杭州状态监测台

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。盈蓓德科技顺应行业发展趋势，搭建一套基于旋转类设备温度，振动状态监测、故障判断的预测性维护系统。杭州状态监测台

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***的应用，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。无锡电机监测技术盈蓓德科技提供一种满足大型电机设备监测要求，实现振动数据采集及分析，造价较低的振动监测系统。

目前设备状态监测及故障预警若干关键技术可归纳如下：（1）揭示设备运行状态机械动态特性劣化演变规律。设备由非故障运行状态劣化为故障运行状态，其机械动态特性通常有一个发展演变过程。需揭示劣化过程及故障变化演变规律及发展特点，分析故障产生机理、发展原因和发展模式，构建劣化演变机械动态特性模型。（2）提取设备运行状态发展趋势特征。在役设备往往具有复杂运行状态，在长历程运行中工况和负载等非故障因素造成信号能量变化，故障趋势信息往往被非故障变化信息淹没，需较大程度上消除非故障变化造成的冗余信息，进而构建预测模型。若提取到敏感特征分量因子及模式，有望实现典型部件部位分析。

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业务、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。比如数采传感器、设备等。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。盈蓓德科技开发的电机监测和故障预判系统，助力实现工业设备数智化管理和预测性维护。

传统维护模式中的故障后维护与定期维护将影响生产效率与产品质量，并大幅提高制造商的成本。随着物联网、大数据、云计算、机器学习与传感器等技术的成熟，预测性维护技术应运而生。以各类如电机、轴承等设备为例，目前已发展到较为成熟的在线持续监测阶段，来实现查看设备是否需要维护、怎么安排维护时间来减少计划性停产等，并能够快速、有效的通过物联网接入到整个网络，将数据回传至管理中心，来实现电机设备的预测性维护。电动机是机械加工中不可或缺的必备工具,电动机在运转中常产生各种故障,为保证电动机运行安全,对电动机运行状态进行在线监测尤为重要。以三相异步电动机为研究对象,采用传感器获取电动机运行中的重要参数(振动、噪声、转速及温度等),由时/频域分析及能量分析等方法提取电动机运行特征量,构成特征向量,采用BP神经网络训练的方法建立状态识别模型,通过BP神经网络模式识别方法,判断电动机运行的状态,在此基础上,利用LabVIEW软件构建可视化监测系统,将电动机运行参数及状态实时显示在可视化界面中,完成在线智能监测。故障诊断可以根据状态监测系统提供信息来查明失调的原因或性质，判断劣化发生部位，以及预测状态发展趋势。上海旋转机械监测公司

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。杭州状态监测台

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.杭州状态监测台