本發(fā)明涉及物聯(lián)網(wǎng)領(lǐng)域，具體涉及一種設(shè)備故障預(yù)測系統(tǒng)和方法。

背景技術(shù)：

大數(shù)據(jù)一般定義為一種規(guī)模大到在獲取、存儲、管理、分析方面大大超出了傳統(tǒng)數(shù)據(jù)庫軟件工具能力范圍的數(shù)據(jù)集合，具有海量的數(shù)據(jù)規(guī)模、快速的數(shù)據(jù)流轉(zhuǎn)、多樣的數(shù)據(jù)類型和價值密度低等四大特征。

大數(shù)據(jù)技術(shù)的戰(zhàn)略意義不在于掌握龐大的數(shù)據(jù)信息，而在于對這些含有意義的數(shù)據(jù)進(jìn)行專業(yè)化處理。換而言之，如果把大數(shù)據(jù)比作一種產(chǎn)業(yè)，那么這種產(chǎn)業(yè)實現(xiàn)盈利的關(guān)鍵，在于提高對數(shù)據(jù)的“加工能力”，通過“加工”實現(xiàn)數(shù)據(jù)的“增值”和構(gòu)建商業(yè)模式。

從技術(shù)上看，大數(shù)據(jù)與云計算的關(guān)系就像一枚硬幣的正反面一樣密不可分。大數(shù)據(jù)必然無法用單臺的計算機(jī)進(jìn)行處理，必須采用分布式架構(gòu)。它的特色在于對海量數(shù)據(jù)進(jìn)行分布式數(shù)據(jù)挖掘。但它必須依托云計算的分布式處理、分布式數(shù)據(jù)庫和云存儲、虛擬化技術(shù)。而實時計算或者說實時數(shù)據(jù)處理是大數(shù)據(jù)應(yīng)用的一個基礎(chǔ)環(huán)節(jié)和關(guān)鍵技術(shù)，是實現(xiàn)基于數(shù)據(jù)的快速響應(yīng)、快速決策的關(guān)鍵。

轉(zhuǎn)動設(shè)備的維護(hù)是非常昂貴且極消耗資源的，在連續(xù)性生產(chǎn)中，企業(yè)常常需要存儲大量的備配件來保障快速修復(fù)他們的泵、風(fēng)機(jī)等設(shè)備。但即使在準(zhǔn)備充足的備配件的情況下，設(shè)備故障也會引起生產(chǎn)交付延遲、成本高昂的維修等問題。傳統(tǒng)的對故障預(yù)防的方式是通過定期人員巡檢，讓技術(shù)專家每周或每月進(jìn)行預(yù)防性的檢修，而由人員實現(xiàn)的數(shù)據(jù)采集不足以用于發(fā)現(xiàn)所有問題，以實現(xiàn)計劃性的維修。故障導(dǎo)致的非計劃的停產(chǎn)將會產(chǎn)生緊急事故和生產(chǎn)效率的破壞。因為目前無法對潛在故障進(jìn)行預(yù)測，則需付出昂貴的事故和維修成本，造成生產(chǎn)損失。

技術(shù)實現(xiàn)要素：

本發(fā)明為了解決對潛在故障預(yù)測的問題，提供一種設(shè)備故障預(yù)測系統(tǒng)和方法。

為了解決上述問題，本發(fā)明采用的技術(shù)方案如下所述：

一種基于設(shè)備故障預(yù)測系統(tǒng)，包括：預(yù)測模塊，對設(shè)備進(jìn)行故障預(yù)測；

呈現(xiàn)模塊，對預(yù)測出的故障進(jìn)行呈現(xiàn)；所述預(yù)測模塊包括：采集單元，利用傳感器實時采集所述設(shè)備的所述傳感數(shù)據(jù)；分析單元，對所述傳感數(shù)據(jù)進(jìn)行分析、學(xué)習(xí)和處理；預(yù)測單元，根據(jù)所述分析、學(xué)習(xí)和處理預(yù)測出所述設(shè)備的故障類型。

優(yōu)選地，包括傳感器、傳感數(shù)據(jù)集線器、邊緣網(wǎng)關(guān)和云端平臺。

優(yōu)選地，所述傳感器包括加速度計和轉(zhuǎn)速計。

本發(fā)明還包括一種設(shè)備故障預(yù)測系統(tǒng)預(yù)測故障的方法，包括如下步驟：

s1：對設(shè)備進(jìn)行故障預(yù)測；

s2：對預(yù)測出的故障進(jìn)行呈現(xiàn)；

所述對設(shè)備進(jìn)行故障預(yù)測包括如下步驟：

s11：所述傳感器實時采集設(shè)備的震動信息，并將采集的數(shù)據(jù)傳輸給所述傳感數(shù)據(jù)集線器；所述傳感數(shù)據(jù)集線器接收來自所述傳感器的數(shù)據(jù)并將所述數(shù)據(jù)傳輸給所述邊緣網(wǎng)關(guān)；

s12：所述邊緣網(wǎng)關(guān)接收所述數(shù)據(jù)并對數(shù)據(jù)進(jìn)行分析、學(xué)習(xí)和處理，形成動態(tài)的震動特征和不同類別的異常特征；

s13：所述邊緣網(wǎng)關(guān)根據(jù)所述震動特征和異常特征對后續(xù)數(shù)據(jù)進(jìn)行檢測，對故障進(jìn)行預(yù)測，并將異常數(shù)據(jù)和預(yù)測出的故障類型發(fā)送給云端平臺；

所述對預(yù)測出的故障進(jìn)行呈現(xiàn)包括：

s21：所述云端平臺接收來自所述邊緣網(wǎng)關(guān)的數(shù)據(jù)并存儲，同時提供可視化展示。

優(yōu)選地，所述步驟s12中包括如下步驟：

t1：將實時接收到的數(shù)據(jù)緩存，每秒鐘接收到的10000-20000個采樣值形成一個向量，并按秒將5-10分鐘內(nèi)的向量組成一個原始數(shù)據(jù)矩陣；

t2：將所述原始數(shù)據(jù)矩陣作快速傅立葉變換，變換為頻域矩陣；

t3：對所述頻域矩陣做連續(xù)的聚類學(xué)習(xí)，生成不同樣本組成的點群，將所述點群中樣本數(shù)最多的定義為主群，所述主群對應(yīng)正常模式；

t4：基于所述點群，構(gòu)建一個決策樹模型。

優(yōu)選地，根據(jù)所述決策樹模型對實時傳入的快速傅立葉變換的采樣數(shù)據(jù)進(jìn)行故障預(yù)測。

優(yōu)選地，所述步驟s13中的故障預(yù)測包括如下步驟：

t51：所述實時傳入的快速傅立葉變換的采樣數(shù)據(jù)對應(yīng)正常模式，則判斷為正常，并將該采樣值忽略，重復(fù)步驟t51，對后續(xù)采樣數(shù)據(jù)進(jìn)行判斷；否則進(jìn)入步驟t52；

t52：保留所述對應(yīng)異常模式的采樣數(shù)據(jù)，對下一個采樣數(shù)據(jù)進(jìn)行判斷，

若為正常模式，則判斷所述設(shè)備狀態(tài)為正常，并將所述兩個采樣數(shù)據(jù)釋放；

若連續(xù)t個采樣數(shù)據(jù)為異常模式，則預(yù)測設(shè)備具有所述異常模式對應(yīng)的故障，所述t為大于2的自然數(shù)，并將所述t+1個采樣數(shù)據(jù)和所述預(yù)測傳給云端平臺；

若在連續(xù)出現(xiàn)x個采樣數(shù)據(jù)為所述異常模式之后，第x+1個數(shù)據(jù)不屬于所述異常模式，所述x為滿足：1≤x＜t的自然數(shù)，則進(jìn)入步驟t53；

t53：保留所述x個采樣數(shù)據(jù)，判斷所述第x+1個采樣數(shù)據(jù)：

若為正常模式，則預(yù)測設(shè)備為正常，并將所述x+1個采樣數(shù)據(jù)釋放；

若所述第x+1個采樣數(shù)據(jù)為另外一種異常模式，且后面連續(xù)t個采樣為所述另外一種異常模式，則預(yù)測設(shè)備同時具有所述x+1個采樣數(shù)據(jù)對應(yīng)的故障和所述t+1個采用數(shù)據(jù)所對應(yīng)的故障，并將所述x+1個采樣數(shù)據(jù)、所述t+1采樣數(shù)據(jù)和所述預(yù)測傳給云端平臺；

若所述第x+1個采樣數(shù)據(jù)為另外一種異常模式，且后面連續(xù)出現(xiàn)t-x次采樣為所述x個采樣數(shù)據(jù)對應(yīng)的異常模式，則預(yù)測設(shè)備具有所述x個采樣數(shù)據(jù)對應(yīng)的故障，并將所述對應(yīng)故障的t+1個采樣數(shù)據(jù)、所述第x+1個采樣數(shù)據(jù)和所述預(yù)測傳給云端平臺。

優(yōu)選地，所述采樣數(shù)據(jù)包括震動數(shù)據(jù)。

優(yōu)選地，所述云端平臺將所述故障信息發(fā)送到用戶終端。

本發(fā)明還包括一種包含計算機(jī)程序的計算機(jī)可讀存儲介質(zhì)，所述計算機(jī)程序可操作來使計算機(jī)執(zhí)行如上任一所述的方法。

本發(fā)明的有益效果為：提供一種設(shè)備故障預(yù)測系統(tǒng)和方法，通過采集設(shè)備采集數(shù)據(jù)并對實時采樣數(shù)據(jù)分析、學(xué)習(xí)和處理，讓設(shè)備在運行過程中的故障模式被在線學(xué)習(xí)，且實現(xiàn)設(shè)備故障的在線實時追蹤與預(yù)測，實現(xiàn)用戶及時對設(shè)備進(jìn)行預(yù)防性的運維，防止非計劃停機(jī)和事故。

附圖說明

圖1是本發(fā)明實施例1的設(shè)備故障預(yù)測系統(tǒng)示意圖。

圖2是本發(fā)明實施例2的設(shè)備故障預(yù)測系統(tǒng)的預(yù)測故障的方法示意圖。

圖3是本發(fā)明實施例2的邊緣網(wǎng)關(guān)接收所述數(shù)據(jù)并對數(shù)據(jù)進(jìn)行分析和學(xué)習(xí)示意圖。

圖4是本發(fā)明實施例2的根據(jù)所述決策樹模型對實時傳入的快速傅立葉變換的采樣數(shù)據(jù)進(jìn)行故障預(yù)測示意圖。

圖5是本發(fā)明實施例2的在某個時間窗內(nèi)的原始震動采樣數(shù)據(jù)示意圖。

圖6是本發(fā)明實施例2的在某個時間窗內(nèi)的震動采樣數(shù)據(jù)通過fft變換后的頻域數(shù)據(jù)示意圖。

圖7是本發(fā)明實施例2的在某個時間窗內(nèi)的震動采樣數(shù)據(jù)通過fft變換后的頻域數(shù)據(jù)示意圖。

圖8是本發(fā)明實施例2的主群示意圖。

其中，1-加速度計，2-轉(zhuǎn)速計，3-軸承，4-伺服電機(jī)，5-傳感器與傳感數(shù)據(jù)集線器之間的數(shù)據(jù)接口，6-傳感數(shù)據(jù)集線器與邊緣網(wǎng)關(guān)之間的接口，7-邊緣網(wǎng)關(guān)與云端平臺之間的接口，8-傳感數(shù)據(jù)集線器,9-邊緣網(wǎng)關(guān)，10-云端平臺，11-用戶終端，12-主群。

具體實施方式

下面結(jié)合附圖通過具體實施例對本發(fā)明進(jìn)行詳細(xì)的介紹，以使更好的理解本發(fā)明，但下述實施例并不限制本發(fā)明范圍。另外，需要說明的是，下述實施例中所提供的圖示僅以示意方式說明本發(fā)明的基本構(gòu)思，附圖中僅顯示與本發(fā)明中有關(guān)的組件而非按照實際實施時的組件數(shù)目、形狀及尺寸繪制，其實際實施時各組件的形狀、數(shù)量及比例可為一種隨意的改變，且其組件布局形態(tài)也可能更為復(fù)雜。

實施例1

如圖1所示，一種設(shè)備故障預(yù)測系統(tǒng)包括驅(qū)動設(shè)備運作的伺服電機(jī)4、加速度計1、轉(zhuǎn)速計2，加速度計1、轉(zhuǎn)速計2合稱為傳感器并且都設(shè)置在軸承3上，速度計1、轉(zhuǎn)速計2采集的數(shù)據(jù)通過傳感器與傳感數(shù)據(jù)集線器之間的數(shù)據(jù)接口5傳輸給傳感數(shù)據(jù)集線器8；傳感數(shù)據(jù)集線器8通過傳感數(shù)據(jù)集線器與邊緣網(wǎng)關(guān)之間的接口6傳輸給邊緣網(wǎng)關(guān)9；邊緣網(wǎng)關(guān)9通過邊緣網(wǎng)關(guān)與云端平臺之間的接口7傳輸給云端平臺10，用戶終端11通過網(wǎng)絡(luò)訪問云端平臺10的信息。

傳感器以每秒鐘20000hz的頻率進(jìn)行震動數(shù)據(jù)采樣，采樣的數(shù)據(jù)將通過bnc電纜或雙絞線連接傳感數(shù)據(jù)集線器8，然后將采樣數(shù)據(jù)傳輸至邊緣網(wǎng)關(guān)9，傳感器采樣數(shù)據(jù)在邊緣網(wǎng)關(guān)9被進(jìn)行時序處理和分析。邊緣網(wǎng)關(guān)9選取5分鐘的采樣數(shù)據(jù)進(jìn)行傅立葉變換，并通過機(jī)器學(xué)習(xí)算法對變換后的值進(jìn)行分類學(xué)習(xí)，形成正常的震動特征和不同類別的異常特征。在進(jìn)行分類學(xué)習(xí)的同時，邊緣網(wǎng)關(guān)9持續(xù)接收來自傳感器的震動采樣數(shù)據(jù)，并基于已經(jīng)學(xué)習(xí)的分類進(jìn)行異常特征探測，如果傳入的數(shù)據(jù)被判斷為正常，則邊緣網(wǎng)關(guān)進(jìn)行記錄，然后將采樣數(shù)據(jù)丟棄；如果傳入的數(shù)據(jù)被判斷為異常，則邊緣網(wǎng)關(guān)9通過以太網(wǎng)通知云端平臺10產(chǎn)生告警，并將異常數(shù)據(jù)發(fā)送給云端平臺10，云端平臺10提供數(shù)據(jù)的存儲、可視化展示和分析用戶界面，而用戶可以通過手機(jī)、電腦等用戶終端11通過互聯(lián)網(wǎng)訪問云端平臺10提供的用戶界面，對所震動傳感器所產(chǎn)生的異常數(shù)據(jù)進(jìn)行進(jìn)一步的分析。

在本實施例的變通實施例中，傳感器以每秒鐘10000hz的頻率進(jìn)行震動數(shù)據(jù)采樣，邊緣網(wǎng)關(guān)9選取10分鐘的采樣數(shù)據(jù)進(jìn)行傅立葉變換。

加速度計1、轉(zhuǎn)速計2實時采集設(shè)備的傳感數(shù)據(jù)；邊緣網(wǎng)關(guān)9對所述傳感數(shù)據(jù)進(jìn)行分析和處理；同時可以預(yù)測設(shè)備的故障類型，并將異常數(shù)據(jù)和預(yù)測結(jié)果發(fā)送給云端平臺10，遠(yuǎn)端平臺10儲存接收的信息，對接收的預(yù)測結(jié)果進(jìn)行校正，同時將最終結(jié)果可視化的展示，并且把預(yù)警信息發(fā)送給用戶終端11。展示內(nèi)容包括但不限于：故障類型，發(fā)生故障的時間，發(fā)生故障的位置。用戶終端11可以訪問云端平臺10獲取詳細(xì)的故障信息。

在本實施例的變通實施例中，一種設(shè)備故障預(yù)測系統(tǒng)包括預(yù)測模塊，對設(shè)備進(jìn)行故障預(yù)測；呈現(xiàn)模塊，對識別出的故障進(jìn)行呈現(xiàn)；所述預(yù)測模塊包括：采集單元，利用傳感器采集實時采集所述設(shè)備的所述傳感數(shù)據(jù)；分析單元，采用預(yù)先訓(xùn)練的機(jī)器學(xué)習(xí)模型，對所述傳感數(shù)據(jù)進(jìn)行分析、學(xué)習(xí)和處理；預(yù)測單元，根據(jù)所述分析、學(xué)習(xí)和處理預(yù)測出所述設(shè)備的故障類型。只要能夠?qū)崿F(xiàn)相應(yīng)功能的局部或者全部結(jié)構(gòu)單元的改變和組合都應(yīng)該視為本發(fā)明保護(hù)的范圍。

實施例2

一種采用如上所述的設(shè)備故障預(yù)測系統(tǒng)的預(yù)測故障的方法，包括如下步驟：

s1：對設(shè)備進(jìn)行故障預(yù)測；

s2：對預(yù)測出的故障進(jìn)行呈現(xiàn)。

如圖2所示，所述對設(shè)備進(jìn)行故障預(yù)測包括如下步驟：

s11：所述傳感器實時采集設(shè)備的震動信息，并將采集的數(shù)據(jù)傳輸給所述傳感數(shù)據(jù)集線器；所述傳感數(shù)據(jù)集線器接收來自所述傳感器的數(shù)據(jù)并將所述數(shù)據(jù)傳輸給所述邊緣網(wǎng)關(guān)；

s12：所述邊緣網(wǎng)關(guān)接收所述數(shù)據(jù)并對數(shù)據(jù)進(jìn)行分析、學(xué)習(xí)和處理，形成動態(tài)的震動特征和不同類別的異常特征；

s13：所述邊緣網(wǎng)關(guān)根據(jù)所述震動特征和異常特征對后續(xù)數(shù)據(jù)進(jìn)行檢測，對故障進(jìn)行預(yù)測，并將異常數(shù)據(jù)和預(yù)測出的故障類型發(fā)送給云端平臺；

優(yōu)選地，所述對預(yù)測出的故障進(jìn)行呈現(xiàn)包括：

s21：所述云端平臺接收來自所述邊緣網(wǎng)關(guān)的數(shù)據(jù)并存儲，同時提供可視化展示。

如圖3所示，所述邊緣網(wǎng)關(guān)接收所述數(shù)據(jù)并對數(shù)據(jù)進(jìn)行分析和學(xué)習(xí)包括如下步驟：

t1：將實時接收到的數(shù)據(jù)緩存，每秒鐘接收到的10000-20000個采樣值形成一個向量，并按秒將5-10分鐘內(nèi)的向量組成一個原始數(shù)據(jù)矩陣；

t2：將所述原始數(shù)據(jù)矩陣作快速傅立葉變換，變換為頻域矩陣；

t3：對所述頻域矩陣做連續(xù)的聚類學(xué)習(xí)，生成不同樣本組成的點群，將所述點群中樣本數(shù)最多的定義為主群，所述主群對應(yīng)正常模式；

t4：基于所述點群，構(gòu)建一個決策樹模型；

由上述方法可知，可以根據(jù)所述決策樹模型對實時傳入的快速傅立葉變換的采樣數(shù)據(jù)進(jìn)行故障預(yù)測。

如圖4所示，所述故障預(yù)測包括如下步驟：

t51：所述實時傳入的快速傅立葉變換的采樣數(shù)據(jù)對應(yīng)正常模式，則判斷為正常，并將該采樣值忽略，重復(fù)步驟t51，對后續(xù)采樣數(shù)據(jù)進(jìn)行判斷；否則進(jìn)入步驟t52；

t52：保留所述對應(yīng)異常模式的采樣數(shù)據(jù)，對下一個采樣數(shù)據(jù)進(jìn)行判斷，

若為正常模式，則判斷所述設(shè)備狀態(tài)為正常，并將所述兩個采樣數(shù)據(jù)釋放；

若連續(xù)t個采樣數(shù)據(jù)為異常模式，則預(yù)測設(shè)備具有所述異常模式對應(yīng)的故障，所述t為大于2的自然數(shù)，并將所述t+1個采樣數(shù)據(jù)和所述預(yù)測傳給云端平臺；

若在連續(xù)出現(xiàn)x個采樣數(shù)據(jù)為所述異常模式之后，第x+1個數(shù)據(jù)不屬于所述異常模式，所述x為滿足：1≤x＜t的自然數(shù)，則進(jìn)入步驟t53；

t53：保留所述x個采樣數(shù)據(jù)，判斷所述第x+1個采樣數(shù)據(jù)：

若為正常模式，則預(yù)測設(shè)備為正常，并將所述x+1個采樣數(shù)據(jù)釋放；

若所述第x+1個采樣數(shù)據(jù)為另外一種異常模式，且后面連續(xù)t個采樣為所述另外一種異常模式，則預(yù)測設(shè)備同時具有所述x+1個采樣數(shù)據(jù)對應(yīng)的故障和所述t+1個采用數(shù)據(jù)所對應(yīng)的故障，并將所述x+1個采樣數(shù)據(jù)、所述t+1采樣數(shù)據(jù)和所述預(yù)測傳給云端平臺；

若所述第x+1個采樣數(shù)據(jù)為另外一種異常模式，且后面連續(xù)出現(xiàn)t-x次采樣為所述x個采樣數(shù)據(jù)的異常模式，則預(yù)測設(shè)備具有所述x個采樣數(shù)據(jù)對應(yīng)的故障，并將所述對應(yīng)故障的t+1個采樣數(shù)據(jù)、所述第x+1個采樣數(shù)據(jù)和所述預(yù)測傳給云端平臺。

其中，其中t的值、x的值根據(jù)具體的設(shè)備類型和項目實現(xiàn)而定。

云端平臺10匯集異常數(shù)據(jù)和所對應(yīng)的故障信息，將實時將故障信息發(fā)送到用戶終端，可以設(shè)置多次提醒。云端平臺10也可以根據(jù)故障級別作出應(yīng)急反應(yīng)，比如為了避免更大的損失可以緊急停止設(shè)備。通過云端的部署，方便用戶實現(xiàn)分布式的資產(chǎn)監(jiān)控與管理，降低整體的it成本和運營成本；同時通過邊緣網(wǎng)關(guān)的計算，一方面提高了數(shù)據(jù)處理的實時性，另一方面減少了往云端傳輸?shù)臄?shù)據(jù)量，節(jié)約了帶寬成本。

如圖5所示,是某個時間窗內(nèi)的原始震動采樣數(shù)據(jù)示意圖。示意了某個時間窗內(nèi)的原始采樣數(shù)據(jù)的可視化效果，其中每秒鐘有20000個數(shù)據(jù)點，然后按秒將一個時間段(5-10分鐘)的采樣數(shù)據(jù)組合成一個數(shù)據(jù)矩陣。

如圖6所示，是某個時間窗內(nèi)的震動采樣數(shù)據(jù)通過fft變換后的頻域數(shù)據(jù)示意圖。示意了將原始采樣數(shù)據(jù)通過fft變換后的頻域數(shù)據(jù)的一種情況，可能對應(yīng)某種故障模式。

如圖7所示，是某個時間窗內(nèi)的震動采樣數(shù)據(jù)通過fft變換后的頻域數(shù)據(jù)示意圖。示意了將原始采樣數(shù)據(jù)通過fft變換后的頻域數(shù)據(jù)的另一種情況，可能對應(yīng)另外一種故障模式。

如圖8所示，本發(fā)明所涉及的震動采樣數(shù)據(jù)分析方法中的對頻域數(shù)據(jù)進(jìn)行聚類學(xué)習(xí)的結(jié)果示意，其中主群為樣本量最多的集群類別，對應(yīng)正常模式，聚類算法的收斂依據(jù)時當(dāng)采樣數(shù)據(jù)落入主群的概率變化小于某個閾值p，其中p值根據(jù)具體的設(shè)備類型和項目實現(xiàn)而定，比如為0.1％。

以上內(nèi)容是結(jié)合具體的優(yōu)選實施方式對本發(fā)明所作的進(jìn)一步詳細(xì)說明，不能認(rèn)定本發(fā)明的具體實施只局限于這些說明。對于本發(fā)明所屬技術(shù)領(lǐng)域的技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干等同替代或明顯變型，而且性能或用途相同，都應(yīng)當(dāng)視為屬于本發(fā)明的保護(hù)范圍。