CN108871434A - 一种旋转设备的在线监测***及方法 - Google Patents
一种旋转设备的在线监测***及方法 Download PDFInfo
- Publication number
- CN108871434A CN108871434A CN201810541293.2A CN201810541293A CN108871434A CN 108871434 A CN108871434 A CN 108871434A CN 201810541293 A CN201810541293 A CN 201810541293A CN 108871434 A CN108871434 A CN 108871434A
- Authority
- CN
- China
- Prior art keywords
- data
- slewing
- monitoring
- cloud platform
- fault
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 210
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003745 diagnosis Methods 0.000 claims abstract description 119
- 230000007257 malfunction Effects 0.000 claims abstract description 90
- 238000004458 analytical method Methods 0.000 claims abstract description 69
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000007726 management method Methods 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 17
- 238000007405 data analysis Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 15
- 230000004888 barrier function Effects 0.000 claims description 6
- 238000013523 data management Methods 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 abstract description 11
- 238000012423 maintenance Methods 0.000 description 30
- 230000001133 acceleration Effects 0.000 description 28
- 238000010586 diagram Methods 0.000 description 12
- 238000013461 design Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000009825 accumulation Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000002405 diagnostic procedure Methods 0.000 description 6
- 238000003672 processing method Methods 0.000 description 6
- 230000001360 synchronised effect Effects 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 239000004020 conductor Substances 0.000 description 4
- 238000010998 test method Methods 0.000 description 4
- 238000013024 troubleshooting Methods 0.000 description 4
- 238000007418 data mining Methods 0.000 description 3
- 230000007717 exclusion Effects 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000010835 comparative analysis Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种旋转设备的在线监测***及方法，所建立的旋转设备在线监测中，包括了多个无线故障预警传感器、数据网关及云平台，在一个监测区域内为至少一个中的每一个旋转设备配置多个无线故障预警传感器，不同无线故障预警传感器将采集到的不同测点的监测数据通过数据网关发送到云平台上，由云平台对监测数据进行分析处理。更进一步地，该***还包括为旋转设备设置的故障诊断设备，对旋转设备进行故障诊断后得到诊断数据，通过数据网关发送给云平台处理。在云平台具有云服务器、大数据处理模块、故障预警库、故障诊断库及管理模块等组成，能够对所有监测数据进行分析处理，及根据分析结果，指示故障诊断设备对旋转设备进行诊断并获取到诊断数据。这样，本发明实施例提供的***及方法实现了多个旋转设备共用一个故障预警及诊断***，实现故障信息及诊断方式的共享。
Description
技术领域
本发明涉及对设备的监测技术，特别涉及一种旋转设备的在线监测***及方法。
背景技术
在机械设备运行过程中，特别是旋转设备的运行过程中，需要监测旋转设备的工作状态，一旦发现故障，进行故障报警及后续的诊断维修。目前，为了实现对旋转设备的故障报警，为旋转设备设置旋转设备故障预警***，包括为旋转设备各个测点设置的传感器及与传感器交互的故障诊断设备，当传感器检测到旋转设备出现故障时，直接上报给故障诊断设备进行报警及进行后续诊断维修处理。
可以看出，目前的旋转设备故障预警***功能简单，***独立，只起到出现故障进行报警作用，当旋转设备出现故障时，是采用专用设置的***对旋转设备进行测试、分析及排除故障；目前的旋转设备故障预警***对获得故障检测数据不进行对比分析，不能作为后期故障判断的依据，造成监测数据浪费；目前的旋转设备故障预警***需要专业人员具备很高的专业知识及经验，很多故障诊断设备不仅具备数据采集功能，而且具备一定的数据分析功能，设备成本极高。当出现比较复杂的故障时，需要用户花费大量资金聘请有经验的专家对故障进行排除，专家排除故障后，需要昂贵的故障诊断设备。目前的旋转设备故障预警***都是单一化***，每套***测量的数据，故障诊断方法及解决方法不共享，造成监测数据利用率不高，设备故障诊断成本增加。目前的旋转设备故障预警***对故障分析建立在对单台旋转设备的测量数据分析基础上，依靠专家经验来判断故障类型。目前的旋转设备故障预警***与其他的故障诊断***无直接的关联，检测的数据不共享，当故障预警***出现故障报警时，维修人员才带相关故障诊断设备对存在故障的旋转设备进行进一步测量和分析。
发明内容
本发明实施例提供一种旋转设备的在线监测***，能够实现多个旋转设备共用一个故障预警及诊断***，实现故障信息及诊断方式的共享。
本发明实施例还提供一种旋转设备的在线监测方法，能够实现多个旋转设备共用一个故障预警及诊断***，实现故障信息及诊断方式的共享。
本发明实施例是这样实现的：
一种旋转设备的在线监测***，包括：多个无线故障预警传感器、数据网关及云平台，其中，
多个无线故障预警传感器，设置在一个以上中的每台旋转设备的不同测点上，采集得到对应测点的监测数据，通过数据网关发送给云平台；
云平台，用于通过数据网关接收旋转设备的不同测点对应的监测数据，进行分析处理，得到故障结果。
在一个监测区域内，每台旋转设备的不同测点上设置的无线故障预警传感器与数据网关组成无线故障预警传感器网络；
在监测模式下，所述监测数据为按照设定的采样间隔采集的，且带有时间戳；
当所述监测数据超过设置的第一阈值时，进入到半故障预警模式，所述监测数据为按照设定的采样间隔，采集一定时长的时域信号；
当所述监测数据超过设置的第二阈值时，进入到全故障预警模式，所述监测数据即刻发送。
所述云平台包括：云服务器、大数据处理模块、第一设备档案模块及故障预警库，其中，
所述云服务器，用于指示无线故障预警传感器与数据网关组成无线故障预警传感器网络；
第一设备档案模块，用于存储旋转设备的不同测点对应的监测数据；
故障预警库，用于存储及更新分析后的监测数据对应的故障结果；
大数据处理模块，用于根据存储的对旋转设备的不同测点对应的监测数据进行分析处理，从故障预警库中确定分析后的监测数据对应的故障结果，以及发送告警指示。
还包括：故障诊断设备，用于对旋转设备进行故障诊断后得到诊断数据，通过数据网关发送给云平台处理；
云平台，用于接收到诊断数据后，进行分析，得到诊断结果。
云平台中包括：故障诊断库、第二设备档案模块及数据处理分析平台，其中，
故障诊断库，用于存储及更新分析后的诊断数据对应的诊断结果；
第二设备档案模块，用于存储诊断数据；
数据分析平台，用于将存储的诊断数据进行分析处理，从故障诊断库中确定对应的诊断结果。
还包括：管理模块，用于与云平台中的管理模块进行交互，获取云平台台中的旋转设备的各种数据，或/和为云平台上传旋转设备的各种数据。
一种旋转设备的在线监测方法，在一个监测区域内设置多个无线故障预警传感器位于一个以上旋转设备中每一个旋转设备的不同测点，该方法包括：
云平台通过数据网关接收无线故障预警传感器采集的旋转设备的不同测点对应的监测数据；
云平台对所述监测数据进行分析处理，得到故障结果。
还包括故障诊断设备，该方法还包括：
对旋转设备的故障测点进行诊断，得到诊断数据通过数据网关发送给云平台处理；云平台接收到后，分析诊断数据后，得到诊断结果。
所述无线故障预警传感器和数据网关组成无线故障预警传感器网络；
在监测模式下，所述监测数据为按照设定的采样间隔采集的，且带有时间戳；
当所述监测数据超过设置的第一阈值时，进入到半故障预警模式，所述监测数据为按照设定的采样间隔，采集一定时长的时域信号；
当所述监测数据超过设置的第二阈值时，进入到全故障预警模式，所述监测数据即刻发送。
所述对所述监测数据进行分析处理，得到故障结果是基于设置的故障预警库中存储及实时更新的故障信息；
所述分析诊断数据是基于设置的故障诊断库中存储及实时更新的诊断信息。
该方法还包括：
启动管理模块，进一步对旋转设备的监测数据或/和诊断信息进行分析。
如上可见，本发明实施例所建立的旋转设备在线监测中，包括了多个无线故障预警传感器、数据网关及云平台，在一个监测区域内为至少一个中的每一个旋转设备配置多个无线故障预警传感器，不同无线故障预警传感器将采集到的不同测点的监测数据通过数据网关发送到云平台上，由云平台对监测数据进行分析处理。更进一步地，该***还包括为旋转设备设置的故障诊断设备，对旋转设备进行故障诊断后得到诊断数据，通过数据网关发送给云平台处理。在云平台具有云服务器、大数据处理模块、故障预警库、故障诊断库及管理模块等组成，能够对所有监测数据进行分析处理，及根据分析结果，指示故障诊断设备对旋转设备进行诊断并获取到诊断数据。这样，本发明实施例提供的***及方法实现了多个旋转设备共用一个故障预警及诊断***，实现故障信息及诊断方式的共享。
附图说明
图1为本发明实施例提供的旋转设备的在线监测***结构示意图；
图2为本发明实施例提供的旋转设备的在线监测方法示意图；
图3a、3b和3c为本发明实施例提供的Q1设备的物理量A、B和C的历史数据分析数据曲线图；
图4a、4b和4c为本发明实施例提供的t1时刻三台旋转设备的物理量C、B和A的历史数据分析数据曲线图；
图5为本发明实施例提供的半故障诊断及半故障预警处理的过程示意图；
图6为本发明实施例提供的旋转设备的在线监测具体方法示意图；
图7为本发明具体实施例构建的无线故障预警传感器网络结构示意图；
图8a、8b、8c及8d为本发明具体实施例中Q1旋转设备在三个测点上的加速度包络值、加速度真峰值、加速度有效值及温度值的分析示意图；
图9为本发明具体实施例中三台旋转设备监测到监测数据时刻表示意图；
图10a、10b、10c及10d为本发明具体实施例中在T1时刻三台旋转设备的同测点处的温度数据、速度有效值数据、加速度真峰值数据及加速度包络值的数据横向分析示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本发明进一步详细说明。
本发明实施例为了实现多个旋转设备共用一个故障预警及诊断***，实现故障信息及诊断方式的共享，在建立的旋转设备在线监测中，包括了多个无线故障预警传感器、数据网关及云平台，在一个监测区域内为至少一个中的每一个旋转设备配置多个无线故障预警传感器，不同无线故障预警传感器将采集到的不同测点的监测数据通过数据网关发送到云平台上，由云平台对监测数据进行分析处理。更进一步地，该***还包括为旋转设备设置的故障诊断设备，对旋转设备进行故障诊断后得到诊断数据，通过数据网关发送给云平台处理。在云平台具有大数据处理模块、故障预警库、故障诊断库及管理模块等组成，能够对所有监测数据进行分析处理，及根据分析结果，指示故障诊断设备对旋转设备进行诊断并获取到诊断数据。这样，本发明实施例提供的***及方法实现了多个旋转设备共用一个故障预警及诊断***，实现故障信息及诊断方式的共享。
图1为本发明实施例提供的旋转设备的在线监测***结构示意图，包括：多个无线故障预警传感器、数据网关及云平台，其中，
多个无线故障预警传感器，设置在一个以上中的每台旋转设备的不同测点上，采集得到对应测点的监测数据，通过数据网关发送给云平台；
云平台，用于通过数据网关接收旋转设备的不同测点对应的监测数据，进行分析处理，得到故障结果。
在该***中，无线网关设置在与多个无线故障预警传感器能够通讯的距离范围内。
在该***中，在一个监测区域内，每台旋转设备的不同测点上设置的无线故障预警传感器与数据网关组成无线故障预警传感器网络。
在该***中，云平台中包括：云服务器、大数据处理模块、第一设备档案模块、第二设备档案模块、故障预警库及故障诊断库等，对接收的监测数据进行分析处理，并分析得到故障结果。具体地说，主要建立组成无线故障预警传感器网络。完成对监测数据进行存储及分析，建立故障预警库，对监测数据进行分析判断，给出故障信息，包括报警信息及故障类型等，建立旋转设备的故障预警档案。进一步地，对诊断数据进行存储、分析及建立诊断数据库，对诊断数据进行判断，给出诊断结果，包括故障类型及解决方法等，建立旋转设备的故障诊断档案。云平台的管理模块主要对云平台进行管理，并将云平台的信息反馈给相关人员，可以通过其他诸如计算机及手机等终端登录到该模块上，通过不同的管理权限对云平台进行相关数据处理。
在该***中，多个无线故障预警传感器，还具有数据同步采集功能，即按照设定的采样间隔，同时刻采集监测数据，所采集的监测数据带有时间戳。
该***中的无线故障预警传感器具有半故障预警及半故障诊断功能，即在正常工作状态下，按照设定的采样间隔采集监测数据，并在内部进行特征值，按照设定的发送间隔通过数据网关发送给云平台。特别地，当得到的监测数据超过设置的第二阈值时，可以即刻将该监测数据发送到云平台，云平台对该监测数据进行立即处理。也可以当得到的监测数据超过设置的第一阈值时，按照设定的采样间隔，高速采集一定时长的时域信号，并将时域信号通过数据网关发送至云平台。
该***的云平台中，包括了无线故障预警传感器标识与其所采集的监测数据的对应关系，并将无线故障预警传感器标识以二维码的表现方式设置在无线故障预警传感器上。当任一终端扫描在无线故障预警传感器上的二维码时，就与云平台的云服务器进行信息交互，获取到对应无线故障预警传感器标识的监测数据，该监测数据包括：特征值、历史曲线及历史故障等等。
在该***中，每一台旋转设备上设置的无线故障预警传感器与其连接的数据网关组成一个无线传感器网络，在该网络中，所有无线故障预警传感器安装完成后开机，开机后即可采集监测数据，数据网关接收到网络中所有传感器采集的监测数据时，启动同步监测采集命令，网络中所有传感器都进入同步监测模式。当网络中的任何一个传感器所监测的监测数据超过设置的第一阈值时，数据网关启动同步半故障采集命令，同步采集时域信号。
在该***中，无线故障预警传感器的采样间隔及监测数据发送间隔都比较长，功耗较低，采用一次性干电池供电，工作寿命在3年以上。
在该***中，进一步包括故障诊断设备，该故障诊断设备由有线传感器及高速数据采集器组成，多监测区域公用。当需要故障诊断时，由管理层的管理人员携带故障诊断设备，对旋转设备的设定测点进行诊断，并将诊断数据通过数据网关发送给云平台。
在故障诊断设备中，高速数据采集器具备多通道数据同步采集功能，可以外接多种类型的高频有线传感器，采用内部的可充电电池供电，带大容量内存卡用于存储采集的数据，通过有线方式或短距离无线方式与数据网关通讯，将诊断数据发送到云平台上。
在该***中，数据网关用于将监测数据或/和诊断数据发送到云平台，由用于与无线故障预警传感器通讯的无线通讯模块、用于数据处理的数据处理模块、用于接收诊断数据的有线数据接口、用于将对接收到的监测数据或/和诊断数据转发到云平台的有线接口或/和无线接口等组成，采用有线电源供电，具备全球定位***(GPS)定位功能。
在该***中的云平台上，保存无线传感器网络中的数据网关标识及多个无线故障预警传感器标识的对应关系，将数据网关标识以二维码的表现方式设置在数据网关上。当任一终端扫描在数据网关上的二维码时，就与云平台进行信息交互，获取到所在无线传感器网络内的相关信息，包括：与本数据网关连接的所有无线故障预警传感器编号、数据网关位置、数据网关所监测的旋转设备型号、状态信息及故障历史。
在该***中，还包括由不同权限的管理人员，通过管理模块登录到云平台上，进行旋转设备的监测数据、故障结果或/和诊断数据的查询，及对云平台的管理等。在这里，***操作人员主要有故障分析专家、旋转设备运维人员、旋转设备厂家及***管理人员组成。故障分析专家主要是当旋转设备出现故障时，云平台中的故障预警库找不到对应的故障类型信息时，***管理人员聘请相关咨询故障分析专家对监测数据或诊断数据进行处理、分析，将处理结果发送给云平台的故障预警库及故障诊断库存储。旋转设备运维人员主要依据云平台中的故障结果对旋转设备间维护，依据云平台提示，使用故障诊断设备对旋转设备进行诊断数据采集，并将诊断数据通过数据网关发送到云平台上，依据云平台的故障提示及故障排除方法对旋转设备进行维修。旋转设备厂家主要是通过云平台跟踪自己生产的旋转设备健康状态，提高产品性能，同时，为***管理人员或故障诊断专家提供一定旋转设备设计参数信息，提高旋转设备故障诊断精度，***管理人员主要负责整个***的正常运行，协调故障分析专家、旋转设备运维人员和旋转设备厂家对旋转设备进行故障预警及故障诊断，建立或更新云平台的故障预警库。
图2为本发明实施例提供的旋转设备的在线监测方法示意图，在一个监测区域内设置多个无线故障预警传感器位于旋转设备的不同测点，该方法包括：
步骤201、云平台通过数据网关接收无线故障预警传感器采集的旋转设备的不同测点对应的监测数据；
步骤202、云平台对所述监测数据进行分析处理，得到故障结果。
在该方法中，还包括故障诊断设备，该方法还包括：
对旋转设备的故障测点进行诊断，得到诊断数据通过数据网关发送给云平台处理；云平台接收到后，分析诊断数据后，得到诊断结果。
以下对本发明实施例进行具体说明
第一步骤，设置无线传感器网络
在数据网关的距离范围内，有两台旋转设备，在一台旋转设备上布置n个无线故障预警传感器，在另一台旋转设备上布置m个无线故障预警传感器，n和m分别是自然数，且都在数据网关的通信范围内，
组网方法为：
1)每个无线故障预警传感器都有唯一标识，当每台旋转设备设置完后，通过终端扫描数据网关标识，进入到与数据网关与传感器绑定功能界面，将一台旋转设备上设置的所有传感器标识与数据网关标识绑定，同时给本网络分配一个组号，建立无线传感器网络。无线故障预警传感器开机后就可以与数据网关连接，当数据网关接收到本网络内的所有传感器第一包数据后，即刻启动同步故障监测命令，使得网络中进入同步监测状态；
2)当一台旋转设备进行组网后，进行下一台旋转设备的无线传感器网络，在设置时，所采用的数据网关相同，其他设置方式与第1)点相同，以此类推。
进一步地，在同一个网络内，所监测的旋转设备属于同一类型。
第二步骤，监测数据处理
无线故障预警传感器监测的监测数据通过数据网关转发至云平台，云平台对接收的监测数据进行存储后，由其中的大数据处理模块对存储的监测数据进行数据挖掘与分析，并将分析的故障结果存储在故障预警库中，并将预警信息及故障类型通过管理模块发送给相关人员。
监测数据的处理方式具体为：
(1)建立设备档案，在设备档案中记录中旋转设备型号、编号、关键性能参数、出厂时间及历史故障信息等。
(2)大数据处理平台对每台旋转设备的无线故障预警传感器按照时间进行统计，建立如下数据表。
(3)以(2)点数据表为依据，建立数据曲线，进行数据纵向对比，比如同一台旋转设备上每个测点的一种监测物理信号的历史数据分析，如图3a、3b和3c所示的Q1设备的物理量A、B和C的历史数据分析数据曲线图。
(4)以(2)点数据表为依据，建立多台需限制设备的相同测点处的同一监测信息的数据曲线，进行数据横向比较，如图4a、4b和4c所示的t1时刻三台旋转设备的物理量C、B和A的历史数据分析数据曲线图。
(5)故障预警判断。在(2)～(4)点的数据处理基础上，进行横向的故障预警判断和纵向故障预警判断。
判断方式如下：
a)依据旋转设备出厂性能设计，预设初始单个测点处某物理量阈值为【Pmin，Pmax】,如果实时监测的数据小于Pmin或大于Pmax，则都表示该设备有故障，即纵向故障预警判断。
b)通过对监测的一个网络内同类型旋转设备同测点的相同物理参数同时刻的统计，设统计的所有数据算数平均值为Q，给定一个比例系数KQmin和KQmax，KQmin和KQmax都大于0，小于1，设监测到的某一实时数据为X，如果X大于X(1+KQmax)或小于X(1-KQmin)时，则表示该设备有故障，即网络内多台旋转设备多测点横向故障预警判断。
进一步说明，随着设备运行，监测数据的大量增加及故障预警和故障诊断库的丰富，阈值【Pmin，Pmax】和比例系数KQmin与KQmax都会不断优化，提高故障判断准确度。
优化方法：当监测到某旋转设备某测点处的某个监测数据超出阈值时，运维人员通过故障诊断设备或更有经验专家的判断等，认为该阈值偏大或偏小，那么该阈值将更新为更合理的一个值。
进一步说明，上述故障判断阈值分不同级别，Pmin、Pmax、K(1+K*KQmax)、K(1-K*KQmin)是第一级别阈值，设定一个系数W，则W*Pmin、W*Pmax、W*K(1+K*KQmax)、W*K(1-K*KQmin)为第二级别阈值。
(6)所有监测的监测数据都存储在云平台的数据库中，后期可查询；所有出现的故障信息都存储在故障预警库中。
第三步骤：半故障诊断
当监测到的监测数据超过第一级别阈值时，则无线故障预警传感器网络启动半故障诊断功能，具体实施方式为：
a)数据网关收到某监测的监测数据超过第一级别阈值时，判断出该监测数据所在的无线故障预警传感器网络，并启动同步半故障采集命令；
b)启动半故障采集命令的无线故障预警传感器按一定采样间隔高速采集一定时长的时域信号发送至云平台。
进一步说明，高速采样间隔可以按故障严重程度提高或降低。此处只描述了一种情况：监测的监测数据超过第一级别阈值时，即启动半故障诊断命令，按每天高速采集一次时域信号并发送，同时，该无线故障预警传感器网络的监测模式不变。
c)无线故障预警传感器采集的时域信号传输至云平台后，有相关故障分析专家通过管理软件和数据处理分析模块对时域信号进行处理分析，得出故障类型，并给出解决方法及故障诊断方法，将故障类型、解决方法存储在故障预警库。
进一步说明，无线故障预警传感器网络在监测到的监测数据超过第一阈值时，启动半故障诊断功能，只有当设备运维人员依据***提示，对旋转设备进行维护后，使得本无线故障预警传感器网络监测到的监测数据不超过第一阈值时，本无线故障预警传感器网络才停止半故障诊断功能。重新回到正常的故障监测模式。
第四步骤：半故障预警处理
在半故障诊断后，当监测的监测数据超过设置的第一阈值时，管理模块查询故障预警库，将故障报警信息，包括当前监测的监测数据大小、故障测点、测点所在旋转设备型号及地址、故障类型及解决方法，发送给旋转设备运维人员，旋转设备运维人员收到故障报警信息后，根据信息提示，对旋转设备维护。在这里，在第一级别故障报警信息中，故障解决方法是故障预警库中的对旋转设备的故障排除方法，比如基座轻微松动，需要紧固等等。
如图5所示，图5为本发明实施例提供的半故障诊断及半故障预警处理的过程示意图。
第五步骤：全故障诊断启动
当监测的监测数据超过设置的第二阈值时，管理软件模块查询故障预警库，将故障报警信息，包括当前监测的监测数据大小、故障测点、测点所在旋转设备型号及地址、故障类型及解决方法，发送给旋转设备运维人员，旋转设备运维人员收到故障报警信息后，根据信息提示，对旋转设备维护。在这里，在第二级别故障报警信息中，故障解决方法是故障预警库中的对旋转设备的故障诊断方法，即故障诊断硬件及监测数据的测试方法，比如采用100KHz的高频加速度传感器对超出第二阈值的测点进行加速度测试等。
第六步骤：故障诊断数据处理
旋转设备运维人员依据提示，采用故障诊断设备对需要故障诊断的旋转设备进行高速数据采集。故障诊断设备采集的诊断数据通过数据网关上传至云平台，云平台先对诊断数据做存储。
数据处理方法如下：
a)云平台中，依据不同的诊断数据类型，包括温度、加速度及应变等，选择相应的诊断数据处理方法，对诊断数据进行处理，依据处理的结果，在故障诊断库中查询相应的故障类型及故障解决方法。
进一步说明，故障诊断库在前期是依据行业专家的经验建立。
B)如果故障诊断库中查询不到相应的故障类型，则通过管理软件模块通知***管理人员，协调故障分析专家调取原始故障诊断数据，进行监测数据分析。
进一步说明，在故障分析专家分析数据时，需要在设备档案库中查询相关旋转设备设计参数等信息，如果没有，可以通过***管理人员协调，直接与旋转设备厂家联系。
c)故障分析专家通过对故障诊断数据的分析，给出故障分析方法、诊断数据的处理方法、故障类型及故障解决方法。
d)如果故障分析专家通过现有的故障诊断数据无法对故障进行分析，则故障分析专家给出故障诊断方法，包括故障诊断硬件及数据的测试方法，并通知旋转设备运维人员带相关故障诊断设备进行诊断数据采集，采集完的诊断数据再次传输至云平台。再次有故障分析专家进行分析。
e)故障分析专家对故障诊断数据处理完后，给出的故障分析方法，包括数据的处理方法、故障类型、故障解决方法及故障诊断方法，包括故障诊断硬件及数据的测试方法都存储在故障诊断库中。
第七步骤：故障预警库与故障诊断库循环优化
a)故障预警库循环优化。
在无线故障预警传感器布置之前，云平台中的故障预警库是有故障分析专家参考旋转设备设计参数及专家自身经验建设的，后期，随着大批量无线故障预警传感器在旋转设备上的布置及监测数据的采集，云平台对大批量监测数据的纵向分析及横向分析，结合实际现场维修结果反馈，不断地对故障预警库进行新的知识积累及旧的知识更新。
b)故障诊断知识库循环优化
在故障诊断设备使用之前，云平台中的故障诊断库是有故障分析专家参考旋转设备设计参数及专家自身经验建设的，后期，随着大批量故障诊断设备对旋转设备进行数据的采集，故障分析专家通过专业数据处理分析软件对大批量诊断数据的分析，进而不断的对故障诊断库进行新的知识积累及旧的知识更新。
c)故障预警库与故障诊断库之间的知识更新
云平台中，监测的监测数据与诊断数据存在相关性。随着***的运行，监测的监测数据量与诊断数据量的增加，相关性会更加明显。
在故障预警***中，当监测数据超过故障预警阈值时，在故障预警库中查找不到故障预警信息时，则通过监测数据与诊断数据之间的相关性，在故障诊断库中查询故障信息。如果查询到需要的信息，对故障进行了实际的排除，则将该故障信息复制在故障预警库中。
在故障诊断***中，通过对诊断数据的分析处理，得出故障信息，旋转设备运维人员依据故障信息将故障排除后，依据故障预警信息与故障诊断信息相关性，将诊断后得出的故障信息复制到故障预警库中。
第八步骤：***操作人员对管理模块的操作
本***中，***操作人员有故障分析专家、旋转设备运维人员、旋转设备厂家及***管理人员组成。***操作人员通过***管理软件对云平台进行操作。
管理模块可以运行在计算机、手持终端或手机上。
故障分析专家收到***管理人员信息后，进入对其权限开放的数据处理平台，对数据进行处理分析；
当旋转设备出现故障时，云平台自动通过管理模块向旋转设备运维人员报警，旋转设备依据故障报警信息对旋转设备进行故障维修或故障诊断；
不同旋转设备厂家有不同的管理模块使用权限，旋转设备厂家通过管理模块对自己生产的旋转设备进行跟踪，配合旋转设备运维人员和故障分析专家进行旋转设备的故障诊断及排除。
***管理人员负责整个***的运行，协调各***操作人员之间的信息沟通。
图6为本发明实施例提供的旋转设备的在线监测具体方法示意图，其具体步骤为：
步骤1、建立无线故障预警传感器网络；
步骤2、监测数据分析，当监测数据正常时，直接输出监测数据；
步骤3、对监测数据的判断，当判断超过第一阈值时，执行步骤4；当判断超过第二阈值时，执行步骤8；
步骤4、开启半故障诊断功能；
步骤5、基于故障预警库及故障诊断库进行半故障诊断处理，故障预警库及故障诊断库可以更新；
步骤6、判断是否识别得到故障，如果是，输出故障结果；否则，执行步骤7；
步骤7、启动人工专家数据分析；
步骤8、开启全故障诊断功能，并进行报警提示；
步骤9、基于故障预警库及故障诊断库进行全故障诊断处理，故障预警库及故障诊断库可以更新；
步骤10、判断是否识别得到故障，如果是，输出故障结果；否则，执行步骤7。
在该示意图中，输出结果说明
输出结果1：
说明：旋转设备处于正常运行状态，***对旋转设备进行实时状态数据监测，输出状态信息，即输出结果1。
旋转设备处于正常运行状态，***对旋转设备进行实时状态数据监测，输出状态信息，即输出结果1。
输出结果2:
说明：监测数据超过第一阈值，***启动半故障诊断功能，同时，***在故障预警库中查询故障信息，将设备状态信息、半故障诊断数据分析结果及半故障诊断结果输出，即输出结果2，如果在故障预警库中查询不到半故障诊断结果，则输出结果中不显示半故障诊断结果信息。只显示监测到的当前监测数据。自动提示人工专家对数据做分析，将结果记录在故障预警&故障诊断库。
一般情况下，监测***运行初期，故障诊断经验积累不足，很容易出现在故障知识库中查询不到故障类型，但随着监测***的运行，故障经验的不断积累，故障预警库已经积累了监测***所覆盖的旋转设备的大量故障信息，当设备状态信息超过阈值时，很容易查询到故障类型。
输出结果3：
说明：监测数据超过第二阈值，***半故障诊断功能仍在运行，同时，***查询故障知识库，如果能查询到故障类型，直接输出结果3，如果在故障预警库中查询不到半故障诊断结果，则输出结果中不显示全故障诊断结果信息。只显示监测到的当前监测数据、半故障诊断数据集及半故障诊断结果。提示人工专家对数据做分析，将结果记录在故障预警&故障诊断库中。
举一个具体例子对本发明实施例提供的方法进行详细说明
本实施例中，选择3台同类型旋转设备进行测试，如果有不同类型的或更多台的旋转设备，监测及诊断方法如该实施例。
本实施例中，每台旋转设备布置3个无线故障预警传感器，3台旋转设备总共有9个无线故障预警传感器。
本实施例中，数据网关与无线故障预建传感器之间的无线通讯距离是300米(m)，3台旋转设备在一个工厂内，相互距离较近，在100m以内，三台旋转设备上布置的9个无线故障预警传感器可以用同一台数据网关进行数据转发。
本实施例中，9个无线故障预警传感器设置在了3台旋转设备上，以Q1、Q2和Q3分别表明3台旋转设备，3台旋转设备上的9个无线故障预警传感器与数据网关组成一个无线故障预警传感器网络。
本实施例中，无线故障预警传感器可以监测到旋转设备测点处的加速度包络值、加速度真峰值、速度有效值及温度等监测数据。
本实施例中，无线故障预警传感器网络是这样建立的：
如图7所示，图7为本发明具体实施例构建的无线故障预警传感器网络结构示意图。将编号为1、2和3的无线故障预警传感器布置在Q1设备上；将编号为4、5和6的无线故障预警传感器布置在Q2设备上，将编号为7、8和9的无线故障预警传感器节点布置在Q3设备上。布置好后，开机，节点自动和数据网关连接。
用终端扫描数据网关二维码，进入云平台的管理软件模块，将编号为1～9的节点网络组号修改为W1。分组好后，通过终端，使数据网关向无线故障传感器发送复位信息，无线故障预警传感器复位后，自动实现分组。
在无线故障预警传感器节点的数据包中，包括传感器编号及所在网络组号，出厂时，组号默认为A。
分组后的无线故障预警传感器网络，按固定的每20分钟采样一次监测数据，每4小时间隔发送一次监测数据。
当超过无线故障预警传感器内设置的第一阈值时，即刻发送当前监测的监测数据。
第二步骤：监测的监测数据统计处理
通过第一步骤的实施，数据网关接收到的监测数据发送至云平台，云平台对监测的监测数据进行存储。
具体处理方法是：
(1)建立设备档案，设备档案1中记录着旋转设备型号、编号、关键性能参数、出厂时间及历史故障信息。
(2)云平台中的大数据处理模块对每台旋转设备的无线节点数据按时间进行统计，建立如下数据表。
(3)依据数据表，建立数据曲线，进行数据纵向对比，即每台旋转设备上每个测点的一种监测物理信息的历史数据分析，如图8a、8b、8c及8d所示的具体实施例中Q1旋转设备在三个测点上的加速度包络值、加速度真峰值、加速度有效值及温度值的分析示意图。
相应地，Q2旋转设备及Q3旋转设备的三测点处的历史数据曲线与Q1旋转设备的三测点处的历史数据曲线建立方法一致。
(4)建立3台旋转设备的相同测点处的同一种监测数据的数据曲线，进行监测数据横向挖掘。
说明：横向对比分析是指对大量具备相近监测数据的对比分析。
设Q1、Q2和Q3故障设备已经运行了M天，则第M天T1时三台旋转设备同测点处数据横取相对T1时刻最段时刻的数据。
本实施例中，M为386天，即就是三台旋转设备从开机到监测到当前一包数据时，三台旋转设备已经运行了386天；三台旋转设备监测到监测数据时刻表如图9所示。
T1时为3:30，此时进行三旋转设备同测点同物理量监测的监测数据横向对比，按就近原则，选择三旋转设备监测数据依次为：Q1旋转设备选择4:00的数据，Q2旋转设备选择2：00或5:00的数据，Q3旋转设备选择3:00的数据。
通过选择的监测数据，建立如图10a、10b、10c及10d所示的具体实施例中在T1时刻三台旋转设备的同测点处的温度数据、速度有效值数据、加速度真峰值数据及加速度包络值的数据横向分析示意图。
三台旋转设备的三测点处的其他时刻数据曲线与图10a、10b、10c及10d三测点处的横向数据曲线建立方法一致。
第三步骤：故障预警判断
在上述数据的统计处理基础上，进行横向的故障预警判断和纵向故障预警判断。方法如下：
(1)纵向故障预警判断
依据国际或国家旋转设备振动等判断标准，设定第一阈值和第二阈值。
当实时监测到的监测数据超过第一阈值时，则表示旋转设备健康状态存在微弱损伤，但仍然是容许范围，无线故障预警传感器网络启动半故障诊断功能。
当实时监测到的监测数据超过第二阈值时，则表示旋转设备健康状态存在一定损伤，但仍然是可容忍范围，但需要及时对故障进行诊断和排除。***启动全故障诊断功能。
(2)横向故障预警判断
依据步骤二中横向数据分析统计方法，按一定时间间隔对相同旋转设备相同测点处同种物理信息进行数据分析，设统计的所有数据算数平均值为Q。
给定一个比例系数KQmin和KQmax,设监测到的某一监测数据为P，如果P大于P(1+P*KQmax)或小于P(1-P*KQmin)时，则表示该旋转设备有故障。无线故障预警传感器网络启动半故障诊断功能。
给定一个比例系数LQmin和LQmax,设监测到的某一数据为P，如果P大于P(1+P*LQmax)或小于P(1-P*LQmin)时，则表示该旋转设备有故障。无线故障预警传感器网络启动全故障诊断功能。
进一步，KQmin、KQmax、LQmin、LQmax都大于0小于1，且：
KQmin<KQmax；LQmin<LQmax；KQmin<LQmin；KQmax<LQmax。
本实施例中，KQmin＝0.1、KQmax＝0.08、LQmin＝0.2、LQmax＝0.15。
进一步说明，假如某时刻横向监测数据样本均值为Q，则当某一测点处的数据超过样本均值Q上限8％或低于样本均值10％，则表示该设备超过第一故障阈值，当前无线故障预警传感器启动半故障诊断功能；当某一测点处的数据超过样本均值Q上限15％或低于样本均值20％，则表示该设备超过第二故障阈值，当前***启动全故障诊断功能。
所有监测的监测数据都存储在云平台的数据库中，后期可查询；所有出现的故障信息都存储在故障预警库中。
第四步骤：半故障诊断功能启动
当监测到的监测数据超过第一阈值时，则无线故障预警传感器网络启动半故障诊断功能。具体实施方式如下：
a)数据网关收到某监测数据超过第一阈值时，判断出该监测数据所在的无线故障预警传感器网络，并启动半故障采集命令；
b)启动半故障采集命令的无线故障预警传感器按每天一次采样间隔5KHz高速采集一定时长约3s的加速度时域信号发送至云平台。
进一步说明，高速采样间隔可以按故障严重程度提高或降低。此处只描述了一种情况：监测的监测数据超过第一阈值时，即启动半故障诊断命令，按每天高速采集一次时阈信号并发送，同时，该无线故障预警传感器网络的监测模式不变。如果故障相对大，但还在可接收范围内，则可以按每半天高速采集一次加速度时域信号，并发送至云平台。
c)无线故障预警传感器采集的时域信号传输至云平台后，有相关故障分析专家通过管理模块和数据处理分析软件对时域信号进行处理分析，得出故障类型，并给出解决方法及故障诊断方法，将故障类型、解决方法存储在故障预警库。
如，监测到其中一台旋转设备的振动包络值超过第一阈值，则该旋转设备的无线故障预警传感器网络***启动半故障诊断功能，按每天1次，每次按10Kz采样率采集3s加速度时域信号，将采集的加速度时域信号发送至云平台。
云平台对半故障诊断的加速度时域信号进行FFT分析，对比旋转设备设计参数，发现基频较大，查询故障预警库，发现基频过大的故障类型是旋转机械轴不平衡或热弯曲。将该故障诊断数据处理方法及故障信息存储在故障诊断库中。
第五步骤：全故障诊断***启动
上述过程中，当监测的监测数据超过第二阈值，启动全故障诊断功能。
(1)***管理软件询故障预警库，将故障报警信息，包括当前监测数据大小、故障测点、测点所在的旋转设备型号及地址、故障类型及故障诊断方法，发送给旋转设备运维人员，旋转设备运维人员收到故障报警信息后，根据信息提示，进行旋转设备的故障诊断。
进一步说明，第二级别的故障报警信息中的全故障诊断方法是告警故障库中积累的对旋转设备故障的诊断方法，即故障诊断硬件及数据的测试方法，比如采用4通道的100KHz通道的高频加速度采集***对超出第二阈值的旋转设备进行多个测点多方向的加速度测试等。
(2)旋转设备运维人员依据***管理软件提示，拿故障诊断设备对需要故障诊断的旋转设备进行高速数据采集。故障诊断设备采集的数据通过数据网关上传至云平台，云平台先对诊断的数据做存储。
数据处理方法如下：
f)云平台中，依据不同的数据类型，包括温度、加速度及应变等，选择相应的监测数据处理方法，对诊断数据进行处理，依据处理的结果，在故障诊断库中查询相应的故障类型及故障解决方法。
本实施例中，故障诊断测试到的数据是加速度信号，可以对加速度信号进行FFT、模态分析等。
进一步说明，故障诊断库在前期是依据行业专家的经验建立。
g)如果故障诊断库中查询不到相应的故障类型，则通过***管理软件通知***管理人员，协调故障分析专家调取原始故障诊断数据，进行监测数据分析。
进一步说明，在故障分析专家分析数据时，需要在设备档案库中查询相关旋转设备设计参数等信息，如果没有，可以通过***管理人员协调，直接与旋转设备厂家联系。
h)故障分析专家通过对故障诊断数据的分析，给出故障分析方法、数据的处理方法、故障类型及故障解决方法。
i)如果故障分析专家通过已有的故障诊断数据无法对故障进行分析，则故障分析专家给出故障诊断方法，在本实施例中，故障诊断方法是：采用4通道的100KHz通道的高频加速度采集***对超出第二阈值的旋转设备进行轴承座处三个方向的加速度测试和机座处垂直方向的加速度测试，并通知旋转设备运维人员带相关故障诊断设备进行数据采集，采集完的数据再次传输至云平台。再次由故障分析专家进行分析。
j)故障分析专家对故障诊断数据处理完后，给出的故障分析方法。在本实施例中，故障分析方法是对采集的加速度值进行FFT分析和模态分析、故障类型、故障解决方法及故障诊断方法。故障诊断方法是：采用4通道的100KHz通道的高频加速度采集***对超出第二级别阈值的旋转设备进行轴承座处三个方向的加速度测试和机座处垂直方向的加速度测试，都存储在故障诊断库中。
第六步骤：故障预警及处理
上述过程中，当监测值超过第一阈值，***管理软件自动查询故障预警知识库，将故障报警信息，包括当前监测数据大小、故障测点、测点所在的旋转设备型号及地址、故障类型及解决方法，发送给旋转设备运维人员，旋转设备运维人员收到故障报警信息后，根据信息提示，进行旋转设备的维护。
同时，启动第三步骤所述的半故障诊断功能，对故障预警库及故障诊断库进行更新。
进一步说明，第一级别故障报警信息中，故障解决方法是故障预警库中积累的对旋转设备故障的排除方法，比如机座松动，需要紧固等。
第七步骤：故障预警库与故障诊断库循环优化
a)故障预警库循环优化。
在无线故障预警传感器布置之前，云平台中的故障预警库是有故障分析专家参考旋转设备设计参数及专家自身经验建设的，后期，随着大批量无线故障预警传感器在旋转设备上的布置及监测数据的采集，云平台对大批量监测的监测数据的纵向分析及横向分析，结合实际现场维修结果反馈，不断的对故障预警库进行新的知识积累及旧的知识更新。
b)故障诊断库循环优化
在故障诊断设备使用之前，云平台中的故障诊断库是有故障分析专家参考旋转设备设计参数及专家自身经验建设的，后期，随着大批量故障诊断设备对旋转设备进行数据的采集，故障分析专家通过专业数据处理分析软件对大批量诊断数据的分析，进而不断的对故障诊断库进行新的知识积累及旧的知识更新。
c)故障预警库与故障诊断库之间的知识更新
云平台中，监测数据与故障诊断数据存在相关性。随着***的运行，监测的监测数据量与诊断数据量的增加，相关性会更加明显。
在故障预警***中，当监测数据超过故障预警阈值时，在故障预警库中查找不到故障预警信息时，则通过监测数据与诊断数据之间的相关性，在故障诊断库中查询故障信息。如果查询到需要的信息，对故障进行了实际的排除，则将该故障信息复制在故障预警库中。
在故障诊断***中，通过对诊断数据的分析处理，得出故障信息，旋转设备运维人员依据故障信息将故障排除后，依据故障预警信息与故障诊断信息相关性，将诊断后得出的故障信息复制到故障预警知识库中。
第八步骤：***操作人员对***管理软件的操作
本***中，***操作人员有故障分析专家、旋转设备运维人员、旋转设备厂家及***管理人员组成。***操作人员通过***管理软件对云平台进行操作。
***管理软件可以运行在计算机、手持终端和手机上。
故障分析专家收到***管理人员信息后，进入对其权限开放的数据处理平台，对数据进行处理分析；
当旋转设备出现故障时，云平台自动通过***管理软件向旋转设备运维人员报警，旋转设备依据故障报警信息对旋转设备进行故障维修或故障诊断；
不同旋转设备厂家有不同的***管理软件使用权限，旋转设备厂家通过***管理软件对自己生产的旋转设备进行跟踪，配合旋转设备运维人员和故障分析专家进行旋转设备的故障诊断及排除。
***管理人员负责整个***的运行，协调各***操作人员之间的信息沟通。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (11)
1.一种旋转设备的在线监测***，其特征在于，包括：多个无线故障预警传感器、数据网关及云平台，其中，
多个无线故障预警传感器，设置在一个以上中的每台旋转设备的不同测点上，采集得到对应测点的监测数据，通过数据网关发送给云平台；
云平台，用于通过数据网关接收旋转设备的不同测点对应的监测数据，进行分析处理，得到故障结果。
2.如权利要求1所述的监测***，其特征在于，在一个监测区域内，每台旋转设备的不同测点上设置的无线故障预警传感器与数据网关组成无线故障预警传感器网络；
在监测模式下，所述监测数据为按照设定的采样间隔采集的，且带有时间戳；
当所述监测数据超过设置的第一阈值时，进入到半故障预警模式，所述监测数据为按照设定的采样间隔，采集一定时长的时域信号；
当所述监测数据超过设置的第二阈值时，进入到全故障预警模式，所述监测数据即刻发送。
3.如权利要求1所述的监测***，其特征在于，所述云平台包括：云服务器、大数据处理模块、第一设备档案模块及故障预警库，其中，
所述云服务器，用于指示无线故障预警传感器与数据网关组成无线故障预警传感器网络；
第一设备档案模块，用于存储旋转设备的不同测点对应的监测数据；
故障预警库，用于存储及更新分析后的监测数据对应的故障结果；
大数据处理模块，用于根据存储的对旋转设备的不同测点对应的监测数据进行分析处理，从故障预警库中确定分析后的监测数据对应的故障结果，以及发送告警指示。
4.如权利要求1所述的监测***，其特征在于，还包括：故障诊断设备，用于对旋转设备进行故障诊断后得到诊断数据，通过数据网关发送给云平台处理；
云平台，用于接收到诊断数据后，进行分析，得到诊断结果。
5.如权利要求4所述的监测***，其特征在于，云平台中包括：故障诊断库、第二设备档案模块及数据处理分析平台，其中，
故障诊断库，用于存储及更新分析后的诊断数据对应的诊断结果；
第二设备档案模块，用于存储诊断数据；
数据分析平台，用于将存储的诊断数据进行分析处理，从故障诊断库中确定对应的诊断结果。
6.如权利要求1、2或4所述的监测***，其特征在于，还包括：管理模块，用于与云平台中的管理模块进行交互，获取云平台台中的旋转设备的各种数据，或/和为云平台上传旋转设备的各种数据。
7.一种旋转设备的在线监测方法，其特征在于，在一个监测区域内设置多个无线故障预警传感器位于一个以上旋转设备中每一个旋转设备的不同测点，该方法包括：
云平台通过数据网关接收无线故障预警传感器采集的旋转设备的不同测点对应的监测数据；
云平台对所述监测数据进行分析处理，得到故障结果。
8.如权利要求1所述的方法，其特征在于，还包括故障诊断设备，该方法还包括：
对旋转设备的故障测点进行诊断，得到诊断数据通过数据网关发送给云平台处理；云平台接收到后，分析诊断数据后，得到诊断结果。
9.如权利要求7或8所述的方法，其特征在于，所述无线故障预警传感器和数据网关组成无线故障预警传感器网络；
在监测模式下，所述监测数据为按照设定的采样间隔采集的，且带有时间戳；
当所述监测数据超过设置的第一阈值时，进入到半故障预警模式，所述监测数据为按照设定的采样间隔，采集一定时长的时域信号；
当所述监测数据超过设置的第二阈值时，进入到全故障预警模式，所述监测数据即刻发送。
10.如权利要求8所述的方法，其特征在于，所述对所述监测数据进行分析处理，得到故障结果是基于设置的故障预警库中存储及实时更新的故障信息；
所述分析诊断数据是基于设置的故障诊断库中存储及实时更新的诊断信息。
11.如权利要求10所述的方法，其特征在于，该方法还包括：
启动管理模块，进一步对旋转设备的监测数据或/和诊断信息进行分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810541293.2A CN108871434B (zh) | 2018-05-30 | 2018-05-30 | 一种旋转设备的在线监测***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810541293.2A CN108871434B (zh) | 2018-05-30 | 2018-05-30 | 一种旋转设备的在线监测***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108871434A true CN108871434A (zh) | 2018-11-23 |
| CN108871434B CN108871434B (zh) | 2024-05-31 |
Family
ID=64335621
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810541293.2A Active CN108871434B (zh) | 2018-05-30 | 2018-05-30 | 一种旋转设备的在线监测***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108871434B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110362068A (zh) * | 2019-08-02 | 2019-10-22 | 苏州容思恒辉智能科技有限公司 | 一种基于工业物联网的机械设备故障预警方法、***和可读存储介质 |
| CN110398264A (zh) * | 2019-07-31 | 2019-11-01 | 联想(北京)有限公司 | 一种设备状态监测方法及*** |
| CN110864739A (zh) * | 2019-11-28 | 2020-03-06 | 浙江翰德圣智能再制造技术有限公司 | 基于无线物联网的设备监测分析***及其监测分析方法 |
| CN111427937A (zh) * | 2019-01-09 | 2020-07-17 | 江苏新道格自控科技有限公司 | 旋转机械在线健康管理与技术状态评估*** |
| CN111623869A (zh) * | 2020-05-20 | 2020-09-04 | 北京必创科技股份有限公司 | 基于边缘计算的数据处理方法和数据监测及边缘计算装置 |
| CN111781914A (zh) * | 2020-06-30 | 2020-10-16 | 深圳市元征科技股份有限公司 | 一种诊断数据共享方法及相关装置 |
| CN112533276A (zh) * | 2020-11-27 | 2021-03-19 | 北京宇航***工程研究所 | 基于箭载无线传感网络的自适应编帧设计方法及*** |
| CN112926257A (zh) * | 2020-09-25 | 2021-06-08 | 中国石油天然气集团有限公司 | 往复式天然气压缩机故障诊断***以及诊断方法 |
| CN112947177A (zh) * | 2021-02-04 | 2021-06-11 | 中国神华能源股份有限公司国华电力分公司 | 一种设备点检***、方法、装置及存储介质 |
| CN113495824A (zh) * | 2020-04-08 | 2021-10-12 | 巴鲁夫公司 | 用于操作***的方法 |
| CN113996953A (zh) * | 2020-07-28 | 2022-02-01 | 宝山钢铁股份有限公司 | 一种激光焊机的状态数据综合采集分析*** |
| CN114157927A (zh) * | 2021-12-06 | 2022-03-08 | 三一汽车制造有限公司 | 录波方法、装置和作业机械 |
| CN116582574A (zh) * | 2023-07-13 | 2023-08-11 | 深圳市聚亚科技有限公司 | 一种基于物联网的大气监测*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102008019104A1 (de) * | 2007-11-20 | 2009-05-28 | Siemens Aktiengesellschaft | Verfahren zum Auswerten von Fehlerzuständen in Sensoreinheiten |
| CN101516693A (zh) * | 2006-07-31 | 2009-08-26 | 卡特彼勒公司 | 用于操作机械的方法和*** |
| CN101825890A (zh) * | 2010-03-25 | 2010-09-08 | 刘文祥 | 物网 |
| CN203181116U (zh) * | 2013-04-08 | 2013-09-04 | 成都赛腾自动化工程有限公司 | 传感器视频联动大型机械旋转监测*** |
| CN103884371A (zh) * | 2012-12-20 | 2014-06-25 | 中国科学院沈阳自动化研究所 | 基于wia-pa无线振动仪表的故障诊断装置及方法 |
| CN104469927A (zh) * | 2014-10-27 | 2015-03-25 | 北京必创科技股份有限公司 | 一种无线传感器星型网络的同步采集方法和*** |
| CN107276816A (zh) * | 2016-11-03 | 2017-10-20 | 厦门嵘拓物联科技有限公司 | 一种基于云服务的远程监测与故障诊断***及故障诊断方法 |
-
2018
- 2018-05-30 CN CN201810541293.2A patent/CN108871434B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101516693A (zh) * | 2006-07-31 | 2009-08-26 | 卡特彼勒公司 | 用于操作机械的方法和*** |
| DE102008019104A1 (de) * | 2007-11-20 | 2009-05-28 | Siemens Aktiengesellschaft | Verfahren zum Auswerten von Fehlerzuständen in Sensoreinheiten |
| CN101825890A (zh) * | 2010-03-25 | 2010-09-08 | 刘文祥 | 物网 |
| CN103884371A (zh) * | 2012-12-20 | 2014-06-25 | 中国科学院沈阳自动化研究所 | 基于wia-pa无线振动仪表的故障诊断装置及方法 |
| CN203181116U (zh) * | 2013-04-08 | 2013-09-04 | 成都赛腾自动化工程有限公司 | 传感器视频联动大型机械旋转监测*** |
| CN104469927A (zh) * | 2014-10-27 | 2015-03-25 | 北京必创科技股份有限公司 | 一种无线传感器星型网络的同步采集方法和*** |
| CN107276816A (zh) * | 2016-11-03 | 2017-10-20 | 厦门嵘拓物联科技有限公司 | 一种基于云服务的远程监测与故障诊断***及故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 温建;杨再志;马昕;: "输油泵机组故障在线监测与诊断***的开发", 通用机械, no. 12, 10 December 2011 (2011-12-10) * |
| 玄兆燕;薛琦;谢世满;: "矿井风机在线监测与故障诊断***设计", 煤矿机械, no. 12, 15 December 2014 (2014-12-15) * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111427937A (zh) * | 2019-01-09 | 2020-07-17 | 江苏新道格自控科技有限公司 | 旋转机械在线健康管理与技术状态评估*** |
| CN110398264A (zh) * | 2019-07-31 | 2019-11-01 | 联想(北京)有限公司 | 一种设备状态监测方法及*** |
| CN110362068A (zh) * | 2019-08-02 | 2019-10-22 | 苏州容思恒辉智能科技有限公司 | 一种基于工业物联网的机械设备故障预警方法、***和可读存储介质 |
| CN110864739A (zh) * | 2019-11-28 | 2020-03-06 | 浙江翰德圣智能再制造技术有限公司 | 基于无线物联网的设备监测分析***及其监测分析方法 |
| CN113495824A (zh) * | 2020-04-08 | 2021-10-12 | 巴鲁夫公司 | 用于操作***的方法 |
| CN111623869A (zh) * | 2020-05-20 | 2020-09-04 | 北京必创科技股份有限公司 | 基于边缘计算的数据处理方法和数据监测及边缘计算装置 |
| CN111781914A (zh) * | 2020-06-30 | 2020-10-16 | 深圳市元征科技股份有限公司 | 一种诊断数据共享方法及相关装置 |
| CN113996953B (zh) * | 2020-07-28 | 2023-08-11 | 宝山钢铁股份有限公司 | 一种激光焊机的状态数据综合采集分析*** |
| CN113996953A (zh) * | 2020-07-28 | 2022-02-01 | 宝山钢铁股份有限公司 | 一种激光焊机的状态数据综合采集分析*** |
| CN112926257A (zh) * | 2020-09-25 | 2021-06-08 | 中国石油天然气集团有限公司 | 往复式天然气压缩机故障诊断***以及诊断方法 |
| CN112533276A (zh) * | 2020-11-27 | 2021-03-19 | 北京宇航***工程研究所 | 基于箭载无线传感网络的自适应编帧设计方法及*** |
| CN112533276B (zh) * | 2020-11-27 | 2023-11-10 | 北京宇航***工程研究所 | 基于箭载无线传感网络的自适应编帧设计方法及*** |
| CN112947177A (zh) * | 2021-02-04 | 2021-06-11 | 中国神华能源股份有限公司国华电力分公司 | 一种设备点检***、方法、装置及存储介质 |
| CN114157927A (zh) * | 2021-12-06 | 2022-03-08 | 三一汽车制造有限公司 | 录波方法、装置和作业机械 |
| CN116582574A (zh) * | 2023-07-13 | 2023-08-11 | 深圳市聚亚科技有限公司 | 一种基于物联网的大气监测*** |
| CN116582574B (zh) * | 2023-07-13 | 2023-09-26 | 深圳市聚亚科技有限公司 | 一种基于物联网的大气监测*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108871434B (zh) | 2024-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108871434A (zh) | 一种旋转设备的在线监测***及方法 | |
| CN105446328B (zh) | 发电机组远程故障诊断和健康监测***及数据捕获方法 | |
| CN109144014B (zh) | 工业设备运行状况的检测***及方法 | |
| CN108684010B (zh) | 基于物联网的电缆井运行状态在线监测装置及监测方法 | |
| CN105093109B (zh) | 一种电机状态无线远程监测与互联***及其方法 | |
| CN109507924B (zh) | 用于油田作业设备的远程监控*** | |
| CN107037800B (zh) | 基于客户端制氧设备远程故障诊断***的故障诊断方法 | |
| CN107345857A (zh) | 一种电主轴状态监测与故障诊断***及其监测诊断方法 | |
| CN104052631A (zh) | 一种设备信息的采集方法、装置以及*** | |
| CN205647550U (zh) | 一种智能实验室的监控*** | |
| CN106774220A (zh) | 一种火电厂分布式控制***在线运行状态监测平台 | |
| CN108780528A (zh) | 设备管理装置、设备管理***、程序以及设备管理方法 | |
| CN105699827A (zh) | 一种智能输电线路综合监测分析及一体化运维*** | |
| CN107907332A (zh) | 基于无线传感网络的轴承振动监测设备 | |
| CN106672733A (zh) | 一种基于微云智能终端的电梯故障分析预警***及其方法 | |
| CN111290324B (zh) | 5t探测站安全监控诊断***及其健康报警方法 | |
| CN109034400A (zh) | 一种变电站异常量测数据预测平台*** | |
| CN102722165A (zh) | 可靠性试验远程监控*** | |
| KR101726304B1 (ko) | 사물인터넷 기반의 수자원 데이터 처리장치 및 그 방법 | |
| CN102758727B (zh) | 集成于控制***的风力机状态监测与故障诊断***及方法 | |
| CN110531656A (zh) | 一种水电机组性能的监测***和方法 | |
| CN107860425A (zh) | 一种桥梁结构健康监测与预警***及方法 | |
| CN110995785A (zh) | 基于物联网的低压配电网云平台 | |
| CN112615436A (zh) | 一种变电站综自装置健康诊断及监视***和方法 | |
| CN107506889A (zh) | 能源数据处理方法、装置、能源处理器及能源处理*** |
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 |