深度學(xué)習(xí)技術(shù)已經(jīng)在滾動(dòng)軸承故障監(jiān)測(cè)和診斷領(lǐng)域取得了成功應(yīng)用, 但面對(duì)不停機(jī)情況下的早期故障在線監(jiān)測(cè)問題, 仍存在著早期故障特征表示不充分、誤報(bào)警率高等不足. 為解決上述問題, 本文從時(shí)序異常檢測(cè)的角度出發(fā), 提出了一種基于深度遷移學(xué)習(xí)的早期故障在線檢測(cè)方法. 首先, 提出一種面向多域遷移的深度自編碼網(wǎng)絡(luò), 通過構(gòu)建具有改進(jìn)的比較大均值差異正則項(xiàng)和Laplace正則項(xiàng)的損失函數(shù), 在自適應(yīng)提取不同域數(shù)據(jù)的公共特征表示同時(shí), 提高正常狀態(tài)和早期故障狀態(tài)之間特征的差異性; 基于該特征表示, 提出一種基于時(shí)序異常模式的在線檢測(cè)模型, 利用離線軸承正常狀態(tài)的排列熵值構(gòu)建報(bào)警閾值, 實(shí)現(xiàn)在線數(shù)據(jù)中異常序列的快速匹配, 同時(shí)提高在線檢測(cè)結(jié)果的可靠性. 在XJTU-SY數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明, 與現(xiàn)有代表性早期故障檢測(cè)方法相比, 本文方法具有更好的檢測(cè)實(shí)時(shí)性和更低的誤報(bào)警數(shù).通過在電機(jī)上安裝傳感器，實(shí)時(shí)采集電機(jī)的運(yùn)行數(shù)據(jù)，如電流、電壓、轉(zhuǎn)速等，傳輸?shù)奖O(jiān)測(cè)系統(tǒng)進(jìn)行分析和處理。嘉興NVH監(jiān)測(cè)特點(diǎn)

傳統(tǒng)方法通常無法自適應(yīng)提取特征, 同時(shí)需要一定離線數(shù)據(jù)訓(xùn)練得到檢測(cè)模型, 但目標(biāo)對(duì)象在線場(chǎng)景下采集到的數(shù)據(jù)有限, 且其數(shù)據(jù)分布與訓(xùn)練數(shù)據(jù)的分布可能因隨機(jī)噪聲、變工況等原因而存在差異, 導(dǎo)致離線訓(xùn)練的模型并不完全適合于在線數(shù)據(jù), 容易降低檢測(cè)結(jié)果的準(zhǔn)確性; 其次, 上述方法通常采用基于異常點(diǎn)的檢測(cè)算法, 未充分考慮樣本前后的時(shí)序關(guān)系, 容易因數(shù)據(jù)微小波動(dòng)而產(chǎn)生誤報(bào)警, 降低檢測(cè)結(jié)果的魯棒性; 再次, 為降低誤報(bào)警, 這類方法需要反復(fù)調(diào)整報(bào)警閾值. 此外, 基于系統(tǒng)分析的故障診斷方法利用狀態(tài)空間描述建立機(jī)理模型, 可獲得理想的診斷和檢測(cè)結(jié)果, 但這類方法通常需要提前知道系統(tǒng)運(yùn)動(dòng)方程等信息, 對(duì)于軸承運(yùn)行來說, 這類信息通常不易獲知. 近年來, 深度神經(jīng)網(wǎng)絡(luò)已被成功應(yīng)用于早期故障特征自動(dòng)提取和識(shí)別, 可自適應(yīng)地提取信息豐富和判別能力強(qiáng)的深度特征, 因此具有較好的普適性. 但是, 這類方法一方面需要大量輔助數(shù)據(jù)進(jìn)行模型訓(xùn)練, 而歷史采集的輔助數(shù)據(jù)與目標(biāo)對(duì)象數(shù)據(jù)可能存在較大不同, 直接訓(xùn)練并不能有效提升在線檢測(cè)的特征表示效果; 另一方面, 在訓(xùn)練過程中未能針對(duì)早期故障引發(fā)的狀態(tài)變化而有目的地強(qiáng)化相應(yīng)特征表示. 因此, 深度學(xué)習(xí)方法在早期故障在線監(jiān)測(cè)中的應(yīng)用仍存在較大的提升空間.南京仿真監(jiān)測(cè)控制策略電機(jī)監(jiān)測(cè)廣泛應(yīng)用于各個(gè)領(lǐng)域，如能源、交通運(yùn)輸、家用電器等。

振動(dòng)的監(jiān)測(cè)是機(jī)械設(shè)備狀態(tài)監(jiān)測(cè)與故障診斷的重要手段之一。通過對(duì)機(jī)械設(shè)備在運(yùn)行過程中產(chǎn)生的振動(dòng)信號(hào)進(jìn)行測(cè)量、分析和處理，可以獲取設(shè)備的狀態(tài)信息，進(jìn)而判斷設(shè)備的健康狀況，預(yù)測(cè)故障發(fā)展趨勢(shì)，及時(shí)發(fā)現(xiàn)并處理潛在問題。振動(dòng)的監(jiān)測(cè)方法通常可以分為定期點(diǎn)檢、隨機(jī)點(diǎn)檢和長(zhǎng)期監(jiān)測(cè)等幾種方式。定期點(diǎn)檢是按照預(yù)定的時(shí)間間隔對(duì)設(shè)備進(jìn)行振動(dòng)測(cè)量，適用于對(duì)設(shè)備狀態(tài)進(jìn)行定期檢查和評(píng)估。隨機(jī)點(diǎn)檢則是在設(shè)備運(yùn)行過程中，根據(jù)需要對(duì)設(shè)備進(jìn)行振動(dòng)測(cè)量，適用于對(duì)設(shè)備狀態(tài)進(jìn)行實(shí)時(shí)跟蹤和監(jiān)測(cè)。長(zhǎng)期監(jiān)測(cè)則是對(duì)設(shè)備進(jìn)行連續(xù)不斷的振動(dòng)監(jiān)測(cè)，適用于對(duì)設(shè)備狀態(tài)進(jìn)行長(zhǎng)期跟蹤和分析。在振動(dòng)監(jiān)測(cè)中，常用的傳感器包括加速度計(jì)、速度計(jì)和位移計(jì)等。這些傳感器可以測(cè)量設(shè)備在不同方向上的振動(dòng)信號(hào)，并將振動(dòng)信號(hào)轉(zhuǎn)換為電信號(hào)進(jìn)行傳輸和處理。通過對(duì)振動(dòng)信號(hào)的分析，可以獲取設(shè)備的振動(dòng)特征參數(shù)，如振動(dòng)幅值、頻率、相位等，進(jìn)而判斷設(shè)備的運(yùn)行狀態(tài)和故障類型。總之，振動(dòng)的監(jiān)測(cè)是機(jī)械設(shè)備狀態(tài)監(jiān)測(cè)與故障診斷的重要手段之一。通過對(duì)振動(dòng)信號(hào)的測(cè)量、分析和處理，可以及時(shí)發(fā)現(xiàn)并處理潛在問題，提高設(shè)備的可靠性和生產(chǎn)效率。同時(shí)，振動(dòng)監(jiān)測(cè)技術(shù)還可以為設(shè)備的預(yù)測(cè)性維護(hù)和優(yōu)化運(yùn)行提供有力支持。

傳統(tǒng)維護(hù)模式中的故障后維護(hù)與定期維護(hù)將影響生產(chǎn)效率與產(chǎn)品質(zhì)量，并大幅提高制造商的成本。隨著物聯(lián)網(wǎng)、大數(shù)據(jù)、云計(jì)算、機(jī)器學(xué)習(xí)與傳感器等技術(shù)的成熟，預(yù)測(cè)性維護(hù)技術(shù)應(yīng)運(yùn)而生。以各類如電機(jī)、軸承等設(shè)備為例，目前已發(fā)展到較為成熟的在線持續(xù)監(jiān)測(cè)階段，來實(shí)現(xiàn)查看設(shè)備是否需要維護(hù)、怎么安排維護(hù)時(shí)間來減少計(jì)劃性停產(chǎn)等，并能夠快速、有效通過物聯(lián)網(wǎng)接入到整個(gè)網(wǎng)絡(luò)，將數(shù)據(jù)回傳至管理中心，來實(shí)現(xiàn)電機(jī)設(shè)備的預(yù)測(cè)性維護(hù)。以各類如電機(jī)、軸承等設(shè)備為例，目前已發(fā)展到較為成熟在線持續(xù)監(jiān)測(cè)階段，來實(shí)現(xiàn)查看設(shè)備是否需要維護(hù)、怎么安排維護(hù)時(shí)間來減少計(jì)劃性停產(chǎn)等，并能夠快速、有效的通過物聯(lián)網(wǎng)接入到整個(gè)網(wǎng)絡(luò)，將數(shù)據(jù)回傳至管理中心，來實(shí)現(xiàn)電機(jī)設(shè)備的預(yù)測(cè)性維護(hù)。不同類型的電機(jī)在結(jié)構(gòu)和工作原理上可能有很大差異，監(jiān)測(cè)系統(tǒng)需要根據(jù)具體電機(jī)的特性進(jìn)行定制。

狀態(tài)監(jiān)測(cè)就是給機(jī)器體檢，故障診斷就是給機(jī)器看病。醫(yī)生給病人看病，首先是進(jìn)行體征檢查，例如先查體溫，再進(jìn)行驗(yàn)血、X光、心電圖、B超、甚至CT等各種理化檢驗(yàn)，然后根據(jù)檢查結(jié)果和病史，利用醫(yī)生的知識(shí)及經(jīng)驗(yàn)，對(duì)病情做出診斷。對(duì)機(jī)器故障的診斷，類似于醫(yī)生看病，首先對(duì)機(jī)器的狀態(tài)進(jìn)行監(jiān)測(cè)，例如先看振動(dòng)值，再進(jìn)行頻譜、波形、軸心軌跡、趨勢(shì)、波德圖等各種檢測(cè)分析，然后結(jié)合設(shè)備的原理、結(jié)構(gòu)、歷史狀況等，利用專業(yè)人員的知識(shí)及經(jīng)驗(yàn)，對(duì)故障進(jìn)行綜合分析判斷。1滾動(dòng)軸承故障振動(dòng)的診斷方法異步電動(dòng)機(jī)的常見故障主要可以分為定子故障、轉(zhuǎn)子故障及軸承故障。其中軸承故障占70%以上，如果我們有辦法對(duì)軸承情況能實(shí)時(shí)進(jìn)行監(jiān)測(cè)，那么異步電動(dòng)機(jī)故障率會(huì)減低。滾動(dòng)軸承狀態(tài)監(jiān)測(cè)和故障診斷的方法有多種，例如振動(dòng)分析法、油液分析法（磁性法、鐵譜法、光譜法）、聲發(fā)射分析法、光纖診斷法等。各種方法都有自己的特點(diǎn)，其中振動(dòng)分析法以其實(shí)用和相對(duì)簡(jiǎn)單方便。滾動(dòng)軸承不同于其它機(jī)械零件，其振動(dòng)信號(hào)的頻率范圍很寬，信噪比很低，信號(hào)傳遞路途上的衰減量大，因此，提取它的振動(dòng)特征信息必須采用一些特殊的檢測(cè)技術(shù)和處理方法。盈蓓德開發(fā)的系統(tǒng)可以從振動(dòng)信號(hào)等監(jiān)測(cè)數(shù)據(jù)中可以提取時(shí)頻特征、小波特征、包絡(luò)譜特征等早期故障特征。常州產(chǎn)品質(zhì)量監(jiān)測(cè)技術(shù)

通過監(jiān)測(cè)數(shù)控機(jī)場(chǎng)刀具的振動(dòng)頻率和振幅，可以評(píng)估切削過程中的穩(wěn)定性和刀具的健康狀態(tài)。嘉興NVH監(jiān)測(cè)特點(diǎn)

電力系統(tǒng)中發(fā)電機(jī)單機(jī)容量越大型發(fā)電機(jī)在電力生產(chǎn)中處于主力位置，同時(shí)大型發(fā)電機(jī)由于造價(jià)昂貴，結(jié)構(gòu)復(fù)雜，一旦遭受損壞，需要的檢修期長(zhǎng)，因此要求有極高的運(yùn)行可靠性。就我國(guó)目前和今后很長(zhǎng)一段時(shí)間內(nèi)的缺電、用電緊張的狀況而言，發(fā)電機(jī)的年運(yùn)行小時(shí)數(shù)目和滿負(fù)荷率都較以往高出很多，備用容量很少的情況下，其運(yùn)行可靠性顯得尤為重要和突出。因此對(duì)大型機(jī)組進(jìn)行在線監(jiān)測(cè)與診斷，做到早期預(yù)警以防止事故的發(fā)生或擴(kuò)大具有重要的現(xiàn)實(shí)意義。通常對(duì)發(fā)電機(jī)的“監(jiān)測(cè)”與“診斷”在內(nèi)容上并無明確的劃分界限，可以說監(jiān)測(cè)的數(shù)據(jù)和結(jié)果即為診斷的依據(jù)。監(jiān)測(cè)利用各種傳感器在電機(jī)運(yùn)行時(shí)對(duì)電機(jī)的狀態(tài)提取相關(guān)數(shù)據(jù)。故障診斷使用計(jì)算機(jī)及其相應(yīng)智能軟件，根據(jù)傳感器提供的信息，對(duì)故障進(jìn)行分類定位，確定故障嚴(yán)重程度并提出處理意見。因此狀態(tài)監(jiān)測(cè)和故障診斷是一項(xiàng)工作的兩個(gè)部分，前者是后者的基礎(chǔ)，后者是前者的分析與綜合。電機(jī)狀態(tài)監(jiān)測(cè)技術(shù)可幫助運(yùn)行維護(hù)人員擺脫被動(dòng)檢修和不太理想的定期檢修的困境，按照設(shè)備內(nèi)部實(shí)際的運(yùn)行狀況，合理的安排檢修工作，實(shí)現(xiàn)所謂“預(yù)知”維修。這樣既可避免由于設(shè)備突然損壞，停止運(yùn)行帶來的損失，又可充分發(fā)揮設(shè)備的作用。嘉興NVH監(jiān)測(cè)特點(diǎn)