【技術實現步驟摘要】
本專利技術涉及數據診斷領域，且更具體地涉及一種機電設備故障診斷方法及系統。
技術介紹
1、機電設備一般指機械、電器及電氣自動化設備，在建筑中多指除土工、木工、鋼筋、泥水之外的機械、管道設備的統稱。它不同于五金，多指能實現一定功能的成品。先進的機電設備不僅能大大提高勞動生產率，減輕勞動強度，改善生產環境。但是機電設備在運行過程中，很容易發生多種故障因素，比如機電設備電源故障及零部件失效、機電設備運行故障以及參數數據信息故障等各種問題。
2、如何實現機電設備故障診斷關系到機電設備能否正常運行，常規方法采用萬用表、示波器、檢測設備等工具進行機電設備故障診斷，這種方法雖然具有一定的直觀性，但是這種方法的機電設備故障診斷無法實現數據信息的微觀分析，現有技術分析效率差。
技術實現思路
1、針對上述技術的不足，本專利技術公開一種機電設備故障診斷方法及系統，大大提高了機電設備故障診斷分析能力。
2、本專利技術采用以下技術方案：
3、一種機電設備故障診斷方法，其中包括以下方法：
4、步驟一、獲取機電設備運行狀態數據信息，并將采集到的數據信息進行分類；步驟二、通過24不間斷的方式對機電設備運行狀態進行監控，將輸出的數據信息通過放大，進而實現數據信息的分析；
5、步驟三、構建機電設備故障診斷數學模型，通過粒子濾波狀態估計的故障預警算法自適應調整數據信息，并對機電設備故障信息進行分析；
6、步驟四、輸出機電設備故障診斷數據信息，以實時
7、作為本專利技術進一步的技術方案，粒子濾波狀態估計的故障預警算法的工作方法為：
8、通過不確定性矩陣理論實現故障預警數據信息的關聯計算；
9、通過粒子濾波算法實現故障預警數據信息的關聯計算。
10、作為本專利技術進一步的技術方案，確定性矩陣理論的方法為：
11、構建不確定性矩陣理論的數學模型：
12、
13、式(1)中，c表示不確定性矩陣理論的數學模型總矩陣，c1c2示均表示不確定性矩陣理論模型中的部分矩陣，其具體為：
14、
15、其中，c1中的{d1,d2,d3……dj}表示影響機電設備的元素構成數據集合，d表示數據集合元素之一，下角標為序號，設機電設備的元素有j種，分別為磁場、運行環境和天氣，n表示數據數量；
16、c2中的{l1,l2,l3……lk}表示影響機電設備的元素構成數據集合，k表示其中的元素之一，設機電設備的元素有k種；
17、在尋找機電設備影響因素時將兩個集合聯系起來，觀察其中的相同點或不同點，從中判斷影響機電設備的元素。
18、作為本專利技術進一步的技術方案，粒子濾波算法的工作方法為：
19、設定t-1時刻的機電設備故障狀態數據信息概率密度函數為p(xt-1|yt-1)，采樣n個取值為xt-1(i)、權重為wt-1(i)的粒子，產生用來估計機電設備故障狀態數據信息預測概率密度p(xt|yt-1)的新粒子，新粒子表示為：
20、
21、式(4)中，xt-1(i)表示t-1時刻第i個粒子的取值，wt-1(i)表示t-1時刻第i個粒子的權重，狀態更新階段基于歷史觀測值對t時刻狀態的預測，在獲取到最新觀測值yt后，確定粒子的權重，表示為：
22、
23、式(5)中，p(yt|x(i)t|t-1)表示似然函數，重采樣階段根據粒子的權重大小對粒子重新采樣，保留權重較大的粒子，去除權重小的粒子，降低粒子的退化問題，經過重采樣后的粒子權重為1/n，當前狀態變量的估計表示為：
24、
25、式(6)中，z(i)t表示t時刻粒子的取值；經過粒子濾波流程，實現了機電設備的粒子濾波狀態估計器，利用狀態變量的估計值和實際值得差異對設備故障進行預警，變量殘差表示為：
26、
27、式(7)中，y(l)t表示狀態變量的實際測量值，x(l)t表示粒子濾波估計值，將多狀態變量殘差作為故障預警指標，表示為：
28、
29、式(8)中，r(l)k表示狀態量殘差；
30、在設備正常運行時，某些狀態變量會受到負載變化的影響，振動信號的幅值會受到設備導體上負載電流的影響，故而狀態變量殘差可能不為0，為最大限度第降低誤差和噪聲干擾，
31、當故障出現在ta時刻，如果使用恒定閾值的方法的話，會在tb時刻發出報警信號，出現誤報警現象，而使用自適應閾值方法有效地避免其它干擾因素影響變量殘差的變化，從而使設備故障報警功能更加準確，自適應閾值的置信度與置信水平滿足下式：
32、
33、式(9)中，α表示置信度水平，1-α表示置信度，z表示相關系數。
34、一種機電設備故障診斷系統，其中包括：
35、數據采集模塊，獲取機電設備運行狀態數據信息，并將采集到的數據信息進行分類；
36、監控模塊，通過24不間斷的方式對機電設備運行狀態進行監控，將輸出的數據信息通過放大，進而實現數據信息的分析；
37、診斷模塊，所述診斷模塊為機電設備故障診斷數學模型，通過粒子濾波狀態估計的故障預警算法自適應調整數據信息，并對機電設備故障信息進行分析；
38、輸出模塊，輸出機電設備故障診斷數據信息，以實時對機電設備故障數據信息進行遠程在線監控；
39、其中所述數據采集模塊的輸出端與監控模塊的輸入端連接，監控模塊的輸出端與診斷模塊的輸入端連接，診斷模塊的輸出端與輸出模塊的輸入端連接。
40、作為本專利技術進一步的技術方案，所述數據采集模塊包括基于ina163芯片組成的前置放大電路。
41、作為本專利技術進一步的技術方案，監控模塊采用stm32f103rct6單片機實現電路數據信息的監測。
42、作為本專利技術進一步的技術方案，診斷模塊設置有數據轉換接口，所述數據轉換接口用于將通信數據信息轉換為人工智能可編程數據信息。
43、作為本專利技術進一步的技術方案，出模塊設置有可視化顯示屏，通過可視化顯示屏實現數據信息的輸出。
44、本專利技術具有的積極有益效果：
45、本專利技術能夠獲取機電設備運行狀態數據信息，并將采集到的數據信息進行分類；通過24不間斷的方式對機電設備運行狀態進行監控，將輸出的數據信息通過放大，進而實現數據信息的分析；通過構建機電設備故障診斷數學模型，通過粒子濾波狀態估計的故障預警算法自適應調整數據信息，并對機電設備故障信息進行分析；輸出機電設備故障診斷數據信息，以實時對機電設備故障數據信息進行遠程在線監控。本專利技術大大提高了機電設備故障診斷能力。
本文檔來自技高網...【技術保護點】
1.一種機電設備故障診斷方法，其特征在于：包括以下方法：
2.根據權利要求1所述的一種機電設備故障診斷方法，其特征在于：粒子濾波狀態估計的故障預警算法的工作方法為：
3.根據權利要求1所述的一種機電設備故障診斷方法，其特征在于：確定性矩陣理論的方法為：
4.根據權利要求1所述的一種機電設備故障診斷方法，其特征在于：粒子濾波算法的工作方法為：
5.一種機電設備故障診斷系統，其特征在于：包括：
6.根據權利要求5所述的一種機電設備故障診斷系統，其特征在于：所述數據采集模塊包括基于INA163芯片組成的前置放大電路。
7.根據權利要求5所述的一種機電設備故障診斷系統，其特征在于：監控模塊采用STM32F103RCT6單片機實現電路數據信息的監測。
8.根據權利要求5所述的一種機電設備故障診斷系統，其特征在于：診斷模塊設置有數據轉換接口，所述數據轉換接口用于將通信數據信息轉換為人工智能可編程數據信息。
9.根據權利要求5所述的一種機電設備故障診斷系統，其特征在于：出模塊設置有可視化顯示屏，通過
...【技術特征摘要】
1.一種機電設備故障診斷方法，其特征在于：包括以下方法：
2.根據權利要求1所述的一種機電設備故障診斷方法，其特征在于：粒子濾波狀態估計的故障預警算法的工作方法為：
3.根據權利要求1所述的一種機電設備故障診斷方法，其特征在于：確定性矩陣理論的方法為：
4.根據權利要求1所述的一種機電設備故障診斷方法，其特征在于：粒子濾波算法的工作方法為：
5.一種機電設備故障診斷系統，其特征在于：包括：
6.根據權利要求5所述的一種機電設備故障診斷系統，其特征在于...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。