一种基于物联网多维度数据的设备故障评估系统及其方法与流程

1.本发明属于多维度数据处理技术领域，涉及到一种基于物联网多维度数据的设备故障评估系统及其方法。


背景技术：

2.电机，俗称“马达”，是指依据电磁感应定律实现电能转换或传递的一种电磁装置，电机在电路中的主要作用是产生驱动转矩，作为用电器或各种机械的动力源，发电机在电路中的主要作用是利用机械能转化为电能。
3.目前，电机使用过程中仅对电机的状态进行监测和管理，通常表现为对电机的运行参数的记录和存储，缺少对电机运行过程中的故障进行预测，导致电机使用过程中的故障预测的准确性和可靠性差，同时，电机使用过程中受多种故障干扰，影响电机的使用寿命，但是现有电机故障的判断仅凭人工经验进行判断缺乏实验数据，无法事先预测，进而无法对电机故障进行准确地评估以及无法根据电机当前的故障预测电机持续工作的寿命，造成电机监测与故障评估的不足，降低电机使用寿命，无法及时对电机进行维护。


技术实现要素：

4.本发明的目的在于提供的基于物联网多维度数据的设备故障评估系统，解决了现有技术中的问题。
5.本发明的目的可以通过以下技术方案实现：
6.一种基于物联网多维度数据的设备故障评估系统，包括噪音源区分模块、振动检测模块、轴承信息检测模块、频谱特征归类处理模块、故障链训练干扰模块、故障预测判定模块和多维度数据评估模块；
7.噪音源区分模块实时采集电机工作过程中的混合声音，并采用傅里叶变换对电机工作过程中的混合声音进行频谱分析，得到分离后的轴承噪音的频谱特征和电机工作时产生的机械噪声的频谱特征；
8.振动检测模块采用涡流式位移传感器，分别实时采集电机轴向振动幅值和径向振动幅值；轴承信息检测模块采用温度传感器，安装在轴承上，对轴承表面的温度进行采集；
9.频谱特征归类处理模块接收噪音源区分模块分离后的轴承噪音的频谱特征和电机工作时产生的机械噪声的频谱特征，将轴承噪音的频谱特征和机械噪声的频谱特征依次分别与对应的不同轴承噪声故障等级程度下的轴承噪音的频谱特征和不同机械噪声故障等级的机械噪声的频谱特征进行对比，以筛选出分离后的轴承噪音所对应的轴承噪声故障等级和机械噪声所对应的机械噪声故障等级；
10.故障预测判定模块提取电机的轴向振动幅值和径向振动幅值，根据获取的轴向振动幅值和径向振动幅值建立时域振动信号图，并采用傅里叶变换对时域振动信号图中的时域振动信号进行分析，得到轴向振动的频率和相位以及径向振动的频率和相位，依次将轴向振动的基本参数与径向振动的基本参数进行逐一相对分析，初步预测出电机振动是否异
常以及对电机振动异常程度进行判定，并接收轴承表面的温度，将轴承表面的温度绘制成温度变化曲线，统计轴承表面的温度上升的最大速度、轴承温度大于预设温度w的累计时长以及轴承温度大于预设温度w后的轴承表面温度，通过电机振动异常程度判定量以及轴承温度相关参数信息分析出电机抱轴预估系数；
11.多维度数据评估模块提取频谱特征归类处理模块筛选出的轴承噪声故障等级和机械噪声故障等级，根据轴承噪声故障等级和机械噪声故障等级依次筛选出与之相互映射的轴承噪声故障等级所对应的轴承故障评定系数以及机械噪声故障等级所对应的机械故障评定系数，并获取故障预测判定模块分析的电机振动异常程度、电机抱轴预估系数以及轴承温度大于预设温度w后的轴承表面温度，采用多维度数据评估模型预测当前电机继续工作的电机维持危险评估系数。
12.优选地，所述电机振动异常程度的判定方法，具体步骤如下所示：
13.步骤1、提取轴向振动和径向振动的幅值、频率和相位；
14.步骤2、判断轴向振动的幅值是否大于k倍的径向振动的幅值，若大于k倍的径向振动的幅值，则标记电机振动的幅值危险因子为λ1，实验获取的初步数值为1.32，反之，则标记为λ2，实验获取的初步数值为0.586；
15.步骤3、分析轴向振动频率f1与径向振动频率f2间的比值v，以及分析轴向振动的相位与径向振动的相位差ψ，ψ＝(2πf1t w1)-(2πf2t w2)，t为时间，w1和w2分别为轴向振动的初始相位和径向振动的初始相位；
16.步骤4、结合步骤2和步骤3中的数据统计异常振动系数r为λ1或λ2，v＝f1/f2。
17.优选地，所述电机抱轴预估系数的计算公式如下：
18.η1表示为振动造成的电机抱轴的比例系数，η2表示为轴承温度造成电机抱轴的比例系数，η1 η2＝1，β1表示为由轴承温度产生电机振动异常的关联干扰系数，β2表示为由电机振动异常造成轴承温度升高的关联干扰系数，t表示为轴承温度大于预设温度w的累计时长，t
预
表示为预设的轴承温度大于预设温度w的上限时长，t1和t2分别表示为轴承温度等于预设温度w所对应的时间点以及温度大于预设温度w所对应的某一时间点，t2大于t1，s
max
表示为轴承表面的温度上升的最大速度，w
′
表示为轴承温度大于预设温度w后的轴承表面温度。
19.优选地，所述多维度数据评估模块是基于对多种传感器采集的数据进行处理后的数据的综合评估，所述多维度数据评估模型为a1,a2,a3,a4分别为轴承噪声、机械噪声、电机抱轴以及轴承温度故障种类所对应的权重系数，a1 a2 a3 a4＝1，x和y分别为轴承故障评定系数、机械故障评定系数，e为电机异常振动系数，n为4，t
预
为为预
设的轴承温度大于预设温度w的上限时长，w
max
为轴承表面可允许的最大温度，为轴承温度大于预设温度w后的轴承表面温度随时间的累计量，为第aj个故障种类对第ai个故障种类的关联干扰系数，i＝1,2,3,4,即a1,a2,a3,a4分别为轴承噪声、机械噪声、电机抱轴以及轴承温度异常，当i＝j时，等于0。
20.优选地，所述设备故障评估系统还包括故障链训练干扰模块，故障链训练干扰模块获取训练时长下电机故障种类集a{a1,a2,...,ai,...,am}中各故障种类出现的次数，对各故障类型出现的次数进行归一化分析，分析出各故障种类的权值并根据各故障种类出现的先后顺序统计各故障种类间的干扰影响次数c
ai
→
aj
，以统计出各故障种类间的关联干扰系数x
ai
为ai故障种类在训练时长下出现的次数。
21.优选地，所述故障链训练干扰模块采用聚类分析方法对各故障类型间的干扰影响次数进行聚类处理，分析出各故障种类间的关联干扰系数，具体包括以下步骤；
22.s1、对每个故障种类模拟训练k次后，统计各故障种类在本次训练过程中的权重，各故障种类的权重等于在k次训练中出现该故障种类的次数与样本训练次数k的比值；
23.s2、初步筛选出z个故障种类作为聚类中心；
24.s3、建立目标函数z为聚类中心数目，z为故障种类数量，为第d次样本故障种类与第g个聚类中心的关联干扰影响度，δ为步骤s1中模拟训练的所有故障种类对应的权重和，p
dg
为第d次样本故障试验与第g个聚类中心的距离，qd为第d个样本故障试验所对应的故障种类的权重；
25.s4、采用拉格朗日乘子法分别推导出目标函数的关联干扰影响矩阵和聚类中心迭代公式：dg为第g个故障种类对应的聚类中心，rg为待分类的训练样本故障种类所对应的权重；
26.s5、筛选出关联干扰影响矩阵中各故障种类与聚类中心的关联干扰系数，并将关联干扰系数大于0的各故障种类建立故障链。
27.优选地，所述设备故障评估系统还包括预测追踪损坏模块，预测追踪损坏模块用于提取多维度数据评估模块分析获得的当前电机工作状态下的电机维持危险评估系数，根据当前电机状态下的电机维持危险评估系数以及间隔时长t3下的电机维持危险评估系数计算电机故障激增加速度并追踪预测电机按照当前电机故障激增系数持续工
作所维持的寿命g
t3
为t3时间点下的电机维持危险评估系数，g
max
为电机所允许的最大电机维持危险评估系数。
28.优选地，一种基于物联网多维度数据的设备故障评估方法，具体步骤如下：
29.s1、对电机运行过程中的轴承温度和混合噪声进行采集，对混合噪声进行分离，获得轴承噪声和机械噪声；
30.s2、对轴承噪声和机械噪声进行故障等级的筛查，获得轴承噪声故障等级和机械噪声故障等级；
31.s3、采集电机轴向振动幅值和径向振动幅值，以建立时域振动信号图，并通过时域振动信号图分析轴向振动的基本参数以及径向振动的基本参数；
32.s4、提取步骤s3中的轴向振动和径向振动的基本参数进行电机振动异常程度判定量；
33.s5、对轴承表面温度进行处理，获得轴承表面的温度上升的最大速度、轴承温度大于预设温度w的累计时长以及轴承温度大于预设温度w后的轴承表面温度；
34.s6、结合步骤s4和步骤s5中的数据分析电机的抱轴预估系数，并采用多维度数据评估模型判断当前电机继续工作下的电机维持危险评估系数。
35.本发明的有益效果：
36.本技术通过采集电机的噪声、振动以及温度等多维度数据并进行多维度数据的分析，以获得多维度数据展示出的电机继续工作的电机维持危险评估系数，体现了电机故障后继续使用的危险程度，并实现对危险程度的量化展示，便于对电机故障进行综合评估和预测，达到提前预警和维护的作用。
37.本技术通过对电机振动和轴承温度进行综合处理，以预测出电机振动和轴承温度产生电机抱轴的可能性，能够提前对电机抱轴进行预测和处理，降低电机抱轴的概率，进而提高电机的耐用程度，避免电机抱轴对电机造成的损坏。
38.本技术通过对引起电机故障的各故障种类进行聚类分析，以获得各故障种类间的关联干扰系数，对故障间的相互影响判断提供关联程度的量化程度，进而对电机故障评估过程提供可靠的关联依据。
39.本技术通过获取两不同时间点的电机维持危险评估系数，并根据两不同时间点的电机维持危险评估系数分析出电机故障激增加速度，进而预测出电机按照当前电机故障激增系数持续工作所维持的寿命，实现对电机不维修状态下的使用寿命的预测，提高了电机寿命预测的准确性，促进人员及时对电机故障进行维修。
具体实施方式
40.下面将结合本发明实施例，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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
41.实施例一
42.一种基于物联网多维度数据的设备故障评估系统，包括噪音源区分模块、振动检
测模块、轴承信息检测模块、频谱特征归类处理模块、故障链训练干扰模块、故障预测判定模块和多维度数据评估模块。
43.本技术中的设备指代电机，电机的故障种类很多，电机发生的故障主要来源于轴承噪声、机械噪声、电机抱轴以及轴承温度异常等故障种类，因此本技术着重对以上四种故障种类进行分析，通过对以上四种故障种类的筛选能够保护检修人员判断电机的故障情况以及进行故障评估和预测。
44.噪音源区分模块实时采集电机工作过程中的混合声音，并采用傅里叶变换对电机工作过程中的混合声音进行频谱分析，得到分离后的轴承噪音的频谱特征和电机工作时产生的机械噪声的频谱特征，频谱特征包含有幅值、功率和相位。
45.振动检测模块采用涡流式位移传感器，分别实时采集电机轴向振动幅值和径向振动幅值，采集的轴向振动幅值和径向振动幅值发送故障预测判定模块。
46.轴承信息检测模块采用温度传感器，安装在轴承上，对轴承表面的温度进行采集，并将采集的轴承表面的温度发送至故障预测判定模块。
47.频谱特征归类处理模块接收噪音源区分模块分离后的轴承噪音的频谱特征和电机工作时产生的机械噪声的频谱特征，将轴承噪音的频谱特征和机械噪声的频谱特征依次分别与对应的不同轴承噪声故障等级程度下的轴承噪音的频谱特征和不同机械噪声故障等级的机械噪声的频谱特征进行对比，以筛选出分离后的轴承噪音所对应的轴承噪声故障等级和机械噪声所对应的机械噪声故障等级，实现对频谱特征中声音所对应的故障等级归类处理，达到对故障等级的定性处理。
48.故障预测判定模块提取电机的轴向振动幅值和径向振动幅值，根据获取的轴向振动幅值和径向振动幅值建立时域振动信号图，并采用傅里叶变换对时域振动信号图中的时域振动信号进行分析，得到轴向振动的频率和相位以及径向振动的频率和相位，依次将轴向振动的基本参数与径向振动的基本参数进行逐一相对分析，初步预测出电机振动是否异常以及对电机振动异常程度进行判定，并接收轴承表面的温度，将轴承表面的温度绘制成温度变化曲线，统计轴承表面的温度上升的最大速度、轴承温度大于预设温度w的累计时长以及轴承温度大于预设温度w后的轴承表面温度，通过电机振动异常程度判定量以及轴承温度相关参数信息分析出电机抱轴预估系数，电机抱轴预估系数用于反应电机收到电机振动以及轴承表面温度的共同影响下电机发生抱轴的可能性，现有技术仅了解电机抱轴与电机振动和轴承温度相关，但是无法结合电机振动和轴承表面温度进行电机抱轴的预测评估，且实现电机振动和轴承温度相结合的综合预测判定，可相对准确的分析出电机抱轴的可能性，避免现有技术仅凭人工经验，无法事先预测，以提前电机进行处理，降低电机抱轴的可能性，提高电机的耐用程度。
49.当电机振动异常后，会间接引发电机轴承发生故障，因此通过对电机振动异常程度进行量化判断，以直观且准确地掌握电机故障。
50.电机振动异常程度的判定方法，具体步骤如下所示：
51.步骤1、提取轴向振动和径向振动的幅值、频率和相位；
52.步骤2、判断轴向振动的幅值是否大于k倍的径向振动的幅值，若大于k倍的径向振动的幅值，则标记电机振动的幅值危险因子为λ1，实验获取的初步数值为1.32，反之，则标记为λ2，实验获取的初步数值为0.586；
53.步骤3、分析轴向振动频率f1与径向振动频率f2间的比值v，以及分析轴向振动的相位与径向振动的相位差ψ，ψ＝(2πf1t w1)-(2πf2t w2)，t为时间，w1和w2分别为轴向振动的初始相位和径向振动的初始相位；
54.步骤4、结合步骤2和步骤3中的数据统计异常振动系数r为λ1或λ2，v＝f1/f2，异常振动系数反应电机振动的异常程度，异常振动系数越大，表明电机振动异常程度越大，因电机异常振动造成抱轴的可能性越大。
55.其中，电机抱轴预估系数的计算公式如下：
56.η1表示为振动造成的电机抱轴的比例系数，η2表示为轴承温度造成电机抱轴的比例系数，η1 η2＝1，β1表示为由轴承温度产生电机振动异常的关联干扰系数，β2表示为由电机振动异常造成轴承温度升高的关联干扰系数，t表示为轴承温度大于预设温度w的累计时长，t
预
表示为预设的轴承温度大于预设温度w的上限时长，t1和t2分别表示为轴承温度等于预设温度w所对应的时间点以及温度大于预设温度w所对应的某一时间点，t2大于t1，s
max
表示为轴承表面的温度上升的最大速度，w
′
表示为轴承温度大于预设温度w后的轴承表面温度。
57.多维度数据评估模块提取频谱特征归类处理模块筛选出的轴承噪声故障等级和机械噪声故障等级，根据轴承噪声故障等级和机械噪声故障等级依次筛选出与之相互映射的轴承噪声故障等级所对应的轴承故障评定系数以及机械噪声故障等级所对应的机械故障评定系数，并获取故障预测判定模块分析的电机振动异常程度、电机抱轴预估系数以及轴承温度大于预设温度w后的轴承表面温度，采用多维度数据评估模型预测电机当前的故障危害程度，获得当前电机继续工作的电机维持危险评估系数g，电机维持危险评估系数反应电机出现故障后继续使用的危险程度，以对危险程度进行量化展示，多维度数据评估模块采用多维度检测数据对电机进行全面检测，达到结合轴承温度、机械噪声、轴承噪声以及电机抱轴等故障进行综合数据分析，实现对电机故障的综合评估，能够最佳地展示当前电机故障下电机继续工作对电机所造成的危害程度。
58.其中，轴承噪声故障等级与轴承故障评定系数是相互映射的，机械噪声故障等级与机械故障评定系数也是相互映射的，轴承故障评定系数和机械故障评定系数分别表示该轴承噪声故障等级下电机发生故障的概率以及该机械噪声等级下电机发生故障的概率。
59.多维度数据评估模块是基于对多种传感器采集的数据进行处理后的数据的综合评估，实现多维度数据的采集和分析，以提到对电机故障的评估准确性，且多维度数据评估模型为a1,a2,a3,a4分别为轴承噪声、机械噪声、电机抱轴以及轴承温度故障种类所对应的权重系数，a1 a2 a3 a4＝1，x和y分别为轴承故障评定系数、机械故障评定系数，e为电机异常振动系数，n为4，t
预
为为预设的轴承温度大于预设温度w的上限时长，w
max
为轴承表面可允许的最大温度，
为轴承温度大于预设温度w后的轴承表面温度随时间的累计量，为第aj个故障种类对第ai个故障种类的关联干扰系数，i＝1,2,3,4,即a1,a2,a3,a4分别为轴承噪声、机械噪声、电机抱轴以及轴承温度异常，当i＝j时，等于0。
60.实施例二
61.根据故障种类出现的先后关联顺序，初步分析出各故障种类间的关联程度，即设计了故障链训练干扰模块。
62.故障链训练干扰模块获取训练时长下电机故障种类集a{a1,a2,...,ai,...,am}中各故障种类出现的次数，对各故障类型出现的次数进行归一化分析，分析出各故障种类的权值并根据各故障种类出现的先后顺序统计各故障种类间的干扰影响次数c
ai
→
aj
，以统计出各故障种类间的关联干扰系数x
ai
为ai故障种类在训练时长下出现的次数。
63.实施例三
64.由于相关联的故障存在前后因果关联，当某一故障发生时，相互关联的另一故障也会发生，为了提高电机故障评估的准确性，采用均值聚类算法对各故障种类间的干扰影响次数进行聚类处理，获得各故障种类间的关联干扰系数，该各故障种类间的关联干扰系数的统计相比较实施例二，准确性更高，排除人为主观因素。
65.对每个故障种类均模拟k次样本故障试验，便于统计当电机发生ai故障种类时，ai故障种类引发电机出现aj故障种类的次数，以获取各故障类型间的干扰影响次数c
ai
→
aj
,c
ai
→
aj
≤k。
66.其中，故障链训练干扰模块采用聚类分析方法对各故障类型间的干扰影响次数进行聚类处理，分析出各故障种类间的关联干扰系数，具体包括以下步骤；
67.s1、对每个故障种类模拟训练k次后，统计各故障种类在本次训练过程中的权重，各故障种类的权重等于在k次训练中出现该故障种类的次数与样本训练次数k的比值；
68.s2、初步筛选出z个故障种类作为聚类中心；
69.s3、建立目标函数z为聚类中心数目，z为故障种类数量，为第d次样本故障种类与第g个聚类中心的关联干扰影响度，δ为步骤s1中模拟训练的所有故障种类对应的权重和，p
dg
为第d次样本故障试验与第g个聚类中心的距离，qd为第d个样本故障试验所对应的故障种类的权重；
70.s4、采用拉格朗日乘子法分别推导出目标函数的关联干扰影响矩阵和聚类中心迭
代公式：dg为第g个故障种类对应的聚类中心，rg为待分类的训练样本故障种类所对应的权重；
71.s5、筛选出关联干扰影响矩阵中各故障种类与聚类中心的关联干扰系数，并将关联干扰系数大于0的各故障种类建立故障链。
72.通过采用均值聚类算法对各故障种类间的干扰影响次数进行聚类处理，能够准确分析出各故障种类间的关联干扰程度，对故障间的相互影响判断提供关联程度的量化体现，为电机故障评估提供可靠的关联干扰因素，进而提高电机故障评估的准确性。
73.实施例四
74.预测追踪损坏模块用于提取多维度数据评估模块分析获得的当前电机工作状态下的电机维持危险评估系数，根据当前电机状态下的电机维持危险评估系数以及间隔时长t3下的电机维持危险评估系数计算电机故障激增加速度并追踪预测电机按照当前电机故障激增系数持续工作所维持的寿命g
t3
为t3时间点下的电机维持危险评估系数，g
max
为电机所允许的最大电机维持危险评估系数，当电机所处状态的电机维持危险评估系数越大，表明电机的继续使用的危险可能性越大。
75.实施例五
76.一种基于物联网多维度数据的设备故障评估方法，具体步骤如下：
77.s1、对电机运行过程中的轴承温度和混合噪声进行采集，对混合噪声进行分离，获得轴承噪声和机械噪声；
78.s2、对轴承噪声和机械噪声进行故障等级的筛查，获得轴承噪声故障等级和机械噪声故障等级；
79.s3、采集电机轴向振动幅值和径向振动幅值，以建立时域振动信号图，并通过时域振动信号图分析轴向振动的基本参数以及径向振动的基本参数；
80.s4、提取步骤s3中的轴向振动和径向振动的基本参数进行电机振动异常程度判定量；
81.s5、对轴承表面温度进行处理，获得轴承表面的温度上升的最大速度、轴承温度大于预设温度w的累计时长以及轴承温度大于预设温度w后的轴承表面温度；
82.s6、结合步骤s4和步骤s5中的数据分析电机的抱轴预估系数，并采用多维度数据评估模型判断当前电机继续工作下的电机维持危险评估系数，以反应电机继续工作对电机所造成的危害。
83.以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。