CN117570039A - 矿用隔爆型潜水排沙电泵故障监测***及方法 - Google Patents
矿用隔爆型潜水排沙电泵故障监测***及方法 Download PDFInfo
- Publication number
- CN117570039A CN117570039A CN202410057857.0A CN202410057857A CN117570039A CN 117570039 A CN117570039 A CN 117570039A CN 202410057857 A CN202410057857 A CN 202410057857A CN 117570039 A CN117570039 A CN 117570039A
- Authority
- CN
- China
- Prior art keywords
- electric pump
- data
- fault
- signal
- sensor
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 238000005065 mining Methods 0.000 title claims abstract description 30
- 239000004576 sand Substances 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 55
- 238000012423 maintenance Methods 0.000 claims abstract description 52
- 238000004891 communication Methods 0.000 claims abstract description 37
- 238000007405 data analysis Methods 0.000 claims abstract description 19
- 238000013500 data storage Methods 0.000 claims abstract description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 67
- 230000005540 biological transmission Effects 0.000 claims description 40
- 238000003745 diagnosis Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 21
- 230000035945 sensitivity Effects 0.000 claims description 21
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 238000007418 data mining Methods 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 4
- 210000000476 body water Anatomy 0.000 claims description 3
- 239000013049 sediment Substances 0.000 claims 1
- 238000012706 support-vector machine Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 238000005457 optimization Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 239000002184 metal Substances 0.000 description 6
- 229910052751 metal Inorganic materials 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000007599 discharging Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000005299 abrasion Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 150000002739 metals Chemical class 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000005678 Seebeck effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000002817 coal dust Substances 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011499 joint compound Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D15/00—Control, e.g. regulation, of pumps, pumping installations or systems
- F04D15/0088—Testing machines
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Mechanical Engineering (AREA)
- Control Of Non-Positive-Displacement Pumps (AREA)
Abstract
本发明公开了矿用隔爆型潜水排沙电泵故障监测***及方法,属于监测***相关技术领域,包括:传感器,用于实时采集电泵的运行参数和状态信息;无线通信模块,用于将采集到的数据通过无线信号发送到井口的数据接收器;数据接收器,用于接收来自无线通信模块的数据;数据处理单元,用于对接收到的数据进行分析和建模;显示单元,用于向操作人员和维修人员提供电泵的运行状态和故障报警,以及故障原因和维修建议;数据存储单元,用于将电泵的运行数据和故障信息存储在数据库中,用于后续的数据分析和故障预测。本发明用于解决现有技术中矿用隔爆型潜水排沙电泵的故障监测和诊断的方法不能满足矿井排水的安全和效率的要求的技术问题。
Description
技术领域
本发明属于监测***相关技术领域,具体为矿用隔爆型潜水排沙电泵故障监测***及方法。
背景技术
电泵是一种利用电能驱动叶轮旋转,从而将液体输送到所需地点的设备,广泛应用于工业、农业、建筑、矿山等领域。电泵的性能和寿命与其运行状态和故障情况密切相关,因此,对电泵的运行参数和状态信息进行实时监测和分析,及时发现和诊断电泵的故障,是保证电泵的安全、高效、稳定运行的重要手段。
矿用隔爆型潜水排沙电泵是一种专门用于矿井中排除水和沙的电泵,具有结构紧凑、性能可靠、安全防爆等特点,是矿井排水的主要设备之一。由于矿用隔爆型潜水排沙电泵工作在恶劣的环境中,经常受到水、沙、泥、煤尘等物质的侵蚀和冲击,容易出现电机过热、叶轮堵塞、轴承磨损、水封损坏、电缆断裂等故障,影响电泵的正常运行,甚至造成电泵的损坏和矿井的事故。因此,对矿用隔爆型潜水排沙电泵的运行状态和故障进行有效的监测和诊断,是保证矿井排水的安全和效率的关键。
目前,对矿用隔爆型潜水排沙电泵的故障监测和诊断的方法主要有以下几种:
人工巡检法:这种方法是由操作人员定期对电泵的运行情况进行观察和检查,根据经验判断电泵是否存在故障,如温度、声音、振动等。这种方法的优点是简单易行,不需要额外的设备和技术,但是缺点是效率低下,准确性差,不能实现电泵的实时监测和远程控制,也不能及时发现和处理电泵的故障,容易造成电泵的损坏和矿井的事故。
仪器仪表法:这种方法是利用各种仪器仪表对电泵的运行参数和状态信息进行测量和记录,如温度计、电流表、振动仪、水位计等,然后根据测量结果判断电泵是否存在故障,如温度、电流、振动、水位等是否超过正常范围。这种方法的优点是能够较为准确地反映电泵的运行状况,但是缺点是仪器仪表的安装和维护比较复杂,需要专业的人员和设备,而且仪器仪表的测量结果往往是离散的和静态的,不能实现电泵的连续监测和动态分析,也不能提供电泵的故障原因和维修建议。
信号处理法:这种方法是利用信号处理的技术对电泵的运行数据进行分析和处理,如时域分析、频域分析、时频域分析等,从中提取出反映电泵的运行状况和故障情况的特征信号,如温度、电流、振动、水位等的波形、幅值、频率、能量、频谱等,然后根据特征信号判断电泵是否存在故障,如温度、电流、振动、水位等的波形、幅值、频率、能量、频谱等是否异常。这种方法的优点是能够较为全面地反映电泵的运行状况,但是缺点是信号处理的技术比较复杂,需要专业的人员和设备,而且信号处理的结果往往是定性的和主观的,不能实现电泵的量化评估和客观诊断,也不能提供电泵的故障原因和维修建议。
综上所述,现有的对矿用隔爆型潜水排沙电泵的故障监测和诊断的方法都存在一定的不足,不能满足矿井排水的安全和效率的要求,因此,急需一种能够实现对矿用隔爆型潜水排沙电泵的运行状态和故障进行实时监测和智能诊断的***和方法,以提高电泵的性能和寿命,保证矿井排水的安全和效率。
发明内容
针对以上问题,本发明提供矿用隔爆型潜水排沙电泵故障监测***及方法,用于解决现有技术中矿用隔爆型潜水排沙电泵的故障监测和诊断的方法不能满足矿井排水的安全和效率的要求的技术问题。
为实现上述目的,本发明采用的技术方案是:
一种矿用隔爆型潜水排沙电泵故障监测***,包括:
传感器,安装在电泵的关键部件上,用于实时采集电泵的运行参数和状态信息,包括温度、电流、振动、水位信息;
无线通信模块,与传感器相连接,用于将采集到的数据通过无线信号发送到井口的数据接收器;
数据接收器,安装在井口,用于接收来自无线通信模块的数据;
数据处理单元,与数据接收器相连接,用于对接收到的数据进行分析和建模,提取出电泵的正常工作特征和故障特征,建立电泵的故障诊断模型;
显示单元,与数据处理单元相连接,用于向操作人员和维修人员提供电泵的运行状态和故障报警,以及故障原因和维修建议;
数据存储单元,与数据处理单元相连接,用于将电泵的运行数据和故障信息存储在数据库中,用于后续的数据分析和故障预测;
与现有技术相比,本发明的有益效果为:通过传感器实时采集电泵的运行参数和状态信息,如温度、电流、振动、水位等,能够全面反映电泵的运行状况,及时发现电泵的异常现象,提高电泵的监测精度和实时性;
通过无线通信模块将采集到的数据通过无线信号发送到井口的数据接收器,能够克服电缆的限制,实现电泵的远程监测和控制,提高电泵的通信效率和安全性;
通过数据处理单元对接收到的数据进行分析和建模,提取出电泵的正常工作特征和故障特征,建立电泵的故障诊断模型,能够利用数据挖掘和机器学习的方法,实现电泵的智能诊断和预测,提高电泵的诊断准确性和可靠性;
通过显示单元向操作人员和维修人员提供电泵的运行状态和故障报警,以及故障原因和维修建议,能够利用图形化和语音化的方式,实现电泵的友好交互和指导,提高电泵的维护效率和质量;
通过数据存储单元将电泵的运行数据和故障信息存储在数据库中,用于后续的数据分析和故障预测,能够利用关系型数据库的技术,实现电泵的历史数据的查询、统计、分析和预测,提高电泵的数据管理和优化能力。
作为上述方案的进一步改进,所述的传感器为温度传感器、电流传感器、振动传感器、水位传感器,用于实时采集电泵的温度、电流、振动、水位参数和状态信息;
其中,温度传感器用于测量电泵的电机、叶轮、轴承、泵体等部位的温度,该温度为电泵的运行参数之一,该温度传感器的输出信号为电压信号,与温度成正比,可用以下公式表示:
,其中,/>为温度传感器的输出电压,T为电泵的温度,k为温度传感器的灵敏度系数;
其中,电流传感器用于测量电泵的电机的电流,该电流为电泵的运行参数之一,该电流传感器的输出信号为电压信号,与电流成正比,可用以下公式表示:
,其中,/>为电流传感器的输出电压,/>为电泵的电机电流,k为电流传感器的灵敏度系数;
其中,振动传感器的输出信号为电压信号,与振动的幅值和频率有关,可用以下公式表示:
,其中,/>为振动传感器的输出电压,A为电泵的轴承振动的幅值,/>为电泵的轴承振动的频率,t为时间,/>和/>为振动传感器的灵敏度系数;
其中,水位传感器用于测量电泵的泵体的水位,该水位为电泵的状态信息之一该水位传感器的输出信号为电阻信号,与水位成正比,可用以下公式表示:
,
其中,为水位传感器的输出电阻,/>为电泵的泵体水位,/>为水位传感器的灵敏度系数。
上述改进的技术效果为:可以实时采集电泵的温度、电流、振动、水位等参数和状态信息,及时发现电泵的运行状况和故障情况,提高电泵的安全性和可靠性,减少故障停机和维修成本,延长电泵的使用寿命。
作为上述方案的进一步改进,所述的无线通信模块为无线传感器网络中的节点,采用ZigBee协议用于将传感器采集到的数据通过无线信号发送到井口的数据接收器。
上述改进的技术效果为:通过无线传感器网络的技术,能够实现多个无线通信模块之间的自组织、自配置、自修复和自适应,提高无线通信模块的网络稳定性和可扩展性;
通过ZigBee协议的技术,能够实现无线通信模块之间的低功耗、低成本、低复杂度和高安全性的通信,提高无线通信模块的通信效率和安全性;
通过无线信号的技术,能够实现无线通信模块与数据接收器之间的远距离和无线的数据传输,克服电缆的限制,提高无线通信模块的数据传输效率和灵活性。
作为上述方案的进一步改进,所述的数据接收器为无线传感器网络中的协调器,用于接收来自无线通信模块的无线信号,即电泵的运行数据的无线传输,将其转换为有线信号,即电泵的运行数据的有线传输,通过有线通信接口与数据处理单元相连接,将电泵的运行数据传输给数据处理单元,用于实现电泵的数据采集和处理;
其中,数据接收器为一种具有无线接收和有线发送能力的设备,能够实现对无线信号和有线信号的转换和传输,该数据接收器的工作原理为以下步骤:
(1)数据接收器通过无线天线接收来自无线通信模块的无线信号,即电泵的运行数据的无线传输,可用以下公式表示:
,
其中,为无线信号,A为无线信号的幅度,/>为无线信号的频率,t为时间,/>为无线信号的相位;
(2)数据接收器通过无线接收模块对无线信号进行解调和解码,将其还原为数字信号,即电泵的运行数据,该数字信号为一种二进制信号,可用以下公式表示:
,
其中,为数字信号,/>为数字信号的第n个比特,/>为数字信号的脉冲形状,T为数字信号的比特间隔,N为数字信号的比特数;
(3)数据接收器通过有线发送模块对数字信号进行编码和调制,将其转换为有线信号,即电泵的运行数据的有线传输,该有线信号为一种电压信号,可用以下公式表示:
,
其中,为有线信号,/>为有线信号的第n个符号,/>为有线信号的符号形状,T为有线信号的符号间隔,N为有线信号的符号数;
(4)数据接收器通过有线通信接口将有线信号发送给数据处理单元,完成电泵的运行数据的无线传输到有线传输的转换和传输。
上述改进的技术效果为:完成电泵的运行数据的无线传输到有线传输的转换和传输,提高数据接收器的数据传输的效率和稳定性。
作为上述方案的进一步改进,所述的数据处理单元为一台工控机或其他具有数据处理能力的设备,内置有数据处理软件,用于对接收到的电泵的运行数据进行分析和建模,提取出电泵的正常工作特征和故障特征,建立电泵的故障诊断模型。
上述改进的技术效果为:能够实现对电泵的运行数据的高速处理和大容量存储,提高数据处理单元的数据处理能力和数据存储能力。
作为上述方案的进一步改进,所述的显示单元为一台显示器或其他具有显示能力的设备,以及一个扬声器或其他具有语音播报能力的设备,用于向操作人员和维修人员提供电泵的运行状态和故障报警,以及故障原因和维修建议,该显示单元与数据处理单元相连接,接收来自数据处理单元的电泵的运行数据、故障类型、故障位置、维修建议信息。
上述改进的技术效果为:通过显示器或其他具有显示能力的设备,能够实现对电泵的运行数据、故障类型、故障位置、维修建议信息的图形化显示,提高显示单元的显示效果和可视性。
作为上述方案的进一步改进,所述的数据存储单元为一台数据库服务器或其他具有数据存储能力的设备,用于将电泵的运行数据和故障信息存储在数据库中,用于后续的数据分析和故障预测。
上述改进的技术效果为:能够实现对电泵的运行数据和故障信息的高效存储和安全保护,提高数据存储单元的数据存储效率和安全性。
一种矿用隔爆型潜水排沙电泵故障监测方法,包括以下步骤:
(1)在电泵的关键部件上安装传感器,用于实时采集电泵的运行参数和状态信息,包括温度、电流、振动、水位;
(2)将传感器与无线通信模块相连接,形成一个无线传感器网络,将采集到的数据通过无线信号发送到井口的数据接收器;
(3)在井口的数据接收器上安装数据处理单元和显示单元,用于接收和处理来自无线传感器网络的数据,以及显示和存储电泵的运行情况和故障信息;
(4)在数据处理单元中,采用数据挖掘和机器学习的方法,对电泵的运行数据进行分析和建模,提取出电泵的正常工作特征和故障特征,建立电泵的故障诊断模型;
(5)在显示单元中,采用图形化和语音化的方式,向操作人员和维修人员提供电泵的运行状态和故障报警,以及故障原因和维修建议;
(6)在数据存储单元中,将电泵的运行数据和故障信息存储在数据库中,用于后续的数据分析和故障预测。
作为上述方案的进一步改进,所述的步骤(4)中,采用数据挖掘和机器学习的方法,对电泵的运行数据进行分析和建模,提取出电泵的正常工作特征和故障特征,建立电泵的故障诊断模型,具体包括以下子步骤:
(4.1)对电泵的运行数据进行预处理;
(4.2)对电泵的运行数据进行特征提取;
(4.3)对电泵的运行数据进行特征选择;
(4.4)对电泵的运行数据进行分类器训练,利用有标签的电泵的运行特征和故障类型,采用有监督的学习方法,训练出一个能够识别出电泵的多种故障类型的多分类器,作为电泵的故障诊断模型;用以下的公式来表示分类器训练的过程:
,
其中,表示预测出的故障类型,表示一个多分类器的函数,表示多分类器的
参数;多分类器的参数是通过最小化一个损失函数来得到,其中表示真实的故
障类型,损失函数L表示预测值和真实值之间的差异;用以下的公式来表示损失函数的最小
化过程:
,
其中,表示最优的多分类器的参数,/>表示求解使得损失函数最小的参数的过程,如梯度下降、牛顿法;
(4.5)对电泵的运行数据进行分类器测试。
上述改进的技术效果为:利用数据挖掘和机器学习的方法,对电泵的运行数据进行分析和建模,提取出电泵的正常工作特征和故障特征,建立电泵的故障诊断模型。本文详细描述了数据预处理、特征提取、特征选择、分类器训练和分类器测试的过程和公式,以实现对电泵的多种故障类型的识别和预测。本文的有益效果是提高了电泵的故障监测的精度和可靠性。
附图说明
图1为本发明中矿用隔爆型潜水排沙电泵故障监测***的示意图。
图2为本发明中矿用隔爆型潜水排沙电泵故障监测方法的示意图。
图3为本发明中矿用隔爆型潜水排沙电泵故障监测***中数据接收器号信号的转换和传输的流程示意图。
具体实施方式
为了使本领域技术人员更好地理解本发明的技术方案,下面结合实施例对本发明进行详细描述,本部分的描述仅是示范性和解释性,不应对本发明的保护范围有任何的限制作用。
如图1所示,一种矿用隔爆型潜水排沙电泵故障监测***,包括:
传感器,安装在电泵的关键部件上,用于实时采集电泵的运行参数和状态信息,包括温度、电流、振动、水位信息;
无线通信模块,与传感器相连接,用于将采集到的数据通过无线信号发送到井口的数据接收器;
数据接收器,安装在井口,用于接收来自无线通信模块的数据;
数据处理单元,与数据接收器相连接,用于对接收到的数据进行分析和建模,提取出电泵的正常工作特征和故障特征,建立电泵的故障诊断模型;
显示单元,与数据处理单元相连接,用于向操作人员和维修人员提供电泵的运行状态和故障报警,以及故障原因和维修建议;
数据存储单元,与数据处理单元相连接,用于将电泵的运行数据和故障信息存储在数据库中,用于后续的数据分析和故障预测。
作为上述实施例的优选方式,所述的传感器为温度传感器、电流传感器、振动传感器、水位传感器,用于实时采集电泵的温度、电流、振动、水位参数和状态信息;
其中,温度传感器用于测量电泵的电机、叶轮、轴承、泵体等部位的温度,该温度为电泵的运行参数之一,该温度传感器的输出信号为电压信号,与温度成正比,可用以下公式表示:
,其中,/>为温度传感器的输出电压,T为电泵的温度,k为温度传感器的灵敏度系数;
其中,电流传感器用于测量电泵的电机的电流,该电流为电泵的运行参数之一,该电流传感器的输出信号为电压信号,与电流成正比,可用以下公式表示:
,其中,/>为电流传感器的输出电压,/>为电泵的电机电流,k为电流传感器的灵敏度系数;
其中,振动传感器的输出信号为电压信号,与振动的幅值和频率有关,可用以下公式表示:
,其中,/>为振动传感器的输出电压,A为电泵的轴承振动的幅值,/>为电泵的轴承振动的频率,t为时间,/>和/>为振动传感器的灵敏度系数;
其中,水位传感器用于测量电泵的泵体的水位,该水位为电泵的状态信息之一该水位传感器的输出信号为电阻信号,与水位成正比,可用以下公式表示:
,
其中,为水位传感器的输出电阻,/>为电泵的泵体水位,/>为水位传感器的灵敏度系数。
温度传感器:
温度传感器的输出电压VT与温度T成正比,用以下公式表示:
VT=kT
其中,k为温度传感器的灵敏度系数,单位为V/℃,表示温度每变化1℃时,输出电压变化的幅度。
这个公式,利用热电偶的塞贝克效应,即当两种不同金属连接在一起形成回路时,如果两个接点的温度不同,就会在回路中产生电动势,从而形成电流。这个电动势与两种金属的材料和两个接点的温度有关,用以下公式表示:
,
其中,E为电动势,E1和E2为两种金属的热电势,k1和k2为两种金属的塞贝克系数,T1和T2为两个接点的温度,T0为参考温度,通常取0℃。
将其中一种金属的一端接到电压表上,另一端接到一个恒温源上,保持温度为T0,那么电压表上显示的电压就是温度传感器的输出电压VT,另一种金属的一端接到被测对象上,另一端接到电压表上,那么被测对象的温度就是T1,而T2就是T0,代入上式,得到:
,
令k=k1,T=T1-T0,就得到了温度传感器的公式:
VT=kT,
温度传感器的具体数值推导过程:
设定温度传感器的灵敏度系数k为0.01V/℃,那么当被测对象的温度为50℃时,输出电压为:
VT=kT=0.01×50=0.5V,
当被测对象的温度为100℃时,输出电压为:
VT=kT=0.01×100=1V。
电流传感器:
电流传感器的输出电压VI与电流I成正比,用以下公式表示:
,
其中,k为电流传感器的灵敏度系数,单位为V/A,表示电流每变化1A时,输出电压变化的幅度。
这个电压与电流、磁场强度和材料性质有关,用以下公式表示:
,
其中,VH为霍尔电压,B为磁场强度,I为电流,l为材料的厚度,RH为霍尔系数,是材料的固有属性。
将导电材料的两端接到电压表上,那么电压表上显示的电压就是电流传感器的输出电压VI,如果保持磁场强度B和材料的厚度l不变,那么霍尔电压就只与电流I成正比,代入上式,得到:
,
令k=BlR_H,就得到了电流传感器的公式:
,
设定电流传感器的灵敏度系数k为0.1V/A,那么当电流为10A时,输出电压为:
,
当电流为20A时,输出电压为:
。
水位传感器:
水位传感器的输出电阻Rh与水位h成正比,用以下公式表示:
,
其中,k为水位传感器的灵敏度系数,单位为Ω/m,表示水位每变化1m时,输出电阻变化的幅度。
即当水位变化时,浮子的位置也随之变化,从而改变浮子与电阻器的接触点,从而改变电阻器的电阻值。这个电阻值与浮子的位置和电阻器的长度有关,用以下公式表示:
,
其中,R为电阻值,ρ为电阻率,L为电阻器的长度,A为电阻器的横截面积。
如果将电阻器的一端接地,另一端接到电压表上,那么电压表上显示的电阻就是水位传感器的输出电阻Rh,如果保持电阻率ρ和横截面积A不变,那么电阻值就只与电阻器的长度L成正比,而电阻器的长度L又与浮子的位置,即水位h成正比,代入上式,得到:
,
令k=frac{ρ}{A},就得到了水位传感器的公式:
,
水位传感器的具体数值推导过程:
设定水位传感器的灵敏度系数k为100Ω/m,那么当水位为1m时,输出电阻为:
,
当水位为2m时,输出电阻为:
。
振动传感器:
首先,根据振动传感器的输出电压和振动的幅值和频率的关系,得到如下:
,
其中,为振动传感器的输出电压,A为电泵的轴承振动的幅值,/>为电泵的轴承振动的频率,t为时间,/>和/>为振动传感器的灵敏度系数;
然后,根据三角函数的恒等式,将上述的公式化简为以下的形式:
,
其中,为振动传感器的总灵敏度系数,/>为振动传感器的相位差;
接着,根据傅里叶变换的原理,将上述的公式变换为以下的形式:
,
其中,为振动传感器的输出电压的频域表示,/>为角频率,/>为狄拉克函数,/>为虚数单位;
最后,根据频谱分析的方法,从上述的公式中提取出电泵的轴承振动的幅值和频率,以及振动传感器的相位差,用于判断电泵的运转平稳性和故障类型,如下所示:
,
,
。
用于展示电泵的轴承振动的测量和故障诊断的过程和结果,并且结合具体的数值,如下所示:
设定电泵的轴承振动的幅值为0.1mm,频率为50Hz,振动传感器的灵敏度系数为k1=0.01V/mm,k2=0.02V/mm,则根据上述的公式,计算出振动传感器的输出电压为:
,
,
然后,根据傅里叶变换的原理,将上述的公式变换为以下的形式:
,
接着,根据频谱分析的方法,从上述的公式中提取出电泵的轴承振动的幅值和频率,以及振动传感器的相位差,如下所示:
mm,/>HZ,/>rad。
最后,根据电泵的轴承振动的幅值和频率,以及振动传感器的相位差,判断电泵的运转平稳性和故障类型,如下所示:
如果电泵的轴承振动的幅值小于0.2mm,频率等于电泵的转速,相位差为0,则表示电泵运转平稳,无故障;
如果电泵的轴承振动的幅值大于0.2mm,频率等于电泵的转速,相位差不为0,则表示电泵存在叶轮失衡的故障,需要调整叶轮的平衡度;
如果电泵的轴承振动的幅值大于0.2mm,频率大于电泵的转速,相位差不为0,则表示电泵存在轴承磨损的故障,需要更换轴承;
如果电泵的轴承振动的幅值大于0.2mm,频率小于电泵的转速,相位差不为0,则表示电泵存在水封损坏的故障,需要更换水封。
作为上述实施例的优选方式,所述的无线通信模块为无线传感器网络中的节点,采用ZigBee协议或其他低功耗、高可靠性、长距离的无线通信协议,用于将传感器采集到的数据通过无线信号发送到井口的数据接收器,该无线信号为电泵的运行数据的无线传输,用于实现电泵的远程监测和控制。
如图3所示,作为上述实施例的优选方式,所述的数据接收器为无线传感器网络中的协调器,用于接收来自无线通信模块的无线信号,即电泵的运行数据的无线传输,将其转换为有线信号,即电泵的运行数据的有线传输,通过有线通信接口与数据处理单元相连接,将电泵的运行数据传输给数据处理单元,用于实现电泵的数据采集和处理;
其中,数据接收器为一种具有无线接收和有线发送能力的设备,能够实现对无线信号和有线信号的转换和传输,该数据接收器的工作原理为以下步骤:
(1)数据接收器通过无线天线接收来自无线通信模块的无线信号,即电泵的运行数据的无线传输,该无线信号为一种电磁波信号,可用以下公式表示:
,
其中,为无线信号,A为无线信号的幅度,/>为无线信号的频率,t为时间,/>为无线信号的相位;
(2)数据接收器通过无线接收模块对无线信号进行解调和解码,将其还原为数字信号,即电泵的运行数据,该数字信号为一种二进制信号,可用以下公式表示:
,
其中,为数字信号,/>为数字信号的第n个比特,/>为数字信号的脉冲形状,T为数字信号的比特间隔,N为数字信号的比特数;
(3)数据接收器通过有线发送模块对数字信号进行编码和调制,将其转换为有线信号,即电泵的运行数据的有线传输,该有线信号为一种电压信号,可用以下公式表示:
,
其中,为有线信号,/>为有线信号的第n个符号,/>为有线信号的符号形状,T为有线信号的符号间隔,N为有线信号的符号数;
(4)数据接收器通过有线通信接口将有线信号发送给数据处理单元,完成电泵的运行数据的无线传输到有线传输的转换和传输。
用于实现电泵的运行数据的无线传输到有线传输的转换和传输的技术目的:
首先,根据无线信号和电磁波信号的关系,得到以下的公式:
,
其中,为无线信号,A为无线信号的幅度,/>为无线信号的频率,t为时间,/>为无线信号的相位;
然后,根据数字信号和二进制信号的关系,得到以下的公式:
,
其中,为数字信号,/>为数字信号的第n个比特,/>为数字信号的脉冲形状,T为数字信号的比特间隔,N为数字信号的比特数;
接着,根据无线信号和数字信号的转换,得到以下的公式:
,
其中,为无线信号,A为无线信号的幅度,/>为无线信号的频率,t为时间,/>为无线信号的相位,/>为数字信号,/>为数字信号的第n个比特,/>为数字信号的脉冲形状,T为数字信号的比特间隔,N为数字信号的比特数;
然后,根据有线信号和电压信号的关系,得到以下的公式:
,
其中,为有线信号,/>为有线信号的第n个符号,/>为有线信号的符号形状,T为有线信号的符号间隔,N为有线信号的符号数;
接着,根据数字信号和有线信号的转换,得到以下的公式:
,
其中,为数字信号,/>为数字信号的第n个比特,/>为数字信号的脉冲形状,T为数字信号的比特间隔,N为数字信号的比特数,/>为有线信号,/>为有线信号的第n个符号,/>为有线信号的符号形状,T为有线信号的符号间隔,N为有线信号的符号数;
最后,根据无线信号和有线信号的转换,得到以下的公式:
,
其中,为无线信号,A为无线信号的幅度,/>为无线信号的频率,t为时间,/>为无线信号的相位,/>为有线信号,/>为有线信号的第n个符号,/>为有线信号的符号形状,T为有线信号的符号间隔,N为有线信号的符号数。
用于展示电泵的运行数据的无线传输到有线传输的转换和传输的过程和结果,并且结合具体的数值,如下所示:
设定电泵的运行数据为温度、电流、振动、水位等参数,每个参数为一个8位的二进制数,如温度为01011011,电流为10010110,振动为00101101,水位为11100010,则根据上述的数学公式,计算出数字信号为:
,
其中,为数字信号的第n个比特,依次为01011011100101100010110111100010,为数字信号的脉冲形状,设定为一个方波,T为数字信号的比特间隔,设定0.1ms,N为数字信号的比特数为32;
然后,设定无线信号的幅度为1V,频率为100kHz,相位为0,计算出无线信号为:
,
其中,A=1V,,;
然后,设定有线信号的符号形状为一个正弦波,符号间隔为0.2ms,符号数为16,则根据上述的公式,计算出有线信号为:
,
其中,为有线信号的第n个符号,依次为0101101110010110,/>为有线信号的符号形状,设定为/>,T为有线信号的符号间隔,为0.2ms,N为有线信号的符号数为16;
最后,根据无线信号和有线信号的转换,得到以下的公式:
,
其中,为无线信号,A=1V,,,为有线信号,为有线
信号的第n个符号,依次为0101101110010110,为有线信号的符号形状,T为有线信号的
符号间隔,N为有线信号的符号数。
数据接收器通过有线通信接口将有线信号发送给数据处理单元,完成电泵的运行数据的无线传输到有线传输的转换和传输。数据处理单元根据有线信号的符号,还原出电泵的运行数据的各个参数,如温度、电流、振动、水位等,并对其进行分析和处理,实现电泵的数据采集和处理的功能。
作为上述实施例的优选方式,所述的数据处理单元为一台工控机或其他具有数据处理能力的设备,内置有数据处理软件,用于对接收到的电泵的运行数据进行分析和建模,提取出电泵的正常工作特征和故障特征,建立电泵的故障诊断模型,该数据处理软件采用数据挖掘和机器学习的方法,对电泵的运行数据进行预处理、特征提取、特征选择、分类器训练、分类器测试等步骤,得到一个能够识别出电泵的多种故障类型的多分类器,该多分类器为一个人工神经网络或其他具有分类能力的模型,能够根据电泵的运行数据的输入,输出电泵的故障类型,包括电机过热、叶轮堵塞、轴承磨损、水封损坏、电缆断裂等,并根据故障类型给出相应的维修建议,该维修能够根据故障类型和故障位置,输出维修方案和维修步骤,用于指导操作人员和维修人员进行故障排除和维修。
作为上述实施例的优选方式,所述的显示单元为一台显示器或其他具有显示能力的设备,以及一个扬声器或其他具有语音播报能力的设备,用于向操作人员和维修人员提供电泵的运行状态和故障报警,以及故障原因和维修建议,该显示单元与数据处理单元相连接,接收来自数据处理单元的电泵的运行数据、故障类型、故障位置、维修建议信息。
作为上述实施例的优选方式,所述的数据存储单元为一台数据库服务器或其他具有数据存储能力的设备,用于将电泵的运行数据和故障信息存储在数据库中,用于后续的数据分析和故障预测,该数据库为一个关系型数据库,包括电泵的基本信息表、运行参数表、状态信息表、故障信息表、维修记录表等,能够实现对电泵的历史数据的查询、统计、分析和预测,该数据分析和故障预测为一种基于数据挖掘和机器学习的方法,能够根据电泵的历史数据和当前数据,发现电泵的运行规律和故障模式,预测电泵的未来状态和故障风险,为电泵的运行优化和维护决策提供支持。
如图2所示,一种矿用隔爆型潜水排沙电泵故障监测方法,包括以下步骤:
(1)在电泵的关键部件上安装传感器,用于实时采集电泵的运行参数和状态信息,包括温度、电流、振动、水位等;
(2)将传感器与无线通信模块相连接,形成一个无线传感器网络,将采集到的数据通过无线信号发送到井口的数据接收器;
(3)在井口的数据接收器上安装数据处理单元和显示单元,用于接收和处理来自无线传感器网络的数据,以及显示和存储电泵的运行情况和故障信息;
(4)在数据处理单元中,采用数据挖掘和机器学习的方法,对电泵的运行数据进行分析和建模,提取出电泵的正常工作特征和故障特征,建立电泵的故障诊断模型,该模型为一个多分类器,能够根据电泵的运行数据的输入,输出电泵的故障类型,包括电机过热、叶轮堵塞、轴承磨损、水封损坏、电缆断裂等,并根据故障类型给出相应的维修建议,能够根据故障类型和故障位置,输出维修方案和维修步骤;
(5)在显示单元中,采用图形化和语音化的方式,向操作人员和维修人员提供电泵的运行状态和故障报警,以及故障原因和维修建议,该显示单元包括一个显示屏和一个扬声器,显示屏用于显示电泵的运行参数、状态曲线、故障类型、故障位置、维修建议等信息,扬声器用于语音播报电泵的故障报警和维修建议;
(6)在数据存储单元中,将电泵的运行数据和故障信息存储在数据库中,用于后续的数据分析和故障预测,该数据库为一个关系型数据库,包括电泵的基本信息表、运行参数表、状态信息表、故障信息表、维修记录表等,能够实现对电泵的历史数据的查询、统计、分析和预测,该数据分析和故障预测为一种基于数据挖掘和机器学习的方法,能够根据电泵的历史数据和当前数据,发现电泵的运行规律和故障模式,预测电泵的未来状态和故障风险,为电泵的运行优化和维护决策提供支持。
作为上述实施例的优选方式,所述的步骤(4)中,采用数据挖掘和机器学习的方法,对电泵的运行数据进行分析和建模,提取出电泵的正常工作特征和故障特征,建立电泵的故障诊断模型,具体包括以下子步骤:
(4.1)对电泵的运行数据进行预处理,包括数据清洗、数据规范化、数据降维等,去除数据中的噪声、异常值、冗余特征等,提高数据的质量和可用性;
(4.2)对电泵的运行数据进行特征提取,包括时域特征、频域特征、时频域特征等,利用数学变换和统计分析等方法,从数据中提取出反映电泵的运行状况和故障情况的特征值,如均值、方差、峰值、能量、频率、频谱等;
(4.3)对电泵的运行数据进行特征选择,包括过滤法、包裹法、嵌入法等,利用相关性分析、信息增益、支持向量机等方法,从提取的特征中选择出最具有区分能力和代表性的特征子集,作为电泵的运行特征,降低特征的维度和复杂度;
(4.4)对电泵的运行数据进行分类器训练,包括人工神经网络、支持向量机、决策树、随机森林等,利用有标签的电泵的运行特征和故障类型,采用有监督的学习方法,训练出一个能够识别出电泵的多种故障类型的多分类器,作为电泵的故障诊断模型;用以下的公式来表示分类器训练的过程:
,
其中,表示预测出的故障类型,表示一个多分类器的函数,如人工神经网络、
支持向量机、决策树、随机森林等,表示多分类器的参数,如权重、偏置、核函数等。多分类
器的参数是通过最小化一个损失函数来得到,其中表示真实的故障类型,损失
函数L表示预测值和真实值之间的差异,如交叉熵、均方误差等。用以下的公式来表示损失
函数的最小化过程:
,
其中,表示最优的多分类器的参数,/>表示求解使得损失函数最小的参数的过程,如梯度下降、牛顿法;
用于实现电泵的运行数据的分类器训练的技术目的:
首先,根据电泵的运行数据的特征和故障类型的关系,得到以下的公式:
其中,表示电泵的运行数据的特征向量,表示电泵的运行数据的原始向量,
表示一个特征提取的函数,如主成分分析、线性判别分析等,表示特征提取的参数,如主
成分的个数、判别方向的个数等;
然后,根据电泵的运行数据的特征向量和故障类型的关系,得到以下的公式:
,
其中,表示预测出的故障类型,表示一个多分类器的函数,如人工神经网络、
支持向量机、决策树、随机森林等,表示多分类器的参数,如权重、偏置、核函数等;
然后,根据电泵的运行数据的真实故障类型和预测故障类型的关系,得到以下的公式:,
其中表示真实的故障类型,L表示一个损失函数,如交叉熵、均方误差等,用于衡量预测值和真实值之间的差异;
最后,根据电泵的运行数据的分类器训练的目标,得到以下的公式:
,
其中,表示最优的多分类器的参数,/>表示求解使得损失函数最小的参数的过程,如梯度下降、牛顿法等。
结合以下的实施例,用于展示电泵的运行数据的分类器训练的过程和结果:
设定电泵的运行数据为温度、电流、振动、水位等参数,每个参数为一个浮点数,如温度为36.5℃,电流为12.3A,振动为0.8g,水位为1.2m,电泵的故障类型为正常、过热、过载、堵转、漏水等,每种故障类型用一个整数表示,如正常为0,过热为1,过载为2,堵转为3,漏水为4,则根据上述的数学公式,计算出以下的结果:
首先,设定使用主成分分析(PCA)作为特征提取的函数,将电泵的运行数据的原始
向量转换为特征向量,其中,为主成分的个
数,设定为2,即保留了原始数据的95%的方差;
然后,设定使用支持向量机(SVM)作为多分类器的函数,将电泵的运行数据的特征
向量输入到SVM中,得到预测的故障类型,即正常,其中,为SVM的参
数,如核函数为高斯核,惩罚系数为1等;
然后,设定使用交叉熵作为损失函数,将电泵的运行数据的真实故障类型和
预测的故障类型输入到交叉熵中,得到损失值,即预测值和真实值完全
一致,没有误差;
最后,设定使用梯度下降法作为求解最优参数的过程,将电泵的运行数据的损失
值输入到梯度下降法中,得到最优的SVM的参数,其中,为SVM的权重向量,为SVM的偏置项,为高斯核的参数,为惩罚系数。
(4.5)对电泵的运行数据进行分类器测试,包括交叉验证、混淆矩阵、准确率、召回率等,利用无标签的电泵的运行特征,采用无监督的学习方法,测试电泵的故障诊断模型的性能和效果,评估电泵的故障诊断模型的准确性和可靠性。
作为上述实施例的优选方式,所述的步骤(6)中,将电泵的运行数据和故障信息存储在数据库中,用于后续的数据分析和故障预测,具体包括以下子步骤:
(6.1)在数据存储单元中,将电泵的运行数据和故障信息存储在数据库中,该数据库为一个关系型数据库,包括电泵的基本信息表、运行参数表、状态信息表、故障信息表、维修记录表等,能够实现对电泵的历史数据的查询、统计、分析和预测;
(6.2)在数据分析单元中,采用数据挖掘和机器学习的方法,对电泵的历史数据和当前数据进行分析和预测,发现电泵的运行规律和故障模式,预测电泵的未来状态和故障风险,为电泵的运行优化和维护决策提供支持,该数据分析单元为一台工控机或其他具有数据分析能力的设备,内置有数据分析软件,用于对数据库中的数据进行处理和挖掘,该数据分析软件采用数据挖掘和机器学习的方法,对电泵的数据进行聚类、关联、分类、回归、预测等步骤,得到一个能够反映电泵的运行趋势和故障趋势的数据分析模型,该数据分析模型为一个人工神经网络或其他具有分析能力的模型,能够根据电泵的历史数据和当前数据,输出电泵的运行状态和故障风险,以及运行优化和维护建议;
(6.3)在显示单元中,采用图形化和语音化的方式,向操作人员和维修人员提供电泵的运行状态和故障风险,以及运行优化和维护建议,该显示单元包括一个显示屏和一个扬声器,显示屏用于显示电泵的运行参数、状态曲线、故障趋势、运行优化、维护建议等信息,扬声器用于语音播报电泵的运行状态和故障风险,以及运行优化和维护建议。
需要说明的是,在本文中,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。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实例的说明只是用于帮助理解本发明的方法及其核心思想。以上仅是本发明的优选实施方式,应当指出,由于文字表达的有限性,而客观上存在无限的具体结构,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进、润饰或变化,也可以将上述技术特征以适当的方式进行组合;这些改进润饰、变化或组合,或未经改进将发明的构思和技术方案直接应用于其它场合的,均应视为本发明的保护范围。
Claims (9)
1.一种矿用隔爆型潜水排沙电泵故障监测***,其特征在于,包括:
传感器,安装在电泵的部件上,用于实时采集电泵的运行参数和状态信息,包括温度、电流、振动、水位信息;
无线通信模块,与传感器相连接,用于将采集到的数据通过无线信号发送到井口的数据接收器;
数据接收器,安装在井口,用于接收来自无线通信模块的数据;
数据处理单元,与数据接收器相连接,用于对接收到的数据进行分析和建模,提取出电泵的正常工作特征和故障特征,建立电泵的故障诊断模型;
显示单元,与数据处理单元相连接,用于向操作人员和维修人员提供电泵的运行状态和故障报警,以及故障原因和维修建议;
数据存储单元,与数据处理单元相连接,用于将电泵的运行数据和故障信息存储在数据库中,用于后续的数据分析和故障预测。
2.根据权利要求1所述的矿用隔爆型潜水排沙电泵故障监测***,其特征在于,所述的传感器为温度传感器、电流传感器、振动传感器、水位传感器,用于实时采集电泵的温度、电流、振动、水位参数和状态信息。
3.根据权利要求2所述的矿用隔爆型潜水排沙电泵故障监测***,其特征在于,温度传感器用于测量电泵的电机、叶轮、轴承、泵体的温度,该温度为电泵的运行参数之一,该温度传感器的输出信号为电压信号,与温度成正比,可用以下公式表示:
,其中,/>为温度传感器的输出电压,T为电泵的温度,k为温度传感器的灵敏度系数;
电流传感器用于测量电泵的电机的电流,该电流为电泵的运行参数之一,该电流传感器的输出信号为电压信号,与电流成正比,可用以下公式表示:
,其中,/>为电流传感器的输出电压,/>为电泵的电机电流,k为电流传感器的灵敏度系数;
振动传感器的输出信号为电压信号,与振动的幅值和频率有关,可用以下公式表示:
,其中,/>为振动传感器的输出电压,A为电泵的轴承振动的幅值,/>为电泵的轴承振动的频率,t为时间,/>和/>为振动传感器的灵敏度系数;
水位传感器用于测量电泵的泵体的水位,该水位为电泵的状态信息之一该水位传感器的输出信号为电阻信号,与水位成正比,可用以下公式表示:
,
其中,为水位传感器的输出电阻,/>为电泵的泵体水位,/>为水位传感器的灵敏度系数。
4.根据权利要求1所述的矿用隔爆型潜水排沙电泵故障监测***,其特征在于,所述的数据接收器为无线传感器网络中的协调器,用于接收来自无线通信模块的无线信号,即电泵的运行数据的无线传输,将其转换为有线信号,即电泵的运行数据的有线传输,通过有线通信接口与数据处理单元相连接,将电泵的运行数据传输给数据处理单元,用于实现电泵的数据采集和处理;
其中,数据接收器为一种具有无线接收和有线发送能力的设备,能够实现对无线信号和有线信号的转换和传输,该数据处理包括以下步骤:
(1)数据接收器通过无线天线接收来自无线通信模块的无线信号,即电泵的运行数据的无线传输,可用以下公式表示:
,
其中,为无线信号,A为无线信号的幅度,/>为无线信号的频率,t为时间,/>为无线信号的相位;
(2)数据接收器通过无线接收模块对无线信号进行解调和解码,将其还原为数字信号,即电泵的运行数据,该数字信号为一种二进制信号,可用以下公式表示:
,
其中,为数字信号,/>为数字信号的第n个比特,/>为数字信号的脉冲形状,T为数字信号的比特间隔,N为数字信号的比特数;
(3)数据接收器通过有线发送模块对数字信号进行编码和调制,将其转换为有线信号,即电泵的运行数据的有线传输,该有线信号为一种电压信号,可用以下公式表示:
,
其中,为有线信号,/>为有线信号的第n个符号,/>为有线信号的符号形状,T为有线信号的符号间隔,N为有线信号的符号数;
(4)数据接收器通过有线通信接口将有线信号发送给数据处理单元,完成电泵的运行数据的无线传输到有线传输的转换和传输。
5.根据权利要求1所述的矿用隔爆型潜水排沙电泵故障监测***,其特征在于,所述的数据处理单元为一台工控机或具有数据处理能力的设备,内置有数据处理软件,用于对接收到的电泵的运行数据进行分析和建模,提取出电泵的正常工作特征和故障特征,建立电泵的故障诊断模型。
6.根据权利要求1所述的矿用隔爆型潜水排沙电泵故障监测***,其特征在于,所述的显示单元为一台显示器或具有显示能力的设备,以及一个扬声器或具有语音播报能力的设备,用于向操作人员和维修人员提供电泵的运行状态和故障报警,以及故障原因和维修建议,该显示单元与数据处理单元相连接,接收来自数据处理单元的电泵的运行数据、故障类型、故障位置、维修建议信息。
7.根据权利要求1所述的矿用隔爆型潜水排沙电泵故障监测***,其特征在于,所述的数据存储单元为一台数据库服务器或具有数据存储能力的设备,用于将电泵的运行数据和故障信息存储在数据库中,用于后续的数据分析和故障预测。
8.一种矿用隔爆型潜水排沙电泵故障监测方法,其特征在于,包括以下步骤:
(1)在电泵的关键部件上安装传感器,用于实时采集电泵的运行参数和状态信息,包括温度、电流、振动、水位;
(2)将传感器与无线通信模块相连接,形成一个无线传感器网络,将采集到的数据通过无线信号发送到井口的数据接收器;
(3)在井口的数据接收器上安装数据处理单元和显示单元,用于接收和处理来自无线传感器网络的数据,以及显示和存储电泵的运行情况和故障信息;
(4)在数据处理单元中,采用数据挖掘和机器学习的方法,对电泵的运行数据进行分析和建模,提取出电泵的正常工作特征和故障特征,建立电泵的故障诊断模型;
(5)在显示单元中,采用图形化和语音化的方式,向操作人员和维修人员提供电泵的运行状态和故障报警,以及故障原因和维修建议;
(6)在数据存储单元中,将电泵的运行数据和故障信息存储在数据库中,用于后续的数据分析和故障预测。
9.根据权利要求8所述的矿用隔爆型潜水排沙电泵故障监测方法,其特征在于,所述的步骤(4)中,采用数据挖掘和机器学习的方法,对电泵的运行数据进行分析和建模,提取出电泵的正常工作特征和故障特征,建立电泵的故障诊断模型,具体包括以下子步骤:
(4.1)对电泵的运行数据进行预处理;
(4.2)对电泵的运行数据进行特征提取;
(4.3)对电泵的运行数据进行特征选择;
(4.4)对电泵的运行数据进行分类器训练,利用有标签的电泵的运行特征和故障类型,采用有监督的学习方法,训练出一个能够识别出电泵的多种故障类型的多分类器,作为电泵的故障诊断模型;用以下的公式来表示分类器训练的过程:
,
其中,表示预测出的故障类型,表示一个多分类器的函数,表示多分类器的参数;
多分类器的参数是通过最小化一个损失函数来得到,其中表示真实的故障类
型,损失函数L表示预测值和真实值之间的差异;用以下的公式来表示损失函数的最小化过
程:
,
其中,表示最优的多分类器的参数,/>表示求解使得损失函数最小的参数的过程;
(4.5)对电泵的运行数据进行分类器测试。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410057857.0A CN117570039B (zh) | 2024-01-16 | 2024-01-16 | 矿用隔爆型潜水排沙电泵故障监测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410057857.0A CN117570039B (zh) | 2024-01-16 | 2024-01-16 | 矿用隔爆型潜水排沙电泵故障监测***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117570039A true CN117570039A (zh) | 2024-02-20 |
CN117570039B CN117570039B (zh) | 2024-04-12 |
Family
ID=89864753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410057857.0A Active CN117570039B (zh) | 2024-01-16 | 2024-01-16 | 矿用隔爆型潜水排沙电泵故障监测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117570039B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118088431A (zh) * | 2024-04-28 | 2024-05-28 | 山东海纳智能装备科技股份有限公司 | 一种用于矿场隔爆型潜水排沙电泵故障监测***及方法 |
CN118277939A (zh) * | 2024-05-31 | 2024-07-02 | 东营鑫奥船舶设备制造有限公司 | 基于机器视觉的船舶切割机运行故障诊断*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120185728A1 (en) * | 2010-12-24 | 2012-07-19 | Commonwealth Scientific And Industrial Research Organisation | System and method for detecting and/or diagnosing faults in multi-variable systems |
CN103341396A (zh) * | 2013-07-28 | 2013-10-09 | 洛阳理工学院 | 水泥磨主轴承温度双重测控保护装置 |
CN104514731A (zh) * | 2013-09-27 | 2015-04-15 | 天津市滨海鼎鑫机械制造有限公司 | 一种智能潜水泵控制器 |
CN106089754A (zh) * | 2016-07-04 | 2016-11-09 | 宁波巨神制泵实业有限公司 | 基于“互联网+”的潜水泵实时故障诊断与维修方法 |
CN107843287A (zh) * | 2017-10-26 | 2018-03-27 | 苏州数言信息技术有限公司 | 集成传感器装置及基于其的环境事件识别方法 |
CN109635483A (zh) * | 2018-12-24 | 2019-04-16 | 上海商然数据服务有限公司 | 一种基于电磁检测的电机和泵故障预测分析*** |
CN111340238A (zh) * | 2020-03-12 | 2020-06-26 | 中南大学 | 一种工业***的故障诊断方法、装置、设备及存储介质 |
CN111365251A (zh) * | 2020-03-27 | 2020-07-03 | 北京天泽智云科技有限公司 | 一种离心泵机组故障的智能诊断方法 |
CN111898634A (zh) * | 2020-06-22 | 2020-11-06 | 西安交通大学 | 一种基于深度对抗域自适应的智能故障诊断方法 |
US20210054847A1 (en) * | 2018-01-10 | 2021-02-25 | Psi Technologies Inc. | Method and apparatus to predict failure and control vibrations in a subsurface artificial lift system |
US20210372395A1 (en) * | 2020-05-28 | 2021-12-02 | American Jereh International Corporation | Status monitoring and failure diagnosis system for plunger pump |
-
2024
- 2024-01-16 CN CN202410057857.0A patent/CN117570039B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120185728A1 (en) * | 2010-12-24 | 2012-07-19 | Commonwealth Scientific And Industrial Research Organisation | System and method for detecting and/or diagnosing faults in multi-variable systems |
CN103341396A (zh) * | 2013-07-28 | 2013-10-09 | 洛阳理工学院 | 水泥磨主轴承温度双重测控保护装置 |
CN104514731A (zh) * | 2013-09-27 | 2015-04-15 | 天津市滨海鼎鑫机械制造有限公司 | 一种智能潜水泵控制器 |
CN106089754A (zh) * | 2016-07-04 | 2016-11-09 | 宁波巨神制泵实业有限公司 | 基于“互联网+”的潜水泵实时故障诊断与维修方法 |
CN107843287A (zh) * | 2017-10-26 | 2018-03-27 | 苏州数言信息技术有限公司 | 集成传感器装置及基于其的环境事件识别方法 |
US20210054847A1 (en) * | 2018-01-10 | 2021-02-25 | Psi Technologies Inc. | Method and apparatus to predict failure and control vibrations in a subsurface artificial lift system |
CN109635483A (zh) * | 2018-12-24 | 2019-04-16 | 上海商然数据服务有限公司 | 一种基于电磁检测的电机和泵故障预测分析*** |
CN111340238A (zh) * | 2020-03-12 | 2020-06-26 | 中南大学 | 一种工业***的故障诊断方法、装置、设备及存储介质 |
CN111365251A (zh) * | 2020-03-27 | 2020-07-03 | 北京天泽智云科技有限公司 | 一种离心泵机组故障的智能诊断方法 |
US20210372395A1 (en) * | 2020-05-28 | 2021-12-02 | American Jereh International Corporation | Status monitoring and failure diagnosis system for plunger pump |
CN111898634A (zh) * | 2020-06-22 | 2020-11-06 | 西安交通大学 | 一种基于深度对抗域自适应的智能故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
夏志昌;李春晋;: "大型潜水电泵状态监测与诊断***的研究", 水利科技与经济, no. 08, 30 August 2009 (2009-08-30), pages 728 - 730 * |
文成林;吕菲亚;: "基于深度学习的故障诊断方法综述", 电子与信息学报, no. 01, 15 January 2020 (2020-01-15), pages 234 - 248 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118088431A (zh) * | 2024-04-28 | 2024-05-28 | 山东海纳智能装备科技股份有限公司 | 一种用于矿场隔爆型潜水排沙电泵故障监测***及方法 |
CN118277939A (zh) * | 2024-05-31 | 2024-07-02 | 东营鑫奥船舶设备制造有限公司 | 基于机器视觉的船舶切割机运行故障诊断*** |
Also Published As
Publication number | Publication date |
---|---|
CN117570039B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647133B (zh) | 轨道交通设备状态检测维护方法及*** | |
CN117570039B (zh) | 矿用隔爆型潜水排沙电泵故障监测***及方法 | |
Tcherniak et al. | Active vibration-based structural health monitoring system for wind turbine blade: Demonstration on an operating Vestas V27 wind turbine | |
US10520397B2 (en) | Methods and apparatuses for defect diagnosis in a mechanical system | |
US20150160101A1 (en) | Method and System for Testing Operational Integrity of a Drilling Rig | |
CA3056466A1 (en) | Machine monitoring | |
CN102155988A (zh) | 设备监诊方法 | |
CN114638280A (zh) | 基于本地设备网络的防爆电机轴承温度异常监测*** | |
CN117407679B (zh) | 智能末屏传感器的数据采集方法及*** | |
KR20210017637A (ko) | IoT 센서 기반 회전 기기의 정밀 상태 진단 장치 및 방법 | |
CN110398384A (zh) | 旋转机械的机器健康监测 | |
KR20210147318A (ko) | 복합센서 기반의 인공지능형 결함 진단 시스템 | |
CN103487250B (zh) | 基于二维投射的煤矿设备预知维护方法 | |
EP3441913A1 (en) | Electronic volume corrector with cloud enabled health monitoring of associated gas distribution equipment | |
AU2020226203A1 (en) | Power monitoring | |
CN113761233B (zh) | 水电厂巡检方法、装置、计算机设备及存储介质 | |
CN117782198B (zh) | 一种基于云边端架构的公路机电设备运行监测方法及*** | |
CN108444592A (zh) | 无线振动监测与诊断*** | |
WO2023201430A1 (en) | Methods and systems for monitoring, diagnosis and prediction of health of an industrial machine having a rotating component | |
US20230024104A1 (en) | Identification of false transformer humming using machine learning | |
CN116434368A (zh) | 一种多功能手持巡检仪及巡检方法 | |
KR101976460B1 (ko) | 모터의 보호 및 상태진단이 가능한 모터기동장치 및 이를 이용하는 수자원 관제시스템 | |
CN117589444B (zh) | 一种基于联邦学习的风力发电机齿轮箱故障诊断方法 | |
CN118194150B (zh) | 冷水机远程监控与故障预测*** | |
Paul et al. | Residual Signature Analysis for Wind Turbine Failure Prognosis |
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 |