技术领域
[0001] 本
发明涉及电磁检测领域,特别涉及一种基于电磁检测的电机和泵故障预测分析系统。
背景技术
[0002] 所有用电驱动的设备都会产生
电磁波,每种
电子电气设备都拥有自己的电磁特性,国内外主要的设备健康评估建模预测方法有:统计学方法、时间序列分析、贝叶斯方法、灰色系统、
支持向量机、神经网络等,通过电磁检测将设备状态数据上传至网络终端,
人工神经网络使用计算机模拟人脑神经细胞进行复杂运算,对数据进行分析模拟和检测,通过
深度学习得到数据分析结果,深度学习指包含多层、复杂网络结构的人工神经网络,通过海量神经元的复杂连接,
深度神经网络具有无可比拟的运算能
力,能够处理分析极其复杂的问题,我们能够将这种系统应用于电机和泵的故障分析和预测,结合预测维护技术和
大数据机器学习、深度学习产生最佳预测维护模型,并产生智能化的设备维护方案,并提出一种基于电磁检测的电机和泵故障预测分析系统。
发明内容
[0003] 本发明要解决的技术问题是克服
现有技术的
缺陷,提供一种基于电磁检测的电机和泵故障预测分析系统,采用电磁检测对电机和泵的故障进行预测分析,通过
传感器进行数据获取,利用电机和泵的运行状态与所发出的电磁
信号的关联性,运用大数据建模分析,可预测电机和泵的故障发生时间点和概率。
[0004] 为了解决上述技术问题,本发明提供了如下的技术方案:本发明一种基于电磁检测的电机和泵故障预测分析系统,包括以下步骤:
一、电磁
数据采集分析;
二、电磁数据建模分析;
三、智能化维护检测;
所述电磁数据采集分析包括:
1数据获取;
2数据分析;
3业务逻辑;
4终端用户;
所述智能化维护检测包括:
A现场网关或
服务器;
B数据
云存储;
C数据预处理;
D智能化系统。
[0005] 作为本发明的一种优选技术方案,所述步骤1数据获取通过传感器进行设备状态的数据获取;所述步骤2数据分析获取设备数据,对数据进行预处理,对预处理后的数据进行特征提取,并对提取后的数据分别进行类型分类模型建立和状态分类模型建立,所述类型分类模型判断设备类型,根据设备类型确定工作状态分类器,所述状态分类模型实时判断当前设备工作状态,最终数据传导至云端大数据平台;所述步骤3业务逻辑对云端大数据平台进行
数据挖掘分析,对设备状态进行查询远程监控,对设备异常状态进行预警故障报修,并将数据通过云端大数据平台发送至步骤4终端用户,用户通过移动终端获取数据。
[0006] 作为本发明的一种优选技术方案,所述步骤二电磁数据建模分析基于人工神经网络进行分析,人工神经网络分析包括以下步骤:1数据采集;
2定义健康度指标、标记数据;
3特征提取、预处理;
4训练深度神经网络对健康度指标建模;
5误差接受确认;
6保存模型,实时监测;
所述步骤5误差接受确认若选择是,则进入步骤6保存模型,实时监测,所述步骤5误差接受确认若选择否,则回到步骤2定义健康度指标、标记数据,直到所述步骤5误差接受确认无误。
[0007] 作为本发明的一种优选技术方案,所述步骤三智能化维护检测为智能化维护监测系统核心架构,所述A现场网关或服务器、B数据云存储、C数据预处理、D智能化系统均围绕所述智能化维护检测系统核心架构。
[0008] 作为本发明的一种优选技术方案,所述步骤三中,在设备检测
基础上增加振动、红外、工艺数据维度,设备的工艺数据、振动数据和
温度数据被传感器采集,所述传感器将数据实时上传至现场网关或服务器,现场网关或服务器将数据信息通过云端进行数据云存储,智能化系统对数据进行分析,并通过步骤二电磁数据建模分析对设备数据实时诊断,深度学习,对设备进行能耗分析和设备状态分析,再将分析诊断后的数据实时反馈至用户移动终端。
[0009] 与现有技术相比,本发明的有益效果如下:本发明通过采用电磁检测对电机和泵的故障进行预测分析,通过传感器进行数据获取,通过电磁数据建模分析和人工神经网络进行运算和分析,对设备状态进行远程监控,设备数据经由无线网络环境传导至云端大数据平台,通过云端大数据平台对设备异常状态进行报警,用户经由移动终端获取数据,电磁数据建模分析和人工神经网络的深度神经网络具有无可比拟的运算能力,能够处理分析极其复杂的问题,工艺数据和设备数据实时上传云平台,结合预测维护技术和大数据机器学习、深度学习产生最佳预测维护模型,通过智能化系统实时诊断和分析,产生智能化的设备维护方案,利用电机和泵的运行状态与所发出的电磁信号的关联性,运用大数据建模分析,可预测电机和泵的故障发生时间点和概率。
附图说明
[0010] 附图用来提供对本发明的进一步理解,并且构成
说明书的一部分,与本发明的
实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:图1是本发明的电磁数据采集分析结构示意图之一;
图2是本发明的电磁数据采集分析结构示意图之二;
图3是本发明的电磁数据建模分析结构示意图;
图4是本发明的智能化维护监测系统结构示意图。
具体实施方式
[0011] 以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
[0012] 此外,如果已知技术的详细描述对于示出本发明的特征是不必要的,则将其省略。
[0013] 实施例1如图1-4所示,本发明提供一种基于电磁检测的电机和泵故障预测分析系统,包括以下步骤:
一、电磁数据采集分析;
二、电磁数据建模分析;
三、智能化维护检测;
电磁数据采集分析包括:
1数据获取;
2数据分析;
3业务逻辑;
4终端用户;
智能化维护检测包括:
A现场网关或服务器;
B数据云存储;
C数据预处理;
D智能化系统。
[0014] 步骤1数据获取通过传感器进行设备状态的数据获取;步骤2数据分析获取设备数据,对数据进行预处理,对预处理后的数据进行特征提取,并对提取后的数据分别进行类型分类模型建立和状态分类模型建立,类型分类模型判断设备类型,根据设备类型确定工作状态分类器,状态分类模型实时判断当前设备工作状态,最终数据传导至云端大数据平台;
步骤3业务逻辑对云端大数据平台进行数据挖掘分析,对设备状态进行查询远程监控,对设备异常状态进行预警故障报修,并将数据通过云端大数据平台发送至步骤4终端用户,用户通过移动终端获取数据。
[0015] 步骤二电磁数据建模分析基于人工神经网络进行分析,人工神经网络分析包括以下步骤:1数据采集;
2定义健康度指标、标记数据;
3特征提取、预处理;
4训练深度神经网络对健康度指标建模;
5误差接受确认;
6保存模型,实时监测;
步骤5误差接受确认若选择是,则进入步骤6保存模型,实时监测,步骤5误差接受确认若选择否,则回到步骤2定义健康度指标、标记数据,直到步骤5误差接受确认无误。
[0016] 步骤三智能化维护检测为智能化维护监测系统核心架构,A现场网关或服务器、B数据云存储、C数据预处理、D智能化系统均围绕智能化维护检测系统核心架构。
[0017] 步骤三中,在设备检测基础上增加振动、红外、工艺数据维度,设备的工艺数据、振动数据和温度数据被传感器采集,传感器将数据实时上传至现场网关或服务器,现场网关或服务器将数据信息通过云端进行数据云存储,智能化系统对数据进行分析,并通过步骤二电磁数据建模分析对设备数据实时诊断,深度学习,对设备进行能耗分析和设备状态分析,再将分析诊断后的数据实时反馈至用户移动终端。
[0018] 具体的,需要在电机和泵等目标设备上预先装配传感器,在传感器设备监测数据的基础上,增加振动、红外、工艺数据维度,具体包括以下步骤:一、电磁数据采集分析;
二、电磁数据建模分析;
三、智能化维护检测;
电磁数据采集分析包括:
1数据获取;
2数据分析;
3业务逻辑;
4终端用户;
智能化维护检测包括:
A现场网关或服务器;
B数据云存储;
C数据预处理;
D智能化系统;
步骤1数据获取通过传感器进行设备状态的数据获取,将数据收集通过无线网络进行上传;
步骤2数据分析接受获取传感器检测到的设备数据,对数据进行预处理,对预处理后的数据进行特征提取,并对提取后的数据分别进行类型分类模型建立和状态分类模型建立,类型分类模型判断设备类型,根据设备类型确定工作状态分类器,状态分类模型实时判断当前设备工作状态,最终数据传导至云端大数据平台,步骤3业务逻辑对云端大数据平台进行数据挖掘分析,将云端数据与检测到的数据进行对比分析对设备状态进行查询远程监控,对设备异常状态进行预警故障报修,并将数据通过云端大数据平台发送至步骤4终端用户,用户通过移动终端获取数据信息;
步骤二电磁数据建模分析基于人工神经网络进行分析,人工神经网络分析包括以下步骤:
1数据采集;
2定义健康度指标、标记数据;
3特征提取、预处理;
4训练深度神经网络对健康度指标建模;
5误差接受确认;
6保存模型,实时监测;
步骤5误差接受确认若选择是,则进入步骤6保存模型,实时监测,步骤5误差接受确认若选择否,则回到步骤2定义健康度指标、标记数据,直到步骤5误差接受确认无误;步骤三智能化维护检测为智能化维护监测系统核心架构,A现场网关或服务器、B数据云存储、C数据预处理、D智能化系统均围绕智能化维护检测系统核心架构,步骤三中,在设备检测基础上增加振动、红外、工艺数据维度,设备的工艺数据、振动数据和温度数据被传感器采集,传感器将数据实时上传至现场网关或服务器,现场网关或服务器将数据信息通过云端进行数据云存储,智能化系统对数据进行分析,并通过步骤二电磁数据建模分析对设备数据实时诊断,深度学习,对设备进行能耗分析和设备状态分析,对设备的故障进行有效的预测和分析,再将分析诊断后的数据实时反馈至用户移动终端,使得用户能够在第一时间掌握设备状态信息,用户及
时针对设备的状态采取应对措施,便于及时对设备进行维护和维修。
[0019] 本发明通过采用电磁检测对电机和泵的故障进行预测分析,通过传感器进行数据获取,通过电磁数据建模分析和人工神经网络进行运算和分析,对设备状态进行远程监控,设备数据经由无线网络环境传导至云端大数据平台,通过云端大数据平台对设备异常状态进行报警,用户经由移动终端获取数据,电磁数据建模分析和人工神经网络的深度神经网络具有无可比拟的运算能力,能够处理分析极其复杂的问题,工艺数据和设备数据实时上传云平台,结合预测维护技术和大数据机器学习、深度学习产生最佳预测维护模型,通过智能化系统实时诊断和分析,产生智能化的设备维护方案,利用电机和泵的运行状态与所发出的电磁信号的关联性,运用大数据建模分析,可预测电机和泵的故障发生时间点和概率。
[0020] 最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行
修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。