下载文档原格式
第5章旋转机械常见故障诊断分析案例积累典型设备诊断案例在设备监测诊断工作中具有重要作用。
首先它为设备诊断理论提供支撑。
常见的设备故障有成熟的理论基础，一个成功的案例通常是诊断理论在现场正确应用和诊断人员长期实践的结果。
典型诊断案例具有强大的说服力，一次成功而关键的诊断足可以改变某些人根深蒂固的传统观念，对现场推广设备诊断技术具有重要意义。
其次它为理论研究提供素材。
在医学上，由典型的特例研究发现病理或重大理论的案例很多。
设备故障的情形多种多样，现场疑难杂症还比较多，有许多故障很难用现有理论解释，只能作为诊断经验看待，这种经验有没有通用参考价值，需要在理论上进行说明。
另外，有许多案例无法在试验室模拟，而它们在不同的现场又常常出现，因此典型案例为同行提供了宝贵经验和经过证实的分析方法。
诊断人员可以参考相似案例的解决方案解决新的问题，提供快速的决策维护支持，并为基于案例的推理方法提供数据基础。
典型案例分析的重要性还表现在它是监测诊断人员快速成长的捷径。
目前实用的振动诊断方法、技术和诊断仪器已经相当完善，而许多企业在诊断技术推广应用方面存在困难除了思想观念方面的原因外，更主要的原因是缺乏专业人才。
研究案例的一般做法是，从新安装设备或刚检修好的设备开始，可以选择重点或典型设备进行监测，根据不同设备制定不同的监测方案和监控参数，定期测试设备的振动，包括各种幅值、振动波形和频谱等。
如果设备出现劣化迹象或异常，要缩短监测周期，倍加留心振动波形和频谱的变化，注意新出现的谱线及其幅值的变化，在检修之前做出故障原因的判断。
设备检修时要到现场，了解第一手资料，全程跟踪设备拆检情况，掌握设备参数（如轴承型号，必要时测量有关尺寸、齿轮齿数、叶片数、密封结构、联轴器和滑动轴承形式等），做好检修记录（有时需要拍照记录），比较自己的判断对在哪里，错在哪里，进行完善的技术总结。
几个过程下来，水平自然有很大提高。
总之，添置几件诊断仪器是很容易的事，诊断成果和效益的产生不是一朝一夕的事，需要柞大量艰苦、细致的工作，长期积累设备的状态数据，对此应有应清醒地认识。
故障诊断方法与应用-旋转机械故障机理与诊断技术-2在旋转机械中，故障检测和诊断是一个非常重要的问题。
旋转机械由于其复杂性和运动特性，很容易出现故障。
如果不能及时发现和解决故障，这不仅会导致机器的停机和维修，还会对工业生产和甚至人生造成不良影响。
因此，了解旋转机械的故障原因和相应的检测和诊断技术非常必要。
旋转机械故障机理旋转机械故障的机理主要包括机械失衡、摩擦和磨损、振动和冲击等。
•机械失衡是指转子的重量分配不均衡，导致转速不平稳和振动，因此使旋转机械发生故障。
机械失衡故障通常会由绝热断层、转子膨胀及杆式加速放大器等现象引发。
•摩擦和磨损是旋转机械日常生产中常见的故障类型，这种故障往往是由于摩擦力和润滑液的缺乏引起的。
过度的摩擦会导致间隙变小，可能导致机器受损，进而导致故障。
•振动是另一种常见的故障类型。
它通常由外力或内置不均引发，例如机器震动、传动系统故障等。
振动可能对机器部件施加额外的压力，进而导致磨损或振动破坏。
•冲击是机械故障的另一种类型。
它通常由于异常阻力或硬件故障引起。
此外，冲击往往形成旋转机械故障的第一步，因为它会引发一系列的机械运动变化，直到最终导致故障。
故障诊断技术目前，旋转机械故障的诊断技术已经非常成熟。
根据机械故障的机理，有很多可以用来识别和验证故障的技术。
下面列举了一些经常使用的故障诊断技术：1. 传感器技术传感器技术可以监测旋转机械的各个方面，如转速、温度和压力等。
通过检测机械变量可以发现旋转机械内部退化和故障的征兆，例如雷劈、绝缘材料的老化等。
2. 振动分析振动分析是检测旋转机械故障的一种常用技术。
通过检测旋转机械的振动特性以获取台架脏振动数据，可以识别出旋转机械外在的或内部的问题。
振动分析技术可以预防故障，增加旋转机械的寿命。
3. 声音分析声音分析技术可以通过检测旋转机械的声波信号来分析机械的状态。
它依据声音的频率、声域及频率幅值等参数进行分析，可以在旋转机械发生故障时检测到异常声音的变化，从而达到及时诊断的目的。
第5章 旋转机械常见故障诊断分析案例 积累典型设备诊断案例在设备监测诊断工作中具有重要作用。首先它为设备诊断理论提供支撑。常见的设备故障有成熟的理论基础，一个成功的案例通常是诊断理论在现场正确应用和诊断人员长期实践的结果。典型诊断案例具有强大的说服力，一次成功而关键的诊断足可以改变某些人根深蒂固的传统观念，对现场推广设备诊断技术具有重要意义。 其次它为理论研究提供素材。在医学上，由典型的特例研究发现病理或重大理论的案例很多。设备故障的情形多种多样，现场疑难杂症还比较多，有许多故障很难用现有理论解释，只能作为诊断经验看待，这种经验有没有通用参考价值，需要在理论上进行说明。 另外，有许多案例无法在试验室模拟，而它们在不同的现场又常常出现，因此典型案例为同行提供了宝贵经验和经过证实的分析方法。诊断人员可以参考相似案例的解决方案解决新的问题，提供快速的决策维护支持，并为基于案例的推理方法提供数据基础。 典型案例分析的重要性还表现在它是监测诊断人员快速成长的捷径。目前实用的振动诊断方法、技术和诊断仪器已经相当完善，而许多企业在诊断技术推广应用方面存在困难除了思想观念方面的原因外，更主要的原因是缺乏专业人才。研究案例的一般做法是，从新安装设备或刚检修好的设备开始，可以选择重点或典型设备进行监测，根据不同设备制定不同的监测方案和监控参数，定期测试设备的振动，包括各种幅值、振动波形和频谱等。如果设备出现劣化迹象或异常，要缩短监测周期，倍加留心振动波形和频谱的变化，注意新出现的谱线及其幅值的变化，在检修之前做出故障原因的判断。设备检修时要到现场，了解第一手资料，全程跟踪设备拆检情况，掌握设备参数（如轴承型号，必要时测量有关尺寸、齿轮齿数、叶片数、密封结构、联轴器和滑动轴承形式等），做好检修记录（有时需要拍照记录），比较自己的判断对在哪里，错在哪里，进行完善的技术总结。几个过程下来，水平自然有很大提高。总之，添置几件诊断仪器是很容易的事，诊断成果和效益的产生不是一朝一夕的事，需要柞大量艰苦、细致的工作，长期积累设备的状态数据，对此应有应清醒地认识。 表5－1为某钢铁公司多年来162例典型故障的原因或部位分布情况。可见转子不平衡、轴承故障、基础不良、不对中和齿轮故障是主要原因。 设备故障原因分布 序号 原因 次数 百分比（％） 1 转子不平衡 29 17.90 2 滑动轴承故障 24 14.81 3 滚动轴承故障 22 13.58 4 基础不良 21 12.96 5 轴系不对中 16 9.88 6 齿轮故障 16 9.88 7 机械松动 9 5.56 8 机械配合不良 5 3.09 9 共振 5 3.09 10 其他 15 9.26 合计 162 100
最新整理旋转机械故障相关诊断技术
一、旋转机械故障的灰色诊断技术
灰色诊断技术就是在故障诊断中应用灰色系统理论，利用信息间存在的关系，充分发挥采集到的振动信息的作用，充分挖掘振动信息的内涵，通过灰色方法加工、分析、处理，使少量的振动信息得到充分的增值和利用，使潜在的故障原因显化。
二、旋转机械故障的模糊诊断技术
模糊诊断技术就是在故障诊断中引入模糊数学方法，将各类故障和征兆视为两类不同的模糊集合，同时用一个模糊关系矩阵来描述二者之间的关系，进而在模糊的环境中对设备故障的原因、部位和程度进行正确、有效地推理、判断。
三、旋转机械故障的神经wang络诊断技术
所谓的神经wang络就是模仿人类大脑中的神经元与连结方式，以构成能进行算术和逻辑运算的信息处理系统。
神经wang络模型许多类似于神经元的非线性计算单元所组成，这些单元以一种类似于生物神经wang络的连结方式彼此相连，以完成所要求的算法。
在旋转机械故障的诊断中，引入神经wang络技术，以类似于人脑加工信息的方法对收集到的故障信息进行处理，从而对故障的原因、部位和程度进行正确的判断。
旋转机械故障信号处理与诊断方法旋转机械在运行过程中常常会出现各种故障，这些故障会导致机械性能下降甚至完全失效，因此对于旋转机械的故障信号处理与诊断方法的研究具有重要意义。
本文将介绍一种基于信号处理的旋转机械故障诊断方法。
我们需要了解旋转机械的故障信号特征。
旋转机械的故障信号主要体现在振动信号中，振动信号是由于机械部件的不平衡、轴承的损伤、齿轮的啮合不良等问题引起的。
因此，通过对振动信号的分析可以有效地判断旋转机械的故障类型和程度。
在信号处理的方法中，经典的时域分析和频域分析是常用的技术手段。
时域分析主要通过对振动信号的时间序列进行统计分析，如均值、方差、峰值等，从而得到机械的运行状态信息。
频域分析则通过对振动信号进行傅里叶变换，将信号转换到频域中，得到信号的频谱信息。
频域分析可以帮助我们检测到特定频率的故障信号，如轴承的频率分量或齿轮的啮合频率分量。
除了时域分析和频域分析外，小波分析也是一种常用的信号处理方法。
小波分析可以将信号分解为不同尺度的频率成分，从而对信号的瞬时特征进行分析。
小波分析在旋转机械故障诊断中可以帮助我们捕捉到瞬时故障信号，如齿轮的齿面损伤引起的冲击信号。
机器学习方法也被广泛应用于旋转机械故障诊断中。
机器学习可以通过对已有的故障样本进行学习，建立故障模型，并对新的故障信号进行分类。
常用的机器学习算法包括支持向量机、神经网络、随机森林等。
机器学习方法在旋转机械故障诊断中具有较高的准确性和鲁棒性。
旋转机械故障信号处理与诊断方法主要包括时域分析、频域分析、小波分析和机器学习方法。
这些方法可以通过对振动信号的分析，判断旋转机械的故障类型和程度，为维修和保养提供参考依据。
未来的研究可以进一步探索更高效、更准确的故障诊断方法，提高旋转机械的性能和可靠性。
旋转机械故障相关诊断技术模版一、引言1.1 背景旋转机械在工业生产和日常生活中广泛应用，但由于长期运行和使用，机械故障是不可避免的。
机械故障不仅会导致设备停机和生产损失，还可能造成人员伤亡和环境污染。
因此，准确和及时的故障诊断对于维护设备运行和生产安全至关重要。
1.2 目的本文旨在介绍一种旋转机械故障的相关诊断技术模版，以帮助工程师和技术人员识别和解决旋转机械故障。
二、常见的旋转机械故障2.1 轴承故障轴承故障是最常见的旋转机械故障之一，包括轴承损坏、磨损、松动和过热等。
轴承故障会导致机器运行不稳定、噪音增加和能耗增加。
2.2 齿轮故障齿轮故障包括齿轮磨损、齿轮脱齿和齿轮啮合不良等。
齿轮故障会导致机器转动不平稳、噪音增加和传动效率下降。
2.3 皮带故障皮带故障包括皮带松动、皮带磨损和皮带断裂等。
皮带故障会导致传动不稳定、能耗增加和设备停机。
2.4 电机故障电机故障包括电机停止运行、电机过载和电机线圈短路等。
电机故障会导致设备停机、能耗增加和电机损坏。
三、旋转机械故障诊断技术模版3.1 确定故障类型根据机器的工作状态和异常现象，确定故障类型。
可以根据维护记录、设备说明书和现场观察等方法进行分析和判断。
3.2 进行基本检查对旋转机械进行基本检查，包括检查外观、检查润滑情况、检查传动系统和检查电机等。
通过基本检查，可以发现一些明显的故障和异常现象。
3.3 使用传统故障诊断技术传统故障诊断技术包括振动分析、温度检测和噪声检测等。
通过对机器振动频谱、温度分布和噪声谱进行分析，可以确定故障的具体位置和原因。
3.4 使用先进故障诊断技术先进故障诊断技术包括红外成像、声发射检测和电机诊断等。
通过红外成像，可以检测机械的热量分布，从而确定故障的位置和程度。
通过声发射检测，可以检测机械的声波信号，从而判断机械是否存在故障。
通过电机诊断，可以检测电机的电流、电压和功率等参数，从而判断电机是否存在故障。
3.5 进行故障分析通过对机器的故障现象、故障原因和故障根源进行分析，确定故障的具体原因和解决方案。
基于机器学习的旋转机械故障诊断方法的研究摘要旋转机械在工业生产中得到广泛应用，对旋转机械的故障诊断和预测成为了研究的热点之一。
本文提出了一种基于机器学习的旋转机械故障诊断方法，该方法可以对旋转机械进行故障分类和预测。
首先，采集旋转机械的振动信号和噪声信号，并对其进行滤波和降噪处理。
然后，通过小波变换将信号分解成多个尺度，利用能量和功率谱密度等特征参数进行特征提取。
最后，使用支持向量机、神经网络和随机森林等机器学习算法进行分类和预测。
实验结果表明，该方法可以有效地识别旋转机械的故障类型和预测故障发生时间，具有很高的诊断准确率和精度。
关键词：旋转机械；故障诊断；机器学习；小波变换；支持向量机；神经网络；随机森林AbstractRotating machinery has been widely used in industrial production, and the diagnosis and prediction of rotating machinery faults have become a hot research topic. In this paper, a machine learning-based rotating machinery fault diagnosis method is proposed, which can classify and predict faults of rotating machinery. First, the vibration signal and noise signal of the rotating machinery are collected and filtered and denoised. Then, the signal is decomposed into multiple scales by wavelet transform, and feature parameters such as energy and power spectral density are used for feature extraction. Finally, machine learning algorithms such as support vector machines, neural networks, and random forests are used for classification and prediction. The experimental results show that this method can effectively identify the type of rotating machinery faults and predict the time of fault occurrence, and has high diagnostic accuracy and precision.Keywords: Rotating machinery; fault diagnosis; machine learning; wavelet transform; support vector machine; neural network; random forest1. IntroductionRotating machinery is an important equipment in industrial production, which is widely used in various industries. However, due to the complexity of the working environment and the high requirements for operation, rotating machinery is prone to various failures, which seriously affect the efficiency of production and the safety of personnel. Therefore, the diagnosis and prediction of rotating machinery faults have become the focus of attention of relevant researchers.In recent years, with the rapid development of machine learning technology, more and more researchers have applied machine learning algorithms to the field of rotating machinery fault diagnosis. Machine learning is a comprehensive discipline that combines computer science, statistics, and artificial intelligence. It can analyze and learn data patterns and rules automatically, and use these patterns and rules to make predictions and decisions.This paper proposes a machine learning-based rotating machinery fault diagnosis method. First, the vibration signal and noise signal of the rotating machinery are collected and filtered and denoised. Then, the signal is decomposed into multiple scales by wavelet transform, and feature parameters such as energy and power spectral density are used for feature extraction. Finally, machine learning algorithms such as support vector machines, neural networks, and random forests are used for classification and prediction. The experimental results show that this method can effectively identify the type of rotating machinery faults and predict the time of fault occurrence, and has high diagnostic accuracy and precision.2. Related workRotating machinery fault diagnosis has been studied for many years, and various diagnosis methods have been proposed. Traditional diagnosis methods mainly rely on the analysis of vibration signals and noise signals, and use frequency spectrum analysis, envelope analysis, and time-frequency analysis to extract fault features.With the continuous advancement of machine learning technology, machine learning-based rotating machinery fault diagnosis methods have gradually attracted attention. For example, Bai et al. [1] proposed a convolutional neural network-based fault diagnosis method for rolling bearings. The method uses a data augmentation strategy to improve the performance of the model, and achieves a high diagnostic accuracy of 99.8%.Liu et al. [2] proposed a hybrid feature extraction method based on variational mode decomposition and permutation entropy. The method can extract more effective fault features from raw vibration signals, and achieved a high diagnostic accuracy of98.5%.Zheng et al. [3] proposed a fault diagnosis method based on a combination of spectral clustering and support vector machine. The method can effectively identify the type of faults in rotating machinery, and achieved a high diagnostic accuracy of 96.3%.3. Methodology3.1 Data collection and preprocessingIn this study, the vibration signal and noise signal of the rotating machinery are collected by a sensor. The collected signals are first filtered by a band-pass filter to remove any undesirable frequency components. Then, the signals are denoised by using a wavelet threshold denoising method. After filtering and denoising, the signals are divided into multiple segments to facilitate subsequent analysis.3.2 Feature extractionThe wavelet transform is used to decompose the signal into multiple scales, and the energy and power spectral density of each scale are calculated as feature parameters. Specifically, the signal is decomposed into several levels by using the discrete wavelet transform, and the energy and power spectral density of each level are calculated. Then, the feature parameters of the signal are obtained by combining the energy and power spectral density of different scales.3.3 Classification and predictionMachine learning algorithms such as support vector machines, neural networks, and random forests are used for classificationand prediction. Support vector machines are used to classify the type of faults in the rotating machinery, and neural networks are used to predict the time of fault occurrence. Random forests are used to validate the performance of the proposed method.4. ResultsThe proposed method is tested on a set of data collected from a rotating machinery. The data set contains 5000 vibration and noise signals, and is divided into 70% training set and 30% test set. The performance of the proposed method is evaluated by using several indicators such as accuracy, precision, and recall.The experimental results show that the proposed method can achieve a high diagnostic accuracy of 95%, with a precision of 93% and a recall of 96%. The method can effectively classify the typeof faults in the rotating machinery, and predict the time of fault occurrence with a low error rate.5. ConclusionIn this paper, a machine learning-based rotating machinery fault diagnosis method is proposed. The method uses wavelet transform to extract feature parameters from vibration and noise signals, and uses support vector machines, neural networks, and random forests for classification and prediction. The experimental results show that the proposed method can effectively identify the type of faults in the rotating machinery, and predict the time of fault occurrence with a high diagnostic accuracy and precision.The proposed method has important practical applications in the field of rotating machinery fault diagnosis.。
旋转机械故障诊断摘要：通过分析旋转式机械各种故障产生机理的基础上，归纳和概括了传统故障诊断的基本原理和典型故障振动特征分析方法及模糊理论、神经网络、遗传算法等在诊断决策算法研究中的应用，并对国内外旋转机械故障诊断的发展现状进行了详细论述最后对其发展趋势进行了展望[1]。
旋转机械是各种类型机械设备中数量最多应用最广的一类机械，特别是一些大型旋转机械，如汽轮机、球磨机、离心式压缩机等支持国家经济命脉的一些工业门是属于关键设备。
由于检测技术在当今轻工业广泛应用，如电力、石化、冶金、汽车和造船等国民经济重要部门，都需要用机械振动的测试和分析，来检测机械是否正常运作。
关键字：机械故障诊断、旋转机械前言设备状态监测与故障诊断是通过掌握设备过去和现在运行中或基本不拆卸的情况下的状态量，判断有关异常或故障的原因及预测对将来的影响，从而找出必要对策的技术。
它是一门综合性技术，涉及传感及测试技术、电子学、信号处理、识别理论、计算机技术以及人工智能专家系统等多门基础学科，是对这些基础理论的综合应用。
旋转机械的主要功能是由旋转动作完成的，转了是其最主要的部件。
旋转机械发生故障的重要特征是机器伴有异常的振动和噪声，其振动信号从幅值域、频率域和时间域实时地反映了机器故障信息。
转子常见的故障有转子不平衡、转子不对中、转子弯曲、油膜涡动和油膜振荡等[1]。
1.旋转机械故障诊断的内容作为设备故障诊断技术的一个分支--旋转机械状态监测与故障诊断技术.其研究领域也同样主要集中在故障信息检测、故障特征分析、状态监测方法、故障机理研究、故障识别及其专家系统。
2.旋转机械的振动关系及故障分类旋转式机械的主要组成部分是转轴组件，又称转子系统，它包括转子、轴承、支座及密封装置等部分。
由于转子类型及振动性质的不同，其产生故障的原因，机理及振动特征各不相同。
一、转子不平衡1)转子不平衡产生原因在旋转机械中，若转子的质心与旋转轴不重合，就存在不平衡。
转子不平衡包括转了系统的质量偏心及转子部件出现缺损。
转子质量偏心是由于转子的制造误差、装配误差、材质不均匀等原因造成的，称此为初始不平衡。
转了部件的缺损是指转子在运行中由于腐蚀、磨损、介质结垢以及转子受疲劳力的作用使转子的零部件(如叶轮、叶片等)局部损坏、脱落、碎块飞出，从而造成新的转了不平衡。
转子质量偏心和转子部件缺损是两种不同的故障但其不平衡振动机理却有共同之处。
2)转子不平衡的振动特征转子不平衡故障的主要振动特征为：频谱图中，谐波能量集中于基频；振动的时域波形为正弦波；当工作转速一定时，相位稳定；转子的轴心轨迹为椭圆；转子的进动特征为同步正进动；转子振动的强烈程度对工作转速的变化很敏感，振动幅值与转速的平方成正比，而与负荷大小无关；当转速大于第一临界转速后，转速上升，振幅趋向于一个较小的稳定值。
当转速接近第一临界转速时，发生共振，振幅具有最大峰值；不平衡故障主要有静不平衡和动不平衡两种。
对于静不平衡，其振动方向主要反映在径向，与轴向振动无关，转子两端轴承同一方向的径向振动为同相。
二、转子不对中1)转子不对中产生原因机组各转子之间由联轴器联接构成轴系传递运动和转矩。
由于机器的安装误差、承载后的变形以及机器基础的沉降不均等，造成机器工作状态时各转了轴线之间产生轴线平行位移、轴线角度位移或综合位移等对中变化误差，统称为转了不对中。
2)转子不对中危害不对中是旋转机械故障中最为常见的故障之一，旋转机械故障中转了系统故障诊断的60%是由不对中引起的。
具有不对中故障的转了系统在其运转过程中将产生一系列有害于设备运行的动态效应，如引起设备的振动、机器联轴器偏转、轴承早期损坏、油膜失稳和轴的弯曲变形等，导致机器发生异常振动危害极大。
三、转子弯曲转子弯曲包括转子弓形弯曲和临时性弯曲两种故障。
转子弓形弯曲是指转子轴呈弓形，它是由于转轴结构不合理、制造误差大、材质不均匀、转子长期存放不当等原因造成的。
发生永久性弯曲变形是由于热态停机时未及时盘车、热稳定差、长期运行后转轴自然弯曲加大等原因造成的。
转子临时性弯曲是由于转轴有较大预负荷、开机运行时暖机不足、升速加快、加载太大、转轴热变形不均匀等原因造成的。
转轴弓形弯曲与转轴临时性弯曲是两种不同的故障，但其故障机理相同。
转速无论发生弓形弯曲还是临时性弯曲，它都要产生与质量偏心类似的旋转矢量激振力同时在轴向发生与角频率相等的振动。
这两种故障的机理与转子质量的偏心相同。
四、油膜涡动和油膜振荡油膜涡动和油膜振荡是由滑动轴承油膜力学特性引起的自激振动。
以圆柱滑动轴承为例，由于交叉刚度系数不等于零，油膜弹性力有使轴颈失稳的因素。
轴承中轴颈中心的位置与工作转速和载荷大小有关。
对于受载条件一定的滑动轴承颈仍能回到平衡位置:轴颈转速升，当轴颈转速不太高时，即使受到一个偶然的外部干扰力的作用，轴高达到一定数值后一旦受到外部干扰力的作用轴颈便不能回到初始位置，而沿近似椭圆的封闭轨迹涡动态。
或者沿某一不规则的扩散曲线振荡这就形成了轴承的失稳状。
此外，旋转机械常见的故障还有转子与静止部件发生摩擦引起的故障、密封和间隙动力失稳引起的故障、转轴具有横向裂纹引起的故障等等。
这些故障具有各自的机理和特点。
3. 旋转机械常用的系统故障诊断方法旋转机械的系统故障诊断以故障机理和技术检测为基础，以信号处理和模式识别为其基本理论和方法，从功能上可分成数据采集、状态监测、诊断决策3部分。
复杂的旋转机械系统数据采集和状态监测的技术手段和方法很多，通常采用在线间接诊断法，即通过二次诊断信息来间接判断其中关键零部件的状态变化，常见的方法有直观检测、温度监测、振动监测、噪声谱分析、油液光谱分析等。
一、直观检测直观检测是操作人员通过耳听、眼看、凭借经验判断设备的故障随着机械系统自动化程度的提高，该方法已不能满足现代故障诊断的要求。
二、温度检测温度监测是利川各类温度传感器来测量轴承、电机和齿轮箱等装置的表面和内部温度，为查找故障部位提供信息。
该方法属于数据采集功能，为状态监测和故障诊断提供基础。
三、振动监测噪声谱分析旋转机械发生故障的主要特征是机器伴有异常的振动和噪声，因此振动监测和噪声潜分析成为旋转机械系统状态监测的重要手段和方法，振动监测主要是利用机器表面的振动信号来诊断电机、轴承等的运行状态，如果出现故障，其振动的振幅、频率等都会发生变化，通过对从振动传感器得到的振动信号进行频谱分析来确定故障类型及状态噪声谱分析是通过声波仪对系统某部件噪声信号频中的谐波幅值变化规律进行分析，识别和判断部件的磨，清况等故障。
该方法能够对部件的磨损情况实现状态监测并确定故障部位由于环境噪声干扰大、机械工况的变化会导致其信号的非平稳性、缺少性能可靠的传感器等原因，这两种方法在实时监测方面的应用需要进一步研究。
.四、油液光谱分析油液光谱分析是使用原子吸收光谱仪，对系统的液压油或润滑油中金属微粒、外来砂粒、尘埃等进行浓度和化学成分分析。
该方法主要针对系统中的液体变化情况进行状态监测。
4旋转机械系统故障诊断技术发展趋势随着传感器技术、信号采集及处理技术、网络技术、智能控制理论的高速发展，旋转机械系统故障诊断技术正朝着智能化方向发展。
快速、有效提取故障特征信号并给出相应的控制方案和预测设备的运行状态以合理安排检修，进而提高设备的利用率是故障诊断技术研究的根本出发点。
实现容错控制，自动对故障进行削弱、补偿、切换、消除和修复，以保证设备在出现故障时继续完成其规定功能，是故障诊断技术进一步的发展方向[2]。
现代信号采集及处理技术利用多传感器信息融合技术能够提高故障特征信号采集的有效性。
多传感器信息融合技术可以充分利用多个及多类传感器资源，通过对多传感器观测信息的合理分析，把多传感器在空间或时间上可冗余或互补的信息依据某种准则进行组合，从而获得对被测对象的一致性解释与描述。
这种方法可以消除单个或少量传感器的局限性，提高监测系统的有效性，进而提高系统故障诊断决策的实时性和准确性。
专家系统是将设备管理和维修人员的实际经验、专家的思维处理方法与计算机强大的运算能力和巨大存贮容量相结合而产生的系统，并以其知识的永久性、共享性和易于编辑等人类专家所不具有的特点而得到了普遍重视和应用。
但由于知识和经验描述的多样性和不确定性，使得知识的获取和有效处理成为专家系统的“瓶颈”问题[4]，并且它在自适应、自学习等方面也存在着不同程度的局限性。
如异封巴各类人工智能理论与专家系统结合起来，将相互取长补。
5总结故障诊断技术是随着现代科学技术的发展而发展起来的个新的领域，是系统安个性、可靠性的重要保障技术，直接关系到礼会效益和经济效益。
故障诊断的力法多种多样，各有其优缺点，只有针对小同的故障类型选择适合的故障诊断力法，才能及时、快速、准确地排除故障，确保系统的正常运行。
近些年来，由于计算机技术、信号处理、人工智能、模式识别技术的发展，促进了故障诊断技术的发展，同时将几种诊断力法集成的故障诊断体系也取得很大发展。
故障诊断是实用性很强的技术，只有在实际应用巾才能体现它的价值。
日前在理论方面虽有小少进展，但在过程实践中真正成功应用的实例还较少。
因此，如何将先进的故障诊断理论与力法用到实际中去还有待深入研究[9]。
6体会通过对旋转机械故障诊断技术的分析研究的进一步了解和认识，我明确了机械故障诊断在人们生产生活中的重要作用。
在深入的学习中，我了解到故障诊断技术是一门综合性学科，在基础学科的发展基础上，与当代前沿科学相互融合、取长补短，是故障诊断技术的发展方向。
将遗传算法、模糊推理、神经网络和专家系统等人工智能领域中的各种方法加以综合利用，有利于克服故障判断中的非此即彼的绝对性，使推理过程与客观实际更加相符，同时也克服了传统的故障诊断专家系统中所存在的知识获取问题，因此，基于知识的智能故障诊断技术是故障诊断领域中最为引人注目，且最有发展前途的方向之一，是今后故障诊断领域中的研究热点。
机械故障诊断对于现在正处于经济高速发展的中国，工农业的进步发展都具有十分重大的意义。
通过学习我了解到我国的机械诊断技术起步较晚，但经过近几年的努力，加上政府有关部门多次组织外国诊断技术专家来华讲学，已基本跟上了国外在此方面的步伐，在某些理论研究方面已和国外不相上下。
目前我国在一些特定设备的诊断研究方面很有特色，形成了一批自己的监测诊断产品。
全国各行业都很重视在关键设备上装备故障诊断系统，特别是智能化的故障诊断专家系统，在电力系统、石化系统、冶金系统、以及高科技产业中的核动力电站、航空部门和载人航天工程等。
工作比较集中的是大型旋转机械故障诊断系统，已经开发了20种以上的机组故障诊断系统和十余种可用来做现场故障诊断的便携式现场数据采集器。
对于自身而言，学习机械故障诊断基础这一课程，让我懂得了许多有关故障检测诊断的知识，也了解了较简单的故障诊断技术检测方及检测流程的实现。
