基于數(shù)據(jù)的故障檢測(cè)與診斷方法能夠?qū)Ａ康墓I(yè)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析和特征提取,，將系統(tǒng)的狀態(tài)分為正常運(yùn)行狀態(tài)和故障狀態(tài)，可視為模式識(shí)別任務(wù)。故障檢測(cè)是判斷系統(tǒng)是否處于預(yù)期的正常運(yùn)行狀態(tài),，判斷系統(tǒng)是否發(fā)生異常故障,，相當(dāng)于一個(gè)二分類任務(wù)。故障診斷是在確定發(fā)生故障的時(shí)候判斷系統(tǒng)處于哪一種故障狀態(tài),，相當(dāng)于一個(gè)多分類任務(wù),。因此，故障檢測(cè)和診斷技術(shù)的研究類似于模式識(shí)別,，分為4個(gè)的步驟：數(shù)據(jù)獲取,、特征提取、特征選擇和特征分類,。1)數(shù)據(jù)獲取步驟是從過程系統(tǒng)收集可能影響過程狀態(tài)的信號(hào),，包括溫度、流量等過程變量,；2)特征提取步驟是將采集的原始信號(hào)映射為有辨識(shí)度的狀態(tài)信息,；3)特征選擇步驟是將與狀態(tài)變化相關(guān)的變量提取出來(lái)；4)特征分類步驟是通過算法將前幾步中選擇的特征進(jìn)行故障檢測(cè)與診斷,。在大數(shù)據(jù)這一背景下,，傳統(tǒng)的基于數(shù)據(jù)的故障檢測(cè)與診斷方法被廣泛應(yīng)用，但是,，這些方法有一些共同的缺點(diǎn)：特征提取需要大量的知識(shí)和信號(hào)處理技術(shù),，并且對(duì)于不同的任務(wù)，沒有統(tǒng)一的程序來(lái)完成,。此外,，常規(guī)的基于機(jī)器學(xué)習(xí)的方法結(jié)構(gòu)較淺，在提取信號(hào)的高維非線性關(guān)系方面能力有限,。時(shí)間域,、頻率域和角度域的NVH分析方法，可以對(duì)汽車動(dòng)力總成的各種故障進(jìn)行實(shí)時(shí)識(shí)別,、監(jiān)測(cè)和診斷,。南京專業(yè)監(jiān)測(cè)臺(tái)

電機(jī)馬達(dá)監(jiān)控系統(tǒng)適用于石油、化工,、電力,、煤炭,、冶金,、造紙等行業(yè),，可以實(shí)時(shí)對(duì)低壓電動(dòng)機(jī)的運(yùn)行狀態(tài)進(jìn)行監(jiān)測(cè),，對(duì)電機(jī)各類故障進(jìn)行監(jiān)測(cè)并存儲(chǔ)故障信息，可以生成各類實(shí)時(shí)曲線（電壓曲線,、電流曲線等）,，為電機(jī)節(jié)能提供依據(jù),，并可實(shí)現(xiàn)電機(jī)節(jié)能管理。系統(tǒng)特點(diǎn)：1,、實(shí)時(shí)監(jiān)測(cè)電機(jī)回路石化,、電力、水泥等電機(jī)用量大戶,，需要對(duì)電機(jī)進(jìn)行實(shí)時(shí)監(jiān)測(cè),，監(jiān)測(cè)內(nèi)容包括電機(jī)的電流、電壓,、電能,、頻率、電機(jī)狀態(tài)（起動(dòng),、停止、報(bào)警,、故障）等,。在要求較高的場(chǎng)所還要對(duì)工藝參數(shù)進(jìn)行監(jiān)測(cè)，例如溫度,、壓力等,。本系統(tǒng)不僅可以監(jiān)測(cè)電機(jī)電壓、電流還能做能耗統(tǒng)計(jì),，工藝參數(shù)監(jiān)測(cè),，可以大幅提高企業(yè)自動(dòng)化程度。2,、集中監(jiān)控,，利于節(jié)能馬達(dá)監(jiān)控系統(tǒng)對(duì)用電大戶電機(jī)進(jìn)行實(shí)時(shí)能耗監(jiān)測(cè)，監(jiān)測(cè)到的數(shù)據(jù)可以作為節(jié)能依據(jù),，并可通過系統(tǒng)進(jìn)行節(jié)能控制,，利于電機(jī)節(jié)能應(yīng)用。3,、提高自動(dòng)化水平.電機(jī)監(jiān)控系統(tǒng)是應(yīng)用電力自動(dòng)化技術(shù),、計(jì)算機(jī)技術(shù)和信息傳輸技術(shù)，集保護(hù),、監(jiān)測(cè),、控制、通信等功能于一體的綜合系統(tǒng),，寧波性能監(jiān)測(cè)方案基于人工智能算法的新型的電機(jī)故障預(yù)測(cè)系統(tǒng),，適用范圍廣，能在更多的工業(yè)場(chǎng)合應(yīng)用,。

在預(yù)防性維護(hù)的應(yīng)用中,，振動(dòng)是大型旋轉(zhuǎn)等設(shè)備即將發(fā)生故障的重要指標(biāo)，一是在大型旋轉(zhuǎn)機(jī)械設(shè)備的所有故障中，振動(dòng)問題出現(xiàn)的概率比較高,；另一方面,，振動(dòng)信號(hào)包含了豐富的機(jī)械及運(yùn)行的狀態(tài)信息；第三,，振動(dòng)信號(hào)易于拾取,，便于在不影響機(jī)械運(yùn)行的情況下實(shí)行在線監(jiān)測(cè)和診斷。旋轉(zhuǎn)類設(shè)備的預(yù)防性維護(hù)需要重點(diǎn)監(jiān)控振動(dòng)量的變化,。其預(yù)測(cè)性診斷技術(shù)對(duì)于制造業(yè),、風(fēng)電等的行業(yè)的運(yùn)維具有非常重大的意義。通過設(shè)備振動(dòng)等狀態(tài)的預(yù)測(cè)性維護(hù),，可以及時(shí)發(fā)現(xiàn)并解決系統(tǒng)及零部件存在問題,。但是對(duì)于一些不是因?yàn)樵O(shè)備問題而存在的固有振動(dòng)，振動(dòng)強(qiáng)度不必要增加會(huì)對(duì)部件產(chǎn)生有害的力,，危及設(shè)備的使用壽命和質(zhì)量,。在這種情況下，則需要采用振動(dòng)隔離技術(shù)來(lái)解決和干預(yù),，有效抑制振動(dòng)和噪聲的危害,，避免設(shè)備故障和流程關(guān)閉。

故障預(yù)測(cè)與健康管理是以工業(yè)監(jiān)測(cè)數(shù)據(jù)為基礎(chǔ),，通過數(shù)學(xué)優(yōu)化,、統(tǒng)計(jì)概率、信號(hào)處理,、機(jī)器學(xué)習(xí)和統(tǒng)計(jì)學(xué)習(xí)等技術(shù)搭建模型算法,，實(shí)現(xiàn)產(chǎn)品和裝備的狀態(tài)監(jiān)測(cè)、故障診斷及壽命預(yù)測(cè),，為產(chǎn)品和裝備的正常運(yùn)行保駕護(hù)航,，從而提高其安全性和可靠性。故障預(yù)測(cè)與健康管理是以工業(yè)監(jiān)測(cè)數(shù)據(jù)為基礎(chǔ),，通過高等數(shù)學(xué),、數(shù)學(xué)優(yōu)化、統(tǒng)計(jì)概率,、信號(hào)處理,、機(jī)器學(xué)習(xí)和統(tǒng)計(jì)學(xué)習(xí)等技術(shù)搭建模型算法，實(shí)現(xiàn)產(chǎn)品和裝備的狀態(tài)監(jiān)測(cè),、故障診斷及壽命預(yù)測(cè),，為產(chǎn)品和裝備的正常運(yùn)行保駕護(hù)航，從而提高其安全性和可靠性,。近年來(lái)我們提出的標(biāo)準(zhǔn)化平方包絡(luò)和數(shù)學(xué)框架以及準(zhǔn)算數(shù)均值比數(shù)學(xué)框架指引了稀疏測(cè)度構(gòu)造的新方向,，同時(shí)發(fā)現(xiàn)了大量與基尼指數(shù),、峭度、香農(nóng)熵等具有等價(jià)性能的稀疏測(cè)度,?；跇?biāo)準(zhǔn)化平方包絡(luò)和數(shù)學(xué)框架以及凸優(yōu)化技術(shù)，提出了在線更新模型權(quán)重可解釋的機(jī)器學(xué)習(xí)算法,，可以利用模型權(quán)重來(lái)實(shí)時(shí)確認(rèn)故障特征頻率,，解決了狀態(tài)監(jiān)測(cè)與故障診斷領(lǐng)域傳統(tǒng)機(jī)器學(xué)習(xí)只能輸出狀態(tài)，而無(wú)法提供故障特征來(lái)確認(rèn)輸出狀態(tài)的難題,。設(shè)備狀態(tài)監(jiān)測(cè)是通過測(cè)定各類參數(shù),，并進(jìn)行分析處理，根據(jù)分析處理結(jié)果判定設(shè)備狀態(tài),。

電機(jī)狀態(tài)監(jiān)測(cè)故障診斷技術(shù)是一種了解和掌握電機(jī)在使用過程中的狀態(tài),，確定其整體或局部正常或異常,，早期發(fā)現(xiàn)故障及其原因,，并能預(yù)報(bào)故障發(fā)展趨勢(shì)的技術(shù)，電機(jī)狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)包括識(shí)別電機(jī)狀態(tài)監(jiān)測(cè)和預(yù)測(cè)發(fā)展趨勢(shì)兩方面,。設(shè)備狀態(tài)是指設(shè)備運(yùn)行的工況，由設(shè)備運(yùn)行過程中的各種性能參數(shù)以及設(shè)備運(yùn)行過程中產(chǎn)生的二次效應(yīng)參數(shù)和產(chǎn)品質(zhì)量指標(biāo)參數(shù)來(lái)描述,。設(shè)備狀態(tài)的類型包括：正常,、異常和故障三種。設(shè)備狀態(tài)監(jiān)測(cè)是通過測(cè)定以上參數(shù),，并進(jìn)行分析處理,，根據(jù)分析處理結(jié)果判定設(shè)備狀態(tài)。對(duì)設(shè)備進(jìn)行定期或連續(xù)監(jiān)測(cè),，包括采用各種測(cè)試,、分析判別方法，結(jié)合設(shè)備的歷史狀況和運(yùn)行條件,，弄清設(shè)備的客觀狀態(tài),，獲取設(shè)備性能發(fā)展的趨勢(shì)規(guī)律，為設(shè)備的性能評(píng)價(jià),、合理使用,、安全運(yùn)行、故障診斷及設(shè)備自動(dòng)控制打下基礎(chǔ),。故障診斷可以根據(jù)狀態(tài)監(jiān)測(cè)系統(tǒng)提供信息來(lái)查明失調(diào)的原因或性質(zhì),，判斷劣化發(fā)生部位，預(yù)測(cè)狀態(tài)發(fā)展趨勢(shì),。常州性能監(jiān)測(cè)設(shè)備

盈蓓德科技順應(yīng)行業(yè)發(fā)展趨勢(shì),，搭建一套基于旋轉(zhuǎn)類設(shè)備溫度,，振動(dòng)狀態(tài)監(jiān)測(cè)、故障判斷的預(yù)測(cè)性維護(hù)系統(tǒng),。南京專業(yè)監(jiān)測(cè)臺(tái)

傳統(tǒng)方法通常無(wú)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(lái)說, 這類信息通常不易獲知. 近年來(lái), 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.南京專業(yè)監(jiān)測(cè)臺(tái)