针对刀具磨损状态在实际生产加工过程中难以在线监测这一问题，提出一种通过通信技术获取机床内部数据，对当前的刀具磨损状态进行识别的方法。通过采集机床内部实时数据并将其与实际加工情景紧密结合，能直接反映当前加工状态。将卷积神经网络用于构建刀具磨损状态识别模型，直接将采集到的数据作为输入，得到了和传统方法精度近似的预测模型，模型在训练集和在线验证试验中的表现都符合预期。刀具磨损状态识别的方法在投入使用时还有一些问题有待解决：①现有数据是在相同的加工条件下测得的，而实际加工过程中，加工参数以及加工情景是不断变化的，因此需要在下一步的研究中，进行变参数试验，考虑加工参数对于刀具磨损的影响，并针对常用的一些加工场景，建立不同的模型库。变换加工场景时，通过获取当前场景，及时匹配相应的预测模型即可。②本研究中的模型是一个固定的模型。今后需要根据实时的信号以及已知的磨损状态，对模型进行实时更新，从而在实时监测过程中实现自学习，不断提升模型的精度和预测效果。电机监测系统帮助识别处于初期阶段的旋转类设备的机械和液压故障，从而制定更为合理的辅助维护计划。南京智能监测系统
在预防性维护的应用中，振动是大型旋转等设备即将发生故障的重要指标，一是在大型旋转机械设备的所有故障中，振动问题出现的概率比较高；第二，振动信号包含了丰富的机械及运行的状态信息；第三，振动信号易于拾取，便于在不影响机械运行的情况下实行在线监测和诊断。旋转类设备的预防性维护需要重点监控振动量的变化。其预测性诊断技术对于制造业、风电等的行业的运维具有非常重大的意义。通过设备振动等状态的预测性维护，可以及时发现并解决系统及零部件存在问题。但是对于一些不是因为设备问题而存在的固有振动，振动强度的不必要增加会对部件产生有害的力，危及设备的使用寿命和质量。在这种情况下，则需要采用振动隔离技术来解决和干预，有效抑制振动和噪声的危害，避免设备故障和流程关闭。嘉兴耐久监测控制策略电机监测系统可以提高预防性维护效率，防止代价高昂的停机并提高设备性能。
作为工业领域的一种关键旋转设备，对于终端用来说，关于电机维护的主要是电气班组的设备工程师、电机维护工程师、电机检修人员等；对于电机厂家以及电机经销商来说，主要是电机售后服务工程师、电机销售人员，会涉及到电机的运行维护；险此之外，还有第三方检修人员等。目前已经有很多智能产品号称可以实现电机的预测性维护，但问题也非常多。1)传感器安装难。设备状态监测需要振动、噪声、温度传感器，通讯协议并不统一，自成体系，安装、使用、维护成本高昂。2)技术成本高。工业场景设备类型多，运行工况复杂，预测性维护算法涉及数据预处理、工业机理、机器学习，技术要求很高。3)时间成本高。预测性维护要实现，前期需要大量历史数据的支撑，数据采集、归纳、分析是一个漫长的过程。电机智能运维，虽然被各大宣传媒体提得很多，但还远远未到落地很好乃至普及的程度，不论是预测性维护的预测效果，还是电机的智能运维的市场推广以及市场接受程度，对于电机运维来说，都还有很远的一段距离！
从整体网络架构来看，智能振动噪声监诊子系统利用安装在设备上的传感器节点获取设备的健康状态监测信号和运行参数数据，经网络层集中上传至设备健康监测物联网综合管理平台，实现数据传输。应用层实现监测信号的分析､故障特征提取､故障诊断及预测功能，实现智能化管理､应用和服务。设备健康监测物联网综合管理平台具有强大的数据采集分析处理､数据可视､设备运维､故障诊断､故障报警等功能。通过实时监测查看､统计､追溯，实现对其管辖设备的实时监测和运行维护，基于运行信息和检修信息､自动生成设备管理报表，实现设备可靠性､故障数据､更换备件等信息统计，为维修方案提供依据。设备状态监测是通过测定各类参数，并进行分析处理，根据分析处理结果判定设备状态。
预测性维护应运而生。其是以状态为依据的维修，主要是对设备在运行中产生的二次效应(如振动、噪声、冲击脉冲、油样成分、温度等)进行连续在线的状态监测及数据分析，诊断并预测设备故障的发展趋势，提前制定预测性维护计划并实施检维修的行为。
总体来看，状态监测和故障诊断是判断预测性维护是否合理的根本所在，数据状态的连续监测和远程传输上传相对已经比较成熟，而状态预测和故障诊断主要还是依靠人工分析实现，诊断分析人员通过趋势､波形､频谱等专业分析工具，结合传动结构､机械部件参数等信息，实现设备故障的精细定位。其发展趋势是将物联网及人工智能技术引入状态预测及故障的智能诊断，从而降低误判概率，大幅提升诊断效率和准确性。 故障诊断可以根据状态监测系统提供信息来查明失调的原因或性质，判断劣化发生部位，预测状态发展趋势。杭州EOL监测数据
电机的监测和故障预判系统助力实现工业设备数智化管理和预测性维护。南京智能监测系统
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, 可获得理想的诊断和检测结果, 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的自动提取和识别, 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.南京智能监测系统
