動(dòng)力裝備全壽命周期監(jiān)測診斷方面：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、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與故障發(fā)展規(guī)律，來提高故障早期辨識(shí)能力。動(dòng)力裝備全生命周期性能優(yōu)化服務(wù)方面：提供了轉(zhuǎn)子全息動(dòng)平衡快速響應(yīng)與服務(wù)支持、以全息譜為失衡故障確診、動(dòng)力裝備轉(zhuǎn)子和軸系平衡配重方案優(yōu)化。基于物聯(lián)網(wǎng)和網(wǎng)絡(luò)化監(jiān)測診斷將產(chǎn)品監(jiān)測診斷與運(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。可應(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)測診斷與維護(hù)等專業(yè)化服務(wù)。電機(jī)狀態(tài)監(jiān)測系統(tǒng)可以判斷潛在故障隱患，診斷故障的性質(zhì)和程度，并預(yù)測故障發(fā)展趨勢，給出治理預(yù)防策略。仿真監(jiān)測臺(tái)

基于交流電機(jī)的特征量：通過故障機(jī)理分析可知，交流電機(jī)運(yùn)行過程中，其故障必然表現(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(shè)備在線監(jiān)測的被測信號(hào)，準(zhǔn)確地提取這些故障特征量，這是故障診斷的關(guān)鍵。故障特征量，特別是反映早期故障征兆的信號(hào)往往比較弱，而相應(yīng)的背景噪聲比較弱，常規(guī)的監(jiān)測方法，因受傳感器的準(zhǔn)確性、微處理器的速度、A/D轉(zhuǎn)換的分辨率與轉(zhuǎn)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(hào)處理方法。例如小波變換原理的應(yīng)用。電機(jī)故障的現(xiàn)代分析方法：基于信號(hào)變換的診斷方法電機(jī)設(shè)備的許多故障信息是以調(diào)制的形式存在于所監(jiān)測的電氣信號(hào)及振動(dòng)信號(hào)之中，如果借助于某種變換對(duì)這些信號(hào)進(jìn)行解調(diào)處理，就能方便地獲得故障特征信息，以確定電機(jī)設(shè)備所發(fā)生的故障類型。常用的信號(hào)變換方法有希爾伯特變換和小波變換。仿真監(jiān)測臺(tái)利用LabVIEW軟件構(gòu)建可視化監(jiān)測系統(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。

遠(yuǎn)程終端廣泛應(yīng)用于工業(yè)互聯(lián)網(wǎng)、分布式數(shù)據(jù)采集、設(shè)備狀態(tài)的在線監(jiān)測，能夠進(jìn)行前端數(shù)據(jù)清洗和邊緣計(jì)算，通過對(duì)歷史數(shù)據(jù)趨勢分析、設(shè)備數(shù)據(jù)機(jī)理分析、統(tǒng)計(jì)分析等大數(shù)據(jù)分析，對(duì)設(shè)備的狀態(tài)做出有效可靠的健康狀態(tài)評(píng)判，從而切實(shí)有效的提高設(shè)備的維護(hù)能力。遠(yuǎn)程終端可實(shí)現(xiàn)對(duì)電源電壓、設(shè)備狀態(tài)的自檢、分析計(jì)量故障等信息，及時(shí)發(fā)現(xiàn)計(jì)量異常。現(xiàn)場監(jiān)測箱開門、斷電、設(shè)備運(yùn)行等異常信息也能夠主動(dòng)發(fā)送報(bào)警信息到監(jiān)測中心，實(shí)現(xiàn)設(shè)備在線監(jiān)診的準(zhǔn)確性、完整性、及時(shí)性和可靠性。

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)練得到檢測模型, 但目標(biāo)對(duì)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(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的輔助數(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)測中的應(yīng)用仍存在較大的提升空間.電機(jī)的監(jiān)測和故障預(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)測性維護(hù)。

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)測階段，來實(shí)現(xiàn)查看設(shè)備是否需要維護(hù)、怎么安排維護(hù)時(shí)間來減少計(jì)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(gè)網(wǎng)絡(luò)，將數(shù)據(jù)回傳至管理中心，來實(shí)現(xiàn)電機(jī)設(shè)備的預(yù)測性維護(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。故障診斷可以根據(jù)狀態(tài)監(jiān)測系統(tǒng)提供信息來查明失調(diào)的原因或性質(zhì)，判斷劣化發(fā)生部位，以及預(yù)測狀態(tài)發(fā)展趨勢。仿真監(jiān)測臺(tái)

智能電機(jī)監(jiān)測系統(tǒng)選擇傳感器采集旋轉(zhuǎn)設(shè)備的溫度、振動(dòng)數(shù)據(jù)，分析變化趨勢以判斷設(shè)備情況。仿真監(jiān)測臺(tái)

電機(jī)狀態(tài)監(jiān)測和振動(dòng)分析提供加速度計(jì)選擇的建議。這些建議基于直流和非同步交流電機(jī)的常見故障。這些常見故障可通過振動(dòng)分析檢測出來，包括機(jī)械和電氣故障。重點(diǎn)是傳感器的頻率范圍及其安裝方法，以便可靠地檢測這些故障。例如，考慮以幾百赫茲的周期性頻率(稱為故障頻率)發(fā)生的撞擊事件，但每個(gè)事件的能量可從起始點(diǎn)帶走，頻率在低至千赫范圍內(nèi)。因此，用于檢測撞擊、摩擦和凹槽等事件的傳感器應(yīng)在幾百赫茲到20千赫的寬頻范圍內(nèi)響應(yīng)。對(duì)于傳統(tǒng)的機(jī)械故障，如平衡和對(duì)準(zhǔn)，頻率范圍從約0.2倍的運(yùn)行速度到50-60倍的運(yùn)行速度是足夠的。電氣故障需要機(jī)械故障所需的低頻和高頻段。電機(jī)會(huì)同時(shí)出現(xiàn)機(jī)械和電氣故障，這會(huì)導(dǎo)致振動(dòng)。只要安裝的振動(dòng)傳感器具有足夠的帶寬和靈敏度，就可以檢測到這些故障。機(jī)械故障伴隨著沖擊、摩擦和疲勞，會(huì)產(chǎn)生比電氣故障頻率更強(qiáng)的振動(dòng)，但凹槽除外。凹槽產(chǎn)生的振動(dòng)頻率與摩擦頻率大致相同。如果傳感器的帶寬和安裝方法足以檢測機(jī)械故障，那么它們也將檢測電氣故障。仿真監(jiān)測臺(tái)