故障預(yù)測與健康管理是以工業(yè)監(jiān)測數(shù)據(jù)為基礎(chǔ)，通過高等數(shù)學(xué)、數(shù)學(xué)優(yōu)化、統(tǒng)計概率、信號處理、機(jī)器學(xué)習(xí)和統(tǒng)計學(xué)習(xí)等技術(shù)搭建模型算法，**終實現(xiàn)產(chǎn)品和裝備的狀態(tài)監(jiān)測、故障診斷及壽命預(yù)測，為產(chǎn)品和裝備的正常運行保駕護(hù)航，從而提高其安全性和可靠性。故障預(yù)測與健康管理是以工業(yè)監(jiān)測數(shù)據(jù)為基礎(chǔ)，通過高等數(shù)學(xué)、數(shù)學(xué)優(yōu)化、統(tǒng)計概率、信號處理、機(jī)器學(xué)習(xí)和統(tǒng)計學(xué)習(xí)等技術(shù)搭建模型算法，實現(xiàn)產(chǎn)品和裝備的狀態(tài)監(jiān)測、故障診斷及壽命預(yù)測，為產(chǎn)品和裝備的正常運行保駕護(hù)航，從而提高其安全性和可靠性。近年來我們提出的標(biāo)準(zhǔn)化平方包絡(luò)和數(shù)學(xué)框架以及準(zhǔn)算數(shù)均值比數(shù)學(xué)框架指引了稀疏測度構(gòu)造的新方向，同時發(fā)現(xiàn)了大量與基尼指數(shù)、峭度、香農(nóng)熵等具有等價性能的稀疏測度?；跇?biāo)準(zhǔn)化平方包絡(luò)和數(shù)學(xué)框架以及凸優(yōu)化技術(shù)，提出了在線更新模型權(quán)重可解釋的機(jī)器學(xué)習(xí)算法，**終可以利用模型權(quán)重來實時確認(rèn)故障特征頻率，解決了狀態(tài)監(jiān)測與故障診斷領(lǐng)域傳統(tǒng)機(jī)器學(xué)習(xí)只能輸出狀態(tài)，而無法提供故障特征來確認(rèn)輸出狀態(tài)的難題。設(shè)備狀態(tài)監(jiān)測是通過測定各類參數(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)。上海監(jiān)測

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，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(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、實時的掌握電機(jī)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(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、功率和效率進(jìn)行實時動態(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、實時的掌握電機(jī)運行狀態(tài)和故障的技術(shù)問題。南通降噪監(jiān)測控制策略時間域、頻率域以及角度域的NVH分析方法，對汽車動力總成的各種故障進(jìn)行實時識別、監(jiān)測和診斷。

傳統(tǒng)維護(hù)模式中的故障后維護(hù)與定期維護(hù)將影響生產(chǎn)效率與產(chǎn)品質(zhì)量，并大幅提高制造商的成本。隨著物聯(lián)網(wǎng)、大數(shù)據(jù)、云計算、機(jī)器學(xué)習(xí)與傳感器等技術(shù)的成熟，預(yù)測性維護(hù)技術(shù)應(yīng)運而生。以各類如電機(jī)、軸承等設(shè)備為例，目前已發(fā)展到較為成熟的在線持續(xù)監(jiān)測階段，來實現(xiàn)查看設(shè)備是否需要維護(hù)、怎么安排維護(hù)時間來減少計劃性停產(chǎn)等，并能夠快速、有效的通過物聯(lián)網(wǎng)接入到整個網(wǎng)絡(luò)，將數(shù)據(jù)回傳至管理中心，來實現(xiàn)電機(jī)設(shè)備的預(yù)測性維護(hù)。電動機(jī)是機(jī)械加工中不可或缺的必備工具,電動機(jī)在運轉(zhuǎn)中常產(chǎn)生各種故障,為保證電動機(jī)運行安全,對電動機(jī)運行狀態(tài)進(jìn)行在線監(jiān)測尤為重要。以三相異步電動機(jī)為研究對象,采用傳感器獲取電動機(jī)運行中的重要參數(shù)(振動、噪聲、轉(zhuǎn)速及溫度等),由時/頻域分析及能量分析等方法提取電動機(jī)運行特征量,構(gòu)成特征向量,采用BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的方法建立狀態(tài)識別模型,通過BP神經(jīng)網(wǎng)絡(luò)模式識別方法,判斷電動機(jī)運行的狀態(tài),在此基礎(chǔ)上,利用LabVIEW軟件構(gòu)建可視化監(jiān)測系統(tǒng),將電動機(jī)運行參數(shù)及狀態(tài)實時顯示在可視化界面中,完成在線智能監(jiān)測。

隨著科技發(fā)展, 各類工程設(shè)備的工作和運行環(huán)境變得越來越復(fù)雜. 作為機(jī)械設(shè)備的關(guān)鍵零部件, 滾動軸承在長期大載荷、強(qiáng)沖擊等復(fù)雜工況下, 極易產(chǎn)生各種故障, 導(dǎo)致機(jī)械工作狀況惡化. 針對軸承的故障預(yù)測與健康管理技術(shù)應(yīng)運而生. 若能在故障發(fā)生初期即進(jìn)行準(zhǔn)確、可靠的檢測和診斷, 則有助于進(jìn)行及時維修, 避免嚴(yán)重事故的發(fā)生. 早期故障檢測已成為PHM的關(guān)鍵技術(shù)環(huán)節(jié)之一. 近年來, 隨著傳感技術(shù)和機(jī)器學(xué)習(xí)技術(shù)的快速發(fā)展, 數(shù)據(jù)驅(qū)動的智能化故障檢測和診斷技術(shù)受到更多人的關(guān)注. 如何利用歷史采集的狀態(tài)監(jiān)控數(shù)據(jù)、提高目標(biāo)軸承早期故障檢測結(jié)果的準(zhǔn)確性和穩(wěn)定性成為研究熱點和難點, 具有明確的學(xué)術(shù)價值和應(yīng)用需求.本文關(guān)注的是不停機(jī)情況下的早期故障在線檢測問題. 這種方式有助于實時評估軸承工作狀態(tài), 避免因等待停機(jī)檢查而產(chǎn)生延誤、造成經(jīng)濟(jì)損失, 因此對早期故障的在線檢測越來越受到工業(yè)界的重視。盈蓓德科技通過自主開發(fā)的軟件和算法，進(jìn)行數(shù)控機(jī)床的刀具質(zhì)量監(jiān)測，提前預(yù)判刀具運行情況。

柴油機(jī)狀態(tài)監(jiān)測與故障診斷系統(tǒng)是一個集數(shù)據(jù)采集與分析、狀態(tài)監(jiān)測、故障診斷為一體的多任務(wù)處理系統(tǒng), 可實現(xiàn)柴油機(jī)監(jiān)測、保護(hù)、分析、診斷等功能。包括數(shù)據(jù)采集與工況監(jiān)測、活塞缸套磨損監(jiān)測分析、主軸承磨損狀態(tài)監(jiān)測分析、氣閥間隙異常監(jiān)測分析和瞬時轉(zhuǎn)速監(jiān)測分析等各種功能。信號分析、特征提取及診斷原理是每個監(jiān)測診斷子功能的部分, 各子功能都有相應(yīng)的信號分析與特征提取方法, 包括信號預(yù)處理、時域、頻域分析、小波分析等, 自動形成反映柴油機(jī)運行狀態(tài)的特征量, 為系統(tǒng)的診斷推理提供信息來源。采用模糊聚類理論來檢驗特征參量的有效性、建立故障標(biāo)準(zhǔn)征兆群, 并運用模糊貼近度來實施故障類型的診斷識別。監(jiān)測利用各種傳感器在電機(jī)運行時對電機(jī)的狀態(tài)提取相關(guān)數(shù)據(jù)。故障診斷使用計算機(jī)及其相應(yīng)智能軟件。紹興智能監(jiān)測臺

電機(jī)智能監(jiān)測和運維，其預(yù)測效果和工程造價還未達(dá)到市場接受程度。上海監(jiān)測

目前設(shè)備狀態(tài)監(jiān)測及故障預(yù)警若干關(guān)鍵技術(shù)可歸納如下：（1）揭示設(shè)備運行狀態(tài)機(jī)械動態(tài)特性劣化演變規(guī)律。設(shè)備由非故障運行狀態(tài)劣化為故障運行狀態(tài)，其機(jī)械動態(tài)特性通常有一個發(fā)展演變過程。需揭示劣化過程及故障變化演變規(guī)律及發(fā)展特點，分析故障產(chǎn)生機(jī)理、發(fā)展原因和發(fā)展模式，構(gòu)建劣化演變機(jī)械動態(tài)特性模型。（2）提取設(shè)備運行狀態(tài)發(fā)展趨勢特征。在役設(shè)備往往具有復(fù)雜運行狀態(tài)，在長歷程運行中工況和負(fù)載等非故障因素造成信號能量變化，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(jìn)而構(gòu)建預(yù)測模型。若提取到敏感特征分量因子及模式，有望實現(xiàn)典型部件部位分析。上海監(jiān)測