Monitoraggio delle condizioniProduzione e robotica

Predizione acustica del guasto

Un singolo microfono a distanza e uno stack diagnostico a trasformata wavelet continua su un trasformatore di potenza di cabina — elaborazione del segnale tempo-frequenza, un confronto tra sei famiglie di feature, e una pipeline prognostica indice di salute / RUL con incertezza misurata onestamente, riportata lasciandone dentro gli insuccessi.

DjiniousLabModellazione e simulazione

Un grafico a barre raggruppate su sfondo scuro che confronta l’AUC per famiglia di feature (FFT, STFT, CWT, DWT e altre due) su quattro classi di guasto — CWT-scale vince nettamente solo sulla classe delle scariche parziali

Errore di calibrazione CWT, tono peggiore (100 Hz–10 kHz): 0.14%Errore di calibrazione CWT, tono peggiore (100 Hz–10 kHz)
errore di localizzazione del burst di scarica parziale: 0,0 mserrore di localizzazione del burst di scarica parziale
errore di recupero BPFO della ventola di raffreddamento: 0,17 Hzerrore di recupero BPFO della ventola di raffreddamento
copertura dell’intervallo predittivo RUL all’80% (obiettivo ≥ 80%): 81.3%copertura dell’intervallo predittivo RUL all’80% (obiettivo ≥ 80%)

Sentire un trasformatore guastarsi prima che accada.

Un singolo microfono a distanza, a tre metri dalla parete del serbatoio di un trasformatore di potenza immerso in olio, che alimenta uno stack diagnostico a trasformata wavelet continua. Dove una trasformata di Fourier stazionaria sfoca un burst di scarica parziale di un microsecondo su un’intera finestra di media, la CWT lo localizza al millisecondo — e un indice di salute con incertezza misurata onestamente e una stima della vita utile residua trasformano quel segnale in una decisione di manutenzione, con le classi in cui le wavelet non aiutano riportate con la stessa chiarezza di quella in cui aiutano.

Una cosa qui è sintetica: il microfono.

Ogni registrazione in questo programma è generata, non catturata — un modello fisico di cinque meccanismi acustici (magnetostrizione del nucleo, forza di Lorentz degli avvolgimenti, e tre modalità di guasto) convoluto attraverso un percorso di trasferimento della parete del serbatoio a tre modi validato, con un SNR a banda larga dichiarato di 8,4 dB rispetto al rumore ambientale della sottostazione. Tutto ciò che sta a valle di quella registrazione — la trasformata, le feature, i classificatori, l’indice di salute, la prognosi — è codice reale che opera su quei campioni; sostituisci la fase di registrazione con un sensore reale e nulla a valle cambia. L’intervallo split-conformal al 90% dell’indice di salute stesso, il gate costruito appositamente per verificare se la sua incertezza dichiarata è onesta, ha coperto l’82,5% dei casi tenuti da parte (n=63) — riportato come un FAIL nel notebook di verifica e nel dossier del programma, non arrotondato per eccesso. Le traiettorie di vita utile residua sono snapshot mensili simulati dell’indice di salute dallo stesso modello fisico, non dati longitudinali sul campo, quindi la cifra di copertura RUL dell’81,3% sopra è una proprietà dello stimatore applicato a una traiettoria simulata, non un’affermazione sull’usura reale di un trasformatore. Nessuna affermazione in questa pagina sostituisce la validazione sul campo.

Quattro scalogrammi a trasformata wavelet continua su sfondo scuro, un esempio per classe — normale, allentamento, cuscinetto ventola e scarica parziale — energia CWT log10 su 96 scale distribuite logaritmicamente da 60 Hz a 20 kHz — Uno scalogramma per classe dalla stessa trasformata wavelet continua a 96 scale. L’energia a banda larga e non stazionaria dell’esempio di scarica parziale è esattamente ciò che una trasformata di Fourier stazionaria non può localizzare — la CWT ne recupera il burst a 0,0 ms, contro un obiettivo sub-millisecondo.

Dove le wavelet vincono — e dove non vincono.

Valori di AUC dal confronto held-out del notebook 06: un classificatore a distanza di Mahalanobis, valutato per classe su sei famiglie di feature sullo stesso dataset di 234 record (117 record adattano la gaussiana per classe di ogni famiglia, gli altri 117 sono tenuti da parte e valutati — mai entrambi per lo stesso record). La colonna FFT mostra la famiglia derivata da Fourier più forte, spectral-band — coerente con il modo in cui il gate R-07 stesso viene valutato, rispetto alla famiglia Fourier più forte anziché alla più debole. CWT-scale vince nettamente la classe delle scariche parziali tra tutte e sei le famiglie misurate — ma spectral-band la segue a soli 1,3 punti di AUC, al di sotto del margine di ≥10 punti richiesto dal gate stesso del programma, che viene misurato come un FAIL, non arrotondato per eccesso. Sulle tre classi stazionarie, CWT non vince affatto.

Normale

FFT: 0,942 · STFT: 0,802 · CWT: 0,755 · DWT: 0,749

Allentamento

FFT: 0,787 · STFT: 0,797 · CWT: 0,734 · DWT: 0,746

Cuscinetto ventola

FFT: 0,750 · STFT: 0,779 · CWT: 0,753 · DWT: 0,820

Scarica parziale

FFT: 0,745 · STFT: 0,633 · CWT: 0,758 · DWT: 0,708

Un istogramma di un insieme parametrico RUL Student-t a 5000 estrazioni per un asset con guasto da allentamento, con picco vicino a 4,3 mesi, con una linea tratteggiata al RUL vero di 2,0 mesi e un intervallo predittivo all’80% di [3,3, 5,7] mesi — Un intervallo predittivo Student-t a zero parametri liberi per la vita utile residua — che sostituisce una costruzione bootstrap a percentili ingenua che misurava una copertura del 72,3% contro un obiettivo dell’80%. Questa versione parametrica misura una copertura simulata dell’81,3%; il RUL vero per questa singola istanza di asset cade fuori dal proprio intervallo all’80%, cosa che una copertura dell’80% predice accadrà all’incirca una volta su cinque.

Continua a esplorare

Tutti i casi d’uso

Un modello sorgente ELANG nell’editor di DjiniousEngineering, mostrato sul payload Kestrel-SAR III: il progetto, i suoi attori e i suoi requisiti, ciascuno con un criterio di accettazione e un metodo di verifica.

Robotica industrialeCella di lavoro robotica KronosUna cella di lavoro robotica a sei assi modellata end-to-end in ELANG come riferimento sottoposto ad audit — circa mille righe che portano un design di sicurezza funzionale conforme a ISO 13849-1 Performance Level d, con ogni salvaguardia tracciata fino al pericolo che mitiga.

DjiniousEngineering

La panoramica della linea di imbottigliamento Bellini Foods in DjiniousCC: soffiatrice, trasportatori, riempitrice asettica, tappatrice, etichettatrice, incassettatrice e pallettizzatore in un unico treno da sinistra a destra, con ogni macchina che mostra l’OEE live.

Produzione alimentare e delle bevandeBellini Foods — Linea di imbottigliamento asettico 3Una linea PET asettica da 24.000 bottiglie/ora: soffiaggio, riempimento asettico, tappatura, etichettatura, incassettamento e pallettizzazione, con OEE live su ogni macchina e un proprio blocco utility e CIP.

DjiniousCC

Il braccio robotico UR5 a 6 assi renderizzato in 3D in una posa rappresentativa a metà escursione, che mostra tutti e sei i giunti rotoidali lungo la catena cinematica DH

Robotica industrialeManipolatore UR5 a 6 assiUn braccio UR5 spaziale a 6 gradi di libertà come un unico modello multibody — cinematica inversa in forma chiusa che guida un percorso cartesiano dell’end-effector tramite controllo PD per giunto con feedforward di gravità.

DjiniousLab