论文部分内容阅读
设备健康与故障分析,一般依托于PHM(Prognostics and Health Management故障诊断与健康管理)系统。在一般的PHM系统中,常常利用大数据技术与统计学习算法,对生产过程中产生的各类数据进行分析,通过分析结论去量化与评估工业设备的健康状态,同时预测故障的发生过程与失效时间。PHM技术将设备的健康管理从传统的故障管理转变为衰退管理,通过预测性维护实现设备的零宕机和持续可靠的运行。 目前大部分PHM系统是底层传感器与数据分析工具相关联的架构设计,往往对于每一类设备都有专用的分析套件,具有很强的专用度,但是缺乏重构性与算法通用性。另一方面,对于产生数据规模不大的设备均采用单机模式,由于设计模式限制,分析设备往往与监测设备之间直接相连。对于大量设备产生的大规模数据分析任务,在低响应时间需求下,单台分析设备的处理能力往往是不够的。基于以上需求,本文提出了可重构,通用化的PHM系统流程,同时实现了分布式集群下的工业大数据分析平台,提高了系统的适用性与运行效率。 本文以工业设备的健康管理与故障诊断分析方法为主要研究内容,首先介绍了课题背景与PHM系统的发展现状,分析了其设计架构与平台特性。随后对论文中涉及到数据挖掘算法模型与Hadoop,Spark,Django等平台技术做了详细阐述。之后本文对典型的工业设备包括轴承与工业电容的预后算法进行研究,了解了一般PHM系统的基本分析流程。接着对通用的PHM平台进行了项层架构设计,其中包括数据获取模式,算法平台的六层架构与评价测试方法等基本模块。最后提出了基于分布式平台的PHM系统实现方案,包括集群的搭建,运维,调优,算法的分布式移植等。