創科方案 |
開發用於空氣處理機組的預測性保養人工智能模型
(編號: S-1633) |
試驗項目 |
|
方案特點 |
- 方案包括安裝振動感測器來監測 AHU 設備的振動。 根據 ISO-10816,振動程度能反映了設備的健康狀況.
- 方案還可以將振動强度的時間序列域更改為頻域(透過 FFT- 傅立葉轉換)以分析各個組件中的特定故障
- 使用FFT訓練AI模型,可以識別軸不對中、不平衡、馬達基礎鬆動、軸承缺陷和皮帶磨損
- 為維護人員提供人機介面,監控設備健康狀況並接收可能指示潛在故障的通知和警報
- 可設計為與機電工程署 IBMS 或現場 BMS 集成
|
試驗應用及預期成果 |
- 振動感測器將安裝在AHU上,安裝點和方法將在現場確定.
- 感測器將連接到資料記錄器,記錄器會聚合振動數據並將數據傳遞到中央伺服器執行機器學習和資料儲存的.
- 採用有監督的AI學習, 導入代表不同故障的FFT樣本. 故障 FFT 可從現場故障設備產生或調整設備的正常 FFT 反映故障
- AI 模型訓練完成後,將安裝在運行的 AHU 或測試台 AHU 設備上,以測試其準確性。會持續微調以確保模型的準確性.
- 最終,人工智慧能夠找出(基於 FFT 頻譜)潛在的軸不對中、不平衡、馬達基礎鬆動、軸承缺陷和皮帶磨損.
|
附加方案資料 |
Nam Wah Proposal for AHU Predictive Maintenance W-0517.pdf
|
方案提供者資料 |
|