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预测性维护，但问题非常多。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。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，对于电机运维来说，都还有很远的一段距离！不同类型的电机在结构和工作原理上可能有很大差异，监测系统需要根据具体电机的特性进行定制。杭州汽车监测控制策略
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.杭州电力监测监测电机各个相位之间的电流和电压关系，以检测是否存在相位不平衡或其他电气问题。
早期故障信息具有明显的低信噪比微弱信号的特征，为实现早期故障有效分析，涉及方法包括：多传感系统检测及信息融合，非平稳及非线性信号处理，故障征兆量和损伤征兆量信号分析，噪声规律与特点分析，以及相关数据挖掘、盲源分离、粗糙集等方法。故障预测模型构建。构建基于智能信息系统的设备早期故障预测模型，模型大致有两个途径，分别是物理信息预测模型以及数据信息预测模型，或构建这两类预测模型相融合的预测模型。运行状态劣化的相关评价参数、模式及准则。如表征设备状态发展的参数及特征模式，状态发展评价准则及条件，面向安全保障的决策理论方法，稳定性、可靠性及维修性评估依据及判据等。物联网声学监控系统，辅以其他设备参数，通过物联网技术实现设备状态的远程感知，基于AI神经网络技术，计算并提取设备音频特征，从而实现设备运行状态实时评估与故障早期识别。帮助企业用户提升生产效率，保证生产安全，优化生产决策。
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.电机状态监测和故障诊断技术是一种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的技术。
物联网技术为设备状态监测诊断带来了设备状态无线监测､高速数据传输､边缘计算和精细化诊断分析等先进技术。本项目相关的状态监测技术是要解决海量终端（传感器数据）的联接、管理、实时分析处理。关键技术包含海量数据的采集和传输技术、信号处理技术和边缘计算技术。对设备进行诊断目的，是了解设备是否在正常状态下运转，为此需测定有关设备的各种量，即信号。如果捕捉到的信号能直接反映设备的问题，如温度的测值，则与设备正常状态伪规定值相比较即可。但测到的声波或振动信号一般都伴有杂音和其他干扰，放大多需滤波。回转机械的振动和噪声就是一例。一般测到的波形和数值没有一定规则，需要把表示信号特征的量提取出来，以此数值和信号图象来表示测定对象的状态就是信号处理技术其次边缘计算与云计算协同工作。云计算聚焦非实时、长周期数据的大数据分析，能够在周期性维护、故障隐患综合识别分析，产品健康度检查等领域发挥特长。边缘计算聚焦实时、短周期数据的分析，能更好地支撑故障的实时告警，快速识别异常，毫秒级响应；此外，两者还存在紧密的互动协同关系。边缘计算既靠近设备，更是云端所需数据的采集单元，可以更好地服务于云端的大数据分析。通过设备状态监测，可以解决设备各种监控数据的复杂性，状态动态变化带来的不确定性。功能监测控制策略
电机监测涉及到对电机运行状态的实时监测和评估，以便及时发现潜在问题并采取适当的维护措施。杭州汽车监测控制策略
基于数据的故障检测与诊断方法能够对海量的工业数据进行统计分析和特征提取，将系统的状态分为正常运行状态和故障状态。故障检测是判断系统是否处于预期的正常运行状态，判断系统是否发生异常故障，相当于一个二分类任务。故障诊断是在确定发生故障的时候判断系统处于哪一种故障状态，相当于一个多分类任务。因此，故障检测和诊断技术研究类似于模式识别，分为4个的步骤：数据获取、特征提取、特征选择和特征分类。1)数据获取步骤是从过程系统收集可能影响过程状态的信号，包括温度、流量等过程变量；2)特征提取步骤是将采集的原始信号映射为有辨识度的状态信息；3)特征选择步骤是将与状态变化相关的变量提取出来；4)特征分类步骤是通过算法将前几步中选择的特征进行故障检测与诊断。在大数据这一背景下，传统的基于数据的故障检测与诊断方法被广泛应用，但是，这些方法有一些共同的缺点：特征提取需要大量的知识和信号处理技术，并且对于不同的任务，没有统一的程序来完成。此外，常规的基于机器学习的方法结构较浅，在提取信号的高维非线性关系方面能力有限。杭州汽车监测控制策略
