技术中心


技术中心

+
  • 002ad33f-9e11-4c2b-b3e9-499ab38915e3.jpg

装备健康管理理论及应用

型号:

B4-002


概要


客户留言

产品介绍


 

胡家文博士在装备健康管理方面进行了相关的理论和应用研究,7月上旬的高端装备论坛中,他给我们讲述了了装备管理的必要性。

如高铁、地铁、飞机等的大型机器装备的高强度及广泛的使用,给装备管理带来了严峻的挑战。同时也提及常见的维修类型分别是事后维修、基于时间的维修、视情维修、预测性维修。

除此之外,胡博士在最新的研究项目也是把装备维修相关的原理与电机相结合,他认为电机被应用于各种工业场合,为系统运行提供动力。电机突然失效,将导致系统停止运行,可能给企业带来大量经济损失,给国防安全带来威胁,甚至影响人的生命安全,在这种大背景下。对电机健康状态进行实时评估,并进行有效的剩余寿命预测,可及时避免突发失效的发生,对于安全、绿色生产生活具有重要的意义。电机种类繁多,工作原理不尽相同,失效模式多样;同时个体之间除了自身原材料的差异,运行工况差别亦是极大,给电机的剩余有效寿命预测带来了极大的挑战。这对于后期在装备运用中,对电机的保养和维修会有更高的理论应用水平。

 

胡博士认为随着传感技术和快速计算技术的高速发展,电机在运行过程中,可以通过传感器实时采集大量的数据,用于映射电机的健康状态,并进一步对剩余有效寿命进行预测。学术界和工业界涌现出大量的理论研究和实际应用。总的来说,剩余有效寿命预测方法可以分为三类,1)数据驱动的方法,2)物理模型驱动的方法,3)数据和物理联合驱动的方法。数据驱动的方法把工业系统视为一个黑匣子,提取数据构建健康特征,建立退化模型,利用线下历史数据进行数据训练,线上实时采集数据进行预测。数据驱动的方法缺乏物理的解释,需要大量的正常/失效数据才能确保预测的准确性,现实中失效数据缺乏成为预测精度提高的一大瓶颈。物理模型驱动的方法需要针对系统具体的失效模式,建立相应的物理失效模型,继而开展剩余寿命预测,具有一定的局限性,而且泛化性较差。数据和物理联合驱动的方法可以综合利用两种方法的优势,在失效数据受限的情况下,有效利用物理模型,开展高精度的剩余有效寿命预测。

胡家文博士及其团队将充分利用诺丁汉(余姚)智能电气化研究院有限公司和电子科技大学实验平台,以及技术储备,综合应用数据和模型驱动的剩余有效寿命预测方法优势,构建多源异构数据融合的健康指数模型,提出高精度的在线剩余有效寿命预测方法。

在线留言


感谢您对我们关注,您有任何建议或意见请给我们留言。

提交