چگونه می توان عملکرد سیلندرها را پیش بینی کرد؟ تعمیر و نگهداری پیش بینی شده بر اساس سیگنال های لرزش

به عنوان محرک اصلی سیستم های اتوماسیون صنعتی ، قابلیت اطمینان سیلندرها به طور مستقیم بر کارآیی تولید تأثیر می گذارد. طبق آمار ، 35 ٪ از سیستم پنوماتیک خرابی ها در اثر سایش سیلندر ایجاد می شود و خرابی های ناگهانی می تواند باعث شود خطوط تولید تا ده ها هزار یوان در ساعت از دست بدهند. نگهداری منظم سنتی خطر بازرسی بیش از حد یا از دست رفته را دارد ، در حالی که نگهداری پیش بینی شده بر اساس سیگنال های لرزش می تواند به طور دقیق علائم اولیه سایش را ضبط کرده و به مداخله زودرس گسلها برسد.

1. مکانیسم نسل سیگنال های لرزش سیلندر

منابع ارتعاش معمولی

سایش مهر و موم پیستون: آسیب به حلقه مهر و موم باعث نشت هوای فشرده شده و باعث حرکت پیستون ناپایدار (فرکانس: 10-100 هرتز)

ترخیص آستین راهنما: بیش از تحمل تطبیق باعث می شود میله پیستون به نوسان (فرکانس مشخصه: 50-300 هرتز)

خرابی دریچه بافر: اگزوز ضعیف نوسانات فشار با فرکانس بالا را تولید می کند (باند فرکانس: 500-2000 هرتز)

پارامترهای مشخصه سیگنال ارتعاش

2. سه روش اصلی تشخیص لرزش

روش 1: روش تجزیه و تحلیل ویژگی دامنه زمان

سناریوی قابل اجرا: غربالگری سریع ناهنجاری های اولیه

شاخص های کلیدی:

مقدار RMS (میانگین مربع ریشه): 20 ٪ بالاتر از مقدار پایه یک هشدار اولیه است

فاکتور اوج (CF):> 3.5 نشانگر سایش ضربه است

مراحل عملیاتی:

یک سنسور شتاب سه محوره را در وسط سکته مغزی سیلندر نصب کنید

داده های لرزش را برای 10 چرخه کار جمع آوری کنید

نمره z از CF و RMS را محاسبه کنید (در صورت انحراف از پایه توسط 3σ)

روش 2: فن آوری تخریب پاکت دامنه فرکانس

سناریوی قابل اجرا: به طور دقیق اجزای معیوب را پیدا کنید

اصل فنی: سیگنال مدولاسیون را از طریق تبدیل هیلبرت استخراج کرده و فرکانس مشخصه بلبرینگ/مهر را جدا کنید

روند تشخیصی:

فرکانس نمونه برداری روی 5 کیلوهرتز تنظیم شده است

تجزیه و تحلیل طیف پاکت در باند فرکانس 200-800 هرتز انجام می شود

فرکانس های مشخصه را شناسایی کنید:

سرعت میله پیستون × تعداد توپ (خرابی تحمل)

بسته شدن فرکانس عبور جفت اصطکاک مهر و موم (سایش مهر و موم)

داده های اندازه گیری شده: یک سیلندر ماشین آلات بسته بندی دارای نوار جانبی در 125 هرتز است که به عنوان سایش آستین راهنما تشخیص داده می شود (لرزش پس از تعمیر 62 ٪ کاهش می یابد).

روش 3: یادگیری هوشمند یادگیری ماشین

سناریوی قابل اجرا: نظارت بر خوشه چند سیلندر

معماری مدل:

لایه ورودی: بخش ارتعاش 1S (از جمله ویژگی های فرکانس دامنه زمان)

لایه پنهان: شبکه LSTM 3 لایه (128 واحد حافظه)

لایه خروجی: طبقه بندی نوع گسل (دقت> 92 ٪)

مسیر اجرای:

جمع آوری داده های تاریخی (500 گروه از وضعیت طبیعی/سایش هر کدام)

تقویت داده ها (برای بهبود تعمیم ، سر و صدای گاوسی را اضافه کنید)

ماژول محاسبات لبه را مستقر کنید

3. راهنمای ساخت سیستم تشخیصی

توصیه های انتخاب سخت افزار