温度信号依然是秒级采集。我们知道，电机系统具有一定的热容。对于这种压缩机系统的电机，其体积相对较大，因此热容也较大，温度的变化不可能是秒级突变的。因此对于温度信号而言，秒级采集实际上是过采样状态，每次采样中除了数据本身的变化，更多来源是测量误差等信息。这些信息实际上是数据分析中的干扰信息，应该进行后续处理。
第四，对于众多电机健康参数，由于具备了过去若干年的长时间数据积累，因此可以进行一定的趋势分析。
一、该系统测点布置比较全面，可以进行一定的状态监测。二、系统中由于采样的问题，无法进行振动频域分析。无法定位轴承的内圈特征、外圈特征、滚动体特征、保持架特征等特征信息。三、系统中的振动和温度信号可以进行一定的趋势分析和研究。在这种情况下，工业工程师们的常用方法是对系统的振动、温度进行综合的趋势监控，参考一些行业标准进行阈值报警。
这种操作理论上可解，但在工程实际中依然遇到很多麻烦。包括：第一、温度标准的适用性问题：很多标准指定得十分宽泛，并不适用于具体工况。实际上每一台电机轴承应该运行在什么温度区间，工程实际中经常使用经验，例如：标准规定的阈值是95℃，然而该电机过去一直是60℃，现在突然到80℃，即判定为故障。但这种经验的可靠性往往受到质疑，因为当前工况和经验工况不一定一致。这个问题从电机工程师的角度只能反复积累、反复修正，十分困难。
第二、振动信号的标准相对明确，可以参考标准，但依然存在电机个体差异的问题。如何能提早发现问题？工程师通常的做法是降低阈值，但会有误报警和漏报警的困扰，很难定义合适的限值。
第三、温度传感器和振动传感器的自身误差和故障带来的数据影响也实际存在。尤其是当我们试图将分析和判断交给机器自动运行的时候，干扰十分显著，而工程实际中也无法派工程师进行秒级的判断。
第四、数据质量问题。资料里写的设备运行“浴盆曲线”是这样的：
实际的数据是这样的：
面对这样的数据，应该如何处理，是工程师进行后续分析的一个重要挑战。
以上是电机工程师用传统方法进行电机轴承状态监测时遇到的困难，当大数据和人工智能技术应用到这个场景下，会发生什么样的“化学反应”呢？下一篇文章，和我们的数据科学家一起，先从数据角度，分析这个故障诊断系统应该如何处理和实施。
