机器状态监测与故障诊断综述

机器状态监侧与故障诊断综述６７

机器状态监测与故嶂诊断综述Ｉｎｔｒｏｄｕｃｔｉｏｎ　ｏｆ　Ｍａｃｈｉｎｅ　Ｃｏｎｄｉｔｉｏｎ　Ｍｏｎｉｔｏｒｉｎｇ　ａｎｄ　Ｆａｕｌｔ口陈仲生杨拥民ＴＰ刀６

摘要：介绍了机器状态信号处理工具和机器状态监测与故障诊断模式、方法的发展情况，分析了各自的优侠点，最后指出了机器状态监刻与故障诊断技术的发展方向。关挂词：状态监测故峰诊断小波变换模栩识别神经网络

Ａｂｓｔｒａｃｔ：　Ｔｈｉｓ　ａｒｔｉｃｌｅ　ｉｎｔｒｏｄｕｃｅｓ　ｔｈｅ　ｄｅｖｅ嘀ｒｕｅｎｔ　ｏｆ　ｓｉｇｎａｌ　ｐｒｏｃｅｓｓｉｎｇ　ｏｆ　ｍａｃ　ｉｎ　ｅ　ｃｏｎｄｉｔｉｏｎ，　ｏｆ　ｔｈｅ　ｎａｄｅｅａ　ａｎｄ　ｍｅｔｈｏｄｓｏｆ　ｍａｃｈｉｎｅ　ｃｏｎｄｉｔｉｃｎ　ｍｏｎｉｔｏｒｉｎｇ　ａｎｄ　ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ．　Ａｎｄ　ｉｔ　ａｎａｌｙｚｅｓ　ｔｈｅｉｒ　ａｄｖａｎｔａｇｅｓ　ａｎｄ　ｄｉｓａｄｖａｎｔａｇｅｓ．　Ｉｎ　ｔｈｅ　ｅｎｄ　ｔｈｅ　ｆｕｔｕｒｅｉｓ　ｐｏｉｎｔｅｄ　ｏｕｔ． Ｋｅｙｗｏｒｄｓ：　ｃｏｎｄｉｔｉｏｎ　ｍｏｎｉｔｏｒｉｎｇ ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ ｗａｖｅｌｅｔ ｆｕｚｚｙ　ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｎｅｕｔｒａｌ　ｎｅｔ

１引言 自从“工业革命”以来，机器正逐步取代人手在工厂里的作用，从事各种加工、操作和生产。机器运行状态的好坏对产品质量、工厂的经济效益有着重要的影响。对机器的运行状态进行监测，可以提前发现和排除故障，保证工厂的安全生产。机器出现故障后．需要及时准确地找出故降原因，加以排除，迅速恢复生产，道免因停工带来的损失。因此，机器状态监测与故障诊断技术一直受到广泛重视，得到了很大的发展。本文详细介绍了机器状态监侧与故降诊断技术的过去、现状和发展方向。２机番状杏倍号处理的橄学工具 数学作为分析研究问压的强有力的手段，在自然科学技术的发展中起着重要的作用。在一定程度可以说，数学方法上的重大突破推动了自然科学技术的进步。在机器设备监侧和故障诊断中，数学工具的发展也为机器状态信号的处理提供了先进的手段。２．１傅立叶变换（ＤＦｒ） 任意连续函数ｇ（ｔ）的傅立叶变换可用下式表示：

２．２小波变换（ＷＦ） 对于一个给定的函数ｘ（０，它的小波变换如下：

ＣＷＴ‘一“，二万号ｆ．（　ＯＰ（　ｔ　ａ　ｂ）ｄｌ（．，。，，

Ｇ（ｆ）＝丁＂孙）一“‘＊。 傅立叶变换的出现，为信号处理提供了强有力的手段，尤其是快速傅立叶变换（ＩＴＴ）随着计算机技术的发展，成为信号处理中的一个里程碑。基于ｎ几的谱，估计早已成为模式识别中的常用的方法 但是，经典的傅立叶分析（包括ｎＴ）只适用于确定性的平稳信号，对于那些突变信号或非平稳信号，就难以得到希望的结果；同时，它分析的基础是依赖于整个信号．在实际应用中有很大的局限性。于是，近年来人们发展了小波分析。 式中，Ｐ（０为小波母函数。 近几年，小波分析给故障诊断技术带来了新的方法［’］。基于信号分析的故障诊断技术，由于小波分析其有变时域—频谱窗而更受关注。它将代替传统的ＦＦＴ方法，广泛应用于机械领城。不过，小波分析中的一个最大的问题是，如何产生稳定的小波母函数Ｔ（　ｔ），这也是今后研究的一个重点。３机诊设备监侧诊断棋式的发展 自“工业革命钾以来，随着检侧技术和手段的进步，尤其是计算机技术和网络技术的发展，机器设备监测诊断模式已经发生了本质的变化，大致可以分为３个阶段：３．１第一代的单机监浏诊断模式（ＳＭＤＳ） 在机器逐步取代手工在工厂中的地位后，对机器设备的状态监侧和故障诊断仅局限于“点到点”的诊断模式，即对每一台机器由一个监测系统来控制。它是一个封闭的系统，信息只在系统内部交流和处理。这种模式对于早期的小规模工厂还是可以实施的。它的缺点是，每个系统的工作效率低，浪费了大量的人力、物力；而且随着工厂规模的扩大，机器数的增加，这种棋式的局限性日益突出。３．２第二代的分布式监浏诊断模式（ＤＭＤＳ） 随着大规模工厂和大型机电设备的出现，ＳＭＤＳ模式已不能满足需要，针对工厂的大型机电设备的功能分布和地域分布的特点，人们在网络技术的基础上实现了分布式监测诊断模式（ＤＭＤＳ）。它通过工业局域网将各个监测现场的本地计算机互联起来，实现资源共享，分散监控

万方数据储机电一体化２００１年第１期

ｆ双和集中操作、管理、诊断，提高了系统的工作效率。资源共

享减少了人力、物力的浪费。它是一个相对开放的系统。但是，这种模式的缺点在于，它只存在于局域网内，不同的工厂需要建立各自的监测诊断局域网，造成重复建设。３．３第三代的远程监浏诊断模式（ＲＡＩＤＳ） 进人２０世纪卯年代后，随着玩ｅｍｅｔ和万维网技术的普及和完善，机器设备监测与故障诊断技术和网络技术、通讯技术相结合，形成一种新兴的监测诊断模式—远程监测诊断模式（ＲＡＩＤＳ）。它将监测诊断现场和诊断中心由网络联系起来。监测现场通过网络向诊断中心发出服务请求，诊断中心根据不同的请求做出响应。监测现场与诊断中心之间没有更多的必然联系，不同的监测现场可以与同一个诊断中心建立联系，整个系统中流动的是数据，而不是技术人员；而且所有的诊断信息可以由网络获得。将管理部门一监侧现场一诊断专家一设备厂商联系起来，形成一个真正开放的系统。４机器设备监侧诊断方法 机器故障监侧诊断方法可以典型地分为３类：模式识别（Ｐｅｔｔｅｍ　ｅｌａｓｓｉｆｉｅａｆｉｏｎ）、规则推理（ｒｕｌｅ－ｂａｓｅｄ　ｉｎｆｅｒ）．数学模型（ｍｅｔｌｗｍｅｌｉｃａｌ　ｍｏｄｅｌ）．４．１模式识别 模式识别的任务是，将待检模式与样板模式（故障档案）进行比较，明确其所属类别，为此需要建立判别函数，规定判别准则并力争使误判率最小。它通常用于机器设备振动信号的故障诊断，如一个专家从功率谱的特征中可以发现旋转机器的故降。常用的模式识别方法有统计方法、模栩模式识别方法。 （１）统计方法 这是传统的模式识别方法，它利用检测信号与故障特征之间存在的统计关系，从信号中提取故障特征信息，主要包括时城统计分析、相关分析、功率谱分析、时城分析以及由它们派生出来的一些特殊统计分析方法。围绕这些分析方法，有各种算法：ＦＦＦ，小波变换。这种方法的特点是，直接由信号计算出统计特性，并选用统计特征的某些分量作为故障特征。 （２）模栩模式识别方法 模栩棋式识别的基本思想是，按最大从属原则进行的，即以因果关系程度最大者定为诊断结论中的故障原因。设人，．．．，Ａ。为论域Ｕ上的ｎ个模糊子集。对Ｕ中的任一元素ｎｏ，如果泌ｊ　（　｝｝ｏ）二，［泌ｉ（ｏｏ），一，泌．（ｎｏ）］，则认为ａ０相对从属于模枷子集Ａ；ｏ 模栩摸式识别的关键在于，正确地建立征兆与故障原因之间的从属关系，建立相应的诊断矩阵。建立诊断矩阵方法如下： 假设第ｉ个故降原因心对应有Ｐ个征兆，街二（ｘ，二，ｘ，），其中每一个二对判断Ａ，的贡献是不相同的，可用相应的权值表示。这样，每个故障原因Ａｉ都有一组以从属度表示的征兆群：Ａｉ＝［ＲＡｊ（ｘｉ），．．．，ＮＡｉ（ｘｙ）Ｉ形成一个模期子集，且有：

风（ｘ，）鸿（ｘ，）义，征兆出现０ ｘ‘征兆未出现 于是，诊断矩阵：内＝鸿（ｘ；），即第ｉ个征兆二‘对第］个原因的肯定程度。诊断矩阵建立后，求出每种故障原因中各有关征兆的从属度的值。最后，在各故障原因中选出值最大者，认为其为诊断出的故障原因。 模糊模式识别方法长于用语言描述的经验知识，但通常不具有学习能力，只能客观地选择从属度函数和模糊规则，而且诊断结果依核于故降的先验知识，所以它只能发现一些常见故障。４．２挽则推理 人的大脑能思考、记忆和解决间题的能力，激发许多研究者发展了人工神经网络，它的基本学习过程与生物神经的机理一样。神经网络是由许多相互连接形式简单的神经元（如图１所示），按照一定的拓扑结构和组织规则组成的网络系统。它具有非线性映射、快速并行分布处理、自学习、自组织以及普棒性等能力，正广泛用于机器设备监侧诊断。

圈１ 每个神经元的规则有 ・传递规则：将若干单元的抽出和联接矩阵平结合起来，以得到当前单元的输出的规则； ・更新规则：将一单元的净输人与该单元当前状态结合起来产生新的状态的规则； ・学习规则：权矩阵平的修改规则； ・输出规则：将某单元的状态值转换到该单元对其他单元的抽出的规则。 自从罗森伯莱特于２０世纪６０年代提出第一个单层感知器模型以来，神经网络技术有了快速发展，尤其是进人２０世纪９０年代后，神经网络技术在机器故障诊断中的应用日益广泛［　Ｑ［ｌ０１。各种网络的训练学习算法也层出不穷，目前发表的各种神经网络学习方法可分为监督学习（如ＢＰ算法）和无监督学习两类，神经网络的结构可分为反馈和前馈网络两种。 人工神经网络方法的特点是，通过一定的规则进行自学习，抗干扰能力强。应用于机器故障诊断时，当故障条件经充分模拟和学习的条件下，几乎可以１００％地发现故障。但是，这种方法的缺点在于，网络内部的表达式难以知道，而且实际故障并非频景出现，从而难以恰如其分地进行模拟，无法得到足够的训练数据。４．３数学模型 数学模型作为一种科学研究的有力工具，在机器故

万方数据机器状态监汤与故降诊断综述６９障诊断中早已得到应用［［ｌ；尤其在动态系统的故障诊断中，这种技术非常重要（其实，在模糊识别和人工神经网络中都有相应的数学模型）。自回归滑动平均模型（ＡＲ－ＭＡ），就是时序分析方法中的最基本的、实际应用最广的一种数学模型。 ・月ｔＭＡ数学模型： ＩＦ一Ｗｌ　Ｚｋ－１一’・一９｝１１‘一，＝。。一Ｂ１Ｗｋ，一“‘－枷‘一。０ ・ＡＲ数学模型： －ｋ　－Ｔ，４一］＋“‘十９＇ｐ，‘一Ｐ＋　Ｗｋａ 但是基本的ＡＲＭＡ数学棋型需要时序：。，其中，Ｚｋ￣一一怕人； 。‘—白嗓声； ？二［－Ｐｉ，一，Ｐ＇　ｌ—自回归系数； ８二仁８．．．．．．．．．　８ｇ１－Ｍｔ动平均系数。 要求平稳、正态、零均值３个条件，针对这一不足，人们又拓展了ＡＲＭＡ数学模型—ＡＲＭＡ（ｎ，ｍ）模型。ＡＲ－ＭＡ数学棋型具有深刻的物理意义，它利用已有的观侧数据进行估计。当此未知数据是过去的历史数据时，ＡＲＭＡ模型是一个平滑器；当此未知数据是现在数据时，ＡＲＭＡ模ｖ是一个滤波器；当此未知数据是将来的数据时，ＡＲＭＡ棋型是一个预侧器。它显示出广阔的应用前景，得到了很多应用。 数学模型方法的缺点在于，工业过程比较复杂时，一般很难得到精确的数学模型，通常只能通过辨识的方法得到其近似数学模型，而且有时近似数学模型的误差比较大。５机．设备监洲诊断技术的发展方向５．１学科的交叉 从前面的讨论可知，单独每一种机器故障诊断方法都存在自己的优缺点，因此各种方法的交叉综合应用，实现优势互补，将是一个发展方向。 ・模糊神经网络：模栩规则长于表示用语言描述的经验知识和定性知识，但通常不具备学习能力。而神经网络可以依据样本进行自学习。所以，模栩神经网络将两者优势互补：一方面可以用语言描述的规则构造网络，使网络的权值具有明显的意义；另一方面引人了学习机制，提高了知识表示精度。基于模糊神经网络的推理，是解决诊断中的不确定性，尤其是模栩性问题的有发展前途的技术，ｚ１ ・智能模拟神经网络：将混沌理论与神经网络技术相结合，形成了智能模拟神经网络，主要包括：振荡神经网络、暂态混饨的神经网络、自发展的神经网络、流体神经网络。 ・小波网络：小波分析以及可以通近任何函数的神经网络和小波网络的出现，给故障诊断技术带来了新的方向川。５＿１盖于砚测器的故津诊断 由于绝大多数实际故障诊断方法中，总是存在或多或少诸如建模误差、噪声千扰等不确定因素，因此，这些不确定干扰的鲁棒性是一个重要的问题。而基于观侧器１５１［６）的故库诊断，是对系统的状态进行估计。它依据