一种设备状态趋势分析及故障诊断方法

技术领域

本发明涉及工业设备的趋势分析及故障诊断技术领域，特别是涉及一种设备状态趋势分析及故障诊断方法。

背景技术

目前，对于工业设备的趋势分析及故障诊断主要采用人工经验判断的方法。大部分企业的设备管理采用的是按照计划维修的方式，即在计划的时间节点对正在运行的设备采集当时的运行参数，然后通过工程师的人工经验对设备当下的运行情况做判断。然而，该方式主要根据当时的数据得到结论，不能判断设备未来的运行趋势。在部分信息建设较好的企业中，会采集设备的历史运行数据，并在集中控制中心实时地进行设备运行状态展示，由此可看到当下以及过往一段时间的设备运行数据。然而，该方式无法对设备的剩余运行时长和预期的设备故障时间进行预测及判断。

随着对“设备资产管理”要求的提高，存在需要实时掌握设备运行工况及预测设备的剩余运行时长等需求，因而，有必要研究一种设备状态趋势分析及故障诊断方法。

发明内容

本发明旨在至少在一定程度上解决上述技术问题，本发明提供了一种设备状态趋势分析及故障诊断方法。

本发明采用的技术方案是：

一种设备状态趋势分析及故障诊断方法，包括以下步骤：

获取待诊断设备的历史运行参数；

对历史运行参数进行预处理，得到分析数据集；

根据分析数据集，建立趋势算法模型；

获取待诊断设备的当前运行参数，并将当前运行参数输入当前趋势算法模型内，再将当前运行参数与预设的正常状态参数进行对比，得到待诊断设备的劣化程度；

根据当前趋势算法模型获取预测趋势曲线，并根据预测趋势曲线、当前运行参数和预设的标准限值，得到预测性维护时间窗口。

优选地，所述历史运行参数包括振动时序数列和温度时序数列；其中，振动时序数列为带有时间标签的振动频率数据，温度时序数列为带有时间标签的温度数据。

优选地，对历史运行参数进行预处理时，步骤如下：对历史运行参数进行数据清洗处理、数据对齐处理和/或数据异常值排除处理。

优选地，对历史运行参数进行预处理后，还包括以下步骤：

对历史运行参数进行平滑处理、滤波处理和/或有效化处理。

优选地，根据分析数据集，建立趋势算法模型时，步骤如下：

对分析数据集进行样本划分，得到训练数据集以及评估数据集；

根据训练数据集建立趋势算法模型；

根据评估数据集对趋势算法模型进行优化，得到优化后趋势算法模型。

进一步地，根据专家规则的方法对分析数据集进行样本划分。

进一步地，采用人工智能机器学习技术中的曲线拟合及BP神经网络建立趋势算法模型。

优选地，得到待诊断设备的劣化程度后，还包括以下步骤：

根据当前趋势算法模型，对当前运行参数进行特征分析，得到故障初步诊断指征。

进一步地，得到故障初步诊断指征后，还包括以下步骤：

获取当前运行参数对应的频率特征，再将频率特征与工业标准中的预定特征进行对比，得到故障原因。

本发明的有益效果是：

1)可对设备运行工况进行实时监控，并采集设备历史的振动时序数列、温度时序数列及待诊断设备的当前运行参数，便于设备使用者对设备状态进行实时的监控；

2)通过采用如逻辑回归计算方法、神经网络学习方法等大数据分析方法对已有数据进行分析，建立趋势算法模型，可得到设备剩余工作寿命的预测结果，便于设备使用者掌握准确设备的运行工况，同时为后续设备的维修提供足够的时间窗口；

3)在得到设备失效的预测点时，本发明可完成振动数据从时域到频域的转换，在线通过振动图谱分析设备的故障类型以及发生故障的位置，避免采用额外的设备或人工进行判断。

附图说明

图1是本发明中一种设备状态趋势分析及故障诊断方法的流程图；

图2是本发明中优化后趋势算法模型的结果示意图；

图3是本发明中设备运行中优化后趋势算法模型的结果示意图；

图4是本发明中预定时刻的频域谱及工业标准截图的对应关系图。

具体实施方式

下面结合附图及具体实施例来对本发明作进一步阐述。

应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B三种情况；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A，单独存在A和B两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。

应当理解，还应当注意到在一些备选实施例中，所出现的功能/动作可能与附图出现的顺序不同。例如，取决于所涉及的功能/动作，实际上可以实质上并发地执行，或者有时可以以相反的顺序来执行连续示出的两个图。

实施例1：

本实施例提供一种设备状态趋势分析及故障诊断方法，包括以下步骤：

S1.获取待诊断设备的历史运行参数；

S2.对历史运行参数进行预处理，得到分析数据集；以满足历史运行参数的时域以及频域分析需求；需要说明的是，分析数据集用以作为后续趋势分析算法和/或故障诊断算法输入的参数集，其可根据设备判断的选择不同，设置为温度风险数据集或振动分析数据集；

S3.根据分析数据集，建立趋势算法模型；

S4.获取待诊断设备的当前运行参数，并将当前运行参数输入当前趋势算法模型内，再将当前运行参数与预设的正常状态参数进行对比，得到待诊断设备的劣化程度；

需要说明的是，劣化程度指当前时间下的数据与正常状态下的差异，差异值的大小代表劣化程度的强弱。差异值越大表示劣化程度越高，另外，通过实时得到的不同劣化程度，可了解设备的劣化趋势，如了解设备劣化程度加深或劣化程度减弱，劣化程度和劣化趋势可供设备使用者参考，以了解当前设备的运行工况。

本实施例中，正常状态参数的确定可采用以下两种方法实现：

1)工业标准规定的方法，但是方法只规定大概的采集频次和获得的计算方法，本实施例中，通过在固定的采集时间间隔内获取振动频率数据或者温度数据，然后对这些数据取平均值，得到正常状态参数。其中，采集时间间隔和平均值的计算方法可根据设备的类型和设备的运行工况确定，可以在算法模型的建立初期设定，并在设备的类型和运行工况确定后最终设定，后期可对其进行修改；采集的时间间隔可以为分钟级及小时级等，平均值的计算方法可以但不仅限于采用算术平均值、平方平均值及调和平均值等方法实现，此处不予限定。

2)根据动态自适应评估方法实现，其中，自适应评估方法可以但不仅限于采用公开号为CN108280543B的发明专利中，对工况脱敏的特征数据所采用的自适应评估方法实现，此处不予赘述。

S5.根据当前趋势算法模型获取预测趋势曲线，并根据预测趋势曲线、当前运行参数和预设的标准限值，得到预测性维护时间窗口；当前趋势算法模型的模拟结果如图2所示，图中的短虚线曲线即为预测趋势曲线，应当理解的是，设备的振动标准限值在国际标准中有明确的规定，标准限值及预测趋势曲线的交点所对应的时间点，与当前运行参数的时间点之间的时间跨度即为维护时间窗口。

本实施例可对设备运行工况进行实时监控，通过采集历史运行参数及待诊断设备的当前运行参数，便于设备使用者对设备状态进行实时的监控；本实施例中，还通过对历史运行参数进行分析，建立趋势算法模型，以可实时或者在需要的时候得到设备剩余工作寿命的预测结果，便于设备使用者掌握准确设备的运行工况，同时为后续设备的维修提供足够的时间窗口。

实施例2：

本实施例提供一种设备状态趋势分析及故障诊断方法，如图1所示，包括以下步骤：

S1.获取待诊断设备的历史运行参数；

具体地，所述历史运行参数包括振动时序数列和温度时序数列；其中，振动时序数列为带有时间标签的振动频率数据，温度时序数列为带有时间标签的温度数据。振动频率数据的选择根据待诊断设备的不同及信号采集设备的不同而定，可选取为振动位移信号、振动速度信号和/或振动加速度信号。

S2.对历史运行参数进行预处理，得到分析数据集；以满足历史运行参数的时域以及频域分析需求；需要说明的是，分析数据集用以作为后续趋势分析算法和/或故障诊断算法输入的参数集，其可根据设备判断的选择不同，设置为温度风险数据集或振动分析数据集；

具体地，对历史运行参数进行预处理时，步骤如下：对历史运行参数进行数据清洗处理、数据对齐处理和/或数据异常值排除处理。

本实施例中，可以但不限于通过CRISP-DM(cross-industry standard processfor data mining,跨行业数据挖掘标准流程)中数据准备阶段的方法实现对历史运行参数的预处理。

其中，数据清洗步骤包括：将历史运行参数设置为预定格式的数据，例如在某一特定时间下，只选取一个计算值(温度数据或者振动频率数据)；

数据对齐步骤包括：将来源相同的历史运行参数的时间步长统一设定为预设值，得到统一步长的历史运行参数；即统一相同的数据时间采集间隔，当历史运行参数的来源相同时，同一台设备的同一个采集信号源的时间间隔必须相同，例如，将由同一历史运行参数的来源得到的历史运行参数的时间步长统一设置为20毫秒；

数据异常值排除步骤包括：获取统一步长的历史运行参数中的异常值、重复值和空值，然后通过模拟算法将统一步长的历史运行参数中的异常值和重复值剔除，并对空值进行补充，得到分析数据集；其中，模拟算法可以但不仅限于采用BP(Back Propagation)神经网络算法。

进一步地，在对历史运行参数进行数据清洗处理、数据对齐处理和/或数据异常值排除处理后，还可根据设备运行状况和故障诊断的目的，对历史运行参数进行平滑处理、滤波处理和/或有效化处理。

S3.根据分析数据集，建立趋势算法模型；

本实施例中，根据分析数据集，建立趋势算法模型时，步骤如下：

S301.对分析数据集进行样本划分，得到训练数据集以及评估数据集；需要说明的是，训练数据集用于后期训练算法模型，得到训练后算法模型，评估数据集用于校验训练后算法模型的可靠性及准确度等。

本实施例中，根据专家规则(Expert rules)的方法对分析数据集进行样本划分。应当理解的是，专家规则的方法采用神经网络的算法实现，用以通过神经网络算法达到机器划分的目的，从而减少人工干预样本划分。

S302.根据训练数据集建立趋势算法模型；

本实施例中，采用人工智能机器学习技术中的曲线拟合及BP(Back Propagation)神经网络等方法建立趋势算法模型。

S303.根据评估数据集对趋势算法模型进行优化，得到优化后趋势算法模型。

趋势算法模型的模拟结果如图2所示，其采用的历史运行参数为振动时序数列，图中纵坐标表示历史运行参数中的振动有效值，横坐标表示时间；其中，点划线曲线和实线曲线为采集到的历史运行参数的运行趋势，其中点划线曲线指代训练数据集，实线曲线指代评估数据集；粗实线曲线为训练数据集的拟合曲线，长虚线曲线为评估数据集的拟合曲线；短虚线曲线为通过趋势算法模型得到的趋势预测曲线，指代预测值。应当理解的是，趋势预测曲线用于预测当前设备后续的实际振动数据，如图3所示，展现了后续实际振动数据随时间的变化曲线与趋势预测曲线的对比图。

需要说明的是，本实施例根据训练数据集建立趋势算法模型，具体为：根据训练数据集得到训练数据集的拟合曲线，然后根据训练数据集的拟合曲线得到趋势预测曲线；与此同时，根据评估数据集对趋势算法模型进行优化处理，具体为：将评估数据集作为训练数据集的“未来预测数据”来对趋势算法模型进行优化，通过评估数据集得出评估数据集的拟合曲线，然后根据评估数据集的拟合曲线进一步对趋势预测曲线进行优化，得到最终的趋势预测曲线，由此实现对趋势算法模型的优化处理。

对趋势算法模型进行优化处理的过程中，通过将评估数据集与通过趋势算法模型得到的预测值进行误差分析，以判断趋势模型算法的可靠性；在此过程中，由于趋势算法模型的建立及优化过程是持续进行的，在一段时间后，当前评估数据集可重新归入到训练数据集，并产生新的评估数据集，训练数据集和评估数据集的样本划分可以但不仅限于通过递归神经网络实现。

S4.获取待诊断设备的当前运行参数，并将当前运行参数输入当前趋势算法模型内，再将当前运行参数与预设的正常状态参数进行对比，得到待诊断设备的劣化程度；

需要说明的是，如图2所示，劣化程度指当前时间下的数据与正常状态下的差异，差异值的大小代表劣化程度的强弱。差异值越大表示劣化程度越高，另外，通过实时得到的不同劣化程度，可了解设备的劣化趋势，如了解设备劣化程度加深或劣化程度减弱，劣化程度和劣化趋势可供设备使用者参考，以了解当前设备的运行工况。

本实施例中，正常状态参数的确定可采用以下两种方法实现：

1)工业标准规定的方法，但是方法只规定大概的采集频次和获得的计算方法，本实施例中，通过在固定的采集时间间隔内获取振动频率数据或者温度数据，然后对这些数据取平均值，得到正常状态参数。其中，采集时间间隔和平均值的计算方法可根据设备的类型和设备的运行工况确定，可以在算法模型的建立初期设定，并在设备的类型和运行工况确定后最终设定，后期可对其进行修改；采集的时间间隔可以为分钟级及小时级等，平均值的计算方法可以但不仅限于采用算术平均值、平方平均值及调和平均值等方法实现，此处不予限定。

2)根据动态自适应评估方法实现，其中，自适应评估方法可以但不仅限于采用公开号为CN108280543B的发明专利中，对工况脱敏的特征数据所采用的自适应评估方法实现，此处不予赘述。

S5.根据当前趋势算法模型获取预测趋势曲线，并根据预测趋势曲线、当前运行参数和预设的标准限值，得到预测性维护时间窗口；应当理解的是，设备的振动标准限值在国际标准中有明确的规定，标准限值及预测趋势曲线的交点所对应的时间点，与当前运行参数的时间点之间的时间跨度即为维护时间窗口，如图2所示。

现有技术中，还有企业会在历史运行参数的现实过程中根据经验或者设备运行的标准规定，设定一个报警阈值，当软件监测到采集的实时运行数据超过这个阈值时，可以在软件端显示报警信息，例如红色警告标记等。但是，标准规定的报警阈值是固定的极限值，即目前的工作只能做到根据固定阈值进行报警，而不能指示设备故障原因或设备可能的故障原因，仍然需要通过人工进行判断，或者依照另一套检测系统(如手持式的检测装置)进行判断；同时，该方式也无法对设备的剩余运行时长进行预测。

为进一步解决上述技术问题，本实施例中，得到待诊断设备的劣化程度后，还包括以下步骤：

S6.根据当前趋势算法模型，对当前运行参数进行特征分析，得到故障初步诊断指征，初步判断指征可为不对中、不平衡及轴承特征频率等。对当前运行参数进行特征分析时，通过对振动时序数列进行频域分析的方法实现，步骤如下：在需要运行故障诊断时，将振动时序数列中某一时刻的时域谱，通过快速傅立叶变换方法转成当前时刻的频域谱。

本实施例中，得到故障初步诊断指征后，还包括以下步骤：

S7.获取当前运行参数对应的频域谱，并通过当前频域谱获取频率特征，再将频率特征与工业标准中的预定特征进行对比，得到故障原因；其中，频域谱即为从步骤中转换得到的当前时刻的频域谱。应当理解的是，工业标准中的预定特征均对应匹配有故障原因，例如，通过当前时刻的频域谱得到5X倍频有频率特征线段，即可通过工业标准得到当前时刻的故障原因为：设备的连接松动，包括但不限于地脚螺栓松动、连接件松动及紧固件松动等，具体需通过现场排查确认。

如图4所示，左侧曲线图为通过快速傅立叶变换方法转得到的当前时刻的频域谱，右侧图片为工业标准截图，其中，频域谱中，横坐标的幅值代表当前运行参数的频率，纵坐标的幅值代表当前运行参数的振幅强度，工业标准截图中，“频率”数列里的实线圈表示在5X倍频中出现特征值，虚线圈的数值判断为振动中产品的干扰因素，由于没有特别的倍数关系的出现，将其认定为待查项，不作为判断故障原因的依据，工业标准截图中，“振动值”数列表示在指定频率下的振动值。在实施过程中，根据左侧频域谱，将频域谱中振幅较强的当前运行参数所对应的频率，与工业标准截图中的频率进行对比，即可得到与当前运行参数所对应的振动值，进而可根据该振动值，得到故障原因。应当理解的是，频率特征与故障原因之间的关系，是本领域的通用行业知识，其具有工业普适性，并且已经在整个工业行业中被认可。

本实施例可对设备运行工况进行实时监控，并采集设备历史的振动时序数列、温度时序数列及待诊断设备的当前运行参数，便于设备使用者对设备状态进行实时的监控；另外，本实施例中，还通过采用如逻辑回归计算方法、神经网络学习方法等大数据分析方法对已有数据进行分析，建立趋势算法模型，可实时或者在需要的时候得到设备剩余工作寿命的预测结果，便于设备使用者掌握准确设备的运行工况，同时为后续设备的维修提供足够的时间窗口；在得到设备失效的预测点时，本实施例可通过物理方法完成振动数据从时域到频域的转换，在线通过振动图谱分析设备的故障类型以及发生故障的位置，避免采用额外的设备或人工进行判断。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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。而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

最后应说明的是，本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。