隨著電力電子技術(shù)、自動化控制技術(shù)的不斷發(fā)展，電機在工業(yè)生產(chǎn)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(shù)的方式進行數(shù)據(jù)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(shù)誤差大，測試結(jié)果不準確。有些場合需要進行電機多種參數(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，無法更加準確、實時的掌握電機的運行狀態(tài)和故障。技術(shù)實現(xiàn)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(zhuǎn)速、各相電流、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(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確、實時的掌握電機運行狀態(tài)和故障的技術(shù)問題。故障診斷可以根據(jù)狀態(tài)監(jiān)測系統(tǒng)提供信息來查明失調(diào)的原因或性質(zhì)，判斷劣化發(fā)生部位，以及預測狀態(tài)發(fā)展趨勢。上海汽車監(jiān)測控制策略

基于人工神經(jīng)網(wǎng)絡的診斷方法簡單處理單元連接而成的復雜的非線性系統(tǒng)，具有學習能力,自適應能力,非線性逼近能力等。故障診斷的任務從映射角度看就是從征兆到故障類型的映射。用ANN技術(shù)處理故障診斷問題,不僅能進行復雜故障診斷模式的識別,還能進行故障嚴重性評估和故障預測，由于ANN能自動獲取診斷知識，使診斷系統(tǒng)具有自適應能力?；诩尚椭悄芟到y(tǒng)的診斷方法隨著電機設備系統(tǒng)越來越復雜，依靠單一的故障診斷技術(shù)已難滿足復雜電機設備的故障診斷要求，因此上述各種診斷技術(shù)集成起來形成的集成智能診斷系統(tǒng)成為當前電機設備故障診斷研究的熱點。主要的集成技術(shù)有：基于規(guī)則的專業(yè)人員系統(tǒng)與ANN的結(jié)合，模糊邏輯與ANN的結(jié)合，混沌理論與ANN的結(jié)合，模糊神經(jīng)網(wǎng)絡與專業(yè)人員系統(tǒng)的結(jié)合。上海性能監(jiān)測控制策略監(jiān)測利用各種傳感器在電機運行時對電機的狀態(tài)提取相關數(shù)據(jù)。故障診斷使用計算機及其相應智能軟件。

低信噪比微弱信號特征早期故障的信號處理。早期故障信息具有明顯的低信噪比微弱信號的特征，為實現(xiàn)早期故障有效分析，涉及方法包括：多傳感系統(tǒng)檢測及信息融合，非平穩(wěn)及非線性信號處理，故障征兆量和損傷征兆量信號分析，噪聲規(guī)律與特點分析，以及相關數(shù)據(jù)挖掘、粗糙集等方法。故障預測模型構(gòu)建。構(gòu)建基于智能信息系統(tǒng)的設備早期故障預測模型，這類模型大致有兩個途徑，分別是物理信息預測模型以及數(shù)據(jù)信息預測模型，或構(gòu)建這兩類預測模型相融合的預測模型。運行狀態(tài)劣化的相關評價參數(shù)、模式及準則。如表征設備狀態(tài)發(fā)展的參數(shù)及特征模式，狀態(tài)發(fā)展評價準則及條件，面向安全保障的決策理論方法，穩(wěn)定性、可靠性及維修性評估依據(jù)及判據(jù)等。物聯(lián)網(wǎng)聲學監(jiān)控系統(tǒng)以音頻數(shù)據(jù)，輔以其他設備參數(shù)，通過物聯(lián)網(wǎng)技術(shù)實現(xiàn)設備狀態(tài)的遠程感知，基于AI神經(jīng)網(wǎng)絡技術(shù)，計算并提取設備音頻特征，從而實現(xiàn)設備運行狀態(tài)的實時評估與故障的早期識別。幫助企業(yè)用戶提升生產(chǎn)效率，保證生產(chǎn)安全，優(yōu)化生產(chǎn)決策。

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(shù)據(jù)訓練得到檢測模型, 但目標對象在線場景下采集到的數(shù)據(jù)有限, 且其數(shù)據(jù)分布與訓練數(shù)據(jù)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(shù)據(jù), 容易降低檢測結(jié)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(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(jīng)網(wǎng)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(shù)據(jù)進行模型訓練, 而歷史采集的輔助數(shù)據(jù)與目標對象數(shù)據(jù)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.設備狀態(tài)監(jiān)測是通過測定各類參數(shù)，并進行分析處理，根據(jù)分析處理結(jié)果判定設備狀態(tài)。

工業(yè)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(chǎn)生業(yè)務、真正大規(guī)模發(fā)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(shù)采傳感器、設備等。這導致很多企業(yè)在考慮投入產(chǎn)出比時比較猶豫。其次是技術(shù)需要突破，目前大多數(shù)供應商只實現(xiàn)了設備狀態(tài)的監(jiān)視，真正能實現(xiàn)故障準確預測的落地案例寥寥無幾。供應商技術(shù)和能力還需要不斷升級。預防性維護要想實現(xiàn)更好的應用，要在以下方面實現(xiàn)突破。實現(xiàn)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(chǎn)品國產(chǎn)化率，降低實施成本。盈蓓德科技順應行業(yè)發(fā)展方向，搭建一套基于旋轉(zhuǎn)類設備溫度，振動狀態(tài)監(jiān)測、故障判斷和預測性維護系統(tǒng)。寧波研發(fā)監(jiān)測介紹

電機狀態(tài)監(jiān)測和故障診斷技術(shù)可以了解和掌握電機使用過程中的狀態(tài)，確定其整體或局部正?；虍惓！Ｉ虾Ｆ嚤O(jiān)測控制策略

現(xiàn)代化生產(chǎn)企業(yè)為了極大限度地提高生產(chǎn)水平和經(jīng)濟效益，不斷地向規(guī)?；透呒夹g(shù)技術(shù)含量發(fā)展，因此生產(chǎn)裝置趨向大型化、高速高效化、自動化和連續(xù)化，人們對設備的要求不僅是性能好，效率高，還要求在運行過程中少出故障，否則因故障停機帶來的損失是十分巨大的。國內(nèi)外化工、石化、電力、鋼鐵和航空等部門，從許多大型設備故障和事故中逐漸認識到開展設備故障診斷的重要性。管理好用好這些大型設備，使其安全、可靠地運行，成為設備管理中的突出任務。對于單機連續(xù)運行的生產(chǎn)設備，停機損失巨大的大型機組和重大設備，不宜解體檢查的高精度設備以及發(fā)生故障后會引起公害的設備。傳統(tǒng)的事后維修和定期維修帶來的過剩維修或失修，使維修費用在生產(chǎn)成本中所占比重很大。狀態(tài)監(jiān)測維修是在設備運行時，對它的各個主要部位產(chǎn)生的物理化學信號進行狀態(tài)監(jiān)測，掌握設備的技術(shù)狀態(tài)，對將要形成或已經(jīng)形成的故障進行分析診斷，判定設備的劣化程度和部位，在故障產(chǎn)生前制訂預知性維修計劃，確定設備維修的內(nèi)容和時間。因此狀態(tài)監(jiān)測維修既能經(jīng)常保持設備的完好狀態(tài)，又能充分利用零部位的使用壽命，從而延長大修間隔，縮短大修時間，減少故障停機損失。上海汽車監(jiān)測控制策略