6 2003年10月
技术。测定内容包括：①磨粒浓度和颗粒大小、数量，它们反映了机器磨损的严重程度。②磨粒的形貌，它反映了磨粒产生的原因和机理。③磨粒的成份，它反映了磨粒产生的部位，即发生磨损的零件。铁谱分析仪器主要有直读和分析式两种。
(4)污染度监测油液中的各种固体污染物(金属和非金属颗粒)危害很大，是引起机件磨损、刮伤、卡死、堵塞、降低效率的主要原因。为了控制油液的污染，减少因污染而导致的故障，在生产中采用对油液污染度评定的方法。即测定单位容积油液中固体颗粒污染物的含量，以此来反映系统或零件所受颗粒污染物的危害程度。常用的方法有称重法、计数法等。
2故障诊断的发展方向：智能故障诊断[2]
目前学术界关于故障诊断有很多不同的论述，较有代表性的有：“设备状态监测与故障诊断是通过获取设备过去和现在运行过程中的状态量，判明其质量优劣、可用程度、是否安全、有关异常和故障的原因及预测对将来的影响等，从而找出必要对策的技术”；“故障诊断是指系统在一定工作环境下查明导致系统某种功能失调的原因或性质，判断劣化状态发生的部位或部件，以及预测状态劣化的发展趋势”；“机械故障诊断就是对机械系统所处的状态进行监测，判断其是否正常，当出现异常时分析其产生的原因和部位，并预报其发展趋势”；“所谓诊断就是根据机械设备运行过程中产生的信息判别机械设备是正常运行还是发生了异常现象，也就是识别机器是否发生了故障”。综合起来，故障诊断的实质就是一个通过状态监测信息进行模式识别的过程。因此，故障诊断的前提是建立设备状态特征信息和故障类型之间的关系，一般通过检测设备状态特征信息来识别机械设备的性能状态。故障诊断技术的发展大致可分为两个阶段：一是以传感器技术和动态测试技术为基础，以信号处理技术为手段的常规诊断技术发展阶段，该技术已得到大量应用，产生了巨大经济效益；随着生产的现代化对设备性能要求越来越高，各生产设备日趋大型化、自动化和智能化，传统诊断技术已越来越不能适宜现在设备诊断的需求，于是以人工智能为核心的智能诊断技术得到了迅速发展，其研究内容和实现方法与第一阶段相比发生了重大变化，诊断过程的知识化使得研究者致力于诊断知识的获取、知识的表达与组织、推理方法的建构、诊断模型的建立以及诊断策略的形成等问题。人工智能的研究成果，特别是专家系统、人工神经网络和多技术组合为机械故障诊断注入了新的活力，它们在故障诊断领域中的进一步应用推动了智能诊断的迅速发展。其中，基于知识的专家系统（简称专家系统）的研究起步最早，20 世纪 70 年代初，美国Standford大学研制的 MYCIN 系统即是早期专家系统最成功的应用实例。在国外某些发达国家，机械、电子设备的故障诊断专家系统已有许多成功应用，如 1985年A.S. Stuard根据J.S. Shore[48]给出的故障征兆与起因的关系成功研制的第一个透平机械故障诊断系统[49]；1985 年Regenie等人研制的飞行器控制系统监视器（EEFSM）和 1987 年Malin研制的汽车故障诊断系统（FIXER）以及美国宇航局 Langley 研制中心研制的飞行器故障诊断专家系统（Fault-finder）、航空航天领域的火箭发动机专家系统（REFDES）、航天器故障诊断试验专家系统（ATFDES）、卫星控制系统地面实时故障诊断专家系统等。自 20 世纪 70 年代以来，我国在智能诊断方面也取得了一定的研究成果，如哈尔滨工业大学和上海发电设备成套设计研究所联合研制的汽轮发电机组故障诊断专家系统（MMMD-2）；清华大学研制的锅炉设备故障诊断专家系统等。虽然专家系统发展很快，但缺乏有效的诊断知识表达和不确定性知识推理，并且知识获取的方法也不容易解决。人工神经网络（ANN）智能诊断方法的发展为专家系统问题的解决开辟了一条新途径。ANN 具有自学功能，不受专家知识和编程者个人能力的限制，通过不断的自学训练而增强判断能力，从而提高设备诊断正确率，并对运行状态做出预报。神经网络用于设备故障诊断起源于 80 年代末期，V. Venkat和 C. King 等将 ANN 用于故障诊断，并将其与知识的专家系统进行比较，获得了理想的结果；J.C. Hoskins 等应用 BP 神经网络进行故障诊断，得出神经网络能将定量数值信息转化为定性解释的结论；K. Watanable等把 BP 神经网络用于诊断化工过程中的初期故障，并在 1994 年使用了混合神经网络诊断多种故障。目前神经网络在故障诊断领域的应用不断扩大，在机械、航空、船舰、电气，电子和机器人等领域已受到广泛
7
关注。 90 年代初期，随着有限样本机器学习理论的逐步成熟已形成了一个较完善的统计学习理论体系，并在此基础上形成了一种新的统计学习算法——支持向量机（SVM: Support Vector Machine）。SVM 能够很好地解决神经网络等机器学习所遇到的推广能力差、神经元网络结构确定困难、过学习、欠学习、局部收敛等问题，因而很快成为了机器学习领域的研究热点。SVM 在模式识别方面最突出的应用研究是贝尔实验对美国邮政手写数字库进行的实验。SVM 针对小样本情况所表现出来的优良性能引起了众多故障诊断领域研究人员的关注：Worden 等运用 SVM 进行的球轴承故障诊断；Poyhonen等把 SVM 用于电机的故障诊断；肖健华对 SVM 应用于故障诊断方面进行了理论和实验研究；Samanta分别用轴承和齿轮故障诊断比较神经网络和 SVM 的性能；马笑潇对 SVM 在智能故障诊断中的应用进行了详细探讨。目前，SVM 在故障诊断领域的应用研究大部分还处于实验室研究阶段，真正应用于工程实际还需进一步的研究与现场实践。近年来智能诊断的不断发展，已将不同信号分析方法和信息融合、专家系统、智能决策等有机结合起来，形成了多技术组合的智能诊断方法，具有良好的应用前景。如将专家知识和模糊推理相结合用于故障状态评判]；监测可燃气体成分的多传声器融合系统；基于粗糙集理论的设备信息融合诊断和预测方法等。智能诊断技术是一门交叉性很强的学科，应充分应用各种当代前沿的科学研究成果以推动该项技术的发展，继而为机械故障诊断提供新的活力和生机
参考文献:
[1] 时彧机械故障诊断技术与应用[M].北京国防工业出版社，2014
[2] 鲁文波基于声场空间分布特征的机械故障诊断方法集齐应用研究[D]上海：上海交通大学机械系统与振动国家重点实验
室2012.6.
[3] 韦先霜电机红外图像检测诊断系统的研究[D]. 武汉：华中科技大学，2007,05,29 [4] 邱荣华油液分析技术在纸机干燥部故障诊断中的应用[D].南京林业大学2009.06.01