伺服驱动电机在线监测与预测性维护

伺服电机是自动化产线的“关节”，其故障往往先以电流与振动信号中的微弱特征显现。团队沿“数字信号处理 + 专家规则 + 机器学习增强”的技术路线，从电机电流特征分析（Motor Current Signature Analysis，MCSA）起步，融合故障机理经验与强泛化分类器，实现电机在线监测与预测性维护，并正向大模型检索增强与表示学习的新一代诊断范式演进。该技术体系已服务数千台电机、覆盖数百个电机型号，在纸业、风电、PCB、精密成型等多个行业的产线现场规模化应用。

伺服电机 MCSA电流分析在线监测预测性维护

项目概述

伺服电机是自动化产线的“关节”，但复杂工业现场跨设备、跨工况的信号差异，常让纯深度学习方法失效。本项目坚持“数字信号处理 + 专家经验 + 机器学习”的工程化路线，用电流与振动信号读懂电机健康状态，把维护从“坏了修”变成“提前换”——同一套方法论已服务数千台电机、覆盖数百个型号，在纸业、风电、PCB 等多个行业现场规模化运行。

研究目标

基于 MCSA 与振动分析的电机状态多参量在线监测

故障机理经验的规则化与精准特征体系构建

强泛化分类器与增量学习支撑的跨设备、跨工况诊断

大模型检索增强与表示学习的新一代诊断范式探索

研究方法

以电流/电压信号解调与振动时频分析提取故障特征频率及其谐波、边频带趋势；将专家经验固化为判定规则与机理特征体系，输入强泛化机器学习分类器并结合渐进式增量学习；在研工作进一步引入大模型检索增强与表示学习，实现诊断知识的沉淀与跨场景复用。

技术路线

1
让算法“读懂”电流与振动信号
以电机电流特征分析（MCSA）与振动分析为基础：通过电流/电压信号解调估计转速、提取包络谱，识别故障特征频率、边频带与谐波幅值趋势——不停机、少加装传感器，即可洞察电机内部健康状态。
2
把老师傅的经验写成判定规则
将故障机理经验整理为特征频率判定规则与精准机理特征体系（如面向轴承损伤、松动、异常摩擦、润滑不良等故障的 17 维特征），化繁为简，兼顾诊断精度与工业级平台的实时性要求。
3
机器学习分类器接棒，越用越强
机理特征输入强泛化机器学习分类器，结合渐进式增量学习适配跨设备、跨工况场景——在纯深度学习方法普遍失效的复杂工业现场，保持高诊断率与结论可解释。
4
迈向检索增强与表示学习（在研）
与合作团队联合推进大模型检索增强诊断与电机信号通用表示学习，把分散在各场景的诊断经验沉淀为可检索、可复用的智能资产。