Ниже приведены основные технические пути и планы применения для профилактического обслуживания редукторов рисовых мельниц:
1. Мультимодальный сбор и восприятие данных
Данные являются основой для предупреждения о неисправности. Разверните недорогие датчики Интернета вещей на ключевых узлах редуктора рисовой мельницы (таких как главный вал, вентилятор, редуктор и т. д.), чтобы создать многомерную систему информирования о состоянии:
Мониторинг вибрации: используйте датчики ускорения типа IEPE для регистрации высокочастотных сигналов вибрации. Например, на ранних стадиях выхода из строя подшипников двигателя возникают аномальные высокочастотные вибрации 9–12 кГц, для точного определения которых требуются датчики с высокой частотой дискретизации.
Мониторинг температуры: мониторинг температуры поверхности оборудования и посадочных мест подшипников в режиме реального времени. Если локальная температура повышается ненормально (например, разница температур между седлами каждого подшипника > 8°C) или температура масла внезапно повышается на 10°C, это обычно указывает на отказ смазки или неравномерную нагрузку.
Мониторинг тока: датчик тока на эффекте Холла регистрирует изменения тока, чтобы отразить колебания нагрузки оборудования и состояние изоляции двигателя.
2. Периферийные вычисления и интеллектуальный анализ искусственного интеллекта
Среда промышленной площадки сложна (например, сильная пыль и высокий уровень шума), поэтому для обработки данных и диагностики неисправностей необходимо объединить алгоритмы периферийных вычислений и искусственного интеллекта:
Обработка сигнала и извлечение признаков: Вейвлет-пакетное преобразование (WPT) используется для разложения исходного сигнала и извлечения характеристических параметров, таких как энергетическая энтропия и коэффициент эксцесса. Для сильного шумового фона можно использовать такие методы, как физически управляемое вариационное разложение по модам, для подавления модального наложения и повышения точности выделения признаков слабых неисправностей.
Модели глубокого обучения и прогнозирования: объединение временных моделей глубокого обучения, таких как LSTM (сеть долговременной краткосрочной памяти) и GRU, с моделями физической деградации для построения индекса работоспособности оборудования (EHI). Когда индекс работоспособности постоянно превышает базовое значение, система автоматически выдает раннее предупреждение и может прогнозировать оставшийся срок службы (RUL) компонентов.
Архитектура совместной работы на границе облака: периферия отвечает за извлечение функций в реальном времени и оценку аномалий второго уровня, а облако использует алгоритмы машинного обучения для оценки работоспособности и глобальной диагностики неисправностей для достижения эффективного сотрудничества «локальной диагностики и облачного анализа».
3. Неразрушающий контроль и оценка внутренних дефектов.
Для высокоинтегрированных редукторов с компактной внутренней структурой традиционный осмотр при разборке может легко снизить точность сборки. Внедрение промышленных решений неразрушающего контроля КТ с высоким разрешением позволяет точно получать полную геометрическую информацию о сложных конструкциях, таких как внутренние зубчатые зацепления и шарики подшипников, без повреждения компонентов. Сочетание глубокого обучения искусственного интеллекта для автоматического выявления внутренних дефектов микронного уровня обеспечивает точную поддержку данных для научной оценки оставшегося срока службы.
4. Замкнутый цикл бизнеса и экологическое строительство эксплуатации и обслуживания.
Конечная цель предупреждения о неисправности – руководство действиями по техническому обслуживанию. Современные системы прогнозного обслуживания могут быть глубоко интегрированы с корпоративной системой MES/CMMS (производство/компьютеризированное управление техническим обслуживанием):
Автоматическая отправка заказов и привязка запасных частей: когда система генерирует раннее предупреждение, она автоматически отправляет рабочий заказ, содержащий подробную информацию о неисправности и мерах противодействия, и связывает запас запасных частей, образуя полный замкнутый цикл «сигнализация → диагностика → отправка → проверка».
Модель оплаты за производительность. Для малых и средних предприятий по производству риса производители оборудования могут предоставить модель «Прогнозируемое обслуживание как услуга (PMaaS)», при которой плата за обслуживание взимается только в том случае, если удалось избежать серьезных сбоев, что значительно снижает риски, связанные с методом проб и ошибок, и финансовое давление.
