CN117407825B - 一种基于大数据分析的故障智能感知***及方法 - Google Patents
一种基于大数据分析的故障智能感知***及方法 Download PDFInfo
- Publication number
- CN117407825B CN117407825B CN202311715817.2A CN202311715817A CN117407825B CN 117407825 B CN117407825 B CN 117407825B CN 202311715817 A CN202311715817 A CN 202311715817A CN 117407825 B CN117407825 B CN 117407825B
- Authority
- CN
- China
- Prior art keywords
- fault
- monitoring data
- data
- unit
- page
- 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
- 238000007405 data analysis Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012544 monitoring process Methods 0.000 claims abstract description 284
- 238000004458 analytical method Methods 0.000 claims abstract description 93
- 230000008447 perception Effects 0.000 claims abstract description 42
- 238000003745 diagnosis Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims description 31
- 230000000694 effects Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 239000007788 liquid Substances 0.000 claims description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 239000002245 particle Substances 0.000 claims description 11
- 238000012098 association analyses Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004804 winding Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 abstract description 2
- 230000009471 action Effects 0.000 description 3
- 239000003921 oil Substances 0.000 description 3
- 239000000498 cooling water Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000010727 cylinder oil Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/904—Browsing; Visualisation therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Mechanical Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于大数据分析的故障智能感知***及方法,属于故障智能感知技术领域。本发明包括:历史大数据分析模块、实时监控模块、故障感知模块以及页面分析模块;所述历史大数据分析模块的输出端与所述实时监控模块的输入端相连接;所述实时监控模块的输出端与所述故障感知模块的输入端相连接;所述故障感知模块的输出端与所述页面分析模块的输入端相连接。本发明通过实时采集数据,对数据进行奇异点判断和预处理,设计并开发出具有在线故障诊断和评价功能的泵站监控***,***通过实时采集设备参数,在线分析设备的运行状态,并给出可视化展示,实现多机组对比,提高故障的发现率,极大地提高泵站机组的可靠性,延长无故障工作时间。
Description
技术领域
本发明涉及故障智能感知技术领域,具体为一种基于大数据分析的故障智能感知***及方法。
背景技术
在目前的泵站监测体系中,影响泵站设备正常运行的因素较多,主要包括电气、温度、压力、振动等,因此如何建立一个合适的模型,综合有效地分析这些参数,是研究和开发一个高效、稳定的在线故障诊断***的难点。目前常用的故障诊断模型有阈值法、BP神经网络、案例推理法等,这些方法具有很好的研究意义,也在实际中得到局部的应用,具有算法明确、执行简单等优点,在一定程度上满足使用要求,但仍存在一定的不足:仅从一种或几种参数建立确定的模型,没有综合分析影响泵站设备运行的相关参数之间的关联性,对于中介变量并未予以考虑,同时在实际在线诊断过程中,缺乏对于不同机组之间的数据直观对比,缺乏判断机制,影响判断速率。
发明内容
本发明的目的在于提供一种基于大数据分析的故障智能感知***及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于大数据分析的故障智能感知方法,该方法包括以下步骤:
S1、获取泵站机组的历史监测数据,所述历史监测数据包括振动、温度、压力、流量以及液位,基于泵站机组的历史监测数据进行奇异点处理,形成基于监测数据的故障感知模型;
S2、构建泵站监控体系,获取泵站运行实时监测数据,采用滑动平均滤波对实时监测数据进行预处理,获取稳定的信号监测数据;
S3、基于稳定的信号监测数据输入至故障感知模型,形成感知体系下的优先级故障分析组,展示在机组页面上;
S4、获取当前展示机组的优先级故障分析部分,分析各项监测数据与优先级故障分析部分的关联性,选取关联度最低的监测页面部分,调用另一机组的优先级故障分析部分的监测数据,进行同页面智能对比。
根据上述技术方案,所述奇异点处理包括:
获取泵站机组的历史监测数据,对任一种历史监测数据,根据数值大小构建相应的粒子位置写入一维空间,连续采集若干组历史监测数据,形成序列,对每一个序列计算数据期望:
;
其中,表示在一维空间中第i个数据粒子的序列位置;/>代表数据期望;N代表序列长度;
构建奇异点分析范围:
;
其中,指标准差,设置/>,则有任一个/>应小于等于/>,若存在历史监测数据中任一数据计算后不满足/>小于等于/>,标记为奇异点数据,删除奇异点数据。
根据上述技术方案,所述获取稳定的信号监测数据包括:
构建泵站监控体系,在主机组及其周边附属设施安装传感器,采用滑动平均滤波对实时监测数据进行预处理,方式如下:
;
式中,表示第n次滤波输出值,x(k)表示第k次采样值,L为滑动窗口的宽度,决定滤波效果的平滑程度,L值越大,对信号的平滑作用越好,但可能会导致信号的有用部分损失,因此确定合适的N值具有重要的意义。
根据上述技术方案,还包括:
获取步骤S1的基于监测数据的故障感知模型,所述基于监测数据的故障感知模型包括:
获取删除奇异点数据后的振动、温度、压力、流量,以及液位历史数据,同时获取对应各项历史数据下的故障状态,形成数据列{R0、S1、S2、……、S6},其中,R0指故障状态,S1至S6分别对应当前故障状态下的实时振动、温度、压力、流量以及液位历史数据;所述故障状态包括油水诊断故障、绕组温度诊断故障、振动诊断故障;
根据历史监测数据选取在每一种故障状态下的直接监测数据,所述直接监测数据的选取方式为:
获取故障状态下的监测数据与上一状态下对应的监测数据的差值,计算历史监测数据中每一组的差值,以总和最大的那个监测数据作为直接监测数据;
构建每一种故障状态下的故障感知模型:
;
;
;
其中,指历史监测数据中的直接监测数据;/>指当前故障状态下的故障赋予值,所述故障赋予值指***对每一种故障状态赋予不同的数值区间,数值区间之间互不交叉,然后按照故障大小以一定比例将故障转化成数值形式;/>、/>分别指/>与/>之间的直接线性模型的回归系数和回归常数项;/>指中介历史监测数据,为历史监测数据中除去/>的任一种监测数据;/>、/>分别指/>与/>之间的直接线性模型的回归系数和回归常数项;、/>、/>分别指/>在历史监测数据中的直接监测数据/>的基础上增添中介历史监测数据时形成的回归模型下的回归系数和回归常数项;
计算对于/>的故障赋予值的效应占比:
;
计算历史监测数据中每一个对于/>的效应占比,并按照从大到小的顺序进行排序;
获取稳定的信号监测数据输入至故障感知模型,分别选取每一种故障状态下的直接监测数据,代入直接监测数据故障状态下的直接线性模型,若形成的故障赋予值属于***设定的当前的故障状态区间,则标记为当前故障状态,形成感知体系下的优先级故障分析组,展示在机组页面上,所述优先级故障分析组包括所有的监测数据。
根据上述技术方案,在步骤S4中,还包括:
获取当前展示机组的优先级故障分析部分,调用效应占比顺序,最大值代表当前项监测数据与直接监测数据关联性最大,选取关联度最低的监测数据监测页面部分,对其进行标记,并输出其页面占比;
调用另一机组的优先级故障分析部分的直接监测数据,获取其页面占比,若当前展示机组的关联度最低的监测数据监测页面的页面占比大于或等于另一机组的优先级故障分析部分的直接监测数据的页面占比,则直接将另一机组的优先级故障分析部分的直接监测数据页面替换至当前展示机组的关联度最低的监测数据的监测页面;对于泵站体系来讲,不同机组之间的数据对比有助于提高整个泵站的故障判断;
若当前展示机组的关联度最低的监测数据监测页面的页面占比小于另一机组的优先级故障分析部分的直接监测数据的页面占比;读取当前展示机组的直接关联数据中变化率最大的数据类型,在另一机组的优先级故障分析部分的直接监测数据页面中选择相应的数据类型,直至页面占比满足当前展示机组的关联度最低的监测数据的监测页面,实现替换,进行同页面智能对比,直观分析故障变化。
一种基于大数据分析的故障智能感知***,该***包括:历史大数据分析模块、实时监控模块、故障感知模块以及页面分析模块;
所述历史大数据分析模块用于获取泵站机组的历史监测数据,所述历史监测数据包括振动、温度、压力、流量以及液位,基于泵站机组的历史监测数据进行奇异点处理,形成基于监测数据的故障感知模型;所述实时监控模块用于构建泵站监控体系,获取泵站运行实时监测数据,采用滑动平均滤波对实时监测数据进行预处理,获取稳定的信号监测数据;所述故障感知模块基于稳定的信号监测数据输入至故障感知模型,形成感知体系下的优先级故障分析组,展示在机组页面上;所述页面分析模块用于获取当前展示机组的优先级故障分析部分,分析各项监测数据与优先级故障分析部分的关联性,选取关联度最低的监测页面部分,调用另一机组的优先级故障分析部分的监测数据,进行同页面智能对比;
所述历史大数据分析模块的输出端与所述实时监控模块的输入端相连接;所述实时监控模块的输出端与所述故障感知模块的输入端相连接;所述故障感知模块的输出端与所述页面分析模块的输入端相连接。
根据上述技术方案,所述历史大数据分析模块包括历史监测数据采集单元和奇异点分析单元;
所述历史监测数据采集单元用于获取泵站机组的历史监测数据;所述奇异点分析单元基于泵站机组的历史监测数据进行奇异点处理,形成基于监测数据的故障感知模型;
所述历史监测数据采集单元的输出端与所述奇异点分析单元的输入端相连接。
根据上述技术方案,所述实时监控模块包括监控单元与滤波处理单元;
所述监控单元用于构建泵站监控体系,获取泵站运行实时监测数据;所述滤波处理单元采用滑动平均滤波对实时监测数据进行预处理,获取稳定的信号监测数据;
所述监控单元的输出端与所述滤波处理单元的输入端相连接。
根据上述技术方案,所述故障感知模块包括感知单元与展示单元;
所述感知单元基于稳定的信号监测数据输入至故障感知模型,形成感知体系下的优先级故障分析组;所述展示单元用于将优先级故障分析组展示在机组页面上;
所述感知单元的输出端与所述展示单元的输入端相连接。
根据上述技术方案,所述页面分析模块包括关联分析单元和页面对比单元;
所述关联分析单元用于获取当前展示机组的优先级故障分析部分,分析各项监测数据与优先级故障分析部分的关联性,选取关联度最低的监测页面部分;所述页面对比单元用于调用另一机组的优先级故障分析部分的监测数据,进行同页面智能对比;
所述关联分析单元的输出端与所述页面对比单元的输入端相连接。
与现有技术相比,本发明所达到的有益效果是:本发明通过实时采集数据,对数据进行奇异点判断和预处理,设计并开发出具有在线故障诊断和评价功能的泵站监控***,***通过实时采集设备参数,在线分析设备的运行状态,并给出可视化展示,实现多机组对比,提高故障的发现率,极大地提高泵站机组的可靠性,延长无故障工作时间。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于大数据分析的故障智能感知***及方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,在本实施例一中,提供一种基于大数据分析的故障智能感知方法,获取泵站机组的历史监测数据,所述历史监测数据包括振动、温度、压力、流量,以及液位,对任一种历史监测数据,根据数值大小构建相应的粒子位置写入一维空间,(例如某一组数据为20、30、40,因为在一维空间内只有线,则通过一定比例划分间隔10属于多大的位置间距,例如间隔10时,两组数据位置应间隔10cm远,则在一维空间的直线上,20、30形成的两个粒子,应间隔10cm远,在选取正方向后,例如选靠后为正,则30的粒子处于20的粒子后方)连续采集N组历史监测数据,形成序列,对每一个序列计算数据期望:
;
其中,表示在一维空间中第i个数据粒子的序列位置;/>代表数据期望;N代表序列长度;
构建奇异点分析范围:
;
其中,指标准差,设置/>,则有任一个/>应小于等于/>,若存在历史监测数据中任一数据计算后不满足/>小于等于/>,标记为奇异点数据,删除奇异点数据。
构建泵站监控体系,在主机组及其周边附属设施安装传感器,采用滑动平均滤波对实时监测数据进行预处理,方式如下:
;
式中,表示第n次滤波输出值,x(k)表示第k次采样值,L为滑动窗口的宽度,决定滤波效果的平滑程度。
根据实际测试结果,随着窗口宽度的增大,滤波效果越好,当N为10时效果最好,当N值继续增大,虽然具有滤波作用,且能够有效地平滑,但是滤波效果已经不明显,故本***选用N=10作为滑动滤波的窗口宽度。
获取基于监测数据的故障感知模型,所述基于监测数据的故障感知模型包括:
获取删除奇异点数据后的振动、温度、压力、流量,以及液位历史数据,同时获取对应各项历史数据下的故障状态,形成数据列{R0、S1、S2、……、S6},其中,R0指故障状态,S1至S6分别对应当前故障状态下的实时振动、温度、压力、流量,以及液位历史数据;所述故障状态包括油水诊断故障、绕组温度诊断故障、振动诊断故障;
以油水诊断故障为例,其中油水诊断故障的检测项包括:油混水数据是否超标、油缸油位数据、冷却水回水温度、水箱水位、供水泵运行频率;监测振动、温度、压力、流量,以及液位数据,其中计算出的直接监测数据为液位数据,其中油混水数据、油缸油位数据以及水箱水位数据均与液位数据存在一定关联性,而冷却水回水温度与供水泵运行频率与液位数据存在较低关联性;对振动、温度、压力、流量各项与液位之间的效应占比进行计算;
根据历史监测数据选取在每一种故障状态下的直接监测数据,所述直接监测数据的选取方式为:
获取故障状态下的监测数据与上一状态下对应的监测数据的差值,计算历史监测数据中每一组的差值,以总和最大的那个监测数据作为直接监测数据;
构建每一种故障状态下的故障感知模型:
;
;
;
其中,指历史监测数据中的直接监测数据;/>指当前故障状态下的故障赋予值,所述故障赋予值指***对每一种故障状态赋予不同的数值区间,数值区间之间互不交叉,然后按照故障大小以一定比例将故障转化成数值形式;/>、/>分别指/>与/>之间的直接线性模型的回归系数和回归常数项;/>指中介历史监测数据,为历史监测数据中除去/>的任一种监测数据;/>、/>分别指/>与/>之间的直接线性模型的回归系数和回归常数项;、/>、/>分别指/>在历史监测数据中的直接监测数据/>的基础上增添中介历史监测数据时形成的回归模型下的回归系数和回归常数项;
计算对于/>的故障赋予值的效应占比:
;
计算历史监测数据中每一个对于/>的效应占比,并按照从大到小的顺序进行排序;
获取稳定的信号监测数据输入至故障感知模型,分别选取每一种故障状态下的直接监测数据,代入直接监测数据故障状态下的直接线性模型,若形成的故障赋予值属于***设定的当前的故障状态区间,则标记为当前故障状态,形成感知体系下的优先级故障分析组,展示在机组页面上,所述优先级故障分析组包括所有的监测数据。
获取当前展示机组的优先级故障分析部分,调用效应占比顺序,最大值代表当前项监测数据与直接监测数据关联性最大,选取关联度最低的监测数据监测页面部分,对其进行标记,并输出其页面占比;
调用另一机组的优先级故障分析部分的直接监测数据,获取其页面占比,若当前展示机组的关联度最低的监测数据监测页面的页面占比大于或等于另一机组的优先级故障分析部分的直接监测数据的页面占比,则直接将另一机组的优先级故障分析部分的直接监测数据页面替换至当前展示机组的关联度最低的监测数据的监测页面;
若当前展示机组的关联度最低的监测数据监测页面的页面占比小于另一机组的优先级故障分析部分的直接监测数据的页面占比;读取当前展示机组的直接关联数据中变化率最大的数据类型,在另一机组的优先级故障分析部分的直接监测数据页面中选择相应的数据类型,直至页面占比满足当前展示机组的关联度最低的监测数据的监测页面,实现替换,进行同页面智能对比,直观分析故障变化。
在本实施例二中,提供一种基于大数据分析的故障智能感知***,该***包括:历史大数据分析模块、实时监控模块、故障感知模块以及页面分析模块;
所述历史大数据分析模块用于获取泵站机组的历史监测数据,所述历史监测数据包括振动、温度、压力、流量,以及液位,基于泵站机组的历史监测数据进行奇异点处理,形成基于监测数据的故障感知模型;所述实时监控模块用于构建泵站监控体系,获取泵站运行实时监测数据,采用滑动平均滤波对实时监测数据进行预处理,获取稳定的信号监测数据;所述故障感知模块基于稳定的信号监测数据输入至故障感知模型,形成感知体系下的优先级故障分析组,展示在机组页面上;所述页面分析模块用于获取当前展示机组的优先级故障分析部分,分析各项监测数据与优先级故障分析部分的关联性,选取关联度最低的监测页面部分,调用另一机组的优先级故障分析部分的监测数据,进行同页面智能对比;
所述历史大数据分析模块的输出端与所述实时监控模块的输入端相连接;所述实时监控模块的输出端与所述故障感知模块的输入端相连接;所述故障感知模块的输出端与所述页面分析模块的输入端相连接。
所述历史大数据分析模块包括历史监测数据采集单元和奇异点分析单元;
所述历史监测数据采集单元用于获取泵站机组的历史监测数据;所述奇异点分析单元基于泵站机组的历史监测数据进行奇异点处理,形成基于监测数据的故障感知模型;
所述历史监测数据采集单元的输出端与所述奇异点分析单元的输入端相连接。
所述实时监控模块包括监控单元与滤波处理单元;
所述监控单元用于构建泵站监控体系,获取泵站运行实时监测数据;所述滤波处理单元采用滑动平均滤波对实时监测数据进行预处理,获取稳定的信号监测数据;
所述监控单元的输出端与所述滤波处理单元的输入端相连接。
所述故障感知模块包括感知单元与展示单元;
所述感知单元基于稳定的信号监测数据输入至故障感知模型,形成感知体系下的优先级故障分析组;所述展示单元用于将优先级故障分析组展示在机组页面上;
所述感知单元的输出端与所述展示单元的输入端相连接。
所述页面分析模块包括关联分析单元和页面对比单元;
所述关联分析单元用于获取当前展示机组的优先级故障分析部分,分析各项监测数据与优先级故障分析部分的关联性,选取关联度最低的监测页面部分;所述页面对比单元用于调用另一机组的优先级故障分析部分的监测数据,进行同页面智能对比;
所述关联分析单元的输出端与所述页面对比单元的输入端相连接。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于大数据分析的故障智能感知方法,其特征在于:该方法包括以下步骤:
S1、获取泵站机组的历史监测数据,所述历史监测数据包括振动、温度、压力、流量以及液位,基于泵站机组的历史监测数据进行奇异点处理,形成基于监测数据的故障感知模型;
S2、构建泵站监控体系,获取泵站运行实时监测数据,采用滑动平均滤波对实时监测数据进行预处理,获取稳定的信号监测数据;
S3、基于稳定的信号监测数据输入至故障感知模型,形成感知体系下的优先级故障分析组,展示在机组页面上;
S4、获取当前展示机组的优先级故障分析部分,分析各项监测数据与优先级故障分析部分的关联性,选取关联度最低的监测页面部分,调用另一机组的优先级故障分析部分的监测数据,进行同页面智能对比;
所述奇异点处理包括:
获取泵站机组的历史监测数据,对任一种历史监测数据,根据数值大小构建相应的粒子位置写入一维空间,连续采集若干组历史监测数据,形成序列,对每一个序列计算数据期望:
;
其中,表示在一维空间中第i个数据粒子的序列位置;/>代表数据期望;N代表序列长度;
构建奇异点分析范围:
;
其中,指标准差,设置/>,则有任一个/>应小于等于/>,若存在历史监测数据中任一数据计算后不满足/>小于等于/>,标记为奇异点数据,删除奇异点数据;
所述获取稳定的信号监测数据包括:
构建泵站监控体系,在主机组及其周边附属设施安装传感器,采用滑动平均滤波对实时监测数据进行预处理,方式如下:
;
式中,表示第n次滤波输出值,x(k)表示第k次采样值,L为滑动窗口的宽度,决定滤波效果的平滑程度;
还包括:
获取步骤S1的基于监测数据的故障感知模型,所述基于监测数据的故障感知模型包括:
获取删除奇异点数据后的振动、温度、压力、流量以及液位历史数据,同时获取对应各项历史数据下的故障状态,形成数据列{R0、S1、S2、……、S6},其中,R0指故障状态,S1至S6分别对应当前故障状态下的实时振动、温度、压力、流量以及液位历史数据;所述故障状态包括油水诊断故障、绕组温度诊断故障、振动诊断故障;
根据历史监测数据选取在每一种故障状态下的直接监测数据,所述直接监测数据的选取方式为:
获取故障状态下的监测数据与上一状态下对应的监测数据的差值,计算历史监测数据中每一组的差值,以总和最大的那个监测数据作为直接监测数据;
构建每一种故障状态下的故障感知模型:
;
;
;
其中,指历史监测数据中的直接监测数据;/>指当前故障状态下的故障赋予值,所述故障赋予值指***对每一种故障状态赋予不同的数值区间,数值区间之间互不交叉,然后按照故障大小以一定比例将故障转化成数值形式;/>、/>分别指/>与/>之间的直接线性模型的回归系数和回归常数项;/>指中介历史监测数据,为历史监测数据中除去/>的任一种监测数据;/>、/>分别指/>与/>之间的直接线性模型的回归系数和回归常数项;/>、/>、/>分别指/>在历史监测数据中的直接监测数据/>的基础上增添中介历史监测数据/>时形成的回归模型下的回归系数和回归常数项;
计算对于/>的故障赋予值的效应占比:
;
计算历史监测数据中每一个对于/>的效应占比,并按照从大到小的顺序进行排序;
获取稳定的信号监测数据输入至故障感知模型,分别选取每一种故障状态下的直接监测数据,代入直接监测数据故障状态下的直接线性模型,若形成的故障赋予值属于***设定的当前的故障状态区间,则标记为当前故障状态,形成感知体系下的优先级故障分析组,展示在机组页面上,所述优先级故障分析组包括所有的监测数据。
2.根据权利要求1所述的一种基于大数据分析的故障智能感知方法,其特征在于:在步骤S4中,还包括:
获取当前展示机组的优先级故障分析部分,调用效应占比顺序,最大值代表当前项监测数据与直接监测数据关联性最大,选取关联度最低的监测数据监测页面部分,对其进行标记,并输出其页面占比;
调用另一机组的优先级故障分析部分的直接监测数据,获取其页面占比,若当前展示机组的关联度最低的监测数据监测页面的页面占比大于或等于另一机组的优先级故障分析部分的直接监测数据的页面占比,则直接将另一机组的优先级故障分析部分的直接监测数据页面替换至当前展示机组的关联度最低的监测数据的监测页面;
若当前展示机组的关联度最低的监测数据监测页面的页面占比小于另一机组的优先级故障分析部分的直接监测数据的页面占比;读取当前展示机组的直接关联数据中变化率最大的数据类型,在另一机组的优先级故障分析部分的直接监测数据页面中选择相应的数据类型,直至页面占比满足当前展示机组的关联度最低的监测数据的监测页面,实现替换,进行同页面智能对比,直观分析故障变化。
3.一种基于大数据分析的故障智能感知***,使用如权利要求1所述的一种基于大数据分析的故障智能感知方法,其特征在于:该***包括:历史大数据分析模块、实时监控模块、故障感知模块以及页面分析模块;
所述历史大数据分析模块用于获取泵站机组的历史监测数据,所述历史监测数据包括振动、温度、压力、流量以及液位,基于泵站机组的历史监测数据进行奇异点处理,形成基于监测数据的故障感知模型;所述实时监控模块用于构建泵站监控体系,获取泵站运行实时监测数据,采用滑动平均滤波对实时监测数据进行预处理,获取稳定的信号监测数据;所述故障感知模块基于稳定的信号监测数据输入至故障感知模型,形成感知体系下的优先级故障分析组,展示在机组页面上;所述页面分析模块用于获取当前展示机组的优先级故障分析部分,分析各项监测数据与优先级故障分析部分的关联性,选取关联度最低的监测页面部分,调用另一机组的优先级故障分析部分的监测数据,进行同页面智能对比;
所述历史大数据分析模块的输出端与所述实时监控模块的输入端相连接;所述实时监控模块的输出端与所述故障感知模块的输入端相连接;所述故障感知模块的输出端与所述页面分析模块的输入端相连接。
4.根据权利要求3所述的一种基于大数据分析的故障智能感知***,其特征在于:所述历史大数据分析模块包括历史监测数据采集单元和奇异点分析单元;
所述历史监测数据采集单元用于获取泵站机组的历史监测数据;所述奇异点分析单元基于泵站机组的历史监测数据进行奇异点处理,形成基于监测数据的故障感知模型;
所述历史监测数据采集单元的输出端与所述奇异点分析单元的输入端相连接。
5.根据权利要求3所述的一种基于大数据分析的故障智能感知***,其特征在于:所述实时监控模块包括监控单元与滤波处理单元;
所述监控单元用于构建泵站监控体系,获取泵站运行实时监测数据;所述滤波处理单元采用滑动平均滤波对实时监测数据进行预处理,获取稳定的信号监测数据;
所述监控单元的输出端与所述滤波处理单元的输入端相连接。
6.根据权利要求3所述的一种基于大数据分析的故障智能感知***,其特征在于:所述故障感知模块包括感知单元与展示单元;
所述感知单元基于稳定的信号监测数据输入至故障感知模型,形成感知体系下的优先级故障分析组;所述展示单元用于将优先级故障分析组展示在机组页面上;
所述感知单元的输出端与所述展示单元的输入端相连接。
7.根据权利要求3所述的一种基于大数据分析的故障智能感知***,其特征在于:所述页面分析模块包括关联分析单元和页面对比单元;
所述关联分析单元用于获取当前展示机组的优先级故障分析部分,分析各项监测数据与优先级故障分析部分的关联性,选取关联度最低的监测页面部分;所述页面对比单元用于调用另一机组的优先级故障分析部分的监测数据,进行同页面智能对比;
所述关联分析单元的输出端与所述页面对比单元的输入端相连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311715817.2A CN117407825B (zh) | 2023-12-14 | 2023-12-14 | 一种基于大数据分析的故障智能感知***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311715817.2A CN117407825B (zh) | 2023-12-14 | 2023-12-14 | 一种基于大数据分析的故障智能感知***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117407825A CN117407825A (zh) | 2024-01-16 |
CN117407825B true CN117407825B (zh) | 2024-02-20 |
Family
ID=89500326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311715817.2A Active CN117407825B (zh) | 2023-12-14 | 2023-12-14 | 一种基于大数据分析的故障智能感知***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117407825B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106594526A (zh) * | 2016-12-02 | 2017-04-26 | 中国科学院上海微***与信息技术研究所 | 一种基于水压采样数据的供水管网状态监测方法及装置 |
WO2019218408A1 (zh) * | 2018-05-15 | 2019-11-21 | 江苏大学 | 一种基于物联网的水泵机组典型健康状态监测装置及方法 |
CN112124229A (zh) * | 2020-10-12 | 2020-12-25 | 浙江水利水电学院 | 一种应急抢险泵车远程实时故障诊断方法 |
CN115034483A (zh) * | 2022-06-16 | 2022-09-09 | 西安热工研究院有限公司 | 一种水轮发电机组运行故障监测方法及*** |
-
2023
- 2023-12-14 CN CN202311715817.2A patent/CN117407825B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106594526A (zh) * | 2016-12-02 | 2017-04-26 | 中国科学院上海微***与信息技术研究所 | 一种基于水压采样数据的供水管网状态监测方法及装置 |
WO2019218408A1 (zh) * | 2018-05-15 | 2019-11-21 | 江苏大学 | 一种基于物联网的水泵机组典型健康状态监测装置及方法 |
CN112124229A (zh) * | 2020-10-12 | 2020-12-25 | 浙江水利水电学院 | 一种应急抢险泵车远程实时故障诊断方法 |
CN115034483A (zh) * | 2022-06-16 | 2022-09-09 | 西安热工研究院有限公司 | 一种水轮发电机组运行故障监测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117407825A (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103163389A (zh) | 智能母线在线监测及状态评估*** | |
CN114363195B (zh) | 面向时间和频谱残差卷积网络的网络流量预测预警方法 | |
CN114118673A (zh) | 一种基于数字孪生技术的车间智能化故障诊断预警方法 | |
CN112861350B (zh) | 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法 | |
CN107065834A (zh) | 湿法冶金过程中浓密机的故障诊断方法 | |
CN112305388B (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
CN114519923A (zh) | 一种电厂智能诊断预警方法和*** | |
JP2002082713A (ja) | 工業プロセスの監視方法及び監視システム | |
CN115614292B (zh) | 一种立式水泵机组振动监测装置及其方法 | |
CN111931849A (zh) | 一种水电机组运行数据趋势预警方法 | |
Li et al. | Application of Big Data Technology in Evaluation of Operating State of High-Pressure Hydrogenation Heat Exchanger | |
CN117273203A (zh) | 一种基于GAT-Transformer时间序列模型的水质预测方法与*** | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
CN113984389B (zh) | 一种基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断方法 | |
CN116128102A (zh) | 一种制冷设备用异形铜管生产优化方法及*** | |
CN117407825B (zh) | 一种基于大数据分析的故障智能感知***及方法 | |
CN117092980B (zh) | 一种基于大数据的电气故障检测控制*** | |
CN113916302A (zh) | 一种基于人工智能技术的天车在线检测诊断***及方法 | |
KR102366787B1 (ko) | 슬라이딩 윈도우 기법을 이용한 제조설비의 실시간 다변량 이상감지 시스템 | |
CN117312972A (zh) | 一种刮板输送机减速器健康状态识别方法 | |
CN110532699B (zh) | 基于模糊dcd的湿法冶金浓密洗涤过程故障诊断方法 | |
CN110320802B (zh) | 基于数据可视化的复杂***信号时序识别方法 | |
CN116821828A (zh) | 一种基于工业数据的多维时序预测方法 | |
CN107121490A (zh) | 一种湿法冶金过程中运行状态的评价方法 | |
CN115081741A (zh) | 一种基于神经网络的天然气计量检定智能预测的方法 |
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 |