一种机电设备非线性故障预测方法及系统技术方案

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及系统，包括：1：获取机电设备的设备属性，将设备属性输入到预设设备模型中建立初始机电模型，S2：采集机电设备的实时工作状态，并将初始机电模型的初始模型状态调节至实时工作状态，建立预测机电模型，S3：分析预测机电模型处于不同实时工作状态下，并持续工作对应预设时长后的工作趋势，S4：基于非线性预测模型，对工作趋势进行非线性故障预测，得到故障趋势，并获取与故障趋势对应的故障器件以及故障位置，用以在机电设备工作时及时发现故障，并分析故障来源，从而减少轻工作人员的检修工作。作。作。

【技术实现步骤摘要】
一种机电设备非线性故障预测方法及系统


[0001]本专利技术涉及故障预测
，特别涉及一种机电设备非线性故障预测方法及系统。

技术介绍

[0002]现代化生产中机械设备的故障诊断技术越来越受到重视，人们投入大量的精力进行研究，机电设备故障诊断技术取得了很大的进展，探索出一系列新的理论方法与技术应用于实际，增加了机电设备故障诊断的效率，奠定了对机电设备实施故障诊断分析与修复的坚实基础，产生了明显的经济效益和社会效益，由于一般的机电设备体积较大，进行检修或维护时难度较大，尤其时当机电设备发生故障时难以快速判断是否为线性故障，容易浪费大量时间和人力。
[0003]鉴于此，本专利技术一种机电设备非线性故障预测方法及系统。

技术实现思路

[0004]本专利技术的目的在于提供一种机电设备非线性故障预测方法及系统，用以在机电设备工作时，建立预测机电模型，并通过分析工作趋势以及通过非限性预测模型预测故障趋势，从而减少轻工作人员的检修工作。
[0005]本专利技术提供一种机电设备非线性故障预测方法，包括：S1：获取机电设备的设备属性，将设备属性输入到预设设备模型中建立初始机电模型；S2：采集机电设备的实时工作状态，并将初始机电模型的初始模型状态调节至实时工作状态，建立预测机电模型；S3：分析预测机电模型处于不同实时工作状态下，并持续工作对应预设时长后的工作趋势；S4：基于非线性预测模型，对工作趋势进行非线性故障预测，得到故障趋势，并获取与故障趋势对应的故障器件以及故障位置。
[0006]优选的，获取机电设备的设备属性，将设备属性输入到预设设备模型中建立初始机电模型，包括：S11：获取机电设备的设备属性；S12：解析设备属性，获取机电设备的设备名称以及结构数据；S13：根据设备名称在模型库中查找对应的预设设备模型，并将结构数据输入到预设设备模型中，建立初始机电模型。
[0007]优选的，采集机电设备的实时工作状态，并将初始机电模型的初始模型状态调节至实时工作状态，建立预测机电模型，包括：S21：采集机电设备在不同时间对应不同工作器件的工作数据，对工作数据进行预处理，获取处理结果，生成实时工作状态；
S22：根据实时工作状态调节初始机电模型的初始模型状态，建立预测机电模型。
[0008]优选的，分析预测机电模型处于不同实时工作状态下，并持续工作对应预设时长后的工作趋势，包括：S31：控制预测机电模型在不同实时工作状态下按照对应的预设时长进行持续工作；S32：采集预测机电模型处于不同的实时工作状态下，所持续工作的过程中生成的若干条预测数据；S33：解析每一预测数据，获取每一预测数据对应的数据平稳度，并提取同个实时工作状态下在对应预设平稳度范围内的正常数据以及不在对应预设平稳度范围内的非正常数据；S34：根据同个实时工作状态下的状态属性，并结合正常数据和非正常数据，构建对应同个实时工作状态下的正常平稳阵列、非正常平稳阵列，进而构建得到不同实时工作状态所构成的综合平稳阵列；S35：基于阵列分析数据库，对综合平稳阵列以及单独平稳阵列进行预分析，得到预设机电模型的工作趋势。
[0009]优选的，基于非线性预测模型，对工作趋势进行非线性故障预测，得到故障趋势，并获取与故障趋势对应的故障器件以及故障位置，包括：S41：解析工作趋势，提取工作趋势中包含的故障类型，在预设故障类型库中查找对应的目标器件；S42：分别判断每一目标器件是否在机电设备上；根据判断结果，获取机电设备上包含的故障器件；S43：获取故障器件在机电设备上的故障位置，传输到指定终端进行显示。
[0010]优选的，对工作数据进行预处理，包括：分别解析每一工作数据，获取每一工作数据包含的有效信息；对所有有效信息进行聚类分析，生成若干个聚类样本，并获取每一聚类样本对应的样本特征；根据第一聚类样本中包含的每条工作数据所对应的有效信息的信息数量，提取仅含有一个有效信息的孤立聚类样本，并获取孤立聚类样本的第一样本特征；获取第一样本特征与对应聚类样本中的剩余样本特征的特征差，基于特征差提取与第一样本相似度最高的第二样本特征，并以第二样本特征为输出目标特征建立特征训练池；将第一样本特征对应的第一有效信息输入到特征训练池中进行特征训练，并将训练后的第一有效信息视为第二有效信息；获取第二有效信息中包含的冗余区域，若冗余区域的区域长度大于预设长度，确定第二有效信息为无效信息，并剔除第一有效信息对应的无效工作数据；若冗余区域的区域长度小于或等于预设长度，获取第二样本特征对应的目标聚类样本，并将第二有效信息补充到目标聚类样本中；根据每一聚类样本涉及的有效信息生成实时工作状态。
[0011]优选的，构建对应同个实时工作状态下的非正常平稳阵列，包括：
获取每一非正常数据对应的数据来源器件，在预设器件库中查找每一数据来源器件在同个实时工作状态下对应的器件参数阈值，同时，获取每一非正常数据对应的第一数据平稳度；根据第一数据平稳度结合对应的器件参数阈值，分析每一数据来源器件对应的第一故障特征；将每一第一故障特征输入到循环神经网络模型中进行循环训练，并解析循环训练结果判断第一故障特征是否属于线性故障；若不属于，获取循环训练过程中产生的第二故障特征；根据器件参数阈值，为对应的数据来源器件建立正常运行模型；将非正常数据输入到正常运行模型中，建立第一故障模型；运行第一故障模型，在运行过程中采集与第二故障特征一致的目标运行故障；解析目标运行故障，生成故障参数并输入到预设坐标系中，获取与故障参数对应的数据趋势；获取故障参数对应的目标器件参数阈值，结合数据趋势，构建在同个实时工作状态下的非正常平稳阵列。
[0012]优选的，分别解析每一工作数据，获取每一工作数据包含的有效信息，包括：获取每一工作数据对应的数据量，并根据数据量与单位数据量的数值关系，建立与数值关系一致的信息域；以单位数据量为划分标准将每一工作数据划分为若干个数据段；将每一数据段输入到对应信息域中，并分别获取同一工作数据对应的每一信息域的域长度；对同一工作数据对应的所有域长度进行排序，提取第一信息域，并将第一信息域输入到预设时域模型中，生成频谱信息；解析频谱信息，获取频谱信息包含的若干个频谱过零位置，进而获取第一信息域上的若干个目标过零位置；在第一信息域分别获取与每一目标过零位置对应的目标信息，以及与目标信息相邻的第一信息和第二信息；剔除目标信息后，分析第一信息与第二信息之间的排异度；若排异度大于预设度，保留目标信息，否则，剔除目标信息，生成第一有效信息域；获取同一工作数据对应的每一剩余信息域与对应第一有效信息域之间的域长度差信息，生成对对应剩余信息域进行信息提取的提取方式；获取每一提取方式对应的提取数据量，并获取提取数据量最大的目标提取方式；获取目标提取方式对应的目标提取数据，并结合第一有效信息域包含的第一有效信息，生成对应工作数据包含的有效信息。
[0013]优选的，获取第一样本特征与对应聚类样本中的剩余样本特征的特征差，基于特征差提取与第一样本相似度最高的第二样本特征，包括：提取第一样本特征中包含的所有本文档来自技高网...

【技术保护点】

【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：S1：获取机电设备的设备属性，将设备属性输入到预设设备模型中建立初始机电模型；S2：采集机电设备的实时工作状态，并将初始机电模型的初始模型状态调节至实时工作状态，建立预测机电模型；S3：分析预测机电模型处于不同实时工作状态下，并持续工作对应预设时长后的工作趋势；S4：基于非线性预测模型，对工作趋势进行非线性故障预测，得到故障趋势，并获取与故障趋势对应的故障器件以及故障位置。2.如权利要求1所述的一种机电设备非线性故障预测方法，其特征在于，获取机电设备的设备属性，将设备属性输入到预设设备模型中建立初始机电模型，包括：S11：获取机电设备的设备属性；S12：解析设备属性，获取机电设备的设备名称以及结构数据；S13：根据设备名称在模型库中查找对应的预设设备模型，并将结构数据输入到预设设备模型中，建立初始机电模型。3.如权利要求1所述的一种机电设备非线性故障预测方法，其特征在于，采集机电设备的实时工作状态，并将初始机电模型的初始模型状态调节至实时工作状态，建立预测机电模型，包括：S21：采集机电设备在不同时间对应不同工作器件的工作数据，对工作数据进行预处理，获取处理结果，生成实时工作状态；S22：根据实时工作状态调节初始机电模型的初始模型状态，建立预测机电模型。4.如权利要求1所述的一种机电设备非线性故障预测方法，其特征在于，分析预测机电模型处于不同实时工作状态下，并持续工作对应预设时长后的工作趋势，包括：S31：控制预测机电模型在不同实时工作状态下按照对应的预设时长进行持续工作；S32：采集预测机电模型处于不同的实时工作状态下，所持续工作的过程中生成的若干条预测数据；S33：解析每一预测数据，获取每一预测数据对应的数据平稳度，并提取同个实时工作状态下在对应预设平稳度范围内的正常数据以及不在对应预设平稳度范围内的非正常数据；S34：根据同个实时工作状态下的状态属性，并结合正常数据和非正常数据，构建对应同个实时工作状态下的正常平稳阵列、非正常平稳阵列，进而构建得到不同实时工作状态所构成的综合平稳阵列；S35：基于阵列分析数据库，对综合平稳阵列以及单独平稳阵列进行预分析，得到预设机电模型的工作趋势。5.如权利要求1所述的一种机电设备非线性故障预测方法，其特征在于，基于非线性预测模型，对工作趋势进行非线性故障预测，得到故障趋势，并获取与故障趋势对应的故障器件以及故障位置，包括：S41：解析工作趋势，提取工作趋势中包含的故障类型，在预设故障类型库中查找对应的目标器件；S42：分别判断每一目标器件是否在机电设备上；
根据判断结果，获取机电设备上包含的故障器件；S43：获取故障器件在机电设备上的故障位置，传输到指定终端进行显示。6.如权利要求3所述的一种机电设备非线性故障预测方法，其特征在于，对工作数据进行预处理，包括：分别解析每一工作数据，获取每一工作数据包含的有效信息；对所有有效信息进行聚类分析，生成若干个聚类样本，并获取每一聚类样本对应的样本特征；根据第一聚类样本中包含的每条工作数据所对应的有效信息的信息数量，提取仅含有一个有效信息的孤立聚类样本，并获取孤立聚类样本的第一样本特征；获取第一样本特征与对应聚类样本中的剩余样本特征的特征差，基于特征差提取与第一样本相似度最高的第二样本特征，并以第二样本特征为输出目标特征建立特征训练池；将第一样本特征对应的第一有效信息输入到特征训练池中进行特征训练，并将训练后的第一有效信息视为第二有效信息；获取第二有效信息中包含的冗余区域，若冗余区域的区域长度大于预设长度，确定第二有效信息为无效信息，并剔除第一有效信息对应的无效工作数据；若冗余区域的区域长度小于或等于预设长度，获取第二样本特征对应的目标聚类样本，并将第二有效信息补充到目标聚类样本中；根据每一聚类样本涉及的有效信息生成实时工作状态。7.如权利要求4所述的一种机电设备非线性故障预测方法，其特征...

【专利技术属性】
技术研发人员：金岩，宁雪伟，孙一华，武文娟，翟永清，
申请(专利权)人：山东交通职业学院，
类型：发明
国别省市：