一种设备故障检测方法及系统与流程

文档序号:11249415
一种设备故障检测方法及系统与流程

本发明涉及智能检测领域,特别是涉及一种设备故障检测方法及系统。



背景技术:

在设备状态检测领域,红外检测技术是设备故障检测技术的一种,尤其对于电气设备类型,通常采用红外检测技术进行故障检测。运行设备的零部件出现磨损、疲劳、破例、变形、腐蚀、松动、熔融、材料劣化和异常振动等故障时,会直接或间接地出现温度变化,设备整体或局部的热平衡也同样受到破坏或影响,通过热的传递,设备内部的热量必然逐步传递至设备的外表,造成外表温度场的变化,这些都可以利用红外热热像仪检测。

红外热像仪的工作原理是使用光电设备来检测和测量辐射,并在辐射与表面温度之间建立相互联系。所有高于绝对零度(-273℃)的物体都会发出红外辐射。红外热像仪利用红外探测器和光学成像物镜接收被测目标的红外辐射能量,以图形形式反映到红外探测器的光敏元件上,从而获得红外热像图,这种热像图与物体表面的热分布场相对应。通俗地讲,红外热像仪就是将物体发出的不可见红外能量转变为可见的热图像。热图像上不同颜色代表被测物体的不同温度。通过查看热图像,可以观察到被测目标的整体温度分布状况,研究目标的发热情况,从而进行下一步工作的判断。因此,现有的设备故障检测方法通常是通过后期分析热像图,然后判断设备的故障情况,具有一定的延时性,并且对分析人员有一定的经验要求,导致设备故障检测的精度不高。



技术实现要素:

本发明的目的是提供一种设备故障检测方法及系统,以实现实时在线检测,提高设备故障的检测精度。

为实现上述目的,本发明提供了如下方案:

一种设备故障检测方法,所述方法包括:

获取模型参数和规则库;所述模型参数包括:设备类型、设备结构、测点数量及分布、测点属性;不同的设备类型对应不同的设备结构、测点数量及分布和测点属性;所述规则库包括:故障类型、故障类型对应的故障特征参数、所述故障特征参数的设定阈值及故障诊断的逻辑规则;

根据所述模型参数结合规则库构建设备的故障模型,其中每一设备类型对应多个故障模型,每一故障模型中包括故障特征参数、所述故障特征参数的设定阈值、对应的故障类型;

获取设备各个测点的红外热像图;

根据所述模型参数提取所述红外热像图中的设备特征参数;

根据所述故障模型和所述设备特征参数,根据所述故障诊断的逻辑规则获得所述设备的故障检测结果;所述故障检测结果包括故障部位、故障严重级别。

可选的,所述规则库还包括:所述故障类型对应的处理建议和故障原因。

可选的,所述规则库为开放式结构,用于添加新的故障诊断的逻辑规则和/或新的故障类型,所述新的故障类型对应新的故障特征参数和新的设定阈值。

可选的,所述模型参数还包括:温度/温升标准参数和报警参数,用于判断各个测点的温度/温升测实际值是否大于所述标准参数,当所述测点的温度/温升测实际值大于所述标准参数时,输出所述报警参数。

可选的,所述根据所述故障模型和所述设备特征参数,获得所述设备的故障检测结果,具体包括:

根据所述设备特征参数,提取所述设备对应的故障模型,所述设备对应的故障模型为所述设备所属的设备类型对应的故障模型;

将所述设备特征参数与所述设备对应的故障模型一一对比,按照所述故障诊断的逻辑规则获取所述设备对应的故障类型;

对于所述设备对应的每一故障类型,根据故障类型和所述模型参数,确定故障类型对应的故障部位;

根据所述设备特征参数与故障类型对应的故障特征参数进行比对,得到两者的差值;

根据所述规则库内的逻辑规则,对所述差值进行逻辑加权计算,确定故障类型的故障严重等级;依次获得所述设备对应的所有故障类型对应的故障部位和故障严重等级。

可选的,所述获得所述设备的故障检测结果之后,还包括:

根据所述故障模型获取对应的处理建议和故障原因。

可选的,所述根据所述故障模型和所述设备特征参数,获得所述设备的故障检测结果之后,还包括:

纵向历史数据的对比分析:根据同一测点的历史数据生成温度和/或温升趋势曲线,用于对历史趋势进行分析和对未来数据进行预测;

横向同类设备数据的对比分析:对同类设备的相同测量位置的不同测点的红外图像进行对比展示,获得同类设备的温度/温升参数及温度分布。

一种设备故障检测系统,所述系统包括:图像采集装置、图像识别装置、红外分析装置、图像显示装置;

所述图像识别装置的输入端连接所述图像采集装置的输出端,用于接收所述图像采集装置采集的设备各个测点的红外热像图,提取所述红外热像图中与模型参数对应的设备特征参数;所述模型参数包括:设备类型、设备结构、测点数量及分布、测点属性;

所述红外分析装置的输入端连接所述图像识别装置的输出端,用于根据所述图像识别装置提取的设备特征参数,输出所述设备的故障检测结果;所述故障检测结果包括故障部位、故障严重级别;

所述图像显示装置的输入端连接所述红外分析装置的输出端,用于显示所述故障检测结果。

可选的,所述系统还包括:

第一报警装置,所述第一报警装置的输入端连接所述图像识别装置的输出端,当所述测点的温度超出设定的温度阈值时,所述第一报警装置启动报警,并输出故障检测异常的信息至所述图像显示装置;

第二报警装置,所述第二报警装置的输入端连接所述图像采集装置的输出端,根据所述图像采集装置的采集周期启动采集提示报警。

可选的,所述系统通过所述设备的测点的二维码或条形码,控制所述图像采集装置自动定位到所述测点进行图像采集。

根据本发明提供的具体实施例,本发明公开了以下技术效果:

能够在数据采集之后自动对设备状态给出相应评价,快速给出设备的运行状态,在大量测试数据中迅速筛选存在严重缺陷或重大隐患的设备,对减轻使用者的工作强度、提高工作效率、提升诊断结果的实效性具有重大意义,符合智能仪器的发展趋势。更便于测试数据的管理,方便实现趋势跟踪、历史对比和横向对比,使数据和图像分析更加方便,对设备故障诊断和设备状态评估更便捷;同时根据温度趋势曲线,可快速计算温升速度,预测温度发展,提前安排维护检修准备工作,避免紧急状况发生,可以将停机影响降到最低。通过远程控制和通讯功能,用遥控的方式方便实现对有特殊要求场合设备的测试。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中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性的前提下,还可以根据这些附图获得其他的附图。

图1为本发明设备故障检测方法实施例1流程图;

图2为本发明设备故障检测系统结构图;

图3为本发明设备故障检测方法实施例2流程示意图;

图4为本发明设备故障检测方法实施例1与实施例2对应的建模流程图。

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。

为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明设备故障检测方法实施例1流程图。如图1所示,所述方法包括:

步骤101:获取模型参数和规则库;不同类型的设备对应不同的故障检测模型(同类设备使用相同的故障检测模型),故障检测模型是根据模型参数和规则库建立的,模型参数包括:设备类型、设备结构、测点数量及分布、测点属性、温度/温升标准参数、报警参数等;不同的设备类型对应不同的设备结构、测点数量及分布和测点属性。模型参数中设置温度/温升标准参数和报警参数的目的是:报警参数作为简单的报警功能,对测点温度是否超出设定的报警温度绝对标准进行简单自动评价,一方面提醒工作人员对此测点进行重点排查,另一方面此评价结果会计入到设备的诊断结论中,通过相应的计算算法影响最终诊断结论。测点温度未报警不意味着设备正常,测点温度报警一定伴随着设备存在异常。

规则库内针对不同类型的设备内置了丰富的故障诊断规则,可实现对90%设备故障的有效诊断分析,规则库包括:故障类型、故障类型对应的故障特征参数和故障特征参数的设定阈值及故障诊断的逻辑规则;还可以包括故障类型对应的故障原因及处理方法。规则库采取开放式结构,根据研究和实际应用中发现的新的规则可以予以补充完善,它是一个持续改进、持续更新的数据库。

步骤102:构建故障模型。根据模型参数结合规则库构建设备的故障模型,其中每一设备类型对应多个故障模型,每一故障模型中包括故障特征参数、故障特征参数的设定阈值、对应的故障类型。也就是根据模型参数中不同的设备参数结合规则库建立不同的故障模型,每一个设备可以对应多个故障模型,每一个故障模型包括故障类型、故障特征参数和故障特征参数对应的设定阈值。

例如,规则库中包括:故障类型及特征参数、诊断参数的设定阈值、严重等级计算逻辑、各类故障特征对应的原因及处理方法,根据设备类型和结构分别形成对应的故障模型。如:针对220kV电流互感器(CT)这一设备,对应的故障类型包括:引线接头温度高,支持瓷瓶局部过热、测量变压器温度异常等,分别对应的特征参数是:引线接头位置的温度,支持瓷瓶的温升分布、测量变压器位置的外部温度等。在构建故障模型时,红外分析软件能够建立“工厂-区域-设备-测点”四级设备结构树,通过不同层级的树节点对应被测试设备和测量位置,设置不同层级的节点的属性。在设备节点属性中能够建立故障模型,在测量位置节点属性中可以设置报警参数。

PC端红外分析软件中建立的模型通过“上载”操作加载到红外热像仪中,现场测试即可实现自动诊断。

步骤103:获取设备各个测点的红外热像图。对设备检测时对设备的不同部位对应设置不同的测点,因此会得到不同测点的不同红外热像图,实现定点检测的目的。

步骤104:提取红外热像图中的设备特征参数。根据模型参数,提取各测点红外热像图中对应的设备特征参数,例如提取电气设备的温度、温升参数。

步骤105:获得设备检测结果。根据所述故障模型和所述设备特征参数,获得所述设备的故障检测结果,故障检测结果包括故障部位、故障严重级别等,例如,故障检测结果还可以包括:故障类型对应的处理建议和故障原因等。

具体获得设备检测结果过程为:

根据设备特征参数,提取所述设备对应的故障模型,所述设备对应的故障模型为所述设备所属的设备类型对应的故障模型;

将设备特征参数与故障模型一一对比,按照逻辑规则获取故障类型;

对于每一故障类型,根据故障类型和模型参数,确定故障类型对应的故障部位;根据设备特征参数与故障类型对应的故障特征参数进行比对,得到两者的差值;根据规则库内的逻辑规则,对差值进行逻辑加权计算,确定故障类型的故障严重等级;

依次获得所有故障类型对应的故障部位和故障严重等级。

由于故障模型是根据模型参数中的参数对应规则库确定的故障类型,模型参数包括测点数量及分布,因此,故障类型中包括各测点信息,可根据故障模型中的故障类型获取故障部位,然后根据所述故障模型可以获取对应的处理建议和故障原因。

对于设备的故障严重等级,例如步骤102中示例的规则库构建的故障模型,对于引线接头温度高故障模型对应的确定规则包括:单相CT对应位置的温度超出诊断参数1的设定阈值或三相CT对应位置的差值超出诊断参数2设定的阈值或单相CT对应位置与其他两相的相对温差超出诊断参数3设定的阈值。根据对应参数的实际值与阈值的差值,进行加权得出严重程度分值,严重程度分值与规则库中对应的严重程度系数对比,得出CT引线接头温度高对应的故障等级,对所得故障严重级别按照由高到低的顺序排列;按照故障严重级别由高到低输出,并且在红外热像图上根据对应的故障严重级别标注颜色,各故障严重级别分别对应不同的颜色,根据严重程度按不同的颜色评价机器状态。

除了进行定点故障检测之外,还可以实现纵向历史数据对比分析和横向同类设备对比分析的功能:

纵向历史数据的对比分析:根据同一测点的历史数据生成温度和/或温升趋势曲线,用于对历史趋势进行分析和对未来数据进行预测;

横向同类设备数据的对比分析:对同类设备的相同测量位置的不同测点的红外图像进行对比展示,获得同类设备的温度/温升参数及温度分布,辅助用于进一步的故障诊断。

此外,本发明的该方法还具有以下特点:

(1)红外分析软件能够建立设备结构树,通过不同层级的树节点对应被测试设备和测量位置,设置不同层级的节点的属性。在设备节点属性中能够建立诊断模型,在测量位置节点属性中可以设置报警参数。

PC端红外分析软件中建立的模型通过“上载”操作加载到红外热像仪中,现场测试即可实现自动诊断。热像仪中的图像通过“下载”操作可以自动批量的导入到PC端红外分析软件中。

(2)数据管理。红外分析软件可以实现数据移植,通过对设备结构树和/或红外热像图的备份、还原操作,可在不同PC端之间相互移植。还可以通过选定范围的设备测点和日期范围,将红外图像批量导出为所需的图片格式并自动命名。

(3)测试提醒。通过设置设备节点“采集周期”属性,实现测试提醒和到期报警。根据结构树设备节点属性定义的采集周期,与最近的测试时间相比超出设定的采集周期后报警。

(4)自动获取环境温度,计算温升。温升是根据测点温度与环境温度的差值计算而来。红外热像仪上内置了环境温度感应装置,自动获取在测试过程中设备的环境温度,并记录到红外图像信息数据中,能够自动生成对应的温升数据。

(5)云端存储。通过红外分析软件将设备结构树建立在局域网云端或互联网云端,红外热像仪通过Wi-Fi、3G/4G网络等连接云端设备结构树,实现云存储。在局域网或互联网云端服务器建立设备结构树,红外热像仪设置网络存储模式,正确配置云端地址、用户和密码后,红外热像仪与云端服务器建立连接,在红外热像仪上形成与云端服务器设备结构树对应的网络映射地址,现场拍摄的红外图片可直接存储到云端服务器相应的位置。红外热像仪并设有缓存区,对于暂时性网络信号较差的环境,可暂存于缓存区,待红外热像仪自动搜索的网络信号达到要求后自动发送至云端。

PC端红外分析软件也可以通过网络设置直接连接云端设备结构树,查看、分析红外图像,完成红外智能诊断。云端服务器可支持多台终端同时使用同一设备结构树,这样安装在不同PC端的红外分析软件可通过网络连接到相同的设备结构树,实现数据共享。云端服务器亦可通过移动终端连接,当使用手机APP红外分析软件也可通过云端服务器查看、分析,实现移动互联。

(6)远程控制与通讯。通过手机APP用Wi-Fi、3G/4G、蓝牙等无线控制临时固定安装的红外热像仪唤醒、调焦、拍摄、存储,实现在一些不便于接近、不允许进入或机器运行中环境危险性较高的特殊场合的监测需要。通过手机APP遥控可以实现红外热像仪全部的功能。

图2为本发明设备故障检测系统结构图。如图2所示,所述系统包括:图像采集装置201、图像识别装置202、红外分析装置203、图像显示装置204;所述图像识别装置202的输入端连接所述图像采集装置201的输出端,用于接收所述图像采集装置201采集的设备各个测点的红外热像图,提取所述红外热像图中与模型参数对应的设备特征参数;所述模型参数包括:设备类型、设备结构、测点数量及分布、测点属性;所述红外分析装置203的输入端连接所述图像识别装置202的输出端,用于根据所述图像识别装置202提取的设备特征参数,输出所述设备的故障检测结果;所述故障检测结果包括故障部位、严重等级;所述图像显示装置204的输入端连接所述红外分析装置203的输出端,用于显示所述故障检测结果。

图像采集装置201由传统的光学成像系统、探测器和信号处理器组成,用于获取检测目标的红外热图像。被检测目标的红外辐射经过光学成像系统聚焦到探测器上,探测器产生电信号,电信号经过放大并数字化到热像仪的信号处理器,形成红外热像图。图像采集装置201可以是便携式红外热像仪也可以是在线型红外监测装置。图像识别装置202和红外分析装置203可以为计算机,也可以为集成芯片,当使用集成芯片时,可以将集成芯片集成于图像采集装置201上。图像显示装置204可以是红外热像仪的显示器,也可以是计算机、移动终端或红外监控系统的显示屏。

所述装置还可以包括:(1)第一报警装置,第一报警装置的输入端连接所述图像识别装置202的输出端,当所述测点的温度超出设定的温度阈值时,所述第一报警装置启动报警,并输出故障检测异常的信息至所述图像显示装置204。(2)存储装置,所述存储装置的输入端与所述图像采集装置201的输出端连接,所述存储装置的输出端与所述红外分析装置203的输入端连接。(3)第二报警装置,所述第二报警装置的输入端连接所述图像采集装置201的输出端,根据所述图像采集装置201的采集周期启动采集提示报警。

所述装置可以实现图像采集、故障分析检测、数据管理、测试提醒等功能。

(1)图像采集:通过设备测点的二维码或条形码,红外热像仪会自动定位到测点路径上。例如,通过在电脑端输入测点5的编号或者扫描测点5的二维码,红外热像仪会自动定位到测点5进行图像采集,以此实现自动采集,快速存储,而且红外热像仪中的图像可以自动批量的导入到PC端。

(2)故障分析检测:图像识别装置202结合红外分析装置203对采集的红外热像图进行故障分析,判断故障类型,获得故障部位及故障级别,还可以触发相应的报警装置进行报警,当故障级别高于某一设定级别或者故障类型中故障等级高于某一等级时,可以随时触发报警。还可以完成纵向历史数据对比分析和横向同类设备对比分析。

纵向历史数据对比分析的实现方法:对测点下历史数据生成温度和/或温升趋势曲线实现趋势对比和跟踪。诊断模型对历史趋势进行分析和预测,实现趋势诊断。

横向同类设备对比分析的实现方法:对同类设备的相同测量位置的红外图像进行对比展示,诊断模型对比同类设备的温度/温升参数及温度分布,实现对比诊断。

(3)数据管理:可以实现数据移植,通过对设备故障分析结果和/或红外热像图的备份、还原操作,可在不同PC端之间相互移植。通过选定范围的设备测点和日期范围,可将红外图像批量导出为所需的图片格式并自动命名。

(4)测试提醒:通过设置设备节点“采集周期”属性,实现测试提醒和到期报警。根据结构树设备节点属性定义的采集周期,与最近的测试时间相比超出设定的采集周期后报警。

图3为本发明设备故障检测方法实施例2流程示意图。如图3所示,所述方法包括三部分:图像识别部分301,故障分析模型部分302,图像分析部分303;

一个完整的机器测试包括在此机器下所有的测点数据,当一个完整的机器测试完成后,分别对机器部件1、机器部件2、机器部件3对应的红外热像图进行图像识别,结合故障分析模型中的相关模型参数,提取与之对应的设备特征参数,这些特征参数就是故障模型对设备进行故障分析所需要的特征参数。

故障分析模型的模型参数和规则库中的相应规则对应形成了针对此设备的故障模型。一个设备可能对应着许多不同的故障,这些故障的故障特征及故障门限值(设定阈值)均以故障模型来表示。故障特征表明了故障类型,对应于模型参数中的各参数,门限值决定了故障的严重程度。

故障分析模型对提取的设备特征参数通过一定的诊断逻辑规则运算与故障模型一一比对,如果特征参数符合某个故障模型的故障特征和门限值要求,则对应生成故障类型和严重等级。规则库内还存储有针对不同故障类型和严重程度的简单的处理建议以及可能导致此故障发生的原因(即故障源),则诊断结论会同时输出故障部位、故障类型、故障源、严重程度和处理建议等。

如上所述,一台设备可能同时存在不同的故障,通过对故障模型1—n的逐一对比,完成所有故障的输出,多个故障同时存在时,按照严重等级由高到低的顺序排列。不同的故障等级对应不同的颜色报警,在设备结构树的相应位置显示。最终得到设备故障的严重级别。

测点报警参数作为简单的报警功能,对测点温度是否超出设定的报警温度绝对标准进行简单自动评价,此评价结果会计入到设备的诊断结论中,通过相应的计算算法影响最终诊断结论。测点温度未报警不意味着设备诊断结论正常,测点温度报警一定伴随着设备诊断结论异常。

在PC端红外分析软件上完成诊断的流程和方法与在红外热像仪上类似。首先在软件上建立故障分析模型,上载到热像仪,测试完成后下载数据。通过软件菜单操作,运行诊断系统,对设备树结构中的每个完整的机器测试逐一完成诊断。

对于诊断结论与实际设备状况有明显差异的,除可以通过调整故障分析模型进行优化外,本发明设置了一种开放式的规则库,可以根据实际应用中遇到的新问题,利用规则编辑工具对规则库进行补充和完善,它是一个持续改进、持续更新的数据库。此部分集成于故障分析模型部分的组件中。

本发明可以应用在设备状态监测领域。如:发电厂升压站电气设备定期检测、各类工厂转动机器的巡点检温度检测、设备故障分析及寿命预测等。

图4为本发明设备故障检测方法实施例1与实施例2对应的建模流程图。如图4所示,建模流程包括:

步骤401:考察机器;

步骤402:构建设备结构树,建模;

步骤403:上载;

步骤404:现场采集,采集设备的红外热像图;

步骤405:现场诊断,利用建立的模型进行故障诊断;

步骤406:判断设备问题是否需要工作人员确认,如果是,返回步骤404,重新采集设备的红外热像图,供工作人员分析;如果否,执行步骤407;

步骤407:下载;

步骤408:进一步分析、诊断;

步骤409:判断诊断结果是否有偏差,如果是,返回步骤402,重新建立模型;如果否,执行步骤4010;

步骤4010:结论确认;

步骤4011:判断设备模型是否有变化;如果是,返回步骤402,重新建立模型;如果否,重新采集设备红外热像图。

本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。

再多了解一些
当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1