新一代电机预测性维护与传统状态监测、故障诊断是一回事儿吗？

新一代电机预测性维护与传统状态监测、故障诊断是一回事儿吗？

工业领域设备智能管理运维被视为重要的应用场景，万物互联时代已经到来。

设备管理理念逐渐丰富完善，从早期的事后维修，到事前的预防性维护，再到现在的预测性维护；管理手段也丰富多样，早期的离线点检、巡逻到现在的在线远程监控、在线故障分析诊断；

早期依靠经验，需要设备专家作出复杂分析判断，到现在依靠数据智能，自动输出分析结果。

比如状态监测、故障诊断、预测性维护，让人容易混淆，各自区别在哪里呢？

状态监测，是指对机器状态参数（如温度、振动等）进行采集，直接根据参数阀值变化（比如电机振动是否过高而超标）判断机器是否有异常；

故障诊断是判断设备故障出现的位置、设备故障类型和引起设备故障的原因；

预测性维护是采集状态参数基础上，通过对采集到的设备状态参数深入分析，进而提前及早的发现设备异常，并判断当前到设备失效（设备状态出现明显偏差，带来明显损失）的时间间隔，从而采取及时维护措施提前干预；

拿人的身体健康状态作个不太恰当的类比，状态监测有点类似监测人的血压是否过高，心跳是否过快等，故障诊断有点儿像给病人看病，找出病症和病因，而预测性维护类似对人的心跳数据采集后预测心跳是否有疾病，同时未病先治！

传统的状态监测和故障诊断，主要针对大型旋转设备，也包括大型电机，通过有线方式采集电机的振动等数据，将现场原始数据远程同步到监测中心，通过监测针对阀值判断电机是否出现故障 ，进一步通过专家经验分析故障。这样做有不小的局限性：首先，传统的有线采集无论是硬件成本和现场的安装部署成本都很高；其次，将现场原始数据远程同步到监测中心，是很消耗流量的，数据存储压力也很大；再次，通过阀值预警，本身就存在漏报的情况；最后 ，人工经验判断对人的依赖性大，难以普及。

而近些年提供的预测性维护，广泛借用物联网、人工智能、边缘计算等技术，通过MEMS、无线方式采集数据，在边缘端通过算法将原始数据清洗和预处理，云端智能算法建模，提前预判设备故障，同时专家系统部分替代工经验，整套方案具有轻量化和性价比优势，能在更多更广泛的工业场合应用，使设备生产商、设备服务商以及设备运营商不同程度受益。

同时，预测维护的商业模式上，采用SAAS模式，和客户不是一锤子专卖，对客户更加友好，可以说预测维护和传统的状态监测、故障诊断更像是不同的特种。科威公司的一款LDT-DJ20系列电机故障检测仪也能满足故障电机故障的分析检测。