会员中心
搜索
登录
注册

解决方案

数字化转型通用方案行业方案安全方案大数据人工智能物联网行业展望自动控制其他

产品|技术

白皮书产品介绍技术介绍技术创新模型算法

政策|规范

政策规范行动计划

电子书

电子书课件

报告|论文

报告模板论文

健康评估、预测和剩余使用寿命-行为预测与剩余寿命估计

我们描述如何利用由DBNs表示的MoG-HMMs来建模关键组件的退化，评估其当前健康状态并预测其剩余有用寿命。根据图5.1中的介绍，故障预测分为两个阶段：

  • 2024-06-08
  • 阅读357

健康评估、预测和剩余使用寿命-健康状态的建模和估计

根据提取出的特征集，并依照上一章所述的考虑因素，可以进行预测：(1)通过预测特征的演变并分类系统未来的状态，或者(2)通过构建一个健康状态估计器，用于预测系统的演变（状态或持续时间的预测）。在本章中，我们将讨论后者的方法。

  • 2024-06-08
  • 阅读372

资产状态和运营效率

利用先进的分析技术进行潜在故障的识别和预测，可以提高能源生成的效率并降低风险。机器学习等算法现在在可再生能源控制系统中得到了广泛应用。这类设施的特点是有大量传感器向SCADA系统（监控和数据采集系统）提供数据，通常这些系统都非常复杂，包括控制界面和客户界面（例如，工厂的所有者、分配电网管理员等）。功率和能量生产是由SCADA管理的两个最重要的变量。作为主要的系统性能输出，它们可以通过数据挖掘技术来控制系统故障，因为大多数系统故障直接影响输出功率和能量生产效率

  • 2024-06-08
  • 阅读383

资产健康指数和生命周期成本

资产健康指数（AHI）是一种资产评分，以某种方式设计，以反映或表征资产的状态，从而反映其在组织确定的角色方面的表现[1]。AHI代表了量化复杂资产总体健康状况的实用方法。对于简单的评估，CBM技术可以精确估计具有定义和特定故障模式的特定资产的状态。然而，大多数这些资产由多个子系统组成，每个子系统可以由多种退化和故障模式表征。从纯理论的角度来看，组成系统的每个项目的每个故障模式都可以建模和估计。

  • 2024-06-08
  • 阅读567

预防性维护和预测

根据EN 13306（2001）标准，维护可以定义为“在物品生命周期内进行的所有技术、行政和管理行动的组合，旨在保持或恢复物品的状态，使其能够执行所需功能”。这也包括一系列故障排除、维修、控制和验证物理设备的行动，并应有助于改进工业流程。从传统观点来看，维护功能保证了设备的可靠性特性，特别是其可用性。因此，整体上它旨在理解故障机制并据此采取行动，以确保系统（物品）能够执行其设计功能。然而，维护功能的使命已不仅限于确保“物品服务”的实施。在质量、安全和成本方面出现了不同的要求，在过去的20年里，维护功能的挑战和职权发生了变化。

  • 2024-06-08
  • 阅读393

预测性维护-预测与剩余使用寿命（RUL）估算

在文献中，“预测”一词有多种定义。不同的定义主要来源于作者的职业背景和应用敏感度。然而，尽管没有完全的共识，预测可以按照ISO委员会的建议进行定义：

  • 2024-06-08
  • 阅读426

预测性维护-从数据到决策：PHM过程

工业监控和维护涉及多个业务流程，目的是以最低成本保持系统的运行状态。因此，我们经常谈到故障检测、故障诊断、控制和/或缓解措施的选择（预防性或纠正性），以及这些措施随时间的规划。这些步骤比喻性地对应于首先“感知”某些现象，然后“理解”这些现象，最后“采取行动”来应对这些现象。正如我们已经提到的，另一种方法（互补但不排他）并不是事后理解刚刚表现出来的现象（故障），而是尝试预见它们的发生，以便采取相应的保护措施。这就是“故障预测”的目标。“检测”、“诊断”和“预测”过程的相对位置如图1.5a所示

  • 2024-06-14
  • 阅读394

预测性维护-从系统到数据（01）

本章描述了一种获取监控数据的一般方法，这些数据代表了退化机制，是PHM应用所必需的（图2.1）。

  • 2024-06-08
  • 阅读406