機械故障預測模型應用研究

摘要：機械故障的預測技術已經成為了確保機械設備能夠滿負荷、長期和安全運作的一項關鍵性技術，預測模型在機械故障的預測技術當中是一項核心的內容。加強機械設備故障的預測技術和預測模型應用的研究，意義和作用極為重大，發展前景十分廣闊。本文簡要介紹了機械故障預測技術的含義、作用及發展趨勢，深入分析了機械故障預測技術常見模型及其應用，希望對于機械故障預測模型的應用研究和實踐工作能夠起到一定幫助和借鑒作用。

關鍵詞：機械故障預測模型應用

隨著我國國民經濟的持續增長和科學技術不斷進步，特別是現代自動化控制技術水平的快速發展，使得各種工程系統性能得到提高、復雜程度大為增加，由于工程系統的安全性與可靠性是保障系統社會與經濟效益的關鍵性因素， 因此工程系統故障的預測與診斷問題越來越受到人們高度的重視和普遍的關注。從實際情況看，故障診斷的傳統技術已經無法滿足復雜的機械設備運行的實際要求，由于機械設備的運行故障的原因，造成近年來機械類災難性的事故多發頻發的問題突出。加強對機械設備狀態的監控與故障的預測，確保設備及時得到維修、保持零故障運作的狀態，成為對機械故障進行預測的研究焦點。機械故障的預測技術已經成為了確保機械設備能夠滿負荷、長期和安全運作的一項關鍵性技術。預測模型在機械故障的預測技術當中是一項核心的內容。所以加強機械設備故障的預測技術和預測模型應用的研究，對于減少相關經濟的損失，延長機械設備的使用壽命、加強機械設備安全事故預防工作均有著非常重要的作用和意義，發展和應用的前景十分廣闊。本文簡要介紹了機械故障預測技術的含義及發展趨勢，深入分析了機械故障預測技術常見模型及其應用，希望對于機械故障預測模型的應用研究和實踐工作能夠起到一定幫助和借鑒作用。

1.機械故障預測技術概述

1.1機械故障預測技術的含義

機械故障預測指的是用來保證機械設備能夠長期、安全且滿負荷地運行的一種關鍵性技術，屬于機械故障的診斷學的學科范疇和研究重點。機械故障預測技術的常用方法有兩種，一種是特征參數的跟蹤法，就是按照監測參數的一些歷史性數據，來作出對未來某一時刻特征參數的數值推斷，從而確定出設備故障發生的可能性概率；另一種是油液分析法，就是通過分析潤滑油里金屬的成分及含量，來判斷部件的磨損及其程度。

1.2 機械故障預測技術發展的趨勢

對機械故障的預測過程中，創建符合實際情況的故障預測的模型是非常關鍵的步驟。結合機械設備故障的突出特點，機構故障的預測技術呈現出如下的發展趨勢：一是使用多參數進行預測，為準確地對機械設備使用的壽命進行預報，需要考慮多種診斷性指標，以便于對不同類型的故障以及不同的階段進行描述。二是通過組合方式進行預測。由于機械故障的發展過程存在著多種可能和趨勢，具有確定性與隨機性相結合的特點，所以要想準確地預測相關的機械故障必須綜合運用各類預測的模型，通過預測模型的組合運用，確保信息充分利用，增強預測的精度。

2. 機械故障預測技術的常用模型及其應用

當前故障預測中常用的模型有以下幾種：

2.1 曲線擬合的模型

曲線擬合的模型屬于一種最為簡單的故障預測的模型，對歷史數據進行回歸分析、并采取相關的數學處理方法，繪制出和歷史的數據最為相符的曲線，運用曲線外推法預測出機械的工況，特點是原理相對簡單且實施較為方便，但預測的誤差較大，常用于對簡單裝置進行監控的系統。

2.2 濾波的模型

Kalman 濾波模型可以從存在干擾噪聲的一些觀測信號當中，來對被觀測的系統狀態統計和估值，可能同時得出機械預報的方程，所以被大量應用到預報的領域之中。采取Kalman 濾波器來對數據進行測量和處理，能夠在不增加基本計算量條件下提高數據辨識的精度，和其他的方法比較，有著計算量小且預報的精度較高等特點，其局限性是只可用在線性的系統中。

2.3 時間序列的模型[4]

自回歸的滑動平均的模型ARMA（n，m），把觀察值Xt用來表示在t時刻之前n項觀察值Xt-1～Xt-n及m項隨機性線性組合，而它的權值因子就是自回歸的參數和滑動平均的參數。因為ARMA（n，m）模型的定階十分復雜，計算的時間較長，不方便用來預測，因此人們將它簡化成AR（n）模型，有著建模簡單且計算快速的優點，可以用來對早期碰摩的故障檢測及未知故障的預報。

2.4灰色的模型

灰色預測模型是建立灰色系統的理論基礎之上的。對于部分信息為已知、而部分信息為未知的那些系統被稱作灰色的系統。由于影響觀察家機械設備的工作狀況因素較多，這當中有著確定性的因素，也有著非確定性的因素，就是通常說的灰色0，所以灰色的模型可以適用機械故障的預測。GM（1，1）模型是一種最為常用的故障預測灰色模型，用在機械故障的短期預測當中效果較好，但在中長期的預測要謹慎使用。

2.5 人工神經的網絡模型

近些年以來，人工神經的網絡應用于時間序列的預測之中受到廣泛的關注。將神經的網絡用來進行預測有以下優點：神經網絡可以不必建立系統反映物理學規律的相關模型；神經網絡法與其他的方法相比容忍噪聲的能力更強；神經網絡法有著較強的、非線性的映射能力并可用任意的精度來逼近任一連續的函數，可以用于多步、多參數的預報。

2.6模糊的模型

模糊的模型屬于一種非線性的、較為重要的映射類模型，通過模糊知識表示的方法來借用機械故障的癥狀間的隸屬的關系，從而建立起模糊關系的矩陣。用模糊的模型處理一些復雜的系統中非線性、時變及大時滯等方面，具有其特殊的優越性能。目前模糊預測的系統尚處在研究的階段，還有許多問題需要研究解決。

3.結語

綜上所述，機械故障預測技術和預測模型應用，對確保機械設備能夠滿負荷、長期和安全運作，減少不必要的經濟損失，延長機械設備的使用壽命都具有十分重要的意義和作用，越來越受到人們高度的重視和關注。因此，必須強化對預測模型的應用研究和實踐，不斷地總結經驗，持續改進和推廣有效的措施和辦法，為促進機械設備系統的正常運行提供更加有力的保障。

參考文獻

[1] 沈 路.數學形態學在機械故障診斷中的應用研究[D]. 浙江大學，2010.

[2] 周俊杰，王德功，常 碩.基于改進GM（1，1）模型的雷達故障預測[J]. 裝備維修技術，2010，（03）.

[3] 曾慶虎.機械傳動系統關鍵零部件故障預測技術研究[D].國防科學技術大學，2010.

作者簡介：王志勇 男（1983.11- ） 漢族 云南省景洪市 本科 初級助理工程師機械工程及自動化、車輛、工程機械