[发明专利]智能冲压压力机部件生命周期预测系统、方法、终端、介质

说明书

本发明公开是关于智能冲压压力机部件生命周期预测系统、方法、终端、介质，涉及冲压线设备智能监测技术领域。基于MDDP系统的智能冲压压力机部件生命周期预测方法包括：通过关联备件入库、出库、安装和报废时间，记录轴承整个生命周期的数据；通过对设备内部轴承的震动频谱进行采集分析；结合多年轴承制造的数据，得出轴承的健康状态和缺陷位置以及缺陷程度，预测出轴承剩余寿命。本发明通过大数据应用预测备件寿命，精确指导采购计划，仅轴承一项累计节约30万元。通过积累数据，能够形成冲压车间设备特有的大数据框架，支撑设备自主决策，自主管理；网联化能够实现多终端设备管理和远程辅助。

技术领域

本发明公开涉及冲压线设备智能监测技术领域，尤其涉及一种智能冲压压力机部件生命周期预测系统、方法、终端、介质。

背景技术

在冲压过程中由于无法实时掌握设备的运行状态，普遍存在设备维护不及时或过度维护的问题。维护不及时是指没有根据设备的特点和使用工况制定及时的维护计划，导致设备长期处于不健康的运行状态，极易出现重大异常停台。过度维护是指频繁的对设备进行保养，频繁拆装，导致设备原有配合关系和精度破坏，加快老化、失效进程。

冲压压力机作为汽车制造行业表面件加工的设备，具有多工况，变载荷、重载荷的特点，在零件加工过程中需要持续往复运行。随着设备的负荷不断增大使用年限地不断增长，一些大型的机械故障也因为磨损、疲劳以及维护保养不及时彻底等因素而开始出现，且出现频次逐渐增高。在既有的正常点巡检和例行检修保养的前提下，一些故障和问题仍无法及时发现或提前预判，从而造成了大量的非计划停机时间、人工成本、备件成本的投入。因此，需要实时掌控设备的运行状态，将其运行数据可视化、趋势化、预警化，这样就可以及时、准确的进行设备维护，将异常性停台转化为预防性维修。

而且现有技术中，没有对备件震动频谱进行采集分析，不能预测出轴承的健康状态和缺陷位置以及缺陷程度，不能够预测轴承剩余寿命，不能准确掌握机械设备运行中可能存在的风险。

发明内容

为克服相关技术中存在的问题，本发明公开实施例提供了一种智能冲压压力机部件生命周期预测系统、方法、终端、介质，具体涉及一种基于MDDP系统的智能冲压压力机部件生命周期预测系统、方法。所述技术方案如下：

根据本发明公开实施例的第一方面，提供一种基于MDDP系统的智能冲压压力机部件生命周期预测方法，包括：通过关联备件入库、出库、安装和报废时间，记录轴承整个生命周期的数据；

通过对设备内部轴承的震动频谱进行采集分析；结合多年轴承制造的数据，得出轴承的健康状态和缺陷位置以及缺陷程度，预测出轴承剩余寿命；

所述对设备内部轴承的震动频谱进行采集分析包括：

(1)获取震动频谱传感器采集的频率-电平样本数据；对样本数据进行降噪平滑处理和等长分段处理；首先对样本数据进行降噪平滑处理，如果样本数据点数较多或频率范围较大，则对样本数据进行等长分段，从而提高计算效率和准确度；

(2)对样本数据进行不等长分段与噪声门限电平估计；对样本数据进行不等长分段，通过粗略估计各段内信号的最大带宽，以最大带宽的2倍作为各段的分段长度，实现不等长分段；噪声门限电平估计是通过计算段内样本数据的电平期望，并剔除电平大于期望3dB的样本数据点，然后对剩余的样本数据重新计算电平期望，该电平期望值即为噪底电平；

噪声门限电平估计是以大于噪底电平3dB作为噪声门限阈值，信号提取是通过将样本数据的电平值与噪声门限阈值进行比较，对于大于门限阈值的样本点看作是信号，并且将连续大于门限阈值的样本点合为一个信号；

(3)信号提取：信号输入；对输入信号进行预处理/取帧；特征提取；频谱分析；BP神经网络训练；输出信号识别结果；所述频谱分析采用频谱自适应算法包括：令训练向量和测试向量分别是向量X(1)和X(2)，假设：