CN118605283A - 基于ar与ai技术的工业设备故障识别运维系统 - Google Patents
基于ar与ai技术的工业设备故障识别运维系统 Download PDFInfo
- Publication number
- CN118605283A CN118605283A CN202410747543.3A CN202410747543A CN118605283A CN 118605283 A CN118605283 A CN 118605283A CN 202410747543 A CN202410747543 A CN 202410747543A CN 118605283 A CN118605283 A CN 118605283A
- Authority
- CN
- China
- Prior art keywords
- maintenance
- monitoring
- mechanical
- index
- electrical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 440
- 238000005516 engineering process Methods 0.000 title claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 323
- 238000012790 confirmation Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000002372 labelling Methods 0.000 claims abstract description 11
- 238000010276 construction Methods 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims description 48
- 230000003449 preventive effect Effects 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000003745 diagnosis Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 230000002265 prevention Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 6
- 238000005299 abrasion Methods 0.000 description 4
- 238000000034 method Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 239000010687 lubricating oil Substances 0.000 description 2
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012809 cooling fluid Substances 0.000 description 1
- 239000000110 cooling liquid Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012994 industrial processing Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于工业设备故障识别运维技术领域，具体公开提供的基于AR与AI技术的工业设备故障识别运维系统，该系统包括：AR模型构建模块、监测节点标注模块、设备运行监测模块、监测节点识别模块、监测节点确认模块、数据库和运维识别显示终端；本发明通过机械监测节点、电气监测节点和运行环境监测节点三个维度进行故障触发趋向度分析，并通过根据电气监测节点和运行环境监测节点的运维等级设置保养需求度权重，确认机械监测节点的预防维护等级，充分考虑了各监测节点之间的关联性，同时通过构建三维AR模型，将各监测节点的运维级别和运维信息制成运维标签导入三维AR模型中，进行对应故障展示，提高了故障位置确认的效率。
Description
技术领域
本发明属于工业设备故障识别运维技术领域，涉及基于AR与AI技术的工业设备故障识别运维系统。
背景技术
工业设备是用于支持工业生产和加工过程的广泛机械的总称，其涵盖了从原材料加工到成品制造的各个环节，因此为了确保工业设备的高效运行，需要对工业设备进行故障识别运维。
工业设备故障识别运维的流程主要包括数据采集、数据处理，故障检测诊断和故障维护，还存在以下几个方面的不足：1、当前在进行数据处理时，主要按照设定的固定故障指标进行单一数值对比，并判断是否存在故障，进而未进行预测性的维护分析，存在一定的识别局限性，并导致故障识别运维的有效性不足。
2、当前进行故障识别时属于单项式的故障识别，未考虑部件之间以及故障之间的关联性，进而导致故障识别的准确性无法保障，同时还存在维护决策的针对性不强。
3、当前通过报告形式进行故障分析结果展示，未根据目标设备的故障分析结果构建三维AR故障识别维护模型进行故障展示，进而不便于快速理解并找到故障位置和故障处理手段，无法凸显其细节表现，不便于后续工作人员对应维护运维工作的开展，从而增加了后续工作的繁琐性。
发明内容
鉴于此，为解决上述背景技术中所提出的问题，现提出基于AR与AI技术的工业设备故障识别运维系统。
本发明的目的可以通过以下技术方案实现：本发明提供基于AR与AI技术的工业设备故障识别运维系统，该系统包括：AR模型构建模块，用于将待进行故障识别运维的工业设备记为目标设备，对目标设备进行三维扫描，得到目标设备的三维轮廓，并据此构建三维AR模型。
监测节点标注模块，用于设置目标设备的故障监测节点，包括机械监测节点、电气监测节点和运行环境监测节点，并在所述三维AR模型中进行对应监测节点标注。
设备运行监测模块，用于监测目标设备的运行，得到目标设备在当前所处监测时间段的运行信息。
监测节点识别模块，用于根据目标设备在当前所处监测时间段的运行信息，识别各监测节点的运维级别，并进行运维级别标注；
监测节点确认模块，用于根据各监测节点的运维级别，确认各监测节点的运维信息。
数据库，用于存储目标设备在各运行时长下的参照故障触发趋向度，存储目标设备设置的机械维护频率，并存储各电气指标的关联电气部件。
运维识别显示终端，用于将各监测节点的运维级别和运维信息制成运维标签，并将其导入三维AR模型中进行对应显示。
进一步地，所述识别各监测节点的运维级别，包括：S1、从目标设备在当前所处监测时间段的运行信息中识别出各机械监测部位对应各机械指标的监测指标值，作为机械监测节点的故障评估指标，进而统计机械故障触发趋向度φ。
S2、从目标设备在当前所处监测时间段的运行信息中识别出各监测时间点的各电气指标的监测指标值，作为电气监测节点的故障评估指标，进而统计电气故障触发趋向度
S3、从目标设备在当前所处监测时间段的运行信息中识别出各运行环境指标的监测指标值，作为运行环境监测节点的故障评估指标，进而统计运行环境故障触发趋向度λ。
S4、设置各运维级别和各运维级别的故障触发趋向度区间，所述运维级别包括一级运维、二级运维和三级运维。
S5、将电气故障触发趋向度与各运维级别的故障触发趋向度区间进行匹配对比，将匹配的运维级别作为电气监测节点的运维级别将匹配的运维级别作为电气监测节点的运维级别。
S6、按照电气监测节点的运维级别的识别方式同理识别得到机械气监测节点和运行环境气监测节点的运维级别。
进一步地，所述统计机械故障触发趋向度，包括：将各机械监测部位对应各机械指标的监测指标值与设定的各机械指标的参照指标值区间进行对比，统计各机械监测部位对应各机械指标的偏差指标值，将偏差指标值不为0的机械指标记为异常指标，并从各机械指标的偏差指标值中筛选出各机械监测部位的最大偏差值，记为(δi)max，i为机械监测部位序号，i＝1,2,......,m。
统计各机械监测部位的异常指标数目，记为Di，同时将各机械监测部位的机械指标数目记为Di′。
统计各机械监测部位的异常趋向度αi，ki和δi′分别为设定第i个机械监测部位的异常指标数目比和参照偏差值，从中筛选出机械监测部位的最大异常趋向度作为机械故障触发趋向度φ。
进一步地，所述统计电气故障触发趋向度，包括：从各电气指标的监测指标值中筛选出各电气指标的最大监测指标值，记为βp，p为电气指标的序号，p＝1,2,......,a。
以监测时间点为横坐标，以各电气指标的监测指标值为纵坐标，构建各电气指标的变化曲线。
从所述变化曲线中提取各波动点之间的水平距离和垂直距离，并从中筛选出最小水平距离和最大垂直距离，分别记为L1和L2，同时将波动点数目记为D″。
将作为所述变化曲线的波动异常度，L1′、L2′和D″′分别为设定参照的水平距离、垂直距离和波动点数目，进而得到各电气指标的波动异常度
统计电气故障触发趋向度 β′p和分别为设定的第p个电气指标的参照指标值和参照波动频率。
进一步地，所述统计运行环境故障触发趋向度，包括：从各运行环境指标的监测指标值中定位出声音和温度的监测指标值，并分别记为η和C。
统计运行环境故障触发趋向度λ，η′和C′分别为设定的声音参照指标值和温度参照指标值。
进一步地，所述确认各监测节点的运维信息，包括：Q1、当机械监测节点的运维级别为一级时，将运维类型记为紧急维护，确认紧急维护指标，并将运维类型和紧急维护指标作为运维信息。
Q2、当机械监测节点的运维级别为二级时，将运维类型记为预防维护，确认机械监测节点的预防维护等级，并将运维类型和预防维护等级作为运维信息。
Q3、当机械监测节点的运维级别为三级时，将运维类型记为预测性维护，确认机械监测节点的更正维护频率，并将运维类型和更正维护频率作为运维信息。
Q4、根据电气监测节点的运维级别，确认电气监测节点的运维信息。
Q5、根据运行环境监测节点的运维级别，通过环境运维诊断模型识别出运行环境监测节点的运维信息。
进一步地，所述确认紧急维护指标，包括：将异常趋向度大于或者等于0的机械监测部位作为紧急维护部位，统计紧急维护部位数目，并与机械监测部位数目进行作比，得到紧急维护部位数目比。
若紧急维护部位数目比大于设定参照的紧急维护部位数目比，则将整体维护作为维护模式，反之，则将局部维护作为维护模式。
当维护模式为整体维护时，将各机械监测部位作为各维护部位，并将各维护部位的异常趋向度与设定各维护等级对应的异常趋向度进行匹配，得到各机械监测部位匹配的维护等级，将其制成维护标签，并添加至各机械监测部位。
将添加标签后的监测部位组成维护部位集，并将整体维护和维护维护部位集作为紧急维护指标。
当维护模式为局部维护时，将各紧急维护部位作为各维护部位，按照整体维护时紧急维护指标的分析方式同理分析得到局部维护的紧急维护指标。
进一步地，所述确认机械监测节点的预防维护等级，包括：若电气监测节点的运维级别为一级或者二级且运行环境监测节点的运维级别为三级时，设置保养需求度权重为ψ1。
若电气监测节点的运维级别为三级且运行环境监测节点的运维级别为一级或者二级时，设置保养需求度权重为ψ2。
若电气监测节点和运行环境监测节点的运维级别分别为一级或者二级中的一个时，设置保养需求度权重为ψ3。
若电气监测节点和运行环境监测节点的运维级别均为三级时，设置保养需求度权重为ψ4，以此得到保养需求度权重β，β取值为ψ1或者ψ2或者ψ3或者ψ4，ψ3＞ψ1＞ψ2＞ψ4。
统计保养需求度ζ，ζ＝eφ*β，e为自然常数。
将保养需求度与各预防维护等级对应的保养需求度区间进行匹配对比，得到机械监测节点的预防维护等级。
进一步地，所述确认机械监测节点的更正维护频率，包括：从数据库提取目标设备在当前累计运行时长下的参照机械故障触发趋向度。
将机械故障触发趋向度与参照机械故障触发趋向度进行做差，将差值记为机械故障触发趋向度差。
若机械故障触发趋向度差大于0，则将更正机械故障触发趋向度与各更正维护频率对应的更正机械故障触发趋向度进行匹配对比，得到匹配更正维护频率，并将匹配更正维护频率作为机械监测节点的更正维护频率，反之，从数据库中提取目标设备设置的机械维护频率，则将设置的机械维护频率作为机械监测节点的更正维护频率。
进一步地，所述确认电气监测节点的运维信息，包括：将各电气指标的监测指标值与其设定的参照指标值区间进行匹配对比，将监测指标值不位于参照指标值区间的电气指标记为异常电气指标，进而得到各异常电气指标。
从数据库中提取各异常电气指标的关联电气部件。
当电气监测节点的运维级别为一级时，将更换异常电气指标对应的关联电气部件作为运维信息。
当电气监测节点的运维级别为二级时，将维修异常电气指标对应的关联电气部件作为运维信息。
当电气监测节点的运维级别为三级时，按照机械监测节点运维级别为三级时的运维信息的确认方式同理确认得到电气监测节点为三级时的运维信息。
相较于现有技术，本发明的有益效果如下：(1)本发明通过机械监测节点、电气监测节点和运行环境监测节点三个维度进行故障触发趋向度分析，避免了设定的固定故障指标进行单一数值对比判断的局限性，同时提高了故障识别运维的有效性。
(2)本发明在确认机械监测节点的预防维护等级时，通过根据电气监测节点和运行环境监测节点的运维等级，设置保养需求度权重，充分考虑了各监测节点之间的关联性，进而保障了故障诊断的准确性，提高了维护决策的针对性。
(3)本发明通过构建三维AR模型，并将各监测节点的运维级别和运维信息制成运维标签导入三维AR模型中，进行对应故障展示，提高了故障位置确认的效率，同时提高了故障处理手段的快速理解，增强了故障位置的细节表现，提高了后续工作人员对应维护运维工作的开展，从而降低了后续工作的繁琐性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明系统各模块连接示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1所示，本发明提供了基于AR与AI技术的工业设备故障识别运维系统，该系统包括：AR模型构建模块、监测节点标注模块、设备运行监测模块、监测节点识别模块、监测节点确认模块、数据库和运维识别显示终端。
上述中，监测节点标注模块分别与AR模型构建模块和设备运行监测模块连接，监测节点识别模块分别与设备运行监测模块、监测节点确认模块和运维识别显示终端连接，监测节点确认模块还分别与数据库和运维识别显示终端连接。
所述AR模型构建模块，用于将待进行故障识别运维的工业设备记为目标设备，对目标设备进行三维扫描，得到目标设备的三维轮廓，并据此构建三维AR模型。
所述监测节点标注模块，用于设置目标设备的故障监测节点，包括机械监测节点、电气监测节点和运行环境监测节点，并在所述三维AR模型中进行对应监测节点标注。
所述设备运行监测模块，用于监测目标设备的运行，得到目标设备在当前所处监测时间段的运行信息。
所述监测节点识别模块，用于根据目标设备在当前所处监测时间段的运行信息，识别各监测节点的运维级别，并进行运维级别标注。
示例性地，所述识别各监测节点的运维级别，包括：S1、从目标设备在当前所处监测时间段的运行信息中识别出各机械监测部位对应各机械指标的监测指标值，作为机械监测节点的故障评估指标，进而统计机械故障触发趋向度φ。
需要补充的是，所述机械监测部位包括但不限于轴承、叶片、齿轮箱和发动机外壳。
需要补充的是，所述机械指标包括但不限于磨损和锈蚀，所述机械指标的监测指标值包括但不限于机械磨损处数目、最大机械磨损深度、机械磨损总面积、锈蚀处数目和锈蚀处总面积。
进一步地，所述统计机械故障触发趋向度，包括：S1-1、将各机械监测部位对应各机械指标的监测指标值与设定的各机械指标的参照指标值区间进行对比，统计各机械监测部位对应各机械指标的偏差指标值，将偏差指标值不为0的机械指标记为异常指标，并从各机械指标的偏差指标值中筛选出各机械监测部位的最大偏差值，记为(δi)max，i为机械监测部位序号，i＝1,2,......,m。
S1-2、统计各机械监测部位的异常指标数目，记为Di，同时将各机械监测部位的机械指标数目记为Di′。
需要补充的是，所述统计各机械监测部位对应各异常指标的偏差值的具体统计过程：若某机械指标的异常指标的指标值大于其参照指标值区间上限值，则将两者的差作为该机械指标的异常指标的偏差值。
若某机械指标的异常指标的指标值小于其参照指标值区间下限值，则将两者进行做差，将差值的绝对值作为该机械指标的异常指标的偏差值，进而统计得到各机械监测部位对应各异常指标的偏差值。
S1-3、统计各机械监测部位的异常趋向度αi，ki和δi′分别为设定第i个机械监测部位的异常指标数目比和参照偏差值，从中筛选出机械监测部位的最大异常趋向度作为机械故障触发趋向度φ。
需要补充的是，各机械监测部位的异常指标数目比是依据其对目标设备的运行影响权重进行设置得到的，其中，叶片的权重大于轴承的权重大于齿轮箱的权重大于发动机外壳的权重，故当机械监测部位为叶片时，其异常指标数目比具体可以取值为0.6，当机械监测部位为轴承时，其异常指标数目比具体可以取值为0.5，当机械监测部位为齿轮箱时，其异常指标数目比具体可以取值为0.4，当机械监测部位为发动机外壳时，其异常指标数目比具体可以取值为0.3，所述各机械监测部位的参照偏差值是从工业设备故障识别运维技术规格表中提取得到的。
S2、从目标设备在当前所处监测时间段的运行信息中识别出各监测时间点的各电气指标的监测指标值，作为电气监测节点的故障评估指标，进而统计电气故障触发趋向度
需要补充的是，所述电气监测节点对应的各关联电气指标包括电流、电压和电阻。
进一步地，所述统计电气故障触发趋向度，包括：S2-1、从各电气指标的监测指标值中筛选出各电气指标的最大监测指标值，记为βp，p为电气指标的序号，p＝1,2,......,a。
S2-2、以监测时间点为横坐标，以各电气指标的监测指标值为纵坐标，构建各电气指标的变化曲线。
S2-3、从所述变化曲线中提取各波动点之间的水平距离和垂直距离，并从中筛选出最小水平距离和最大垂直距离，分别记为L1和L2，同时将波动点数目记为D″。
S2-4、将作为所述变化曲线的波动异常度，L1′、L2′和D″′分别为设定参照的水平距离、垂直距离和波动点数目，进而得到各电气指标的波动异常度
需要补充的是，波动点之间的水平距离描述的是波动频率，水平间距越大，波动频率越小，波动点之间的垂直距离描述的是波动幅度，垂直间距越大，波动幅度越大，当波动频率和波动幅度越大时，波动越明显，进而越异常。
还需要补充的是，水平距离是根据曲线的总长进行设置得到，具体可以将曲线分为三等分，当最小的水平距离都大于曲线长度的三分之一时，表明此时为电气指标波动正常，垂直距离是根据曲线的总长进行设置得到，具体可以将曲线分为三等分，当最大的垂直距离都大于曲线长度的三分之一时，表明此时为电气指标波动正常。
需要补充的是，波动点数目为0时，表明此时电气指标的波动处于正常状态，为了便于分析，波动点数目可以具体取值为1。
S2-5、统计电气故障触发趋向度 β′p和分别为设定的第p个电气指标的参照指标值和参照波动频率。
需要补充的是，所述β′p和均是从工业设备故障识别运维技术规格表中提取得到的。
S3、从目标设备在当前所处监测时间段的运行信息中识别出各运行环境指标的监测指标值，作为运行环境监测节点的故障评估指标，进而统计运行环境故障触发趋向度λ。
进一步地，所述统计运行环境故障触发趋向度，包括：S3-1、从各运行环境指标的监测指标值中定位出声音和温度的监测指标值，并分别记为η和C。
需要补充的是，声音的监测指标值为响度，温度的监测指标值为温度值。
S3-2、统计运行环境故障触发趋向度λ，η′和C′分别为设定的声音参照指标值和温度参照指标值。
需要补充的是，所述η′和C′均是从工业设备故障识别运维技术规格表中提取得到的。
S4、设置各运维级别和各运维级别的故障触发趋向度区间，所述运维级别包括一级运维、二级运维和三级运维。
需要补充的是，所述设置运维等级为一级运维、二级运维和三级运维，是以实际触发、临界触发和趋向临界触发三种情况进行分析，一级运维的取值区间为(0,+∞)，二级运维的取值区间为(-0.3,-0.01)，三级运维的取值区间为(-∞,-0.3)。
S5、将电气故障触发趋向度与各运维级别的故障触发趋向度区间进行匹配对比，将匹配的运维级别作为电气监测节点的运维级别将匹配的运维级别作为电气监测节点的运维级别。
S6、按照电气监测节点的运维级别的识别方式同理识别得到机械气监测节点和运行环境气监测节点的运维级别。
本发明实施例通过机械监测节点、电气监测节点和运行环境监测节点三个维度进行故障触发趋向度分析，避免了设定的固定故障指标进行单一数值对比判断的局限性，同时提高了故障识别运维的有效性。
所述监测节点确认模块，用于根据各监测节点的运维级别，确认各监测节点的运维信息。
示例性地，所述确认各监测节点的运维信息，包括：Q1、当机械监测节点的运维级别为一级时，将运维类型记为紧急维护，确认紧急维护指标，并将运维类型和紧急维护指标作为运维信息。
进一步地，所述确认紧急维护指标，包括：Q1-1、将异常趋向度大于或者等于0的机械监测部位作为紧急维护部位，统计紧急维护部位数目，并与机械监测部位数目进行作比，得到紧急维护部位数目比。
Q1-2、若紧急维护部位数目比大于设定参照的紧急维护部位数目比，则将整体维护作为维护模式，反之，则将局部维护作为维护模式。
Q1-3、当维护模式为整体维护时，将各机械监测部位作为各维护部位，并将各维护部位的异常趋向度与设定各维护等级对应的异常趋向度进行匹配，得到各机械监测部位匹配的维护等级，将其制成维护标签，并添加至各机械监测部位。
Q1-4、将添加标签后的监测部位组成维护部位集，并将整体维护和维护维护部位集作为紧急维护指标。
Q1-5、当维护模式为局部维护时，将各紧急维护部位作为各维护部位，按照整体维护时紧急维护指标的分析方式同理分析得到局部维护的紧急维护指标。
进一步地，所述确认机械监测节点的预防维护等级，包括：Q2-1、若电气监测节点的运维级别为一级或者二级且运行环境监测节点的运维级别为三级时，设置保养需求度权重为ψ1。
Q2-2、若电气监测节点的运维级别为三级且运行环境监测节点的运维级别为一级或者二级时，设置保养需求度权重为ψ2。
Q2-3、若电气监测节点和运行环境监测节点的运维级别分别为一级或者二级中的一个时，设置保养需求度权重为ψ3。
Q2-4、若电气监测节点和运行环境监测节点的运维级别均为三级时，设置保养需求度权重为ψ4，以此得到保养需求度权重β，β取值为ψ1或者ψ2或者ψ3或者ψ4，ψ3＞ψ1＞ψ2＞ψ4。
需要补充的是，所述设置ψ1＞ψ2，是因为电气故障可能导致机械立即停止工作或发生严重故障，而运行环境的变化通常对机械的影响是渐进的，可能需要较长时间才会显现。
Q2-5、统计保养需求度ζ，ζ＝eφ*β，e为自然常数。
Q2-6、将保养需求度与各预防维护等级对应的保养需求度区间进行匹配对比，得到机械监测节点的预防维护等级。
Q3、当机械监测节点的运维级别为三级时，将运维类型记为预测性维护，确认机械监测节点的更正维护频率，并将运维类型和更正维护频率作为运维信息。
本发明实施例根据监测指标进行故障触发趋向度分析，进而识别各监测在确认机械监测节点的预防维护等级时，通过根据电气监测节点和运行环境监测节点的运维等级，设置保养需求度权重，充分考虑了各监测节点之间的关联性，进而保障了故障诊断的准确性，提高了维护决策的针对性。
进一步地，所述确认机械监测节点的更正维护频率，包括：Q3-1、从数据库提取目标设备在当前累计运行时长下的参照机械故障触发趋向度。
Q3-2、将机械故障触发趋向度与参照机械故障触发趋向度进行做差，将差值记为机械故障触发趋向度差。
Q3-3、若机械故障触发趋向度差大于0，则将更正机械故障触发趋向度与各更正维护频率对应的更正机械故障触发趋向度进行匹配对比，得到匹配更正维护频率，并将匹配更正维护频率作为机械监测节点的更正维护频率，反之，从数据库中提取目标设备设置的机械维护频率，则将设置的机械维护频率作为机械监测节点的更正维护频率。
Q4、根据电气监测节点的运维级别，确认电气监测节点的运维信息。
进一步地，所述确认电气监测节点的运维信息，包括：Q4-1、将各电气指标的监测指标值与其设定的参照指标值区间进行匹配对比，将监测指标值不位于参照指标值区间的电气指标记为异常电气指标，进而得到各异常电气指标。
Q4-2、从数据库中提取各异常电气指标的关联电气部件。
Q4-3、当电气监测节点的运维级别为一级时，将更换异常电气指标对应的关联电气部件作为运维信息。
Q4-4、当电气监测节点的运维级别为二级时，将维修异常电气指标对应的关联电气部件作为运维信息。
需要补充的是，所述电气指标为电流的电气部件包括但不限于发电机、起动机和导线，所述电气指标为电压的电气部件包括但不限于发电机、电压调节器和电压传感器，所述电气指标为电阻的电气部件包括但不限于电阻器、执行器和断路器。
Q4-5、当电气监测节点的运维级别为三级时，按照机械监测节点运维级别为三级时的运维信息的确认方式同理确认得到电气监测节点为三级时的运维信息。
Q5、根据运行环境监测节点的运维级别，通过环境运维诊断模型识别出运行环境监测节点的运维信息。
需要补充的是，所述环境运维诊断模型的具体诊断过程：将作为声音的故障触发趋向度γ1，并将作为温度的故障触发趋向度γ2。
当运行环境监测节点的运维级别为一级时，若γ1＞0，则将添加润滑油作为运维信息。
若γ2＞0，则将添加冷却液作为运维信息。
若γ1＞0且γ2＞0，则将添加润滑油和添加冷却液运维信息。
当运行环境监测节点的运维级别为二级时，将声音和温度的故障触发趋向度分别与各运维级别的取值区间进行匹配对比。
若γ1位于二级运维的取值区间内且γ2位于三级运维的取值区间内，则将清扫灰尘作为运维信息。
若γ1位于三级运维的取值区间内且γ2位于二级运维的取值区间内，则将清洁散热器作为运维信息。
若γ1和γ2均位于二级运维的取值区间内，则将清扫灰尘和清洁散热器作为运维信息。
当运行环境监测节点的运维级别为三级时，按照机械监测节点运维级别为三级时的运维信息的确认方式同理确认得到运行环境监测节点为三级时的运维信息。
本发明实施例通过构建三维AR模型，并将各监测节点的运维级别和运维信息制成运维标签导入三维AR模型中，进行对应故障展示，提高了故障位置确认的效率，同时提高了故障处理手段的快速理解，增强了故障位置的细节表现，提高了后续工作人员对应维护运维工作的开展，从而降低了后续工作的繁琐性。
数据库，用于存储目标设备在各运行时长下的参照故障触发趋向度，存储目标设备设置的机械维护频率，并存储各电气指标的关联电气部件。
运维识别显示终端，用于将各监测节点的运维级别和运维信息制成运维标签，并将其导入三维AR模型中进行对应显示。
以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本发明所定义的范围，均应属于本发明的保护范围。
Claims (10)
1.基于AR与AI技术的工业设备故障识别运维系统，其特征在于：该系统包括：
AR模型构建模块，用于将待进行故障识别运维的工业设备记为目标设备，对目标设备进行三维扫描，得到目标设备的三维轮廓，并据此构建三维AR模型；
监测节点标注模块，用于设置目标设备的故障监测节点，包括机械监测节点、电气监测节点和运行环境监测节点，并在所述三维AR模型中进行对应监测节点标注；
设备运行监测模块，用于监测目标设备的运行，得到目标设备在当前所处监测时间段的运行信息；
监测节点识别模块，用于根据目标设备在当前所处监测时间段的运行信息，识别各监测节点的运维级别，并进行运维级别标注；
监测节点确认模块，用于根据各监测节点的运维级别，确认各监测节点的运维信息；
数据库，用于存储目标设备在各运行时长下的参照故障触发趋向度，存储目标设备设置的机械维护频率，并存储各电气指标的关联电气部件；
运维识别显示终端，用于将各监测节点的运维级别和运维信息制成运维标签，并将其导入三维AR模型中进行对应显示。
2.根据权利要求1所述的基于AR与AI技术的工业设备故障识别运维系统，其特征在于：所述识别各监测节点的运维级别，包括：
S1、从目标设备在当前所处监测时间段的运行信息中识别出各机械监测部位对应各机械指标的监测指标值，作为机械监测节点的故障评估指标，进而统计机械故障触发趋向度φ；
S2、从目标设备在当前所处监测时间段的运行信息中识别出各监测时间点的各电气指标的监测指标值，作为电气监测节点的故障评估指标，进而统计电气故障触发趋向度
S3、从目标设备在当前所处监测时间段的运行信息中识别出各运行环境指标的监测指标值，作为运行环境监测节点的故障评估指标，进而统计运行环境故障触发趋向度λ；
S4、设置各运维级别和各运维级别的故障触发趋向度区间，所述运维级别包括一级运维、二级运维和三级运维；
S5、将电气故障触发趋向度与各运维级别的故障触发趋向度区间进行匹配对比，将匹配的运维级别作为电气监测节点的运维级别；
S6、按照电气监测节点的运维级别的识别方式同理识别得到机械气监测节点和运行环境气监测节点的运维级别。
3.根据权利要求2所述的基于AR与AI技术的工业设备故障识别运维系统，其特征在于：所述统计机械故障触发趋向度，包括：
将各机械监测部位对应各机械指标的监测指标值与设定的各机械指标的参照指标值区间进行对比，统计各机械监测部位对应各机械指标的偏差指标值，将偏差指标值不为0的机械指标记为异常指标，并从各机械指标的偏差指标值中筛选出各机械监测部位的最大偏差值，记为(δi)max，i为机械监测部位序号，i＝1,2,......,m；
统计各机械监测部位的异常指标数目，记为Di，同时将各机械监测部位的机械指标数目记为Di′；
统计各机械监测部位的异常趋向度αi，ki和δi′分别为设定第i个机械监测部位的异常指标数目比和参照偏差值，从中筛选出机械监测部位的最大异常趋向度作为机械故障触发趋向度φ。
4.根据权利要求2所述的基于AR与AI技术的工业设备故障识别运维系统，其特征在于：所述统计电气故障触发趋向度，包括：
从各电气指标的监测指标值中筛选出各电气指标的最大监测指标值，记为βp，p为电气指标的序号，p＝1,2,......,a；
以监测时间点为横坐标，以各电气指标的监测指标值为纵坐标，构建各电气指标的变化曲线；
从所述变化曲线中提取各波动点之间的水平距离和垂直距离，并从中筛选出最小水平距离和最大垂直距离，分别记为L1和L2，同时将波动点数目记为D″；
将作为所述变化曲线的波动异常度，L1′、L2′和D″′分别为设定参照的水平距离、垂直距离和波动点数目，进而得到各电气指标的波动异常度
统计电气故障触发趋向度 β′p和分别为设定的第p个电气指标的参照指标值和参照波动频率。
5.根据权利要求2所述的基于AR与AI技术的工业设备故障识别运维系统，其特征在于：所述统计运行环境故障触发趋向度，包括：
从各运行环境指标的监测指标值中定位出声音和温度的监测指标值，并分别记为η和C；
统计运行环境故障触发趋向度λ，η′和C′分别为设定的声音参照指标值和温度参照指标值。
6.根据权利要求1所述的基于AR与AI技术的工业设备故障识别运维系统，其特征在于：所述确认各监测节点的运维信息，包括：
Q1、当机械监测节点的运维级别为一级时，将运维类型记为紧急维护，确认紧急维护指标，并将运维类型和紧急维护指标作为运维信息；
Q2、当机械监测节点的运维级别为二级时，将运维类型记为预防维护，确认机械监测节点的预防维护等级，并将运维类型和预防维护等级作为运维信息；
Q3、当机械监测节点的运维级别为三级时，将运维类型记为预测性维护，确认机械监测节点的更正维护频率，并将运维类型和更正维护频率作为运维信息；
Q4、根据电气监测节点的运维级别，确认电气监测节点的运维信息；
Q5、根据运行环境监测节点的运维级别，通过环境运维诊断模型识别出运行环境监测节点的运维信息。
7.根据权利要求8所述的基于AR与AI技术的工业设备故障识别运维系统，其特征在于：所述确认紧急维护指标，包括：
将异常趋向度大于或者等于0的机械监测部位作为紧急维护部位，统计紧急维护部位数目，并与机械监测部位数目进行作比，得到紧急维护部位数目比；
若紧急维护部位数目比大于设定参照的紧急维护部位数目比，则将整体维护作为维护模式，反之，则将局部维护作为维护模式；
当维护模式为整体维护时，将各机械监测部位作为各维护部位，并将各维护部位的异常趋向度与设定各维护等级对应的异常趋向度进行匹配，得到各机械监测部位匹配的维护等级，将其制成维护标签，并添加至各机械监测部位；
将添加标签后的监测部位组成维护部位集，并将整体维护和维护维护部位集作为紧急维护指标；
当维护模式为局部维护时，将各紧急维护部位作为各维护部位，按照整体维护时紧急维护指标的分析方式同理分析得到局部维护的紧急维护指标。
8.根据权利要求6所述的基于AR与AI技术的工业设备故障识别运维系统，其特征在于：所述确认机械监测节点的预防维护等级，包括：
若电气监测节点的运维级别为一级或者二级且运行环境监测节点的运维级别为三级时，设置保养需求度权重为ψ1；
若电气监测节点的运维级别为三级且运行环境监测节点的运维级别为一级或者二级时，设置保养需求度权重为ψ2；
若电气监测节点和运行环境监测节点的运维级别分别为一级或者二级中的一个时，设置保养需求度权重为ψ3；
若电气监测节点和运行环境监测节点的运维级别均为三级时，设置保养需求度权重为ψ4，以此得到保养需求度权重β，β取值为ψ1或者ψ2或者ψ3或者ψ4，ψ3＞ψ1＞ψ2＞ψ4；
统计保养需求度ζ，ζ＝eφ*β，e为自然常数；
将保养需求度与各预防维护等级对应的保养需求度区间进行匹配对比，得到机械监测节点的预防维护等级。
9.根据权利要求6所述的基于AR与AI技术的工业设备故障识别运维系统，其特征在于：所述确认机械监测节点的更正维护频率，包括：
从数据库提取目标设备在当前累计运行时长下的参照机械故障触发趋向度；
将机械故障触发趋向度与参照机械故障触发趋向度进行做差，将差值记为机械故障触发趋向度差；
若机械故障触发趋向度差大于0，则将更正机械故障触发趋向度与各更正维护频率对应的更正机械故障触发趋向度进行匹配对比，得到匹配更正维护频率，并将匹配更正维护频率作为机械监测节点的更正维护频率，反之，从数据库中提取目标设备设置的机械维护频率，则将设置的机械维护频率作为机械监测节点的更正维护频率。
10.根据权利要求6所述的基于AR与AI技术的工业设备故障识别运维系统，其特征在于：所述确认电气监测节点的运维信息，包括：
将各电气指标的监测指标值与其设定的参照指标值区间进行匹配对比，将监测指标值不位于参照指标值区间的电气指标记为异常电气指标，进而得到各异常电气指标；
从数据库中提取各异常电气指标的关联电气部件；
当电气监测节点的运维级别为一级时，将更换异常电气指标对应的关联电气部件作为运维信息；
当电气监测节点的运维级别为二级时，将维修异常电气指标对应的关联电气部件作为运维信息；
当电气监测节点的运维级别为三级时，按照机械监测节点运维级别为三级时的运维信息的确认方式同理确认得到电气监测节点为三级时的运维信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410747543.3A CN118605283A (zh) | 2024-06-11 | 2024-06-11 | 基于ar与ai技术的工业设备故障识别运维系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410747543.3A CN118605283A (zh) | 2024-06-11 | 2024-06-11 | 基于ar与ai技术的工业设备故障识别运维系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118605283A true CN118605283A (zh) | 2024-09-06 |
Family
ID=92565782
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410747543.3A Pending CN118605283A (zh) | 2024-06-11 | 2024-06-11 | 基于ar与ai技术的工业设备故障识别运维系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118605283A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN209296138U (zh) * | 2018-07-30 | 2019-08-23 | 杭州哲达科技股份有限公司 | 用于运转设备运行数据安康监测的振动温度传感器 |
| CN113296032A (zh) * | 2021-05-12 | 2021-08-24 | 广东新电电力科技有限公司 | 一种电缆接头柔性防爆装置的运行监测方法及装置 |
| CN114460520A (zh) * | 2021-12-22 | 2022-05-10 | 国网湖南省电力有限公司 | 一种电容式电压互感器设备状态诊断方法及系统 |
| CN116050875A (zh) * | 2022-11-17 | 2023-05-02 | 中国飞行试验研究院 | 一种民用飞机电气线路互联系统安全性检查评价方法 |
| CN116859867A (zh) * | 2023-08-08 | 2023-10-10 | 浙江银轮智能装备有限公司 | 一种新能源热管理集成模块生产线的运行监测系统 |
| CN117458717A (zh) * | 2023-10-30 | 2024-01-26 | 广东电网有限责任公司 | 一种电力网络巡视系统 |
| CN117474357A (zh) * | 2023-11-02 | 2024-01-30 | 深圳汉驰科技有限公司 | 基于深度学习的配电房运维管理方法及系统 |
| CN117662510A (zh) * | 2024-01-02 | 2024-03-08 | 徐州中矿科光机电新技术有限公司 | 一种风机故障诊断系统及其方法 |
| CN117969280A (zh) * | 2023-12-14 | 2024-05-03 | 上海麦杰科技股份有限公司呼和浩特分公司 | 一种边缘智能工业设备故障监测方法及边缘计算系统 |
-
2024
- 2024-06-11 CN CN202410747543.3A patent/CN118605283A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN209296138U (zh) * | 2018-07-30 | 2019-08-23 | 杭州哲达科技股份有限公司 | 用于运转设备运行数据安康监测的振动温度传感器 |
| CN113296032A (zh) * | 2021-05-12 | 2021-08-24 | 广东新电电力科技有限公司 | 一种电缆接头柔性防爆装置的运行监测方法及装置 |
| CN114460520A (zh) * | 2021-12-22 | 2022-05-10 | 国网湖南省电力有限公司 | 一种电容式电压互感器设备状态诊断方法及系统 |
| CN116050875A (zh) * | 2022-11-17 | 2023-05-02 | 中国飞行试验研究院 | 一种民用飞机电气线路互联系统安全性检查评价方法 |
| CN116859867A (zh) * | 2023-08-08 | 2023-10-10 | 浙江银轮智能装备有限公司 | 一种新能源热管理集成模块生产线的运行监测系统 |
| CN117458717A (zh) * | 2023-10-30 | 2024-01-26 | 广东电网有限责任公司 | 一种电力网络巡视系统 |
| CN117474357A (zh) * | 2023-11-02 | 2024-01-30 | 深圳汉驰科技有限公司 | 基于深度学习的配电房运维管理方法及系统 |
| CN117969280A (zh) * | 2023-12-14 | 2024-05-03 | 上海麦杰科技股份有限公司呼和浩特分公司 | 一种边缘智能工业设备故障监测方法及边缘计算系统 |
| CN117662510A (zh) * | 2024-01-02 | 2024-03-08 | 徐州中矿科光机电新技术有限公司 | 一种风机故障诊断系统及其方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
| CN110298455A (zh) | 一种基于多变量估计预测的机械设备故障智能预警方法 | |
| CN110347124A (zh) | 利用了网络的诊断服务系统以及诊断方法 | |
| CN110309981A (zh) | 一种基于工业大数据的水电站状态检修决策系统 | |
| CN102022263B (zh) | 用以调节风轮机中部件警报水平的方法和系统 | |
| CN106407589B (zh) | 一种风机状态评估与预测方法及系统 | |
| CN104200396A (zh) | 一种风力发电机部件故障预警方法 | |
| KR20190062739A (ko) | 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법, 알고리즘 및 장치 | |
| CN114239708B (zh) | 一种基于质量控制图理论的燃机异常检测方法 | |
| CN107291991A (zh) | 一种基于动态网络标志的风电机组早期缺陷预警方法 | |
| CN117808456A (zh) | 一种基于智慧运营管理的设备故障预警方法及装置 | |
| CN114252272A (zh) | 一种燃气轮机轴承散热异常的检测方法 | |
| CN112633611A (zh) | 基于大数据分析的海底电缆状态检修策略优化方法及系统 | |
| CN116244765A (zh) | 一种基于工业互联网的设备维护管理方法 | |
| CN111159487A (zh) | 一种汽车发动机主轴预测性维护智能系统 | |
| CN117786385A (zh) | 基于孪生网络的三相异步电动机故障监测方法及系统 | |
| CN118112415A (zh) | 一种电机绝缘性能的智能测试方法及系统 | |
| CN112580858A (zh) | 设备参数预测分析方法及系统 | |
| CN118605283A (zh) | 基于ar与ai技术的工业设备故障识别运维系统 | |
| Yang et al. | Application research of arima model in wind turbine gearbox fault trend prediction | |
| CN118209260B (zh) | 一种变压器储油柜漏油监测预警系统 | |
| US20240018940A1 (en) | Method and system for performing condition monitoring of wind turbine components | |
| CN112576454A (zh) | 基于多维预警策略的风电机组主轴温度预警方法及装置 | |
| CN116910128A (zh) | 风电机组硬软故障数据分析系统及其分析方法 | |
| CN114167282B (zh) | 一种电动机故障诊断及劣化趋势预测系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |