掌桥专利:专业的专利平台
掌桥专利
首页

一种基于设备实时运行状态的故障预测方法及系统

文献发布时间:2023-06-19 16:11:11



技术领域

本发明涉及设备维修技术领域,特别是涉及一种基于设备实时运行状态的故障预测方法及系统。

背景技术

当前总装脉动生产线对关键环节状态数据难以准确捕获、传递,设备运行状态、生产进程和执行端结果不能实时量化感知,全线运行态势的集成掌控能力较弱,设备故障不能预判,极易造成生产进度滞后,影响生产节拍和效率的难题。

发明内容

本发明的目的是提供一种基于设备实时运行状态的故障预测方法及系统,通过采集设备当前运行的数据并对数据进行科学的处理,对设备故障进行预测,从而防止设备的突发故障,提高设备的健康管理水平。

为实现上述目的,本发明提供了如下方案:

一种基于设备实时运行状态的故障预测方法,包括:

获取设备各状态下的运行数据;

通过各状态下的运行数据训练多个隐半马尔科夫模型;

采集设备当前状态下的运行数据;

对当前状态下的运行数据数据进行处理,得到设备当前运行状态;所述当前运行状态包括健康状态和不健康状态;

当设备处于不健康状态时,将当前状态下的运行数据分别输入到多个训练好的隐半马尔科夫模型中,得到多个输出结果;所述输出结果为设备由当前状态转换为故障状态所需的时间;

通过最大似然函数对多个输出结果进行取值,得到设备由当前状态转换为故障状态所需的最终时间。

可选地,设备的运行数据包括多个设备特征参数,多个特征参数包括设备的主轴压力、设备内部温度、设备执行器位置以及设备报警信息。

可选地,对当前状态下的运行数据数据进行处理,得到设备当前运行状态,具体包括:

确定各特征参数的常权重;

基于所述常权重计算设备的健康指数;

根据设备的健康指数确定设备当前运行状态。

可选地,在所述确定各特征参数的常权重,之前还包括:

对当前状态下的运行数据数据进行预处理;所述预处理包括数据清洗、数据填补和数据删除;

对预处理后的数据进行标准格式化处理。

本发明还提供了一种基于设备实时运行状态的故障预测系统,包括:

设备各状态运行数据获取模块,用于获取设备各状态下的运行数据;

训练模块,用于通过各状态下的运行数据训练多个隐半马尔科夫模型;

采集模块,用于采集设备当前状态下的运行数据;

数据处理模块,用于对当前状态下的运行数据数据进行处理,得到设备当前运行状态;所述当前运行状态包括健康状态和不健康状态;

输入模块,用于当设备处于不健康状态时,将当前状态下的运行数据分别输入到多个训练好的隐半马尔科夫模型中,得到多个输出结果;所述输出结果为设备由当前状态转换为故障状态所需的时间;

最终时间确定模块,用于通过最大似然函数对多个输出结果进行取值,得到设备由当前状态转换为故障状态所需的最终时间。

可选地,所述采集模块包括:压力传感器、温度传感器、位置传感器和报警传感器。

可选地,数据处理模块包括:

数据接收单元,用于接收所述运行数据采集模块采集的当前设备运行数据;

数据处理单元,与所述数据接收单元连接,用于对所述当前设备运行数据进行处理,得到当前设备运行状态;

显示单元,用于显示当前设备的运行状态。

根据本发明提供的具体实施例,本发明公开了以下技术效果:

(1)提高设备安全稳定运行的时间。通过采集设备当前运行的数据并对数据进行科学的处理,让管理者及时发现设备的异常状态,能够尽快采取相应的措施,从而保证设备能够一直维持在健康的状态,提高设备的健康管理水平。

(2)减少设备维修的成本。对设备进行实时监测,保持设备健康稳定地运行,能够从人力、物力等方面降低设备维修成本,延长设备寿命,提高设备利用率和生产效率。

(3)降低设备发生突发事故的危害性。一旦发现设备运行出现异常,管理者及时的对设备进行调整维修,将事故消灭在萌芽中,尽量避免重大恶性事故的发生,从而减少事故的危害。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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为本发明实施例基于设备实时运行状态的故障预测方法的流程图;

图2为隐半马尔科夫模型中宏状态与微状态关系图;

图3为隐半马尔科夫模型(HSMM)故障预测流程图。

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。

本发明的目的是提供一种基于设备实时运行状态的故障预测方法及系统,通过采集设备当前运行的数据并对数据进行科学的处理,对设备故障进行预测,从而防止设备的突发故障,提高设备的健康管理水平。

为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示,本发明提供的基于设备实时运行状态的故障预测方法,包括以下步骤:

步骤101:获取设备各状态下的运行数据;

步骤102:通过各状态下的运行数据训练多个隐半马尔科夫模型。

步骤103:采集设备当前状态下的运行数据。

步骤104:对当前状态下的运行数据数据进行处理,得到设备当前运行状态;所述当前运行状态包括健康状态和不健康状态。

步骤105:当设备处于不健康状态时,将当前状态下的运行数据分别输入到多个训练好的隐半马尔科夫模型中,得到多个输出结果;所述输出结果为设备由当前状态转换为故障状态所需的时间。

步骤106:通过最大似然函数对多个输出结果进行取值,得到设备由当前状态转换为故障状态所需的最终时间。

其中,步骤102具体包括:

设备实际运行过程中,状态的转移一般是宏观性的定义。因此在利用隐马尔科夫模型(HMM)算法的过程中,需要引入观测片段(Segment)的概念。与隐马尔科夫模型中状态与观测值一一对应相比,一定数量的单状态组成宏状态更能准确描述设备的健康状态。本专利定义设备的宏观状态与生命周期为:H=(h

在经历k个宏状态的设备周期内,第i个宏状态结束时的时间指针为qi则宏状态、单状态、宏状态驻留时间的互相关系如图2所示,对第i个宏状态而言,包含单状态S

P=(s

一般只有设备从状态

为了适应隐半马尔科夫模型的计算,要在隐马尔科夫模型的向前-向后变量、算法上加以改进。在这里定义变量a(i),它是状态结束于i时并且观测集合为O

其中t是结束于状态i的时刻,D是在持续在状态i可能的最大时间、a

向后向量可以写作:

为改进HSMM中的变量估计,三个前向-后向变量被重新定义:

α

其中,

α

则向前-向后算法步骤为:

(1)修正向前算法:

初始化(t=0):

向前递归(t≥0,t=1,2,...,T):

α

(2)修正向后算法:

初始化:β

向后递归(t≥0,t=1,2,...,T):

在Dt表示在状态l的最长时间,前向-后向算法的计算复杂度为O(N

(3)基于α

对于设备健康状态的驻留时间重估公式,设备在状态i下的持续时间均值μ(i)均值和方差σ(i)计算如下:

在故障诊断预测模型中,一般包含训练、分类和预测三个阶段。训练时首先需训练一个包含所有可能故障的隐半马尔科夫模型,其次再训练正常模式运作下的HSMM。若给定n组观测序列,要建立n个对应的HSMM(HSMM0,HSMM1,…,HSMMn-1)来描述每一组观测值,其中任意一组中的任意一个观测值对应一个对象健康状态。训练完成后获得n个HSMM。

其中,步骤104具体包括:

(1)数据清理

采集到的现场运行原始实时数据由于各种原因可能会出现不完整或缺失、数据冗余或不一致等。设备特征参数的原始数据不一定能够直接满足后续的数据处理和数据传输等要求,从而会影响到设备运行状态评价的准确性因此,为了帮助改善数据质量,保证后续合理的数据分析,需要对原始数据进行实用有效的预处理,包括填充丢失域、删除无效数捃等,从而保持数据的完整性和正确性。

数据缺值:可以依据特征参数的平均值或根据实际情况考虑最恰当的值采用人工填补缺失数据的方法。

无效数据:由专家对生产运行数据进行判定,或根据特征参数自身相关的信息,设定约東函数来判定数据的有效范围,如果为无效数据,则进行删除处理。

(2)数据规范

通过上述的数据清理方法得到有效的数据后,还需要进行标准格式化处理,使其保持在一个特定区域,便于后续模块地分析处理。

阈值规范化:即对原始数据进行阈值范围内的线性变换,根据设备正常运行时特征参数的最小值和最大值,将原始数据转化为范围在0~1的参数化数值。

(3)特征参数阈值确定

当设备特征参数值超过限定阈值时,说明该设备已经步入运行状态劣化区。设备特征状态阈值的确定至关重要,如果阈值设置过低,外界任何微小的扰动都会对设备运行状态的诊断的结果产生比较大影响,容易出现谎报误报的现象,即设备处于健康状态时,由于外界因素干扰而诊断出设备处于亚健康状态,导致制定出错误的维护决策;如果阈值设置过高,则不易及时诊断并预测出设备故障,容易出现故障漏报现象,达不到设备状态监测的目的。因此,合理设定设备特征参数阈值才能保证设备运行状态评价的准确性和合理性。

(4)状态评估

在对设备综合健康状态进行评价时,需要考虑各特征参数之间的均衡性问题,根据不同特征参数提供状态信息的多少、灵敏度及对设备运行状态的影响程度来考虑它们的相对重要性,确定各特征参数的常权重。提出变权公式,根据实际情况调整权向量,有效弥补常权评判模型的缺陷。各监测特征参数权重的公式表达:

式中:x

本发明采用综合加权法对设备多特征参数健康状态进行评估,根据确定出的各个指标的权重ρ

式中:h

经阈值对比后,得到设备运行的实时状态,将其进行显示,便于工作人员查看设备当前状态。

其中,步骤105-106具体包括:

隐半马尔科夫模型(HSMM)故障预测流程图如图3所示,在分类阶段时,是给定一组观测序列,将其作为输入带入每个模型,然后通过最大似然函数的取值,观测序列可被分类。预测阶段就是确定设备从当前健康h

权重处理后的均值可以用惩罚函数

基于上述方程,设备进行健康预测,可以获得每个宏状态驻留时间,则状态的持续时间计算方式为:

D(h

当设备运行处于正常区时,只需对设备进行常规的日常维护;当设备状态特征值达到劣化阈值后,设备进入警告区,为了防止设备的突发故障,应提醒运行和维修人员注意,加强状态监测;当设备运行状态特征值达到保护阈值时,步入危险区,为防止进一步发生事故,应全部或部分停机,并立即进行紧急维修。

如由于缺少指标参数,导致故障预测未完成,重新获取指标参数。

将故障预测及维修策略显示到人机界面,维修策略预测完成。不能故障预测及维修策略结果显示,以便维修人员根据预测结果进行调整,及时进行维护和维修。

本发明还提供了一种基于设备实时运行状态的故障预测系统,包括:

设备各状态运行数据获取模块,用于获取设备各状态下的运行数据;

训练模块,用于通过各状态下的运行数据训练多个隐半马尔科夫模型;

采集模块,用于采集设备当前状态下的运行数据;

数据处理模块,用于对当前状态下的运行数据数据进行处理,得到设备当前运行状态;所述当前运行状态包括健康状态和不健康状态;

输入模块,用于当设备处于不健康状态时,将当前状态下的运行数据分别输入到多个训练好的隐半马尔科夫模型中,得到多个输出结果;所述输出结果为设备由当前状态转换为故障状态所需的时间;

最终时间确定模块,用于通过最大似然函数对多个输出结果进行取值,得到设备由当前状态转换为故障状态所需的最终时间。

其中,所述采集模块包括:压力传感器、温度传感器、位置传感器和报警传感器。

压力传感器用于设备压力的采集:将压力传感器安装于设备主轴内侧,实时采集设备运行过程中的主轴压力。

温度传感器用于设备温度的采集:将温度传感器安装于设备运行的机匣内,实时采集设备运行过程中,机器内部的温度。

位置传感器用于设备位置信息的采集:将位置传感器安装于设备的执行末端上,采集执行器的x,y,z空间坐标信息。

报警传感器用于设备报警信息的采集:经报警传感器与设备的报警装置相连,当机器报警时,传感器能及时的将报警信息传递到上层控制端。

其中,数据处理模块包括:

数据接收单元,用于接收所述运行数据采集模块采集的当前设备运行数据。具有多通道多频谱的特性,能够接受传感器的电流信号、电压信号、数字量和模拟量等不同形式的信号。

数据处理单元,与所述数据接收单元连接,用于对所述当前设备运行数据进行处理,得到当前设备运行状态,结合通讯协议和编码规则,将原始信息进行清洗处理,并进行标准格式化处理,方便后期的处理和显示。

显示单元,用于显示当前设备的运行状态。将各个设备的运行的实时状态信息进行显示,用户可以根据需求,详细查看各个设备的各项运行指标,并可以查询一定时间内的历史数据。

本发明能够准确预测故障,可以提高设备安全性、可靠性,减少设备的故障率,保持设备合理的维修频率,节约人力物力资源。

本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。

本发明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,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。

相关技术
  • 一种基于设备实时运行状态的故障预测方法及系统
  • 一种基于综合监控系统的设备运行状态的实时统计方法
技术分类

06120114738175