旋轉機械設備故障診斷系統的研究

摘要：近年來由于生產技術的飛速發展，為了提高生產效率，流水線的生產方式應運而生，對設備自身技術水平和結構功能復雜程度都要求都極大的提高了，致使機械設備故障成為影響生產的最首要的原因之一。大型機組往往需要長時間滿負荷的運轉，保障其自身安全、穩定的工作是保證國民經濟持續健康快速發展的根本。因此人們意識到必須大力發展工程監測和故障診斷技術，努力去開發一套可以實現對設備的作業狀態進行遠程實時監測，能夠自動對設備故障類型進行識別的系統。論文主要從基于智能的角度對大型旋轉機械的故障診斷技術進行研究。試圖構建自動化智能的故障診斷系統。論文研究了利用小波分析進行故障特征信息提取的方法，研究了數據挖掘技術中決策樹分類算法的設計與實現，結合費舍爾判別分析法，提出了將傳統風機機械故障診斷專家系統知識自動化推理的技術。

關鍵詞：故障診斷 自動化 小波分析 決策樹分析 費舍爾判別分析

隨著現代科學技術的飛速發展，各種旋轉機械設備也開始朝著大型、高速、重載、精密、復雜的方向發展，機組機械的工作效率和自動化水平都突飛猛進的提升著。旋轉機械設備在我國國民經濟發展中發揮著不可小覷的重要作用，它們工作的主體轉子和其他回轉部件，是現代化持續生產過程中的關鍵環節和重要部分，一旦發生機械故障，不僅機組本身會遭受重大順壞，而且連續的生產過程還會因此而中斷，甚至導致停工停產，隨之而來的是巨大的經濟損失和社會負面影響。由于大型旋轉機械故障診斷的復雜性和診斷人員自身診斷知識的不足，由于設備故障引起的影響生產、利潤降低甚至造成一些災難性事故的情況時有發生，因此迫切需要建立企業維修人員的培訓及機器自動識別智能診斷系統來輔助維修人員進行機器的診斷工作，降低故障的發生率。使得設備的管理水平得以提高、保障設備的可靠性和穩定性、避免不必要的事故的發生、盡可能減少事故破壞性、從而保證生產的安全穩定進行，取得潛在的巨大經濟和社會效益。

一、小波分析進行故障特征信息提取

電設備故障診斷和預測的一般過程。主要包括信號采集、特征信號提取、狀態識別、診斷預測四個方面：1．信號采集2．特征信號3．狀態識別4．診斷預測。該系統由用戶界面、數據處理、任務分配、神經網絡診斷模塊和專家系統診斷模塊五個部分組成。

首先，系統實際運行前，需選取樣本集對神經網絡進行訓練：專家系統部分需通過與領域專家交流由程序員建立知識庫。具體實施方法將在下面章節中第4章基于神經網絡專家系統的風機故障預知維護系統結構研究敘述。系統啟動后，提示用戶選擇優先采用的故障診斷方法，默認情況下選擇神經網絡診斷方法。當監測數據超過預警門限值時，系統在數據庫中讀取此時的設備運行參數。包括軸振動、軸溫、油液三個方面。對以上參數進行數據處理并送入神經網絡進行診斷。診斷中間結果顯示在用戶界面上，如果用戶對結果滿意則作為最終結果顯示，如果不滿意，則轉到任務分配模塊，使用專家系統對設備進行故障診斷，并將所得的結果作為最終結果。使用面向對象知識表達方法描述和表達知識，以知識樹的方式構建專家系統知識體系。對知識樹以遍歷的方式與產生式規則結合進行推理，推理結果能夠較好的反映專家知識。在面向對象的智能故障診斷專家系統中，對于知識庫中包含的每個對象結點，為了能夠更好的適應一些比較復雜的情況，有的問題是可以采用自頂向下的理論來進行推理的，而另一部分卻是適合用自底向上的方法對其求解，在推理的過程中會不斷地發生各種變化。因此在知識表示方面需要加強其靈活性，即將不同的方法添加到每個對象中，便于去相應的處理不同的推理階段。每個結點對象都具備以下三個方法：先序、中序和后序。這三種特殊的方法是按照不同的次序在推理過程中實現的。在系統默認的情況下，這是一個從問題的根結點對象開始的層層推進的深度優先遍歷的過程。其它結點的產生式規則與上述類似，當系統運行后，提示用戶選擇設備所發生故故障征兆類型，及該征兆的確信度。推理機按照一定的規則對知識庫中各結點及其所對應的方法槽進行遍歷，在每個結點的后序方法中計算該結點所對應故障產生的后驗概率。最終得到診斷結果。

二、數據挖掘技術中決策樹分類算法的設計與實現

此方法主要研究工作分為以下幾個部分：1.決策樹挖掘算法的研究，2.基于決策樹挖掘系統的開發，3.基于Struts開發的在線故障診斷系統，4.利用開發的挖掘系統為web故障診斷系統提供診斷依據，驗證該方法的有效性。

數據挖掘系統具有以下幾個主要組成部分：①數據庫、數據倉庫或其他信息庫，②數據庫或數據倉庫服務器，③知識庫，④數據挖掘引擎，⑤模式評估模塊，⑥圖形用戶界面。數據挖掘階段，這個階段就是開始進行實際的挖掘操作。主要包括以下幾個要點：①明確挖掘的任務和目的，例如數據的序列模式發現和數據總結、聚類、分類、關聯規則的發現等。②明確了挖掘任務之后，就要執行挖掘算法。不同的算法可以來實現同樣一個任務，選擇實現算法通常有兩個需要考慮的因素：首先不同的數據有不同的特點，其次要考慮用戶或者實際運行系統的要求。③完成以上工作后，就可以進行數據挖掘操作了。

數據挖掘決策樹歸納分類是機械智能診斷的基礎。這個模塊需要系統維護人員在服務器端對后臺數據庫進行長期維護。系統維護人員可以添加、刪除、修改數據庫中故障類型，添加或更新故障類型對應的說明。對樣本數據庫進行定期的清理，去掉錯誤的數據、定義新的故障類型樣本等數據清理工作。對更新過的故障樣本重新做數據挖掘決策樹歸納分類，生成為最新的規則模型。

三、費舍爾判別分析法

在數學方面，高等數學和現代數學的許多分支在狀態監測技術和故障診斷技術以及信號數據的收集和處理分析都被廣泛地應用。用的數學方法為：1.積分變換法，2.概率論，3.數值分析法，4.運籌學。決策是普遍存在于人們生活和工作中的一種活動，是分析解決當前以及未來可能發生的問題時，獲得最優方案的分析判斷過程。

費舍爾判別分析法是一種基于數據驅動方法的技術。數據驅動測試注重于測試軟件的功能性需求，也即數據驅動測試使軟件工程師派生出執行程序所有功能需求的輸入條件。數據驅動與基本原理模型無關，使用數據驅動不需要昂貴而且費時的基本原理模型，所以數據驅動方法很適用于旋轉機械這樣復雜的機械組。降維技術把數據投影到低維空間，低維空間可以準確表征過程的狀態，極度的簡化和改良了過程監控程序。針對故障診斷來說，首先從故障設備中收集相關的數據，接著對數據進行分類，每一類表示某一特定的故障類型。FDA是一種線性的降維技術，它將各類進行最大程度地分離。使得一系列的線性變換向量得以確定，將這些向量按最大化類間離散度、最小化類內離散度的原則標準進行排列。

FDA是使用類信息來對降維空間進行計算，致使FDA的判別函數對類信息的使用程度比其他分析法對類信息的使用程度要大得多。FDA在評價判別函數時，所使用的是所有故障類的信息。通過定義一個故障類的附加的數據類，FDA也用于故障的檢測。正常運行狀況下的數據與訓練集中故障類數據的相似性決定了用FDA判別函數進行故障檢測的效果。若正常運行狀況下數據能合理地與故障類進行分離，那么可以應用FDA進行故障的檢測。對于已經知道的故障類而言，能保證較小的漏檢率。至于那些超出利用FDA向量定義的低維空間數據，FDA判別函數沒有將與之相關的未知故障考慮在內，從某種程度上說，FDA判別函數或許不能夠檢測出此類故障。建議最好能夠將一個基于殘差的FDA統計量與FDA判別函數一起使用，這樣不僅能夠檢測出與FDA向量定義空間內數據相關的機械故障，而且還能夠檢測出與此空間外數據相關的機械故障。

參考文獻：

[1]黃天戍，孫夫雄．水輪機組故障診斷數據庫系統[M]．測控技術．2003，22(5、：54-56

[2]賀晉忠，王明贊．水輪機組繼電保護與狀態監測[M]. 繼電器，2004，32(1 5)：71-84

[3]王軍．網絡化在線監測與故障診斷系統在大機組上的應用[M]．大氮肥．2004．27(2)：1 34·1 37

[4]金飛，賈民平．壓縮機組遠程監測與故障診斷系統及其應用[M]．機械制造與自動化．2003，(3)：61．63

[5]陳保新．狀態監測和診斷系統在壓縮機中的應用[M]．有色冶金設計與研究．2003，24(1)：171—1 80

[6]Michael Wooldridge，石純一，張偉，徐晉暉等譯[M]．多Agent系統引論．北京：電子工業出版社．2003

[7]李毅，羅詡，石純一．多agent系統的一種交互策略模型[J]．軟件學報，1999．10(7)

[8]章吳翰，潘志庚，石教英．基于多Agent模型的協同設計系統[J]．軟件學報，1998(增刊)：98-102

[9]薩師煊，王珊．數據庫系統概況[M]．高等教育出版社，2001

[10]張正松．旋轉機械故障診斷監測及故障診斷[M]．機械工業出版社，1991