南通研发监测技术
电机状态监测故障诊断技术是一种了解和掌握电机在使用过程中的状态,确定其整体或局部正常或异常,早期发现故障及其原因,并能预报故障发展趋势的技术,电机状态监测与故障诊断技术包括识别电机状态监测和预测发展趋势两方面。设备状态是指设备运行的工况,由设备运行过程中的各种性能参数以及设备运行过程中产生的二次效应参数和产品质量指标参数来描述。设备状态的类型包括:正常、异常和故障三种。设备状态监测是通过测定以上参数,并进行分析处理,根据分析处理结果判定设备状态。对设备进行定期或连续监测,包括采用各种测试、分析判别方法,结合设备的历史状况和运行条件,弄清设备的客观状态,获取设备性能发展的趋势规律,为设备的性能评价、合理使用、安全运行、故障诊断及设备自动控制打下基础。电机状态监测系统可以判断潜在故障隐患,诊断故障的性质和程度,并预测故障发展趋势,给出治理预防策略。南通研发监测技术
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.嘉兴非标监测数据设备状态监测诊断分析系统实现大型旋转设备参数状态监测、统计分析、预警报警、多维诊断和智能巡检等功能。
基于交流电机的特征量:通过故障机理分析可知,交流电机运行过程中,其故障与否必然表现为一些特征参量的变化,根据诊断需要,选择有代表性的特征参量为该设备在线监测的被测信号,准确地提取这些故障特征量,这是故障诊断的关键。故障特征量,特别是反映早期故障征兆的信号往往比较弱,而相应的背景噪声比较弱,常规的监测方法,因受传感器的准确性、微处理器的速度、A/D转换的分辨率与转换速度等硬件条件的限制,以及一般的数据处理方式的不足,很难满足提取这些特征量的要求,需要采用一些特殊的电工测量手段与信号处理方法。例如小波变换原理的应用。电机故障的现代分析方法:基于信号变换的诊断方法电机设备的许多故障信息是以调制的形式存在于所监测的电气信号及振动信号之中,如果借助于某种变换对这些信号进行解调处理,就能方便地获得故障特征信息,以确定电机设备所发生的故障类型。常用的信号变换方法有希尔伯特变换和小波变换等。
针对刀具磨损状态在实际生产加工过程中难以在线监测这一问题,提出一种通过通信技术获取机床内部数据,对当前的刀具磨损状态进行识别的方法。通过采集机床内部实时数据并将其与实际加工情景紧密结合,能直接反映当前的加工状态。将卷积神经网络用于构建刀具磨损状态识别模型,直接将采集到的数据作为输入,得到了和传统方法精度近似的预测模型,模型在训练集和在线验证试验中的表现都符合预期。刀具磨损状态识别的方法在投入使用时还有一些问题有待解决:①现有数据是在相同的加工条件下测得的,而实际加工过程中,加工参数以及加工情景是不断变化的,因此需要在下一步的研究中,进行变参数试验,考虑加工参数对于刀具磨损的影响,并针对常用的一些加工场景,建立不同的模型库。变换加工场景,通过获取当前场景,及时匹配相应的预测模型即可。②本研究中的模型是一个固定的模型。今后需要根据实时的信号以及已知的磨损状态,对模型进行实时更新,从而在实时监测过程中实现自学习,不断提升模型的精度和预测效果。电机智能监测和运维,其预测效果和工程的造价还未达到市场接受程度。
从整体的网络架构来看,智能振动噪声监诊子系统利用安装在设备上传感器节点获取设备的健康状态监测信号和运行参数数据,经网络层集中上传至设备健康监测物联网综合管理平台,实现数据传输。应用层实现监测信号的分析、故障特征提取、故障诊断及预测功能,实现智能化管理、应用和服务。设备健康监测物联网综合管理平台具有强大的数据采集分析处理、数据可视、设备运维、故障诊断、故障报警等功能。通过实时监测查看、统计、追溯,实现对其管辖设备的实时监测和运行维护,基于运行信息和检修信息、自动生成设备管理报表,实现设备可靠性、故障数据、更换备件等信息统计,为维修方案提供依据。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。宁波智能监测方案
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。南通研发监测技术
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。 南通研发监测技术
上一篇: 南京仿真监测数据
下一篇: 无锡动力设备监测设备