基于人工智能的旋转机械故障诊断方法研究
来源:用户上传
作者:
【摘要】旋转机械故障诊断技术作为设备故障诊断的一个重要分支，在近年来，已逐渐发展为集数理化、力学、计算机技术、电子技术、信息处理以及人工智能等多种现代科学技术于一体的新兴学科。本文主要是基于人工智能的旋转机械故障诊断方法研究。
【关键词】人工智能；旋转机械故障诊断
旋转机械在工业生产中是应用最广泛的机械设备。其本身种类繁多，比如在发电机、压缩机、电动机、汽轮机、风机等机械设备中都应用了旋转机械，而这些机械设备又是电力、航空、石化、冶金、核能、煤炭等行业中的关键设备，机械年伴随科学技术的不断发展，旋转机械正朝着大型化、高速化、集成化等方向发展。然而，一个很小的故障都有可能引起连锁反应从而使整个设备的生产可靠性下降、稳定性降低、生产能力丧失，以致造成更大的机械故障，甚至发生重大事故，并导致重大经济损失。我国大力开展关于旋转机械故障诊断领域的研究，其目的在于能够提高大型旋转机械设备的产品质量，同时减少机械故障引发的事故，已取得了显著成效，获得了巨大的经济效益。
一、旋转机械常见的故障类型
旋转机械常见的故障类型有不平衡、不对中、弯曲、松动、裂纹、碰摩、油膜涡动、喘振、油膜振荡和旋转失速等，当然，每类机械故障都具有各自产生的原因和特征表现，而且不同的故障类型发生的概率也不各异。
（一）不平衡
不平衡是旋转机械设备中最为常见的故障之一。其产生的主要原因为旋转机械设备的转子由于受到材料的质量分布如铸件中有砂眼、气孔、加工的误差、装配因素及运行中的不均匀磨损、冲蚀或沉积等因素的影响，或者是某些固定部件松动所造成部件的不平衡，致使其质量中心与旋转中心存在着一定程度的偏心距。偏心距较小时，就不能表现出静不平衡的特征，但是当转子旋转时，将表现为一个与转动频率同步的离心力，从而激发转子的振动，称其为动不平衡。不平衡振动的频率特点是不平衡转子的故障频率等于转子的旋转频率。
（二）松动
机械松动也是机械故障中常见的故障。松动性机械故障泛指轴承座松动、支座松动、螺栓松动、叶轮和转子轴松动以及轴承装配过盈不足所引起的故障。松动主要一下两种情况，一是地胶螺栓连接的松动，会引发机器的振动、联轴节的偏移、轴承的摩擦损伤等故障。另外一种情况是零件与零件之间由于存在着间隙，并且超过了正常范围而引起了松动，失去了设备各个零件之间的配合精度而造成了松动。同时，垂直方向上的振动明显大于水平方向上的。其振动信号除了存在基频还会产生高次谐波以及分频振动。
（三）油膜振荡
油膜振荡是一种高速滑动轴承所特有的故障。它是一种由油膜力产生的自激振动，当转子发生油膜振荡时的能量很大，可以导致旋转机械系统损坏。
（四）裂纹
当机械设备出现裂纹时，会引起旋转机械的故障。发生裂纹时，其基频分量的分散度较大。在恒定的转速下，其基频、二倍频、三倍频等各阶分量的幅值及相位不稳定，其中二倍频较突出。
二、旋转机械故障诊断常规流程
旋转机械故障诊断的常规流程一般分为信号的检测与采集，信号的分析与处理，故障的推理，管理与控制。其中，信号的检测与采集是故障诊断的基础部分，信号的分析与处理则是诊断过程的关键，故障的诊断推理是整个流程的核心，最后的管理与控制是整个故障诊断过程所要达到的最终目的。
信号的分析与处理是机械故障诊断技术当中核心技术之一，也是我们研究的重点之一。信号的分析与处理实际上指的是对旋转机械故障信号的特征量提取，其中包括有数字信号处理、时间序列的分析、信息理论、图像识别技术、应用数学等现代信息处理相关技术。
故障诊断推理就是通过将上述提取得到的特征量与先前已经知识建立起来的对应关系，来确定故障的性质、类型、部位以及原因，预测故障的发展趋势的技术。是旋转机械故障诊断技术的核心。
管理与控制则是整个诊断过程的最终目标，由人工来完成。
三、基于人工智能的故障诊断研究
基于人工智能的故障诊断研究主要分成三类基于专家系统的故障诊断、基于人工神经网络的故障诊断、基于支持向量机的故障诊断。
（一）基于专家系统的故障诊断
基于专家系统的诊断方法的主要特征为可以方便的把操作人员的诊断经验用规则表示出来，知识可以用符号来表示，适合用来模拟人的逻辑思维过程，同时，在已知的基本规则下，不需要大量知识，还能允许在知识库中增加、删除及修改某些规则，从而确保专家系统的有效性和实时性。在冗杂的故障诊断中，大型的专家系统还会出现推理速度慢以及组合爆炸的问题。这些缺陷大大限制了专家系统在实际生产中的应用。
基于专家系统的故障诊断总体可以分为基于浅知识规则的专家系统和基于深知识模型知识的专家系统这两个阶段。专家系统是一种基于知识的人工智能的诊断系统，其实质是一种人工智能的计算机程序，它应用了大量人类专家的知识及推理方法来求解复杂的实际问题。
（二）基于人工神经网络的故障诊断
神经网络具备可学习性和并行计算能力，能够实现分类、自组织、联想记忆和非线性优化等功能，它是通过试图模拟生物神经系统而建立的自适应非线性动力学系统。在故障诊断领域中使用神经网络，可以解决诊断推理和趋势预测问题。一旦输入特定的设备状态模式，则经过大量标准样本学习的故障诊断系统网络将会通过各个神经元之间的互连与权值构成的大规模非线性并行处理模式来进行计算，从而实现隐含的专家知识的应用，最终得出诊断推理结果。
基于神经网络的智能故障诊断技术的优点如下知识获取更容易实现自动化如自组织自学习具有统一的知识表达形式，知识库组织管理简便，通用性高，以便于移植与扩展并可以实现并行联想和自适应推理，对知识的完备性要求不高，但是神经网络应用于故障诊断也同时存在着一些问题其忽视了领域专家的经验知识训练样本获取比较困难连接权重形式的知识表达方式不容易理解。
转载注明来源:https://www.xzbu.com/2/view-601741.htm
