机械设备故障诊断及监测研究

摘要：针对机械设备中的关键部件——滚动轴承、齿轮箱、电动机的故障诊断与监测的发展现状进行文献综述，总结该领域的研究现状及主要方法。概述了机械设备中一些关键部件，比如轴承、齿轮箱、电动机的故障特点及故障形式，进而深入分析相应的诊断难点，并结合国内外相关文献系统地介绍并比较了现有的针对机械设备关键部件的故障诊断与健康监测方法，最后对该领域的发展方向进行了展望。

关键词：机械设备；故障诊断；滚动轴承；齿轮箱

近年来，随着机械设备的运行环境逐渐复杂化，机械设备发生故障的概率显著提高，一旦未能及时发现机械设备的局部故障问题，最终可能导致机械设备潜伏性故障逐渐发展以致整体性损坏的严重后果。在智能制造的背景下，对机械设备相关关键部件进行故障诊断和监测成为一个值得思考的现实问题。因此，以下就机械设备故障诊断与监测方法展开分析与探讨。

1机械设备故障诊断系统

机械设备往往利用分布式传感器作为故障诊断系统的重要部分，实时监测机械设备在工作状态或相对静止状态下的信号，将之与监测对象的历史状态相比对，通过数字信号处理等手段进一步分析和处理所获信号，准确地确定故障的发生位置及故障类型，从而得以及时排除机械设备的故障。在早期，机械设备状态监测的方法主要包括振动监测法、采样分析法、测温法及超声波法等。对于绝大多数机械设备，以振动作为主要参考标准的诊断方法最为常见。机械设备故障诊断系统主要分为两大部分：①借助传感器获取振动等参考信号进行分析处理。传感器技术依托电磁感应等原理来测得机械设备的工作状态参数，并将所得数据传输到微型计算机中，接着微机将其与数据库原始标准健康数据进行比对，初步诊断机械设备的状态。但仅仅依靠传感器是不行的，传感器只能监测电流、电压、等有限的状态参数，诊断效果较差。②智能诊断技术，这类技术基于第一部分所获数据进一步分析处理，以计算机为载体实现一种与人类思维运算近似的智能诊断系统。它可以实现基于所测信号机理，设定诊断规则，进行特征提取、数字信号分析等功能，与传统的简单对比诊断相比，更加科学实用[1]。这类技术目前已经相对成熟，且渐渐成为主流的应用技术。

2机械设备主要故障特点

机械设备是工业生产中不可或缺的一部分，其性能的优劣与最终的生产能效直接挂钩。机械设备由各种零部件组合而成。在长期的运转过程中，它们会由于衰老退化而不可避免地出现故障问题，对机械设备的性能造成影响，导致生产效率降低。由于不同部件的作用、存在比例及故障特点有所差异，下面对机械设备中的关键部件逐一展开分析。滚动轴承是旋转机械的重要组成部分，它优点众多，比如润滑冷却迅速效率高等，因此在机械行业广泛得到应用。但它同时也是旋转机械中最容易出现故障的部件之一，据有关统计显示[2]，在旋转机械故障中有近30%的故障是由于滚动轴承故障引起的，因此，深入研究滚动轴承的故障诊断方法具有重要意义。工程发现，疲劳损伤、腐蚀损伤、断裂等原因都会导致滚动轴承损伤，不同原因导致的轴承损伤所反映出的故障特征同样存在差异，因此，如何在纷繁复杂的轴承故障中提取出反映轴承故障的一致性特征成为一个值得深入研究的切入点。在机械设备中，用于提高主轴转速的齿轮箱广泛存在。在机械运行过程中，齿轮箱内的齿轮常常会出现磨损断裂的问题，如果不及时、有效地对这些故障进行处理，齿轮箱最终会失效。与滚动轴承的故障特点类似，齿轮箱和滚动轴承对应相同故障类型例如断裂所表征的故障特征具有相似性，对于需要较大数据量的深度学习等故障诊断方法，充分利用不同部件的相同故障类型数据进行诊断方法的训练是一个实用而有效的思路。机械设备主要是由机械结构和电动机两部分组合而成，一旦电动机发生故障，机械设备将无法正常工作。电动机的故障类型可分为电气故障与机械故障，其中机械故障包括发电机振动过大、轴承过热、绝缘损坏、磨损严重等，与前面所述轴承、齿轮箱的故障有类似之处，而电气故障与机械故障则存在较大差异，主要包括转子/定子线圈短路、转子断条导致的断路、发电机过热等。在研究电动机的故障时，可以将其机械故障部分与轴承等的故障方法相联系，而电气部分的故障则可以更多从电路原理出发，探索不同的思路。本文针对机械设备各关键部件的故障特点和故障类型进行分析，首先理清各种机械零部件产生故障的原因，从而引出合理选择诊断方法是实现机械设备故障诊断及监测的重要基础。

3机械设备的故障诊断方法

3.1远程监测诊断技术

在工程应用中，机械设备各种参数的动态信号往往通过传感器来获得，为了使监测所得的动态信号与机械设备一一对应，工程师会对机械设备按顺序编号。接着传感器采集的信号通过无线网络技术传输给机械设备监控中心的计算机服务器，根据动态信号的时域和频域分析结果，实现机械设备运行状态的远程实时监测功能。在对获得的数据进行时域分析时，可以通过判断时域信号中是否有周期性脉冲峰值等方法。但这类方法容易受到机械设备运行时周围噪声信号的干扰，不易判断出机械设备的健康状态。而将时域信号通过频谱分析转换成频域信号，可以有效减少噪声对诊断的不良影响，把这些振动信号的频谱图与健康状态对应的频谱图进行比对，以此判断机械设备可能发生的故障类型。中心计算机服务器把发生故障的机械设备动态参数传输到现场，操作人员以此为依据确定发生故障部位并及时进行检修。

3.2专家诊断技术

专家系统作为一种智能化的计算机程序系统，在机械设备的故障诊断和运行状态监测中应用广泛。它充分利用专家的先验知识，通过模拟人类思维的方法，对设备的动态参数变化作出专家级水平的诊断。专家诊断技术特别强调知识库的储备，它可以同时存储不同领域专家的工作经验和相关知识，比如机械工程专业的专家知识、电气工程专业的专家知识等，然后充分发挥计算机强大的记忆存储能力和信息处理能力并建立对应的知识库，从而得到综合多领域知识的专业诊断意见。专家诊断技术作为一种自动化监测技术，可以对大型工程机械群进行统一的状态监测，从而实现集中调度现场工作的功能，大大提高了机械设备运维检修的工作效率，并提高了监测效率和准确性。

3.3人工智能诊断技术

人工智能故障诊断技术，属于计算机前沿科学领域，在国内外已经得到了广泛的重视[3-4]。人工神经网络理论是一种典型的数学模型。它通过模拟人类大脑的神经分布及感应，以实现智能化的机器决策。在利用神经网络对机械设备故障进行诊断时，首先采用原始故障数据集对人工神经网络进行训练，并利用训练好的神经网络对实际故障数据进行诊断分析，最终确定故障类型及位置。此外，人工神经网络还可以预测可能发生的故障，对每个零部件的主要参数进行分析计算，使用户更好地了解到设备的使用情况，及时排除机械设备可能存在的潜伏性故障，避免出现严重事故。但人工神经网络存在容易陷入局部最优解的问题，而时下大热的深度学习则逐渐取代神经网络成为智能算法的主流。深度学习基于神经网络发展而来，常见的深度学习算法包括卷积神经网络、长短时记忆网络、深度置信网络等，这些网络也开始被引入到机械设备的故障诊断中，并具有良好的效果。中国研究员在2015年首次基于变速箱振动信号进行信号对故障敏感程度的分析，提出了基于卷积神经网络的变速箱故障识别方法。通过仿真数据的检验，说明该方法具有较高的可靠性，可用于对机械设备进行故障诊断。但深度学习网络所学习的故障特征以及网络的实际泛化能力仍有待进一步的工程检验。此外，模糊集故障诊断系统也是人工智能的技术类型之一[5]。模糊集理论的“模糊”主要是指事物本身的概念较为模糊，并不指方法具备随机性。通过这一理论可以及时对故障类型及位置进行诊断。模糊控制理论是将经典集合理论模糊化，并将语言变量和近似推理引入模糊控制逻辑中[6]。但当前模糊集理论在处理复杂故障问题中的应用并不突出，仍然有待进一步探索。

4结论与展望

在智能制造的背景下，中国机械设备的故障诊断与监测技术已经接近国际水平，但是在普及和应用程度上与国际水平尚存差距。本文首先介绍了机械设备故障诊断系统的组成部分，并对机械设备的故障机制及原理展开分析，总结不同机械零部件故障的一致性与差异性，最后引出机械设备故障诊断方法的发展现状，并对智能方法在机械故障诊断中的进一步应用进行了展望。随着现代科学技术的发展，机械设备故障诊断技术将不再是单参数的阈值比较，取而代之的应该是基于信息集成、融合、分析、处理等技术的复杂监测方法。

参考文献：

［1］周利，余愚.机械故障诊断中人工智能的应用［J］.可编程控制器与工厂自动化，2007（7）：36，38-40.

［2］毛三华，余峰岗，史振帅，等.工程机械运行状态自动化监测研究［J］.现代制造技术与装备，2020（5）：76-78.

［3］张珏.基于人工智能的工程机械故障诊断技术［J］.智能城市，2019，5（12）：192-193.

［4］邓华伟.人工智能在机械设备故障检测中的应用［J］.内燃机与配件，2020（11）：237-238.

［5］武迪，刘勇.人工智能技术在电气自动化控制中的应用浅析［J］.电子元器件与信息技术，2017，1（3）：4-6.

［6］刘晟，陈杰，龚志豪，等.基于动态查询表的模糊控制策略及其应用［J］.北京理工大学学报，2002，22（3）：347-350.

作者：梁彧 单位：武汉理工大学