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等。設備狀態監測診斷分析系統實現大型旋轉設備參數狀態監測、統計分析、預警報警、多維診斷和智能巡檢等功能。動力設備監測控制策略
基于數據的故障檢測與診斷方法能夠對海量的工業數據進行統計分析和特征提取，將系統的狀態分為正常運行狀態和故障狀態，可視為模式識別任務。故障檢測是判斷系統是否處于預期的正常運行狀態，判斷系統是否發生異常故障，相當于一個二分類任務。故障診斷是在確定發生故障的時候判斷系統處于哪一種故障狀態，相當于一個多分類任務。因此，故障檢測和診斷技術的研究類似于模式識別，分為4個的步驟：數據獲取、特征提取、特征選擇和特征分類。1)數據獲取步驟是從過程系統收集可能影響過程狀態的信號，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映射為有辨識度的狀態信息；3)特征選擇步驟是將與狀態變化相關的變量提取出來；4)特征分類步驟是通過算法將前幾步中選擇的特征進行故障檢測與診斷。在大數據這一背景下，傳統的基于數據的故障檢測與診斷方法被廣泛應用，但是，這些方法有一些共同的缺點：特征提取需要大量的知識和信號處理技術，并且對于不同的任務，沒有統一的程序來完成。此外，常規的基于機器學習的方法結構較淺，在提取信號的高維非線性關系方面能力有限。上海電機監測盈蓓德科技通過自主開發的軟件和算法，對數控機床的刀具質量進行監測，提前預判刀具運行情況。
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。
工業設備的預測性維護的市場需求顯而易見，但是預防性維護想要產生業務、真正大規模發展卻是遇到了兩個難題。首先項目實施成本過高，硬件設備大多依賴進口。比如數采傳感器、設備等。這導致很多企業在考慮投入產出比時比較猶豫。其次是技術需要突破，目前大多數供應商只實現了設備狀態的監視，真正能實現故障準確預測的落地案例寥寥無幾。供應商技術和能力還需要不斷升級。預防性維護要想實現更好的應用，要在以下方面實現突破。實現基于預測的維護，提升故障診斷及預測的準確率提高軟硬件產品國產化率，降低實施成本。遠程終端廣泛應用于工業互聯網、分布式數據采集、設備狀態的在線監測，能夠進行前端數據清洗和邊緣計算，通過對歷史數據趨勢分析、設備數據機理分析、統計分析等大數據分析，對設備的狀態做出有效可靠的健康狀態評判，從而切實有效的提高設備的維護能力。遠程終端可實現對電源電壓、設備狀態的自檢，分析計量故障等信息，及時發現計量異常。現場監測箱開門、斷電、設備運行等異常信息也能夠主動發送報警信息到監測中心，實現設備在線監診的準確性、完整性、及時性和可靠性。設備狀態的監診很有必要。盈蓓德科技通過自主開發的軟件和算法，進行數控機床的刀具質量監測，提前預判刀具運行情況。
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. 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監測控制策略
盈蓓德科技測量電機關鍵參數，利用AI融合工業機理算法，構建故障模型庫，實現邊緣側數據實時分析和決策。動力設備監測控制策略
傳統維護模式中的故障后維護與定期維護將影響生產效率與產品質量，并大幅提高制造商的成本。隨著物聯網、大數據、云計算、機器學習與傳感器等技術的成熟，預測性維護技術應運而生。以各類如電機、軸承等設備為例，目前已發展到較為成熟的在線持續監測階段，來實現查看設備是否需要維護、安排維護時間來減少計劃性停產等，并能夠快速、有效的通過物聯網接入到整個網絡，將數據回傳至管理中心，來實現電機設備的預測性維護。電動機是機械加工中不可或缺的必備工具,電動機在運轉中常產生各種故障,為保證電動機運行安全,對電動機運行狀態進行在線監測尤為重要。以三相異步電動機為研究對象,采用傳感器獲取電動機運行中的重要參數(振動、噪聲、轉速及溫度等),由時/頻域分析及能量分析等方法提取電動機運行特征量,構成特征向量,采用BP神經網絡訓練的方法建立狀態識別模型,通過BP神經網絡模式識別方法,判斷電動機運行的狀態,在此基礎上,利用LabVIEW軟件構建可視化監測系統,將電動機運行參數及狀態實時顯示在可視化界面中,完成在線智能監測。動力設備監測控制策略
