故障預測與健康管理是以工業監測數據為基礎，通過高等數學、數學優化、統計概率、信號處理、機器學習和統計學習等技術搭建模型算法，實現產品和裝備的狀態監測、故障診斷及壽命預測，為產品和裝備的正常運行保駕護航，從而提高其安全性、可靠性。故障預測與健康管理是以工業監測數據為基礎，通過高等數學、數學優化、統計概率、信號處理、機器學習和統計學習等技術搭建模型算法，實現產品和裝備的狀態監測、故障診斷及壽命預測，為產品和裝備的正常運行保駕護航，從而提高其安全性和可靠性。近年來我們提出的標準化平方包絡和數學框架以及準算數均值比數學框架指引了稀疏測度構造的新方向，同時發現了大量與基尼指數、峭度、香農熵等具有等價性能的稀疏測度。基于標準化平方包絡和數學框架以及凸優化技術，提出了在線更新模型權重可解釋的機器學習算法，可以利用模型權重來實時確認故障特征頻率，解決了狀態監測與故障診斷領域傳統機器學習只能輸出狀態，而無法提供故障特征來確認輸出狀態的難題。各種診斷技術集成起來形成的集成智能監測診斷系統成為當前電機設備故障診斷研究的熱點。南京監測方案

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.南京監測方案電機監測系統可以識別處于初期階段的機械、電氣和液壓故障，從而制定更為合理的輔助維護計劃。

基于數據的故障檢測與診斷方法能夠對海量的工業數據進行統計分析和特征提取，將系統的狀態分為正常運行狀態和故障狀態，可視為模式識別任務。故障檢測是判斷系統是否處于預期的正常運行狀態，判斷系統是否發生異常故障，相當于一個二分類任務。故障診斷是在確定發生故障的時候判斷系統處于哪一種故障狀態，相當于一個多分類任務。因此，故障檢測和診斷技術的研究類似于模式識別，分為4個的步驟：數據獲取、特征提取、特征選擇和特征分類。1)數據獲取步驟是從過程系統收集可能影響過程狀態的信號，包括溫度、流量等過程變量；2)特征提取步驟是將采集的原始信號映射為有辨識度的狀態信息；3)特征選擇步驟是將與狀態變化相關的變量提取出來；4)特征分類步驟是通過算法將前幾步中選擇的特征進行故障檢測與診斷。在大數據這一背景下，傳統的基于數據的故障檢測與診斷方法被廣泛應用，但是，這些方法有一些共同的缺點：特征提取需要大量的知識和信號處理技術，并且對于不同的任務，沒有統一的程序來完成。此外，常規的基于機器學習的方法結構較淺，在提取信號的高維非線性關系方面能力有限。

在工業現場的預防性維護應用中，振動是大型旋轉等設備即將發生故障的重要指標，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測和診斷。旋轉類設備的預防性維護需要重點監控振動量的變化。其預測性診斷技術對于制造業、風電等的行業的運維具有非常重大的意義。通過設備振動等狀態的預測性維護，可以及時發現并解決系統及零部件存在問題。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。電機監測系統可以提高預防性維護效率，防止代價高昂的停機并提高設備性能。

低信噪比微弱信號特征早期故障的信號處理。早期故障信息具有明顯的低信噪比微弱信號的特征，為實現早期故障有效分析，涉及方法包括：多傳感系統檢測及信息融合，非平穩及非線性信號處理，故障征兆量和損傷征兆量信號分析，噪聲規律與特點分析，以及相關數據挖掘、盲源分離、粗糙集等方法。故障預測模型構建。構建基于智能信息系統的設備早期故障預測模型，這類模型大致有兩個途徑，分別是物理信息預測模型以及數據信息預測模型，或構建這兩類預測模型相融合的預測模型。運行狀態劣化的相關評價參數、模式及準則。如表征設備狀態發展的參數及特征模式，狀態發展評價準則及條件，面向安全保障的決策理論方法，穩定性、可靠性及維修性評估依據及判據等。物聯網聲學監控系統，輔以其他設備參數，通過物聯網技術實現設備狀態的遠程感知，基于AI神經網絡技術，計算并提取設備音頻特征，從而實現設備運行狀態實時評估與故障的早期識別。幫助企業用戶提升生產效率，保證生產安全，優化生產決策。電機監測和故障預判系統是實現工業設備數智化管理和預測性維護的關鍵。南京監測方案

設備的故障監測診斷技術是利用科學的檢測方法和現代化技術手段，對設備目前的運行狀態進行監測和排查。南京監測方案

在預防性維護的應用中，振動是大型旋轉等設備即將發生故障的重要指標，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測和診斷。旋轉類設備的預防性維護需要重點監控振動量的變化。其預測性診斷技術對于制造業、風電等的行業的運維具有非常重大的意義。通過設備振動等狀態的預測性維護，可以及時發現并解決系統及零部件存在問題。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。南京監測方案