机械故障诊断概述文档格式.docx

机械故障诊断概述文档格式.docx

《机械故障诊断概述文档格式.docx》由会员分享，可在线阅读，更多相关《机械故障诊断概述文档格式.docx（7页珍藏版）》请在冰豆网上搜索。

并且随着计算机技术及数字信号处理技术的迅速发展，机械设备振动监测与故障诊断技术被广泛应用于电力、石油化工、冶金等行业的大型、高速旋转机械中。

目前这种技术己成为设备现代化管理和提高企业综合效益的技术基础。

国内外实践表明，以振动监测与故障诊断技术为基础的设备预知维修能节省大量的维修费用，取得显著的经济效益，而且还能保证设备的安全运行，预防和减少恶性事故的发生，消除故障隐患，保障人身和设备安全，提高生产率。

开展机械设备故障机理及诊断技术的研究具有重要的现实意义。

2机械故障诊断介绍

2.1机械故障诊断的含义

所谓机械故障诊断，就是通过机械运行中的相关信息来识别其技术状态是否正常，确定故障的性质与部位，寻找故障起因，预报故障趋势，并提出相应对策；

它以故障机理和技术检测为基础，以信号处理和模式识别为其基本理论与方法。

其目的是避免故障的发生,最大限度地提高机械的使用效率[1]。

2.2机械故障诊断的研究内容

一般的机械系统故障诊断系统从物理上划分为机械测量、监视与保护、数据采集、振动状态分析、网络数据传输五个部分；

从功能上，机械系统状态监测与故障诊断系统主要包括以下三个基本环节：

（1）特征信号的采集：

这一过程属于准备阶段，主要用一些仪器测取被测仪器的有关特征值，如速度、温度、噪声、压力、流量等。

现在信号采集主要用传感器，在这一阶段主要研究基于各种原理的传感技术，目标是能在各种环境中得到高可靠、高稳定的传感测试信号。

国内传感器类型：

电涡流传感器、速度传感器、加速度传感器和温度传感器等；

最近开发的传感技术有光导纤维、激光、声发射等。

（2）信号的提取与处理：

从采集到的信号中提取与设备故障有关的特征信息，与正常信息值进行对比，这一步就可称之为状态检测。

目前，小波分析在这方面得到了广泛的应用，尤其是在旋转机械的轴承故障诊断中[2]。

基于相空间重构的GMDH数据处理方法也刚刚开始研究，此方法对处理一些复杂机械的非线性振动，从而进一步预测故障的发展趋势非常有效。

（3）判断故障种类：

从上一步的结果中运用各种经验和知识，对设备的状态进行识别，进而做出维修决策。

这一步关键是研究系统参数识别和诊断中相关的使用技术，探讨多传感器优化配置问题，发展信息融合技术、模糊诊断、神经网络、小波变换、专家系统等在设备故障诊断中的应用。

就机械故障诊断技术的起源与发展考察，机械故障诊断学的目的,是保证可靠地、有效地发挥机械设备的功能。

这里包含了三点:

一是保证设备无故障，运行可靠；

二是要物尽其用，保证设备发挥其最大效益；

三是要保证设备如果有故障或已发生故障，能及时而正确地诊断出来，加以维修，以减少维修时间，提高维修质量，使重要的设备能按设备状态进行维修（即视情维修或预知维修），改变目前的按时维修的维修体制。

同机械故障诊断学的目的相应，其最根本的任务就是通过对机械设备的观测信号，来识别机械设备的状态，在一定程度上也可以说,机械设备诊断学就是机械设备状态识别学。

概括讲来，如同对人体的诊断，一是预防与保健；

二是看病与处置一样。

对机械设备的诊断:

一是防患于未然，早期诊断；

二是诊断故障，分析情况，采取措施。

2.3故障诊断技术的发展历程

故障诊断技术大致经历了三个阶段：

（1）事后维修阶段；

（2）预防维修阶段；

（3）预知维修阶段。

现在基本处于预知维修阶段，预知维修的关键在于对设备运行状态进行连续监测或周期检测，提取特征信号，通过对历史数据的分析来预测设备的发展趋势。

3机械故障诊断技术的现状

3.1主要研究现状

目前，国内检测诊断技术的研究主要集中在以下几个方面：

（1）传感技术研究：

传感技术是反映设备状态参数的仪表技术。

国内先后开发了各种类型的传感器，如屯涡流传感器、速度传感器、加速度传感器和温度传感器等；

（2）关于信号分析与处理技术的研究：

从传统的谱分析时序分析和时域分析，开始引入了一些先进的信号分析手段，如快速傅立叶变换，Wigner谱分析和小波变换等。

这类新方法的引入弥补了传统分析方法的不足。

（3）关于人工智能和专家系统的研究：

这方面的研究已成为诊断技术的发展主流，目前已有“日程机械故障诊断专家系统”，但这一技术在工程方面的研究尚未达到人们所期望的水平。

（4）关于神经网络的研究：

比如旋转机械神经网络分类系统等的研究已经取得了应用，取得了满意的效果。

（5）关于诊断系统的开发与研究：

从单机巡检与诊断到上下位机式的主从机结构，直至以网络为基础的分布式系统的结构越来越复杂，实时性越来越高。

（6）专门化与便携式诊断仪器和设备的研制与开发。

3.2主要技术方法现状

根据系统采用的特征描述和决策方法,故障检测诊断的方法概括起来分为：

基于系统数学模型的故障诊断方法和基于非模型的故障诊断方法两大类。

3.2.1基于系统数学模型的故障诊断方法

基于模型的故障检测诊断技术是通过构造观测器估计出系统输出，然后将它与输出的测量值比较，从中取得故障信息。

该方法能与控制系统紧密结合，是监控、容错控制、系统修复和重构的前提；

是以现代控制理论和现代优化方法为指导，以系统的数学模型为基础，利用观测器（组）、等价空间方程、滤波器、参数模型估计和辨识等方法产生残差，然后基于某种准则或阈值对该残差进行评价和决策。

3.2.2基于非模型的故障诊断方法

（1）基于可测信号处理的故障诊断方法。

系统的输出在幅值、相位、频率及相关性上与故障源存在着某种关系，利用这种关系可确定系统的故障。

常用的方法有谱分析、相关分析、功率谱分析和概率密度法。

（2）基于故障诊断专家系统的诊断方法。

专家系统是近年来故障诊断领域最显著的成就之一，内容包括诊断知识的表达、诊断推理方法、不确定性推理以及诊断知识的获取等。

随着计算机科学和人工智能的发展，基于专家系统的故障诊断方法克服了基于模型的故障诊断方法对模型的过分依赖性，成为故障检测的有效方法。

（3）故障模式识别的故障诊断方法。

这是一种静态故障诊断方法，它以模式识别技术为基础，其关键是故障模式特征量的选取和提取。

该方法分为离线分析和在线分析两个阶段。

通过离线分析来确定表达系统故障状态的特征向量集和以该特征向量集所描述的故障模式向量，由此形成故障的基准模式集，并确定区分识别这些故障模式向量的判别函数，然后通过在线诊断实时提取故障的特征向量，由判别函数对故障进行分离定位。

（4）基于故障树的故障诊断方法。

故障树是表示系统或设备特定事件或不希望事件与它的各子系统或各部件故障事件之间的逻辑结构图，通过结构图对系统故障形成的原因做出总体至部分按树状逐渐地详细划分[3]。

这是一种图形演绎法，把系统故障与导致该故障的各种因素形象地绘成故障图表，较直观地反映故障、元部件、系统及因素、原因之间的相互关系，也能定量计算故障程度、概率和原因等。

（5）基于模糊数学的故障诊断方法。

根据模糊集合论征兆空间与故障状态空间的某种映射关系,由征兆来诊断故障。

由于模糊集合论尚未成熟，通常只能凭经验和大量试验来确定。

另外因系统本身不确定的和模糊的信息，以及要对每一个征兆和特征参数确定其上下限和合适的隶属度函数，而使其应用有局限性。

但随着模糊集合论的完善，相信该方法有较光明的前景。

（6）基于人工神经网络的故障诊断方法。

这是20世纪80年代末90年代初才真正具有实用性的一种故障诊断方法。

由于神经网络具有原则上容错、结构拓扑鲁棒、联想、推测、记忆、自适应、自学习、并行和处理复杂模式的功能，使其在工程实际存在着大量的多故障、多过程、突发性故障、庞大复杂机器和系统的监测及诊断中发挥较大作用。

4机械设备检测诊断技术的发展趋势

机械故障诊断技术与当代前沿科学的融合是设备故障诊断技术的发展方向。

当今故障诊断技术的发展趋势是传感器的精密化、多维化，诊断理论、诊断模型的多元化，诊断技术的智能化，具体来说表现在如下方面：

（1）与当代最新传感技术尤其是激光测试技术的融合。

近年来，激光技术已从军事、医疗、机械加工等领域深入发展到振动测量和设备故障诊断中，并且己经成功应用于旋转机械对中等方面。

研究开发新型传感器和监测仪器，提高监测技术水平；

选择最有效的参量是提高诊断准确性的前提，高效多功能仪器对诊断设备的几何量、物理量快速准确的检测与识别是研究故障诊断的基础工作。

（2）与最新信号处理方法相融合，开展基于小波分析的故障诊断技术研究。

小波分析是一种全新的信号-尺度分析方法,其分析基函数是一系列尺度可变的简谐函数，具有良好的时-频定性特性以及对信号的自适应能力[4]。

机械设备故障诊断中由于设备零件结构不同，产生的信号中含有大量的非平稳成分，利用小波分析可把不同频率信号分解到不同频道的分解序列，从而为故障特征的提取而提供理论依据，由于它具有时域和频域局部化分析功能和可变分辨率的特点，使之在分析瞬变信号时比傅立叶分析更具优越性。

（3）与非线性原理和方法及多元传感技术的融合。

现代化大生产要求对设备进行全方位、多角度的监测与维护，以便对设备的运行状态有整体的、全方面的了解；

在进行设备故障检测诊断时，可采用多个传感器同时对设备的各个位置进行监测，然后按照一定的方法对这些信息进行处理。

机械设备在发生故障时，又往往表现为非线性特征，随着混沌与分型几何方法的日趋完善，这类问题也必将得到进一步解决。

（4）与多元传感技术的融合。

现代化大生产要求对设备进行全方位、多角度的监测与维护，以便对设备的运行状态有整体的、全方面的了解。

因此，在进行设备故障诊断时，可采川多个传感器同时对设备的各个位置进行监测，然后按照一定的方法对这些信息进行处理，如人工神经网络方法。

（5）远程化、网络化。

设备故障诊断系统是针对一台或同类型的某几台设备开发的专用系统，使用效率低，故障诊断知识、技术与信息不易共享，导致其开发和维护费用过高；

工程实际中诊断规则的收集不够全面，收集也困难，造成故障诊断系统中的诊断规则普遍很少，系统诊断能力低；

当系统出现严重或新的故障时，无法快速、经济地利用各方技术力量解决问题。

随着网络技术的发展，实现多专家与多系统的共同诊断，一种有效的解决途径就是建立基于网络的远程故障诊断与监测系统[5]。

网络化的远程设备故障诊断系统中储存了多种设备的故障诊断知识和经验，可响应不同监测现场用户的使用要求，不同的监测现场可以与同一个诊断中心建立联系。

（6）与现代智能方法的融合。

现代智能技术包括专家系统、模糊逻辑、神经网络、进化计算等。

现代智能方法在设备故障诊断技术中己得到了广泛的应用，随着智能科技的不断发展，设备状态的智能监测和故障诊断将是故障诊断技术的最终目标。

5人工智能在机械故障诊断中的应用方向

传统的诊断方法和理论对单过程、单故障和渐发性故障的简单系统可以发挥较好的作用，但对于多过程、多故障和突发性故障以及复杂庞大、高度自动化的大型设备和系统，例如汽轮发动机组等，就具有较大的局限性。

当前，典型的机电一体化产品——数控机床、交流伺服驱动装置等正在向数字化、小型化、高精度等方向发展，为监控带来新的挑战，由于模糊神经网络控制不依赖控制对象和数学模型，具有较