在传统工业领域，当遇到一个高发故障或常见问题，工程师们往往会翻阅业界资料，或习惯向已经积累多年实践经验的老师傅请教。
而随着大数据、人工智能技术的出现，工程师们有了更多的技术工具和手段。但是在过去很长一段时间内，他们就像一派结构主义者，在工程实际中，对传统技术与新兴技术的认知，难免有中心和边缘的对立；而与此同时，深耕工业的数据科学家也在想尽办法证明数据的重要性，尝试用数据证实或证伪。
经过多年的交互磨合，这批工业数智先锋中慢慢出现解构主义思想，任何一种技术都有其局限性和适用性，如何能将先验知识与数据科学统筹兼顾到一个可以工程化实现的路径上，去准确把握和重新释放一个最接近于原始的踪迹？
从本篇文章开始，K2电机专家与数据科学家，以一个工程实例作为对象，为读者详细介绍“基于振动和温度信息的电机轴承健康状态智能监测”这一主题下，不同思维与解法之间的碰撞与融合。
让我们从具体的实例开始：
某工厂有若干台电机，工作于某压缩机系统。此工厂前期进行了数字化改造，完整地收集了电机以及相关子设备的信息，其中包括：电机的振动（径向水平、径向垂直、轴向）、温度信息（绕组温度、轴承温度）、功率、电压、电流等诸多信息，以秒级的频率上传并存储在系统里。
该压缩机系统已经无故障运行将近十年，目前状态是工程师耗用大量人力，人工监测设备的关键参数，人工进行故障诊断。为保障诊断精度，工厂每个月还会邀请外部设备维护公司进行电机状态的健康评估与故障诊断。
轴承是电机的重要机械零部件，在电机中既需要承担负荷又需要在自身内部实现旋转。这就造成了轴承是电机设备故障的高发部件。因此，对轴承健康状态的监测是电机机械系统自身健康状态监测和评估的重要组成部分。
我们的课题是，如何实现对电机轴承健康状态的自动监测和评估？
首先，现有系统中，最常用的电机轴承状态监测参数中的振动信息、温度信号已经存在。而噪声信号，由于其干扰大，不方便分析，在工程实际中的使用不如前两者广泛。因此，该系统噪声信号缺失，不会对监测评估造成太大影响。此外，系统中附加了电机的电参数（功率，电流，电压）等信息，都可以间接帮助工程师进行评估。
第二，此系统的测点布置基本合理，电机对驱动端和非驱动端分别布置了轴向、径向水平、径向垂直等测点，温度信息包含了轴承温度和绕组温度，采集相对比较全面。
第三，所有信号按照秒级采集。这台电机的同步转速是1500rpm。根据采样定理，转速基频是25Hz，也就是说，对基频振动特征信息进行分析，必须具备50Hz以上的采样率。对于轴承而言，轴承的滚动体缺陷频率、滚道缺陷频率、保持架缺陷频率均高于转速基频，如果需要收集其特征频率，则需要至少2倍于特征频率的采样率。因此，振动信号目前是欠采样状态，想通过频域特征频率的特征比对进行故障诊断的思路，在这里无法实现。
