電機作為工業(yè)世界的支柱,，在發(fā)電,、制造和運輸業(yè)等各機械領域發(fā)揮著至關重要的作用。電機*常見的應用場景如：泵,、壓縮機,、鼓風機,、風扇,、機床、起重機,、輸送機和電動汽車等,。全球產生的總電能的50%以上用于電機，感應電機消耗了約60%的工業(yè)電力,。由于低成本,、堅固耐用、功率重量比高以及對各種操作條件的適應性,，感應電機在所有行業(yè)的部署中的應用范圍都穩(wěn)步提升,。感應電機的可靠性至關重要，以確保該后續(xù)流程工業(yè)的健康持續(xù)運行,。然而,，感應電機面臨的不可避免的熱應力、環(huán)境變化,、機械應力,、外部負載變化、電流偏差,、潤滑不足和密封不良,、多塵環(huán)境、制造缺陷和自然老化等因素,。使得其不可避免的產生一些意外故障,。這些故障若在其初級階段被忽視，極易導致災難性的電機故障和次生災害,，如流程關閉及嚴重的人員傷亡,，這就帶來巨大的經濟損失和負面社會效應。為了避免發(fā)生災難性電機故障的可能性,，業(yè)界產生對開始退化的感應電機組件進行了早期狀態(tài)監(jiān)測和故障診斷的需求,。狀態(tài)監(jiān)測可在其整個使用壽命期間對感應電機的各種部件進行持續(xù)評估。感應電機故障的早期診斷,，對即將發(fā)生的故障提供足夠的警告，為企業(yè)提供基于狀態(tài)的維護和*短停機時間建議,。通俗地說,。監(jiān)測工作需要關注市場的價格變化和競爭態(tài)勢，以制定相應的定價策略,。南通研發(fā)監(jiān)測特點

作為工業(yè)領域的一種關鍵旋轉設備,，對于終端用來說，關于電機維護的主要是電氣班組的設備工程師,、電機維護工程師,、電機檢修人員等,；對于電機廠家以及電機經銷商來說，主要是電機售后服務工程師,、電機銷售人員,，會涉及到電機的運行維護；險此之外,，還有第三方檢修人員等,。目前已經有很多智能產品號稱可以實現電機預測性維護，但問題也非常多,。1)傳感器安裝難,。設備狀態(tài)監(jiān)測需要振動、噪聲,、溫度傳感器,，通訊協(xié)議并不統(tǒng)一，自成體系,，安裝,、使用、維護成本高昂,。2)技術成本高,。工業(yè)場景設備類型多，運行工況復雜,，預測性維護算法涉及數據預處理,、工業(yè)機理、機器學習,，技術要求很高,。3)時間成本高。預測性維護要實現,，前期需要大量歷史數據的支撐,，數據采集、歸納,、分析是一個漫長的過程,。的電機智能運維，雖然被各大宣傳媒體提得很多,，但還遠遠未到落地很好乃至普及的程度,，不論是預測性維護的預測效果，還是電機的智能運維的市場推廣以及市場接受程度,，對于電機運維來說,，都還有很遠的一段距離！ 紹興EOL監(jiān)測公司監(jiān)測工作需要關注政策和法規(guī)的變化，以及時調整經營策略,。

針對刀具磨損狀態(tài)在實際生產加工過程中難以在線監(jiān)測這一問題,，提出一種通過通信技術獲取機床內部數據，對當前的刀具磨損狀態(tài)進行識別的方法,。通過采集機床內部實時數據并將其與實際加工情景緊密結合,，能直接反映當前的加工狀態(tài)。將卷積神經網絡用于構建刀具磨損狀態(tài)識別模型,，直接將采集到的數據作為輸入,，得到了和傳統(tǒng)方法精度近似的預測模型，模型在訓練集和在線驗證試驗中的表現都符合預期,。刀具磨損狀態(tài)識別的方法在投入使用時還有一些問題有待解決：①現有數據是在相同的加工條件下測得的,，而實際加工過程中，加工參數以及加工情景是不斷變化的,，因此需要在下一步的研究中,，進行變參數試驗，考慮加工參數對于刀具磨損的影響,，并針對常用的一些加工場景,，建立不同的模型庫。變換加工場景,，通過獲取當前場景,，及時匹配相應的預測模型即可。②本研究中的模型是一個固定的模型,。今后需要根據實時的信號以及已知的磨損狀態(tài),，對模型進行實時更新，從而在實時監(jiān)測過程中實現自學習,，不斷提升模型的精度和預測效果,。

傳統(tǒng)方法通常無法自適應提取特征, 同時需要一定的離線數據訓練得到檢測模型, 但目標對象在線場景下采集到的數據有限, 且其數據分布與訓練數據的分布可能因隨機噪聲、變工況等原因而存在差異, 導致離線訓練的模型并不完全適合于在線數據, 容易降低檢測結果的準確性; 其次, 上述方法通常采用基于異常點的檢測算法, 未充分考慮樣本前后的時序關系, 容易因數據微小波動而產生誤報警, 降低檢測結果的魯棒性; 再次, 為降低誤報警, 這類方法需要反復調整報警閾值. 此外, 基于系統(tǒng)分析的故障診斷方法利用狀態(tài)空間描述建立機理模型, 可獲得理想的診斷和檢測結果, 但這類方法通常需要提前知道系統(tǒng)運動方程等信息, 對于軸承運行來說, 這類信息通常不易獲知. 

近年來, 深度神經網絡已被成功應用于早期故障特征的自動提取和識別, 可自適應地提取信息豐富和判別能力強的深度特征, 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據進行模型訓練, 而歷史采集的輔助數據與目標對象數據可能存在較大不同, 直接訓練并不能有效提升在線檢測的特征表示效果; 另一方面, 在訓練過程中未能針對早期故障引發(fā)的狀態(tài)變化而有目的地強化相應特征表示. 因此, 深度學習方法在早期故障在線監(jiān)測中的應用仍存在較大的提升空間. 監(jiān)測結果的比較可以幫助我們評估不同銷售渠道的效果和效益,。

隨著電力電子技術,、自動化控制技術的不斷發(fā)展，電機在工業(yè)生產以及家用電器中得到了的應用,，在市場競爭中正逐步顯示自己的優(yōu)勢,。傳統(tǒng)的電機在線監(jiān)測裝置多采用電流表、電壓表,、功率表等較為原始的儀表來進行測量,，采用人工讀數的方式進行數據的測量、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,，讀數誤差大，測試結果不準確,。有些場合需要進行電機多種參數的監(jiān)測,，這樣就勢必會加大各種測量儀器的使用以及人力資源的投入。傳統(tǒng)的監(jiān)測方法要求監(jiān)測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)測方法無法做定量分析，無法更加準確,、實時的掌握電機的運行狀態(tài)和故障,。技術實現要素：本發(fā)明提出了一種電機在線監(jiān)測裝置和方法，通過對扭矩,、轉速,、各相電壓、溫度,、輸入,、輸出功率和效率進行實時動態(tài)的監(jiān)測以及對過電壓、過電流,、過熱進行報警停機,，解決現有技術中監(jiān)測參數不能定量分析以及無法更加準確、實時的掌握電機運行狀態(tài)和故障的技術問題,。工業(yè)生產過程中的溫度,、濕度等參數需要進行監(jiān)測檢測，以確保生產的穩(wěn)定性和效率,。杭州NVH監(jiān)測應用

電機監(jiān)測系統(tǒng)可以預判電機故障,，發(fā)現潛在風險，防止代價高昂的停機并提高設備性能,。南通研發(fā)監(jiān)測特點

基于交流電機的特征量：通過故障機理分析可知,，交流電機運行過程中，其故障與否必然表現為一些特征參量的變化,，根據診斷需要,，選擇有代表性的特征參量為該設備在線監(jiān)測的被測信號，準確地提取這些故障特征量,，這是故障診斷的關鍵,。故障特征量，特別是反映早期故障征兆的信號往往比較弱,，而相應的背景噪聲比較弱,，常規(guī)的監(jiān)測方法,，因受傳感器的準確性、微處理器的速度,、A/D轉換的分辨率與轉換速度等硬件條件的限制,，以及一般的數據處理方式的不足，很難滿足提取這些特征量的要求,，需要采用一些特殊的電工測量手段與信號處理方法,。例如小波變換原理的應用。電機故障的現代分析方法：基于信號變換的診斷方法電機設備的許多故障信息是以調制的形式存在于所監(jiān)測的電氣信號及振動信號之中,，如果借助于某種變換對這些信號進行解調處理,，就能方便地獲得故障特征信息，以確定電機設備所發(fā)生的故障類型,。常用的信號變換方法有希爾伯特變換和小波變換等,。南通研發(fā)監(jiān)測特點