1.本发明涉及旋转机械健康监测技术领域，具体为一种基于物联网的旋转机械健康监测系统及方法。
背景技术：2.旋转机械是指主要依靠旋转动作完成特定功能的机械，典型的旋转机械有汽轮机、燃气轮机、离心式和轴流式压缩机、风机、泵、水轮机、发电机和航空发动机等，广泛应用于电力、石化、冶金和航空航天等部门。
3.而在旋转机械中，最基础也最常见的就是轴承，轴承是机械设备中必不可少的，其作用非常重要。为了保证机械部位的正确润滑，通常采用注入润滑油脂的操作来保持润滑，然而由于润滑油脂本身的分油量、蒸发度和抗氧化能力等，使得润滑油脂需要定时更换，而在目前的技术手段中，往往是通过工人的行为习惯或者长期经验来判断，并没有一种机器学习方案，人工的判断带来太多的不确定性，若判断的早，多次添加浪费原料，也为后期清理带来巨大的工作量；若判断的晚，容易对轴承造成损坏，严重的由于温度过高，容易引发火灾。另外，润油脂与润滑油不同，在注入润油脂时，往往需要停机进行操作，一般需要拆卸零件进行添加，也并没有相应的技术能够应对因添加润油脂而导致的工期延误的情况。
技术实现要素：4.本发明的目的在于提供一种基于物联网的旋转机械健康监测系统及方法，以解决上述背景技术中提出的问题。
5.为了解决上述技术问题，本发明提供如下技术方案：
6.一种基于物联网的旋转机械健康监测系统，该系统包括工作环境信息监测模块、润滑脂添加管理模块、初始预测模块、工程项目分析模块、调度模块、旋转机械健康监测模块；
7.所述工作环境信息监测模块用于获取旋转机械工作环境信息数据，构建基础数据库，所述旋转机械工作环境信息数据包括工作环境温度、工作环境污染等级、旋转机械噪音数据、旋转机械振动数据；所述润滑脂添加管理模块用于获取旋转机械的历史工作数据以及添加润滑脂间隔时长；所述初始预测模块用于根据历史数据与旋转机械工作环境信息数据，构建润滑脂添加间隔时长初始预测模型；所述工程项目分析模块用于获取旋转机械所在工程项目以及各工程项目下的工期时长；所述调度模块用于获取新增工程项目，并构建动态调度方法，调节润滑脂添加间隔时长初始预测模型；所述旋转机械健康监测模块用于实时监测旋转机械的健康状态；
8.所述工作环境信息监测模块的输出端与所述润滑脂添加管理模块的输入端相连接；所述润滑脂添加管理模块的输出端与所述初始预测模块的输入端相连接；所述初始预测模块的输出端与所述工程项目分析模块的输入端相连接；所述工程项目分析模块的输出端与所述调度模块的输入端相连接；所述调度模块的输出端与所述旋转机械健康监测模块
的输入端相连接。
9.根据上述技术方案，所述工作环境信息监测模块包括工作环境温度监测单元、工作环境污染等级判断单元、旋转机械噪音数据采集单元、旋转机械振动数据采集单元；
10.所述工作环境温度监测单元用于监测旋转机械的工作环境温度情况；所述工作环境污染等级判断单元用于根据国标判断工作环境的污染等级；所述旋转机械噪音数据采集单元利用仪表监测旋转机械的噪音数据；所述旋转机械振动数据采集单元利用仪表对旋转机械的振动数据进行采集；
11.所述工作环境温度监测单元、工作环境污染等级判断单元、旋转机械噪音数据采集单元、旋转机械振动数据采集单元的输出端均与所述润滑脂添加管理模块的输入端相连接。
12.根据上述技术方案，所述润滑脂添加管理模块包括历史数据单元、润滑脂添加单元；
13.所述历史数据单元用于获取旋转机械的历史工作数据；所述润滑脂添加单元用于获取旋转机械添加润滑脂的间隔时长；
14.所述历史数据单元的输出端与所述初始预测模块的输入端相连接；所述润滑脂添加单元的输出端与所述初始预测模块的输入端相连接。
15.根据上述技术方案，所述初始预测模块包括模型构建单元、预测输出单元；
16.所述模型构建单元用于根据历史数据与旋转机械工作环境信息数据，构建润滑脂添加间隔时长初始预测模型；所述预测输出单元用于根据润滑脂添加间隔时长初始预测模型输出预测的旋转机械润滑脂添加的间隔时长；
17.所述模型构建单元的输出端与所述预测输出单元的输入端相连接；所述预测输出单元的输出端与所述工程项目分析模块的输入端相连接。
18.根据上述技术方案，所述调度模块包括新增项目获取单元、动态调度单元；
19.所述新增项目获取单元用于获取新增工程项目；所述动态调度单元用于构建动态调度方法，调节润滑脂添加间隔时长初始预测模型；
20.所述新增项目获取单元的输出端与所述动态调度单元的输入端相连接；所述动态调度单元的输出端与所述旋转机械健康监测模块的输入端相连接。
21.一种基于物联网的旋转机械健康监测方法，该方法包括以下步骤：
22.s1、获取旋转机械工作环境信息数据，构建基础数据库；
23.s2、获取旋转机械历史工作数据以及添加润滑脂间隔时长，根据基础数据库构建润滑脂添加间隔时长初始预测模型；
24.s3、获取旋转机械所在工程项目，获取各工程项目下的工期时长，计算得出润滑脂的添加方式；
25.s4、获取新增工程项目，构建动态调度方法，调节润滑脂添加间隔时长初始预测模型，基于调节后的润滑脂添加间隔时长初始预测模型构建旋转机械健康监测模块，监测旋转机械运行状态。
26.根据上述技术方案，在步骤s1中，所述旋转机械工作环境信息数据包括工作环境温度、工作环境污染等级、旋转机械噪音数据、旋转机械振动数据。
27.其中，旋转机械噪音数据、旋转机械振动数据主要通过工业仪表实现物联网，不断
采集实时数据
28.根据上述技术方案，在步骤s2中，所述构建润滑脂添加间隔时长初始预测模型包括：
29.s8-1、获取旋转机械历史工作数据，选择带有基础数据库中的特征的数据，作为模型的训练数据，所述特征指旋转机械工作环境信息数据；
30.这里的特征代表着旋转机械工作环境信息数据情况，例如某一数据中，工作环境为a1度，工作环境污染等级为a2等级，旋转机械噪音数据为a3，旋转机械振动数据为a4，那就表明这一数据中的特征为：温度a1，污染a2，噪音a3，振动a4；
31.s8-2、将模型的训练数据中某一数据的特征作为训练输入数据，添加润滑脂间隔时长作为执行结果，构建润滑脂添加间隔时长初始预测模型：
32.获取训练输入数据，构建训练输入数据集{(x1，y1)、(x2，y2)、
…
、(xm，ym)}，其中x1、x2、
…
、xm代表特征数据，为输入向量；y1、y2、
…
、ym代表执行结果，指两次添加润滑脂的间隔时长，为输出变量；m为样本数量，表示用于训练的训练输入数据数目；
33.构建损失函数l(yi，f(x))，以最小二乘损失函数作为损失函数；
34.其中，f(x)表示近似函数，近似函数f(x)使得损失函数l(yi，f(x))的损失值最小；
35.初始化一个使损失函数l(yi，f(x))最小的弱学习器f0(x)；
[0036][0037]
其中，c为估计使损失函数极小化的常数值，为只有一个根结点的树；yi∈y1、y2、
…
、ym；
[0038]
迭代训练弱学习器，最大迭代次数为t；
[0039]
获取第t轮训练得到的强学习器：
[0040]
其中t代表轮次，t＝1，2，
…
，t；
[0041]
对每一个训练输入数据样本，分别计算其负梯度r
ti
：
[0042][0043]
其中，f(xi)代表的函数为上一轮迭代的函数，即在第t轮训练中，采用的函数为第t-1轮的函数，xi∈x1、x2、
…
、xm，代表微分；
[0044]
利用负梯度r
ti
拟合回归树，获取第t棵回归树，其对应的叶子结点区域为r
tj
，j＝1，2，
…
，m；
[0045]
获取最佳拟合值c
tj
：
[0046][0047]
将弱学习器加入到已经训练完成的模型中，得到新的强学习器：
[0048][0049]
其中，f
t-1
(x)为第t-1轮训练得到的强学习器，f
t
(x)为第t轮训练得到的强学习器；i用于与c
tj
部分组合，表示本轮的决策树拟合函数；
[0050]
在gbdt的迭代中，假设我们前一轮迭代得到的强学习器是f
t-1
(x)损失函数是(,f
t-1
(x)),我们本轮迭代的目标是找到一个cart回归树模型的弱学习器，让本轮的损失函数(,f
t
(x))＝(,f
t-1
(x)+这个弱学习器)最小。也就是说，本轮迭代找到决策树，要让损失尽量变得更小，预测结果更优，因为梯度是在上一轮的基础上得到的，所以在计算中用到的函数f(x)＝f
t-1
(x)，就是说，本轮计算是在上一轮的基础上进行计算；
[0051]
循环完成后，得到最终的强学习器f
t
(x)，作为润滑脂添加间隔时长初始预测模型。
[0052]
根据上述技术方案，在步骤s3中，还包括：
[0053]
构建日期k1，k1为根据润滑脂添加间隔时长初始预测模型预测得出的旋转机械添加润滑脂的日期；
[0054]
获取k1日期下，旋转机械所在工程项目的空闲工期时长a1；
[0055]
获取润滑脂添加过程中，旋转机械的拆装时长a2；
[0056]
若a1大于a2，正常按照润滑脂添加间隔时长初始预测模型进行添加润滑脂；若a1小于a2，构建误差值b1，输出调节后的润滑脂添加间隔时长初始预测模型为f
t
(x)-b1。
[0057]
根据上述技术方案，在步骤s4中，还包括：
[0058]
获取新增工程项目；
[0059]
获取新增工程项目所需时长a3；
[0060]
若a
1-a3大于a2，正常按照润滑脂添加间隔时长初始预测模型进行添加润滑脂；若a1大于a2且a
1-a3小于a2，构建误差值b2，输出调节后的润滑脂添加间隔时长初始预测模型为f
t
(x)-b2。
[0061]
在上述技术方案中，若a1小于a2，构建误差值b1，一般将误差值b1设置为0-24小时之间，主要情况为将其推定至前一天的工作项目结束时，而在若a1大于a2且a
1-a3小于a2，构建误差值b2中，是由于新增的项目导致了原来可以进行添加润滑脂的行为被延误了，获取新增项目与原有工作项目之间的联系，判断新增项目的位置是在预测添加润滑脂的行为之前还是之后，若其在预测添加润滑脂的行为之前，则设置误差值b2保证先添加润滑脂，在进行新增项目。
[0062]
与现有技术相比，本发明所达到的有益效果是：
[0063]
本发明能够利用工作环境信息监测模块获取旋转机械工作环境信息数据，利用润滑脂添加管理模块用获取旋转机械的历史工作数据以及添加润滑脂间隔时长；利用初始预测模块综合数据进行分析，构建润滑脂添加间隔时长初始预测模型，预测得出旋转机械添加润滑脂的间隔时长，以机器学习代替人工判断，降低失误操作的概率，提供智能化的监测方式，满足时代的发展需求；同时本发明还利用所在工程项目分析模块获取旋转机械所在工程项目以及各工程项目下的工期时长；利用调度模块获取新增工程项目，并构建动态调度方法，调节润滑脂添加间隔时长初始预测模型；能够解决在工期紧迫或新增工程项目时
添加润滑脂造成延误影响的问题，提高工作效率。
附图说明
[0064]
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：
[0065]
图1是本发明一种基于物联网的旋转机械健康监测系统及方法的流程示意图；
[0066]
图2是本发明一种基于物联网的旋转机械健康监测方法的步骤示意图。
具体实施方式
[0067]
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。
[0068]
请参阅图1-图2，本发明提供技术方案：
[0069]
一种基于物联网的旋转机械健康监测系统，该系统包括工作环境信息监测模块、润滑脂添加管理模块、初始预测模块、工程项目分析模块、调度模块、旋转机械健康监测模块；
[0070]
所述工作环境信息监测模块用于获取旋转机械工作环境信息数据，构建基础数据库，所述旋转机械工作环境信息数据包括工作环境温度、工作环境污染等级、旋转机械噪音数据、旋转机械振动数据；所述润滑脂添加管理模块用于获取旋转机械的历史工作数据以及添加润滑脂间隔时长；所述初始预测模块用于根据历史数据与旋转机械工作环境信息数据，构建润滑脂添加间隔时长初始预测模型；所述工程项目分析模块用于获取旋转机械所在工程项目以及各工程项目下的工期时长；所述调度模块用于获取新增工程项目，并构建动态调度方法，调节润滑脂添加间隔时长初始预测模型；所述旋转机械健康监测模块用于实时监测旋转机械的健康状态；
[0071]
所述工作环境信息监测模块的输出端与所述润滑脂添加管理模块的输入端相连接；所述润滑脂添加管理模块的输出端与所述初始预测模块的输入端相连接；所述初始预测模块的输出端与所述工程项目分析模块的输入端相连接；所述工程项目分析模块的输出端与所述调度模块的输入端相连接；所述调度模块的输出端与所述旋转机械健康监测模块的输入端相连接。
[0072]
所述工作环境信息监测模块包括工作环境温度监测单元、工作环境污染等级判断单元、旋转机械噪音数据采集单元、旋转机械振动数据采集单元；
[0073]
所述工作环境温度监测单元用于监测旋转机械的工作环境温度情况；所述工作环境污染等级判断单元用于根据国标判断工作环境的污染等级；所述旋转机械噪音数据采集单元利用仪表监测旋转机械的噪音数据；所述旋转机械振动数据采集单元利用仪表对旋转机械的振动数据进行采集；
[0074]
所述工作环境温度监测单元、工作环境污染等级判断单元、旋转机械噪音数据采集单元、旋转机械振动数据采集单元的输出端均与所述润滑脂添加管理模块的输入端相连接。
[0075]
所述润滑脂添加管理模块包括历史数据单元、润滑脂添加单元；
[0076]
所述历史数据单元用于获取旋转机械的历史工作数据；所述润滑脂添加单元用于获取旋转机械添加润滑脂的间隔时长；
[0077]
所述历史数据单元的输出端与所述初始预测模块的输入端相连接；所述润滑脂添加单元的输出端与所述初始预测模块的输入端相连接。
[0078]
所述初始预测模块包括模型构建单元、预测输出单元；
[0079]
所述模型构建单元用于根据历史数据与旋转机械工作环境信息数据，构建润滑脂添加间隔时长初始预测模型；所述预测输出单元用于根据润滑脂添加间隔时长初始预测模型输出预测的旋转机械润滑脂添加的间隔时长；
[0080]
所述模型构建单元的输出端与所述预测输出单元的输入端相连接；所述预测输出单元的输出端与所述工程项目分析模块的输入端相连接。
[0081]
所述调度模块包括新增项目获取单元、动态调度单元；
[0082]
所述新增项目获取单元用于获取新增工程项目；所述动态调度单元用于构建动态调度方法，调节润滑脂添加间隔时长初始预测模型；
[0083]
所述新增项目获取单元的输出端与所述动态调度单元的输入端相连接；所述动态调度单元的输出端与所述旋转机械健康监测模块的输入端相连接。
[0084]
一种基于物联网的旋转机械健康监测方法，该方法包括以下步骤：
[0085]
s1、获取旋转机械工作环境信息数据，构建基础数据库；
[0086]
s2、获取旋转机械历史工作数据以及添加润滑脂间隔时长，根据基础数据库构建润滑脂添加间隔时长初始预测模型；
[0087]
s3、获取旋转机械所在工程项目，获取各工程项目下的工期时长，计算得出润滑脂的添加方式；
[0088]
s4、获取新增工程项目，构建动态调度方法，调节润滑脂添加间隔时长初始预测模型，基于调节后的润滑脂添加间隔时长初始预测模型构建旋转机械健康监测模块，监测旋转机械运行状态。
[0089]
在步骤s1中，所述旋转机械工作环境信息数据包括工作环境温度、工作环境污染等级、旋转机械噪音数据、旋转机械振动数据。
[0090]
在步骤s2中，所述构建润滑脂添加间隔时长初始预测模型包括：
[0091]
s8-1、获取旋转机械历史工作数据，选择带有基础数据库中的特征的数据，作为模型的训练数据，所述特征指旋转机械工作环境信息数据；
[0092]
s8-2、将模型的训练数据中某一数据的特征作为训练输入数据，添加润滑脂间隔时长作为执行结果，构建润滑脂添加间隔时长初始预测模型：
[0093]
获取训练输入数据，构建训练输入数据集{(x1，y1)、(x2，y2)、
…
、(xm，ym)}，其中x1、x2、
…
、xm代表特征数据，为输入向量；y1、y2、
…
、ym代表执行结果，指两次添加润滑脂的间隔时长，为输出变量；m为样本数量，表示用于训练的训练输入数据数目；
[0094]
构建损失函数l(yi，f(x))，以最小二乘损失函数作为损失函数；
[0095]
其中，f(x)表示近似函数，近似函数f(x)使得损失函数l(yi，f(x))的损失值最小；
[0096]
初始化一个使损失函数l(yi，f(x))最小的弱学习器f0(x)；
[0097][0098]
其中，c为估计使损失函数极小化的常数值，为只有一个根结点的树；yi∈y1、y2、
…
、ym；
[0099]
迭代训练弱学习器，最大迭代次数为t；
[0100]
获取第t轮训练得到的强学习器：
[0101]
其中t代表轮次，t＝1，2，
…
，t；
[0102]
对每一个训练输入数据样本，分别计算其负梯度r
ti
：
[0103][0104]
其中，f(xi)代表的函数为上一轮迭代的函数，即在第t轮训练中，采用的函数为第t-1轮的函数，xi∈x1、x2、
…
、xm，代表微分；
[0105]
利用负梯度r
ti
拟合回归树，获取第t棵回归树，其对应的叶子结点区域为r
tj
，j＝1，2，
…
，m；
[0106]
获取最佳拟合值c
tj
：
[0107][0108]
将弱学习器加入到已经训练完成的模型中，得到新的强学习器：
[0109][0110]
其中，f
t-1
(x)为第t-1轮训练得到的强学习器，f
t
(x)为第t轮训练得到的强学习器；i用于与c
tj
部分组合，表示本轮的决策树拟合函数；
[0111]
循环完成后，得到最终的强学习器f
t
(x)，作为润滑脂添加间隔时长初始预测模型。
[0112]
在步骤s3中，还包括：
[0113]
构建日期k1，k1为根据润滑脂添加间隔时长初始预测模型预测得出的旋转机械添加润滑脂的日期；
[0114]
获取k1日期下，旋转机械所在工程项目的空闲工期时长a1；
[0115]
获取润滑脂添加过程中，旋转机械的拆装时长a2；
[0116]
若a1大于a2，正常按照润滑脂添加间隔时长初始预测模型进行添加润滑脂；若a1小于a2，构建误差值b1，输出调节后的润滑脂添加间隔时长初始预测模型为f
t
(x)-b1。
[0117]
在步骤s4中，还包括：
[0118]
获取新增工程项目；
[0119]
获取新增工程项目所需时长a3；
[0120]
若a
1-a3大于a2，正常按照润滑脂添加间隔时长初始预测模型进行添加润滑脂；若
a1大于a2且a
1-a3小于a2，构建误差值b2，输出调节后的润滑脂添加间隔时长初始预测模型为f
t
(x)-b2。
[0121]
在本实施例中：
[0122]
所述旋转机械记为轴承；
[0123]
获取旋转机械工作环境信息数据，构建基础数据库；
[0124]
所述旋转机械工作环境信息数据包括工作环境温度、工作环境污染等级、旋转机械噪音数据、旋转机械振动数据；
[0125]
获取旋转机械历史工作数据以及添加润滑脂间隔时长；
[0126]
根据旋转机械历史工作数据以及添加润滑脂间隔时长构建模型训练数据；
[0127]
以训练数据中某一数据的特征作为训练输入数据，添加润滑脂间隔时长作为执行结果，构建润滑脂添加间隔时长初始预测模型：
[0128]
获取训练输入数据，构建训练输入数据集{(x1，y1)、(x2，y2)、
…
、(xm，ym)}，其中x1、x2、
…
、xm代表特征数据，为输入向量；y1、y2、
…
、ym代表执行结果，指两次添加润滑脂的间隔时长，为输出变量；m为样本数量，表示用于训练的训练输入数据数目；
[0129]
构建损失函数l(yi，f(x))，以最小二乘损失函数作为损失函数；
[0130]
则有：
[0131][0132]
其中，f(x)表示近似函数，近似函数f(x)使得损失函数l(yi，f(x))的损失值最小；
[0133]
初始化一个使损失函数l(yi，f(x))最小的弱学习器f0(x)；
[0134][0135]
其中，c为估计使损失函数极小化的常数值，为只有一个根结点的树；yi∈y1、y2、
…
、ym；
[0136]
迭代训练弱学习器，最大迭代次数为t，t＝7；
[0137]
获取第t轮训练得到的强学习器：
[0138]
其中t代表轮次，t＝1，2，
…
，t；
[0139]
对每一个训练输入数据样本，借助matlab软件编程，输入代码可分别计算其负梯度r
ti
：
[0140][0141]
在t＝7时，负梯度r
ti
：
[0142][0143]
其中，f(xi)代表的函数为上一轮迭代的函数，即在第7轮训练中，采用的函数为第6轮的函数，xi∈x1、x2、
…
、xm，代表微分；
[0144]
利用负梯度r
ti
拟合回归树，获取第t棵回归树，其对应的叶子结点区域为r
tj
，j＝1，2，
…
，m；
[0145]
获取最佳拟合值c
tj
：
[0146][0147]
将弱学习器加入到已经训练完成的模型中，得到新的强学习器：
[0148][0149]
其中，f6(x)为第6轮训练得到的强学习器，f7(x)为第7轮训练得到的强学习器；i用于与c
tj
部分组合，表示本轮的决策树拟合函数；
[0150]
循环完成后，得到最终的强学习器f7(x)，其已经达到了设置的最大迭代次数，因此将其作为润滑脂添加间隔时长初始预测模型。
[0151]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0152]
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。