R-0036 旋转机械的智能感知和预测性维护系统开发

技术需求简介：

重点描述企业需要解决的问题及主要技术指标、配套条件：

 一、需解决的主要技术问题：

(1) 以收集并分析的实际工况下的正常数据与故障数据为基础，通过高级的数学建模工具生成模拟信号。同时，在模拟的过程中，加入随机噪声，能够更好地模拟实际工况中的不确定因素和随机性；

(2) 利用生成的大量模拟故障数据，采用多种机器学习算法，以提取旋转机械故障的振动特征。之后，通过卷积神经网络（CNN）、递归神经网络（RNN）以及长短期记忆网络（LSTM）等神经网络算法，将各种模拟故障特征数据输入到神经网络模型中进行模型训练；

(3) 结合特定机组的先验知识，故障机理，针对不同的故障建立有针对性的特征选择方案，使系统允许进行故障特征的自定义和已知规律化故障特征的自动挂接，完成智能感知和预测性维护系统的建设；

(4) 根据基于机器学习的故障诊断算法的相关阈值，分频段建立故障预警和报警参数。（阈值检测机制是通过数值模拟生成的大量单一故障信号，以及利用各种机器学习和神经网络算法提取的振动特征得出的。通过设定特定频段的阈值，可以捕捉到旋转机械可能出现的故障信号，并据此发出预警）；

(5) 结合本公司的软件系统和算法的算力需求，对设备的硬件配置和软件环境做出合理建议。在实际使用过程中，对于限定范围内故障类型的误报和错报可支持模型参数调优，进一步完善和升级算法。

(6) 完成振动大数据的积累与特征提取。研发的智能系统能够自动对机组的稳态运行、暂态过程（包括瞬态）的振动信号进行变化与处理，完成计算波形、频谱、轴心轨迹、瀑布图、趋势图、相关趋势图等时域和频域分析的大数据工具。

(7) 对机械设备的故障类型以及健康状态进行定量评价。系统将机组的运行工况、运行参数等信息与机组振摆信息结合，得出设备的“健康”状态；根据大数据与振动故障特征识别，根据预警值通过算法发出具体的故障类别和警告；

(8) 对机械设备的故障类型以及健康状态进行定量评价。设备检测报告的自动化生成系统。

主要技术指标：

(1) 试验并采取多种机器学习模型，如支持向量机（SVM）、随机森林（Random Forest）和梯度提升机（Gradient Boosting Machine, GBM）等对振动特征进行识别和预测。

(2) 针对噪声信号以及振动信号中的非平稳信息对故障特征频谱的影响，完成算法的自适应，进一步提高故障分类和诊断的准确率，提高AI算法的鲁棒性。

(3) 允许组态人员选取诊断推理机制，也可以进行自定义规则的创建，进一步完善系统的智能特性和AI算法的泛化性。

(4) 训练完成的模型将用于更为深入和复杂的故障分类诊断，算法模型对模拟数据的故障识别准确率达到95%，对公司实验平台的实际故障识别准确率达到90%左右；

(5) 振动有效数据包含：频域特征数据：峰值频率、包络频率，特征频；时频域特征：包括短时傅里叶变换、小波包时频图进行分析；完成振动波形、频谱、波形+频谱特征四维数据。

(6) 根据大数据与振动故障特征识别，预警值通过算法发出具体的故障类别和警告，系统将机组的运行工况、运行参数等信息与机组振摆信息结合，综合各种因素进行设备运行稳定性分析，得出设备的状态或给出故障报告、警告等。

(7) 设备检测报告的自动化生成系统能完成一套实用的自动状态分析报告生成软件，用于自动生成在线监测分析报告，便于用户了解和掌握机组的运行状态，综合分析机组各设备的健康状态，提供检修和优化建议。

二、需求应用范围及应用场景：

该项目的完成对智能传感器和预测性维护行业具有以下重大影响：一是持续时间长，可实现极早期报警；二是预测模型通用性和标准化程度高，可适用于不同设备；三是指导性强，通过微观分析可直接找到问题产生原因；四是无需多传感器集成，硬件成本低廉。旋转机械的智能感知系统和预测性维护系统较之国内其他竞品，硬件成本低廉，算法和数据迭代速度快，并且核心硬件是自主研发制造的，具备十分重大的工程实际意义。

联系人：范老师