一种机电设备非线性故障预测方法技术

本发明专利技术公开了一种机电设备非线性故障预测方法，包括如下步骤：S100、模型构建：构建建筑机电设备的BIM模型；S200、信息检测：对重要建筑机电设备进行实时监测，动态采集监测数据；S300、模型键合：基于键合图理论对建筑机电设备预测模型进行构建，并且搭建非线性机设备实验平台对所建的键合图模型进行验证；S400、故障预测：建立退化模型，并根据实时测量数据来估计退化模型的参数，跟踪退化过程，预测机电设备的非线性故障，本发明专利技术设计合理，能够准确预测建筑机电设备故障，减少建筑机电设备突发故障，保障大型公共建筑平稳运行，减少运行维护成本。

A nonlinear fault prediction method for mechanical and electrical equipment

【技术实现步骤摘要】
一种机电设备非线性故障预测方法
本专利技术涉及故障预测
，尤其涉及一种机电设备非线性故障预测方法。
技术介绍
随着对机电系统安全性和可靠性要求的进一步提高，需要在系统发生故障后可以及时诊断，还要可以在系统出现细微的故障征兆后对故障进行预测。故障预测即监测并跟踪系统的故障演化过程，从而预测出故障部件的剩余工作时间长度。有效的预测有利于降低机电设备及组件运行的保障费用，对延长系统使用寿命具有重要意义。但是现有的机电设备非线性故障预测方法在实际运用过程中，缺乏对预测结果的校验和验证，导致机电设备非线性故障检测方法准确性不佳，存在一定的缺陷。
技术实现思路
本专利技术的目的在于克服现有技术中存在的上述问题，提供一种机电设备非线性故障预测方法，可以准确预测建筑机电设备故障，减少建筑机电设备突发故障，保障大型公共建筑平稳运行，减少运行维护成本。为实现上述技术目的，达到上述技术效果，本专利技术是通过以下技术方案实现：一种机电设备非线性故障预测方法，包括如下步骤：S100、模型构建：构建建筑机电设备的BIM模型；S200、信息检测：对重要建筑机电设备进行实时监测，动态采集监测数据；S300、模型键合：基于键合图理论对建筑机电设备预测模型进行构建，并且搭建非线性机设备实验平台对所建的键合图模型进行验证；S400、故障预测：建立退化模型，并根据实时测量数据来估计退化模型的参数，跟踪退化过程，预测机电设备的非线性故障。优选地，上述机电设备非线性故障预测方法中，步骤S200中，所述重要机电设备包括机电系统的中央及子区域控制和动力设备。优选地，上述机电设备非线性故障预测方法中，步骤S200中，采用物联网技术对建筑机电设备进行实时监测，并动态采集监测数据。优选地，上述机电设备非线性故障预测方法中，步骤S300中，键合图模型与机电设备BIM模型一一对应。优选地，上述机电设备非线性故障预测方法中，步骤S300中，采用GA随机搜索方法对非线性机电设备中的未知参数进行辨识。优选地，上述机电设备非线性故障预测方法中，步骤S300中，利用Simulink模块根据实验平台实时测量结果，并基于键合图模型的故障诊断方法，实现非线性机电设备的仿真验证。优选地，上述机电设备非线性故障预测方法中，步骤S400中，退化模型定义为：式中，表示一个部件或者一个有效因子的标称值，ε表示未知的故障演化速率，当没有故障发生时，其值等于0，t0是未知的故障发生时间，且满足td>t0，td表示在故障检测阶段确定的故障检测时间。本专利技术的有益效果是：本专利技术设计合理，键合图模型采用Simulink中的子系统模块进行构建，利用Simulink对构建出的键合图模型进行综合分析和仿真，并且将仿真的结果同实验结果对比来验证提出的预测方法的有效性，可以准确预测建筑机电设备故障，减少建筑机电设备突发故障，保障大型公共建筑平稳运行，减少运行维护成本。当然，实施本专利技术的任一产品并不一定需要同时达到以上所述的所有优点。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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。图1为本专利技术的机电设备非线性故障预测方法流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。请参阅图1所示，本实施例为一种机电设备非线性故障预测方法，包括如下步骤：S100、模型构建：构建建筑机电设备的BIM模型；S200、信息检测：对重要建筑机电设备进行实时监测，动态采集监测数据，所述重要机电设备包括机电系统的中央及子区域控制和动力设备，其中采用物联网技术对建筑机电设备进行实时监测，并动态采集监测数据；S300、模型键合：基于键合图理论对建筑机电设备预测模型进行构建，并且搭建非线性机设备实验平台对所建的键合图模型进行验证，采用GA随机搜索方法对非线性机电设备中的未知参数进行辨识，其中键合图模型与机电设备BIM模型一一对应，利用Simulink模块根据实验平台实时测量结果，并基于键合图模型的故障诊断方法，实现非线性机电设备的仿真验证；S400、故障预测：建立退化模型，并根据实时测量数据来估计退化模型的参数，跟踪退化过程，预测机电设备的非线性故障，其中退化模型定义为：式中，表示一个部件或者一个有效因子的标称值，ε表示未知的故障演化速率，当没有故障发生时，其值等于0，t0是未知的故障发生时间，且满足td>t0，td表示在故障检测阶段确定的故障检测时间。本专利技术设计合理，键合图模型采用Simulink中的子系统模块进行构建，利用Simulink对构建出的键合图模型进行综合分析和仿真，并且将仿真的结果同实验结果对比来验证提出的预测方法的有效性，可以准确预测建筑机电设备故障，减少建筑机电设备突发故障，保障大型公共建筑平稳运行，减少运行维护成本。在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本专利技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。以上公开的本专利技术优选实施例只是用于帮助阐述本专利技术。优选实施例并没有详尽叙述所有的细节，也不限制该专利技术仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本专利技术的原理和实际应用，从而使所属
技术人员能很好地理解和利用本专利技术。本专利技术仅受权利要求书及其全部范围和等效物的限制。本文档来自技高网...

【技术保护点】
1.一种机电设备非线性故障预测方法，其特征在于，包括如下步骤：/nS100、模型构建：构建建筑机电设备的BIM模型；/nS200、信息检测：对重要建筑机电设备进行实时监测，动态采集监测数据；/nS300、模型键合：基于键合图理论对建筑机电设备预测模型进行构建，并且搭建非线性机设备实验平台对所建的键合图模型进行验证；/nS400、故障预测：建立退化模型，并根据实时测量数据来估计退化模型的参数，跟踪退化过程，预测机电设备的非线性故障。/n

【技术特征摘要】
1.一种机电设备非线性故障预测方法，其特征在于，包括如下步骤：
S100、模型构建：构建建筑机电设备的BIM模型；
S200、信息检测：对重要建筑机电设备进行实时监测，动态采集监测数据；
S300、模型键合：基于键合图理论对建筑机电设备预测模型进行构建，并且搭建非线性机设备实验平台对所建的键合图模型进行验证；
S400、故障预测：建立退化模型，并根据实时测量数据来估计退化模型的参数，跟踪退化过程，预测机电设备的非线性故障。


2.根据权利要求1所述的机电设备非线性故障预测方法，其特征在于：步骤S200中，所述重要机电设备包括机电系统的中央及子区域控制和动力设备。


3.根据权利要求1所述的机电设备非线性故障预测方法，其特征在于：步骤S200中，采用物联网技术对建筑机电设备进行实时监测，并动态采集监测数据。


4.根据权利要求1所述的机电...

【专利技术属性】
技术研发人员：陈斐斐，
申请(专利权)人：南京亚派软件技术有限公司，
类型：发明
国别省市：江苏;32