摘要：隨著狀態檢測技術在我國檢維修領域不斷地發展，尤其是在大型煉化企業關鍵機組中的維護應用，使得企業生產能夠在正常、平穩、安全、長周期、滿負荷下運行，并實現了巨大的經濟效益。本文主要將狀態檢測中的常見圖譜與設備故障診斷的基本方法進行簡要介紹。
　　關鍵詞：狀態監測、大型機組、圖譜
　　
　　1狀態監測常用圖譜介紹
　　1.1波德圖
　　波德圖是反映機器振動幅值、相位隨轉速變化的關系曲線。圖形的橫坐標是轉速，縱坐標有兩個，一個是振幅的峰－峰值，另一個是相位。從波德圖上我們可以得到以下信息：
　　轉子系統在各種轉速下的振幅和相位；轉子系統的臨界轉速；轉子系統的共振放大系數(Q=Amax／ε)；轉子的振型；系統的阻尼大小；轉子上機械偏差和電氣偏差的大小；轉子是否發生了熱彎曲。
　　
　　由這些數據可以獲得有關轉子的動平衡狀況和振動體的剛度、阻尼特性等動態數據。
　　1.2極坐標圖
　　極坐標圖是把振幅和相位隨轉速變化的關系用極坐標的形式表示出來。圖中用一旋轉矢量的點代表轉子的軸心，該點在各個轉速下所處位置的極半徑就代表了軸的徑向振幅，該點在極坐標上的角度就是此時振動的相位角。這種極坐標表示方法在作用上與波德圖相同，但它比波德圖更為直觀。
　　
　　振幅－轉速曲線在極坐標圖中是呈環狀出現的，臨界轉速處在環狀振幅最大處，且此時從弧段上標記的轉速應該顯示出變化率為最大。用電渦流傳感器測試軸的振動時，在極坐標圖中可以很容易得到軸的原始晃度矢量，即與低轉速所對應的矢量。從帶有原始晃度的圖形要得到扣除原始晃度后的振動曲線也很容易做到，為此，只要將極坐標系的坐標原點平移到與需要扣除的原始晃度矢量相對應的轉速點，原圖的曲線形狀保持不變。這樣，原曲線在新坐標系中的坐標即是扣除原始晃度后的振動響應。
　　1.3軸心位置圖
　　軸心位置圖用來顯示軸頸中心相對于軸承中心位置。這種圖形提供了轉子在軸承中穩態位置變化的觀測方法，用以判別軸頸是否處于正常位置。
　　
　　當軸心位置超出一定范圍時，說明軸承處于不正常的工作狀態，從中可以判斷轉子的對中好壞、軸承的標高是否正常，軸瓦是否磨損或變形等等。如果軸心位置上移，則預示著轉子不穩定的開始。通過對軸頸中心位置變化的監測和分析，可以預測到某些故障的來臨，為故障的防治提供早期預報。
　　1.4波形頻譜圖
　　在對振動信號進行分析時，在時域波形圖上可以得到一些相關的信息，如振幅、周期（即頻率）、相位和波形的形狀及其變化。這些數據有助于對振動起因的分析及振動機理的研究。但由于從波形圖上不能直接得到我們所需要的精確數據，現在已經很少有人用它來確定振動參數。但它可以在實時監測中作為示波器用來觀察振動的形態和變化。
　　
　　2常見的幾種預測技術
　　在設備狀態監測中，經常使用的預測方法有斜率預報法、主觀概率法、確定型時間序列法及隨機機型時間序列法、回歸預測法等。現主要介紹幾種常見類型：
　　2.1主觀概率預測法
　　根據狀態檢測圖譜中所反映的數據進行預測時，檢測人員最佳推測的實現可能性，必須用主觀概率法加以評定。主觀概率法與客觀概率法不同，客觀概率是依據事物發生的實際次數（或數值）統計出來的一種概率；而主觀概率則是人們依據某幾次經驗結果所作窗戶的主觀判斷的量度。主觀概率法必須符合概率的基本，公式：
　　0≤P(Ei)≤1,∑P(Ei)=1其中（i=1,2...，n）
　　Ei（i=1,2...，n）是“經驗”樣本空間的某一事件。利用主觀概率法，可以預測未來事件發生的結果，也可以預測未來事件成功的可能性。應用此種方法進行預測，能夠更精確地反映個人對未來事件直覺判斷的信任度。
　　2.2時間序列預測法
　　所謂時間序列，就是觀察或記錄到的一組按時間順序排列起來的圖形數據序列，其往往是由長期趨勢分量、季節變動分量或周期變動分量、隨機變動分量等幾類變化形式疊加或組合而成的。
　　2.2.1確定型時間序列預測技術
　　確定型時間序列預測的一般步驟是，首先求出基本的發展趨勢，分析可能存在的波動，再通過對隨機變動的分析，確定一個合理預測區間，繼而判定其合理性。
　　2.2.2隨機型時間預測技術
　　隨機型時間分析技術有一套較為完整的理論，預測精度也較高，尤其適合預測復雜的時間序列。但因其計算過程復雜，計算工作量巨大，只能依靠電子計算機及相關軟件進行計算。
　　2.3回歸預測法
　　準確的說，這里所說的回歸分析是利用因果關系進行回歸分析得方法，又稱因果關系法。回歸分析法就是研究引起未來狀態變化的各種客觀因素的作用，找出其時間的統計關系。用這種方法預測所得的結果比確定型時間序列法好些，但所需數據資料比時間序列法多而且廣。
　　在回歸分析當中，最常見的為一元線性回歸的數學模型。這是因為這種模型在應用時較為簡單，除有相當大的一類實際問題可歸結為這種模型外，它還是多元線性回歸和非線性回歸的基礎。
　　一般的一元線性回歸數學模型可表示如下：設x為變量代表影響因素，y為因變量代表預測的目標。通過實驗，從描繪y和x關系的散點分布圖（如圖所示）上發現他們之間有近似的直線關系。接下來的問題是：怎樣用已知的一組數據來確定直線方程，使得已知數據與直線上所得的數據誤差最小。
　　設直線方程為：y=b0+bx
　　對每一個已知數據Xi（i=1,2...，n）有：ÿi=b0+bxi
　　已知數據和直線上所得數據的誤差為：ði=yi-ÿi
　　之后再根據相關公式計算出樣本標準差，就能使用一元線性回歸模型做預測了。在回歸分析中，由于根據數據間因果關系進行預測，因而精度較高，能用于短期預測，亦能用于長期預測。多元線性回歸是根據兩個或兩個以上的自變量來估計因變量。然而分析得基本思路與一元線性回歸相同。
　　無論那一種預測方法，都需要檢測人員能夠具備一定的圖形識別和采集精準數據的能力，并充分發揮檢測人員集體的智慧和潛能，結合實際經驗設定科學的設備安全數據信任區間，并不斷控制大型機組在安全數據區間內工作，為企業創造更高的經濟效益而努力。
　　參考文獻
　　1．蔓布雷丁.以可靠性為中心的維修.北京:機械工業出版社,1995.
　　2.費曉琪.Microsoft.Net平臺上用遠程對象模型-實現遠程監測映象節點[J].計算機工程與應用,2003,(7):141-143.
　　3.王強,等.機電設備遠程監測和故障診斷系統的數據管理[J].計算機工程與應用,2004,40(9):208-211.
　　4.張正松.旋轉機械振動監測及故障診斷[M].北京:機械工業出版社,199l.