傳統(tǒng)方法通常無法自適應提取特征, 同時需要一定的離線數(shù)據(jù)訓練得到檢測模型, 但目標對象在線場景下采集到的數(shù)據(jù)有限, 且其數(shù)據(jù)分布與訓練數(shù)據(jù)的分布可能因隨機噪聲、變工況等原因而存在差異, 導致離線訓練的模型并不完全適合于在線數(shù)據(jù), 容易降低檢測結(jié)果的準確性; 其次, 上述方法通常采用基于異常點的檢測算法, 未充分考慮樣本前后的時序關(guān)系, 容易因數(shù)據(jù)微小波動而產(chǎn)生誤報警, 降低檢測結(jié)果的魯棒性; 再次, 為降低誤報警, 這類方法需要反復調(diào)整報警閾值. 此外, 基于系統(tǒng)分析的故障診斷方法利用狀態(tài)空間描述建立機理模型, 可獲得理想的診斷和檢測結(jié)果, 但這類方法通常需要提前知道系統(tǒng)運動方程等信息, 對于軸承運行過程來說, 這類信息通常不易獲知. 近年來, 深度神經(jīng)網(wǎng)絡已被成功應用于早期故障特征的自動提取和識別, 可自適應地提取信息豐富和判別能力強的深度特征, 因此具有較好的普適性. 但是, 這類方法一方面需要大量的輔助數(shù)據(jù)進行模型訓練, 而歷史采集的輔助數(shù)據(jù)與目標對象數(shù)據(jù)可能存在較大不同, 直接訓練并不能有效提升在線檢測的特征表示效果; 另一方面, 在訓練過程中未能針對早期故障引發(fā)的狀態(tài)變化而有目的地強化相應特征表示. 因此, 深度學習方法在早期故障在線監(jiān)測中的應用仍存在較大的提升空間.滾動軸承是一個故障多發(fā)的零件，需要對其進行電機狀態(tài)監(jiān)測與故障診斷。上海電力監(jiān)測臺
傳統(tǒng)維護模式中的故障后維護與定期維護將影響生產(chǎn)效率與產(chǎn)品質(zhì)量，并大幅提高制造商的成本。隨著物聯(lián)網(wǎng)、大數(shù)據(jù)、云計算、機器學習與傳感器等技術(shù)的成熟，預測性維護技術(shù)應運而生。
以各類如電機、軸承等設備為例，目前已發(fā)展到較為成熟的在線持續(xù)監(jiān)測階段，來實現(xiàn)查看設備是否需要維護、怎么安排維護時間來減少計劃性停產(chǎn)等，并能夠快速、有效的通過物聯(lián)網(wǎng)接入到整個網(wǎng)絡，將數(shù)據(jù)回傳至管理中心，來實現(xiàn)電機設備的預測性維護。
以各類如電機、軸承等設備為例，目前已發(fā)展到較為成熟的在線持續(xù)監(jiān)測階段，來實現(xiàn)查看設備是否需要維護、怎么安排維護時間來減少計劃性停產(chǎn)等，并能夠快速、有效的通過物聯(lián)網(wǎng)接入到整個網(wǎng)絡，將數(shù)據(jù)回傳至管理中心，來實現(xiàn)電機設備的預測性維護。 嘉興發(fā)動機監(jiān)測控制策略隨著工業(yè)互聯(lián)網(wǎng)的落地，大型旋轉(zhuǎn)類設備振動監(jiān)測的重要性日益加強。
柴油機狀態(tài)監(jiān)測與故障診斷系統(tǒng)是一個集數(shù)據(jù)采集與分析、狀態(tài)監(jiān)測、故障診斷為一體的多任務處理系統(tǒng), 可實現(xiàn)柴油機監(jiān)測、保護、分析、診斷等功能。包括數(shù)據(jù)采集與工況監(jiān)測、活塞缸套磨損監(jiān)測分析、主軸承磨損狀態(tài)監(jiān)測分析、氣閥間隙異常監(jiān)測分析和瞬時轉(zhuǎn)速監(jiān)測分析等各種功能。信號分析、特征提取及診斷原理是每個監(jiān)測診斷子功能的**部分, 各子功能都有相應的信號分析與特征提取方法, 包括信號預處理、時域、頻域分析、小波分析等, 自動形成反映柴油機運行狀態(tài)的特征量, 為系統(tǒng)的診斷推理提供信息來源。采用模糊聚類理論來檢驗特征參量的有效性、建立故障標準征兆群, 并運用模糊貼近度來實施故障類型的診斷識別。
著科技發(fā)展,各類工程設備的工作和運行環(huán)境變得越來越復雜.作為機械設備的關(guān)鍵零部件,滾動軸承在長期大載荷、強沖擊等復雜工況下,極易產(chǎn)生各種故障,導致機械工作狀況惡化.針對軸承的故障預測與健康管理(Prognosticsandhealthmanagement,PHM)技術(shù)應運而生.若能在故障發(fā)生初期即進行準確、可靠的檢測和診斷,則有助于進行及時維修,避免嚴重事故的發(fā)生.早期故障監(jiān)測已成為PHM的關(guān)鍵技術(shù)環(huán)節(jié)之一.近年來,隨著傳感技術(shù)和機器學習技術(shù)的快速發(fā)展,數(shù)據(jù)驅(qū)動的智能化故障監(jiān)測和診斷技術(shù)受到***關(guān)注.如何利用歷史采集的狀態(tài)監(jiān)控數(shù)據(jù)、提高目標軸承早期故障檢測結(jié)果的準確性和穩(wěn)定性成為研究熱點和難點,具有明確的學術(shù)價值和應用需求.一款智能化的監(jiān)測系統(tǒng)，能夠為企業(yè)提供完整的數(shù)據(jù)監(jiān)測和分析服務。
智能振動噪聲監(jiān)診系統(tǒng)，針對某型設備，通過機理模型分析設計出相應的傳感策略，獲取聲音、振動、壓力等多模態(tài)多維信號，隨后利用數(shù)據(jù)凈化、自適應分割等信號處理技術(shù)，完成有效數(shù)據(jù)轉(zhuǎn)換。根據(jù)用戶定制需求和已有的**知識建立診斷知識庫，通過以太網(wǎng)將數(shù)據(jù)和知識庫傳遞給服務器完成深度學習，實現(xiàn)異常檢測、故障分類和異常定位，并給出設備的改進建議；同時，該產(chǎn)品也提供離線模式，可讓用戶利用既有的知識庫直接進行故障判斷，快速解決共性問題。該產(chǎn)品的技術(shù)特點是從機理模型出發(fā)，有機結(jié)合深度學習的數(shù)據(jù)挖掘優(yōu)勢，形成真正可依賴的人工智能。盈蓓德科技可以提供更經(jīng)濟更可靠的旋轉(zhuǎn)設備健康狀態(tài)監(jiān)測方案。無錫混合動力系統(tǒng)監(jiān)測技術(shù)
監(jiān)測系統(tǒng)利用深度模型自動學習跨領(lǐng)域狀態(tài)監(jiān)測數(shù)據(jù)的可遷移故障特征, 并形成對故障發(fā)生模式的抽象描述信息。上海電力監(jiān)測臺
常見的設備監(jiān)測數(shù)據(jù)包含以下幾類：1.運行數(shù)據(jù)：包括設備的運轉(zhuǎn)時間、運轉(zhuǎn)速度、負載情況、溫度、壓力等參數(shù)。這些數(shù)據(jù)可以反映設備的運行狀態(tài)和性能表現(xiàn)，以便進行運行效率評估、健康狀況評估以及預測維護等。2.電氣數(shù)據(jù)：包括設備的電流、電壓、功率、電阻等參數(shù)。這些數(shù)據(jù)可以反映設備的電氣性能和電能消耗情況，以便進行能效評估、設備故障診斷等。3.振動數(shù)據(jù)：包括設備的振動幅值、頻率、相位等參數(shù)。這些數(shù)據(jù)可以反映設備的振動情況，以便進行故障診斷和預測維護等。4.聲音數(shù)據(jù)：包括設備的聲音頻率、聲音強度、聲音特征等參數(shù)。這些數(shù)據(jù)可以反映設備的聲學性能，以便進行故障診斷和預測維護等。5.圖像數(shù)據(jù)：包括設備的照片、視頻、紅外圖像等。這些數(shù)據(jù)可以反映設備的外觀、結(jié)構(gòu)、熱特性等信息，以便進行故障診斷、安全檢查和維護計劃制定等。6.環(huán)境數(shù)據(jù)：包括設備周圍環(huán)境的溫度、濕度、氣壓、光照等參數(shù)。這些數(shù)據(jù)可以反映設備所處的環(huán)境條件，以便進行設備健康評估、預測維護等。上海電力監(jiān)測臺
上海盈蓓德智能科技有限公司是我國智能在線監(jiān)診系統(tǒng)，西門子Anovis，聲音與振動分析，主動減振降噪系統(tǒng)專業(yè)化較早的私營有限責任公司之一，盈蓓德科技是我國電工電氣技術(shù)的研究和標準制定的重要參與者和貢獻者。盈蓓德科技以智能在線監(jiān)診系統(tǒng)，西門子Anovis，聲音與振動分析，主動減振降噪系統(tǒng)為主業(yè)，服務于電工電氣等領(lǐng)域，為全國客戶提供先進智能在線監(jiān)診系統(tǒng)，西門子Anovis，聲音與振動分析，主動減振降噪系統(tǒng)。將憑借高精尖的系列產(chǎn)品與解決方案，加速推進全國電工電氣產(chǎn)品競爭力的發(fā)展。
