齿轮磨损损伤多源异构信息在线大数据监测平台研究
这是一篇关于齿轮箱,磨损,油液监测,振动监测,大数据的论文, 主要内容为装备恶性事故起因约50%是由于润滑失效和过度磨损所致,齿轮是机械装备的基础零部件,其磨损失效是导致机械装备故障的主要诱因。随着“中国制造2025”战略的推进,重大装备智能运维与健康管理的需求迫切,油液分析和振动监测在齿轮磨损在线监测中发展迅速,但是单独使用油液分析或振动监测对于齿轮磨损状态分析存在监测信息不全面,监测效率低下,故障特征不敏感等问题。此外,当面向多节点、跨地域装备集群监测时,海量数据的多节点采集,存储、管理、分析与深度挖掘等方面需求迫切。本文以齿轮磨损损伤在线监测为研究对象,以油液和振动在线监测为手段,基于大数据和人工智能理论,开展齿轮磨损损伤多源异构信息在线大数据监测平台关键技术研究,具体的工作如下:(1)开展了多源异构信息在线监测大数据平台总体设计与搭建。基于在线油液和振动监测技术,构建了油液-振动多源异构信息获取终端,实现了油液-振动数据的采集;然后采用云端My SQL技术,实现油液-振动海量数据的云端同步存储;同时,利用云端部署的机器学习模型和特征提取算法,结合Maxwell、Kafka和Spark streaming实时流处理框架,开发了齿轮磨损在线监测与评估模块,实现磨损状态的在线评估与预警。所开发的平台具备多节点、跨地域、海量、多源异构数据的采集、存储和智能分析等功能。(2)基于云端存储的油液-振动多源异构原始数据,开展齿轮箱磨损状态量化表征特征提取算法研究,提出了基于高斯混合模型与磨粒增强的在线铁谱图像磨粒分割算法,实现了动态背景高气泡干扰下铁谱图像磨粒数量及粒径等特征的提取;并研究了基于小波阈值法的振动信号去噪处理和特征提取,构建油液-振动多维度量化表征指标体系。(3)开展齿轮箱磨损状态评估方法研究,提出KPCA-PSO-LSTM的磨损状态评估算法,并完成评估模型云端部署。为了验证算法的可行性,开展约200小时的齿轮磨损加速试验,试验结果表明:本文开发的KPCA-PSO-LSTM模型对齿轮箱磨损状态评估精度达96.1%,高于PSO-LSTM和LSTM模型。(4)最后,开展了多源异构信息在线大数据监测平台Web应用可视化开发。完成了Web应用后端数据库表设计,并利用Django、html、css、Java Script和Echarts等技术,实现齿轮磨损过程油液-振动的实时监测、历史查询、报警管理和用户管理等功能可视化。通过Nginx和u WSGI技术完成了Web应用的在线部署,实现了多用户、远程云端监测。本研究对提高装备智能化水平,保障齿轮传动装备安全、高效、长寿命运行,避免过维修和欠维修导致不必要的资源浪费和经济损失具有重要意义。
基于边云协同的齿轮箱远程诊断系统设计与开发
这是一篇关于齿轮箱,远程故障诊断,边缘计算,边云协同的论文, 主要内容为齿轮箱是石油作业现场重要的机械设备,在实际生产作业中起到至关重要的作用。传统的云平台齿轮箱设备监测及故障诊断方法虽然已经能够对设备进行远程故障诊断,然而,随着企业需求增长和生产规模的增加,越来越多的设备从生产作业现场接入云端,产生的数据量呈指数型增长,这不仅提高了企业云服务器的资源存储成本也提高了数据传输成本。本文以有效监测现场齿轮箱运行状态、准确快速识别齿轮箱故障为目的,综合运用边缘计算、云计算技术设计开发了一套基于边云协同的齿轮箱远程故障诊断系统。主要内容如下:(1)基于边缘计算的齿轮箱远程故障诊断系统设计。针对传统云计算远程故障诊断系统在上传现场数据产生较大的流量成本问题,分析边缘计算在远程诊断中应用的优势及必要性,设计具有边缘计算功能的齿轮箱远程故障诊断系统,将数据在边缘层就进行预处理及分析,将必要数据传输到云层进行分析。并通过现场数据采集量的分析表明该系统设计可有效减少35%的数据传输量,降低流量成本,避免数据经过多次传输导致的泄露风险,提高数据安全性。(2)基于边云协同的故障诊断方法。针对传统云计算故障诊断模型的使用通常需要花费一定的数据的上传与模型运算的时间,这对现场实际设备故障诊断工作缺失了实时性。结合边缘计算的使用,提出一种边云协同的齿轮箱故障诊断方法。通过采用模糊贴近度算法对采集到的故障数据进行预诊断工作,初步判断故障严重程度。云计算通过上传的故障数据通过VMD-BP神经网络齿轮箱诊断模型进行进一步的故障识别与分析为后续维护提供依据。该方法弥补传统云计算故障诊断系统在大数据背景下对现场故障响应速度慢的缺点,令设备故障诊断工作的开展更贴近于现场。(3)设计开发齿轮箱远程故障诊断系统。以边缘计算为基础框架设计的齿轮箱故障诊断系统,结合边云协同的故障诊断方法,利用ASP.NET、C#、My SQL及阿里云开发边缘层故障预诊断系统与齿轮箱远程故障诊断系统。现场可通过以太网的方式接入智能网关使用故障预诊断系统进行设备的状态监测与故障预诊断。远程端可通过浏览器访问齿轮箱远程故障诊断平台实现远程在线监测、数据分析、故障诊断等功能,通过现场实际应用验证系统功能及稳定性。
齿轮磨损损伤多源异构信息在线大数据监测平台研究
这是一篇关于齿轮箱,磨损,油液监测,振动监测,大数据的论文, 主要内容为装备恶性事故起因约50%是由于润滑失效和过度磨损所致,齿轮是机械装备的基础零部件,其磨损失效是导致机械装备故障的主要诱因。随着“中国制造2025”战略的推进,重大装备智能运维与健康管理的需求迫切,油液分析和振动监测在齿轮磨损在线监测中发展迅速,但是单独使用油液分析或振动监测对于齿轮磨损状态分析存在监测信息不全面,监测效率低下,故障特征不敏感等问题。此外,当面向多节点、跨地域装备集群监测时,海量数据的多节点采集,存储、管理、分析与深度挖掘等方面需求迫切。本文以齿轮磨损损伤在线监测为研究对象,以油液和振动在线监测为手段,基于大数据和人工智能理论,开展齿轮磨损损伤多源异构信息在线大数据监测平台关键技术研究,具体的工作如下:(1)开展了多源异构信息在线监测大数据平台总体设计与搭建。基于在线油液和振动监测技术,构建了油液-振动多源异构信息获取终端,实现了油液-振动数据的采集;然后采用云端My SQL技术,实现油液-振动海量数据的云端同步存储;同时,利用云端部署的机器学习模型和特征提取算法,结合Maxwell、Kafka和Spark streaming实时流处理框架,开发了齿轮磨损在线监测与评估模块,实现磨损状态的在线评估与预警。所开发的平台具备多节点、跨地域、海量、多源异构数据的采集、存储和智能分析等功能。(2)基于云端存储的油液-振动多源异构原始数据,开展齿轮箱磨损状态量化表征特征提取算法研究,提出了基于高斯混合模型与磨粒增强的在线铁谱图像磨粒分割算法,实现了动态背景高气泡干扰下铁谱图像磨粒数量及粒径等特征的提取;并研究了基于小波阈值法的振动信号去噪处理和特征提取,构建油液-振动多维度量化表征指标体系。(3)开展齿轮箱磨损状态评估方法研究,提出KPCA-PSO-LSTM的磨损状态评估算法,并完成评估模型云端部署。为了验证算法的可行性,开展约200小时的齿轮磨损加速试验,试验结果表明:本文开发的KPCA-PSO-LSTM模型对齿轮箱磨损状态评估精度达96.1%,高于PSO-LSTM和LSTM模型。(4)最后,开展了多源异构信息在线大数据监测平台Web应用可视化开发。完成了Web应用后端数据库表设计,并利用Django、html、css、Java Script和Echarts等技术,实现齿轮磨损过程油液-振动的实时监测、历史查询、报警管理和用户管理等功能可视化。通过Nginx和u WSGI技术完成了Web应用的在线部署,实现了多用户、远程云端监测。本研究对提高装备智能化水平,保障齿轮传动装备安全、高效、长寿命运行,避免过维修和欠维修导致不必要的资源浪费和经济损失具有重要意义。
齿轮箱运行状态综合诊断平台设计与开发
这是一篇关于齿轮箱,多指标监测系统,可拓评价,专家系统,Isolation Forest,模糊矩阵的论文, 主要内容为随着机械设备在工业领域的普及,齿轮箱作为必备传动机构也愈发重要,它直接关系机械设备能否正常运转。一般工厂通过定时检修的方式对齿轮箱进行维护,缺乏设备状态在线监测、智能评价诊断的手段。因此,本文借由江苏省泰隆集团“减速机监测实验平台”项目支持,满足企业对于其运行状态评估的现实需求,研究设计了针对齿轮箱监测和诊断的平台系统,以温度、振动等多源指标实时监控齿轮箱运行状况,通过指标数据完成其设备状态评价,并基于专家系统对异常进行诊断与反馈。首先,根据所要监测的指标,完成数据采集方案的设计,对系统整体架构与功能模块进行分析。按照对应分析结果,设计相应数据库,实现数据信息分类储存统计。接着基于J2EE平台及MVC架构完成系统的开发,通过ECharts完成指标数据的可视化。而后,对设备运行状态评价展开研究,引入设备可拓评价的方法,通过建立物元模型,计算优度值确定设备状态等级。其中,设备指标权重分别通过主观的层次分析法与客观的灰色关联度法综合计算得到。最后,建立基于Jess规则引擎的专家系统,完成故障诊断工作,同时完成对系统每个模块实际界面的综合展示。专家诊断系统分为两个方面:常规数据(温度、噪音...)依靠孤立森林算法(Isolation Forest)完成其异常程度计算,之后化为可信度因子后进行故障推导;非常规数据通过建立证据事实矩阵,与故障模糊矩阵进行贴近度匹配计算,录入非常规性规则库后进行综合判断。
基于边云协同的齿轮箱远程诊断系统设计与开发
这是一篇关于齿轮箱,远程故障诊断,边缘计算,边云协同的论文, 主要内容为齿轮箱是石油作业现场重要的机械设备,在实际生产作业中起到至关重要的作用。传统的云平台齿轮箱设备监测及故障诊断方法虽然已经能够对设备进行远程故障诊断,然而,随着企业需求增长和生产规模的增加,越来越多的设备从生产作业现场接入云端,产生的数据量呈指数型增长,这不仅提高了企业云服务器的资源存储成本也提高了数据传输成本。本文以有效监测现场齿轮箱运行状态、准确快速识别齿轮箱故障为目的,综合运用边缘计算、云计算技术设计开发了一套基于边云协同的齿轮箱远程故障诊断系统。主要内容如下:(1)基于边缘计算的齿轮箱远程故障诊断系统设计。针对传统云计算远程故障诊断系统在上传现场数据产生较大的流量成本问题,分析边缘计算在远程诊断中应用的优势及必要性,设计具有边缘计算功能的齿轮箱远程故障诊断系统,将数据在边缘层就进行预处理及分析,将必要数据传输到云层进行分析。并通过现场数据采集量的分析表明该系统设计可有效减少35%的数据传输量,降低流量成本,避免数据经过多次传输导致的泄露风险,提高数据安全性。(2)基于边云协同的故障诊断方法。针对传统云计算故障诊断模型的使用通常需要花费一定的数据的上传与模型运算的时间,这对现场实际设备故障诊断工作缺失了实时性。结合边缘计算的使用,提出一种边云协同的齿轮箱故障诊断方法。通过采用模糊贴近度算法对采集到的故障数据进行预诊断工作,初步判断故障严重程度。云计算通过上传的故障数据通过VMD-BP神经网络齿轮箱诊断模型进行进一步的故障识别与分析为后续维护提供依据。该方法弥补传统云计算故障诊断系统在大数据背景下对现场故障响应速度慢的缺点,令设备故障诊断工作的开展更贴近于现场。(3)设计开发齿轮箱远程故障诊断系统。以边缘计算为基础框架设计的齿轮箱故障诊断系统,结合边云协同的故障诊断方法,利用ASP.NET、C#、My SQL及阿里云开发边缘层故障预诊断系统与齿轮箱远程故障诊断系统。现场可通过以太网的方式接入智能网关使用故障预诊断系统进行设备的状态监测与故障预诊断。远程端可通过浏览器访问齿轮箱远程故障诊断平台实现远程在线监测、数据分析、故障诊断等功能,通过现场实际应用验证系统功能及稳定性。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码小屋 ，原文地址：https://m.bishedaima.com/lunwen/53934.html
