旋转机械设备故障诊断系统的研究

来源:用户上传      作者: 龙江 朱莹莹

　　摘要：近年来由于生产技术的飞速发展，为了提高生产效率，流水线的生产方式应运而生，对设备自身技术水平和结构功能复杂程度都要求都极大的提高了。致使机械设备故障成为影响生产的最首要的原因之一。大型机组往往需要长时间满负荷的运转，保障其自身安全、稳定的工作是保证国民经济持续健康快速发展的根本。因此人们意识到必须大力发展工程监测和故障诊断技术，努力去开发一套可以实现对设备的作业状态进行远程实时监测，能够自动对设备故障类型进行识别的系统。论文主要从基于智能的角度对大型旋转机械的故障诊断技术进行研究。试图构建自动化智能的故障诊断系统。论文研究了利用小波分析进行故障特征信息提取的方法，研究了数据挖掘技术中决策树分类算法的设计与实现，结合费舍尔判别分析法，提出了将传统风机机械故障诊断专家系统知识自动化推理的技术。
　　关键词：故障诊断　自动化　小波分析　决策树分析　费舍尔判别分析
　　中图分类号：TH
　　文献标识码：A
　　文章编号：1008-925X(2011)07-0088-02
　　
　　随着现代科学技术的飞速发展，各种旋转机械设备也开始朝着大型、高速、重载、精密、复杂的方向发展，机组机械的工作效率和自动化水平都突飞猛进的提升着。旋转机械设备在我国国民经济发展中发挥着不可小觑的重要作用，它们工作的主体转子和其他回转部件，是现代化持续生产过程中的关键环节和重要部分，一旦发生机械故障，不仅机组本身会遭受重大顺坏，而且连续的生产过程还会因此而中断。甚至导致停工停产。随之而来的是巨大的经济损失和社会负面影响。由于大型旋转机械故障诊断的复杂性和诊断人员自身诊断知识的不足，由于设备故障引起的影响生产、利润降低甚至造成一些灾难性事故的情况时有发生，因此迫切需要建立企业维修人员的培训及机器自动识别智能诊断系统来辅助维修人员进行机器的诊断工作，降低故障的发生率。使得设备的管理水平得以提高、保障设备的可靠性和稳定性、避免不必要的事故的发生、尽可能减少事故破坏性、从而保证生产的安全稳定进行，取得潜在的巨大经济和社会效益。
　　
　　一、小波分析进行故障特征信息提取
　　
　　电设备故障诊断和预测的一般过程。主要包括信号采集、特征信号提取、状态识别、诊断预测四个方面：1.信号采集2.特征信号3.状态识别4.诊断预测。该系统由用户界面、数据处理、任务分配、神经网络诊断模块和专家系统诊断模块五个部分组成。
　　首先，系统实际运行前。需选取样本集对神经网络进行训练：专家系统部分需通过与领域专家交流由程序员建立知识库。具体实施方法将在下面章节中第4章基于神经网络专家系统的风机故障预知维护系统结构研究叙述。系统启动后。提示用户选择优先采用的故障诊断方法，默认情况下选择神经网络诊断方法。当监测数据超过预警门限值时。系统在数据库中读取此时的设备运行参数。包括轴振动、轴温、油液三个方面。对以上参数进行数据处理并送入神经网络进行诊断。诊断中间结果显示在用户界面上，如果用户对结果满意则作为最终结果显示，如果不满意，则转到任务分配模块，使用专家系统对设备进行故障诊断，并将所得的结果作为最终结果。使用面向对象知识表达方法描述和表达知识，以知识树的方式构建专家系统知识体系。对知识树以遍历的方式与产生式规则结合进行推理，推理结果能够较好的反映专家知识。在面向对象的智能故障诊断专家系统中，对于知识库中包含的每个对象结点，为了能够更好的适应一些比较复杂的情况，有的问题是可以采用自顶向下的理论来进行推理的，而另一部分却是适合用自底向上的方法对其求解，在推理的过程中会不断地发生各种变化。因此在知识表示方面需要加强其灵活性，即将不同的方法添加到每个对象中，便于去相应的处理不同的推理阶段。每个结点对象都具备以下三个方法：先序、中序和后序。这三种特殊的方法是按照不同的次序在推理过程中实现的。在系统默认的情况下。这是一个从问题的根结点对象开始的层层推进的深度优先遍历的过程。其它结点的产生式规则与上述类似，当系统运行后，提示用户选择设备所发生故故障征兆类型，及该征兆的确信度。推理机按照一定的规则对知识库中各结点及其所对应的方法槽进行遍历，在每个结点的后序方法中计算该结点所对应故障产生的后验概率。最终得到诊断结果。
　　
　　二、数据挖掘技术中决策树分类算法的设计与实现
　　
　　此方法主要研究工作分为以下几个部分：1.决策树挖掘算法的研究。2.基于决策树挖掘系统的开发，3.基于Struts开发的在线故障诊断系统，4.利用开发的挖掘系统为web故障诊断系统提供诊断依据，验证该方法的有效性。
　　数据挖掘系统具有以下几个主要组成部分：①数据库、数据仓库或其他信息库，②数据库或数据仓库服务器，③知识库，④数据挖掘引擎，⑤模式评估模块，⑥图形用户界面。数据挖掘阶段，这个阶段就是开始进行实际的挖掘操作。主要包括以下几个要点：①明确挖掘的任务和目的，例如数据的序列模式发现和数据总结、聚类、分类、关联规则的发现等。②明确了挖掘任务之后，就要执行挖掘算法。不同的算法可以来实现同样一个任务，选择实现算法通常有两个需要考虑的因素：首先不同的数据有不同的特点，其次要考虑用户或者实际运行系统的要求。③完成以上工作后。就可以进行数据挖掘操作了。
　　数据挖掘决策树归纳分类是机械智能诊断的基础。这个模块需要系统维护人员在服务器端对后台数据库进行长期维护，系统维护人员可以添加、删除、修改数据库中故障类型，添加或更新故障类型对应的说明。对样本数据库进行定期的清理，去掉错误的数据、定义新的故障类型样本等数据清理工作。对更新过的故障样本重新做数据挖掘决策树归纳分类，生成为最新的规则模型。
　　
　　三、费舍尔判别分析法
　　
　　在数学方面，高等数学和现代数学的许多分支在状态监测技术和故障诊断技术以及信号数据的收集和处理分析都被广泛地应用。用的数学方法为：1.积分变换法，2.概率论，3.数值分析法，4.运筹学。决策是普遍存在于人们生活和工作中的一种活动，是分析解决当前以及未来可能发生的问题时，获得最优方案的分析判断过程。
　　费舍尔判别分析法是一种基于数据驱动方法的技术。数据驱动测试注重于测试软件的功能性需求，也即数据驱动测试使软件工程师派生出执行程序所有功能需求的输入条件。数据驱动与基本原理模型无关，使用数据驱动不需要昂贵而且费时的基本原理模型，所以数据驱动方法很适用于旋转机械这样复杂的机械组。降维技术把数据投影到低维空间，低维空间可以准确表征过程的状态，极度的简化和改良了过程监控程序。针对故障诊断来说，首先从故障设备中收集相关的数据，接着对数据进行分类，每一类表示某一特定的故障类型。FDA是一种线性的降维技术，它将各类进行最大程度地分离。使得一系列的线性变换向量得以确定，将这些向量按最大化类间离散度、最小化类内离散度的原则标准进行排列。
　　FDA是使用类信息来对降维空间进行计算，致使FDA的判别函数对类信息的使用程度比其他分析法对类信息的使用程度要大得多。FDA在评价判别函数时，所使用的是所有故障类的信息。通过定义一个故障类的附加的数据类，FDA也用于故障的检测。正常运行状况下的数据与训练集中故障类数据的相似性决定了用FDA判别函数进行故障检测的效果。若正常运行状况下数据能合理地与故障类进行分离，那么可以应用FDA进行故障的检测。对于已经知道的故障类而言，能保证较小的漏检率。至于那些超出利用FDA向量定义的低维空间数据，FDA判别函数没有将与之相关的未知故障考虑在内，从某种程度上说，FDA判别函数或许不能够检测出此类故障。建议最好能够将一个基于残差的FDA统计量与FDA判别函数一起使用、这样不仅能够检测出与FDA向量定义空间内数据相关的机械故障，而且还能够检测出与此空间外数据相关的机械故障。

转载注明来源:https://www.xzbu.com/1/view-241401.htm