2006-10-06 14:29:06
關於裝置故障診斷工作的思考（本文** 振動論壇 )
關於裝置故障診斷工作的思考
最近來到故障診斷論壇，發現這裡的確是乙個學習、交流的好地方。瀏覽了部分文章，感觸頗深，想談一點自己膚淺的思考。
自2023年從事裝置故障診斷工作，算來已有20餘年了，在現場實際的工作中，積累了豐富的經驗，大大小小的典型案例也有幾十起了，值得欣慰的是沒有一起漏判、誤判的，編寫了６萬多字的企業內部教材，之所以能夠如此，介紹一點經驗或是感悟給立志從事該工作的朋友！
在瀏覽文章的過程中，很少看到對感官診斷的描述，多是頻率、譜圖等等。測試儀器再先進也是人來操作的，尤其在儀器高度進步的時期，更不能忽視了人的主動性，過去「眼看、耳聽、手模」的傳統診斷方法，還是不能為現代化的儀器全部替代。（例如：一台聚合釜，其攪拌軸旋轉速度僅為１-３rpm，你能用什麼振動儀器來採集頻譜判斷支架軸承的好壞？！）所以，故障診斷必須要堅持「傳統「與「現代」的結合，任何感官得出的診斷結論與測試儀器得出的結論或者儀器反映的問題能夠在感官上得到合理地解釋，二者統一了，我們下結論可以說是100%的準確，否則必須找到不能統一的原因，切不可輕下斷言。
最後談一點故障診斷工作中要忌諱的幾點：
&s226;依據單一譜圖輕言結論
&s226;重視譜圖忽視現場機器和其他資訊
&s226;過分強調特徵頻率與故障的對應關係
&s226;按照教科書的「規則」對號入座
&s226;對訊號真偽不作判別
&s226;不重視狀態的變化規律
&s226;不重視振動以外的相關資訊
&s226;只重現代手段，忽視傳統手段和經驗；
&s226;一切從經驗出發，拒絕現代化手段
基於LSTM的軸承故障診斷
有一段時間沒有更新部落格了，今天寫一篇以前研究的lstm應用於軸承故障診斷 資料集 與處理方式與這篇文章裡相同 模型結構很簡單 def create model model sequential 輸入資料的shape為 n samples,timestamps,features 隱藏層設定為20,i...
異常檢測與故障診斷的區別
異常檢測就是尋找不符合期望行為的資料異常點或者離群點。在現實世界中有著廣泛的應用場景，例如信用卡欺詐檢測，保險欺詐檢測，醫療健康輔助診斷，網路入侵檢測，安全關鍵系統錯誤檢測，軍事偵察等。在異常檢測中，由於異常點少之又少，大部分是正常樣本，異常只是相對小概率事件，並且異常點的特徵表現非常不集中，即異常...
工控裝置遠端監測與故障診斷技術的應用與發展
1 引言 現代大工業的發展使得工業控制裝置變得越來越複雜，自動化程度越來越高。由於自動控制的故障引起的生產停頓造成的損失是巨大的，而生產企業的維護能力有限，迫切需要建立起遠端實時監測和診斷系統，由裝置提供商 企業技術人員和行業專家共同實現及時 準確的預防和診斷裝置故障。隨著資訊時代的到來，inter...