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、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。各種診斷技術(shù)集成起來形成的集成智能監(jiān)測(cè)診斷系統(tǒng)成為當(dāng)前電機(jī)設(shè)備故障診斷研究的熱點(diǎn)。南京監(jiān)測(cè)方案

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.南京監(jiān)測(cè)方案電機(jī)監(jiān)測(cè)系統(tǒng)可以識(shí)別處于初期階段的機(jī)械、電氣和液壓故障，從而制定更為合理的輔助維護(hù)計(jì)劃。

基于數(shù)據(jù)的故障檢測(cè)與診斷方法能夠?qū)Ａ康墓I(yè)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析和特征提取，將系統(tǒng)的狀態(tài)分為正常運(yùn)行狀態(tài)和故障狀態(tài)，可視為模式識(shí)別任務(wù)。故障檢測(cè)是判斷系統(tǒng)是否處于預(yù)期的正常運(yùn)行狀態(tài)，判斷系統(tǒng)是否發(fā)生異常故障，相當(dāng)于一個(gè)二分類任務(wù)。故障診斷是在確定發(fā)生故障的時(shí)候判斷系統(tǒng)處于哪一種故障狀態(tài)，相當(dāng)于一個(gè)多分類任務(wù)。因此，故障檢測(cè)和診斷技術(shù)的研究類似于模式識(shí)別，分為4個(gè)的步驟：數(shù)據(jù)獲取、特征提取、特征選擇和特征分類。1)數(shù)據(jù)獲取步驟是從過程系統(tǒng)收集可能影響過程狀態(tài)的信號(hào)，包括溫度、流量等過程變量；2)特征提取步驟是將采集的原始信號(hào)映射為有辨識(shí)度的狀態(tài)信息；3)特征選擇步驟是將與狀態(tài)變化相關(guān)的變量提取出來；4)特征分類步驟是通過算法將前幾步中選擇的特征進(jìn)行故障檢測(cè)與診斷。在大數(shù)據(jù)這一背景下，傳統(tǒng)的基于數(shù)據(jù)的故障檢測(cè)與診斷方法被廣泛應(yīng)用，但是，這些方法有一些共同的缺點(diǎn)：特征提取需要大量的知識(shí)和信號(hào)處理技術(shù)，并且對(duì)于不同的任務(wù)，沒有統(tǒng)一的程序來完成。此外，常規(guī)的基于機(jī)器學(xué)習(xí)的方法結(jié)構(gòu)較淺，在提取信號(hào)的高維非線性關(guān)系方面能力有限。

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)及零部件存在問題。但是對(duì)于一些不是因?yàn)樵O(shè)備問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。電機(jī)監(jiān)測(cè)系統(tǒng)可以提高預(yù)防性維護(hù)效率，防止代價(jià)高昂的停機(jī)并提高設(shè)備性能。

低信噪比微弱信號(hào)特征早期故障的信號(hào)處理。早期故障信息具有明顯的低信噪比微弱信號(hào)的特征，為實(shí)現(xiàn)早期故障有效分析，涉及方法包括：多傳感系統(tǒng)檢測(cè)及信息融合，非平穩(wěn)及非線性信號(hào)處理，故障征兆量和損傷征兆量信號(hào)分析，噪聲規(guī)律與特點(diǎn)分析，以及相關(guān)數(shù)據(jù)挖掘、盲源分離、粗糙集等方法。故障預(yù)測(cè)模型構(gòu)建。構(gòu)建基于智能信息系統(tǒng)的設(shè)備早期故障預(yù)測(cè)模型，這類模型大致有兩個(gè)途徑，分別是物理信息預(yù)測(cè)模型以及數(shù)據(jù)信息預(yù)測(cè)模型，或構(gòu)建這兩類預(yù)測(cè)模型相融合的預(yù)測(cè)模型。運(yùn)行狀態(tài)劣化的相關(guān)評(píng)價(jià)參數(shù)、模式及準(zhǔn)則。如表征設(shè)備狀態(tài)發(fā)展的參數(shù)及特征模式，狀態(tài)發(fā)展評(píng)價(jià)準(zhǔn)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(píng)估依據(jù)及判據(jù)等。物聯(lián)網(wǎng)聲學(xué)監(jiān)控系統(tǒng)，輔以其他設(shè)備參數(shù)，通過物聯(lián)網(wǎng)技術(shù)實(shí)現(xiàn)設(shè)備狀態(tài)的遠(yuǎn)程感知，基于AI神經(jīng)網(wǎng)絡(luò)技術(shù)，計(jì)算并提取設(shè)備音頻特征，從而實(shí)現(xiàn)設(shè)備運(yùn)行狀態(tài)實(shí)時(shí)評(píng)估與故障的早期識(shí)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。電機(jī)監(jiān)測(cè)和故障預(yù)判系統(tǒng)是實(shí)現(xiàn)工業(yè)設(shè)備數(shù)智化管理和預(yù)測(cè)性維護(hù)的關(guān)鍵。南京監(jiān)測(cè)方案

設(shè)備的故障監(jiān)測(cè)診斷技術(shù)是利用科學(xué)的檢測(cè)方法和現(xiàn)代化技術(shù)手段，對(duì)設(shè)備目前的運(yùn)行狀態(tài)進(jìn)行監(jiān)測(cè)和排查。南京監(jiān)測(cè)方案

在預(yù)防性維護(hù)的應(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)及零部件存在問題。但是對(duì)于一些不是因?yàn)樵O(shè)備問題而存在的固有振動(dòng)，振動(dòng)強(qiáng)度不必要增加會(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。南京監(jiān)測(cè)方案