[发明专利]一种用于旋转类设备的故障时间预测方法

说明书

本发明涉及机械故障预测技术领域，具体涉及一种用于旋转类设备的故障时间预测方法，包括：获取旋转设备的历史运行数据；对旋转设备进行工业机理分析，计算得到能够表征旋转设备实际状态的运行数据作为关键因子；基于各个关键因子构建并训练对应的单因子预测模型；对各个单因子预测模型进行多因子融合处理，生成对应的设备健康趋势预测模型；基于设备健康趋势预测模型进行旋转设备的故障时间预测。本发明中的故障时间预测方法能够保证预测模型的训练效果，从而能够提升旋转设备故障时间预测的准确性。

技术领域

本发明涉及机械故障预测技术领域，具体涉及一种用于旋转类设备的故障时间预测方法。

背景技术

对于旋转类设备的运行状态监测和故障检测，一直是人们关心的重点。保障旋转类设备安全可靠的运行，不仅能够提高生产效率，还能够降低设备维护成本。对于大中型机械设备来说，传统的维护方式是以时间为基础的预防性维护，也称定期维护，这种维护方式的主要特点是不论设备是否有故障都按人为计划的时间定期检修，为避免重要机械设备意外停产而造成巨大的经济损失，周期性强制维护的时间周期留有较大的安全系数，因而现有维护方式的维护成本很高。

预知维护是新兴的设备动态维护方式，其可以从根本上改变现有的设备维修制度，其通过对机械设备的运行状态做监测及预测，以取代以时间为基础的定期检修方式，其是一种以运行状态为基础的预知维护方式。例如，公开号为CN101799320B的中国专利就开了《一种旋转设备故障预测方法及其装置》，其通过数据采集模块采集适合四种预测模块的振动信号作历史数据；由数据采集模块实时在线采集各种情况下的振动信号，作当前数据；利用趋势预测方法对保存的数据分析；将下一时刻采集的振动信号分析处理后，与前一时刻由趋势预测方法得到的结果比较；比较后得到的最优预测模型。

上述现有方案中的旋转设备故障预测方法能适应不同旋转设备需要，进而能够实现对旋转设备状态进行实时在线预测。但是，影响旋转设备运行状态的相关运行数据很多，并且不同旋转设备对应的运行数据可能不同，这使得现有旋转设备故障预测方法中的预测模型需要大量的历史数据进行训练，才能够保证故障时间的预测准确性。然而，实际应用时，旋转设备的历史数据难以采集且数据标签难以量化，使得训练得到的预测模型可解释性不强且泛化能力不佳，也就是说，预测模型的训练效果不好，进而导致旋转类设备故障时间预测的准确性不好。因此，如何设计一种能够保证预测模型训练效果的故障时间预测方法是亟需解决的技术问题。

发明内容

针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种用于旋转类设备的故障时间预测方法，以能够保证预测模型的训练效果，从而提升旋转设备故障时间预测的准确性。

为了解决上述技术问题，本发明采用了如下的技术方案：

一种用于旋转类设备的故障时间预测方法，包括以下步骤：

S1：获取旋转设备的历史运行数据；

S2：对旋转设备进行工业机理分析，计算得到能够表征旋转设备实际状态的运行数据作为关键因子；

S3：基于各个关键因子构建并训练对应的单因子预测模型；

S4：对各个单因子预测模型进行多因子融合处理，生成对应的设备健康趋势预测模型；

S5：基于设备健康趋势预测模型进行旋转设备的故障时间预测。

优选的，步骤S1中，获取到旋转设备的历史运行数据后，对运行数据进行滤波降噪处理。

优选的，历史运行数据包括振动、噪声和温度三方面的相关数据。

优选的，步骤S2中，通过对旋转设备进行工业机理分析，得到旋转设备各个运行数据的关键指标，并基于关键指标确定对应的关键因子。

优选的，步骤S3中，首先对关键因子进行时序分析，然后基于时序分析的结果建立对应的ARIMA模型作为对应关键因子的单因子预测模型，并对各个单因子预测模型进行训练。