一种通风机精细预诊与精准运维装置及系统

1.本发明涉及通风机检测技术领域，尤其涉及一种通风机精细预诊与精准运维装置及系统。


背景技术：

2.通风机是工业生产中用于气体循环与排放的关键设备，广泛应用于钢铁冶金、电力石化、交通运载等重要领域。通风机运行环境恶劣且复杂，长时间运转导致磨损和腐蚀，零部件加速老化失效，引发通风机故障。通风机一旦发生故障，轻则影响设备和所在产线正常工作、造成经济损失，重则引发安全生产事故。因此，为保障通风机运行安全，降低故障停机损失，避免安全事故，采取行之有效的方法与技术手段，对通风机及其关键零部件进行状态监测与健康预诊显得更为重要。
3.目前，在通风机现场运维工作中，存在失效模式复杂、早期故障不易预测、评估预测对备件管理指导作用弱等重大瓶颈问题。现有技术中虽可见针对通风机的监测保护系统，但针对上述重大瓶颈问题提出系统解决方案的技术仍未见，主要体现在一下几点：
4.1、现有通风机监测保护系统，仅实现了现场数据采集通讯、依赖经验设定最高预警值和简易诊断的功能，缺乏精细化、定制化的通风机信号分析与特征提取技术，以及基于海量多物理信号数据与人工智能技术做支撑，无法做到通风机零部件故障定位，以及通风机复杂失效模式的判别。
5.2、在通风机现场运维工作中，设备故障往往源于因磨损、腐蚀导致的各零部件失效。因此，监测通风机各关键零部件的工作状态，对其早期失效做到早发现、早诊断至关重要，而现有技术无法做到这一点，也就无法实现基于早期失效零部件的通风机健康预诊、趋势预测和寿命预测。
6.3、现有通风机监测保护系统中未见趋势预测和寿命预测两项技术，使得现有技术无法指导用户对通风机关键零部件进行备件管理。具体体现在，用户无从得知通风机运行趋势和寿命的预测结果，也能无法实现视情维修工作的部署，现场仍依赖经验制定周期性解体检查、零部件更换的维修计划。
7.4、目前尚无涉及通风机复杂失效模式精细化预诊，零部件早期失效驱动的运行趋势与服役寿命预测，以及基于预测结果的关键零部件备件管理三项技术的通风机精细预诊与精准运维系统。


技术实现要素：

8.为了解决上述技术问题，本发明提出一种通风机精细预诊与精准运维装置及系统，能够在通风机正常运转过程中，通过振动、温度、压力、流量等多物理场信号的连续采集，计算信号时域、频域的多个特征参数，联合大数据分析挖掘技术和人工智能技术，在线获得关键零部件的实时工作状态，对关键零部件的早期失效进行精细化预诊。针对海量多物理场信号进行大数据分析，借助人工智能技术预测通风机健康度并打分，并基于关键零
部件早期失效的精细化预诊结果，自适应开展零部件寿命预测。利用通风机健康度预测结果和关键零部件寿命预测结果，制定维修计划并进行备件管理。
9.为了达到上述目的，本发明的技术方案如下：
10.一种通风机精细预诊与精准运维装置，包括状态监测单元、信号分析单元、预警诊断单元和精准运维单元，其中，
11.所述状态监测单元，用于获取通风机的经济指标、性能指标和安全指标并实时显示经济指标、性能指标和安全指标涉及信号的变化趋势，用于根据性能指标和安全指标计算健康度指标并显示，用于根据经济指标和性能指标计算总体效率指标数值并显示；
12.所述信号分析单元，用于动态计算并展示经济指标、性能指标和安全指标中各物理信号包含的所有测点的特征值及其变化曲线，并预测各物理信号的变化趋势，动态计算各信号报警阈值；
13.所述预警诊断单元，用于根据信号分析单元的计算结果，利用精细化预警诊断方法和大数据人工智能预警诊断方法并行给出通风机故障诊断结论，若诊断结论相同则确诊通风机故障，否则发出需要人工诊断的提示信息；
14.所述精准运维单元，用于预测通风机中关键零部件的寿命，并根据预测结果和点检/维修记录统计结果开具通风机精细预诊报告。
15.优选地，所述经济指标的测点包括电流、电压和电功率，所述性能指标的测点包括转速、进口压力、出口压力和压差，所述安全指标的测点包括振动、温度、油位和流量，其中，所述振动包括传动轴电机端轴承振动、传动轴叶轮端轴承振动、电机负载端轴承振动和电机风扇端轴承振动，所述温度包括传动轴电机端轴承温度和传动轴叶轮端轴承温度。
16.优选地，所述信号分析单元包括信号预处理模块、时域特征提取模块和频域特征提取模块，其中，
17.所述信号预处理模块，用于进行经济指标、性能指标和安全指标涉及信号数据的通讯中断数据点衔接和奇异值去除，并将处理后的信号数据发送至信号时域分析模块和信号频域分析模块；
18.所述时域特征提取模块，用于提取时域特征，所述时域特征包括均方根值、偏斜度因数、峭度因数和峰值因数；
19.所述频域特征提取模块，用于提取频域特征，所述频域特征包括功率谱和包络谱的特征参数，所述功率谱的特征参数包括重心频率、均方频率、均方根频率、频率方差、频率标准差和第1～5频带相对能量；所述包络谱的特征参数包括轴承内圈通过频率、轴承外圈通过频率、轴承滚动体通过频率和轴承保持架特征频率。
20.优选地，所述预警诊断单元包括精细化预警诊断模块、大数据人工智能预警诊断模块和判断模块，其中，
21.所述精细化预警诊断模块，包括第一子模块、第二子模块和结论模块，其中，
22.所述第一子模块，用于基于动态时域报警阈值进行时域检测并将检测结果发送至结论模块；
23.所述第二子模块，用于根据拉依达法则进行实时频域特征检测并将检测结果发送至结论模块；
24.所述结论模块，用于分别接收所述第一子模块或第二子模块的检测结果，并根据
所述第一子模块或第二子模块的检测结果判断对应信号的测点位置是否存在故障特征并给出通风机故障诊断结论；
25.所述大数据人工智能预警诊断模块，用于利用卷积神经网络对各类物理信号的历史数据进行数据特征融合，以建立状态分类模型，实时将所有在线信号数据均以原始信号形式直接输入状态分类模型，获得信号所属分类标签，进而给出通风机工作状态，若状态判定为正常，则返回状态监测单元，否则给出相应通风机故障诊断结论；
26.所述判断模块，用于获取精细化预警诊断模块和大数据人工智能预警诊断模块的诊断结论，若诊断结论相同则确诊通风机故障，否则提示人工诊断介入。
27.优选地，所述动态时域报警阈值是将经济指标、性能指标和安全指标涉及的各类物理信号的历史数据分别输入卷积神经网络和隐马尔可夫模型分别进行数据融合和建立状态转移模型，并根据融合特征信息和状态转移模型建立趋势预测模型，通过趋势预测模型实时计算信号趋势，然后根据拉依达法则计算获得动态时域报警阈值。
28.优选地，所述状态转移模型中采用softmax函数计算隶属度，表达式为：
[0029][0030]
式中，x(i)为第i个信号数据包，us为卷积神经网络分类层中与第s个神经元相连的权值向量，bs为该神经元的偏置，为从x(i)中提取的特征向量，h(x(i))为x(i)隶属于标签y(i)的概率，
[0031]
所述状态转移模型中状态转移矩阵a，计算公式为：
[0032]
a＝{a
ij
}＝p[hs(t 1)＝hsj|hs(t)＝hsi]，
[0033]
式中，i和j分别为隐马尔可夫模型中的第i和第j个隐状态，a
ij
为第i个隐状态向第j个隐状态转移的概率，hs(t)表示t时刻的隐状态。
[0034]
优选地，所述精准运维单元用于将经济指标、性能指标和安全指标涉及的各类物理信号的历史数据分别输入卷积神经网络和隐马尔可夫模型分别进行数据融合和建立状态转移模型，然后结合零部件损伤失效机理，建立零部件寿命预测模型，用于将当前时刻的时域特征和频域特征输入零部件寿命预测模型，预测零部件剩余使用寿命，并根据预测零部件剩余使用寿命和点检/维修记录，形成通风机精细预诊报告。
[0035]
优选地，所述点检/维修记录包括维修计划时间、完成时间、维修时长、设备编码、故障编码、故障征兆和处理方式。
[0036]
优选地，所述精准运维单元，还用于根据预测零部件剩余使用寿命，制定相应零部件的备件规则，形成该备件的备件管理方案。
[0037]
一种通风机精细预诊与精准运维系统，包括：数据采集单元、云端数据库、客户端计算机和监控中心平台，所述数据采集单元、客户端计算机和监控中心平台均与云端数据库连接，所述客户端计算机具有上述的通风机精细预诊与精准运维装置。
[0038]
基于上述技术方案，本发明的有益效果是：本发明利用卷积神经网络和隐马尔可
夫模型，从海量历史数据中挖掘反映通风机各物理场信号的特征信息，进而建立机器学习模型，预测各物理场信号的时域变化趋势，并根据趋势预测结果动态设定超限报警阈值，实现基于通风机各项指标自适应阈值设定的超限报警功能；通风机安全指标一旦发生超限报警，便利用精细化预警诊断和大数据人工智能诊断两种方式同步进入预警诊断。其中，精细化预警诊断包含时域超限报警触发故障频谱检测和故障频谱直接检测两种诊断方法。大数据人工智能预警诊断则根据所建立的通风机故障智能诊断模型，直接对当前原始信号所反映的通风机故障类别进行判断。三种诊断方法在后台同步判断。时域超限报警触发故障频谱检测和故障频谱直接检测两种方法，哪种方法先确诊故障，便由该结果给出通风机诊断结论。然后，与在后台同步进行故障类型判别的大数据人工智能预警诊断方法所给出的结论进行比较。两者结论相同，则确诊通风机故障，否则建议人工诊断介入；将维修时间和设备信息，连同智能诊断结论和人工诊断记录一并存储至后台数据库。结合通风机关键零部件剩余使用寿命的预测结果，开具通风机精细预诊报告，并制定关键零部件的规则化备件管理方案，以指导通风机设备的精准运维。
附图说明
[0039]
图1是一个实施例中一种通风机精细预诊与精准运维系统的结构框图；
[0040]
图2是一个实施例中信号分析单元的算法树状图；
[0041]
图3是一个实施例中预警诊断单元的结构框图；
[0042]
图4是一个实施例中预警诊断单元中精细化预警诊断模块的结构框图；
[0043]
图5是一个实施例中第一子模块内时域超限报警方法流程图；
[0044]
图6是一个实施例中预警诊断单元中预警诊断方法流程图；
[0045]
图7是一个实施例中精准运维单元中精准运维方法流程图。
[0046]
图中，各附图标记为：
[0047]
1、数据采集单元；2、云端数据库；3、客户端计算机；31、状态监测单元；32、信号分析单元；321、信号预处理模块；322、时域特征提取模块；323、频域特征提取模块；33、预警诊断单元；331、精细化预警诊断模块；3311、第一子模块、3312、第二子模块；3313、结论模块；332、大数据人工智能预警诊断模块；333、判断模块；34、精准运维单元；4、监控中心平台。
具体实施方式
[0048]
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。
[0049]
请参照图1，图1为通风机精细预诊与精准运维系统的结构框图。系统中通过数据采集模块(传感器和仪表)采集通风机的三类指标所涉及的信号，三类指标为经济指标、性能指标和安全指标，其中所述经济指标包括电流、电压和电功率，所述性能指标包括转速、进口压力、出口压力和压差，所述安全指标包括振动、温度、油位和流量，其中，所述振动包括传动轴电机端轴承振动、传动轴叶轮端轴承振动、电机负载端轴承振动和电机风扇端轴承振动，所述温度包括传动轴电机端轴承温度和传动轴叶轮端轴承温度。信号采集后通过网关向云端数据库2间歇性发送数据包并存储。监控中心平台4和客户端计算机3均可从云端数据库2读取数据。
[0050]
本实施例提供一种通风机精细预诊与精准运维装置，包含状态监测单元31、信号分析单元32、预警诊断单元33和精准运维单元34四个模块，均安装在客户端计算机3上，实现对通风机及其零部件多模式早期故障的精细诊断与精准运维。该系统的应用可减少通风机的故障发生率，以及因通风机故障引起的生产线停机率，提高通风机用户的整体运维水平，为企业节约运营成本，提升智能化水平起到重要的示范作用，具有重要的社会经济价值。其一种通风机精细预诊与精准运维装置，现具体说明如下：
[0051]
所述状态监测单元31，用于获取通风机的经济指标、性能指标和安全指标并实时显示经济指标、性能指标和安全指标涉及信号的变化趋势，用于根据性能指标和安全指标计算健康度指标并显示，用于根据经济指标和性能指标计算总体效率指标数值并显示；
[0052]
所述信号分析单元32，用于动态计算并展示经济指标、性能指标和安全指标中各物理信号包含的所有测点的特征值及其变化曲线，并预测各物理信号的变化趋势，动态计算各信号报警阈值；
[0053]
所述预警诊断单元33，用于根据信号分析单元32的计算结果，利用精细化预警诊断方法和大数据人工智能预警诊断方法并行给出通风机故障诊断结论，若诊断结论相同则确诊通风机故障，否则提示人工诊断介入；
[0054]
所述精准运维单元34，用于预测通风机中关键零部件的寿命，并根据预测结果和点检/维修记录统计结果开具通风机精细预诊报告。
[0055]
参照图2，图2为本发明实施的通风机精细预诊与精准运维装置的信号分析单元32的算法树状图。所述信号分析单元32包括信号预处理模块321、时域特征提取模块322和频域特征提取模块323，其中，
[0056]
所述信号预处理模块321，用于进行经济指标、性能指标和安全指标涉及信号数据的通讯中断数据点衔接和奇异值去除，并将处理后的信号数据发送至信号时域分析模块和信号频域分析模块；
[0057]
所述时域特征提取模块322，用于提取时域特征，所述时域特征包括均方根值、偏斜度因数、峭度因数和峰值因数，计算公式分别为：
[0058][0059]
式中，x(n)为n点信号的第n点数值，为n点信号的均方根值；
[0060][0061]
式中，为n点信号的偏斜度，s为偏斜度因数；
[0062][0063]
式中，为n点信号的峭度，kv为峭度因数；
[0064][0065]
式中，为n点信号的最大值，c为峰值因数。
[0066]
所述频域特征提取模块323，用于提取频域特征，所述频域特征包括功率谱和包络谱的特征参数，其中功率谱s(f)27包含重心频率、均方频率、均方根频率、频率方差、频率标准差和第1～5频带相对能量六种特征提取算法，计算公式分别为：
[0067]
重心频率：
[0068]
均方频率：
[0069]
均方根频率：
[0070]
频率方差：
[0071]
频率标准差：
[0072]
第1～5频带相对能量：式中，b为转频阶数，b＝5，eb为第b阶频带能量，为第b阶频带相对能量。
[0073]
包络谱包含轴承内圈通过频率、轴承外圈通过频率、轴承滚动体通过频率和轴承保持架特征频率四种特征提取算法，计算公式分别为：
[0074]
内圈通过频率：
[0075]
外圈通过频率：
[0076]
滚动体通过频率：
[0077]
保持架特征频率：式中，z为滚动体个数，fi和fo分别为内圈和外圈的转频，d和d分为为滚动体直径和节圆直径，为接触角。
[0078]
如图3至6所示，在一个实施例提供一种通风机精细预诊与精准运维装置中，所述预警诊断单元33包括精细化预警诊断模块331、大数据人工智能预警诊断模块332和判断模块333，其中，
[0079]
所述精细化预警诊断模块331，包括第一子模块3311、第二子模块3312和结论模块
3313，其中，
[0080]
参照图5，图5为第一子模块3311内时域超限报警方法流程图。所述第一子模块3311，用于将经济指标、性能指标和安全指标涉及的各类物理信号的历史数据分别输入卷积神经网络和隐马尔可夫模型分别进行数据融合和建立状态转移模型，并根据融合特征信息和状态转移模型建立趋势预测模型，通过趋势预测模型实时计算信号趋势，然后根据拉依达法则计算获得动态时域报警阈值，用于将时域报警阈值与当前信号对应的数据包进行数值比较，若当前数据值大于报警阈值，则进入时域超限报警，否则进入下一信号数据包的判断并将检测结果发送至结论模块3313，时域超限报警阈值设定依据的拉依达法则的计算公式为：
[0081]
σ
th
＝3σn，
[0082]
式中，σn为信号时域波形的十个数据包的均值，σ
th
为时域报警阈值；
[0083]
所述第二子模块3312，用于根据拉依达法则进行实时频域特征检测并将检测结果发送至结论模块3313，具体时在于寻找是否存在能量突出的零部件振动故障特征频率成分，第二子模块3312的故障频谱检测被触发的条件是，依据拉依达法则，若先检测到存在能量突出的故障特征频率，则给出与故障特征频率对应的通风机故障诊断结论。若未检测到能量突出的故障特征频率，则返回状态监测单元31继续通风机状态监测。
[0084]
所述结论模块3313，分别接收所述第一子模块3311或第二子模块3312的检测结果，服从谁先预警谁启动诊断的逻辑，并根据所述第一子模块3311或第二子模块3312中先给出的检测结果判断对应信号的测点位置是否存在故障特征并给出通风机故障诊断结论；
[0085]
所述大数据人工智能预警诊断模块332，用于利用卷积神经网络对各类物理信号的历史数据进行数据特征融合，以建立状态分类模型，实时将所有在线信号数据均以原始信号形式直接输入状态分类模型，获得信号所属分类标签，进而给出通风机工作状态，若状态判定为正常，则返回状态监测单元31，否则给出相应通风机故障诊断结论，其中所述状态转移模型中采用softmax函数计算隶属度，表达式为：
[0086][0087]
式中，x(i)为第i个信号数据包，us为卷积神经网络分类层中与第s个神经元相连的权值向量，bs为该神经元的偏置，为从x(i)中提取的特征向量，h(x(i))为x(i)隶属于标签y(i)的概率，
[0088]
所述判断模块333，用于获取精细化预警诊断模块331和大数据人工智能预警诊断模块332的诊断结论，若诊断结论相同则确诊通风机故障，否则提示人工诊断介入。
[0089]
请参照图7，图7为本发明精准运维单元34中精准运维方法流程图。精准运维单元34用于将经济指标、性能指标和安全指标涉及的各类物理信号的历史数据分别输入卷积神经网络对数据进行特征融合。卷积神经网络确定信号所属分类标签的算法及其表达式，与大数据人工智能预警诊断方法中卷积神经网络确定信号所属分类标签的算法及其表达式
相同，不再赘述。
[0090]
数据特征融合的同时，利用隐马尔可夫模型建立状态转移模型。状态转移模型的核心是计算状态转移矩阵a，计算公式为：
[0091]
a＝{a
ij
}＝p[hs(t 1)＝hsj|hs(t)＝hsi]，
[0092]
式中，i和j分别为隐马尔可夫模型40中的第i和第j个隐状态，a
ij
为第i个隐状态向第j个隐状态转移的概率，hs(t)表示t时刻的隐状态。
[0093]
结合零部件损伤失效机理，建立零部件寿命预测模型。读取零部件上各测点对应物理信号的当前数据包，对信号进行时域分析和频域分析，计算得到相关特征值。输入寿命预测模型，预测零部件剩余使用寿命。从云端数据库2读取点检/维修记录(维修计划时间、完成时间、维修时长、设备编码、故障编码、故障征兆和处理方式)，形成通风机的精细预诊报告。同时，结合剩余使用寿命，在精准运维单元34中制定相应零部件的备件规则，最终形成该备件的备件管理方案。
[0094]
以上所述仅为本发明所公开的一种通风机精细预诊与精准运维装置及系统的优选实施方式，并非用于限定本说明书实施例的保护范围。凡在本说明书实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的保护范围之内。