现代工业发展很快。机器设备越来越复杂。这些设备需要维护。维护工作很重要。设备坏了会影响生产。停产会造成损失。工人们检查设备。他们依靠经验。经验有时候不够准确。我们需要更好的方法。

设备故障可以预测。预测需要数据。数据来自传感器。传感器装在设备上。传感器收集温度数据。传感器收集振动数据。传感器收集压力数据。数据传到计算机。计算机分析数据。计算机发现异常。异常可能表示故障。故障发生前有征兆。征兆可以被检测。检测需要算法。算法是数学公式。算法处理数据。算法找出规律。

我们研究旋转机械。旋转机械有很多。比如发电机。比如鼓风机。比如离心泵。这些机器有轴承。轴承容易损坏。轴承损坏机器就坏了。我们关注轴承故障。轴承故障有几种。内圈会损坏。外圈会损坏。滚动体会损坏。保持架会损坏。每种损坏不同。振动的信号不同。声音的信号不同。温度的信号不同。

我们收集振动信号。振动信号是波形。波形有高低。波形有频率。正常轴承波形平稳。损坏轴承波形混乱。波形包含信息。信息需要提取。我们提取特征值。特征值是数字。这些数字代表状态。我们计算峰值。我们计算均方根。我们计算峭度。我们计算裕度。特征值有很多。我们选择重要的。选择方法有几种。我们使用滤波方法。我们使用包裹方法。我们使用统计方法。

我们建立模型。模型用来预测。模型需要学习。学习需要样本。样本是历史数据。数据包括正常状态。数据包括故障状态。我们标记这些数据。正常标记为零。故障标记为一。模型学习这些标记。模型找到分界线。分界线区分状态。新数据来了。模型进行计算。模型给出结果。结果接近零是正常。结果接近一是故障。

我们尝试多种模型。第一种是支持向量机。支持向量机画线。它画最好的线。线离两边都远。线在中间位置。第二种是决策树。决策树像流程图。它问一系列问题。振动大吗？频率高吗？温度高吗？根据答案走分支。走到最后有结论。第三种是神经网络。神经网络像大脑。它有神经元连接。数据一层层传递。每层进行计算。最后输出结果。

我们进行实验。实验需要设备。我们搭建实验台。实验台有电机。电机带动轴承。轴承安装座上。座上装传感器。传感器连接电脑。电脑记录数据。我们模拟故障。我们在轴承上钻孔。孔代表损伤。损伤从小变大。我们收集不同数据。数据包括正常。数据包括轻微损伤。数据包括严重损伤。我们得到数据集。

我们处理数据。数据有噪声。噪声干扰分析。我们过滤噪声。我们使用滤波器。滤波器去掉杂波。我们放大有用信号。我们转换信号。时域转频域。频域看频率分布。故障有特征频率。特征频率会出现。我们发现峰值。峰值对应损伤。

我们输入特征值。特征值进入模型。模型开始训练。训练调整参数。参数使模型准确。我们检查训练效果。我们使用测试数据。测试数据是新的。模型没见过这些数据。模型进行预测。我们对比预测和实际。预测正确率高。模型效果就好。

支持向量机有优点。它适合小样本。它不容易过拟合。过拟合是记住数据。过拟合不会推理。我们的数据量中等。支持向量机表现稳定。决策树容易理解。我们可以看到规则。规则是如果那么。决策树训练很快。决策树可能深度太深。太深会过拟合。我们剪枝处理。剪枝去掉一些分支。神经网络很强大。神经网络要很多数据。我们的数据够用。神经网络结构复杂。我们设计三层网络。输入层接收特征。隐藏层处理信息。输出层给出判断。神经网络训练时间长。神经网络准确率高。

我们比较结果。准确率是重要指标。准确率是正确比例。一百个数据中九十个正确。准确率就是百分之九十。支持向量机准确率百分之八十八。决策树准确率百分之八十五。神经网络准确率百分之九十二。神经网络最好。决策树最差。但决策树解释性强。我们知道为什么。支持向量机折中。

时间因素很重要。预测需要提早。提早才有时间准备。我们测试提前量。故障发生前五小时。模型能报警吗？我们分析连续数据。数据每五分钟采集。我们输入连续特征。模型输出概率。概率超过阈值。阈值是我们设定的。比如零点八。超过零点八就报警。实验显示。大部分故障能提前三小时预测。小部分故障提前一小时。极少故障突然发生。突然发生的无法预测。

我们考虑现实情况。工厂环境嘈杂。传感器可能脏污。数据可能丢失。我们模拟这些情况。我们随机删除数据。删除百分之五的数据。模型还能工作吗？模型准确率下降。下降百分之三。我们可以接受。我们加入干扰信号。干扰是随机波动。模型能够抵抗。模型依然有效。

成本是一个问题。传感器需要钱。电脑需要钱。软件需要钱。但故障损失更大。一次故障停产一天。损失可能几十万。预测系统几万块。系统可以长期使用。这是合算的。工人需要培训。培训学习看界面。界面显示设备状态。绿色是正常。黄色是注意。红色是报警。工人看到红色。工人就去检查。工人准备工具。工人准备零件。安排时间维修。维修可以在计划内。不影响生产计划。

我们的研究有局限。我们只用了振动数据。其实还有温度。其实还有电流。其实还有声音。多数据融合更好。融合需要更多工作。我们只研究轴承。其他部件同样重要。比如齿轮。比如叶片。比如皮带。方法可以推广。推广需要调整。不同部件特征不同。

数据量可以更大。我们实验数据几个月。工厂数据有几年。几年数据更有价值。大数据能发现罕见故障。罕见故障很少发生。但一旦发生很严重。我们模型需要持续学习。新数据来了。模型要更新。更新自动完成。模型越来越聪明。

这项技术会发展。传感器更便宜。电脑更强大。算法更先进。未来每个设备都有数字影子。数字影子是虚拟模型。虚拟模型和真实同步。真实设备振动。虚拟模型也振动。真实设备发热。虚拟模型也发热。故障在虚拟中先出现。我们在虚拟中维修。维修好了再动真实设备。这可以避免风险。

工厂管理会变化。以前定期维修。不管设备好不好。到时间就换零件。零件可能还好。这就浪费了。后来坏了才修。坏了已经晚了。生产停止了。现在预测性维修。该修才修。不坏不修。省钱省时间。这是我们的目标。

我们提供了一套方法。方法步骤清楚。收集振动数据。处理信号。提取特征。训练模型。模型预测。步骤可以复制。其他工厂能用。其他设备也能用。我们证明了可行性。实验数据支持结论。预测性维修是可行的。它比传统方法好。它比定期维修节省。它比事后维修安全。

研究还可以深入。特征选择可以优化。算法参数可以调整。模型可以集成。集成结合多个模型。取长补短。准确率还能提高。我们下一步做这些。我们相信效果会更好。这对工业有帮助。工厂欢迎这样的技术。工人也欢迎。工作更安全。生产更顺畅。这是我们的贡献。