1、方法背景

传统的旋转设备掩护办法紧张有两种：相应式掩护（Reactive Maintenance），即“Run-to-Failure”，让机器持续运行，直到故障爆发后维修。
预防性掩护（Preventive Maintenance），即采取定期检讨、保养的策略。
而预测性掩护指的是利用传感器追踪机器的事情状态，实时采集数据指标，使得故障在早期阶段就被及时创造，从而可以遏制故障的发生。
比较于前面两种掩护办法，它须要更少的人力，也更有效的避免突发故障引发的各种掩护本钱。

预测性掩护离不开机器的状态监测。
机器的状态有好有坏，机器处于好的状态，寿命就长；机器处于不好的状态，寿命就短。
如果要延长寿命，就要及时打消不好的状态。
用振动去监测机器的状态是一种最有效的办法。
当存在局部故障的旋转设备运行时，将会在运行中产生冲击脉冲，进而激起轴承的高频固有振动，这种高频固有振动将成为轴承的载波，并且受到故障引起的调制，故通过对轴承的振动旗子暗记，进行解调，可以在调制波谱中得到轴承涌现的故障特色频率，从而用其诊断轴承的故障类型。

旋转设备包括水泵、电机、风机等等，这类设备的紧张部件有转子、定子、轴承系统和联轴器等，对付这类设备的故障诊断也是基于监测这些部件的运行状态，包括转子不平衡，联轴器不对中以及轴承组件损伤的故障。

研博数据提出的一种基于人工智能的设备振动故障诊断方法，通过振动加速度传感器对电机水泵的振动加速度旗子暗记进行采集，结合振动旗子暗记的频谱剖析和机器学习的方法，对旋转设备进行故障早期诊断，实现了旋转设备预测性掩护。

研博数据基于提出的一种基于人工智能的设备振动故障诊断方法，设计了旋转设备的振动故障诊断系统，并成功运用于电机、水泵等多种旋转设备。
通过在机组安装振动加速度传感器采集机组的振动加速度旗子暗记，在系统平台上呈现设备运行状态、故障诊断结果以及缘故原由和须要采纳的方法。
同时系统平台供应了谱图剖析页面，以便专业职员进行人工频谱剖析，进一步确认故障。
其余，对付针对不同的设备进行一对一的模型演习，展示设备当前的阈值范围，对特定环境特定工况的设备进行实时状态监测。

设备列表进行设备故障状态展示：

趋势图与诊断结果：

人工谱图剖析，用于专业职员对故障进行

3、方法亮点3.1 基于国家标准的实时状态监测

当前最新的旋转设备的机器振动机器振动的丈量和评价国际标准是ISO 20816-1:2016 ，紧张适用于额定功率大于 15kW 的旋转机器和额定功率小于或即是 50MW 的机器。

ISO 20816-1为掩护职员、工程师和设备操作者供应了一个用于监测和评估旋转机器设备振动状况的标准方法。
这有助于及时创造问题，预防故障，以及改进设备的可靠性和性能。

根据ISO 20816-1标准旋转设备振动故障诊断系统对付设备的振动均方根速率进行实时的数据采集处理和监测，及时诊断设备的故障状态。

为诊断滚动轴承中的故障类型，ISO 20816-1标准种先容了冲击脉冲技能，本系统将该用作基于机理的特色提取办法。
冲击脉冲技能依据的事实是滚动轴承故障产生短的脉冲，常日称为冲击脉冲。
冲击脉冲的尖锐度包含有很高的频率分量。
用仪器检测高频分量并利用专门技能处理，就可得到与轴承状况有关的值。
最有效的技能是原始冲击脉冲包络线的谱剖析。

其余，方法利用了领悟机理和人工智能算法进行特色提取，将繁芜的振动数据转化为可剖析的特色向量，从时域、频域、时频域三方面提取振动旗子暗记剖析的故障诊断方法。
在时域上提取有量纲和无量纲指标，在频域上提取功率谱能量熵、倒频谱周期身分和包络谱特色，在时频域上提取小波包频带能量比等。

3.3 一对一的模型演习与参数更新

其余国家标准ISO 20816-1还表明，由于机器振动特性之间存在较大差异，在类似运行状况下机器的振动水平会涌现较大的差异。
一种振动水平在一台机器上可能很好，而在另一台机器上可能会导致严重的后果，因此应对不同的设备建立不同的振动标准。

实际事情中常见的建立评价机器状态标准的方法有振动标准法、类比判断法、趋势图法等等。
建立振动的标准还可以参考机器制造商的建议，当然最好是长期监测设备，创建特定设备的标准。

因此，系统方法采取了一对一的模型演习与参数更新方法，利用相对判断标准的方法（对同一设备的同一测点、在同一方向、同一工况下的振动值进行定期测定。
将机器的正常值作为初始值，后来的实测值与初始值进行比较），采取聚类的方法作为相对判断标准，进一步对特定环境特定工况的设备进行实时状态监测，并且随着设备运行时长增加和检修调度，设备自身的运行可能逐渐发生变革，因此对付设备基准的模型参数也要进行更新，系统具备重新演习模型以及模型参数运用更新的功能。

模型演习与动态阈值：

聚类方法进行相对判断标准区分故障状态：

4、总结

总之，旋转设备故障诊断系统实现对故障的预测性掩护一方面保障设备的持续正常运转，以防故障停机造成生产丢失；另一方面减少过剩掩护，减少技能职员现场的检修掩护，节省人力。
而人工智能方法相对付传统的旋转设备振动故障诊断方法，自动化运行、更及时，纯人工诊断周期长；稳定性更好，不会由于人的认知差异而得出不一样的结论；能够创造更多的故障特色信息，而且可以学习现场新涌现的故障模式，比人的大脑认知更丰富；对大型繁芜设备的诊断更准确。

青岛研博数据信息技能有限公司关于“一种基于人工智能的设备振动故障诊断方法”已采纳自主知识产权保护并得到授权，这表明公司在人工智能和振动故障诊断领域取得了主要的技能打破，并成功地将这一创新技能转化为了受法律保护的专利。