傳統(tǒng)方法通常無法自適應(yīng)提取特征, 同時(shí)需要一定的離線數(shù)據(jù)訓(xùn)練得到檢測(cè)模型, 但目標(biāo)對(duì)象在線場(chǎng)景下采集到的數(shù)據(jù)有限, 且其數(shù)據(jù)分布與訓(xùn)練數(shù)據(jù)的分布可能因隨機(jī)噪聲、變工況等原因而存在差異, 導(dǎo)致離線訓(xùn)練的模型并不完全適合于在線數(shù)據(jù), 容易降低檢測(cè)結(jié)果的準(zhǔn)確性; 其次, 上述方法通常采用基于異常點(diǎn)的檢測(cè)算法, 未充分考慮樣本前后的時(shí)序關(guān)系, 容易因數(shù)據(jù)微小波動(dòng)而產(chǎn)生誤報(bào)警, 降低檢測(cè)結(jié)果的魯棒性; 再次, 為降低誤報(bào)警, 這類方法需要反復(fù)調(diào)整報(bào)警閾值. 此外, 基于系統(tǒng)分析的故障診斷方法利用狀態(tài)空間描述建立機(jī)理模型, 可獲得理想的診斷和檢測(cè)結(jié)果, 但這類方法通常需要提前知道系統(tǒng)運(yùn)動(dòng)方程等信息, 對(duì)于軸承運(yùn)行來說, 這類信息通常不易獲知. 

近年來, 深度神經(jīng)網(wǎng)絡(luò)已被成功應(yīng)用于早期故障特征的自動(dòng)提取和識(shí)別, 可自適應(yīng)地提取信息豐富和判別能力強(qiáng)的深度特征, 因此具有較好的普適性. 但是, 這類方法一方面需要大量的輔助數(shù)據(jù)進(jìn)行模型訓(xùn)練, 而歷史采集的輔助數(shù)據(jù)與目標(biāo)對(duì)象數(shù)據(jù)可能存在較大不同, 直接訓(xùn)練并不能有效提升在線檢測(cè)的特征表示效果; 另一方面, 在訓(xùn)練過程中未能針對(duì)早期故障引發(fā)的狀態(tài)變化而有目的地強(qiáng)化相應(yīng)特征表示. 因此, 深度學(xué)習(xí)方法在早期故障在線監(jiān)測(cè)中的應(yīng)用仍存在較大的提升空間. 智能電機(jī)監(jiān)測(cè)系統(tǒng)選擇傳感器采集旋轉(zhuǎn)設(shè)備的溫度、振動(dòng)數(shù)據(jù)，分析變化趨勢(shì)以判斷設(shè)備情況。嘉興設(shè)備監(jiān)測(cè)介紹

從整體的網(wǎng)絡(luò)架構(gòu)來看，智能振動(dòng)噪聲監(jiān)診子系統(tǒng)利用安裝在設(shè)備上傳感器節(jié)點(diǎn)獲取設(shè)備的健康狀態(tài)監(jiān)測(cè)信號(hào)和運(yùn)行參數(shù)數(shù)據(jù)，經(jīng)網(wǎng)絡(luò)層集中上傳至設(shè)備健康監(jiān)測(cè)物聯(lián)網(wǎng)綜合管理平臺(tái)，實(shí)現(xiàn)數(shù)據(jù)傳輸。應(yīng)用層實(shí)現(xiàn)監(jiān)測(cè)信號(hào)的分析?故障特征提取?故障診斷及預(yù)測(cè)功能，實(shí)現(xiàn)智能化管理?應(yīng)用和服務(wù)。設(shè)備健康監(jiān)測(cè)物聯(lián)網(wǎng)綜合管理平臺(tái)具有強(qiáng)大的數(shù)據(jù)采集分析處理?數(shù)據(jù)可視?設(shè)備運(yùn)維?故障診斷?故障報(bào)警等功能。通過實(shí)時(shí)監(jiān)測(cè)查看?統(tǒng)計(jì)?追溯，實(shí)現(xiàn)對(duì)其管轄設(shè)備的實(shí)時(shí)監(jiān)測(cè)和運(yùn)行維護(hù)，基于運(yùn)行信息和檢修信息?自動(dòng)生成設(shè)備管理報(bào)表，實(shí)現(xiàn)設(shè)備可靠性?故障數(shù)據(jù)?更換備件等信息統(tǒng)計(jì)，為維修方案提供依據(jù)。常州耐久監(jiān)測(cè)方案柴油機(jī)狀態(tài)監(jiān)測(cè)與故障診斷系統(tǒng)是一個(gè)集數(shù)據(jù)采集與分析、狀態(tài)監(jiān)測(cè)、故障診斷為一體的多任務(wù)處理系統(tǒng)。

目前設(shè)備狀態(tài)監(jiān)測(cè)及故障預(yù)警若干關(guān)鍵技術(shù)可歸納如下：（1）揭示設(shè)備運(yùn)行狀態(tài)機(jī)械動(dòng)態(tài)特性劣化演變規(guī)律。設(shè)備由非故障運(yùn)行狀態(tài)劣化為故障運(yùn)行狀態(tài)，其機(jī)械動(dòng)態(tài)特性通常有一個(gè)發(fā)展演變過程（2）提取設(shè)備運(yùn)行狀態(tài)發(fā)展趨勢(shì)特征。在役設(shè)備往往具有復(fù)雜運(yùn)行狀態(tài)，在長(zhǎng)歷程運(yùn)行中工況和負(fù)載等非故障因素會(huì)造成信號(hào)能量變化，故障趨勢(shì)信息往往被非故障變化信息淹沒，需較大程度上消除非故障變化造成的冗余信息，進(jìn)而構(gòu)建預(yù)測(cè)模型。動(dòng)力裝備全壽命周期監(jiān)測(cè)診斷方面：實(shí)現(xiàn)了支持物聯(lián)網(wǎng)的智能信息采集與管理、全生命周期動(dòng)態(tài)自適應(yīng)監(jiān)測(cè)、早期非線性故障特征提取。優(yōu)化重構(gòu)出綜合體現(xiàn)裝備運(yùn)行工況及表現(xiàn)的新參數(shù)，提高異常狀態(tài)辨識(shí)的適應(yīng)性與可靠性，基于運(yùn)行過程信息反映裝備劣化趨勢(shì)與故障發(fā)展規(guī)律，來提高故障早期辨識(shí)能力?；谖锫?lián)網(wǎng)和網(wǎng)絡(luò)化監(jiān)測(cè)診斷將產(chǎn)品監(jiān)測(cè)診斷與運(yùn)行服務(wù)支持有機(jī)集成一體，在應(yīng)用中實(shí)現(xiàn)動(dòng)力裝備常見故障診斷準(zhǔn)確率達(dá)80％以上?？蓱?yīng)用于風(fēng)力大電機(jī)、空壓機(jī)等大型動(dòng)力裝備的集群化診斷領(lǐng)域。提供了基于物聯(lián)網(wǎng)的動(dòng)力裝備全生命周期監(jiān)測(cè)與服務(wù)支持創(chuàng)新模式，提供了其生命周期的遠(yuǎn)程監(jiān)測(cè)診斷與維護(hù)等專業(yè)化服務(wù)。

傳統(tǒng)維護(hù)模式中的故障后維護(hù)與定期維護(hù)將影響生產(chǎn)效率與產(chǎn)品質(zhì)量，并大幅提高制造商的成本。隨著物聯(lián)網(wǎng)、大數(shù)據(jù)、云計(jì)算、機(jī)器學(xué)習(xí)與傳感器等技術(shù)的成熟，預(yù)測(cè)性維護(hù)技術(shù)應(yīng)運(yùn)而生。以各類如電機(jī)、軸承等設(shè)備為例，目前已發(fā)展到較為成熟的在線持續(xù)監(jiān)測(cè)階段，來實(shí)現(xiàn)查看設(shè)備是否需要維護(hù)、安排維護(hù)時(shí)間來減少計(jì)劃性停產(chǎn)等，并能夠快速、有效的通過物聯(lián)網(wǎng)接入到整個(gè)網(wǎng)絡(luò)，將數(shù)據(jù)回傳至管理中心，來實(shí)現(xiàn)電機(jī)設(shè)備的預(yù)測(cè)性維護(hù)。電動(dòng)機(jī)是機(jī)械加工中不可或缺的必備工具,電動(dòng)機(jī)在運(yùn)轉(zhuǎn)中常產(chǎn)生各種故障,為保證電動(dòng)機(jī)運(yùn)行安全,對(duì)電動(dòng)機(jī)運(yùn)行狀態(tài)進(jìn)行在線監(jiān)測(cè)尤為重要。以三相異步電動(dòng)機(jī)為研究對(duì)象,采用傳感器獲取電動(dòng)機(jī)運(yùn)行中的重要參數(shù)(振動(dòng)、噪聲、轉(zhuǎn)速及溫度等),由時(shí)/頻域分析及能量分析等方法提取電動(dòng)機(jī)運(yùn)行特征量,構(gòu)成特征向量,采用BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的方法建立狀態(tài)識(shí)別模型,通過BP神經(jīng)網(wǎng)絡(luò)模式識(shí)別方法,判斷電動(dòng)機(jī)運(yùn)行的狀態(tài),在此基礎(chǔ)上,利用LabVIEW軟件構(gòu)建可視化監(jiān)測(cè)系統(tǒng),將電動(dòng)機(jī)運(yùn)行參數(shù)及狀態(tài)實(shí)時(shí)顯示在可視化界面中,完成在線智能監(jiān)測(cè)。盈蓓德科技通過自主開發(fā)的軟件和算法，進(jìn)行數(shù)控機(jī)床的刀具質(zhì)量監(jiān)測(cè)，提前預(yù)判刀具運(yùn)行情況。

隨著電力電子技術(shù)、自動(dòng)化控制技術(shù)的不斷發(fā)展，電機(jī)在工業(yè)生產(chǎn)以及家用電器中得到了的應(yīng)用，在市場(chǎng)競(jìng)爭(zhēng)中正逐步顯示自己的優(yōu)勢(shì)。傳統(tǒng)的電機(jī)在線監(jiān)測(cè)裝置多采用電流表、電壓表、功率表等較為原始的儀表來進(jìn)行測(cè)量，采用人工讀數(shù)的方式進(jìn)行數(shù)據(jù)的測(cè)量、記錄和分析，這不僅硬件冗余，系統(tǒng)雜亂，而且操作極為不便，更有甚者，讀數(shù)誤差大，測(cè)試結(jié)果不準(zhǔn)確。有些場(chǎng)合需要進(jìn)行電機(jī)多種參數(shù)的監(jiān)測(cè)，這樣就勢(shì)必會(huì)加大各種測(cè)量?jī)x器的使用以及人力資源的投入。傳統(tǒng)的監(jiān)測(cè)方法要求監(jiān)測(cè)人員具有較高的技能和水平，但是由于人為誤差的不可避免，這種監(jiān)測(cè)方法無法做定量分析，無法更加準(zhǔn)確、實(shí)時(shí)的掌握電機(jī)的運(yùn)行狀態(tài)和故障。技術(shù)實(shí)現(xiàn)要素：本發(fā)明提出了一種電機(jī)在線監(jiān)測(cè)裝置和方法，通過對(duì)扭矩、轉(zhuǎn)速、各相電壓、溫度、輸入、輸出功率和效率進(jìn)行實(shí)時(shí)動(dòng)態(tài)的監(jiān)測(cè)以及對(duì)過電壓、過電流、過熱進(jìn)行報(bào)警停機(jī)，解決現(xiàn)有技術(shù)中監(jiān)測(cè)參數(shù)不能定量分析以及無法更加準(zhǔn)確、實(shí)時(shí)的掌握電機(jī)運(yùn)行狀態(tài)和故障的技術(shù)問題。監(jiān)測(cè)利用各種傳感器在電機(jī)運(yùn)行時(shí)對(duì)電機(jī)的狀態(tài)提取相關(guān)數(shù)據(jù)。故障診斷使用計(jì)算機(jī)及其相應(yīng)智能軟件。杭州降噪監(jiān)測(cè)應(yīng)用

電機(jī)監(jiān)測(cè)系統(tǒng)可以識(shí)別處于初期階段的機(jī)械和液壓故障，從而制定更為合理的輔助維護(hù)計(jì)劃。嘉興設(shè)備監(jiān)測(cè)介紹

柴油機(jī)狀態(tài)監(jiān)測(cè)與故障診斷系統(tǒng)是一種集數(shù)據(jù)采集與分析、狀態(tài)監(jiān)測(cè)、故障診斷為一體的多任務(wù)處理系統(tǒng), 可實(shí)現(xiàn)柴油機(jī)監(jiān)測(cè)、保護(hù)、分析、診斷等功能。包括數(shù)據(jù)采集與工況監(jiān)測(cè)、活塞缸套磨損監(jiān)測(cè)分析、主軸承磨損狀態(tài)監(jiān)測(cè)分析、氣閥間隙異常監(jiān)測(cè)分析和瞬時(shí)轉(zhuǎn)速監(jiān)測(cè)分析等各種功能。信號(hào)分析、特征提取及診斷原理是每個(gè)監(jiān)測(cè)診斷子功能的部分, 各子功能都有相應(yīng)的信號(hào)分析與特征提取方法, 包括信號(hào)預(yù)處理、時(shí)域、頻域分析、小波分析等, 自動(dòng)形成反映柴油機(jī)運(yùn)行狀態(tài)的特征量, 為系統(tǒng)的診斷推理提供信息來源。采用模糊聚類理論來檢驗(yàn)特征參量的有效性、建立故障標(biāo)準(zhǔn)征兆群, 并運(yùn)用模糊貼近度來實(shí)施故障類型的診斷識(shí)別。嘉興設(shè)備監(jiān)測(cè)介紹