设备故障诊断及维护

前言：设备故障诊断及维护就是对设备的寿命预测，预测设备可能发生故障的时间，以及将当前发生的故障诊断出来。同时，相同的设备产品在不同的环境、不同的操作条件下，设备寿命也各不相同。

设备维护的三种策略

• 响应式维护（坏了才修）
  采用响应式维护，机器将一直用到寿命极限，在出现故障后才进行维修。如果要维修一个便宜的设备，例如电灯泡，响应式方法可能会更好。但是如果是一些昂贵部件的复杂系统，例如飞机引擎。我们无法承受其出现故障的风险，因为维修损坏严重的部件成本会非常高昂。而更重要的是，它涉及到安全问题。
  
• 预防性维护（没坏就修）
  我们通过对设备进行定期检查以尽量防止故障的发生。预防性维护的一个关键问题是确定何时进行维护。由于我们不知道何时可能发生故障，因此在制定计划时必须留有余地，在操作安全关键型设备时尤其如此。但是，太早安排维护会浪费仍然可用的设备的寿命，进而增加成本。
  
• 预测性维护（在预估的损坏时间之前修）
  预测性维护让我们能够预估机器发生故障的时间。了解可预测的故障发生时间可帮助我们确定安排设备维护的最佳时间。预测性维护不仅可预测将来的故障，还可以查明复杂机械存在的问题，并帮助我们确定需要维修的部件。
  

预测性维护就是我们设备故障诊断及维护需要采取的维护策略。

预测性维护

预测性维护有三个目标：

1. 检测当前的故障异常（回归、分类）
2. 判断当前发生的故障的种类（分类）
3. 预测故障发生的时间，即设备寿命预测（回归、时序建模）

建模步骤

1. 数据采集——收集足量的各类故障和正常的数据，明确各故障的故障特征频率
2. 数据预处理——降噪，提高信噪比；异常值处理；缺失值处理；时域转频域
3. 特征分析、提取——降维；信号处理
4. 通过回归、分类、时序建模实现目标

常用故障特征提取方法

傅里叶、加窗傅里叶和小波变换

小波与小波包、小波包分解与信号重构、小波包能量特征提取 (Matlab 程序详解）
-----暨 小波包分解后解决频率大小分布重新排列问题

1. 快速傅里叶变换 FFT
   缺点：无法同时兼顾信号在时域和频域中的全貌和局部化问题

2. 小波变换
   小波变换只对信号的低频部分做进一步分解，而对高频部分也即信号的细节部分不再继续分解，所以小波变换能够很好地表征一大类以低频信息为主要成分的信号，不能很好地分解和表示包含大量细节信息（细小边缘或纹理）的信号，如非平稳机械振动信号、遥感图象、地震信号和生物医学信号等。
   常用小波基有Haar小波、Daubechies(dbN)小波、Mexican Hat(mexh)小波、Morlet小波、Meyer小波等。
   
   缺点：对时频面的分割是机械格型，而且小波基不同，分解结果不同，小波基比较难选择

3. 小波包变换
   小波包变换既可以对低频部分信号进行分解，也可以对高频部分进行分解，而且这种分解既无冗余，也无疏漏，所以对包含大量中、高频信息的信号能够进行更好的时频局部化分析。
   

4. 经验模态分解 EMD
   将信号分解为多个IMF (Intrinsic mode function)分量，对所有IMF分量做Hilbert变换能得到信号的时频分布，但在理论上还存在一些问题，如EMD方法中的模态混淆、欠包络、过包络、端点效应等问题，均处在研究之中。

5. 局域均值分解 LMD
   是一种有效的时频分析方法，但是实际信号中往往夹杂了大量的噪声，这些噪声也参与LMD分解，致使原始故障特征信息与噪声混淆 而不易提取，不仅如此，噪声成份使得LMD分解层数增加，产生伪分量，还可能导致算法不收敛，加重边界效应，严重时会使LMD分解失去实际的物理意义，从而影响对故障的准确诊断。

6. 时域分析法

7. 频域分析法

8. 冲击脉冲法

9. 包络解调法