[发明专利]基于工业物联网的复杂传动链预测性维护系统及方法

说明书

一种基于工业物联网的复杂传动链预测性维护系统，其硬件设备包括高频传感器网络、高频信号处理装置、智能硬件，高频传感器网络用于实时或周期性采集工作信号，高频信号处理装置用于对工作信号进行预处理，智能硬件利用小波特性提取算法在本地端进行数据处理并上传至云端；云端用于验证、存储数据，并利用带特征提取的智能算法分析数据，最终输出相应的故障特征状态。本发明针对相关的高频信号采用专属的数据处理装置，分散了核心处理单元需要的处理能力，提升了系统的稳定性；针对复杂振动信号的特点，通过特征提取在边缘侧完成高频数据降维，与云端算法结合构建了设备状态劣化分析边云数据架构，实现了对于复杂传动链机构的预测性维护。

技术领域

本发明涉及在线状态监测与故障诊断领域，具体为一种采用工业物联网架构并针对复杂传动链机构的设备预测性维护系统及方法。

背景技术

对于复杂传动链机构，由于后段载荷影响因素繁多，导致其故障机理复杂。针对核心的传动链机构，它往往是整个系统的关键。若能准确的监测其运行状态和预测其未来的运行状况，同时有效避免故障发生，特别是延缓渐进性故障的恶化，能高效实现机构的预测性维护。

现有该类型机构的预测性维护系统存在相当的局限性：

一方面，产品的分析和诊断功能较弱且单一，只局限于局部分析，缺乏故障风险的监测，只有出现明显故障时才发出报警，难以实现早期预警；另一方面，现有产品的故障诊断方法大都是基于传统信号分析方法对准静态参数进行分析，如利用频谱图分析某些时刻的振动信号、温度参数，对比故障特征频率及特征幅值进行故障诊断，这些方法需要工作人员具备较强的领域知识及丰富的经验。更为重要的是，这些方法并不能反映系统的特性变化过程，不能满足动态系统的故障诊断要求，仍处于被动防护。

同时，技术的局限性也源于如下原因：

1、故障信号种类的复杂性。该类型系统的机理模型复杂，所涉及的信息种类多样，同时信号存在多时间尺度的问题，如涉及环境信息的低频温度信号，涉及机械机理的高频振动信号，涉及电力拖动的高频电流电压信号；

2、故障信号特征难以提取。由于该类型系统传动结构复杂，故障状态的特异，导致故障种类难以提取，因此对于劣化过程的信号较为复杂；

3、故障分析方法的局限性。针对该类型系统的分析方法主要有：基于信号的分析，通过时域和频域信号，结合相关经验分析，该类方法需要引入人工经验；基于解析模型的判断，通过参数与状态信号评估判断状态的失效，该类方法强烈依赖数学模型精度；基于知识的判断，采用人工智能相关算法和专家系统，构建模型失效知识模型，该类方法需要大量的数据进行模型的训练。

发明内容

针对复杂传动链机构的故障失效特性，本发明的目的在于提出一种基于工业物联网的故障预测性维护系统，其实现主要通过复杂传动链机构的硬件部署和系统数据链路两部分组成。

本发明的目的是采用以下技术方案来实现。依据本发明提出的一种基于工业物联网的复杂传动链预测性维护系统，包括硬件设备和云端；

所述硬件设备包括高频传感器网络、高频信号处理装置、智能硬件，高频传感器网络用于实时或周期性采集复杂传动链机构的工作信号，并将采集到的工作信号传输至高频信号处理装置；高频信号处理装置用于对工作信号进行预处理，并将预处理后的工作信号传输至智能硬件；智能硬件用于剔除工作信号中的异常数据，并利用小波特性提取算法对剔除完成后的工作信号进行特征提取，同时将所提取的特征数据进行时序数据队列化；所述智能硬件还设有数据边缘侧到云端的传输接口；

所述云端包括验证与存储模块、分析模块及模型训练模块，验证与存储模块用于对数据进行准确性验证，同时将数据存储在云端；分析模块利用带特征提取的智能算法，对验证与存储后的数据进行分析，同时输出相应的故障特征状态；模型训练模块用于对所述智能硬件所用的小波特性提取算法、所述分析模块所用的带特征提取的智能算法进行训练，并将训练好的特征值下发到智能硬件、分析模块。