实施案例丨不让机器‘罢工’？钢铁厂设备智能监测有妙招！

01 客户需求

某钢铁企业数智化部门希望能引进一套具有实用价值的设备在线监测与故障诊断预警系统，减少现场设备日常运维压力，提高数智化水平，有效降低突发停机事件；用事前预防代替事后紧急维修，用智能决策代替主观经验。

02 技术方案

本项目处于焦化厂区（防爆区），6台煤气鼓风机出厂时已经安装了轴振、温度等监测保护传感器，但在齿轮箱、液力耦合器、电机部位没有安装监测和保护性质的传感器。结合现场产线设备类型、设备结构、运行工况和监测需求，外加无线智能振动温度复合传感器，采集设备的振动和温度数据。

纳入设备在线监测与故障诊断系统的设备包括鼓风机、齿轮箱、液力耦合器和电机，每台传动设备上安装无线智能振温复合传感器，其中鼓风机两侧的轴位移信号、支撑轴承温度、风机转速等信号一起接入到IEM-Cloud设备监测与故障诊断AI系统。通过多参量数据融合分析与算法，提高故障诊断的精度和速度，为设备管理提供了更为科学的依据。

系统架构图

03 现场施工

通过现场考察了解到鼓风机的传动结构是电机→液力耦合器→齿轮箱→鼓风机，通过和业主方深入沟通最终确定了传感器安装方案。通过部署VB43无线智能温振复合传感器实现传感器24小时在线监测，定期采集振动数据至客户服务器端。

现场安装测点示意图

现场安装图

现场安装图

现场安装图

现场安装图

部分现场安装图片

04 智能诊断

IEM-Cloud设备监测与故障诊断AI系统基于捷杰传感自研APEF报警算法（发明专利）、智能诊断机理模型和AI算法，系统能对海量数据进行深度挖掘和智能解读，对设备的运行状态进行诊断和预测，24小时不间断地对设备状态进行全面监控，实时预警潜在故障风险，确保生产连续稳定进行，从而提高企业的生产效率，降低经济损失。

·APEF智能预警

设备一旦发生故障，相应的特征值都会相较于正常状态下有一定的增长，增长的程度取决于故障的严重程度，自适应边缘保持滤波算法（APEF）预警技术将采集到的特征值进行回归拟合，计算一定时间段内特征值的增长率，当特征值增长率超过相应阈值则触发报警。相较于传统的阈值预警方法，APEF可以发现由于工况影响或阈值设置不合理造成的漏报警，避免了由于漏报警而造成的严重损失；另外，自适应边缘保持滤波算法（APEF）预警也可以在更早期发现故障，将故障造成的损失降到最低。

APEF滤波数据图

·智能诊断机理与模型

本地化部署的报警模型能够及时发现设备的运行状态异常，而进一步的定位及判断异常原因、部位需要提取更深层次的特征信息。针对不同设备部件的故障类型，结合故障机理、专家经验和多年积累的大量故障案例，建立了相应的故障智能诊断模型，可实现对设备成熟故障的智能诊断，系统不依赖于诊断分析师能自动提供相应的自诊断结论和处理建议，为现场人员的检维护提供决策依据。

诊断结果图

设备健康综合评分

05 结语

在客户现场只用3天便成功部署所有智能硬件和IEM-Cloud设备监测与故障诊断AI系统，调试完成并获得客户初步验收。这个系统的投入使用将为设备稳定运行提供有力的数据支撑，将大大减少意外停机，缓解设备运维和使用安全的压力。