研發(fā)監(jiān)測(cè)數(shù)據(jù)

通過對(duì)電機(jī)部分放電、振動(dòng)、電流特征分析、磁通量和磁芯完整性的在線監(jiān)測(cè)和離線檢測(cè)，為電機(jī)轉(zhuǎn)子和定子繞組的狀態(tài)維修提供信息。通過監(jiān)測(cè)電機(jī)的電流、電壓信號(hào)，在自身內(nèi)部建立數(shù)學(xué)模型，對(duì)被監(jiān)電機(jī)進(jìn)行自我學(xué)習(xí)，完成學(xué)習(xí)后開始進(jìn)行監(jiān)測(cè)。通過將測(cè)量電流與數(shù)學(xué)模型計(jì)算所得電流進(jìn)行差分比較，得到一組數(shù)值，再將該數(shù)值通過傅里葉分析，得到一個(gè)功率譜密度圖。功率頻譜圖中，各頻率段的突加分量不同的故障類型，給出報(bào)告，告知維修團(tuán)隊(duì)?wèi)?yīng)該在接下來多久時(shí)間內(nèi)需對(duì)該故障進(jìn)行處理。維修團(tuán)隊(duì)根據(jù)報(bào)告，按實(shí)際情況采購備件、排產(chǎn)、計(jì)劃停機(jī)維修，比較低限度的減少了設(shè)備停機(jī)時(shí)間，降低了非計(jì)劃性停機(jī)帶來的損失。監(jiān)測(cè)結(jié)果的準(zhǔn)確性對(duì)于決策的制定至關(guān)重要。研發(fā)監(jiān)測(cè)數(shù)據(jù)

預(yù)測(cè)性維護(hù)對(duì)制造業(yè)在節(jié)省成本損耗、提升企業(yè)的生產(chǎn)效率和產(chǎn)業(yè)智能化升級(jí)具有非常重要的意義。國(guó)內(nèi)工業(yè)現(xiàn)場(chǎng)的存量設(shè)備數(shù)目相當(dāng)可觀，絕大多數(shù)還沒采用有效的預(yù)測(cè)性維護(hù)方案，尤其是大型旋轉(zhuǎn)類設(shè)備，一般都是主要生產(chǎn)運(yùn)行設(shè)備而且故障率相對(duì)較高，需要重點(diǎn)監(jiān)控和維護(hù)。通過振動(dòng)分析和診治對(duì)旋轉(zhuǎn)類設(shè)備進(jìn)行預(yù)防性維護(hù)無疑向我們展示了一個(gè)極具發(fā)展?jié)摿Φ氖袌?chǎng)。預(yù)測(cè)性維護(hù)在不久的未來將愈加凸顯工業(yè)物聯(lián)網(wǎng)中關(guān)鍵的應(yīng)用優(yōu)勢(shì)，市場(chǎng)規(guī)模及需求將快速增長(zhǎng)工業(yè)設(shè)備的預(yù)測(cè)性維護(hù)的市場(chǎng)需求顯而易見。但是預(yù)防性維護(hù)想要產(chǎn)生業(yè)務(wù)價(jià)值、真正大規(guī)模發(fā)展卻是遇到了兩個(gè)難題。首先項(xiàng)目實(shí)施成本過高，硬件設(shè)備大多依賴進(jìn)口。比如數(shù)采傳感器、設(shè)備等。這導(dǎo)致很多企業(yè)在考慮投入產(chǎn)出比時(shí)比較猶豫。其次是技術(shù)需要突破，目前大多數(shù)供應(yīng)商只實(shí)現(xiàn)了設(shè)備狀態(tài)的監(jiān)視，真正能實(shí)現(xiàn)故障準(zhǔn)確預(yù)測(cè)的落地案例寥寥無幾。供應(yīng)商技術(shù)和能力還需要不斷升級(jí)。預(yù)防性維護(hù)要想實(shí)現(xiàn)更好的應(yīng)用，要在以下方面實(shí)現(xiàn)突破。實(shí)現(xiàn)基于預(yù)測(cè)的維護(hù)，提升故障診斷及預(yù)測(cè)的準(zhǔn)確率提高軟硬件產(chǎn)品國(guó)產(chǎn)化率，降低實(shí)施成本。杭州產(chǎn)品質(zhì)量監(jiān)測(cè)臺(tái)工業(yè)廢水的監(jiān)測(cè)檢測(cè)可以幫助企業(yè)了解水質(zhì)狀況，及時(shí)采取措施進(jìn)行治理，保護(hù)水資源。

傳統(tǒng)方法通常無法自適應(yīng)提取特征, 同時(shí)需要一定的離線數(shù)據(jù)訓(xùn)練得到檢測(cè)模型, 但目標(biāo)對(duì)象在線場(chǎng)景下采集到的數(shù)據(jù)有限, 且其數(shù)據(jù)分布與訓(xùn)練數(shù)據(jù)的分布可能因隨機(jī)噪聲、變工況等原因而存在差異, 導(dǎo)致離線訓(xùn)練的模型并不完全適合于在線數(shù)據(jù), 容易降低檢測(cè)結(jié)果的準(zhǔn)確性; 其次, 上述方法通常采用基于異常點(diǎn)的檢測(cè)算法, 未充分考慮樣本前后的時(shí)序關(guān)系, 容易因數(shù)據(jù)微小波動(dòng)而產(chǎn)生誤報(bào)警, 降低檢測(cè)結(jié)果的魯棒性; 再次, 為降低誤報(bào)警, 這類方法需要反復(fù)調(diào)整報(bào)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(jī)理模型, 可獲得理想的診斷和檢測(cè)結(jié)果, 但這類方法通常需要提前知道系統(tǒng)運(yùn)動(dòng)方程等信息, 對(duì)于軸承運(yùn)行來說, 這類信息通常不易獲知. 近年來, 深度神經(jīng)網(wǎng)絡(luò)已被成功應(yīng)用于早期故障特征自動(dòng)提取和識(shí)別, 可自適應(yīng)地提取信息豐富和判別能力強(qiáng)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輔助數(shù)據(jù)進(jìn)行模型訓(xùn)練, 而歷史采集的輔助數(shù)據(jù)與目標(biāo)對(duì)象數(shù)據(jù)可能存在較大不同, 直接訓(xùn)練并不能有效提升在線檢測(cè)的特征表示效果; 另一方面, 在訓(xùn)練過程中未能針對(duì)早期故障引發(fā)的狀態(tài)變化而有目的地強(qiáng)化相應(yīng)特征表示. 因此, 深度學(xué)習(xí)方法在早期故障在線監(jiān)測(cè)中的應(yīng)用仍存在較大的提升空間.

針對(duì)傳統(tǒng)方法通常無法自適應(yīng)提取特征, 同時(shí)需要一定的離線數(shù)據(jù)訓(xùn)練得到檢測(cè)模型, 但目標(biāo)對(duì)象在線場(chǎng)景下采集到的數(shù)據(jù)有限, 且其數(shù)據(jù)分布與訓(xùn)練數(shù)據(jù)的分布可能因隨機(jī)噪聲、變工況等原因而存在差異, 導(dǎo)致離線訓(xùn)練的模型并不完全適合于在線數(shù)據(jù), 容易降低檢測(cè)結(jié)果的準(zhǔn)確性; 其次, 上述方法通常采用基于異常點(diǎn)的檢測(cè)算法, 未充分考慮樣本前后的時(shí)序關(guān)系, 容易因數(shù)據(jù)微小波動(dòng)而產(chǎn)生誤報(bào)警, 降低檢測(cè)結(jié)果的魯棒性; 再次, 為降低誤報(bào)警, 這類方法需要反復(fù)調(diào)整報(bào)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(jī)理模型, 可獲得理想的診斷和檢測(cè)結(jié)果, 但這類方法通常需要提前知道系統(tǒng)運(yùn)動(dòng)方程等信息, 對(duì)于軸承運(yùn)行來說, 這類信息通常不易獲知. 近年來, 深度神經(jīng)網(wǎng)絡(luò)已被成功應(yīng)用于早期故障特征的自動(dòng)提取和識(shí)別, 可自適應(yīng)地提取信息豐富和判別能力強(qiáng)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輔助數(shù)據(jù)進(jìn)行模型訓(xùn)練, 而歷史采集的輔助數(shù)據(jù)與目標(biāo)對(duì)象數(shù)據(jù)可能存在較大不同, 直接訓(xùn)練并不能有效提升在線檢測(cè)的特征表示效果; 另一方面, 在訓(xùn)練過程中未能針對(duì)早期故障引發(fā)的狀態(tài)變化而有目的地強(qiáng)化相應(yīng)特征表示. 因此, 深度學(xué)習(xí)方法在早期故障在線監(jiān)測(cè)中的應(yīng)用仍存在較大的提升空間.工業(yè)監(jiān)測(cè)系統(tǒng)可以預(yù)測(cè)設(shè)備的故障并提前進(jìn)行維修。

設(shè)備狀態(tài)監(jiān)測(cè)和故障診斷技術(shù)是設(shè)備維護(hù)手段之一。設(shè)備的故障監(jiān)測(cè)診斷技術(shù)，就是利用科學(xué)的檢測(cè)方法和現(xiàn)代化技術(shù)手段，對(duì)設(shè)備目前的運(yùn)行狀態(tài)進(jìn)行監(jiān)測(cè)和排查，從而判斷出設(shè)備運(yùn)行狀態(tài)的可靠性，確認(rèn)其局部或整機(jī)是否正常運(yùn)行。煤礦用機(jī)電設(shè)備溫度振動(dòng)監(jiān)測(cè)系統(tǒng)用于煤礦主扇、壓風(fēng)機(jī)、鋼絲繩牽引帶式輸送機(jī)、滾筒帶式輸送機(jī)、排水泵和電動(dòng)機(jī)、提升機(jī)等，有助于掌握設(shè)備運(yùn)行工況中的溫度振動(dòng)數(shù)據(jù)。提升機(jī)、鋼絲繩牽引、滾筒帶式輸送機(jī)、皮帶機(jī)、空壓機(jī)、壓風(fēng)機(jī)、水泵等煤礦機(jī)電設(shè)備要求增加電動(dòng)機(jī)及主要軸承溫度和振動(dòng)監(jiān)測(cè)。裝置功能：1、提升機(jī)、水泵、皮帶機(jī)等設(shè)備電動(dòng)機(jī)主軸承溫度振動(dòng)在線監(jiān)測(cè)2、礦用高壓異步電動(dòng)機(jī)軸承溫度振動(dòng)檢測(cè)診斷3、提升機(jī)、水泵、皮帶機(jī)等設(shè)備滾筒主軸承溫度振動(dòng)在線監(jiān)測(cè)4、井下大型機(jī)電設(shè)備電動(dòng)機(jī)及主要軸承溫度振動(dòng)在線監(jiān)測(cè)5、可以同時(shí)收集電機(jī)前后軸承溫度及電機(jī)振動(dòng)量的數(shù)值，對(duì)收到的信息分析處理6、系統(tǒng)提供網(wǎng)絡(luò)接口，可直接與智能礦山網(wǎng)絡(luò)相連，也可與其它網(wǎng)絡(luò)內(nèi)的系統(tǒng)連接；7、在線系統(tǒng)軟件可實(shí)時(shí)監(jiān)測(cè)任意通道頻譜，時(shí)域波形、趨勢(shì)、三維譜圖和坐標(biāo)圖，還可通過互聯(lián)網(wǎng)進(jìn)行遠(yuǎn)程監(jiān)測(cè)。監(jiān)測(cè)結(jié)果的反饋可以幫助我們改進(jìn)產(chǎn)品的設(shè)計(jì)和功能。上海電力監(jiān)測(cè)控制策略

監(jiān)測(cè)結(jié)果的分析可以幫助我們了解產(chǎn)品的優(yōu)勢(shì)和不足之處。研發(fā)監(jiān)測(cè)數(shù)據(jù)

為了避免發(fā)生災(zāi)難性電機(jī)故障的可能性，業(yè)界產(chǎn)生對(duì)開始退化的感應(yīng)電機(jī)組件進(jìn)行了早期狀態(tài)監(jiān)測(cè)和故障診斷的需求。狀態(tài)監(jiān)測(cè)可在其整個(gè)使用壽命期間對(duì)感應(yīng)電機(jī)的各種部件進(jìn)行持續(xù)評(píng)估。感應(yīng)電機(jī)故障的早期診斷，對(duì)即將發(fā)生的故障提供足夠的警告，為企業(yè)提供基于狀態(tài)的維護(hù)和短暫停機(jī)的時(shí)間建議。電機(jī)故障監(jiān)測(cè)系統(tǒng)，電機(jī)狀態(tài)檢測(cè)儀。電機(jī)故障監(jiān)測(cè)系統(tǒng)是采用現(xiàn)代電子技術(shù)和傳感器技術(shù)，對(duì)電動(dòng)機(jī)運(yùn)行過程中的各種參數(shù)進(jìn)行實(shí)時(shí)在線檢測(cè)、分析、處理并作出相應(yīng)報(bào)警或指示的裝置。其基本功能包括：1、對(duì)電動(dòng)機(jī)的絕緣電阻、溫升等常規(guī)電氣參數(shù)和振動(dòng)、噪聲等機(jī)械量進(jìn)行測(cè)量；2、通過設(shè)定值比較法確定電機(jī)的實(shí)際工況；3、根據(jù)設(shè)定的報(bào)警閾值或動(dòng)作時(shí)間發(fā)出聲光報(bào)警信號(hào)；4、通過通訊接口與plc或其它自動(dòng)化設(shè)備相連實(shí)現(xiàn)遠(yuǎn)程控制。研發(fā)監(jiān)測(cè)數(shù)據(jù)