现代化生产企业为了极大限度地提高生产水平和经济效益，不断地向规模化和高技术技术含量发展，因此生产装置趋向大型化、高速高效化、自动化和连续化，人们对设备的要求不仅是性能好，效率高，还要求在运行过程中少出故障，否则因故障停机带来的损失是十分巨大的。国内外化工、石化、电力、钢铁和航空等部门，从许多大型设备故障和事故中逐渐认识到开展设备故障诊断的重要性。管理好用好这些大型设备，使其安全、可靠地运行，成为设备管理中的突出任务。对于单机连续运行的生产设备，停机损失巨大的大型机组和重大设备，不宜解体检查的高精度设备以及发生故障后会引起公害的设备。传统事后维修和定期维修带来的过剩维修或失修，使维修费用在生产成本中所占比重很大。状态监测维修是在设备运行时，对它的各个主要部位产生的物理化学信号进行状态监测，掌握设备的技术状态，对将要形成或已经形成的故障进行分析诊断，判定设备的劣化程度和部位，在故障产生前制订预知性维修计划，确定设备维修的内容和时间。因此状态监测维修既能经常保持设备的完好状态，又能充分利用零部位的使用寿命，从而延长大修间隔，缩短大修时间，减少故障停机损失。监测利用各种传感器在电机运行时对电机的状态提取相关数据。故障诊断使用计算机及其相应智能软件。非标监测介绍
随着电力电子技术、自动化控制技术的不断发展，电机在工业生产以及家用电器中得到了的应用，在市场竞争中正逐步显示自己的优势。传统的电机在线监测装置多采用电流表、电压表、功率表等较为原始的仪表来进行测量，采用人工读数的方式进行数据的测量、记录和分析，这不仅硬件冗余，系统杂乱，而且操作极为不便，更有甚者，读数误差大，测试结果不准确。有些场合需要进行电机多种参数的监测，这样就势必会加大各种测量仪器的使用以及人力资源的投入。传统的监测方法要求监测人员具有较高的技能和水平，但是由于人为误差的不可避免，这种监测方法无法做定量分析，无法更加准确、实时的掌握电机的运行状态和故障。技术实现要素：本发明提出了一种电机在线监测装置和方法，通过对扭矩、转速、各相电压、温度、输入、输出功率和效率进行实时动态的监测以及对过电压、过电流、过热进行报警停机，解决现有技术中监测参数不能定量分析以及无法更加准确、实时的掌握电机运行状态和故障的技术问题。绍兴性能监测数据各种诊断技术集成起来形成的集成智能监测诊断系统成为当前电机设备故障诊断研究的热点。
传统维护模式中的故障后维护与定期维护将影响生产效率与产品质量，并大幅提高制造商的成本。随着物联网、大数据、云计算、机器学习与传感器等技术的成熟，预测性维护技术应运而生。以各类如电机、轴承等设备为例，目前已发展到较为成熟的在线持续监测阶段，来实现查看设备是否需要维护、怎么安排维护时间来减少计划性停产等，并能够快速、有效的通过物联网接入到整个网络，将数据回传至管理中心，来实现电机设备的预测性维护。电动机是机械加工中不可或缺的必备工具,电动机在运转中常产生各种故障,为保证电动机运行安全,对电动机运行状态进行在线监测尤为重要。
以三相异步电动机为研究对象,采用传感器获取电动机运行中的重要参数(振动、噪声、转速及温度等),由时/频域分析及能量分析等方法提取电动机运行特征量,构成特征向量,采用BP神经网络训练的方法建立状态识别模型,通过BP神经网络模式识别方法,判断电动机运行的状态,在此基础上,利用LabVIEW软件构建可视化监测系统,将电动机运行参数及状态实时显示在可视化界面中,完成在线智能监测。
电机状态监测和故障诊断技术是一种了解掌握电机在使用过程中的状态，确定其整体或局部正常或异常，早期发现故障及其原因，并能预报故障发展趋势的技术，电机状态监测与故障诊断技术包括识别电机状态监测和预测发展趋势两方面。设备状态是指设备运行的工况，由设备运行过程中的各种性能参数以及设备运行过程中产生的二次效应参数和产品质量指标参数来描述。设备状态的类型包括：正常、异常和故障三种。设备状态监测是通过测定以上参数，并进行分析处理，根据分析处理结果判定设备状态。对设备进行定期或连续监测，包括采用各种测试、分析判别方法，结合设备的历史状况和运行条件，弄清设备的客观状态，获取设备性能发展的趋势规律，为设备的性能评价、合理使用、安全运行、故障诊断及设备自动控制打下基础。电机监测系统可以提高预防性维护效率，防止代价高昂的停机并提高设备性能。
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.盈蓓德科技开发的电机监测和故障预判系统，助力实现工业设备数智化管理和预测性维护。无锡智能监测技术
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。非标监测介绍
针对刀具磨损状态在实际生产加工过程中难以在线监测这一问题，提出一种通过通信技术获取机床内部数据，对当前的刀具磨损状态进行识别的方法。通过采集机床内部实时数据并将其与实际加工情景紧密结合，能直接反映当前的加工状态。将卷积神经网络用于构建刀具磨损状态识别模型，直接将采集到数据作为输入，得到了和传统方法精度近似的预测模型，模型在训练集和在线验证试验中的表现都符合预期。刀具磨损状态识别的方法在投入使用时还有一些问题有待解决：①现有数据是在相同的加工条件下测得的，而实际加工过程中，加工参数以及加工情景是不断变化的，因此需要在下一步的研究中，进行变参数试验，考虑加工参数对于刀具磨损的影响，并针对常用的一些加工场景，建立不同的模型库。变换加工场景时，通过获取当前场景，及时匹配相应的预测模型即可。②本研究中的模型是一个固定的模型。今后需要根据实时的信号以及已知的磨损状态，对模型进行实时更新，从而在实时监测过程中实现自学习，不断提升模型的精度和预测效果。非标监测介绍
