从洗衣机“跳舞”到核电厂主泵预警:天洑工业世界模型让机器学会“表达”故障

从洗衣机“跳舞”到核电厂主泵预警:天洑工业世界模型让机器学会“表达”故障

一台洗衣机在甩干衣服时剧烈晃动,甚至在地板上“跳起舞来”,你可能见过这样的场面。

原因通常很简单:滚筒里的衣物分布不均匀,导致旋转时产生周期性离心力,引起设备振动。

如果类似的振动出现在核电厂主泵、发电厂汽轮机或化工厂压缩机上,事情就麻烦了。这些大型设备往往需要长时间连续运行,一旦发生故障,可能导致生产中断甚至安全事故。

如何提前发现设备发出的异常信号?近年来,工业人工智能正在提供新的解决思路。

南京天洑软件有限公司通过融合工业AI、物理机理与专家知识,让人工智能分析设备运行数据、识别潜在故障,并进一步探索工业系统未来的运行状态。

工业设备的振动,藏着哪些秘密

汽轮机、压缩机、通风机和水泵都属于旋转机械。它们依靠转轴、轴承、叶轮等部件工作,长期承受高速旋转、交变载荷、摩擦和温度变化。

不同类型的故障,往往会留下不同的振动特征。

例如,转子质量分布不均匀,会引起不平衡振动。轴承出现点蚀或剥落,可能产生周期性冲击。联轴器两端轴线没有对齐,则可能造成额外的交变载荷。

振动信号就像工业设备的“语言”,包含着有关设备健康状态的大量信息。

但振动并不一定意味着故障。设备负荷、转速、温度变化都会影响振动特征,即使设备完全健康,振动也可能变化。同时,一些早期故障产生的振动幅值很小,可能尚未达到监测系统的报警阈值。

因此,如何区分正常的工况变化与故障征兆,成为设备健康监测的重要难题。

让AI读懂设备的“语言”

针对这一问题,天洑将设备运行数据、故障机理与专家经验结合,构建智能预警和故障诊断模型。

首先,系统接入设备的振动、转速、温度、电流等数据,通过信号处理提取关键特征。

随后,利用历史运行数据训练AI模型,让模型学习设备在不同负荷、转速和工况下的正常运行规律。

但仅依赖数据仍然存在局限。许多严重故障发生概率很低,企业可能积累了大量正常运行数据,却缺乏故障样本。

因此,天洑进一步将故障机理与专家经验融入模型,针对转子不平衡、轴系不对中、轴承损伤等典型故障建立诊断规则。

数据帮助AI发现异常,物理机理帮助AI理解异常,专家知识则帮助AI判断可能的故障原因。

从核电厂主泵,看工业AI如何落地

在压水堆核电站中,主泵负责推动一回路冷却剂循环,将反应堆产生的热量带出堆芯,是保障核电厂安全运行的重要设备。

在这一重要场景,天洑参与建设了某核电厂主泵健康监测与诊断系统。

系统融合主泵实时与历史运行数据、振动分析、物理机理和智能算法,能够持续评估设备健康状态,识别早期异常,并辅助判断故障位置、原因及处置方式。