EOL监测控制策略

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，因此生产装置趋向大型化、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。电机监测系统的目标是实现预测性维护，准确地预测电机何时会出现是一个复杂的问题，需要综合考虑多个因素。EOL监测控制策略

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、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！上海耐久监测系统供应商通过监测电机振动的频率和振幅，可以评估电机轴承和其他旋转部件的状况。

针对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.

物联网技术为设备状态监测诊断带来了设备状态无线监测､高速数据传输､边缘计算和精细化诊断分析等先进技术。本项目相关的状态监测技术是要解决海量终端（传感器数据）的联接、管理、实时分析处理。关键技术包含海量数据的采集和传输技术、信号处理技术和边缘计算技术。对设备进行诊断的目的，是了解设备是否在正常状态下运转，为此需测定有关设备的各种量，即信号。如果捕捉到的信号能直接反映设备的问题，如温度的测值，则与设备正常状态伪规定值相比较即可。测到的声波或振动信号一般都伴有杂音和其他干扰，放大多需滤波。回转机械的振动和噪声就是一例。一般测到的波形和数值没有一定规则，需要把表示信号特征的量提取出来，以此数值和信号图象来表示测定对象的状态就是信号处理技术其次边缘计算与云计算协同工作。云计算聚焦非实时、长周期数据的大数据分析，能够在周期性维护、故障隐患综合识别分析，产品健康度检查等领域发挥特长。边缘计算聚焦实时、短周期数据的分析，能更好地支撑故障的实时告警，快速识别异常，毫秒级响应；此外，两者还存在紧密的互动协同关系。边缘计算既靠近设备，更是云端所需数据的采集单元，可以更好地服务于云端的大数据分析。常用的电机监测方法包括振动监测、温度监测、润滑油监测、电流监测和声音监测等。这些方法可以结合使用。

预测性维护对制造业在节省成本损耗、提升企业的生产效率和产业智能化升级具有非常重要的意义。国内工业现场的存量设备数目相当可观，绝大多数还没采用有效的预测性维护方案，尤其是大型旋转类设备，一般都是主要生产运行设备而且故障率相对较高，需要重点监控和维护。通过振动分析和诊治对旋转类设备进行预防性维护无疑向我们展示了一个极具发展潜力的市场。预测性维护在不久的未来将愈加凸显工业物联网中关键的应用优势，市场规模及需求将快速增长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。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。通过设备状态监测，可以解决设备各种监控数据的复杂性，状态动态变化带来的不确定性。杭州混合动力系统监测系统

工业监测数据可以帮助企业进行市场分析和竞争策略制定。EOL监测控制策略

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.EOL监测控制策略