隨著工業(yè)技術(shù)的快速發(fā)展，工業(yè)企業(yè)的設(shè)備正在向自動(dòng)化、智能化方向發(fā)展，而在設(shè)備運(yùn)行當(dāng)中常常會(huì)因?yàn)樵O(shè)備故障導(dǎo)致事故發(fā)生。保障設(shè)備安全穩(wěn)定運(yùn)行、減少安全隱患是企業(yè)提高經(jīng)濟(jì)效益的根本。

制造業(yè)企業(yè)設(shè)備往往處于工況惡劣、不穩(wěn)定、負(fù)載重、連續(xù)運(yùn)行狀態(tài)，由早期故障發(fā)展而導(dǎo)致惡性事故頻頻，為了消除其故障隱患以避免安全事故發(fā)生，企業(yè)迫切需要新手段、新技術(shù)來實(shí)現(xiàn)故障的早期預(yù)警，防止惡性事故的發(fā)生。

目前設(shè)備狀態(tài)監(jiān)測(cè)及故障預(yù)警若干關(guān)鍵技術(shù)可歸納如下：

（1）揭示設(shè)備運(yùn)行狀態(tài)機(jī)械動(dòng)態(tài)特性劣化演變規(guī)律。設(shè)備由非故障運(yùn)行狀態(tài)劣化為故障運(yùn)行狀態(tài)，其機(jī)械動(dòng)態(tài)特性通常有一個(gè)發(fā)展演變過程。需揭示劣化過程及故障變化演變規(guī)律及發(fā)展特點(diǎn)，分析故障產(chǎn)生機(jī)理、發(fā)展原因和發(fā)展模式，構(gòu)建劣化演變機(jī)械動(dòng)態(tài)特性模型。

（2）提取設(shè)備運(yùn)行狀態(tài)發(fā)展趨勢(shì)特征。在役設(shè)備往往具有復(fù)雜運(yùn)行狀態(tài)，在長(zhǎng)歷程運(yùn)行中工況和負(fù)載等非故障因素會(huì)造成信號(hào)能量變化，故障趨勢(shì)信息往往被非故障變化信息淹沒，需較大程度上消除非故障變化造成的冗余信息，進(jìn)而構(gòu)建預(yù)測(cè)模型。若提取到敏感特征分量因子及模式，有望實(shí)現(xiàn)典型部件及部位分析。

（3）低信噪比微弱信號(hào)特征早期故障的信號(hào)處理。早期故障信息具有明顯的低信噪比微弱信號(hào)的特征，為實(shí)現(xiàn)早期故障有效分析，涉及方法包括：多傳感系統(tǒng)檢測(cè)及信息融合，非平穩(wěn)及非線性信號(hào)處理，故障征兆量和損傷征兆量信號(hào)分析，噪聲規(guī)律與特點(diǎn)分析，以及相關(guān)數(shù)據(jù)挖掘、盲源分離、粗糙集等方法。

（4）故障預(yù)測(cè)模型構(gòu)建。構(gòu)建基于智能信息系統(tǒng)的設(shè)備早期故障預(yù)測(cè)模型，這類模型大致有兩個(gè)途徑，分別是物理信息預(yù)測(cè)模型以及數(shù)據(jù)信息預(yù)測(cè)模型，或構(gòu)建這兩類預(yù)測(cè)模型相融合的預(yù)測(cè)模型。

（5）運(yùn)行狀態(tài)劣化的相關(guān)評(píng)價(jià)參數(shù)、模式及準(zhǔn)則。如表征設(shè)備狀態(tài)發(fā)展的參數(shù)及特征模式，狀態(tài)發(fā)展評(píng)價(jià)準(zhǔn)則及條件，面向安全保障的決策理論方法，穩(wěn)定性、可靠性及維修性評(píng)估依據(jù)及判據(jù)等。

云酷科技的設(shè)備狀態(tài)物聯(lián)網(wǎng)聲學(xué)監(jiān)控系統(tǒng)以音頻數(shù)據(jù)為核心，輔以其他設(shè)備參數(shù)，通過物聯(lián)網(wǎng)技術(shù)實(shí)現(xiàn)設(shè)備狀態(tài)的遠(yuǎn)程感知，基于AI神經(jīng)網(wǎng)絡(luò)技術(shù)，計(jì)算并提取設(shè)備音頻特征，從而實(shí)現(xiàn)設(shè)備運(yùn)行狀態(tài)的實(shí)時(shí)評(píng)估與故障的早期識(shí)別。幫助企業(yè)用戶提升生產(chǎn)效率，保證生產(chǎn)安全，優(yōu)化生產(chǎn)決策。