【作者】

Rüdiger Teichmann, AVL List

【摘要】

论文已在温哥华2019年CIMAC大会上发表，论文版权归CIMAC所有。 改善机械维修任务的调度，例如在可用性至关重要的船舶推进系统，具有很大的经济激励。最终，这种机械组件级故障的识别和预测被认为是状态监测的圣杯。一方面，目前讨论和引入了许多方法来收集各种数据以应用大数据技术，例如机器学习算法。另一方面，基于模拟技术的进步，用于控制和监视目的的数字孪生概念的潜在实施正在受到越来越多的关注。 首先，本文结合avl对状态监测未来的展望，讨论了上述大数据技术的发展。 AVL使用基于模型的方法和专家算法提供了发动机状态监测超过10年。随着现代机械中数字仪器的数量和功能的不断增加，数据的实证分析和建模变得越来越强大，从而实现了数据驱动的监控方法。因此，AVL进行了详细调查，以评估2种方法的优缺点。随后，AVL在现场测量数据上应用了数据驱动方法，以评估故障检测和寿命评估方面的潜力。该贡献将评估适用于大型发动机状态监测的某些分析技术及其对船上数据采集系统设计的要求。在这种情况下，通常很少关注获取背景信息。此外，还将开展对云智能未来的展望，并讨论其对大型发动机运行的影响，特别是在海洋环境中。 作为未来状态监测系统的第二个主要议题，AVL正致力于改进其基于模型的开发方法。因此，已经部署了集成的仿真平台，其涵盖控制和诊断策略及状态监测系统。仿真平台由3个主要部分组成：实时发动机模型及其组件、控制功能包括诊断部件和状态监测系统，具有卓越的诊断和维护功能。通过这种方法，处于早期开发阶段时，可以针对预测诊断和维护的优化系统开发控制和诊断功能。为此，可以使用损坏或老化组件的模拟数据来调整模拟中的模型，以查看系统在这些条件下的行为。因此，可以针对新要求改进现有的控制和诊断功能。为了进一步优化，系统/组件模型也将作为“数字孪生”包含在整体控制和诊断策略中。在实时仿真环境中执行将改善开发时间和成本，从而使开发预测性诊断和维护功能成为可能。

【会议名称】

第29届CIMAC会议

【会议地点】

加拿大 温哥华

【下载次数】

10

返回