杭州產(chǎn)品質(zhì)量監(jiān)測(cè)應(yīng)用

基于人工神經(jīng)網(wǎng)絡(luò)的診斷方法簡(jiǎn)單處理單元連接而成的復(fù)雜的非線性系統(tǒng)，具有學(xué)習(xí)能力,自適應(yīng)能力,非線性逼近能力等。故障診斷的任務(wù)從映射角度看就是從征兆到故障類型的映射。用ANN技術(shù)處理故障診斷問題,不僅能進(jìn)行復(fù)雜故障診斷模式的識(shí)別,還能進(jìn)行故障嚴(yán)重性評(píng)估和故障預(yù)測(cè)，由于ANN能自動(dòng)獲取診斷知識(shí)，使診斷系統(tǒng)具有自適應(yīng)能力?；诩尚椭悄芟到y(tǒng)的診斷方法隨著電機(jī)設(shè)備系統(tǒng)越來越復(fù)雜，依靠單一的故障診斷技術(shù)已難滿足復(fù)雜電機(jī)設(shè)備的故障診斷要求，因此上述各種診斷技術(shù)集成起來形成的集成智能診斷系統(tǒng)成為當(dāng)前電機(jī)設(shè)備故障診斷研究的熱點(diǎn)。主要的集成技術(shù)有：基于規(guī)則的系統(tǒng)與ANN的結(jié)合，模糊邏輯與ANN的結(jié)合，混沌理論與ANN的結(jié)合，模糊神經(jīng)網(wǎng)絡(luò)與系統(tǒng)的結(jié)合。電機(jī)監(jiān)測(cè)系統(tǒng)可以提高預(yù)防性維護(hù)效率，防止代價(jià)高昂的停機(jī)并提高設(shè)備性能。杭州產(chǎn)品質(zhì)量監(jiān)測(cè)應(yīng)用

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(zhǎng)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?？蓱?yīng)用于風(fēng)力大電機(jī)、空壓機(jī)、氮壓機(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)。常州發(fā)動(dòng)機(jī)監(jiān)測(cè)技術(shù)設(shè)備狀態(tài)監(jiān)測(cè)是通過測(cè)定各類參數(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)。

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)用于早期故障特征的自動(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的輔助數(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.

低信噪比微弱信號(hào)特征早期故障的信號(hào)處理。早期故障信息具有明顯的低信噪比微弱信號(hào)的特征，為實(shí)現(xiàn)早期故障有效分析，涉及方法包括：多傳感系統(tǒng)檢測(cè)及信息融合，非平穩(wěn)及非線性信號(hào)處理，故障征兆量和損傷征兆量信號(hào)分析，噪聲規(guī)律與特點(diǎn)分析，以及相關(guān)數(shù)據(jù)挖掘、盲源分離、粗糙集等方法。故障預(yù)測(cè)模型構(gòu)建。構(gòu)建基于智能信息系統(tǒng)的設(shè)備早期故障預(yù)測(cè)模型，這類模型大致有兩個(gè)途徑，分別是物理信息預(yù)測(cè)模型以及數(shù)據(jù)信息預(yù)測(cè)模型，或構(gòu)建這兩類預(yù)測(cè)模型相融合的預(yù)測(cè)模型。運(yùn)行狀態(tài)劣化的相關(guān)評(píng)價(jià)參數(shù)、模式及準(zhǔn)則。如表征設(shè)備狀態(tài)發(fā)展的參數(shù)及特征模式，狀態(tài)發(fā)展評(píng)價(jià)準(zhǔn)則及條件，面向安全保障的決策理論方法，穩(wěn)定性、可靠性及維修性評(píng)估依據(jù)及判據(jù)等。物聯(lián)網(wǎng)聲學(xué)監(jiān)控系統(tǒng)，輔以其他設(shè)備參數(shù)，通過物聯(lián)網(wǎng)技術(shù)實(shí)現(xiàn)設(shè)備狀態(tài)的遠(yuǎn)程感知，基于AI神經(jīng)網(wǎng)絡(luò)技術(shù)，計(jì)算并提取設(shè)備音頻特征，從而實(shí)現(xiàn)設(shè)備運(yùn)行狀態(tài)實(shí)時(shí)評(píng)估與故障的早期識(shí)別。幫助企業(yè)用戶提升生產(chǎn)效率，保證生產(chǎn)安全，優(yōu)化生產(chǎn)決策。盈蓓德科技可以搭建造價(jià)低廉，性能穩(wěn)定，安裝方便，功能實(shí)用，使用簡(jiǎn)單，維護(hù)工作量少的電機(jī)振動(dòng)監(jiān)測(cè)系統(tǒng)。

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，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?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、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。設(shè)備振動(dòng)情況信息量豐富，振動(dòng)測(cè)試系統(tǒng)應(yīng)用于設(shè)備狀態(tài)監(jiān)測(cè)，在設(shè)備預(yù)知維修中起到了重要的作用。紹興EOL監(jiān)測(cè)控制策略

設(shè)備狀態(tài)監(jiān)測(cè)診斷分析系統(tǒng)實(shí)現(xiàn)大型旋轉(zhuǎn)設(shè)備參數(shù)狀態(tài)監(jiān)測(cè)、統(tǒng)計(jì)分析、預(yù)警報(bào)警、多維診斷和智能巡檢等功能。杭州產(chǎn)品質(zhì)量監(jiān)測(cè)應(yīng)用

柴油機(jī)狀態(tài)監(jiān)測(cè)與故障診斷系統(tǒng)是一種集數(shù)據(jù)采集與分析、狀態(tài)監(jiān)測(cè)、故障診斷為一體的多任務(wù)處理系統(tǒng), 可實(shí)現(xiàn)柴油機(jī)監(jiān)測(cè)、保護(hù)、分析、診斷等功能。包括數(shù)據(jù)采集與工況監(jiān)測(cè)、活塞缸套磨損監(jiān)測(cè)分析、主軸承磨損狀態(tài)監(jiān)測(cè)分析、氣閥間隙異常監(jiān)測(cè)分析和瞬時(shí)轉(zhuǎn)速監(jiān)測(cè)分析等各種功能。信號(hào)分析、特征提取及診斷原理是每個(gè)監(jiān)測(cè)診斷子功能的部分, 各子功能都有相應(yīng)的信號(hào)分析與特征提取方法, 包括信號(hào)預(yù)處理、時(shí)域、頻域分析、小波分析等, 自動(dòng)形成反映柴油機(jī)運(yùn)行狀態(tài)的特征量, 為系統(tǒng)的診斷推理提供信息來源。采用模糊聚類理論來檢驗(yàn)特征參量的有效性、建立故障標(biāo)準(zhǔn)征兆群, 并運(yùn)用模糊貼近度來實(shí)施故障類型的診斷識(shí)別。杭州產(chǎn)品質(zhì)量監(jiān)測(cè)應(yīng)用