一种设备故障预测系统和方法技术方案

本发明专利技术提供一种设备故障预测系统和方法，系统包括：预测模块，对设备进行故障预测；呈现模块，对预测出的故障进行呈现；所述预测模块包括：采集单元，利用传感器实时采集所述设备的所述传感数据；分析单元，对所述传感数据进行分析、学习和处理；预测单元，根据所述分析、学习和处理预测出所述设备的故障类型。通过采集设备的数据并对实时采样数据连续处理和分析，让设备在运行过程中的故障模式被在线学习，且实现设备故障的在线实时追踪与预测，让用户可以及时对设备进行预防性的运维，防止非计划停机和事故。

Equipment fault prediction system and method

The invention provides a system and method of prediction, a fault system includes: prediction module, fault prediction of equipment; rendering module on the fault prediction of the present; the prediction module comprises an acquisition unit, using the sensor data acquisition sensor of the device; the cell analysis, analysis and study and the processing of the sensor data; the prediction unit, according to the analysis, study and predict the fault types of processing equipment. Through the data acquisition equipment and the real-time sampling continuous data processing and analysis, make the equipment failure mode in the operation process of online learning, online real-time tracking and prediction and the realization of equipment failure, so that the user can timely the equipment preventive maintenance, to prevent unplanned downtime and accident.

【技术实现步骤摘要】
一种设备故障预测系统和方法
本专利技术涉及物联网领域，具体涉及一种设备故障预测系统和方法。
技术介绍
大数据一般定义为一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合，具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低等四大特征。大数据技术的战略意义不在于掌握庞大的数据信息，而在于对这些含有意义的数据进行专业化处理。换而言之，如果把大数据比作一种产业，那么这种产业实现盈利的关键，在于提高对数据的“加工能力”，通过“加工”实现数据的“增值”和构建商业模式。从技术上看，大数据与云计算的关系就像一枚硬币的正反面一样密不可分。大数据必然无法用单台的计算机进行处理，必须采用分布式架构。它的特色在于对海量数据进行分布式数据挖掘。但它必须依托云计算的分布式处理、分布式数据库和云存储、虚拟化技术。而实时计算或者说实时数据处理是大数据应用的一个基础环节和关键技术，是实现基于数据的快速响应、快速决策的关键。转动设备的维护是非常昂贵且极消耗资源的，在连续性生产中，企业常常需要存储大量的备配件来保障快速修复他们的泵、风机等设备。但即使在准备充足的备配件的情况下，设备故障也会引起生产交付延迟、成本高昂的维修等问题。传统的对故障预防的方式是通过定期人员巡检，让技术专家每周或每月进行预防性的检修，而由人员实现的数据采集不足以用于发现所有问题，以实现计划性的维修。故障导致的非计划的停产将会产生紧急事故和生产效率的破坏。因为目前无法对潜在故障进行预测，则需付出昂贵的事故和维修成本，造成生产损失。
技术实现思路
本专利技术为了解决对潜在故障预测的问题，提供一种设备故障预测系统和方法。为了解决上述问题，本专利技术采用的技术方案如下所述：一种基于设备故障预测系统，包括：预测模块，对设备进行故障预测；呈现模块，对预测出的故障进行呈现；所述预测模块包括：采集单元，利用传感器实时采集所述设备的所述传感数据；分析单元，对所述传感数据进行分析、学习和处理；预测单元，根据所述分析、学习和处理预测出所述设备的故障类型。优选地，包括传感器、传感数据集线器、边缘网关和云端平台。优选地，所述传感器包括加速度计和转速计。本专利技术还包括一种设备故障预测系统预测故障的方法，包括如下步骤：S1：对设备进行故障预测；S2：对预测出的故障进行呈现；所述对设备进行故障预测包括如下步骤：S11：所述传感器实时采集设备的震动信息，并将采集的数据传输给所述传感数据集线器；所述传感数据集线器接收来自所述传感器的数据并将所述数据传输给所述边缘网关；S12：所述边缘网关接收所述数据并对数据进行分析、学习和处理，形成动态的震动特征和不同类别的异常特征；S13：所述边缘网关根据所述震动特征和异常特征对后续数据进行检测，对故障进行预测，并将异常数据和预测出的故障类型发送给云端平台；所述对预测出的故障进行呈现包括：S21：所述云端平台接收来自所述边缘网关的数据并存储，同时提供可视化展示。优选地，所述步骤S12中包括如下步骤：T1：将实时接收到的数据缓存，每秒钟接收到的10000-20000个采样值形成一个向量，并按秒将5-10分钟内的向量组成一个原始数据矩阵；T2：将所述原始数据矩阵作快速傅立叶变换，变换为频域矩阵；T3：对所述频域矩阵做连续的聚类学习，生成不同样本组成的点群，将所述点群中样本数最多的定义为主群，所述主群对应正常模式；T4：基于所述点群，构建一个决策树模型。优选地，根据所述决策树模型对实时传入的快速傅立叶变换的采样数据进行故障预测。优选地，所述步骤S13中的故障预测包括如下步骤：T51：所述实时传入的快速傅立叶变换的采样数据对应正常模式，则判断为正常，并将该采样值忽略，重复步骤T51，对后续采样数据进行判断；否则进入步骤T52；T52：保留所述对应异常模式的采样数据，对下一个采样数据进行判断，若为正常模式，则判断所述设备状态为正常，并将所述两个采样数据释放；若连续T个采样数据为异常模式，则预测设备具有所述异常模式对应的故障，所述T为大于2的自然数，并将所述T+1个采样数据和所述预测传给云端平台；若在连续出现X个采样数据为所述异常模式之后，第X+1个数据不属于所述异常模式，所述X为满足：1≤X＜T的自然数，则进入步骤T53；T53：保留所述X个采样数据，判断所述第X+1个采样数据：若为正常模式，则预测设备为正常，并将所述X+1个采样数据释放；若所述第X+1个采样数据为另外一种异常模式，且后面连续T个采样为所述另外一种异常模式，则预测设备同时具有所述X+1个采样数据对应的故障和所述T+1个采用数据所对应的故障，并将所述X+1个采样数据、所述T+1采样数据和所述预测传给云端平台；若所述第X+1个采样数据为另外一种异常模式，且后面连续出现T-X次采样为所述X个采样数据对应的异常模式，则预测设备具有所述X个采样数据对应的故障，并将所述对应故障的T+1个采样数据、所述第X+1个采样数据和所述预测传给云端平台。优选地，所述采样数据包括震动数据。优选地，所述云端平台将所述故障信息发送到用户终端。本专利技术还包括一种包含计算机程序的计算机可读存储介质，所述计算机程序可操作来使计算机执行如上任一所述的方法。本专利技术的有益效果为：提供一种设备故障预测系统和方法，通过采集设备采集数据并对实时采样数据分析、学习和处理，让设备在运行过程中的故障模式被在线学习，且实现设备故障的在线实时追踪与预测，实现用户及时对设备进行预防性的运维，防止非计划停机和事故。附图说明图1是本专利技术实施例1的设备故障预测系统示意图。图2是本专利技术实施例2的设备故障预测系统的预测故障的方法示意图。图3是本专利技术实施例2的边缘网关接收所述数据并对数据进行分析和学习示意图。图4是本专利技术实施例2的根据所述决策树模型对实时传入的快速傅立叶变换的采样数据进行故障预测示意图。图5是本专利技术实施例2的在某个时间窗内的原始震动采样数据示意图。图6是本专利技术实施例2的在某个时间窗内的震动采样数据通过FFT变换后的频域数据示意图。图7是本专利技术实施例2的在某个时间窗内的震动采样数据通过FFT变换后的频域数据示意图。图8是本专利技术实施例2的主群示意图。其中，1-加速度计，2-转速计，3-轴承，4-伺服电机，5-传感器与传感数据集线器之间的数据接口，6-传感数据集线器与边缘网关之间的接口，7-边缘网关与云端平台之间的接口，8-传感数据集线器,9-边缘网关，10-云端平台，11-用户终端，12-主群。具体实施方式下面结合附图通过具体实施例对本专利技术进行详细的介绍，以使更好的理解本专利技术，但下述实施例并不限制本专利技术范围。另外，需要说明的是，下述实施例中所提供的图示仅以示意方式说明本专利技术的基本构思，附图中仅显示与本专利技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的形状、数量及比例可为一种随意的改变，且其组件布局形态也可能更为复杂。实施例1如图1所示，一种设备故障预测系统包括驱动设备运作的伺服电机4、加速度计1、转速计2，加速度计1、转速计2合称为传感器并且都设置在轴承3上，速度计1、转速计2采集的数据通过传感器与传感数据集线器之间的数据接口5传输给传感数据集线器8；传感数据集线器8通过传感数据集线器与边缘网关本文档来自技高网...

【技术保护点】
一种基于设备故障预测系统，其特征在于，包括：预测模块，对设备进行故障预测；呈现模块，对预测出的故障进行呈现；所述预测模块包括：采集单元，利用传感器实时采集所述设备的所述传感数据；分析单元，对所述传感数据进行分析、学习和处理；预测单元，根据所述分析、学习和处理预测出所述设备的故障类型。

【技术特征摘要】
1.一种基于设备故障预测系统，其特征在于，包括：预测模块，对设备进行故障预测；呈现模块，对预测出的故障进行呈现；所述预测模块包括：采集单元，利用传感器实时采集所述设备的所述传感数据；分析单元，对所述传感数据进行分析、学习和处理；预测单元，根据所述分析、学习和处理预测出所述设备的故障类型。2.如权利要求1所述的设备故障预测系统，其特征在于，包括传感器、传感数据集线器、边缘网关和云端平台。3.如权利要求1所述的设备故障预测系统，其特征在于，所述传感器包括加速度计和转速计。4.一种设备故障预测系统预测故障的方法，其特征在于，包括如下步骤：S1：对设备进行故障预测；S2：对预测出的故障进行呈现；所述对设备进行故障预测包括如下步骤：S11：所述传感器实时采集设备的震动信息，并将采集的数据传输给所述传感数据集线器；所述传感数据集线器接收来自所述传感器的数据并将所述数据传输给所述边缘网关；S12：所述边缘网关接收所述数据并对数据进行分析、学习和处理，形成动态的震动特征和不同类别的异常特征；S13：所述边缘网关根据所述震动特征和异常特征对后续数据进行检测，对故障进行预测，并将异常数据和预测出的故障类型发送给云端平台；所述对预测出的故障进行呈现包括：S21：所述云端平台接收来自所述边缘网关的数据并存储，同时提供可视化展示。5.如权利要求4所述的设备故障预测系统的方法，其特征在于，所述步骤S12中包括如下步骤：T1：将实时接收到的数据缓存，每秒钟接收到的10000-20000个采样值形成一个向量，并按秒将5-10分钟内的向量组成一个原始数据矩阵；T2：将所述原始数据矩阵作快速傅立叶变换，变换为频域矩阵；T3：对所述频域矩阵做连续的聚类学习，生成不同样本组成的点群，将所述点群中样本数最多的定义为主群，所述主群对应正常模式；T4：基于所述点群，构建一个决策树模型。6.如权利要求5所述的设备故障预测系统的方法，其特征在...

【专利技术属性】
技术研发人员：犹杰，伊万·威姆林，
申请(专利权)人：深圳大数点科技有限公司，
类型：发明
国别省市：广东,44