大型离心压缩机具有排气量大、效率高、体积小、运转平稳、压缩气流恒定无脉动等特点，已成为不可或缺的动设备，近年来其市场占有率越来越高，已广泛应用于石油、化工、冶金、动力、空分等行业。这些行业的生产具有连续性强的特点，要求压缩机必须拥有良好的性能，以保证生产安全、稳定的进行。然而喘振作为离心压缩机的固有特性，具有较大危害性，是压缩机损坏的主要原因之一。在生产过程中，由于对喘振的危害性认识不足，导致判断喘振工况滞后，使机器损伤严重，有时甚至导致机器功能丧失。为了保证离心压缩机稳定、长周期运行，必须快速判断并迅速使其脱离喘振工况。今天因大师给大家分享的是大型离心压缩机发生喘振的危害。喘振现象发生后，应及时使压缩机脱离喘振区域或紧急停车，查清原因后方可再次开车，否则将对压缩机造成伤害。喘振对压缩机的危害主要表现在以下5个方面。1.喘振引起流量和压力强烈脉动和周期性振荡，会造成工艺参数（压力、流量等）大幅度波动，破坏生产系统的稳定性，导致一些测量仪表、仪器准确性降低，甚至失灵，如轴承测温探头、主轴振动探头、主轴位移量探头和各级进排气温度、各密封气压力指示仪表等，都是最容易损坏的测量仪器、仪表。2.受气体强烈、不稳定冲击，叶轮应力大大增加，使叶片强烈振动，噪声加剧，大大缩短整个转子的使用寿命；同时，也会引起机组内部动、静部件的摩擦与碰撞，使压缩机的轴弯曲变形，碰坏叶轮，最终造成整个转子报废。机器多次发生喘振，轻者会缩短压缩机的使用寿命，重者会损坏压缩机本体以及连接压缩机的管道和设备，造成被迫停车。3.由于流量和压力高速振荡，会伴随发生反向的轴向推力，使压缩机内部部件产生强烈振动，破坏润滑油膜的稳定性，加剧轴承、轴颈的磨损，使轴承合金产生疲劳裂纹或脱层，甚至烧毁。严重时会烧毁推力轴承的轴瓦，使转子产生超过设计值的轴向窜动量，造成主轴和压缩机大面积损坏。4.会损坏压缩机级间密封及轴封，使压缩机效率降低，迷宫密封齿片磨损，间隙增大，造成气体泄漏量增大。如果空分设备的原料空气压缩机和可燃气体压缩机的润滑油密封片因喘振而磨损，将会使润滑油窜入生产介质流道，引发爆炸和火灾等事故，后果不堪设想。5.喘振可能使压缩机的地脚螺栓松动，造成机组联轴器对中数据偏移，进而引起联轴器对中不良，导致联轴器的使用寿命缩短，甚至有可能发生疲劳性断裂。使用膜片式联轴器的机组，喘振严重时可能使膜片撕裂，联轴器报废，影响压缩机的正常运转。

01 压缩机油的品种和规格压缩机油可分为矿物油基压缩机油和合成油基压缩机油。适用于有油润滑的活塞式和滴油回转式空气压缩机的矿油型压缩机油包括L-DAA和L-DAB两个品种，每个品种按40℃运动黏度中心值分为32、46、68、100、150，5个牌号。用于回转式空气压缩机的油，按40℃运动黏度中心值分为：15、22、32、46、68、100，6个牌号。合成油基压缩机油是化学合成制得的基础油或稠化剂和必要的改善性能的添加剂组成的产品，大部分是聚合物或高分子有机化合物。现在国外已采用或考虑采用的合成油基压缩机油有：合成烃（聚α-烯烃）、双酯、聚烷撑二醇、氟硅油、磷酸酯油等。它们主要用于各种苛刻的使用条件，有的还加入各种性能的添加剂，以提高其使用性能。合成油基压缩机油的高温稳定性好，残炭低，液体范围宽，倾点低，挥发性小，污染小，使用寿命长。合成油很少或几乎不产生积炭，从而大大提高了压缩机运行的安全性。02 压缩机油的选用选择压缩机油的基本原则是：根据压缩机的不同结构参数和性能参数来选择压缩机油，以便适应其性能要求与工作条件；根据不同压缩介质来选择压缩机油，以使压缩介质不受影响。不同类型压缩机选油可参考表1。表1 不同类型压缩机选油参考表注：（1）带十字头的空压机，传动部分可用40、50#机械油，气缸用压缩机油，以免浪费。（2）不带十字头的空压机，传动部分与气缸使用相同的压缩机油。对于压缩不同的气体（介质），润滑油的选择是不同的。这主要是因为一些气体与润滑油相互有作用，使油品下降，如天然气压缩机若用纯矿物油作压缩机油，则天然气会被油吸收，使黏度下降等。不同压缩介质选用润滑油可参考表2。表2 不同压缩介质选用润滑油参考表

1、轻咨询：CauchyMind PHM参考架构PHM的利益干系人预测性维护的目的与意义预测性维护的价值预防性维护&预测性维护对比2、PHM模型集成开发伙伴集成模型开发指导书v1.0CauchyMind PHM模型FAQ零码开发10min上线小应用，CauchyMind PHM模型&开天aPaaS-集成工作台最佳实践pyc模型文件使用说明3、PHM工程能力CauchyMind PHM 传感器测评标准通过CauchyMind测评的传感器振动信号测点选择振动测量点和测量方向的确定4、学习交流归一化，CauchyMind PHM数据处理的通用方法边带乘积谱在预测性维护中的应用振动值的确定轴承失效的四个阶段及不同的故障检测方法持续更新中...

文章来源：http://www.anytesting.com/news/1920472.html轴承在运转过程中，会由于疲劳的原因慢慢的劣化。如图1所示，滚动轴承的劣化发展不是一个线性过程，而是一个指数过程。在不同的劣化阶段，故障信息出现在不同的频带范围内，所以要采用不同的故障检测方法。目前工业领域普遍认为滚动轴承的劣化历程可以分为四个阶段。图1 典型的轴承故障发展历程第一阶段，轴承失效初期，如图2所示。图2 轴承劣化第一阶段的振动信号的特征这个阶段轴承最先在次表面形成微观裂纹或晶格的错位，而轴承表面则看不到裂纹或者微小剥落，在振动信号的低频段不会形成比较明显的冲击信号，用传统的加速度传感器不能拾取到故障信号，但是次表面的微观裂纹或者晶格的错位会产生声发射信号或者应力波信号。因此，在这个阶段轴承的故障特征主要体现在超声频率段，可以通过声发射传感器或者基于共振的加速度传感器进行拾取，其主要表现为测得的信号峰值或者能量值变大。第二阶段，轴承失效发展期，如图3所示。 图3 轴承劣化第二阶段的振动信号的特征在这个阶段轴承的微观劣化开始由次表面向表面扩展，并在轴承的接触表面产生裂纹或微小剥落等损伤点。当轴承元件表面与这些损伤点接触时，就会形成一定频率的冲击脉冲，根据傅里叶变换可知，短时的冲击信号在频域上是一个宽频信号，所以这个冲击信号必然会激起轴承零部件的高频固有频率发生共振，从而使得其振动加强，通过加速度传感器便能将这部分信号拾取到，再利用包络解调技术便能观察到轴承的故障特征频率，到了第二阶段的末期还能观察到故障特征频率的倍频。在这个阶段，轴承的故障特征频率暂时被淹没在低频段较高的噪音当中，因此在故障特征频率段观察不到很清晰的故障特征频率。第三阶段，轴承失效快速发展期，如图4所示。 图4 轴承劣化第三阶段的振动信号的特征在这个阶段，随着轴承损伤的加速发展，损伤点对轴承接触面的冲击越来越强烈，在共振频率段解调出来的轴承故障特征频率的倍频越来越多，而且其周期性冲击的能量大小已经足以直接通过振动信号的功率谱观察出来，这个时候可以直接在振动信号的功率谱上清晰的看到轴承的故障特征频率，并且其倍频有越来越多的趋势。第四阶段，轴承失效末期，如图5所示。 图5 轴承劣化第四阶段的振动信号的特征在这个阶段，滚动轴承已经快达到寿命的终点，损伤点可以通过肉眼观察到，轴承运动的噪音变得特别大，温度急速的升高。此时直接功率谱上不仅可以清晰的看到轴承的故障特征频率及其倍频，如果损伤点交替的进入载荷区的话，还能在故障特征频率旁边看到明显的调制边频。在第四阶段的末期，频谱上谱线变得不是很清晰，在功率谱上会形成凸出的“茅草堆”，另外高频振动的能量在这时还可能不升反降，如果发现高频的监测量开始下降，不是表面轴承状态变好，而是说明轴承已经快到寿命的终点。综上所述，从轴承劣化的四个阶段可以看出，轴承故障特征频率出现的频率段以及故障特征频率是否出现倍频、是否出现边频，都一定程度反应了轴承的劣化信息，从频率和时间的关系来看轴承的劣化有从高频到低频移动的趋势，先是超声频率段测得的信号产生变化，随着轴承劣化的发展，共振频率段的信号通过一定的分析方法可以观察到轴承的故障特征频率，最后在1KHz以内的低频段信号的功率谱上观察到故障特征频率。这说明随着轴承故障的发展，其故障特征将逐渐从高频段到低频段移动。

转载自：https://bbs.huaweicloud.com/forum/forum.php?mod=viewthread&tid=183081开天aPaaS已经开始公测了，请小伙伴们积极参与。1      目的和范围1.1         目的通过最佳实践，指导工业相关的技术模型与集成工作台快速集成。1.2         范围本文档适用于使用集成工作台及CauchyMind模型，进行零码开发，实现设备预测性维护的业务人员。2      设计2.1         系统清单系统&接口地址备注集成工作台cid:link_2状态识别模型XXX.XXX.XXX.XXX(IP):XX(端口)/path数据设备故障数据1条、设备健康数据1条备注：最佳实践的状态识别模型的IP为可被公网直接访问的弹性IP3      配置过程3.1         前期准备集成工作台Step1：登录华为云Step2：点击2.1表格中的集成工作台地址Step3：申请公测，申请成功后，页面如下所示：状态识别模型（可以用于设备的故障识别）Step1：完成本机安全配置（此步略），涉及防火墙、安全组、本地防火墙Step2：完成本机调用接口成功，本次实验设计接口如下：URL： http://XXX.XXX.XXX.XXX/api/phm-fault-analyze/{point_id}方法：POSTPath参数：point_id    类型：stringHeader参数：Content-Type：application/json;charset=utf8Body：”value”:”xxxxxxxx”     类型：json返回值：true/false测试数据以下数据为json格式，可将{"value":"XX"},中的XX先复制出来以备后用{"value":"[-1.39505, -1.08961, 2.11103, 1.9968400000000002, 3.78912, 0.9229700000000001, 0.41317000000000004, -1.6149499999999999, -2.90004, -2.03396, -2.18487, 3.36486, 1.74245, 5.61287, 0.2427, 0.17451000000000003, -2.0148, -3.891, -4.00619, -3.40944, -0.6482, 0.64517, 4.09173, 1.8701500000000002, -0.96513, -1.91978, -1.51044, -2.40013, -3.47723, -1.50116, 1.64823, 0.25198000000000004, -2.1983800000000002, -2.91033, -1.8511900000000001, 0.9219600000000001, 3.36465, 2.12697, 2.75701, 3.19802, 2.26476, -0.6944, -2.39811, 0.6155200000000001, 2.49535, 2.56555, 0.62338, 2.06604, 1.5233500000000002, -0.28627, -0.6800700000000001, -2.01561, -0.2669, 1.08436, 0.44524, 0.34599, -1.61172, 0.13053, -1.30628, -1.02283, -2.224, -0.5638700000000001, -0.8793900000000001, -1.6797, 0.63004, 0.14525000000000002, -0.024210000000000002, -0.02542, 1.50015, 0.8727400000000001, -0.05407000000000001, -1.30668, -0.44524, 1.62644, 0.2899, 0.03389, 1.73095, 1.40433, 1.0654, -0.10006000000000001, -0.36798000000000003, 2.67026, 2.31055, 0.29696, -2.3739, -0.63549, -1.2627, -1.59598, -0.52917, -0.03309, 0.9264, -0.13517, 1.99866, -2.30672, -0.41397000000000006, -1.29397, 0.69137, -2.39367, -2.36563, -0.95303, -0.35749000000000003, 2.0725, -0.82815, 0.25298000000000004, -2.35251, -1.01073, 0.22837000000000002, 2.52077, 2.40376, 3.16251, 2.95714, 0.32985000000000003, -1.9102999999999999, -3.33802, -2.74934, 0.43697, 2.53227, 4.28722, 1.85663, 0.20558, -0.5092, -2.03255, -0.9947900000000001, -1.49773, 1.45274, 0.8194800000000001, 1.1116, -1.26694, -2.9325200000000002, -2.46388, -2.75277, 1.59517, 3.59222, 1.60345, 1.8033700000000001, 2.28453, 0.32662, -3.66807, -2.58795, -2.20363, 0.21707, 0.51949, -0.49992000000000003, -0.63448, 0.27154, 0.12165000000000001, -1.19714, 1.16284, 1.42652, 1.8467500000000001, 0.13638, -1.18402, -0.78256, -4.37962, -4.61142, -2.27182, -1.4939, 1.98655, 3.55187, 4.77342, 3.59605, 1.12148, -0.25884, -1.7945, -2.42212, -2.60429, 2.03215, 1.80438, 1.8441200000000002, 2.26637, 0.27941000000000005, 0.07727, 0.57416, 2.7788, 1.19209, 3.98602, 1.0535, 0.56205, -3.05216, -3.4308300000000003, -2.8475900000000003, -1.8205200000000001, 1.01839, 1.7945, 2.77779, 0.18237, 1.23607, -1.79672, -3.00535, -1.7860200000000002, -1.08174, 0.08312000000000001, -2.07209, -1.67184, -1.86914, -1.84069, -1.21126, -1.10817, 0.08756000000000001, -0.23463000000000003, 2.12818, 1.95044, 0.23806000000000002, 0.28809, 0.7240500000000001, 1.06943, -1.2350700000000001, -1.86753, -1.2506, 1.91716, 3.04731, 1.9056600000000001, 1.1927, -0.9506100000000001, -0.7367600000000001, -2.2750500000000002, -3.15343, -1.18503, 0.29031, 0.79708, -0.9744100000000001, -0.8864500000000001, -1.7255, -0.11641000000000001, 0.73858, 0.58303, 2.34364, 0.84086, 1.45517, -0.51222, -2.49858, -2.01117, -1.5054, -1.2387000000000001, 0.27558000000000005, 2.21795, 3.17381, 3.06366, 2.36563, 1.74063, -0.13214, -0.6873400000000001, -0.7295, 1.58045, 2.40678, 2.432, 1.3060800000000001, -0.07969000000000001, -0.7010500000000001, 0.14848, -1.15074, -1.15235, 2.93414, 1.85139, 1.72268, -2.6283000000000003, -1.24757, -3.27851, -2.55506, -3.22465, -0.49951000000000007, 0.579, 0.8473200000000001, 0.83884, -2.42817, -1.82496, -2.58815, 0.52292, 0.7028700000000001, 1.13097, 1.46969, 0.5675, -0.13376000000000002, -2.8837, -1.91857, 0.013110000000000002, 1.71461, 3.8861600000000003, 3.1036, 3.72073, 0.9839, -1.5282]"}3.2          配置连接器Step1：点击创建连接器，选择从空白创建Step2：定义链接器名称，并填写状态识别模型的IP：端口，点击下一步Step3：选择无认证，点击下一步Step4：编辑执行动作，定义执行动作名称以及配置相关参数定义名称配置动作及URL配置主体参数（模型中的body，注意root不要修改，新增子节点即可）配置标题（模型中的Header参数，注意root不要修改，新增子节点即）配置查询路径配置结果并创建连接器3.3         配置流Step1：选择我的流，并创建流Step2：定义流名称、选择手动触发，选择触发事件，并添加执行动作Step3：配置手动触发事件，将Header参数（type）、path参数（pointid）、value（body，在前期准备中描述的需要复制备用的XX）配置好，并点击添加执行动作。Step4：选择自定义，PHM连接器，并选择配置连接器过程中定义的执行动作stateStep5：通过动态内容，配置具体的参数，动态内容的参数为Step3配置的内容，之后点击添加执行动作Step6：添加控制动作，选择控制，执行动作选择条件判断Step7：添加判断条件参数因为模型返回值为true/false，true意味着设备异常；false意味设备正常Step8：添加执行动作，针对不同设备故障预测结果，短信发送至不同的人Step9：至此，完成配置3.4         调试Step1：点击上图的保存并调试，并选择运行Step2：至此，小实验已经完成，收到短信了呢，你们说联轴器1是什么状态呢？

开天aPaaS已经开始公测了，请小伙伴们积极参与。1      目的和范围1.1         目的通过最佳实践，指导工业相关的技术模型与集成工作台快速集成。1.2         范围本文档适用于使用集成工作台及CauchyMind模型，进行零码开发，实现设备预测性维护的业务人员。2      设计 2.1         系统清单系统&接口地址备注集成工作台https://www.huaweicloud.com/about/apaas/ssi.html 状态识别模型XXX.XXX.XXX.XXX(IP):XX(端口)/path 数据设备故障数据1条、设备健康数据1条 备注：最佳实践的状态识别模型的IP为可被公网直接访问的弹性IP3      配置过程3.1         前期准备集成工作台Step1：登录华为云Step2：点击2.1表格中的集成工作台地址Step3：申请公测，申请成功后，页面如下所示：状态识别模型（可以用于设备的故障识别）Step1：完成本机安全配置（此步略），涉及防火墙、安全组、本地防火墙Step2：完成本机调用接口成功，本次实验设计接口如下：URL： http://XXX.XXX.XXX.XXX/api/phm-fault-analyze/{point_id}方法：POSTPath参数：point_id    类型：stringHeader参数：Content-Type：application/json;charset=utf8Body：”value”:”xxxxxxxx”     类型：json返回值：true/false测试数据以下数据为json格式，可将{"value":"XX"},中的XX先复制出来以备后用{"value":"[-1.39505, -1.08961, 2.11103, 1.9968400000000002, 3.78912, 0.9229700000000001, 0.41317000000000004, -1.6149499999999999, -2.90004, -2.03396, -2.18487, 3.36486, 1.74245, 5.61287, 0.2427, 0.17451000000000003, -2.0148, -3.891, -4.00619, -3.40944, -0.6482, 0.64517, 4.09173, 1.8701500000000002, -0.96513, -1.91978, -1.51044, -2.40013, -3.47723, -1.50116, 1.64823, 0.25198000000000004, -2.1983800000000002, -2.91033, -1.8511900000000001, 0.9219600000000001, 3.36465, 2.12697, 2.75701, 3.19802, 2.26476, -0.6944, -2.39811, 0.6155200000000001, 2.49535, 2.56555, 0.62338, 2.06604, 1.5233500000000002, -0.28627, -0.6800700000000001, -2.01561, -0.2669, 1.08436, 0.44524, 0.34599, -1.61172, 0.13053, -1.30628, -1.02283, -2.224, -0.5638700000000001, -0.8793900000000001, -1.6797, 0.63004, 0.14525000000000002, -0.024210000000000002, -0.02542, 1.50015, 0.8727400000000001, -0.05407000000000001, -1.30668, -0.44524, 1.62644, 0.2899, 0.03389, 1.73095, 1.40433, 1.0654, -0.10006000000000001, -0.36798000000000003, 2.67026, 2.31055, 0.29696, -2.3739, -0.63549, -1.2627, -1.59598, -0.52917, -0.03309, 0.9264, -0.13517, 1.99866, -2.30672, -0.41397000000000006, -1.29397, 0.69137, -2.39367, -2.36563, -0.95303, -0.35749000000000003, 2.0725, -0.82815, 0.25298000000000004, -2.35251, -1.01073, 0.22837000000000002, 2.52077, 2.40376, 3.16251, 2.95714, 0.32985000000000003, -1.9102999999999999, -3.33802, -2.74934, 0.43697, 2.53227, 4.28722, 1.85663, 0.20558, -0.5092, -2.03255, -0.9947900000000001, -1.49773, 1.45274, 0.8194800000000001, 1.1116, -1.26694, -2.9325200000000002, -2.46388, -2.75277, 1.59517, 3.59222, 1.60345, 1.8033700000000001, 2.28453, 0.32662, -3.66807, -2.58795, -2.20363, 0.21707, 0.51949, -0.49992000000000003, -0.63448, 0.27154, 0.12165000000000001, -1.19714, 1.16284, 1.42652, 1.8467500000000001, 0.13638, -1.18402, -0.78256, -4.37962, -4.61142, -2.27182, -1.4939, 1.98655, 3.55187, 4.77342, 3.59605, 1.12148, -0.25884, -1.7945, -2.42212, -2.60429, 2.03215, 1.80438, 1.8441200000000002, 2.26637, 0.27941000000000005, 0.07727, 0.57416, 2.7788, 1.19209, 3.98602, 1.0535, 0.56205, -3.05216, -3.4308300000000003, -2.8475900000000003, -1.8205200000000001, 1.01839, 1.7945, 2.77779, 0.18237, 1.23607, -1.79672, -3.00535, -1.7860200000000002, -1.08174, 0.08312000000000001, -2.07209, -1.67184, -1.86914, -1.84069, -1.21126, -1.10817, 0.08756000000000001, -0.23463000000000003, 2.12818, 1.95044, 0.23806000000000002, 0.28809, 0.7240500000000001, 1.06943, -1.2350700000000001, -1.86753, -1.2506, 1.91716, 3.04731, 1.9056600000000001, 1.1927, -0.9506100000000001, -0.7367600000000001, -2.2750500000000002, -3.15343, -1.18503, 0.29031, 0.79708, -0.9744100000000001, -0.8864500000000001, -1.7255, -0.11641000000000001, 0.73858, 0.58303, 2.34364, 0.84086, 1.45517, -0.51222, -2.49858, -2.01117, -1.5054, -1.2387000000000001, 0.27558000000000005, 2.21795, 3.17381, 3.06366, 2.36563, 1.74063, -0.13214, -0.6873400000000001, -0.7295, 1.58045, 2.40678, 2.432, 1.3060800000000001, -0.07969000000000001, -0.7010500000000001, 0.14848, -1.15074, -1.15235, 2.93414, 1.85139, 1.72268, -2.6283000000000003, -1.24757, -3.27851, -2.55506, -3.22465, -0.49951000000000007, 0.579, 0.8473200000000001, 0.83884, -2.42817, -1.82496, -2.58815, 0.52292, 0.7028700000000001, 1.13097, 1.46969, 0.5675, -0.13376000000000002, -2.8837, -1.91857, 0.013110000000000002, 1.71461, 3.8861600000000003, 3.1036, 3.72073, 0.9839, -1.5282]"}3.2          配置连接器Step1：点击创建连接器，选择从空白创建Step2：定义链接器名称，并填写状态识别模型的IP：端口，点击下一步Step3：选择无认证，点击下一步Step4：编辑执行动作，定义执行动作名称以及配置相关参数定义名称配置动作及URL配置主体参数（模型中的body，注意root不要修改，新增子节点即可）配置标题（模型中的Header参数，注意root不要修改，新增子节点即）配置查询路径配置结果并创建连接器3.3         配置流Step1：选择我的流，并创建流Step2：定义流名称、选择手动触发，选择触发事件，并添加执行动作Step3：配置手动触发事件，将Header参数（type）、path参数（pointid）、value（body，在前期准备中描述的需要复制备用的XX）配置好，并点击添加执行动作。Step4：选择自定义，PHM连接器，并选择配置连接器过程中定义的执行动作stateStep5：通过动态内容，配置具体的参数，动态内容的参数为Step3配置的内容，之后点击添加执行动作Step6：添加控制动作，选择控制，执行动作选择条件判断Step7：添加判断条件参数因为模型返回值为true/false，true意味着设备异常；false意味设备正常Step8：添加执行动作，针对不同设备故障预测结果，短信发送至不同的人Step9：至此，完成配置3.4         调试Step1：点击上图的保存并调试，并选择运行Step2：至此，小实验已经完成，收到短信了呢，你们说联轴器1是什么状态呢？

本文引自百度百科：https://baike.baidu.com/item/%E5%BD%92%E4%B8%80%E5%8C%96%E7%89%B9%E5%BE%81       归一化特征是数据挖掘的一项基础工作，不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。该问题的出现是因为我们没有同等程度的看待各个特征，即我们没有将各个特征量化到统一的区间。比如对房屋售价进行预测时，我们的特征仅有房屋面积一项，但是，在实际生活中，卧室数目也一定程度上影响了房屋售价。下面，我们有这样一组训练样本（图一）：图一       注意到，房屋面积及卧室数量两个特征在数值上差异巨大，如果直接将该样本送入训练，则代价函数的轮廓会是“扁长的”，在找到最优解前，梯度下降的过程不仅是曲折的，也是非常耗时的（图二）： 图二当前CauchyMind PHM模型归一化常用方法：Min-Max Scaling        Min-Max Scaling又称为Min-Max normalization， 特征量化的公式为：       量化后的特征将分布在区间。       大多数机器学习算法中，会选择Standardization来进行特征缩放，但是，Min-Max Scaling也并非会被弃置一地。在数字图像处理中，像素强度通常就会被量化到[0,1]区间，在一般的神经网络算法中，也会要求特征被量化[0，1]区间。       进行了特征缩放以后，代价函数的轮廓会是“偏圆”的，梯度下降过程更加笔直，收敛更快性能因此也得到提升（图三）：图三

本文摘自《Detection and recovery of fault impulses via improved harmonic product spectrum and its application in defect size estimation of train bearings》https://doi.org/10.1016/j.measurement.2016.05.068在之前的论文赏析中，谐波乘积谱可以用于发现包络谱中大量谱线之间的谐波关系。一般来说，信号去噪可以通过两种不同的方式来实现，即找出什么是噪声，通过阈值化来抑制某个变换域内的噪声；或者确定什么是信号，然后通过仅保留某个变换域中有意义的分量来重构它。小波去噪是一种典型的工具，可以归为前者。它在高斯噪声的情况下表现良好，或者信号和噪声位于不同的尺度。然而，在这种情况下，由干扰调制引起的分立分量可能与故障调制分量共享相同的尺度，因此通常很难通过这种方法将它们分开。而且，在实际应用中，干扰的数量和类型通常是事先未知的。因此，基于噪声消除的方法可能难以实施。另一方面，故障调制的频谱模式和分布在包络谱中相对清晰。由于故障特征频率及其谐波已经被谐波乘积谱检测到，剩下的问题是如何进一步找出属于其边带的谱线。幸运的是，由于这些边带在 BCF 的每个谐波周围等距分布，因此可以通过以下边带乘积谱 (SPS)轻松识别它们。因此，通过将谐波乘积谱发现的主频和边带乘积谱发现的频带分量保留在包络谱中，然后将它们转换为时域，可以恢复故障包络，同时消除来自其他调制和测量噪声的干扰。如图A是原始信号的包络谱，图B是A的谐波乘积谱，图C是A的边带乘积谱。通过对图B和图C信号的结合，可以保留如图D所示的故障包络信号。

尽管物联网传感器的影响是多方面的，但对于现代公司来说，可能没有什么比预测性维护工具更重要的了。根据德勤（Deloitte）的一份报告，预测企业资产的故障可以将设备正常运行时间增加20%，将生产效率提高25%，并将故障减少70%。除此之外，该研究还发现，预测性维护可以将维护成本降低 25%。这可以成为许多行业的救命稻草，这引发了一个问题，什么是预测性维护，它是如何工作的？什么是预测性维护？预测性维护的最终目标是通过成功预测资产何时发生故障，并仅在需要时进行维护，从而避免代价高昂的停机时间。为此，需要对环境传感器和其他物联网监测装置收集到的数据进行彻底审查和分析，以创建关键任务型设备性能的可操作见解和使用模式。就其本质而言，预测性维护改进了被动式模式，在这些被动式模式中，计划外停机是不可避免的。2015 年 Carbonite 的一项研究估计，小型企业的停机成本可能高达每分钟 427 美元，而大中型公司的成本飙升至每分钟 9,000 美元以上。采用基于时间的维护计划的组织可能能够避免计划外停机，但低效资产维护的成本也可能迅速增加。主要风险是过于频繁地维护资产，导致不必要的支出，用于更换仍然可以使用的资产零件或设备。监测这些相同的资产，并以更高效的计划进行维护，可以比定期维护节省高达12%的费用。它是如何工作的？其核心是，所有预测性维护都是从监测设备的特定条件开始的。这些条件通常基于历史性能数据或设备规格，旨在为资产的最佳性能环境创建一个范围。这就建立了一个监测机制来比较每项资产的当前状况。这些状况通过物联网传感器进行观察，并对数据进行监测，以发现任何可能导致潜在故障的异常行为。预测性维护中使用的传感器种类繁多，其中最常见的是：温度传感器、湿度传感器、运动传感器、声音传感器、光波传感器、电流传感器等。当然，像安全摄像头这样更简单的物联网解决方案也是预测性维护的重要组成部分。能够从远程位置观察资产的任何明显变化，这对于跨地理区域（如输油管道或电力线）用例中的维护工作尤其宝贵。人工智能和物联网解决方案当然，故障并不完全发生在工作时间，因此依靠人眼来监测数百个潜在的预测性维护数据流通常不是最有效的，因此，开发人员采用人工智能来分析资产性能的异常变化。人工智能通常基于历史数据构建的统计模型来从物联网传感器中提取数据，并根据被概述为潜在退化迹象的参数来运行数据，并在满足这些条件时创建通知。为此，人工智能创建了数学模型，将温度和活动等因素编码为简单的数值点。RapidMiner 的数据科学家 Scott Genzer说：“这实际上只不过是我们几十年来一直在做的老式数学模型，不同之处在于，我们现在有计算能力来[处理]大量数据，以找出模式。”最后随着概念的成熟，预计预测性维护将变得更加普遍。Markets and Markets最近的一份报告预测，到2026年，预测性维护市场的估值可能达到159亿美元。这一概念已迅速成为工业 4.0 的一个基本要素，从汽车行业到建筑工地，再到油田，它无所不在。然而，MarketsandMarkets报告指出，政府和国防工业是预测性维护最大的应用领域。

PHM参考架构，欢迎各位提出宝贵意见。温馨提示，未经允许，禁止转载。

本文摘自《Detection and recovery of fault impulses via improved harmonic product spectrum and its application in defect size estimation of train bearings》https://doi.org/10.1016/j.measurement.2016.05.068在轴承和齿轮发生故障时，它们的故障部位和机器接触时将产生一次异常冲击，这种异常脉冲信号将引发机器系统的高频共振。确定脉冲信号发生的高频谐振带，通过对该频带进行带通滤波，可以消除驻留在低频区域的干扰，从而增强与故障相关的瞬态信号。确定高频谐振带的方法有很多种，常见的方法是通过计算谱峭度，确定其最大值所在的中心频率和带通作为高频共振带。然而，谱峭度受强非高斯噪声的影响非常大，不具备鲁棒性。通过谐波乘积谱，可以分离并识别振动信号的不同调制源。谐波乘积谱的定义如下：其中，F(w)是频域幅度值，K是纳入考量的谐波数量。对该公式的理解可参考下图：

1.测量绝缘电阻。新安装的或停用3个月以上的电动机，用兆欧表测量电动机各相绕组之间及每相绕组与地（机壳）之间的绝缘电阻。对于绕线转子电动机，还要测量转子绕组、滑环对机壳和滑环之间的绝缘电阻。通常对500V以下的电动机用500V的兆欧表测量其绝缘电阻；对500~3000V的电动机用1000V兆欧表测量其绝缘电阻；对3000V 以上的电动机用2500V兆欧表测量其绝缘电阻。测量前应首先检查兆欧表，具体方法是：先把兆欧表端点开路，摇动手柄，观察指针是否指向∞；再把兆欧表端点短接，摇动手柄，观察指针是否指向0处。如果不正常，说明兆欧表有故障。验表后，测试前应拆除电动机出线端子上的所有外部接线。按要求，电动机每1kV工作电压，绝缘电阻不得低于1MΩ。电压在1kV以下、容量为1000kW及以下的电动机，其绝缘电阻应不低于0.5MΩ。如绝缘电阻较低，则应先将电动机进行烘干处理，然后再测绝缘电阻，合格后才可通电使用。2.检查二次回路接线是否正确。二次回路接线检查可以在未接电动机情况下先模拟动作一次，确认各环节动作无误，包括信号灯显示正确。检查电动机引出线的连接是否正确，相序和旋转方向是否符合要求，接地或接零是否良好，导线截面积是否符合要求。3.检查电动机内部有无杂物，用干燥、清洁的200~300kPa的压缩空气吹净内部（可使用吹风机等），但不能碰坏绕组。4.检查电动机铭牌所示电压、频率与所接电源电压、频率是否相符，电源电压是否稳定（通常允许电源电压波动范围为±5%），绕组接法是否与铭牌所示相同。如果是降压启动，还要检查启动设备的接线是否正确。5.检查电动机紧固螺栓是否松动，轴承是否缺油，定子与转子的间隙是否合理，间隙处是否清洁，有无杂物。检查机组周围有无妨碍运行的杂物，电动机和所传动机械的基础是否牢固。6.检查保护电器（断路器、熔断器、交流接触器、热继电器等）整定值是否合适，动、静触头接触是否良好。检查控制装置的容量是否合适，熔体是否完好，规格、容量是否符合要求，装接是否牢固。7.检查电刷与换向器或滑环接触是否良好，电刷压力是否符合制造厂的规定。8.检查启动设备是否完好，接线是否正确，规格是否符合电动机要求。用手扳动电动机转子和所传动机械的转轴（如水泵、风机等），检查转动是否灵活，有无卡涩、摩擦和扫膛现象。确认安装良好，转动无碍。9.检查传动装置是否符合要求，传动带松紧是否适度，联轴器连接是否完好。10.检查电动机的通风系统、冷却系统和润滑系统是否正常。观察是否有泄漏印痕，转动电动机转轴，看转动是否灵活，有无摩擦声或其他异声。拆下轴承盖，检查润滑油质、油量。一般润滑脂的填充量应不超过轴承盒容积的70%，也不得少于容积的50%。11.检查电动机外壳的接地或接零保护是否可靠和符合要求。电动机经以上检查合格，便可进行试车。

01 压缩机的用途压缩机是一种输送气体和提高气体压力的机器。它在许多生产部门中应用极广，尤其是在石油、化工生产中，压缩机是必不可少的而且是关键的设备。各种气体通过压缩机提高压力后，大致有如下的用途。（1）压缩气体作为动力空气经过压缩后可以作为动力用，以驱动各种风动机械与风动工具，以及控制仪表与自动化装置等。（2）压缩气体用于制冷和气体分离气体经压缩、冷却而液化，用于人工制冷，这类压缩机通常称为制冰机或冰机。若液化气体为混合气时，可在分离装置中将各组分分别地分离出来，得到纯度合格的各种气体。如石油裂解气的分离，先是经压缩，然后在不同的温度下将各组分分别分离出来。（3）压缩气体用于合成及聚合在化学工业中，某些气体经压缩机提高压力后有利于合成及聚合。如氮与氢合成氨，氢与二氧化碳合成甲醇，二氧化碳与氨合成尿素等。又如高压下生产聚乙烯。（4）气体输送压缩机还用于气体的管道输送和装瓶等。如远程煤气和天然气的输送，氯气和二氧化碳的装瓶等。02 压缩机的分类（1）按压缩机的工作原理和结构形式分类压缩机的种类很多，如果按其工作原理和结构形式分类，可分为容积型和速度型两大类。a.容积型压缩机在容积型压缩机中，一定容积的气体先被吸入气缸内，继而在气缸中其容积被强制缩小，气体分子彼此接近，单位体积内气体的密度增加，压力升高，当达到一定压力时气体便被强制地从气缸排出。可见，容积型压缩机的吸排气过程是间歇进行，其流动并非是连续稳定的。容积型压缩机按其压缩部件的运动特点可分为两种形式：往复活塞式（简称往复式）和回转式。而后者又可根据其压缩机的结构特点分为滚动转子式（简称转子式）、滑片式、螺杆式（又称双螺杆式）、单螺杆式等。b.速度型压缩机在速度型压缩机中，气体压力的增加是由气体的速度转化而来的，即先使吸入的气流获得一定的高速，然后再使其缓慢下来，让其动量转化为气体的压力升高，而后排出。可见，速度型压缩机中的压缩流程可以连续地进行，其流动是稳定的。如图2所示为常见压缩机分类及其结构示意。图2 常见压缩机分类及其结构示意（2）压缩机的其他分类方法a.按排气压力分类按压缩机的排气终压力可分为以下几类：①低压压缩机 排气终了压力在0.2~1.0MPa（表压）。②中压压缩机 排气终了压力在1.0~10MPa（表压）。③高压压缩机 排气终了压力在10~100MPa（表压）。④超高压压缩机 排气终了压力在100MPa（表压）以上。b.按轴功率大小分类①小型压缩机 压缩机轴功率在10~50kW之间。②中型压缩机 压缩机轴功率在50~250kW之间。③大型压缩机 压缩机轴功率大于250kW。（3）按压缩机排气量的大小可分类①微型压缩机 排气量在1m3/min以下。②小型压缩机 排气量在1~10m3/min。③中型压缩机 排气量在10~100m3/min。④大型压缩机 排气量在100m3/min。

制造业是国家经济命脉所系，而制造业数字化转型则是技术深刻变革条件下两化融合的一个发展阶段，也是当前两化融合的工作重点。对此，在接受亿邦动力采访时，因联科技的创始人吕芳洲表示：“随着信息技术，大数据技术，人工智能技术的发展，设备数字化运维服务从故障后维护、周期性维护、基于点巡检状态维修逐步升级到以数据驱动预测性维护的智慧阶段。”受访公司：西安因联信息科技有限公司受访者及职位：吕芳洲，创始人所属行业：智能制造行业亿邦产业：您认为本行业数字化处于什么水平，发展趋势如何，能否从定性和定量两个维度做判断？吕芳洲：在智能制造浪潮的推动下，制造业正积极进行数字化转型，工业领域各领军企业越来越重视生产设备的数字化、自动化、智能化改造，煤炭、建材、钢铁、石化、汽车等行业Top级集团用户正在或者计划加大智能制造投资，且超70%已开始试点部署设备智能运维应用。同时，轴承、机泵、齿轮箱等设备制造商也在加快数字化服务转型，智能化配套、工业服务等需求显著增加。但是由于工业设备数字化转型过程中，运维业务场景碎片化、应用需求多样化，以及现有智能运维技术产生效果难以标准化，导致生产装备数字化服务的普及率比较低，整体行业发展处于技术推动普及的早期阶段。亿邦产业：您的企业在产业数字化方面的价值主要表现在哪些方面，具体有哪些产品和服务？吕芳洲：随着信息技术，大数据技术，人工智能技术的发展，设备数字化运维服务从故障后维护、周期性维护、基于点巡检状态维修逐步升级到以数据驱动预测性维护的智慧阶段。预测性维护对于设备的价值可以从这几方面解释。一是解决设备自我感知的问题，首先第一时间发现设备状态的异常。有经验的设备管理工程师可以通过现场的声响或温度来进行判断，但是没有经验的呢，一直运转到设备宕机后才有可能发现设备异常。因联的解决方案是提供智能传感器、智能网关等完整的物联网产品系列，通过工业大数据采集、处理，在对设备和工况数据掌握的基础上，采用数字化模型应用技术，根据设备劣化趋势在设备故障萌芽状态就发出预警。二是解决设备实现自我分析的问题，到底是什么原因导致的设备异常，故障部位将会是哪里，严重程度又如何，该怎样去应对。因联通过把采集到的数据进行设备状态特征的分析提取，构建设备数字化模型；利用设备机理+智能诊断模型+AI大数据分析融合，建立诊断知识库，进行自动化设备异常的根因分析，精准识别设备故障部件类型，为设备运维提供最佳时间窗口，最终实现自动智能诊断。三是有针对性的对设备具体故障提供维修建议，比如采用动平衡、对中处理、改善润滑、更换部件或者停机维修等。因联提供的设备全生命周期管理，把智能诊断结果同整个生产系统的生产计划，维修计划进行自动结合，排定备件清单、系统停机时间、维修时间，同时系统把相应委托单的检修任务和维护任务、维修方案自动推送给对应的人员。这样就形成了监测、预警、诊断、维护这样一个设备生命周期的闭环，从过去的“人找事”过渡到“事找人”的全新阶段，此外，随着成功案例的积累，可以不断充实完善设备运维数字化案例资产知识库，形成成功实践的积累，减少对人员的技能性要求，实现经验的可复制性。亿邦产业：你们对工厂或者其他产业链合作伙伴的数字化改造/赋能切入点是什么？越具体越好，为什么要做这些改造，合作伙伴为什么愿意接受你们的数字化改造？能否结合一个或者几个案例谈谈。吕芳洲：因联科技的设备数字化赋能是以制造企业面临三大刚性需求为切入点。一是安全生产，如何保障生产及设备安全运行；二是提升生产效率，如何提升生产效率，保证生产质量；三是改善效益需求，企业产线生产效益如何得到持续改善和提高。而要满足以上三点需求，根本上需要从制造企业核心设备管理入手，这也给制造企业带来了管理和人员的两大挑战，管理上企业面临着技术有效性、以及落地性的变革与挑战；人员上面临结构化调整造成的人员经验缺失和技能不匹配的挑战。具体的说，比如非计划停机造成生产损失；设备数据众多，人工巡检困难，巡检质量低；设备隐患或故障未能及时发现，造成安全事故、生产效率降低、产品品质下降；以及对人员技能要求高，难以培养人留人等。那么，如何以更合理的投入获取高效的价值，做到性价比最优？首先，分层次智能监测方案。对于关键性、重资产的主机设备和故障率高且成本低、较分散的辅机设备，采用不同的数字化手段来进行监测，兼顾成本与效率。其次，结合企业的落地过程划分阶段进行建设：阶段一，对设备进行数字化改造，取代过去的人工巡检及记录的方式，实现设备异常的全面监控，有效释放人力。阶段二，通过预警与诊断相结合，实现设备故障精准定位，提升企业的人力及资源的调度效率；阶段三，基于技术与应用双向驱动，逐步实现设备少人值守乃至无人值守。在这个过程中，通过物联网应用驱动务联网应用，结合企业的实际实现制造企业设备智能化建设全面升级。以典型的流程化行业水泥行业为例，因联的方案覆盖了石灰石场、生料制备、熟料烧成、水泥粉磨、水泥包装和余热发电的全工艺流程监测方案，可提供从无线感知、有线感知，工艺、油液、温度和图像等监测手段，到设备模型建立、数据算法训练、预警算法模型和诊断算法模型的设备预测性维护完整解决方案，从而实现对厂级客户所有关键生产设备的完全覆盖。依托多年对行业的知识沉淀、对各类工业场景设备机理的理解，因联不仅能够提供单一机械设备的智能监测、故障预警及诊断，还可以根据客户需求，提供厂级乃至集团级的全景式物联网解决方案，满足了企业对日常安全生产排产调度管理、生产调度决策分析、应急事故处理等需要。亿邦产业：您如何理解数据、算法及AI在本行业产业数字化中的应用？在贵企业有哪些具体的应用和效益？吕芳洲：数字化是有目标的，首先得让设备能够实现完整的自我呈现和表达，表达自身的健康状态，然后基于我们对设备机理的理解和历史案例的积累形成有效的算法，并能够精准识别数据的状态，形成自我的驱动，进而实现数据智能。以数据智能为基础，更好地发挥生产设备的绩效和性能，提高设备可靠性和生产效率，从而帮助工业企业优化运维，降本增效。在应用层面，因联科技的设备数字化服务可以完整覆盖水泥、煤炭、钢铁等行业设备，覆盖设备类型达300多种，并随着行业应用的深耕和拓展，适用范围也在不断扩大。因联通过机理模型+大数据模型+专家诊断的先进模式，目前已经积累了200多个数字化设备模型，这样基于平台自诊断和专家远程诊断的方式，更加准确进行设备故障预警，故障诊断，为设备运维提出更加科学的运维建议，从而有效的保障设备系统正常运行，为工厂侧、集团侧智能化建设提供了有力技术保障。据测算，使用因联基于设备机理+工业AI的设备数字化服务解决方案可以帮助客户提前1-3个月预知设备潜在故障，降低25%维修成本，延长20%设备寿命，同时实现人力结构的优化升级。亿邦产业：能否描述一下贵公司用数字化系统连接的产业生态，都有哪些角色，如何驱动生态伙伴之间的合作？吕芳洲：围绕工业最终用户，因联将聚合整机制造商、零部件提供商、检修维保服务公司以及保险等金融机构，积极组建设备维保体系的产业生态圈，并可凭借基于对设备状态的精准预测，助力用户企业降本增效、驱动设备供应商进行商业模式创新，通过商机驱动，加速不同业务之间的互通互联，协作配合，驱动共享制造、设备融资租赁、供应链金融等新型服务模式加速涌现，进而提升整个链条的协同效率，以最优的成本和最佳的方式，为客户提供更加精准、更具性价比的服务方案。亿邦产业：能否用一两句话描述贵公司的定位，描述贵公司的产业数字化价值，描述企业资本市场想像空间？吕芳洲：因联科技将紧密围绕设备数字化应用这个垂直领域，致力构建工业设备全生命周期智能运维服务新生态，以推进智慧工业的进步为愿景，赋能产业生态伙伴，帮助工业用户提升生产效率、保障安全生产、优化生产决策，助力企业智能制造升级转型。亿邦产业：能否畅想一下高度数字化的本行业产业运行场景，贵公司将在其中承担什么角色？吕芳洲：数字化转型是经济发展的大方向，是产业迈向中高端的重要路径。伴随着5G、IoT、云/边缘计算、数字孪生、区块链等新技术的加速创新与应用，行业数字化将会是产业链业务流程的全面贯通，通过对设备的智能化管理，为工厂决策提供数据支撑，实现人、机、数据的高度交互，并完成调度一体化、监测实时化、分析智能化、决策自主化等高效协同的精准管控，而因联科技在产业数字化过程中将提供设备的数字化改造能力、智慧化的赋能能力和提供商机的链接能力，加速产业数字化变革。文章来源：亿邦动力