狀態監測就是給機器體檢，故障診斷就是給機器看病。醫生給病人看病，首先是進行體征檢查，例如先查體溫，再進行驗血、X光、心電圖、B超、甚至CT等各種理化檢驗，然后根據檢查結果和病史，利用醫生的知識及經驗，對病情做出診斷。對機器故障的診斷，類似于醫生看病，首先對機器的狀態進行監測，例如先看振動值，再進行頻譜、波形、軸心軌跡、趨勢、波德圖等各種檢測分析，然后結合設備的原理、結構、歷史狀況等，利用專業人員的知識及經驗，對故障進行綜合分析判斷。1滾動軸承故障振動的診斷方法異步電動機的常見故障主要可以分為定子故障、轉子故障及軸承故障。其中軸承故障占70%以上，如果我們有辦法對軸承情況能實時進行監測，那么異步電動機故障率會減低。滾動軸承狀態監測和故障診斷的方法有多種，例如振動分析法、油液分析法（磁性法、鐵譜法、光譜法）、聲發射分析法、光纖診斷法等。各種方法都有自己的特點，其中振動分析法以其實用和相對簡單方便。滾動軸承不同于其它機械零件，其振動信號的頻率范圍很寬，信噪比很低，信號傳遞路途上的衰減量大，因此，提取它的振動特征信息必須采用一些特殊的檢測技術和處理方法。解決電機監測的難題需要結合先進的傳感技術、數據分析算法、通信技術以及專業的工程知識。南京性能監測設備

電機狀態監測和故障診斷技術是一種了解和掌握電機在使用過程中狀態，確定其整體或局部正常或異常，早期發現故障及其原因，并能預報故障發展趨勢的技術，電機狀態監測與故障診斷技術包括識別電機狀態監測和預測發展趨勢兩方面。設備狀態是指設備運行的工況，由設備運行過程中的各種性能參數以及設備運行過程中產生的二次效應參數和產品質量指標參數來描述。設備狀態的類型包括：正常、異常和故障三種。設備狀態監測是通過測定以上參數，并進行分析處理，根據分析處理結果判定設備狀態。對設備進行定期或連續監測，包括采用各種測試、分析判別方法，結合設備的歷史狀況和運行條件，弄清設備的客觀狀態，獲取設備性能發展的趨勢規律，為設備的性能評價、合理使用、安全運行、故障診斷及設備自動控制打下基礎。電機故障現代分析方法：基于信號變換的診斷方法電機設備的許多故障信息是以調制的形式存在于所監測的電氣信號及振動信號之中，借助于某種變換對這些信號進行解調處理，就能方便地獲得故障特征信息，以確定電機設備所發生的故障類型。常用的信號變換方法有希爾伯特變換和小波變換。寧波性能監測臺監測技術有助于發現潛在問題、預測設備故障并采取維護措施，從而降低損壞風險，提高系統的可靠性和效率。

傳統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, 基于系統分析的故障診斷方法利用狀態空間描述建立機理模型, 可獲得理想診斷和檢測結果, 但這類方法通常需要提前知道系統運動方程等信息, 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的狀態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測中的應用仍存在較大的提升空間.

隨著電力電子技術、自動化控制技術的不斷發展，電機在工業生產以及家用電器中得到了大的應用，在市場競爭中正逐步顯示自己的優勢。傳統的電機在線監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，不僅硬件冗余，系統雜亂，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。傳統的監測方法要求監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和故障。技術實現要素：本發明提出了一種電機在線監測裝置和方法，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的監測以及對過電壓、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和故障的技術問題。利用數據分析和機器學習算法處理監測數據，建立模型以預測電機的壽命和性能。

作為工業領域的一種關鍵旋轉設備，對于終端用來說，關于電機維護的主要是電氣班組的設備工程師、電機維護工程師、電機檢修人員等；對于電機廠家以及電機經銷商來說，主要是電機售后服務工程師、電機銷售人員，會涉及到電機的運行維護；險此之外，還有第三方檢修人員等。目前已經有很多智能產品號稱可以實現電機的預測性維護，但問題也非常多。1)傳感器安裝難。設備狀態監測需要振動、噪聲、溫度傳感器，通訊協議并不統一，自成體系，安裝、使用、維護成本高昂。2)技術成本高。工業場景設備類型多，運行工況復雜，預測性維護算法涉及數據預處理、工業機理、機器學習，技術要求很高。3)時間成本高。預測性維護要實現，前期需要大量歷史數據的支撐，數據采集、歸納、分析是一個漫長的過程。以電機預測性維護的理念為原型的電機智能運維，雖然被各大宣傳媒體提得很多，但還遠遠未到落地很好乃至普及的程度，不論是預測性維護的預測效果，還是電機的智能運維的市場推廣以及市場接受程度，對于電機維護人員的電機運維來說，都還有很遠的一段距離！電機驅動的生產線。同時監測多個電機的狀態，協調故障診斷和預測性維護，增加了監測的復雜性。無錫專業監測方案

電機狀態監測是用于實時監測和評估電機運行狀況的技術。這種監測有助于及早發現潛在問題，預測電機故障。南京性能監測設備

傳統方法通常無法自適應提取特征, 同時需要一定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, 基于系統分析的故障診斷方法利用狀態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的狀態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測中的應用仍存在較大的提升空間.南京性能監測設備