電機(jī)狀態(tài)監(jiān)測(cè)是了解和掌握電機(jī)在使用過(guò)程中的狀態(tài)，確定其整體或局部正?；虍惓?，以及早期發(fā)現(xiàn)故障及其原因，并預(yù)報(bào)故障發(fā)展趨勢(shì)的重要技術(shù)。這種監(jiān)測(cè)主要包括識(shí)別電機(jī)狀態(tài)和預(yù)測(cè)發(fā)展趨勢(shì)兩個(gè)方面。電機(jī)狀態(tài)監(jiān)測(cè)可以通過(guò)多種方式進(jìn)行，包括電流監(jiān)測(cè)、溫度監(jiān)測(cè)、振動(dòng)監(jiān)測(cè)、聲音監(jiān)測(cè)和光學(xué)監(jiān)測(cè)等。電流監(jiān)測(cè)可以判斷電機(jī)是否正常運(yùn)行，如電流過(guò)高或過(guò)低可能意味著電機(jī)受阻或負(fù)載過(guò)重。溫度監(jiān)測(cè)可以預(yù)防設(shè)備過(guò)熱問(wèn)題的發(fā)生，過(guò)熱可能會(huì)對(duì)設(shè)備性能和壽命造成負(fù)面影響。振動(dòng)監(jiān)測(cè)可以及時(shí)發(fā)現(xiàn)并解決設(shè)備的振動(dòng)問(wèn)題，如轉(zhuǎn)子不平衡、軸承損壞等。聲音監(jiān)測(cè)可以及時(shí)發(fā)現(xiàn)并解決設(shè)備的噪音問(wèn)題，如軸承損壞、不平衡等。光學(xué)監(jiān)測(cè)則可以幫助設(shè)備操作員及時(shí)發(fā)現(xiàn)異常情況，例如電機(jī)的偏移、卡住或損壞等。除了以上監(jiān)測(cè)方法，還有基于數(shù)學(xué)模型和人工智能的故障診斷方法?；跀?shù)學(xué)模型的方法主要是利用電機(jī)的數(shù)學(xué)模型，結(jié)合傳感器采集的數(shù)據(jù)，對(duì)電機(jī)的狀態(tài)進(jìn)行估計(jì)和預(yù)測(cè)?；谌斯ぶ悄艿姆椒▌t主要是利用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等人工智能技術(shù)，對(duì)歷史數(shù)據(jù)進(jìn)行分析和學(xué)習(xí)，實(shí)現(xiàn)對(duì)電機(jī)狀態(tài)的監(jiān)測(cè)和故障預(yù)警。使用溫度傳感器來(lái)監(jiān)測(cè)電機(jī)各個(gè)部件溫度。過(guò)高的溫度表明電機(jī)運(yùn)行不正常，由于負(fù)載過(guò)大、繞組問(wèn)題等原因。常州狀態(tài)監(jiān)測(cè)

深度學(xué)習(xí)技術(shù)已經(jīng)在滾動(dòng)軸承故障監(jiān)測(cè)和診斷領(lǐng)域取得了成功應(yīng)用, 但面對(duì)不停機(jī)情況下的早期故障在線監(jiān)測(cè)問(wèn)題, 仍存在著早期故障特征表示不充分、誤報(bào)警率高等不足. 為解決上述問(wèn)題, 本文從時(shí)序異常檢測(cè)的角度出發(fā), 提出了一種基于深度遷移學(xué)習(xí)的早期故障在線檢測(cè)方法. 首先, 提出一種面向多域遷移的深度自編碼網(wǎng)絡(luò), 通過(guò)構(gòu)建具有改進(jìn)的比較大均值差異正則項(xiàng)和Laplace正則項(xiàng)的損失函數(shù), 在自適應(yīng)提取不同域數(shù)據(jù)的公共特征表示同時(shí), 提高正常狀態(tài)和早期故障狀態(tài)之間特征的差異性; 基于該特征表示, 提出一種基于時(shí)序異常模式的在線檢測(cè)模型, 利用離線軸承正常狀態(tài)的排列熵值構(gòu)建報(bào)警閾值, 實(shí)現(xiàn)在線數(shù)據(jù)中異常序列的快速匹配, 同時(shí)提高在線檢測(cè)結(jié)果的可靠性. 在XJTU-SY數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明, 與現(xiàn)有代表性早期故障檢測(cè)方法相比, 本文方法具有更好的檢測(cè)實(shí)時(shí)性和更低的誤報(bào)警數(shù).南通功能監(jiān)測(cè)應(yīng)用監(jiān)測(cè)電機(jī)電流可以提供有關(guān)電機(jī)工作狀態(tài)的信息。異常的電流波形是電機(jī)問(wèn)題的指示，如繞組故障或磁場(chǎng)失衡。

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.

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)、怎么安排維護(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)。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)、怎么安排維護(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)備預(yù)測(cè)性維護(hù)。未來(lái)的電機(jī)監(jiān)測(cè)系統(tǒng)將能夠?qū)崟r(shí)分析電機(jī)的運(yùn)行狀態(tài)，預(yù)測(cè)潛在故障，并自動(dòng)調(diào)整電機(jī)的運(yùn)行參數(shù)以優(yōu)化性能。

電機(jī)的振動(dòng)監(jiān)測(cè)是評(píng)估電機(jī)運(yùn)行狀態(tài)的重要手段。電機(jī)振動(dòng)可能是由于多種原因引起的，如軸承損壞、不平衡、軸向偏移、電機(jī)定子或轉(zhuǎn)子損傷等。為了監(jiān)測(cè)電機(jī)的健康情況，可以采用振動(dòng)監(jiān)測(cè)技術(shù)。振動(dòng)監(jiān)測(cè)通常通過(guò)安裝振動(dòng)傳感器在電機(jī)上實(shí)現(xiàn)，這些傳感器可以實(shí)時(shí)監(jiān)測(cè)電機(jī)的振動(dòng)情況。如果振動(dòng)超過(guò)正常范圍，系統(tǒng)可以發(fā)出警報(bào)并停機(jī)，以防止設(shè)備損壞。此外，振動(dòng)監(jiān)測(cè)還可以提供關(guān)于電機(jī)運(yùn)行狀態(tài)的詳細(xì)信息，幫助工程師進(jìn)行故障診斷和預(yù)測(cè)性維護(hù)。除了振動(dòng)監(jiān)測(cè)，還可以結(jié)合其他監(jiān)測(cè)技術(shù)，如溫度監(jiān)測(cè)、潤(rùn)滑油監(jiān)測(cè)、電流監(jiān)測(cè)和聲音監(jiān)測(cè)等，來(lái)更好地評(píng)估電機(jī)的運(yùn)行狀態(tài)。這些技術(shù)可以相互補(bǔ)充，提供更好的故障診斷和預(yù)測(cè)性維護(hù)信息?？傊?，電機(jī)的振動(dòng)監(jiān)測(cè)是確保電機(jī)正常運(yùn)行和延長(zhǎng)其使用壽命的關(guān)鍵技術(shù)之一。通過(guò)實(shí)時(shí)監(jiān)測(cè)和分析電機(jī)的振動(dòng)情況，可以及時(shí)發(fā)現(xiàn)并處理潛在問(wèn)題，提高設(shè)備的可靠性和生產(chǎn)效率。在數(shù)控機(jī)床中，可以通過(guò)監(jiān)測(cè)電流來(lái)評(píng)估刀具的狀況。刀具磨損或斷裂通常會(huì)導(dǎo)致電流變化。南京研發(fā)監(jiān)測(cè)系統(tǒng)

隨著物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能等技術(shù)的不斷發(fā)展，電機(jī)監(jiān)測(cè)將實(shí)現(xiàn)更加智能化、自動(dòng)化和準(zhǔn)確化。常州狀態(tài)監(jiān)測(cè)

電機(jī)等振動(dòng)設(shè)備在運(yùn)行中，伴隨著一些安全問(wèn)題，振動(dòng)數(shù)據(jù)會(huì)發(fā)生變化，如果不及時(shí)發(fā)現(xiàn)，容易導(dǎo)致起火或，造成大量的財(cái)產(chǎn)損失，而這些問(wèn)題具有突發(fā)性和不準(zhǔn)確性，應(yīng)對(duì)這種情況，需要一種手段去解決。無(wú)線振動(dòng)傳感器直接讀取原始加速度數(shù)據(jù)，準(zhǔn)確可靠，避免后期計(jì)算出現(xiàn)較大誤差。本傳感器采用無(wú)線通訊方式，低功耗設(shè)計(jì)，一次性鋰亞電池供電，具有容量大、耐高溫、不宜爆等特點(diǎn)，工作原理：將傳感器分布式安裝在各類電機(jī)、風(fēng)機(jī)、振動(dòng)平臺(tái)、回轉(zhuǎn)窯、傳送設(shè)備等需要振動(dòng)監(jiān)測(cè)的設(shè)備上實(shí)時(shí)采集振動(dòng)數(shù)據(jù)，然后通過(guò)無(wú)線方式將數(shù)據(jù)發(fā)送給采集端，采集端將數(shù)據(jù)解析、顯示或傳輸。系統(tǒng)能實(shí)時(shí)在線監(jiān)測(cè)出設(shè)備異常，發(fā)出預(yù)警，避免事故發(fā)生。產(chǎn)品特點(diǎn)(1)實(shí)時(shí)性：系統(tǒng)實(shí)時(shí)在線監(jiān)測(cè)電機(jī)等振動(dòng)參數(shù)，避免了由于電機(jī)突然缺相、線圈故障，堵轉(zhuǎn)、固定螺栓松動(dòng)、負(fù)載過(guò)高和人為錯(cuò)誤操作等發(fā)生的事故。(2)便捷性：采用無(wú)線傳輸方式，傳感器安裝，解決了以往因?yàn)榭臻g狹小、不能布線、安裝成本高等問(wèn)題。(3)可靠性：采用先進(jìn)成熟的傳感技術(shù)和無(wú)線傳輸技術(shù)，抗干擾力強(qiáng)，傳輸距離遠(yuǎn)，讀數(shù)準(zhǔn)確，可靠性高。常州狀態(tài)監(jiān)測(cè)