2.1.1　 故障诊断方法

当故障发生时，故障诊断进行故障检测、隔离和识别等，故障检测是检测系统中是否出现故障，故障隔离是定位故障的部件、子系统、系统，故障识别是识别已发生的故障模式[2]。也就是说，故障诊断就是利用设备在运行或相对静态条件下的状态信息，例如振动、声音、图像、温度以及磨损、碎屑等参数，结合诊断对象的历史状况，通过处理和分析来定量识别机械设备及其零件、部件的实时技术状态或故障现象，并预知有关异常、故障和预测其未来技术状态。

不管是退化类或突发类故障，故障诊断的一般步骤和方法如下[3]。

（1）采集和掌握有关的数据和资料

①采集的数据类型分为三类。

a.数值数据：收集的数据是单个值，如油分析数据、温度、压力和湿度等。

b.波形数据：在特定时域采集的数据为时间序列，通常称为时间波形，如振动数据和声学数据是波形数据。

c.多维数据：采集的数据是多维的，最常见的多维数据是图像数据，如红外热图、X射线图像、视觉图像等。

②采集和掌握的相关数据和资料。

a.机器结构性能资料：包括机器的工作原理；生产过程中的地位和作用；重要的动态参数，如驱动功率、流量、压力、转速变化范围、电流、电压、温度等；机器结构组成和参数，如轴承形式、密封结构、联轴器结构、齿轮齿数、叶片数、共振频率、临界转速等。

b.操作运行情况：包括负荷及其变化情况、润滑情况、启动和停机情况、工艺参数变化情况等。

c.机器周围环境的影响：包括温度、湿度、与其他机器的关联、地基沉降、电压波动等因素对机器性能的影响。

d.故障与维修情况：包括上次大修时间，大修时做过哪些调整，运转以来发生故障及对故障处理情况的记录和档案，机器的薄弱环节及预计容易发生故障的类型和部位，同型号、同工作条件下其他机器的故障情况等。

（2）振动信号采集

包括仪器配置、参数设置和辅助测试等。

（3）故障分析和诊断

注意信号的发展和变化，在时域、频域和时频域等领域，分析振动信号的频率成分、振动信号的方向性和幅值稳定性、各频率成分的相位、边频分析、波形变化分析、轴心轨迹分析和全息谱分析等，在此基础上，通过基于解析模型、基于信号处理（波形和多维数据的数据处理又称为信号处理）和基于知识等诊断方法进行故障诊断。

对于传统的诊断方法，如果可以建立较准确的监测对象的数学模型，如状态估计、参数估计、一致性检验等，首选选择基于解析模型的方法，这个方法的缺点是样本的质量和容量、模型本身局限、噪声的存在以及系统复杂性、准确性较差。当可以得到被控对象的输入输出信号，但很难建立解析数学模型时，可采用基于信号处理的方法，如幅域分析、频域分析、小波分析、自适应时频分析等，该方法常与其他方法结合，用于监测数据的预处理。当很难建立被控对象的数学模型时，可采用基于知识的方法，包括专家系统、神经网络、模糊算法、遗传算法、粗糙集、人工免疫算法、故障树、支持向量机等故障诊断方法。

随着移动互联网、大数据和人工智能等新一代信息技术的发展，基于深度学习等新一代数据驱动的故障诊断方法受到工业界和学术界越来越多的关注[4～6]，详细内容见第7章。

（4）常见机械故障识别及实例

①不平衡，如离心压缩机不平衡、压缩机不平衡等。

②不对中，如压缩机对中不良、电机与发电机对中故障等。

③机械松动，如电机不平衡及支承松动、发电机组汽轮机支承松动等。

④转子或轴裂纹。

⑤滚动轴承损伤、损坏。

⑥滑动轴承故障。

⑦齿轮箱故障。

⑧传动皮带故障。

⑨叶轮、叶片和旋翼断裂。

⑩电机故障。

⑪共振故障等。