机械设备运行故障预测方法综述

ｍｏｎｉｔｏｒｉｎｇ
３数据的处理
对于数据的处理，第一步应该是数据的预处理，主要 是剔除错误数据，这往往需要人工检验数据的可靠性。 ｘｕ等人［１２１给出了一种传感器故障产生错误数据的鲁棒 分离方法。数据处理的第二步是数据分析。数据分析的 方法大致可以分为３类［６］： １）单值类型数据分析：单值类型数据是在特定时间 段内，检测到的数据变量是一个单一值。例如．温度、压力 和湿度都是单值类型数据。 ２）波形类型数据分析：在特定时间段内，检测到的数 据是一个基于时问的变量，即时问波形。例如，振动信号 和声学信号的数据分析即属此类。 ３）多维类型数据分析：在特定时间段内，检测到的数 据是一个多维的变量。这个多维的数据通常是一个图型 数据。
ｐａｐｅｒ
ａｃｃｕｒａｎｃｙ ａｎｄ ｃｏｍｐｒｅｈｅｎｓｉｖｅｎｅｓｓ ｏｆ ｔｈｅ ｅｑｕｉｐｍｅｎｔ ｏｐｅｒａｔｉｏｎ ｃｏｎｄｉｔｉｏｎ ｍｏｎｉｔｏｒｉｎｇ ｄａｔａ，ｔｈｉｓ
ｉｎｔｒｏｄｕｃｅｄ ｔｈｅ ｄａｔａ ａｑｕｉｓｉｔｉｏｎ
ａｐｐｒｏａｃｈ ｆｒｏｍ ｔｈｅ ａｓｐｅｃｔ ｏｆ
・２・ 万方数据
Ｓｕｒｖｅｙｏｎ Ｆａｕｌｔ Ｐｒｏｇｎｏｓｔｉｃ Ａｐｐｒｏａｃｈｅｓ ｏｆ
Ｍｅｃｈａｎｉｃａｌ Ｅｑｕｉｐｍｅｎｔｓ
ＬＵ Ｂａｏ—ｃｈｕｎ，ＣＨＥＮＧ Ｘｉａｎｇ—ｌｉａｎｇ，ＦＡＮ Ｆａｎ，ＺＨＡＮＧ Ｄｅｎｇ—ｆｅｎｇ
（Ｓｃｈｏｏｌ ｏｆ Ｍｅｃｈａｎｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，ＮＵＳＴ，Ｎａｎｊｉｎｇ ２１００９４，Ｃｈｉｎａ）
ａｎａｌｙｓｉｓ ｔｅｃｈｎｏｌｏｇｙ ｂａｓｅｄ
ｏｖｅｒ
ｓｅｎｓｏｒ
ｉｎｓｐｅｃｔｉｏｎ ｔｉｍｅ ｉｎｔｅｒｖａｌ
ａｎｄ
ｓｅｎｓｏｒ
ｎｕｍｂｅｒ：ｃｏｎｃｌｕｄｅｄ ｔｈｅ
ｆｒｅｑｕｅｎｔｌｙ ａｐｐｌｉｅｄ ｄａｔａ ｐｒｏｃｅｓｓ ａｎｄ
ｔｈｅ ｗｏｒｌｄ；ｉｎｔｒｏｄｕｃｅｄ ｔｈｅ ｆｒｅｑｕｅｎｔｌｙ ａｐｐｌｉｅｄ ｓｔａｔｉｓｔｉｃａｌ
ｐｒｅｖｅｎｔｉｖｅ
１
基于设备状态的维护技术
基于状态的维护技术还有其他的称呼，例如ｅ．维护
（ｅ．ｍａｉｎｔｅｎａｎｃｅ）。Ｍｕｌｌｅｒ等人［４ ３将其定义为包括资源、服 务以及必要的管理在内的能实现先动决策过程的维护支 持。该维护支持包括了信息及交互技术（ｉｎｆｏｒｍａｔｉｏｎ
ｃｏｍｍｕｎｉｃａｔｉｏｎ
Ａｂｓｔｒａｃｔ：Ｔｈｅ
ｏｃｃｕｒｒｅｎｃｅ
ｏｆ ｍｅｃｈａｎｉｃａｌ
ｅｑｕｉｐｍｅｎｔ ｆａｕｌｔ ｉｓ
ｉｎｅｖｉｔａｂｌｅ．Ｔｏ
ｒｅｄｕｃｅ ｆａｉｌｕｒｅ ｔｉｍｅ
ａｎｄ ｆａｕｌｔ ｍａｉｎｔａｉｎａｎｃｅ ｔｉｍｅｓ
ｏｆ
ｅｑｕｉｐｍｅｎｔ，ｔｈｉｓ ｐａｐｅｒ ｉｎｔｒｏｄｕｃｅｄ ｆａｕｌｔ ｐｒｏｇｎｏｓｉｓ ｂａｓｅｄ
ｃｏｎｔｒｏｌ ｓｙｓｔｅｍ）。
３．１单值类型数据分析
单值类型的数据不仅包括通过数据获取步骤获得的 原始数据，也包括对原始数据处理后而得到的特征值。单 值类型数据看起来比波形数据和图形数据要简单，但是当 变量很多时，其结构就会很复杂。一般采用多元分析技术 对其进行分析，例如ＰＣＡ（ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ）能 够有效地处理复杂的数值结构数据‘１“。
ｍｏｖｉｎｇ ａｖｅｒａｇｅ
检测的时间间隔
机械设备的状态检测有两种类型：连续性的和间断性
的。连续性检测是通过传感器不间断地实时检测设备状 态，对设备的异常状况可以做到实时报警。然而，采用这 种检测方法往往花费昂贵，同时连续检测的原始信号易产 生不正确的诊断信息。间断性状态检测则更具有成本效 益，并经数据过滤等信息处理能够提供准确的故障预报和
ｅｑｕｉｐｍｅｎｔ ｏｐｅｒａｔｉｏｎ ｃｏｎｄｉｔｉｏｎ ｂａｓｅｄ ｆａｕｌｔ ｐｒｏｇｎｏｓｔｉｃ
ａｐｐｒｏａｃｈ，ａｎｄ
ｃａｔｅｇｏｒｉｚｅｄ ｔｈｅ ｅｑｕｉｐｍｅｎｔ
ｐｒｏｃｅｓｓ ｉｎｔｏ ｔｈｒｅｅ ｓｔｅｐｓ：ｄａｔａ ａｑｕｉｓｉｔｉｏｎ，ｄａｔａ ｐｒｏｃｅｓｓ ａｎｄ ｅｑｕｉｐｍｅｎｔ ｒｅｍａｉｎ ｌｉｆｅ ｐｒｏｇｎｏｓｉｓ．Ｔｏ ｇｕｒａｎｔｅｅ ｔｈｅ
２数据的获取
在对机械设备做出维护决策之前，需要获取和处理相 关的有效数据。而这一获取和处理有效数据的过程，称之 为故障预测的前处理过程。 数据获取是从设备上采集和储存有用数据。该步骤 是实现机械设备基于状态故障预测的基础。采集到的数 据可以分为２类：事件数据（ｅｖｅｎｔ ｄａｔａ）和状态监控数据
（ｃｏｎｄｉｔｉｏｎ
备日益大型化、精密化和复杂化，为保证设备的长时间平 稳运行．工业界对于它们的稳定性和可靠性提出了更高的 要求。但是，由于机械设备运行环境复杂，零部件性能随 运行时间的增长会逐渐衰退．使设备故障的发生具有了必 然性和随机性。因此，在设备的有效寿命阶段，其维护工 作被视为保障设备安全和可靠性的重要方法。 早期的维护技术是在机械设备发生故障后才进行修 复，这种维修方式又被称为无计划的维修（ＲＩＢ—ｔｏ—ｆａｉｌｕｒｅ ｍａｉｎｔｅｎａｎｃｅ）…。然而，这种维护方法过于被动，它往往 使机械设备异常停机时间延长，同时对受载荷较大的零部 件也没有定期维护，其停机频率较高。因此，又发展了一 种定期维修技术，即基于时间的预防性维修（ｔｉｍｅ—ｂａｓｅｄ
浪费了宝贵的时间和财力。
０
引言
现代工业装备如核电站、海上风力发电平台等大型设
随着现代传感器技术以及信息技术的发展，效率更高 的基于状态维修（ｃｏｎｄｉｔｉｏｎ—ｂａｓｅｄ ｍａｉｎｔｅｎａｎｃｅ，ＣＢＭ）Ｅ２］的 技术越来越受到人们的青睐。它是按照设备的特点，采用 先进的故障诊断和预测技术，通过测试并积累机械设备运 行时的动态信息，据此预报设备劣化趋势、预测设备故 障．并根据设备运行的具体情况指定合理的维修措施【３ Ｊ。 基于状态的维护方法可以避免不必要的维护工作，保证只 在机器出现异常现象的时候才进行维护。从而极大地减少 了维护支出，并且提高了维护效率。
ｄａｔａ）。６ｊ。事件数据是指设备以往的
维修信息，例如零部件的替换、磨损，还包括发生这些故障 事件的原因以及相应的执行措施，例如最小维修，预防性 维护和换油等。状态监控数据则是表征机械设备运行健 康状态的检测数据。状态监测的数据可以是多样的，如振 动数据、声学数据、温度、压力、湿度、天气或环境数据等。 事件数据的获取通常需要人工输入，该方式耗时易出 错，然而是不可缺少的步骤之一。基于状态的数据获取主 要是通过传感器技术来实现。不同的传感器收集不同类 型的数据，如微感测器、超声波传感器、声发射传感器等。 对于一个复杂系统．单个传感器是不能收集到足够的数据 来进行准确的状态检测。为了保证后续的故障诊断和预 测的执行，一般需要多个传感器同时检测，获取机械设备 不同零部件的多种状态信息。然而．如何实现多传感器的 信息融合，以利于设备的故障诊断和预测，是设备维护中 数据获取阶段要解决的重要问题。 目前已有许多文献开展了多传感器的数据融合技术 研究。例如，文献『７］针对由多个传感器组成的时间控制 系统，为满足其较高的实时性和鲁棒性要求，提出了一种 新的加权融合算法。该方法不需要传感器测量值的先验 信息，根据实测数据之间的相互关系来确定门限和权值分 配策略，避免了设定经验门限带来的主观因素。文献『８］ 在多传感器信息融合和集成的基础上，设计了具有数据采 集、信息处理、现场控制、诊断和决策等多重功能的面向敏 捷制造的新型控制系统（ｎｅｗ ２・１
３．２波形数据分析
波形数据分析最主要的３类方法分别是：时域分析
（ｔｉｍｅ—ｄｏｍａｉｎ
ａｎａｌｙｓｉｓ），频域分析（ｆｒ（ｔｉｍｅ—ｆｒｅｑｕｅｎｃｙ ａｎａｌｙｓｉｓ）１１“。 ３．２．１时域分析 目前，处理波形数据的时域分析方法通常是利用时间 序列模型（ｔｉｍｅ ｓｅｒｉｅｓ ｍｏｄｅｌｓ），其主要思想是用波形数据 匹配参数化的时间序列模型并且在此基础卜－提取特征信 息。自回归模型（ａｕｔｏｒｅｇｒｅｓｓｉｖｅ ｍｏｄｅｌ，ＡＲ）和自回归滑动 平均模型（ａｕｔｏｒｅｇｒｅｓｓｉｖｅ
ｍａｉｎｔｅｎａｎｃｅ）［２１方法。它通过设定维修周期，按
ａｎｄ
固定时间对机器进行维护，但这类维护技术没有考虑设备 的实际运行状态，往往造成检修次数过高。因停机维护而
基金项目：江苏省产学研前瞻性研究计划资助（项目编码ＢＹ２０１１１０４）
ｔｅｃｈｎｏｌｏｇｉｅｓ，ＩＣＴ）、网页技术（ｗｅｂ—ｂａｓｅｄ
ａｐｐｒｏａｃｈ，ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｔ ａｐｐｒｏａｃｈ ａｎｄ ｍｏｄｅｌ
ｐｒｏｇｎｏｓｔｉｃ ａｐｐｒｏａｃｈ ｏｆ ｅｑｕｉｐｍｅｎｔ ｒｅｍａｉｎ ｌｉｆｅ ｐｒｏｇｎｏｓｉｔｉｃ ｔｅｃｈｎｏｌｏｇｙ．
Ｋｅｙ ｗｏｒｄｓ：ｆａｉｌｕｒｅ ｐｒｅｄｉｃｔｉｏｎ；ｄａｔａ ａｃｑｕｉｓｉｔｉｏｎ；ｄａｔａ ｐｒｏｃｅｓｓｉｎｇ；ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ；ｂｒｅａｋｄｏｗｎ ｍａｉｎｔｅｎａｎｃｅ
ｍｏｎｉｔｏｒｉｎｇ）、ｅ一诊断（ｅ—ｄｉａｇｎｏｓｉｓ）以及ｅ一预测（ｅ—ｐｒｏｇｎｏｓｉｓ） 等ｅ一维护动作内容。无论对该技术如何定义，都具有以下 三个主要步骤＿５‘： １）数据获取（信息采集），获得与系统运行状态相关 的数据；２）数据处理（信息管理），处理和分析在步骤１） 中获得的相关信号数据，以使更好地了解和诠释相关数据 的含义；３）制定维护决策（决策制定），根据数据处理后 的结果，预测故障的发生时间和种类，并制定对目前机械 设备的有效维护策略。
・综述与展望・
陆宝春．等・机械设备运行故障预测方法综述
机械设备运行故障预测芳法综述
陆宝春，程相亮，樊帆，张登峰
（南京理工大学机械工程学院，江苏南京２１００９４） 摘要：介绍了基于设备运行状态的故障预测方法，将基于设备运行状态的故障预测与维护过 程归纳为数据获取、数据处理和设备剩余寿命预测三个步骤。从传感器检测的时间间隔和传 感器的使用数量等方面阐述了数据的获取方法。归纳介绍了目前国内外常见的数据处理和分 析技术。介绍了设备故障诊断、预测和有效寿命预测技术中常见的统计方法、人工智能方法和 基于模型的预测方法。 关键词：故障预测；数据获取；数据处理；故障诊断；故障维修 中图分类号：ＴＨｌ７ 文献标志码：Ａ 文章编号：１６７１—５２７６（２０１２）０５－０００１－０５
ｔｅｃｈｎｏｌｏｇｙ）、无线技术（ｗｉｒｅｌｅｓｓ ｔｅｃｈｎｏｌｏｇｙ）以及信息电子
作者简介：陆宝春（１９６５一），男，江苏淮安人，工学博士，现任南京理工大学机械工程学院教授、博士生导师，江苏省“六大人才高峰”建设 优秀人才．中国机械工程学会机床专业委员常务理事。主要从事制造自动化科研与教学，主持国家自然基金、江苏省科技支 撑、重大成果转化等国家及省级项目１２项，发表学术论文６０余编（被ＳＣＩ收录５篇、ＥＩ收录３０篇），获省部级科技进步二等 奖１项、三等奖３项，以第１发明人申请发明专利７件，获得授权发明专利３件、软件著作权登记４件。
Ｍａｃｈｉｎｅ 万方数据
Ｂｕｉｌｄｉｎ９８Ａｕｔｏｍａｔｉｏｎ，Ｊｕｎ ２０１２，４１（５）：Ｊ一５
・综述与展望・
技术（ｉｎｆｏｔｒｏｎｉｃｓ
陆宝春．等・机械设备运行故障预测方法综述 ｔｅｃｈｎｏｌｏｇｙ），并且还拥有ｅ一监控（ｅ— 诊断，是当前主要研究的状态检测技术之一。当然，使用 间断性状态橙测的风险是可能会遗漏一些故障发生事件 之间的关系。９ Ｊ。 实现有效的间断性状态检测，需要解决的主要问题 是确定合理的状态检测时间间隔。Ｃｈｒｉｓｔｅｒ和Ｗａｎｇｌｉｏ］ 根据当前检测出的磨损状态推导出一个简单的模型来 寻找下一次最佳的检测时间。根据磨损状态的不同判断 出不同的检测间隔，减少了单位时间内的预期成本。文 献『１１］基于故障延迟理论和条件式剩余寿命的理论开 发了一个模型，来预测最佳状态检测的时间问隔。状态 检测的时间问隔在整个设备正常运行时是固定的，而在 设备的运行寿命即将到期时．其状态的检测应该是越来 越频繁的，并通过一种混合的模拟和分析程序来找到最 佳检测时间间隔。