[發明專利]一種設備故障預測系統和方法

在審

• 申請號: 201710288855.2
• 申請日: 2017-04-27
• 公開（公告）號: CN106991502A
• 公開（公告）日: 2017-07-28
• 發明（設計）人: 猶杰;伊萬·威姆林
• 申請（專利權）人: 深圳大數點科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F17/14
• 代理公司: 深圳新創友知識產權代理有限公司44223
• 代理人: 江耀純

技術領域

本發明涉及物聯網領域，具體涉及一種設備故障預測系統和方法。

背景技術

大數據一般定義為一種規模大到在獲取、存儲、管理、分析方面大大超出了傳統數據庫軟件工具能力范圍的數據集合，具有海量的數據規模、快速的數據流轉、多樣的數據類型和價值密度低等四大特征。

大數據技術的戰略意義不在于掌握龐大的數據信息，而在于對這些含有意義的數據進行專業化處理。換而言之，如果把大數據比作一種產業，那么這種產業實現盈利的關鍵，在于提高對數據的“加工能力”，通過“加工”實現數據的“增值”和構建商業模式。

從技術上看，大數據與云計算的關系就像一枚硬幣的正反面一樣密不可分。大數據必然無法用單臺的計算機進行處理，必須采用分布式架構。它的特色在于對海量數據進行分布式數據挖掘。但它必須依托云計算的分布式處理、分布式數據庫和云存儲、虛擬化技術。而實時計算或者說實時數據處理是大數據應用的一個基礎環節和關鍵技術，是實現基于數據的快速響應、快速決策的關鍵。

轉動設備的維護是非常昂貴且極消耗資源的，在連續性生產中，企業常常需要存儲大量的備配件來保障快速修復他們的泵、風機等設備。但即使在準備充足的備配件的情況下，設備故障也會引起生產交付延遲、成本高昂的維修等問題。傳統的對故障預防的方式是通過定期人員巡檢，讓技術專家每周或每月進行預防性的檢修，而由人員實現的數據采集不足以用于發現所有問題，以實現計劃性的維修。故障導致的非計劃的停產將會產生緊急事故和生產效率的破壞。因為目前無法對潛在故障進行預測，則需付出昂貴的事故和維修成本，造成生產損失。

發明內容

本發明為了解決對潛在故障預測的問題，提供一種設備故障預測系統和方法。

為了解決上述問題，本發明采用的技術方案如下所述：

一種基于設備故障預測系統，包括：預測模塊，對設備進行故障預測；

呈現模塊，對預測出的故障進行呈現；所述預測模塊包括：采集單元，利用傳感器實時采集所述設備的所述傳感數據；分析單元，對所述傳感數據進行分析、學習和處理；預測單元，根據所述分析、學習和處理預測出所述設備的故障類型。

優選地，包括傳感器、傳感數據集線器、邊緣網關和云端平臺。

優選地，所述傳感器包括加速度計和轉速計。

本發明還包括一種設備故障預測系統預測故障的方法，包括如下步驟：

S1：對設備進行故障預測；

S2：對預測出的故障進行呈現；

所述對設備進行故障預測包括如下步驟：

S11：所述傳感器實時采集設備的震動信息，并將采集的數據傳輸給所述傳感數據集線器；所述傳感數據集線器接收來自所述傳感器的數據并將所述數據傳輸給所述邊緣網關；

S12：所述邊緣網關接收所述數據并對數據進行分析、學習和處理，形成動態的震動特征和不同類別的異常特征；

S13：所述邊緣網關根據所述震動特征和異常特征對后續數據進行檢測，對故障進行預測，并將異常數據和預測出的故障類型發送給云端平臺；

所述對預測出的故障進行呈現包括：

S21：所述云端平臺接收來自所述邊緣網關的數據并存儲，同時提供可視化展示。

優選地，所述步驟S12中包括如下步驟：

T1：將實時接收到的數據緩存，每秒鐘接收到的10000-20000個采樣值形成一個向量，并按秒將5-10分鐘內的向量組成一個原始數據矩陣；

T2：將所述原始數據矩陣作快速傅立葉變換，變換為頻域矩陣；

T3：對所述頻域矩陣做連續的聚類學習，生成不同樣本組成的點群，將所述點群中樣本數最多的定義為主群，所述主群對應正常模式；

T4：基于所述點群，構建一個決策樹模型。

優選地，根據所述決策樹模型對實時傳入的快速傅立葉變換的采樣數據進行故障預測。

優選地，所述步驟S13中的故障預測包括如下步驟：

T51：所述實時傳入的快速傅立葉變換的采樣數據對應正常模式，則判斷為正常，并將該采樣值忽略，重復步驟T51，對后續采樣數據進行判斷；否則進入步驟T52；

T52：保留所述對應異常模式的采樣數據，對下一個采樣數據進行判斷，

若為正常模式，則判斷所述設備狀態為正常，并將所述兩個采樣數據釋放；

若連續T個采樣數據為異常模式，則預測設備具有所述異常模式對應的故障，所述T為大于2的自然數，并將所述T+1個采樣數據和所述預測傳給云端平臺；