传统方法通常无法自适应提取特征, 同时需要一定的离线数据训练得到检测模型, 但目标对象在线场景下采集到的数据有限, 且其数据分布与训练数据的分布可能因随机噪声、变工况等原因而存在差异, 导致离线训练的模型并不完全适合于在线数据, 容易降低检测结果的准确性; 其次, 上述方法通常采用基于异常点的检测算法, 未充分考虑样本前后的时序关系, 容易因数据微小波动而产生误报警, 降低检测结果的鲁棒性; 再次, 为降低误报警, 这类方法需要反复调整报警阈值. 此外, 基于系统分析的故障诊断方法利用状态空间描述建立机理模型, 可获得理想的诊断和检测结果, 但这类方法通常需要提前知道系统运动方程等信息, 对于轴承运行来说, 这类信息通常不易获知. 近年来, 深度神经网络已被成功应用于早期故障特征的自动提取和识别, 可自适应地提取信息丰富和判别能力强的深度特征, 因此具有较好的普适性. 但是, 这类方法一方面需要大量辅助数据进行模型训练, 而历史采集的辅助数据与目标对象数据可能存在较大不同, 直接训练并不能有效提升在线检测的特征表示效果; 另一方面, 在训练过程中未能针对早期故障引发的状态变化而有目的地强化相应特征表示. 因此, 深度学习方法在早期故障在线监测中的应用仍存在较大的提升空间.盈蓓德科技顺应行业发展趋势,搭建一套基于旋转类设备温度,振动状态监测、故障判断的预测性维护系统。发动机监测设备
电力系统中发电机的单机容量越大型发电机在电力生产中处于主力位置,同时大型发电机由于造价昂贵,结构复杂,一旦遭受损坏,需要的检修期长,因此要求有极高的运行可靠性。就我国目前和今后很长一段时间内的缺电、用电紧张的状况而言,发电机的年运行小时数目和满负荷率都较以往高出很多,备用容量很少的情况下,其运行可靠性显得尤为重要和突出。因此对大型机组进行在线监测与诊断,做到早期预警以防止事故的发生或扩大具有重要的现实意义。通常对发电机的“监测”与“诊断”在内容上并无明确的划分界限,可以说监测的数据和结果即为诊断的依据。监测利用各种传感器在电机运行时对电机的状态提取相关数据。故障诊断使用计算机及其相应智能软件,根据传感器提供的信息,对故障进行分类定位,确定故障的严重程度并提出处理意见。因此状态监测和故障诊断是一项工作的两个部分,前者是后者的基础,后者是前者的分析与综合。电机状态监测技术可帮助运行维护人员摆脱被动检修和不太理想的定期检修的困境,按照设备内部实际的运行状况,合理的安排检修工作,实现所谓“预知”维修。这样既可避免由于设备突然损坏,停止运行带来的损失,又可充分发挥设备的作用。南通研发监测台电机的监测和故障预判系统助力实现工业设备数智化管理和预测性维护。
针对刀具磨损状态在实际生产加工过程中难以在线监测这一问题,提出一种通过通信技术获取机床内部数据,对当前的刀具磨损状态进行识别的方法。通过采集机床内部实时数据并将其与实际加工情景紧密结合,能直接反映当前的加工状态。将卷积神经网络用于构建刀具磨损状态识别模型,直接将采集到数据作为输入,得到了和传统方法精度近似的预测模型,模型在训练集和在线验证试验中的表现都符合预期。刀具磨损状态识别的方法在投入使用时还有一些问题有待解决:①现有数据是在相同的加工条件下测得的,而实际加工过程中,加工参数以及加工情景是不断变化的,因此需要在下一步的研究中,进行变参数试验,考虑加工参数对于刀具磨损的影响,并针对常用的一些加工场景,建立不同的模型库。变换加工场景时,通过获取当前场景,及时匹配相应的预测模型即可。②本研究中的模型是一个固定的模型。今后需要根据实时的信号以及已知的磨损状态,对模型进行实时更新,从而在实时监测过程中实现自学习,不断提升模型的精度和预测效果。
传统方法通常无法自适应提取特征, 同时需要一定的离线数据训练得到检测模型, 但目标对象在线场景下采集到的数据有限, 且其数据分布与训练数据的分布可能因随机噪声、变工况等原因而存在差异, 导致离线训练的模型并不完全适合于在线数据, 容易降低检测结果的准确性; 其次, 上述方法通常采用基于异常点的检测算法, 未充分考虑样本前后的时序关系, 容易因数据微小波动而产生误报警, 降低检测结果的鲁棒性; 再次, 为降低误报警, 这类方法需要反复调整报警阈值. 此外, 基于系统分析的故障诊断方法利用状态空间描述建立机理模型, 可获得理想的诊断和检测结果, 但这类方法通常需要提前知道系统运动方程等信息, 对于轴承运行来说, 这类信息通常不易获知.
近年来, 深度神经网络已被成功应用于早期故障特征的自动提取和识别, 可自适应地提取信息丰富和判别能力强的深度特征, 因此具有较好的普适性. 但是, 这类方法一方面需要大量的辅助数据进行模型训练, 而历史采集的辅助数据与目标对象数据可能存在较大不同, 直接训练并不能有效提升在线检测的特征表示效果; 另一方面, 在训练过程中未能针对早期故障引发的状态变化而有目的地强化相应特征表示. 因此, 深度学习方法在早期故障在线监测中的应用仍存在较大的提升空间. 盈蓓德科技可以提供故障预判准确率高,更经济更可靠的旋转设备健康状态监测方案。
电机状态监测故障诊断技术是一种了解和掌握电机在使用过程中的状态,确定其整体或局部正常或异常,早期发现故障及其原因,并能预报故障发展趋势的技术,电机状态监测与故障诊断技术包括识别电机状态监测和预测发展趋势两方面。设备状态是指设备运行的工况,由设备运行过程中的各种性能参数以及设备运行过程中产生的二次效应参数和产品质量指标参数来描述。设备状态的类型包括:正常、异常和故障三种。设备状态监测是通过测定以上参数,并进行分析处理,根据分析处理结果判定设备状态。对设备进行定期或连续监测,包括采用各种测试、分析判别方法,结合设备的历史状况和运行条件,弄清设备的客观状态,获取设备性能发展的趋势规律,为设备的性能评价、合理使用、安全运行、故障诊断及设备自动控制打下基础。故障诊断可以根据状态监测系统提供信息来查明失调的原因或性质,判断劣化发生部位,以及预测状态发展趋势。南通发动机监测控制策略
时间域、频率域以及角度域的NVH分析方法,对汽车动力总成的各种故障进行实时识别、监测和诊断。发动机监测设备
随着科技发展, 各类工程设备的工作和运行环境变得越来越复杂. 作为机械设备的关键零部件, 滚动轴承在长期大载荷、强冲击等复杂工况下, 极易产生各种故障, 导致机械工作状况恶化. 针对轴承的故障预测与健康管理技术应运而生. 若能在故障发生初期即进行准确、可靠的检测和诊断, 则有助于进行及时维修, 避免严重事故的发生. 早期故障检测已成为PHM的关键技术环节之一. 近年来, 随着传感技术和机器学习技术的快速发展, 数据驱动的智能化故障检测和诊断技术受到关注. 如何利用历史采集的状态监控数据、提高目标轴承早期故障检测结果的准确性和稳定性成为研究热点和难点, 具有明确的学术价值和应用需求.本文关注的是不停机情况下的早期故障在线检测问题. 这种方式有助于实时评估轴承工作状态, 避免因等待停机检查而产生延误、造成经济损失, 因此对早期故障的在线检测越来越受到工业界的重视。发动机监测设备