设备维护中的故障检测和诊断

了解设备故障并制定检测和诊断故障的策略是设备维护的关键要素之一。

本文的目的是概述故障检测和诊断，因为它们被应用于改进设备维护过程和提高资产可靠性。

故障检测和诊断背后的故事

早期，设备维护仅限于修复故障资产和按照固定的时间间隔进行基本的日常维护。维护专业人员即使愿意也不能更积极主动。他们收集、存储和分析设备健康和性能数据的能力实在是太有限了。

然而，由于基于微处理器的控制、自动化、实时数据采集以及故障检测和诊断 (FDD) 等系统的持续进步，我们执行设备维护的方式发生了重大转变。

设备维护中的FDD

在设备维护的背景下故障检测和诊断的目标是优化维护成本，同时仍然提高设备的可靠性、可用性、可维护性和安全性 (RAMS)。

FDD 的功能是持续监测和分析状态监测数据并检测任何异常（如果存在）。然后设备状态数据集由故障诊断算法处理，有时嵌入设备本身，为设备操作员生成故障警报，并能够及时进行维护干预。

在某些情况下，算法足够复杂，甚至可以启动故障控制措施来自动纠正故障本身并将设备恢复到健康状态。

故障检测和诊断系统的关键要素

FDD，顾名思义，包含设备故障的检测和诊断。故障诊断可分解为故障隔离和识别。

故障评估通常被添加到 FDD 的范围内，因为它有助于了解故障对系统性能的严重程度——维护管理的一个重要方面。

尽管如此，任何设备的故障检测和诊断算法都应至少包含下面列出的四个关键过程（这些过程也可以构成非线性过程，前提是某些步骤同时发生）：

我们需要更详细地讨论每个元素，才能真正了解故障检测和诊断的工作原理。

1.故障检测

故障检测是在故障以故障形式出现之前发现任何设备中存在故障的过程。这是 FDD 最重要的阶段，因为所有下游过程都取决于其准确性。

如果设备无法发现正确的故障模式（或检测不正确而触发误报），那么隔离、识别和评估也将无效。

故障检测主要有两种方法：

1. 基于模型的故障检测： 它是通过信号和过程的数学建模来实现的。
2. 基于知识的故障检测： 这是一种利用设备性能历史数据的方法。

基于模型的故障检测

在基于模型的检测中，我们定义了一组符合物理定律的工程规则，这些物理定律定义了设备内子系统和组件的关系。每当规则被破坏时，该算法可以检测到故障并运行故障诊断。

基于模型的故障检测的一个例子是使用时域反射计 (TDR) 来检测地下电缆中的故障。在 TDR 中，信号通过测试电缆发送，并在从故障点反射后被接收。

如果电缆具有不连续性或高阻抗，则该部分信号将被反射回测试设备或接收器。通过分析信号返回时间和反射信号的速度，测试设备可以检测电缆故障的性质是开路故障还是短路故障。

另一个简单的基于规则的检测示例来自传送带系统上的瓶子灌装、旋盖和包装系统的串联操作。可以建立一个简单的规则来指示进程的层次结构，例如：

• 在瓶子装满液体之前不能盖上盖子
• 瓶子不能被包装，除非它们被填充和盖上

如果瓶盖机制出现故障，算法将检测包装系统中的传入中断。它将提前通知包装操作员。可以进行必要的准备，以最大限度地减少传送带包装侧的操作损失。

基于知识的故障检测

为了让基于知识的故障检测工作，我们首先需要建立一个基线。这是通过检索设备性能参数来完成的 如电压、电流、振动、温度、压力 和其他相关的过程变量——当设备在正常条件下工作时。

目的是开发正常操作下的设备签名。

之后，连续检索相同的参数并与“健康”特征相关联，以通过统计分析界面捕捉偏差——通过机器学习或人工神经网络完成的模式识别。

我们可以使用这种技术通过从轴承和一般电机收集的传感数据来预测电机轴承故障。

随着时间的推移获取的大量数据——过程历史——可以使用统计算法进行分析。这有助于我们了解电机所承受的不同条件的影响，例如热额定值、机械应力或在特殊情况下出现的其他一些操作条件。

然后，该算法将这些条件对轴承健康恶化的影响关联起来，并预测整个电机的故障率和健康状况。

基于这些数据签名，可以进行分析以预测设备的未来健康状况。此外，可以触发必要的警报并进行故障诊断，因此操作员/技术人员可以采取适当的措施。

相同的数据可用于建立电机剩余寿命的预测性维护策略。

2.故障隔离

故障隔离过程的目标是将故障定位到可以更换的最低组件。在某些应用中，故障检测和隔离是相辅相成的；当然，它们可以是流程的独立模块。这是因为检测和定位故障的过程基本上是同时发生的，都是由故障检测和隔离 (FDI) 算法完成的。

例如，考虑地下电缆的 TDR 测试示例。从电缆返回的脉冲信号通过返回脉冲信号的时间和速度同时指示故障的存在和位置。

故障隔离的一个重要方面是故障必须位于最低组件 可以替换 . 这样做是为了提高隔离的准确性并减少停机的影响。

以前面介绍的瓶子输送机系统为例，检测应该能够准确定位故障位置，例如瓶盖机构中的控制卡故障。

如果检测只是指出传送带中的高级故障，那对执行诊断的技术没有真正的帮助——同一传送带上有多个系统可能会发生故障。

真正加快修复过程的信息是了解故障的准确位置。

3.故障识别

故障识别的目的是了解潜在的故障模式，确定故障的大小，并找出其根本原因。故障诊断方法可能不同，但步骤大致相同。

了解潜在的故障模式

深入了解故障模式需要工作：

• 我们需要分析故障在不同时间的表现
• 因此我们可以开发故障模式的时变特征
• 并将其分为不同的类别

确定故障的大小

无论应用何种故障检测方法，故障的大小或幅度在定义设备设计所需的容错级别方面都起着重要作用。

如果故障幅度较小，系统只需要能够承受故障额外的时间，直到故障自行清除。一个完美的例子是允许在电器中临时切换过电流，只要这不会显着影响设备性能。

现在，如果故障级别真的很高，则需要采用不同的方法：工程师必须使用主动或被动冗余来增强其设备的容错能力。

寻找根本原因

故障检测和诊断算法是一个好的故障诊断系统的核心。它基于机器学习原理，可用于识别源自设备的数据流中的异常，确定其背后的根本原因。

识别某些故障模式非常简单，而其他故障模式可能具有挑战性，需要大量的数学计算。

我们以高压大功率三相交流感应电机为例。

通常情况下，潜在的故障模式本质上是机械故障，与电机的旋转部分有关：转子绕组短路、轴承故障和转子故障。由于转子是一种快速移动的部件，因此不能直接在其上安装传感器。

先进的 FDD 算法可用于生成健康的电机定子终端电流特征，并将其与故障条件下的电流特征进行比较。

例如，在转子条断开时，定子电流中产生的脉冲是电机定子电流频率的两倍。转子条的机械断开与定子电流的波动之间存在间接相关性。

此类新兴趋势由故障检测和诊断算法进行分析，可用于查找可能的根本原因，这些原因在实时仪表板中实时导出和显示。

<块引用>

此类故障识别算法的使用大大减少了技术人员对设备进行故障排除和找到故障根本原因所需的时间。自动根本原因诊断为减少设备停机时间、缩短平均维修时间和提高工厂的整体可靠性做出了巨大贡献。

4.故障评估

一旦确定了故障模式和相关的根本原因，下一步就是评估该故障类型对系统整体性能的影响。

我们需要考虑以下因素：

• 故障对环境和系统其余部分的影响
• 故障对系统安全的影响
• 因停机造成的经济损失
• 需要做出资本更换决定（如果故障的严重程度足以保证更换设备而不是修理设备）

通过GIPHY

故障评估是整个过程的重要组成部分，因为它旨在了解故障的严重性 .这有助于可靠性工程师提供验证并计算故障风险，这两者都会对维护要求、建议和优化产生重大影响。

例如，一台设备的 FDD 结果可能意味着故障率的迅速增加。但是，该故障对整体系统性能的影响可能很小，从而使整体风险适中。在这种情况下，不太严格的维护策略（例如运行到故障或预防性维护）可能足以管理风险。

另一台设备的故障检测和诊断可能表明故障率不断增加，以及故障对整体系统性能的严重影响。在这种情况下，尽管成本很高，但仍应采用最严格的预测性维护计划。这是因为增加的维护成本是为了防止成本更高的重大后果。

使用 FDD 优化维护

简而言之，故障检测和诊断在优化任何设备的整个生命周期的维护制度方面起着决定性的作用。

随着快速计算技术、大数据处理和先进学习算法的出现，传统的故障检测已经演变成自动故障管理系统，不仅可以检测故障，还可以识别根本原因并采取纠正措施以避免将来再次发生。

一系列手动流程的这种自动化使可靠性和维护工程师能够对设备健康状况进行预测，得出未来的设备性能，并确定最佳维护间隔。

他们唯一要做的就是启动计算机化维护管理软件 (CMMS)，跟踪关键资产的状况，并安排适当的维护工作。