CN117911012B - 基于设备生态检测及运行状态评估的设备健康管理*** - Google Patents
基于设备生态检测及运行状态评估的设备健康管理*** Download PDFInfo
- Publication number
- CN117911012B CN117911012B CN202410315747.XA CN202410315747A CN117911012B CN 117911012 B CN117911012 B CN 117911012B CN 202410315747 A CN202410315747 A CN 202410315747A CN 117911012 B CN117911012 B CN 117911012B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- equipment
- data
- module
- seasonal
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 230000036541 health Effects 0.000 title claims abstract description 16
- 238000011156 evaluation Methods 0.000 title claims abstract description 9
- 238000012544 monitoring process Methods 0.000 claims abstract description 131
- 238000012423 maintenance Methods 0.000 claims abstract description 51
- 238000004458 analytical method Methods 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims abstract description 22
- 230000003749 cleanliness Effects 0.000 claims abstract description 17
- 230000008859 change Effects 0.000 claims abstract description 11
- 238000007405 data analysis Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000001932 seasonal effect Effects 0.000 claims description 51
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 210000004027 cell Anatomy 0.000 claims description 16
- 238000007726 management method Methods 0.000 claims description 15
- 238000002955 isolation Methods 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000007774 longterm Effects 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 238000001816 cooling Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000000737 periodic effect Effects 0.000 claims description 6
- 230000002829 reductive effect Effects 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005265 energy consumption Methods 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000003638 chemical reducing agent Substances 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 239000010687 lubricating oil Substances 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000013021 overheating Methods 0.000 claims description 3
- 239000013618 particulate matter Substances 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 238000005299 abrasion Methods 0.000 claims description 2
- 230000006978 adaptation Effects 0.000 claims description 2
- 230000000670 limiting effect Effects 0.000 claims description 2
- 238000013461 design Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及设备管理技术领域,具体涉及基于设备生态检测及运行状态评估的设备健康管理***,包括集成监测模块、环境适应性调节模块以及控制分析模块,其中,所述集成监测模块整合扭矩监测、负载监测、震动监测、洁净度监测、部品投入时间监测、滚轮里程数监测、速度安全监测以及温度监测功能,实时监测设备状态;所述环境适应性调节模块根据实时监测设备状态的变化自动调整设备运行参数;所述控制分析模块接收集成监测模块收集的数据,并进行数据分析和处理,控制分析模块采用数据分析和处理对数据进行解析。本发明,不仅提高了工业设备的运行效率和可靠性,还为企业降低了运维成本,为设备健康管理领域带来了新的解决方案。
Description
技术领域
本发明涉及设备管理技术领域,尤其涉及基于设备生态检测及运行状态评估的设备健康管理***。
背景技术
在工业生产自动化、智能化的时代趋势下,为保障设备健康使用,保障生产计划顺利完成,保障问题点提前发现,特此深入挖掘工厂设备使用痛点,发明设备健康管理体系,旨在减轻设备工程师使用负担,方便使用者的统筹管控,对设备情况精细化管理,把控设备状态,实时了解设备重要运转参数,为设备问题点预防及检查保养做出重要引导。
目前的***由于设备种类繁多,各设备控制***及机构设计,功能多样化,涉及的参数浩如烟海,需对海量的设备进行分析,找到共同点及设备的重要控制参数,对影响设备运行的关键参数进行分析,做出对应的管理方案,并力求共同性,能通过简单调整适配各种不同设备,但难以对未来故障维护进行预测。
发明内容
基于上述目的,本发明提供了基于设备生态检测及运行状态评估的设备健康管理***。
基于设备生态检测及运行状态评估的设备健康管理***,包括集成监测模块、环境适应性调节模块以及控制分析模块,其中,
所述集成监测模块整合扭矩监测、负载监测、震动监测、洁净度监测、部品投入时间监测、滚轮里程数监测、速度安全监测以及温度监测功能,实时监测设备状态;
所述环境适应性调节模块根据实时监测设备状态的变化自动调整设备运行参数,包括冷却***强度、润滑油供给量或运行速度,以适应不同的环境条件;
所述控制分析模块接收集成监测模块收集的数据,并进行数据分析和处理,控制分析模块还根据数据分析结果自动调整设备设置或发出维护和故障预警。
进一步的,所述集成监测模块具体包括:
扭矩监测子模块:用于监测设备运行机构扭矩实时数据;
负载监测子模块:用于监测设备运行负载实时状态,根据机械特性设置负载正常范围;
震动监测子模块:通过传感器,对电机、减速机以及传动机构运行情况进行监控;
洁净度监测子模块:通过大气监测传感器,对使用环境进行实时监测,测量环境中颗粒物数据;
部品投入时间监测子模块:通过程序逻辑判断,记录物料投入时间;
滚轮里程数监测子模块:对于主体进行运动的识别,通过程序记录设备运动距离,积累在数据库,显示在监控设备;
速度安全监测子模块:通过限位传感器限制运动范围;
温度监测子模块:通过温度传感器及轴运行监控,判断电控柜及电机运行状态是否正常。
进一步的,所述环境适应性调节模块具体包括:
扭矩监测调节子模块:当监测到扭矩异常时,自动调整动力输出,以防止设备过载或不足载,确保设备在最佳工作状态;
负载监测调节子模块:根据实时负载数据,调整设备的功率分配和操作速度,以应对不同的工作负载,优化能源利用效率;
震动监测调节子模块:在检测到异常振动时,自动调整机械部件的紧固程度或改变运行模式,以减少震动对设备的影响;
洁净度监测调节子模块:当环境洁净度下降时,增加过滤***的工作频率,或启动清洁程序,以维持设备及其环境的清洁度;
部品投入时间监测调节子模块:若物料投入时间过长或过短,自动调整供料速度或通知操作人员进行调整,以保持生产流程的连续性和效率;
滚轮里程数监测调节子模块:当滚轮运动距离达到特定里程数时,提示维护或自动调整滚轮压力,以优化移动效率和减少磨损;
速度安全监测调节子模块:基于设备运行速度的实时监测,自动调整速度限制或启动安全机制,以防止因速度过快造成的潜在风险;
温度监测调节子模块:根据设备运行时的温度变化,自动调整冷却***或调节设备运行模式,以防止过热或因温度过低导致的效率下降。
进一步的,所述控制分析模块中的数据分析和处理包括异常检测、动态趋势分析和预测维护。
进一步的,所述异常检测不仅依据预设的阈值来识别异常,还采用机器学习算法自动学习和识别设备运行的正常模式与异常模式,识别出模式偏差,异常检测具体采用隔离森林算法,利用隔离森林算法自动学习和识别设备运行的正常模式与异常模式,隔离森林算法通过随机选择特征和随机选择该特征的切分值来隔离观测值,隔离森林算法表达如下:
设为数据集,/>为/>中的一个样本,隔离森林算法中的每一棵树都是一个隔离树,对于每一棵树,异常得分/>的计算公式为:
;
其中,是在树中隔离样本/>所需的路径长度的期望值,/>是样本数量,还代表随机森林中随机树上点/>的平均路径长度,用于衡量点/>被隔离的难易程度,路径长度越短,表明/>越容易被隔离,即越接近异常值,/>是一个路径长度的标准化因子,用于将/>转换成一个介于0和1之间的异常得分,异常得分/>越接近1,表明样本/>越接近异常值。
进一步的,所述动态趋势分析包括:
通过长期收集的数据,识别出设备性能的微妙变化趋势,包括逐渐增长的能耗或逐步降低的效率,所述动态趋势分析基于历史数据以及实时数据,采用季节性分解的时间序列STL算法识别和分析时间序列数据中的趋势和季节性模式。
进一步的,所述时间序列STL算法对长期收集的数据和实时数据进行分析,以识别设备性能的微妙变化趋势,计算如下:
设为原始时间序列中的观测值,时间序列STL算法分解的形式为:
,其中,/>表示趋势组件,/>表示季节性组件,/>表示残差组件,STL通过局部加权回归分别对趋势和季节性组件进行拟合,其中,
趋势组件:表示时间序列的长期趋势,展示设备性能随时间的整体变化情况,趋势组件/>的计算为:
初始步骤:从原始时间序列中去除粗略估计的季节性影响,得到去季节性数据,使用局部加权回归对季节性组件进行拟合,得到初步的趋势估计,通过迭代调整,逐步精化趋势估计,直到收敛到稳定的趋势线;
季节性组件:捕捉数据中的周期性波动,季节性组件/>的计算为:
从原始时间序列中去除趋势组件/>,得到去趋势数据,对去趋势数据进行季节性分解,通过计算每个季节周期内的平均值来完成,使用局部加权回归平滑每个季节性平均值,以获得平滑的季节性组件;
残差组件:包含了趋势和季节性之外的变化,识别非常规的变化或异常,残差组件/>的计算为:
通过从原始时间序列中去除趋势组件和季节性组件后得到:,包含除趋势和季节性以外的信息,用于识别异常和非周期性的波动。
进一步的,所述预测维护基于预测模型,所述预测模型基于深度学习,不仅预测设备何时需要维护,还提供故障原因和最佳维护策略,根据设备的实际运行情况和历史维护记录,提出定制化的维护计划,结合卷积神经网络和长短期记忆网络的深度学习模型进行预测性维护分析,具体如下:
卷积神经网络部分:包含多个卷积层,每层有特定数量的卷积核,用于提取不同级别的特征,卷积层用设备传感器数据作为输入,输入包括扭矩、温度、振动,每个卷积层使用不同大小的卷积核来捕捉不同尺度的特征,每个卷积层后跟有池化层,用于降低特征的空间维度,减少计算量,卷积层的激活函数使用ReLU函数;
长短期记忆网络LSTM层:LSTM层包括多个LSTM单元,每个LSTM单元具有特定数量的神经元,LSTM层是多层结构,以增强模型的学习能力,LSTM层的激活函数使用tanh函数;
模型参数和计算如下:
卷积层:对于每个卷积层,计算表示为:,其中/>表示卷积操作,/>和/>分别是卷积核的权重和偏置,针对不同传感器数据特性进行调整,以优化特征提取,/>是特征映射,代表从原始设备数据中提取的关键特征;
LSTM层:LSTM单元的计算包括遗忘门、输入门、单元状态更新和输出门,每个部分的计算涉及权重矩阵、偏置项和激活函数,LSTM单元的输出表示为:,其中/>是输出门的激活值,/>是单元状态;
最终输出由一个或多个全连接层组成,全连接层将LSTM单元的输出转换为最终的预测结果,预测结果包括设备需要维护的概率、故障类型的可能性。
进一步的,所述控制分析模块具备自学习能力,随着时间的推移和数据的积累,提高分析和预测精度。
进一步的,还包括用户界面,所述用户界面展示设备监测数据、分析结果和维护建议。
本发明的有益效果:
本发明,利用集成监测模块中的多种传感器数据,结合控制分析模块中的先进的CNN-LSTM模型,能够更精确地识别设备状态的微妙变化,及时预测维护需求,不仅提高了预测的准确性,还大大减少了设备意外故障和停机时间。
本发明,通过对设备运行数据进行深入分析,***能够快速识别潜在的故障源和性能下降的原因,这样的实时诊断和自动调整大大提高了维护工作的效率和有效性。
本发明,通过持续的性能监测和定期维护,***有助于预防严重的机械损坏,延长设备的使用寿命,同时提高整体的运行可靠性,环境适应性调节模块的引入使得***能够根据不同的运行条件和环境因素自动调整设备参数,使其在多变的工作环境中保持最佳性能。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例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,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获得其他的附图。
图1为本发明实施例的***功能模块示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,对本发明进一步详细说明。
需要说明的是,除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
如图1所示,基于设备生态检测及运行状态评估的设备健康管理***,包括集成监测模块、环境适应性调节模块以及控制分析模块,具体方案如下:
集成监测模块:该模块整合了扭矩监测、负载监测、震动监测、洁净度监测、部品投入时间监测、滚轮里程数监测、速度安全监测以及温度监测功能,此模块能够从多个方面实时监测设备状态,如机械扭矩、运行负载、振动水平、环境清洁度、物料投入时间、移动距离、运行速度以及设备温度,确保全面的设备健康管理。
环境适应性调节模块:根据监测到的环境变化自动调整设备运行参数,如冷却***强度、润滑油供给量或运行速度,以适应不同的环境条件,提高设备的稳定性和使用寿命。
控制分析模块:该模块负责接收集成监测模块收集的数据,并进行深入的数据分析和处理,包括但不限于异常检测、趋势分析和预测维护,该模块还能根据数据分析结果自动调整设备设置或发出维护和故障预警,从而确保设备的高效和安全运行。
集成监测模块具体包括:
扭矩监测子模块:用于监测设备运行机构扭矩实时数据,如有异常数据出现,根据发生的位置,及时排查,避免事故;
负载监测子模块:用于监测设备运行负载实时状态,根据机械特性设置负载正常范围,当数据异常时,设备自动报警,提示相关人员进行排查;
震动监测子模块:通过传感器,对电机,减速机,传动机构等运动部分运行情况进行监控,如果震动过大超出预设范围,则可能是机构松动或其他故障,需及时排查;
洁净度监测子模块:通过大气监测传感器,对使用环境进行实时监测,测量环境中颗粒物数据,当数据超出范围,对应监测传感器报警,反馈相应信号,应考虑设备磨损或空间有污染源,需及时对照排查;
部品投入时间监测子模块:通过程序逻辑判断,记录物料投入时间,当超时未流出时,发出报警;
滚轮里程数监测子模块:对于主体进行运动的识别,通过程序记录设备运动距离,积累在数据库,显示在监控设备,当里程数达到预警值时,根据不同等级,报警提示;
速度安全监测子模块:运动设备运行中十分危险,需要严格限制运动范围,通过限位传感器限制运动范围;
温度监测子模块:通过温度传感器及轴运行监控,判断电控柜及电机运行状态是否正常,如果运行温度超过预设范围,则发出报警,此时设备状态为过热,程序控制设备运行停止,轴运动停止,待恢复正常温度后报警解除,程序恢复设备运行;当温度监测超过正常值,判断设备发生短路,程序控制设备停止,报警提示人员检查。
环境适应性调节模块具体包括:
扭矩监测调节子模块:当监测到扭矩异常时,自动调整动力输出,以防止设备过载或不足载,确保设备在最佳工作状态。当转矩监测发现设备力矩小于设定值但机构能够运转,发出判断可能为机构打滑的报警,在报警后人为干预,进行手动反转,观察皮带状态及力矩,如张紧皮带可正常舒张,再次正转观察是否正常。如恢复正常,设备继续运行并持续监测,如不能恢复,则需人员进行进一步拆解排查。
负载监测调节子模块:根据实时负载数据,调整设备的功率分配和操作速度,以应对不同的工作负载,优化能源利用效率。发现负载水平超出正常值,根据不同设定范围,分为警告和故障,警告为负载超出设定范围最大值10%,此时设备继续运行,但会提示人员关注;如果负载超出设定最大值25%以上,设备停止运行,发出故障报警,提示人员检查相对应位置,可能发生卡死或干涉。
震动监测调节子模块:在检测到异常振动时,自动调整机械部件的紧固程度或改变运行模式,以减少震动对设备的影响。
洁净度监测调节子模块:当环境洁净度下降时,增加过滤***的工作频率,或启动清洁程序,以维持设备及其环境的清洁度。
部品投入时间监测调节子模块:若物料投入时间过长或过短,自动调整供料速度或通知操作人员进行调整,以保持生产流程的连续性和效率。
滚轮里程数监测调节子模块:当滚轮运动距离达到特定里程数时,提示维护或自动调整滚轮压力,以优化移动效率和减少磨损。
速度安全监测调节子模块:基于设备运行速度的实时监测,自动调整速度限制或启动安全机制,以防止因速度过快造成的潜在风险。一方面监测设备运行区域匹配对应的速度设置,在安全范围进行加减速,另一方面,当发生设备断电时,程序自动控制各轴刹车启动,避免机构滑落或无法控制,进一步的当检测到设备停止时,轴依然在运动,此时刹车***立即介入。
温度监测调节子模块:根据设备运行时的温度变化,自动调整冷却***或调节设备运行模式,以防止过热或因温度过低导致的效率下降。
该模块能够确保设备在各种环境和操作条件下的最佳性能,同时减少能源消耗和维护成本,提高设备的总体可靠性和寿命。
控制分析模块具体包括:
高级异常检测:不仅依据预设的阈值来识别异常,而且采用机器学习算法自动学习和识别设备运行的正常模式与异常模式,能够识别出微妙的模式偏差,即使这些偏差在传统方法中可能不被视为异常,高级异常检测采用隔离森林算法,利用隔离森林算法自动学习和识别设备运行的正常模式与异常模式,隔离森林算法通过随机选择特征和随机选择该特征的切分值来隔离观测值,异常的数据点通常更容易被隔离,因此需要较少的步骤来隔离,计算如下:
设为数据集,/>为/>中的一个样本,隔离森林算法中的每一棵树都是一个隔离树(iTree),对于每一棵树,异常得分/>的计算公式为:/>;
其中,是在树中隔离样本/>所需的路径长度的期望值,/>是样本数量,是标准化的树高度,以上计算公式中,/>代表随机森林中随机树上点/>的平均路径长度,这是衡量点/>被隔离的难易程度的关键指标,路径长度越短,表明/>越容易被隔离,即越有可能是异常值,/>是一个正常情况下的路径长度的标准化因子,用于将转换成一个介于0和1之间的异常得分,异常得分/>越接近1,表明样本/>越可能是异常。
样本数量:在本发明中,样本数量/>根据设备的监测数据量来确定,如果每个设备每天产生数百条记录,可以选择每天或每周的数据作为一个样本集。
树的数量:树的数量应足够多以确保结果的稳定性和可靠性,在设备健康监测的场景中,可以设置在100至500棵树之间,以获得较好的异常检测性能。
子样本大小:每棵树使用的子样本大小可根据设备的特性和数据的多样性来确定,大小可以设置为训练数据的一个小比例(256或512),以确保树之间的多样性。
路径长度:路径长度是隔离过程中到达叶节点的步数,在设备监测数据的场景中,路径长度反映出一个数据点与正常运行模式的偏离程度。
标准化因子:标准化因子用于将路径长度转换为介于0和1之间的异常得分,这个因子取决于样本数量/>和数据的特性,根据具体的设备监测场景进行调整。
动态趋势分析:通过长期收集的数据,识别出设备性能的微妙变化趋势,包括逐渐增长的能耗或逐步降低的效率,这种趋势分析不仅基于历史数据,还结合实时数据,以提供更准确、更及时的洞察,具体采用季节性分解的时间序列STL识别和分析时间序列数据中的趋势和季节性模式,特别适合处理设备性能监测数据,因为这类数据通常具有明显的趋势和周期性,动态趋势分析使用STL算法对长期收集的数据和实时数据进行分析,以识别设备性能的微妙变化趋势,计算如下:设为原始时间序列中的观测值,STL分解的基本形式为:
,其中,/>表示趋势组件,/>表示季节性组件,/>表示残差组件,STL通过局部加权回归(Loess)分别对趋势和季节性组件进行拟合,其中,
趋势组件:表示时间序列的长期趋势,可以展示设备性能随时间的整体变化情况,趋势组件/>的计算为:
初始步骤:从原始时间序列中去除粗略估计的季节性影响,得到去季节性数据,使用局部加权回归(Loess)对去季节性数据进行拟合,得到初步的趋势估计,通过迭代调整,逐步精化趋势估计,直到收敛到稳定的趋势线;
季节性组件:捕捉数据中的周期性波动,如设备在一天中或一周中的周期性使用模式,季节性组件/>的计算为:
从原始时间序列中去除趋势组件/>,得到去趋势数据,对去趋势数据进行季节性分解,通过计算每个季节周期内的平均值来完成,使用局部加权回归平滑这些季节性平均值,以获得平滑的季节性组件;
残差组件:包含了趋势和季节性之外的变化,有助于识别非常规的变化或异常,残差组件/>的计算为:
残差组件是通过从原始时间序列中去除趋势组件和季节性组件后得到的:,这一组件包含了除了趋势和季节性以外的信息,有助于识别异常和非周期性的波动。
趋势组件 参数定义:
窗口长度:趋势组件的窗口长度决定了趋势线平滑的程度,在设备健康监测中,窗口长度可以根据设备运行周期调整,对于连续运行的设备,可以选择较长的窗口长度以捕捉更平滑的趋势线。
拟合度:趋势组件的拟合度决定了趋势线对原始数据的拟合程度。在设备监测中,适当的拟合度可以帮助识别长期的性能变化。
季节性组件 参数定义:
季节周期:这是确定季节性波动周期的关键参数,对于工业设备,季节周期可以根据生产周期或特定运行模式设定,如24小时周期或周周期。
季节性平滑度:季节性平滑度决定了季节性波动的平滑程度,较高的平滑度可抑制噪声,更清晰地显示季节性模式。
残差组件 参数定义:
剔除阈值:残差组件中包含噪声或异常点,通过设定剔除阈值,将异常值从分析中排除,以便更准确地识别真正的设备问题。
预测性维护决策支持:控制分析模块使用基于深度学习的预测模型,不仅预测设备何时可能需要维护,还提供可能的故障原因和最佳维护策略,根据设备的实际运行情况和历史维护记录,提出定制化的维护计划,从而最大程度地减少停机时间并提高维护效率,具体采用结合了卷积神经网络(CNN)和长短期记忆网络(LSTM)的深度学习模型进行预测性维护分析,具体如下:
模型架构:
CNN部分:包含多个卷积层,每层有特定数量的卷积核,用于提取不同级别的特征,卷积层用设备传感器数据作为输入,比如扭矩、温度、振动,每个卷积层使用不同大小的卷积核(例如3x3、5x5)来捕捉不同尺度的特征,每个卷积层后跟有池化层,用于降低特征的空间维度,减少计算量,卷积层的激活函数使用ReLU函数。
LSTM层:LSTM层包含一系列LSTM单元,每个单元具有特定数量的神经元,LSTM层是多层结构,以增强模型的学习能力,LSTM层的激活函数使用tanh函数。
模型参数和计算:
卷积层:
对于每个卷积层,其计算表示为:,其中/>表示卷积操作,/>和/>分别是卷积核的权重和偏置,针对不同传感器数据特性进行调整,以优化特征提取,/>是特征映射,代表从原始设备数据中提取的关键特征;
LSTM层:
LSTM单元的计算包括四个主要部分:遗忘门、输入门、单元状态更新和输出门,每个部分的计算涉及权重矩阵、偏置项和激活函数。
LSTM单元的输出表示为:/>,其中/>是输出门的激活值,/>是单元状态。
模型的最终输出由一个或多个全连接层组成,这些层将LSTM的输出转换为最终的预测结果,预测结果包括设备需要维护的概率、故障类型的可能性或其他相关指标。
CNN部分:卷积层的数量和大小:根据设备数据的复杂性和特征维度,可以设置多个卷积层,每层有不同数量的卷积核,对于包含多种传感器数据的设备,需要更多的卷积层来有效提取特征。
卷积核大小:根据设备数据的特性选择合适的卷积核大小,如3x3或5x5,以有效捕捉数据中的局部特征。
池化层:在卷积层之后添加池化层,以降低特征维度和计算复杂度,同时保持关键信息。
LSTM部分:
LSTM单元数量:根据时间序列数据的长度和复杂度,选择合适数量的LSTM单元,对于长时间序列和复杂的数据模式,需要更多的单元来捕捉长期依赖关系。
LSTM层数:多层LSTM结构增强模型对时间序列数据的学习能力,层数的选择取决于数据的时间依赖性和复杂度。
全连接层和输出层:全连接层的神经元数量:根据需要预测的目标(维护需求、潜在故障类型)来确定。
输出层:设计为具体的预测任务,如二分类、多分类或回归,取决于维护需求的具体类型。
此外,该模块具备自学习能力,随着时间的推移和数据的积累,其分析和预测的精度会不断提高。
还包括用户界面,所述用户界面展示设备监测数据、分析结果和维护建议,具体功能包括但不限于:
数据可视化:展示来自集成监测模块的实时数据,如扭矩、温度、振动等,以图表、仪表盘和趋势线的形式呈现。
异常警报和通知:当控制分析模块检测到异常或预测到维护需求时,用户界面将显示警报,并提供详细的故障信息和建议的行动方案。
维护日程规划:基于预测性维护分析,用户界面提供一个维护日程规划工具,帮助用户根据***建议安排维护活动。
历史数据分析:提供访问历史监测数据和维护记录的功能,以便用户进行长期性能分析和趋势识别。
交互式控制:允许用户通过界面直接调整设备参数或应用***建议的维护措施。
该用户界面的设计旨在提升用户体验,使设备操作人员和维护工程师能够轻松地监控设备状态,迅速响应***警报,并有效规划维护活动,从而提高设备运行效率和可靠性。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明的范围被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本发明旨在涵盖落入权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、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 (4)
1.基于设备生态检测及运行状态评估的设备健康管理***,其特征在于,包括集成监测模块、环境适应性调节模块以及控制分析模块,其中,
所述集成监测模块整合扭矩监测、负载监测、震动监测、洁净度监测、部品投入时间监测、滚轮里程数监测、速度安全监测以及温度监测功能,实时监测设备状态,所述集成监测模块具体包括:
扭矩监测子模块:用于监测设备运行机构扭矩实时数据;
负载监测子模块:用于监测设备运行负载实时状态,根据机械特性设置负载正常范围;
震动监测子模块:通过传感器,对电机、减速机以及传动机构运行情况进行监控;
洁净度监测子模块:通过大气监测传感器,对使用环境进行实时监测,测量环境中颗粒物数据;
部品投入时间监测子模块:通过程序逻辑判断,记录物料投入时间;
滚轮里程数监测子模块:对于主体进行运动的识别,通过程序记录设备运动距离,积累在数据库,显示在监控设备;
速度安全监测子模块:通过限位传感器限制运动范围;
温度监测子模块:通过温度传感器及轴运行监控,判断电控柜及电机运行状态是否正常;
所述环境适应性调节模块根据实时监测设备状态的变化自动调整设备运行参数,包括冷却***强度、润滑油供给量或运行速度;
所述控制分析模块接收集成监测模块收集的数据,并进行数据分析和处理,控制分析模块还根据数据分析结果自动调整设备设置或发出维护和故障预警,所述数据分析和处理包括异常检测、动态趋势分析和预测维护;
所述异常检测不仅依据预设的阈值来识别异常,还采用机器学习算法自动学习和识别设备运行的正常模式与异常模式,识别出模式偏差,异常检测具体采用隔离森林算法,利用隔离森林算法自动学习和识别设备运行的正常模式与异常模式,隔离森林算法通过随机选择特征和随机选择该特征的切分值来隔离观测值,隔离森林算法表达如下:
设为数据集,/>为/>中的一个样本,隔离森林算法中的每一棵树都是一个隔离树,对于每一棵树,异常得分/>的计算公式为:
;
其中,是在树中隔离样本/>所需的路径长度的期望值,/>是样本数量,还代表随机森林中随机树上点/>的平均路径长度,用于衡量点/>被隔离的难易程度,路径长度越短,表明/>越容易被隔离,即越接近异常值,/>是一个路径长度的标准化因子,用于将/>转换成一个介于0和1之间的异常得分,异常得分/>越接近1,表明样本/>越接近异常值;
所述动态趋势分析包括:
通过长期收集的数据,识别出设备性能的微妙变化趋势,包括逐渐增长的能耗或逐步降低的效率,所述动态趋势分析基于历史数据以及实时数据,采用季节性分解的时间序列STL算法识别和分析时间序列数据中的趋势和季节性模式;
所述时间序列STL算法对长期收集的数据和实时数据进行分析,以识别设备性能的微妙变化趋势,计算如下:
设为原始时间序列中的观测值,时间序列STL算法分解的形式为:
,其中,/>表示趋势组件,/>表示季节性组件,/>表示残差组件,STL通过局部加权回归分别对趋势和季节性组件进行拟合,其中,
趋势组件:表示时间序列的长期趋势,展示设备性能随时间的整体变化情况,趋势组件/>的计算为:
初始步骤:从原始时间序列中去除粗略估计的季节性影响,得到去季节性数据,使用局部加权回归对季节性组件进行拟合,得到初步的趋势估计,通过迭代调整,逐步精化趋势估计,直到收敛到稳定的趋势线;
季节性组件:捕捉数据中的周期性波动,季节性组件/>的计算为:
从原始时间序列中去除趋势组件/>,得到去趋势数据,对去趋势数据进行季节性分解,通过计算每个季节周期内的平均值来完成,使用局部加权回归平滑每个季节性平均值,以获得平滑的季节性组件;
残差组件:包含了趋势和季节性之外的变化,识别非常规的变化或异常,残差组件的计算为:
通过从原始时间序列中去除趋势组件和季节性组件后得到:,包含除趋势和季节性以外的信息,用于识别异常和非周期性的波动;
所述预测维护基于预测模型,所述预测模型基于深度学习,不仅预测设备何时需要维护,还提供故障原因和最佳维护策略,根据设备的实际运行情况和历史维护记录,提出定制化的维护计划,结合卷积神经网络和长短期记忆网络的深度学习模型进行预测性维护分析,具体如下:
卷积神经网络部分:包含多个卷积层,每层有特定数量的卷积核,用于提取不同级别的特征,卷积层用设备传感器数据作为输入,输入包括扭矩、温度、振动,每个卷积层使用不同大小的卷积核来捕捉不同尺度的特征,每个卷积层后跟有池化层,用于降低特征的空间维度,减少计算量,卷积层的激活函数使用ReLU函数;
长短期记忆网络LSTM层:LSTM层包括多个LSTM单元,每个LSTM单元具有特定数量的神经元,LSTM层是多层结构,以增强模型的学习能力,LSTM层的激活函数使用tanh函数;
模型参数和计算如下:
卷积层:对于每个卷积层,计算表示为:,其中/>表示卷积操作,/>和/>分别是卷积核的权重和偏置,针对不同传感器数据特性进行调整,以优化特征提取,/>是特征映射,代表从原始设备数据中提取的关键特征;
LSTM层:LSTM层中的LSTM单元的计算包括遗忘门、输入门、单元状态更新和输出门,每个部分的计算涉及权重矩阵、偏置项和激活函数,LSTM单元的输出表示为:,其中/>是输出门的激活值,/>是单元状态;
最终输出由一个或多个全连接层组成,全连接层将LSTM单元的输出转换为最终的预测结果,预测结果包括设备需要维护的概率、故障类型的可能性。
2.根据权利要求1所述的基于设备生态检测及运行状态评估的设备健康管理***,其特征在于,所述环境适应性调节模块具体包括:
扭矩监测调节子模块:当监测到扭矩异常时,自动调整动力输出,以防止设备过载或不足载,确保设备在最佳工作状态;
负载监测调节子模块:根据实时负载数据,调整设备的功率分配和操作速度,以应对不同的工作负载,优化能源利用效率;
震动监测调节子模块:在检测到异常振动时,自动调整机械部件的紧固程度或改变运行模式,以减少震动对设备的影响;
洁净度监测调节子模块:当环境洁净度下降时,增加过滤***的工作频率,或启动清洁程序,以维持设备及其环境的清洁度;
部品投入时间监测调节子模块:若物料投入时间过长或过短,自动调整供料速度或通知操作人员进行调整,以保持生产流程的连续性和效率;
滚轮里程数监测调节子模块:当滚轮运动距离达到特定里程数时,提示维护或自动调整滚轮压力,以优化移动效率和减少磨损;
速度安全监测调节子模块:基于设备运行速度的实时监测,自动调整速度限制或启动安全机制,以防止因速度过快造成的潜在风险;
温度监测调节子模块:根据设备运行时的温度变化,自动调整冷却***或调节设备运行模式,以防止过热或因温度过低导致的效率下降。
3.根据权利要求2所述的基于设备生态检测及运行状态评估的设备健康管理***,其特征在于,所述控制分析模块具备自学习能力,随着时间的推移和数据的积累,提高分析和预测精度。
4.根据权利要求3所述的基于设备生态检测及运行状态评估的设备健康管理***,其特征在于,还包括用户界面,所述用户界面展示设备监测数据、分析结果和维护建议。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410315747.XA CN117911012B (zh) | 2024-03-20 | 2024-03-20 | 基于设备生态检测及运行状态评估的设备健康管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410315747.XA CN117911012B (zh) | 2024-03-20 | 2024-03-20 | 基于设备生态检测及运行状态评估的设备健康管理*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117911012A CN117911012A (zh) | 2024-04-19 |
CN117911012B true CN117911012B (zh) | 2024-05-28 |
Family
ID=90685610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410315747.XA Active CN117911012B (zh) | 2024-03-20 | 2024-03-20 | 基于设备生态检测及运行状态评估的设备健康管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117911012B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10964130B1 (en) * | 2018-10-18 | 2021-03-30 | Northrop Grumman Systems Corporation | Fleet level prognostics for improved maintenance of vehicles |
CN112613646A (zh) * | 2020-12-08 | 2021-04-06 | 上海交通大学烟台信息技术研究院 | 一种基于多维数据融合的设备状态预测方法及*** |
CN112904220A (zh) * | 2020-12-30 | 2021-06-04 | 厦门大学 | 一种基于数字孪生和机器学习的ups健康预测方法、***、电子设备及可存储介质 |
CN114897262A (zh) * | 2022-06-08 | 2022-08-12 | 南京国电南自轨道交通工程有限公司 | 一种基于深度学习的轨道交通设备故障预测方法 |
CN115760484A (zh) * | 2022-12-07 | 2023-03-07 | 湖北华中电力科技开发有限责任公司 | 一种配电台区隐患辨识能力提升方法、装置、***及存储介质 |
CN117171661A (zh) * | 2023-11-03 | 2023-12-05 | 山东鸿远新材料科技股份有限公司 | 一种化工厂污水处理监控方法及*** |
CN117421582A (zh) * | 2023-11-08 | 2024-01-19 | 浙江正泰中自控制工程有限公司 | 一种基于多源数据驱动的设备健康分析方法 |
CN117575332A (zh) * | 2024-01-12 | 2024-02-20 | 唐山伟仁建筑工程有限公司 | 道路施工安全监测方法及*** |
CN117707027A (zh) * | 2024-02-05 | 2024-03-15 | 国网甘肃省电力公司白银供电公司 | 一种基于多源数据融合的集控站一键顺控*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11774944B2 (en) * | 2016-05-09 | 2023-10-03 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for the industrial internet of things |
EP3789838B1 (en) * | 2019-09-09 | 2024-06-12 | Alisea S.r.l. | Systems and methods for artificial intelligence-based maintenance of an air conditioning system |
US20230062971A1 (en) * | 2021-09-01 | 2023-03-02 | General Electric Company | Apparatus, systems, and methods for monitoring, analyzing, and adjusting additive machine and build health and configuration |
-
2024
- 2024-03-20 CN CN202410315747.XA patent/CN117911012B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10964130B1 (en) * | 2018-10-18 | 2021-03-30 | Northrop Grumman Systems Corporation | Fleet level prognostics for improved maintenance of vehicles |
CN112613646A (zh) * | 2020-12-08 | 2021-04-06 | 上海交通大学烟台信息技术研究院 | 一种基于多维数据融合的设备状态预测方法及*** |
CN112904220A (zh) * | 2020-12-30 | 2021-06-04 | 厦门大学 | 一种基于数字孪生和机器学习的ups健康预测方法、***、电子设备及可存储介质 |
CN114897262A (zh) * | 2022-06-08 | 2022-08-12 | 南京国电南自轨道交通工程有限公司 | 一种基于深度学习的轨道交通设备故障预测方法 |
CN115760484A (zh) * | 2022-12-07 | 2023-03-07 | 湖北华中电力科技开发有限责任公司 | 一种配电台区隐患辨识能力提升方法、装置、***及存储介质 |
CN117171661A (zh) * | 2023-11-03 | 2023-12-05 | 山东鸿远新材料科技股份有限公司 | 一种化工厂污水处理监控方法及*** |
CN117421582A (zh) * | 2023-11-08 | 2024-01-19 | 浙江正泰中自控制工程有限公司 | 一种基于多源数据驱动的设备健康分析方法 |
CN117575332A (zh) * | 2024-01-12 | 2024-02-20 | 唐山伟仁建筑工程有限公司 | 道路施工安全监测方法及*** |
CN117707027A (zh) * | 2024-02-05 | 2024-03-15 | 国网甘肃省电力公司白银供电公司 | 一种基于多源数据融合的集控站一键顺控*** |
Non-Patent Citations (5)
Title |
---|
Artificial intelligence and machine learning in energy conversion and management;Konstantinos Mira, 等;《Energies》;20231125;第16卷(第23期);第1-36页 * |
Deep learning-based robust actuator fault detection and isolation scheme for highly redundant multirotor UAVs;Yisak Debele, 等;《Drones》;20230701;第7卷(第7期);第1-26页 * |
基于小样本学习的工业故障诊断方法研究;岳昌源;《中国优秀硕士学位论文全文数据库信息科技辑》;20240315(第3期);第I140-303页 * |
工业时序数据异常检测方法研究及应用;陈俊熙;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20221015(第10期);第C029-188页 * |
数据驱动的设备状态评估与故障诊断方法研究;王鹏凯;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20240215(第2期);第C042-1030页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117911012A (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11403160B2 (en) | Fault predicting system and fault prediction method | |
CN109240244B (zh) | 基于数据驱动的设备运行状态健康度分析方法及*** | |
CN108829933A (zh) | 一种半导体制造设备的预测性维护与健康管理的方法 | |
US6871160B2 (en) | Intelligent condition-based engine/equipment management system | |
CN113093693B (zh) | 一种面向采煤机运行状态的在线故障诊断方法 | |
US20040049715A1 (en) | Computer networked intelligent condition-based engine/equipment management system | |
US20120092180A1 (en) | Predictive analysis for remote machine monitoring | |
CN113063611B (zh) | 一种设备的监控管理方法及其*** | |
KR102618023B1 (ko) | 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법 | |
US20230131828A1 (en) | Predictive maintenance system and method for intelligent manufacturing equipment | |
CN112462734B (zh) | 一种工业生产设备故障预测分析方法及模型 | |
CN114066274A (zh) | 一种设备性能预警的方法及装置 | |
CN117761444B (zh) | 一种电涌保护器的寿命监测方法及*** | |
KR20200084401A (ko) | 빅데이타를 활용한 공기압축기 양방향 고장진단 및 원격운전제어 시스템 | |
Calabrese et al. | An event based machine learning framework for predictive maintenance in industry 4.0 | |
Wang | Key techniques in intelligent predictive maintenance (IPdM)–a framework of intelligent faults diagnosis and prognosis system (IFDaPS) | |
CN109784127B (zh) | 一种设备健康状态预警方法及其*** | |
Lughofer et al. | Prologue: Predictive maintenance in dynamic systems | |
CN117911012B (zh) | 基于设备生态检测及运行状态评估的设备健康管理*** | |
WO2020253950A1 (en) | Monitoring method, predicting method, monitoring system and computer program | |
CN113723827A (zh) | 地铁机电设备运行风险诊断及运维管控方法与*** | |
CN116674380A (zh) | 一种适用于汽车工业与智能制造电驱动方法及*** | |
CN111766514A (zh) | 一种设备检测点的数据分析方法 | |
Liu et al. | A fault early warning and health status rating method for ensuring safe operation of rotating equipment | |
CN111123098A (zh) | 用于电力驱动装置的异常检测***和方法 |
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 |