一种数字化车间的设备故障预测方法及系统与流程

专利2025-06-24  30


本发明涉及智能制造,具体涉及一种数字化车间的设备故障预测方法及系统。


背景技术:

1、随着工业4.0和智能制造的发展,数字化车间作为实现生产过程智能化的关键组成部分,其重要性日益凸显,在数字化车间中,生产设备的稳定运行对于保证产品质量、提高生产效率至关重要,然而,由于生产设备长期处于高强度工作状态,设备故障时有发生,这不仅会导致生产中断,还可能造成巨大的经济损失,因此,对生产设备进行有效的故障预测成为了一个亟待解决的问题。

2、目前,市场上已经存在多种设备状态监控技术,主要包括基于阈值的简单报警系统、基于机器学习的故障诊断以及基于专家系统的故障诊断,这些技术各有优势,但也存在一定的局限性,如缺乏针对不同设备类型和应用场景的适应性、实时性较差以及实施难度较高等问题,此外,现有的系统在特征提取的精确度和故障类型的识别准确性方面仍有待提高。

3、为解决现有技术的不足,本发明提出了一种改进的基于振动信号的设备状态监控方法,该方法通过提取振动信号的关键时域特征,并结合特征的权重计算出设备的振动分数,以此判断设备的状态并识别具体的故障类型,此方法不仅提高了故障诊断的准确性和实时性,而且还增强了系统的可扩展性和灵活性,使其能够更好地适应各种工业应用场景。


技术实现思路

1、本发明的目的在于缺乏针对不同设备类型和应用场景的适应性、实时性较差以及实施难度较高等问题,提供一种数字化车间的设备故障预测方法及系统。

2、本发明通过以下技术方案实现:一种数字化车间的设备故障预测方法及系统,获取设备的振动信号数据,提取振动信号特征,得到设备的振动分数;

3、其中,振动信号特征包括,振动信号的振动峰值、均值、标准差和峭度;

4、基于设备的振动分数,生成设备异常信号和设备正常信号;

5、基于设备异常信号,对振动信号数据进行异常分析,若振动信号数据异常,生成相应的预警信号;

6、基于设备异常信号,整合监测周期内的所有振动信号,构建频谱图;

7、基于频谱图,识别设备的基频及其谐波频率,得到异常峰值;

8、基于预警信号,分别对每个预警信号进行分析,得到设备的具体异常原因,并发送报警通知。

9、作为本发明进一步的方案:提取振动信号特征的具体过程为:

10、将监测周期划分为若干个等长的时间子单元,将时间子单元划分为若干个等长的时间小单元,采集时间小单元处于中间时刻时,设备的振动信号值;

11、将时间子单元内所有的振动信号值整合为振动序列,提取振动序列中绝对值最大的振动信号值,记为振动峰值fz;

12、基于振动峰值fz,得到时间子单元内振动信号的振动峰值比fzp;

13、基于振动序列,通过均值计算,得到时间子单元内振动信号的平均数据jz;

14、基于平均数据jz,得到时间子单元内振动信号的均值比jzp和标准差bz;

15、基于标准差bz,得到时间子单元内振动信号的标准差比bzp和时间子单元内振动信号的峭度qd;

16、基于峭度qd得到时间子单元内振动信号的峭度比qdp。

17、作为本发明进一步的方案:得到设备的振动分数的具体过程为:

18、基于时间子单元内振动信号的振动峰值比fzp、均值比jzp、标准差比bzp和峭度比qdp,为振动峰值比fzp分配权重w1,为均值比jzp分配权重w2,为标准差比bzp分配权重w3,为峭度比qdp分配权重w4;

19、通过公式zd=w1×fzp+w2×jzp+w3×bzp+w4×qdp计算得到设备的振动分数zd。

20、作为本发明进一步的方案:生成设备异常信号和设备正常信号的过程为:

21、基于设备的振动分数zd,将设备的振动分数zd与设备的振动分数阈值进行比较;

22、若设备的振动分数zd大于等于设备的振动分数阈值,则说明设备存在异常问题,生成设备异常信号;

23、若设备的振动分数zd小于设备的振动分数阈值,则说明设备不存在异常问题,生成设备正常信号。

24、作为本发明进一步的方案:对振动信号数据进行异常分析的具体过程为:

25、基于时间子单元内振动信号的振动峰值fz、平均数据jz、标准差bz和峭度qd,得到振动峰值的统计值zf、平均数据的统计值zj、标准差的统计值zb和峭度的统计值zq。

26、作为本发明进一步的方案:生成相应预警信号的具体过程:

27、基于振动峰值的统计值zf、平均数据的统计值zj、标准差的统计值zb和峭度的统计值zq,将振动峰值的统计值zf的绝对值与振动峰值的统计值阈值进行比较;

28、若振动峰值的统计值zf的绝对值大于等于振动峰值的统计值阈值,生成设备轴承损坏和齿轮啮合预警信号;

29、将平均数据的统计值zj与平均数据的统计值阈值进行比较;

30、若平均数据的统计值zj大于等于平均数据的统计值阈值,生成设备不平衡和不对中预警信号;

31、将时间子单元内振动信号的标准差的统计值zb与标准差的统计值阈值进行比较;

32、若标准差的统计值zb大于等于标准差的统计值阈值,生成设备内部磨损预警信号;

33、将时间子单元内振动信号的峭度的统计值zq与峭度的统计值阈值进行比较;

34、若峭度的统计值zq大于等于峭度的统计值阈值,则说明峭度异常,生成设备局部故障预警信号。

35、作为本发明进一步的方案:构建频谱图的过程为:

36、整合监测周期内的所有振动信号数据,引用快速傅里叶变换算法,将振动信号数据转换到频域,得到监测周期内振动信号的频谱数据;

37、将转换后的频谱数据显示为图表,横轴表示频率,纵轴表示振幅。

38、作为本发明进一步的方案:识别设备的基频及其谐波频率,得到异常峰值的过程为:

39、获取设备的电机转速zs,通过公式得到设备的基频f0,通过遍历频谱图,得到频谱图中与基频f0最接近的频率峰值,记为基频峰值;

40、识别频谱图中为基频f0整数倍的频率峰值,记为设备的谐波频率nf0;

41、其中,谐波频率是基频的整数倍,n是倍数,且n为大于1的正整数,n=2,3,...,n,在基频为f0的情况下,则2f0,3f0,...,nf0是谐波频率;

42、获取频谱图中与基频和基频谐波频率不一致的峰值,将这些峰值分别与基频峰值进行差值计算,得到的差值若大于峰值差值阈值,则将该峰值标记为异常峰值。

43、作为本发明进一步的方案:分别对每个预警信号进行分析的过程为:

44、基于设备不平衡和不对中预警信号,将基频峰值与基频峰值阈值进行比较,若基频峰值大于等于基频峰值阈值,生成设备不平衡报警信号;

45、将基频和二倍基频处的峰值同时与基频峰值阈值进行比较,若基频和二倍基频处的峰值皆大于等于基频峰值阈值,生成设备不对中报警信号;

46、基于设备轴承损坏和齿轮啮合预警信号,获取设备轴承内滚动体的数量和直径、轴承内滚道的直径、设备齿轮箱中主动齿轮的齿数和转速,得到轴承特征频率和齿轮啮合频率;

47、基于轴承特征频率和齿轮啮合频率,若频谱图中出现与轴承特征频率或齿轮啮合频率相对应的异常峰值,生成轴承损坏报警信号或齿轮损坏报警信号;

48、基于设备内部磨损预警信号,通过齿轮转速得到齿轮旋转频率,基于齿轮旋转频率,若频谱图中出现与齿轮旋转频率相对应的异常峰值,生成齿轮磨损报警信号;

49、基于设备轴承内滚动体的数量和直径以及轴承内滚道的直径,得到保持架旋转频率;

50、基于保持架旋转频率,若频谱图中出现与保持架旋转频率相对应的异常峰值,生成轴承磨损报警信号;

51、基于设备局部故障预警信号,获取设备电源频率,若频谱图中出现与设备电源频率相对应的异常峰值,生成电机故障报警信号;

52、获取设备的泵或压缩机的工作频率,若频谱图中出现与泵或压缩机工作频率相对应的异常峰值,生成泵或压缩机故障信号;

53、若设备有控制流体流动的阀门,获取阀门的工作频率,若频谱图中出现与阀门的工作频率相对应的异常峰值,生成阀门故障信号。

54、作为本发明进一步的方案:一种数字化车间的设备故障预测系统,其特征在于,包括,数据采集与处理模块、设备异常判断模块、设备异常分析模块和设备分析与报警模块;

55、数据采集与处理模块用于获取设备的振动信号数据,提取振动信号特征,得到设备的振动分数;

56、其中,振动信号特征包括,振动信号的振动峰值、均值、标准差和峭度;

57、设备异常判断模块基于设备的振动分数,生成设备异常信号和设备正常信号;

58、设备异常分析模块基于设备异常信号,对振动信号数据进行异常分析,若振动信号数据异常,生成相应的预警信号;

59、设备分析与报警模块基于设备异常信号,整合监测周期内的所有振动信号,构建频谱图;

60、基于频谱图,识别设备的基频及其谐波频率,得到异常峰值;

61、基于预警信号,分别对每个预警信号进行分析,得到设备的具体异常原因,并发送报警通知。

62、本发明的有益效果:

63、(1)本发明通过优化的时域特征提取算法,能够更准确地捕捉到设备运行过程中的微小变化,特别是对于早期故障信号的敏感度大大提高,与传统的基于频域分析的方法相比,本发明能够有效减少因信号频率重叠导致的误判现象,此外,通过引入特征权重计算机制,进一步提升了关键特征的识别精度,使得系统能够在复杂的工作环境中准确判断设备状态,从而有效预防潜在的设备故障,降低非计划停机风险;

64、(2)利用数据处理技术,本发明实现了对设备振动信号的实时采集与分析,这不仅意味着可以即时反馈设备的状态信息,而且还能根据实际工况的变化快速调整监测策略,例如,在检测到异常信号时,系统能够自动触发预警机制,及时采取应对措施,同时,由于采用了模块化的设计思路,可以根据不同设备类型和使用场景灵活配置监测参数,极大增强了系统的适用范围和实用性。


技术特征:

1.一种数字化车间的设备故障预测方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的一种数字化车间的设备故障预测方法,其特征在于,提取振动信号特征的具体过程为:

3.根据权利要求2所述的一种数字化车间的设备故障预测方法,其特征在于,得到设备的振动分数的具体过程为:

4.根据权利要求3所述的一种数字化车间的设备故障预测方法,其特征在于,生成设备异常信号和设备正常信号的过程为:

5.根据权利要求2所述的一种数字化车间的设备故障预测方法,其特征在于,对振动信号数据进行异常分析的具体过程为:

6.根据权利要求5所述的一种数字化车间的设备故障预测方法,其特征在于,生成相应预警信号的具体过程:

7.根据权利要求1所述的一种数字化车间的设备故障预测方法,其特征在于,构建频谱图的过程为:

8.根据权利要求7所述的一种数字化车间的设备故障预测方法,其特征在于,识别设备的基频及其谐波频率,得到异常峰值的过程为:

9.根据权利要求8所述的一种数字化车间的设备故障预测方法,其特征在于,分别对每个预警信号进行分析的过程为:

10.一种数字化车间的设备故障预测系统,其特征在于,包括,数据采集与处理模块、设备异常判断模块、设备异常分析模块和设备分析与报警模块;


技术总结
本发明涉及智能制造技术领域,具体公开了一种数字化车间的设备故障预测方法及系统,特别地,本发明针对设备的振动信号进行分析,以实现对设备运行状态的有效监控,具体而言,本发明通过提取振动信号的时域特征,并结合这些特征的权重计算出设备的振动分数,进而判断设备是否处于异常状态,并进一步确定具体的故障类型,相较于现有技术,本发明显著提高了故障诊断的准确性和实时性,并增强了系统的适应能力,适用于多种工业应用场景。

技术研发人员:周正涛,李明霞,陈平世,张骞,杨玉栋,王振,李尚杰
受保护的技术使用者:天津吉达尔重型机械科技股份有限公司
技术研发日:
技术公布日:2024/12/17
转载请注明原文地址:https://xbbs.6miu.com/read-25661.html