監(jiān)測臺

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系, 容易因數(shù)據(jù)微小波動而產生誤報警, 降低檢測結果的魯棒性; 再次, 為降低誤報警, 這類方法需要反復調整報警閾值. 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. 盈蓓德科技開發(fā)的新型電機故障監(jiān)測系統(tǒng)借用物聯(lián)網(wǎng)、人工智能、邊緣計算等技術，提前預判設備故障。監(jiān)測臺

故障預測與健康管理是以工業(yè)監(jiān)測數(shù)據(jù)為基礎，通過高等數(shù)學、數(shù)學優(yōu)化、統(tǒng)計概率、信號處理、機器學習和統(tǒng)計學習等技術搭建模型算法，實現(xiàn)產品和裝備的狀態(tài)監(jiān)測、故障診斷及壽命預測，為產品和裝備的正常運行保駕護航，從而提高其安全性、可靠性。故障預測與健康管理是以工業(yè)監(jiān)測數(shù)據(jù)為基礎，通過高等數(shù)學、數(shù)學優(yōu)化、統(tǒng)計概率、信號處理、機器學習和統(tǒng)計學習等技術搭建模型算法，實現(xiàn)產品和裝備的狀態(tài)監(jiān)測、故障診斷及壽命預測，為產品和裝備的正常運行保駕護航，從而提高其安全性和可靠性。近年來我們提出的標準化平方包絡和數(shù)學框架以及準算數(shù)均值比數(shù)學框架指引了稀疏測度構造的新方向，同時發(fā)現(xiàn)了大量與基尼指數(shù)、峭度、香農熵等具有等價性能的稀疏測度?；跇藴驶椒桨j和數(shù)學框架以及凸優(yōu)化技術，提出了在線更新模型權重可解釋的機器學習算法，可以利用模型權重來實時確認故障特征頻率，解決了狀態(tài)監(jiān)測與故障診斷領域傳統(tǒng)機器學習只能輸出狀態(tài)，而無法提供故障特征來確認輸出狀態(tài)的難題。南通動力設備監(jiān)測介紹電動機在運轉中常產生各種故障,為保證電動機運行安全,對電動機運行狀態(tài)進行在線監(jiān)測尤為重要。

基于數(shù)據(jù)的故障檢測與診斷方法能夠對海量的工業(yè)數(shù)據(jù)進行統(tǒng)計分析和特征提取，將系統(tǒng)的狀態(tài)分為正常運行狀態(tài)和故障狀態(tài)，可視為模式識別任務。故障檢測是判斷系統(tǒng)是否處于預期的正常運行狀態(tài)，判斷系統(tǒng)是否發(fā)生異常故障，相當于一個二分類任務。故障診斷是在確定發(fā)生故障的時候判斷系統(tǒng)處于哪一種故障狀態(tài)，相當于一個多分類任務。因此，故障檢測和診斷技術的研究類似于模式識別，分為4個的步驟：數(shù)據(jù)獲取、特征提取、特征選擇和特征分類。1)數(shù)據(jù)獲取步驟是從過程系統(tǒng)收集可能影響過程狀態(tài)的信號，包括溫度、流量等過程變量；2)特征提取步驟是將采集的原始信號映射為有辨識度的狀態(tài)信息；3)特征選擇步驟是將與狀態(tài)變化相關的變量提取出來；4)特征分類步驟是通過算法將前幾步中選擇的特征進行故障檢測與診斷。在大數(shù)據(jù)這一背景下，傳統(tǒng)的基于數(shù)據(jù)的故障檢測與診斷方法被廣泛應用，但是，這些方法有一些共同的缺點：特征提取需要大量的知識和信號處理技術，并且對于不同的任務，沒有統(tǒng)一的程序來完成。此外，常規(guī)的基于機器學習的方法結構較淺，在提取信號的高維非線性關系方面能力有限。

基于交流電機的特征量：通過故障機理分析可知，交流電機運行過程中，其故障與否必然表現(xiàn)為一些特征參量的變化，根據(jù)診斷需要，選擇有代表性的特征參量為該設備在線監(jiān)測的被測信號，準確地提取這些故障特征量，這是故障診斷的關鍵。故障特征量，特別是反映早期故障征兆的信號往往比較弱，而相應的背景噪聲比較弱，常規(guī)的監(jiān)測方法，因受傳感器的準確性、微處理器的速度、A/D轉換的分辨率與轉換速度等硬件條件限制，以及一般的數(shù)據(jù)處理方式的不足，很難滿足提取這些特征量的要求，需要采用一些特殊的電工測量手段與信號處理方法。例如小波變換原理的應用。電機故障的現(xiàn)代分析方法：基于信號變換的診斷方法電機設備的許多故障信息是以調制的形式存在于所監(jiān)測的電氣信號及振動信號之中，如果借助于某種變換對這些信號進行解調處理，就能方便地獲得故障特征信息，以確定電機設備所發(fā)生的故障類型。電機智能監(jiān)測和運維，其預測效果和工程造價還未達到市場接受程度。

針對刀具磨損狀態(tài)在實際生產加工過程中難以在線監(jiān)測這一問題，提出一種通過通信技術獲取機床內部數(shù)據(jù)，對當前的刀具磨損狀態(tài)進行識別的方法。通過采集機床內部實時數(shù)據(jù)并將其與實際加工情景緊密結合，能直接反映當前的加工狀態(tài)。將卷積神經(jīng)網(wǎng)絡用于構建刀具磨損狀態(tài)識別模型，直接將采集到的數(shù)據(jù)作為輸入，得到了和傳統(tǒng)方法精度近似的預測模型，模型在訓練集和在線驗證試驗中的表現(xiàn)都符合預期。刀具磨損狀態(tài)識別的方法在投入使用時還有一些問題有待解決：①現(xiàn)有數(shù)據(jù)是在相同的加工條件下測得的，而實際加工過程中，加工參數(shù)以及加工情景是不斷變化的，因此需要在下一步的研究中，進行變參數(shù)試驗，考慮加工參數(shù)對于刀具磨損的影響，并針對常用的一些加工場景，建立不同的模型庫。變換加工場景，通過獲取當前場景，及時匹配相應的預測模型即可。②本研究中的模型是一個固定的模型。今后需要根據(jù)實時的信號以及已知的磨損狀態(tài)，對模型進行實時更新，從而在實時監(jiān)測過程中實現(xiàn)自學習，不斷提升模型的精度和預測效果。盈蓓德科技搭建了一套基于人人工智能算法的旋轉類設備溫度，振動狀態(tài)監(jiān)測、故障判斷和預測性維護系統(tǒng)。紹興EOL監(jiān)測公司

電機監(jiān)測系統(tǒng)可以識別處于初期階段的機械和液壓故障，從而制定更為合理的輔助維護計劃。監(jiān)測臺

目前設備狀態(tài)監(jiān)測及故障預警若干關鍵技術可歸納如下（1）揭示設備運行狀態(tài)機械動態(tài)特性劣化演變規(guī)律。設備由非故障運行狀態(tài)劣化為故障運行狀態(tài)，其機械動態(tài)特性通常有一個發(fā)展演變過程（2）提取設備運行狀態(tài)發(fā)展趨勢特征。在役設備往往具有復雜運行狀態(tài)，在長歷程運行中工況和負載等非故障因素會造成信號能量變化，故障趨勢信息往往被非故障變化信息淹沒，需較大程度上消除非故障變化造成的冗余信息，進而構建預測模型。動力裝備全壽命周期監(jiān)測診斷方面：實現(xiàn)了支持物聯(lián)網(wǎng)的智能信息采集與管理、全生命周期動態(tài)自適應監(jiān)測、早期非線性故障特征提取。優(yōu)化重構出綜合體現(xiàn)裝備運行工況及表現(xiàn)的新參數(shù)，提高異常狀態(tài)辨識的適應性與可靠性，基于運行過程信息反映裝備劣化趨勢與故障發(fā)展規(guī)律，來提高故障早期辨識能力?；谖锫?lián)網(wǎng)和網(wǎng)絡化監(jiān)測診斷將產品監(jiān)測診斷與運行服務支持有機集成一體，在應用中實現(xiàn)動力裝備常見故障診斷準確率達80％以上。可應用于風力大電機、空壓機、氮壓機等大型動力裝備的集群化診斷領域。提供了基于物聯(lián)網(wǎng)的動力裝備全生命周期監(jiān)測與服務支持創(chuàng)新模式，提供了其生命周期的遠程監(jiān)測診斷與維護等專業(yè)化服務。監(jiān)測臺