針對(duì)刀具磨損狀態(tài)在實(shí)際生產(chǎn)加工過(guò)程中難以在線監(jiān)測(cè)這一問(wèn)題，提出一種通過(guò)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(guò)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(wèn)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(guò)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(guò)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(guò)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。盈蓓德科技通過(guò)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(cè)，提前預(yù)判刀具運(yùn)行情況。溫州降噪監(jiān)測(cè)技術(shù)

傳統(tǒng)方法通常無(wú)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(lái)說(shuō), 這類信息通常不易獲知. 近年來(lái), 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(guò)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.上海汽車監(jiān)測(cè)特點(diǎn)盈蓓德科技開發(fā)的電機(jī)監(jiān)測(cè)和故障預(yù)判系統(tǒng)，助力實(shí)現(xiàn)工業(yè)設(shè)備數(shù)智化管理和預(yù)測(cè)性維護(hù)。

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(guò)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(méi)，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(guò)程信息反映裝備劣化趨勢(shì)與故障發(fā)展規(guī)律，來(lái)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)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)。

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(lái)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(wú)法做定量分析，無(wú)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(guò)對(duì)扭矩、轉(zhuǎn)速、各相電流、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(guò)電壓、過(guò)電流、過(guò)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(wú)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(wèn)題。 基于人工智能算法的新型的電機(jī)故障預(yù)測(cè)系統(tǒng)，適用范圍廣，能在更多的工業(yè)場(chǎng)合應(yīng)用。

在工業(yè)現(xiàn)場(chǎng)的預(yù)防性維護(hù)應(yīng)用中，振動(dòng)是大型旋轉(zhuǎn)等設(shè)備即將發(fā)生故障的重要指標(biāo)，一是在大型旋轉(zhuǎn)機(jī)械設(shè)備的所有故障中，振動(dòng)問(wèn)題出現(xiàn)的概率比較高；另一方面，振動(dòng)信號(hào)包含了豐富的機(jī)械及運(yùn)行的狀態(tài)信息；第三，振動(dòng)信號(hào)易于拾取，便于在不影響機(jī)械運(yùn)行的情況下實(shí)行在線監(jiān)測(cè)和診斷。旋轉(zhuǎn)類設(shè)備的預(yù)防性維護(hù)需要重點(diǎn)監(jiān)控振動(dòng)量的變化。其預(yù)測(cè)性診斷技術(shù)對(duì)于制造業(yè)、風(fēng)電等的行業(yè)的運(yùn)維具有非常重大的意義。通過(guò)設(shè)備振動(dòng)等狀態(tài)的預(yù)測(cè)性維護(hù)，可以及時(shí)發(fā)現(xiàn)并解決系統(tǒng)及零部件存在問(wèn)題。但是對(duì)于一些不是因?yàn)樵O(shè)備問(wèn)題而存在的固有振動(dòng)，振動(dòng)強(qiáng)度的不必要增加會(huì)對(duì)部件產(chǎn)生有害的力，危及設(shè)備的使用壽命和質(zhì)量。在這種情況下，則需要采用振動(dòng)隔離技術(shù)來(lái)解決和干預(yù)，有效抑制振動(dòng)和噪聲的危害，避免設(shè)備故障和流程關(guān)閉。自動(dòng)駕駛市場(chǎng)在近年來(lái)得到了快速發(fā)展。溫州旋轉(zhuǎn)機(jī)械監(jiān)測(cè)設(shè)備

盈蓓德科技的客戶主要來(lái)自汽車、船舶等多個(gè)行業(yè)。溫州降噪監(jiān)測(cè)技術(shù)

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(jì)算、機(jī)器學(xué)習(xí)與傳感器等技術(shù)的成熟，預(yù)測(cè)性維護(hù)技術(shù)應(yīng)運(yùn)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(cè)階段，來(lái)實(shí)現(xiàn)查看設(shè)備是否需要維護(hù)、安排維護(hù)時(shí)間來(lái)減少計(jì)劃性停產(chǎn)等，并能夠快速、有效的通過(guò)物聯(lián)網(wǎng)接入到整個(gè)網(wǎng)絡(luò)，將數(shù)據(jù)回傳至管理中心，來(lái)實(shí)現(xiàn)電機(jī)設(shè)備的預(yù)測(cè)性維護(hù)。電動(dòng)機(jī)是機(jī)械加工中不可或缺的必備工具,電動(dòng)機(jī)在運(yùn)轉(zhuǎn)中常產(chǎn)生各種故障,為保證電動(dòng)機(jī)運(yùn)行安全,對(duì)電動(dòng)機(jī)運(yùn)行狀態(tài)進(jìn)行在線監(jiān)測(cè)尤為重要。以三相異步電動(dòng)機(jī)為研究對(duì)象,采用傳感器獲取電動(dòng)機(jī)運(yùn)行中的重要參數(shù)(振動(dòng)、噪聲、轉(zhuǎn)速及溫度等),由時(shí)/頻域分析及能量分析等方法提取電動(dòng)機(jī)運(yùn)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(shí)別模型,通過(guò)BP神經(jīng)網(wǎng)絡(luò)模式識(shí)別方法,判斷電動(dòng)機(jī)運(yùn)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(cè)系統(tǒng),將電動(dòng)機(jī)運(yùn)行參數(shù)及狀態(tài)實(shí)時(shí)顯示在可視化界面中,完成在線智能監(jiān)測(cè)。溫州降噪監(jiān)測(cè)技術(shù)