目前设备状态监测及故障预警若干关键技术可归纳如下：（1）揭示设备运行状态机械动态特性劣化演变规律。设备由非故障运行状态劣化为故障运行状态，其机械动态特性通常有一个发展演变过程（2）提取设备运行状态发展趋势特征。在役设备往往具有复杂运行状态，在长历程运行中工况和负载等非故障因素会造成信号能量变化，故障趋势信息往往被非故障变化信息淹没，需较大程度上消除非故障变化造成冗余信息，进而构建预测模型。动力装备全寿命周期监测诊断方面：实现了支持物联网的智能信息采集与管理、全生命周期动态自适应监测、早期非线性故障特征提取。优化重构出综合体现装备运行工况及表现的新参数，提高异常状态辨识的适应性与可靠性，基于运行过程信息反映装备劣化趋势与故障发展规律，来提高故障早期辨识能力。基于物联网和网络化监测诊断将产品监测诊断与运行服务支持有机集成一体，在应用中实现动力装备常见故障诊断准确率达80％以上。可应用于风力大电机、空压机、氮压机等大型动力装备的集群化诊断领域。提供了基于物联网的动力装备全生命周期监测与服务支持创新模式，提供了其生命周期的远程监测诊断与维护等专业化服务。在制造业领域，机器设备的运行状态需要进行监测检测，以确保其正常运行和延长使用寿命。常州EOL监测台
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。动力设备监测监测结果的比较可以帮助我们评估不同营销活动的效果和效益。
基于人工神经网络的诊断方法，简单处理单元连接而成的复杂的非线性系统，具有学习能力,自适应能力,非线性逼近能力等。故障诊断的任务从映射角度看就是从征兆到故障类型的映射。用ANN技术处理故障诊断问题,不仅能进行复杂故障诊断模式的识别,还能进行故障严重性评估和故障预测，由于ANN能自动获取诊断知识，使诊断系统具有自适应能力。基于集成型智能系统的诊断方法随着电机设备系统越来越复杂，依靠单一的故障诊断技术已难满足复杂电机设备的故障诊断要求，因此上述各种诊断技术集成起来形成的集成智能诊断系统成为当前电机设备故障诊断研究的热点。主要的集成技术有：基于规则的系统与ANN的结合，模糊逻辑与ANN的结合，混沌理论与ANN的结合，模糊神经网络与系统的结合。
电机马达监控系统适用于石油、化工、电力、煤炭、冶金、造纸等行业，可以实时对低压电动机的运行状态进行监测，对电机各类故障进行监测并存储故障信息，可以生成各类实时曲线（电压曲线、电流曲线等），为电机节能提供依据，并可实现电机节能管理。系统特点：1、实时监测电机回路石化、电力、水泥等电机用量大户，需要对电机进行实时监测，监测内容包括电机的电流、电压、电能、频率、电机状态（起动、停止、报警、故障）等。在要求较高的场所还要对工艺参数进行监测，例如温度、压力等。本系统不仅可以监测电机电压、电流还能做能耗统计，工艺参数监测，可以大幅提高企业自动化程度。2、集中监控，利于节能马达监控系统对用电大户电机进行实时能耗监测，监测到的数据可以作为节能依据，并可通过系统进行节能控制，利于电机节能应用。3、提高自动化水平.电机监控系统是应用电力自动化技术、计算机技术和信息传输技术，集保护、监测、控制、通信等功能于一体的综合系统，监测工作需要定期进行，以保持对市场的敏感度和洞察力。
在预防性维护的应用中，振动是大型旋转等设备即将发生故障的重要指标，一是在大型旋转机械设备的所有故障中，振动问题出现的概率比较高；另一方面，振动信号包含了丰富的机械及运行的状态信息；第三，振动信号易于拾取，便于在不影响机械运行的情况下实行在线监测和诊断。旋转类设备的预防性维护需要重点监控振动量的变化。其预测性诊断技术对于制造业、风电等的行业的运维具有非常重大的意义。通过设备振动等状态的预测性维护，可以及时发现并解决系统及零部件存在问题。但是对于一些不是因为设备问题而存在的固有振动，振动强度不必要增加会对部件产生有害的力，危及设备的使用寿命和质量。在这种情况下，则需要采用振动隔离技术来解决和干预，有效抑制振动和噪声的危害，避免设备故障和流程关闭。工业噪声的监测检测可以减少对工人听力的损害，提高工作效率和生活质量。温州NVH监测系统
电机智能监测和运维，其预测效果和工程的造价还未达到市场接受程度。常州EOL监测台
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. 常州EOL监测台
