机器故障自动检测，用计算机听觉

参与工业设备维护的人都知道，设备发出的声音和振动是很重要的信息，通过声音和振动可以判断设备是否正常运转，将维护成本降低一半，使用寿命延长一倍。

实现实时声学和振动数据分析是一种重要的基于状态的系统监测方法。过去我们凭着长期的经验去了解设备发出的正常声音是什么样的，当声音出现变化时可以确认出现异常。经验丰富的技工人员和工程师可能具备这种知识，但他们属于“稀缺资源”。

据美国电气与电子工程师协会《光谱》杂志报道，使用基于深度学习的人工智能可以听到机器或汽车的警告信号，并据此提前发现故障。

所谓深度学习，通常是指被称为人工神经网络的软件算法。这些神经网络可以经过多个人工神经元层过滤相关数据，以便更好地学习特定任务。目前流行的软件多以图像识别为主，侧重于语音和对话的声学识别也不少，但以机器运转发出的声音为深度学习对象的还不多见。上海速嵌的做法是，在每个客户端安装麦克风，开启物联网服务，将麦克风搜集的声音上传到云端，经过深度学习算法运算后，客户端可以使用连接了网络的智能手机等设备，监测声音来源设备的状态。

过去的多年里，他们一直致力于理解人类是如何解读声音和振动的，从而建立一个系统来学习、解译设备的声音和振动的含义，以检测异常行为并进行诊断。随着AI技术的导入，这种愿望已经变成现实，设备故障检测，支持计算机听觉，让计算机能够理解设备发出的声音和振动主要指标，能够在问题变得严重之前确定工厂机器或汽车发动机中的潜在问题。几个AI应用指导原则：从人类神经学中获得灵感；能够学习静态声音和瞬态声音；在靠近传感器的终端进行识别；与人类专家互动，向他们学习并不断优化完善。

高精度传感器及振动检测系统

如果没有高精度的数据输入，再强大的AI系统都不能发挥其功能，对于工业状态监测来说也是如此。加速度计是工业振动监测的关键传感器，其关键指标是低噪声和宽带宽，因此@速嵌智造在工业状态监测应用中率先推出了多个系列的高性能MEMS加速度计产品。

例如，ADXL100x系列单轴加速度计针对工业状态监控应用而优化，测量带宽高达50 kHz，g值范围高达±100 g，并且拥有超低的噪声性能，旋转机械中发生的主要故障（如套筒轴承损坏、对准误差、不平衡、摩擦、松动、传动装置故障、轴承磨损和空化）都在ADXL100x系列状态监控加速度计的测量范围以内。

此外，完整的振动检测系统ADcmXL3021还将高性能振动检测和各种信号处理功能相结合，借助宽带宽（3 dB平坦度内为DC至10 kHz）和典型超低噪声密度(26 µg/√Hz)可以跟踪许多机器平台上的振动信号，可简化状态监测系统中的智能传感器节点开发。

电机性能预测

基于状态的监控解决方案可提供更高水平的诊断和更深刻的洞察力，能够实现预测性的机器健康解决方案。了解如何优化信号链和处理能力以便在单个机器和整个系统上获得实时、准确且可靠的数据。

值得一提的是，为进一步加强基于状态监测的预测性维护解决方案，电机和发电机预测性维护，结合其原有的工业状态监测解决方案技术，以及传感解译软件与监控功能相结合，创建更优化的解决方案，通过捕获更广泛的潜在故障检测，为机器提供更先进、全面的健康状况监测。