狀態(tài)監(jiān)測就是給機(jī)器體檢,，故障診斷就是給機(jī)器看病。醫(yī)生給病人看病,，首先是進(jìn)行體征檢查,，例如先查體溫,，再進(jìn)行驗(yàn)血、X光,、心電圖,、B超、甚至CT等各種理化檢驗(yàn),，然后根據(jù)檢查結(jié)果和病史,，利用醫(yī)生的知識及經(jīng)驗(yàn)，對病情做出診斷。對機(jī)器故障的診斷,，類似于醫(yī)生看病,，首先對機(jī)器的狀態(tài)進(jìn)行監(jiān)測，例如先看振動值,，再進(jìn)行頻譜,、波形、軸心軌跡,、趨勢,、波德圖等各種檢測分析，然后結(jié)合設(shè)備的原理,、結(jié)構(gòu),、歷史狀況等，利用專業(yè)人員的知識及經(jīng)驗(yàn),，對故障進(jìn)行綜合分析判斷,。1滾動軸承故障振動的診斷方法異步電動機(jī)的常見故障主要可以分為定子故障、轉(zhuǎn)子故障及軸承故障,。其中軸承故障占70%以上,，如果我們有辦法對軸承情況能實(shí)時進(jìn)行監(jiān)測，那么異步電動機(jī)故障率會減低,。滾動軸承狀態(tài)監(jiān)測和故障診斷的方法有多種,，例如振動分析法、油液分析法（磁性法,、鐵譜法,、光譜法）、聲發(fā)射分析法,、光纖診斷法等,。各種方法都有自己的特點(diǎn),，其中振動分析法以其實(shí)用和相對簡單方便,。滾動軸承不同于其它機(jī)械零件，其振動信號的頻率范圍很寬,，信噪比很低,，信號傳遞路途上的衰減量大，因此,，提取它的振動特征信息必須采用一些特殊的檢測技術(shù)和處理方法,。解決電機(jī)監(jiān)測的難題需要結(jié)合先進(jìn)的傳感技術(shù)、數(shù)據(jù)分析算法,、通信技術(shù)以及專業(yè)的工程知識,。南京性能監(jiān)測設(shè)備

電機(jī)狀態(tài)監(jiān)測和故障診斷技術(shù)是一種了解和掌握電機(jī)在使用過程中狀態(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)報故障發(fā)展趨勢的技術(shù)，電機(jī)狀態(tài)監(jiān)測與故障診斷技術(shù)包括識別電機(jī)狀態(tài)監(jiān)測和預(yù)測發(fā)展趨勢兩方面,。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)測是通過測定以上參數(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),。對設(shè)備進(jìn)行定期或連續(xù)監(jiān)測，包括采用各種測試,、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)展的趨勢規(guī)律,，為設(shè)備的性能評價、合理使用,、安全運(yùn)行,、故障診斷及設(shè)備自動控制打下基礎(chǔ)。電機(jī)故障現(xiàn)代分析方法：基于信號變換的診斷方法電機(jī)設(shè)備的許多故障信息是以調(diào)制的形式存在于所監(jiān)測的電氣信號及振動信號之中,，借助于某種變換對這些信號進(jìn)行解調(diào)處理,，就能方便地獲得故障特征信息，以確定電機(jī)設(shè)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,。寧波性能監(jiān)測臺監(jiān)測技術(shù)有助于發(fā)現(xiàn)潛在問題、預(yù)測設(shè)備故障并采取維護(hù)措施,，從而降低損壞風(fēng)險,，提高系統(tǒng)的可靠性和效率。

傳統(tǒng)方法通常無法自適應(yīng)提取特征, 同時需要一定的離線數(shù)據(jù)訓(xùn)練得到檢測模型, 但目標(biāo)對象在線場景下采集到的數(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)的檢測算法, 未充分考慮樣本前后的時序關(guān)系, 容易因數(shù)據(jù)微小波動而產(chǎn)生誤報警, 降低檢測結(jié)果的魯棒性; 再次, 為降低誤報警, 這類方法需要反復(fù)調(diào)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(jī)理模型, 可獲得理想診斷和檢測結(jié)果, 但這類方法通常需要提前知道系統(tǒng)運(yùn)動方程等信息, 對于軸承運(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)用于早期故障特征自動提取和識別, 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的特征表示效果; 另一方面, 在訓(xùn)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(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)測中的應(yīng)用仍存在較大的提升空間.

隨著電力電子技術(shù),、自動化控制技術(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大的應(yīng)用,，在市場競爭中正逐步顯示自己的優(yōu)勢,。傳統(tǒng)的電機(jī)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(jìn)行測量,，采用人工讀數(shù)的方式進(jìn)行數(shù)據(jù)的測量,、記錄和分析，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,，測試結(jié)果不準(zhǔn)確。有些場合需要進(jìn)行電機(jī)多種參數(shù)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(zhǔn)確、實(shí)時的掌握電機(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)測裝置和方法,，通過對扭矩、轉(zhuǎn)速,、各相電流,、電壓、溫度,、輸入,、輸出功率和效率進(jìn)行實(shí)時動態(tài)的監(jiān)測以及對過電壓、過電流,、過熱進(jìn)行報警停機(jī),，解決現(xiàn)有技術(shù)中監(jiān)測參數(shù)不能定量分析以及無法更加準(zhǔn)確、實(shí)時的掌握電機(jī)運(yùn)行狀態(tài)和故障的技術(shù)問題,。利用數(shù)據(jù)分析和機(jī)器學(xué)習(xí)算法處理監(jiān)測數(shù)據(jù),，建立模型以預(yù)測電機(jī)的壽命和性能。

作為工業(yè)領(lǐng)域的一種關(guān)鍵旋轉(zhuǎn)設(shè)備,，對于終端用來說,，關(guān)于電機(jī)維護(hù)的主要是電氣班組的設(shè)備工程師、電機(jī)維護(hù)工程師,、電機(jī)檢修人員等,；對于電機(jī)廠家以及電機(jī)經(jīng)銷商來說,，主要是電機(jī)售后服務(wù)工程師,、電機(jī)銷售人員，會涉及到電機(jī)的運(yùn)行維護(hù),；險此之外,，還有第三方檢修人員等,。目前已經(jīng)有很多智能產(chǎn)品號稱可以實(shí)現(xiàn)電機(jī)的預(yù)測性維護(hù)，但問題也非常多,。1)傳感器安裝難,。設(shè)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(hù)成本高昂,。2)技術(shù)成本高,。工業(yè)場景設(shè)備類型多，運(yùn)行工況復(fù)雜,，預(yù)測性維護(hù)算法涉及數(shù)據(jù)預(yù)處理,、工業(yè)機(jī)理、機(jī)器學(xué)習(xí),，技術(shù)要求很高,。3)時間成本高。預(yù)測性維護(hù)要實(shí)現(xiàn),，前期需要大量歷史數(shù)據(jù)的支撐,，數(shù)據(jù)采集、歸納,、分析是一個漫長的過程,。以電機(jī)預(yù)測性維護(hù)的理念為原型的電機(jī)智能運(yùn)維，雖然被各大宣傳媒體提得很多,，但還遠(yuǎn)遠(yuǎn)未到落地很好乃至普及的程度,，不論是預(yù)測性維護(hù)的預(yù)測效果，還是電機(jī)的智能運(yùn)維的市場推廣以及市場接受程度,，對于電機(jī)維護(hù)人員的電機(jī)運(yùn)維來說,，都還有很遠(yuǎn)的一段距離！電機(jī)驅(qū)動的生產(chǎn)線,。同時監(jiān)測多個電機(jī)的狀態(tài),，協(xié)調(diào)故障診斷和預(yù)測性維護(hù)，增加了監(jiān)測的復(fù)雜性,。無錫專業(yè)監(jiān)測方案

電機(jī)狀態(tài)監(jiān)測是用于實(shí)時監(jiān)測和評估電機(jī)運(yùn)行狀況的技術(shù),。這種監(jiān)測有助于及早發(fā)現(xiàn)潛在問題，預(yù)測電機(jī)故障,。南京性能監(jiān)測設(shè)備

傳統(tǒng)方法通常無法自適應(yīng)提取特征, 同時需要一定離線數(shù)據(jù)訓(xùn)練得到檢測模型, 但目標(biāo)對象在線場景下采集到的數(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)的檢測算法, 未充分考慮樣本前后的時序關(guān)系, 容易因數(shù)據(jù)微小波動而產(chǎn)生誤報警, 降低檢測結(jié)果的魯棒性; 再次, 為降低誤報警, 這類方法需要反復(fù)調(diào)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(jī)理模型, 可獲得理想的診斷和檢測結(jié)果, 但這類方法通常需要提前知道系統(tǒng)運(yùn)動方程等信息, 對于軸承運(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)用于早期故障特征自動提取和識別, 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的特征表示效果; 另一方面, 在訓(xùn)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(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)測中的應(yīng)用仍存在較大的提升空間.南京性能監(jiān)測設(shè)備