——以旋转机械为例
Intelligent Fault Diagnosis Method and Research of Mechanical Equipment:
Taking Rotating Machinery as an Example
廖应学 LIAO Ying-xue；杨娟 YANG Juan
（百色职业学院机械工程系，百色 533000）
（Department of Mechanical Engineering，Baise Vocational College，Baise 533000，China）
摘要：针对机械设备的智能故障诊断方法进行分析，研究了当前故障诊断技术的发展现状。以旋转机械为例，研究了智能故障诊断方式的分类，包括模型诊断方法，基于信号处理诊断方法，基于知识诊断方式。最后结合这些内容，研究了旋转机械设备的智能故障诊断方法，如专家系统、支持向量机、贝叶斯网络、案例推理等，希望通过对这些内容的分析，能够为旋转机械故障诊断工作提供一定帮助。
Abstract: This paper analyzes the intelligent fault diagnosis methods of mechanical equipment and studies the development status of current fault diagnosis technology. Taking the rotating machine as an example, the classification of intelligent fault diagnosis methods is studied, including the model diagnosis method, diagnosis method based on the signal processing and diagnosis method based on the knowledge. Finally, combined with these contents, the intelligent fault diagnosis methods of rotating machinery equipment are studied, such as, expert system, support vector machine, Bayesian network, case reasoning, and so on. It is hoped that through the analysis of these contents, it can provide a certain help for the fault diagnosis of rotating machinery.
关键词:机械设备；旋转机械；支持向量机；案例推理
Key words: mechanical equipment；rotating machinery；support vector machine；case reasoning
中图分类号：TH17 文献标识码：A 文章编号：1006-4311（2019）22-0224-03
0 引言
由于近年来信号处理技术以及人工智能领域的突飞进展，许多智能诊断方法，如小波变换、支持向量机、人工免疫、盲源分离、信息融合等受到越来越多重视并应用于旋转机械故障诊断。
1 故障诊断技术的发展现状
在早期阶段，机械设备故障诊断技术主要是通过人工感官和经验的积累，传统故障诊断针对操作人员而言提出了较高要求，诊断效果不是十分有效。近几年，一些大型高速旋转复杂的机械设备得到广泛应用，而通过传统的还诊断方式就很难满足复杂系统的诊断要求。当下，旋转机械故障诊断的主要内容为对信号进行采集、然后提取故障信号，对故障信号作出相应识别法，最后作出决策。
故障诊断的研究上，最早是从欧美国家开始的。在上个世纪六十年代，因为美国宇航局的倡议而成立了相应的机械故障预防小组，主要是针对大型军事设备故障进行诊断和解决。而在1971年，日本“全员生产维修”诊断方式逐渐受到各个企业的青睐，这就在一定程度上帮助企业降低了维修成本。在瑞典国家，埃斯皮姆仪器有限公司所生产了轴承故障诊断仪，同时在对轴承进行具体诊断过程中，获得了相对领先的地位。在德国，普卢福公司研制无损检测和旋转机械运行状态的诊断，并且成为这一行业的领先者。
我国二十世纪80年代，开始对故障检测技术进行详细研究，杨叔子针对装备制造以及故障诊断方面做出重要研究，并且取得了较大成果，其研究了钢丝绳这段定量检测系统。近年来，随着人工智能技术的发展，不少研究人员将专家系统、模糊逻辑、神经网络、遗传算法等技术应用于大型复杂设备的故障诊断中，实现了设备的混合智能故障诊断，在实践中取得了显著的成效，具体的混合智能诊断系统的原理框图如图1所示。
■
2 智能故障诊断方式的分类
2.1 模型诊断方法
基于模型诊断方法，其主要是在已经存在的清晰模型诊断系统当中国，借助相关模型，获得相应数值以及实际采集的数值对比，获得一定的残差，借助这些残差以及特定指标的比较，得出相应诊断结果。以模型为基础的诊断方式，如状态估计和参数估计、等价空间等。其中状态估计法，主要是建立起一个系统状态的观测仪器，然后对系统实际输出值以及经过状态观测器获得的估计值进行对比，从中能得到一个残差序列，这样便可以检出系统故障。参数估计诊断故障，其主要是将系统参数变化作为依据，对参数变化进行统计。而等价空间法，其中心内容是借助实际系统输入输出信号，同时对系统模型等价性作出检验，针对检测系统进行对比，并且对故障进行诊断[1]具体见图2。
2.2 基于信号处理诊断方法
针对传统傅里叶变化频谱进行分析和诊断，其主要是被建立在信号为周期的信号，或者存在平稳性的基础之上的，系统必须为线性系统。而对于一些相对复杂的大型旋转机械而言，他们的震动信号多数情况下是非平稳性的信号，如傅里叶变换的诊断方式，他仅能够对频域信息进行分析，而时域信息已经丧失。进行时频分析，其主要目的是构建起一种，可以在相应时间以及频域之上，进行共同展示的信号能量分布，这种情况下能够找出故障特征信号。而针对典型的时频域方式而言，其中存在小波变换和Hilbert变换。
去除时频域分析方式外，还有盲分离技术，该技术同样属于信号处理和故障诊断领域当中的一项热点问题。盲分离主要是结合符合信号恢复独立的原始信号，可以对系统故障机理作出详细分析和诊断[2]。经验模式分析法，主要是对信号进行分解，使其形成有限拥有局部特征的信息本征函数，同时还可以试试希尔伯特变化，获得包络普，从中选择出可以代表故障的信息。EMD算法主存在端点效应以及模式混淆方面的问题。与此同时，时谱分析方式，同样可以对信号处理故障进行有效分析和解决。信号处理诊断方式见图3。
2.3 基于知识诊断方式
基于知识诊断方法，因为该方式无需故障系统具有相对精确的数学模型，其逐渐得到广泛重视。当下，应用其进行故障诊断，主要有专家系统、支持向量机和故障树诊断方式等。其中专家系统能够实时收集数据，并将这些数据应用在知识库当中，结合已有规则对其进行推理，并且结合实际情况，针对推理策略进行不断地修改，最终找到系统故障具体类型。但是，存在只是数据库不够完善问题，因此对专家系统的确诊能力带来影响[3]。而支持向量机方式，一般在少数样本的背景下，针对哪些经过非线性变换的数据进行映射，时期传输到高维空间当中，同时能够及时找到故障类型。机械振动评判标准件表1。
■
3 旋转机械设备的智能故障诊断方法
3.1 专家系统
专家系统领域当中，存在大量的专家水平知识，可以借助这些专家知识，对领域当中存在的问题进行处理。一般情况下，是通过人际交互界面以及知识库、推理机、综合数据库、知识库等构成。相关学者针对风机故障诊断的专家系统基本理论作出详细研究，同时还针对风机故障数据做出测试，得到了较好的效果。结合我国863项目，以旋转机械为例，将故障原因——征兆矩阵构建知识库，借助矩阵筛选的方式以及结合距离判别方式，对故障进行诊断。针对旋转机故障当中，转子不平衡等问题进行分析，同时借助SQL2000等软件，构建了相应的专家系统，同时相关学者经过试验后验证了效果较好。
3.2 支持向量机
支持向量机技术，主要会以统计学系理论当中的VC维理论以及结构风险最小理论作为基础，这一技术能够对小样本、非线性和高维模式进行有效解决，存在极大优势。这些优势对于旋转机械设备的故障诊断存在较大实际价值。有学者结合某省自然基金项目，对支持向量机进行研究，分析其在旋转机械设备故障诊断当中的营养，并且提出，借助有向无环图多值分类算法，构建了多种故障分类器模型，经过实践显示他构建的系统存在较为优良的性能[4]。此外，结合我国自然基金项目分析了支持向量机理论和故障诊断模式识别系统，他在Labview平台上，以支持向量机为基础，对旋转机械进行诊断。该技术属于一种新型技术，支持向量自身所具备的算法以及核函数等进行选择，选择增量学习方式，还可以在一定程度上作出更加深入的分析[5]。
3.3 贝叶斯网络
贝叶斯网络主要是将概率推力当成基础，可以有效解决不定性问题，同时也可以解决关联性而带来的故障。针对质朴型贝叶斯网络而言，使用该技术对汽轮机组工频振动进行诊断，具有较高诊断价值。此外，还可以将其应用在旋转机常见轴承故障的诊断当中，针对建立起来的贝叶斯分类模型，将其应用在小样本故障诊断当中[6]。然后技术人员结合不同损伤程度的故障，作出分类诊断，这就表示了模型具有较高有效性。
3.4 案例推理
案例推理法主要是借助重用和修改的方式，针对之前解决的相似问题进行解决，制定相应方案。近年来，以案例推理方式为例，在研究领域显得十分活跃。在国外有一家公司，这一公司针对复杂设备故障进行具体诊断期间，其使用的是CBR技术。还存在相关学者，针对故障特征进行分析，将其作为基础，同时还根据相应故障的具体特点和相关故障的属性，分析了相关内容。以压缩机故障为例，根据这些故障，作出进一步分析和探讨，建立间规则和诊断为一体的专家系统，同时还将其有效应用在巴陵石化TAII000M4R2离心式压缩机的故障诊断工作当中[7]。因为案例组织结构存在极大的复杂性，因此，基于案例诊断模型而言，对案例进行推理和维护期间面临一定挑战，形成新的案例，必须要有额外的知识体系。
3.5 模糊逻辑
针对模糊逻辑而言，其主要是通过防人脑设计方式，对于机械故障诊断过程中，存在的不确定性概念作出相应判断，同时还可以对其作出进一步推理，对这一方式进行应用，一般情况下可以对大型复杂性设备进行诊断。设备正常运行过程只能怪，设备故障以及征兆两者之间有较大的联系，而这一联系很难通过准确的语言描述出来。对于这一设备来说，所存在的故障有较大的模糊性，对于模糊判断来说，其中存在的主要内容有，模糊变换、模糊综合评判等。针对模糊故障诊断技术进行应用，以某电厂为例，针对电厂当中使用的其轮机进行诊断，最后获得汽轮机离心给水振动模糊故障诊断数据模型，通过这种方式，促使该电厂汽轮机，诊断时间长、部位不清晰和原因不明确等问题得到有效解决[8]。
3.6 粗糙集
对粗糙集理论进行应用，可以对故障诊断过程中存在的不确定性以及不精确的知识进行表达，同时能够保留相关信息，在此基础上，对相关数据进行简化处理，同时对其进行近似模式分类，对评估诗句之间存在的相互依仗关系进行识别。当下，美国电力科学院将这一技术当成是战略性研究开发项目。技术人员将粗糙集理论应用在转子碰摩以及转子不平衡的故障诊断工作中，经过分析后发现，对粗糙集理论进行应用，能够对诊断规则进行抽取，同时还能够针对数据库当中存在的数据做出相应的浓缩处理，当信息还不是十分完备的情况下，还可以对转子碰摩以及不平衡故障进行诊断。还有技术人员分析了旋转机械的智能诊断以及知识获取的问题，认为这两项工作面临一定困难，因此以粗糙集作为基础，建立了相应的知识获取模型，针对实践数据做出相应对比，这就证明了算法存在较大可行性。
3.7 人工神经网络
神经网络能够对传统模式当中，对知识识别困难这一问题进行解决，因此在对故障进行具体诊断过程中，人工神经网络属于一项十分重要的内容。在这方面也有许多报道，如文建龙等，借助BP神经网路哟，针对输油泵实施故障诊断。对其进行具体研究过程中，使用12X1X7个网络模型，同时使用七种输出方式，针对离心输油泵当中存在的7种状态做出研究，分别找到了结果[9]。
3.8 组合智能
针对以上内容进行分析，不同形式的诊断方式均存在一定优缺点，组合形式的智能诊断系统，在智能化故障诊断领域当中，存在极大的发展优势。组合式诊断技术，其可以针对不同诊断系统当中的优势进行汲取，发挥不同诊断方式的长处。该系统能够将不同诊断理论进行有机结合，可以将信号处理好神经网络之间进行集成使用。神经网络和专家系统相互结合后，被认为其属于最有发展前景的诊断技术。
4 结束语
综上所述，旋转机械设备故障诊断技术逐渐向着智能化和专业化方向发展，这也是业内人士始终追求的目标。借助智能诊断技术，促使故障诊断工作更加科学有效，同时提升了诊断的准确性，促使诊断效率得到提升。但是，当前我国在这方面的发展还处于相对落后的状态下，因此，相关学者以及技术人员还需要不断研究和探讨，争取研发出相对完善的故障诊断智能化系统。
参考文献：
[1]王川，江文，叶兰.液压系统故障诊断技术的研究现状与发展趋势探究[J].南方农机，2019（08）：180.
[2]安晶，艾萍，徐森，刘聪，夏建生，刘大琨.一种基于一维卷积神经网络的旋转机械智能故障诊断方法[J].南京大学学报（自然科学），2019，55（01）：133-142.
[3]林鸿伟，黄彦，黄劼.基于一种新的案例推理算法的变电站智能故障诊断方法研究[J].计算机与数字工程，2018，46（11）：2369-2374.
[4]高伟华.基于混合智能技术的抽油机电力故障诊断方法的研究[J].计算机与数字工程，2018，46（09）：1905-1910，1870.
[5]苏乃权，熊建斌，张清华，黄崇林.旋转机械故障诊断研究方法综述[J].机床与液压，2018，46（07）：133-139.
[6]郝腾飞，陈果.旋转机械故障的拉普拉斯支持向量机诊断方法[J].中国机械工程，2016，27（01）：73-78.
[7]屈云海，张辉.振动监测与现代造纸机械故障诊断技术的发展[J].中国造纸学报，2013，28（01）：53-61.
[8]王国彪，何正嘉，陈雪峰，赖一楠.机械故障诊断基础研究“何去何从”[J].机械工程学报，2013，49（01）：63-72.
[9]胡勤，张清华，覃爱淞.旋转机械的混合智能故障诊断技术[J].工业控制计算机，2012，25（10）：6-8. |
