【技術(shù)實(shí)現(xiàn)步驟摘要】
本申請(qǐng)涉及制冷設(shè)備維護(hù)，特別涉及一種制冷設(shè)備故障預(yù)測(cè)診斷方法、裝置及系統(tǒng)。
技術(shù)介紹
1、制冷設(shè)備包括制冷壓縮機(jī)、冰機(jī)等機(jī)器設(shè)備，制冷壓縮機(jī)是工業(yè)生產(chǎn)中不可或缺的動(dòng)力源，制冷壓縮機(jī)在長時(shí)間運(yùn)行過程中，由于正常磨損、過載、不當(dāng)維護(hù)或操作失誤等原因，可能會(huì)造成設(shè)備性能下降、效率降低、突發(fā)故障等問題，嚴(yán)重時(shí)導(dǎo)致生產(chǎn)中斷影響企業(yè)效益，因此，實(shí)施有效的設(shè)備振動(dòng)監(jiān)測(cè)以及故障預(yù)警成為保障設(shè)備正常運(yùn)行的關(guān)鍵。
2、在傳統(tǒng)制冷系統(tǒng)故障預(yù)測(cè)方案中，采集制冷壓縮機(jī)的振動(dòng)信號(hào)，通過一般算法模型對(duì)振動(dòng)特征進(jìn)行異常檢測(cè)、故障診斷、并進(jìn)行故障定位，但一般算法模型的訓(xùn)練往往依賴于正常健康樣本和異常故障樣本實(shí)現(xiàn)，而在制冷設(shè)備的實(shí)際使用過程中異常故障樣本難以獲取，因此，采用一般算法模型對(duì)振動(dòng)特征進(jìn)行異常診斷會(huì)由于異常故障樣本的匱乏而導(dǎo)致檢測(cè)精度不高，故障預(yù)測(cè)不準(zhǔn)，無法在實(shí)際的預(yù)警維護(hù)中起到積極作用。
技術(shù)實(shí)現(xiàn)思路
1、本申請(qǐng)實(shí)施例提供一種制冷設(shè)備故障預(yù)測(cè)診斷方法、裝置及系統(tǒng)，不依賴于異常故障樣本對(duì)算法模型進(jìn)行訓(xùn)練，能夠?qū)χ评湓O(shè)備進(jìn)行較為精準(zhǔn)的故障預(yù)判性診斷，有利于制冷設(shè)備的檢修以及維護(hù)。
2、第一方面，本申請(qǐng)實(shí)施例提供了一種制冷設(shè)備故障預(yù)測(cè)診斷方法，該方法包括如下步驟：采集制冷設(shè)備各工況下各關(guān)鍵部件的振動(dòng)信號(hào)和工況信號(hào)，分別對(duì)振動(dòng)信號(hào)中的原始振動(dòng)特征數(shù)據(jù)以及工況信號(hào)中的原始工況數(shù)據(jù)進(jìn)行預(yù)處理，獲得振動(dòng)特征數(shù)據(jù)和工況數(shù)據(jù)；
3、將所述振動(dòng)特征數(shù)據(jù)和所述工況數(shù)據(jù)對(duì)齊，根據(jù)所述工況數(shù)據(jù)劃
4、基于每一工況，獲取制冷設(shè)備的歷史健康振動(dòng)數(shù)據(jù)，采用所述歷史健康振動(dòng)數(shù)據(jù)和待測(cè)的所述振動(dòng)特征數(shù)據(jù)構(gòu)建并訓(xùn)練故障診斷模型，通過訓(xùn)練好的所述故障診斷模型對(duì)對(duì)應(yīng)工況的所述振動(dòng)特征數(shù)據(jù)進(jìn)行異常診斷，獲得異常故障點(diǎn)，包括：基于每一工況，獲取制冷設(shè)備的歷史健康振動(dòng)數(shù)據(jù)，采用所述歷史健康振動(dòng)數(shù)據(jù)訓(xùn)練初始o(jì)csvm模型，確定最優(yōu)字典矩陣和稀疏表示矩陣，將對(duì)應(yīng)工況的待測(cè)的振動(dòng)特征數(shù)據(jù)輸入至所述初始o(jì)csvm模型，基于待測(cè)的所述振動(dòng)特征數(shù)據(jù)更新稀疏表示矩陣，其中，所述初始o(jì)csvm模型的多核混合核函數(shù)為高斯核函數(shù)和線性核函數(shù)融合獲得；基于多核混合核函數(shù)，通過所述最優(yōu)字典矩陣和更新后的所述稀疏表示矩陣重構(gòu)初始o(jì)csvm模型以獲得故障診斷模型；基于所述故障診斷模型的決策邊界，計(jì)算每一所述振動(dòng)特征數(shù)據(jù)的異常檢測(cè)得分，根據(jù)異常檢測(cè)得分對(duì)初始異常檢測(cè)閾值進(jìn)行調(diào)整獲得動(dòng)態(tài)閾值；將所述異常檢測(cè)得分大于所述動(dòng)態(tài)閾值的振動(dòng)特征數(shù)據(jù)作為異常故障點(diǎn)；針對(duì)每一工況下的所述異常故障點(diǎn)，采用頻譜分析方法進(jìn)行故障定位分析，獲得與各工況對(duì)應(yīng)的故障定位信息，生成制冷設(shè)備的維修工單并展示。
5、第二方面，本申請(qǐng)實(shí)施例提供了一種制冷設(shè)備故障預(yù)測(cè)診斷裝置，包括：
6、信號(hào)采集處理模塊，用于采集制冷設(shè)備各工況下各關(guān)鍵部件的振動(dòng)信號(hào)和工況信號(hào)，分別對(duì)振動(dòng)信號(hào)中的原始振動(dòng)特征數(shù)據(jù)以及工況信號(hào)中的原始工況數(shù)據(jù)進(jìn)行預(yù)處理，獲得振動(dòng)特征數(shù)據(jù)和工況數(shù)據(jù)；
7、工況劃分模塊，用于將所述振動(dòng)特征數(shù)據(jù)和所述工況數(shù)據(jù)對(duì)齊，根據(jù)所述工況數(shù)據(jù)劃分工況，將每一工況下的所述振動(dòng)特征數(shù)據(jù)進(jìn)行歸類，得到多組故障診斷數(shù)據(jù)集；
8、異常檢測(cè)模塊，用于基于每一工況，獲取制冷設(shè)備的歷史健康振動(dòng)數(shù)據(jù)，采用所述歷史健康振動(dòng)數(shù)據(jù)和待測(cè)的所述振動(dòng)特征數(shù)據(jù)構(gòu)建并訓(xùn)練故障診斷模型，通過訓(xùn)練好的所述故障診斷模型對(duì)對(duì)應(yīng)工況的所述振動(dòng)特征數(shù)據(jù)進(jìn)行異常診斷，獲得異常故障點(diǎn)；
9、故障診斷模塊，用于針對(duì)每一工況下的所述異常故障點(diǎn)，采用頻譜分析方法進(jìn)行故障定位分析，獲得與各工況對(duì)應(yīng)的故障定位信息，生成制冷設(shè)備的維修工單并展示。
10、其中，所述異常檢測(cè)模塊，包括：
11、數(shù)據(jù)獲取單元，用于基于每一工況，獲取制冷設(shè)備的歷史健康振動(dòng)數(shù)據(jù)，采用所述歷史健康振動(dòng)數(shù)據(jù)訓(xùn)練初始o(jì)csvm模型，確定最優(yōu)字典矩陣和稀疏表示矩陣，將對(duì)應(yīng)工況的待測(cè)的振動(dòng)特征數(shù)據(jù)輸入至所述初始o(jì)csvm模型，基于待測(cè)的所述振動(dòng)特征數(shù)據(jù)更新稀疏表示矩陣，其中，所述初始o(jì)csvm模型的多核混合核函數(shù)為高斯核函數(shù)和線性核函數(shù)融合獲得；
12、模型重構(gòu)單元，用于基于多核混合核函數(shù)，通過所述最優(yōu)字典矩陣和更新后的所述稀疏表示矩陣重構(gòu)初始o(jì)csvm模型以獲得故障診斷模型；
13、閾值調(diào)整單元，用于基于所述故障診斷模型的決策邊界，計(jì)算每一所述振動(dòng)特征數(shù)據(jù)的異常檢測(cè)得分，根據(jù)異常檢測(cè)得分對(duì)初始異常檢測(cè)閾值進(jìn)行調(diào)整獲得動(dòng)態(tài)閾值；
14、故障點(diǎn)檢測(cè)單元，用于將所述異常檢測(cè)得分大于所述動(dòng)態(tài)閾值的振動(dòng)特征數(shù)據(jù)作為異常故障點(diǎn)；
15、第三方面，本申請(qǐng)實(shí)施例還提供了一種制冷設(shè)備故障預(yù)測(cè)診斷系統(tǒng)，包括：振動(dòng)傳感器，用于采集制冷設(shè)備各工況下的振動(dòng)信號(hào)；工況傳感器，用于采集制冷壓縮機(jī)各工況下的工況信號(hào)；服務(wù)器，用于基于所述振動(dòng)信號(hào)和所述工況信號(hào)，采用如上實(shí)施例記載的制冷設(shè)備故障預(yù)測(cè)診斷方法，對(duì)制冷設(shè)備進(jìn)行預(yù)測(cè)性故障診斷。
16、在本申請(qǐng)實(shí)施例中，在復(fù)雜工況下對(duì)制冷設(shè)備的制冷壓縮機(jī)進(jìn)行振動(dòng)檢測(cè)以及運(yùn)行狀態(tài)檢測(cè)，以獲取振動(dòng)信號(hào)和工況信號(hào)，基于預(yù)處理后的振動(dòng)特征數(shù)據(jù)和工況數(shù)據(jù)進(jìn)行工況劃分并聯(lián)合進(jìn)行故障診斷，消除了不同工況之間的多種振動(dòng)特征之間的干擾，減少不同工況之間正常振動(dòng)特征的誤判，提高故障診斷準(zhǔn)確度；并且，基于每一工況的歷史健康振動(dòng)數(shù)據(jù)構(gòu)建并訓(xùn)練故障診斷模型，通過訓(xùn)練好的故障診斷模型對(duì)各工況下的振動(dòng)特征數(shù)據(jù)進(jìn)行異常診斷，在模型訓(xùn)練時(shí)僅采用正樣本的訓(xùn)練方式，能夠避免由于異常故障樣本匱乏而帶來精度不高的難題，更有利于制冷設(shè)備的檢修以及維護(hù)。
17、進(jìn)一步的，故障診斷模型由ocsvm模型進(jìn)行改進(jìn)獲得，能夠延續(xù)ocsvm模型的優(yōu)勢(shì)提高特征的表達(dá)能力，增強(qiáng)模型魯棒性，更好地適應(yīng)不同工況的數(shù)據(jù)分布；同時(shí)，基于多核函數(shù)進(jìn)行融合的故障診斷模型能夠更全面的特征表達(dá)，提供更全面和多樣化的特征表達(dá)能力，能夠適應(yīng)不同數(shù)據(jù)類型分布的振動(dòng)和工況數(shù)據(jù)，降低故障診斷模型對(duì)單一函數(shù)的依賴性，使得模型更加穩(wěn)健和魯棒。
18、進(jìn)一步的，在異常故障點(diǎn)診斷時(shí)，摒棄固定閾值比對(duì)，而采用動(dòng)態(tài)閾值進(jìn)行比對(duì)，且動(dòng)態(tài)閾值可靈活調(diào)整，能夠使得模型更好的適應(yīng)制冷壓縮機(jī)的振動(dòng)數(shù)據(jù)和工況數(shù)據(jù)的實(shí)時(shí)變化，提高了算法的實(shí)時(shí)性和準(zhǔn)確性，降低誤報(bào)率。
19、進(jìn)一步的，能夠通過維修工單反饋信息更新制冷設(shè)備的健康振動(dòng)數(shù)據(jù)，通過更新后的健康振動(dòng)數(shù)據(jù)對(duì)故障診斷模型進(jìn)行迭代式訓(xùn)練，不斷修正異常檢測(cè)閾值，使得故障診斷模型能夠隨著使用時(shí)間的推移而更加精準(zhǔn)預(yù)判故障點(diǎn)。
本文檔來自技高網(wǎng)...【技術(shù)保護(hù)點(diǎn)】
1.制冷設(shè)備故障預(yù)測(cè)診斷方法，其特征在于，包括如下步驟：
2.根據(jù)權(quán)利要求1所述的制冷設(shè)備故障預(yù)測(cè)診斷方法，其特征在于，所述基于每一工況，獲取制冷設(shè)備的歷史健康振動(dòng)數(shù)據(jù)，采用所述歷史健康振動(dòng)數(shù)據(jù)訓(xùn)練初始OCSVM模型，確定最優(yōu)字典矩陣和稀疏表示矩陣，將對(duì)應(yīng)工況的待測(cè)的振動(dòng)特征數(shù)據(jù)輸入至所述初始OCSVM模型，基于待測(cè)的所述振動(dòng)特征數(shù)據(jù)更新稀疏表示矩陣，包括：
3.根據(jù)權(quán)利要求2所述的制冷設(shè)備故障預(yù)測(cè)診斷方法，其特征在于，所述基于多核混合核函數(shù)，通過所述最優(yōu)字典矩陣和更新后的所述稀疏表示矩陣重構(gòu)初始OCSVM模型以獲得故障診斷模型，包括：
4.根據(jù)權(quán)利要求3所述的制冷設(shè)備故障預(yù)測(cè)診斷方法，其特征在于，所述基于所述故障診斷模型的決策邊界，計(jì)算每一所述振動(dòng)特征數(shù)據(jù)的異常檢測(cè)得分，根據(jù)異常檢測(cè)得分對(duì)初始異常檢測(cè)閾值進(jìn)行調(diào)整獲得動(dòng)態(tài)閾值，包括：
5.根據(jù)權(quán)利要求1所述的制冷設(shè)備故障預(yù)測(cè)診斷方法，其特征在于，所述針對(duì)每一工況下的所述異常故障點(diǎn)，采用頻譜分析方法進(jìn)行故障定位分析，獲得與各工況對(duì)應(yīng)的故障定位信息，生成制冷設(shè)備的維修工單并展示，包括：
6.根據(jù)權(quán)利要求1所述的制冷設(shè)備故障預(yù)測(cè)診斷方法，其特征在于，還包括步驟：
7.根據(jù)權(quán)利要求1所述的制冷設(shè)備故障預(yù)測(cè)診斷方法，其特征在于，所述振動(dòng)信號(hào)由安裝于制冷壓縮機(jī)上的振動(dòng)傳感器采集獲得；所述工況信號(hào)由安裝于制冷壓縮機(jī)上的工況傳感器采集獲得。
8.制冷設(shè)備故障預(yù)測(cè)診斷裝置，其特征在于，包括：
9.制冷設(shè)備故障預(yù)測(cè)診斷系統(tǒng)，其特征在于，包括：
...【技術(shù)特征摘要】
1.制冷設(shè)備故障預(yù)測(cè)診斷方法，其特征在于，包括如下步驟：
2.根據(jù)權(quán)利要求1所述的制冷設(shè)備故障預(yù)測(cè)診斷方法，其特征在于，所述基于每一工況，獲取制冷設(shè)備的歷史健康振動(dòng)數(shù)據(jù)，采用所述歷史健康振動(dòng)數(shù)據(jù)訓(xùn)練初始o(jì)csvm模型，確定最優(yōu)字典矩陣和稀疏表示矩陣，將對(duì)應(yīng)工況的待測(cè)的振動(dòng)特征數(shù)據(jù)輸入至所述初始o(jì)csvm模型，基于待測(cè)的所述振動(dòng)特征數(shù)據(jù)更新稀疏表示矩陣，包括：
3.根據(jù)權(quán)利要求2所述的制冷設(shè)備故障預(yù)測(cè)診斷方法，其特征在于，所述基于多核混合核函數(shù)，通過所述最優(yōu)字典矩陣和更新后的所述稀疏表示矩陣重構(gòu)初始o(jì)csvm模型以獲得故障診斷模型，包括：
4.根據(jù)權(quán)利要求3所述的制冷設(shè)備故障預(yù)測(cè)診斷方法，其特征在于，所述基于所述故障診斷模型的決策邊界，計(jì)算每一所述振動(dòng)特...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：許躍華，馮宇晟，朱旻，馬百騰，
申請(qǐng)(專利權(quán))人：上海輝度智能系統(tǒng)有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。