柴油機(jī)狀態(tài)監(jiān)測(cè)與故障診斷系統(tǒng)是一個(gè)集數(shù)據(jù)采集與分析、狀態(tài)監(jiān)測(cè)、故障診斷為一體的多任務(wù)處理系統(tǒng),可實(shí)現(xiàn)柴油機(jī)監(jiān)測(cè)、保護(hù)、分析、診斷等功能。包括數(shù)據(jù)采集與工況監(jiān)測(cè)、活塞缸套磨損監(jiān)測(cè)分析、主軸承磨損狀態(tài)監(jiān)測(cè)分析、氣閥間隙異常監(jiān)測(cè)分析和瞬時(shí)轉(zhuǎn)速監(jiān)測(cè)分析等各種功能。信號(hào)分析、特征提取及診斷原理是每個(gè)監(jiān)測(cè)診斷子功能部分,各子功能都有相應(yīng)的信號(hào)分析與特征提取方法,包括信號(hào)預(yù)處理、時(shí)域、頻域分析、小波分析等,自動(dòng)形成反映柴油機(jī)運(yùn)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(yàn)特征參量的有效性、建立故障標(biāo)準(zhǔn)征兆群,并運(yùn)用模糊貼近度來實(shí)施故障類型的診斷識(shí)別?；谌斯ど窠?jīng)網(wǎng)絡(luò)的診斷方法簡(jiǎn)單處理單元連接而成的復(fù)雜的非線性系統(tǒng)，具有學(xué)習(xí)能力,自適應(yīng)能力,非線性逼近能力等。故障診斷的任務(wù)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(jìn)行復(fù)雜故障診斷模式的識(shí)別,還能進(jìn)行故障嚴(yán)重性評(píng)估和故障預(yù)測(cè)，由于ANN能自動(dòng)獲取診斷知識(shí)，使診斷系統(tǒng)具有自適應(yīng)能力。電機(jī)馬達(dá)監(jiān)控系統(tǒng)適用于石油、化工、電力、煤炭、冶金、造紙、水泥等行業(yè)。南京電機(jī)監(jiān)測(cè)

傳統(tǒng)方法通常無法自適應(yīng)提取特征, 同時(shí)需要一定的離線數(shù)據(jù)訓(xùn)練得到檢測(cè)模型, 但目標(biāo)對(duì)象在線場(chǎng)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(cè)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(cè)算法, 未充分考慮樣本前后的時(shí)序關(guān)系, 容易因數(shù)據(jù)微小波動(dòng)而產(chǎn)生誤報(bào)警, 降低檢測(cè)結(jié)果的魯棒性; 再次, 為降低誤報(bào)警, 這類方法需要反復(fù)調(diào)整報(bào)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(cè)結(jié)果, 但這類方法通常需要提前知道系統(tǒng)運(yùn)動(dòng)方程等信息, 對(duì)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)用于早期故障特征的自動(dòng)提取和識(shí)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(duì)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(cè)的特征表示效果; 另一方面, 在訓(xùn)練過程中未能針對(duì)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(cè)中的應(yīng)用仍存在較大的提升空間.上海專業(yè)監(jiān)測(cè)電機(jī)狀態(tài)監(jiān)測(cè)技術(shù)可幫助運(yùn)行維護(hù)人員擺脫被動(dòng)檢修和不太理想的定期檢修的困境，實(shí)現(xiàn)“預(yù)知”維修。

故障預(yù)測(cè)與健康管理是以工業(yè)監(jiān)測(cè)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(jì)概率、信號(hào)處理、機(jī)器學(xué)習(xí)和統(tǒng)計(jì)學(xué)習(xí)等技術(shù)搭建模型算法，實(shí)現(xiàn)產(chǎn)品和裝備的狀態(tài)監(jiān)測(cè)、故障診斷及壽命預(yù)測(cè)，為產(chǎn)品和裝備的正常運(yùn)行保駕護(hù)航，從而提高其安全性和可靠性。故障預(yù)測(cè)與健康管理是以工業(yè)監(jiān)測(cè)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(jì)概率、信號(hào)處理、機(jī)器學(xué)習(xí)和統(tǒng)計(jì)學(xué)習(xí)等技術(shù)搭建模型算法，實(shí)現(xiàn)產(chǎn)品和裝備的狀態(tài)監(jiān)測(cè)、故障診斷及壽命預(yù)測(cè)，為產(chǎn)品和裝備的正常運(yùn)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(cè)度構(gòu)造的新方向，同時(shí)發(fā)現(xiàn)了大量與基尼指數(shù)、峭度、香農(nóng)熵等具有等價(jià)性能的稀疏測(cè)度。基于標(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，可以利用模型權(quán)重來實(shí)時(shí)確認(rèn)故障特征頻率，解決了狀態(tài)監(jiān)測(cè)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。

目前設(shè)備狀態(tài)監(jiān)測(cè)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(yùn)行狀態(tài)機(jī)械動(dòng)態(tài)特性劣化演變規(guī)律。設(shè)備由非故障運(yùn)行狀態(tài)劣化為故障運(yùn)行狀態(tài)，其機(jī)械動(dòng)態(tài)特性通常有一個(gè)發(fā)展演變過程（2）提取設(shè)備運(yùn)行狀態(tài)發(fā)展趨勢(shì)特征。在役設(shè)備往往具有復(fù)雜運(yùn)行狀態(tài)，在長(zhǎng)歷程運(yùn)行中工況和負(fù)載等非故障因素會(huì)造成信號(hào)能量變化，故障趨勢(shì)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(cè)模型。動(dòng)力裝備全壽命周期監(jiān)測(cè)診斷方面：實(shí)現(xiàn)了支持物聯(lián)網(wǎng)的智能信息采集與管理、全生命周期動(dòng)態(tài)自適應(yīng)監(jiān)測(cè)、早期非線性故障特征提取。優(yōu)化重構(gòu)出綜合體現(xiàn)裝備運(yùn)行工況及表現(xiàn)的新參數(shù)，提高異常狀態(tài)辨識(shí)的適應(yīng)性與可靠性，基于運(yùn)行過程信息反映裝備劣化趨勢(shì)與故障發(fā)展規(guī)律，來提高故障早期辨識(shí)能力?；谖锫?lián)網(wǎng)和網(wǎng)絡(luò)化監(jiān)測(cè)診斷將產(chǎn)品監(jiān)測(cè)診斷與運(yùn)行服務(wù)支持有機(jī)集成一體，在應(yīng)用中實(shí)現(xiàn)動(dòng)力裝備常見故障診斷準(zhǔn)確率達(dá)80％以上?？蓱?yīng)用于風(fēng)力大電機(jī)、空壓機(jī)、氮壓機(jī)等大型動(dòng)力裝備的集群化診斷領(lǐng)域。提供了基于物聯(lián)網(wǎng)的動(dòng)力裝備全生命周期監(jiān)測(cè)與服務(wù)支持創(chuàng)新模式，提供了其生命周期的遠(yuǎn)程監(jiān)測(cè)診斷與維護(hù)等專業(yè)化服務(wù)。β-Star監(jiān)測(cè)系統(tǒng)是盈蓓德智能科技的產(chǎn)品，為大型電機(jī)提供數(shù)據(jù)監(jiān)測(cè)和故障預(yù)判服務(wù)。

隨著電力電子技術(shù)、自動(dòng)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的應(yīng)用，在市場(chǎng)競(jìng)爭(zhēng)中正逐步顯示自己的優(yōu)勢(shì)。傳統(tǒng)的電機(jī)在線監(jiān)測(cè)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(cè)量，采用人工讀數(shù)的方式進(jìn)行數(shù)據(jù)的測(cè)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(cè)試結(jié)果不準(zhǔn)確。有些場(chǎng)合需要進(jìn)行電機(jī)多種參數(shù)的監(jiān)測(cè)，這樣就勢(shì)必會(huì)加大各種測(cè)量?jī)x器的使用以及人力資源的投入。傳統(tǒng)的監(jiān)測(cè)方法要求監(jiān)測(cè)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(cè)方法無法做定量分析，無法更加準(zhǔn)確、實(shí)時(shí)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(cè)裝置和方法，通過對(duì)扭矩、轉(zhuǎn)速、各相電壓、溫度、輸入、輸出功率和效率進(jìn)行實(shí)時(shí)動(dòng)態(tài)的監(jiān)測(cè)以及對(duì)過電壓、過電流、過熱進(jìn)行報(bào)警停機(jī)，解決現(xiàn)有技術(shù)中監(jiān)測(cè)參數(shù)不能定量分析以及無法更加準(zhǔn)確、實(shí)時(shí)的掌握電機(jī)運(yùn)行狀態(tài)和故障的技術(shù)問題。電機(jī)設(shè)備的許多故障信息可以通過信號(hào)變換的診斷方法以調(diào)制的形式存在于所監(jiān)測(cè)的電氣信號(hào)及振動(dòng)信號(hào)之中。上海非標(biāo)監(jiān)測(cè)設(shè)備

盈蓓德科技順應(yīng)行業(yè)發(fā)展趨勢(shì)，搭建一套基于旋轉(zhuǎn)類設(shè)備溫度，振動(dòng)狀態(tài)監(jiān)測(cè)、故障判斷的預(yù)測(cè)性維護(hù)系統(tǒng)。南京電機(jī)監(jiān)測(cè)

針對(duì)刀具磨損狀態(tài)在實(shí)際生產(chǎn)加工過程中難以在線監(jiān)測(cè)這一問題，提出一種通過通信技術(shù)獲取機(jī)床內(nèi)部數(shù)據(jù)，對(duì)當(dāng)前的刀具磨損狀態(tài)進(jìn)行識(shí)別的方法。通過采集機(jī)床內(nèi)部實(shí)時(shí)數(shù)據(jù)并將其與實(shí)際加工情景緊密結(jié)合，能直接反映當(dāng)前的加工狀態(tài)。將卷積神經(jīng)網(wǎng)絡(luò)用于構(gòu)建刀具磨損狀態(tài)識(shí)別模型，直接將采集到的數(shù)據(jù)作為輸入，得到了和傳統(tǒng)方法精度近似的預(yù)測(cè)模型，模型在訓(xùn)練集和在線驗(yàn)證試驗(yàn)中的表現(xiàn)都符合預(yù)期。刀具磨損狀態(tài)識(shí)別的方法在投入使用時(shí)還有一些問題有待解決：①現(xiàn)有數(shù)據(jù)是在相同的加工條件下測(cè)得的，而實(shí)際加工過程中，加工參數(shù)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(jìn)行變參數(shù)試驗(yàn)，考慮加工參數(shù)對(duì)于刀具磨損的影響，并針對(duì)常用的一些加工場(chǎng)景，建立不同的模型庫(kù)。變換加工場(chǎng)景，通過獲取當(dāng)前場(chǎng)景，及時(shí)匹配相應(yīng)的預(yù)測(cè)模型即可。②本研究中的模型是一個(gè)固定的模型。今后需要根據(jù)實(shí)時(shí)的信號(hào)以及已知的磨損狀態(tài)，對(duì)模型進(jìn)行實(shí)時(shí)更新，從而在實(shí)時(shí)監(jiān)測(cè)過程中實(shí)現(xiàn)自學(xué)習(xí)，不斷提升模型的精度和預(yù)測(cè)效果。南京電機(jī)監(jiān)測(cè)