故障预测系统

2024-06-10

故障预测系统(通用11篇)

故障预测系统 篇1

0 引言

作为一种清洁能源,风能的利用逐渐成为国家可持续发展的重要战略组成。受限于风能的分布,风电场大多分布在自然环境相对较恶劣的区域,加之风电机组复杂的机械结构等因素,各个部件极易被损坏[1,2]。如果能够在故障发生的初始阶段检测到异常情况,并及时进行维修,可大大降低严重故障发生的概率,进而减少风电机组运行维护成本,提高风电场运行的经济效益。因此,风电机组状态监测和故障预测系统的研发是非常必要的。

目前,风力发电技术尚处于发展阶段,关于风电机组状态监测和故障预测的研究不够深入。文献[3,4]利用统计分析方法分析大量的风电机组风速、温度等特征量离线运行数据,提取某些有规律的指标参数,与出厂设计标准值进行对比,以达到实现风电机组状态监测的目的。另外,现有对风电机组的故障预测多是基于SCADA监测数据信息开展研究,如文献[5]充分考虑风电机组各部件或子系统之间的相互作用和耦合关系,利用SCADA历史运行数据中的连续量监测数据进行故障预测。这些方法都需要大量的监测数据,运算复杂度较高,监测分析实时性较差。

风电机组状态监测技术主要涵盖振动分析、油液监测、热成像技术和过程参数监视等[6]。由于风电机组振动故障发生概率最高[7],振动信号所包含的信息量最大且实时性较好,因此,该系统采用振动分析法监测风电机组运行状态,并预测各部件的故障趋势。

本文介绍了该系统的主要组成部分,并对各部分功能进行阐述;对系统中包含的时域与频域分析方法进行仿真分析,验证所采用方法的可行性;对研发系统在某风电场捕捉到的异常信号进行分析,验证了研发系统在实际应用中的有效性。

1 振动监测与故障预测系统组成

1.1 基本思想

风电机组振动监测与故障预测系统主要由振动信号采集模块、风电场监控中心及远程监控诊断中心3部分组成。每台风电机安装若干振动信号采集模块,单个振动信号采集模块采集4路振动信号,经由网线或WIFI发送到网络中,光纤交换机将电信号转换为光信号,经由光纤将原始振动信号传输到风电场监控中心;风电场监控中心实时显示测得的振动信号,并存储分析;远程监控诊断中心通过VPN服务器与风电场监控中心建立联系,并调用振动信号数据,对存在异常的风电机组进行故障诊断分析。整个监测系统通过以太网建立连接,其中风电机组振动信号采集系统的网络拓扑结构如图1所示。

1.2 振动信号采集模块

作为风力发电机组振动监测系统中的核心智能单元,振动信号采集模块主要用于振动信号的采集、硬件滤波和信号传输控制等。振动信号采集模块具有4路信号采集通道,每个通道包含有信号调理电路和信号采集电路,并通过内部总线传送采集到的数据。其中,信号调理电路为振动传感器提供硬件滤波,去掉偏置电压,抗混叠,并将振动信号调制成差分信号,便于ADC芯片处理。信号采集电路主要包括ADC信号采样电路和测温电路,ADC芯片选用∑-△型ADC,满足对机械系统振动测量的要求;测温电路对AD、电源、协处理器等部位的温度进行监测,当温度到达极限值时,电路板停止工作,直到温度恢复正常,电路重新工作。电源电路保证整个系统的稳定运行,同时为IPC传感器提供4 mA的恒定电流。协处理器由MCU和DSP组成,负责对数据进行预处理,其中MCU负责采集数据,DSP负责处理数据。PHY代表10/100 M以太网模块及WIFI模块,负责网络数据的传输工作。具体设计构架如图2所示。

1.3 风电场监控中心

根据风电机组振动监测与故障预测系统的需求分析,采用C#号开发本系统,主要包含设备管理、信号监测设置与显示、数据存储与分析和故障预测4个模块。

(1)设备管理。对于不同型号的风电机组,输入相关部件的参数后,系统可以自动计算出对应的特征频率等参数,并将相关信息进行存储。

(2)信号监测设置与显示。登录系统后不仅可以对上位机监测参数等进行设置,还可以分别调节远端振动信号采集模块各个通道的采样频率等。在监测过程中,通过振动信号时域波形图、频谱图、瀑布图等显示测量信号状态,如果出现异常情况,系统发出预警信号,并根据需求打印相应的分析报告。

(3)数据存储与分析,考虑到1个风电场中存在几十或上百台风机,直接存储未经处理的振动信号并不现实。因此,系统采用定期存储与异常存储相结合的模式,在未检测到风电机组异常的情况下实施定期存储,检测到异常时进行实时存储。对于测量数据,实时计算其时域特征参数(峰值、有效值、峰值因数、峭度系数等[8]),并进行包络解调分析、幅值谱分析、倒频谱分析和EMD分解等详细的信号分析[9,10]。

(4)故障预测。系统采用基于数据和模型的方法对风电机组存在的故障进行预测,主要包括自学习、随机子空间和粒子滤波等方法。自学习方法通过分析存储的历史数据,获取风电机固有的振动特征参数,作为故障预测的阈值指标,当实时监测指标值偏离固有指标值一定范围时,发出预警信号。随机子空间方法通过定义参考特征值及均方根误差(Root Mean Square Error,RMSE)对风电机组的健康状况进行评价,根据曲线走势及门槛值便可得知风电机组相关部件的运行状况,大大降低系统对使用人员的要求,方便风电场运行人员对各个机组的监控。

1.4远程监控诊断中心

远程监控中心通过VPN服务器接入风电场监控中心,根据需求可以直接使用风电机组振动监测与故障预测系统,获取风电机组不同部位的实时振动信号数据、分析与诊断结论等。风电场监控中心也可以通过Web服务器定时向远程监控诊断中心发送数据、图形等。—该系统不仅可以方便总公司级的设备管理技术人员及时了解风电场设备运行状况,针对异常风电机组数据进行深入分析,还可以方便各个高校或科研单位获取实际风电机组振动数据,开展深层次的研究。

此外,风电机组是一个复杂的机械系统,准确分析判断一些异常状况,需要通过多种分析手段综合分析。结合以往经验及当前情况,这些工作只能由远程的专家来完成。专家通过远程监控诊断中心可随时获取机组振动数据,分析设备运行状态,定期或异常发生时提交分析报告指导风电机组的维护工作。

2 风电机组振动信号仿真分析

2.1 振动信号分析

振动信号采集模块采集得到的是以时间为序列的振动信号,通过提取信号中包含的特征信息,评估风电机组的运行状态。

系统使用峰值、有效值、峰值因数和峭度系数等时域参数对模拟的齿轮箱振动信号进行分析。分别计算齿轮箱正常运行、断齿故障和齿面磨损故障时,振动信号4个时域指标的结果,如表1所示。

由表1可知,发生故障时4个指标的计算结果都大于正常运行数据计算结果。比较峰值计算结果可以发现,断齿故障信号对应的结果远大于齿面磨损信号,可知断齿所造成的振动冲击非常显著;对于峭度系数,断齿故障信号的计算结果也远大于正常信号和齿面磨损信号的计算结果;而对于有效值和峰值因数,计算结果区分度较小,不易判断是否存在故障,通过表1分析,验证了部分时域参数能区分不同的故障类型,时域分析法可以初步判定风电机组是否存在异常状况。

2.2 故障预测

利用随机子空间方法分析采集到的振动信号,预测风电机组齿轮箱故障。其基本思路是:

(1)建立齿轮箱随机状态空间模型。

(2)利用测量到的稳态振动数据计算线性模型参数矩阵A的特征值,作为齿轮箱线性动态系统的参考特征值[13]。

当齿轮箱稳态运行时,计算得到的实时特征值稳定在系统参考特征值附近;当齿轮箱异常运行时,计算得到的实时特征值会偏离参考特征值,从而识别出齿轮箱的异常状态。为避免对多个特征值进行比较,系统将均方根误差(RMSE)作为总体评价指标,利用统计过程控制原理划定槛值,进而从数值上直观识别出齿轮箱的故障状态。经计算分析,确定出RMSE指标的门槛值为0.028 2。

为验证该方法的有效性,模拟齿轮箱断齿故障,并从故障前一段时间开始计算RMSE的变化趋势。如图3所示,初始阶段R MSE值在门槛值以下波动不大,但随着特征值点的发散,RMSE值越来越大。第679个点以后,曲线上升到0.028 2附近,并出现不同于正常状况的波动;第804个点以后,曲线完全越过门槛值,由此可以初步判定齿轮箱存在故障风险。随后,曲线上升速度骤增,表明齿轮箱运行状态恶化。故在第679个点附近应发出预警信号,提醒运行人员采取措施,实现风电机组的早期故障预警。

3 实测风电机组轴承异常信号分析

在某风电场实际安装了所研发的风电机组振动监测与故障预测系统,并将数据传输到风电场控制中心。在运行过程中,监测到某风电机组低速轴存在周期性的异常冲击信号,随后经过现场实际检查确认了检测信号的准确性。图4为实际传感器安装示意图。

设置振动信号采集模块的采样率为46.5 kHz,取冲击信号相同时间间隔的振动信号进行分析,其时域波形如图5所示。由图5可知,风电机组低速轴正常运行时,振动信号幅值较小且基本是平稳的随机波形。与正常振动信号不同,发生异常后时域波形具有明显的冲击信号。正常振动信号对应的峭度指标值为2.62,发生异常后对应的峭度指标值为18.05,从时域参数方面也能很明显发现异常状况。

图5中,对2段振动信号进行傅里叶变换分析,得到其频谱图如图6所示。由图6可知,发生异常后,振动信号频谱幅值整体变大,并未出现某一频率成分幅值突然变大,不存在轴承缺陷等相关特征频率,因此该异常信号并不是轴承缺陷等故障引起的冲击信号。经过分析相关结构及询问设备厂家,最终确定该异常是由于低速轴上对应的套皮管松动引起的。

取异常振动信号和正常振动信号对应频谱成分作差(如图7红色曲线),以及相同时间间隔正常振动信号频谱成分作差(如图7黑色曲线),也可以发现频谱成分幅值是整体增大的,进一步验证了分析结果的正确性。

4 结语

风电机组在线振动监测与故障预测管理系统通过实时监测风电机组振动信号,分析计算振动特征参数,从而实现了对风电机组主要部件的远程状态评估。该管理系统对于风电场实现风电机组的状态检修,提高机组在线运行时长,缩短排除故障时间,降低风电场运行损失具有重要意义。

风电场管理未来的发展趋势是无人化管理。运行管理人员对风电机组进行远程监控,一旦出现异常,可在线发放检修单,检修人员接单开展工作。无人化管理既能改善风电场工作人员的工作环境,又能提高故障维修的效率.实现故障维修责任制。通过实际安装应用所研发的监测系统,验证了该系统振动信号采集。传输及分析的准确性。

故障预测系统 篇2

无人机故障预测及健康管理系统结构设计

PHM是新一代武器系统故障检测、隔离和预测及状态管理技术.文章阐述了无人机故障预测及健康管理系统的概念和功能结构,根据无人机系统故障特点建立了系统设备拓扑结构,在此基础上构建了无人机PHM系统逻辑体系结构.

作 者:彭乐林 罗华 马飒飒 PENG Le-lin LUG Hua MA Sa-sa 作者单位:解放军炮兵学院,安徽,合肥,230031刊 名:桂林航天工业高等专科学校学报英文刊名:JOURNAL OF GUILIN COLLEGE OF AEROSPACE TECHNOLOGY年,卷(期):14(1)分类号:V279关键词:无人机 故障预测及健康管理 体系结构

拖拉机故障预测八法等 篇3

外形预测——通过对拖拉机外形观察。若有异常,如拖拉机停放在平坦的路面上有倾斜,则说明轮胎有不正常的磨损、划裂或有零部件丢失等。

间隙预测——拖拉机各部位的间隙都有其标准值,如果间隙过大或过小,即表明有了故障。

渗漏预测——如拖拉机某些部分的密封性能变坏,出现漏水、漏气、漏油、漏电等现象。

耗油预测——拖拉机的各种油耗均有标准范围,如出现耗油量明显增加,表明拖拉机隐存故障。

声响预测——如果拖拉机某些部件在运行中发出异响,说明该部件有故障。

气味预测——驾车时。如果嗅到异常气味(焦糊味等),表明车有故障。

温度预测——行车中感觉温度过高,或中途停车检查时用手摸车辆各部位温度不正常,如触摸制动毂、轮胎、后桥壳、变速器壳等,其温度使手无法忍受,表明拖拉机存在故障。

性能预测——拖拉机的各种使用性能随着行驶里程的增长会减弱,但很缓慢,感觉不明显。若在行车中性能突然变坏,则表明有了故障(如发动机动力性能迅速下降、制动器不灵等)。(广西 陆明华周横)

泔水等废弃物加工成饲料成套设备

该设备是江苏省海门市兴业农牧机械厂(地址:海门市人民西路763号,电话:0513-2109901、2268891)研制生产的专利产品,它能把饭店的剩饭、剩油等废弃物,居民废物加工成有益的饮料,广泛用于养猪、养鸡、养鱼等养殖业,效果明显。

该设备通过固液分离、发酵等程序处理加工,生产饲料和有机复合肥通过变废为宝,最终解决了环境污染问题,目前已被国家特定的“北京2008环保处理产品。”(江苏射阳县农机化推广站周良墉邮编:224300)

豆皮子集拾器和风力装车机

八五二农场索伦农机制造有限公司成功研制出豆皮子集拾器和风力装车机。

该公司技术人员经反复设计、改装研制成功在联合收割机尾筛尾部安装的豆皮子集拾器,其仓储量可达3立方米,而且该装置能随机车边行走收获大豆边成功地分离出粉碎的豆皮子,仓满后自动卸堆。

为节省人工和提高工作效率,他们还同时研制出了在小四轮上安装配套使用的风力豆皮子装车机。

豆皮子集拾器和风力装车机的成功研制和应用。解决了过去机车收获大豆过程中豆皮子堆小且分散以及人工装豆皮子费工费力、效率低等困难问题,可提高功效30多倍,因而深受农场养殖户的喜爱。(黑龙江省保清县八五二农场煤矿张丽艳邵维信邮编:155625)

沼气燃气具常见故障及排除方法

1.U型压力计上压力较高。但灶具火力不强。这是因为开关孔径太小或喷嘴堵塞。应更换开关,清扫开关芯孔或者将喷嘴拆下清扫。

2.沼气燃烧时,火力时强时弱,有时断火,压力表上下波动。原因可能是输气管道内有积水妨碍沼气输送,应排除管道内积水。

3.沼气燃烧时,火焰离开火孔,不放锅时,脱火或熄灭,火盖最外两圈脱火。原因可能是:①燃烧器的火孔数量少,出火孔面积小;②池内压力过高,沼气流速太快;③火盖上火孔堵塞,出火孔面积减小,一次空气引射不进去。排除上述故障可选用技术性能好的灶具:控制灶前压力为额定压力:用钢丝清扫火孔使其达到原有尺寸,当不能恢复原状时,应更换火盖。

4.沼气燃烧时,灶盘边沿有“火焰云”,而中间无焰。其原因可能是:①一次空气引射不足;②灶面距锅底太近,特别是热负荷过大时,产生压火;③灶具外圈火孔大而密,中心无火孔。这些情况应注意选用技术性能好的灶具,控制好锅底至灶面的距离。

5.燃烧火焰微弱,喷嘴前出现火焰及噪音。其原因可能是:燃烧器火孔较大,烧一定时间后,火孔过热,沼气压力低,引起回火。应适当提高锅架高度,降低火孔温度,提高灶前压力或更换火盖。

电力系统故障预测方法研究 篇4

随着现代电力系统不断地向大型化、智能化的方向迅速发展, 现代电力系统的系统元件和系统结构日趋多样化、复杂化, 系统的故障或失效的潜在可能性不断攀升。而目前的电力系统故障领域的研究主要集中在监视当前系统运行状态, 诊断系统是否出现故障以及故障定位;无法防止故障的发生, 很难保障现代电力系统及其设备的安全、稳定、高效和可靠的运行。

故障预测技术是比故障诊断技术更为高级的维护保障方式, 是一门刚刚兴起的边沿学科。它涉及了机械、材料、控制通信、电力电子、通信以及计算机技术和人工智能等多种学科的综合。电力系统故障预测是在对电力系统故障演化机理深入研究的基础上, 以当前系统或元件的运行状态为起点, 利用系统或设备的运行参数、实验数据等信息, 结合其系统或设备结构特征、运行参数和历史运行记录统计, 在系统或设备还处于可保证的正常运行临界范畴内, 依据一些异常特征参数来对系统或设备将来一段时间内有可能发生的故障进行分析和预测;并及时向用户提出警告, 以便及时进行检修, 有效预防故障的发生, 保障现代电力系统的安全、稳定、高效和可靠的运行。

目前, 国内外电力系统领域故障预测的研究主要在于电气设备, 如变压器[1,2,3,4]、断路器[5,6]、发电机[7,8,9]、电动机[10,11]等主要设备的故障预测。采用在线监测手段, 结合设备的历史运行及故障数据样本、当前运行状态数据和设备数学模型, 从而来预测设备未来一段时间所处状态, 提前发现可能的故障。而在整个电力系统[12]或输电系统[13]等子系统的研究中, 由于系统从设备到子系统、从一次系统到二次系统从功能上呈现分布式结构或者网络式结构, 结构中的故障信息之间存在或强或弱的关联性、交互祸合作用且现有的故障预测方法对单一设备的故障预测时, 当监测数据不足时预测结果不可信, 使得对系统故障的直接预测难度大, 准确性低, 导致目前主要研究在对故障后有可能引起的连锁故障进行预测分析。

1 电力系统故障预测技术

对于电力系统故障预测并没有明确的概念, 其预测技术与其他系统的故障预测技术没有很大区别。目前, 电力系统故障预测技术大致可分为三类:基于模型的故障预测技术方法、基于数据驱动的故障预测技术方法、基于统计可靠性的故障预测技术方法。

1.1 基于模型的故障预测技术

基于模型的故障预测技术正常要求用于描述系统 (或设备) 及其故障的物理模型的专门解析数学模型是已知的。这类技术是通过把握被预测系统 (或设备和组件) 的状态模型的演化过程的技术方法, 用来系统 (或设备和组件) 故障状态预测或用于评估设备和组件的剩余寿命及损伤程度。通常基于模型的故障预测技术的预测精确度与所采用模型的参数精确度直接相关, 即可以通过不断加深对系统或设备的故障演化机理的研究, 来不断修正和调整模型及其参数以提高其预测精确度。因为基于模型的故障预测技术具有所需样本量少, 解析计算量小和便于掌握, 且可以究其系统的内在性质和实现动态实时性, 使得故障预测精度高等优点, 使其越来越多地应用到电力系统故障预测研究中。但是, 要建立精确数学模型对于复杂动态电力系统来说, 通常是难以实现的。因此, 在现代电力系统在实际运用中, 由于基于模型故障的预测技术的模型难以精确建立, 使得其运用范围受到限制, 目前在电力系统故障方面的应用主要用于变压器故障、电机、保护元件等设备及简单系统的故障预测。

1.1.1 灰色预测技术

灰色预测技术是一种能够在贫信息、有部分信息未知、缺乏经验知识的情况下, 以灰色模型为基础进行预测的技术。灰色预测模型是1985年由我国邓聚龙教授提出, 灰色预测模型的核心是灰色模型。灰色模型是依据系统的状态一般变化规律, 经过数据序列的函数变换的较光滑序列, 再建立灰色模型的灰色微分方程, 求解白化微分方程, 得时间响应函数, 进而离散化的时间响应序列, 最后还原时间响应序列, 得预测值。它的建模的一般步骤为: (1) 选择系统运行与故障的监测特征数据序列并进行预处理; (2) 建立GM (1, 1) 模型或改进模型; (3) 校验模型精确度, 对于没有达到精确度检要求的模型, 可以运用残差补尝或删除前面部分数据的措施, 来提高模型的精确度; (4) 利用合格的模型来预测特征量变化趋势[14]。该模型对于数据序呈指数增长的故障短期预测的预测效果好, 它可预测系统退化状态, 但很难估计剩余寿命。

灰色模型包含GM (1, 1) 模型、灰色Verhulst模型和MGM (1, m) 模型。其中在电力系统故障预测中最常用的模型是GM (1, 1) 模型。文献[15]综合概率论、灰色系统理论和模糊数学, 应用已知概率分布规律的元件寿命样本或测试数据, 用关联的方式对分布规律未知的可靠性数列进行预测, 完成了未知规律的小子样系统的开发。灰色预测具备少样本、少数据建模的优势, 适用于具有历史数据少、贫信息特征的电力系统或电力设备的故障预测。文献[16]中, 针对在试验变压器时间上具备非等间隔的特征, 提出了一种改进的变压器非等间隔灰色预测方法。其主要理念是通过应用Lagrange插值法改造背景值来构建等间隔数列对原有模型进行改进, 假定了灰模型累加生成数列, 并修改了GM (1, 1) 模型的累减还原方法, 取得了较好效果。文献[17]中, 从电气绝缘的实际情况出发提出将原始数据序列先根据它自身规律先构造成一个新序列, 再代入GM (1, 1) 模型, 实验证实这样能有效地提高预测精度。而在实际运用中, 由于应用GM (1, 1) 模型仅对一个特征行为考虑或对几个特征行为进行独立, 而缺少对各特征行为的全面考虑的缺点, 从而为了实现对系统多个特征参数的跟踪, 得到了运用多个GM (1, 1) 模型都难以达到的精确度, 则需要运用多变量灰预测模型MGM (1, m) 模型。但在电力系统中这几个参数存在一定的联系来反应系统运行状态, 而它们之间联系的程度由于原始数据的准确性, 往往难以把握。

1.1.2 基于滤波器的预测技术

基于滤波器的预测技术对系统或设备模型的精确度要求很高。当模型精确度高时, 通过对滤波器输出值与实际输出值的残差的对比, 实时调整滤波器的参数, 进而可以有效对系统或设备目前的状态进行评估, 同时, 也能够预测系统或设备在未来一段时间所处状态。但是如果模型精确度低, 滤波器估计值的误差将有可能变得很大, 使得预测结果错误率高。基于滤波器的预测技术主要包括卡尔曼滤波器和粒子滤波器这两种。

卡尔曼滤波器是一种最佳线性估计器, 它的基础理念是经过对含有噪声的观测信号的处理, 从而获得被观测系统或设备状态估计信息的统计数据。卡尔曼滤波器以线性、无偏、最小方差为准则递推值, 通过对系统状态估计误差的极小化, 得到递推估计的一组方程, 同时能得到系统的预测方程。但卡尔曼滤波器算法不能直接用于处理非线性、非高斯的系统, 而实际的系统不可能是纯线性的, 都存在一定的非线性, 甚至强非线性。进而提出了一种先对非线性系统进行局部线性化, 再利用卡尔曼滤波器算法进行滤波与估算的扩展卡尔曼滤波器算法来对非线性系统进行预测。但扩展卡尔曼滤波是一种能解决非线性估计问题的线性方法, 当系统可观测较差和状态空间模型的非线性程度较高时都会导致扩展卡尔曼滤波器算法的收敛精度差及收敛时间长;且在非线性粒系统的应用存在模型不确定性的鲁棒性差的问题, 并且在系统处于稳定时, 对突变状态的跟踪能力也将消失。随后提出了一种以扩展卡尔曼滤波器算法为基础的强跟踪滤波器算法。其通过加入渐消因子, 可以根据滤波效果动态地调整增益矩阵, 以保持准确的跟踪系统状态能力, 也具有较强模型不确定性的鲁棒性。

粒子滤波器是基于非参数化的蒙特卡罗模拟方法的贝叶斯滤波算法, 是能够有效解决非线性、非高斯噪声问题的算法。粒子滤波器方法是对其使用状态中的每一个粒子 (即是近似于实际状态的概率函数的样本点) 给予一个权值, 由足够多的不同权值的粒子形成的离散分布能够形成逼近的连续分布, 进而对于给定的系统进行估计。粒子滤波器算法的实现步骤: (1) 初始化; (2) 采样; (3) 权重更新; (4) 重采样; (5) 输出状态估计。粒子滤波器方法在故障预测应用中适用于任意的非线性、非高斯噪声系统的滤波问题是其最突出的优点, 但其具有的粒子退化和对突变状态的跟踪能力不足的主要缺陷。

在解决非线性、非高斯问题方面, 粒子滤波与卡尔曼滤波方法相比, 具备更突出的优点, 己成为非线性系统故障预测的最主要研究方法之一。文献[18]中, 考虑包含正常、退化、不可靠事件的动态系统, 利用修正的交互多模型粒子滤波器估计动态系统的状态, 初步预测隐含时—变故障, 并利用Holt滤波预测故障, 但其假设了不可靠部件故障行为服从Markov性, 系统故障服从线性过程, 使该方法具有局限性。文献[19]针对粒子滤波算法存在粒子医乏现象, 提出一种基于权值优选粒子滤波器的故障预测方法, 采用权值优选粒子滤波器预计系统未来一段时间的运行状况分布情况, 并通过对系统故障概率的计算, 来实现对系统的故障预测。文献[20]针对预测模型存在未知渐变参数的状况, 提出了一种基于高斯混合模型粒子滤波器的故障预测方法。且该方法输出系统剩余寿命状态分布与原本输出值为固定值的故障预测方法相比, 更能有效消除各种不定因素对故障预测的影响, 更切合现实状况。文献[21]介绍在移动智能机器人领域, 应用粒子滤波器对机器人进行故障诊断与预测。

1.2 基于数据驱动的故障预测技术

基于数据的故障预测技术是根据一定的输入、实际输出、预计输出和状态参数之间的关系, 从许许多多的历史数据样中进行学习的输出和实际输出之间的映射关系, 再以此在内部建立非线性、非透明及非针对特定对象的模型, 最后以传感器或测试的特征数据为输入, 求得实际输出结果, 从而实现故障预测。对象系统的数学模型和专家经验是否已知对其影响不大, 进而避免了基于模型故障预测技术的数学模型难以精确建立的困扰, 是目前较为实用且运用广泛的故障预测技术。但是, 基于数据的故障预测技术需要较为完整且准确的历史数据样本, 而实际应用中复杂的电力系统或电力设备的历史数据样本往往不完整且存在不准确性, 从而影响其预测的精准性。

1.2.1 基于神经网络的故障预测技术

神经网络是多个神经元连接而成, 用于模拟人脑行为的网络系统, 具备模拟连续非线性函数的功能;而且可以通过对样本的学习来掌握系统规律, 获得适合的参数来映射任意复杂的非线性关系, 具备极强的非线性逼近能力, 无需对监测数据作模型假设, 因此广泛地在故障预测领域中进行应用。文献[22]中利用人工神经网络对机械泵的剩余寿命进行预测。文献[23]中利用神经网络模型对复杂液压系统进行故障识别和预测, 实现对液压系统的监控和管理。文献[24]中以数据采集与监控 (SCADA) 系统所监测的特征参数和设备的历史故障数据作为系统故障预测的数据来源, 采用BP神经网络对动态数据和静态数据进行建模, 从而对系统进行故障预测。但是神经网络训练时需要有足够多的历史数据样本才能得到精确的权值和阈值, 且神经网络存在难以保证算法收敛性、快速性和实时性以及网络结构难以确定等不足。为了弥补神经网络不足, 将神经网络与灰色理论、模糊集、小波变换等技术结合起来, 为非线性系统故障预测提供了新的途径。文献[25]则提出了一种利用自回归滑动平均模型、神经网络和模糊逻辑的融合预测方法, 并在锂离子电池的剩余使用寿命预测中进行运用。文献[26]提出一种基于粗糙神经网络的航空电子设备故障预测方法, 采用粗糙集理论改进神经元结构, 以粗糙变量为神经元的输入, 每个神经元的上近似元和下近似元分别代表粗糙集的上下近似, 以交叉连接方式构造粗糙神经网络, 用以实际设备特征参数的跟踪预测。研究结果表明, 粗糙神经网络可以较准确地预测故障发生的时间。文献[27]提出的一种基于利用灰色关联改进BP神经网络的船舶供电系统故障诊断方法, 这种方法利用灰色关联分析方法和灰色关联度的计算方法有效地消除隐层神经元数, 从而优化BP神经网络的结构, 确定隐含层神经元数。不仅能保证学习神经网络的性能, 而且可以有效地解决隐层神经元数目引起的冗余问题。

1.2.2 基于支持向量机的故障预测技术

支持向量机是一种基于样本的机器学习方法, 通过学习, 它选择一些典型的类型已知样本作为范例样本, 对未知样本的识别是通过和范例样本相比较并综合的结果。其适用于小样本学习, 具有较强的模型泛化能力和非线性处理能力, 可较好地解决高维问题与局部极值问题。在故障预测的研究中, 和神经网络相比较, 支持向量机具有参数选择简单、建模方便、模型泛化能力强、受到输入数据维度的影响小和样本训练快且不易陷入局部极小值等优点。正是由于这些优势, 使其在状态识别评估和故障预测中得到广泛的应用。文献[28]将支持向量机SVM和神经网ANN在电力系统暂态稳定评估中进行了全方位的比较, 在基于巴西的”Priba”200机2484总线大规模系统的仿真研究中, 从适应能力、训练时间、分类准确率等方面的比较中, 支持向量机同样表现出了比神经网络更杰出的预测结果。文献[29]提出一种基于支持向量机回归的电力变压器油中溶解气体体积分数的预测方法, 并采用网格交叉验证法寻求最优的参数组合, 取得了较好的预测效果。文献[30]提出了应用支持向量回归技术对多个特征参数进行并行预测, 并对各类特征及其各预测步骤的剩余使用寿命预测结果进行趋势分析, 再经过置信区间预计来预测最终结果。

1.3 基于概率统计的故障预测技术

基于概率统计的故障预测技术是通过对过去故障历史数据进行统计并建立故障概率密度函数, 而进行故障预测并给出置信区间对精确度判断。它适用于无法也没必要确定完整的动态模型的系统或无法给定输入和输出之间映射关系的系统故障预测问题。

1.3.1 基于马尔科夫链、隐马尔科夫链的故障预测技术

马尔科夫过程是一种较遍及的随机过程。此过程揭示了系统或设备从一种状态转移到另一种状态, 随时间变化所作的状态转移, 且状态转移具有概率性质。该过程是“无记忆性”, 也称马尔科夫性, 即过去的运行状况对将来的运行状况的预测是无影响的, 因此可仅凭借当前系统的运行状况, 对系统将来的运行状态进行预测。基于马尔科夫链的故障预测的关键在于有足够的历史数据或实验数据统计来得出准确的系统状态转移矩阵。文献[31]根据电力系统连锁故障中存在着上下级故障间固有的关联, 提出的基于马尔可夫链的连锁故障预测模型, 以连锁故障过程中潮流转移引起的状态转移概率、保护/断路器误动概率及由系统硬件失效引发的线路状态转移概率为依据, 能够有效地对系统连锁故障的发展趋势进行预测, 并计算下一级线路故障概率, 再进行更下一级预测, 最后得出具有时间先后顺序的连锁事故路径。文献[32]提出一种基于马尔可夫链的蒙特卡洛的电力系统的可靠性评估的方法, 并在大型电力系统可靠性评估中对其进行应用与研究。文献[33]论证在有足够多的样本数条件下, 得出准确的马尔科夫状态转移矩阵, 可以根据电力系统当前运行状况迅速地预测出电力系统将来的运行状况趋势。

隐马尔科夫链是由马尔科夫链演变而来的, 并被广泛应用于设备状态监测和故障诊断与预测中。与马尔科夫链不同的是, 隐马尔科夫链是一种基于概率统计的双重随机过程:一个随机过程是具有有限状态的马尔科夫链, 描述状态的转移;另一个随机过程描述每个状态和观察值之间的统计对应关系。它具有很强的物理解释性, 且它的学习能力和分类敏感性是远远优于其他一些模式识别方法的。例如, 隐马尔科夫链与神经网络比较[34], 不仅分类识别能力要优于神经网络, 而且需要的样本数也是较小的。文献[35]提出了三种基于隐马尔可夫模型的识别算法, 并运用该算法通过对机械系统故障前期征兆进行揭示与识别, 从而得到故障预测结果。文献[36利用小波包变换对故障信号进行预处理, 提取能量作为特征信号, 再利用隐马尔科夫模型进行建模和模式识别, 从而实现对液压系统的故障预测。文献[37]提出了一种利用两条马尔科夫链耦合的隐马尔可夫模型故障预测方法, 与单一通道的隐马尔可夫模型故障预测方法。运用该方法对模拟电路系统的各退化状态识别和故障预测的精准率更高。

1.3.2 基于贝叶斯网络的故障预测技术

贝叶斯网络是由Pearl于1988年基于总结前辈的研究而提出的, 是一种基于概率分析、决策分析和图论的不确定性知识表达和推理模型。在故障预测领域中贝叶斯网络运用形式主要有两种:一种是诊断型的贝叶斯网络结构[38], 首先把系统状态分为两种节点:故障征兆节点和状态节点, 根据故障征兆节点来推测状态节点的故障概率, 但系统元件节点间的相互关系并不在两层元件节点的网络拓扑结构中进行充分体现[39]。文献[40], 利用专家知识结合信号建立诊断型贝叶斯网络结构, 并运用应用于电源系统进行故障预测。另一类是动态决策网的特殊贝叶斯网络结构, 根据动态决策网的特殊贝叶斯网络结构和对时序数据分析来推断故障概率[41], 但由于其十分复杂的网络结构, 所以结构构建时需要对系统网络拓扑结构进行深入的研究。文献[42]利用动态贝叶斯网络结构对设备剩余寿命进行了有效的预测。

2 结束语

电力系统故障预测技术能够有效地预防电力系统的故障发生, 比起故障发生后的故障诊断处理技术, 其能够及时提醒用户进行检修, 保障现代电力系统的安全、稳定、高效和可靠运行。但由于电力系统故障预测技术刚刚兴起, 还不成熟, 且电力系统的结构又十分庞大及复杂, 使得其大多还停留在理论与仿真阶段, 能实际有效地运用还较少。但随着电力系统故障预测技术的快速发展, 相信在不久将来, 故障预测技术在实际电力系统中将普遍存在。本文概述了基于模型、数据和概率统计的三大类故障预测技术和其一些主要预测技术。在概述中将它们进行明确分类, 但它们各有各自的优缺点, 且目前对故障预测技术的很多研究更倾向于组合技术, 相互取长补短, 得到更优的预测技术。

摘要:本文针对电力系统及其设备的特点, 探讨了故障预测技术发展对现代电力系统及其设备的安全、稳定、高效和可靠的运行的重要性, 详细论述和比较了故障预测技术的各种方法, 并对它们的优劣势、应用场合和应用状况分析和总结。

故障预测系统 篇5

Elman型神经网络在液体火箭发动机故障预测中的应用

提出一种将Elman神经网络应用于液体火箭发动机故障预测的.模型,并进行了多参数多步预测.仿真计算结果表明,较传统的静态BP网络预测模型,该模型结构简单,动态特性好,对于液体火箭发动机重要参数的预测效果较好,收敛速度快且精度高,具有较好的非线性时序预测能力,说明其在液体火箭发动机的故障预测中应用的可行性.

作 者:田路 张炜 杨正伟 TIAN Lu ZHANG Wei YANG Zhengwei  作者单位:第二炮兵工程学院,西安,710025 刊 名:弹箭与制导学报  PKU英文刊名:JOURNAL OF PROJECTILES, ROCKETS, MISSILES AND GUIDANCE 年,卷(期): 29(1) 分类号:V434 关键词:Elman神经网络   液体火箭发动机   故障预测  

故障预测系统 篇6

【关键词】BP神经网络 最小二乘法 盾构故障

一、故障预测常用方法种类及特点

常用的故障预测种类有以下几种:

(一)曲线拟合法:本方法简单实用,好理解,较多的应用在监控机械装置的系统,缺点是预测误差结果比较大。

(二)卡尔曼滤波法:计算量小、预测精度高,主要用于线性系统,在非线性系统中需要进行扩展,但其模型的不确定性很差。

(三)灰色预测:该方法需将两个部分进行置换,即“随机过程”转换为“灰色过程”,把“随机量”处理成“灰色量”,然后在理论系统的模型GM(1,1)中进行处理。

(四)神经网络:具有学习记忆功能,能很好解决非线性系统问题,不对预测模型做限制,同时还能把以前的历史数据完整映射到未来的数据库中,可广泛用在故障检测中。实际使用广泛的神经网络预测有:BP神经网络和自组织特征映射网络。

二、最小二乘法与BP神经网络相结合的预测方法

基于本文采用最小二乘法与BP神经网络相结合的方法来预测故障,因此需要对所选取的数据样本集进行直线最小二乘法的拟合,然后用BP神经网络算法进行计算,最后将这些值作为样本集,输入到BP神经网络模型来进行训练预测。

(一)BP神经网络模型的构建

在构建神经网络之前,需将数据进行归一化处理,将归一化的数据样本构建成BP神经网络模型。在本论文的神经网络模型中,训练函数,学习函数,传读函数,性能函数,训练次数,训练误差,学习率分别为:traingdx,learngdm,logsig,mse,1000次,0.0001,0.08.输入层,输出层及隐层分别为:6,1,5。

(二)最小二乘法的直线拟合过程

根据最小二乘法的理论[4]及BP神经网络的模型可知,要预测故障,既是对出现故障的时间序列的预测,而预测时间序列X={Xt︱t=0,1,2…m},实际上就是利用已知的{xk,xk-1…xk-n+1}来求xk+1。

将得到的数据样本再通过BP神经网络的算法对样本计算,得到其对应的各个参变量值,即给出Xk,得到期望值N(Xk),其中k=n-1,n…m,然后把这些值作为样本集,用在BP神经网络中来训练整个网络。

三、盾构机PU电流序列预测应用

(一)单一的BP神经网络的预测结果

单一的BP神经网络采用以1小时为间隔所提取得 100个PU电流数据作为样本集对进行训练,采用输入连续的6个PU电流值,紧接着输出相连续的一个PU电流值,即输入与输出层节点数比例为6:1,隐层节点数为5,将网络进行收敛,当达到预定精度以后,预测其结果如图1中曲线。

(二)最小二乘法及BP神经网络相结合的预测结果

用上面的样本集数据,对最小二乘法与BP神经网络的合成的样本进行训练,并进行网络收敛,当达到预定精度,预测其结果如图2中曲线所示。

(三)两者结果比较

图1和图2中的两条预测线分别代表PU实际电流变化曲线(实线)以及用神经网络预测的电流变化曲线(虚线)。可以看到,在图2中,这两种曲线的变化趋势比较接近,仅有极少的时间序列点有较大偏差,而图1中的两条曲线则在多个时间序列段出现较大的偏差,两条曲线走势明显偏离,所以,可以认为,采用合成的BP神经网络算法预测到的PU电流时间序列精度较高,比采用单一的BP神经网络更能客观反映盾构机的实际电流变化情况。虽然有个边点出现误差,也是未考虑机组负荷的影响。因此,整体上说合成的BP神经网络算法对盾构机的PU电流还是具有很高的预测能力。

图1 图2

四、总结

上述内容主要采用最小二乘法与BP神经网络结合的方法对盾构机的故障进行预测,将二者结合起来,可以充分利用二者的优点,优势互补。笔者将其应用到了实际的工作中,起到了良好的预测效果。

参考文献:

[1]蒋瑜,杨雪,阮启明.机械设备故障规律及运行趋势预测方法综述[J].机电一体化,2001(3):14-17.

[2]陈敏泽,周东华.动态系统的故障预报技术[J].控制理论与应用,2003,20(6):820-822.

[3]苏春华,罗雷,海军,梅检民,肖云魁.基于BP神经网络的汽车发动机寿命预测[J].军事交通学院学报,2009,11(4):50-51.

机器人系统的故障预测技术研究 篇7

机床数控化和加工中心化已成为装备制造业的必然趋势,随着信息技术和自动化技术的快速发展,作为数控加工中心主导地位的机器人系统的集成度和复杂度也越来越高,个别部件故障常常会引起链式反应,导致任务过程失败甚至是整个系统不能运行乃至瘫痪。然而,目前机器人系统可维护性不高,单一依赖经验的维护知识积累已经无法跟上系统复杂程度的提高,盲目定检、定修导致维护成本提高和效率低下等问题,以及现有故障诊断系统存在的不足,都严重影响机器人系统生产效率[1~2]。预测与健康管理(Prognostics and Health Management,PHM)是综合利用现代信息技术、人工智能技术的最新研究成果而提出的一种全新的管理复杂系统健康状态的解决方案。主要解决运载器的综合健康管理问题[3]。机器人系统与运载器都是智能机电一体化系统,是有很多相似性的复杂系统。本文提出将PHM技术思想引入机器人系统中,建立机器人系统的PHM体系结构,并对其中的关键技术——故障预测技术进行研究。从故障预测技术的特点及研究内容入手,详细阐述了各种预测方法的特点,最后提出了基于统计过程控制的机器人系统故障预测方法。

1 机器人系统预测与健康管理技术

预测与健康管理(PHM)的定义是预测未来一段时间内系统失效可能性以及采取适当维护措施的能力。PHM系统一般应具备故障检测与隔离、故障诊断、故障预测、健康管理和部件寿命追踪等能力,并通过联合分布式信息系统(JDIS)与自主保障系统交联[4]。PHM是从故障诊断技术逐渐发展而来的。国外的PHM研究已经从理论研究进入了实际的工程应用阶段,并已经渗透到了遍及航空、航天、运输等各个领域。我国在PHM方面的研究仍局限在航空航天领域,民用装备的健康管理研究仍属空白,大都仅限于在部件级的健康监控上,而且都停留在实验室理论研究。而且机器人系统、数控加工中心与运载器都是智能机电一体化系统,是有很多相似性的复杂系统,具有可比性。两者结构又不尽相同,运行环境差异很大,故障导致的风险没有运载器高,对自主维修维护的要求不高等。针对上述特点,本文提出适用于机器人系统的预测与健康管理体系结构,如图1所示。在机器人运行时,对它的主要(或需要)部位进行定期(或连续)的状态监测和故障诊断,判定机器人系统所处的状态,预测其状态未来的发展趋势,依据它的状态发展趋势和可能的故障模式,预先制定预测性维修计划,确定机器人应该修理的时间、内容、方式和必需的技术和物资支持。对机器人系统进行预测与健康管理,利用机器人系统本身安装的各类传感器,进行传感器优化布局,尽可能不在机器人系统上额外增加设备,只是在机器人系统中嵌入预测与健康管理系统,易于对生产企业中原有的机器人系统技术改造。

信号处理层—本层处理以传感器数据和从控制系统来的数据,将这些数据处理成与要求的形式相一致。

状态监测层—本层的处理是执行一个测试和报告某个部件或子系统的物理状态或性能。本层的输入包括重要的部件或子系统的状态报告。

健康评估层—本层诊断和汇报所指派的各部件或子系统的健康状态。

预测层—本层产生一个已给定使用状态的部件或子系统的剩余可用寿命,进行故障预测。

决策支持层—本层根据机器人系统的未来健康状态重新对系统下一步任务进行规划,生成系统的维护方案。

表示层—本层是机器人系统与使用人员的接口,本层并不一定只接收来自决策支持层的信息,它可以支持与其他层次的点对点的通讯,以方便操作人员直接获取机器人系统的原始信息并对系统各部分进行控制。

2 机器人系统故障预测技术的特点和研究内容

预测与健康管理技术实现的关键是预测层的故障预测技术。预测是对尚未发生、或者目前还不明确的事物进行预先估计和推测,是在现时对事物将要发生的结果进行探讨和研究。故障预测技术具备如下特点:实现状态监测、故障检测、失效预报、系统和关键部件的剩余寿命预报;包括异常检测技术、特征提取技术、健康监测技术、故障诊断技术、剩余寿命预测技术等,是多个前沿和交叉学科的统一体;它是传统设备状态监测和故障诊断技术的全面提高,强调在设备故障发生之前发现早期故障征兆,跟踪故障征兆的发展情况同时评估设备的剩余使用寿命,并最终为设备的维护提供决策支持。

机器人系统健康退化过程是随着工作时间的推移,机器人系统的健康状态表现为一个从系统正常到系统性能下降直至功能失效的过程。机器人系统健康退化过程如图2所示。

故障预测系统的任务就是根据当前健康状态和使用负载,预报系统出现故障的时间。即故障预测技术的作用范围是从“机器人系统异常检测点”至“机器人系统功能失效点”这一段时间之内。故障预测技术的研究内容包括:

(1)评价当前机器人系统处于其健康退化过程中的哪一种健康状态,是正常状态、性能下降状态或者功能失效状态;

(2)当机器人系统处于性能下降状态时,判断机器人系统是由于何种故障模式引起其健康水平的下降,并且评价当前健康状态偏离其正常状态程度的大小;

(3)预测机器人系统未来的健康状态,它有两种形式:

(a)研究未来的一段时间(下一次任务之内)机器人系统是否能正常地完成其功能要求;

(b)研究机器人系统的剩余寿命的大小

3 国内外故障预测技术研究现状

对于故障预测技术,从其实际研究中应用的理论、方法和技术路线来看,可分为3类:基于模型的故障预测技术;基于知识的故障预测技术;基于数据的故障预测技术。

3.1 基于模型的故障预测技术

应用基于模型的故障预测技术的前提条件是已知对象系统的数学模型,这些模型通常由一定的领域专家给出,经过大量的数据验证,通常比较精确。基于模型的故障预测技术具有能深入对象系统本质的性质和实现实时故障预测的优点;并且对象系统的故障特征通常与模型参数紧密联系,随着对设备故障演化机理理解的逐步深入,模型可以被逐渐修正来提高其预测精度。但是,实际工程应用通常要求对象系统的数学模型具有较高的精度,而针对复杂的动态系统通常难以建立精确的数学模型,因此基于模型的故障预测技术的实际应用范围和效果受到限制。

基于随机滤波理论的故障预测技术是基于模型的故障预测技术的典型代表。其它基于模型的故障预测方法有基于模型自适应的故障预测方法[5];疲劳裂纹演化模型的建模技术[6];基于裂纹演化分析软件FRANC 2D的机械疲劳裂纹故障预测方法[7]。

3.2 基于知识的故障预测技术

由于在实际工程应用中,常常无法获得对象系统的精确数学模型,这就大大限制了基于模型的故障预测方法的使用范围。基于知识的方法不需要对象精确的数学模型,同时能够有效地表达对象相关的领域专家的经验知识,因此是有生命力的方法。基于知识的故障预测技术的最大优势是能够充分利用对象系统有关的领域专家经验知识。但是,由于基于知识的故障预测技术本身更适合于定性推理而不太适合于定量计算,因而限制了其实际应用。

基于专家系统或模糊逻辑的故障预测是基于知识的故障预测技术的代表。单独使用专家系统或模糊逻辑进行故障预测的实例还不多见,由于基于知识方法是一种半定量方法,在表述知识和推理方面有其独到之处。因此,一般将其与其它技术相结合(如与神经网络结合的故障预测),以期获得更好的应用效果[8]。

3.3 基于数据的故障预测技术

基于数据的故障预测技术不需要对象系统的先验知识(数学模型和专家经验),以采集的数据为基础,通过各种数据分析处理方法挖掘其中的隐含信息进行预测操作,从而避免了基于模型和基于知识的故障预测技术的缺点,成为了一种较为实用的故障预测方法。但是,实际应用中一些关键设备的典型数据(历史工作数据、故障注入数据以及仿真实验数据)的获取代价通常十分高昂;而且即使对于所获得的数据来说,往往其具有很强的不确定性和不完整性。这些问题都增加了故障预测技术的实现难度。基于数据的故障预测技术包括基于经典时间序列分析的故障预测技术[9]、基于灰色理论的故障预测技术[10]和基于机器学习(神经网络、支持向量机)的故障预测技术[11]。

基于数据的故障预测技术还有Byington等人使用贝叶斯网络进行飞机自动驾驶仪的故障诊断和预测[12];Flint等人研究了一种预测维护系统;Berenji等人提出了使用动态范例推理进行故障诊断和预测的方法,并将该方法应用于工业制冷机系统的故障诊断和预测中证明了该方法的有效性[13]。Skormin等人提出了一种基于数据挖掘的故障预测算法,该算法将设备的故障看作工作环境变量的函数,从历史数据中发掘设备故障与环境变量之间的联系,从而实现了设备故障发展进程的有效预测[14]。

4 基于SPC的故障预测技术研究

统计过程控制(Statistical Process Control,简称SPC)是一种有效的数据统计方法,将SPC理论和计算机技术相结合,对机械制造、产品加工等生产过程的产品进行质量管理,以改进生产技术,提高产品质量,具有对生产过程预防和监控的能力。SPC技术运用休哈特的过程控制理论即控制图来判断设备是否处于稳定可靠状态,根据控制图上的特征值点分布状况,分析对象系统特性的趋势,并采取预防措施确保对象系统特性始终处于统计控制状态,从而达到改进与保证质量的目的[15]。

对机器人系统在运行过程中进行预测与健康管理,即在机器人系统失效前进行故障预测,评价当前系统处于其健康退化过程中的哪一种健康状态;判断系统是由于何种故障模式引起其健康水平的下降;采取必要措施进行预先维护。可以看到,对机器人系统在运行过程中工作性能的监控和故障预测,与生产过程中利用SPC理论的控制图和过程能力指数等对于产品进行质量管理,对生产设备加工能力进行预测具有相似的作用。SPC技术充分体现了现代控制理论的过程预防原则,具有预防和监控能力。所以,提出将SPC理论应用到机器人系统的故障预测技术中来。基于统计过程控制的故障预测技术依靠系统运行中的参数数据,属于基于数据的故障预测中的一种。

4.1 控制图的选择

SPC的控制图种类比较多,针对不同的数据类型和数据量的大小选用不同的控制图。控制图分类如表1所示。

4.2 控制图的原理

控制图就是利用样本统计量检验总体均值?和标准差是否发生显著变化的过程。在质量特性为连续值时,最常用的质量特性值分布为正态分布,若抽样得到的样本均值为,n为样本大小,使得[15]:

成立,则认为当显著性水平为α时,总体均值µ未发生显著变化,即设备处于稳定状态。其中的上控制限、中心线和下控制限分别为UCL,CL,LCL。控制图如图3所示。

根据质量统计的长期经验,3σ方式就是控制两类错误(弃真错误、取伪错误)造成的总损失较小的控制界限,即取,则落在(µ-3σ,µ+3σ)范围内的概率为99.73%。特征值点落在上下界限之间,表明设备运行正常,特征值点落在上下界限之外,就表明设备出现异常。[15]

4.3 控制图的判断准则

休哈特控制图的判断准则是对设备进行异常判断的准则,若符合判断准则,则说明设备出现异常,虽然设备的数据仍处于控制限之内,但通过对数据图形的判断即可分析出设备的运行状况,体现了故障预测的思想。判断异常的准则有两大类[15,16]:

●特征值点出界就判定为异常;

●控制界限内特征值点排列非随机就判为异常。

控制界限内特征值点排列非随机,又有以下具体的判断准则:

(1)连续7个特征值点或者更多特征值点在中心线的同一侧;

(2)连续11个特征值点中至少有10个特征值点在中心线的同一侧;

连续14个特征值点中至少有12个特征值点在中心线的同一侧;

连续17个特征值点中至少有14个特征值点在中心线的同一侧;

连续20个特征值点中至少有16个特征值点在中心线的同一侧;

(3)连续7个特征值点或更多个特征值点呈上升或下降趋势;

(4)特征值点屡屡接近控制界限,属于下列情况之一时,则可判定特征值点排列非随机:

连续3点中至少有2点落在2倍标准差(2σ)与3倍标准差(3σ)控制界限之内;

连续7点中至少有3点落在2倍标准差(2σ)与3倍标准差(3σ)控制界限之内;

连续13点中至少有4点落在2倍标准差(2σ)与3倍标准差(3σ)控制界限之内;

(5)特征值点距离中心线在1倍标准差(1σ)以内,连续15点集中在中心线附近;

(6)特征值点呈周期性变化。

4.4 过程能力的计算

过程能力是指处于稳定生产状况下的生产过程满足产品质量要求的实际加工能力。过程能力必须以满足顾客的要求程度来衡量才具有实际意义,用来衡量过程能力满足顾客要求T(公差范围)程度的方法叫过程能力指数(Process capability index),写作Cp。通常过程中心µ把规范T分成两个区间(LSL,µ)和(µ,USL),其与3σ比值称作为单侧过程能力。

单侧下限过程能力指数:Cpl=(µ-LSL)/3σ

单侧上限过程能力指数:Cpu=(USL-µ)/3σ

其中USL为上控制限;LSL为下控制限。实际过程能力指数Cpk,取Cpl和Cpu的最小值,即:

一般,对于技术要求满足程度的指标,此数值越大,表明工序能力越能满足技术要求,甚至有一定的能力储备。

统计过程控制模块是对机器人系统的各项参数进行统计分析,进而了解系统的运行状况。实时采集与机器人运行状态相关的参数数据,采用SPC理论的控制图进行分析,通过休哈特的判断准则,判断数据特征点的分布情况,监控机器人的运行状态。由于SPC最主要的作用是事前检测,在运行的过程中发现异因、及时解决异因,以实现对系统进行故障预测。根据上述工序能力指数计算方法计算Cpk值,通过Cpk指数判断机器人系统运行状态是否达到健康状态临界值,并由Cpk值分析,预测系统的故障点和发生故障的原因,根据Cpk指数调用相应的专用机器人系统维修专家知识库采取必要的维护和维修措施,对系统进行适当维修。

5 总结

机器人系统故障预测过程带有不确定性。一是失效机理本身就是一个随机过程;二是预测过程产生的误差。随着系统健康退化程度的加剧,指示系统健康状态的特征参数变化趋势增强,关键部件剩余寿命不确定性将逐渐降低。故障预测也是一个动态的过程,从部件最初应用到最终失效,预测系统的统计特性一直在变化。因此,故障预测的本质是非平稳的,要提高精度并降低不确定度。

故障预测系统 篇8

1 系统结构

1.1 配电故障分析与预测系统结构

故障分析、故障预测、信息发布一起构成了该系统的主要框架结构。故障分析是整个结构的基础, 一方面要为进行数据分析准备好有效的数据, 另一方面要运用分类分析和历史数据比较等分析手段, 对统计结果进行初步的分析, 就温度与故障关系、雷暴与故障关系等建立起一套数学模型, 从而为后续分析提供参考。故障预测是整个分析预测系统的结果, 通过将大量数据进行挖掘, 我们可以得到一些相关参数, 从而建立一套预测模型, 这些参数模型就是我们预测故障、负荷量的有效工具。根据故障预测的结果, 我们可以提前对设备进行保护和维修。故障预测为设备的维护和维修提供了科学的指导。信息发布系统可以根据天禧数据进行故障预测, 并将相关预测结果公布出来。

1.2 故障分析子系统动态模型

故障分析子系统又是由三个功能模块组成的, 分别为: (1) 故障综合分析, 以时间为准见各类故障数据及原因进行统计, 将对其中确定时间段的部分进行排序。 (2) 故障分类分析模块, 分别就温度与故障、温度与负荷、雷暴与故障等不同关系及原因进行分类统计。 (3) 历史数据比较, 将不同时间段内发生的故障的数据及原因进行比较。

1.3 故障预测子系统模型

故障预测子系统可以分为三个功能模块: (1) 预测建模工具, 调用故障分析子系统中形成的分析数据, 按照用户的要求建立数学预测模型, 并向用户提供参数和误差的曲线图。 (2) 参数输入, 根据温度、雨量、雷暴等各种因素与负荷故障的关系建立起一套数学预测模型, 不同模型所需要的参数个数是不同的。将这些参数按照日、月等时间段输入。 (3) 预测比较, 调用参数并运用模型进行可能的故障和负荷数值进行预测, 将得出的结果与实际观察到的数值进行比较, 验证现有数学预测模型的真实性, 若发现现用模型不适应于现在的故障和负荷状况, 可对模型进行优化, 选择一个新的预测参数。

2 系统设计

2.1 故障分析子系统

根据故障分析系统的结构, 系统可划分为故障综合分析、分类分析、历史数据比较三个模块, 各个模块可以根据时间的不同, 再划分为若干个子模块, 如图所示:

2.2 故障预测建模子系统

数据挖掘技术可以帮助分析人员发现数据之间的关联, 发现其中被忽略掉的重要因素, 为趋势预测提供更有利的证据。故障预测系统采用了数理统计的方法, 对故障的各个关联因素进行了归纳和进一步的推理, 从而建立起了故障相关因素的数学模型, 如气温-故障数学模型、雷暴-故障数学模型等, 如图所示。

2.3 预测模型与发布子系统的连接

系统根据当天的天气情况数据, 预测出故障的发生率。管理部门根据这些数据进行事先的设备维护工作。其中, 故障发生率是数据分析结果, 各种数据信息都一种直观的方式在系统中发布, 具体的发布方式又有所不同。其中, 气温、雨量、雷暴等同故障的关系曲线在故障分析子系统中发布;对数据挖掘分析的结果在故障预测建模子系统中发布;故障和负荷的预测信息则在信息发布系统中发布。

3 系统应用效果

将配电故障分析与预测系统和可视化操作平台结合, 实现先进技术与管理方法的有机结合, 达到实用性与先进性的统一, 有效提高供电管理的工作效率。

以下是某供电局某年份1、2月份的温度-负荷预测工作表。

由表中可以看出, 日预测负荷值和实际负荷值之间的误差率都在4%以下, 效果相当令人满意。预测结果具有很高的可信度, 用来指导今后的供电管理工作完全可以胜任。管理者能够根据故障的预测结果, 提前制定一个检修计划, 实现故障的状态维修, 有效地降低了故障发生率, 提高了配电故障管理的科学性, 极大地改变了工作地被动状态。另外管理者还可以根据预测结果合理估算检修费用, 故障发生率的减少, 也有效地降低了排障费用的支出, 从而实现社会效益和经济效益的双赢。

结语

配电故障分析与预测系统是面向电力企业生产和管理的系统, 其所具有的实用价值能够有效地提高供电部门的生产现代化管理水平。在提高配电网络供电性能的可靠性上、在提高突发情况的快速反应能力和提高企业社会形象方面, 都凸显了该系统性能的优越性。另外, 其在供电企业生产经营和管理方面的快速准确的信息传递能力, 强化了信息分析在管理决策中的重要作用, 有效地降低了企业的决策风险, 提高了科学管理的水平。

参考文献

[1]邓绍安.配电线路故障分析与处理[J].大科技, 2012 (12) :80-81.

[2]陈显圣, 杨文斌.电缆故障测试仪在配电网中的应用[J].农村电气化, 2009 (8) :57-58.

故障预测系统 篇9

随着新能源接入电网所占比例的不断提高,电网的动态稳定性问题日益突出,增设储能系统(Energy Storage System, ESS)逐渐成为电力系统提高稳定性的新手段,它能够平滑新能源发电的输出功率并提高它的调峰能力。ESS中的功率转换系统-PCS(Power Conversion System,PCS)是连接储能电池和电网间的桥梁,是实现ESS与电网能量交换的核心。电网故障时,PCS若不能采取相应措施来进行自我保护,则可能烧坏变流器。因此对PCS低电压穿越(Low Voltage Ride-Though, LVRT)研究的重要性也日益突出[1,2,3]。

目前多种PCS控制策略得到成功应用,这些方法均假定电网三相电压完全对称[4,5],但实际上ESS一般通过长距离输电线路与系统相连,易受各种电网状况的影响。不对称故障或不平衡负载所导致的三相电网电压不对称是实际电网中的常见现象[6]。 文献[7]针对风力发电系统中的变流器提出了电网正负序电压分别定向的矢量控制策略,该方法可以消除功率波动,稳定直流母线电压,然而电网发生不对称故障时,变流器不具有紧急无功控制能力。文献[8]根据储能电池的非线性特性,设计了双向DC-DC变流器与DC-AC并网变流器结合的能量转换系统,基于反馈线性化理论,设计了PCS的非线性内环控制器。但该方法采用了6 个PI控制器,增加了计算复杂度,且不适用于电网故障情况。文献[9]中储能变流器采用同步旋转d-q坐标下的间接电流控制,通过变流器直流输出计算出网侧有功分量和无功给定值,这种控制方法在电压型逆变器中有一定的借鉴意义,但是采用同步旋转d-q坐标系, 需要进行多次坐标转换,算法复杂电网故障时锁相系统可能不准确而使PCS失去控制,烧坏变流器。 文献[10]中指出了光伏PCS实现LVRT的三种方法, 增设无功补偿设备实现LVRT适用于储能PCS,但该方法是进行硬件改造,增加了ESS的安装成本。

针对储能PCS软件控制方法实现LVRT这一缺失,本文分析了电网故障对ESS的影响,建立了PCS正、负序复合型数学模型,通过分析预测电流控制原理建立了 α-β 坐标系中PCS瞬时功率方程, 结合储能环节的特殊结构,以抑制LVRT时的过电流和不对称故障时产生的有功功率二倍频分量为目标,采用不需要锁相环和旋转坐标变换的电网不对称条件下PCS预测电流控制策略, 采用PSCAD/EMTDC仿真证明了该策略的正确性与可行性。

1 储能系统结构及原理

目前储能技术主要分为物理储能、化学储能和电磁储能三大类。物理储能主要包括扬水蓄水储能和压缩空气储能等,化学储能主要包括各类蓄电池, 电磁储能包括超导线圈与超级电容器[11]。图1 为本文的研究对象-84 kW的电池储能系统,该系统通过PCS连接到380 V的电网上,主要包括电网、变压器、交流侧滤波器、PCS、直流侧支撑电容和模拟蓄电池六大部分。PCS工作于储能电池和电网之间,其功能是将电网电能存入储能电池中或将储能电池中的能量回馈到电网,实现储能电池和电网之间能量的有序交换,它不仅要在电网正常时提高电力系统电能质量,还要在电网故障时为关键负荷供电[12]。特别指出本文采用单级式变流器实现并网控制,不仅实现了功率的双向流动,负载可以向电源回馈能量;而且整个系统只需一级功率变换即可完成两级结构的全部功能,降低了变换器的通态损耗和系统的复杂性,提高了系统的效率和可靠性。克服了双级式变流器器件数多,系统可靠性相对较低, 体积重量较大,系统较复杂,成本较高的一些缺点[13]。

在电网正常工作情况下,通过不同的控制方式,可以实现储能电池的恒功率充、放电,恒压放电等模式。当电网三相电压对称跌落时,输送到电网的功率突然减小,若不及时调节储能电池输入功率,则功率不平衡将导致变流器输出电流迅速上升, 危及变流器安全[14,15,16]。储能电池不同于直驱风机和光伏之处在于储能电池直流侧由于大电容钳位的原因,在电网侧电压跌落的情况下直流母线电压不会出现过大的波动。当电网出现不对称的电压跌落时, 如果不采取措施实现负序电流的控制,PCS很容易发生过流而损坏。此外,输出有功功率会发生2 倍电网频率的正弦波动,进而使直流侧电压产生2 倍频波动,危及变流器整体稳定性[17]。综上,ESS应具备一定的耐受电网故障(对称、不对称)的能力, 避免在故障时脱网,引起其他连锁故障。目前,还没有明确提出ESS低电压穿越要求,ESS和光伏PCS的功能和控制方法相似,一般参考光伏电站的电压响应特性曲线[18]。

2 储能PCS的正、负序复合模型

储能PCS拓扑结构如图2 所示,图中ea、eb、 ec为三相电网电压,va、vb、vc(ia、ib、ic)为储能PCS的三相输入电压(电流),Ls和Rs为等效的进线电感和电阻,Cdc为直流侧支撑电容,udc为直流侧母线电压,iload为直流侧负载电流。

根据图2 所示拓扑,由基尔霍夫电压、电流定律得三相静止abc坐标系下PCS变流器的数学模型为

式中,Sa、Sb、Sc分别为三相桥臂开关函数:Sk=1 (k=a,b,c)表示相应桥臂上管导通,下管关断;Sk=0 表示相应桥臂上管关断,下管导通。

三相电源相互耦合,而且电网电压电流均为时变交流量,不利于控制系统的实现。通过坐标转换将三相静止abc坐标系下的数学模型转换到两相静止 α-β 坐标系中,对式(1)进行3s/2s坐标变换可以得到两相静止 α-β 坐标系下PCS变流器的数学模型为

式中:Eαβ是电网侧电压复矢量;Vαβ(Iαβ)是 α-β 坐标系中变流器交流侧电压(电流)复矢量。

当电网不平衡时,Vαβ、Iαβ均含有正序、负序分量,根据已有文献在系统发生不对称故障时采用T/4 正负序分离法提取出系统中的负序量进行控制[19],则

式中,Vαpβ、Vαnβ(Iαpβ、Iαβn)分别为 α-β 坐标系下的变流器交流侧电压(电流)的正、负序矢量。且有

式中:V(i)代表变流器交流侧电压(电流);下标 α、 β 代表所在坐标轴;上标p、n代表正负序分量。将式(3)代入式(2)中可以得到α-β坐标系中储能PCS变流器的正、负序复合模型为

3 预测电流控制与LVRT策略

PCS的LVRT实质是在电压跌落情况下首先防止开关器件过流、过压而损坏,其次是保持并网运行前提下,具备一定的功率控制能力和功能。LVRT的实现方案体现在两个层次:一是电压跌落时电流指令分配与切换;二是电流的有效控制。针对电网对称和不对称两种故障,通过改变功率外环来改变电流指令,分别实现电压跌落时的PCS过电流抑制和不对称故障时负序电流控制与有功功率二倍频脉动抑制,实现储能PCS的LVRT。

采用预测电流控制算法,即通过预测系统下一周期的输出状态而确定当前的动作指令[20]。电网正常情况时调制电压指令为

电网电压不对称时,式(6)可分解为

式中:Vαp*、 Vβp*、Vαn*、 Vβn*( iαp*、 iβp*、iαn*、 iβn*)为 α 轴和 β 轴的电压(电流)正负序指令;ipα、 ipβ、 inα、 inβ(epα、epβ、enα、enβ)为 α 轴和 β 轴的网侧电压(电流)正负序瞬时值。由式(7)可以看到变流器输出电流iα和iβ分别只受变流器输出电压Vα和Vβ的控制,求得电流指令代入式(7),将得到的调制电压输入到SVPWM模块,产生六路脉冲信号触发PCS变流器的功率开关就可以实现LVRT控制。

PCS变流器吸收的复功率为

式中:Edpq、Ednq(Idpq、Idnq)为d-q坐标下电网电压(电流)正负序矢量;p、q为PCS变流器吸收的有功、无功功率;ω 为同步旋转角频率。求解式(8)可以得到

式中:p0、q0为有功、无功功率平均值;pc2、qc2为二次有功余弦、正弦项峰值;ps2、qs2为二次无功余弦、正弦项峰值。因此选择p0、q0、ps2、 pc2作为控制对象,当电网对称故障时,p0*为PCS输入平均有功指令,通过直接改变有功功率达到抑制网侧过电流的目的。网侧变流器要求单位功率因数运行,取q0*=ps2*=pc2*=0。其中p0*为PCS输入平均无功指令,ps2*和pc2*分别为PCS输入有功功率二倍频正弦、余弦分量指令。

当电网不对称故障时含有负序分量,传统控制方式下输出的有功功率会发生2倍于电网频率的正弦波动以及直流侧电压的2 倍频波动,危及变流器整体稳定性。一般希望储能电池在自我保护的同时能够向电网提供一定的无功支撑,系统转入紧急无功支撑模式。采用直接改变功率外环指令实现LVRT,无功功率指令切换到储能装置所能发出的最大无功容量qmax,此时功率指令分别是

功率指令确定以后,即可根据式(9)得出所选4 个功率指令与 α-β 坐标下正负序电流指令的关系。

式中:用ME-1表示逆矩阵。把式(10)代入式(7),可以得到储能PCS在电网故障条件下基于预测电流的LVRT控制策略,如图3 所示。该策略分为两层:一是工况切换及电流指令的计算与限流部分;二是电流的跟踪控制部分。图中Es为网侧电压幅值,E0为额定电压。正常时刻两者是相等的,此时开关位于1 位,当出现对称(不对称)故障时Es小于E0,指令切换开关动作至2 位,转入无功支撑模式。由于对储能PCS的建模是正负序复合模型, 因此当电网出现不对称故障负序分量时该方案依然可以通过对负序量的控制实现不对称LVRT。

4 仿真分析

本文基于PSCAD/EMTDC建立了储能PCS仿真模型及相应的电网模型,对所提控制策略进行了仿真验证。仿真模型参数为:蓄电池组额定功率: 84 kW;电网电压:380 V;电网系统阻抗:0.005 Ω; PCS直流侧电压:714 V;开关频率:3.2 kHz;交流侧滤波电感:0.000 95 mH;交流侧滤波电容:140μF;直流储能电容:5 040 μF。

仿真需要验证本文方法对于对称及不对称性电网故障下的有效性,通过变压器一次侧电阻接地的方式模拟不同类型的故障(表1)。在1 s时发生故障,持续时间为1 s,在2 s时刻恢复正常。综合考虑模型中所采用电力电子器件的最大通态电流为450 A。

4.1 对称故障仿真

图4 为故障时刻未加入LVRT控制策略的波形图,可以看到电流达到1 000 A,已经完全超过变流器的最大允许值(450 A),危害变流器。图5 为故障时刻加入LVRT控制策略,切换功率运行模式, 开关从1 位到2 位,切换功率运行模式开关从1 位到2 位,储能电池转入无功运行模式,按照蓄电池的最大允许值进行无功支撑。可以看到此时交流电流大小得到有效的抑制,幅值限定在300 A左右, 满足变流器的控制要求,实现了储能PCS的对称LVRT。

4.2 不对称故障仿真

图6 为电网发生A相接地时未加入不对称LVRT控制策略的波形图,可以看到故障电流达到600 A,完全超过变流器的最大允许值(450 A),且直流母线电压出现波动,有功功率的2 倍频波动明显,严重影响电网的电能质量和变流器的安全运行。 图7 为故障时刻加入不对称LVRT控制策略波形, 与图6 相比可以看到此时交流电流大小抑制在100A,直流母线电压波动减小了,有功和无功功率的倍频分量也得到抑制。但是由于电池系统向电网发出的有功功率减小,因此,直流母线电压有所上升, 但没有超过限值。验证了本文关于电网电压不对称条件下PCS的LVRT控制策略的正确性。

5 实验结果

5.1 对称故障实验工况

在已有控制策略经过仿真验证之后,又将该策略移植到硬件设施中进行实验。采用的实验工况为: 电池储能系统按1 MW为一个单元设计,每1 MW的储能系统由4 个500 kW/0.75 MWh电池储能单元组成,其中每个电池储能单元包含1 台500 kW的PCS, 用以实现储能电池与电网之间的能量双向传递。

全系统由3 个这样的1 MW单元构成,最终每个单元通过隔离升压变,汇流于35 kV电网。500 kW PCS的拓扑由6 个84 kW的标准功率模块组成,每个功率模块的直流侧作为1 组输入。电池系统共分为6 组,分别接到PCS的6 组直流输入上,PCS装置的所有功率模块的交流侧并联在一起,通过内部隔离变压器接入380 V电网,如图8 所示。

5.2 对称故障实验波形

储能PCS三相对称跌落波形说明:在2 s时发生故障,持续时间为1 s,在3 s时刻系统恢复正常, 如图9。故障发生后,PCS往外发出10 kvar无功功率。在电压恢复时,停止发无功,并在故障恢复后100 ms后恢复有功输出。图7 中CH1 为网侧电压, CH9,CH10,CH11 分别为网侧三相电流。从所得的实验波形中可以看到该策略应用到实际装置中依然是可行的,尤其是图10,在故障时刻可以很好地抑制网侧电流防止越限;图11 可以看出,在故障退出时刻可以快速平稳地过渡到稳态工作状况。

可以看到此时交流电流大小得到有效的抑制, 满足变流器的控制要求,实现了储能PCS的对称LVRT。

6 结论

采煤机故障诊断及故障预测探讨 篇10

当前, 我国大型煤矿厂生产通常都具有监测监控设备, 不但可以有效反应煤矿机井下的环境信息以及人员信息, 而且还能够对设备信息进行及时搜集、计算以及准确的把控和输送等。但是与发达国家相比, 我国的技术水平还有待提高, 特别是在我国设备信息检测控制技术发展刚刚起步的时期。当前, 电气参数与电气设备是监测监控的主要内容, 然而对于煤矿最为需求的机械设备信息却无法获取。煤矿行业的主要生产设备就是采煤机, 采煤机作为煤矿厂的支柱, 对煤矿行业的发展有着非常重要的影响作用。这主要是因为在煤矿井下, 绝不容许防爆电气设备带有电开门或盖的, 如果不打开门或盖就不能进行认真的监察, 打开门盖之后就不能通电, 仍然达不到监察的目的, 我们只有明确了故障因素, 才能进行下一步的处理。这样必然就会对正常生产产生一定的影响, 甚至会带来严重的安全问题。所以, 努力创新并且研究全方面实用的机电设备故障诊断及故障预测, 降低故障对煤矿业生产的影响, 排除安全因素, 具有非常重要的现实意义。本文主要介绍了采煤机结构以及故障原理, 并且分析及研究了采煤机故障诊断与预测的功能模块, 以期有效地保证煤矿业安全、稳定的运行。

1 采煤机结构以及故障原理

1.1 采煤机的结构

煤矿厂的主要设备就是采煤机, 采煤机的功能是完成落煤和装煤的主要任务。下双滚筒采煤机的主要构成部分不仅包括电气装置机构以及牵引装置机构, 而且还包括截割装置机构和附属装置机构等。电气装置是采煤机的主要动力设备, 其作用主要体现在采煤机的传动与牵动部分, 并且电气装置通常应用的电动机都是防爆装置, 不仅如此, 还运用定子水冷, 可以有效确保采煤机安全顺利的运行。牵引装置的主要作用是确保采煤机能够准确沿着工作面转动, 使煤能够达到及时输送的目的。截割装置的主要作用是借助摇臂上下左右转动, 使深层面的煤刮落, 利用截割电动机使滚筒运动起来, 滚筒的主要功能就是负责采煤机的落煤和装煤。在滚筒的上端不但安装有端盘, 而且还安装了螺旋叶片。螺旋叶片的主要工作就是把截齿割下的煤撞到刮板输送机中。附属装置主要包含底托架、电气控制元件以及其他装置等。辅助装置的主要作用是辅助其他装置, 确保采煤机始终保持安全、稳定的运行状态, 除此之外, 采煤机上面还专门装上了供水系统以及冷却系统, 这样做的主要原因是因为采煤机长期不间断的运行, 无论是电气装置、牵引装置还是截割机构或附属机构中应用的电动机的温度逐渐升高, 通过安装供水装置和冷却装置, 能够有效地确保采煤机安全持续的生产。

1.2 采煤机的故障原理

根据我国煤矿业发展的实际情况, 我国主要采用的采煤机一般是电牵引采煤机。采煤机长期工作的条件比较恶劣, 并且采煤机本身的结构十分复杂, 经常会出现各种各样的故障问题, 通常故障一般会发生在电气装置部分、机械装置部分。

1.2.1 采煤机电气装置故障原理探讨

通常电气装置的故障大多体现在启动先导回路、摇臂升降系统以及端头站和遥控器等方面。启动先导回路常见的故障主要有:第一, 当启动按钮按下时, 整机不工作。故障排除方法主要有:对二极管进行认真检查, 判断是否出现击穿或断路的现象;对所有电机的温度进行检查, 判断各处的线接点是否闭合;对盖板的启动和暂停按钮以及连接线进行认真的盘查;对进线电缆进行仔细盘查, 判断是否有中断的现象;对顺槽的开关进行仔细监察, 判断是否处于正常状态等。第二, 启动后, 机组不能进行很好的自保状态。主要故障排除方法有:判定PLC指示灯是否处于正常工作状态;准确判断变压器的高、低保险是否完好无损;如果是利用过继电器自保的, 一定要判断自保继电器是否能够正常运行;判断瓦斯有没有超限;如果具有端头站, 还要检查端头站的信号;对盖板上的总停按钮以及线路进行认真盘查, 判断是否处于正常运行状态等。

1.2.2 采煤机摇臂升降系统故障原理探讨

摇臂升降系统一般出现的故障主要有以下两个方面:第一, 开机后摇臂自动上升或下降。造成这种现象的原因可能是PLC输入部分的接点粘连处出现了异常现象以及输出继电器发生故障所导致, 还有可能是因为电磁阀以及线路出现了故障。除此之外, 还要对电磁阀的阀芯进行认真的监察以及制动阀的阀芯进行仔细的盘查等, 保证采煤机持续正常的运行。第二, 摇臂上升或下降不工作。导致这种异常现象发生的主要原因可能是因为PLC输入信号不正常或输出信号异常等。还有可能是因为电磁阀工作的电源出现异常现象以及电磁阀线圈出现故障等。另外, 还要对液压系统压力进行认真盘查, 判断管路等是否处于正常工作状态。

1.2.3 采煤机端头站与遥控器故障原理探讨

端头站与遥控器通常发生的故障现象主要表现在端头站与遥控器不工作以及端头站与遥控器工作错误。第一, 处理端头站与遥控器工作不正常的方法主要有:判断端头站12V电源工作是否良好以及遥控器的电池电压是否良好;查看端头站电缆的连接头是否正常;对继电器回路以及其他各处线路进行认真检查等。第二, 解决端头站与遥控器工作错误的办法主要有:把遥控器更换之后, 测量端头站是否正常。如果测量不正常, 那么就把端头站更换掉, 再检查线路有无问题等。

2 采煤机故障诊断与预测的功能模块

由于采煤机是一个非常复杂的系统, 一旦某处发生异常现象, 便会影响到整个采煤机系统的正常运行。因此必须对采煤机进行准确的故障诊断以及故障预测, 这就需要熟悉并且掌握采煤机故障诊断与预测的功能模块。

采煤机故障诊断及故障预测不仅包括信号参数检测及处理模块、故障预测模块以及故障诊断模块, 而且还涵盖知识获取模块、诊断解释模块以及知识库管理及维护等模块。下面主要对信号参数检测及处理模块、故障预测模块以及故障诊断模块还有知识获取模块进行介绍。

2.1 信号参数检测及处理模块

信号参数检测及处理模块主要功能是采集采煤机工作时产生的信号参数, 并借助数据访问对象的方法在这些信号参数和数据库之间建立关系。依据诊断系统达到判断故障因素的目的, 然后将故障参数转变成智能计算法应用的信息, 最后利用界面表示出来。

2.2 故障诊断以及故障预测模块

故障诊断与故障预测模块的主要作用体现在:利用数据访问对象的方式从数据库中提取故障信号数据, 然后对故障信号数据进行认真研究, 借助采煤机故障诊断系统, 实现对采煤机故障诊断的目的。故障预测模块是借助采煤机故障预测系统, 达到对采煤机故障预测的目的。最后通过采煤机故障诊断与故障预测系统得出最终的结论。

2.3 知识获取模块

知识获取模块的主要作用是把采集到的故障信号经过BP网络计算法进行学习, 通过练习之后, 把有用的信息放进知识数据库内, 加强采煤机故障诊断与故障预测功能模块的建立。

2.4 相关网络与支持向量相结合

在相关采煤机故障中, BP网络算法主要采用的原理是通过相关模型的建立对整个设备的运行状态进行分析, 同时还需要采集和分析整个设备的信号数据, 对相关工作状况作出及时准确的判断, 以确保其故障诊断效率。

2.5 混合智能的相关算法

先进的故障诊断网络一般需要智能计算机的辅助, 实现对采煤机故障的有效判断。由于BP网络和模糊控制等方式本身具有一定的缺陷, 因此需要采取措施对其中存在的缺陷进行有效处理, 以确保整个工作的顺利进行。BP网络具有强大的非线性拟合能力, 可以有效弥补系统中存在的缺陷, 与此同时, 人工神经网络对推理相关程序不具备解释能力, 其仅能将各种问题转化成数字, 将故障暴露出来。

3 结语

综上所述, 煤矿业作为我国国民经济的重要命脉, 对我国经济的发展有着重大的影响。通过对采煤机结构的熟悉与理解, 掌握常见的故障处理方式。学习并了解采煤机故障诊断与预测的功能模块, 有利于及时排除采煤机故障, 保证煤矿行业安全、持续的发展。

参考文献

[1]贺建设.采煤机故障诊断与故障预测研究[J].科技风, 2014 (18) :50-50.

[2]尹丽娜, 汪琦, 樊后世, 等.基于广义回归神经网络的采煤机故障诊断的研究[J].煤矿机械, 2011, 32 (5) :244-245.

基于大数据的设备故障预测 篇11

三网融合推动了广电基础网络设施的改造, 但是与电信运营商相比广电运营商的设备运维和管理水平相对落后。因此, 搭建网络设备管理平台实时监控设备状态, 并针对告警信息快速响应, 已成为广电运营商保障设备安全、确保服务质量的迫切需求[1]本文利用有线运营商所采集到的网络设备性能指标及告警信息, 采用决策树方法[2,3]构建设备故障预测模型, 帮助运维人员预测设备告警级别, 在设备出现故障之前能够迅速、准确地定位问题并排除故障, 达到实时、智能监控网络设备运行状态的目的。该模型配套可视化界面, 作为大数据运营分析系统的一部分, 方便运维人员对网络设备的管理。

2 基于大数据的设备故障预测建模方法

2.1 建立模型的数据基础

广电有线运营商通过对设备性能指标的实时监控, 已采集了大量的设备性能指标及告警信息。其中设备性能指标包括CPU使用率、内存使用率、温度、端口流量、端口丢包率以及信噪比等。比如某地有线运营商对全网设备进行实时监控, 每隔半小时采集设备实时性能, 同时上传告警状态信息。其中网络设备涉及:CMTS (Cable Modem Terminal Systems, 电缆调制解调器终端系统) 、OLT (Optical Line Terminal, 光线路终端) 、ONU

(Optical Network Unit, 光网络单元) 以及Eo C (Ethernet over Cable, 基于有线电视同轴电缆网使用以太网协议的接入技术) 等。

有线运营商所采集到的网络设备性能指标及告警信息, 为设备故障预测模型的建立提供了大数据基础。

2.2 设备故障预测的定义

设备故障预测是故障诊断技术的重要组成部分, 是指通过对历史和当前的设备故障特征值进行分析, 预测出未来的故障特征值, 从而预测出设备在未来一段时间内的运行状态、预测设备可能出现的故障, 并且依据这些特征值, 判断设备的故障级别, 提前掌握设备故障的发展趋势, 为提早预防和修复故障提供依据, 具有重要的理论研究价值和工程实践意义。

2.3 设备故障预测的数据分析

本研究以某地有线运营商在2015年7月25日~11月27日期间, 采集到的90台CMTS设备的15753条告警信息以及告警时刻各设备的性能指标值, 作为建立故障预测模型的数据基础。其中, 性能指标如表1所示, 所采集到的设备性能及告警信息的统计结果如表2所示。

从表2的统计分析结果可以看出, 每台设备每天平均报警次数约为4次, 这从侧面说明网络运维人员对设备性能进行实时监控的重要性, 迫切需要通过设备故障预测提前预警, 及时调整作业, 避免设备过载宕机, 保证生产系统稳定运行。

2.4 设备故障预测模型

设备故障预测, 即基于已有的设备运行状态数据, 通过选用合适的数学模型或方法来预测设备未来的运行情况, 从而作出科学的预警判断。因此故障预测流程可以归纳如图1所示。

(1) 数据源

主要包括性能指标和告警信息, 其中性能指标包括采集时刻设备的CPU使用率、内存使用率以及温度等;告警信息可以简单地分为告警和正常, 当然也可以分为不同的告警级别。

(2) 数据采集

数据采集模块将各设备的性能指标和告警信息汇总, 并通过ETL工具存储至Impala数据库。

(3) 特征提取

由于数据采集系统采集到的设备性能指标类型及数量繁多, 但不全都有利于故障预测, 因此在构建预测模型之前需要筛选出有价值的设备性能指标, 即特征提取。比如, 本文预测CMTS设备性能采用的设备性能指标仅为CPU使用率、内存使用率以及温度。

(4) 预测模型

利用提取出的特征构建故障预测模型, 以此预测设备在不同性能指标状态下的告警级别。本文采用决策树的方法构建设备故障预测模型, 接下来将进行详细介绍。

决策树 (Decision Tree) 是一种简单但是有效而且使用广泛的分类器, 利用历史数据构建决策树, 可以高效地对未知的数据进行分类。其优点包括:一方面可读性好, 有助于人工分析;另一方面效率高, 一次构建, 反复使用, 每次预测的最大计算次数不超过树的深度。表3给出了4组设备的CPU和内存使用率及对应的告警信息, 所构建的决策树如图2所示。

从图2的示例中, 可以归纳出决策树构建的基本步骤如下:初始条件下, 将所有记录数据看作一个节点;遍历每一个变量 (如CPU和内存使用率) 的每一种分割方式, 找到最好的分割点;将父节点中包含的记录数据分割成两个节点集合;对第3步中的节点集合分别执行第2、3步, 直到每个节点足够“纯”为止。

其中“纯度”可以用Gini不纯度、熵 (Entropy) 以及错误率来进行量化, 假设记录中共有n个类别, 节点中第i类记录所占的比例为:

p (i) =第i类的数目/总数目

那么三种“不纯度”量化计算方法可以分别表示为:

(1) Gini不纯度

(2) 熵 (Entropy)

(3) 错误率

以上三个公式均是值越大, 表示越“不纯”;值越小, 表示越“纯”。

因此, 确定“纯度”计算方法后, 可以利用分割后子节点与父节点之间的纯度差来选择分割方式, 即最好的分割方式是使得“不纯度”减小速度最快的那一种。本文采用信息熵计算各节点的“不纯度”值, 以此为每一次分割选择最合适的方式, 最终构建决策树, 作为设备故障预测模型。

3 设备故障预测实验结果

实验的性能指标包括CPU使用率、内存使用率、温度、端口信噪比、端口速率等。通过实验发现, CPU使用率、内存使用率以及温度与设备告警之间的关联度较大, 因此, 本文在构建设备故障预测模型过程中主要选择这3个指标生成决策树。具体的可视化效果如图3所示, 测试准确率为71%。

4 结论和展望

本文基于广电有线运营商所采集到的设备性能指标及告警信息, 采用决策树构建设备故障预测模型, 做到设备故障实时预警, 为运维人员争取更多的作业调度时间, 并及时调整设备负载策略, 避免设备宕机, 保证业务不间断地运行。该模型在某地有线运营商提供的真实数据上得到了较好的实验结果, 能够达到71%的准确率, 对设备故障预测具有极大的实用性。

为了进一步提高预测的精度, 本文作者将在后续研究工作中, 一方面通过采集更多的设备性能指标, 提升决策树模型预测结果的准确性;另一方面将试用更多的预测方法, 对比不同方法所构建模型的准确性, 选择最合适的方法, 以满足广电有线运营商对设备故障实时监控的需求。

摘要:针对有线电视网络设备的运维和管理, 基于有线运营商采集到的大体量的设备性能指标及告警信息, 采用决策树构建设备故障预测模型, 从而根据设备当前的性能值, 预测设备故障告警级别。该模型在运营商提供的真实数据上得到了较好的实验结果, 对设备故障预测具有极大的实用性。

关键词:大数据,故障预测模型,决策树

参考文献

[1]蒋永平, 张慎, 赵晓光.智能化分布式机房环境动力监控系统[J].有线电视技术, 2009, 16 (8) :81-82.

[2]Quinlan J R.Induction of decision trees[J].Machine learning, 1986, 1 (1) :81-106.

上一篇:财务决算报表下一篇:地理课堂教学反思