在役仪表及机电设备全生命周期健康检测与诊断技术及应用指南

ICS

CCS

团体标准

!"#$%%%&'(''

)*+,-./0123456789:

;<=>?-@ABC

Lifecyclehealthdetectionanddiagnosistechnologyandapplication

guideforin-serviceinstrumentsandelectricalequipment

（征求意⻅稿）

2022-X-X发布2022-X-X实施

DEEFG>HIJKL

MN

本指南按照GB/TL.1-2020《标准化⼯作导则第1部分：标准化⽂件的结构和

起草规则》起草；某些内容可能涉及专利，本标准的发布机构不承担识别这些专

利的责任。

为拓展在役仪表及机电设备全⽣命周期健康检测与诊断技术的应⽤，以及进

⼀步深化各交叉领域的研究，同时为了各个群体更为⾼效的合作，本指南制定了

在役仪表及机电设备全⽣命周期健康检测与诊断技术及应⽤通⽤指南。

本指南由中国国际科技促进会标准化⼯作委员会负责管理。由重庆⼤学负责

具体技术指标的解释⼯作。若发现问题或有修改意⻅请及时联系重庆⼤学，以便

今后的修改与补充。联系⽅式：重庆市沙坪坝区沙正街174号重庆⼤学A区。邮

编：400044。

本指南起草单位：重庆⼤学、重庆川仪⾃动化股份有限公司、⻄昌卫星发射

中⼼、重庆⼯业设备安装集团有限公司、北京航天发射技术研究所、重庆钢铁股

份有限公司、中国铁路郑州局集团有限公司、四川天奥空天信息技术有限公司、

重庆市特种设备检测研究院、成都天巡微⼩卫星科技有限责任公司、观为监测技

术⽆锡股份有限公司、重庆交通⼤学、⻄安理⼯⼤学、重庆铟控科技有限公司、

重庆睿昌测控技术有限公司。

本指南主要起草⼈：屈剑锋、张可、柴毅、魏善碧、尹宏鹏、王刚、李本琪、

⽥英明、吴朋、胡友强、⽑永芳、张伟、张军、刘忠明、彭元兵、万坚、王建军、

张韬、张浩鹏、张宏亮、吴天舒、杨学海、刘美琪、杨志敏、冯莉、张晓晖、梁

莉莉、刘切、⻢乐、柴源、张雷、杨震⽴、祁⻜、刘伟、⻢笑潇、胡为⺠、程正

学。

本指南为⾸次发布，今后将根据在役仪表及机电设备全⽣命周期健康检测

与诊断技术要求及发展情况适时修订。

)*+,-./0123456789:;<=

>?-@ABC

1适AO围

本指南规定了在役仪表及机电设备全⽣命周期健康检测与诊断技术及应⽤

的术语和定义、参数特征提取、实时故障检测、在线故障诊断与健康维护决策等

关键技术。

本指南适⽤于在役仪表及机电设备全⽣命周期健康检测与诊断研究、设计、

技术路线。

'POQRAST

GB/T13983-1992,仪器仪表基本术语[S].

GB/T38843-2020,智能仪器仪表的数据描述执⾏机构[S].

GB/T38845-2020,智能仪器仪表的数据描述定位器[S].

JB/T6183-1992,仪器仪表可靠性要求及考核⽅法的编写规定[S].

CB/T3606-1993,机电设备安装质量要求[S].

JB/T7540-1994,机电设备成套项⽬质量管理导则[S].

U?VWXY

3.1信噪⽐（signaltonoiseratio）

指⼀个仪表及机电设备系统中信号与噪声的⽐例。这⾥⾯的信号指的是来⾃

设备外部需要通过这台设备进⾏处理的电⼦信号，噪声是指经过该设备后产⽣的

原信号中并不存在的⽆规则的额外信号（或信息），并且该种信号并不随原信号

的变化⽽变化。

3.2缓变参数（slow-changingparameter）

指在役仪表及机电设备所监测的状态参数中，有⼀类状态参数随时间变化⽐

2

较慢，如温度、湿度等，故称该类参数为缓变参数。

3.3速变参数（fast-changingparameter）

指在役仪表及机电设备所监测的状态参数中，如振动信号般随时间波动剧烈，

具有⾼频特性的⼀类参数。

3.4早6故障（incipientfault）

在不影响设备常规运⾏的基础上，存在的⼀种表征故障演变的微弱征兆。

3.5⾃适@阈值（adaptivethreshold）

依据特定参数的变化，⾃适应地调整阈值边界。

3.6容忍时间（tolerancetime）

在观测参数信号点越界的基础上，设⽴⼀段时间的延时，若该段时间内⼀直

处于或⼤部分处于越界状态，则判定为故障，否则判定为故障误报，称该段时间

为容忍时间。

4总体设计

4.1基本原则

（1）对标国家重⼤需求。以国家需求为研究命题导向，以研究成果实转化落

地为研究⽬标。

（2）紧跟学科和⼯程前沿。以前沿科学技术驱动智能制造的发展创新。

（3）密切联系实际⼯业场景，尤其是⼤型⼯业过程（如冶⾦、⽯化、核电等）

和复杂装备系统（如航天器、航天发射系统等）在⻓周期⾃动化运⾏中存在多种

危险因素，会导致事故发⽣，造成⼈员伤亡、环境损害、经济损失等，以安全性

和可靠性为设计基础。

3

（4）项⽬组应以设备运⾏过程中及时准确的发现异常、诊断故障、避免事

故、确保安全为⽬标。

4.2)*+,-./0123456789:;<=总体思路介绍

仪表、机电设备是⼤型⼯业过程和复杂装备系统⾃动化运⾏控制的关键部件。

仪表检测各种物理量、物质成分、物性参数等，为控制系统检测感知器；在控制

信号作⽤下，机电设备实现执⾏操作功能，使运⾏过程中物理化学物质和能量保

持在限定的范围内。由于⼤型过程和复杂系统在运⾏中涉及⾼能、⾼温、⾼压、

⾼速等特性，随着服役时间增加，仪表、机电装备将出现性能退化、异常和故障，

如果不能及时检测和诊断，微⼩的故障或异常都可能引发安全事故，威胁⽣命安

全，造成巨⼤的经济损失。在役仪表和机电设备的健康监测诊断与应⽤⼀直是提

⾼⽣产效率的关键途径，亦是⼯业系统安全稳定运⾏的重点难点问题。

⾯向服务体系的在役仪表及机电设备全⽣命周期健康检测与诊断技术研究，

应从在役仪表和机电设备的运⾏参数出发，逐步突破参数特征提取、实时故障检

测、在线故障诊断与健康维护决策等关键技术，实现仪表设备本地和远端⾃学习

调整、远程升级及回溯，在以上关键技术攻关成果的基础上，进⽽研发健康检测

与诊断系统，最后，为贯彻产研相结合的理念，将该健康检测与诊断系统应⽤于

数个⼤型⼯业系统和复杂装备系统，以应⽤实践反馈作为改进⽅向，形成良性循

环。

4

图1总体路线图

4.3典型研究对象-故障模式

在役仪表及机电设备全⽣命周期健康检测与故障诊断技术所选取的主要研

究对象包括现场仪表、机电设备，在下⽂将分别进⾏分析论述。

4.3.1现场+,故障模式分析

现场仪表的主要故障来源于传感器、调理电路和接⼝等部件，在实际运⾏过

程中，故障可能出现并发、相互关联的情况，如可能因接⼝出现故障，从⽽损坏

传感器，最终导致接⼝故障与传感器故障并发，且故障的发⽣存在因果联系，故

在故障诊断的研究中应充分考虑故障模式的多样性。

4.3.2./01故障模式分析

机电设备的故障来源主要集中在机械结构、动⼒源、执⾏元件、驱动单元以

及传感监测部分，其中机械结构主要存在两种故障模式，⼀是由于机械的⻓期运

作，在动作⾯存在摩擦做功从⽽导致磨损性故障；另外，可能因负载超额、外界

环境的影响导致机械部件断裂的突发性故障。动⼒源故障可能是由于能源本身异

常，如燃料品质问题、供电电压波动的影响；此外，可能是由于能源供给部件出

5

现故障，如燃油泵、电⼒电⼦变换器件出现异常。执⾏元件和驱动单元的故障模

式需要根据物理结构和⼯作原理来分析，从故障机理推导故障模式。在表4-1给

出了电动执⾏机构常⻅故障及原因分析，在表4-2给出了⽓动调节阀常⻅故障及

原因分析。

表4-1电动执⾏机构常⻅故障及原因分析

序号故障现象原因分析

①电源缺相，缺相原因是端⼦虚接、电缆断路，以及

空⽓开关、接触器、热继电器的某⼀相触点接触不

良等

②电机⻓时间连续运⾏

1电机过热

③电机内部的温度开关损坏

④主控板相关的电路元件损坏

⑤选型不当

⑥执⾏机构死区调的太⼩

①阀⻔卡死

执⾏机构不动②电路板故障

2

作③输⼊信号错误

④反馈信号错误

①死区设置过⼩

②回差过⼤

3执⾏机构震荡③输⼊信号不稳定

④电机刹⻋有故障或失灵

⑤⾏程过⼩

阀位输出线性①导电塑料电位器损坏，调整电位器但电阻值不变化

4不好或没有输或变化很⼩

出信号②位置发送器⼯作不正常，导致电流信号⽆输出

①输⼊信号波动⼤

控制误差过⼤②接收信号不正常

5

或恒偏差③接受电路或反馈电路故障

④死区设置过⼤

①执⾏器堵转

执⾏器不能开

6②模块控制线松动

关阀

③电机正反转模块坏

6

①缺相运⾏，导致电机过热烧毁

②电压波动

7电机故障③过流故障、热过载故障

④执⾏机构选型与现场的运⾏条件不匹配

⑤外部因素阻碍执⾏机构正常运⾏（如阀⻔卡住）

①⼒矩保护设定值偏⼩

②外部有阻碍执⾏机构正常运⾏的因素（如阀⻔被卡

8过⼒矩住）

③执⾏机构选型与现场的运⾏条件不匹配

④主控板相关元器件损坏

表4-2⽓动调节阀常⻅故障及原因分析

序号故障现象原因分析

（1）⽆⽓源、⽆信号：

①⽓源未开

②由于⽓源含⽔在冬季结冰，导致⻛管堵塞或过滤

器、减压阀堵塞失效

③压缩机故障

④⽓源总管泄露

（2）有⽓源、⽆信号：

①调节器故障

②信号管泄露

③定位器波纹管漏⽓

④调节⽹膜⽚损坏

1调节阀不动作

（3）有信号、⽆动作：

①阀芯脱落

②阀芯与阀座卡死

③阀杆弯曲或折断

④执⾏机构弹簧因⻓期不⽤⽽锈死

（4）定位器⽆⽓源：

①过滤器堵塞

②减压阀故障

③管道泄露或堵塞

（5）定位器有⽓源、⽆输出：

定位器的节流孔堵塞

7

（1）⽓源压⼒不稳定：

①压缩机容量太⼩

②减压阀故障

（2）信号压⼒不稳定：

①控制系统的时间常数不适当

②调节器输出不稳定

调节阀动作不

2（3）⽓源压⼒稳定，信号压⼒稳定：

稳定

①定位器中放⼤器的球阀受脏物磨损关不严，耗⽓量

特别增⼤时会产⽣输出震荡

②定位器中放⼤器的喷嘴挡板不平⾏，挡板盖不住喷

嘴

③输出管线漏⽓

④执⾏机构刚性太⼩

⑤阀杆运动中摩擦阻⼒⼤，与相接触部位有阻滞现象

（1）在任何开度下都振动：

①⽀撑不稳

②附近有振动源

3调节阀振动③阀芯与衬套磨损严重

（2）在接近全闭位置时振动：

①调节阀选⼤了，常在⼩开度使⽤

②单座阀介质流向与关闭⽅向相反

（1）阀杆仅在单⽅向动作时有迟钝：

①⽓动薄膜执⾏机构中膜⽚破损泄露

②执⾏机构中“0”型密封泄露

调节阀动作迟

4（2）阀杆在往复动作时均有迟钝：

钝①阀体内有粘物堵塞

②填料过满，摩擦阻⼒增⼤

③阀杆弯曲导致摩擦阻⼒增⼤

④缺少阀⻔定位器

（1）阀全关时泄漏量⼤：

①阀芯被磨损，内漏严重

②阀未调好导致⽆法关严

调节阀的泄露

5

量增⼤（2）阀达不到全闭位置：

①介质压差太⼤，执⾏机构刚性太⼩，阀关不严

②阀内有异物

③衬套烧结

8

4.401状态参数分析

设备状态参数是在役仪表及机电设备全⽣命周期健康监测与故障诊断技术

研究的源头活⽔，后续的故障检测与故障诊断技术研究均是基于设备状态参数的

特征表征，以建⽴设备状态参数与设备健康状况的联系。常⽤的仪表及机电设备

的状态参数包括温度、湿度、电压、电流、功率和振动等设备特性参数。由于仪

表及机电设备⼯作环境的复杂性和不确定性，如环境噪声，电磁⼲扰等影响，可

能导致所采集数据包含了⼤量噪声，此外，由于不同参数本身的特性，可能导致

采集的参数信号在时间分布或者空间分布上存在较⼤差异，使得设备参数特征提

取的难度⼤⼤提升，需要研究具有针对性的参数特征提取技术，以为后续故障检

测及故障诊断研究奠定基础，本指南针对典型问题，给出了可⾏性技术策略。

4.4.1强噪声弱信号背景下的)*+,W./01参数特征提取>?

考虑到实际⼯业场景往往具有强噪声的特点，若检测的信号本身⽐较弱，则

很可能被噪声掩盖，不利于后续的研究⼯作，故需要⼀种在强噪声弱信号背景下，

能够提取到有效特征信息的技术。针对该问题，本指南提供了如下可⾏性技术⽅

案：

（1）⾸先，基于迭代匹配追踪和稀疏优化的⾼精度信号分解与重构⽅法，对

强噪声进⾏降噪分解并对弱信号进⾏重构增强。稀疏分解理论认为，信号分解的

结果越稀疏则越接近信号的本征或者内在结构。如果分解中选⽤的基函数能够使

分解的结果更为稀疏，则认为这种基函数更优。迭代匹配追踪是⼀种贪婪算法，

采⽤的分解原则是最⼩化展开系统的⼆阶范数，其基本过程如下：

令为Hilbert空间，为⽤于稀疏分解的过完备原⼦字

典，为参数集合，由参数定义的原⼦，且。假设待分解信号为，

，通过在中进⾏正交投影，则可以被分解为

（4-1）

其中，；代表在⽅向上进⾏逼近后的残留信号。

（2）其次，构造具有两个⽣成元的⾼密度⼆进⼩波进⾏多分量信号分解，提

9

⾼强噪声背景下的信噪⽐，进⽽实现仪表和机电设备运⾏参数特征提取。信号分

解公式如下

（4-2）

重构公式如下

（4-3）

4.4.2缓变参数特征提取

在役仪表及机电设备状态参数中存在⼀类具有缓变特性的参数，该类参数随

时间变化⽐较缓慢，最⾼频率⼩于10Hz，如温度、湿度类参数，若提取短时间窗

的数据作为特征，将⽆法表征真实的或者⻓期性趋势的信息，不利于后续的故障

检测与故障诊断研究，针对此问题，本指南提供了如下可⾏性⽅案：

（1）⾸先，基于迭代匹配追踪和稀疏优化的信号分解与重构⽅法，分解原理

如公式（4-1），构建连续基和权重的稀疏优化⽬标函数；

（2）然后，利⽤不同⻓度时间窗的短时傅⽴叶基，提取缓变参数的多时间尺

度特征，再通过迭代匹配追踪的⽅法求解该问题；

（3）最后，通过分离系数的⽅法选择表征缓变信号的最佳基，去除多时间尺

度招致的⼤量冗余特征，以此实现缓变参数的特征提取。

4.4.3速变参数特征提取

与缓变参数相对应，在役仪表及机电设备状态参数中存在⼀些⾼频变化的参

数，如振动信号，随着⼯况的改变，如转速的增加，此类信号的变化频率将进⼀

步增⻓，使⽤常规时域参数特征提取⽅法（如平均值法、峰值法、边界阈值法等）

并不能取得好的效果，针对此问题，本指南提供了如下可⾏性⽅案：

（1）⾸先，设计基于⼩波模极⼤值和同步解调的多分量信号分解⽅法。设

是⼀个低通平滑函数，且有

10

（4-4）

进⼀步假设⼆次可导，有

（4-5）

为⼩波函数，对任意函数记：

（4-6）

对则有

（4-7）

定义信号的⼩波变换为

（4-8）

若某⼀个点的⼩波系数的模值⼤于等于其相邻的两个值并且严格⼤于

其中的⼀个，则该点的⼩波系数值就称为模极⼤值。由公式（4-5）和（4-8）得

（4-9）

上式尺度的⼤⼩决定了平滑函数的平滑作⽤的⼤⼩，从⽽⼩波变换可以得

到信号不同尺度上的奇异点信息，即信号的突变点与的模极⼤值点相对

应。

（2）在以上基础上，求取⾼密度⼆进⼩波模极⼤值以获得具有⾼精度的最⾼

瞬时频率分量，然后利⽤同步解调得⽅法恢复该信号分量，提⾼信噪⽐，进⽽实

现速变参数特征的准确提取。

4.5+,-./01的故障实时9:>?

在役仪表及机电设备全⽣命周期健康检测与诊断技术是为了适应更⾼的⼯

⼚作业标准，满⾜更⾼⽔平的⾃动化，打造安全可靠的⾃动化⼯业⽣产线。⼤型

⼯⼚中的仪表和机电设备数量庞⼤，仅靠⼈⼯定期检修是⼀个⼗分耗时费⼒的任

11

务，且往往不能及时发现故障并诊断故障，从⽽导致⼤⾯积设备⻓期停⼯，造成

巨⼤经济损失。

因此，研究⼀种仪表及机电设备的故障实时检测技术具有⼗分重要的意义，

该技术能够实时监测设备状态数据，进⽽通过模型的⽅法进⾏故障实时检测，以

便快速准确检测到故障的发⽣。本指南提供了如图2所示的实时故障检测框架。

图2实时故障检测框架

4.5.1故障9:冗余计算模型

通常情况下，现场仪表设备故障具有发⽣频繁、检测效率低、监测设备多和

数据量⼤的特点，从⽽导致难以快速准确检测出故障的发⽣及时间，实际上，在

⼤量的检测数据中充斥了⾼占⽐的冗余数据，这些冗余数据不仅对故障检测准确

率没有益处，反⽽会增加⼤量的模型计算复杂度，降低了模型的故障检测性能。

故需要研究⼀种改善数据冗余程度的技术，本指南提供了⼀种可⾏性⽅案：研究

了⼀种基于局部递归神经⽹络的系统动态建模算法，并结合仪表及机电设备历史

和运⾏数据构建设备运⾏过程的冗余计算模型，进⽽降低特征参数的冗余程度，

以提升故障检测性能。

4.5.2早6故障9:>?

在役仪表及机电设备某些故障的发⽣往往具有预兆，通过对早期预兆的识别，

有助于仪表及机电设备的早期维护，提前掐掉故障的萌芽，以便造成严重损失。

本指南提供⼀种可⾏性早期故障诊断⽅案：

12

（1）⾸先，根据残差信号⾃适应地设计最优的⼩波预测算⼦和更新算⼦；

（2）然后，采⽤提升⼩波分解⽅法，从不同分辨率尺度上得到逼近信号和细

节信号；

（3）最后，基于⾃适应阈值和容忍时间的⽅法检测故障微弱征兆，在及时检

测早期故障的同时，有效避免由噪声或其它⼲扰造成的故障误报。

4.5.3实时故障9:>?

实际⼯程场景下，监测数据流持续输出，采⽤离线的故障检测技术难以满⾜

实际需求，因此，有必要研究设计⼀种在线的实时故障检测技术，本指南提供⼀

种可⾏性解决⽅案：

（1）⾸先，基于在线⾃适应主元分解算法，通过以残差信号为输⼊的主元向

量迭代，采⽤最速下降在线迭代算法搜索⽬标函数的最优解；设有m个变量

，每个变量有n个样本，第个变量可表示为，则由

此构成的阶矩阵为

若为原变量，为新变量，则主成分分析即将m个原

变量由l个新变量表示，即

（4-10）

其中系数满⾜

（4-11）

此外，为的⼀切线性组合中⽅差最⼤者，为与不相关的

所有线性组合中⽅差最⼤者，以此类推，则新变量分

别为原变量的主成分。

13

（2）其次，结合短时记忆滑动数据窗,快速计算主元特征向量，建⽴主元模

型并计算T2和Q统计量，通过降维与统计分析实现缓变、突变故障的实时检测。

4.6)*+,-./01的)线深度集成智能<=框架->?

将在役仪表及机电设备视为⼀个系统整体，该系统整体由若⼲⼦系统组成，

其中仪表和机电设备为两⼤分⽀，不同⼦系统的故障致因以及故障表现形式具有

差异性，若采⽤笼统的故障诊断⽅法，并不能取得可靠的诊断结论。因此，有必

要分析不同⼦系统的故障特性，有针对性地设计故障诊断⽅法。

以仪表电路数据和机电设备数据为例，两者既有共性问题，如都⾯临不完备

信息故障诊断和多故障诊断，也有个性化需求，如在仪表本体构建故障表和⾃诊

断算法，优化提升仪表本地和远端⾃学习与调整能⼒，通过远程升级及回溯，实

现⾃诊断及预防性维护检查；与之相应，机电设备监测信号多数具有速变特性，

有必要对故障信号进⾏降噪并提取⾼频信号统计特征。

本指南给出如图3所示的⼀种可⾏性在线深度集成智能诊断框架：

（1）⾸先，采⽤具有概率解释机制的量⼦Hopfield神经⽹络和基于⻉叶斯⽹

络的不完备信息故障、多故障诊断⽅法，对仪表及机电设备数据进⾏故障诊断；

相对前馈类型神经⽹络(如BP神经⽹络)，Hopfield神经⽹络有更强⼤的联想记

忆功能和⾃我学习、训练能⼒，在复杂情况下仍具有⾃学习、⾃适应的联想记忆

学习能⼒，可以通过反馈⽽具有更强的全局稳定性。

14

图3Hopfield神经⽹络结构示例

⼈脑作⽤源于复杂的系统动⼒学，并⾮传统⼈⼯神经⽹络（Conventional

ArtificialNeuralNetwork，CANN）所能完全描述，⽽量⼦系统具有与⽣物神经⽹

络相似的动⼒学特征，因此将⼈⼯神经⽹络（ArtificialNeuralNetwork，ANN）

与量⼦理论结合起来会更好地模拟⼈脑的信息处理过程；本指南将量⼦理论与

Hopfield神经⽹络相结合。每个神经元只取⼆元的离散值0、1或-1、1。神经元

和神经元之间的权重由决定。神经元有当前状态和输出，神经元状态和输

出的关系如下：

（4-12）

其中是神经元的外部输⼊。

⻉叶斯⽹络（Bayesiannetwork），⼜称信念⽹络（beliefnetwork）或是有向

⽆环图模型（directedacyclicgraphicalmodel），是⼀种概率图型模型。⼀个⻉叶

斯⽹络是⼀个有向⽆环图（DirectedAcyclicGraph，DAG），由代表变量结点及

连接这些结点有向边构成。本指南提供⼀种基于⻉叶斯⽹络概率模型的不完备信

息故障诊断，以补偿信息不完备对故障诊断的影响。

15

其原理是将故障信息映射为随机变量，采⽤⻉叶斯概率模型拟合故障信息的

分布特征。设故障信息所映射的随机变量为，在⽹络中添加结

点，并在中选择的⽗结点，使得

(4-13)

（2）其次，本指南提供⼀种基于深度波尔兹曼机的⾃诊断技术，并通过逐层

贪婪⽅法与BP算法分别对深度玻尔兹曼机进⾏训练与微调，同时结合（1）进⾏

故障诊断。深度玻尔兹曼机实际上是由多个受限玻尔兹曼机堆栈构成，⽐如构建

⼀个简单的三层深度玻尔兹曼机⽤于故障诊断，⾸先需要进⾏预训练，通过对⽐

散度算法训练出两个受限玻尔兹曼机，对于每个受限玻尔兹曼机，都是根据可⻅

层的数据，来学习到隐层的数据，对于第⼆个受限玻尔兹曼机，可以把求得的第

⼀个隐层看作是可⻅层来求解第⼆个隐层的数据，然后再堆叠两个受限玻尔兹曼

机进⾏微调。

图4深度玻尔兹曼机结构示意图

（3）然后，对机电设备采⽤⾼密度⼆进⼩波变换⽅法提取特征，对仪表及机

电设备在本体设计⾃诊断功能，并结合多个独⽴分类器，分别给出诊断结果；

（4）最后，采⽤Stacking整合策略，推导出最终的诊断结论。

16

图5在线深度集成智能诊断框架

4.7智能运维过程

考虑实际⼯业场景，在役仪表及机电设备往往具有多样性，包括⼯作时间多

样性和空间多样性，对现场多设备的运维需要⼀个科学的运维系统。本指南提供

⼀种如图5所示智能运维系统，在图中对整个运维过程的关键环节进⾏抽象图示，

按照数据流的流经顺序依次进⾏简要介绍。⾸先，为了获取在役仪表及机电设备

的状态参数，采⽤接触式或者⾮接触式传感器检测对象的观测参数，如温度、电

压、电流等；其次，需要将传感器获取到的数据进⾏传输，可采⽤有线或者⽆线

的⽅式，考虑多种传输协议共存的情况，设有协议转换层对各种传输协议进⾏⽀

持和规范，数据采集系统可对数据进⾏离线管理；然后，所获得的数据流⼊数据

分析平台，在数据缓存、分流层对数据进⾏过滤，并将过滤后的数据送⼊数据处

理层，对数据进⾏必要的处理变换，然后在故障检测模块进⾏实时故障检测，若

检测到故障信息，则进⾏进⼀步的分析即故障诊断，如判别故障模式、故障致因

及故障部位等，可作为维护决策的依据；最后，对故障演化的趋势进⾏预测，从

⽽估计设备的剩余寿命。

17

图6智能运维系统结构

18

⽬录

1适⽤范围....................................................................................................................2

2规范性引⽤⽂件........................................................................................................2

3术语和定义................................................................................................................2

3.1信噪⽐（signaltonoiseratio）.......................................................................2

3.2缓变参数（slow-changingparameter）.........................................................2

3.3速变参数（fast-changingparameter）...........................................................3

3.4早期故障（incipientfault）............................................................................3

3.5⾃适应阈值（adaptivethreshold）.................................................................3

3.6容忍时间（tolerancetime）...........................................................................3

4总体设计....................................................................................................................3

4.1基本原则..........................................................................................................3

4.2在役仪表及机电设备全⽣命周期健康检测与诊断总体思路介绍..............4

4.3典型研究对象及故障模式..............................................................................5

4.3.1现场仪表故障模式分析.......................................................................5

4.3.2机电设备故障模式分析.......................................................................5

4.4设备状态参数分析..........................................................................................9

4.4.1强噪声弱信号背景下的在役仪表和机电设备参数特征提取技术...........9

4.4.2缓变参数特征提取.............................................................................10

4.4.3速变参数特征提取.............................................................................10

4.5仪表及机电设备的故障实时检测技术........................................................11

4.5.1故障检测冗余计算模型.....................................................................12

4.5.2早期故障检测技术.............................................................................12

4.5.3实时故障检测技术.............................................................................13

4.6在役仪表及机电设备的在线深度集成智能诊断框架及技术....................14

4.7智能运维过程................................................................................................17

1