CN118114162A - 一种机电设备故障预测方法及*** - Google Patents
一种机电设备故障预测方法及*** Download PDFInfo
- Publication number
- CN118114162A CN118114162A CN202410300607.5A CN202410300607A CN118114162A CN 118114162 A CN118114162 A CN 118114162A CN 202410300607 A CN202410300607 A CN 202410300607A CN 118114162 A CN118114162 A CN 118114162A
- Authority
- CN
- China
- Prior art keywords
- fault
- electromechanical
- historical
- vector
- signal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000013598 vector Substances 0.000 claims abstract description 126
- 238000005070 sampling Methods 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 7
- 239000006185 dispersion Substances 0.000 description 6
- 230000035605 chemotaxis Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供一种机电设备故障预测方法及***,通过采集机电设备的历史故障信号;依据历史故障信号设定矢量阈值,将历史故障信号分解为机电设备的故障细节数据和故障概貌数据;通过故障细节数据、故障概貌数据和矢量阈值确定机电故障矢量域;获取机电设备的工作条件数据,基于机电故障矢量域和工作条件数据对机电设备进行故障预测,得到机电设备的故障预测值;根据机电故障矢量域和故障预测值确定机电设备对应的机电故障特征基,通过机电故障特征基和预设故障特征决策值预测机电设备的故障状态,可以基于准确的机电设备故障特征进行故障预测,以实现对机电设备故障的预前识别。
Description
技术领域
本申请涉及故障预测技术领域,更具体的说,本申请涉及一种机电设备故障预测方法及***。
背景技术
机电设备是指结合了机械和电气部件的设备或机器,机电设备通常包括各种传感器、电动机、控制***、执行器以及机械部件,它们可以被用于各种不同的应用领域,如制造业、建筑业、能源行业等。
机电设备在经年累月的运行过程中,不可避免地会出磨损老化,导致机电设备的运行精度和安全性等降低,为了保证机电设备的运行安全,需要对机电设备进行故障预测,以提前采取措施来保护机电设备,在机电设备的故障预测中,故障信号往往包含了大量的信息,但其中可能存在大量的噪音和无关信息,不同类型的机电故障可能表现出不同的信号特征,而且同一种故障在不同的工作条件下可能表现出不同的特征,这增加了特征提取的复杂性,因此,如何基于准确的机电设备故障特征进行故障预测,以实现对机电设备故障的预前识别成为了业界内亟待解决的难题。
发明内容
本申请提供一种机电设备故障预测方法及***,可以基于准确的机电设备故障特征进行故障预测,以实现对机电设备故障的预前识别。
第一方面,本申请提供一种机电设备故障预测方法,包括如下步骤:
采集机电设备的历史故障信号;
依据所述历史故障信号设定矢量阈值,将所述历史故障信号分解为所述机电设备的故障细节数据和故障概貌数据;
通过所述故障细节数据、所述故障概貌数据和所述矢量阈值确定机电故障矢量域;
获取所述机电设备的工作条件数据,基于所述机电故障矢量域和所述工作条件数据对所述机电设备进行故障预测,得到所述机电设备的故障预测值;
根据所述机电故障矢量域和所述故障预测值确定所述机电设备对应的机电故障特征基,通过所述机电故障特征基和预设故障特征决策值预测所述机电设备的故障状态。
在一些实施例中,依据所述历史故障信号设定矢量阈值具体包括:
对所述历史故障信号进行特征提取,得到所述历史故障信号的频域特征;
根据所述频域特征得到故障方差向量;
通过所述故障方差向量确定矢量阈值。
在一些实施例中,将所述历史故障信号分解为所述机电设备的故障细节数据和故障概貌数据具体包括:
对所述历史故障信号进行频段分解,得到所述机电设备对应的细节频段信号和概貌频段信号;
分别对所述细节频段信号和所述概貌频段信号进行量化,得到所述机电设备的故障细节数据和故障概貌数据。
在一些实施例中,通过所述故障细节数据、所述故障概貌数据和所述矢量阈值确定机电故障矢量域具体包括:
对于历史故障信号中的每个历史采样时刻,根据所述故障细节数据确定历史采样时刻对应的信号细节因子;
根据所述故障概貌数据确定历史采样时刻对应的信号概貌因子;
通过历史采样时刻对应的信号细节因子和信号概貌因子以及该历史采样时刻的前一历史采样时刻对应的信号细节因子和信号概貌因子确定历史采样时刻的初始机电故障矢量,进而得到每个历史采样时刻的初始机电故障矢量;
将所有初始机电故障矢量中大于矢量阈值的初始机电故障矢量的集合作为机电故障矢量域。
在一些实施例中,根据所述机电故障矢量域和所述故障预测值确定所述机电设备对应的机电故障特征基具体包括:
对于所述机电故障矢量域中的每个初始机电故障矢量,将初始机电故障矢量与所述故障预测值之差作为初始机电故障矢量对应的预测差异量,进而得到每个初始机电故障矢量对应的预测差异量;
将所有初始机电故障矢量对应的预测差异量的序列作为预测差异序列;
根据所述预测差异序列确定所述机电设备对应的机电故障特征基。
在一些实施例中,通过所述机电故障特征基和预设故障特征决策值预测所述机电设备的故障状态具体包括:
根据所述机电故障特征基确定所述机电设备的故障系数;
当所述故障系数大于零时,若所述机电故障特征基大于所述故障特征决策值,则判断所述机电设备存在严重故障,若所述机电故障特征基小于等于所述故障特征决策值,则判断所述机电设备存在普通故障;
当所述故障系数小于等于零时,判断所述机电设备不存在故障。
在一些实施例中,通过定性传感器采集机电设备的历史故障信号。
第二方面,本申请提供一种机电设备故障预测***,包括有控制单元,所述控制单元包括:
采集模块,用于采集机电设备的历史故障信号;
处理模块,用于依据所述历史故障信号设定矢量阈值,将所述历史故障信号分解为所述机电设备的故障细节数据和故障概貌数据;
所述处理模块,还用于通过所述故障细节数据、所述故障概貌数据和所述矢量阈值确定机电故障矢量域;
所述处理模块,还用于获取所述机电设备的工作条件数据,基于所述机电故障矢量域和所述工作条件数据对所述机电设备进行故障预测,得到所述机电设备的故障预测值;
预测模块,用于根据所述机电故障矢量域和所述故障预测值确定所述机电设备对应的机电故障特征基,通过所述机电故障特征基和预设故障特征决策值预测所述机电设备的故障状态。
第三方面,本申请提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于从所述存储器中调用并运行所述计算机程序,使得所述计算机设备执行上述的机电设备故障预测方法。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有指令或代码,当指令或代码在计算机上运行时,使得计算机执行时实现上述的机电设备故障预测方法。
本申请公开的实施例提供的技术方案具有以下有益效果:
本申请提供的一种机电设备故障预测方法及***中,通过采集机电设备的历史故障信号;依据所述历史故障信号设定矢量阈值,将所述历史故障信号分解为所述机电设备的故障细节数据和故障概貌数据;通过所述故障细节数据、所述故障概貌数据和所述矢量阈值确定机电故障矢量域;获取所述机电设备的工作条件数据,基于所述机电故障矢量域和所述工作条件数据对所述机电设备进行故障预测,得到所述机电设备的故障预测值;根据所述机电故障矢量域和所述故障预测值确定所述机电设备对应的机电故障特征基,通过所述机电故障特征基和预设故障特征决策值预测所述机电设备的故障状态。
本申请中,首先,通过故障细节数据可以捕捉到历史故障信号的局部细微变化,便于发现机电设备运行中可能存在的微小异常或潜在故障信号,通过故障概貌数据则可以提供对机电设备整体特征变化的识别,避免对整体状态的忽略,然后,通过矢量阈值对初始机电故障矢量进行限制,可以有效消除历史故障信号中的冗余信息,从而降低特征提取的复杂性,通过机电故障矢量域将机电故障特征信息完整和准确地提取表现出来,便于提高机电设备故障预测的准确性,以实现对机电设备故障的预前识别,再次,通过确定机电设备的故障特征基可以更直观地帮助实现对故障的预前识别,故障特征基中的机电故障特征值可以更准确地描述机电设备的故障特征,从而提高故障预测的准确性,最后,通过预测机电设备的故障状态可以及时发现潜在的故障,便于及时发现故障并采取相应措施可以降低安全风险,可以基于准确的机电设备故障特征进行故障预测,以实现对机电设备故障的预前识别。
附图说明
为了更清楚地说明本申请实施例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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是根据本申请一些实施例所示的机电设备故障预测方法的示例性流程图;
图2是根据本申请一些实施例所示的设定矢量阈值的示例性流程图;
图3是根据本申请一些实施例所示的预测机电设备的故障状态的示例性流程图;
图4是根据本申请一些实施例所示的控制单元的示例性硬件和/或软件的示意图;
图5是根据本申请一些实施例所示的实现机电设备故障预测方法的计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都属于本申请保护的范围。
本申请实施例提供一种机电设备故障预测方法及***,其核心是采集机电设备的历史故障信号;依据所述历史故障信号设定矢量阈值,将所述历史故障信号分解为所述机电设备的故障细节数据和故障概貌数据;通过所述故障细节数据、所述故障概貌数据和所述矢量阈值确定机电故障矢量域;获取所述机电设备的工作条件数据,基于所述机电故障矢量域和所述工作条件数据对所述机电设备进行故障预测,得到所述机电设备的故障预测值;根据所述机电故障矢量域和所述故障预测值确定所述机电设备对应的机电故障特征基,通过所述机电故障特征基和预设故障特征决策值预测所述机电设备的故障状态,可以基于准确的机电设备故障特征进行故障预测,以实现对机电设备故障的预前识别。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。参考图1,该图是根据本申请一些实施例所示的一种机电设备故障预测方法的示例性流程图,该机电设备故障预测方法100主要包括如下步骤:
在步骤101,采集机电设备的历史故障信号。
具体实现时,可通过定性传感器采集机电设备的历史故障信号,在机电设备工作过程中,一旦机电设备发生故障,定性传感器的电阻率会迅速升高,从而将电阻率的异常变化转化为对应的故障信号并输出,实现对机电设备故障的检测,需要说明的是,本申请中历史故障信号是指通过定性传感器采集到的机电设备在发生故障时对应的传感器信号。
在步骤102,依据所述历史故障信号设定矢量阈值,将所述历史故障信号分解为所述机电设备的故障细节数据和故障概貌数据。
优选的,在一些实施例中,参考图2所示,该图是本申请一些实施例中设定矢量阈值的示例性流程图,本实施例中设定矢量阈值可采用下述步骤实现:
首先,在步骤1021中,对所述历史故障信号进行特征提取,得到所述历史故障信号的频域特征;
然后,在步骤1022中,根据所述频域特征得到故障方差向量;
最后,在步骤1023中,通过所述故障方差向量确定矢量阈值。
具体实现时,首先,对历史故障信号进行特征提取,得到历史故障信号的频域特征,可以将历史故障信号转换到频域上,然后通过信号频谱可以得到历史故障信号的频域特征,然后,对提取得到的频域特征进行方差计算,将计算得到的所有方差组成故障方差向量,最后,可以将该故障方差向量的均值作为矢量阈值,通过该矢量阈值可以对历史故障信号的特征取值进行限制,便于去除历史故障信号中的冗余信息。
在一些实施例中,将所述历史故障信号分解为所述机电设备的故障细节数据和故障概貌数据具体可采用下述方式,即:
对所述历史故障信号进行频段分解,得到所述机电设备对应的细节频段信号和概貌频段信号;
分别对所述细节频段信号和所述概貌频段信号进行量化,得到所述机电设备的故障细节数据和故障概貌数据。
具体实现时,首先,对历史故障信号进行频段分解,可以通过小波变换来进行频段分解,从而将历史故障信号分解成不同频段的成分,也可以通过其他信号处理技术来实现,比如傅里叶变换等,通过频段分解可以将历史故障信号分解成高频信号和低频信号,该高频信号描述的是历史故障信号中的细节变化,可以将该高频信号作为机电设备所对应的细节频段信号,该低频信号描述的是历史故障信号中整体特征,可以将该低频信号作为机电设备所对应的概貌频段信号,然后,分别对细节频段信号和概貌频段信号进行量化处理,量化是将连续的信号转换成离散的数值表示的过程,通过量化,可以将细节信号和概貌信号转换成数字形式,以便后续的分析和处理,可以通过现有技术中的量化函数来进行量化,从而得到机电设备的故障细节数据和故障概貌数据,该故障细节数据是对机电设备局部细节特征的描述数据,而该故障概貌数据是对机电设备整体状态的总体变化的描述数据。
需要说明的是,故障细节数据提供了对机电设备运行状态的更加详细和精确的描述,可以捕捉到历史故障信号的局部细微变化,便于发现机电设备运行中可能存在的微小异常或潜在故障信号,故障概貌数据则可以提供对机电设备整体特征变化的识别,避免对整体状态的忽略,通过故障细节数据和故障概貌数据的综合分析可以提高机电设备故障预测的准确性,可以在故障发生前及时采取维护措施,避免了故障对机电设备造成的进一步损坏,从而降低了维护成本和停机时间。
在步骤103,通过所述故障细节数据、所述故障概貌数据和所述矢量阈值确定机电故障矢量域。
优选的,在一些实施例中,通过所述故障细节数据、所述故障概貌数据和所述矢量阈值确定机电故障矢量域具体可采用下述方式,即:
对于历史故障信号中的每个历史采样时刻,根据所述故障细节数据确定历史采样时刻对应的信号细节因子;
根据所述故障概貌数据确定历史采样时刻对应的信号概貌因子;
通过历史采样时刻对应的信号细节因子和信号概貌因子以及该历史采样时刻的前一历史采样时刻对应的信号细节因子和信号概貌因子确定历史采样时刻的初始机电故障矢量,进而得到每个历史采样时刻的初始机电故障矢量;
将所有初始机电故障矢量中大于矢量阈值的初始机电故障矢量的集合作为机电故障矢量域。
需要说明的是,本申请中,信号细节因子是用于衡量一个历史采样时刻下对机电故障描述的细微程度的指标,信号概貌因子表示是用于衡量一个历史采样时刻下机电故障的整体变化程度的指标,具体实现时,首先,可以将历史采样时刻下对应的故障细节数据值和所有故障细节数据均值之差作为该历史采样时刻对应的信号细节因子,采用相同方式可以确定其他历史采样时刻对应的信号细节因子,可以将历史采样时刻下对应的故障概貌数据值和所有故障概貌数据均值之差作为该历史采样时刻对应的信号概貌因子,采用相同方式可以确定其他历史采样时刻对应的信号概貌因子,然后,通过历史采样时刻对应的信号细节因子和信号概貌因子以及该历史采样时刻的前一历史采样时刻对应的信号细节因子和信号概貌因子确定历史采样时刻的初始机电故障矢量,进而得到每个历史采样时刻的初始机电故障矢量,最后,可以将所有初始机电故障矢量中大于矢量阈值的初始机电故障矢量的集合作为机电故障矢量域,本申请中,通过矢量阈值对初始机电故障矢量进行限制,可以有效消除历史故障信号中的冗余信息,通过机电故障矢量域将机电故障特征信息完整和准确地表现出来,便于提高机电设备故障预测的准确性,以实现对机电设备故障的预前识别。
在上述实施例中,通过历史采样时刻对应的信号细节因子和信号概貌因子以及该历史采样时刻的前一历史采样时刻对应的信号细节因子和信号概貌因子确定历史采样时刻的初始机电故障矢量,进而得到每个历史采样时刻的初始机电故障矢量,具体实现时,该初始机电故障矢量可根据下述公式确定:
其中,Ki表示第i个历史采样时刻的初始机电故障矢量,λi表示第i个历史采样时刻对应的信号细节因子,λi-1表示第i-1个历史采样时刻对应的信号细节因子,γi表示第i个历史采样时刻对应的信号概貌因子,γi-1表示第i-1个历史采样时刻对应的信号概貌因子,需要说明的是,本申请中,初始机电故障矢量是机电设备历史故障时的故障特征矢量,该初始机电故障矢量中包含历史故障信号中的故障信息。
在步骤104,获取所述机电设备的工作条件数据,基于所述机电故障矢量域和所述工作条件数据对所述机电设备进行故障预测,得到所述机电设备的故障预测值。
在一些实施例中,获取所述机电设备的工作条件数据,具体实现时,可以通过传感器获取所述机电设备的工作条件数据,需要说明的是,本申请中,工作条件数据包括机电设备的工作负荷、运行时间、环境温度和环境湿度,工作条件数据可以用来分析机电设备在不同工作条件下的性能变化和故障风险,从而调整预测模型和预测结果。
优选的,在一些实施例中,基于所述机电故障矢量域和所述工作条件数据对所述机电设备进行故障预测,得到所述机电设备的故障预测值,具体实现时,可以将机电故障矢量域和工作条件数据作为输入数据输入到卡尔曼滤波器中进行故障预测,从而得到机电设备的故障预测值,该机电设备的故障预测值是基于机电故障矢量域和工作条件数据对机电设备故障程度进行估计得到的估计值,需要说明的是,基于机电故障矢量域和工作条件数据进行故障预测,可以提高故障预测值的准确性,可以提高对机电设备故障识别的精确度。
在步骤105,根据所述机电故障矢量域和所述故障预测值确定所述机电设备对应的机电故障特征基,通过所述机电故障特征基和预设故障特征决策值预测所述机电设备的故障状态。
优选的,在一些实施例中,根据所述机电故障矢量域和所述故障预测值确定所述机电设备对应的机电故障特征基具体可采用下述方式,即:
对于所述机电故障矢量域中的每个初始机电故障矢量,将初始机电故障矢量与所述故障预测值之差作为初始机电故障矢量对应的预测差异量,进而得到每个初始机电故障矢量对应的预测差异量;
将所有初始机电故障矢量对应的预测差异量的序列作为预测差异序列;
根据所述预测差异序列确定所述机电设备对应的机电故障特征基。
需要说明的是,本申请中,初始机电故障矢量对应的预测差异量用于衡量该初始机电故障矢量和故障预测值之间的差异程度,预测差异序列中的预测差异量往往对应着机电设备潜在的故障特征,通过分析预测差异序列,可以更准确地识别机电故障特征,从而提高故障预测的准确性,
在上述实施例中,根据所述预测差异序列确定所述机电设备对应的机电故障特征基具体可采用下述方式,即:
确定所述预测差异序列的中心趋度;
确定所述预测差异序列的离散度;
通过所述预测差异序列、所述预测差异序列的中心趋度和所述预测差异序列的离散度确定述机电设备对应的机电故障特征基,具体实现时,所述机电设备对应的机电故障特征基中第j时刻的机电故障特征值u(j)可根据下述公式确定:
其中,α(v)表示预测差异序列中第v个预测差异量,μ表示预测差异序列的中心趋度,σ表示预测差异序列的离散度,v的取值为1到j,需要说明的是,本申请中,机电故障特征基是一条描述机电设备的故障趋势的特征曲线,中心趋度表示预测差异序列整体取值的趋向集中值,离散度表示预测差异序列整体的离散程度。
具体实现时,将所有机电故障特征值进行连接,从而得到一条曲线,即机电故障特征基,可以将预测差异序列的中所有预测差异量的均值作为预测差异序列的中心趋度,可以将预测差异序列中所有预测差异量的方差作为预测差异序列的离散度,需要说明的是,通过确定机电设备的故障特征基可以更直观地帮助实现对故障的预前识别,故障特征基中的机电故障特征值可以更准确地描述机电设备的故障特征。
需要说明的是,本申请中,机电设备的故障状态包括机电设备存在严重故障和机电设备存在普通故障。
优选的,在一些实施例中,参考图3所示,该图是本申请一些实施例中预测机电设备的故障状态的示例性流程图,本实施例中预测机电设备的故障状态可采用下述步骤实现:
首先,在步骤1051中,根据所述机电故障特征基确定所述机电设备的故障系数;
然后,在步骤1052中,当所述故障系数大于零时,若所述机电故障特征基大于所述故障特征决策值,则判断所述机电设备存在严重故障,若所述机电故障特征基小于等于所述故障特征决策值,则判断所述机电设备存在普通故障;
最后,在步骤1053中,当所述故障系数小于等于零时,判断所述机电设备不存在故障。
需要说明的是,本申请中,故障系数是用来量化机电设备是否存在故障的指标,当机电故障特征基的整体呈上升趋势时,表明机电设备中存在故障,故障特征决策值是用于判断机电设备故障状态的决策量,具体实现时,首先,可以确定机电故障特征基中每处的斜率,然后将所有斜率的均值作为机电设备的故障系数,可以根据历史实验和历史经验设定故障特征决策值,然后,若故障系数大于零,则表示机电设备存在故障风险,此时,继续比较机电故障特征基与预设故障特征决策值,若机电故障特征基大于预设故障特征决策值,则判断机电设备存在严重故障,需要立即采取维修或更换措施以避免进一步损害,若机电故障特征基不大于预设故障特征决策值,则判断机电设备存在普通故障,建议定期监测设备状态,并根据需要进行维护或保养,若故障系数不大于零,则表示机电设备目前不存在故障,处于正常运行状态,无需采取额外的维修或保养措施。
另外,需要说明的是,通过预测机电设备的故障状态可以及时发现潜在的故障,即使故障尚未发生,也可以通过机电故障特征基来预前识别出可能出现问题的部件或***,便于及时发现故障并采取相应措施可以降低安全风险,保障人员和设备的安全。
本申请中,首先,通过故障细节数据可以捕捉到历史故障信号的局部细微变化,便于发现机电设备运行中可能存在的微小异常或潜在故障信号,通过故障概貌数据则可以提供对机电设备整体特征变化的识别,避免对整体状态的忽略,然后,通过矢量阈值对初始机电故障矢量进行限制,可以有效消除历史故障信号中的冗余信息,从而降低特征提取的复杂性,通过机电故障矢量域将机电故障特征信息完整和准确地提取表现出来,便于提高机电设备故障预测的准确性,以实现对机电设备故障的预前识别,再次,通过确定机电设备的故障特征基可以更直观地帮助实现对故障的预前识别,故障特征基中的机电故障特征值可以更准确地描述机电设备的故障特征,从而提高故障预测的准确性,最后,通过预测机电设备的故障状态可以及时发现潜在的故障,便于及时发现故障并采取相应措施可以降低安全风险,可以基于准确的机电设备故障特征进行故障预测,以实现对机电设备故障的预前识别。
另外,本申请的另一方面,在一些实施例中,本申请提供一种机电设备故障预测***,该***包括有控制单元,参考图4,该图是根据本申请一些实施例所示的控制单元的示例性硬件和/或软件的示意图,该控制单元400包括:采集模块401、处理模块402和预测模块403,分别说明如下:
采集模块401,本申请中采集模块401主要用于采集机电设备的历史故障信号;
处理模块402,本申请中处理模块402主要用于依据所述历史故障信号设定矢量阈值,将所述历史故障信号分解为所述机电设备的故障细节数据和故障概貌数据;
需要说明的是,本申请中所述处理模块402还用于通过所述故障细节数据、所述故障概貌数据和所述矢量阈值确定机电故障矢量域;
另外,本申请中所述处理模块402还用于获取所述机电设备的工作条件数据,基于所述机电故障矢量域和所述工作条件数据对所述机电设备进行故障预测,得到所述机电设备的故障预测值;
预测模块403,本申请中预测模块403主要用于根据所述机电故障矢量域和所述故障预测值确定所述机电设备对应的机电故障特征基,通过所述机电故障特征基和预设故障特征决策值预测所述机电设备的故障状态。
上文详细介绍了本申请实施例提供的机电设备故障预测方法及***的示例,可以理解的是,相应的装置为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在一些实施例中,本申请还提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于从所述存储器中调用并运行所述计算机程序,使得所述计算机设备执行上述的机电设备故障预测方法。
在一些实施例中,参考图5,该图中的虚线表示该单元或该模块为可选的,该图是根据本申请实施例提供的一种机电设备故障预测方法的计算机设备的结构示意图。上述实施例中的上述的机电设备故障预测方法可以通过图5所示的计算机设备来实现,该计算机设备500包括至少一个处理器501、存储器502以及至少一个通信单元505,该计算机设备500可以是终端设备或服务器或芯片。
处理器501可以是通用处理器或者专用处理器。例如,处理器501可以是中央处理器(central processing unit,CPU),CPU可以用于对计算机设备500进行控制,执行软件程序,处理软件程序的数据,计算机设备500还可以包括通信单元505,用以实现信号的输入(接收)和输出(发送)。
例如,计算机设备500可以是芯片,通信单元505可以是该芯片的输入和/或输出电路,或者,通信单元505可以是该芯片的通信接口,该芯片可以作为终端设备或网络设备或其它设备的组成部分。
又例如,计算机设备500可以是终端设备或服务器,通信单元505可以是该终端设备或该服务器的收发器,或者,通信单元505可以是该终端设备或该服务器的收发电路。
计算机设备500中可以包括一个或多个存储器502,其上存有程序504,程序504可被处理器501运行,生成指令503,使得处理器501根据指令503执行上述方法实施例中描述的方法。可选地,存储器502中还可以存储有数据(如目标审核模型)。可选地,处理器501还可以读取存储器502中存储的数据,该数据可以与程序504存储在相同的存储地址,该数据也可以与程序504存储在不同的存储地址。
处理器501和存储器502可以单独设置,也可以集成在一起,例如,集成在终端设备的***级芯片(system on chip,SOC)上。
应理解,上述方法实施例的各步骤可以通过处理器501中的硬件形式的逻辑电路或者软件形式的指令完成,处理器501可以是中央处理器、数字信号处理器(digitalsignal processor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现场可编程门阵列(field programmable gate array,FPGA)或者其它可编程逻辑器件,例如,分立门、晶体管逻辑器件或分立硬件组件。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
例如,在一些实施例中,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有指令或代码,当指令或代码在计算机上运行时,使得计算机执行时实现上述的机电设备故障预测方法。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种机电设备故障预测方法,其特征在于,包括如下步骤:
采集机电设备的历史故障信号;
依据所述历史故障信号设定矢量阈值,将所述历史故障信号分解为所述机电设备的故障细节数据和故障概貌数据;
通过所述故障细节数据、所述故障概貌数据和所述矢量阈值确定机电故障矢量域;
获取所述机电设备的工作条件数据,基于所述机电故障矢量域和所述工作条件数据对所述机电设备进行故障预测,得到所述机电设备的故障预测值;
根据所述机电故障矢量域和所述故障预测值确定所述机电设备对应的机电故障特征基,通过所述机电故障特征基和预设故障特征决策值预测所述机电设备的故障状态。
2.如权利要求1所述的方法,其特征在于,依据所述历史故障信号设定矢量阈值具体包括:
对所述历史故障信号进行特征提取,得到所述历史故障信号的频域特征;
根据所述频域特征得到故障方差向量;
通过所述故障方差向量确定矢量阈值。
3.如权利要求1所述的方法,其特征在于,将所述历史故障信号分解为所述机电设备的故障细节数据和故障概貌数据具体包括:
对所述历史故障信号进行频段分解,得到所述机电设备对应的细节频段信号和概貌频段信号;
分别对所述细节频段信号和所述概貌频段信号进行量化,得到所述机电设备的故障细节数据和故障概貌数据。
4.如权利要求1所述的方法,其特征在于,通过所述故障细节数据、所述故障概貌数据和所述矢量阈值确定机电故障矢量域具体包括:
对于历史故障信号中的每个历史采样时刻,根据所述故障细节数据确定历史采样时刻对应的信号细节因子;
根据所述故障概貌数据确定历史采样时刻对应的信号概貌因子;
通过历史采样时刻对应的信号细节因子和信号概貌因子以及该历史采样时刻的前一历史采样时刻对应的信号细节因子和信号概貌因子确定历史采样时刻的初始机电故障矢量,进而得到每个历史采样时刻的初始机电故障矢量;
将所有初始机电故障矢量中大于矢量阈值的初始机电故障矢量的集合作为机电故障矢量域。
5.如权利要求1所述的方法,其特征在于,根据所述机电故障矢量域和所述故障预测值确定所述机电设备对应的机电故障特征基具体包括:
对于所述机电故障矢量域中的每个初始机电故障矢量,将初始机电故障矢量与所述故障预测值之差作为初始机电故障矢量对应的预测差异量,进而得到每个初始机电故障矢量对应的预测差异量;
将所有初始机电故障矢量对应的预测差异量的序列作为预测差异序列;
根据所述预测差异序列确定所述机电设备对应的机电故障特征基。
6.如权利要求1所述的方法,其特征在于,通过所述机电故障特征基和预设故障特征决策值预测所述机电设备的故障状态具体包括:
根据所述机电故障特征基确定所述机电设备的故障系数;
当所述故障系数大于零时,若所述机电故障特征基大于所述故障特征决策值,则判断所述机电设备存在严重故障,若所述机电故障特征基小于等于所述故障特征决策值,则判断所述机电设备存在普通故障;
当所述故障系数小于等于零时,判断所述机电设备不存在故障。
7.如权利要求1所述的方法,其特征在于,通过定性传感器采集机电设备的历史故障信号。
8.一种机电设备故障预测***,其特征在于,该机电设备故障预测***包括有控制单元,所述控制单元包括:
采集模块,用于采集机电设备的历史故障信号;
处理模块,用于依据所述历史故障信号设定矢量阈值,将所述历史故障信号分解为所述机电设备的故障细节数据和故障概貌数据;
所述处理模块,还用于通过所述故障细节数据、所述故障概貌数据和所述矢量阈值确定机电故障矢量域;
所述处理模块,还用于获取所述机电设备的工作条件数据,基于所述机电故障矢量域和所述工作条件数据对所述机电设备进行故障预测,得到所述机电设备的故障预测值;
预测模块,用于根据所述机电故障矢量域和所述故障预测值确定所述机电设备对应的机电故障特征基,通过所述机电故障特征基和预设故障特征决策值预测所述机电设备的故障状态。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于从所述存储器中调用并运行所述计算机程序,使得所述计算机设备执行权利要求1至7中任一项所述的机电设备故障预测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质中存储有指令或代码,当指令或代码在计算机上运行时,使得计算机执行时实现如权利要求1至7中任一项所述的机电设备故障预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410300607.5A CN118114162A (zh) | 2024-03-15 | 2024-03-15 | 一种机电设备故障预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410300607.5A CN118114162A (zh) | 2024-03-15 | 2024-03-15 | 一种机电设备故障预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118114162A true CN118114162A (zh) | 2024-05-31 |
Family
ID=91220657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410300607.5A Pending CN118114162A (zh) | 2024-03-15 | 2024-03-15 | 一种机电设备故障预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118114162A (zh) |
-
2024
- 2024-03-15 CN CN202410300607.5A patent/CN118114162A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9465387B2 (en) | Anomaly diagnosis system and anomaly diagnosis method | |
US10496084B2 (en) | Dequantizing low-resolution IoT signals to produce high-accuracy prognostic indicators | |
US7308385B2 (en) | Diagnostic systems and methods for predictive condition monitoring | |
CN113344295B (zh) | 基于工业大数据的设备剩余寿命预测方法、***及介质 | |
CN112232447A (zh) | 一种电力设备状态监测数据的完整样本集的构建方法 | |
KR101948604B1 (ko) | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 | |
CN113008583B (zh) | 一种旋转机械状态监测和异常自动报警的方法及装置 | |
CN114167838B (zh) | 一种伺服***多尺度健康评估与故障预测方法 | |
KR20210017651A (ko) | 반도체 제조 공정에서 고장 검출 및 불량 원인 진단을 위한 방법 | |
CN115828170B (zh) | 一种基于掘进机电控数据的故障检测方法 | |
CN113642754A (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
CN112414694A (zh) | 基于多元状态估计技术的设备多级异常状态识别方法及装置 | |
CN111170103A (zh) | 设备故障识别方法 | |
CN113723338A (zh) | 传感器异常检测方法、装置及计算机可读存储介质 | |
CN117076258A (zh) | 一种基于互联网云端的远程监控方法及*** | |
KR102026069B1 (ko) | 반도체 설비의 센서 데이터 분할 시스템 및 그 방법 | |
CN114926051A (zh) | 一种用于评估半导体设备制造产能的分析*** | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
KR20210006832A (ko) | 기계고장 진단 방법 및 장치 | |
CN117076869B (zh) | 旋转机械时频域融合故障诊断方法及*** | |
CN117331790A (zh) | 一种用于数据中心的机房故障检测方法及装置 | |
CN114492636B (zh) | 一种变压器绕组状态信号的采集*** | |
CN118114162A (zh) | 一种机电设备故障预测方法及*** | |
CN115169650B (zh) | 一种大数据分析的装备健康预测方法 | |
CN112925806B (zh) | 基于关联规则的性能退化特征参数提取方法、***、介质及设备 |
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 |