随着科技发展, 各类工程设备的工作和运行环境变得越来越复杂. 作为机械设备的关键零部件, 滚动轴承在长期大载荷、强冲击等复杂工况下, 极易产生各种故障, 导致机械工作状况恶化. 针对轴承的故障预测与健康管理技术应运而生. 若能在故障发生初期即进行准确、可靠的检测和诊断, 则有助于进行及时维修, 避免严重事故的发生. 早期故障检测已成为PHM的关键技术环节之一. 近年来, 随着传感技术和机器学习技术的快速发展, 数据驱动的智能化故障检测和诊断技术受到更多人的关注. 如何利用历史采集的状态监控数据、提高目标轴承早期故障检测结果的准确性和稳定性成为研究热点和难点, 具有明确的学术价值和应用需求.本文关注的是不停机情况下的早期故障在线检测问题. 这种方式有助于实时评估轴承工作状态, 避免因等待停机检查而产生延误、造成经济损失, 因此对早期故障的在线检测越来越受到工业界的重视。测量电机关键参数，利用AI融合工业机理算法，构建各类故障模型库，实现边缘侧数据实时分析和决策。杭州智能监测系统
刀具监测主要采用人工、离线和在线检测三种策略。人工检测是指工人在加工过程中可以凭经验检查刀具的状态；离线检测是在加工前专门对刀具进行检测，预测其寿命，看是否能胜任当前的加工；在线检测又称实时检测、监测，是在加工过程中对刀具进行实时检测，并根据检测结果做出相应的处理。目前刀具检测的算法有很多，有的是利用理论计算刀具上应力的变化来判断刀具的损伤.有的是利用时间序列分析来检测刀具,有的是利用神经网络技术来检测刀具。还有的是利用小波变换理论和神经网络技术来检测刀具,但都是以理论为主。考虑到刀具的塑性损伤在数控加工中很少发生，磨损对数控加工的安全性影响很小，并且可以通过离线检测进行加工，通过在线检测，可以判断微裂纹在当前载荷条件下是否会扩展。如果有可能扩大，我们认为载荷是危险的，通过减少刀具的进给量来减少刀具上的载荷，以保证刀具的安全性。上海监测方案盈蓓德科技可以提供故障预判准确度高、更经济更可靠的旋转设备健康状态监测方案。
工业设备的预测性维护的市场需求显而易见，但是预防性维护想要产生业务价值、真正大规模发展却是遇到了两个难题。首先项目实施成本过高，硬件设备大多依赖进口。比如数采传感器、设备等。这导致很多企业在考虑投入产出比时比较犹豫。其次是技术需要突破，目前大多数供应商只实现了设备状态的监视，真正能实现故障准确预测的落地案例寥寥无几。供应商技术和能力还需要不断升级。预防性维护要想实现更好的应用，要在以下方面实现突破。实现基于预测的维护，提升故障诊断及预测的准确率提高软硬件产品国产化率，降低实施成本。
基于交流电机的特征量：通过故障机理分析可知，交流电机运行过程中，其故障与否必然表现为一些特征参量的变化，根据诊断需要，选择有代表性的特征参量为该设备在线监测的被测信号，准确地提取这些故障特征量，这是故障诊断的关键。故障特征量，特别是反映早期故障征兆的信号往往比较弱，而相应的背景噪声比较弱，常规的监测方法，因受传感器的准确性、微处理器的速度、A/D转换的分辨率与转换速度等硬件条件的限制，以及一般的数据处理方式的不足，很难满足提取这些特征量的要求，需要采用一些特殊的电工测量手段与信号处理方法。例如小波变换原理的应用。电机故障的现代分析方法：基于信号变换的诊断方法电机设备的许多故障信息是以调制的形式存在于所监测的电气信号及振动信号之中，如果借助于某种变换对这些信号进行解调处理，就能方便地获得故障特征信息，以确定电机设备所发生的故障类型。设备的故障监测诊断技术是利用科学的检测方法和现代化技术手段，对设备目前的运行状态进行监测和排查。
刀具监测主要采用人工检测、离线检测和在线检测三种策略。人工检查是指工人在加工过程中可以凭经验检查刀具的状态；离线检测是在加工前专门对刀具进行检测，预测其寿命，看是否能胜任当前的加工；在线检测又称实时检测，是在加工过程中对刀具进行实时检测，并根据检测结果做出相应的处理。目前刀具检测的算法有很多，有的是利用理论计算刀具上应力的变化来判断刀具的损伤.有的是利用时间序列分析来检测刀具,有的是利用神经网络技术来检测刀具。还有的是利用小波变换理论和神经网络技术来检测刀具,但都是以理论为主。考虑到刀具的塑性损伤在数控加工中很少发生，磨损对数控加工安全性影响很小，并且可以通过离线检测进行加工，通过在线检测，可以判断微裂纹在当前载荷条件下是否会扩展。如果有可能扩大，我们认为载 荷是危险的，通过减少刀具的进给量来减少刀具上的载荷，以保证刀具安全性。盈蓓德科技搭建了一套基于人人工智能算法的旋转类设备温度，振动状态监测、故障判断和预测性维护系统。降噪监测应用
盈蓓德科技通过自主开发的软件和算法，对数控机床的刀具质量进行监测，提前预判刀具运行情况。杭州智能监测系统
传统方法通常无法自适应提取特征, 同时需要一定的离线数据训练得到检测模型, 但目标对象在线场景下采集到的数据有限, 且其数据分布与训练数据的分布可能因随机噪声、变工况等原因而存在差异, 导致离线训练的模型并不完全适合于在线数据, 容易降低检测结果的准确性; 其次, 上述方法通常采用基于异常点的检测算法, 未充分考虑样本前后的时序关系, 容易因数据微小波动而产生误报警, 降低检测结果的鲁棒性; 再次, 为降低误报警, 这类方法需要反复调整报警阈值. 此外, 基于系统分析的故障诊断方法利用状态空间描述建立机理模型, 可获得理想的诊断和检测结果, 但这类方法通常需要提前知道系统运动方程等信息, 对于轴承运行来说, 这类信息通常不易获知. 近年来, 深度神经网络已被成功应用于早期故障特征的自动提取和识别, 可自适应地提取信息丰富和判别能力强的深度特征, 因此具有较好的普适性. 但是, 这类方法一方面需要大量的辅助数据进行模型训练, 而历史采集的辅助数据与目标对象数据可能存在较大不同, 直接训练并不能有效提升在线检测的特征表示效果; 另一方面, 在训练过程中未能针对早期故障引发的状态变化而有目的地强化相应特征表示. 因此, 深度学习方法在早期故障在线监测中的应用仍存在较大的提升空间.杭州智能监测系统
