【技术实现步骤摘要】
本专利技术涉及故障智能感知，具体为一种基于大数据分析的故障智能感知系统及方法。
技术介绍
1、在目前的泵站监测体系中，影响泵站设备正常运行的因素较多，主要包括电气、温度、压力、振动等，因此如何建立一个合适的模型，综合有效地分析这些参数，是研究和开发一个高效、稳定的在线故障诊断系统的难点。目前常用的故障诊断模型有阈值法、bp神经网络、案例推理法等，这些方法具有很好的研究意义，也在实际中得到局部的应用，具有算法明确、执行简单等优点，在一定程度上满足使用要求，但仍存在一定的不足：仅从一种或几种参数建立确定的模型，没有综合分析影响泵站设备运行的相关参数之间的关联性，对于中介变量并未予以考虑，同时在实际在线诊断过程中，缺乏对于不同机组之间的数据直观对比，缺乏判断机制，影响判断速率。
技术实现思路
1、本专利技术的目的在于提供一种基于大数据分析的故障智能感知系统及方法，以解决上述
技术介绍
中提出的问题。
2、为了解决上述技术问题，本专利技术提供如下技术方案：一种基于大数据分析的故障智能感知方法，该方法包括以下步骤：
3、s1、获取泵站机组的历史监测数据，所述历史监测数据包括振动、温度、压力、流量以及液位，基于泵站机组的历史监测数据进行奇异点处理，形成基于监测数据的故障感知模型；
4、s2、构建泵站监控体系，获取泵站运行实时监测数据，采用滑动平均滤波对实时监测数据进行预处理，获取稳定的信号监测数据；
5、s3、基于稳定的信号监测数据输入至故障感知模型
6、s4、获取当前展示机组的优先级故障分析部分，分析各项监测数据与优先级故障分析部分的关联性，选取关联度最低的监测页面部分，调用另一机组的优先级故障分析部分的监测数据，进行同页面智能对比。
7、根据上述技术方案，所述奇异点处理包括：
8、获取泵站机组的历史监测数据，对任一种历史监测数据，根据数值大小构建相应的粒子位置写入一维空间，连续采集若干组历史监测数据，形成序列，对每一个序列计算数据期望：
9、；
10、其中，表示在一维空间中第i个数据粒子的序列位置；代表数据期望；n代表序列长度；
11、构建奇异点分析范围：
12、；
13、其中，指标准差，设置，则有任一个应小于等于，若存在历史监测数据中任一数据计算后不满足小于等于，标记为奇异点数据，删除奇异点数据。
14、根据上述技术方案，所述获取稳定的信号监测数据包括：
15、构建泵站监控体系，在主机组及其周边附属设施安装传感器，采用滑动平均滤波对实时监测数据进行预处理，方式如下：
16、；
17、式中，表示第n次滤波输出值，x(k)表示第k次采样值，l为滑动窗口的宽度，决定滤波效果的平滑程度，l值越大，对信号的平滑作用越好，但可能会导致信号的有用部分损失，因此确定合适的n值具有重要的意义。
18、根据上述技术方案，还包括：
19、获取步骤s1的基于监测数据的故障感知模型，所述基于监测数据的故障感知模型包括：
20、获取删除奇异点数据后的振动、温度、压力、流量，以及液位历史数据，同时获取对应各项历史数据下的故障状态，形成数据列{r0、s1、s2、……、s6}，其中，r0指故障状态，s1至s6分别对应当前故障状态下的实时振动、温度、压力、流量以及液位历史数据；所述故障状态包括油水诊断故障、绕组温度诊断故障、振动诊断故障；
21、根据历史监测数据选取在每一种故障状态下的直接监测数据，所述直接监测数据的选取方式为：
22、获取故障状态下的监测数据与上一状态下对应的监测数据的差值，计算历史监测数据中每一组的差值，以总和最大的那个监测数据作为直接监测数据；
23、构建每一种故障状态下的故障感知模型：
24、；
25、；
26、；
27、其中，指历史监测数据中的直接监测数据；指当前故障状态下的故障赋予值，所述故障赋予值指系统对每一种故障状态赋予不同的数值区间，数值区间之间互不交叉，然后按照故障大小以一定比例将故障转化成数值形式；、分别指与之间的直接线性模型的回归系数和回归常数项；指中介历史监测数据，为历史监测数据中除去的任一种监测数据；、分别指与之间的直接线性模型的回归系数和回归常数项；、、分别指在历史监测数据中的直接监测数据的基础上增添中介历史监测数据时形成的回归模型下的回归系数和回归常数项；
28、计算对于的故障赋予值的效应占比：
29、；
30、计算历史监测数据中每一个对于的效应占比，并按照从大到小的顺序进行排序；
31、获取稳定的信号监测数据输入至故障感知模型，分别选取每一种故障状态下的直接监测数据，代入直接监测数据故障状态下的直接线性模型，若形成的故障赋予值属于系统设定的当前的故障状态区间，则标记为当前故障状态，形成感知体系下的优先级故障分析组，展示在机组页面上，所述优先级故障分析组包括所有的监测数据。
32、根据上述技术方案，在步骤s4中，还包括：
33、获取当前展示机组的优先级故障分析部分，调用效应占比顺序，最大值代表当前项监测数据与直接监测数据关联性最大，选取关联度最低的监测数据监测页面部分，对其进行标记，并输出其页面占比；
34、调用另一机组的优先级故障分析部分的直接监测数据，获取其页面占比，若当前展示机组的关联度最低的监测数据监测页面的页面占比大于或等于另一机组的优先级故障分析部分的直接监测数据的页面占比，则直接将另一机组的优先级故障分析部分的直接监测数据页面替换至当前展示机组的关联度最低的监测数据的监测页面；对于泵站体系来讲，不同机组之间的数据对比有助于提高整个泵站的故障判断；
35、若当前展示机组的关联度最低的监测数据监测页面的页面占比小于另一机组的优先级故障分析部分的直接监测数据的页面占比；读取当前展示机组的直接关联数据中变化率最大的数据类型，在另一机组的优先级故障分析部分的直接监测数据页面中选择相应的数据类型，直至页面占比满足当前展示机组的关联度最低的监测数据的监测页面，实现替换，进行同页面智能对比，直观分析故障变化。
36、一种基于大数据分析的故障智能感知系统，该系统包括：历史大数据分析模块、实时监控模块、故障感知模块以及页面分析模块；
37、所述历史大数据分析模块用于获取泵站机组的历史监测数据，所述历史监测数据包括振动、温度、压力、流量以及液位，基于泵站机组的历史监测数据进行奇异点处理，形成基于监测数据的故障感知模型；所述实时监控模块用于构建泵站监控体系，获取泵站运行实时监测数据，采用滑动平均滤波对实时监测数据进行预处理，获取稳定的信号监测数据；所述故障感知模块基于稳定的信号监测数据输入至故障感知模型，形成感知体系下的优先级故障分析组，展示在机组页面本文档来自技高网...
【技术保护点】
1.一种基于大数据分析的故障智能感知方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于大数据分析的故障智能感知方法，其特征在于：所述奇异点处理包括：
3.根据权利要求2所述的一种基于大数据分析的故障智能感知方法，其特征在于：所述获取稳定的信号监测数据包括：
4.根据权利要求3所述的一种基于大数据分析的故障智能感知方法，其特征在于：还包括：
5.根据权利要求3所述的一种基于大数据分析的故障智能感知方法，其特征在于：在步骤S4中，还包括：
6.一种基于大数据分析的故障智能感知系统，其特征在于：该系统包括：历史大数据分析模块、实时监控模块、故障感知模块以及页面分析模块；
7.根据权利要求6所述的一种基于大数据分析的故障智能感知系统，其特征在于：所述历史大数据分析模块包括历史监测数据采集单元和奇异点分析单元；
8.根据权利要求6所述的一种基于大数据分析的故障智能感知系统，其特征在于：所述实时监控模块包括监控单元与滤波处理单元；
9.根据权利要求6所述的一种基于大数据分析的
10.根据权利要求6所述的一种基于大数据分析的故障智能感知系统，其特征在于：所述页面分析模块包括关联分析单元和页面对比单元；
...【技术特征摘要】
1.一种基于大数据分析的故障智能感知方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于大数据分析的故障智能感知方法，其特征在于：所述奇异点处理包括：
3.根据权利要求2所述的一种基于大数据分析的故障智能感知方法，其特征在于：所述获取稳定的信号监测数据包括：
4.根据权利要求3所述的一种基于大数据分析的故障智能感知方法，其特征在于：还包括：
5.根据权利要求3所述的一种基于大数据分析的故障智能感知方法，其特征在于：在步骤s4中，还包括：
6.一种基于大数据分析的故障智能感知系统，其特征在于：该系统包括：历史大数据分析...
【专利技术属性】
技术研发人员：熊年昀，孟宪磊，潘书鹏，杨文仁，
申请(专利权)人：宝信软件南京有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。