傳統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, 基于系統分析的故障診斷方法利用狀態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的狀態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測中的應用仍存在較大的提升空間.電機的監測和故障預判系統助力實現工業設備數智化管理和預測性維護。無錫EOL監測系統
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，常規的監測方法，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。上海電機監測電機狀態監測和故障診斷技術可以了解和掌握電機使用過程中的狀態，確定其整體或局部正常或異常。
作為工業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的預測性維護，但問題也非常多。1)傳感器安裝難。設備狀態監測需要振動、噪聲、溫度傳感器，通訊協議并不統一，自成體系，安裝、使用、維護成本高昂。2)技術成本高。工業場景設備類型多，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！
設備狀態監測和故障診斷技術是設備維護手段之一。設備的故障監測診斷技術，就是利用科學的檢測方法和現代化技術手段，對設備目前的運行狀態進行監測和排查，從而判斷出設備運行狀態的可靠性，確認其局部或整機是否正常運行。煤礦用機電設備溫度振動監測系統用于煤礦主扇、壓風機、鋼絲繩牽引帶式輸送機、滾筒帶式輸送機、排水泵和電動機、提升機等，有助于掌握設備運行工況中的溫度振動數據。提升機、鋼絲繩牽引、滾筒帶式輸送機、皮帶機、空壓機、壓風機、水泵等煤礦機電設備要求增加電動機及主要軸承溫度和振動監測。裝置功能：1、提升機、水泵、皮帶機等設備電動機主軸承溫度振動在線監測2、礦用高壓異步電動機軸承溫度振動檢測診斷3、提升機、水泵、皮帶機等設備滾筒主軸承溫度振動在線監測4、井下大型機電設備電動機及主要軸承溫度振動在線監測5、可以同時收集電機前后軸承溫度及電機振動量的數值，對收到的信息分析處理6、系統提供網絡接口，可直接與智能礦山網絡相連，也可與其它網絡內的系統連接；7、在線系統軟件可實時監測任意通道的頻譜，時域波形、趨勢、三維譜圖和坐標圖，還可通過互聯網進行遠程監測。大型電機監測和故障預判系統助力實現工業設備智能化管理和預測性維護。
目前設備狀態監測及故障預警若干關鍵技術可歸納如下：（1）揭示設備運行狀態機械動態特性劣化演變規律。設備由非故障運行狀態劣化為故障運行狀態，其機械動態特性通常有一個發展演變過程（2）提取設備運行狀態發展趨勢特征。在役設備往往具有復雜運行狀態，在長歷程運行中工況和負載等非故障因素會造成信號能量變化，故障趨勢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，進而構建預測模型。動力裝備全壽命周期監測診斷方面：實現了支持物聯網的智能信息采集與管理、全生命周期動態自適應監測、早期非線性故障特征提取。優化重構出綜合體現裝備運行工況及表現的新參數，提高異常狀態辨識的適應性與可靠性，基于運行過程信息反映裝備劣化趨勢與故障發展規律，來提高故障早期辨識能力。基于物聯網和網絡化監測診斷將產品監測診斷與運行服務支持有機集成一體，在應用中實現動力裝備常見故障診斷準確率達80％以上。可應用于風力大電機、空壓機、氮壓機等大型動力裝備的集群化診斷領域。提供了基于物聯網的動力裝備全生命周期監測與服務支持創新模式，提供了其生命周期的遠程監測診斷與維護等專業化服務。β-Star監測系統是盈蓓德智能科技的產品，為大型電機提供數據監測和故障預判服務。無錫監測技術
設備振動情況信息量豐富，振動測試系統應用于設備狀態監測，在設備預知維修中起到了重要的作用。無錫EOL監測系統
針對刀具磨損狀態在實際生產加工過程中難以在線監測這一問題，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。將卷積神經網絡用于構建刀具磨損狀態識別模型，直接將采集到的數據作為輸入，得到了和傳統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。變換加工場景時，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，對模型進行實時更新，從而在實時監測過程中實現自學習，不斷提升模型的精度和預測效果。無錫EOL監測系統
