大数据应用说明文档.pdfVIP

1大数据应用

1.1大数据应用模型

1.2预警

阈值预警

稳态工况

自适应阈值预警

预警

预警趋势预警

变工况

多参量建模预警

预警

预警是通过特征值的变化来发现异常，根据设备的运行情况分为：

（1）稳态工况下的预警，即：设备运行时的转速功率和相关工艺参数比较稳定的情况，

该种情况下预警分为：

①阈值预警

②自适应阈值预警

③趋势预警

（2）变工况下的预警，即：设备运行时的转速功率和相关工艺参数会经常发生变化的

情况，该情况下采用多参量建模预警。

1.2.1阈值预警

ISO标准

设备类型

筛选特征报警

国标

参数阈值

设备信息

企标

阈值预警是通过设备类型和设备信息，筛选出与之匹配的标准，根据标准配置特征参

数，根据标准的阈值设定报警门限值。

例如：

设备类型为：卧式双支撑多级泵

设备信息为：转速2980RPM，功率1500kw

根据设备类型和设备信息，筛选出的标准为：ISO10816-3

根据标准，选取的特征参数为：速度有效值（10-1000Hz），单位mm/s

根据标准，设定的阈值为：速度高报7.1，高高报11

1.2.2自适应阈值预警

基于标准的阈值预警不能解决所有问题：

（1）标准并不能覆盖所有的设备类型，而且标准的更新速度比较慢，并不能够完全

适应新的机型；

（2）同一种类设备类型，因为设备的振动与安装和组装情况有很大关系，因此从设

备标准中查询到的阈值，并不一定适用于该设备。设备可能已经出现了早期故障，但是还

没有到达报警临界点，会造成早期故障的漏诊断；设备可能是没有出现异常，但已经报警，

出现误报警。

在自适应预警中，对于不同的设备，从该设备的历史特征值数据中，经过数据清洗，

得到代表正常运行的特征值数据集，将设备正常运行的特征值数据集导入自适应阈值计算

模型中，得到自适应的阈值。自适应报警适用于各种特征值报警，包括振动特征值，温度，

压力等，并且自适应阈值不需要事先获取设备的各种参数，只需要设备运行的历史特征值

数据集，就可以从中挖掘出设备正常运行的特征值临界点。和传统的人工设定阈值相比，

自适应阈值克服了阈值设置偏高或偏低导致的漏诊断和虚假报警，能够准确而及时的发现

设备故障。

1.2.3趋势阈值

阈值报警解决了基本的设备阈值情况，及自适应阈值报警的不足之处在于还存在的问

题在于：只利用了单次数据进行判断，没有考虑跨时间维度的数据变化情况，例如：振动

特征值并没有超过报警阈值，但已经发生趋势的缓慢变化或快速变化。趋势预警就是建立

统计模型，对一段时间内的振动趋势进行分析判断，技术将采集到的特征值在一定的时

间维度上进行回归拟合，计算该时间维度上的特征值的增长率（计算时间段可根据不同设

备自定义），当特征值增长率超过相应阈值则触发报警。

1.2.4多参量建模预警

对于变工况运行条件下，由于状态参数受到工况的直接影响，仅观察单个参量，会出

现该变量随工况在不断变化，难以识别这些变化是由于工况变化还是由于机器健康发生了

劣化，使用多变量建模的技术可以很好的解决这些问题