电机状态监测和故障诊断技术是一种了解和掌握电机在使用过程中状态，确定其整体或局部正常或异常，早期发现故障及其原因，并能预报故障发展趋势的技术，电机状态监测与故障诊断技术包括识别电机状态监测和预测发展趋势两方面。设备状态是指设备运行的工况，由设备运行过程中的各种性能参数以及设备运行过程中产生的二次效应参数和产品质量指标参数来描述。设备状态的类型包括：正常、异常和故障三种。设备状态监测是通过测定以上参数，并进行分析处理，根据分析处理结果判定设备状态。对设备进行定期或连续监测，包括采用各种测试、分析判别方法，结合设备的历史状况和运行条件，弄清设备的客观状态，获取设备性能发展的趋势规律，为设备的性能评价、合理使用、安全运行、故障诊断及设备自动控制打下基础。电机故障现代分析方法：基于信号变换的诊断方法电机设备的许多故障信息是以调制的形式存在于所监测的电气信号及振动信号之中，借助于某种变换对这些信号进行解调处理，就能方便地获得故障特征信息，以确定电机设备所发生的故障类型。常用的信号变换方法有希尔伯特变换和小波变换。电机监测系统产生大量的数据，包括振动数据、电流数据等。有效地处理和分析这些大量数据是一项挑战。EOL监测数据
早期故障信息具有明显的低信噪比微弱信号的特征，为实现早期故障有效分析，涉及方法包括：多传感系统检测及信息融合，非平稳及非线性信号处理，故障征兆量和损伤征兆量信号分析，噪声规律与特点分析，以及相关数据挖掘、盲源分离、粗糙集等方法。故障预测模型构建。构建基于智能信息系统的设备早期故障预测模型，模型大致有两个途径，分别是物理信息预测模型以及数据信息预测模型，或构建这两类预测模型相融合的预测模型。运行状态劣化的相关评价参数、模式及准则。如表征设备状态发展的参数及特征模式，状态发展评价准则及条件，面向安全保障的决策理论方法，稳定性、可靠性及维修性评估依据及判据等。物联网声学监控系统，辅以其他设备参数，通过物联网技术实现设备状态的远程感知，基于AI神经网络技术，计算并提取设备音频特征，从而实现设备运行状态实时评估与故障早期识别。帮助企业用户提升生产效率，保证生产安全，优化生产决策。杭州产品质量监测控制策略振动监测则是通过安装在电机上振动传感器，实时监测电机振动，分析振动信号，判断电机故障或不平衡等问题。
设备状态监测及故障预警若干关键技术可归纳如下：（1）揭示设备运行状态机械动态特性劣化演变规律。设备由非故障运行状态劣化为故障运行状态，其机械动态特性通常有一个发展演变过程（2）提取设备运行状态发展趋势特征。在役设备往往具有复杂运行状态，在长历程运行中工况和负载等非故障因素会造成信号能量变化，故障趋势信息往往被非故障变化信息淹没，需较大程度上消除非故障变化造成的冗余信息，进而构建预测模型。动力装备全寿命周期监测诊断方面：实现了支持物联网的智能信息采集与管理、全生命周期动态自适应监测、早期非线性故障特征提取。优化重构出综合体现装备运行工况及表现的新参数，提高异常状态辨识的适应性与可靠性，基于运行过程信息反映装备劣化趋势与故障发展规律，来提高故障早期辨识能力。基于物联网和网络化监测诊断将产品监测诊断与运行服务支持有机集成一体，在应用中实现动力装备常见故障诊断准确率达80％以上。应用于风力大电机、空压机等大型动力装备的集群化诊断领域。提供了基于物联网的动力装备全生命周期监测与服务支持创新模式，提供了其生命周期的远程监测诊断与维护等专业化服务。
基于人工神经网络的诊断方法简单处理单元连接而成的复杂的非线性系统，具有很强的学习能力,自适应能力,非线性逼近能力等。故障诊断的任务从映射角度看就是从征兆到故障类型的映射。用ANN技术处理故障诊断问题,不仅能进行复杂故障诊断模式的识别,还能进行故障严重性评估和故障预测，由于ANN能自动获取诊断知识，使诊断系统具有自适应能力。基于集成型智能系统的诊断方法随着电机设备系统越来越复杂，依靠单一的故障诊断技术已难满足复杂电机设备的故障诊断要求，因此上述各种诊断技术集成起来形成的集成智能诊断系统成为当前电机设备故障诊断研究的热点。主要的集成技术有：基于规则的系统与ANN结合，模糊逻辑与ANN的结合，混沌理论与ANN的结合，模糊神经网络与系统的结合。不同类型的电机在结构和工作原理上可能有很大差异，监测系统需要根据具体电机的特性进行定制。
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.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。南京产品质量监测控制策略
监测电机主要是通过各种传感器和技术手段，实时获取电机的运行状态和性能参数。EOL监测数据
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.EOL监测数据
