您好,欢迎访问

商机详情 -

南京状态监测特点

来源: 发布时间:2023年10月20日

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、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。电动机是机械加工中不可或缺的必备工具,电动机在运转中常产生各种故障,为保证电动机运行安全,对电动机运行状态进行在线监测尤为重要。以三相异步电动机为研究对象,采用传感器获取电动机运行中的重要参数(振动、噪声、转速及温度等),由时/频域分析及能量分析等方法提取电动机运行特征量,构成特征向量,采用BP神经网络训练的方法建立状态识别模型,通过BP神经网络模式识别方法,判断电动机运行的状态,在此基础上,利用LabVIEW软件构建可视化监测系统,将电动机运行参数及状态实时显示在可视化界面中,完成在线智能监测。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。南京状态监测特点

南京状态监测特点,监测

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。可应用于风力大电机、空压机、氮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。嘉兴功能监测特点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。

南京状态监测特点,监测

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.

基于人工神经网络的诊断方法简单处理单元连接而成的复杂的非线性系统,具有学习能力,自适应能力,非线性逼近能力等。故障诊断的任务从映射角度看就是从征兆到故障类型的映射。用ANN技术处理故障诊断问题,不仅能进行复杂故障诊断模式的识别,还能进行故障严重性评估和故障预测,由于ANN能自动获取诊断知识,使诊断系统具有自适应能力。基于集成型智能系统的诊断方法随着电机设备系统越来越复杂,依靠单一的故障诊断技术已难满足复杂电机设备的故障诊断要求,因此上述各种诊断技术集成起来形成的集成智能诊断系统成为当前电机设备故障诊断研究的热点。主要的集成技术有:基于规则的系统与ANN的结合,模糊逻辑与ANN的结合,混沌理论与ANN的结合,模糊神经网络与系统的结合。电机监测系统可以识别处于初期阶段的机械、电气和液压故障,从而制定更为合理的辅助维护计划。

南京状态监测特点,监测

故障诊断可以使系统在一定工作环境下根据状态监测系统提供的信息来查明导致系统某种功能失调的原因或性质,判断劣化发生的部位或部件,以及预测状态劣化的发展趋势等。

电机故障诊断的基本方法主要有:1、电气分析法,通过频谱等信号分析方法对负载电流的波形进行检测从而诊断出电机设备故障的原因和程度;检测局部放电信号;对比外部施加脉冲信号的响应和标准响应等;2、绝缘诊断法,利用各种电气试验装置和诊断技术对电机设备的绝缘结构和参数、工作性能是否存在缺陷做出判断,并对绝缘寿命做出预测;3、温度检测方法,采用各种温度测量方法对电机设备各个部位的温升进行监测,电机的温升与各种故障现象相关;4、振动与噪声诊断法,通过对电机设备振动与噪声的检测,并对获取的信号进行处理,诊断出电机产生故障的原因和部位,尤其是对机械上的损坏诊断特别有效。5、化学诊断的方法,可以检测到绝缘材料和润滑油劣化后的分解物以及一些轴承、密封件的磨损碎屑,通过对比其中一些化学成分的含量,可以判断相关部位元件的破坏程度。 设备状态监测是通过测定各类参数,并进行分析处理,根据分析处理结果判定设备状态。嘉兴专业监测控制策略

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。南京状态监测特点

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,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。南京状态监测特点

标签: 监测 测试