机械设备故障规律及运行趋势预测方法综述

朱慧军, 杨洪磊

（昆明冶金高等专科学校电气与机械学院， 云南昆明，650033）

0 引言

现代工业的装备包括许多中，许多大型的设备都趋于精密化和复杂化发展，为维持机械设备正常的故障运行，工业领域的技术人员对机械设备运行的状态必须要加强研究。由于机械设备的运行环境相对复杂，零部件的性能会随着时间的延长而逐渐老化，那么设备就容易发生故障，而且这种故障可能是随机性的。在机械设备的有效寿命阶段，技术人员的维护工作是保障设备安全的有效方法，所以技术人员要探寻机械设备的故障规律，摸索其运行的趋势，以制定有效的预测办法。

1 机械设备故障维护技术

基于正常运行状态下的机械设备故障维护技术又被称为e-维护，有国外学者将其定义为包括资源和服务在内的先动决策维护支持，其内容包括信息交互技术、网页技术与无线技术等方面，具有强大的科技性，并且包括以下三个步骤：第一，关于数据信息的获取，可以得到与机械设备系统运行状态相关的数据信息；第二，数据处理方面，在步骤一的支持下，对相关信息数据进行分析和判断，以诠释数据所代表的含义；第三，提出决策，在处理信息之后可以得到相应的结果，包括故障的预测时间与种类，并制定好针对当前机械设备故障维护的有效策略与方案[1]。

2 机械设备维修过程中数据的获取

在技术人员对机械设备制定维护决策之前，需要先获取相关信息，而获取信息之前的过程，又被称之为前处理环节。对机械设备的数据获取需要技术人员从具体的设备中存储有用的数据，这一步骤是在故障状态下才能够完成的，技术人员将采集到的数据进行分类，如事件数据或状态监测数据两种形式。其中事件数据所指代的概念是设备以往的维修信息，其中包括零部件的替换与磨损等，发生这些故障的事件原因包括技术人员对机械设备执行的操作信息，如最小维修等操作，而状态监测数据则包括对机械设备正常运行状态下的各方面性能检测，状态检测的数据是十分多样的，且内容较为复杂，如机械设备的动态数据、声学数据及温度压力等等，可以为机械设备的维修提供基础信息。在获取事件数据时，通常需要技术人员以人工输入的方式完成，但这种方式的过程较为繁琐，而且容易出现误差，然而这种方式却是获取数据过程中不可缺少的一部分内容。在不同设备的不同传感器中，储存着不同类型的数据，如微感测器及超声波传感器等[2]。就机械设备的系统而言，其复杂程度无法单纯依靠某一个传感器完成数据搜集工作，通常需要多个传感器之间密切的合作，并且依照足够的数据来判断机械设备的故障情况。为使后续的诊断与维修工作具有良好的效果，技术人员需要在多个传感器中搜集信息，实现多传感器的信息融合，为故障诊断工作提供依据。关于机械设备的状态检测主要包括两个方面，一方时连续性的检测，一方面是间断性的检测。其中，连续性的检测是通过机械设备的传感器进行不间断的实时检测装备完成对信息的搜集，若机械设备在运行中存在故障情况，则能够及时的启动报警系统，但这种检测的方式通常需要投入较高的成本费用，而且连续检测的方式容易给原始信号带来错误的信息。间断性的检测工作在成本方面具有明显的优势，也能够提供准确的故障预报，是现代机械设备故障检测工作中常用的技术之一。但这种检测方式也存在一些弊端，即可能会遗漏一些故障的数据。

3 机械设备维修过程中的数据处理

对于机械设备维修过程中的数据处理工作，技术人员可以通过两个步骤完成。第一，要对数据进行预处理工作，剔除一些错误的数据信息，第二，对数据进行合理的分类和归纳，而数据的形式主要可以总结为三类，分别是单值类型的数据分析、波形类型的数据分析与多维类型的数据分析[3]。

3.1 单值类型的数据分析

单值类型的数据分析要通过数据获取的相关方法得到机械设备的原始数据，之后依据原始数据的处理工作得出特征值。单值类型的数据与其他类型的数据有所不同，其结构相对复杂，而且需要采用多元分析的技术进行处理，如PCA技术就能够有效的处理单值类型的数据。

3.2 波形类型的数据分析

波形类型的数据分析要通过三种方法，分别是时域分析、频域分析与时频分析[4]。

3.2.1 时域分析

目前，在波形类型的数据分析中应用时域分析的方法，一般是通过时间序列模型来完成的，其原理在于将波形类型的数据的匹配参数化时间排列模型中提取特征信息。而自回归模型与自回归滑动平均模型是实践中较为常用的模型，有外国的研究学者利用一个混合模型对机械设备的长期运行状态进行有效的预测，而其中带有外源输入的非线性自回归模型与自回归滑动模型。

3.2.2 频域分析

频域分析主要指代将时域信号转换到频域的方法，这种方法的优势在于能够自动分离且识别一些目标频率的成分，其中最为常见的方法就在于快速傅里叶转换的频谱，能够对整体的频谱进行检测。通过快速的傅里叶变换信号，对单个结构化的遗传算法神经网络进行训练，达到对机械设备的故障诊断目标。

3.2.3 时频分析

3.3 多维类型的数据分析

多维数据的分析一般指代指图型的数据分析工作，并且在实际的应用工作中，技术人员可以发现，实时检测机械设备的图像过于复杂，无法直接用于实践，那么技术人员就需要从原始的图像中提取一些有用的信息，所以这种提取信息的方法就非常重要。对图像等数据的处理可以看作处理波形信号，现代研究学者提出在局域波时频谱的处理方法，先对压缩机的振动信号进行处理，得到一些关于局域波时频的信息，再通过图像分割技术的应用，对时频谱的灰度进行分析，利用CPN网络分类器可以详细研究并匹配典型故障的相关信息，最终在流程的终端输出故障类型。

4 机械设备维修过程中故障预测

在设备运行状态下的维护技术应用中，充分提供决策支持可以促进维修人员所提出决策的科学化。技术人员所开展的机械设备故障诊断工作主要是在故障即将发生或已经发生的情况下，并以探测、分离及辨识等方面进行预测，此时技术人员要对机械设备的原理及构造具备充分的了解。故障预测的工作比故障诊断的工作更加复杂，要在零停机的基础上完成相关工作，其中较为常见的手段是对机械设备进行维修记录，并预测下一次可能发生故障的时间或是机械设备的使用寿命。技术人员要通过认真的观察来得出结论，相关计算的公式可以总结为T − t | T ＞ t, Z( t )，在其他情况下，机械设备的使用寿命又可以通过E[ T − t | T ＞ t, Z( t )]来计算。而对机械设备的预测方法则包括统计方法、人工智能方法与模型方法三种。

4.1 统计方法

统计方法就是通过数据信息的累积，运用数理统计来推断和预测，再分析样本与总体之间的关系。通过测量与描述的方法，可以再现零件特性的变化，建立起良好的设备监控数学模型，并达到预防故障发生的目的。

4.2 人工智能方法

人工智能技术在机械设备故障诊断中的应用具有一定的优势，如人工神经网络与模糊神经网络等技术，都可在机械设备得到良好的应用。如在数控加工设备中的切屑形成过程的监控，就可以在实时的智能监控平台中模仿真实的动态模型，建立起神经网络系统的模型，之后采用动态化的小波神经网络预测故障。

4.3 模型方法

模型预测的方法需要借助相关机械设备来完成专业的预测工作，建立起有效的数学模型，并在故障预测的方面利用状态空间模型预测机械设备的各方面性能。该方法在涡轮机设备的性能检测中十分受用，这些概率的方法可以支持向量机开展故障预测工作。

5 结束语

在设备的状态维护工作中，故障预测技术是机械设备故障诊断和运行趋势的预测方法，经过后期的决策机制可以巩固高效维护工作的基础，在获取数据与处理数据两个部分调整核心内容，并针对数理统计与人工智能模型多个方面达到理想的工作状态。