傳統(tǒng)方法通常無法自適應提取特征, 同時需要一定的離線數(shù)據(jù)訓練得到檢測模型, 但目標對象在線場景下采集到的數(shù)據(jù)有限, 且其數(shù)據(jù)分布與訓練數(shù)據(jù)的分布可能因隨機噪聲、變工況等原因而存在差異, 導致離線訓練的模型并不完全適合于在線數(shù)據(jù), 容易降低檢測結果的準確性; 其次, 上述方法通常采用基于異常點的檢測算法, 未充分考慮樣本前后的時序關系, 容易因數(shù)據(jù)微小波動而產(chǎn)生誤報警, 降低檢測結果的魯棒性; 再次, 為降低誤報警, 這類方法需要反復調整報警閾值. 此外, 基于系統(tǒng)分析的故障診斷方法利用狀態(tài)空間描述建立機理模型, 可獲得理想的診斷和檢測結果, 但這類方法通常需要提前知道系統(tǒng)運動方程等信息, 對于軸承運行來說, 這類信息通常不易獲知. 近年來, 深度神經(jīng)網(wǎng)絡已被成功應用于早期故障特征自動提取和識別, 可自適應地提取信息豐富和判別能力強的深度特征, 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)進行模型訓練, 而歷史采集的輔助數(shù)據(jù)與目標對象數(shù)據(jù)可能存在較大不同, 直接訓練并不能有效提升在線檢測的特征表示效果; 另一方面, 在訓練過程中未能針對早期故障引發(fā)的狀態(tài)變化而有目的地強化相應特征表示. 因此, 深度學習方法在早期故障在線監(jiān)測中的應用仍存在較大的提升空間.監(jiān)測結果的分析可以幫助我們了解市場的趨勢和變化。功能監(jiān)測介紹

傳統(tǒng)維護模式中的故障后維護與定期維護將影響生產(chǎn)效率與產(chǎn)品質量，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、機器學習與傳感器等技術的成熟，預測性維護技術應運而生。以各類如電機、軸承等設備為例，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)查看設備是否需要維護、怎么安排維護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，將數(shù)據(jù)回傳至管理中心，來實現(xiàn)電機設備的預測性維護。以各類如電機、軸承等設備為例，目前已發(fā)展到較為成熟在線持續(xù)監(jiān)測階段，來實現(xiàn)查看設備是否需要維護、怎么安排維護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，將數(shù)據(jù)回傳至管理中心，來實現(xiàn)電機設備的預測性維護。功能監(jiān)測介紹監(jiān)測結果的分析可以幫助我們了解市場的競爭態(tài)勢和市場份額。

現(xiàn)代電力系統(tǒng)中發(fā)電機的單機容量越大型發(fā)電機在電力生產(chǎn)中處于主力位置，同時大型發(fā)電機由于造價昂貴，結構復雜，一旦遭受損壞，需要檢修期長，要求有極高的運行可靠性。就我國今后很長一段時間內的缺電、用電緊張的狀況而言，發(fā)電機的年運行小時數(shù)目和滿負荷率都較以往高出很多，備用容量很少的情況下，其運行可靠性顯得尤為重要和突出。因此對大型機組進行在線監(jiān)測與診斷，做到早期預警以防止事故的發(fā)生或擴大具有重要的現(xiàn)實意義。通常對發(fā)電機的“監(jiān)測”與“診斷”在內容上并無明確的劃分界限，可以說監(jiān)測的數(shù)據(jù)和結果即為診斷的依據(jù)。監(jiān)測利用各種傳感器在電機運行時對電機的狀態(tài)提取相關數(shù)據(jù)。故障診斷使用計算機及其相應智能軟件，根據(jù)傳感器提供的信息，對故障進行分類、定位，確定故障的嚴重程度并提出處理意見。因此狀態(tài)監(jiān)測和故障診斷是一項工作的兩個部分，前者是后者的基礎，后者是前者的分析與綜合。電機狀態(tài)監(jiān)測技術可幫助運行維護人員擺脫被動檢修和不太理想的定期檢修的困境，按照設備內部實際的運行狀況，合理的安排檢修工作，實現(xiàn)所謂“預知”維修。這樣既可避免由于設備突然損壞，停止運行帶來的損失，又可充分發(fā)揮設備的作用。

針對傳統(tǒng)方法通常無法自適應提取特征, 同時需要一定的離線數(shù)據(jù)訓練得到檢測模型, 但目標對象在線場景下采集到的數(shù)據(jù)有限, 且其數(shù)據(jù)分布與訓練數(shù)據(jù)的分布可能因隨機噪聲、變工況等原因而存在差異, 導致離線訓練的模型并不完全適合于在線數(shù)據(jù), 容易降低檢測結果的準確性; 其次, 上述方法通常采用基于異常點的檢測算法, 未充分考慮樣本前后的時序關系, 容易因數(shù)據(jù)微小波動而產(chǎn)生誤報警, 降低檢測結果的魯棒性; 再次, 為降低誤報警, 這類方法需要反復調整報警閾值. 此外, 基于系統(tǒng)分析的故障診斷方法利用狀態(tài)空間描述建立機理模型, 可獲得理想的診斷和檢測結果, 但這類方法通常需要提前知道系統(tǒng)運動方程等信息, 對于軸承運行來說, 這類信息通常不易獲知. 近年來, 深度神經(jīng)網(wǎng)絡已被成功應用于早期故障特征的自動提取和識別, 可自適應地提取信息豐富和判別能力強的深度特征, 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)進行模型訓練, 而歷史采集的輔助數(shù)據(jù)與目標對象數(shù)據(jù)可能存在較大不同, 直接訓練并不能有效提升在線檢測的特征表示效果; 另一方面, 在訓練過程中未能針對早期故障引發(fā)的狀態(tài)變化而有目的地強化相應特征表示. 因此, 深度學習方法在早期故障在線監(jiān)測中的應用仍存在較大的提升空間.監(jiān)測結果的對比可以幫助我們評估不同渠道的效果和效益。

通過故障機理分析可知，交流電機運行過程中，其故障與否必然表現(xiàn)為一些特征參量的變化，根據(jù)診斷需要，選擇有代表性的特征參量為該設備在線監(jiān)測的被測信號，準確地提取這些故障特征量，這是故障診斷的關鍵。故障特征量，特別是反映早期故障征兆的信號往往比較弱，而相應的背景噪聲比較弱，常規(guī)的監(jiān)測方法，因受傳感器的準確性、微處理器的速度、A/D轉換的分辨率與轉換速度等硬件條件的限制，以及一般的數(shù)據(jù)處理方式的不足，很難滿足提取這些特征量的要求，需要采用一些特殊的電工測量手段與信號處理方法。例如小波變換原理的應用。電機故障的現(xiàn)代分析方法：基于信號變換的診斷方法電機設備的許多故障信息是以調制的形式存在于所監(jiān)測的電氣信號及振動信號之中，如果借助于某種變換對這些信號進行解調處理，就能方便地獲得故障特征信息，以確定電機設備所發(fā)生的故障類型。常用的信號變換方法有希爾伯特變換和小波變換等。工業(yè)監(jiān)測系統(tǒng)可以實時監(jiān)測生產(chǎn)線的運行狀態(tài)。功能監(jiān)測介紹

工業(yè)監(jiān)測數(shù)據(jù)可以幫助企業(yè)優(yōu)化生產(chǎn)流程和降低成本。功能監(jiān)測介紹

電力系統(tǒng)中發(fā)電機單機容量越大型發(fā)電機在電力生產(chǎn)中處于主力位置，同時大型發(fā)電機由于造價昂貴，結構復雜，一旦遭受損壞，需要的檢修期長，因此要求有極高的運行可靠性。就我國目前和今后很長一段時間內的缺電、用電緊張的狀況而言，發(fā)電機的年運行小時數(shù)目和滿負荷率都較以往高出很多，備用容量很少的情況下，其運行可靠性顯得尤為重要和突出。因此對大型機組進行在線監(jiān)測與診斷，做到早期預警以防止事故的發(fā)生或擴大具有重要的現(xiàn)實意義。通常對發(fā)電機的“監(jiān)測”與“診斷”在內容上并無明確的劃分界限，可以說監(jiān)測的數(shù)據(jù)和結果即為診斷的依據(jù)。監(jiān)測利用各種傳感器在電機運行時對電機的狀態(tài)提取相關數(shù)據(jù)。故障診斷使用計算機及其相應智能軟件，根據(jù)傳感器提供的信息，對故障進行分類定位，確定故障的嚴重程度并提出處理意見。因此狀態(tài)監(jiān)測和故障診斷是一項工作的兩個部分，前者是后者的基礎，后者是前者的分析與綜合。電機狀態(tài)監(jiān)測技術可幫助運行維護人員擺脫被動檢修和不太理想的定期檢修的困境，按照設備內部實際的運行狀況，合理的安排檢修工作，實現(xiàn)所謂“預知”維修。這樣既可避免由于設備突然損壞，停止運行帶來的損失，又可充分發(fā)揮設備的作用。功能監(jiān)測介紹