CN114722866A - 一种基于工业互联网的设备追踪管控*** - Google Patents
一种基于工业互联网的设备追踪管控*** Download PDFInfo
- Publication number
- CN114722866A CN114722866A CN202210314062.4A CN202210314062A CN114722866A CN 114722866 A CN114722866 A CN 114722866A CN 202210314062 A CN202210314062 A CN 202210314062A CN 114722866 A CN114722866 A CN 114722866A
- Authority
- CN
- China
- Prior art keywords
- fault
- noise
- amplitude
- fault type
- oscillogram
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开一种基于工业互联网的设备追踪管控***,包括数据采集获取单元、数据流分析单元、信号分离提取单元、故障种类构建单元、故障噪音配比分离单元、故障聚合定位单元和故障追踪管控单元。本发明根据建立特征变量配比分离公式分析出实时相对分离波形图所包含的故障种类,并对故障种类特征集合中的特征参数进行聚集度分析,以获得故障聚合定位距离,进而通过故障聚合定位距离分析出该故障种类与采集点间的相对位置,实现对故障种类所在位置的定位分析,以排查堆垛机上同一故障种类可能分布在多个位置的情况,减低了故障位置排查的繁琐程度,实现故障的精准定位追踪,对存在的故障种类进行管控,以提高设备运行的效率和安全性。
Description
技术领域
本发明属于工业互联网的设备管理技术领域,涉及到一种基于工业互联网的设备追踪管控***。
背景技术
工业互联网(Industrial Internet)是新一代信息通信技术与工业经济深度融合的新型基础设施、应用模式和工业生态,通过对人、机、物、***等的全面连接,构建起覆盖全产业链、全价值链的全新制造和服务体系。
堆垛机属于一种仓储设备,在工业领域具有重要的作用,堆垛机一般指堆垛起重机。堆垛起重机是指采用货叉或串杆作为取物装置,在仓库、车间等处攫取、搬运和堆垛或从高层货架上取放单元货物的专用起重机。
现有堆垛机在使用过程中发生故障的频率繁多,且发生故障种类也多,严重影响工业货物的搬运和存放效率,一旦堆垛机发生故障时,技术人员需对堆垛机进行故障排查,造成故障检修排查时间长、效率低等问题,当堆垛机发生异常噪音声响时,无法根据噪音声响判断堆垛机可能存在的故障,更无法精准判断堆垛机在同一故障种类下的若干分布位置处中的具体发生故障的位置,增加故障位置检查的繁琐程度,无法实现对设备故障的精准定位追踪,导致设备运行的效率差,对于堆垛机发生噪音的故障包括轴承温度高、减速器温度高、堆垛机运行发生冲击性噪音、堆垛机左右晃动产生的噪音等,同时无法根据设备运行过程中的温度以及振动数据判断设备运行过程中是否异常,一旦无法发现故障将严重影响设备的正常运行,甚至缩短设备使用寿命短。
发明内容
本发明的目的在于提供的一种基于工业互联网的设备追踪管控***,解决了现有技术中存在的问题。
本发明的目的可以通过以下技术方案实现:
一种基于工业互联网的设备追踪管控***,包括数据采集获取单元、数据流分析单元、信号分离提取单元、故障种类构建单元、故障噪音配比分离单元、故障聚合定位单元和故障追踪管控单元;
数据采集获取单元用于对工业堆垛机在使用过程中的轴承温度、减速器温度、货叉摆动幅度、运行噪音数据信息进行检测;
数据流分析单元用于获取货叉摆动幅度,通过货叉摆动幅值建立货叉振动频谱波形图,根据振动频谱波形图获得时域振动波形的振动特征参数,并获取运行混合噪音,建立混合噪声实时波形图,提取混合噪声实时波形图中的混合噪音特征参数;
信号分离提取单元用于提取堆垛机在正常运行过程中的一个完整周期下的运行声音所对应的声音实时波形图,将声音实时波形图与噪音实时波形图进行对比,以对噪音实时波形图中的声音实时波形图进行分离剔除,获得分离后的一个完整周期内的实时相对分离波形图,提取实时相对分离波形图中的噪音特征参数,并建立噪音特征参数集;
故障种类构建单元用于获取不同故障种类下的堆垛机所产生的单一噪音波形图,对提取各故障种类下的单一噪音波形图进行分析,建立单一故障种类下的故障种类特征集合;
故障噪音配比分离单元用于获取信号分离提取单元分离后的实时相对分离波形图对应的噪音特征参数集,并根据实时相对分离波形图对应的噪音特征参数集中的噪音特征参数与各故障种类所对应的单一故障种类下的故障种类特征参数集Ck中的噪音特征参数建立特征变量配比分离公式,分析获得当前分离后的实时相对分离波形图所包含的故障种类,并提取特征变量配比分离公式中各故障种类对当前堆垛机运行的变量干扰配比系数;
故障聚合定位单元用于提取分离后的实时相对分离波形图所包含的故障种类以及提取预先建立的各故障种类间的关联系数,并筛选出各故障种类对应的变量干扰配比系数,将提取的分离出的故障种类对应的噪音最大幅值、最小幅值、峰差值、平均幅值、标准幅值差、幅值的中位数与故障种类构建单元构建的噪音波形图所对应的故障种类特征集合中的特征参数进行聚集度分析,以获得故障聚合定位距离;
故障追踪管控单元用于获取故障聚合定位单元分析获得的各故障种类对应的故障聚合定位距离,并根据该故障聚合定位距离,筛选出该故障种类与声音采集点的距离最接近该故障聚合定位距离的故障种类位置。
优选地,所述故障种类构建单元依次筛选出不同故障种类下的噪音波形图,根据噪音波形图建立单一故障种类特征集合,采用方法如下:
S1、分别控制堆垛机处于单一故障种类状态,获取各单一故障种类下的噪音波形图;
S2、对各单一故障种类下的噪音波形图进行多尺度分解,获得分解后的多个小段噪音波形;
S3、判断各小段噪音波形所对应的幅值是否大于设定的该故障种类所对应的阈值,若大于,则将该小段噪音波形所对应的幅值赋值为Pk,Pk=Ukmax-δk,Ukmax为第k个故障种类产生噪音的最大幅值,δk为第k个故障种类所对应的噪音幅值标准差,若小于,则将该小段噪音波形所对应的幅值赋值等于0;
S4、对步骤S3过滤后的噪音波形所对应的幅值进行重新建立,获得增强型噪音波形图;
S5、提取经滤波增强处理后的噪音波形图中的噪音特征参数,建立故障种类特征参数集Ck(ck1,ck2,...,cki,...,ckr),k为设定的堆垛机的故障种类编号,k=1,2,...,m,cki为第k个故障种类下的第i个噪音特征参数,故障种类特征参数集Ck由噪音最大幅值、最小幅值、峰差值、平均幅值、标准幅值差、幅值的中位数特征参数组成,r为噪音特征参数的数量。
优选地,所述特征变量融合的公式: 通过将r个特征变量配比分离公式中的子公式进行变换,分别求得λ1,λ2,...,λm,且λ1,λ2,...,λm分别为故障种类1,2,...,m所对应的变量干扰配比系数,λ1,λ2,...,λm均小于1。
优选地,所述故障追踪管控单元提取轴承和减速器表面的温度,判断轴承表面温度和减速器表面温度是否大于设定的温度阈值,若大于,则发送故障管控指令至工作人员,以对该故障进行维修。
优选地,所述故障追踪管控单元提取数据流分析单元中时域振动波形中的振动最大幅值、最小幅值、平均振动幅值和标准差值,判断货叉振动偏移系数η1、η2、η3和η4分别为最大幅值、最小幅值、平均振动幅值和标准差值对应的决策比例系数,且η1+η2+η3+η4=1,上述的各数值的决策比例系数通过多次模拟实验获得,具体0.14、0.14、0.32和0.4,umax、umin、和ε分别为堆垛机货叉在使用过程中所被允许的最大幅值、最小幅值、平均振动幅值和标准差值。
优选地,对实时相对分离波形图进行各故障种类进行分离的方法,包括以下步骤:
步骤1、获取设备在使用过程中的各故障种类出现次数;
步骤2、判断各故障种类对应的概率εk,各故障种类对应的概率等于监测时间段T与该故障种类发生两次故障的间隔时间段间的比值;
步骤3、按照各故障种类对应的概率由大到小进行故障种类分离,即提取实时相对分离波形图中的噪音最大幅值,判断最大幅值是否大于故障种类所对应的概率最大的该故障种类的噪音幅值,若小于,执行步骤4,若大于,则执行步骤5;
步骤4、则依次降低概率,筛选出下一概率所对应的故障种类,将该故障种类所对应的噪音幅值与实时相对分离波形图中的噪音最大幅值进行对比,直至筛选出单一故障种类所对应的噪音最大幅值与实时相对分离波形图中的噪音最大幅值间的误差在允许范围内的故障种类,并执行步骤6;
步骤5、依次提取概率最大的两故障种类所对应的噪音最大幅值,并将两故障种类所对应的最大幅值之和与实时相对分离波形图中的最大幅值进行对比,判断噪音幅值误差是否在允许的范围内,若在,则执行步骤6,若不在,则重新将概率最大的故障种类与概率逐次降低的另一故障种类所对应的噪音最大幅值进行求和,并与实时相对分离波形图中的噪音最大幅值进行对,直至筛选出两故障种类的最大幅值和与实时相对分离波形图中的最大幅值间的差值是否在允许的范围内;
步骤6、提取筛选分离出的至少一种故障种类所对应的最小幅值,将分离出的故障种类对应的最小幅值求和,并将求和后的数值与实时相对分离波形图中的最小幅值进行对比,判断是否在允许的误差范围内,如不在允许的误差范围内,则继续执行步骤4或步骤5。
当分离出一种故障种类时,在步骤6进行分离校验的过程中,若不在允许的误差范围内,则继续执行步骤4,若分离出两种故障种类,在步骤6进行分离校验的过程中,若不在允许的误差范围内,则继续执行步骤5。
本发明的有益效果:
本发明提供的基于工业互联网的设备追踪管控***,通过采用信号分离提取单元对噪音实时波形图中的声音实时波形图进行分离剔除,以获得实时相对分离波形图中的噪音特征参数,并根据建立特征变量配比分离公式分析出实时相对分离波形图所包含的故障种类,实现对采集噪音中所包含的故障种类的分离,便于了解混合噪音产生的故障源头。
通过故障聚合定位单元对故障种类特征集合中的特征参数进行聚集度分析,以获得故障聚合定位距离,进而通过故障聚合定位距离分析出该故障种类与采集点间的相对位置,实现对故障种类所在位置的定位分析,以排查堆垛机上同一故障种类可能分布在多个位置的情况,减低了故障位置排查的繁琐程度,实现故障的精准定位,通过对引发设备的各故障种类进行故障种类筛查和故障定位追踪,能够有效判断各故障种类是否存在以及故障种类存在的位置,并对存在的故障种类进行管控,以提高设备运行的效率和安全性。
本发明通过故障种类构建单元依次筛选出不同故障种类下的噪音波形图,根据噪音波形图建立单一故障种类特征集合,通过对噪音波形进行多次尺度分解以及阈值大小判断等操作,能够对各故障种类所对应的噪音波形进行过滤,且对噪音幅值进行增强处理,消除环境干扰源产生的噪音对各故障种类所产生噪音的干扰,为后期实时相对分离波形图中所包含的故障种类分析,提供精确的数据支撑。
具体实施方式
下面将结合本发明实施例,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1
一种基于工业互联网的设备追踪管控***,包括数据采集获取单元、数据流分析单元、信号分离提取单元、故障种类构建单元、故障噪音配比分离单元、故障聚合定位单元和故障追踪管控单元。
数据采集获取单元用于对工业堆垛机在使用过程中的轴承温度、减速器温度、货叉摆动幅度、运行噪音等数据信息进行检测,数据采集获取单元由多种传感器组成,包括温度传感器、振动传感器、声音传感器等。
数据流分析单元用于获取货叉摆动幅度,通过货叉摆动幅值建立货叉振动频谱波形图,根据振动频谱波形图获得时域振动波形的最大幅值、最小幅值、峰差值、平均振动幅值、标准差值等振动特征参数,并获取运行混合噪音,建立混合噪声实时波形图,提取混合噪声实时波形图中的混合噪音特征参数,混合噪音特征参数包括噪音的最大幅值、最小幅值、峰值差和周期时长,该混合噪音由设备正常运行所产生的声音与至少一种故障所引发的噪音混合而成的声音;
其中,振动频谱波形图中的最大幅值Amax和最小幅值Amin,可直接通过振动频谱波形图中获得,峰差值等于最大幅值与最小幅值间的差值。
信号分离提取单元用于提取堆垛机在正常运行过程中的一个完整周期下的运行声音所对应的声音实时波形图,将声音实时波形图与噪音实时波形图进行对比,以对噪音实时波形图中的声音实时波形图进行分离剔除,获得分离后的一个完整周期内的实时相对分离波形图,提取实时相对分离波形图中的噪音特征参数,并建立噪音特征参数集B(b1,b2,...,bi,...,br),bi表示为第i个噪音特征参数,r为噪音特征参数的元素数量,其中,噪音特征参数集中各噪音特征参数按照编号顺序分别为:最大幅值、最小幅值、峰差值、平均幅值、标准幅值差、幅值的中位数以及噪音周期等。
在实时相对分离波形图的一个完整周期内求取噪音的平均幅值、标准幅值差与振动频谱波形图中振动的平均幅值、标准幅值差的计算公式相同。
故障种类构建单元用于获取不同故障种类下的堆垛机所产生的单一噪音波形图,对提取各故障种类下的单一噪音波形图进行分析,建立单一故障种类下的故障种类特征集合,此处故障种类均能产生噪音,对故障种类不产生噪音的不在该研究范围内。
所述故障种类构建单元依次筛选出不同故障种类下的噪音波形图,根据噪音波形图建立单一故障种类特征集合,采用方法如下:
S1、分别控制堆垛机处于单一故障种类状态,获取各单一故障种类下的噪音波形图;
S2、对各单一故障种类下的噪音波形图进行多尺度分解,获得分解后的多个小段噪音波形;
S3、判断各小段噪音波形所对应的幅值是否大于设定的该故障种类所对应的阈值,若大于,则将该小段噪音波形所对应的幅值赋值为Pk,Pk=Ukmax-δk,Ukmax为第k个故障种类产生噪音的最大幅值,δk为第k个故障种类所对应的噪音幅值标准差,若小于,则将该小段噪音波形所对应的幅值赋值等于0,其中,不同故障种类所对应的阈值不同,各故障种类所对应的阈值等于该故障种类所对应的噪音波形图中噪音幅值的中位值;
S4、对步骤S3过滤后的噪音波形所对应的幅值进行重新建立,获得增强型噪音波形图;
S5、提取经滤波增强处理后的噪音波形图中的噪音特征参数,建立故障种类特征参数集Ck(ck1,ck2,...,cki,...,ckr),k为设定的堆垛机的故障种类编号,k=1,2,...,m,cki为第k个故障种类下的第i个噪音特征参数,故障种类特征参数集Ck由噪音最大幅值、最小幅值、峰差值、平均幅值、标准幅值差、幅值的中位数特征参数组成,r为噪音特征参数的数量;
其中,各故障种类所造成的噪音特征参数不同,当堆垛机出现轴承温度高、减速器温度高、货叉左右晃动、运行过程中出现周期性冲击、变频器报警等故障种类时,产生的噪音特征参数不同。
通过对噪音波形进行多次尺度分解以及阈值大小判断等操作,能够对各故障种类所对应的噪音波形进行过滤,且对噪音幅值进行增强处理,消除环境干扰源产生的噪音对各故障种类所产生噪音的干扰。
故障噪音配比分离单元用于获取信号分离提取单元分离后的实时相对分离波形图对应的噪音特征参数集,并根据实时相对分离波形图对应的噪音特征参数集中的噪音特征参数与各故障种类所对应的单一故障种类下的故障种类特征参数集Ck中的噪音特征参数建立特征变量配比分离公式,分析获得当前分离后的实时相对分离波形图所包含的故障种类,并提取特征变量配比分离公式中各故障种类对当前堆垛机运行的变量干扰配比系数λ1,λ2,...,λm,通过对堆垛机设备运行过程中多个故障种类耦合后产生的噪音进行配比分离分析,以获得各故障种类对应的变量干扰配比系数,进而根据各故障种类对应的变量干扰配比系数能够反应出各故障种类对堆垛机运行的相对干扰影响程度。
其中,特征变量配比分离公式:通过将r个特征变量配比分离公式中的子公式进行变换,分别求得λ1,λ2,...,λm,且λ1,λ2,...,λm分别为故障种类1,2,...,m所对应的变量干扰配比系数,λ1,λ2,...,λm均小于1。
故障聚合定位单元用于提取分离后的实时相对分离波形图所包含的故障种类以及提取预先建立的各故障种类间的关联系数qky,并筛选出各故障种类对应的变量干扰配比系数λ1,λ2,...,λm,将提取的分离出的故障种类对应的噪音最大幅值、最小幅值、峰差值、平均幅值、标准幅值差、幅值的中位数与故障种类构建单元构建的噪音波形图所对应的故障种类特征集合中的特征参数进行聚集度分析,以获得故障聚合定位距离,并根据故障聚合定位距离分析出该故障种类与采集点间的相对位置,实现对故障种类所在位置的定位分析,以排查堆垛机上同一故障种类可能分布在多个位置的情况,减低了故障位置排查的繁琐程度,实现故障的定位。
其中,故障聚合定位距离的计算公式为 为多个第k个故障种类所在位置到声音采集点的平均距离,λk为第k个故障种类对应的干扰变量配比系数,通过对分离出的故障种类进行聚合定位判断,能够获得降低故障查询过程中所消耗的时长。
关联系数qky等于1或0,k、y均属于m,即当第k个故障种类发生时,会导致第y个故障种类也随之发生,则故障种类k和y间的关联系数等于1,若第k个故障种类发生时,不会导致第y个故障种类也随之发生,则故障种类k和y间的关联系数等于0。
故障追踪管控单元用于获取故障聚合定位单元分析获得的各故障种类对应的故障聚合定位距离,并根据该故障聚合定位距离,筛选出该故障种类与声音采集点的距离最接近该故障聚合定位距离的故障种类位置,以准确获取发生故障的设备位置,以便于及时对该故障种类进行维修管控。
同时,故障追踪管控单元提取轴承和减速器表面的温度,判断轴承表面温度和减速器表面温度是否大于设定的温度阈值,若大于,则发送故障管控指令至工作人员,以对该故障进行维修。
另外,故障追踪管控单元提取数据流分析单元中时域振动波形中的振动最大幅值、最小幅值、平均振动幅值和标准差值,判断货叉振动偏移系数η1、η2、η3和η4分别为最大幅值、最小幅值、平均振动幅值和标准差值对应的决策比例系数,且η1+η2+η3+η4=1,上述的各数值的决策比例系数通过多次模拟实验获得,具体0.14、0.14、0.32和0.4,umax、umin、和ε分别为堆垛机货叉在使用过程中所被允许的最大幅值、最小幅值、平均振动幅值和标准差值。
通过对引发堆垛机的各故障种类进行追踪,能够有效判断各故障种类是否存在,并对存在的故障种类进行管控,以提高设备运行的效率和安全性。
实施例2
针对另一种将融合后的各故障种类进行分离的方法,包括以下步骤:
步骤1、获取设备在使用过程中的各故障种类出现次数;
步骤2、判断各故障种类对应的概率εk,各故障种类对应的概率等于监测时间段T与该故障种类发生两次故障的间隔时间段间的比值;
步骤3、按照各故障种类对应的概率由大到小进行故障种类分离,即提取实时相对分离波形图中的噪音最大幅值,判断最大幅值是否大于故障种类所对应的概率最大的该故障种类的噪音幅值,若小于,执行步骤4,若大于,则执行步骤5;
步骤4、则依次降低概率,筛选出下一概率所对应的故障种类,将该故障种类所对应的噪音幅值与实时相对分离波形图中的噪音最大幅值进行对比,直至筛选出单一故障种类所对应的噪音最大幅值与实时相对分离波形图中的噪音最大幅值间的误差在允许范围内的故障种类,并执行步骤6;
步骤5、依次提取概率最大的两故障种类所对应的噪音最大幅值,并将两故障种类所对应的最大幅值之和与实时相对分离波形图中的最大幅值进行对比,判断噪音幅值误差是否在允许的范围内,若在,则执行步骤6,若不在,则重新将概率最大的故障种类与概率逐次降低的另一故障种类所对应的噪音最大幅值进行求和,并与实时相对分离波形图中的噪音最大幅值进行对,直至筛选出两故障种类的最大幅值和与实时相对分离波形图中的最大幅值间的差值是否在允许的范围内;
步骤6、提取筛选分离出的至少一种故障种类所对应的最小幅值,将分离出的故障种类对应的最小幅值求和,并将求和后的数值与实时相对分离波形图中的最小幅值进行对比,判断是否在允许的误差范围内,如不在允许的误差范围内,则继续执行步骤4或步骤5。
当分离出一种故障种类时,在步骤6进行分离校验的过程中,若不在允许的误差范围内,则继续执行步骤4,若分离出两种故障种类,在步骤6进行分离校验的过程中,若不在允许的误差范围内,则继续执行步骤5。
通过采用峰值判断法对噪音波形图中的峰值进行故障分离,以相对准确判断噪音中存在的故障种类,实现噪声源的有效解耦分离,降低计算难度,具有分离精确度高以及操作简单的特点。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设决策比例系数、关联系数由本领域的技术人员根据实际情况进行设置,预设决策比例系数和关联系数的大小是为了将各个参数进行量化得到的一个具体的数值,便于后续比较,关于预设决策比例系数和关联系数的大小,只要不影响参数与量化后数值的比例关系即可。
以上内容仅仅是对本发明的构思所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的构思或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (8)
1.一种基于工业互联网的设备追踪管控***,其特征在于:包括数据采集获取单元、数据流分析单元、信号分离提取单元、故障种类构建单元、故障噪音配比分离单元、故障聚合定位单元和故障追踪管控单元;
数据采集获取单元用于对工业堆垛机在使用过程中的轴承温度、减速器温度、货叉摆动幅度、运行噪音数据信息进行检测;
数据流分析单元用于获取货叉摆动幅度,通过货叉摆动幅值建立货叉振动频谱波形图,根据振动频谱波形图获得时域振动波形的振动特征参数,并获取运行混合噪音,建立混合噪声实时波形图,提取混合噪声实时波形图中的混合噪音特征参数;
信号分离提取单元用于提取堆垛机在正常运行过程中的一个完整周期下的运行声音所对应的声音实时波形图,将声音实时波形图与噪音实时波形图进行对比,以对噪音实时波形图中的声音实时波形图进行分离剔除,获得分离后的一个完整周期内的实时相对分离波形图,提取实时相对分离波形图中的噪音特征参数,并建立噪音特征参数集;
故障种类构建单元用于获取不同故障种类下的堆垛机所产生的单一噪音波形图,对提取各故障种类下的单一噪音波形图进行分析,建立单一故障种类下的故障种类特征集合;
故障噪音配比分离单元用于获取信号分离提取单元分离后的实时相对分离波形图对应的噪音特征参数集,并根据实时相对分离波形图对应的噪音特征参数集中的噪音特征参数与各故障种类所对应的单一故障种类下的故障种类特征参数集Ck中的噪音特征参数建立特征变量配比分离公式,分析获得当前分离后的实时相对分离波形图所包含的故障种类,并提取特征变量配比分离公式中各故障种类对当前堆垛机运行的变量干扰配比系数;
故障聚合定位单元用于提取分离后的实时相对分离波形图所包含的故障种类以及提取预先建立的各故障种类间的关联系数,并筛选出各故障种类对应的变量干扰配比系数,将提取的分离出的故障种类对应的噪音最大幅值、最小幅值、峰差值、平均幅值、标准幅值差、幅值的中位数与故障种类构建单元构建的噪音波形图所对应的故障种类特征集合中的特征参数进行聚集度分析,以获得故障聚合定位距离;
故障追踪管控单元用于获取故障聚合定位单元分析获得的各故障种类对应的故障聚合定位距离,并根据该故障聚合定位距离,筛选出该故障种类与声音采集点的距离最接近该故障聚合定位距离的故障种类位置。
3.根据权利要求2所述的一种基于工业互联网的设备追踪管控***,其特征在于:所述故障种类构建单元依次筛选出不同故障种类下的噪音波形图,根据噪音波形图建立单一故障种类特征集合,采用方法如下:
S1、分别控制堆垛机处于单一故障种类状态,获取各单一故障种类下的噪音波形图;
S2、对各单一故障种类下的噪音波形图进行多尺度分解,获得分解后的多个小段噪音波形;
S3、判断各小段噪音波形所对应的幅值是否大于设定的该故障种类所对应的阈值,若大于,则将该小段噪音波形所对应的幅值赋值为Pk,Pk=Ukmax-δk,Ukmax为第k个故障种类产生噪音的最大幅值,δk为第k个故障种类所对应的噪音幅值标准差,若小于,则将该小段噪音波形所对应的幅值赋值等于0;
S4、对步骤S3过滤后的噪音波形所对应的幅值进行重新建立,获得增强型噪音波形图;
S5、提取经滤波增强处理后的噪音波形图中的噪音特征参数,建立故障种类特征参数集Ck(ck1,ck2,...,cki,...,ckr),k为设定的堆垛机的故障种类编号,k=1,2,...,m,cki为第k个故障种类下的第i个噪音特征参数,故障种类特征参数集Ck由噪音最大幅值、最小幅值、峰差值、平均幅值、标准幅值差、幅值的中位数特征参数组成,r为噪音特征参数的数量。
6.根据权利要求5所述的一种基于工业互联网的设备追踪管控***,其特征在于:所述故障追踪管控单元提取轴承和减速器表面的温度,判断轴承表面温度和减速器表面温度是否大于设定的温度阈值,若大于,则发送故障管控指令至工作人员,以对该故障进行维修。
8.根据权利要求1所述的一种基于工业互联网的设备追踪管控***,其特征在于:对实时相对分离波形图进行各故障种类进行分离的方法,包括以下步骤:
步骤1、获取设备在使用过程中的各故障种类出现次数;
步骤2、判断各故障种类对应的概率εk,各故障种类对应的概率等于监测时间段T与该故障种类发生两次故障的间隔时间段间的比值;
步骤3、按照各故障种类对应的概率由大到小进行故障种类分离,即提取实时相对分离波形图中的噪音最大幅值,判断最大幅值是否大于故障种类所对应的概率最大的该故障种类的噪音幅值,若小于,执行步骤4,若大于,则执行步骤5;
步骤4、则依次降低概率,筛选出下一概率所对应的故障种类,将该故障种类所对应的噪音幅值与实时相对分离波形图中的噪音最大幅值进行对比,直至筛选出单一故障种类所对应的噪音最大幅值与实时相对分离波形图中的噪音最大幅值间的误差在允许范围内的故障种类,并执行步骤6;
步骤5、依次提取概率最大的两故障种类所对应的噪音最大幅值,并将两故障种类所对应的最大幅值之和与实时相对分离波形图中的最大幅值进行对比,判断噪音幅值误差是否在允许的范围内,若在,则执行步骤6,若不在,则重新将概率最大的故障种类与概率逐次降低的另一故障种类所对应的噪音最大幅值进行求和,并与实时相对分离波形图中的噪音最大幅值进行对,直至筛选出两故障种类的最大幅值和与实时相对分离波形图中的最大幅值间的差值是否在允许的范围内;
步骤6、提取筛选分离出的至少一种故障种类所对应的最小幅值,将分离出的故障种类对应的最小幅值求和,并将求和后的数值与实时相对分离波形图中的最小幅值进行对比,判断是否在允许的误差范围内,如不在允许的误差范围内,则继续执行步骤4或步骤5。
当分离出一种故障种类时,在步骤6进行分离校验的过程中,若不在允许的误差范围内,则继续执行步骤4,若分离出两种故障种类,在步骤6进行分离校验的过程中,若不在允许的误差范围内,则继续执行步骤5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210314062.4A CN114722866B (zh) | 2022-03-28 | 2022-03-28 | 一种基于工业互联网的设备追踪管控*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210314062.4A CN114722866B (zh) | 2022-03-28 | 2022-03-28 | 一种基于工业互联网的设备追踪管控*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114722866A true CN114722866A (zh) | 2022-07-08 |
CN114722866B CN114722866B (zh) | 2022-11-15 |
Family
ID=82240186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210314062.4A Active CN114722866B (zh) | 2022-03-28 | 2022-03-28 | 一种基于工业互联网的设备追踪管控*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114722866B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116403605A (zh) * | 2023-06-08 | 2023-07-07 | 宁德时代新能源科技股份有限公司 | 设备故障预测方法、堆垛机故障预测方法及相关装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980822A (zh) * | 2017-03-14 | 2017-07-25 | 北京航空航天大学 | 一种基于选择性集成学习的旋转机械故障诊断方法 |
CN109019349A (zh) * | 2018-06-19 | 2018-12-18 | 上海振华重工(集团)股份有限公司 | 故障检测方法、检测器、计算机存储介质及起重机 |
DE102019127085A1 (de) * | 2019-01-15 | 2020-07-16 | Computational Systems, Inc. | Lager- und fehlerfrequenzidentifikation anhand von vibrationsspektraldiagrammen |
CN111609883A (zh) * | 2020-05-20 | 2020-09-01 | 合肥惠科达信息科技有限责任公司 | 一种基于大数据的通信机房防护监测管理*** |
CN113074967A (zh) * | 2020-01-06 | 2021-07-06 | 北京谛声科技有限责任公司 | 一种异音检测的方法、装置、存储介质及电子设备 |
CN113362077A (zh) * | 2021-05-25 | 2021-09-07 | 深圳市中晴云科技有限公司 | 一种基于区块链的产品溯源***及其方法 |
CN113436645A (zh) * | 2021-06-09 | 2021-09-24 | 杭州电子科技大学 | 复杂噪声环境下的机电***故障在线监测声学处理方法 |
-
2022
- 2022-03-28 CN CN202210314062.4A patent/CN114722866B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980822A (zh) * | 2017-03-14 | 2017-07-25 | 北京航空航天大学 | 一种基于选择性集成学习的旋转机械故障诊断方法 |
CN109019349A (zh) * | 2018-06-19 | 2018-12-18 | 上海振华重工(集团)股份有限公司 | 故障检测方法、检测器、计算机存储介质及起重机 |
DE102019127085A1 (de) * | 2019-01-15 | 2020-07-16 | Computational Systems, Inc. | Lager- und fehlerfrequenzidentifikation anhand von vibrationsspektraldiagrammen |
CN113074967A (zh) * | 2020-01-06 | 2021-07-06 | 北京谛声科技有限责任公司 | 一种异音检测的方法、装置、存储介质及电子设备 |
CN111609883A (zh) * | 2020-05-20 | 2020-09-01 | 合肥惠科达信息科技有限责任公司 | 一种基于大数据的通信机房防护监测管理*** |
CN113362077A (zh) * | 2021-05-25 | 2021-09-07 | 深圳市中晴云科技有限公司 | 一种基于区块链的产品溯源***及其方法 |
CN113436645A (zh) * | 2021-06-09 | 2021-09-24 | 杭州电子科技大学 | 复杂噪声环境下的机电***故障在线监测声学处理方法 |
Non-Patent Citations (2)
Title |
---|
YAGANG ZHANG等: "Fault factor analysis with phasor measurement units", 《IEEE》 * |
孟凡林: "基于图像处理的带式输送机调速及效能提升研究", 《中国优秀硕士学位论文全文数据库工程科技I辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116403605A (zh) * | 2023-06-08 | 2023-07-07 | 宁德时代新能源科技股份有限公司 | 设备故障预测方法、堆垛机故障预测方法及相关装置 |
CN116403605B (zh) * | 2023-06-08 | 2024-06-07 | 宁德时代新能源科技股份有限公司 | 堆垛机故障预测方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114722866B (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106597136B (zh) | 一种基于变电站巡检机器人的异常设备智能巡检方法 | |
CN106698197A (zh) | 基于大数据的集装箱起重机在线诊断和预防性维护*** | |
CN110208019A (zh) | 一种动设备状态监测动态阈值预警方法 | |
CN112187528B (zh) | 基于sarima的工业控制***通信流量在线监测方法 | |
CN113562562A (zh) | 一种电梯安全预警监测***及其判断方法 | |
CN116739384A (zh) | 基于5g无线通讯的矿用设备运行管理*** | |
CN103676868A (zh) | 一种fpc制造关键工序自动监控与智能分析*** | |
CN110469496B (zh) | 一种水泵智能预警方法及*** | |
CN113762604B (zh) | 一种工业互联网大数据服务*** | |
CN114722866B (zh) | 一种基于工业互联网的设备追踪管控*** | |
CN107424626A (zh) | 一种岸桥小车轨道声音监测及故障识别*** | |
CN106571689A (zh) | 一种多数据源比较技术诊断变电站遥测故障在线监测*** | |
CN111679657A (zh) | 一种基于工控设备信号的攻击检测方法及*** | |
CN112173636A (zh) | 一种巡检机器人对皮带机托辊故障的检测方法 | |
CN107656156A (zh) | 一种基于云平台的设备故障诊断及运行状态评估方法与*** | |
CN117233541B (zh) | 一种配电网电力线路运行状态测量方法及测量*** | |
CN115238915A (zh) | 一种工业装备故障预测与健康监测*** | |
CN112801313A (zh) | 基于大数据技术综采工作面故障判定方法 | |
CN114135477A (zh) | 一种机泵设备状态监测动态阈值预警方法 | |
CN106682742B (zh) | 一种基于物联网技术的实时数据采集分析方法 | |
CN117182928B (zh) | 一种智能抓取机器手同步控制*** | |
CN114117682A (zh) | 齿轮箱的故障识别方法、装置、设备及存储介质 | |
CN105867353A (zh) | 一种振荡监测方法及*** | |
CN109894476B (zh) | 一种冷轧硅钢生产线液压设备故障诊断方法和装置 | |
CN105809257A (zh) | 一种基于电力通信网络的触发式状态检修方法 |
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 |