機(jī)械設(shè)備的故障診斷與監(jiān)測研究綜述

龔嶸

摘 要：針對機(jī)械設(shè)備中的關(guān)鍵部件——滾動軸承、齒輪箱、電動機(jī)的故障診斷與監(jiān)測的發(fā)展現(xiàn)狀進(jìn)行文獻(xiàn)綜述，總結(jié)該領(lǐng)域的研究現(xiàn)狀及主要方法。概述了機(jī)械設(shè)備中一些關(guān)鍵部件，比如軸承、齒輪箱、電動機(jī)的故障特點及故障形式，進(jìn)而深入分析相應(yīng)的診斷難點，并結(jié)合國內(nèi)外相關(guān)文獻(xiàn)系統(tǒng)地介紹并比較了現(xiàn)有的針對機(jī)械設(shè)備關(guān)鍵部件的故障診斷與健康監(jiān)測方法，最后對該領(lǐng)域的發(fā)展方向進(jìn)行了展望。

關(guān)鍵詞：機(jī)械設(shè)備;故障診斷;滾動軸承;齒輪箱

近年來，隨著機(jī)械設(shè)備的運行環(huán)境逐漸復(fù)雜化，機(jī)械設(shè)備發(fā)生故障的概率顯著提高，一些看是不起眼的設(shè)備局部故障問題，有可能會導(dǎo)致機(jī)械設(shè)備由階段性小故障、潛伏性的缺陷故障逐漸向設(shè)備系統(tǒng)性的崩潰損壞、報廢發(fā)展。在當(dāng)前智能制造的背景下，對機(jī)械設(shè)備相關(guān)關(guān)鍵部件進(jìn)行故障診斷和監(jiān)測成為一個值得思考的現(xiàn)實問題。因此，以下就機(jī)械設(shè)備故障診斷與監(jiān)測方法展開分析與探討。

1 機(jī)械設(shè)備故障診斷系統(tǒng)

機(jī)械設(shè)備往往利用分布式傳感器作為故障診斷系統(tǒng)的重要部分，實時監(jiān)測機(jī)械設(shè)備在工作狀態(tài)或相對靜止?fàn)顟B(tài)下的信號，將之與監(jiān)測對象的歷史狀態(tài)相比對，通過數(shù)字信號處理等手段進(jìn)一步分析和處理所獲信號，準(zhǔn)確地確定故障的發(fā)生位置及故障類型，從而得以及時排除機(jī)械設(shè)備的故障。在早期，機(jī)械設(shè)備狀態(tài)監(jiān)測的方法主要包括振動監(jiān)測法、采樣分析法、測溫法及超聲波法等。對于絕大多數(shù)機(jī)械設(shè)備，以振動作為主要參考標(biāo)準(zhǔn)的診斷方法最為常見。機(jī)械設(shè)備故障診斷系統(tǒng)主要分為兩大部分：①借助傳感器獲取振動等參考信號進(jìn)行分析處理。傳感器技術(shù)依托電磁感應(yīng)等原理來測得機(jī)械設(shè)備的工作狀態(tài)參數(shù)，并將所得數(shù)據(jù)傳輸?shù)轿⑿陀嬎銠C(jī)中，接著微機(jī)將其與數(shù)據(jù)庫原始標(biāo)準(zhǔn)健康數(shù)據(jù)進(jìn)行比對，初步診斷機(jī)械設(shè)備的狀態(tài)。但這種僅靠傳感器監(jiān)測診斷方式是有缺陷的，傳感器只能監(jiān)測電流、電壓、等有限的狀態(tài)參數(shù)，診斷效果較差。②智能診斷技術(shù)，這類技術(shù)基于第一部分所獲數(shù)據(jù)進(jìn)行更深層次的分析處理，以計算機(jī)為載體模擬出一種與人類思維運算近似的智能診斷系統(tǒng)。它可以實現(xiàn)基于所測信號機(jī)理，設(shè)定診斷規(guī)則，進(jìn)行特征提取、數(shù)字信號分析等功能，與傳統(tǒng)的簡單對比診斷相比，更加科學(xué)實用。這類技術(shù)目前已經(jīng)相對成熟，漸漸成為當(dāng)下主流的應(yīng)用技術(shù)。

2 機(jī)械設(shè)備主要故障特點

機(jī)械設(shè)備是工業(yè)生產(chǎn)中不可或缺的一部分，其性能的優(yōu)劣與最終的生產(chǎn)能效直接掛鉤。機(jī)械設(shè)備由各種零部件組合而成。在長期的運轉(zhuǎn)過程中，它們會由于衰老退化而不可避免地出現(xiàn)故障問題，對機(jī)械設(shè)備的性能造成影響，導(dǎo)致生產(chǎn)效率降低。由于不同部件的作用、存在比例及故障特點有所差異，下面對機(jī)械設(shè)備中的關(guān)鍵部件逐一展開分析。滾動軸承是旋轉(zhuǎn)機(jī)械的重要組成部分，它優(yōu)點眾多，比如潤滑冷卻迅速效率高等，因此在機(jī)械行業(yè)廣泛得到應(yīng)用。但它同時也是旋轉(zhuǎn)機(jī)械中最容易出現(xiàn)故障的部件之一，據(jù)有關(guān)統(tǒng)計顯示，在旋轉(zhuǎn)機(jī)械故障中有近30%的故障是由于滾動軸承故障引起的，因此，深入研究滾動軸承的故障診斷方法具有重要意義。工程發(fā)現(xiàn)，疲勞損傷、腐蝕損傷、斷裂等原因都會導(dǎo)致滾動軸承損傷，不同原因?qū)е碌妮S承損傷所反映出的故障特征同樣存在差異，因此，如何在紛繁復(fù)雜的軸承故障中提取出反映軸承故障的一致性特征成為一個值得深入研究的切入點。在機(jī)械設(shè)備中，用于提高主軸轉(zhuǎn)速的齒輪箱廣泛存在。在機(jī)械運行過程中，齒輪箱內(nèi)的齒輪常常會出現(xiàn)磨損斷裂的問題，如果不及時、有效地對這些故障進(jìn)行處理，齒輪箱最終會失效。與滾動軸承的故障特點類似，齒輪箱和滾動軸承對應(yīng)相同故障類型例如斷裂所表征的故障特征具有相似性，對于需要較大數(shù)據(jù)量的深度學(xué)習(xí)等故障診斷方法，充分利用不同部件的相同故障類型數(shù)據(jù)進(jìn)行診斷方法的訓(xùn)練是一個實用而有效的思路。機(jī)械設(shè)備主要是由機(jī)械結(jié)構(gòu)和電動機(jī)兩部分組合而成，一旦電動機(jī)發(fā)生故障，機(jī)械設(shè)備將無法正常工作。

3存在的問題

歷經(jīng)近一個世紀(jì)的發(fā)展，可靠性研究在理論和實踐方面均取得了豐碩的成果。傳統(tǒng)可靠性理論處理隨機(jī)不確定性信息，概率論和數(shù)理統(tǒng)計是傳統(tǒng)可靠性理論的主要數(shù)學(xué)工具。傳統(tǒng)的可靠性評估方法利用大量的具有概率重復(fù)性的樣本，確定設(shè)備的失效分布，獲得宏觀意義上一批同類設(shè)備共性的平均可靠性。然而，各個設(shè)備通常在不同的條件與環(huán)境下運行，其零部件的損傷、故障、失效的程度不同，運行可靠性也必然不同。針對某臺具體的機(jī)械設(shè)備進(jìn)行運行可靠性評估是個性問題，基于大樣本條件并依賴概率統(tǒng)計數(shù)據(jù)得到的平均可靠性難以滿足個體設(shè)備的運行可靠性評估需求。2000 年，國際著名可靠性專家、英國學(xué)者OCONNOR深入思考了可靠性的過去、現(xiàn)在和將來，指出現(xiàn)有的可靠性研究依舊局限于傳統(tǒng)的概率統(tǒng)計方法，闡述了基于概率統(tǒng)計的可靠性方法在解決工程實際問題時容易產(chǎn)生誤導(dǎo)和無效的原因。2009 年意大利學(xué)者ZIO深刻洞察到可靠性這一老問題所面臨的新挑戰(zhàn)，指出復(fù)雜系統(tǒng)可靠性分析是可靠性工程的新挑戰(zhàn)，提出利用狀態(tài)監(jiān)測來確保系統(tǒng)可靠的運行，以減少故障，提高生產(chǎn)率。我國學(xué)者黃洪鐘對常規(guī)可靠性理論進(jìn)行了批判性綜述，指出二值邏輯假設(shè)的不合理性以及概率假設(shè)解決工程實際問題的不現(xiàn)實性。綜合以上研究及工程實際，傳統(tǒng)可靠性評估方法在應(yīng)用于機(jī)械設(shè)備運行可靠性評估時所面臨的主要問題可歸納如下。

3.1傳統(tǒng)可靠性評估方法的數(shù)學(xué)基礎(chǔ)——概率論與數(shù)理統(tǒng)計，決定可靠性評估過程中必須利用足夠多的樣本數(shù)據(jù)，大樣本失效數(shù)據(jù)、可重復(fù)的大樣本壽命試驗或加速壽命試驗必不可少。然而在工程實際中，針對某臺具體機(jī)械設(shè)備的運行可靠性評估，往往屬于小樣本問題，且對于如飛機(jī)失事等災(zāi)難性事故又不具有概率重復(fù)性，難以收集大樣本統(tǒng)計數(shù)據(jù)。

3.2 傳統(tǒng)可靠性評估方法多依賴設(shè)備的失效分布，準(zhǔn)確求解設(shè)備失效分布參數(shù)、解析設(shè)備的失效概率是傳統(tǒng)可靠性評估的主要任務(wù)之一。設(shè)備失效分布是一種有限假設(shè)，即使在大樣本情況下，準(zhǔn)確的失效分布也難以估計。針對某臺機(jī)械設(shè)備進(jìn)行運行可靠性評估的小樣本特性，進(jìn)一步加劇了失效分布參數(shù)估計的難度。

3.3 傳統(tǒng)可靠性評估方法基于二值假設(shè)或有限狀態(tài)假設(shè)，即假定設(shè)備只有正常和失效兩種狀態(tài)或有限個狀態(tài)。然而在工程實際中，機(jī)械設(shè)備的狀態(tài)多是漸進(jìn)連續(xù)退化的，具有很強(qiáng)的不確定性，表現(xiàn)為狀態(tài)變化的模糊性和隨機(jī)性。傳統(tǒng)可靠性評估的二值假設(shè)和有限狀態(tài)假設(shè)難以準(zhǔn)確描述機(jī)械設(shè)備實際失效過程。

3.4 機(jī)械設(shè)備內(nèi)部結(jié)構(gòu)復(fù)雜，各個零部件之間存在著復(fù)雜的運動關(guān)系和耦合作用，不同零部件的失效分布規(guī)律不同，基于概率的可靠性數(shù)學(xué)模型往往事后統(tǒng)計其失效分布規(guī)律，難以獲得設(shè)備零部件失效前可靠性的變化規(guī)律，實現(xiàn)預(yù)知維修困難。

3.5 對于正在服役的機(jī)械設(shè)備，關(guān)注的焦點是其運行過程中的可靠性。機(jī)械設(shè)備運行條件和環(huán)境多變，傳統(tǒng)的可靠性評估缺乏分析設(shè)備運行過程中各種變工況、非平穩(wěn)復(fù)雜狀態(tài)，難以實時在線評估設(shè)備的運行可靠性。

4 現(xiàn)有改進(jìn)方法

針對傳統(tǒng)可靠性理論應(yīng)用于機(jī)械設(shè)備運行可靠性評估的局限性，國內(nèi)外學(xué)者從以下幾個方面進(jìn)行了改進(jìn)，取得了可觀的研究成果。針對傳統(tǒng)可靠性評估方法必須依賴于大量的具有概率重復(fù)性的樣本的問題，諸多學(xué)者采用較少依賴概率分布的方法對傳統(tǒng)的可靠性分析方法進(jìn)行改進(jìn)。2010年，BALAKRISHNAN 等基于Kaplan-Meier 非參數(shù)估計方法提出了一種新的參數(shù)模型估計方法來估計設(shè)備在截尾時刻的可靠度函數(shù)。

同年， HUANG 等根據(jù)工程實際中初期失效數(shù)據(jù)與后期失效數(shù)據(jù)間分布參數(shù)的差異性問題，研究了數(shù)據(jù)變異檢測及混合模型參數(shù)估計方法。MA等利用更準(zhǔn)確的仿真方法來研究樣本不足導(dǎo)致大樣本逼近無法實現(xiàn)的情況下基于小樣本的加速退化試驗特性。2011 年， RAJESH 等建立了基于聚類、模糊集映射和模糊邏輯的運行可靠性計算模型，并將其應(yīng)用于海洋運輸系統(tǒng)中。國內(nèi)，2006年程皖民針對長壽命產(chǎn)品在試驗過程中的失效數(shù)據(jù)缺失問題，采用Bayes 方法，分析了產(chǎn)品在可靠性增長過程中各階段的可靠性水平。2010 年，XING等基于學(xué)習(xí)曲線特性提出一種動態(tài)貝葉斯估計方法改善小樣本情況下系統(tǒng)可靠性評估精度不高的問題。2011 年，唐樟春等基于證據(jù)理論建立了一種概率信息不全時的可靠性評估模型。

上述方法在一定程度上緩解了小樣本設(shè)備可靠性分析的難度，但并未完全脫離概率與數(shù)理統(tǒng)計的范疇，不能從根本解決小樣本和單臺機(jī)械設(shè)備的可靠性評估問題。

針對傳統(tǒng)可靠性的二值假設(shè)或有限狀態(tài)假設(shè)不能有效描述機(jī)械設(shè)備漸進(jìn)連續(xù)性能退化過程的問題，有學(xué)者提出監(jiān)測設(shè)備的性能退化數(shù)據(jù)，通過假設(shè)產(chǎn)品失效退化路徑或失效分布來評估設(shè)備的可靠性，拓展了傳統(tǒng)可靠性理論和應(yīng)用范圍。2005 年，美國PARK 等利用幾何布朗運動和伽馬過程建立了新的加速性能退化模型。2009 年美國GEBRAEEL 等利用失效數(shù)據(jù)擬合Bernstein 分布并利用其分布數(shù)據(jù)來估計初始退化模型先驗分布。國內(nèi)，2005年，王文清等應(yīng)用模糊理論建立綜合傳動鑄鐵密封環(huán)的模糊可靠性模型，計算模糊可靠度，描述密封環(huán)耐磨性可靠度的變化。2006 年，鄧愛民等提出基于退化軌跡與基于性能退化量分布的兩種可靠性評估方法，對高可靠性長壽命產(chǎn)品進(jìn)行可靠性評估;2010年，考慮到設(shè)備的隨機(jī)退化特性，YU 等改進(jìn)了兩階段設(shè)備退化分析方法，提出一種新的三階段設(shè)備退化分析方法。2011 年，LIU 等基于高斯混合模型和Logistic 退化模型評估了機(jī)械設(shè)備的性能退化狀態(tài)。WANG 等在可靠性分析過程中考慮典型退化與沖擊，建立一個包含嚴(yán)重故障，退化以及失效沖擊作用導(dǎo)致的故障三種故障模式的可靠性方程評估產(chǎn)品可靠性。2012 年，PENG 等提出了兩種性能退化度量方法，利用退化隨時間變化的關(guān)系及部件之間的相關(guān)性，對關(guān)鍵部件的可靠性進(jìn)行評估。張根保等運用模糊集理論，定義了一種判定模糊真值的函數(shù)并確定隸屬度，建立了數(shù)控機(jī)床模糊可靠性分配指標(biāo)體系和權(quán)重。

5機(jī)械設(shè)備的故障診斷方法

5.1 遠(yuǎn)程監(jiān)測診斷技術(shù)

在工程應(yīng)用中，機(jī)械設(shè)備各種參數(shù)的動態(tài)信號往往通過傳感器來獲得，為了使監(jiān)測所得的動態(tài)信號與機(jī)械設(shè)備一一對應(yīng)，工程師會對機(jī)械設(shè)備按順序編號。接著傳感器采集的信號通過無線網(wǎng)絡(luò)技術(shù)傳輸給機(jī)械設(shè)備監(jiān)控中心的計算機(jī)服務(wù)器，根據(jù)動態(tài)信號的時域和頻域分析結(jié)果，實現(xiàn)機(jī)械設(shè)備運行狀態(tài)的遠(yuǎn)程實時監(jiān)測功能。在對獲得的數(shù)據(jù)進(jìn)行時域分析時，可以通過判斷時域信號中是否有周期性脈沖峰值等方法。但這類方法容易受到機(jī)械設(shè)備運行時周圍噪聲信號的干擾，不易判斷出機(jī)械設(shè)備的健康狀態(tài)。而將時域信號通過頻譜分析轉(zhuǎn)換成頻域信號，可以有效減少噪聲對診斷的不良影響，把這些振動信號的頻譜圖與健康狀態(tài)對應(yīng)的頻譜圖進(jìn)行比對，以此判斷機(jī)械設(shè)備可能發(fā)生的故障類型。中心計算機(jī)服務(wù)器把發(fā)生故障的機(jī)械設(shè)備動態(tài)參數(shù)傳輸?shù)浆F(xiàn)場，操作人員以此為依據(jù)確定發(fā)生故障部位并及時進(jìn)行檢修。

5.2 專家診斷技術(shù)

專家系統(tǒng)作為一種智能化的計算機(jī)程序系統(tǒng)，在機(jī)械設(shè)備的故障診斷和運行狀態(tài)監(jiān)測中應(yīng)用廣泛。它充分利用專家的先驗知識，通過模擬人類思維的方法，對設(shè)備的動態(tài)參數(shù)變化作出專家級水平的診斷。專家診斷技術(shù)特別強(qiáng)調(diào)知識庫的儲備，它可以同時存儲不同領(lǐng)域?qū)＜业墓ぷ鹘?jīng)驗和相關(guān)知識，比如機(jī)械工程專業(yè)的專家知識、電氣工程專業(yè)的專家知識等，然后充分發(fā)揮計算機(jī)強(qiáng)大的記憶存儲能力和信息處理能力并建立對應(yīng)的知識庫，從而得到綜合多領(lǐng)域知識的專業(yè)診斷意見。專家診斷技術(shù)作為一種自動化監(jiān)測技術(shù)，可以對大型工程機(jī)械群進(jìn)行統(tǒng)一的狀態(tài)監(jiān)測，從而實現(xiàn)集中調(diào)度現(xiàn)場工作的功能，大大提高了機(jī)械設(shè)備運維檢修的工作效率，并提高了監(jiān)測效率和準(zhǔn)確性。

5.3 人工智能診斷技術(shù)

人工智能故障診斷技術(shù)，屬于計算機(jī)前沿科學(xué)領(lǐng)域，在國內(nèi)外已經(jīng)得到了廣泛的重視[3-4]。人工神經(jīng)網(wǎng)絡(luò)理論是一種典型的數(shù)學(xué)模型。它通過模擬人類大腦的神經(jīng)分布及感應(yīng)，以實現(xiàn)智能化的機(jī)器決策。在利用神經(jīng)網(wǎng)絡(luò)對機(jī)械設(shè)備故障進(jìn)行診斷時，首先采用原始故障數(shù)據(jù)集對人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對實際故障數(shù)據(jù)進(jìn)行診斷分析，最終確定故障類型及位置。此外，人工神經(jīng)網(wǎng)絡(luò)還可以預(yù)測可能發(fā)生的故障，對每個零部件的主要參數(shù)進(jìn)行分析計算，使用戶更好地了解到設(shè)備的使用情況，及時排除機(jī)械設(shè)備可能存在的潛伏性故障，避免出現(xiàn)嚴(yán)重事故。但人工神經(jīng)網(wǎng)絡(luò)存在容易陷入局部最優(yōu)解的問題，而時下大熱的深度學(xué)習(xí)則逐漸取代神經(jīng)網(wǎng)絡(luò)成為智能算法的主流。深度學(xué)習(xí)基于神經(jīng)網(wǎng)絡(luò)發(fā)展而來，常見的深度學(xué)習(xí)算法包括卷積神經(jīng)網(wǎng)絡(luò)、長短時記憶網(wǎng)絡(luò)、深度置信網(wǎng)絡(luò)等，這些網(wǎng)絡(luò)也開始被引入到機(jī)械設(shè)備的故障診斷中，并具有良好的效果。中國研究員在2015 年首次基于變速箱振動信號進(jìn)行信號對故障敏感程度的分析，提出了基于卷積神經(jīng)網(wǎng)絡(luò)的變速箱故障識別方法。通過仿真數(shù)據(jù)的檢驗，說明該方法具有較高的可靠性，可用于對機(jī)械設(shè)備進(jìn)行故障診斷。但深度學(xué)習(xí)網(wǎng)絡(luò)所學(xué)習(xí)的故障特征以及網(wǎng)絡(luò)的實際泛化能力仍有待進(jìn)一步的工程檢驗。此外，模糊集故障診斷系統(tǒng)也是人工智能的技術(shù)類型之一。模糊集理論的“模糊”主要是指事物本身的概念較為模糊，并不指方法具備隨機(jī)性。通過這一理論可以及時對故障類型及位置進(jìn)行診斷。模糊控制理論是將經(jīng)典集合理論模糊化，并將語言變量和近似推理引入模糊控制邏輯中。但當(dāng)前模糊集理論在處理復(fù)雜故障問題中的應(yīng)用并不突出，仍有待進(jìn)一步的探索和提高。

6 結(jié)論與展望

在智能制造的背景下，中國機(jī)械設(shè)備的故障診斷與監(jiān)測技術(shù)雖已接近國際水平，但在普及和應(yīng)用程度上與國際水平任存差距。本文首先介紹了機(jī)械設(shè)備故障診斷系統(tǒng)的組成部分，并對機(jī)械設(shè)備的故障機(jī)制及原理展開分析，總結(jié)不同機(jī)械零部件故障的一致性與差異性，最后引出機(jī)械設(shè)備故障診斷方法的發(fā)展現(xiàn)狀，并對智能方法在機(jī)械故障診斷中的進(jìn)一步應(yīng)用進(jìn)行了展望。隨著現(xiàn)代科學(xué)技術(shù)的發(fā)展，機(jī)械設(shè)備故障診斷技術(shù)將不再是單參數(shù)的閾值比較，取而代之的應(yīng)該是基于信息集成、融合、分析、處理等技術(shù)的更先進(jìn)、全面的監(jiān)測方法。

參考文獻(xiàn)：

[1]周利，余愚.機(jī)械故障診斷中人工智能的應(yīng)用[J].可編程控制器與工廠自動化，2007（7）：36，38-40.

[2]毛三華，余峰崗，史振帥，等.工程機(jī)械運行狀態(tài)自動化監(jiān)測研究[J].現(xiàn)代制造技術(shù)與裝備，2020（5）：76-78.

[3]張玨.基于人工智能的工程機(jī)械故障診斷技術(shù)[J].智能城市，2019，5（12）：192-193.

[4]鄧華偉.人工智能在機(jī)械設(shè)備故障檢測中的應(yīng)用[J].內(nèi)燃機(jī)與配件，2020（11）：237-238.

[5]武迪，劉勇.人工智能技術(shù)在電氣自動化控制中的應(yīng)用淺析[J].電子元器件與信息技術(shù)，2017，1（3）：4-6.