CN115238896A - 一种应用于旋转设备故障预诊断及停机方法 - Google Patents
一种应用于旋转设备故障预诊断及停机方法 Download PDFInfo
- Publication number
- CN115238896A CN115238896A CN202210861143.6A CN202210861143A CN115238896A CN 115238896 A CN115238896 A CN 115238896A CN 202210861143 A CN202210861143 A CN 202210861143A CN 115238896 A CN115238896 A CN 115238896A
- Authority
- CN
- China
- Prior art keywords
- equipment
- fault
- rotating equipment
- rotating
- data sets
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Fuzzy Systems (AREA)
- Automation & Control Theory (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种应用于旋转设备故障预诊断及停机方法,所述方法包括以下步骤:启动旋转设备,采集旋转设备各部件的运行参数,并基于旋转设备各部件的运行参数形成n组数据集;对旋转设备n组数据集中的运行参数分别进行堆栈处理,并基于该运行参数进行模糊推理;通过边缘计算建立n个预报警故障模型;将经过模糊推理后的n组数据集分别输入到对应的预报警故障模型中,进行旋转设备的故障预诊断,可输出所述旋转设备预诊断故障位置和类别,并根据旋转设备故障控制旋转设备实时响应停机。本发明旨在解决现有旋转设备故障分析准确性较差,无法对旋转设备故障进行预报警,以及出现故障时无法实时停机的问题。
Description
技术领域
本发明涉及旋转设备技术领域,尤其涉及一种应用于旋转设备故障预诊断及停机方法。
背景技术
旋转设备作为现代工业生产中大量投入使用的电力机械设备,在实际运行过程中,往往会在各种因素的影响下产生多种多样的设备故障,不仅会使旋转设备机身受损,同时还会造成整个生产车间停工等严重损失,从而造成巨大的经济损失。故障诊断分析及智能停机是对旋转设备进行保护的重要内容,为进行旋转设备的故障诊断,对旋转设备故障机理分析是旋转设备故障诊断及状态检测的前提条件。目前,对旋转设备对旋转设备的故障诊断主要依靠有经验的维修人员简单对旋转设备内部温度、声音、振动等方面进行主观判断,传统的分析***设备故障诊断不明确、故障分析方式不统一,导致***故障分析流程执行过程杂乱,往往增大了误报警产生机率,另外故障分析功能单一,对故障的产生与恢复条件设置简单,导致***重复报警,增加了存储空间开销和***CPU的消耗,增加了维修人员的工作量,而且故障分析准确性无法保证;同时传统分析***在故障分析时未考虑故障设备与环境的关系,导致***故障分析结果的可参考性较低,且分析处理过程缓慢往往导致旋转设备出现故障时无法做到实时停机。
申请号为CN201910747118.3的专利文献公开了一种一种旋转设备故障判断方法、***和可读存储介质,应力波传感器获取所述的旋转设备的故障振动信号;处理器基于旋转设备的故障振动信号,分解出旋转设备的应力波加速度信号;在预设时间内,进行信号数据的多次采集,对应力波加速度信号进行积分得应力波速度信号;处理器将所得的应力波速度信号通过数据网关传输给云平台,云平台进行分析处理,得到故障结果。该方法无法实现对旋转设备进行故障预报警,以及出现故障时无法实时停机。因此,亟需提出一种应用于旋转设备故障预诊断及停机方法,准确对旋转设备进行故障分析进行故障预报警,并对出现故障的旋转设备实时响应停机。
发明内容
本发明的主要目的是提供一种应用于旋转设备故障预诊断及停机方法,旨在解决现有的旋转设备故障分析准确性较差,无法对旋转设备故障进行预报警,以及出现故障时无法实时停机的问题。
为实现上述目的,本发明提供一种应用于旋转设备故障预诊断及停机方法,其中,所述应用于旋转设备故障预诊断及停机方法,包括以下步骤:
S1、启动旋转设备,采集旋转设备各部件的运行参数,并基于旋转设备各部件的运行参数形成n组数据集;
S2、对旋转设备n组数据集中的运行参数分别进行堆栈处理,并基于该运行参数进行模糊推理;
S3、通过边缘计算建立n个预报警故障模型;
S4、将经过模糊推理后的n组数据集分别输入到对应的预报警故障模型中,进行旋转设备的故障预诊断,可输出所述旋转设备预诊断故障位置和类别,并根据旋转设备故障控制旋转设备实时响应停机。
优选方案之一,所述步骤S2中基于该运行参数进行模糊推理具体包括以下步骤:
根据堆栈处理后的n组数据集中的运行参数,获取各数据集的平均值;
根据各数据集的平均值得到各数据集的差异值,并计算所述差异值的平方根值;
将各数据集的平方根值分别与各数据集中的运行参数一一对比,得到各数据集的平均比值;
根据各数据集的平方根值和平均比值,得到各数据集的PD范围。
优选方案之一,所述步骤S2中基于该运行参数进行模糊推理之后,还包括解模糊化处理。
优选方案之一,所述解模糊化处理采用加权平均法。
优选方案之一,所述步骤S1中采集旋转设备运行参数包括温度、震动、位移、转速和噪声,构建旋转设备温度、震动、位移、转速和噪声五组数据集。
优选方案之一,所述步骤S2中对旋转设备n组数据集中的运行参数分别进行堆栈处理的数据容量为1000。
优选方案之一,所述步骤S3中采用曲线拟合法基于旋转设备历史运行参数分别建立n个预报警故障模型。
优选方案之一,所述预报警故障模型包括设备预报警逻辑和设备故障停机逻辑,所述设备预报警故障逻辑和所述设备故障停机逻辑分别设置不同优先级。
优选方案之一,所述设备故障停机逻辑的优先级高于所述设备预报警故障逻辑的优先级。
优选方案之一,所述预报警故障模型还包括设备报警恢复逻辑。
本发明的上述技术方案中,该应用于旋转设备故障预诊断及停机方法包括以下步骤:启动旋转设备,采集旋转设备各部件的运行参数,并基于旋转设备各部件的运行参数形成n组数据集;对旋转设备n组数据集中的运行参数分别进行堆栈处理,并基于该运行参数进行模糊推理;通过边缘计算建立n个预报警故障模型;将经过模糊推理后的n组数据集分别输入到对应的预报警故障模型中,进行旋转设备的故障预诊断,可输出所述旋转设备预诊断故障位置和类别,并根据旋转设备故障控制旋转设备实时响应停机。本发明解决了现有的旋转设备故障分析准确性较差,无法对旋转设备将要出现的故障进行预报警,以及出现故障时无法实时停机的问题。
在本发明中,通过采集旋转设备各部件的运行参数,包括温度、震动、位移、转速和噪声,分别对应构建旋转设备温度、震动、位移、转速和噪声五组数据集,并通过预报警故障模型分别对旋转设备各类参数进行诊断,从而故障分析时可精准到旋转设备各部件,并对旋转设备各部件可能出现的故障进行预报警,以及运行过程中出现的故障情况进行实时停机,可有效降低误报警机率,且故障处理响应速度快,可有效保护设备不因故障而造成损坏。
附图说明
为了更清楚地说明本发明实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,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,还可以根据这些附图示出的结构获得其他的附图。
图1为本发明实施例一种应用于旋转设备故障预诊断及停机方法的流程示意图。
本发明目的的实现、功能特点及优点将结合实施方式,参照附图做进一步说明。
具体实施方式
下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明的一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,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他实施方式,都属于本发明保护的范围。
需要说明,本发明实施方式中所有方向性指示(诸如上、下……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。
并且,本发明各个实施方式之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
参见图1,根据本发明的一方面,本发明提供一种应用于旋转设备故障预诊断及停机方法,其中,所述应用于旋转设备故障预诊断及停机方法,包括以下步骤:
S1、启动旋转设备,采集旋转设备各部件的运行参数,并基于旋转设备各部件的运行参数形成n组数据集;
S2、对旋转设备n组数据集中的运行参数分别进行堆栈处理,并基于该运行参数进行模糊推理;
S3、通过边缘计算建立n个预报警故障模型;
S4、将经过模糊推理后的n组数据集分别输入到对应的预报警故障模型中,进行旋转设备的故障预诊断,可输出所述旋转设备预诊断故障位置和类别,并根据旋转设备故障控制旋转设备实时响应停机。
具体地,在本实施例中,启动旋转设备,采集旋转设备运行参数,形成n组数据集;采集旋转设备运行参数包括温度、震动、位移、转速和噪声,形成五组数据集,每1ms采集一次旋转设备的温度、震动、位移、转速和噪声,将采集的温度、震动、位移、转速和噪声五组数据集分别进行数据堆栈处理,对旋转设备的五组数据集中的运行参数进行堆栈处理的数据容量为1000,所述堆栈处理为对存储器存入的数据项按序排列,所有旋转设备运行参数的存入或取出,只能在一端,也即栈顶进行,严格按照“先进后出”的原则存取,位于其中间的元素必须在后进栈的诸元素逐个移出后才能取出,通过堆栈处理对采集的旋转设备的各运行参数分类按序排列。所述旋转设备运行参数分别对应旋转设备的各部件,如采集的旋转设备的温度、震动、位移、转速和噪声五组运行参数,分被对应需旋转设备五个部件,通过对该部件的运行参数进行故障诊断,从而对旋转设备该部件进行故障监控,对可能出现的故障进行预报警,并对运行过程中出现的异常情况进行实时停机,将故障诊断精准定位到旋转设备各部件,从而降低误报警机率,保护设备不因故障而造成损坏。
具体地,在本实施例中,所述步骤S2中基于该数据进行模糊推理具体包括以下步骤:根据堆栈处理后的n组数据集中的数据,获取各数据集的平均值;根据各数据集的平均值得到各数据集的差异值,并计算所述差异值的平方根值;将各数据集的平方根值分别与各数据集中的数据一一对比,得到各数据集的平均比值;根据各数据集的平方根值和平均比值,得到各数据集的PD范围。旋转设备在运行时受环境,因此在检测旋转设备是否正常运行时无法通过确定值去判断旋转设备是否正常运行,且不同旋转设备的诊断数据可能存在差异,因此通过对各数据集进行模糊推理和解模糊化从而得到设备的确定参数。
具体地,在本实施例中,以旋转设备温度为例:每1ms采集一次旋转设备的温度,形成一组温度数据集,将该组数据集中的温度数据进行数据堆栈,形成一组容量为1000的温度数据,A1、A2、……A 1000为采集的温度数据,根据所述温度数据获取该温度数据集的平均值:
P=(A1+A2+...+A1000)/1000
根据温度数据集的平均值得本数据集的差异值:
Q1=(A1-P)2+(A2-P)2+...+(A1000-P)2
并计算所述差异值的平方根值:
Z1=Q1(1/2)
将温度数据集的平方根值分别与温度数据集中的数据一一对比,从而获得温度数据集的平均比值:
X1={(Z1/A1)+(Z1/A2)+...+(Z1/A1000)}/1000
根据温度数据集的平方根值和平均比值,得到温度数据集的PD范围:
Z1*(1-X1)<PD<Z1*(1+X1)
具体的,在本实施例中,所述步骤S2中基于该数据进行模糊推理之后,还包括解模糊化处理,所述解模糊化处理采用加权平均法,先求出小于PD的数据占比为X,大于PD的数据占比为Y,则求加权平均值为将小于PD的数据乘以X,将大于PD的数据乘以Y,最后相加,再除以数据总数N,以温度数据集为例,设A1小于PD,A2小于PD,A3大于PD,A4大于PD,AN大于PD,则温度数据集的加权平均值为:
P'=(A1*X+A2*X+A3*Y+A4*Y+...AN*Y)/N
具体的,在本实施例中,所述步骤S3中采用曲线拟合法基于旋转设备历史运行参数分别对应建立预报警故障模型,将历史运行参数通过回归分析,应用最小二乘法,拟合出与历史运行参数最相符的曲线,通过曲线外推的方法对旋转设备的工况进行预测;根据采集的旋转设备不同参数,分别对应设置相应的预报警故障模型对该组参数进行故障诊断;将经过模糊推理后的n组数据集分别输入到对应的预报警故障模型中,其中,每一秒就对各数据集中的数据进行一次解模糊化处理,也即将经过解模糊化处理最终得到的各数据集的加权平均值输入到对应的预报警故障模型中,进行旋转设备的故障诊断,当根据各数据集输入的数据拟合出的曲线与历史运行参数拟合出的曲线符合度最高时,满足预报警故障输出,则停止该数据集的数据堆栈处理,并保存该组数据,根据该数据集自动判断设备哪一部位出现可能出现故障和/或已出现故障,生产相关运行报告,最终输出旋转设备的故障位置和类别,并针对出现的故障控制旋转设备实时响应停机,响应时间小于1.5s;若设备正常运行,则继续对各数据集中的运行参数分别进行堆栈处理。
具体地,在本实施例中,分别对温度、震动、位移、速度和噪声所对应的数据集对应建立温度、震动、位移、速度和噪声的预报警故障模型,所述预报警故障模型包括设备预报警逻辑和设备故障停机逻辑,所述设备预报警故障逻辑和所述设备故障停机逻辑分别设置不同优先级;所述设备故障停机逻辑的优先级高于所述设备预报警故障逻辑的优先级;所述预报警故障模型还包括设备报警恢复逻辑;也即分别在温度、震动、位移、速度和噪声预报警故障模型中建立设备预报警逻辑和设备故障停机逻辑,并设置设备停机的优先级高于设备预报警的优先级,当通过预报警故障模型诊断出设备同时出现设备预报警逻辑输出和设备停机逻辑输出时,有限响应并控制旋转设备进行停机,其中,旋转设备停机响应时间小于1.5s,避免因设备故障而造成设备损坏。所述设备故障停机逻辑和设备报警恢复逻辑为反向执行,也即根据当前故障分析结果,自动选择执行故障停机逻辑或恢复逻辑。通过所述预报警故障模型进行旋转设备的故障预诊断,可输出所述旋转设备故障位置和类别,并可生成所述旋转设备的相关运行报告,从而实现对旋转设备组件故障作有向图展示。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的发明构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围。
Claims (10)
1.一种应用于旋转设备故障预诊断及停机方法,其特征在于,所述方法包括以下步骤:
S1、启动旋转设备,采集旋转设备各部件的运行参数,并基于旋转设备各部件的运行参数形成n组数据集;
S2、对旋转设备n组数据集中的运行参数分别进行堆栈处理,并基于该运行参数进行模糊推理;
S3、通过边缘计算建立n个预报警故障模型;
S4、将经过模糊推理后的n组数据集分别输入到对应的预报警故障模型中,进行旋转设备的故障预诊断,可输出所述旋转设备预诊断故障位置和类别,并根据旋转设备故障控制旋转设备实时响应停机。
2.根据权利要求1所述的一种应用于旋转设备故障预诊断及停机方法,其特征在于,所述步骤S2中基于该运行参数进行模糊推理具体包括以下步骤:
根据堆栈处理后的n组数据集中的运行参数,获取各数据集的平均值;
根据各数据集的平均值得到各数据集的差异值,并计算所述差异值的平方根值;
将各数据集的平方根值分别与各数据集中的运行参数一一对比,得到各数据集的平均比值;
根据各数据集的平方根值和平均比值,得到各数据集的PD范围。
3.根据权利要求1所述的一种应用于旋转设备故障预诊断及停机方法,其特征在于,所述步骤S2中基于该运行参数进行模糊推理之后,还包括解模糊化处理。
4.根据权利要求3所述的一种应用于旋转设备故障预诊断及停机方法,其特征在于,所述解模糊化处理采用加权平均法。
5.根据权利要求1所述的一种应用于旋转设备故障预诊断及停机方法,其特征在于,所述步骤S1中采集旋转设备运行参数包括温度、震动、位移、转速和噪声,构建旋转设备温度、震动、位移、转速和噪声五组数据集。
6.根据权利要求1所述的应用于旋转设备故障预诊断及停机方法,其特征在于,所述步骤S2中对旋转设备n组数据集中的运行参数分别进行堆栈处理的数据容量为1000。
7.根据权利要求1所述的一种应用于旋转设备故障预诊断及停机方法,其特征在于,所述步骤S3中采用曲线拟合法基于旋转设备历史运行参数分别建立n个预报警故障模型。
8.根据权利要求7所述的一种应用于旋转设备故障预诊断及停机方法,其特征在于,所述预报警故障模型包括设备预报警逻辑和设备故障停机逻辑,所述设备预报警故障逻辑和所述设备故障停机逻辑分别设置不同优先级。
9.根据权利要求8所述的一种应用于旋转设备故障预诊断及停机方法,其特征在于,所述设备故障停机逻辑的优先级高于所述设备预报警故障逻辑的优先级。
10.根据权利要求7所述的一种应用于旋转设备故障预诊断及停机方法,其特征在于,所述预报警故障模型还包括设备报警恢复逻辑。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210861143.6A CN115238896A (zh) | 2022-07-22 | 2022-07-22 | 一种应用于旋转设备故障预诊断及停机方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210861143.6A CN115238896A (zh) | 2022-07-22 | 2022-07-22 | 一种应用于旋转设备故障预诊断及停机方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115238896A true CN115238896A (zh) | 2022-10-25 |
Family
ID=83675312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210861143.6A Pending CN115238896A (zh) | 2022-07-22 | 2022-07-22 | 一种应用于旋转设备故障预诊断及停机方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115238896A (zh) |
-
2022
- 2022-07-22 CN CN202210861143.6A patent/CN115238896A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
WO2023197461A1 (zh) | 一种基于工况相似性评估的齿轮箱故障预警方法及*** | |
CN110208019B (zh) | 一种动设备状态监测动态阈值预警方法 | |
Miljković | Fault detection methods: A literature survey | |
JP4741172B2 (ja) | 予測状態監視における変化状態の適応モデリング | |
US20030225466A1 (en) | Methods and apparatus for early fault detection and alert generation in a process | |
US20130060524A1 (en) | Machine Anomaly Detection and Diagnosis Incorporating Operational Data | |
CN106368816A (zh) | 一种基于基线偏差的船舶低速柴油机在线异常检测方法 | |
CN111665066B (zh) | 基于卷积神经网络的设备故障自适应上下预警界生成方法 | |
CN110469496B (zh) | 一种水泵智能预警方法及*** | |
CN112629905A (zh) | 基于深度学习的设备异常检测方法、***及计算机介质 | |
CN116893643A (zh) | 一种基于数据分析的智能机器人行驶轨迹安全管控*** | |
CN112817293A (zh) | 一种自动化传感器异常的智能检测***和方法 | |
CN116428124A (zh) | 一种基于同型号设备数量较多的故障诊断方法 | |
CN114738132A (zh) | 基于实船数据的增压器转速传感器故障诊断方法及*** | |
CN113237619B (zh) | 变转速旋转机械振动的故障预警方法、装置、设备以及存储介质 | |
CN114294183A (zh) | 一种风机叶片故障监测方法、装置及风机 | |
CN113211426B (zh) | 机器人故障诊断方法、装置、计算机设备以及存储介质 | |
KR102108975B1 (ko) | 함정설비의 상태기반 정비 지원 장치 및 방법 | |
EP4336295A1 (en) | System and method for intelligently monitoring machine equipment | |
CN117708637A (zh) | 基于改进k均值聚类分析的风电机组叶片故障诊断方法 | |
CN115238896A (zh) | 一种应用于旋转设备故障预诊断及停机方法 | |
CN116363843A (zh) | 试验室设备预警*** | |
CN117332252A (zh) | 一种基于振动增长速度的旋转动设备趋势预警方法 | |
CN112288126A (zh) | 一种采样数据异常变化在线监测与诊断方法 |
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 |