機(jī)械設(shè)備故障規(guī)律及運(yùn)行趨勢(shì)預(yù)測(cè)方法綜述

朱慧軍, 楊洪磊

（昆明冶金高等專(zhuān)科學(xué)校電氣與機(jī)械學(xué)院， 云南昆明，650033）

0 引言

現(xiàn)代工業(yè)的裝備包括許多中，許多大型的設(shè)備都趨于精密化和復(fù)雜化發(fā)展，為維持機(jī)械設(shè)備正常的故障運(yùn)行，工業(yè)領(lǐng)域的技術(shù)人員對(duì)機(jī)械設(shè)備運(yùn)行的狀態(tài)必須要加強(qiáng)研究。由于機(jī)械設(shè)備的運(yùn)行環(huán)境相對(duì)復(fù)雜，零部件的性能會(huì)隨著時(shí)間的延長(zhǎng)而逐漸老化，那么設(shè)備就容易發(fā)生故障，而且這種故障可能是隨機(jī)性的。在機(jī)械設(shè)備的有效壽命階段，技術(shù)人員的維護(hù)工作是保障設(shè)備安全的有效方法，所以技術(shù)人員要探尋機(jī)械設(shè)備的故障規(guī)律，摸索其運(yùn)行的趨勢(shì)，以制定有效的預(yù)測(cè)辦法。

1 機(jī)械設(shè)備故障維護(hù)技術(shù)

基于正常運(yùn)行狀態(tài)下的機(jī)械設(shè)備故障維護(hù)技術(shù)又被稱(chēng)為e-維護(hù)，有國(guó)外學(xué)者將其定義為包括資源和服務(wù)在內(nèi)的先動(dòng)決策維護(hù)支持，其內(nèi)容包括信息交互技術(shù)、網(wǎng)頁(yè)技術(shù)與無(wú)線技術(shù)等方面，具有強(qiáng)大的科技性，并且包括以下三個(gè)步驟：第一，關(guān)于數(shù)據(jù)信息的獲取，可以得到與機(jī)械設(shè)備系統(tǒng)運(yùn)行狀態(tài)相關(guān)的數(shù)據(jù)信息；第二，數(shù)據(jù)處理方面，在步驟一的支持下，對(duì)相關(guān)信息數(shù)據(jù)進(jìn)行分析和判斷，以詮釋數(shù)據(jù)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(yīng)的結(jié)果，包括故障的預(yù)測(cè)時(shí)間與種類(lèi)，并制定好針對(duì)當(dāng)前機(jī)械設(shè)備故障維護(hù)的有效策略與方案[1]。

2 機(jī)械設(shè)備維修過(guò)程中數(shù)據(jù)的獲取

在技術(shù)人員對(duì)機(jī)械設(shè)備制定維護(hù)決策之前，需要先獲取相關(guān)信息，而獲取信息之前的過(guò)程，又被稱(chēng)之為前處理環(huán)節(jié)。對(duì)機(jī)械設(shè)備的數(shù)據(jù)獲取需要技術(shù)人員從具體的設(shè)備中存儲(chǔ)有用的數(shù)據(jù)，這一步驟是在故障狀態(tài)下才能夠完成的，技術(shù)人員將采集到的數(shù)據(jù)進(jìn)行分類(lèi)，如事件數(shù)據(jù)或狀態(tài)監(jiān)測(cè)數(shù)據(jù)兩種形式。其中事件數(shù)據(jù)所指代的概念是設(shè)備以往的維修信息，其中包括零部件的替換與磨損等，發(fā)生這些故障的事件原因包括技術(shù)人員對(duì)機(jī)械設(shè)備執(zhí)行的操作信息，如最小維修等操作，而狀態(tài)監(jiān)測(cè)數(shù)據(jù)則包括對(duì)機(jī)械設(shè)備正常運(yùn)行狀態(tài)下的各方面性能檢測(cè)，狀態(tài)檢測(cè)的數(shù)據(jù)是十分多樣的，且內(nèi)容較為復(fù)雜，如機(jī)械設(shè)備的動(dòng)態(tài)數(shù)據(jù)、聲學(xué)數(shù)據(jù)及溫度壓力等等，可以為機(jī)械設(shè)備的維修提供基礎(chǔ)信息。在獲取事件數(shù)據(jù)時(shí)，通常需要技術(shù)人員以人工輸入的方式完成，但這種方式的過(guò)程較為繁瑣，而且容易出現(xiàn)誤差，然而這種方式卻是獲取數(shù)據(jù)過(guò)程中不可缺少的一部分內(nèi)容。在不同設(shè)備的不同傳感器中，儲(chǔ)存著不同類(lèi)型的數(shù)據(jù)，如微感測(cè)器及超聲波傳感器等[2]。就機(jī)械設(shè)備的系統(tǒng)而言，其復(fù)雜程度無(wú)法單純依靠某一個(gè)傳感器完成數(shù)據(jù)搜集工作，通常需要多個(gè)傳感器之間密切的合作，并且依照足夠的數(shù)據(jù)來(lái)判斷機(jī)械設(shè)備的故障情況。為使后續(xù)的診斷與維修工作具有良好的效果，技術(shù)人員需要在多個(gè)傳感器中搜集信息，實(shí)現(xiàn)多傳感器的信息融合，為故障診斷工作提供依據(jù)。關(guān)于機(jī)械設(shè)備的狀態(tài)檢測(cè)主要包括兩個(gè)方面，一方時(shí)連續(xù)性的檢測(cè)，一方面是間斷性的檢測(cè)。其中，連續(xù)性的檢測(cè)是通過(guò)機(jī)械設(shè)備的傳感器進(jìn)行不間斷的實(shí)時(shí)檢測(cè)裝備完成對(duì)信息的搜集，若機(jī)械設(shè)備在運(yùn)行中存在故障情況，則能夠及時(shí)的啟動(dòng)報(bào)警系統(tǒng)，但這種檢測(cè)的方式通常需要投入較高的成本費(fèi)用，而且連續(xù)檢測(cè)的方式容易給原始信號(hào)帶來(lái)錯(cuò)誤的信息。間斷性的檢測(cè)工作在成本方面具有明顯的優(yōu)勢(shì)，也能夠提供準(zhǔn)確的故障預(yù)報(bào)，是現(xiàn)代機(jī)械設(shè)備故障檢測(cè)工作中常用的技術(shù)之一。但這種檢測(cè)方式也存在一些弊端，即可能會(huì)遺漏一些故障的數(shù)據(jù)。

3 機(jī)械設(shè)備維修過(guò)程中的數(shù)據(jù)處理

對(duì)于機(jī)械設(shè)備維修過(guò)程中的數(shù)據(jù)處理工作，技術(shù)人員可以通過(guò)兩個(gè)步驟完成。第一，要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理工作，剔除一些錯(cuò)誤的數(shù)據(jù)信息，第二，對(duì)數(shù)據(jù)進(jìn)行合理的分類(lèi)和歸納，而數(shù)據(jù)的形式主要可以總結(jié)為三類(lèi)，分別是單值類(lèi)型的數(shù)據(jù)分析、波形類(lèi)型的數(shù)據(jù)分析與多維類(lèi)型的數(shù)據(jù)分析[3]。

3.1 單值類(lèi)型的數(shù)據(jù)分析

單值類(lèi)型的數(shù)據(jù)分析要通過(guò)數(shù)據(jù)獲取的相關(guān)方法得到機(jī)械設(shè)備的原始數(shù)據(jù)，之后依據(jù)原始數(shù)據(jù)的處理工作得出特征值。單值類(lèi)型的數(shù)據(jù)與其他類(lèi)型的數(shù)據(jù)有所不同，其結(jié)構(gòu)相對(duì)復(fù)雜，而且需要采用多元分析的技術(shù)進(jìn)行處理，如PCA技術(shù)就能夠有效的處理單值類(lèi)型的數(shù)據(jù)。

3.2 波形類(lèi)型的數(shù)據(jù)分析

波形類(lèi)型的數(shù)據(jù)分析要通過(guò)三種方法，分別是時(shí)域分析、頻域分析與時(shí)頻分析[4]。

3.2.1 時(shí)域分析

目前，在波形類(lèi)型的數(shù)據(jù)分析中應(yīng)用時(shí)域分析的方法，一般是通過(guò)時(shí)間序列模型來(lái)完成的，其原理在于將波形類(lèi)型的數(shù)據(jù)的匹配參數(shù)化時(shí)間排列模型中提取特征信息。而自回歸模型與自回歸滑動(dòng)平均模型是實(shí)踐中較為常用的模型，有外國(guó)的研究學(xué)者利用一個(gè)混合模型對(duì)機(jī)械設(shè)備的長(zhǎng)期運(yùn)行狀態(tài)進(jìn)行有效的預(yù)測(cè)，而其中帶有外源輸入的非線性自回歸模型與自回歸滑動(dòng)模型。

3.2.2 頻域分析

頻域分析主要指代將時(shí)域信號(hào)轉(zhuǎn)換到頻域的方法，這種方法的優(yōu)勢(shì)在于能夠自動(dòng)分離且識(shí)別一些目標(biāo)頻率的成分，其中最為常見(jiàn)的方法就在于快速傅里葉轉(zhuǎn)換的頻譜，能夠?qū)φw的頻譜進(jìn)行檢測(cè)。通過(guò)快速的傅里葉變換信號(hào)，對(duì)單個(gè)結(jié)構(gòu)化的遺傳算法神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，達(dá)到對(duì)機(jī)械設(shè)備的故障診斷目標(biāo)。

3.2.3 時(shí)頻分析

3.3 多維類(lèi)型的數(shù)據(jù)分析

多維數(shù)據(jù)的分析一般指代指圖型的數(shù)據(jù)分析工作，并且在實(shí)際的應(yīng)用工作中，技術(shù)人員可以發(fā)現(xiàn)，實(shí)時(shí)檢測(cè)機(jī)械設(shè)備的圖像過(guò)于復(fù)雜，無(wú)法直接用于實(shí)踐，那么技術(shù)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(duì)圖像等數(shù)據(jù)的處理可以看作處理波形信號(hào)，現(xiàn)代研究學(xué)者提出在局域波時(shí)頻譜的處理方法，先對(duì)壓縮機(jī)的振動(dòng)信號(hào)進(jìn)行處理，得到一些關(guān)于局域波時(shí)頻的信息，再通過(guò)圖像分割技術(shù)的應(yīng)用，對(duì)時(shí)頻譜的灰度進(jìn)行分析，利用CPN網(wǎng)絡(luò)分類(lèi)器可以詳細(xì)研究并匹配典型故障的相關(guān)信息，最終在流程的終端輸出故障類(lèi)型。

4 機(jī)械設(shè)備維修過(guò)程中故障預(yù)測(cè)

在設(shè)備運(yùn)行狀態(tài)下的維護(hù)技術(shù)應(yīng)用中，充分提供決策支持可以促進(jìn)維修人員所提出決策的科學(xué)化。技術(shù)人員所開(kāi)展的機(jī)械設(shè)備故障診斷工作主要是在故障即將發(fā)生或已經(jīng)發(fā)生的情況下，并以探測(cè)、分離及辨識(shí)等方面進(jìn)行預(yù)測(cè)，此時(shí)技術(shù)人員要對(duì)機(jī)械設(shè)備的原理及構(gòu)造具備充分的了解。故障預(yù)測(cè)的工作比故障診斷的工作更加復(fù)雜，要在零停機(jī)的基礎(chǔ)上完成相關(guān)工作，其中較為常見(jiàn)的手段是對(duì)機(jī)械設(shè)備進(jìn)行維修記錄，并預(yù)測(cè)下一次可能發(fā)生故障的時(shí)間或是機(jī)械設(shè)備的使用壽命。技術(shù)人員要通過(guò)認(rèn)真的觀察來(lái)得出結(jié)論，相關(guān)計(jì)算的公式可以總結(jié)為T(mén) ? t | T ＞ t, Z( t )，在其他情況下，機(jī)械設(shè)備的使用壽命又可以通過(guò)E[ T ? t | T ＞ t, Z( t )]來(lái)計(jì)算。而對(duì)機(jī)械設(shè)備的預(yù)測(cè)方法則包括統(tǒng)計(jì)方法、人工智能方法與模型方法三種。

4.1 統(tǒng)計(jì)方法

統(tǒng)計(jì)方法就是通過(guò)數(shù)據(jù)信息的累積，運(yùn)用數(shù)理統(tǒng)計(jì)來(lái)推斷和預(yù)測(cè)，再分析樣本與總體之間的關(guān)系。通過(guò)測(cè)量與描述的方法，可以再現(xiàn)零件特性的變化，建立起良好的設(shè)備監(jiān)控?cái)?shù)學(xué)模型，并達(dá)到預(yù)防故障發(fā)生的目的。

4.2 人工智能方法

人工智能技術(shù)在機(jī)械設(shè)備故障診斷中的應(yīng)用具有一定的優(yōu)勢(shì)，如人工神經(jīng)網(wǎng)絡(luò)與模糊神經(jīng)網(wǎng)絡(luò)等技術(shù)，都可在機(jī)械設(shè)備得到良好的應(yīng)用。如在數(shù)控加工設(shè)備中的切屑形成過(guò)程的監(jiān)控，就可以在實(shí)時(shí)的智能監(jiān)控平臺(tái)中模仿真實(shí)的動(dòng)態(tài)模型，建立起神經(jīng)網(wǎng)絡(luò)系統(tǒng)的模型，之后采用動(dòng)態(tài)化的小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)故障。

4.3 模型方法

模型預(yù)測(cè)的方法需要借助相關(guān)機(jī)械設(shè)備來(lái)完成專(zhuān)業(yè)的預(yù)測(cè)工作，建立起有效的數(shù)學(xué)模型，并在故障預(yù)測(cè)的方面利用狀態(tài)空間模型預(yù)測(cè)機(jī)械設(shè)備的各方面性能。該方法在渦輪機(jī)設(shè)備的性能檢測(cè)中十分受用，這些概率的方法可以支持向量機(jī)開(kāi)展故障預(yù)測(cè)工作。

5 結(jié)束語(yǔ)

在設(shè)備的狀態(tài)維護(hù)工作中，故障預(yù)測(cè)技術(shù)是機(jī)械設(shè)備故障診斷和運(yùn)行趨勢(shì)的預(yù)測(cè)方法，經(jīng)過(guò)后期的決策機(jī)制可以鞏固高效維護(hù)工作的基礎(chǔ)，在獲取數(shù)據(jù)與處理數(shù)據(jù)兩個(gè)部分調(diào)整核心內(nèi)容，并針對(duì)數(shù)理統(tǒng)計(jì)與人工智能模型多個(gè)方面達(dá)到理想的工作狀態(tài)。