隨著科技發展, 各類工程設備的工作和運行環境變得越來越復雜. 作為機械設備的關鍵零部件, 滾動軸承在長期大載荷、強沖擊等復雜工況下, 極易產生各種故障, 導致機械工作狀況惡化. 針對軸承的故障預測與健康管理技術應運而生. 若能在故障發生初期即進行準確、可靠的檢測和診斷, 則有助于進行及時維修, 避免嚴重事故的發生. 早期故障檢測已成為PHM的關鍵技術環節之一. 近年來, 隨著傳感技術和機器學習技術的快速發展, 數據驅動的智能化故障檢測和診斷技術受到更多人的關注. 如何利用歷史采集的狀態監控數據、提高目標軸承早期故障檢測結果的準確性和穩定性成為研究熱點和難點, 具有明確的學術價值和應用需求.本文關注的是不停機情況下的早期故障在線檢測問題. 這種方式有助于實時評估軸承工作狀態, 避免因等待停機檢查而產生延誤、造成經濟損失, 因此對早期故障的在線檢測越來越受到工業界的重視。各種診斷技術集成起來形成的集成智能監測診斷系統成為當前電機設備故障診斷研究的熱點。上海設備監測技術

傳統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, 基于系統分析的故障診斷方法利用狀態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的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的狀態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測中的應用仍存在較大的提升空間.上海狀態監測應用時間域、頻率域和角度域的NVH分析方法，可以對汽車動力總成的各種故障進行實時識別、監測和診斷。

常見的設備監測數據包含以下幾類：1.運行數據：包括設備的運轉時間、運轉速度、負載情況、溫度、壓力等參數。這些數據可以反映設備的運行狀態和性能表現，以便進行運行效率評估、健康狀況評估以及預測維護等。2.電氣數據：包括設備的電流、電壓、功率、電阻等參數。這些數據可以反映設備的電氣性能和電能消耗情況，以便進行能效評估、設備故障診斷等。3.振動數據：包括設備的振動幅值、頻率、相位等參數。數據可以反映設備的振動情況，以便進行故障診斷和預測維護等。4.聲音數據：包括設備的聲音頻率、聲音強度、聲音特征等參數。這些數據可以反映設備的聲學性能，以便進行故障診斷和預測維護等。5.圖像數據：包括設備的照片、視頻、紅外圖像等。這些數據可以反映設備的外觀、結構、熱特性等信息，以便進行故障診斷、安全檢查和維護計劃制定等。6.環境數據：包括設備周圍環境的溫度、濕度、氣壓、光照等參數。這些數據可以反映設備所處的環境條件，以便進行設備健康評估、預測維護等。

刀具監測主要采用人工檢測、離線檢測和在線檢測三種策略。人工檢查是指工人在加工過程中可以憑經驗檢查刀具的狀態；離線檢測是在加工前專門對刀具進行檢測，預測其壽命，看是否能勝任當前的加工；在線檢測又稱實時檢測，是在加工過程中對刀具進行實時檢測，并根據檢測結果做出相應的處理。目前刀具檢測的算法有很多，有的是利用理論計算刀具上應力的變化來判斷刀具的損傷.有的是利用時間序列分析來檢測刀具,有的是利用神經網絡技術來檢測刀具。還有的是利用小波變換理論和神經網絡技術來檢測刀具,但都是以理論為主。考慮到刀具的塑性損傷在數控加工中很少發生，磨損對數控加工安全性影響很小，并且可以通過離線檢測進行加工，通過在線檢測，可以判斷微裂紋在當前載荷條件下是否會擴展。如果有可能擴大，我們認為載 荷是危險的，通過減少刀具的進給量來減少刀具上的載荷，以保證刀具安全性。電機智能監測和運維，其預測效果和工程造價還未達到市場接受程度。

故障診斷可以根據狀態監測系統提供的信息來查明導致系統某種功能失調的原因或性質，判斷劣化發生的部位或部件，以及預測狀態劣化的發展趨勢等。電機故障診斷的基本方法主要有：1、電氣分析法，通過頻譜等信號分析方法對負載電流的波形進行檢測從而診斷出電機設備故障的原因和程度；檢測局部放電信號；對比外部施加脈沖信號的響應和標準響應等；2、絕緣診斷法，利用各種電氣試驗裝置和診斷技術對電機設備的絕緣結構和參數、工作性能是否存在缺陷做出判斷,并對絕緣壽命做出預測；3、溫度檢測方法，采用各種溫度測量方法對電機設備各個部位的溫升進行監測,電機的溫升與各種故障現象相關；4、振動與噪聲診斷法，通過對電機設備振動與噪聲的檢測,并對獲取的信號進行處理,診斷出電機產生故障的原因和部位,尤其是對機械上的損壞診斷特別有效。5、化學診斷的方法，可以檢測到絕緣材料和潤滑油劣化后的分解物以及一些軸承、密封件的磨損碎屑，通過對比其中一些化學成分的含量，可以判斷相關部位元件的破壞程度。盈蓓德科技開發的新型電機故障監測系統借用物聯網、人工智能、邊緣計算等技術，提前預判設備故障。杭州產品質量監測公司

用模型解決了狀態監測與故障診斷領域傳統機器學習只能輸出狀態，而無法提供故障特征來確認輸出狀態的難題。上海設備監測技術

從整體的網絡架構來看，智能振動噪聲監診子系統利用安裝在設備上的傳感器節點獲取設備的健康狀態監測信號和運行參數數據，經網絡層集中上傳至設備健康監測物聯網綜合管理平臺，實現數據傳輸。應用層實現監測信號的分析?故障特征提取?故障診斷及預測功能，實現智能化管理?應用和服務。設備健康監測物聯網綜合管理平臺具有強大的數據采集分析處理?數據可視?設備運維?故障診斷?故障報警等功能。通過實時監測查看?統計?追溯，實現對其管轄設備的實時監測和運行維護，基于運行信息和檢修信息?自動生成設備管理報表，實現設備可靠性?故障數據?更換備件等信息統計，為維修方案提供依據。上海設備監測技術