旋转机械设备关键部件故障诊断与预测

旋转机械设备关键部件故障诊断与预测
摘要在很多工业生产加工过程中，都会使用旋转机械设备。

旋转设备对于提高工业生产效率，降低人工劳动量发挥着非常重要的作用。

但是在实际生产运行环节，出现故障，或者一些关键部件存在故障隐患，如果不能及时准确的预测诊断，会给设备造成严重的损毁，也会加大企业的设备维护成本。

因此，提高其故障的诊断预测水平，做好旋转机械设备关键部件的维护，显得十分必要。

本文在研究过程中，对旋转机械设备关键部件故障诊断技术进行了详细阐述，希望可以对实际应用过程中的故障诊断和预测，提供必要的理论支持。

关键词故障诊断；故障征兆；诊断系统；旋转机械设备；关键部件
引言
随着现代机械设备维修技术的进步，在故障维修领域越来越重视预防和诊断技术。

旋转机械设备，作为常用的工业机械，其使用强度较大，出现一些故障问题后，需要及时进行检修。

因此，需要技术人员掌握一定的故障诊断和预测方法，提高关键部件故障的诊断正确率，并能够在平时设备的维护保养阶段，做好问题故障的预测，及时处理潜在故障隐患。

这样，才能保障旋转机械设备的长期稳定运行，降低企业的设备维护运行成本。

1 基本原理和功能
旋转机械设备的基本原理和功能知识模块是建立在系统基本机构的分级前提之下的，根据故障诊断系统以及下分各部件的构成关系，形成一个更为深层次的结构，从而适应故障诊断与预测的基本需求。

通过对一些经典故障案例、设备正常运行参数、故障征兆等信息进行对比分析，能够确定设备的故障问题，并及时进行解决。

需要注意的是，各种知识模块之间的相互印证，更能够进一步提高旋转机械设备关键部件故障诊断的准确度。

在实际检测时，技术工人要学会利用不同模块之间的相互印证功能。

2 故障诊断与预测系统的必要性
为了达到预测性维修的目的，快速故障诊断和高效故障预测系统就成为主要的需求。

利用设备传感器产生的不同粒度的状态数据，通过数据采集、数据治理，数据存储、数据挖掘和数据分析等过程就能洞察整个产品生命周期中各个时刻的状态和性能，从而根据不同的业务特征即可制定相应的动态维修计划，在故障出现之前就能够做出故障诊断或预测故障的发生可能性，进而适时地采取维修措施，避免故障实际发生，最终能够保证设备的安全运行，全面提升产品竞争力。

3 故障诊断与预测系统需要解决的问题
实现旋转机械设备故障的快速诊断和高效预测，其主要的挑战在于“提前”，
就是要在故障真正发生之前，做到对于故障的早发现、早预知和适时行动。

要实现这样的目的，第一，就需要从数据采集、数据治理，数据存储、数据分析和挖掘等方面出发进行系统性研究。

深入探查产品的整个生命周期，从中挖掘出故障的关联因素并进行建模预测就成为重要诉求。

制造业正在向智能化方向发展，机械设备上安装了温度、电流、电压等多种多样的传感器。

从数据量上来看，设备每天产生出TB级别的数据，从数据结构上看，日志、视频等类型的数据都是非结构化数据，传统的数据处理方式已经难以处理，需要建设大数据平台来解决这个问题。

第二，要想在如此大量的非结构化数据中获得对设备状态的洞察，“提前”预测故障，还需要系统性的数学方法（例如基于特征的算法，基于神经网络的算法）和模型[1]。

4 故障诊断与预测系统构成体系
旋转机械设备关键部件的故障诊断与预测系统是由一系列知识模块组成的。

常用的知识模块有深、浅知识库以及机器学习模块等。

在深知识库模块中，包含着旋转机械设备基本结构和功能的知识库，机械设备实时运行状态的知识库等部分，这些知识库构成了预测诊断系统的基础模块。

浅知识库主要是由机械设备的故障征兆、典型故障案例知识等知识模块，通过该系统模块，在实际检测维护时能够确定和发现设备故障。

在出现故障进行检测时，由于上述两种功能作用不同的知识库模块，能够对设备系统内部进行分离诊断，并通过学习知识库模块的学习，逐渐丰富浅知识库，为后续的故障预测诊断分析，打下良好的基础[2]。

5 故障诊断知识模块功能作用
5.1 维护经验
经过一定时间的积累，在旋转机械设备维修方面，技术人员就会掌握一些故障发生的原因、故障征兆和知识经验等。

这些经验就构成了知识模块中的诊断知识经验，并将其储存在浅知识模块中。

运用知识经验诊断设备关键部件的故障，主要就是基于过往的故障经验和有关专家的实践理论。

而在实际设备检测过程中，需要技术人员灵活掌握，随时调取合适的知识经验进行故障分析判断。

5.2 故障诊断案例
故障诊断案例是经过对一些专家故障诊断的成功案例进行搜集，并借鉴过往设备的诊断分析案例，形成的案例汇总。

这些案例基本上包含了旋转机械设备常见的案例，能够为技术工人处理诊断日常的设备故障提供丰富的案例参考。

5.3 运行状态
运行状态知识模块，主要包含了旋转机械设备在正常运行状态下的基本参数。

这些正常的参数，可以为技术工人在检修设备时进行对照比较提供标准。

一旦发现相关参数指标相差较大，超过了正常参数的偏离范围，就可以判断设备运行出现了故障。

预测性维修是构建在数据基础上，需要构建合理的数据模型，而
不同种类故障，需要不同数据模型，需要进行大量数据计算工作，这些工作在大数据技术没有出现之前一直困扰着维修保养一线技术人员。

今天大数据技术获得长足发展，数据的采集、存储、计算等问题都迎刃而解，大数据科学家能够充分发挥大数据技术分布式并行处理的架构优势，最大限度发挥数据模型的计算能力，实现对维护业务的分析和预测，真正实现预测性维修。

5.4 故障征兆
故障征兆是一种设备运行事实知识模块的集合，旋转机械设备在发生故障之前，都会表现出一定的故障征兆。

这些征兆可以作为早期预测分析设备可能出现故障的依据。

实际预测过程中，如果出现的故障征兆与知识模块中的征兆基本一致，或者大致相似，则能够在一定程度下判定设备出现了问题[3]。

6 过程算法
过程算法实际上就是运用计算的方式对机械设备的故障进行诊断或预算，在实际情况中，该知识模块直接运行了机械设备故障的激励分析，并根据实际情况进行模拟实验，最后对实验的结果进行更深层次的分析和研究，逐步将系统的深层次知识向故障征兆方面的知识转变。

从应用的角度讲，过程算法通常表现为一整套的计算程序，并且可单独存在，根据实际情况自行调用，该知识模块主要有两部分组成，分别为经验知识表达和深层知识表达。

6.1 经验知识表达
经验知识表达还可称作为浅层知识，是相关专家多次实践和研究的结果，多属于感性的诊断知识，易于常人理解和应用，还可以起到一定指引的作用，通常以产生式规则表达。

旋转机械设备的种类十分繁多，且内部结构也很复杂，使得内部规则库过于庞大，所以机械设备的故障产生原因各不相同，诊断规则的侧重点和适用范围也不相同。

为了更好地达到目标，需根据实际要求对诊断规则实施分类处理。

6.2 深层知识表达
故障诊断的深层知识主要由元知识以及机械设备的性能结构所组成，根据机械设备的性能，可对机械设备进行分层，其中机械设备关键部件属于第三层，一般总共分为四个层次，而且层次之间可保持十分严谨的继承性，每层都具有独特的属性，总体结构呈树形。

6.3 解决方案
系统的故障监测与预测解决方案主要包括了数据源层、数据采集和存储层、数据挖掘层和数据应用层，在数据源层中，包含传感器数据、存储在数据库中的设备历史数据和事件历史数据等结构化数据，也包含事件日志数据、传感器日志数据和视频数据等非结构化数据；在数据采集和存储层中，将完成数据的采集、治理和存储；在数据挖掘层中，针对故障诊断和故障预测分别有不同的建模平台；在数据应用层中，设备的运营状态数据将以可视化的方式进行展示，并将故障诊
断和预测结果直接呈现出来，便于甄别和维修。

大数据故障诊断主要基于人工智能技术、专家系统理论，已有故障案例标注基础上，进行故障提取、模型训练和模型评估，最终形成能够进行并行计算的数据模型。

在实际环境中部署完成，多维传感器数据送达后，通过数据模型能够自动地进行快速故障诊断、甄别故障类型。

大数据故障诊断具备了及时、灵敏、误报和漏报率低、故障分离能力强、故障识别度高、鲁棒性强、自适应能力强等特点。

大数据故障预测主要基于数据驱动的故障预测技术，在获取大量各类传感器数据基础上，采用神经网络数据建模流程，通过深度学习的方法完成数据模型构建[4]。

7 通过数据故障诊断和故障预测系统创造的价值
7.1 降低安全事故发生的概率
从旋转机械设备运行海量状态数据中实时发现和排除故障隐患，避免引发安全生产事故。

采用了分布式并行处理的大数据平台，能够快速处理海量的传感器数据，通过可视化界面能够实时直观地看到设备运行状态及其关键组件工作情况，及时发现故障或故障隐患，快速定位，迅速采取措施排除故障或故障隐患。

最大限度地减少设备停用或安全生产事故。

7.2 提升企业运营效率
通过故障建模实现故障预测、变坏后修理为按状态维护，实现预测性维护，大大降低维修保养费用，提升企业运营效率。

在数据建模过程中，由于对各个相关传感器数据做了全面考虑，以往一些不被注意但会产生实际影响的传感器数据将在特征提取建模和神经网络建模过程中被囊括进来，结合历史数据对实时全量数据进行挖掘分析，得出故障发生的概率，从而实现故障预测，指导预测性维修，一方面将安全隐患防患于未然，一方面通过“按状态维护”大大节省设备维护费用，降低事故风险，延长设备使用寿命，提升服务水平，提升企业社会效益。

7.3 降低设备维护成本
该易于扩展、成本可控、降低固定资产投入。

随着数据量增加，大数据系统支持在线增加节点扩容，保持服务的连续性。

支持在线增加存储，以提高计算性能，并采用了独立的功能模块和标准硬件，可根据需求灵活选配，项目成本容易控制，从而可以有效降低企业固定资产投入，提高投入产出比，扩大整体营收。

8 结束语
通过上面的论述，我们知道，旋转机械设备关键部件诊断与预测，是基于一系列知识模块实现的。

随着现代机械工艺技术的不断进步，相应的知识模块信息量也在不断扩充。

这就需要技术人员不断学习新的故障诊断预测技术，用新的理论知识，同实际经验相互结合，才能有效提升设备故障的诊断效率，从而降低设
备发生重大故障的概率。

参考文献
[1] 王俊.基于多尺度非线性状态特征增强的旋转机械故障诊断方法研究[D].合肥：中国科学技术大学，2015：1-5.
[2] 蒋玲莉.基于核方法的旋转机械故障诊断技术与模式分析方法研究[D].长沙：中南大学，2010：22-23.
[3] 张亢.局部均值分解方法及其在旋转机械故障诊断中的应用研究[D].长沙：湖南大学，2012：29-33.
[4] 王泽文.基于振动信号的滚动轴承故障诊断与预测系统研究[D].徐州：中国矿业大学，2014：30-30.
郑勇（1974.3.5 ——）男，汉族，籍贯：江苏兴化。

工作单位：南京工程学院机械学院，职称：副教授学历/学位：硕士研究生。

研究方向：机械制造技术，机械工程测试技术，机械振动测试，机械设备故障诊断技术等。