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.设备状态监测对有关参数加以分析，从而有效地对设备运行状态进行系统自动监测分析或人工分析。杭州智能监测控制策略
传统方法通常无法自适应提取特征, 同时需要一定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.无锡汽车监测应用设备状态监测是对运行中的设备进行振动、噪声、温度、相对湿度、环境压力等状态参数的定期或连续监测。
深度学习技术已经在滚动轴承故障监测和诊断领域取得了成功应用, 但面对不停机情况下的早期故障在线监测问题, 仍存在着早期故障特征表示不充分、误报警率高等不足. 为解决上述问题, 本文从时序异常检测的角度出发, 提出了一种基于深度迁移学习的早期故障在线检测方法. 首先, 提出一种面向多域迁移的深度自编码网络, 通过构建具有改进的比较大均值差异正则项和Laplace正则项的损失函数, 在自适应提取不同域数据的公共特征表示同时, 提高正常状态和早期故障状态之间特征的差异性; 基于该特征表示, 提出一种基于时序异常模式的在线检测模型, 利用离线轴承正常状态的排列熵值构建报警阈值, 实现在线数据中异常序列的快速匹配, 同时提高在线检测结果的可靠性. 在XJTU-SY数据集上的实验结果表明, 与现有代表性早期故障检测方法相比, 本文方法具有更好的检测实时性和更低的误报警数.
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个问题，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。监测电机电流可以提供有关电机工作状态的信息。异常的电流波形是电机问题的指示，如绕组故障或磁场失衡。
在数控机床中，刀具的监测对于确保加工质量和提高生产效率至关重要。刀具监测主要包括刀具磨损监测和刀具状态监测。刀具磨损监测可以通过多种方法实现，其中一种常用的方法是利用传感器监测切削过程中的物理参数变化，如切削力、振动和温度等。当刀具磨损到一定程度时，这些物理参数会发生变化，通过监测这些变化可以间接判断刀具的磨损情况。此外，还可以采用直接监测方法，如使用光学或触觉传感器直接观察刀具的磨损情况。除了刀具磨损监测，刀具状态监测也是数控机床中的重要环节。刀具状态监测可以通过实时监测刀具的振动、声音和温度等参数，结合数据驱动的算法构建刀具状态与这些参数之间的映射关系，从而实现对刀具状态的准确监测。这种方法可以帮助及时发现刀具的崩刃、破损和卷刃等失效形式，确保加工质量和安全。总之，数控机床中的刀具监测技术对于提高加工质量和生产效率具有重要意义。通过实时监测刀具的磨损和状态，可以及时发现并处理潜在问题，确保加工过程的稳定性和可靠性。通过监测刀具的振动频率和振幅，可以评估切削过程中的稳定性和刀具的健康状态。上海减振监测数据
温度监测是电机监测中常用的一种方法，通过埋置在电机内部的温度传感器，实时监测电机的运行温度。杭州智能监测控制策略
作为工业领域的一种关键旋转设备，对于终端用来说，关于电机维护的主要是电气班组的设备工程师、电机维护工程师、电机检修人员等；对于电机厂家以及电机经销商来说，主要是电机售后服务工程师、电机销售人员，会涉及到电机的运行维护；险此之外，还有第三方检修人员等。目前已经有很多智能产品号称可以实现电机的预测性维护，但问题也非常多。1)传感器安装难。设备状态监测需要振动、噪声、温度传感器，通讯协议并不统一，自成体系，安装、使用、维护成本高昂。2)技术成本高。工业场景设备类型多，运行工况复杂，预测性维护算法涉及数据预处理、工业机理、机器学习，技术要求很高。3)时间成本高。预测性维护要实现，前期需要大量历史数据的支撑，数据采集、归纳、分析是一个漫长的过程。以电机预测性维护的理念为原型的电机智能运维，虽然被各大宣传媒体提得很多，但还远远未到落地很好乃至普及的程度，不论是预测性维护的预测效果，还是电机的智能运维的市场推广以及市场接受程度，对于电机维护人员的电机运维来说，都还有很远的一段距离！杭州智能监测控制策略
