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.常用的电机监测方法包括振动监测、温度监测、润滑油监测、电流监测和声音监测等。这些方法可以结合使用。温州电力监测应用
电力系统中发电机的单机容量越大型发电机在电力生产中处于主力位置，同时大型发电机造价昂贵，结构复杂，一旦遭受损坏，需要的检修期长，因此要求有极高的运行可靠性。就我国今后很长一段时间内的缺电、用电紧张的状况而言，发电机的年运行小时数目和满负荷率都较以往高出很多，备用容量很少的情况下，其运行可靠性显得尤为重要和突出。因此对大型机组进行在线监测与诊断，做到早期预警以防止事故的发生或扩大具有重要的现实意义。通常对发电机的“监测”与“诊断”在内容上并无明确的划分界限，可以说监测数据和结果即为诊断的依据。监测利用各种传感器在电机运行时对电机的状态提取相关数据。故障诊断使用计算机及其相应智能软件，根据传感器提供的信息，对故障进行分类、定位，确定故障的严重程度并提出处理意见。因此状态监测和故障诊断是一项工作的两个部分，前者是后者的基础，后者是前者的分析与综合。电机状态监测技术可帮助运行维护人员摆脱被动检修和不太理想的定期检修的困境，按照设备内部实际的运行状况，合理安排检修工作，实现所谓“预知”维修。这样既可避免由于设备突然损坏，停止运行带来的损失，又可充分发挥设备的作用。无锡智能监测技术旋转类设备的状态监测是确保其正常运行的关键步骤。检测方法，包括振动监测、温度监测、电流监测等。
电机状态监测和振动分析提供加速度计选择的建议。基于直流和非同步交流电机的常见故障。这些常见故障可通过振动分析检测出来，包括机械和电气故障。重点是传感器的频率范围及其安装方法，以便可靠地检测这些故障。例如，考虑以几百赫兹的周期性频率(称为故障频率)发生的撞击事件，但每个事件的能量可从起始点带走，频率在低至千赫范围内。因此，用于检测撞击、摩擦和凹槽等事件的传感器应在几百赫兹到20千赫的宽频范围内响应。对于传统的机械故障，如平衡和对准，频率范围从约0.2倍的运行速度到50-60倍运行速度是足够的。电气故障需要机械故障所需的低频和高频段。电机会同时出现机械和电气故障，这会导致振动。只要安装的振动传感器具有足够的带宽和灵敏度，就可以检测到这些故障。机械故障伴随着冲击、摩擦和疲劳，会产生比电气故障频率更剧烈的振动，但凹槽除外。凹槽产生的振动频率与摩擦频率大致相同。如果传感器的带宽和安装方法足以检测机械故障，那么它们也将检测电气故障。
随着电力电子技术、自动化控制技术的不断发展，电机在工业生产以及家用电器中得到了大的应用，在市场竞争中正逐步显示自己的优势。传统的电机在线监测装置多采用电流表、电压表、功率表等较为原始的仪表来进行测量，采用人工读数的方式进行数据的测量、记录和分析，不仅硬件冗余，系统杂乱，而且操作极为不便，更有甚者，读数误差大，测试结果不准确。有些场合需要进行电机多种参数的监测，这样就势必会加大各种测量仪器的使用以及人力资源的投入。传统的监测方法要求监测人员具有较高的技能和水平，但是由于人为误差的不可避免，这种监测方法无法做定量分析，无法更加准确、实时的掌握电机的运行状态和故障。技术实现要素：本发明提出了一种电机在线监测装置和方法，通过对扭矩、转速、各相电流、电压、温度、输入、输出功率和效率进行实时动态的监测以及对过电压、过电流、过热进行报警停机，解决现有技术中监测参数不能定量分析以及无法更加准确、实时的掌握电机运行状态和故障的技术问题。使用绝缘监测设备来检测电机绕组和绝缘系统的健康状况。绝缘降低可能导致绕组短路或绝缘击穿。
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。电机监测需要实时获取和处理数据，以及及时发出警报。要求数据采集和处理要高性能的硬件和快速的算法。温州电力监测应用
使用温度传感器来监测电机各个部件温度。过高的温度表明电机运行不正常，由于负载过大、绕组问题等原因。温州电力监测应用
深度学习技术已经在滚动轴承故障监测和诊断领域取得了成功应用, 但面对不停机情况下的早期故障在线监测问题, 仍存在着早期故障特征表示不充分、误报警率高等不足. 为解决上述问题, 本文从时序异常检测的角度出发, 提出了一种基于深度迁移学习的早期故障在线检测方法. 首先, 提出一种面向多域迁移的深度自编码网络, 通过构建具有改进的比较大均值差异正则项和Laplace正则项的损失函数, 在自适应提取不同域数据的公共特征表示同时, 提高正常状态和早期故障状态之间特征的差异性; 基于该特征表示, 提出一种基于时序异常模式的在线检测模型, 利用离线轴承正常状态的排列熵值构建报警阈值, 实现在线数据中异常序列的快速匹配, 同时提高在线检测结果的可靠性. 在XJTU-SY数据集上的实验结果表明, 与现有代表性早期故障检测方法相比, 本文方法具有更好的检测实时性和更低的误报警数.温州电力监测应用
