机泵群故障智能诊断系统的制作方法

1.本发明属于故障自动诊断技术领域，具体地说，涉及一种机泵群故障智能诊断系统。


背景技术：

2.机泵在生产制造业中被大量使用，机泵的正常运行对设备的正常运转具有相当重要的意义。
3.机泵的故障处理往往都是在问题发生之后再出处理检修，这一过程占据了较多的时间，严重影响企业的生产效率。
4.后来出现的工业水泵故障诊断技术，基于各种不同通讯方式的振动温度传感器的数据信号采集，利用信号分析理论获得系统时域和频域中较深层次的多种特征向量,利用这些特征向量与系统故障源之间的关系判断故障源的位置，从而进行故障预警与故障诊断。现有的水泵故障诊断算法主要是利用bp神经网络进行水泵各运行特征值和故障类型的非线性关系建模，进行故障的预测。其缺点是需要足够的学习样本才能保障诊断的可靠性。在对复杂系统进行诊断时，往往由于网络规模过于庞大和学习训练时间太长等问题,具有一定滞后性。用于工业现场时可能会反馈不及时或诊断不准确而达不到目的，更谈不上提前预防的效果，无法更好的保证设备的稳定运行以及延长设备使用寿命。
5.本背景技术所公开的上述信息仅仅用于增加对本技术背景技术的理解，因此，其可能包括不构成本领域普通技术人员已知的现有技术。


技术实现要素：

6.本发明针对现有技术中水泵故障诊断系统的诊断方式复杂，具有滞后性的技术问题，提出了一种机泵群故障智能诊断系统，可以解决上述问题。
7.为实现上述发明目的，本发明采用下述技术方案予以实现：
8.一种机泵群故障智能诊断系统，包括:
9.数据库，其存储有故障现象-故障原因查找表；
10.采集模块，其用于检测机泵的运行参数；
11.故障诊断模块，其用于：
12.根据所述运行参数获取故障现象，从所述故障现象-故障原因查找表中查找故障原因。
13.所述数据库还存储有故障原因-故障现象对应表和未表现故障现象-故障原因排除表；
14.所述诊断系统还包括收集处理模块,其用于建立故障现象-故障原因查找表，包括：
15.确定多个故障原因和多个故障现象，分别获各取各故障原因发生时各故障现象的表现状态，所述表现包括表现和未表现，建立各故障原因与状态为表现的故障现象的对应
表，为故障原因-故障现象对应表，建立各故障原因与状态为未表现的故障现象的对应表，为未表现故障现象-故障原因排除表；
16.获取表现的故障现象，从故障原因-故障现象的对应表中获取所有可能的故障原因，得到初检故障原因；
17.获取未表现的故障现象，从未表现故障现象-故障原因排除表中获取能够排除的故障原因；
18.将能够排除的故障原因从所述初检故障原因中排除，得到故障现象-故障原因查找表。
19.进一步的，所述故障现象对应有运行参数，所述故障现象的表现状态判定方法为：
20.检测各运行参数；
21.分别将各运行参数与所对应的设定阈值进行比较，当超出阈值范围时，判断与所述运行参数对应的故障现象的状态为表现，否则，状态为未表现。
22.进一步的，所述诊断系统还包括显示输出模块，所述故障原因还对应有解决方案信息，在得到最终故障原因之后，还包括获取与所述最终故障原因对应的解决方案信息，并通过所述显示输出模块显示输出。
23.进一步的，所述采集模块包括：
24.流量采集模块，其用于检测设备的出口流量值x1；
25.所述故障诊断模块根据所述出口流量值判断排量异常，包括：
26.获取额定流量值q1和操作点流量值q0；
27.当x1≥(1 a1)*q1或者x1≤(1-b1)*q1时，判断为排量异常；
28.当(1 a2)*q0＜x1＜(1 a1)*q1时，判断为排量偏高；
29.当(1-b1)*q1＜x1＜(1-b2)*q0时，判断为排量偏低；
30.其中，0＜a2＜a1＜1，0＜b2＜b1＜1。
31.进一步的，所述采集模块包括：
32.电流采集模块，其用于检测设备的运行电流值i0；
33.所述故障诊断模块根据所述运行电流值i0和出口流量值x1判断吸液异常，包括：
34.当i0＞0且q＝0时，判断为吸液异常。
35.进一步的，所述故障诊断模块还包括根据所述运行电流值i0和平均运行电流值i1判断耗功异常：
36.获取平均运行电流值i1；
37.当i0≥(1 a3)*i1时，判断为耗功异常；
38.其中，0＜a3＜1。
39.进一步的，所述采集模块包括：
40.振动传感器，其用于检测设备的振动速度和振动加速度；
41.所述故障诊断模块还包括根据所述振动速度和振动加速度判断振动异常：
42.当振动速度或者振动加速度超过设定阈值时，判断为振动异常。
43.进一步的，所述采集模块包括：
44.压力传感器，其用于检测设备的出口压力值x3；
45.所述故障诊断模块还包括根据所述出口压力值x3判断出口压力异常：
46.获取操作点压力值p0；
47.当x3＜p0*(1-a4)或者x3＞p0*(1 a4)时判断为出口压力异常；
48.其中，0＜a4＜1。
49.进一步的，所述采集模块还包括：
50.温度传感器，其用于检测泵体的温度值x4；
51.所述故障诊断模块还包括根据所述温度值x4判断泵体温度异常：
52.获取泵体的阈值t0；
53.当x4＞t0 a5时判断为泵体温度异常，其中，0＜a5＜15。
54.与现有技术相比，本发明的优点和积极效果是：
55.本发明的机泵群故障智能诊断系统，通过获取表现的故障现象，从故障原因-故障现象的对应表中获取所有可能的故障原因，得到初检故障原因；获取未表现的故障现象，从未表现故障现象-故障原因排除表中获取能够排除的故障原因；将能够排除的故障原因从所述初检故障原因中排除，得到最终故障原因，本方法对故障的诊断快速及时，能够做到提前发现和提前预防的效果，更好地保证设备的稳定运行。
56.结合附图阅读本发明的具体实施方式后，本发明的其他特点和优点将变得更加清楚。
附图说明
57.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
58.图1是本发明提出的机泵群故障智能诊断系统的一种实施例的原理方框图；
59.图2机泵群故障智能诊断系统的一种实施例中的故障原因-故障现象查找表。
具体实施方式
60.为使本发明实施例的目的、技术方案和优点更加清楚，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。
61.需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“竖”、“横”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
62.在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情
况理解上述术语在本发明中的具体含义。
63.实施例一
64.本实施例提出了一种机泵群故障智能诊断系统，如图1所示，包括：
65.数据库，其存储有故障现象-故障原因查找表；
66.采集模块，其用于检测机泵的运行参数；
67.故障诊断模块，其用于：
68.根据所述运行参数获取故障现象，从所述故障现象-故障原因查找表中查找故障原因。
69.数据库中还存储有故障原因-故障现象对应表和未表现故障现象-故障原因排除表；
70.诊断系统还包括收集处理模块,其用于建立故障现象-故障原因查找表，包括：
71.确定多个故障原因和多个故障现象，分别获各取各故障原因发生时各故障现象的表现状态，所述表现包括表现和未表现，建立各故障原因与状态为表现的故障现象的对应表，为故障原因-故障现象对应表，建立各故障原因与状态为未表现的故障现象的对应表，为未表现故障现象-故障原因排除表；
72.获取表现的故障现象，从故障原因-故障现象的对应表中获取所有可能的故障原因，得到初检故障原因；
73.获取未表现的故障现象，从未表现故障现象-故障原因排除表中获取能够排除的故障原因；
74.将能够排除的故障原因从所述初检故障原因中排除，得到故障现象-故障原因查找表。
75.收集处理模块会一直收集设备的参数信息，当设备发生故障以后，提取设备发生故障时候的各个参数数据，按照系统已经设定好的算法规则对数据做分析判断，例如，判断结果用二进制的方式表示0为正常1为异常。根据结果锁定故障现象得到故障原因列表l1，然后再根据未发生的故障现象得到不可能的故障原因列表l2，只要l1中的原因也在l2中出现了就将此原因从l1中移除，最后l1剩余的为设备故障原因，将结果提报给设备管理者，并针对故障原因提示相应的危害结果和解决方案。
76.如图2所示，为通过上述方法建立的故障现象-故障原因查找表。查找表的第一行中记载着多种故障现象，第一列中记载着故障原因，各故障现象与各故障原因所对应的表现状态分别用不同的数值表示。本实施例中用二进制的方式表示0为正常，1为异常。例如，当检测到的故障现象中泵体过热(值为1)、不出液(值为1)，其他故障现象正常时(值为0)，通过查找表可以查找出的故障原因为未灌泵。
77.当检测到的故障现象为排量低(值为1)、启动后不吸液(值为1)、振动大(值为1)以及不出液(值为1)，其他故障现象正常时(值为0)，通过查找表可以查找出的故障原因为充液不完全。
78.如查找表中所记载，还可以根据多种故障现象组合查找确定相应的故障原因，在此不一一列举。
79.系统从采集模块或其他系统获取设备的参数数据，将参数数据存入 influxdb数据库和redis数据库；从redis中获取设备的最新参数信息进行诊断逻辑处理；参数信息的
获取必须是在设备正常运行的情况下获得参数数据。
80.本实施例的机泵群故障智能诊断方法，通过获取表现的故障现象，从故障原因-故障现象的对应表中获取所有可能的故障原因，得到初检故障原因；获取未表现的故障现象，从未表现故障现象-故障原因排除表中获取能够排除的故障原因；将能够排除的故障原因从所述初检故障原因中排除，得到最终故障原因，本方法对故障的诊断快速及时，能够做到提前发现和提前预防的效果，更好地保证设备的稳定运行。
81.诊断系统还包括显示输出模块，故障原因还对应有解决方案信息，在得到最终故障原因之后，还包括获取与最终故障原因对应的解决方案信息，并通过显示输出模块显示输出，方便提示设备管理人员。
82.优选故障原因还对应有解决方案信息，在得到最终故障原因之后，还包括获取与最终故障原因对应的解决方案信息，并显示输出。
83.故障现象对应有运行参数，故障现象的表现状态判定方法为：
84.检测各运行参数；
85.分别将各运行参数与所对应的设定阈值进行比较，当超出阈值范围时，判断与运行参数对应的故障现象的状态为表现，否则，状态为未表现。
86.通过诊断逻辑对设备参数数据进行判断，可以得出设备当前运行状态是否正常，以及产生相应的故障和解决方案信息。
87.故障现象包括排量异常、出口压力异常、吸液异常、耗功异常、振动异常、泵体过热、轴承箱过热、出液异常、密封泄漏故障、密封寿命异常以及轴承寿命异常的任意组合。
88.本实施例中，采集模块包括：
89.流量采集模块，其用于检测设备的出口流量值x1；
90.所述故障诊断模块根据所述出口流量值判断排量异常，包括：
91.获取额定流量值q1和操作点流量值q0；
92.当x1≥(1 a1)*q1或者x1≤(1-b1)*q1时，判断为排量异常；
93.当(1 a2)*q0＜x1＜(1 a1)*q1时，判断为排量偏高；
94.当(1-b1)*q1＜x1＜(1-b2)*q0时，判断为排量偏低；
95.其中，0＜a2＜a1＜1，0＜b2＜b1＜1。
96.工业生产中，监测设备的出口流量值，当监测到的出口流量值低于某一个范围的时候，则认为该设备排量低。
97.其中，操作点流量值q0取于dcs系统，额定流量值q1取于数据库。
98.例如，如表1所示，当采集到的设备的出口流量值x1处于q0的90％到110％之间的时候证明设备处于正常状态；当x1处于q0的90％到q1的40％之间的时候设备被认为是排量低但不会影响设备工作，当x1小于q0的90％并且小于q1 的40％的时候设备排量低并且出现故障，此时会影响设备的正常运行；当x1大于q0的110％小于q1的120％的时候排量大异常不影响设备运行；当x1大于q0 的110％并且大于q1的120％的时候就是排量故障会影响到设备的正常运行。
99.正常：q0*90％≤x1≤q0*110％；
100.排量低：q1*40％《x1《q0*90％；
101.排量低故障：x1《q1*40％；
102.排量高：q0*110％《x1《q1*120％；
103.排量高故障：q1*120％《x1。
[0104][0105]
表1
[0106]
当采集到的设备的出口流量值x1处于q0的90％的时候设备被认为是排量低但不会影响设备工作，当x1小于q0的90％并且小于q1的40％的时候设备排量低并且出现故障，此时会影响设备的正常运行；当x1大于q0的110％小于q1 的120％的时候排量大异常不影响设备运行；当x1大于q0的110％并且大于q1 的120％的时候就是排量故障会影响到设备的正常运行。
[0107]
本实施例的采集模块还包括电流采集模块，其用于检测设备的运行电流值 i0。
[0108]
吸液异常对应的运行参数包括运行电流值i0和设备的流量值q，故障诊断模块根据运行电流值i0和出口流量值x1判断吸液异常，包括：
[0109]
当i0＞0且q＝0时，判断为吸液异常。
[0110]
故障诊断模块还包括根据所述运行电流值i0和平均运行电流值i1判断耗功异常：
[0111]
获取平均运行电流值i1；
[0112]
当i0≥(1 a3)*i1时，判断为耗功异常；
[0113]
其中，0＜a3＜1。
[0114]
设备耗功大是以设备的电流值为判断依据，当监测的设备电流值大于设备设定的上限电流值的时候，认为设备出现故障，故障现象为耗功大；因为电流值波动性比较大，设备的电流标准数值来自于设备正常状态下产生的历史数据统计所得，也就是正常状态下的设备相同流量下的最小电流值。
[0115]
i1历史数据的平均电流值取于变电所；
[0116]
i0为当前设备最新电流值。
[0117]
初始部署系统的时候设置一个标准值以及默认范围，然后根据系统收集到的两到三天的数据取平均值再进行设定，针对电流值系统判定的时候认为电压不变；监测设备当前电流值大于标准点值的104％的时候就认为设备发生耗功大的故障。
[0118]
例如：i0≥i1*104％时，判断为耗功异常。
[0119]
振动异常对应的运行参数为设备的振动速度和振动加速度，因此，本实施例的采集模块包括振动传感器，其用于检测设备的振动速度和振动加速度；故障诊断模块还包括根据所述振动速度和振动加速度判断振动异常，包括：
[0120]
当振动速度或者振动加速度超过设定阈值时，判断为振动异常。
[0121]
机组稳定运行中振动幅值不合格，或变化量超过报警值的25％时，设备出现故障；机组在起动和临界转速时的振动限值，规定轴振不超过260μm、轴承座振动不超过100μm为正常，其他则为故障。
[0122]
系统默认为当设备的振动值不符合标准规定的范围的时候时故障；实际部署系统的时候振动的允许范围需要根据实际情况以及用户建议进行设置。
[0123]
生产中的设备存在必须要满足的出口压力值，实际生产过程中如果监测到某一台设备的出口压力值出现了变化，经过分析得到压力的变化值超过了实际生产中允许的波动范围，则此设备出现了出口压力低的故障。
[0124]
本实施例的采集模块还包括压力传感器，其用于检测设备的出口压力值 x3。
[0125]
故障诊断模块还包括根据所述出口压力值x3判断出口压力异常：
[0126]
获取操作点压力值p0，p0取于dcs系统。
[0127]
当x3＜p0*(1-a4)或者x3＞p0*(1 a4)时判断为出口压力异常；
[0128]
其中，0＜a4＜1。
[0129]
例如，当采集到的数据x3处于操作点值正负3％之外的范围的时候，证明此设备出现故障；即当x3小于p0*97％或x3大于p0*103％的时候即为设备故障；3％为系统针对出口压力值设置的默认范围值，在系统实际部署中，此范围值可以根据用户提供的设备实际运行情况下应具备的出口压力值以及波动范围进行重新设定。
[0130]
关于泵体的温度标准值来源于系统部署之后收集正常状态下的泵体温度数据取一段时间温度的平均值作为标准值，当生产中的泵设备温度高于设定温度的上限值得时候，此泵出现故障，故障现象为泵体过热。
[0131]
本采集模块还包括温度传感器，其用于检测泵体的温度值x4。
[0132]
故障诊断模块还包括根据所述温度值x4判断泵体温度异常：
[0133]
获取泵体的阈值t0。
[0134]
t0为操作点温度值来自于初次部署系统收集到数据的平均值。
[0135]
当x4＞t0 a5时判断为泵体温度异常，其中，0＜a5＜15。
[0136]
例如，当监测到的设备的温度比设定标准值高10℃的时候，表示设备温度过高。
[0137]
也即，x4》t0 10时，判断为泵体过热。
[0138]
根据设备类型不同，轴承箱过热的判断依据不同；一种为强制润滑的润滑油温升大于设定范围值的时候为故障；非强制润滑的轴承箱温度大于设定上限值的时候为故障；故障现象为轴承箱过热。
[0139]
θ为温升指同一时间润滑油进轴承箱时的温度和出轴承箱时的温度的差值；t01为当前监测轴承箱的温度值；t11强制润滑的润滑油进轴承箱时的温度； t12强制润滑的润滑油出轴承箱时的温度。
[0140]
强制润滑的润滑油温升大于28℃的时候为故障；非强制润滑的轴承箱温度大于93℃的时候为故障；故障现象为轴承箱过热。
[0141]
也即：当θ＝t12
–
t11；θ》28℃时，判断为轴承箱过热故障。
[0142]
当t01》93℃时，判断为轴承箱过热故障。
[0143]
对于不出液故障，一台设备在启动一段时间之后，如果监测到设备的流量值一直为0，则认为设备出现了故障，故障现象为不出液。
[0144]
q为最新出口流量值取于dcs系统；
[0145]
i为最新电流取于变电所或互感器；
[0146]
t为从电流大于0开始计时30秒。
[0147]
当监测到设备的电流值从为0变为大于0认为设备开始从停用状态变为启用状态，设备启用之后监测设备的电流数据和流量数据，当电流大于0流量值为0，30秒以后监测获取设备的参数依然如此，则认定此设备出现了故障，故障现象为不出液的。
[0148]
当i》0and q＝0且t》30时，判断为不出液故障。
[0149]
故障原因还对应有危害提醒信息，在得到最终故障原因之后，还包括获取与所述最终故障原因对应的危害提醒信息，并显示输出。通过将最终故障原因提报给设备管理者，并针对故障原因提示相应的危害结果和解决方案。
[0150]
本方法通过筛选过滤的方式缩小故障原因的范围，提示故障会引起什么样的危害，并帮助工厂对故障原因快速定位给出相应解决方案。通过大数据自学习的方式逐步完善排除法，从而让系统做到提前发现和提前预防的效果，更好的保证设备的稳定运行。
[0151]
以上实施例仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。