如何系统地改进状态监测系统中不可靠的KPI？

不可靠的KPI通常是由不合适的滤波带或未被考虑的干扰频率引起的。借助ibaAnalyzer，可以对趋势和原始数据进行详细分析，从而识别异常情况。结合ibaInSpectra，可以精确调整计算规则。这将为磨损评估提供稳定且有意义的状态指标。

在振动分析中，应如何正确考虑与速度相关的效应？

通过将关键绩效指标（KPI）与运行参数相关联，可以识别出与速度相关的效应。ibaAnalyzer 支持 X/Y 分析，从而揭示速度与 KPI 表现之间的关系。基于这些洞察，ibaInSpectra 能够精确调整频率带宽，从而避免在特定运行范围内出现失真。

干扰频率如何影响状态评估？又该如何消除这些干扰？

如果干扰频率落在预定义的分析频段内，可能会严重扭曲关键性能指标（KPI）。ibaInSpectra 能够识别这些频率，并将其从 KPI 计算中排除。还可以应用其他滤波方法，从原始数据中去除主导频率。这大大提高了状态指标的可靠性。

如何在无需漫长的学习阶段的情况下，可靠地设定告警阈值？

可以通过基于模拟的历史数据分析来定义告警阈值。ibaInSpectra 支持基于回放的计算，以确定预期 KPI 范围。ibaAnalyzer 支持使用真实数据集进行验证。这使得无需漫长的学习阶段即可定义稳健的阈值。

结合工艺数据和振动数据如何支持预测性维护？

结合工艺数据与振动数据，可对设备状态进行全面评估。ibaPDA 确保数据的同步采集，而 ibaInSpectra 则提供基于振动的关键绩效指标（KPI）。这种集成有助于识别间接影响因素和外部故障源，并为制定预测性维护和针对性维护策略奠定基础。

优化状态监测系统

ibaInSpectra 和 ibaRotate

状态监测系统（CMS）用于监测两台电机的磨损情况。CMS 在特定测量条件下定期计算特征值，作为单个机器部件的状态指示器，并将其记录为长期趋势。

业务优势技术使用过的功能更多成功故事

经过测试阶段后发现，由于现场条件的限制，CMS 的标准计算和设置无法为磨损检测提供可靠的特征值。现在必须对这一现象进行研究。因此，利用 iba 振动分析工具对记录的趋势和原始数据进行了更详细的分析，以便对状态监测系统进行配置，从而提供可靠的特征值。

自动计算

的特征值

最佳理解

结合工艺和振动分析

根本原因分析

主动维护

技术

在长期趋势中，特征值在某些时间点增加了 10 倍以上。每个特征值在不同时间受到影响。无法识别时间相关性。不过，在 ibaAnalyzer 中以 X/Y 图的形式显示特征值却有明显的特点。计算出的特征值按照记录速度排序显示。从 X/Y 图中可以看出，某些特征值有所增加，特别是在特定的速度范围内。

因此，我们对 DAT 文件的原始数据进行了更仔细的检查，以确定与速度无关的频率。事实上，在 ibaRotate 中可以识别出包括两次谐波的高频率。虽然找到了原因，但无法从技术上解决问题。

An x-ray style rendering shows the internal components of an electric motor.

借助 ibaRotate 中的标记功能，可以证明用于计算参数的频带与该高频或谐波之一相交--恰好在超出特性值的速度范围内。随后，对测量条件和特征值计算规则进行了优化，使该频率不再位于用于计算参数的频段内。最后，这些调整要求对警报阈值进行检查和重置。下一步，根据原始数据对受控部件的当前状态进行分析。为了更好地了解情况，使用 Vold-Kalman 滤波器消除了与速度无关的频率及其谐波。在分析范围内，还可以获得更多信息：在没有主频的瀑布图中，可以检测到另一台机器上正在发生的损坏，低振动水平从这台机器传到了被监控的机器上。

最后，有必要确定新计算结果的预期特征值范围。在测量数据回放的基础上使用 ibaInSpectra 进行的模拟在这方面很有帮助。在模拟的帮助下，无需学习阶段即可可靠地计算出报警值。通过这种定制配置方式，状态监测系统为客户的系统进行了最佳配置。现在，系统可以提供可靠的特征值，并对当前状态进行验证。

A diagram shows data flow from an electric motor to a computer, leading to analysis and user adjustments.

立即测试 iba 系统

下载 ibaPDA 和 ibaAnalyzer 演示版，立即开始优化您的流程。免费试用 30 天！

申请 ibaPDA-Demo 许可证

过程分析和振动分析的独特结合使我能够轻松地理解和分析振动行为，即使是复杂的过程。

克里斯蒂安-莱因布雷希特
iba AG 产品经理

使用过的功能

本成功案例中使用了 iba 系统的以下功能。

了解更多成功案例

阅读更多令人鼓舞的成功案例，了解我们满意的客户。

常见问题 (FAQ)

如何系统地改进状态监测系统中不可靠的KPI？: 不可靠的KPI通常是由不合适的滤波带或未被考虑的干扰频率引起的。借助ibaAnalyzer，可以对趋势和原始数据进行详细分析，从而识别异常情况。结合ibaInSpectra，可以精确调整计算规则。这将为磨损评估提供稳定且有意义的状态指标。
在振动分析中，应如何正确考虑与速度相关的效应？: 通过将关键绩效指标（KPI）与运行参数相关联，可以识别出与速度相关的效应。ibaAnalyzer 支持 X/Y 分析，从而揭示速度与 KPI 表现之间的关系。基于这些洞察，ibaInSpectra 能够精确调整频率带宽，从而避免在特定运行范围内出现失真。
干扰频率如何影响状态评估？又该如何消除这些干扰？: 如果干扰频率落在预定义的分析频段内，可能会严重扭曲关键性能指标（KPI）。ibaInSpectra 能够识别这些频率，并将其从 KPI 计算中排除。还可以应用其他滤波方法，从原始数据中去除主导频率。这大大提高了状态指标的可靠性。
如何在无需漫长的学习阶段的情况下，可靠地设定告警阈值？: 可以通过基于模拟的历史数据分析来定义告警阈值。ibaInSpectra 支持基于回放的计算，以确定预期 KPI 范围。ibaAnalyzer 支持使用真实数据集进行验证。这使得无需漫长的学习阶段即可定义稳健的阈值。
结合工艺数据和振动数据如何支持预测性维护？: 结合工艺数据与振动数据，可对设备状态进行全面评估。ibaPDA 确保数据的同步采集，而 ibaInSpectra 则提供基于振动的关键绩效指标（KPI）。这种集成有助于识别间接影响因素和外部故障源，并为制定预测性维护和针对性维护策略奠定基础。