机械故障诊断的推理规律研究
机械工程研究报告之机械故障诊断与故障预测的方法研究
机械工程研究报告之机械故障诊断与故障预测的方法研究摘要：机械故障的发生对于生产效率和设备可靠性都具有重要影响。
因此，机械故障诊断与故障预测的方法研究成为了机械工程领域的热点问题。
本研究报告主要探讨了机械故障诊断与故障预测的方法，并对其应用进行了分析和评估。
1. 引言机械故障的诊断与预测对于提高设备的可用性和降低维修成本具有重要意义。
随着技术的不断进步，各种机械故障诊断与故障预测的方法被提出并应用于实际工程中。
本研究旨在综述当前机械故障诊断与故障预测的方法，并分析其优缺点。
2. 机械故障诊断的方法2.1 传统机械故障诊断方法传统的机械故障诊断方法主要基于经验和专家知识，通过观察和判断机械设备的运行状态来诊断故障。
这些方法在一定程度上能够满足实际工程需求，但其准确性和可靠性有限，且对专业知识和经验依赖较大。
2.2 基于信号处理的机械故障诊断方法基于信号处理的机械故障诊断方法通过采集机械设备的运行信号，如振动信号、声音信号等，对信号进行分析和处理，从中提取故障特征，并通过模式识别算法进行故障诊断。
这些方法具有较高的准确性和可靠性，但对于信号处理和算法的要求较高。
3. 机械故障预测的方法3.1 基于统计学的机械故障预测方法基于统计学的机械故障预测方法通过对历史数据进行统计分析，建立故障模型，并预测未来的故障发生概率。
这些方法适用于具有一定规律性的故障，但对于突发性故障的预测效果较差。
3.2 基于机器学习的机械故障预测方法基于机器学习的机械故障预测方法通过训练模型来学习机械设备的运行规律和故障特征，并通过监测实时数据来预测故障的发生。
这些方法能够适应不同类型的故障，并具有较高的准确性和可靠性。
4. 方法评估与比较针对不同的机械故障诊断与故障预测方法，本研究对其进行了评估和比较。
通过实际工程案例的应用，对各种方法的准确性、可靠性和适用性进行了分析，为工程师选择合适的方法提供了参考。
5. 结论机械故障诊断与故障预测是机械工程领域的重要研究方向。
机械设备故障诊断技术及方法
机械设备故障诊断技术及方法
机械设备故障诊断技术及方法包括以下几种：
1.经验诊断法：基于经验推理，通过对已知故障的分析，对新问题进
行判断和诊断。
但该方法受限于经验的丰富性和专业性。
2.故障树分析法（FTA）：将机械设备的故障按照原因和后果的逻辑
关系绘制成树状结构，以便确定故障的根本原因和可能的组合条件。
3.事件树分析法（ETA）：与FTA类似，但是从事件的发生过程角度
切入。
通过对事件的因果关系进行分析，以确定故障的可能原因。
4.信号处理法：通过采集机械设备运行过程中的各种信号，比如温度、压力、振动等，进行分析和处理，以确定故障原因。
该方法适用于那些难
以进行物理实验的设备。
5.模型建立法：建立机械设备运行模型，并通过模型分析来确定故障
原因。
该方法需要丰富的模型知识和数据。
综上所述，机械设备故障诊断技术及方法各有优缺点，选用合适方法
需要根据具体情况灵活运用。
机械系统故障诊断与维修技术的研究与应用
机械系统故障诊断与维修技术的研究与应用随着工业技术的不断发展，机械系统已经成为现代生产过程中不可或缺的一部分。
然而，机械系统故障的发生不可避免，特别是长时间的运行和高负载的情况下。
因此，研究和应用机械系统故障诊断与维修技术变得尤为重要。
一、故障诊断技术机械系统故障诊断技术是指通过监控、分析和检测机械系统的状态和运行参数，以确定系统是否存在故障，并定位故障发生的原因和位置。
这项技术的研究和应用可以提高系统的可靠性和稳定性，减少维修时间和成本。
1.1 传统故障诊断方法传统的机械系统故障诊断方法主要依靠经验和直观判断。
例如，维修人员可以通过听声音、观察机械部件的运动和检查外观来判断机械系统是否存在故障。
这种方法虽然简单直观，但是容易受主观因素和经验的影响，无法准确地判断故障的原因和位置。
1.2 基于传感器的故障诊断方法随着传感器技术的不断进步，利用传感器来监测和检测机械系统的状态已经成为一种常见的故障诊断方法。
传感器可以实时地采集和记录机械系统的运行参数，如温度、振动、压力等。
通过分析这些参数的变化规律，可以判断机械系统是否存在异常和故障，并定位故障的原因和位置。
这种方法具有高精度和可靠性的优点，并且可以实现远程监控和诊断。
1.3 基于人工智能的故障诊断方法人工智能技术在机械系统故障诊断领域也得到了广泛的应用。
机器学习和深度学习算法可以通过分析和挖掘大量的数据，建立机械系统故障模型，并实现自动诊断和预测。
这种方法具有高效、准确和自动化的特点，能够及时发现和诊断潜在的故障，并采取相应的维修措施。
二、故障维修技术故障维修技术是指根据故障诊断结果，采取相应的修复措施，恢复机械系统的正常运行。
故障维修技术的研究和应用可以提高故障修复的效率和质量，减少生产线的停机时间和经济损失。
2.1 传统维修方法传统的机械系统维修方法主要包括部件更换、修复和润滑。
当机械系统出现故障时，维修人员会根据自己的经验和技术知识，对故障部件进行更换或修复，以恢复机械系统的正常运行。
故障诊断逻辑与推理方法
介绍几种常用的故障诊断逻辑与推理方法正如医生诊疗疾病一样需要望闻问切，设备维修人员对于设备故障的诊断也讲究切实有效的方法。
故障的诊断逻辑与推理方法很多，如：契合法、差异法、契合差异并用法、共变法、剩余法、假设检验法、鱼骨图分析、5WHY分析、故障树分析、设备FMEA分析等。
下面简单介绍几种常用的故障诊断逻辑与推理方法，以方便设备维修人员对故障现象的分析和根本原因的查找以及故障根本对策的制定。
1、契合法在被研究现象出现的若干场合中，如果某一个或一组事件均出现，那么这个屡次出现的情况或者事件就是被研究对象的原因或结果。
公式：场合先续（或后续）事件被研究对象(1) A、B、C a(2) A、D、E a(3) A、F、G a结论：A事件是a现象的原因或结果例：某加工厂设备频频出现气缸动作不良故障。
经多次检查均发现是由于电磁阀内有铁锈引起阀杆动作受阻而造成的通气不顺畅。
进一步检查发现由于压缩空气输送管道未采用镀锌管，经过长时间使用管道内生有大量铁锈造成压缩空气内铁锈过多，当空气过滤器能力降低时铁锈就会进入电磁阀。
因此可以得出结论：压缩空气内铁锈过多导致故障发生。
2、差异法在被研究现象出现与不出现的场合，如果某一个或一组事件同时出现或者不出现，那么这个与众不同的情况或者事件就是被研究对象的原因或结果。
公式：场合先续（或后续）事件被研究对象(1) A、B、C a(2) -、B、C -结论：A事件是a现象的原因或结果差异法是设备维修人员最常用的故障原因查找方法。
例：三缸柴油机运行时排气冒黑烟，用断缸的方法分别只松开某气缸高压油管，发现仅在A缸油管松开时黑烟消除。
因此可以得出结论：A缸导致黑烟发生。
利用差异法进行故障诊断常用的方法还有：逐一排除法、换件法等等。
所谓逐一排除法就是当出现某故障现象之后，逐一切换或断开某一元器件，看该故障现象是否会消失。
一旦消失，说明某一断开或被换掉的元器件与故障有关，可能是故障源。
在进行换件法诊断时，注意每次只能更换其中一件，原来更换过而未出现异常的元器件应该复原，然后再更换另外的元器件。
工程机械液压系统故障诊断推理分析法
当前 ， 内各 行各业 的基 本建设投 资规 模 日趋 加 国 大 ， 械化施工程 度 越来越 高 ， 机 各类施 工 机械为 了适 应不 断发 展的 自动 化需求 ， 普遍采 用 了液压技 术 ，因 此 ， 压系统 的状 态 直接关 系到整 机性 能 ， 液 甚至 因而 造成停 机停 产事故 ， 响甚大 。液压 系统 的状态检 测 影 与故 障诊 断问题 ， 现实地 摆在 面前 。而液压 系统结 构 精 密且 复 杂 ， 往涉及 到 电能 、 往 液压 能 、 热能 、 机械 能 的相 互转换 以及严 重 的非 线性 信息 ， 而 给此项技 术 从
展。
机械 设备 故 障诊 断 与状 态检 测 技 术是 近 年来 国 内外 设 备管 理 与维修 领 域 发展 迅速 并 极受 欢 迎 的重 要新技 术之 一 。它对 确保 设备 的使用 和安 全 、 节约 维
修费用及降低生产成本起到重要作用 ， 从而可给企业
带来 巨大 的经济效 益 。
维普资讯
到广 泛应用 光谱 技术是 ４ ０年代初 国际 上发 展起来 的油 品分 析技 术 基本原 理是通 过 高 其 压 电弧激发油样 的微 粒 ， 其原 子空间 的外层 使 电子发 生跃进 而放 出能量— — 光 。 光线通 过透 镜从 入射狭缝 到达光栅 ， 后按 不同波长 分别 然 穿过 狭缝 ， 由光电倍增 管转 变为 电量 根 据光 的波 长 和亮 度 可迅 速 地测 定 油 中磨 粒 的元 素
的最基本 最通 用 的手段 和 方法 。
３ 故障推理分析法与检测手段的结 合
由于机 械设备 的失效 多 以磨损为前 奏 。 铁谱技术 则可捕 捉磨损 的信息 ， 时发现不 同磨 损状 况产生 的 及 不 同特 征 的磨 粒尺寸 、 貌及 其它微粒 特征 ， 形 因而得
基于人工智能的机械故障诊断算法研究
基于人工智能的机械故障诊断算法研究随着科技的不断进步，人工智能（Artificial Intelligence，AI）技术在各个领域的应用越来越广泛，其中之一就是机械故障诊断。
机械故障诊断是保证机械设备正常运转的关键，而基于人工智能的机械故障诊断算法则是近年来研究的热点之一。
一、机械故障诊断的重要性机械设备的故障对生产运营造成严重影响，不仅会导致生产线停工，还会增加维修成本和生产损失。
因此，及时准确地诊断机械故障非常重要。
传统的机械故障诊断主要依靠人工经验和直观判断，这种方法存在准确率低、耗时长、成本高等问题。
随着人工智能技术的发展，尤其是机器学习和深度学习的兴起，基于人工智能的机械故障诊断算法变得越来越受关注。
二、基于机器学习的机械故障诊断算法基于机器学习的机械故障诊断算法通过对大量的故障样本进行学习和分析，从中提取特征并建立模型，最终实现故障诊断的目的。
首先，收集大量的机械故障数据。
这些数据可以是来自传感器的实时采集数据，也可以是历史故障记录数据。
数据的质量和准确性对算法的准确性至关重要。
其次，进行数据预处理。
预处理包括数据清洗、特征提取和特征选择等过程。
数据清洗主要是对数据中的异常值和噪声进行处理，特征提取则是从原始数据中提取出描述故障的有意义特征，特征选择则是从提取出的特征集中选择最相关的特征。
然后，选择合适的机器学习算法进行建模。
常用的机器学习算法包括支持向量机（Support Vector Machine，SVM）、随机森林（Random Forest）、神经网络等。
不同的算法适用于不同的故障诊断问题，选择合适的算法可以提高故障诊断的准确性。
最后，通过对已标记的故障数据进行学习，建立机械故障的分类模型。
模型的训练需要反复迭代，不断优化，直到达到较高的准确度和可靠性。
经过训练，模型可以根据新的故障数据进行判断和诊断。
三、基于深度学习的机械故障诊断算法近年来，深度学习作为机器学习的一个重要分支，给机械故障诊断领域带来了革命性的变革。
机械故障诊断技术的原理与分类
机电设备维修
• 3．故障类型、程度、部位、原因的确定 • 最重要的是故障类型的确定，它是在状态监测的基础上，当确认机
器已处于异常状态时所需要进一步解决的问题，其目的是为最后的 诊断决策提供依据。
二、基本原理
机电设备维修
• 机械故障诊断就利用机械设备劣化进程中产生的 信息(即振动、噪声、压力、温度、流量、润滑状 态及其指标等)来进行状态分析和故障诊断
机电设备维修
• 3．直接观察法 • 传统的直接观察法如“听、摸、看、闻”，在一些情况下仍然十分
有效。但因其主要依靠人的感觉和经验，有较大的局限性。目前出 现的光纤内窥镜、电子听诊仪、红外热像仪、激光全息摄影等现代 手段，大大延长了人的感官器官，使这种传统方法又恢复了青春活 力，成为一种有效的诊断方法。
机电设备维修
• 4．振动噪声测定法 • 机械设备动态下的振动和噪声的强弱及其包含的主要频率成分和故
障的类型、程度、部位和原因等有着密切的联系。因此利用这种信 息进行故障诊断是比较有效的方法。其中特别是振动法，信号处理 比较容易，因此应用更加普遍。
机电设备维修
• 5．无损检验法 • 无损检验法是一种从材料和产品的无损检验技术中发展起来的方法，
计、工业内窥镜、红外点温仪对设备进行人工巡回监测，根据设定 的标准或人的经验分析，了解设备是否处于正常状态。简易诊断法 主要解决的是状态监测和一般的趋势预报问题。
机电设备维修
• 2．精密诊断法 • 精密诊断法指对已产生异常状态的原因采用精密诊断仪器和各种分
析手段(包括计算机辅助分析方法、诊断专家系统等)进行综合分析， 以期了解故障的类型、程度、部位和产生的原因及故障发展的趋势 等问题。精密诊断法主要解决的问题是分析故障原因和较准确地确 定发展趋势。Байду номын сангаас
机械故障诊断思维推理模型及算法的研究
故 障诊断专家如果认 为机械设备有某故障，则该 设 备 必 然 应该 出现 所具 有 的表 象集 ，即一 个 有 相
应 表 象 集 合 的机 械 设 备 必 然 产 生 了相 对 应 的故
障。假定某机械设 备的某个故 障对应的表象都展
现 出来 ，那 么 就 判 定 该 设 备 发 生 了对 应 的故 障 ， 如 图 ｌ ，若 机 械设 备 出 现 了 ｂ，ｂ，ｂ这 三 个表 中 ， 象 就 可 判 定具 备 了 ａ故 障 。这 个 思维 方 法 即为 判
（） １ （） ２ （） ３ （） ４
称 上 式 为卢 氏近似 推 理公 式 ，称 ａ 为前提 ｂ
为结论 。
２系统 实现
把 上 述 推理 诊 断 过 程用 在 故 障 判 断 系统 的 丁 作 过程 如下 。 首 先 进 行专 家知 识 获 取 ，也 就 是 要 同某 故 障 系 统 的专 家 共 同 研 讨 ，确 定 该 系统 的 故 障 表 象 点 。这些 反 映故 障 的 表象 点 及其 反映 故 障 点 损坏 程 度 的 表 象数 值 都是 系统 故 障诊 断维 修 的 专家 多 年实 际工作 经验 所得 出 的。
摘要 ：彳 机械故障分析诊断型专家知识结构及推理过程 的基础上 ，利用离散数学集合理论 ，导 出诊 断思维 的数学模型 ，最后给 Ｆ 出了相应模型 的机械故障诊断实例 。 关键词 ：诊断模型 ；故障 ；推理 中图分类号：Ｔ Ｉ２ Ｐ８ 文献标识码 ：Ａ 文章编号：１０ ０ ９—９ ９ ２ １） ８—０ ０ ４ ２ｆ０ ２ ０ １３—０ ４
ｂ＝ （ ｂ＝ ａ （ ｎａ 一 ＋ ，ａ） ） （ ６ ｎ Ⅱ ） ｍ ｘ （ ａ ｂ １） ｍｉ ，０
｛ （） １ 闩 Ｂ＝ 则 ｒ １ ｌ ＝ ， ‘ ） 】 － ， ４ 『ＴＡ＝ ，Ｈ 九 ， （）０ ＝ 则 ｒ １ １ ＝ Ｌｒ ＝ ，且 日＝ 则 ｒ０ ｛， 】 ”） ）０ － － ｛ （）０ 【 ７Ｂ＝ 则 ｒ １ ＴＡ＝ ， １ １ ）０ － －（
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
机械故障诊断的推理规律研究Ξ胡兆勇 屈梁生(西安交通大学智能仪器与监测诊断研究所 西安,710049)摘 要 机械故障诊断对于设备的安全、连续运行和预知维修至关重要。
作为故障诊断成功的关键,文章阐述了诊断中的诊断知识及其结构,介绍了专家的概念知识、方法知识和面向诊断对象知识,并用一种双向、互补的有机结构来刻划这些知识在诊断过程中的综合应用。
将故障熵的概念引申为广义故障熵,并结合最小互熵原理,用于阐述诊断推理过程。
分别用对数模型和Sigmo id模型来刻划机械故障诊断中的认知规律。
通过某炼油厂的一个实际诊断案例对这两个模型进行了分析和对比研究。
结果表明,两者均能近似地刻划认知过程,但Sigmo id模型更能准确地描述机械故障诊断推理的一般规律,更符合诊断过程的实际情况。
关键词:故障诊断;熵;最小互熵原理;Sigmo id模型;对数模型中图分类号:TH17 机械故障诊断对于设备的安全、连续运行和预知维修至关重要。
它研究设备的状态变化,籍此获取设备运行正常与异常的证据信息。
其目的在于根据设备的物理征兆和性能退化来识别其潜在的故障,特别是引起设备振动的主要原因,也即设备的主导故障。
本质上讲,机械故障诊断过程是根据设备本身包含的固有知识、其运行状态知识,以及专家的经验知识等来认识和判断设备正常与否。
因此,诊断推理过程是一个典型的认知过程。
认知现象是很复杂的[1]。
它包括不同的层次:从最低的感知层(即视觉、听觉、嗅觉、触觉等)到最高的意识层(即识别、推理、归纳、演绎等)。
文章详细描述了诊断过程中所需的知识及其结构。
信息熵是描述系统不确定性的一个定量指标。
故障熵则反映了诊断对象中潜在的可能故障的不确定性,表征了对象的可诊断性[2]。
为了描述机械故障诊断过程的一般规律,本文用故障熵来刻划诊断推理过程,并阐述了广义故障熵、初始故障熵及熵减率的概念。
初始故障熵和熵减率表达了初始故障的不确定性和诊断推理的效率。
在此基础上,分别用一个对数模型和Sigm o id模型来描述诊断推理的认知规律。
通过一个简单的例子和天津石化炼油厂的实际诊断过程,分析和研究了这两个模型。
研究表明, Sigm o id模型更能准确地刻划诊断推理这一认知过程。
1 诊断知识及其结构诊断过程是综合运用各种诊断知识,逐渐认识诊断对象,直至确诊故障的一个典型的认知过程。
根据知识的类型,诊断知识可分为专家拥有的概念知识(CK)和方法知识(M K),以及对象本身所包含的知识,即面向对象知识(OO K)。
在诊断实践中,面向对象知识主要是诊断对象的征兆、其历史信息和当前运行状态、设计和制造要求及特征等;由征兆和故障构成的“如果-那么”原则、物理和机械上的一些基本概念及原理等构成了专家的概念知识;专家拥有的各种方法,例如信号处理、模糊处理等则构成了专家的方法知识。
这里,专家的概念知识和方法知识取决于他的理论水平和长期的诊断实践。
诊断过程需要综合运用上述各种诊断知识。
即使专家拥有丰富的关于设备故障的概念知识和方法知识,他们仍然不具备特定诊断对象的运行状态知识及其历史记录知识。
此外,专家可能不熟悉设备的原始设计要求、特征及其制造过程。
而这些知识都将影响最终诊断的不确定性。
因此,诊断过程并非象有些人所想象的很简单,只要通过简单的振动频谱就可以确诊故障。
在诊断实践中,专家需要面向对象的知识来进一步充实和完善其知识结构,融合自身的概念知识和方法知识,通过逻辑推理,包括演绎、归纳、联合记忆和其他推理方法等,一步步得出诊断结第17卷第4期2004年12月振 动 工 程 学 报Jou rnal of V ib rati on EngineeringV o l.17N o.4D ec.2004Ξ国家自然科学基金重点资助项目(编号:50335030)收稿日期:2003207211;修改稿收到日期:2004203208论。
因而,在诊断过程中,诊断知识之间不是孤立的,而是相互作用、相互补充、相互融合,形成一种双向、互补的“OO K -CK -M K ”有机结构,如图1所示。
图1 机械故障诊断中的知识结构2 故障熵与故障诊断推理过程熵是描述系统不确定性的一个重要和常用的指标。
作为一个典型的不确定性推理过程,机械故障诊断过程也可以用熵来描述,称之为故障熵[2]。
设一台正常设备存在n 个潜在的故障,发生的概率为p i (i =1,2,…,n ),则这台设备的故障熵定义为H =-∑ni =1pi3log (p i )(1) 对于一个设备来讲,故障熵越大,说明主导故障越不明显,或者潜在的故障很多,诊断分析的难度便会越大;反之,故障熵越小,则越容易得出诊断结论。
因此,故障熵表征了设备的可诊断性。
具体来讲,故障熵是设备可诊断性的一个属性。
当发生异常时,引起设备异常的一种或几种故障就构成了此时的故障熵,是具体的定值,不随诊断推理过程变化的。
在这里,为了用它来刻划诊断推理过程,笔者将故障熵的概念加以引申,称前者为狭义的故障熵,引申后的为广义的故障熵。
设有一台设备,诊断人员认为可能存在m 个潜在故障,概率为p i (i =1,2,…,m ),则广义故障熵Hg为Hg=-∑mi =1pi3log (p i )(2) 可见,广义故障熵是从诊断人员的角度来讲的。
当设备异常时,诊断人员对引起设备异常的故障原因的认识会随着证据信息的获取而不断变化的。
因而,广义故障熵是随着诊断推理过程变化的。
下文均是从广义故障熵的角度来分析诊断推理过程的。
这里先给出两个概念,一个是初始故障熵,另一个是熵减率。
所谓初始故障熵是指诊断人员不了解任何证据信息的前提下,对诊断对象各潜在故障可能发生的概率估计所构成的熵。
所谓熵减率是指相邻两步故障熵之间的差率。
初始故障熵和熵减率具体刻划了诊断人员对诊断对象的推理过程。
专家和新手的差异可以用初始故障熵和熵减率来表达。
例如,大多数磨床都会发生液压系统故障。
根据经验,专家知道这是由连接滑阀的螺线管过热引起的。
因此,对专家来说,初始故障熵小,熵减率大。
相反,新手必须一步一步地判断,初始故障熵很大,熵减率小。
另一个例子是建筑的照明系统。
如果灯突然灭了,每个人都知道检查保险丝是否断了。
这个系统设计时考虑了易诊断性,人为设置了柔性环节,其故障熵极小。
图2给出了诊断过程的熵的一般描述。
对于一个诊断过程来讲,最开始是信息积累阶段,因而,熵变化比较小;当信息积累到一定程度之后,就可以排除或肯定许多故障,直到最后确诊故障,如图2(a );这时候仍然会有一定的残余故障熵,因为在许多情况下,故障不可能被完全否定。
在某些场合下,由于某些原因,还可能难以得出确切的诊断结果,这时可以用早熟收敛来描述这种情况,如图2(b )。
图2 机械故障诊断过程的熵的一般描述为了简化诊断推理过程,可以把推理过程分成N 步,每步得到一个证据。
该证据可能支持某故障,也可能否定它。
之后需重新分配所有潜在故障发生的概率分布:某个可能故障被否定了,其余故障的概224振 动 工 程 学 报第17卷 率会相应增加;反之亦然。
新的概率分布可以根据最小互熵原理来获得[3,4]。
该原理广泛用于概率分布的调整,如最大熵推理等。
令p i 为第i 个可能故障的新概率,q i 为第i 个可能故障的原始先验概率,用拉各朗日算子L 来最小化互熵或K 2L 信息数,L 具有下面的约束∑alli ≠jpi=1(3)L =∑p i ≠0p ilog p iqi+(Κ-1)(∑p i ≠0pi-1)(4)由5L5p i=0可以得出,对于所有p i ≠0,有logp iq i+Κ=0(5)由此,对所有p i ≠0,有p i =q i 2q i(6)如果在最后一步只有原始概率为q i 的一个故障存在,则p i =q i q i =1。
以上分析是对否定的故障认为绝对不发生的情况。
客观地讲,否定某故障应该是将其发生的概率降低到一个很小的水平上(例如1◊或2◊),而不是绝对不发生,这更符合实际情况。
这时需要对式(6)进行一定的调整。
p i =q i2q i×2p i2p i =1-2p (F ϖj )(7)式中,2p i 表示未被否定的故障概率的和,F ϖj 表示被否定了的故障。
诊断推理过程就是一个诊断信息或者诊断知识处理的过程。
随着诊断信息的积累,诊断人员对设备的认识便会加深,故障熵或者说不确定性会一步步减小。
当前步总的信息获取可以表达为从初始到当前步的熵的减少[7]。
信息增长率或者说熵减率反映了诊断推理的效率。
下面通过仿真的简单实例来近似地描述机械故障诊断推理过程的认知规律。
3 仿真实例先考虑一个简单的例子。
设诊断过程共有N 步,每步完全否定一个故障,即第j 步否定了j -1个故障,这里,对于诊断对象或者类似设备,专家不具有任何先验经验,取等概率分布。
则广义故障熵的变化为一个严格的对数函数H =log (N -j +1)(8) 为了一般化问题,设定其中一种故障的概率自始至终保持在很小的水平,取为5%。
其他N -1个故障取等概率的先验分布。
同时,也并非完全否定,而是指故障概率降到很小的水平,取为1%。
利用公式(7)计算各步的概率值,其熵的变化情况见表1中第二行,第三行给出了归一化处理后的熵H =H log (N )。
这里,令可能的故障数N =12。
表1 一个简单例子的认知过程步骤123456789101112熵H 1.111.091.061.041.000.970.920.870.800.710.580.35归一化H0.990.980.960.930.900.870.830.780.720.640.520.31这里,仍然用对数函数来拟合这个过程,建立如下的认知模型H =log (C 1j +C 2)(9)则熵减率为d Hd j∝-exp (H 0-H )(10) 此外,研究表明[8],Sigm o id 模型可用于刻划许多领域过程。
为此,建立如下的熵的变化关系H =11+e Αj +Β(11)熵减率为d Hd j∝-H (1-H )(12)式中 C 1(Α)和C 2(Β)共同描述了该诊断过程的认知特征。
C 1(Α)刻划了认知的效率,取决于专家的方法和信息的质量。
C 2(Β)取决于诊断问题的初始不确定性。
图3分别给出了对数模型和Sigm o id 模型模拟的结果。
图3 一个简单例子的认知过程由图3可以看出,虽然两个模型均能刻划该简单例子的认知过程,但从曲线的变化趋势来看,Sig 2324 第4期胡兆勇等:机械故障诊断的推理规律研究 m o id模型对于该认知过程的描述更为接近。
4 案例验证背景信息:某石化炼油厂的一台工业烟机与离心压缩机相连,用于回收废气。
2002年6月大修时,烟机叶片根部需要做激光修补,于是更换了一根新的转子,装上后振动很大,达到70Λm。