(北京交通大学海滨学院 061199)
摘要：随着现代工业科学技术和机械设备工程的日益进步和提高，工业机械设备也不断朝着大型自动化、高速智能化、 连续精密化方向发展，机械设备中各零件组成结构也越来越复杂而紧密，这就使得市场对机械设备零部件的工作性能和质量提出了更高的要求，因此提高机械设备关键部件质量检查，故障诊断和预测就成为当前工业机电设备行业研究的焦点，作为机械设备行业应用较为广泛的旋转机械设备，其运行安全直接关系到整个生产流程，如若发生意外故障就会导致整个生产线崩断，进而给企业带来严重的经济损失，甚至危及周围工作人员生命安全，因此加强对旋转机械设备关键部件故障诊断和预测方法的研究有着十分现实的作用和意义。
关键词：旋转机械设备；故障诊断；预测方法
1、旋转机械设备故障诊断技术
1.1旋转机械故障的灰色诊断技术
灰色诊断技术就是在故障诊断中应用灰色系统理论，利用信息间存在的关系，充分发挥采集到的振动信息的作用，充分挖掘振动信息的内涵，通过灰色方法加工、分析、处理，使少量的振动信息得到充分的增值和利用，使潜伏的故障原因显化。
1.2旋转机械故障的模糊诊断技术
模糊诊断技术就是在故障诊断中引进模糊数学方法，将各类故障和征兆视为两类不同的模糊集合，同时用一个模糊关系矩阵来描述二者之间的关系，进而在模糊的环境中对设备故障的原因、部位和程度进行正确、有效地推理、判定。
1.3旋转机械故障的神经网络诊断技术
所谓的神经网络就是模仿人类大脑中的神经元与连结方式，以构成能进行算术和逻辑运算的信息处理系统。神经网络模型由很多类似于神经元的非线性计算单元所组成，这些单元以一种类似于生物神经网络的连结方式彼此相连，以完成所要求的算法。在旋转机械故障的诊断中，引进神经网络技术，以类似于人脑加工信息的方法对收集到的故障信息进行处理，从而对故障的原因、部位和程度进行正确的判定。
2、旋转机械设备关键故障诊断原理及预测分析
在旋转机械设备中，滚动轴承、齿轮、油砂泵叶轮等关键部件，能够影响整个设备系统的稳定运行。滚动轴承是旋转极设备中作用于运转轴和轴座之间的一种重要精密机械原件，齿轮是旋转机械设备传动系统中不可缺少的部件，油砂泵叶轮作为油砂泵的关键零件，长期处于油砂物质的冲击、腐蚀环境中，这些部件使用运行过久都会造成部件受损，磨损过度就会导致设备故障。因此对该部件进行状态监测、故障诊断和使用效能预测有十分重大的作用。
期刊文章分类查询,尽在期刊图书馆
轴承、齿轮和油砂泵叶轮等旋转机械设备关键部件受损时，其受损表面碰撞运行会导致其收集的震动和声音信号产生冲击，对这些信息进行处理和分析就能诊断设备故障和预测，这就使基于信号处理技术的机械故障诊断和预测的原理，采用该诊断方法需要技术人员具备专业的知识技能，能够有效根据信号时域、频域和时频域信息了解掌握设备故障，主要有几个步骤：
（1）信号特征的手机提取。可以通过常见的时域、频域、时频域信号域处理方法来提取能描述关键设备部件状态的统计特征和相关信息，时域处理方法主要是利用对其特征频率成分、波形变化来分析其中常见统计特征，如峰值、均方根、绝对平均值、方差、无量纲参数等等，这些特征参数与设备状态密切相关，能够反映设备运行状态。其他频域、时频域等处理方法也是如此，能够根据其信号和频谱变化来提取相关信息。
（2）特征信号向量的科学选取。一般信号域处理过程中会提取到包含多个统计量的特征向量，这些特征向量维数都较大，不是多有特征信息都能敏感反映设备故障状态，对设备故障不敏感的特征不仅会影响故障识别功能的精确性，还会给其识别运算带去额外的负担，因此就要科学合理的筛选合适的特征。目前常用主成分分析、独立成分分析、距离评估技术等等来进行特征选取，合理利用改方法能够有效减少特征数目，从而实现机械故障的高精度识别功能。
（3）设备故障的诊断和预测。在基于人工智能算法的基础上，可以利用特征向量、故障模式和预测剩余使用寿命之间的关系构建非线性模型，从而来准确判断设备故障状况，并预估去剩余使用年限。目前主要有人工神经网络预测预测方法、基于统计学理论的支持向量机方法等等。人工神经网络是一种借助类似于大脑神经突触连接机构进行信息处理的数学模型，能够同时实现多输入和多输出，常见有误差反向传播神经网络数学模型，利用该方法进行旋转机械设备关键部件故障诊断，能够借助自适应神经模糊推理系统来诊断判定旋转机械故障。此外，借助提出的频域特征，通过人工神经网络也能够进行寿命预测。这种方法收敛速度比较慢，训练过程中还有一定的拟合不足或过度的问题。因此为妥善解决这个问题，基于统计学理论的支持向量机方法就被开发研究出来，这种诊断预测方法理论完善，泛化强，训练过程中不必获得大量样本，其中形态多次度分析方法用于轴承故障识别分类和寿命预测中效果颇为显著，因此目前已经被广泛运用到机械故障诊断和预测中。
结束语
旋转机械是各行业机械设备中的关键部位，其运行状态直接影响着整个设备的性能，因此对其状态检测和故障诊断具有重要意义。旋转机械主要因不平衡、不对中和动静碰擦等几种原因发生故障，不同类型的故障伴随有不同特征的振动信号；振动诊断是通过采集旋转机械的振动信号，再用时域分析法、频域分析法、时频域分析法等方法对振动信号进行对比、分析，从而判断出其运行状态和对故障进行诊断。
参考文献：
[1]黄天戍，孙夫雄．水轮机组故障诊断数据库系统[M]．测控技术．2003，22(5、：54-56
[2]贺晋忠，王明赞．水轮机组继电保护与状态监测[M]. 继电器，2004，32(1 5)：71-84
[3]王军．网络化在线监测与故障诊断系统在大机组上的应用[M]．大氮肥．2004．27(2)：1 34・1 37
[4]金飞，贾民平．压缩机组远程监测与故障诊断系统及其应用[M]．机械制造与自动化．2003，(3)：61．63
[5]陈保新．状态监测和诊断系统在压缩机中的应用[M]．有色冶金设计与研究．2003，24(1)：171―1 80
论文作者:刘佳宏
论文发表刊物:《电力设备》2017年第5期
论文发表时间:2017/5/27
标签：故障论文; 机械设备论文; 故障诊断论文; 特征论文; 方法论文; 神经网络论文; 部件论文; 《电力设备》2017年第5期论文;