1风机故障机理研宄风机的故障常从振动状况方面体现出来，根据振动信号进行监测与诊断是目前风机设备维护管理的主要手段，经过多年的发展与完善，风机振动故障诊断已经形成了比较完备的理论与技术体系。近年来，随着非线性理论的发展，尤其是信号处理、知识工程和计算智能等理论技术与故障诊断的融合渗透，使风机故障诊断的内容得到了进一步的丰富与充实。

　　总体来说，风机振动故障产生于4个方面：电机、风机本身、基础和风管。其因果分析如所示，其中由风机本身原因引起的故障占主导地位。

　　由于风机振动信号在频域内具有明显的分布特征，因此，各种功率谱估计技术在故障征兆提取中得到了广泛应用。其中，经典功率谱估计方法（如周期图法、自相关法）在工程实践中应用最为广泛，但是，该方法存在着方差性能差，分辨率低等局限。现代功率谱估计中的最大熵谱估计和参数模型功率估计（如AR，MA，ARMA和Prony模型）提高了频率分辨率，在振动信号的分析中也得到了应用。对于平稳信号而言，其频域的能量分布不随时间变化，上述功率谱估计方法可以满足精度要求。

　　为了尽可能全面地获得风机设备的运行状态信息，提取故障征兆，针对类似风机等旋转机械还有一些其它的分析技术。

　　能够反映转子弯曲和扭转振动的形式，是针对类似风机的旋转机械故障征兆提取而提出的一种方法。

　　该方法适用于类似风机的旋转机械的非平稳状态分析，实现的必要技术是对数据采集进行反馈控制，使采样频率跟踪转速变化，将相对频率非平稳的信号转变成相对转子转角为平稳的信号，在信号幅值相对时间变化平稳的假设前提下，对数据进行谱分析，阶次跟踪分析的依据就是这种原理。

　　对于旋转机械中常见零部件（如滚动轴承、齿轮）的故障，还有专门的振动信号处理技术，如包络解调和倒谱分析等方法。为了从被噪声严重污染的信号中提取有用信息，时域滤波技术（如Kalman滤波和自适应滤波等）也在旋转机械的故障征兆提取中得到了应用。

　　基于控制模型的故障诊断对于动态系统，若通过理论或实验方法能够建立模型，则系统参数或状态的变化可以直接反映设备物理系统或物理过程变化，为故障诊断提供依据。此方法涉及模型建立、参数估计、状态估计和观测器应用等技术，其中，参数与状态估计技术是关键，需要系统的精确模型，在实际生产环境中，对于复杂的设备而言，该方法不是经济可行的。

　　基于人工智能的故障诊断基于人工智能故障诊断的研究主要分为两类：基于知识（符号推理）的故障诊断和基于神经网络（数值计算）的故障诊断。

　　基于神经网络的故障诊断神经网络是模拟生物神经系统而建立起来的自适应非线性动力学系统，具有可学习性和并行计算能力，可以实现分类、自组织、联想记忆和非线性优化等功能。神经网络用于故障诊断领域，可以解决趋势预测和诊断推理问题。目前，在故障诊断中应用较多的有多层感知器（MLP）网络、自适应共振理论（ART）、自组织特征映射（FM）和双向联想记忆（BAM）等；应用剪枝法优化网络连接方式；将遗传算法和混沌理论p1应用于网络的学习训练中，解决局部极小问题；为提高网络的泛化能力、加快网络学习速度，在训练样本中加入噪声，或者对样本数据进行优化处理。基于神经网络的智能故障诊断具有1994-2011ChinaAcademicJournal很多优点：知识表达形式统一，知识库组织管理容易，通用性强，便于移植与扩展；知识获取容易实现自动化（如自组织自学习可以实现并行联想和自适应推理，容错性强；能够表示事物之间的复杂关系（如模糊关系可以避免传统专家系统的“组合爆炸”和“无穷递归”问题；推理过程简单，可以实现实时在线诊断。但是也存在着一些问题：训练样本获取困难；忽视了领域专家的经验知识；连接权重形式的知识表达方式难于理解等。

　　4国内外风机状态监测与故障诊断的现状国外很早就对风机的振动进行了研究。20世纪80年代，一般的风机均配有自动检测系统，不但能判断工况，还能进行故障诊断，预测使用寿命，预报维修极限，成功地对风机进行检测。如美国BentlyNevadaCorporation（BNC）的系列产品、Westinghouse公司的PDS系统、IRD与ENTEK公司联合开发的5911系统、ScientificAtlanta公司的M6000系统以及日本三菱公司的MHM系统、法国的SMAV系统、瑞士的MACC系统、丹麦的Compass系统等。其中美国开发最早，技术也最先进。在这方面我国起步较晚，使用的检测仪器设备也比较落后。目前大部分厂家使用的是简易的测振仪（如扬州无线电二厂生产的8900/50转速检测仪，8900/25机壳振动检测器）。虽然有些厂矿购买了一些振动分析仪，数据采集器等较为先进的仪器设备，但在大多数情况下，只对设备进行简单的点测。如重庆大学用CDMS系统对云南锡业公司芋山选矿厂风机进行测试与故障诊断，成功地诊断出了8起轴承故障。还有西安交通大学的采用光纤维局部网的高速旋转RB20状态检测与故障诊断系统RB20，西北工业大学的机器设备状态检测和故障诊断系统MD3905.近10年来，少数大中型企业安装了专用检测诊断设备对风机进行长期检测，1994年东北大学与黑龙江西林钢铁公司烧结厂设计的以APPLE-11微机采样系统为基础的风机在线检测与动平衡系统，具有显示、打印、报瞥、状态识别、趋势分析、现场动平衡等功能，在实际应用中取得了很好的效果。武钢公司的故障诊断室也于1996年为武钢一厂的风机安装了以微机为主体的检测和故障诊断系统，不但检测现场状态与识别工况，还能预测寿命。2000年东南大学和上海交通大学分别开发了旋转机械故障诊断专家系统，它们的核心部分是故障诊断专家系统，采用了新一代人工智能语言，具有"预警''功能，能够准确记录旋转机械的运行情况，根据监测情况及时调用系统内部的“知识库”，通过数据分析与人机对话，进行分级诊断，并应用模糊模态识别、不精确推理与分级综合评判的诊断策略，得出诊断结论并给出故障发生的置信度与解决措施。还有郑州工业大学的MMDS-9000系统、西安交通大学的RMDS系统和RD-20、哈尔滨工业大学及浙江大学的ZHZ- 10系统、华中科技大学的HZ-1系统。这些系统也能用于风机的故障诊断。

　　采集器，向着高精度、高速度、高集成以及多通道方向发展，精度从8位到12位甚至16位；采集速度从几赫发展到可达到几万赫；采集方式从等时采样到等角度同步整周期采样方向发展，这样可以提供包括相位在内的多种信息：采集的数据从只有稳态数据发展到包括瞬态数据在内的多种数据。

　　监测系统，向对用户更友好的方向发展，显示直观化，操作方便化，采用计算机技术的最新成果，使用多媒体技术，大屏幕立体动态图像显示。

　　数据存储，向大容量方向发展，存储方式向通用大型数据库方向发展。

　　总的来说，在风机的在线检测和故障诊断方面，尽管国内己经取得了一定的进步，但与国外先进水平相比还有很大的差距，系统所具备的功能不很完善，在形成专用的智能软件方面也还有一段距离。