智能故障诊断的一点体会

交大基层代表

  摘自：AITMR中文网

机械的故障诊断，性能评估，寿命预测俨然已经成为了机械学科内一个不可或缺的研究领域。或许也是这个方向相对于传统的机械学科来说更容易出一些所谓的成果，所以现在研究圈内，尤其是国内的众多专家学者和硕博士们正在如火如荼的在这一领域浴血奋战。当然，这一两年我也一直在这一块晃荡着。想着刚入行的痛苦，所以写下这些个体会，供新入行的朋友们有个快速入门的途径。另外，这仅是我的一家之言，也因为道行尚欠，里面的知识点和总结难免有错误的地方，还望各位高手达人不吝赐教。

我的理解，目前的智能故障诊断主要可以分为两部分：纯信号处理的方法和信号处理加模式判别的方法。

纯信号处理的方法，我了解得也不多，所以这里也仅仅做一点简述。当前用得比较多的基本套路就是把原始信号变换到频域或者是视频域在进行相应的判断。尤其是对于旋转机械来说，其故障信息一般会有固定的频率成分可以去判别。（这一部分，了解不多，以后再补充相关的参考文献，供大家参阅。）

这里我主要讲讲信号处理加模式判别的方法。

这一方法主要的套路是这样的：

信号预处理：

信号预处理作用是把原始信号变得更加规整，适合后面做特征提取。其主要步骤包括以下这些：

1、  去趋势项：在振动测试中采集到的振动信号数据，由于放大器随温度变化产生的零点漂移、传感器频率范围外低频性能的不稳定以及传感器周围的环境干扰等，往往会偏离基 线，甚至偏离基线的大小还会随时间变化。偏离基线随时间变化的整个过程被称为信号的趋势项。趋势项直接影响信号的正确性，应该将其去除。常用的消除趋势项的方法是多项式最小二乘法。

2、  数据奇异值剔除：采集数据中往往由于偶然的冲击等因素，造成采集数据中会有异常的奇异值，为避免这些奇异值对数据特征产生不良印象，需要对数据中异常的极值进行消去、修复等。

3、  去噪、滤波：这一步很重要，也是圈子里很多人重点研究的内容之一。因为现在工况条件复杂，传感器本身的不稳定（温飘等）等原因，现在采集的信号往往包含有大量的噪声。而且在极端的情况下，甚至机器本身的振动波形完全被噪声信号所掩盖了（关于这一点，虽然现在一些文献“表明”自己的算法能够在这种情况下能够把故障信号提取出来，但我还是抱有一定的怀疑态度的）。当然，关于这一块专家们投入的热情比较大，成果当然也是累累的。主要可以从以下几个方面来了解：

老鹰3号

有些事做的人多了，自然会有些成果。即使人与亦云，道听途说。也能忽悠个一时半载。难的是能否静下心来一门心思做学问！以前也读过一篇文章关于信号处理的，但是总感觉作者是在预判结果后想方设法用已有的数据往上套。而不是实实在在的分析既有的数据。这样未免偏颇。

ruan

智能故障诊断当然是利用计算机自动完成的，即只要有振动数据，计算机就能根据设置的判断准则（任何算法）给出设备是否存在异常，如果有异常，给出异常的原因（和处理意见）。信号分析方法只能是手段，通过信号分析由人（普通人和专家）来判断是人工诊断，而不是智能故障诊断，目前很多号称智能故障诊断系统其实是人工诊断系统。
智能故障诊断有的是采用模糊诊断和神经网络诊断等，是基于故障发生率和故障征兆的统计规律，本质上是错误的，伪科学。很多高校和研究机构为了证明方法的准确性，仅仅利用转子试验台的典型故障是没有意义的，主要是简单，普通人也能判断，有的不惜编造数据。只有基于故障因果关系的智能故障诊断方法才是科学的，如故障树、正向推理、反映因果关系的诊断规则等，虽然不能保证诊断结果的准确性，但是走在真理的路上。
实现智能故障诊断需要对故障机理、现场经验、信号分析方法和软件编程等有全面的把握，目前人才奇缺。

交大基层代表

老鹰3号 发表于 2015-4-11 10:05
有些事做的人多了，自然会有些成果。即使人与亦云，道听途说。也能忽悠个一时半载。难的是能否静下心来一门 ...

目前从我看的很多文章来看，大家都是这个套路。表面看上去这个领域研究很火热，但是真正实在的东西挺少。

交大基层代表

ruan 发表于 2015-4-11 10:33
智能故障诊断当然是利用计算机自动完成的，即只要有振动数据，计算机就能根据设置的判断准则（任何算法）给 ...

“智能故障诊断有的是采用模糊诊断和神经网络诊断等，是基于故障发生率和故障征兆的统计规律，本质上是错误的，伪科学。”关于这一点我倒不这么觉得，如果能够坚持做智能诊断很长时间，收集很多的故障样本，其实这种方法我感觉还是挺可靠的。

交大基层代表

  摘自：AITMR中文网

（1）简单的时域去噪：

平均值滤波：

中值滤波：

一阶滞后滤波：



（2）有效的频域去噪：

         最经典的频域滤波是将信号从时域变换到频率后，在根据信号在频率内的特征只保留特征频率内的信号成分，而将其余成分去除。在频域内还可进行高通，低通，带通，带阻滤波，当然这是工业上对于滤波用得非常多的内容。



（3）复杂有效的时频域去噪：
历史车轮慢慢走，人们发现频域变换已经不能满足信号处理的需要了，这时候出现了牛逼的时频域变换。当然这里面方法也是很多的，小波去噪和EMD去噪算是时频去噪里面的佼佼者，也是在学术圈一直在红火的方法。关于这些方法的更具体一些的内容我将会在下面一节特征提取中详细侃侃。



（4）牛气的统计滤波：

这一块内容最开始我是比较忽略的，但是最近看寿命预测的东西，发现这玩意儿其实挺牛逼的，尤其是在控制界，那基本上估计是应用方面仅次于PID的算法。这里面最著名的算法主要有维纳滤波，卡尔曼滤波和粒子滤波。这些方法不仅能用在振动信号的去噪上，他们在控制领域被非常广泛的使用。而且，我发现寿命预测方面的研究中基于概率模型的预测基本都是在这几种方法上的应用。他们具体的原理内容，后面有时间的时间我再慢慢写。大家也可以自己google之，网上有很多配有matlab代码的tutorial，非常简单实用。



未完待续

特征提取：



故障识别：

flydan

一些方向还是可行的

vib001

智能诊断需要大量的历史真实数据做支持和验证。
否则就是纯理论的，应用于实际会笑话百出的。

ruan

vib001 发表于 2015-4-15 08:39
智能诊断需要大量的历史真实数据做支持和验证。
否则就是纯理论的，应用于实际会笑话百出的。

智能诊断的关键技术：诊断方法正确，应用软件简单实用，经过大量现场案例模拟验证和实际运行设备数据诊断正确。单纯从理论、转子试验台数据是做不出有价值的产品的。
没有处理过大量现场设备故障的人做智能诊断确实会闹笑话。

ruan

交大基层代表 发表于 2015-4-11 11:24
“智能故障诊断有的是采用模糊诊断和神经网络诊断等，是基于故障发生率和故障征兆的统计规律，本质上是错 ...

同类型设备的故障案例收集可以用于基于案例的诊断，不同类型设备的故障案例没有可比性。
从故障案例中获得故障机理、特征和处理方法是可以根据故障原因与特征的因果关系进行诊断的，但用于统计方法诊断是没有实用价值的。例如，不平衡是常见故障，每次设备出现异常时，都认为是不平衡问题，至少说对了一半，但对解决实际问题没有意义。必须排除哪怕只能有1%可能性的故障。从模糊诊断和神经网络诊断等到粗糙集、支持向量机和盲源分离等是纠正了错误的方向（后者实际上已经否定了前者），但还是没有回到正确的诊断故障的道路上。

vib001

ruan 发表于 2015-4-15 10:15
智能诊断的关键技术：诊断方法正确，应用软件简单实用，经过大量现场案例模拟验证和实际运行设备数据诊断 ...

关键是故障案例样本要足够多。样本多 可以分析出规律  甚至改写原来的理论。

ruan

目前正在收集整理上千个汽轮机振动故障案例，进行基于案例推理的表示和算法研究。新的数据采集方法和分析手段确实改变了原来的理论和规程。如原来汽轮机碰摩要求盘车4小时以上（有的无必要）或者偏心恢复正常（有的碰摩热弯曲与偏心无关，造成机组反复启机失败），我们要求所有轴承盘车晃度正常30分钟以上。

vib001

ruan 发表于 2015-4-15 10:56
目前正在收集整理上千个汽轮机振动故障案例，进行基于案例推理的表示和算法研究。新的数据采集方法和分析手 ...

实践出真知！～～

随风而逝dream

写的挺好的体会，行内人

狠青春2012

其实感觉我们研究的往往太理想化了，开发出的产品在现场强大的噪声和其他环境因素的影响下显得那么无奈，非常不实用，故障诊断这块经验真的很重要。