狀態(tài)監(jiān)測(cè)就是給機(jī)器體檢,故障診斷就是給機(jī)器看病。醫(yī)生給病人看病,首先是進(jìn)行體征檢查,例如先查體溫,再進(jìn)行驗(yàn)血、X光、心電圖、B超、甚至CT等各種理化檢驗(yàn),然后根據(jù)檢查結(jié)果和病史,利用醫(yī)生的知識(shí)及經(jīng)驗(yàn),對(duì)病情做出診斷。對(duì)機(jī)器故障的診斷,類似于醫(yī)生看病,首先對(duì)機(jī)器的狀態(tài)進(jìn)行監(jiān)測(cè),例如先看振動(dòng)值,再進(jìn)行頻譜、波形、軸心軌跡、趨勢(shì)、波德圖等各種檢測(cè)分析,然后結(jié)合設(shè)備的原理、結(jié)構(gòu)、歷史狀況等,利用專業(yè)人員的知識(shí)及經(jīng)驗(yàn),對(duì)故障進(jìn)行綜合分析判斷。1滾動(dòng)軸承故障振動(dòng)的診斷方法異步電動(dòng)機(jī)的常見故障主要可以分為定子故障、轉(zhuǎn)子故障及軸承故障。其中軸承故障占70%以上,如果我們有辦法對(duì)軸承情況能實(shí)時(shí)進(jìn)行監(jiān)測(cè),那么異步電動(dòng)機(jī)故障率會(huì)減低。滾動(dòng)軸承狀態(tài)監(jiān)測(cè)和故障診斷的方法有多種,例如振動(dòng)分析法、油液分析法(磁性法、鐵譜法、光譜法)、聲發(fā)射分析法、光纖診斷法等。各種方法都有自己的特點(diǎn),其中振動(dòng)分析法以其實(shí)用和相對(duì)簡(jiǎn)單方便。滾動(dòng)軸承不同于其它機(jī)械零件,其振動(dòng)信號(hào)的頻率范圍很寬,信噪比很低,信號(hào)傳遞路途上的衰減量大,因此,提取它的振動(dòng)特征信息必須采用一些特殊的檢測(cè)技術(shù)和處理方法。解決電機(jī)監(jiān)測(cè)的難題需要結(jié)合先進(jìn)的傳感技術(shù)、數(shù)據(jù)分析算法、通信技術(shù)以及專業(yè)的工程知識(shí)。南京性能監(jiān)測(cè)設(shè)備
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)在使用過程中狀態(tài),確定其整體或局部正?;虍惓#缙诎l(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)行過程中的各種性能參數(shù)以及設(shè)備運(yùn)行過程中產(chǎn)生的二次效應(yīng)參數(shù)和產(chǎn)品質(zhì)量指標(biāo)參數(shù)來描述。設(shè)備狀態(tài)的類型包括: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,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)生的故障類型。常用的信號(hào)變換方法有希爾伯特變換和小波變換。寧波性能監(jiān)測(cè)臺(tái)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。
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.
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大的應(yīng)用,在市場(chǎng)競(jìng)爭(zhēng)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,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?jī)x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,但是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、輸入、輸出功率和效率進(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。利用數(shù)據(jù)分析和機(jī)器學(xué)習(xí)算法處理監(jiān)測(cè)數(shù)據(jù),建立模型以預(yù)測(cè)電機(jī)的壽命和性能。
作為工業(yè)領(lǐng)域的一種關(guān)鍵旋轉(zhuǎn)設(shè)備,對(duì)于終端用來說,關(guān)于電機(jī)維護(hù)的主要是電氣班組的設(shè)備工程師、電機(jī)維護(hù)工程師、電機(jī)檢修人員等;對(duì)于電機(jī)廠家以及電機(jī)經(jīng)銷商來說,主要是電機(jī)售后服務(wù)工程師、電機(jī)銷售人員,會(huì)涉及到電機(jī)的運(yùn)行維護(hù);險(xiǎn)此之外,還有第三方檢修人員等。目前已經(jīng)有很多智能產(chǎn)品號(hào)稱可以實(shí)現(xiàn)電機(jī)的預(yù)測(cè)性維護(hù),但問題也非常多。1)傳感器安裝難。設(shè)備狀態(tài)監(jiān)測(cè)需要振動(dòng)、噪聲、溫度傳感器,通訊協(xié)議并不統(tǒng)一,自成體系,安裝、使用、維護(hù)成本高昂。2)技術(shù)成本高。工業(yè)場(chǎng)景設(shè)備類型多,運(yùn)行工況復(fù)雜,預(yù)測(cè)性維護(hù)算法涉及數(shù)據(jù)預(yù)處理、工業(yè)機(jī)理、機(jī)器學(xué)習(xí),技術(shù)要求很高。3)時(shí)間成本高。預(yù)測(cè)性維護(hù)要實(shí)現(xiàn),前期需要大量歷史數(shù)據(jù)的支撐,數(shù)據(jù)采集、歸納、分析是一個(gè)漫長(zhǎng)的過程。以電機(jī)預(yù)測(cè)性維護(hù)的理念為原型的電機(jī)智能運(yùn)維,雖然被各大宣傳媒體提得很多,但還遠(yuǎn)遠(yuǎn)未到落地很好乃至普及的程度,不論是預(yù)測(cè)性維護(hù)的預(yù)測(cè)效果,還是電機(jī)的智能運(yùn)維的市場(chǎng)推廣以及市場(chǎng)接受程度,對(duì)于電機(jī)維護(hù)人員的電機(jī)運(yùn)維來說,都還有很遠(yuǎn)的一段距離!電機(jī)驅(qū)動(dòng)的生產(chǎn)線。同時(shí)監(jiān)測(cè)多個(gè)電機(jī)的狀態(tài),協(xié)調(diào)故障診斷和預(yù)測(cè)性維護(hù),增加了監(jiān)測(cè)的復(fù)雜性。無錫專業(yè)監(jiān)測(cè)方案
電機(jī)狀態(tài)監(jiān)測(cè)是用于實(shí)時(shí)監(jiān)測(cè)和評(píng)估電機(jī)運(yùn)行狀況的技術(shù)。這種監(jiān)測(cè)有助于及早發(fā)現(xiàn)潛在問題,預(yù)測(cè)電機(jī)故障。南京性能監(jiān)測(cè)設(shè)備
傳統(tǒng)方法通常無法自適應(yīng)提取特征, 同時(shí)需要一定離線數(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.南京性能監(jiān)測(cè)設(shè)備