（來(lái)源：智能制造(zào)趨勢）

在某個烘絲機項目實施的過程中(zhōng)，需要增加振動傳感器用于檢測、分析設(shè)備是否存在故障或(huò)可能在未來的某個時間會發生故障的可能(néng)性，即故障預測。對振動監測技術産生了一定興趣，作了(le)一些深度的了(le)解。

最(zuì)早(zǎo)期的傳(chuán)統工業設備運維，常(cháng)常采用人(rén)工巡檢。手摸、耳聽，經(jīng)驗豐富的檢修師傅可以經由聽音棒、壓(yā)力儀表等工具的輔助對設備運行情況進行判斷。後來，電子檢測輔助工具如筆式測(cè)振儀等，開始廣泛應(yīng)用在日常設備巡檢工作中，離線點(diǎn)檢成為工業維護的主流方式。用戶對振動的理解不再局限(xiàn)于人(rén)工判斷中簡單(dān)的“震感大、噪(zào)聲(shēng)大、升溫高”，高頻振動監測(cè)數據的挖掘在設備維護領(lǐng)域逐漸被(bèi)人們熟知(zhī)。高科技手段的逐步普及，也為振(zhèn)動監測和(hé)故障診斷提(tí)供了更多可能性(xìng)。

振動是一種普遍存在的現象，對旋轉類(lèi)設備而言，絕大多數故障都與機械運動或振動密切相關。一台設計合理、運轉健康的機械設備常規(guī)振動(dòng)烈度也較低，但當其内部零部(bù)件發(fā)生磨損、錯位、松動、密封不嚴等(děng)細微變化(huà)時，振動的能量就會随之産生不同的變化，因此振動加(jiā)劇是(shì)設備(bèi)即将發生故障的重要(yào)标志之一，也(yě)是設備運維過程中(zhōng)判斷設備運轉健康與否的重要(yào)條(tiáo)件之一。

目前，随着物聯網和人(rén)工智能技術的不斷發展(zhǎn)，許多制造、軌道交通、電力、冶金(jīn)、石化等行(háng)業紛紛引入了智能(néng)運維系統，實現了設備在線監測和分析，能夠在設備狀态變得異常時，向監測系統發出報警并及時處理。智能(néng)運維系統大幅提(tí)高了預測維護和故障預警的準确性和及時性，也避免了不必要的生産停機和人員傷(shāng)亡。

振動信号分析是智能(néng)運維系統中的一項關鍵技(jì)術，主要包括信号(hào)采集(jí)、信号處理、特征提取、故障判别和故障診斷等環節。在這一系(xì)列環節中，借助人工(gōng)智能技術如深度學習、機器學習等方法，可以從複雜的(de)振(zhèn)動信号中提取有意義的特征用于診斷故障，預測設(shè)備壽命，并且可(kě)以形成個性化的健康狀态監測模(mó)型，實現對不同(tóng)類型設備的精準監測和管控，為企業的設備維護管理提供更加高效、安全的手段。工業設備震動故障檢測技術是一種常見(jiàn)的無損檢測(cè)方法(fǎ)，可以用于檢測工業設(shè)備的震動情況，包括旋轉機械、壓(yā)縮機、泵等。該技術通過傳感器或振動檢測儀器來測量震動信号，并(bìng)通過(guò)分析來确(què)定設備的健康狀态(tài)。

振(zhèn)動傳感器

通常情況下，使用振動傳感器來(lái)測量設備的加速度，速度和位移信号。傳(chuán)感器将信号發送給(gěi)震動檢測裝置，通常包括一個信号采集器和一個信号分析單元。信号采集器用于記錄傳(chuán)感器的輸出，并将信号傳輸到信号分析單元進行(háng)分析。

信号分(fèn)析單(dān)元通常(cháng)包括一個數字(zì)信号處理器和一些信号處理(lǐ)算法，用于從測量(liàng)的信号中提取有(yǒu)用的信息。這些信息(xī)可以用于确定(dìng)設備的健(jiàn)康狀況，例如是否存在軸承損壞、偏心、不平(píng)衡或其(qí)他問題。基于這些信息，工程師(shī)可以采取适當的措施(shī)來修複(fú)設備或預防潛(qián)在故障。總的來說，工業設(shè)備震動(dòng)故障檢測技術是一種非(fēi)常有效的無損檢測方法，可以降低設備故障率(lǜ)，提高生産(chǎn)效率，減少(shǎo)維護成本和停機時間。除了震動故障檢(jiǎn)測技術外，還可以使用預測性維護（PDM）技術來進行工(gōng)業設備震動故障(zhàng)預測。

預測性維護是一種基于設備曆史數(shù)據(jù)和分析方法來預測未來故(gù)障發生的技術。對(duì)于工業設備來說，可以通過監測設備的震動信号來對設備進行預測性維護。

首先，需要對設備進行連(lián)續監測，收集震動信(xìn)号數據。然後(hòu)，可以使用一些機器學習算法和模型來對(duì)這些數據進行處理和分析，以預測設備故障發生的概率和時間。例如，可以使用神經網絡模型或支(zhī)持向(xiàng)量機等算法來構建預測模型(xíng)，預測設備的故障(zhàng)概率和時間(jiān)。這些模型(xíng)可以使用曆史數據進行訓練(liàn)，并不斷優化和改進。

一旦預測(cè)模型發現設(shè)備存在故障風險(xiǎn)，就可以通過提前安排維護和(hé)檢修來避(bì)免設備故障(zhàng)的發生。這(zhè)種方法可以大大降低(dī)設備故障率，提高運行效率和生産(chǎn)效益，減少生産成本和損失。

振動圖譜示例

總的(de)來說，預(yù)測性(xìng)維護技術是一種非常重要的(de)技術，可以(yǐ)在震動故障檢測技(jì)術的基礎上，更(gèng)加有效地預防設備故(gù)障的發(fā)生。振(zhèn)動監測是(shì)指應用振(zhèn)動傳感器對機械設備振動信(xìn)号(hào)進行采集、處理，并結合被(bèi)監測對象的曆史狀況，定位故障點位、分析故障原(yuán)因的一種預測性維護手段，具有(yǒu)診斷直接、監測實時和故障類型覆蓋範圍廣的特(tè)點。

機械故障分類

可以理解為振動監測為機械設備提供了(le)一個反饋(kuì)記錄，它可以捕捉(zhuō)并記錄設備的每一次(cì)微(wēi)小(xiǎo)振動數據。振動診斷的理論和測量方法都已(yǐ)經較為成熟，成為無(wú)損(sǔn)檢測技(jì)術中最為常見、便捷、有效的機械故障的診斷(duàn)技術手段(duàn)之一(yī)。

近年來，随着芯片技術及(jí)AI智能(néng)領域的快速發展，工業設備智能化也(yě)在傳統制造業遍地開花，智能振(zhèn)動傳感器的(de)問世讓振(zhèn)動數據得到(dào)了更加深度、有效的挖掘利用，原始振動波形數據的(de)采集分析為設備的故障預測帶來(lái)更多信息，讓振動監測更為精密。

振動監測網絡(luò)拓撲

振動監測的核心原理是(shì)通過(guò)分析(xī)振動圖譜來定位故障點位及原因。速度、加速度作為振動的基礎要素，速度/加速度頻譜圖、速度/加速(sù)度波形圖則是振動分析的基礎圖譜。除此之外，還有趨勢圖、包絡譜圖等用以輔助判斷故障。下面我(wǒ)們來看一個軸承早期故障及(jí)潤滑不良案例中的實(shí)際圖譜(pǔ)彙總, 以下列舉了一些振動圖譜：

常用(yòng)圖譜

加速度包絡譜圖(tú)，常用(yòng)于軸承故障判斷

上述圖譜可以看出，在(zài)故障發生早期(qī)，振動(dòng)便會産生變化，依賴于采(cǎi)集振動數據的準确性及完整性，再通過(guò)對圖(tú)譜的綜合分析，即可(kě)完成(chéng)設備故障點位及原(yuán)因的判斷，故障超前預警(jǐng)也就可以輕松實現了。先進的設備(bèi)預測性維護(hù)解決方案提供商還會開發(fā)智能分析及診斷輔助工具等，為用戶提(tí)供更加直觀、便捷(jié)的振動監測體驗。

工業(yè)設備智能(néng)運維的舞(wǔ)台已經随着人工智能化及芯片技術的發展漸漸拉開帷幕，振動監測作為一種技術手(shǒu)段，其精準性及便捷性也在發生(shēng)着日新月異的變化。無線技術、多軸振動采集、高防護等級、邊緣(yuán)計算功(gōng)能、私有化部署(shǔ)等等，用戶的需求也在不(bú)斷升級與更新，唯一不變的，是工業數智化(huà)變革的決心與方向。