上海電力監(jiān)測(cè)介紹

電機(jī)狀態(tài)監(jiān)測(cè)和故障診斷技術(shù)是一種了解和掌握電機(jī)在使用過(guò)程中狀態(tài)，確定其整體或局部正常或異常，早期發(fā)現(xiàn)故障及其原因，并能預(yù)報(bào)故障發(fā)展趨勢(shì)的技術(shù)，電機(jī)狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)包括識(shí)別電機(jī)狀態(tài)監(jiān)測(cè)和預(yù)測(cè)發(fā)展趨勢(shì)兩方面。設(shè)備狀態(tài)是指設(shè)備運(yùn)行的工況，由設(shè)備運(yùn)行過(guò)程中的各種性能參數(shù)以及設(shè)備運(yùn)行過(guò)程中產(chǎn)生的二次效應(yīng)參數(shù)和產(chǎn)品質(zhì)量指標(biāo)參數(shù)來(lái)描述。設(shè)備狀態(tài)的類(lèi)型包括：正常、異常和故障三種。設(shè)備狀態(tài)監(jiān)測(cè)是通過(guò)測(cè)定以上參數(shù)，并進(jìn)行分析處理，根據(jù)分析處理結(jié)果判定設(shè)備狀態(tài)。對(duì)設(shè)備進(jìn)行定期或連續(xù)監(jiān)測(cè)，包括采用各種測(cè)試、分析判別方法，結(jié)合設(shè)備的歷史狀況和運(yùn)行條件，弄清設(shè)備的客觀狀態(tài)，獲取設(shè)備性能發(fā)展的趨勢(shì)規(guī)律，為設(shè)備的性能評(píng)價(jià)、合理使用、安全運(yùn)行、故障診斷及設(shè)備自動(dòng)控制打下基礎(chǔ)。電機(jī)故障現(xiàn)代分析方法：基于信號(hào)變換的診斷方法電機(jī)設(shè)備的許多故障信息是以調(diào)制的形式存在于所監(jiān)測(cè)的電氣信號(hào)及振動(dòng)信號(hào)之中，如果借助于某種變換對(duì)這些信號(hào)進(jìn)行解調(diào)處理，就能方便地獲得故障特征信息，以確定電機(jī)設(shè)備所發(fā)生的故障類(lèi)型。常用的信號(hào)變換方法有希爾伯特變換和小波變換。設(shè)備監(jiān)測(cè)可以滿足對(duì)部件疲勞程度診斷、機(jī)械摩擦磨損、機(jī)械沖擊、部件過(guò)熱等健康狀況問(wèn)題的實(shí)時(shí)預(yù)警。上海電力監(jiān)測(cè)介紹

在預(yù)防性維護(hù)的應(yīng)用中，振動(dòng)是大型旋轉(zhuǎn)等設(shè)備即將發(fā)生故障的重要指標(biāo)，一是在大型旋轉(zhuǎn)機(jī)械設(shè)備的所有故障中，振動(dòng)問(wèn)題出現(xiàn)的概率比較高；另一方面，振動(dòng)信號(hào)包含了豐富的機(jī)械及運(yùn)行的狀態(tài)信息；第三，振動(dòng)信號(hào)易于拾取，便于在不影響機(jī)械運(yùn)行的情況下實(shí)行在線監(jiān)測(cè)和診斷。旋轉(zhuǎn)類(lèi)設(shè)備的預(yù)防性維護(hù)需要重點(diǎn)監(jiān)控振動(dòng)量變化。其預(yù)測(cè)性診斷技術(shù)對(duì)于制造業(yè)、風(fēng)電等的行業(yè)的運(yùn)維具有非常重大的意義。通過(guò)設(shè)備振動(dòng)等狀態(tài)的預(yù)測(cè)性維護(hù)，可以及時(shí)發(fā)現(xiàn)并解決系統(tǒng)及零部件存在問(wèn)題。但是對(duì)于一些不是因?yàn)樵O(shè)備問(wèn)題而存在的固有振動(dòng)，振動(dòng)強(qiáng)度不必要增加會(huì)對(duì)部件產(chǎn)生有害的力，危及設(shè)備的使用壽命和質(zhì)量。在這種情況下，則需要采用振動(dòng)隔離技術(shù)來(lái)解決和干預(yù)，有效抑制振動(dòng)和噪聲危害，避免設(shè)備故障和流程關(guān)閉。無(wú)錫智能監(jiān)測(cè)數(shù)據(jù)通過(guò)監(jiān)測(cè)電機(jī)振動(dòng)的頻率和振幅，可以評(píng)估電機(jī)軸承和其他旋轉(zhuǎn)部件的狀況。

故障預(yù)測(cè)與健康管理是以工業(yè)監(jiān)測(cè)數(shù)據(jù)為基礎(chǔ)，通過(guò)高等數(shù)學(xué)、數(shù)學(xué)優(yōu)化、統(tǒng)計(jì)概率、信號(hào)處理、機(jī)器學(xué)習(xí)和統(tǒng)計(jì)學(xué)習(xí)等技術(shù)搭建模型算法，實(shí)現(xiàn)產(chǎn)品和裝備的狀態(tài)監(jiān)測(cè)、故障診斷及壽命預(yù)測(cè)，為產(chǎn)品和裝備的正常運(yùn)行保駕護(hù)航，從而提高其安全性和可靠性。故障預(yù)測(cè)與健康管理是以工業(yè)監(jiān)測(cè)數(shù)據(jù)為基礎(chǔ)，通過(guò)高等數(shù)學(xué)、數(shù)學(xué)優(yōu)化、統(tǒng)計(jì)概率、信號(hào)處理、機(jī)器學(xué)習(xí)和統(tǒng)計(jì)學(xué)習(xí)等技術(shù)搭建模型算法，實(shí)現(xiàn)產(chǎn)品和裝備狀態(tài)監(jiān)測(cè)、故障診斷及壽命預(yù)測(cè)，為產(chǎn)品和裝備的正常運(yùn)行保駕護(hù)航，從而提高其安全性和可靠性。近年來(lái)我們提出的標(biāo)準(zhǔn)化平方包絡(luò)和數(shù)學(xué)框架以及準(zhǔn)算數(shù)均值比數(shù)學(xué)框架指引了稀疏測(cè)度構(gòu)造的新方向，同時(shí)發(fā)現(xiàn)了大量與基尼指數(shù)、峭度、香農(nóng)熵等具有等價(jià)性能的稀疏測(cè)度?；跇?biāo)準(zhǔn)化平方包絡(luò)和數(shù)學(xué)框架以及凸優(yōu)化技術(shù)，提出了在線更新模型權(quán)重可解釋的機(jī)器學(xué)習(xí)算法，可以利用模型權(quán)重來(lái)實(shí)時(shí)確認(rèn)故障特征頻率，解決了狀態(tài)監(jiān)測(cè)與故障診斷領(lǐng)域傳統(tǒng)機(jī)器學(xué)習(xí)只能輸出狀態(tài)，而無(wú)法提供故障特征來(lái)確認(rèn)輸出狀態(tài)的難題。

汽車(chē)傳動(dòng)系統(tǒng)疲勞驗(yàn)證通常采用模擬實(shí)際使用條件的方法，包括以下步驟：試驗(yàn)樣本準(zhǔn)備：選擇一定數(shù)量的變速器樣本，確保它們生產(chǎn)批次的典型特征。樣本應(yīng)該經(jīng)過(guò)嚴(yán)格的質(zhì)量檢查，以排除制造缺陷。設(shè)定試驗(yàn)條件：根據(jù)變速器的設(shè)計(jì)和使用條件，制定試驗(yàn)計(jì)劃，包括轉(zhuǎn)速、負(fù)載、溫度、濕度等參數(shù)。試驗(yàn)條件應(yīng)盡量接近實(shí)際使用條件。進(jìn)行試驗(yàn)：將試驗(yàn)樣本安裝在試驗(yàn)臺(tái)或?qū)嶒?yàn)車(chē)輛上，按照設(shè)定的條件進(jìn)行長(zhǎng)時(shí)間運(yùn)行。期間監(jiān)測(cè)變速器的性能和損傷情況。數(shù)據(jù)分析：收集試驗(yàn)數(shù)據(jù)，包括振動(dòng)、溫度、壓力等參數(shù)，對(duì)數(shù)據(jù)進(jìn)行分析，評(píng)估變速器的性能和壽命。壽命預(yù)測(cè)：基于試驗(yàn)數(shù)據(jù)和相關(guān)理論，預(yù)測(cè)變速器的疲勞壽命，確定在何種條件下需要維修或更換變速器。結(jié)果報(bào)告：將試驗(yàn)結(jié)果整理成報(bào)告，包括變速器的疲勞壽命、性能評(píng)估、建議的維修和保養(yǎng)計(jì)劃等信息。

智能監(jiān)診系統(tǒng)是一種測(cè)量系統(tǒng)，用于在動(dòng)態(tài)條件下對(duì)汽車(chē)傳動(dòng)系統(tǒng)（如變速箱，車(chē)橋，傳動(dòng)軸以及發(fā)動(dòng)機(jī)）進(jìn)行早期損壞檢測(cè)。通過(guò)將當(dāng)前的振動(dòng)指標(biāo)與先前“學(xué)習(xí)階段”參考值進(jìn)行比較，它可以探測(cè)出傳動(dòng)系統(tǒng)內(nèi)部部件的相關(guān)變化。該系統(tǒng)將幫助產(chǎn)品開(kāi)發(fā)工程師在傳動(dòng)系統(tǒng)內(nèi)部部件失效之前檢測(cè)出“原始”缺陷。 工業(yè)監(jiān)測(cè)技術(shù)可以幫助企業(yè)降低能源消耗和環(huán)境污染。

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(guò)互聯(lián)網(wǎng)進(jìn)行遠(yuǎn)程監(jiān)測(cè)。刀具健康狀態(tài)監(jiān)測(cè)應(yīng)用越來(lái)越廣，用來(lái)確保切削工具的性能、壽命和安全性。上海降噪監(jiān)測(cè)

利用數(shù)據(jù)分析和機(jī)器學(xué)習(xí)算法來(lái)分析設(shè)備狀態(tài)數(shù)據(jù)，識(shí)別異常模式，并預(yù)測(cè)潛在故障。提高監(jiān)測(cè)的準(zhǔn)確性和效率。上海電力監(jiān)測(cè)介紹

傳統(tǒng)方法通常無(wú)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(lèi)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(lèi)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(lái)說(shuō), 這類(lèi)信息通常不易獲知. 近年來(lái), 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(lèi)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(guò)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.上海電力監(jiān)測(cè)介紹