现代电力系统中发电机的单机容量越大型发电机在电力生产中处于主力位置,同时大型发电机由于造价昂贵,结构复杂,一旦遭受损坏,需要检修期长,因此要求有极高的运行可靠性。就我国今后很长一段时间内的缺电、用电紧张的状况而言,发电机的年运行小时数目和满负荷率都较以往高出很多,备用容量很少的情况下,其运行可靠性显得尤为重要和突出。因此对大型机组进行在线监测与诊断,做到早期预警以防止事故的发生或扩大具有重要的现实意义。通常对发电机的“监测”与“诊断”在内容上并无明确的划分界限,可以说监测的数据和结果即为诊断的依据。监测利用各种传感器在电机运行时对电机的状态提取相关数据。故障诊断使用计算机及其相应智能软件,根据传感器提供的信息,对故障进行分类、定位,确定故障的严重程度并提出处理意见。因此状态监测和故障诊断是一项工作的两个部分,前者是后者的基础,后者是前者的分析与综合。电机状态监测技术可帮助运行维护人员摆脱被动检修和不太理想的定期检修的困境,按照设备内部实际的运行状况,合理的安排检修工作,实现所谓“预知”维修。这样既可避免由于设备突然损坏,停止运行带来的损失,又可充分发挥设备的作用。电机状态监测技术可帮助运行维护人员摆脱被动检修和不太理想的定期检修的困境,实现“预知”维修。EOL监测方案
工业设备的预测性维护的市场需求显而易见。但是预防性维护想要产生大的业务价值、真正大规模发展却是遇到了两个难题。首先项目实施成本过高,硬件设备大多依赖进口。这导致很多企业在考虑投入产出比时比较犹豫。其次是技术需要突破,目前大多数供应商只实现了设备状态的监视,真正能实现故障准确预测的落地案例寥寥无几。供应商技术和能力还需要不断升级。预防性维护要想实现更好的应用,要在以下方面实现突破。实现基于预测的维护,提升故障诊断及预测的准确率提高软硬件产品国产化率,降低实施成本.发动机监测公司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。
基于数据的故障检测与诊断方法能够对海量的工业数据进行统计分析和特征提取,将系统的状态分为正常运行状态和故障状态,可视为模式识别任务。故障检测是判断系统是否处于预期的正常运行状态,判断系统是否发生异常故障,相当于一个二分类任务。故障诊断是在确定发生故障的时候判断系统处于哪一种故障状态,相当于一个多分类任务。因此,故障检测和诊断技术的研究类似于模式识别,分为4个的步骤:数据获取、特征提取、特征选择和特征分类。1)数据获取步骤是从过程系统收集可能影响过程状态的信号,包括温度、流量等过程变量;2)特征提取步骤是将采集的原始信号映射为有辨识度的状态信息;3)特征选择步骤是将与状态变化相关的变量提取出来;4)特征分类步骤是通过算法将前几步中选择的特征进行故障检测与诊断。在大数据这一背景下,传统的基于数据的故障检测与诊断方法被广泛应用,但是,这些方法有一些共同的缺点:特征提取需要大量的知识和信号处理技术,并且对于不同的任务,没有统一的程序来完成。此外,常规的基于机器学习的方法结构较浅,在提取信号的高维非线性关系方面能力有限。
作为工业领域的一种关键旋转设备,对于终端用来说,关于电机维护的主要是电气班组的设备工程师、电机维护工程师、电机检修人员等;对于电机厂家以及电机经销商来说,主要是电机售后服务工程师、电机销售人员,会涉及到电机的运行维护;险此之外,还有第三方检修人员等。目前已经有很多智能产品号称可以实现电机的预测性维护,但问题也非常多。1)传感器安装难。设备状态监测需要振动、噪声、温度传感器,通讯协议并不统一,自成体系,安装、使用、维护成本高昂。2)技术成本高。工业场景设备类型多,运行工况复杂,预测性维护算法涉及数据预处理、工业机理、机器学习,技术要求很高。3)时间成本高。预测性维护要实现,前期需要大量历史数据的支撑,数据采集、归纳、分析是一个漫长的过程。电机智能运维,虽然被各大宣传媒体提得很多,但还远远未到落地很好乃至普及的程度,不论是预测性维护的预测效果,还是电机的智能运维的市场推广以及市场接受程度,对于电机运维来说,都还有很远的一段距离!β-Star监测系统是盈蓓德智能科技的产品,为大型电机提供数据监测和故障预判服务。
随着电力电子技术、自动化控制技术的不断发展,电机在工业生产以及家用电器中得到了应用,在市场竞争中正逐步显示自己的优势。传统的电机在线监测装置多采用电流表、电压表、功率表等较为原始的仪表来进行测量,采用人工读数的方式进行数据的测量、记录和分析,这不仅硬件冗余,系统杂乱,而且操作极为不便,更有甚者,读数误差大,测试结果不准确。有些场合需要进行电机多种参数的监测,这样就势必会加大各种测量仪器的使用以及人力资源的投入。传统的监测方法要求监测人员具有较高的技能和水平,但是由于人为误差的不可避免,这种监测方法无法做定量分析,无法更加准确、实时的掌握电机的运行状态和故障。
技术实现要素:本发明提出了一种电机在线监测装置和方法,通过对扭矩、转速、各相电流、电压、温度、输入、输出功率和效率进行实时动态的监测以及对过电压、过电流、过热进行报警停机,解决现有技术中监测参数不能定量分析以及无法更加准确、实时的掌握电机运行状态和故障的技术问题。 基于人工智能算法的新型的电机故障预测系统,适用范围广,能在更多的工业场合应用。南通产品质量监测技术
盈蓓德科技可以提供故障预判准确率高,更经济更可靠的旋转设备健康状态监测方案。EOL监测方案
在预防性维护的应用中,振动是大型旋转等设备即将发生故障的重要指标,一是在大型旋转机械设备的所有故障中,振动问题出现的概率比较高;另一方面,振动信号包含了丰富的机械及运行的状态信息;第三,振动信号易于拾取,便于在不影响机械运行的情况下实行在线监测和诊断。旋转类设备的预防性维护需要重点监控振动量的变化。其预测性诊断技术对于制造业、风电等的行业的运维具有非常重大的意义。通过设备振动等状态的预测性维护,可以及时发现并解决系统及零部件存在问题。但是对于一些不是因为设备问题而存在的固有振动,振动强度不必要增加会对部件产生有害的力,危及设备的使用寿命和质量。在这种情况下,则需要采用振动隔离技术来解决和干预,有效抑制振动和噪声的危害,避免设备故障和流程关闭。EOL监测方案