随着科技发展, 各类工程设备的工作和运行环境变得越来越复杂. 作为机械设备的关键零部件, 滚动轴承在长期大载荷、强冲击等复杂工况下, 极易产生各种故障, 导致机械工作状况恶化. 针对轴承的故障预测与健康管理技术应运而生. 若能在故障发生初期即进行准确、可靠的检测和诊断, 则有助于进行及时维修, 避免严重事故的发生. 早期故障检测已成为PHM的关键技术环节之一. 近年来, 随着传感技术和机器学习技术的快速发展, 数据驱动的智能化故障检测和诊断技术受到更多人的关注. 如何利用历史采集的状态监控数据、提高目标轴承早期故障检测结果的准确性和稳定性成为研究热点和难点, 具有明确的学术价值和应用需求.本文关注的是不停机情况下的早期故障在线检测问题. 这种方式有助于实时评估轴承工作状态, 避免因等待停机检查而产生延误、造成经济损失, 因此对早期故障的在线检测越来越受到工业界的重视。上海盈蓓德科技顺应行业发展趋势,设计开发了一套旋转类设备温度,振动状态监测、故障判断系统。南京发动机监测方案
现代化生产企业为了极大限度地提高生产水平和经济效益,不断地向规模化和高技术技术含量发展,因此生产装置趋向高速高效化、自动化和连续化,人们对设备的要求不仅是性能好,效率高,还要求在运行过程中少出故障,否则因故障停机带来的损失是十分巨大的。国内外化工、石化、电力、钢铁和航空等部门,从许多大型设备故障和事故中逐渐认识到开展设备故障诊断的重要性。管理好用好这些大型设备,使其安全、可靠地运行,成为设备管理中的突出任务。对于单机连续运行的生产设备,停机损失巨大的大型机组和重大设备,不宜解体检查的高精度设备以及发生故障后会引起公害的设备。传统的事后维修和定期维修带来的过剩维修或失修,使维修费用在生产成本中所占比重很大。状态监测维修是在设备运行时,对它的各个主要部位产生的物理、化学信号进行状态监测,掌握设备的技术状态,对将要形成或已经形成的故障进行分析诊断,判定设备的劣化程度和部位,在故障产生前制订预知性维修计划,确定设备维修的内容和时间。因此状态监测维修既能经常保持设备的完好状态,又能充分利用零部位的使用寿命,从而延长大修间隔,缩短大修时间,减少故障停机损失。常州仿真监测系统盈蓓德科技提供一种既满足现场机械设备监测要求,实现振动数据采集及分析,性价比高的振动监测系统。
刀具监测主要采用人工检测、离线检测和在线检测三种策略。人工检查是指工人在加工过程中可以凭经验检查刀具的状态;离线检测是在加工前专门对刀具进行检测,预测其寿命,看是否能胜任当前的加工;在线检测又称实时检测,是在加工过程中对刀具进行实时检测,并根据检测结果做出相应的处理。目前刀具检测的算法有很多,有的是利用理论计算刀具上应力的变化来判断刀具的损伤.有的是利用时间序列分析来检测刀具,有的是利用神经网络技术来检测刀具。还有的是利用小波变换理论和神经网络技术来检测刀具,但都是以理论为主。考虑到刀具的塑性损伤在数控加工中很少发生,磨损对数控加工的安全性影响很小,并且通过离线检测进行加工,通过在线检测,可以判断微裂纹在当前载荷条件下是否会扩展。如果有可能扩大,我们认为载 荷是危险的,通过减少刀具的进给量来减少刀具上的载荷,以保证刀具的安全性。
传统方法通常无法自适应提取特征, 同时需要一定的离线数据训练得到检测模型, 但目标对象在线场景下采集到的数据有限, 且其数据分布与训练数据的分布可能因随机噪声、变工况等原因而存在差异, 导致离线训练的模型并不完全适合于在线数据, 容易降低检测结果的准确性; 其次, 上述方法通常采用基于异常点的检测算法, 未充分考虑样本前后的时序关系, 容易因数据微小波动而产生误报警, 降低检测结果的鲁棒性; 再次, 为降低误报警, 这类方法需要反复调整报警阈值. 此外, 基于系统分析的故障诊断方法利用状态空间描述建立机理模型, 可获得理想的诊断和检测结果, 但这类方法通常需要提前知道系统运动方程等信息, 对于轴承运行来说, 这类信息通常不易获知. 近年来, 深度神经网络已被成功应用于早期故障特征的自动提取和识别, 可自适应地提取信息丰富和判别能力强的深度特征, 因此具有较好的普适性. 但是, 这类方法一方面需要大量的辅助数据进行模型训练, 而历史采集的辅助数据与目标对象数据可能存在较大不同, 直接训练并不能有效提升在线检测的特征表示效果; 另一方面, 在训练过程中未能针对早期故障引发的状态变化而有目的地强化相应特征表示. 因此, 深度学习方法在早期故障在线监测中的应用仍存在较大的提升空间.智能刀具监测系统可大幅度提效率、提高工件尺寸精度和一致性、减少生产成本,实现数控加工自动化。
低信噪比微弱信号特征早期故障的信号处理。早期故障信息具有明显的低信噪比微弱信号的特征,为实现早期故障有效分析,涉及方法包括:多传感系统检测及信息融合,非平稳及非线性信号处理,故障征兆量和损伤征兆量信号分析,噪声规律与特点分析,以及相关数据挖掘、粗糙集等方法。故障预测模型构建。构建基于智能信息系统的设备早期故障预测模型,这类模型大致有两个途径,分别是物理信息预测模型以及数据信息预测模型,或构建这两类预测模型相融合的预测模型。运行状态劣化的相关评价参数、模式及准则。如表征设备状态发展的参数及特征模式,状态发展评价准则及条件,面向安全保障的决策理论方法,稳定性、可靠性及维修性评估依据及判据等。物联网声学监控系统以音频数据,辅以其他设备参数,通过物联网技术实现设备状态的远程感知,基于AI神经网络技术,计算并提取设备音频特征,从而实现设备运行状态的实时评估与故障的早期识别。帮助企业用户提升生产效率,保证生产安全,优化生产决策。盈蓓德科技测量电机关键参数,利用AI融合工业机理算法,构建故障模型库,实现边缘侧数据实时分析和决策。南通耐久监测系统
盈蓓德科技开发的智能监测系统实现了对电动机(马达)、减速机等旋转设备关键参数监测、掌握设备运行状态。南京发动机监测方案
刀具监测主要采用人工检测、离线检测和在线检测三种策略。人工检查是指工人在加工过程中可以凭经验检查刀具的状态;离线检测是在加工前专门对刀具进行检测,预测其寿命,看是否能胜任当前的加工;在线检测又称实时检测,是在加工过程中对刀具进行实时检测,并根据检测结果做出相应的处理。目前刀具检测的算法有很多,有的是利用理论计算刀具上应力的变化来判断刀具的损伤.有的是利用时间序列分析来检测刀具,有的是利用神经网络技术来检测刀具。还有的是利用小波变换理论和神经网络技术来检测刀具,但都是以理论为主。考虑到刀具的塑性损伤在数控加工中很少发生,磨损对数控加工安全性影响很小,并且可以通过离线检测进行加工,通过在线检测,可以判断微裂纹在当前载荷条件下是否会扩展。如果有可能扩大,我们认为载 荷是危险的,通过减少刀具的进给量来减少刀具上的载荷,以保证刀具安全性。南京发动机监测方案