《关键生产设备预测性维护 第3部分 故障诊断及预测方法》（征求意见稿）.pdf

T/CAMSXXXXX—XXXX

关键生产设备预测性维护第3部分：故障诊断及预测方法

1范围

本标准规定了智能制造装备预测性维护的总则、状态识别、故障判别和定位、健康度预测等。

本标准适用于智能制造装备和生产单元的预测性维护。

2规范性引用文件

下列文件对于本文件的应用是必不可少的。凡是注日期的引用文件，仅所注日期的版本适用于本文

件。凡是不注日期的引用文件，其最新版本（包括所有的修改单）适用于本文件。

T/CAMSXXXX-XXXX关键生产设备预测性维护第1部分通用要求

3术语和定义

GB/T19769、GB/T20921和GB/TXXXXX.1界定的以及下列术语和定义适用于本标准。

3.1

表征量characteristicparameter

用于表征物质或现象特性的参数信息。

3.2

装备device

独立的物理实体。具有在特定环境中执行一个和多个规定功能的能力，并由其接口分隔开。

[GB/T19769.1-2005，定义1.3.30]

3.3

诊断diagnosis

为确定故障或失效的性质（种类、状况、程度），而检验症状和症候群。

注：症候群：集合地指示或表征反常状态的一组征兆或症状。

[GB/T20921-2007，定义2.6]

3.4

故障fault

可能导致功能单元执行要求功能的能力降低或丧失的异常状况。

[GB/T15969.6.1-2015，定义3.24]

1

T/CAMSXXXXX—XXXX

4总则

智能制造装备的预测性维护应预知可能的失效模式和工况，并形成失效模式和运行状态之间的关

系，因此，在开展预测性维护前，可以把以前积累的功能参数以及目前的状态参数、性能参数收集起来，

通过数据统计分析与建模等方法开展预测。另外，预测性维护也可以基于失效机理模型开展，其前提条

件包括足够的计算能力和多参数分析能力，并预知未来工况。在工程应用中，为了提高预测的可信度，

通常会同时应用上述两类方法。

智能制造装备预测性维护系统功能模型在GB/TXXXX.1-XXXX中进行了规定。本标准主要涉及

健康状态预测，包括状态识别、故障判别和定位、健康度预测。

5状态识别

状态识别是指通过特征分析等手段对状态表征数据进行聚合、阈值判断后得到装备的当前状态。识

别的装备状态作为状态预测的输入，为故障诊断或健康度预测提供基础。

状态识别的本质是对状态表征参数进行特征分析和识别获得装备状态，识别方法包括但不限于：

——统计分析；

——聚合；

——阈值判断；

——聚类。

数据按表现形式可分为开关量（如机床冷却泵起停状态、防护罩开闭状态等）、模拟量（如机床温

度、振动等）、数字量（如机床主轴转速、工作台位置等）；数据按性质可分为静态数据（如机床温度、

油箱液位等）与动态数据（如机床振动）。当装备被测量为开关量时，特征分析过程无须执行，可直接

得到装备的状态。当装备被测量为静态数据时，特征分析过程不是必须的。

6故障判别和定位

故障诊断主要完成故障检测、故障判别、故障定位及故障恢复等。在预测性维护中故障诊断主要关

注的是故障判别和故障定位。

故障判别和定位主要方法包括：

——基于机理模型的方法。即基于装备本身的机械及电路原理，使用仿真模型，模拟被监测装备正

常工作状态下的情况，其模型的输出及装备在正常状态下时，对应模型输入的结果。装备发生

故障时，在相同输入的情况下，模型的输出会发生对应的变化，变化后输出与模型基于正常情

况下的输出对比所产生的残差值被用来判断不同的故障模式及故障等级

——基于数据驱动的方法。该方法不需要明确了解装备内部结构，只需要使用系统在真实环境运行

时的输入输出作为建模的依据，使用统计、机器学习、模式识别