2.1.1　 故障診斷方法

當故障發生時，故障診斷進行故障檢測、隔離和識別等，故障檢測是檢測系統中是否出現故障，故障隔離是定位故障的部件、子系統、系統，故障識別是識別已發生的故障模式[2]。也就是說，故障診斷就是利用設備在運行或相對靜態條件下的狀態信息，例如振動、聲音、圖像、溫度以及磨損、碎屑等參數，結合診斷對象的歷史狀況，通過處理和分析來定量識別機械設備及其零件、部件的實時技術狀態或故障現象，并預知有關異常、故障和預測其未來技術狀態。

不管是退化類或突發類故障，故障診斷的一般步驟和方法如下[3]。

（1）采集和掌握有關的數據和資料

①采集的數據類型分為三類。

a.數值數據：收集的數據是單個值，如油分析數據、溫度、壓力和濕度等。

b.波形數據：在特定時域采集的數據為時間序列，通常稱為時間波形，如振動數據和聲學數據是波形數據。

c.多維數據：采集的數據是多維的，最常見的多維數據是圖像數據，如紅外熱圖、X射線圖像、視覺圖像等。

②采集和掌握的相關數據和資料。

a.機器結構性能資料：包括機器的工作原理；生產過程中的地位和作用；重要的動態參數，如驅動功率、流量、壓力、轉速變化范圍、電流、電壓、溫度等；機器結構組成和參數，如軸承形式、密封結構、聯軸器結構、齒輪齒數、葉片數、共振頻率、臨界轉速等。

b.操作運行情況：包括負荷及其變化情況、潤滑情況、啟動和停機情況、工藝參數變化情況等。

c.機器周圍環境的影響：包括溫度、濕度、與其他機器的關聯、地基沉降、電壓波動等因素對機器性能的影響。

d.故障與維修情況：包括上次大修時間，大修時做過哪些調整，運轉以來發生故障及對故障處理情況的記錄和檔案，機器的薄弱環節及預計容易發生故障的類型和部位，同型號、同工作條件下其他機器的故障情況等。

（2）振動信號采集

包括儀器配置、參數設置和輔助測試等。

（3）故障分析和診斷

注意信號的發展和變化，在時域、頻域和時頻域等領域，分析振動信號的頻率成分、振動信號的方向性和幅值穩定性、各頻率成分的相位、邊頻分析、波形變化分析、軸心軌跡分析和全息譜分析等，在此基礎上，通過基于解析模型、基于信號處理（波形和多維數據的數據處理又稱為信號處理）和基于知識等診斷方法進行故障診斷。

對于傳統的診斷方法，如果可以建立較準確的監測對象的數學模型，如狀態估計、參數估計、一致性檢驗等，首選選擇基于解析模型的方法，這個方法的缺點是樣本的質量和容量、模型本身局限、噪聲的存在以及系統復雜性、準確性較差。當可以得到被控對象的輸入輸出信號，但很難建立解析數學模型時，可采用基于信號處理的方法，如幅域分析、頻域分析、小波分析、自適應時頻分析等，該方法常與其他方法結合，用于監測數據的預處理。當很難建立被控對象的數學模型時，可采用基于知識的方法，包括專家系統、神經網絡、模糊算法、遺傳算法、粗糙集、人工免疫算法、故障樹、支持向量機等故障診斷方法。

隨著移動互聯網、大數據和人工智能等新一代信息技術的發展，基于深度學習等新一代數據驅動的故障診斷方法受到工業界和學術界越來越多的關注[4～6]，詳細內容見第7章。

（4）常見機械故障識別及實例

①不平衡，如離心壓縮機不平衡、壓縮機不平衡等。

②不對中，如壓縮機對中不良、電機與發電機對中故障等。

③機械松動，如電機不平衡及支承松動、發電機組汽輪機支承松動等。

④轉子或軸裂紋。

⑤滾動軸承損傷、損壞。

⑥滑動軸承故障。

⑦齒輪箱故障。

⑧傳動皮帶故障。

⑨葉輪、葉片和旋翼斷裂。

⑩電機故障。

?共振故障等。