System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于先进制造业与计算机,涉及机电设备故障诊断与健康管理方法。
技术介绍
1、预测与健康管理(prognostics and health management,以下简称phm)旨在实现设备在线状态检测、故障诊断、剩余寿命预测及健康管理,对提高设备运行可靠性、优化运维策略、降低运营成本、增强企业竞争力具有重要作用[1]。预测和健康管理是故障诊断与在线检测、系统健康状态评估和预测性维护的有效工具。国内外学者针对phm的相关问题,进行了深入的研究。hu等[2]从设计、开发和决策三个方面,总结了phm的解决问题框架。沈保明等[3]从深度学习在机械设备故障诊断与健康管理应用中的基本流程入手,分析了phm算法模型中深度神经网络的输入特征及其主要类型和特点。wang等[4]整合了基于模型的粒子滤波方法和数据驱动预测方法两者的优势,构建了一个基于phm的融合预测框架,该框架能够获得更加精确的预测结果。金晓航等[5]基于工业大数据视角,探讨了复杂设备的phm技术。王后闯等[6]从架构、功能方面分析了铁路客车phm的设计与实现。
2、phm主要包括设备故障诊断和健康管理两个部分,近几年,国内外学者对于故障诊断与预测的相关研究较多。bergadano等[7]构建了机电设备振动故障诊断研究数据集,根据故障数据,将机电设备振动故障类型划分为:电机故障、轴承故障、机械松动、基底变形、正常。guo等[8]为了提高故障检测和诊断性能,提出了一种基于satizky-golay(sg)和主成分分析(pca)的vrf系统增强传感器故障检测与诊断
3、综合以上分析,有关phm的研究,学者们主要从架构、流程、框架等方面展开,研究phm的设计、开发与实现等问题。学者们主要采用bp神经网络、灰色粗糙集、主成分分析(pca)等方法,对设备故障进行诊断与预测。虽然这些方法应用较为广泛,但是这些方法在进行故障分类时,通常适用于原始故障特征数量规模较小的情形,对于数量庞大的原始故障特征,会造成计算效率下降,甚至有时会造成诊断准确性的下降。
技术实现思路
1、本专利技术的目的是提供机电设备故障诊断与健康管理方法,提高了机电设备故障诊断正确率和健康状态预测能力。
2、本专利技术所采用的技术方案是,机电设备故障诊断方法,具体包括以下步骤:
3、步骤1、设计机电设备故障诊断与健康管理架构;
4、步骤2、使用机电设备故障诊断与健康管理架构中感知层的多种传感器采集设备层中各类机电设备运行参数数据,对参数数据进行归一化处理,并作为数据处理及存储层获取数据的来源;
5、步骤3、使用步骤2数据处理及存储层获得的数据在数据分析层中进行机电设备故障诊断或机电设备健康管理。
6、本专利技术的特征还在于,
7、步骤1中,机电设备故障诊断与健康管理架构自下而上包括有:设备层、感知层、数据处理及存储层、数据分析层及应用层;
8、(1)设备层
9、设备层位于机电设备故障诊断与健康管理架构的最底层;设备层作为感知层获取数据的来源,包括各类机电设备数据;
10、(2)感知层
11、感知层由安装在设备上的多种传感器获取数据,通过传感器及时动态地采集设备层中各类机电设备运行参数数据,对参数数据进行归一化处理,然后交给数据处理及存储层处理这些数据;
12、其中,传感器为电机转矩转速测试仪、电机温度传感器、电压电流采集终端或振动传感器;
13、当进行机电设备故障诊断时:在感知层中,利用各种传感器分别采集电机转速、定子温度、轴承温度、电机电压、电机电流、轴承振动频率、轴承发声数据,随机抽取3/4的数据作为机电设备振动故障诊断模型的训练集,1/4的数据作为机电设备振动故障诊断模型的测试集,并对训练集及测试集进行数据归一化处理,同时,将各个传感器采集到的数据作为bp神经网络的输入,机电设备振动故障类型作为bp神经网络的输出;
14、当进行机电设备健康管理时:在感知层中,利用各种传感器分别采集电机转速、定子温度、轴承温度、电机电压、电机电流、轴承振动频率、轴承发声数据,随机抽取11/15的数据作为机电设备健康管理模型的训练集,4/15的数据作为机电设备健康管理模型的测试集,并对训练集及测试集进行数据归一化处理,同时,将传感器采集到的数据作为bp神经网络的输入,机电设备健康指数作为bp神经网络的输出;
15、(3)数据处理及存储层
16、数据处理及存储层负责将感知层中传感器采集的数据传输到数据分析层,实现设备运行参数数据的接入、etl处理和存储;
17、(4)数据分析层
18、数据分析层包括机电设备故障诊断或机电设备健康管理两个部分;
19、在机电设备故障诊断中,首先,将设备运行参数数据划分为训练集和测试集,并对训练集及测试集进行数据归一化处理,以训练集为基础,采用遗传算法进行最优故障特征的选择,获得最优故障特征子集;其次,以此为数据基础,训练bp神经网络模型,利用训练好的bp神经网络模型进行设备故障诊断,从而获得诊断结果;
20、在机电设备健康管理中,采用bp神经网络算法,分析感知层中各个传感器采集的数据与设备健康状态之间的关系,经过实际健康指数与预测健康指数的比较,预测了设备的健康发展态势。
21、步骤2中,(1)当进行机电设备故障诊断时:在感知层中,利用各种传感器分别采集电机转速、定子温度、轴承温度、电机电压、电机电流、轴承振动频率、轴承发声数据,随机抽取3/4的数据作为机电设备振动故障诊断模型的训练集,1/4的数据作为机电设备振动故障诊断模型的测试集,并对训练集及测试集进行数据归一化处理,同时,将各个传感器采集到的数据作为bp神经网络的输入,机电设备振动故障类型作为bp神经网络的输出;
22、(2)当进行机电设备健康管理时:在感知层中,利用各种传感器(电机转矩转速测试仪、电机温度传感器、电压电流采集终端、振动传感器)分别采集电机转速、定子温度、轴承温度、电机电压、电机电流、轴承振动频率、轴承发声数据,随机抽取11/15的数据作为机本文档来自技高网...
【技术保护点】
1.机电设备故障诊断方法,其特征在于,具体包括以下步骤:
2.根据权利要求1所述的机电设备故障诊断方法,其特征在于,步骤1中,机电设备故障诊断与健康管理架构自下而上包括有:设备层、感知层、数据处理及存储层、数据分析层及应用层;
3.根据权利要求2所述的机电设备故障诊断方法,其特征在于,步骤2中,(1)当进行机电设备故障诊断时:在感知层中,利用各种传感器分别采集电机转速、定子温度、轴承温度、电机电压、电机电流、轴承振动频率、轴承发声数据,随机抽取3/4的数据作为机电设备振动故障诊断模型的训练集,1/4的数据作为机电设备振动故障诊断模型的测试集,并对训练集及测试集进行数据归一化处理,同时,将各个传感器采集到的数据作为BP神经网络的输入,机电设备振动故障类型作为BP神经网络的输出;
4.根据权利要求3所述的机电设备故障诊断方法,其特征在于,步骤2中,采集电机转速、定子温度、轴承温度、电机电压、电机电流、轴承振动频率、轴承发声数据对应使用的传感器为电机转矩转速测试仪、电机温度传感器、电压电流采集终端及振动传感器。
5.根据权利要求4所述的机
...【技术特征摘要】
1.机电设备故障诊断方法,其特征在于,具体包括以下步骤:
2.根据权利要求1所述的机电设备故障诊断方法,其特征在于,步骤1中,机电设备故障诊断与健康管理架构自下而上包括有:设备层、感知层、数据处理及存储层、数据分析层及应用层;
3.根据权利要求2所述的机电设备故障诊断方法,其特征在于,步骤2中,(1)当进行机电设备故障诊断时:在感知层中,利用各种传感器分别采集电机转速、定子温度、轴承温度、电机电压、电机电流、轴承振动频率、轴承发声数据,随机抽取3/4的数据作为机电设备振动故障诊断模型的训练集,1/...
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。