一种计量设备的故障诊断方法与流程

1.本发明属于智能计量的故障诊断领域，具体涉及一种计量设备的故障诊断方法。


背景技术：

2.传统的计量设备故障诊断中，通常由各个计量现场上报故障设备，再由设备维护人员赶赴现场进行诊断并维护(也即，事后维修)，或者由设备维护人员定期赶赴各个设备的工作场地，进行现场检测以发现缺陷或者故障(也即，计划维修)，从而保障计量设备的正常运行。
3.然而，现有的故障诊断方式下，一方面，随着计量设备的激增，人工诊断的方式工作量极大，设备维护人员无法应对，使得现有的故障诊断所消耗的人力成本极高，而且无法及时处理导致计量设备停产，生产现场停摆；另一方面，人工诊断的方式效率过于低下，无法对计量设备进行实时判断，预警能力差，也就无法提前预知可能存在的设备隐患并及时排除，使得设备故障率节节攀升甚至恶化；再一方面，计量设备的增长也伴随着设备使用数据的指数上升，白白占据存储空间的同时并未得到充分利用，计量数据使用率低，其可能为故障诊断提供参考的潜在价值被未被全面挖掘。


技术实现要素：

4.有鉴于此，本发明提供了一种计量设备的故障诊断方法和装置，能够对现有的计量大数据进行分析，从而对各个计量设备的健康状况进行监测，提前诊断并预警计量设备的故障情况，从而为工作人员提供辅助决策，以及时处理设备故障，保障计量设备的安全生产，提高计量效率。
5.实现本发明的技术方案如下：
6.一种计量设备的故障诊断方法，包括：
7.接收待诊断计量设备的诊断请求；其中，所述诊断请求包括目标预测时间和所述待诊断计量设备的历史校准证书；
8.对所述历史校准证书进行预处理，确定结构化的环境特征和项目特征；
9.将所述环境特征和所述项目特征输入预训练的故障诊断模型；
10.根据所述故障诊断模型的输出，确定所述待诊断计量设备的目标诊断结果；其中，所述目标诊断结果包括所述待诊断计量设备在所述目标预测时间下的预测故障位置和预测故障程度。
11.可选地，还包括：
12.获取各个样本计量设备的样本校准证书和样本检定证书；
13.对所述样本校准证书和所述样本检定证书进行预处理，得到结构化的样本结构特征、样本环境特征、样本项目特征和样本故障特征；
14.利用经验经验模态分解，分别将所述样本环境特征、所述样本项目特征和所述样本故障特征分解为样本环境子序列、样本项目子序列和样本故障子序列；
15.重构所述样本环境子序列、所述样本项目子序列和所述样本故障子序列，确定目标环境变量子序列、目标项目变量子序列和目标故障参数子序列；
16.将所述目标环境变量子序列和所述目标项目变量子序列作为输入，所述目标故障参数子序列作为输出，对故障预测模型进行迭代训练；
17.根据训练结果，生成最终的故障预测模型。
18.可选地，所述对所述样本校准证书和所述样本检定证书进行预处理，得到结构化的样本结构特征、样本环境特征、样本项目特征和样本故障特征，包括：
19.利用预构建的证书实体字典，提取所述样本校准证书中的样本结构特征、样本环境特征、样本项目特征和样本检定证书的样本故障特征。
20.可选地，所述提取所述样本校准证书中的样本结构特征、样本环境特征、样本项目特征和样本检定证书的样本故障特征，包括：
21.根据所述样本校准证书的样本校准时间，确定包括各个样本环境变量和所述样本校准时间的对应序列的所述样本环境特征、各个样本项目变量和所述样本校准时间的对应序列的所述样本项目特征、以及各个样本故障参数和所述样本校准时间的对应序列的样本故障特征。
22.可选地，构建所述证书实体字典，包括：
23.获取各个历史计量设备在历次检定过程中的多个历史校准证书和历史检定证书；其中，所述历史校准证书和所述历史检定证书为word文档格式。
24.将多个所述历史校准证书和历史检定证书的word文档数据转化为xml格式的校准证书半结构化数据和检定证书半结构化数据；
25.抽取所述校准证书半结构化数据和所述检定证书半结构化数据中，xml标签和所述xml标签的标签值的映射关系；
26.根据所述xml标签和所述xml标签的标签值的映射关系，构建证书实体字典。
27.可选地，所述样本环境变量包括样本温度、样本湿度、样本气压等，所述样本项目变量包括样本电流、样本电压、样本电阻、样本噪音等，所述样本故障参数包括样本故障位置和样本故障程度。
28.可选地，在所述对所述历史校准证书进行预处理之前，还包括：
29.确定所述历史校准证书的结构化的结构特征；
30.判断所述结构特征是否符合规定的数据形式，如果是，执行所述确定结构化的环境特征和项目特征。
31.有益效果：
32.(1)大大降低计量设备故障诊断的工作量，减少理成本的消耗，可以及时诊断设备故障，保障计量设备正常工作和正常生产；
33.(2)提高了计量设备故障诊断的效率，可以实现计量设备的实时判断和预警，提前排除计量设备可能存在的故障隐患并及时排除班长计量设备的安全，提升计量设备的使用寿命；
34.(3)充分利用和挖掘计量设备的计量数据，在提高计量数据的使用率的同时为计量设备的故障诊断提供参考；
35.(4)基于计量设备历次检定过程中的结构特性、环境变量、项目变量和故障参数，
利用故障预测模型对计量设备的状态进行分析和监测，预测计量设备未来的健康状况，通过针对性地预防和维护，防止了事后维修、僵化的计划维修所存在的“维修不足”及“过度维修”等问题，可以有效提高计量设备的寿命。
附图说明
36.图1为根据本发明实施例的计量设备的故障诊断方法的主要流程的示意图。
37.图2为根据本发明实施例的故障预测模型的生成方法的主要流程的示意图。
38.图3为根据本发明实施例的证书实体字典的构建方法的主要流程的示意图。
具体实施方式
39.下面结合附图并举实施例，对本发明进行详细描述。
40.emd：empirical mode decomposition，即经验模态分解，是指依据数据自身的时间尺度特征来进行信号分解，无须预先设定任何基函数，理论上可以应用于任何类型的信号的分解，包括线性、平稳信号序列号和非线性、非平稳信号序列。
41.imf：intrinsic mode functions，即内涵模态分量，或称固有模态函数、本征模函数，是指原始信号被emd分解之后得到的各层信号分量或者单分量信号。
42.本发明提供了一种计量设备的故障诊断方法，如图1所示，本发明的计量设备的故障诊断方法包括如下步骤：
43.步骤11，接收待诊断计量设备的诊断请求；其中，所述诊断请求包括目标预测时间和所述待诊断计量设备的历史校准证书。
44.在本发明实施例中，校准证书包括证书唯一编号、校准地点、校准时间、校准依据的技术规范文件、计量设备名称、计量设备编号、证书页数、委托方名称、审核人、校准环境变量、校准项目、校准项目的测量结果、校准项目的测量结果的不确定度(或称，测量不确定度)。
45.步骤12，对所述历史校准证书进行预处理，确定结构化的环境特征和项目特征。
46.在本发明实施例中，在所述对所述历史校准证书进行预处理之前，还包括：
47.确定所述历史校准证书的结构化的结构特征；
48.判断所述结构特征是否符合规定的数据形式，如果是，执行所述确定结构化的环境特征和项目特征；
49.如果否，拒绝所述诊断请求，并发出历史校准证书不符合规定的数据形式的提醒信息。
50.在本发明实施例中，结构特征是根据校准证书中的结构特性提取到的，结构特性是指校准证书的数据形式，包括列表、文字、签章(图片)等形式，可以用于判断校准证书是否符合规定的数据形式，对于不符合规定的数据形式的校准证书直接排除，不进行判断；仅对符合规定的数据形式的校准证书进行环境特征和项目特征的提取。
51.进一步地，在对校准证书进行预处理之前，可以剔除校准证书中的无关诊断数据，无关诊断数据包括证书唯一编号、校准地点、准依据的技术规范文件、证书页数、委托方名称、审核人等。
52.步骤13，将所述环境特征和所述项目特征输入预训练的故障诊断模型。
53.在本发明实施例中，故障诊断模型根据输入的环境特征和项目特征，可以预测计量设备未来的健康状况，包括可能发生的故障、故障程度和位置、故障发展的趋势和剩余使用寿命等，从而确定是否会对计量设备的任务执行产生影响。
54.本发明提供了一种故障诊断模型的生成方法，如图2所示，本发明的故障诊断模型的生成方法包括如下步骤：
55.步骤21，获取各个样本计量设备的样本校准证书和样本检定证书。
56.在本发明实施例中，样本数据库存储了各个样本计量设备在历次检定过程中的样本校准证书和样本检定证书。
57.在本发明实施例中，检定证书是根据校准证书确定的计量设备是否合格的结论。
58.步骤22，对所述样本校准证书和所述样本检定证书进行预处理，得到结构化的样本结构特征、样本环境特征、样本项目特征和样本故障特征。
59.在本发明实施例中，利用预构建的证书实体字典，提取所述样本校准证书中的样本结构特征值、样本环境特征、样本项目特征和样本检定证书的样本故障特征；其中：
60.在本发明实施例中，如图3所示，本发明的证书实体字典的构建方法包括如下步骤：
61.步骤31，获取各个历史计量设备在历次检定过程中的多个历史校准证书和历史检定证书；其中，所述历史校准证书和所述历史检定证书为word文档格式。
62.步骤32，将多个所述历史校准证书和历史检定证书的word文档数据转化为xml格式的校准证书半结构化数据和检定证书半结构化数据。
63.步骤33，抽取所述校准证书半结构化数据和所述检定证书半结构化数据中，xml标签和所述xml标签的标签值的映射关系。
64.步骤34，根据所述xml标签和所述xml标签的标签值的映射关系，构建证书实体字典。
65.在本发明实施例中，利用多个历史校准证书和历史检定证书抽取出的证书实体字典，即可在后续的使用过程中，基于证书实体字典，抽取各个校准证书和检定证书的证书数据，包括校准证书和检定证书的各个实体的标签值。
66.在本发明实施例中，根据所述样本校准证书的样本校准时间，确定包括各个样本环境变量和所述样本校准时间的对应序列的所述样本环境特征、各个样本项目变量和所述样本校准时间的对应序列的所述样本项目特征、以及各个样本故障参数和所述样本校准时间的对应序列的样本故障特征。
67.进一步地，所述样本环境变量包括样本温度、样本湿度、样本气压等，所述样本项目变量包括样本电流、样本电压、样本电阻、样本噪音等，所述样本故障参数包括样本故障位置和样本故障程度。
68.步骤23，利用经验经验模态分解，分别将所述样本环境特征、所述样本项目特征和所述样本故障特征分解为样本环境子序列、样本项目子序列和样本故障子序列。
69.在本发明实施例中，emd将每一个样本环境变量和样本校准时间的对应序列分解为多个样本环境子序列，比如，样本环境变量为样本温度，emd将每一个样本温度和样本校准时间的对应序列分解为多个样本温度子序列。
70.emd将每一个样本项目变量和样本校准时间的对应序列分解为多个样本项目子序
列，比如，样本项目变量为样本电流，emd将每一个样本电流和样本校准时间的对应序列分解为多个样本电流子序列。
71.emd将每一个样本故障参数和样本校准时间的对应序列分解为多个样本故障子序列，比如，样本故障参数为样本故障位置，emd将每一个样本故障位置和样本校准时间的对应序列分解为多个样本故障位置子序列。
72.进一步地，在emd将各个序列分解后，可以获得各个子序列的趋势项(即各个序列的变化趋势)。
73.步骤24，重构所述样本环境子序列、所述样本项目子序列和所述样本故障子序列，确定目标环境变量子序列、目标项目变量子序列和目标故障参数子序列。
74.在本发明实施例中，emd可以将数据序列分解为内在本征模函数子序列imf和趋势项，在获得imf时，emd是自动识别并逐次提取高频到低频的序列，因此，得到的imf是均值趋于零，没有明显上升或下降趋势的序列，满足时间序列对平稳性的要求。对各个样本计量设备的样本环境子序列、样本项目子序列和样本故障子序列进行重构，从中确定对于样本计量设备来说有用的诊断序列(即目标环境变量子序列、目标项目变量子序列和目标故障参数子序列，或称高频序列)，比如，气压对发动机的故障诊断没有价值、温度对发动机的故障诊断有价值，故而发动机的目标环境变量子序列包括样本温度序列而不包括样本气压序列。
75.进一步地，重构是指利用滤波将各个样本子序列转化为线性图进行判断。
76.在本发明实施例中，以发动机为例，当发动机正常运行时，发动机环境变量的温度和项目变量的噪声对应的信号值都处于正常范围，一旦在某个周期内收集到的温度信号值和噪声信号值严重超过正常信号值的范围，就表示发动机可能出现故障，emd通过对样本温度子序列和样本噪声子序列进行分析，发现温度信号值和噪声信号值的序列多次超过正常信号值，温度信号值和噪声信号值对应的序列即为高频序列。
77.在本发明实施例中，样本环境子序列、样本项目子序列和样本故障子序列经过emd处理后，会被分解成一系列较为平稳的分量，但每个分量并不能单独描述原始序列的特征，需要将每个分量的特性进行综合才能较为准确地描述原始序列，故而运用重构的思想将各分量进行重组，使重构的序列特征信息可以较为全面地体现对应的样本计量设备的各项特征，从而为设备性能预测提供可靠分析，为计量设备健康状况提供可靠分析和预测。
78.步骤25，将所述目标环境变量子序列和所述目标项目变量子序列作为输入，所述目标故障参数子序列作为输出，对故障预测模型进行迭代训练。
79.在本发明实施例中，故障预测模型采用神经网络算法，神经网络算法的故障预测模型的训练采用梯度下降和反向传播算法，通过反向学习过程使网络输出节点的误差最小，训练初始假设神经网络的各个参数的权值和阈值，训练过程中沿着误差函数的负梯度快速下降方向进行修正，直至确定最终的神经网络的各个参数的权值。在神经网络中，非线性的学习处理是由隐含层和输出层共同作用完成的。当故障预测模型的输出与目标故障参数子序列给定的期望值不一致时，将其误差信号从输出端反向传回，传回过程中持续修正权值。
80.步骤26，根据训练结果，生成最终的故障预测模型。
81.在本发明实施例中，在故障预测模型的训练过程中，可以划分训练集和测试集，以
进一步提高故障预测模型的准确性。
82.步骤14，根据所述故障诊断模型的输出，确定所述待诊断计量设备的目标诊断结果；其中，所述目标诊断结果包括所述待诊断计量设备在所述目标预测时间下的预测故障位置和预测故障程度。
83.在本发明实施例中，故障诊断模型的神经网络会对输入的环境特征和项目特征进行前向计算并得到目标诊断结果，对待诊断计量设备进行故障预测，从而可以在故障未发生时提供预见性的维护，及时采取措施解决故障，并对故障原因进行追溯，以避免不必要故障的产生。通过对历次检定过程中计量设备的各项数据进行分析，根据时间序列的分析，应用emd进行序列分解，从而建立合理且简单实用的故障预测模型，提高故障预测的准确性，保障设备安全生产。
84.综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。