状态监测就是给机器体检，故障诊断就是给机器看病。医生给病人看病，首先是进行体征检查，例如先查体温，再进行验血、X光、心电图、B超、甚至CT等各种理化检验，然后根据检查结果和病史，利用医生的知识及经验，对病情做出诊断。对机器故障的诊断，类似于医生看病，首先对机器的状态进行监测，例如先看振动值，再进行频谱、波形、轴心轨迹、趋势、波德图等各种检测分析，然后结合设备的原理、结构、历史状况等，利用专业人员的知识及经验，对故障进行综合分析判断。1滚动轴承故障振动的诊断方法异步电动机的常见故障主要可以分为定子故障、转子故障及轴承故障。其中轴承故障占70%以上，如果我们有办法对轴承情况能实时进行监测，那么异步电动机故障率会减低。滚动轴承状态监测和故障诊断的方法有多种，例如振动分析法、油液分析法（磁性法、铁谱法、光谱法）、声发射分析法、光纤诊断法等。各种方法都有自己的特点，其中振动分析法以其实用和相对简单方便。滚动轴承不同于其它机械零件，其振动信号的频率范围很宽，信噪比很低，信号传递路途上的衰减量大，因此，提取它的振动特征信息必须采用一些特殊的检测技术和处理方法。旋转类设备的状态监测是确保其正常运行的关键步骤。检测方法，包括振动监测、温度监测、电流监测等。上海旋转机械监测应用
刀具监测技术主要可以分为两大类：直接监测方法和间接监测方法。直接监测方法通常是通过使用光学或触觉传感器直接观察刀具的磨损情况。这种方法精度高，但必须进行停机检测，时间成本较高，因此不适用于工业生产。间接监测方法则是通过监测与刀具磨损或破损密切相关的传感器信号，如振动、切削力、电流功率和声发射等，并利用建立的数学模型间接获得刀具磨损量或刀具破损状态。这种方法可以在机床加工过程中持续进行，不影响加工进度，因此更适用于在线监测。其中，基于振动的监测法是一种常用的间接监测方法。切削过程中，振动信号包含丰富的与刀具状态密切相关的信息。通过测量和分析振动信号，可以有效地监测刀具的磨损和破损情况。此外，切削力监测法也是一种常用的间接监测方法。加工过程中，切削力会随着刀具状态的变化而改变，因此通过监测切削力的变化也可以有效地判断刀具的状态。总的来说，刀具监测技术对于确保加工质量和提高生产效率具有重要意义。在实际应用中，应根据具体的加工需求和条件选择合适的监测方法和技术。上海旋转机械监测应用电机的运行状态涉及多个参数，包括振动、温度、电流、电压等。同时监测和分析这些多参数复杂性是一个挑战。
电机状态监测是了解和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，以及早期发现故障及其原因，并预报故障发展趋势的重要技术。这种监测主要包括识别电机状态和预测发展趋势两个方面。电机状态监测可以通过多种方式进行，包括电流监测、温度监测、振动监测、声音监测和光学监测等。电流监测可以判断电机是否正常运行，如电流过高或过低可能意味着电机受阻或负载过重。温度监测可以预防设备过热问题的发生，过热可能会对设备性能和寿命造成负面影响。振动监测可以及时发现并解决设备的振动问题，如转子不平衡、轴承损坏等。声音监测可以及时发现并解决设备的噪音问题，如轴承损坏、不平衡等。光学监测则可以帮助设备操作员及时发现异常情况，例如电机的偏移、卡住或损坏等。除了以上监测方法，还有基于数学模型和人工智能的故障诊断方法。基于数学模型的方法主要是利用电机的数学模型，结合传感器采集的数据，对电机的状态进行估计和预测。基于人工智能的方法则主要是利用机器学习、深度学习等人工智能技术，对历史数据进行分析和学习，实现对电机状态的监测和故障预警。
电力系统中发电机单机容量越大型发电机在电力生产中处于主力位置，同时大型发电机由于造价昂贵，结构复杂，一旦遭受损坏，需要的检修期长，因此要求有极高的运行可靠性。就我国目前今后很长一段时间内的缺电、用电紧张的状况而言，发电机的年运行小时数目和满负荷率都较以往高出很多，备用容量很少的情况下，其运行可靠性显得尤为重要和突出。因此对大型机组进行在线监测与诊断，做到早期预警以防止事故的发生或扩大具有重要的现实意义。通常对发电机的“监测”与“诊断”在内容上并无明确的划分界限，可以说监测的数据和结果即为诊断的依据。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，根据传感器提供的信息，对故障进行分类定位，确定故障的严重程度并提出处理意见。因此状态监测和故障诊断是一项工作的两个部分，前者是后者的基础，后者是前者的分析与综合。电机状态监测技术可帮助运行维护人员摆脱被动检修和不太理想的定期检修的困境，按照设备内部实际的运行状况，合理的安排检修工作，实现所谓“预知”维修。这样既可避免由于设备突然损坏，停止运行带来的损失，又可充分发挥设备的作用。利用数据分析和机器学习算法处理监测数据，建立模型以预测电机的寿命和性能。
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.利用数据分析和机器学习算法来分析设备状态数据，识别异常模式，并预测潜在故障。提高监测的准确性和效率。上海状态监测介绍
设备监测可以满足对部件疲劳程度诊断、机械摩擦磨损、机械冲击、部件过热等健康状况问题的实时预警。上海旋转机械监测应用
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。上海旋转机械监测应用
