frac{\underset{1}{\overset{i}{\mathrm{\Σ}}}{k}_i}{i},$

其中，p_i为该设备在某一时刻t_i时的波动率均值，i为采集的该设备的运行数据的个数。

7.如权利要求1所述的对设备未来故障时间点进行预测的方法，其特征在于，所述步骤一中还包括：将采集到的该设备的运行数据进行滤波，去除异常点，并标记。

8.如权利要求1所述的对设备未来故障时间点进行预测的方法，其特征在于，所述设备为仪器仪表或电机。

9.如权利要求8所述的对设备未来故障时间点进行预测的方法，其特征在于，所述设备的运行数据为仪器仪表的监测数据或电机的运行电流。