現代化生產企業趨向大型化、自動化和連續化，人們對設備的要求越來越高。但是由于設備故障引發的重大災難性事故屢見不鮮，不僅經濟損失慘重，還帶來嚴重的政治影響。國內外化工、石化、電力、鋼鐵和航空等部門，從許多大型設備故障和事故中逐漸認識到開展設備故障診斷的重要性。管理好用好這些大型設備，使其安全、可靠地運行，成為設備管理中的突出任務。

設備故障診斷首先要獲取設備運行中各種狀態信息，如：振動、聲音、變形、位移、應力、裂紋、磨損、溫度、壓力、流量、電流、轉速、轉矩、功率等各種參數。聲音設備在線監測診斷技術是設備狀態監測與故障診斷的重要手段?，F實中,設備正常運轉時間比發生故障的時間要多，在系統實施初期先從采集正常聲音進行分析，經過特征提取及模型訓練，完成正常特征庫的建立。

當系統正式開始上線使用后，當新的聲音信號進入系統后，與訓練好的正常特征庫進行比對，符合正常特征則識別為設備正常。如果不合符正常特征，則識別為設備異常，提供異常報警。現場人員需要進行聲音標記，標記正常則進入正常模型庫進行再次訓練，標記故障則進入故障模型進行故障特征訓練。

后期隨著系統的不斷使用，系統會累積一定的故障模型，當有同類型故障發生時則系統自動識別為故障，并給予故障報警提示。

聲音設備狀態監測系統創新點：

1.利用物聯網技術進行設備狀態監測。基于物聯網傳感器的設備監測系統實現對設備運行狀態的遠程監測，提高設備運行的可靠性。

2、利用聲音對設備故障告警和診斷。到目前為止，發電行業的設備故障告警與診斷多數以振動監測為主。本系統將設備聲音作為設備故障預警與診斷的主要依據，與振動監測相比靈敏度更高，可遠程監聽，適應性廣，作用更大。

3、使用機器學習和深度學習相結合技術作為分析工具。目前已有的設備故障告警與診斷系統大多采用傳統的機器學習模式，不能適應不斷變化的生產環境，適應性不強。本系統采用機器學習技術，具有模型自主學習，自完善的能力，異常識別更加精準，提高設備穩定運行。