故障诊断技术学科发展

20年以来，随着科学技术的不断进步和发展，尤其是计算机技术的迅速发展和普及，设备故障诊断技术已逐步形成了一门较为完整的新兴边缘综合工程学科。该学科以设备的管理、状态监测和故障诊断为内容，以建立新的维修体制为目标，成为国际上一大热门学科。设备诊断技术在我国的化工、冶金、电力、铁路等行业得到应用，取得了较好的效果。随着诊断技术的发展，出现了与之有关的厂家，部分传感器、数据采集器已接近国际水平，同时研制开发了一些诊断仪器和设备，其中，以传感器为核心的传感技术是数据采集的关键。

设备故障诊断技术发展到今天，已成为一门独立的跨学科的综合信息处理技术，它以可靠性理论、控制论、信息论和系统论为理论基础，以现代测试仪器和计算机为手段，结合各种诊断对象的特殊规律而逐步形成的一门新兴学科。它大体上有三部分组成：

第一部分为故障诊断物理、化学过程的研究；

第二部分为故障诊断信息学的研究，它主要研究故障信号的采集、选择、处理和分析过程；

第三部分为诊断逻辑与数学原理方面的研究，主要是通过逻辑方法、模型方法、推论方法和人工智能方法，根据可观测的设备故障表征来确定下一步的检测部位，最终分析判断故障发生的部位和产生故障的原因。

在机械设备中，大型旋转机械如风机、压缩机和汽轮机等设备,是石油、化工、冶金和电力等现代企业中的关键生产工具, 对这些设备开展状态监测与故障诊断工作, 保障设备安全可靠的运行, 可以取得巨大的经济效益和社会效益。振动故障是旋转机械故障的主要表现形式, 振动及其频谱特性的征兆是最能反映故障特点、最有利于进行故障诊断的手段。

因此, 根据振动信号进行监测与诊断目前仍是设备维护管理的主要手段。对振动特征信号的分析, 是进行准确诊断的必要前提。

旋转机械发生故障的重要特征是机器伴有异常的振动和噪声,其振动信号从幅值域、频率域和时间域实时地反映了机器故障信息。

因此, 了解和掌握旋转机械在故障状态下的振动特征, 在监测机器的运行状态和提高诊断故障的准确度方面具有重要的理论意义和实际工程应用价值。

故障特征(又称故障征兆)的提取是故障诊断领域的关键技术之一。故障特征提取是否准确、是否完备, 直接影响故障诊断结论的准确性。所谓特征提取, 就是对系统的动态信号预处理后得到的信息进行分析, 提取与系统状态有关的数据, 再分析这些数据, 提取其中与系统状态相关性较大的敏感特征, 这样一个过程就叫做特征提取。为了从根本上解决旋转机械故障特征信息提取这个关键问题, 人们主要是借助信号处理的方法来提取旋转机械信号故障特征。

传统的旋转机械故障特征提取技术主要有: 信号的幅值分析、相关分析, 频域分析, 时序分析以及特征分析。这些分析方法是基于信号为稳态和线性的假设基础上的, 在旋转机械故障特征提取中发挥了巨大作用。

实际当旋转机械故障发生时的振动信号, 大量是非平稳、非高斯分布和非线性的随机信号, 使上述传统的信号分析方法遇到了难以克服的困难, 也严重影响了故障诊断的准确性。因此用于研究和分析非线性、非因果、非最小相位系统、非高斯、非平稳、非整数维(分形信号)和非白色的加性噪声的现代信号特征提取技术, 实现旋转机械故障的准确诊断是目前研究和发展的重要方向。

现阶段主要的信号处理方式有现代谱分析、时频分析理论、短时傅里叶变换、小波变换以及基于经验模态分解的时频分析方法等；同时也有包括主元分析、独立分量分析、神经网络、模糊控制、高阶统计量分析以及将混沌与分形动力系统理论在内的新方法引入旋转机械故障诊断领域。

人工智能时代，越来越多的企业致力于开发不同工业领域及不同设备使用场景中的机械故障特征提取算法的研究和应用。其中成熟运用人工智能算法，高速数据采集技术，先进传感器技术等设计开发的故障监测系统将是未来故障诊断系统的发展方向。