針對刀具磨損狀態(tài)在實際生產加工過程中難以在線監(jiān)測這一問題，提出一種通過通信技術獲取機床內部數據，對當前的刀具磨損狀態(tài)進行識別的方法。通過采集機床內部實時數據并將其與實際加工情景緊密結合，能直接反映當前的加工狀態(tài)。將卷積神經網絡用于構建刀具磨損狀態(tài)識別模型，直接將采集到的數據作為輸入，得到了和傳統(tǒng)方法精度近似的預測模型，模型在訓練集和在線驗證試驗中的表現都符合預期。刀具磨損狀態(tài)識別的方法在投入使用時還有一些問題有待解決：①現有數據是在相同的加工條件下測得的，而實際加工過程中，加工參數以及加工情景是不斷變化的，因此需要在下一步的研究中，進行變參數試驗，考慮加工參數對于刀具磨損的影響，并針對常用的一些加工場景，建立不同的模型庫。變換加工場景，通過獲取當前場景，及時匹配相應的預測模型即可。②本研究中的模型是一個固定的模型。今后需要根據實時的信號以及已知的磨損狀態(tài)，對模型進行實時更新，從而在實時監(jiān)測過程中實現自學習，不斷提升模型的精度和預測效果。盈蓓德科技通過自主開發(fā)的軟件和算法，進行數控機床的刀具質量監(jiān)測，提前預判刀具運行情況。溫州降噪監(jiān)測技術

傳統(tǒng)方法通常無法自適應提取特征, 同時需要一定的離線數據訓練得到檢測模型, 但目標對象在線場景下采集到的數據有限, 且其數據分布與訓練數據的分布可能因隨機噪聲、變工況等原因而存在差異, 導致離線訓練的模型并不完全適合于在線數據, 容易降低檢測結果的準確性; 其次, 上述方法通常采用基于異常點的檢測算法, 未充分考慮樣本前后的時序關系, 容易因數據微小波動而產生誤報警, 降低檢測結果的魯棒性; 再次, 為降低誤報警, 這類方法需要反復調整報警閾值. 此外, 基于系統(tǒng)分析的故障診斷方法利用狀態(tài)空間描述建立機理模型, 可獲得理想的診斷和檢測結果, 但這類方法通常需要提前知道系統(tǒng)運動方程等信息, 對于軸承運行來說, 這類信息通常不易獲知. 近年來, 深度神經網絡已被成功應用于早期故障特征的自動提取和識別, 可自適應地提取信息豐富和判別能力強的深度特征, 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據進行模型訓練, 而歷史采集的輔助數據與目標對象數據可能存在較大不同, 直接訓練并不能有效提升在線檢測的特征表示效果; 另一方面, 在訓練過程中未能針對早期故障引發(fā)的狀態(tài)變化而有目的地強化相應特征表示. 因此, 深度學習方法在早期故障在線監(jiān)測中的應用仍存在較大的提升空間.上海汽車監(jiān)測特點盈蓓德科技開發(fā)的電機監(jiān)測和故障預判系統(tǒng)，助力實現工業(yè)設備數智化管理和預測性維護。

目前設備狀態(tài)監(jiān)測及故障預警若干關鍵技術可歸納如下：（1）揭示設備運行狀態(tài)機械動態(tài)特性劣化演變規(guī)律。設備由非故障運行狀態(tài)劣化為故障運行狀態(tài)，其機械動態(tài)特性通常有一個發(fā)展演變過程（2）提取設備運行狀態(tài)發(fā)展趨勢特征。在役設備往往具有復雜運行狀態(tài)，在長歷程運行中工況和負載等非故障因素會造成信號能量變化，故障趨勢信息往往被非故障變化信息淹沒，需較大程度上消除非故障變化造成的冗余信息，進而構建預測模型。動力裝備全壽命周期監(jiān)測診斷方面：實現了支持物聯(lián)網的智能信息采集與管理、全生命周期動態(tài)自適應監(jiān)測、早期非線性故障特征提取。優(yōu)化重構出綜合體現裝備運行工況及表現的新參數，提高異常狀態(tài)辨識的適應性與可靠性，基于運行過程信息反映裝備劣化趨勢與故障發(fā)展規(guī)律，來提高故障早期辨識能力?；谖锫?lián)網和網絡化監(jiān)測診斷將產品監(jiān)測診斷與運行服務支持有機集成一體，在應用中實現動力裝備常見故障診斷準確率達80％以上?？蓱糜陲L力大電機、空壓機等大型動力裝備的集群化診斷領域。提供了基于物聯(lián)網的動力裝備全生命周期監(jiān)測與服務支持創(chuàng)新模式，提供了其生命周期的遠程監(jiān)測診斷與維護等專業(yè)化服務。

隨著電力電子技術、自動化控制技術的不斷發(fā)展，電機在工業(yè)生產以及家用電器中得到了應用，在市場競爭中正逐步顯示自己的優(yōu)勢。傳統(tǒng)的電機在線監(jiān)測裝置多采用電流表、電壓表、功率表等較為原始的儀表來進行測量，采用人工讀數的方式進行數據的測量、記錄和分析，這不僅硬件冗余，系統(tǒng)雜亂，而且操作極為不便，更有甚者，讀數誤差大，測試結果不準確。有些場合需要進行電機多種參數的監(jiān)測，這樣就勢必會加大各種測量儀器的使用以及人力資源的投入。傳統(tǒng)的監(jiān)測方法要求監(jiān)測人員具有較高的技能和水平，但是由于人為誤差的不可避免，這種監(jiān)測方法無法做定量分析，無法更加準確、實時的掌握電機的運行狀態(tài)和故障。

技術實現要素：本發(fā)明提出了一種電機在線監(jiān)測裝置和方法，通過對扭矩、轉速、各相電流、電壓、溫度、輸入、輸出功率和效率進行實時動態(tài)的監(jiān)測以及對過電壓、過電流、過熱進行報警停機，解決現有技術中監(jiān)測參數不能定量分析以及無法更加準確、實時的掌握電機運行狀態(tài)和故障的技術問題。 基于人工智能算法的新型的電機故障預測系統(tǒng)，適用范圍廣，能在更多的工業(yè)場合應用。

在工業(yè)現場的預防性維護應用中，振動是大型旋轉等設備即將發(fā)生故障的重要指標，一是在大型旋轉機械設備的所有故障中，振動問題出現的概率比較高；另一方面，振動信號包含了豐富的機械及運行的狀態(tài)信息；第三，振動信號易于拾取，便于在不影響機械運行的情況下實行在線監(jiān)測和診斷。旋轉類設備的預防性維護需要重點監(jiān)控振動量的變化。其預測性診斷技術對于制造業(yè)、風電等的行業(yè)的運維具有非常重大的意義。通過設備振動等狀態(tài)的預測性維護，可以及時發(fā)現并解決系統(tǒng)及零部件存在問題。但是對于一些不是因為設備問題而存在的固有振動，振動強度的不必要增加會對部件產生有害的力，危及設備的使用壽命和質量。在這種情況下，則需要采用振動隔離技術來解決和干預，有效抑制振動和噪聲的危害，避免設備故障和流程關閉。自動駕駛市場在近年來得到了快速發(fā)展。溫州旋轉機械監(jiān)測設備

盈蓓德科技的客戶主要來自汽車、船舶等多個行業(yè)。溫州降噪監(jiān)測技術

傳統(tǒng)維護模式中的故障后維護與定期維護將影響生產效率與產品質量，并大幅提高制造商的成本。隨著物聯(lián)網、大數據、云計算、機器學習與傳感器等技術的成熟，預測性維護技術應運而生。以各類如電機、軸承等設備為例，目前已發(fā)展到較為成熟的在線持續(xù)監(jiān)測階段，來實現查看設備是否需要維護、安排維護時間來減少計劃性停產等，并能夠快速、有效的通過物聯(lián)網接入到整個網絡，將數據回傳至管理中心，來實現電機設備的預測性維護。電動機是機械加工中不可或缺的必備工具,電動機在運轉中常產生各種故障,為保證電動機運行安全,對電動機運行狀態(tài)進行在線監(jiān)測尤為重要。以三相異步電動機為研究對象,采用傳感器獲取電動機運行中的重要參數(振動、噪聲、轉速及溫度等),由時/頻域分析及能量分析等方法提取電動機運行特征量,構成特征向量,采用BP神經網絡訓練的方法建立狀態(tài)識別模型,通過BP神經網絡模式識別方法,判斷電動機運行的狀態(tài),在此基礎上,利用LabVIEW軟件構建可視化監(jiān)測系統(tǒng),將電動機運行參數及狀態(tài)實時顯示在可視化界面中,完成在線智能監(jiān)測。溫州降噪監(jiān)測技術