机械故障标准范文
机械零件的磨损是机械设备最常见、最主要的失效形式，是影响机械设备正常运行的主要障碍之一。据统计，磨损故障占机械设备故障的80%[1]，磨损还会诱发其他类型的故障。随着现代工业的发展，对生产的连续性和机器设备运行的可靠性要求不断提高，因此对机械设备的磨损状态进行监测和故障诊断具有重要的意义。当机械零件磨损时，磨损颗粒进入润滑系统并悬浮在润滑油中。这些微小的磨损颗粒携带着机械设备磨损失效的重要信息。为了从润滑油中的磨损颗粒中获取有关机械设备磨损故障的特征信息，经常使用“油液监测技术”，包括磁塞法、光谱法、铁谱法、放射性示踪法、过滤法和颗粒计数法。实践证明，在这些方法中，铁谱分析技术是监测磨损状态和诊断磨损故障最有效的方法，在设备的日常管理、预知维修、可靠性分析和寿命预测中发挥着重要作用。
然而，在铁谱诊断技术应用的近20年中，诊断过程中的两个关键步骤，磨粒识别和故障诊断，主要依靠人的经验。由于磨损现象的复杂性、研究对象的不同以及铁谱分析人员之间缺乏足够的交流，虽然在磨粒的分类和分级中，使用磨粒术语和描述磨损故障是令人困惑的
术语标准化还有一些基础工作要做，但是
经过一些研究者的努力，已经有了比较一致的看法。相比之下，对磨损故障描述的分类和标准化研究很少。在人工诊断中，重点是磨粒的识别和磨损故障描述的混乱，对故障诊断没有突出的影响。随着现场监测对智能诊断的迫切需求，以及计算机图像处理技术和智能(人工智能和神经网络)技术在铁谱诊断中的应用，对磨损故障的分类和铁谱诊断方法提出了新的要求。本文将系统分为机械设备磨损故障和铁谱诊断几个过程。在综合分析铁谱诊断方法的基础上，提出了一种智能铁谱诊断模型。
1机械设备磨损失效分析
1.1机械设备磨损失效的原因
机械设备的磨损失效(以下简称磨损失效)是指由于两个相对运动表面之间的摩擦和磨损，使设备的功能低于规定水平的状态。一般来说，磨损失效有两种:①设备设计时预期的常规磨损引起的失效。在一般机械零件摩擦副中，正常的零件磨损过程大致可以分为三个阶段:磨合磨损、稳定磨损和严重磨损。当稳定磨损达到一定时期后，设备的磨损率随时间迅速增加，超过设备设计规定的磨损水平，使工况急剧恶化，进而设备失效甚至完全失效。②设备安装和使用过程中的非正常磨损。
由故障引起的。安装过程中机械零件安装不当或(和)清洁不良将导致设备在运行过程中的非正常磨损，或在使用过程中由于意外的外部因素(磨料进入、载荷条件的改变、划痕A:由于犁耕造成的滑动方向上的宽而深的划痕)。
b点蚀:金属在反复接触应力等作用下被杀死。)和内部因素(润滑不良、摩擦和发热等。)造成非正常磨损。变态戴蝴蝶结！故障具有偶然性和突发性，因此对此类故障的诊断具有重要意义。
1.2磨损故障的分类
分类的目的是为了使人普通实用。
按照一定的标准，世界上的各种磨损故障可以分为几种基本类型。合理的分类可以简化诊断工作，方便故障诊断的状态识别过程，提高故障诊断的有效性。由于铁谱技术在诊断磨损故障方面具有独特的优势，本文的分类主要针对铁谱诊断方法。根据不同的应用目的，从以下几个方面对磨损故障进行分类比较合适。1.2.1按磨损机理划分。
不同的磨损机制产生不同的磨粒，通过磨粒分析可以识别出导致磨损失效的磨损机制，从而为设备的设计和制造服务。与润滑油分析相关的磨损机制可分为以下几类:
粘着磨损:接触表面相对移动时，由于固相焊接，材料从一个表面转移到另一个表面而引起的一种磨损。b .磨粒磨损:一种由硬颗粒或硬突起物引起的材料迁移造成的磨损。c疲劳磨损:由于循环交变应力引起的疲劳而导致材料脱落的一种磨损。微动磨损应归入这一类。
d .腐蚀磨损:与周围介质发生化学反应引起的一种磨损。这些磨损包括氧化磨损、氢致磨损和介电腐蚀磨损。1.1.2按磨损形式划分。
磨粒的产生与磨损表面密切相关，因此可以从磨损表面的失效形式进行分类。根据磨损的形式，磨损故障可分为:
疲劳损伤形成的表面凹坑。
c剥落:金属表面因形变强化而变脆，在载荷作用下产生微裂纹，然后剥落。d粘结:粘附效应形成的表面节点连接强度高，使表层一定深度发生剪切破坏，从而导致磨损严重。e .腐蚀:由于润滑油中的水和润滑油膜破裂，金属与周围介质发生化学反应而造成的表面损伤。
以上划痕、麻点、剥落、胶合可分为宏观和微观，对于铁谱诊断，主要针对微观形态。1.2.3根据磨损类型。
对于磨损故障的描述，铁谱分析人员根据铁谱分析的特点，采用了一套合适的分类方法，可以概括为:A正常磨损和磨合磨损:滑动面上经常发生的正常磨损。
b .切削磨损:由滑动表面的相互渗透引起的异常磨料磨损。
滚动疲劳磨损:滚动接触面的疲劳磨损。滚动和滑动的复合磨损:与轮系有关的疲劳磨损和粘着磨损。
e .滑动磨损严重:滑动面过载、高速造成的磨损。1.2.4除以磨损原因
根据磨损的原因，磨损故障可分为由磨料进入、润滑不良、油中含水、安装不良或裂纹、过载、高速、过热和疲劳引起的故障。这可以为设备设计、维护和修理提供有用的信息。
1.2.5根据磨损程度。
根据磨损程度，磨损故障可分为正常磨损和严重磨损。正常磨损和严重磨损的组合
没有明确的数量界限。根据设备的重要性和诊断的灵敏度，将磨损程度分为三个等级:正常，b从光谱上的磨粒中提取设备磨损状态的有用信息(症状)，磨粒的识别和统计，关注，极高(报警)；也可以分为正常、正常、异常、严重异常磨损四个级别。1.2.6 '除以磨损材料。
根据磨损材料，磨损故障可分为黑色金属磨损故障、有色金属磨损故障和非金属磨损故障。
1.2.7按诊断对象
一些磨损故障在实际应用中比较常见，如柴油机中的“拉缸”、“熔岩”、“烧瓦”、“抱轴”等。因此，还可以根据诊断的具体设备对磨损故障进行分类，并制定相应的诊断标准。
在故障诊断中，根据不同的诊断目的和任务要求，尽量采用某种分类方法，并逐层推进，以免交叉。
2铁谱诊断流程
铁谱诊断技术是一种基于磨粒分析的诊断技术。利用该技术监测机械零件的磨损状态，可以在不打开或关闭运行中的机械设备的情况下确定磨损状态。机械零件产生的磨粒在润滑油中以分离相存在，它们通过铁谱仪的磁场从润滑油中分离出来。特定的工作条件和不同的金属零件产生的磨损颗粒具有不同的特征。通过观察磨粒的颜色、形状、数量、大小和粒度分布，可以推断机械设备的磨损程度、磨损原因和磨损部位。
根据机械设备诊断学的观点[4]，故障诊断过程有三个主要步骤:信号采集(检测设备状态的特征信号)、症状提取(从检测到的特征信号中提取症状)和状态识别(根据这些症状和其他诊断信息识别设备状态)。具体而言，铁谱诊断过程可分为以下步骤:
a .取油样并做光谱图，得到设备磨损状态的特征代码——磨粒；
磨损参数测量；
c .根据上述症状，识别设备的磨损状态(状态诊断)，包括识别设备的磨损状态是否会出现异常(早期故障诊断)和是否已经出现异常(故障诊断)；
d .根据设备的征兆和状态，进一步分析设备的磨损状态及其发展趋势(状态分析)，包括设备发生故障时故障的部位、类型、性质、原因和趋势；
e .根据设备的状态和趋势，对设备及其运行过程进行决策和干预。
3磨损故障的铁谱诊断方法和智能铁谱诊断模型
3.1铁谱诊断方法
铁谱技术自问世以来，其发展重点主要集中在诊断过程的前两步，对磨损故障识别的理论和方法的研究很少，这从很多铁谱技术用于磨损状态监测和故障诊断的资料中可以看出。
目前铁谱技术在故障诊断中使用的方法有三种:定性铁谱诊断、定量铁谱诊断(严格来说是准定量铁谱诊断)和定性与定量相结合的铁谱诊断。定性铁谱诊断可以从铁谱中获得大量关于磨损状态的信息，但很大程度上受操作人员经验等主观因素的影响，状态识别过程由领域专家或分析师完成。诊断是根据磨粒在光谱上的形状、数量、颜色、大小和尺寸分布来推断机器的磨损状态。目前广泛使用的铁谱分析报告是定性铁谱诊断的总结。将模糊数学方法应用于铁谱定性诊断，可以使计算机模拟专家的识别方法来诊断磨损状态。这种方法具有一定的智能性，但这并不是铁谱诊断技术发展的关键。目前，定量铁谱诊断是根据铁谱上磨粒的浓度和尺寸分布来诊断设备的磨损状态。诊断主要采用功能评分。
一些方法，如分析法、趋势分析法、灰色理论等，已经能够在一定程度上反映智能。定量铁谱诊断具有很大的客观性，但提供的数据只反映了少量的磨损状态信息，无法应用于脂肪样本分析。目前，定量和定性的铁谱诊断是应用最广泛的方法。一般先用定量参数来判断故障的可能性和趋势，再通过分析铁谱片上磨粒的特征来进行诊断。
为了提高铁谱诊断技术的准确性和智能化，有必要进一步发展定量铁谱诊断方法。该方法应能全面、定量地分析磨粒的形状、大小、数量、颜色和粒度分布等特征，并采用角形人工智能和神经网络的方法进行诊断。随着计算机图像分析技术和人工智能特别是神经网络技术的不断发展，为实现全面定量铁谱诊断及其智能化创造了有力的条件。当智能技术应用于铁谱诊断时，诊断过程中的第三步不仅会变得和前两步一样重要，而且会成为智能诊断技术的关键，因此有必要研究磨损故障识别的理论和方法。
由于磨损现象的复杂性和磨粒分析的困难性，铁谱诊断智能化发展缓慢。1989年，美国金刚砂公司开发了一套叫做FAST [5]的铁谱分析专家系统，最近又开发成了FASTPLUS系统。据悉，该专家系统可用于铁谱分析，并通过人机对话进行决策。但从原理上讲，该系统主要是通过比较光谱上的特征磨粒与系统光盘中存储的磨粒图谱照片得出结论，因此具有很大的局限性。在国内，文献[6]将计算机图像分析技术和人工智能理论与方法引入铁谱分析技术，建立了基于黑板的铁谱图像解释系统模型，并进行了一些研究，取得了一些有意义的研究成果。由于追求铁谱诊断的完全智能化，这种技术离实用化还很远。
3.2铁谱诊断磨损故障的级别
根据铁谱诊断的目的和实际应用的需要，磨损故障的铁谱诊断等级分为三级:
第一诊断级别3监控设备状态并确定磨损状态是否正常；
第二级诊断:在第一级诊断的基础上，识别异常磨损状态的原因、类型、形式乃至趋势分析，从而采取维修措施或改进设计。不同原因引起的故障有不同的表现形式，从而反映不同的故障状态。磨损的原因可以通过磨粒的形状、大小、数量和分布来确定。
第三级诊断:用于判断故障零件或部件，也为第二级诊断提供补充信息。
在铁谱显微镜下，通过光谱加热或湿化学处理，可以区分不同材料产生的磨粒，从而识别故障
隔离到不同的部分。由于设备结构的复杂性，同一设备使用的摩擦副材料相同，以及材料识别手段的限制，故障隔离和定位并不总是有效的。然而，为了提高磨损故障诊断的有效性和全面性，这一级别的诊断无疑是必要的。
在人工诊断中，上述三级诊断往往是同步完成的，但随着现场监测智能化诊断的需要，在铁谱诊断中引入人工智能或神经网络技术后，需要对磨损故障诊断级别进行分类。
3.3智能铁谱诊断模型
基于实际应用的需要，本文提出了一个智能铁谱诊断系统模型，如图1所示。一些主要任务已经完成。
该系统包括三个模块:磨粒分析模块、磨粒识别与统计模块和机械磨损故障铁谱诊断模块。计算可用于磨粒分析模块。
计算机图像分析和模拟人工分析。铁谱图像分析子系统[7]可以提取磨粒的定量特征参数。这包括形态学数字特征和光密度特征。提取的部分信息输入到磨粒识别与统计模块，通过神经网络技术识别磨粒[8]。统计后的结果送至磨粒信息库。一部分直接送到磨料信息库。模拟人工分析子系统，采用人机协作的方法人工提取磨粒的定性特征参数，利用神经网络专家系统对磨粒进行识别[9]，将识别结果统计后发送到磨粒信息库；定量夹具参数由光密度计测量，测量结果直接送入磨粒信息库。根据不同的需要，可以将磨粒数据库中的数据以不同的方式组织起来，形成不同的数据文件，用于故障诊断和监测。机械磨损故障铁谱诊断模块可根据用户需求实现磨损状态诊断、磨损故障类型诊断、磨损原因诊断，三者均由神经网络模型实现【l0转自深圳培训吧www.szpxb.com】。在铁谱诊断中，除了使用磨粒信息库的数据文件作为输入向量外，还应充分利用被监测设备知识库的知识。该系统还可以直接从磨粒数据库中提取数据，并利用神经网络技术预测磨损趋势。