智能在线监诊系统|西门子Anovis|声音与振动分析|主动减振降噪系统
传统维护模式中的故障后维护与定期维护将影响生产效率与产品质量,并大幅提高制造商的成本。随着物联网、大数据、云计算、机器学习与传感器等技术的成熟,预测性维护技术应运而生。以各类如电机、轴承等设备为例,目前已发展到较为成熟的在线持续监测阶段,来实现查看设备是否需要维护、怎么安排维护时间来减少计划性停产等,并能够快速、有效的通过物联网接入到整个网络,将数据回传至管理中心,来实现电机设备的预测性维护。以各类如电机、轴承等设备为例,目前已发展到较为成熟在线持续监测阶段,来实现查看设备是否需要维护、怎么安排维护时间来减少计划性停产等,并能够快速、有效的通过物联网接入到整个网络,将数据回传至管理中心,来实现电机设备的预测性维护。设备状态监测是对运行中的设备进行振动、噪声、温度、相对湿度、环境压力等状态参数的定期或连续监测。南通EOL监测公司
目前设备状态监测及故障预警若干关键技术可归纳如下:(1)揭示设备运行状态机械动态特性劣化演变规律。设备由非故障运行状态劣化为故障运行状态,其机械动态特性通常有一个发展演变过程(2)提取设备运行状态发展趋势特征。在役设备往往具有复杂运行状态,在长历程运行中工况和负载等非故障因素会造成信号能量变化,故障趋势信息往往被非故障变化信息淹没,需较大程度上消除非故障变化造成的冗余信息,进而构建预测模型。动力装备全寿命周期监测诊断方面:实现了支持物联网的智能信息采集与管理、全生命周期动态自适应监测、早期非线性故障特征提取。优化重构出综合体现装备运行工况及表现的新参数,提高异常状态辨识的适应性与可靠性,基于运行过程信息反映装备劣化趋势与故障发展规律,来提高故障早期辨识能力。基于物联网和网络化监测诊断将产品监测诊断与运行服务支持有机集成一体,在应用中实现动力装备常见故障诊断准确率达80%以上。应用于风力大电机、空压机等大型动力装备的集群化诊断领域。提供了基于物联网的动力装备全生命周期监测与服务支持创新模式,提供了其生命周期的远程监测诊断与维护等专业化服务。温州性能监测监测电机电流可以提供有关电机工作状态的信息。异常的电流波形是电机问题的指示,如绕组故障或磁场失衡。
通过故障机理分析可知,交流电机运行过程中,其故障与否必然表现为一些特征参量的变化,根据诊断需要,选择有代表性的特征参量为该设备在线监测的被测信号,准确地提取这些故障特征量,这是故障诊断的关键。故障特征量,特别是反映早期故障征兆的信号往往比较弱,而相应的背景噪声比较弱,常规的监测方法,因受传感器的准确性、微处理器的速度、A/D转换的分辨率与转换速度等硬件条件的限制,以及一般的数据处理方式的不足,很难满足提取这些特征量的要求,需要采用一些特殊的电工测量手段与信号处理方法。例如小波变换原理的应用。电机故障的现代分析方法:基于信号变换的诊断方法电机设备的许多故障信息是以调制的形式存在于所监测的电气信号及振动信号之中,如果借助于某种变换对这些信号进行解调处理,就能方便地获得故障特征信息,以确定电机设备所发生的故障类型。常用的信号变换方法有希尔伯特变换和小波变换等。
现代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,需要检修期长,因此要求有极高的运行可靠性。就我国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,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。随着技术的不断进步,电机监测系统的效能和适用范围将逐渐提高。
预测性维护应运而生。其是以状态为依据的新型维修方式,主要是对设备在运行中产生的二次效应(如振动、噪声、冲击脉冲、油样成分、温度等)进行连续在线的状态监测及数据分析,诊断并预测设备故障的发展趋势,提前制定预测性维护计划并实施检维修的行为。总体来看,状态监测和故障诊断是判断预测性维护是否合理的根本所在,数据状态的连续监测和远程传输上传相对已经比较成熟,而状态预测和故障诊断主要还是依靠人工分析实现,诊断分析人员通过趋势、波形、频谱等专业分析工具,结合传动结构、机械部件参数等信息,实现设备故障的精细定位。其发展趋势是将物联网及人工智能技术引入状态预测及故障的智能诊断,从而降低误判概率,大幅提升诊断效率和准确性。设备状态监测对有关参数加以分析,从而有效地对设备运行状态进行系统自动监测分析或人工分析。南通产品质量监测公司
设备状态监测是对运行中的设备进行振动、噪声、温度、湿度、环境压力等状态参数的定期或连续监测。南通EOL监测公司
基于数据的故障检测与诊断方法能够对海量工业数据进行统计分析和特征提取,将系统的状态分为正常运行状态和故障状态,可视为模式识别任务。故障检测是判断系统是否处于预期的正常运行状态,判断系统是否发生异常故障,相当于一个二分类任务。故障诊断是在确定发生故障的时候判断系统处于哪一种故障状态,相当于一个多分类任务。因此,故障检测和诊断技术的研究类似于模式识别,分为4个的步骤:数据获取、特征提取、特征选择和特征分类。1)数据获取步骤是从过程系统收集可能影响过程状态的信号,包括温度、流量等过程变量;2)特征提取步骤是将采集的原始信号映射为有辨识度的状态信息;3)特征选择步骤是将与状态变化相关的变量提取出来;4)特征分类步骤是通过算法将前几步中选择的特征进行故障检测与诊断。在大数据这一背景下,传统的基于数据的故障检测与诊断方法被广泛应用,但是,这些方法有一些共同的缺点:特征提取需要大量的知识和信号处理技术,并且对于不同的任务,没有统一的程序来完成。此外,常规基于机器学习的方法结构较浅,在提取信号的高维非线性关系方面能力有限。南通EOL监测公司