设备运行状态监测及故障诊断解决办法(设备运行状态监测 声)

解决办法 监测 故障诊断 运行状态 设备| 2022-11-01 hwszkj

现代化生产企业趋向大型化、自动化和连续化,人们对设备的要求越来越高。但是由于设备故障引发的重大灾难性事故屡见不鲜,不仅经济损失惨重,还带来严重的政治影响。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。

设备故障诊断首先要获取设备运行中各种状态信息,如:振动、声音、变形、位移、应力、裂纹、磨损、温度、压力、流量、电流、转速、转矩、功率等各种参数。声音设备在线监测诊断技术是设备状态监测与故障诊断的重要手段。现实中,设备正常运转时间比发生故障的时间要多,在系统实施初期先从采集正常声音进行分析,经过特征提取及模型训练,完成正常特征库的建立。

当系统正式开始上线使用后,当新的声音信号进入系统后,与训练好的正常特征库进行比对,符合正常特征则识别为设备正常。如果不合符正常特征,则识别为设备异常,提供异常报警。现场人员需要进行声音标记,标记正常则进入正常模型库进行再次训练,标记故障则进入故障模型进行故障特征训练。

后期随着系统的不断使用,系统会累积一定的故障模型,当有同类型故障发生时则系统自动识别为故障,并给予故障报警提示。

声音设备状态监测系统创新点:

1.利用物联网技术进行设备状态监测。基于物联网传感器的设备监测系统实现对设备运行状态的远程监测,提高设备运行的可靠性。

2、利用声音对设备故障告警和诊断。到目前为止,发电行业的设备故障告警与诊断多数以振动监测为主。本系统将设备声音作为设备故障预警与诊断的主要依据,与振动监测相比灵敏度更高,可远程监听,适应性广,作用更大。

3、使用机器学习和深度学习相结合技术作为分析工具。目前已有的设备故障告警与诊断系统大多采用传统的机器学习模式,不能适应不断变化的生产环境,适应性不强。本系统采用机器学习技术,具有模型自主学习,自完善的能力,异常识别更加精准,提高设备稳定运行。