中文
解决方案
返回

解决方案

产品创新
返回

产品创新

核心技术
返回

核心技术

关于我们
返回

关于我们

中文
返回
核心技术：预测性维护
预测性维护技术是利用数据分析和机器学习算法对设备运行状态进行实时监测与分析，识别潜在故障并提前预警，以提高设备的可靠性、延长使用寿命并降低维修成本的一种新型维护方式。
预测性维护算法
ALGORITHM
预测性维护算法主要分为两类，一是基于设备的机理模型建模，二是通过数据驱动的人工智能建模。
  • 机理模型建模
    机理模型建模
    基于设备的机理模型的算法，是通过设备机械参数建立设备算法模型，然后对设备实时状态数据进行特征提取和频域分析，判断设备是否符合特定故障的特征频率。
  • 人工智能建模
    人工智能建模
    通过数据驱动的人工智能建模，需要长期的设备正常和异常数据训练，让算法自动识别设备故障特征。算法成型的时间长、初始效果差、可移植性不高。但是从长远看，随着数据积累和算法自学习成果，其成长性和特定故障识别效果高于设备机理建模算法。
系统架构
SYSTEM
  • 监测设备层
    根据用户需求，选取关键设备进行实时监测，包括机械设备、电气元件和电气回路。
    1
  • 传感器层
    根据监测设备特点，选取合适传感器进行数据收集。
    2
  • 边缘端层
    汇集各渠道数据进行数据处理，对预测性维护算法进行管理，让算法实时分析数据，判断设备健康状态。
    3
  • 客户云层
    通过Web+小程序呈现起重机运行状态，对故障信息实时推送，并给出故障处理指导。
    4
  • IC云层
    可选择将故障信息同步到盈泰利华状态监测平台，专业技术人员将及时对故障状态进行通知并提供指导。
    5
技术优势
TECHNOLOGY
工业设备预测性维护的关键点在于数据收集的准确性和预测性维护算法的有效性。
  • 数据收集的准确性
    数据收集的准确性
    基于设备的机理模型的算法，是通过设备机械参数建立设备算法模型，然后对设备实时状态数据进行特征提取和频域分析，判断设备是否符合特定故障的特征频率。
  • 算法的有效性
    算法的有效性
    盈泰利华预测性维护算法以设备机理模型算法为主，提供人工智能建模算法进行自学习，保证设备故障识别率的同时，开发基于用户设备的专用预测性维护算法。 自行开发的边缘算法平台，不仅能接入传感器数据，还能接入起重机所有的运行数据，综合起重机工作状态调用不同算法分析设备健康状态，能更有效率的完成对设备健康状态的判断。
人才优势
TEAM
盈泰利华算法开发团队凭借丰富的设备预测性维护算法开发经验，积极推动校企合作。
我们合作的成员中，有北京交通大学特聘讲师、北京市大数据成果转化基地的首席科学家，也有滑铁卢大学量子计算中心的研究员，我们的自有算法研发团队的多名核心成员均为知名海外高校毕业的有志青年，他们基于最新的科研成果，帮助企业一站式解决核心生产设备的运维难题，有效杜绝设备亚健康运行带来的安全危害。
APPLICATION
应用场景
设备点检
盈泰利华基于边缘端算法平台，定点采集设备运行数据并在本地进行数据分析，将数据和分析结果实时传递至安全监控平台和设备运维平台，管理人员可在平台上实时查看设备的运行状态，点检人员也可以在安全的地点手持移动终端PDA，根据实时设备数据判断设备健康状况，预测性维护算法也将辅助点检员进行判断和决策，减少点检员上车次数，同时使设备的安全隐患能够早发现、早预防、早处理。
设备维护
盈泰利华提供基于人工智能的预测性维护，对设备劣化状态进行观测，自动分析和判断出起重机各关键设备或电气元器件的健康状况，提前识别设备异常并同步提供维护方案，同时，我们还将提供7*24小时的远程设备运维服务，防止设备突发故障造成停机。
设备维修
针对设备劣化故障，系统将提前识别并主动推送故障设备、故障程度，并预测失效期，让用户从容安排维修活动，减少意外停机次数，降低事故发生率和不可预见成本。
对于突发的设备故障，平台在收到故障信息后，及时通知相关技术人员，并提供发生故障时的设备监测数据以及系统建议的维修方案，让技术人员能够快速定位和处理故障，有效减少设备停机带来的损失。