柴油機狀態(tài)監(jiān)測與故障診斷系統(tǒng)是一個集數據采集與分析、狀態(tài)監(jiān)測、故障診斷為一體的多任務處理系統(tǒng),可實現(xiàn)柴油機監(jiān)測、保護、分析、診斷等功能。包括數據采集與工況監(jiān)測、活塞缸套磨損監(jiān)測分析、主軸承磨損狀態(tài)監(jiān)測分析、氣閥間隙異常監(jiān)測分析和瞬時轉速監(jiān)測分析等各種功能。信號分析、特征提取及診斷原理是每個監(jiān)測診斷子功能部分,各子功能都有相應的信號分析與特征提取方法,包括信號預處理、時域、頻域分析、小波分析等,自動形成反映柴油機運行狀態(tài)的特征量,為系統(tǒng)的診斷推理提供信息來源。采用模糊聚類理論來檢驗特征參量的有效性、建立故障標準征兆群,并運用模糊貼近度來實施故障類型的診斷識別。基于人工神經網絡的診斷方法簡單處理單元連接而成的復雜的非線性系統(tǒng)，具有學習能力,自適應能力,非線性逼近能力等。故障診斷的任務從映射角度看就是從征兆到故障類型的映射。用ANN技術處理故障診斷問題,不僅能進行復雜故障診斷模式的識別,還能進行故障嚴重性評估和故障預測，由于ANN能自動獲取診斷知識，使診斷系統(tǒng)具有自適應能力。電機馬達監(jiān)控系統(tǒng)適用于石油、化工、電力、煤炭、冶金、造紙、水泥等行業(yè)。南京電機監(jiān)測

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據訓練得到檢測模型, 但目標對象在線場景下采集到的數據有限, 且其數據分布與訓練數據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據, 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, 容易因數據微小波動而產生誤報警, 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, 深度神經網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據進行模型訓練, 而歷史采集的輔助數據與目標對象數據可能存在較大不同, 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.上海專業(yè)監(jiān)測電機狀態(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，實現(xiàn)“預知”維修。

故障預測與健康管理是以工業(yè)監(jiān)測數據為基礎，通過高等數學、數學優(yōu)化、統(tǒng)計概率、信號處理、機器學習和統(tǒng)計學習等技術搭建模型算法，實現(xiàn)產品和裝備的狀態(tài)監(jiān)測、故障診斷及壽命預測，為產品和裝備的正常運行保駕護航，從而提高其安全性和可靠性。故障預測與健康管理是以工業(yè)監(jiān)測數據為基礎，通過高等數學、數學優(yōu)化、統(tǒng)計概率、信號處理、機器學習和統(tǒng)計學習等技術搭建模型算法，實現(xiàn)產品和裝備的狀態(tài)監(jiān)測、故障診斷及壽命預測，為產品和裝備的正常運行保駕護航，從而提高其安全性和可靠性。近年來我們提出的標準化平方包絡和數學框架以及準算數均值比數學框架指引了稀疏測度構造的新方向，同時發(fā)現(xiàn)了大量與基尼指數、峭度、香農熵等具有等價性能的稀疏測度。基于標準化平方包絡和數學框架以及凸優(yōu)化技術，提出了在線更新模型權重可解釋的機器學習算法，可以利用模型權重來實時確認故障特征頻率，解決了狀態(tài)監(jiān)測與故障診斷領域傳統(tǒng)機器學習只能輸出狀態(tài)，而無法提供故障特征來確認輸出狀態(tài)的難題。

目前設備狀態(tài)監(jiān)測及故障預警若干關鍵技術可歸納如下（1）揭示設備運行狀態(tài)機械動態(tài)特性劣化演變規(guī)律。設備由非故障運行狀態(tài)劣化為故障運行狀態(tài)，其機械動態(tài)特性通常有一個發(fā)展演變過程（2）提取設備運行狀態(tài)發(fā)展趨勢特征。在役設備往往具有復雜運行狀態(tài)，在長歷程運行中工況和負載等非故障因素會造成信號能量變化，故障趨勢信息往往被非故障變化信息淹沒，需較大程度上消除非故障變化造成的冗余信息，進而構建預測模型。動力裝備全壽命周期監(jiān)測診斷方面：實現(xiàn)了支持物聯(lián)網的智能信息采集與管理、全生命周期動態(tài)自適應監(jiān)測、早期非線性故障特征提取。優(yōu)化重構出綜合體現(xiàn)裝備運行工況及表現(xiàn)的新參數，提高異常狀態(tài)辨識的適應性與可靠性，基于運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能力?；谖锫?lián)網和網絡化監(jiān)測診斷將產品監(jiān)測診斷與運行服務支持有機集成一體，在應用中實現(xiàn)動力裝備常見故障診斷準確率達80％以上?？蓱糜陲L力大電機、空壓機、氮壓機等大型動力裝備的集群化診斷領域。提供了基于物聯(lián)網的動力裝備全生命周期監(jiān)測與服務支持創(chuàng)新模式，提供了其生命周期的遠程監(jiān)測診斷與維護等專業(yè)化服務。β-Star監(jiān)測系統(tǒng)是盈蓓德智能科技的產品，為大型電機提供數據監(jiān)測和故障預判服務。

隨著電力電子技術、自動化控制技術的不斷發(fā)展，電機在工業(yè)生產以及家用電器中得到了的應用，在市場競爭中正逐步顯示自己的優(yōu)勢。傳統(tǒng)的電機在線監(jiān)測裝置多采用電流表、電壓表、功率表等較為原始的儀表來進行測量，采用人工讀數的方式進行數據的測量、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，讀數誤差大，測試結果不準確。有些場合需要進行電機多種參數的監(jiān)測，這樣就勢必會加大各種測量儀器的使用以及人力資源的投入。傳統(tǒng)的監(jiān)測方法要求監(jiān)測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)測方法無法做定量分析，無法更加準確、實時的掌握電機的運行狀態(tài)和故障。技術實現(xiàn)要素：本發(fā)明提出了一種電機在線監(jiān)測裝置和方法，通過對扭矩、轉速、各相電壓、溫度、輸入、輸出功率和效率進行實時動態(tài)的監(jiān)測以及對過電壓、過電流、過熱進行報警停機，解決現(xiàn)有技術中監(jiān)測參數不能定量分析以及無法更加準確、實時的掌握電機運行狀態(tài)和故障的技術問題。電機設備的許多故障信息可以通過信號變換的診斷方法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。上海非標監(jiān)測設備

盈蓓德科技順應行業(yè)發(fā)展趨勢，搭建一套基于旋轉類設備溫度，振動狀態(tài)監(jiān)測、故障判斷的預測性維護系統(tǒng)。南京電機監(jiān)測

針對刀具磨損狀態(tài)在實際生產加工過程中難以在線監(jiān)測這一問題，提出一種通過通信技術獲取機床內部數據，對當前的刀具磨損狀態(tài)進行識別的方法。通過采集機床內部實時數據并將其與實際加工情景緊密結合，能直接反映當前的加工狀態(tài)。將卷積神經網絡用于構建刀具磨損狀態(tài)識別模型，直接將采集到的數據作為輸入，得到了和傳統(tǒng)方法精度近似的預測模型，模型在訓練集和在線驗證試驗中的表現(xiàn)都符合預期。刀具磨損狀態(tài)識別的方法在投入使用時還有一些問題有待解決：①現(xiàn)有數據是在相同的加工條件下測得的，而實際加工過程中，加工參數以及加工情景是不斷變化的，因此需要在下一步的研究中，進行變參數試驗，考慮加工參數對于刀具磨損的影響，并針對常用的一些加工場景，建立不同的模型庫。變換加工場景，通過獲取當前場景，及時匹配相應的預測模型即可。②本研究中的模型是一個固定的模型。今后需要根據實時的信號以及已知的磨損狀態(tài)，對模型進行實時更新，從而在實時監(jiān)測過程中實現(xiàn)自學習，不斷提升模型的精度和預測效果。南京電機監(jiān)測