嘉興減振監(jiān)測(cè)應(yīng)用

刀具監(jiān)測(cè)技術(shù)主要可以分為兩大類：直接監(jiān)測(cè)方法和間接監(jiān)測(cè)方法。直接監(jiān)測(cè)方法通常是通過使用光學(xué)或觸覺傳感器直接觀察刀具的磨損情況。這種方法精度高，但必須進(jìn)行停機(jī)檢測(cè)，時(shí)間成本較高，因此不適用于工業(yè)生產(chǎn)。間接監(jiān)測(cè)方法則是通過監(jiān)測(cè)與刀具磨損或破損密切相關(guān)的傳感器信號(hào)，如振動(dòng)、切削力、電流功率和聲發(fā)射等，并利用建立的數(shù)學(xué)模型間接獲得刀具磨損量或刀具破損狀態(tài)。這種方法可以在機(jī)床加工過程中持續(xù)進(jìn)行，不影響加工進(jìn)度，因此更適用于在線監(jiān)測(cè)。其中，基于振動(dòng)的監(jiān)測(cè)法是一種常用的間接監(jiān)測(cè)方法。切削過程中，振動(dòng)信號(hào)包含豐富的與刀具狀態(tài)密切相關(guān)的信息。通過測(cè)量和分析振動(dòng)信號(hào)，可以有效地監(jiān)測(cè)刀具的磨損和破損情況。此外，切削力監(jiān)測(cè)法也是一種常用的間接監(jiān)測(cè)方法。加工過程中，切削力會(huì)隨著刀具狀態(tài)的變化而改變，因此通過監(jiān)測(cè)切削力的變化也可以有效地判斷刀具的狀態(tài)。總的來說，刀具監(jiān)測(cè)技術(shù)對(duì)于確保加工質(zhì)量和提高生產(chǎn)效率具有重要意義。在實(shí)際應(yīng)用中，應(yīng)根據(jù)具體的加工需求和條件選擇合適的監(jiān)測(cè)方法和技術(shù)。通過監(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。嘉興減振監(jiān)測(cè)應(yīng)用

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.上海功能監(jiān)測(cè)系統(tǒng)常用的電機(jī)監(jiān)測(cè)方法包括振動(dòng)監(jiān)測(cè)、溫度監(jiān)測(cè)、潤滑油監(jiān)測(cè)、電流監(jiān)測(cè)和聲音監(jiān)測(cè)等。這些方法可以結(jié)合使用。

基于數(shù)據(jù)的故障檢測(cè)與診斷方法能夠?qū)Ａ康墓I(yè)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析和特征提取，將系統(tǒng)的狀態(tài)分為正常運(yùn)行狀態(tài)和故障狀態(tài)。故障檢測(cè)是判斷系統(tǒng)是否處于預(yù)期的正常運(yùn)行狀態(tài)，判斷系統(tǒng)是否發(fā)生異常故障，相當(dāng)于一個(gè)二分類任務(wù)。故障診斷是在確定發(fā)生故障的時(shí)候判斷系統(tǒng)處于哪一種故障狀態(tài)，相當(dāng)于一個(gè)多分類任務(wù)。因此，故障檢測(cè)和診斷技術(shù)的研究類似于模式識(shí)別，分為4個(gè)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(hào)，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(hào)映射為有辨識(shí)度的狀態(tài)信息；3)特征選擇步驟是將與狀態(tài)變化相關(guān)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(jìn)行故障檢測(cè)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(cè)與診斷方法被廣泛應(yīng)用，但是，這些方法有一些共同的缺點(diǎn)：特征提取需要大量的知識(shí)和信號(hào)處理技術(shù)，并且對(duì)于不同的任務(wù)，沒有統(tǒng)一的程序來完成。此外，常規(guī)的基于機(jī)器學(xué)習(xí)的方法結(jié)構(gòu)較淺，在提取信號(hào)的高維非線性關(guān)系方面能力有限。

隨著電力電子技術(shù)、自動(dòng)化控制技術(shù)的不斷發(fā)展，電機(jī)在工業(yè)生產(chǎn)以及家用電器中得到了應(yīng)用，在市場(chǎng)競爭中正逐步顯示自己的優(yōu)勢(shì)。傳統(tǒng)的電機(jī)在線監(jiān)測(cè)裝置多采用電流表、電壓表、功率表等較為原始的儀表來進(jìn)行測(cè)量，采用人工讀數(shù)的方式進(jìn)行數(shù)據(jù)的測(cè)量、記錄和分析，這不僅硬件冗余，系統(tǒng)雜亂，而且操作極為不便，更有甚者，讀數(shù)誤差大，測(cè)試結(jié)果不準(zhǔn)確。有些場(chǎng)合需要進(jìn)行電機(jī)多種參數(shù)的監(jiān)測(cè)，這樣就勢(shì)必會(huì)加大各種測(cè)量儀器的使用以及人力資源的投入。傳統(tǒng)的監(jiān)測(cè)方法要求監(jiān)測(cè)人員具有較高的技能和水平，由于人為誤差的不可避免，這種監(jiān)測(cè)方法無法做定量分析，無法更加準(zhǔn)確、實(shí)時(shí)的掌握電機(jī)的運(yùn)行狀態(tài)和故障。技術(shù)實(shí)現(xiàn)要素：本發(fā)明提出了一種電機(jī)在線監(jiān)測(cè)裝置和方法，通過對(duì)扭矩、轉(zhuǎn)速、各相電流、電壓、溫度、功率和效率進(jìn)行實(shí)時(shí)動(dòng)態(tài)的監(jiān)測(cè)以及對(duì)過電壓、過電流、過熱進(jìn)行報(bào)警停機(jī)，解決現(xiàn)有技術(shù)中監(jiān)測(cè)參數(shù)不能定量分析以及無法更加準(zhǔn)確、實(shí)時(shí)的掌握電機(jī)運(yùn)行狀態(tài)和故障的技術(shù)問題。監(jiān)測(cè)技術(shù)有助于發(fā)現(xiàn)潛在問題、預(yù)測(cè)設(shè)備故障并采取維護(hù)措施，從而降低損壞風(fēng)險(xiǎn)，提高系統(tǒng)的可靠性和效率。

目前設(shè)備狀態(tài)監(jiān)測(cè)及故障預(yù)警若干關(guān)鍵技術(shù)可歸納如下：（1）揭示設(shè)備運(yùn)行狀態(tài)機(jī)械動(dòng)態(tài)特性劣化演變規(guī)律。設(shè)備由非故障運(yùn)行狀態(tài)劣化為故障運(yùn)行狀態(tài)，其機(jī)械動(dòng)態(tài)特性通常有一個(gè)發(fā)展演變過程（2）提取設(shè)備運(yùn)行狀態(tài)發(fā)展趨勢(shì)特征。在役設(shè)備往往具有復(fù)雜運(yùn)行狀態(tài)，在長歷程運(yùn)行中工況和負(fù)載等非故障因素會(huì)造成信號(hào)能量變化，故障趨勢(shì)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(jìn)而構(gòu)建預(yù)測(cè)模型。動(dòng)力裝備全壽命周期監(jiān)測(cè)診斷方面：實(shí)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(dòng)態(tài)自適應(yīng)監(jiān)測(cè)、早期非線性故障特征提取。優(yōu)化重構(gòu)出綜合體現(xiàn)裝備運(yùn)行工況及表現(xiàn)的新參數(shù)，提高異常狀態(tài)辨識(shí)的適應(yīng)性與可靠性，基于運(yùn)行過程信息反映裝備劣化趨勢(shì)與故障發(fā)展規(guī)律，來提高故障早期辨識(shí)能力?；谖锫?lián)網(wǎng)和網(wǎng)絡(luò)化監(jiān)測(cè)診斷將產(chǎn)品監(jiān)測(cè)診斷與運(yùn)行服務(wù)支持有機(jī)集成一體，在應(yīng)用中實(shí)現(xiàn)動(dòng)力裝備常見故障診斷準(zhǔn)確率達(dá)80％以上。應(yīng)用于風(fēng)力大電機(jī)、空壓機(jī)等大型動(dòng)力裝備的集群化診斷領(lǐng)域。提供了基于物聯(lián)網(wǎng)的動(dòng)力裝備全生命周期監(jiān)測(cè)與服務(wù)支持創(chuàng)新模式，提供了其生命周期的遠(yuǎn)程監(jiān)測(cè)診斷與維護(hù)等專業(yè)化服務(wù)。電機(jī)監(jiān)測(cè)需要實(shí)時(shí)獲取和處理數(shù)據(jù)，以及及時(shí)發(fā)出警報(bào)。要求數(shù)據(jù)采集和處理要高性能的硬件和快速的算法。常州動(dòng)力設(shè)備監(jiān)測(cè)特點(diǎn)

通過在線監(jiān)測(cè)系統(tǒng)來實(shí)現(xiàn)，實(shí)時(shí)地收集和分析電機(jī)運(yùn)行數(shù)據(jù)。通過電機(jī)狀態(tài)監(jiān)測(cè)，可以提高電機(jī)的可靠性。嘉興減振監(jiān)測(cè)應(yīng)用

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。基于標(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)，而無法提供故障特征來確認(rèn)輸出狀態(tài)的難題。嘉興減振監(jiān)測(cè)應(yīng)用