突發(fā)的機械故障及其負面影響，包括計劃外的生產停止以及由此造成的沉重成本，一直是制造商和大型工業(yè)業(yè)主最關心的問題之一。據(jù)測算，各行業(yè)維護、維修成本約占生產成本的15%至40%。據(jù)報道，煉鋼和軋制行業(yè)的成本最高（40％）；當然，這個金額不包括因意外停產而產生的費用以及由此造成的損失。

鑒于此，制造商一直在尋找降低高昂維修成本的方法。該領域的技術進步很大程度上歸功于這些努力。如今，隨著新的維護和修理方法的發(fā)明以及先進技術的使用，很容易就能將修理成本降低 20% 到 50%。在某些情況下，還可以降低成本。

通過使用新方法可以顯著提高產量并降低成本，這使得維護和維修部門成為任何行業(yè)中最重要的部分之一。如今，幾乎所有工廠都把加強和配備該部門的經(jīng)驗豐富的人力資源以及先進的故障診斷和故障排除設備作為其主要目標之一。

維護系統(tǒng)主要分為三類：故障維護、預防性維護和預測性維護。研究表明，預測性維護策略在經(jīng)濟性、安全性和生產力方面比其他方法產生更好的效果。該方法依賴于對設備狀態(tài)的監(jiān)測，因此如今狀態(tài)監(jiān)測裝置已成為制造業(yè)的關鍵支柱之一。該系統(tǒng)的主要目標是及時發(fā)現(xiàn)關鍵生產設備的早期故障。

監(jiān)測設備狀況的技術多種多樣，具體選擇取決于設備的類型及其狀況。振動測試、溫度測定、油分析和電氣測試是常用的方法。振動測試對于機械設備特別有效，因為它們有助于識別在實際條件下作用于設備上的力。這種方法對于高速設備尤其有效，這就是為什么這種設備的維修已經(jīng)從預防性維護轉變?yōu)轭A測性維護。

但對于低速設備，由于缺乏準確的狀態(tài)監(jiān)測技術，仍然沒有適當?shù)亩ㄆ诰S護計劃。這會導致頻繁停機和高昂的維修成本。有研究人員建議對該設備進行聲學測試，例如語音播報測試，這可能是更準確地監(jiān)測低頻設備狀況的解決方案。

利用扭轉振動進行狀態(tài)監(jiān)測

廣泛使用的狀態(tài)監(jiān)測方法之一是橫向振動信號的頻譜分析，已被許多研究人員研究。在這種方法中，傳感器主要附著在軸承、電機、變速箱外殼和地基上。由于齒輪、不必要的環(huán)境振動等引起的調幅頻率的存在，導致橫向振動信號的頻譜擁擠，扭轉振動分析也引起了研究人員的關注。

扭轉振動信號不受上述附加調制的影響，并且與橫向振動信號相比結構更簡單。在這方面，人們已經(jīng)努力利用發(fā)達的信號處理方法來檢測恒定和可變運行條件下的旋轉機械故障。扭矩測量傳感器主要有靜態(tài)和動態(tài)兩種類型，其中動態(tài)型用于狀態(tài)監(jiān)測領域。在此背景下，我們設計并實施了一個實驗室裝置，以在實驗室中對系統(tǒng)產生故障和動態(tài)負載。

智能狀態(tài)監(jiān)測和智能故障排除

近年來，智能狀態(tài)監(jiān)測和智能故障排除被認為是預測性維護的先進方法。這些方法利用機器學習、物聯(lián)網(wǎng) (IoT)、大數(shù)據(jù)等技術，尤其是人工智能的進步，能夠更準確地分析和預測機械狀況。在這些方法中，使用先進的人工智能算法收集和處理傳感器數(shù)據(jù)，不僅可以識別潛在的故障，還可以更準確地診斷可能的原因。智能故障排除，尤其是通過使用數(shù)據(jù)分析和識別設備性能數(shù)據(jù)中的隱藏模式，能夠準確、快速地診斷所有類型的缺陷。

人工智能的進步在智能狀態(tài)監(jiān)測和故障排除系統(tǒng)的發(fā)展中發(fā)揮了關鍵作用。深度學習算法和人工神經(jīng)網(wǎng)絡能夠處理大量傳感器數(shù)據(jù)并識別與故障和操作問題相關的隱藏模式。這些技術使系統(tǒng)能夠使?jié)h吉龍測控自動適應不斷變化的機器運行條件，而無需人工干預。人工智能還可以實現(xiàn)更高級的數(shù)據(jù)分析，使監(jiān)控和故障排除系統(tǒng)能夠高精度地預測潛在問題并防止意外停機。此功能可提高生產力、優(yōu)化維護和維修并降低運營成本。

隨著工業(yè)4.0的到來，狀態(tài)監(jiān)測和智能故障排除的作用變得比以往任何時候都更加突出。工業(yè) 4.0 通過結合信息物理系統(tǒng)、物聯(lián)網(wǎng)和先進的自動化，幫助開發(fā)和擴展智能技術。其中，智能狀態(tài)監(jiān)測與智能故障排查作為工業(yè)4.0的重要組成部分，通過提高故障檢測的準確性和速度，降低維護維修成本，為提高生產效率、降低運營風險做出貢獻。