01 客戶需求

某鋼鐵企業數智化部門希望能引進一套具有實用價值的設備在線監測與故障診斷預警系統，減少現場設備日常運維壓力，提高數智化水平，有效降低突發停機事件；用事前預防代替事后緊急維修，用智能決策代替主觀經驗。

02 技術方案

本項目處于焦化廠區（防爆區），6臺煤氣鼓風機出廠時已經安裝了軸振、溫度等監測保護傳感器，但在齒輪箱、液力耦合器、電機部位沒有安裝監測和保護性質的傳感器。結合現場產線設備類型、設備結構、運行工況和監測需求，外加無線智能振動溫度復合傳感器，采集設備的振動和溫度數據。

納入設備在線監測與故障診斷系統的設備包括鼓風機、齒輪箱、液力耦合器和電機，每臺傳動設備上安裝無線智能振溫復合傳感器，其中鼓風機兩側的軸位移信號、支撐軸承溫度、風機轉速等信號一起接入到IEM-Cloud設備監測與故障診斷AI系統。通過多參量數據融合分析與算法，提高故障診斷的精度和速度，為設備管理提供了更為科學的依據。

系統架構圖

03 現場施工

通過現場考察了解到鼓風機的傳動結構是電機→液力耦合器→齒輪箱→鼓風機，通過和業主方深入溝通最終確定了傳感器安裝方案。通過部署VB43無線智能溫振復合傳感器實現傳感器24小時在線監測，定期采集振動數據至客戶服務器端。

現場安裝測點示意圖

現場安裝圖

現場安裝圖

現場安裝圖

現場安裝圖

部分現場安裝圖片

04 智能診斷

IEM-Cloud設備監測與故障診斷AI系統基于捷杰傳感自研APEF報警算法（發明專利）、智能診斷機理模型和AI算法，系統能對海量數據進行深度挖掘和智能解讀，對設備的運行狀態進行診斷和預測，24小時不間斷地對設備狀態進行全面監控，實時預警潛在故障風險，確保生產連續穩定進行，從而提高企業的生產效率，降低經濟損失。

·APEF智能預警

設備一旦發生故障，相應的特征值都會相較于正常狀態下有一定的增長，增長的程度取決于故障的嚴重程度，自適應邊緣保持濾波算法（APEF）預警技術將采集到的特征值進行回歸擬合，計算一定時間段內特征值的增長率，當特征值增長率超過相應閾值則觸發報警。相較于傳統的閾值預警方法，APEF可以發現由于工況影響或閾值設置不合理造成的漏報警，避免了由于漏報警而造成的嚴重損失；另外，自適應邊緣保持濾波算法（APEF）預警也可以在更早期發現故障，將故障造成的損失降到最低。

APEF濾波數據圖

·智能診斷機理與模型

本地化部署的報警模型能夠及時發現設備的運行狀態異常，而進一步的定位及判斷異常原因、部位需要提取更深層次的特征信息。針對不同設備部件的故障類型，結合故障機理、專家經驗和多年積累的大量故障案例，建立了相應的故障智能診斷模型，可實現對設備成熟故障的智能診斷，系統不依賴于診斷分析師能自動提供相應的自診斷結論和處理建議，為現場人員的檢維護提供決策依據。

診斷結果圖

設備健康綜合評分

05 結語

在客戶現場只用3天便成功部署所有智能硬件和IEM-Cloud設備監測與故障診斷AI系統，調試完成并獲得客戶初步驗收。這個系統的投入使用將為設備穩定運行提供有力的數據支撐，將大大減少意外停機，緩解設備運維和使用安全的壓力。