前言：我們精心挑選了數篇優質故障診斷方法綜述文章，供您閱讀參考。期待這些文章能為您帶來啟發，助您在寫作的道路上更上一層樓。

第1篇

摘要： 隨著經濟的發展，技術的進步，現代企業設備越來越大型化、復雜化、智能化，如果液壓設備發生故障，生產就無法進行。本文首先介紹液壓系統故障診斷的準備工作，然后詳細介紹三種診斷方法。

關鍵詞：液壓系統故障 簡易故障診斷法 人工智能故障診斷法

液壓系統具有很多獨特的優點，常見的如：大容量、結構緊湊、安裝靈活、反應快、容易控制等等，在現代大型設備，特大型設備中具有廣泛的應用的同時存在著問題，極易發生故障從而影響生產，造成故障的原因主要是系統中元輔件和工作液體性能不穩定，系統設備使用不當或者維護不到位。近幾年液壓系統故障診斷成為了一門專門的學科，受到高度的重視。

1、液壓系統故障診斷的準備工作

第一拿到設備使用說明書時一定要認真仔細的閱讀，詳細了解該設備的功能、結構、工作原理，包括系統中元件的功能結構和原理；第二從網上查閱設備的檔案資料，包括生產廠家、制造日期、調試驗收，故障可能、處理方法等等。

2、簡易故障診斷方法

2.1 主觀診斷法

這是一種最傳統的方法，憑借維修人員的主觀判斷（看、聽、摸、聞、問）和實踐經驗，或者利用簡單的儀器、儀表判斷故障發生的部位并且給出發生的原因。常見到的主觀診斷法有感官診斷、方框圖分析、系統圖分析，該方法簡單快捷方便，這種方法對維修人員的要求極高需要有豐富的診斷經驗，但是診斷結果具有局限性。

2.2直接性能測試法

這種方法通過測試液壓元件和系統性能進而評價系統工作狀態，適用于處于工作狀態的系統，還能進行定量的分析，現代運用最多的是檢測液壓系統的狀態。如果檢測的液壓系統元件或者性能超出了規定的正常范圍，那么該系統就有發生故障的可能性。這種方法原理簡單，相當直觀，但是測試的精準度不是很高，一般早期的失效很難檢測出來。

3、基于信號分析的故障診斷方法

3.1基于抽樣分析法

反映系統內部信息的除了液壓系統本身的信息，其內部的污染物也可以，也就是說測定和鑒別油液當中污染物的成分和含量，可以知道液壓系統的污染情況和運行狀況，也是一種故障診斷的方法。目前我們經常見到的有兩種：一種是基于油液顆粒污染度的檢測技術，包括：顯微鏡檢測技術（設備投資小、方法簡單、費時費力、誤差大）、自動顆粒計數器（檢測速度快、操作簡便、準確度高但精度低）、稱重法（設備簡捷、檢測方便、只測重）、鐵譜分析法（可進行定性和定量的分析）、光譜法（成本高、精度高）；另一種是基于油液性能參數的檢測技術，這種技術需要細致的分析油液的有關參數和金屬的含量，歷時的周期較長，無法實現在線檢測，但是對重要液壓系統的診斷很有效。

3.2基于振動噪聲分析法

在液壓系統的運行過程中，必然會伴隨產生振動和噪聲，尤其液壓泵的振動聲音十分大，實際上這些設備的振動和噪聲就包含了許多故障的信息，分析信號，得到元件狀態信息，進而進行故障診斷。這種方法的理論比較完善，應用也比較廣泛，有多種信號處理方法如：時域特征參數法、時差域特征法、概率密度法、相關分析法、譜分析法、自功率譜分析法、倒頻譜分析法、包絡譜分析法、主分量自回歸譜提取法、AR譜參數提取法、小波分析等。目前旋轉機械設備也能用它分析診斷故障，純機械設備的故障診斷效果相當明顯。隨著信號處理技術的發展，這種方法的應用前景十分可觀。

3.3基于數學模型法

這種方法的指導是現代控制理論和優化方法，基礎是系統的數學模型，殘差產生法是觀測器（組）、等價空間方程、Kalman濾波器、參數模型估計和辨識等，利用閥值或者準則評價決策殘差。該方法和控制系統的關系相當密切，共同成為監控、容錯控制、系統修復重構的基礎。這種方法的數學模型的精確度直接決定診斷的精確性，一般最常建立的是線性和非線性的數學模型來診斷液壓系統的故障。

4、基于人工智能的故障診斷方法

4.1基于專家系統的智能診斷法

這是智能診斷技術中受到多方關注的一個發展方向，研究最多，應用最廣，主要是利用專家的知識和推理方法解決實際遇到的復雜問題。在這的專家系統并不是指人員而是指一種人工智能計算機程序，知識權威，學習功能強大。該系統的主要組成部分：知識庫（系統知識和規則庫）、數據庫、推理機和解釋機制。如果利用它檢測在線的系統，數據庫顯示的是實時工況數據；如果利用它檢測離線系統，則數據庫顯示的是實際故障時的數據或者人為故障的樣本數據。該方法的運行過程是通過人機相互交換，專家系統獲得所需信息，利用系統的知識庫和數據庫，推理機運用規則，調用應用程序，進行正確的推理，找到液壓系統的故障。這種方法給自動化進行液壓系統故障診斷代帶來了光明和希望，但是也存在一定的不足和問題，不過未來的發展前景還是很廣闊的。

4.2基于神經網絡的智能診斷法

20世紀80年代人工神經網絡迅速崛起，成為人工智能領域的一個分支，是一種計算模型（與人的認知過程相似），一種非線性動力學網絡系統（模擬大腦神經元結構特性）。神經網絡的非線性處理單元（類似神經元）相互關聯，具有了學習、記憶、歸納總結等功能和數學模擬能力。這種方法的具有獨特的優勢，如：分布式處理能力、聯想記憶、自學習能力等收到診斷領域的廣泛關注和重視，未來發展前景十分寬廣。

4.3基于模糊理論的智能診斷法

大量的模糊現象存在于液壓系統故障診斷領域，如：系統油溫過高、壓力波動較重等等，過高、較重這些都是模糊的概念，并沒有清晰的邊界，故障發生會經歷一個漫長的時間，同時故障發生的原因和癥狀也是模糊的，可能一對一，可能一對多，也可能多對一。利用模糊邏輯、模糊關系描述故障的原因和現象，建立隸屬度函數和模糊方程，明確識別故障。這種方法的現象更為客觀，結果更符合實際，速度快，容易實現。

5、結束語

隨著21世紀科技的發展，人工智能技術更是突飛猛進，還有許多智能診斷的方法如：故障樹診斷法、灰色理論智能診斷法、案例推理診斷法、多智能體的智能診斷法、信息融合技術智能診斷法等等。如何將新型科技、智能技術運用到故障診斷系統當中，實現自動化、智能化的故障系統診斷是我們亟待解決的問題。

參考文獻：

[1]范士娟，楊超.液壓系統故障診斷方法綜述[J].機床與液壓，2009，37（5）：188-192，195.

第2篇

關鍵詞：往復式壓縮機；故障診斷方法；振動診斷法；直觀診斷法；熱力診斷法 文獻標識碼：A

中圖分類號：TH457 文章編號：1009-2374（2016）17-0073-02 DOI：10.13535/ki.11-4406/n.2016.17.035

1 往復式壓縮機診斷方法研究現狀分析

往復式壓縮機是一種應用廣泛的通用機械設備，在工作過程中經常由于高耗損引發故障的出現，進而難以維持工作的正常進行，對于故障診斷技術的研究一直以來受到國內外學者的廣泛關注。在國內，有的學者通過對往復式壓縮機缸蓋振動信號進行分析，有的通過對缸內氣體壓力的影響方面進行分析，有的通過對壓縮機常規性能參數的監測和控制方面進行研究，力求改變目前操作人員憑經驗判斷故障的局面；在國外，美國學者曾提出利用氣缸內側的壓力信號圖像判斷氣閥故障及活塞桿的磨損，捷克學者對各個不同類型的壓縮機通過建立常規數據庫，確定評定參數來判斷壓縮機的工作狀態是否正常。然而，雖然引起各大學者的關注和尋求各種解決辦法，但是對故障診斷技術到目前為止還沒有一套成熟的得到認可的診斷系統來獲取有效特征參數。

2 往復式壓縮機常見故障及措施

2.1 排氣溫度過高

排氣溫度過高主要是由于使用過程中出現冷卻情況或是排氣閥泄露造成的。

措施：通過降低進口冷卻水的溫度或是增大冷卻水流量，將冷卻水溫控制在規定范圍內，對冷卻器進行定期的零件檢查與維修；通過測溫裝置對排氣閥進行溫度檢測，如果過熱，則需拆開氣閥進行修理，更換氣閥彈簧。

2.2 曲軸斷裂

曲軸斷裂軸頸與曲臂的圓角過渡處。曲軸斷裂產生的原因比較多：曲軸過渡圓角太小，熱處理時，圓角處理不到位；圓角有局部斷面突變，加工不規則；油孔處出現裂縫，油滲入后使裂縫逐漸擴大，造成斷裂；長期超負荷運轉，減少使用壽命。

措施：適當增大曲軸的過渡圓角，熱處理保持均勻；提高曲軸加工質量和精確度；提高曲軸油孔的加工質量；從壓縮機使用情況來講應充分考慮曲軸強度問題，禁止超負荷運轉。

2.3 軸承過熱

軸承過熱主要是由軸承間隙過小，油形成不了油膜，起不到冷卻的作用或是油泵出現故障造成斷油及油路堵塞等問題，致使軸承產生熱量引起的。軸承過熱將加快摩擦，產生的熱量不斷積累燒毀摩擦面造成重大事故。

措施：及時對軸承間隙做調整，將間隙控制在合適的范圍內；提高油黏度，定期對油泵進行檢查，疏通油路，促使軸承得到良好的。

2.4 連桿螺栓斷裂

連桿螺栓斷裂的原因表現在安裝或檢修螺栓緊固時產生偏斜，承受不均勻的載荷；長期使用產生塑性變型；連桿螺帽松動或開口銷折斷，連桿螺栓因承受過大的沖擊而被拉斷。

措施：應使連桿螺帽的端面與連桿體上的接觸面緊密配合，必要時用涂色法進行檢查；定期檢查連桿螺栓的受力和變型情況；安裝或檢修后，連桿螺栓一定要擰緊，必要時穿上新的開口銷，以免松動。

2.5 氣流脈沖引起的管路振動

氣流脈沖引起的管路振動是由氣流的脈動性和壓縮機未被平衡的慣性力和力矩兩方面引起的振動。

措施：注意彎管和異徑管的正確設計，使設計的管路長度要避開共振管長；現場采取消振措施，可增設緩沖器，還可以加節流孔板，或適當增設管路支架來起到減振作用。

3 往復式壓縮機故障診斷方法

3.1 振動診斷法

出現故障的往復式壓縮機在振動及噪音上會出現差異性，通過對差異性的掌握可有效對往復式壓縮機進行故障診斷。針對往復式壓縮機在振動及噪音方面的不同表現研制出對其進行監測的振動監測儀，但在使用過程中振動頻率過大，存在噪音不受控制、信號不平穩等因素，使得振動監測儀仍處于實驗階段，尚未全面普及。

3.2 直觀診斷法

作為往復式壓縮機故障診斷方法中最基礎的一種診斷方法，主要是工作人員通過身體感官（眼睛看、耳朵聽）及自身經驗來診斷故障，這種診斷方法在準確度上存在瑕疵，適用于故障的初步診斷或是在沒有檢測裝置情況下進行應急使用。目前壓縮機機械設備逐漸向自動化方向發展，直觀診斷法缺乏科學性，對診斷往復式壓縮機故障起不到關鍵性的作用。

3.3 熱力診斷法

熱力診斷法是借助儀器對往復式壓縮機各項數據進行測量和分析，以達到故障診斷的目的，包括對壓縮機的油溫、水溫、排氣量、冷卻水量等數據信息的監測。在對往復式壓縮機進行數據收集時，由于不同部件出現故障在數據上表現不同，采用熱力診斷法在診斷和預測故障時容易缺乏準確性，目前主要應用于壓縮機的運行狀態和監測參數等方面。

3.4 油液診斷法

油液診斷法是一種比較特殊的故障診斷方法，包括油液中磨損信息分析和油液物理化學性能分析兩方面。診斷過程中，有關人員對往復式壓縮機中的油液進行取樣，通過對油液自身屬性的分析和油液磨損信息的了解，掌握往復式壓縮機在運行中是否存有故障。在對油液進行分析時需引入大量現代的高新技術儀器，才可確保油液診斷的準確性。

3.5 人工智能診斷法

該診斷方法是往復式壓縮機故障診斷過程中應用最頻繁的一種方法，具有易于構造、預測簡單、解釋機制強等優勢，同時也具有推理機制簡單、專家知識不夠精確等缺陷，人工智能診斷法是在專業知識和大量實踐經驗的基礎上建立一套具有人工智能的計算機程序，主要用于解決難度較大且復雜的故障問題。但人工智能診斷系統主要收集的是專家的意見，不能對知識進行判斷，容易產生錯誤的知識應用，造成故障診斷失敗。

4 往復式壓縮機故障診斷過程中的注意事項

4.1 完善診斷方法

從事往復式壓縮機故障診斷的技術人員，具有一定的技術優勢，但是對理論知識的掌握存在不足，不利于新技術的使用，導致系統診斷方法過于單一，應要求相關技術人員通過企業培訓或是網絡課程的學習來增強理論知識的學習與技術的創新，進而推動往復式壓縮機故障診斷工作的提升，同時還應加強計算機輔助實驗的開發工作。

4.2 強化全面診斷

通過對往復式壓縮機診斷方法的研究發現，各種診斷方法在診斷過程中都存在一定的缺點，不能做到對故障的全面診斷，要求有關人員在進行往復式壓縮機診斷過程中注重全面性，采取小波分析、人工智能理論等多種分析技術相結合的方法，通過多種技術交叉應用的方法彌補診斷上的片面性。

4.3 避免診斷失誤

在往復式壓縮機故障診斷的過程中，工作人員主要是對收集的信息進行確定分析，以達到準確的故障檢測的目的。但是在日常工作過程中，由于設備的落后、人員的疏忽等，故障監測準確率不高，間接采集到的信息帶有一定程度的不確定性，常常會出現誤診。因此，要想保障往復式壓縮機故障的診斷，就要對往復式壓縮機的故障信息進行準確的收集，提高信息的正確性。

同時，對于往復式壓縮機的在線狀態監測及故障診斷問題，還應加深識別理論的研究與定量關系的研究，包括對氣閥的故障診斷、前期裂紋存在的預測、不同裂紋的類型長度等進行深入研究。加強對傳感器與監測儀的研制，建立系統的數學模型，通過振動分析獲得往復式壓縮機故障診斷與參數之間的對應關系。

參考文獻

[1] 程艷霞，鐵占續，孫付偉，等.往復式壓縮機故障診斷方法研究綜述[J].儀器儀表用戶，2006，（5）.

[2] 付希濤.往復式壓縮機故障診斷研究與展望[J].技術與市場，2014，（7）.

[3] 黃敏.往復式壓縮機狀態監測與故障診斷分析[J].設備管理與維修，2016，（1）.

第3篇

關鍵詞：電機故障；診斷原理與技術；技術應用

電機作為機械設備的動力源電機故障；診斷原理與技術；技術應用頭，主要作用是將電能轉化為機械能，供機械設備運轉。因此，電機是供電與用電系統的重要元件。但是電機運轉時間長，工作負荷大，容易受到各種外界因素的影響，從而出現故障問題。如果工作人員不能及時診斷并處理電機故障，那么將影響電機的正常運轉，嚴重時將導致電機的破損。所以說，電機故障的診斷技術是保證電機正常、有序運轉的技術基礎。筆者基于多年的電機故障診斷理論研究與實踐經驗，提出幾種有效的電機故障診斷技術，希望能夠與相關工作共同探討、提高。

一、電機故障的診斷原理

一般來說，電機故障的診斷原理有以下幾種。

首先，根據噪音、振動、溫度等變化情況診斷電機故障。在電機出現故障時，工作人員會先用溫度檢測儀器對電機各個部位的溫度進行檢查，以初步確定電機故障的類型，再根據電機故障的噪音或者振動情況，大致確定電機故障的位置與原因，從而為進一步診斷提供條件與基礎。這種診斷方法主要針對情況較輕的、能夠通過工作人員的經驗或者簡單儀器等檢查出來的機械故障。

其次，根據電流變化情況診斷電機故障。這種方法的診斷原理是工作人員利用頻譜分析儀器等對電機內電流的波形進行分析與檢測，再對比正常運轉電機的電流波形圖，從而判斷電機故障的程度。最后，根據絕緣結構的檢查結果診斷電機故障。

除了以上兩種方法之外，工作人員還可以利用適宜的電氣檢查設備對電機內的絕緣結構進行檢測與分析，得出電機絕緣結構的壽命以及電機工作性能等因數，從而對電機故障進行進一步的診斷。

二、電機故障的診斷技術

電機主要由電路、磁路兩部分組成，兩者共同轉化能量。電機故障既有電氣方面的原因，也有機械方面的因素，因此，電機質量或者安裝質量不合格、電機在運轉過程電壓不穩、負載超出標準等等情況，都將可能引起電機故障，影響電機的正常運轉。工作人員根據相關原理、選擇適宜的故障診斷技術對電機故障進行診斷，以保證電機的可靠運轉。

（一 ）在我國，基于數學模型的電機故障診斷技術的應用已經比較純熟，最簡單直接的方法是進行輸入輸出信號的處理，電機輸出量如果超標，即為有故障可能，或者也可以通過數學方法研究波形的主要參數變化與故障源之間的聯系，來分析判斷故障原因和位置。而基于狀態或過程參數估計的電機故障診斷技術也在不斷完善，圖1為這類方法的原理圖。這種方法既有優勢也有缺點，優點是可以根據系統動態性質實時診斷，缺陷是不適用于非線性電機模型。這種方法能夠很大提高電機故障診斷的效率。但是隨著經濟、技術的發展，更多有效的診斷技術，尤其是人工智能診斷技術被應用與電機故障診斷中，為電機的正常、高效運轉提供技保障。

（二）人工智能診斷技術

第一 人工神經網絡診斷技術 此類診斷技術在當前應用效果較好，使用頻率也較大，正在成為新興主流診斷技術之一。它主要采用BP網絡對電機故障的信號進行檢測、分析與轉換，同時根據相應的算法以得到輸入、輸出樣本之間的映射關系，從而利用網絡進行科學地分析與診斷。目前已有很多成功實例，如利用BP網絡實現分箱式感應電機的匝間短路與軸承損耗兩類故障的診斷，同時有文獻記載 可將基于 BP 神經網絡的方法用于電機轉子斷條的故障診斷 。B P 神經網絡的算法通常 采用基于梯度下降原理的誤差反向傳播算法 ， 即 BP 算法 。但標準 BP 算法特點是收斂速度慢 ，可以加快訓練收斂速度 ， 引入動量項的是權值修正快速算法 。這種方法提高了運算效率 ，更具實用價值。 人工神經網絡診斷技術應用效果最好的是診斷轉子斷條故障，基本上可以達到零失誤率。

第二 模糊邏輯診斷技術。有些電機故障不能很準確地被描述出來，顯示一定模糊性，在此就需要利用模糊邏輯診斷技術對電機故障進行診斷。但是這種診斷技術需要模糊知識庫的支持與輔助，并建立故障與故障征兆之間的關系或者規則庫，從而通過推理判斷、診斷電機故障。但是這種技術容易出現誤診，需謹慎使用。圖4為模糊診斷技術原理圖。故障診斷部分是一個典型的模糊邏輯系統，主要包括模糊化單元，參考電機，底層模糊規則，和解模糊單元。其中模糊推理和底層模糊規則是模糊邏輯系統的核心。文獻指出，解決籠式感應電機轉子斷條故障，使用模糊邏輯不僅可以檢測故障的發生，甚至可以給出斷條數目。為了更為精確， 將轉子條的狀況分為5類：沒有斷條， 有斷條初期征兆， 1個斷條， 1-2個斷條和2個斷條。異步感應電機發生斷條時， 就會在定子諧波電流中感應出頻率（1±2s）f1的附加分量， 其中s 為轉差率， f1為定子基頻 [ 16]。諧波分量中這兩個頻率的幅值分別由A1和A2（單位：dB）表征， 因此斷條故障可以通過對A1、A2檢測獲得。在模糊推理中，對于可能出現的故障， 只需用模糊隸屬度函數進行描述，而不像基于神經網絡的故障診斷方法那樣用數值進行描述， 模糊輸出隸屬度函數如圖5所示。實驗結果表明：這一方法可成功應用于一臺5.5kW兩相感應電機的故障診斷。基于模糊邏輯的電機故障診斷方法的優點在于可嵌入語言化的知識和近似推理能力。從近年來的發展可以看出， 基于模糊邏輯的電機故障診斷方法無論在理論上

還是在應用方面都已取得了很大的進展， 但與傳統的故障診斷理論和方法相比， 仍有不成熟之處，有待于進一步的完善。

第三，遺傳算法診斷技術。這種診斷技術是根據故障信號的分析與推算，對電機進行全局地控制與檢測，從而不斷地優化診斷方法，以達到提高診斷效果的目的，它具有全局控制、快速便捷等特點。但是在遺傳算法診斷技術應用過程中，工作人員需要注意參變量各項參數的準確性，需要反復試湊，以確定各項故障參數。因此可以說，遺傳算法診斷技術是電機故障診斷技術中較為先進、高效的技術。

結語

綜上所述，在電機應用過程中，相關工作人員必須提高對電機故障的認識，并根據電機應用的實際情況，科學地選擇適宜的故障診斷技術，以提高電機故障診斷效率，從而為快速、有效地處理電機故障，促使電機恢復正常運轉提供保證。目前，我國電機故障的診斷技術得到高速發展，但是由于電機故障各個類型之間的關系復雜，需要相關工作人員進一步研究，以促進電機故障診斷技術應用有效性的提高，從而保證電機的正常運轉，為機械設備提供充足的電能。

參考文獻

[1]王秋彥，鞠建波，宋振宇. 故障診斷技術研究現狀及發展趨勢[J].電子測量技術， 2009，12（04）：45-46 .

[2]劉冬生，趙輝，王紅君，等. 基于小波分析和神經網絡的電機故障診斷方法研究[J].天津理工大學學報， 2009，78（01）：21-23 .

[3]楊朋松，呂永健，逯國亮.基于小波神經網絡的電機故障診斷研

究[J].大電機技術，2009，22（04）：78-79 .

[4]M.Y.Chow， R.N.Sharpe， J.C.Hung.Ontheapplication andde-signof artificialneural networks for motor fault detection（I）[ J ] .