CN110208019B - 一种动设备状态监测动态阈值预警方法 - Google Patents
一种动设备状态监测动态阈值预警方法 Download PDFInfo
- Publication number
- CN110208019B CN110208019B CN201910397581.XA CN201910397581A CN110208019B CN 110208019 B CN110208019 B CN 110208019B CN 201910397581 A CN201910397581 A CN 201910397581A CN 110208019 B CN110208019 B CN 110208019B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- early warning
- trend
- mobile equipment
- threshold value
- 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.)
- Active
Links
Images
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种动设备状态监测动态阈值预警方法，包括：对在线监测***大量监测数据统计分析，采用动态的自学习阈值算法计算预警阈值，并应用l1趋势滤波技术消除随机误差获取滤波后的趋势；应用动态自学习阈值替代监测***中的常规报警阈值，比较自学习预警阈值与滤波后的趋势，实现了动设备故障早期预警。本发明能够弥补常规报警方式在早期故障预警方面的不足，在故障发生早期尚未出发常规报警时就可以监测到趋势异常，从而实现早期预警。
Description
技术领域
本发明属于设备健康监测应用技术领域，更具体地，涉及一种动设备状态监测动态阈值预警方法。
背景技术
电机、泵、柴油机、往复式压缩机、内燃机、燃气轮机、燃气发动机等是石化、电力等流程工业中广泛使用的机械，该类设备安全、稳定的运行，会产生良好的经济效益和社会效益。目前，企业中的大型动设备多数已安装在线监测***，但是，当前的在线监测***并不能实现机械故障的早期预警，主要因为常规报警存在以下问题：(1)报警阈值由主机厂提供并预先设定到监测***中，当机组报警时故障已经恶化到一定程度，并不能在故障发生的早期实现预警；(2)若为了使监测***实现早期预警而将报警阈值调低，则可能会因噪声及采集误差的影响使实时采集的监测数据反复穿越报警线，导致大量错误预警；(3)若采用传统平滑滤波技术消除噪声及采集误差的影响，则有可能丢失关键故障信息，从而产生严重事故，给企业带来巨大损失。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提出一种动设备状态监测动态阈值报警技术，其目的在于能够充分利用在线监测***的监测数据，通过自学习得到动态报警阈值空间，结合l1实时趋势滤波，实现动设备状态监测动态阈值预警，解决常规报警的上述问题。
为实现上述目的，本发明提供了一种动设备状态监测动态阈值预警方法方法，包括如下步骤：
(1)根据动设备平稳运行t秒的监测参数趋势数据X(N)＝{x1,x2,…,xN},N＝fst，其中fs为采样频率，N为采样点数，计算得到监测参数趋势数据的概率密度分布函数，即
式中，Xk为X(N)所分第k个区间的中点值，mk为X(N)落在第k个区间内的样本数据个数，hk是每个区间的半宽度，n为X(N)所分区间的个数；
(2)基于(1)所得概率密度分布f(Xk)拟合得到监测参数趋势数据X(N)的贝塔分布形状参数γ和η，并将X(N)服从贝塔分布简记为X(n)β(γ,η)；
(3)计算(2)所得贝塔分布的双侧α分位数λ1,λ2，其中α为尖峰噪声引起的采集误差，也即
式中，P{X≤λ1}表示X(N)中不大于上侧
分位数λ1的概率，P{X＞λ2}表示X(N)中不小于上侧
分位数λ2的概率；
(4)计算得到监测参数趋势数据X(N)的阈值下限Thd1和阈值上限Thd2，也即
Thd1＝λ1(xmax-xmin)+xmin
Thd2＝λ2(xmax-xmin)+xmin
式中，xmin为X(n)中的最小值，xmax为X(n)中的最大值，进而得到自学习报警阈值区间[Thd1,Thd2]；
(5)采用l1趋势滤波技术对动设备趋势数据进行实时滤波，消除X(n)中的采集误差，也即使下矩阵式最小
式中，Y(N)是X(N)的基本趋势，||X(N)-Y(N)||2表示残差序列X(N)-Y(N)的l2范数(二阶范数)，χ表示l1滤波控制系数，
为二阶差分托普利兹矩阵，
表示实数，
当滤波后的趋势超出步骤(4)所得报警阈值区间[Thd1,Thd2]时，监测***发出预警。
通过对监测参数趋势数据X(n)进行上述处理，实现动设备状态监测动态阈值预警。
进一步地，在步骤(1)计算概率密度分布f(Xk)时，应将监测参数趋势数据X(N)进行归一化处理，即
式中，xi为第i个监测参数数据，
为xi归一化后的监测参数数据，并用
代替X(n)中的xi，这样可保证步骤(2)得到标准的贝塔分布，也即分布在0～1中间。
进一步地，在步骤(2)中的形状参数可借助最小二乘法进行求解，也即计算X(n)的残差平方和
式中，Wk为权系数取X(n)的残差绝对值的倒数；f(Xk,γ,μ)为标准贝塔分布函数，
通过令
和
得到贝塔分布形状参数γ和η，n如步骤(1.1)中所写为X(N)所分区间的个数，β(γ,η)表示X(N)服从贝塔分布的简记。
进一步地，在步骤(3)中尖峰噪声所引起的采集误差α，外部影响导致在采集过程中产生的尖峰噪声的误差一般情况下为5％，即取α＝0.05。
本发明还提供了上述方法的用途，上述方法用于石化、冶金、电力、有色等过程工业的所有动设备例如电机、泵、柴油机、往复式压缩机、内燃机、燃气轮机、燃气发动机的状态监测动态阈值预警。
总体而言，本发明所构思的以上技术方案与现有技术相比，具有如下有益效果：
(1)通过自学习获得动态阈值，可以实现缓变故障和突变故障的智能预警，及时采取相应措施；
(2)通过l1趋势滤波消除了监测趋势数据中的采集误差，降低了虚警率；
(3)随着监测时间的增长阈值模型会越来越准确，误报率和虚报率会越来越小，对于设备的故障越早预警，就越早避免因动设备故障造成的安全事故、资源损耗、经济损失及环境污染等有益效果。
附图说明
图1是本发明动设备状态监测动态阈值预警***框图；
图2是本发明实施例中动设备状态监测动态阈值预警流程图
图3是本发明实施例一中缓变故障原始趋势；
图4是本发明实施例一种l1滤波后缓变故障趋势；
图5是本发明实施例二中突变故障原始趋势；
图6是本发明实施例二中l1滤波后突变故障趋势；
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例一：
某企业烟气轮机的常规报警值为80μm、危险值为100μm。该机组某测点监测趋势从2017年6月初开始缓慢爬升，在此之前该测点趋势一直平稳在73μm左右，到2017年7月初爬升到95μm左右，一个月内趋势异常爬升了22μm。排查故障原因发现烟气中含有了催化剂，使得烟机叶片上逐渐粘附催化剂导致不平衡量逐渐增大，导致趋势发生缓慢爬升。
根据动态自学习预警阈值算法计算正常运行阶段的动态自学习预警阈值，取α＝0.05时，得到拟合后的贝塔分布的两个形状参数分别为γ＝2.7256，η＝2.4191趋势数据的预警阈值下限Thd1＝70.7905、上限Thd2＝73.6985，自学习预警阈值空间[70.7905,73.6985]。使用l1趋势滤波技术对趋势数据进行滤波处理，当该机组实时滤波后的趋势数据超出动态自学习预警阈值空间后发出预警。
如图3和图4所示，使用常规报警方式发出报警时，故障已经恶化到一定程度。与常规报警方式相比，本专利提出的动设备状态监测动态阈值预警方法在缓变故障发生的早期就可以发出预警，实现了缓慢变化故障早期预警，弥补常规报警方式在缓变故障预警上的不足。
实施例二：
某企业压缩机发生突发故障，其原因为压缩介质不干净，长期运行过程中，污垢在叶片上积累，污垢脱落瞬间导致转子不平衡量变化，从而使其振动趋势突变。
基于本专利提出的动设备状态监测动态阈值预警方法，计算出正常运行阶段的动态自学习阈值，取α＝0.05时，得到拟合后的贝塔分布的两个形状参数分别为γ＝1.9181，η＝2.6425，进而得到趋势数据的阈值下限Thd1＝34.9532、上限Thd2＝41.7177，也即自学习报警阈值区间为[34.9532,41.7177]。然后使用l1趋势滤波技术对振动趋势数据进行滤波处理，得到不含有波动干扰的该动设备振动趋势。
如图5和图6所示，当该机组振动趋势数据超出动态自学习阈值区间后发出预警，实现了突然变化故障早期预警，弥补常规报警方式在突然变化故障预警上的不足
本领域的技术人员容易理解，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作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种动设备状态监测动态阈值预警方法，其特征在于，包括如下步骤：
(1.1)根据动设备平稳运行t秒的监测参数趋势数据X(N)＝{x1,x2,…,xN},N＝fst，其中fs为采样频率，N为采样点数，计算得到监测参数趋势数据的概率密度分布函数，即
式中，Xk为X(N)所分第k个区间的中点值，γ,η为形状参数，mk为X(N)落在第k个区间内的样本数据个数，hk是每个区间的半宽度，n为X(N)所分区间的个数；
(1.2)基于(1.1)所得概率密度分布f(Xk)拟合得到监测参数趋势数据X(N)的贝塔分布形状参数γ和η，并将X(N)服从贝塔分布简记为X(n)～β(γ,η)；
(1.3)计算(1.2)所得贝塔分布的双侧α分位数λ1,λ2，其中α为尖峰噪声引起的采集误差，也即
式中，P{X≤λ1}表示X(N)中不大于上侧
分位数λ1的概率，P{X＞λ2}表示X(N)中不小于上侧
分位数λ2的概率；
(1.4)计算得到监测参数趋势数据X(N)的阈值下限Thd1和阈值上限Thd2，也即
Thd1＝λ1(xmax-xmin)+xmin
Thd2＝λ2(xmax-xmin)+xmin
式中，xmin为X(n)中的最小值，xmax为X(n)中的最大值，进而得到自学习报警阈值区间[Thd1,Thd2]；
(1.5)采用l1趋势滤波技术对动设备趋势数据进行实时滤波，消除X(n)中的采集误差，也即使下式最小
式中，Y(N)是X(N)的基本趋势，||X(N)-Y(N)||2表示残差序列X(N)-Y(N)的l2范数，χ表示l1滤波控制系数是一个非负参数用来控制Y(N)的平滑性和平衡余项的大小，
为二阶差分托普利兹矩阵，
表示实数，
当滤波后的趋势超出步骤(1.4)所得报警阈值区间[Thd1,Thd2]时，监测***发出预警；
通过对监测参数趋势数据X(n)进行上述处理，实现动设备状态监测动态阈值预警。
2.如权利要求1所述的一种动设备状态监测动态阈值预警方法，其特征在于，在步骤(1.1)计算概率密度分布f(Xk)时，应将监测参数趋势数据X(N)进行归一化处理，即
式中，xi为第i个监测参数数据，
为xi归一化后的监测参数数据，并用
代替X(n)中的xi，这样保证步骤(1.2)得到标准的贝塔分布，也即分布在0～1中间。
3.如权利要求1所述的一种动设备状态监测动态阈值预警方法，其特征在于，步骤(1.2)中的形状参数借助最小二乘法进行求解，也即计算X(n)的残差平方和
式中，Wk为权系数取X(n)的残差绝对值的倒数；f(Xk,γ,μ)为标准贝塔分布函数
通过令
和
得到贝塔分布形状参数γ和η，n如步骤(1.1)中所写为X(N)所分区间的个数，β(γ,η)如步骤(1.2)所写表示X(N)服从贝塔分布的简记。
4.如权利要求1所述的一种动设备状态监测动态阈值预警方法，其特征在于，步骤(1.3)中尖峰噪声所引起的采集误差α，外部影响导致在采集过程中产生的尖峰噪声的误差一般情况下为5％，即取α＝0.05。
5.如权利要求1-4任意一项所述的一种动设备状态监测动态阈值预警方法，其特征在于，该方法适用于石化、冶金或电力的所有动设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910397581.XA CN110208019B (zh) | 2019-05-14 | 2019-05-14 | 一种动设备状态监测动态阈值预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910397581.XA CN110208019B (zh) | 2019-05-14 | 2019-05-14 | 一种动设备状态监测动态阈值预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110208019A CN110208019A (zh) | 2019-09-06 |
| CN110208019B true CN110208019B (zh) | 2021-03-02 |
Family
ID=67787154
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910397581.XA Active CN110208019B (zh) | 2019-05-14 | 2019-05-14 | 一种动设备状态监测动态阈值预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110208019B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110648059A (zh) * | 2019-09-19 | 2020-01-03 | 国家电网有限公司 | 电力通信设备数据处理方法和装置 |
| CN110705801A (zh) * | 2019-10-10 | 2020-01-17 | 国网山东省电力公司泰安供电公司 | 基于故障损失电量的电网事故经济损失估算方法及*** |
| US20240152133A1 (en) * | 2019-10-16 | 2024-05-09 | Nippon Telegraph And Telephone Corporation | Threshold acquisition apparatus, method and program for the same |
| CN111222247A (zh) * | 2020-01-13 | 2020-06-02 | 北京化工大学 | 一种旋转机械早期故障预警方法 |
| CN111275185A (zh) * | 2020-01-16 | 2020-06-12 | 珠海格力电器股份有限公司 | 一种能源使用状态预警方法、装置、设备和存储介质 |
| CN111274544B (zh) * | 2020-01-19 | 2024-02-20 | 中铁桥隧技术有限公司 | 一种基于移动区间关联性趋势的预警阈值设置方法 |
| CN111932843A (zh) * | 2020-07-01 | 2020-11-13 | 中国人民解放军海军工程大学 | 一种动设备在线监测报警限反复穿越方法 |
| CN112488327B (zh) * | 2020-11-10 | 2023-04-28 | 国网天津市电力公司电力科学研究院 | 一种自学习电网设备故障缺陷预警***及其方法 |
| CN112395550B (zh) * | 2020-11-19 | 2023-02-03 | 中国船舶重工集团公司第七0四研究所 | 基于可视化特征参数矩阵的旋转机械故障预警方法 |
| CN113312244A (zh) * | 2021-07-28 | 2021-08-27 | 阿里云计算有限公司 | 一种故障监测方法、设备、程序产品及存储介质 |
| CN114135477B (zh) * | 2021-10-11 | 2024-04-02 | 昆明嘉和科技股份有限公司 | 一种机泵设备状态监测动态阈值预警方法 |
| CN114104332B (zh) * | 2021-11-19 | 2023-09-22 | 中国直升机设计研究所 | 直升机动部件的状态指标动态阈值的获取方法和装置 |
| CN115514621B (zh) * | 2022-11-15 | 2023-03-21 | 阿里云计算有限公司 | 故障监测方法、电子设备及存储介质 |
| CN117705448B (zh) * | 2024-02-05 | 2024-05-07 | 南京凯奥思数据技术有限公司 | 基于滑动平均与3σ准则相融合的轴承故障劣化趋势阈值预警方法及*** |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101718634B (zh) * | 2009-11-20 | 2012-05-09 | 西安交通大学 | 基于多元概率模型的设备状态综合动态报警方法 |
| KR101768654B1 (ko) * | 2016-01-20 | 2017-08-17 | 울산과학기술원 | 전자 기기의 고장 예측 장치 및 이를 이용한 고장 예측 방법 |
| CN106017936A (zh) * | 2016-05-24 | 2016-10-12 | 国家电网公司 | 一种水轮机组运行状态监测诊断方法 |
| CN106209432B (zh) * | 2016-06-30 | 2019-04-19 | 中国人民解放军国防科学技术大学 | 基于动态阈值的网络设备亚健康预警方法及装置 |
| CN106203799A (zh) * | 2016-07-01 | 2016-12-07 | 中国南方电网有限责任公司 | 一种设备风险预警的方法 |
| CN107861915B (zh) * | 2017-11-09 | 2021-06-25 | 东软集团股份有限公司 | 获取预警阈值的方法、装置以及存储介质 |
-
2019
- 2019-05-14 CN CN201910397581.XA patent/CN110208019B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110208019A (zh) | 2019-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110208019B (zh) | 一种动设备状态监测动态阈值预警方法 | |
| CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
| CN109240244B (zh) | 基于数据驱动的设备运行状态健康度分析方法及*** | |
| US6587737B2 (en) | Method for the monitoring of a plant | |
| CN111114519B (zh) | 一种铁路车辆制动故障预测方法及健康管理*** | |
| CN111474919B (zh) | 基于aann网络组的航空发动机控制***传感器故障诊断方法 | |
| CN104390657A (zh) | 一种发电机组运行参数测量传感器故障诊断方法及*** | |
| WO2011049667A1 (en) | System and method for selecting a maintenance operation | |
| CN111506049B (zh) | 基于aann网络***的航空发动机控制***多重故障诊断方法 | |
| CN110261122A (zh) | 一种基于分块的船舶柴油机故障监测方法 | |
| CN109615126A (zh) | 一种轴承剩余寿命预测方法 | |
| CN117079428A (zh) | 一种用于厂区危化气体泄漏监测的区域预警*** | |
| CN115131946B (zh) | 一种考虑工况波动的自适应设备报警方法和*** | |
| CN116976191A (zh) | 一种水轮发电机组轴系稳定性劣化趋势预测方法 | |
| RU2687848C1 (ru) | Способ и система вибромониторинга промышленной безопасности динамического оборудования опасных производственных объектов | |
| CN114048629A (zh) | 一种船舶柴油机健康管控***及管控方法 | |
| CN116071053B (zh) | 基于数字孪生的往复式压缩机状态预警*** | |
| CN114738132B (zh) | 基于实船数据的增压器转速传感器故障诊断方法及*** | |
| CN105138755A (zh) | 一种液体火箭发动机试验台故障响应生成器的设计方法 | |
| CN109894476B (zh) | 一种冷轧硅钢生产线液压设备故障诊断方法和装置 | |
| CN113361906A (zh) | 基于灰色关联分析的变压器状态维修决策***及决策方法 | |
| CN112328650A (zh) | 一种基于监控信号的设备缺陷评估方法 | |
| CN117334966B (zh) | 一种基于车载氢***的运行监测方法及*** | |
| CN117371978B (zh) | 一种基于物联网平台的供水项目设备故障溯源方法 | |
| CN117851956B (zh) | 基于数据分析的机电设备故障诊断方法、***及终端 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210727 Address after: 101399 floor 2, plant 9, Maohua workshop, No. 1, CAIDA Third Street, Nancai Town, Shunyi District, Beijing Patentee after: BEIJING BOHUA ANCHUANG TECHNOLOGY Co.,Ltd. Address before: 100029 3 / F, xinhuaxin building, 5 yinghuayuan East Street, Chaoyang District, Beijing Patentee before: BEIJING BOHUA XINZHI TECHNOLOGY Co.,Ltd. |
|
| TR01 | Transfer of patent right |