本發明屬于狀態實時監測與預警，具體是一種基于物聯網的大機潤滑狀態實時監測與預警系統。

背景技術：

1、在工業生產中，大型機械設備，如重型工程機械、高速電主軸等的潤滑狀態直接關系到其運行效率、使用壽命和安全性。物聯網技術通過傳感器網絡、數據傳輸等手段，實現了對物理世界的實時感知、動態監控和智能決策。通過物聯網技術，可以實時監測設備的潤滑狀態參數；通過將深度學習算法和數字孿生等技術的進行融合使得能夠實現對大機設備潤滑狀態的全面、準確和實時監測與預警。

2、現有技術中存在以下問題：首先，難以利用物聯網的傳感器網絡實時監測大機潤滑狀態；其次，難以智能識別并分類潤滑狀態后通過時間序列分析進行預警；接著，難以依據故障識別模型結合數字孿生技術，模擬潤滑劑的流動路徑并分析對潤滑劑流動的影響系數進行預警；最后，難以利用數字孿生模型可視化展示預警信息。

技術實現思路

1、為解決上述現有技術中所存在的問題，本發明的第一方面提供了一種基于物聯網的大機潤滑狀態實時監測與預警系統，包括以下模塊：

2、數據采集模塊：通過傳感器實時監測大機潤滑狀態，實時采集監測數據；

3、數據傳輸模塊：利用物聯網通訊協議，將傳感器采集到的監測數據通過無線網絡或有線網絡傳輸至云端服務器；

4、數據處理模塊：在云端服務器上，對監測數據進行存儲、數據清洗和標準化；

5、數據分析與預警模塊：利用深度學習模型的深度置信網絡智能識別并分類潤滑狀態；根據當前潤滑狀態的識別和分類結果，對潤滑狀態進行時間序列分析，并通過計算預測潤滑狀態下潤滑狀態值進行預警；結合數字孿生技術，構建大機潤滑狀態的數字孿生模型，對大機的潤滑狀態進行模擬；根據監測數據建立故障識別模型；根據故障識別結果結合數字孿生模型，模擬潤滑劑的流動路徑，并通過計算故障點對潤滑劑流動的影響系數進行預警；

6、可視化預警展示模塊：通過數字孿生模型進行可視化展示預警信息。

7、進一步地：通過傳感器實時監測大機潤滑狀態，實時采集監測數據，包括以下步驟：

8、在大機的潤滑系統中的各個部位，包括：軸承、齒輪、油箱、油泵、油管、潤滑點，安裝各類傳感器；其中，安裝溫度傳感器以監測大機設備和潤滑劑液的溫度；安裝壓力傳感器以監測潤滑劑的壓力；安裝油質傳感器以監測潤滑劑的密度、電導率與介電常數；安裝振動傳感器以監測設備的振動信息；安裝噪聲傳感器以監測設備的噪聲信號；安裝水分傳感器以監測潤滑劑中的水分含量；實時監測潤滑劑的粘度并使用顆粒物計數器監測潤滑劑中的顆粒物數量；引入激光位移傳感器，實時監測潤滑劑的油膜厚度。?

9、進一步地：利用深度學習模型的深度置信網絡智能識別并分類潤滑狀態，包括以下步驟：

10、根據處理后的監測數據，利用深度學習模型的深度置信網絡，自動學習監測數據的特征表示，對潤滑狀態進行識別并分類；潤滑狀態的類別包括：流體動壓潤滑、液體靜壓潤滑、彈性流體動壓潤滑、薄膜潤滑、邊界潤滑、干摩擦和混合潤滑；

11、采用深度置信網絡模型構建識別分類模型；使用受限玻爾茲曼機作為深度置信網絡模型的基本構建塊；通過逐層貪婪訓練算法，先單獨訓練每一層的受限玻爾茲曼機；在訓練每一層受限玻爾茲曼機時，利用對比散度算法優化深度置信網絡模型參數；將訓練完成的受限玻爾茲曼機逐層堆疊起來，形成完整的深度置信網絡模型；

12、在逐層貪婪訓練完成后，使用反向傳播算法對整個深度置信網絡模型進行全局優化；在深度置信網絡模型的輸出層添加softmax分類器，用于對潤滑狀態進行分類；

13、收集歷史監測數據生成訓練數據集，并對訓練數據集進行標注，標注出對應的潤滑狀態的類別標簽；

14、使用標注完成的訓練數據集輸入到深度置信網絡模型進行訓練，包括softmax分類器的訓練；

15、通過實時采集并處理后的監測數據輸入到訓練完成的深度置信網絡模型中，輸出實時采集的大機監測數據的時間點下，當前大機潤滑狀態的識別和分類結果，包括：流體動壓潤滑、液體靜壓潤滑、彈性流體動壓潤滑、薄膜潤滑、邊界潤滑、干摩擦和混合潤滑。

16、進一步地：根據當前潤滑狀態的識別和分類結果，對潤滑狀態進行時間序列分析，并通過計算預測潤滑狀態下潤滑狀態值進行預警，包括以下步驟：

17、根據訓練完成的深度置信網絡模型，識別出當前的潤滑狀態；通過不斷監測大機的潤滑系統，識別是否存在從一種潤滑狀態向另一種潤滑狀態的轉變；

18、當存在轉變時，收集在不同時間點的大機潤滑狀態的監測數據，將收集到的監測數據按時間順序排列，形成時間序列數據集；

19、構建一個長短期記憶網絡模型，將時間序列數據集輸入到長短期記憶網絡模型中進行訓練；通過將利用深度置信網絡模型識別出的當前潤滑狀態的監測數據輸入到訓練完成的長短期記憶網絡模型中，預測出下一個時間步長的潤滑狀態；

20、采用滑動窗口方法，逐步預測未來多個時間步長的潤滑狀態，從實時監測的當前窗口開始，使用長短期記憶網絡模型預測下一個時間步長的潤滑狀態；通過將窗口向前滑動一個時間步長，加入最新的實時監測數據，移除最早的監測數據，重復預測過程；通過不斷滑動窗口并使用長短期記憶網絡模型進行預測，逐步得到未來多個時間步長的潤滑狀態；

21、對預測得到的未來多個時間步長的潤滑狀態，得到預測的潤滑狀態下的監測數據；通過計算預測潤滑狀態下潤滑狀態值公式：，

22、其中，表示潤滑狀態值，表示第i個傳感器的權重，表示第i個傳感器在第j個時間步長的監測值，表示第i個傳感器的歷史監測值的最小值，表示第i個傳感器的歷史監測值的最大值；t是時間窗口的長度；

23、設定一個潤滑狀態的壽命結束閾值，當潤滑狀態值低于閾值時，則達到了壽命終點，觸發預警機制進行預警。

24、進一步地：結合數字孿生技術，構建大機潤滑狀態的數字孿生模型，對大機的潤滑狀態進行模擬，包括以下步驟：

25、根據大機潤滑系統的實際幾何形狀和尺寸，利用三維建模軟件構建幾何模型，其中描述潤滑系統的各個部件，包括：軸承、齒輪、油箱、油泵、油管、潤滑點的形狀、位置和相互連接關系；

26、基于構建完成的幾何模型，通過求解流體動力學方程，模擬潤滑劑在大機潤滑系統中的流動狀態，包括：油壓分布和流速分布；通過求解熱傳導方程，得到潤滑劑在大機潤滑系統中的溫度分布，以及熱量傳遞過程；通過求解力學平衡方程，得到潤滑系統中油壓、油膜厚度、摩擦力參數的分布情況；

27、通過將上述幾何模型以及流體動力學、熱傳導與力學平衡分析結果進行整合，構建出大機潤滑狀態的數字孿生模型；

28、通過物聯網傳感器實時采集大機潤滑系統的監測數據，并將數字孿生模型與物聯網傳感器采集的監測數據進行關聯，通過數據接口實時同步數字孿生模型中大機潤滑系統的實際運行狀態；

29、將訓練完成的深度置信網絡模型部署到數字孿生模型中，通過深度置信網絡模型輸出當前實時的潤滑狀態，通過數字孿生模型進行模擬展示。

30、進一步地：根據監測數據建立故障識別模型，包括以下步驟：

31、利用深度學習中的卷積神經網絡模型結合循環神經網絡模型，建立故障識別模型；

32、收集并處理后的大機潤滑狀態的歷史監測數據集，標注故障類型包括：泄漏和堵塞；將帶有標注的歷史監測數據集輸入到故障識別模型中進行訓練；

33、通過物聯網實時監測收集并處理后的監測數據，輸入到訓練完成的故障識別模型中，輸出當前大機潤滑狀態下是否識別出故障，并輸出故障類型。

34、進一步地：根據故障識別結果結合數字孿生模型，模擬潤滑劑的流動路徑，并通過計算故障點對潤滑劑流動的影響系數進行預警，包括以下步驟：

35、將訓練完成的故障識別模型部署到數字孿生模型中，根據故障識別模型結合數字孿生模型，識別潤滑劑流動路徑中是否存在的故障點，包括：泄漏點和堵塞點；根據識別的結果，統計流動路徑中所有故障點的總個數k；

36、根據數字孿生模型模擬潤滑劑在大機設備中的流動路徑，劃分為正常流動路徑和異常傳播路徑；所述異常傳播路徑是故障識別模型輸出的大機潤滑狀態在故障下的流動路徑；

37、在模擬過程中，通過使用計算流體力學方法，收集潤滑劑在正常流動路徑和異常傳播路徑上的流動情況，包括：流速、溫度和壓力分布；

38、通過計算故障點對潤滑劑流動的影響系數公式：，

39、其中，是影響系數，是第k個故障點下的壓力，是第k個故障點下的流速,是第k個故障點下的溫度，是正常流動路徑的壓力，是正常流動路徑的流速，是正常流動路徑的溫度，、和分別是第k個故障點的故障點下的壓力、流速和溫度隨時間的變化率，k表示在流動路徑上所有故障點的總個數；當影響系數超過閾值0.2時，觸發預警機制進行預警。

40、進一步地：通過數字孿生模型進行可視化展示預警信息，包括以下步驟：根據計算的預測潤滑狀態下潤滑狀態值和故障點對潤滑劑流動的影響系數的結果，當觸發預警機制時，將生成的預警信息集成到數字孿生模型中，所述預警信息包括：預警類型、預警位置和預警時間。

41、與現有技術相比，本發明的有益效果是：

42、本發明通過多種傳感器實時監測大機潤滑狀態，能夠全面、精準地獲取大機設備潤滑系統的各項監測數據；通過利用物聯網通訊協議將監測數據傳輸至云端服務器，確保了數據傳輸的穩定性、高效性與安全性，支持大規模設備的數據并發傳輸，且兼容無線網絡與有線網絡，降低了數據傳輸中斷或丟失的風險。

43、本發明通過在云端服務器上對監測數據進行處理后，通過深度置信網絡模型智能識別并分類潤滑狀態，并結合時間序列分析與預測技術，實現得到預測潤滑狀態下潤滑狀態值并據此能夠提前預警。

44、本發明通過利用數字孿生技術構建大機潤滑狀態的數字孿生模型，直觀呈現設備潤滑系統；通過將故障識別模型和數字孿生模型進行結合，模擬出潤滑劑流動路徑；通過分析在流動路徑上故障點對潤滑劑流動的影響系數進行預警。最后，通過數字孿生模型進行可視化展示預警信息，實現了對大機潤滑狀態的全面監監測與預警。