機械設備故障規律及運行趨勢預測方法綜述

朱慧軍, 楊洪磊

（昆明冶金高等專科學校電氣與機械學院， 云南昆明，650033）

0 引言

現代工業的裝備包括許多中，許多大型的設備都趨于精密化和復雜化發展，為維持機械設備正常的故障運行，工業領域的技術人員對機械設備運行的狀態必須要加強研究。由于機械設備的運行環境相對復雜，零部件的性能會隨著時間的延長而逐漸老化，那么設備就容易發生故障，而且這種故障可能是隨機性的。在機械設備的有效壽命階段，技術人員的維護工作是保障設備安全的有效方法，所以技術人員要探尋機械設備的故障規律，摸索其運行的趨勢，以制定有效的預測辦法。

1 機械設備故障維護技術

基于正常運行狀態下的機械設備故障維護技術又被稱為e-維護，有國外學者將其定義為包括資源和服務在內的先動決策維護支持，其內容包括信息交互技術、網頁技術與無線技術等方面，具有強大的科技性，并且包括以下三個步驟：第一，關于數據信息的獲取，可以得到與機械設備系統運行狀態相關的數據信息；第二，數據處理方面，在步驟一的支持下，對相關信息數據進行分析和判斷，以詮釋數據所代表的含義；第三，提出決策，在處理信息之后可以得到相應的結果，包括故障的預測時間與種類，并制定好針對當前機械設備故障維護的有效策略與方案[1]。

2 機械設備維修過程中數據的獲取

在技術人員對機械設備制定維護決策之前，需要先獲取相關信息，而獲取信息之前的過程，又被稱之為前處理環節。對機械設備的數據獲取需要技術人員從具體的設備中存儲有用的數據，這一步驟是在故障狀態下才能夠完成的，技術人員將采集到的數據進行分類，如事件數據或狀態監測數據兩種形式。其中事件數據所指代的概念是設備以往的維修信息，其中包括零部件的替換與磨損等，發生這些故障的事件原因包括技術人員對機械設備執行的操作信息，如最小維修等操作，而狀態監測數據則包括對機械設備正常運行狀態下的各方面性能檢測，狀態檢測的數據是十分多樣的，且內容較為復雜，如機械設備的動態數據、聲學數據及溫度壓力等等，可以為機械設備的維修提供基礎信息。在獲取事件數據時，通常需要技術人員以人工輸入的方式完成，但這種方式的過程較為繁瑣，而且容易出現誤差，然而這種方式卻是獲取數據過程中不可缺少的一部分內容。在不同設備的不同傳感器中，儲存著不同類型的數據，如微感測器及超聲波傳感器等[2]。就機械設備的系統而言，其復雜程度無法單純依靠某一個傳感器完成數據搜集工作，通常需要多個傳感器之間密切的合作，并且依照足夠的數據來判斷機械設備的故障情況。為使后續的診斷與維修工作具有良好的效果，技術人員需要在多個傳感器中搜集信息，實現多傳感器的信息融合，為故障診斷工作提供依據。關于機械設備的狀態檢測主要包括兩個方面，一方時連續性的檢測，一方面是間斷性的檢測。其中，連續性的檢測是通過機械設備的傳感器進行不間斷的實時檢測裝備完成對信息的搜集，若機械設備在運行中存在故障情況，則能夠及時的啟動報警系統，但這種檢測的方式通常需要投入較高的成本費用，而且連續檢測的方式容易給原始信號帶來錯誤的信息。間斷性的檢測工作在成本方面具有明顯的優勢，也能夠提供準確的故障預報，是現代機械設備故障檢測工作中常用的技術之一。但這種檢測方式也存在一些弊端，即可能會遺漏一些故障的數據。

3 機械設備維修過程中的數據處理

對于機械設備維修過程中的數據處理工作，技術人員可以通過兩個步驟完成。第一，要對數據進行預處理工作，剔除一些錯誤的數據信息，第二，對數據進行合理的分類和歸納，而數據的形式主要可以總結為三類，分別是單值類型的數據分析、波形類型的數據分析與多維類型的數據分析[3]。

3.1 單值類型的數據分析

單值類型的數據分析要通過數據獲取的相關方法得到機械設備的原始數據，之后依據原始數據的處理工作得出特征值。單值類型的數據與其他類型的數據有所不同，其結構相對復雜，而且需要采用多元分析的技術進行處理，如PCA技術就能夠有效的處理單值類型的數據。

3.2 波形類型的數據分析

波形類型的數據分析要通過三種方法，分別是時域分析、頻域分析與時頻分析[4]。

3.2.1 時域分析

目前，在波形類型的數據分析中應用時域分析的方法，一般是通過時間序列模型來完成的，其原理在于將波形類型的數據的匹配參數化時間排列模型中提取特征信息。而自回歸模型與自回歸滑動平均模型是實踐中較為常用的模型，有外國的研究學者利用一個混合模型對機械設備的長期運行狀態進行有效的預測，而其中帶有外源輸入的非線性自回歸模型與自回歸滑動模型。

3.2.2 頻域分析

頻域分析主要指代將時域信號轉換到頻域的方法，這種方法的優勢在于能夠自動分離且識別一些目標頻率的成分，其中最為常見的方法就在于快速傅里葉轉換的頻譜，能夠對整體的頻譜進行檢測。通過快速的傅里葉變換信號，對單個結構化的遺傳算法神經網絡進行訓練，達到對機械設備的故障診斷目標。

3.2.3 時頻分析

3.3 多維類型的數據分析

多維數據的分析一般指代指圖型的數據分析工作，并且在實際的應用工作中，技術人員可以發現，實時檢測機械設備的圖像過于復雜，無法直接用于實踐，那么技術人員就需要從原始的圖像中提取一些有用的信息，所以這種提取信息的方法就非常重要。對圖像等數據的處理可以看作處理波形信號，現代研究學者提出在局域波時頻譜的處理方法，先對壓縮機的振動信號進行處理，得到一些關于局域波時頻的信息，再通過圖像分割技術的應用，對時頻譜的灰度進行分析，利用CPN網絡分類器可以詳細研究并匹配典型故障的相關信息，最終在流程的終端輸出故障類型。

4 機械設備維修過程中故障預測

在設備運行狀態下的維護技術應用中，充分提供決策支持可以促進維修人員所提出決策的科學化。技術人員所開展的機械設備故障診斷工作主要是在故障即將發生或已經發生的情況下，并以探測、分離及辨識等方面進行預測，此時技術人員要對機械設備的原理及構造具備充分的了解。故障預測的工作比故障診斷的工作更加復雜，要在零停機的基礎上完成相關工作，其中較為常見的手段是對機械設備進行維修記錄，并預測下一次可能發生故障的時間或是機械設備的使用壽命。技術人員要通過認真的觀察來得出結論，相關計算的公式可以總結為T ? t | T ＞ t, Z( t )，在其他情況下，機械設備的使用壽命又可以通過E[ T ? t | T ＞ t, Z( t )]來計算。而對機械設備的預測方法則包括統計方法、人工智能方法與模型方法三種。

4.1 統計方法

統計方法就是通過數據信息的累積，運用數理統計來推斷和預測，再分析樣本與總體之間的關系。通過測量與描述的方法，可以再現零件特性的變化，建立起良好的設備監控數學模型，并達到預防故障發生的目的。

4.2 人工智能方法

人工智能技術在機械設備故障診斷中的應用具有一定的優勢，如人工神經網絡與模糊神經網絡等技術，都可在機械設備得到良好的應用。如在數控加工設備中的切屑形成過程的監控，就可以在實時的智能監控平臺中模仿真實的動態模型，建立起神經網絡系統的模型，之后采用動態化的小波神經網絡預測故障。

4.3 模型方法

模型預測的方法需要借助相關機械設備來完成專業的預測工作，建立起有效的數學模型，并在故障預測的方面利用狀態空間模型預測機械設備的各方面性能。該方法在渦輪機設備的性能檢測中十分受用，這些概率的方法可以支持向量機開展故障預測工作。

5 結束語

在設備的狀態維護工作中，故障預測技術是機械設備故障診斷和運行趨勢的預測方法，經過后期的決策機制可以鞏固高效維護工作的基礎，在獲取數據與處理數據兩個部分調整核心內容，并針對數理統計與人工智能模型多個方面達到理想的工作狀態。