机械故障诊断技术机遇与挑战

随着人工智能和信息技术的快速发展,故障诊断也从基于故障机理和经验模式的诊断方法逐步向智能诊断等方向发展。分别从实时故障诊断、早期故障诊断、智能故障诊断、5G联合数据故障诊断的角度对故障诊断技术的新进展进行了探讨,可为故障诊断系统的研发与应用提供参考。     

工程机械故障诊断技术的研究现状与发展趋势

回顾了机械故障诊断技术的发展历史,阐述了国内外工程机械故障诊断技术的发展现状.针对目前在工程机械故障诊断领域中研究较多的智能故障诊断系统模型进行了分析,并指出各自的技术特点和局限性,最后指出了智能故障诊断系统今后的发展趋势.     

大数据下机械智能故障诊断的机遇与挑战

机械故障是风力发电设备、航空发动机、高档数控机床等大型机械装备安全可靠运行的"潜在杀手"。故障诊断是保障机械装备安全运行的"杀手锏"。由于诊断的装备量大面广、每台装备测点多、数据采样频率高、装备服役历时长,所以获取了海量的诊断数据,推动故障诊断领域进入了"大数据"时代。而机械智能故障诊断有望成为大数据下诊断机械装备故障的"一把利器"。与此同时,大数据给机械智能故障诊断的深入研究和应用提供了新的机遇:"数据为王"的学术思想有望成为主流、诊断整机或系统级对象成为可能、全面解析故障演化过程成为趋势等;但也遇到了新的挑战:数据大而不全呈"碎片化"、故障特征提取受制于人为经验、浅层诊断模型诊断精度低等。阐述了机械智能故障诊断大数据的特点;从信号获取、特征提取、故障识别与预测三个环节,综述了机械智能故障诊断的国内外研究进展和发展动态;指出了机械智能故障诊断理论与方法在大数据背景下的挑战;最后讨论了应对这些挑战的解决途径与发展趋势。     

神经网络技术在基于油液分析的发动机磨损诊断中的应用

本文简述了人工神经网络技术在基于油液分析的自行火炮发动机磨损故障诊断中三个方面的应用,具体包括发动机磨损磨粒的识别、磨损元素浓度值的预测和磨损故障智能诊断,文后讨论了神经网络技术应用与机械故障诊断领域的发展方向。     

大数据下机械装备故障的深度迁移诊断方法

机械故障智能诊断是大数据驱动下保障装备安全运行的重要手段。为准确识别装备的健康状态,智能诊断需要依靠充足的可用监测数据训练智能诊断模型。而在工程实际中,机械装备的可用数据稀缺,导致训练的智能诊断模型对装备健康状态的识别精度低,制约了机械故障智能诊断的工程应用。鉴于实验室环境中获取的装备可用数据充足,即数据的典型故障信息丰富、健康标记信息充足,且此类数据与工程实际装备的监测数据间存在相关的故障信息,提出机械装备故障的深度迁移诊断方法,将实验室环境中积累的故障诊断知识迁移应用于工程实际装备。首先构建领域共享的深度残差网络,从源自不同机械装备的监测数据中提取迁移故障特征;然后在深度残差网络的训练过程中施加领域适配正则项约束,形成深度迁移诊断模型。通过实验室滚动轴承与机车轴承的迁移诊断试验对提出方法进行验证,试验结果表明:提出方法能够运用实验室滚动轴承的故障诊断知识,识别出机车轴承的健康状态。     

往复压缩机状态监测与故障诊断技术综述

介绍机械故障诊断技术的发展历史和未来趋势,对往复压缩机常见故障及故障原理进行分析,针对目前国内上线的往复压缩机组在线监测系统、故障诊断技术及未来发展方向进行阐述。     

数据驱动的轴承早期故障诊断技术综述

轴承早期故障的实时诊断,是实际工程应用需求和基础科学问题研究的交汇点,是轴承故障诊断的发展方向之一。首先,阐述了轴承故障及演变过程;其次,根据轴承早期故障实时诊断的需求,总结了轴承早期故障诊断难点问题;之后,重点论述了轴承早期故障诊断3个关键环节所采用的各种技术：微小监测信号增强技术、监测数据的融合表示技术以及早期故障智能诊断技术;最后,总结展望了轴承早期故障诊断技术的发展趋势。     

基于Internet的机械故障诊断服务系统设计

分析了开发基于Internet的机械故障诊断服务系统的现实性和可行性.着重论述了利用有关工具设计的B/S模式机械故障诊断服务系统,该系统包括机械故障诊断原理与基本技术、常见零部件故障诊断、机械设备故障诊断、矿井提升机故障诊断、故障诊断技术的最新发展、机械故障诊断机构名录、客户留言等7大功能模块.该系统能够实现机械故障诊断服务的开放性与公享性.     

自动变速器故障诊断方法的研究

针对自动变速器液压,机械故障难以诊断的问题,提出基于故障逻辑分析仿真的支持向量机故障诊断方法,建立故障逻辑分析模型分析故障与故障现象之间的逻辑关系,并基于AMESim进行故障仿真分析,提供故障样本,以支持向量机对故障进行识别。这种方法为开发智能诊断系统提供了参考。     

基于支持向量机的多故障分类器及应用

针对因缺少大量故障数据样本而制约机械故障智能诊断的问题 ,本文改进了支持向量机多故障分类算法 ,依据此算法建立了多故障分类器 ,并应用于汽轮发电机组的故障诊断。应用结果表明 ,不必进行信号预处理以提取特征量 ,只需要用少量的时域故障数据样本建立故障分类器。该故障分类器可实现多故障的识别和诊断 ,并且具有算法简单、可对故障在线分类和故障分类能力强的优点     

机械故障诊断基础研究“何去何从”

机械故障诊断是一门起源于20世纪60年代的新兴学科,其突出特点是理论研究与工程实际应用紧密结合。该学科经过半个世纪的发展逐渐成熟,在信号获取与传感技术、故障机理与征兆联系、信号处理与诊断方法、智能决策与诊断系统等方面形成较完善的理论体系,涌现了如全息谱诊断、小波有限元裂纹动态定量诊断等原创性理论成果,在机械、冶金、石化、能源和航空等行业取得了大量卓有成效的工程应用。但是,该学科也还存在着故障机理研究不足、诊断方法有限和智能诊断系统薄弱等问题。今后机械故障诊断学科的基础研究和源头探索究竟应该如何开展,未来的发展方向是怎样,将是一个非常急切且需要深入探讨的问题。在对国内外机械故障诊断学科基础理论和工程实际应用研究现状分析的基础上,指出目前该学科基础研究存在的问题和今后研究突破的方向。     

基于同源数据融合技术的机械故障诊断方法

机械设备故障诊断技术是一项跨学科的新技术。本文将数据融合思想引入到故障诊断领域，并将神经网络技术和数据融合技术综合使用，通过信号采集、特征提取和识别决策几个过程，研究了基于同源数据融合技术机械故障诊断方法，并在实验中验证了些种方法的有效性。     

船舶设备故障诊断技术及其应用研究

本文主要针对船舶设备故障诊断技术进行研究,分析船舶设备故障诊断的必要性,并指出目前船舶设备中常见的故障和分析,结合智能故障诊断系统来详细分析故障诊断技术以及其应用,希望能够为船舶设备故障诊断技术的发展创新和应用提供一定的思路。     

基于磁场的质子交换膜燃料电池故障诊断方法

故障诊断作为解决质子交换膜燃料电池（Proton exchange membrane fuel cell,PEMFC）的安全和寿命问题的重要途径之一,备受研究人员关注。然而在当前PEMFC诊断中,对其早期故障诊断的研究较少,而在亟需早期故障诊断以便及时进行维护控制的PEMFC应用领域,如燃料电池汽车等,在故障发生早期对其进行精确诊断极其重要。该文针对现有PEMFC早期故障诊断方法匮乏问题,提出一种基于磁场的PEMFC故障诊断方法。首先建立PEMFC三维仿真模型,研究燃料电池性能变化与其外部磁场间关联机制,在此基础上搭建燃料电池磁场检测系统,并构建卷积神经网络（Convolutional neural network,CNN）对采集的磁场数据进行分析,验证其在包括水淹、膜干等不同PEMFC故障中的早期诊断效果。结果表明,采用基于磁场数据和卷积神经网络的故障诊断方法,可实现燃料电池不同程度、不同类型故障的在线识别和早期诊断。研究结果验证了磁场数据用于PEMFC故障诊断的可行性,对促进PEMFC故障诊断方法进一步发展、提升PEMFC系统可靠性和耐久性具有重要意义。     

基于堆叠稀疏自编码的滚动轴承故障诊断

针对机械设备故障数据大容量、多样性的特点,提出一种基于堆叠稀疏自编码(SSAE)的滚动轴承故障智能诊断方法。使用自动编码器(AE)逐层训练网络,从海量数据中自适应地学习各类故障的特征表达,再通过有监督的反向传播算法优化整个网络,最终将特征输入softmax分类器实现滚动轴承健康状况精确诊断。在动力传动故障诊断试验台采集了5类轴承故障数据进行测试。试验结果表明:SSAE算法能够有效地提取故障特征,且故障诊断效果优于传统智能诊断方法。     

卷积神经网络在轴承故障识别的应用

针对传统故障诊断方法在轴承故障诊断识别率低、人为干预多等问题,提出一种基于卷积神经网络的故障识别方法。通过对轴承各类故障信号进行数据处理,提取出故障信号的特征,构建故障类型数据集,建立卷积神经网络图像识别模型,将故障数据集送入模型训练获得较优识别模型,最后将待识别故障信号特征图送入模型进行故障类型识别。经实验验证,该方法满足多类轴承故障识别的要求,具有较高的故障识别率。该方法无需人为参与,只需将待测信号进行数据处理送入模型进行识别,符合智能故障诊断的发展趋势,在机械故障领域具有一定的应用价值。     

基于三稳态随机共振的滚动轴承早期故障诊断研究

针对滚动轴承早期故障提出了三稳态随机共振故障诊断新方法。介绍了三稳态随机共振的基本理论,对比三稳态与双稳态系统说明其产生随机共振的可能性;采用小幅值正弦信号模拟故障输入信号,研究了不同频率下输出与输入信号频谱峰值比,得到了三稳态随机共振的诊断可行性。使用滚动轴承早期故障实测信号作为实验数据,实验结果表明三稳态随机共振对轴承早期故障具备良好的直接诊断能力,为滚动轴承早期故障诊断方法提供了一种新思路。     

故障诊断技术在烟草机械中的应用和发展趋势

机械故障诊断技术作为一门新兴的学科,在现代化工业生产中的重要性越来越明显,已经成为保证生产系统安全稳定运行和提高产品质量的重要手段和关键技术。尤其是随着科学技术的进步,人工智能化的故障诊断技术更成为近年来的研究方向。介绍了故障诊断技术的含义、目的、研究方向及意义,对故障诊断技术的发展进行了概述,在此基础上,阐述了故障诊断技术在烟草机械中的应用及其研究概况,提出了烟草机械故障诊断技术的发展趋势及研究方向。     

基于多源数据融合的电力系统故障诊断与评估平台开发

针对当前电力系统故障数据和信息分布在不同安全分区的问题,对符合安全防护规定的跨安全分区数据分类、关联和融合技术进行了研究,提出了基于多源数据融合的电力系统主网和配网故障智能诊断技术。在主网诊断过程中,充分利用故障状态量、电气量和时序信息等数据,并结合气象等外部要素情况,分析了故障原因;在配网评估过程中,综合利用电力生产管理系统(PMS)、调度管理系统(OMS)以及能量管理系统(EMS)的海量数据,发展了基于规则推理的配网故障诊断评估技术。并根据江苏电力系统实际情况,侧重电网运行信息、设备状态信息和环境监测信息深度融合与综合应用,开展了基于多源数据融合的电网故障诊断平台研究以及故障辅助分析系统的研制。研究结果表明:该系统综合利用了多源数据的冗余信息,可更快速和准确地实现故障智能诊断。     

机械故障诊断中延迟向量方差及非线性滴定法的研究

针对故障机械系统的复杂性与非线性,给出一种基于延迟向量方差(delay vector variance,DVV)及非线性滴定的机械故障诊断方法。首先采用DVV算法对故障信号进行非线性检测,通过DVV分布图或DVV散点图定性描述故障信号的非线性强度。然后通过非线性滴定法对故障信号进行滴定,以滴定均值作为故障判据,对不同故障进行定量刻画。实验及工程实例结果证明了该方法的有效性。研究结果为机械故障诊断提供了一种定性及定量分析方法。