現代設備故障智能診斷研究進展

熊國良，黃文藝，張龍

(華東交通大學機電學院，江西南昌330013)

所謂設備故障智能診斷，就是以傳感器技術為基礎，以信號處理技術為手段的信息診斷和結合專家系統技術的智能診斷。診斷技術繼20世紀60年代以后的飛速發展產生了巨大的經濟效益，成為世界各國研究的熱點。文中就信號測取、信號處理與故障識別三方面的發展進行了一個概述。

1 信號測取的研究概述

設備的故障診斷是通過信號的測取再進行分析最后得到結論的，信號的準確度與清晰度是保證故障診斷結果的關鍵，因此信號的測取工作是設備診斷的基礎之一。設備發生故障時，可以有不同的表征，即可以通過不同的信號表現出來。設備診斷中的信號可以分為:振動、噪聲、聲發射、磁記憶、電機電流、扭矩等。信號測取技術包括信號的拾取和放大，其中對傳感器的研究是重點。設備診斷中傳感器按功能分為:振動傳感器，聲級計，聲發射傳感器和溫度傳感器。傳感器的靈敏度與抗干擾能力是故障診斷的關鍵。隨著傳感器的發展，無線傳感器網絡(Wireless Sensor Network，WSN)的問世為大范圍檢測區域帶來了便利。無線傳感器網絡是大量的靜止或移動的傳感器以自組織和多跳方式構成的無線網絡，其目的是協作地感知、采集、處理和傳輸網絡覆蓋地理區域內感知對象的監測信息，并報告給用戶。大量的傳感器節點將探測數據，通過匯聚節點經其他網絡發送給用戶。然而，對于無線傳感器網絡的大范圍監測，眾多傳感器之間與不同信號之間的相互干擾是不可避免的，只有經過精心的監測參數選擇和用足夠數量的相應傳感器實現目標明確的配置位置優化，才能使信息源含有所需要的盡可能多的故障信息，并且實現有效解耦，使這種信息有可能按其產生的原因實現分離和定位［1］，所以傳感器的優化布置對無線傳感器網絡的信號測取至關重要［2］。要進行傳感器的優化布置，首先要確定優化布置準則即優化的目標函數，傳感器的優化布置基于不同的目的有不同的準則，可構造不同的目標函數，通過對目標函數的優化得到最終的優化布置結果;其次，必須選用適當的優化方法。傳感器布置是一個組合優化問題，它的求解仍然是研究的熱點之一。

而多智能傳感器的出現為復雜故障信號的測取提高了精確度。智能傳感器，就是帶微處理器、兼有信息檢測和信息處理功能的傳感器。智能傳感器最大的特點就是將傳感器檢測信息的功能與微處理器的信息處理功能有機地融合在一起。從一定意義上講，它具有類似于人工智能的作用。這里講的“帶微處理器”包含兩種情況:一種是將傳感器與微處理器集成在一個芯片上構成所謂的“單片智能傳感器”;另一種是指傳感器能夠配微處理器。

例如，在機車軸承故障的診斷中就利用了多智能傳感器技術［3］。由于反映軸承狀態的信號因素比較多，如溫度、壓力、振動、噪聲等。所以用單參數進行故障診斷具有固有的不確定性，有時甚至導致錯誤的診斷結果。因此要能夠準確自如地診斷出故障，需要高性能傳感器以及各傳感器之間的協調工作。智能系統中增加和改善傳感器的性能是增加智能的重要手段，由于每一種傳感器都存在不足與缺陷，僅僅依靠單一的傳感器是無法滿足要求的。因此傳感器的融合是智能控制的基礎。機車軸承故障診斷中應用信息融合法，目的是通過利用多個傳感器的信息來減少或者消除單個傳感器的信息不確定性。也就是一個基于多傳感器信息融合的機車軸承故障診斷系統的原型將可能應用各種可用的物理傳感器檢測電機運行狀態。江偉等人采用決策級融合對機車軸承故障進行診斷。決策級融合時，故障診斷可以看成一個決策過程，由各種傳感器信號通過相關的特征提取得到的特征向量表示為決策的支持信息。在用貝葉斯方法實現融合時，故障特征經過轉化表示為此種故障特征所反映的幾種故障的概率值，然后利用貝葉斯公式，得到幾種特征出現條件下各種故障出現的概率，從而得到診斷結果，達到消除單個參數診斷的不確定性。

2 信號處理的研究概述

對測取的信號進行特征因素的提取是信號處理的主要任務。傳統的濾波技術與頻域分析技術不易識別信號精度要求比較高或特征因素難以提取的故障類型。近年來頻域分析(Fast Fourier Transform，FFT)、時頻分析以及經驗模態分解(Empirical Mode Decomposition，EMD)為信號處理提供了新的研究方向［4］。其中時頻分析包括線性分析方法與非線性分析方法。

線性分析方法中運用較多的是短時傅里葉變換(Short-Time Fourier Transform，STFT)和小波分析方法。STFT 用來分析分段平穩信號或者近似平穩信號猶可，但對于非平穩信號，當信號變化劇烈時，要求窗函數有較高的時間分辨率;而波形變化比較平穩時，則要求窗函數有較高的頻率分辨率。短時傅里葉變換不能兼顧時間與頻率分辨率的要求。然后對于非平穩信號的處理，小波分析的出現使之成為可能。首先，所謂小波是由小波母函數ψ(t)通過伸縮和平移的方法產生的函數族，該函數具有波動性，其實質是將短時傅里葉變換中的g(t－τ)·e^(－2π·i·f·t)變為小波函數。這一變化使非平穩信號變為分段平穩信號，從而方便提取特征因子［1］。

例如在液壓泵故障監測中［5］，被監測信號伴隨著大量的噪聲，使早期故障特征信號信噪比很低，傳統的濾波方法很難實現這種非平穩隨機信號的信噪分離。傳統的去噪方法等價于信號通過一個低通或帶通濾波器，但對于短時低能量突變瞬態信號，如階躍信號或脈沖信號，在低信噪比情況下，經過濾波器的平滑，不僅信噪比得不到較大改善，而且信號的位置信息也被模糊掉了。

采用以小波變換為理論基礎的小波去噪方法，在改變信噪比的同時，保持了相當高的時間分辨率。故障特征信號的奇異性代表了故障的存在，故障特征信號的突變點在小波變換下模極大值隨尺度的增加而增大;而噪聲的模極大值只占據細微尺度，隨尺度增加而迅速衰減。利用該原理，首先對泵的監測信號進行二進小波分解，求出各個尺度上的模極大值，并對噪聲的模極大值進行平滑，最后對監測信號進行重構。這樣，故障特征信號就被突現出來，故障點的定位更為準確，并能提取特定的故障頻率，給故障分析帶來了方便。

而對于非線性分析方法，WVD(Wigner-Ville Distribution)能夠正確描述信號的局部能量分布，要求時頻分布具有時頻聚焦性。其他所有時頻分布都可看做是WVD 分布的加窗形式。WVD 分布具有非常好的時頻聚焦性，為描述信號的局部能量提供了很好的支持。李衛國等［6］在基于電力線工頻通信的抽油機電機遠程監測研究中，采用了具有高時頻分辨率WVD 分析方法來確定疊加合成信號中的信號時域;喬晉崴等［7］利用WVD 與多分辨分析對摩托車發動機的故障噪聲進行聯合辨識;陳光華等［8］應用WVD 估計AM-FM 信號的瞬時頻率，并給出了估計方差。

此外，隨著各種方法的的改進，美國NASA 的黃鍔博士提出了經驗模態分解方法(EMD)。該方法依據數據本身的時間尺度特征來進行信號分解，無需預先設定任何基函數。這一點與建立在先驗性的諧波基函數與小波基函數的傅里葉分解與小波分解方法具有本質性的差別。該方法使用于非線性、非平穩信號序列，具有很高的信噪比。該方法的關鍵是經驗模式分解，它能使復雜的信號分解為有限個本征模函數(Intrinsic Mode Junction)，所分解出來的各IMF 分量包含了原信號的不同時間尺寸的局部特征信號。楊宇等人［9］利用EMD 的奇異值分解技術對滾動軸承進行故障診斷，將奇異值作為故障特征向量，并輸入神經網絡來識別滾動軸承的工作狀態和故障類型;于德介等［10］利用SVM(支持向量機)與EMD 對齒輪故障進行診斷。

在電力系統低頻振蕩的監測中［11］，胡思等人就是利用基于EMD 的WVD 分布方法進行監測。該方法是一種新的非線性、非平穩信號的處理方法，通過EMD 分解以及WVD 算法處理分析非線性和非平穩電力信號的局部動態行為和特征，得到低頻振蕩的模態參數:振幅、頻率、阻尼比、相位、開始與結束時刻。該方法準確地反映了系統所包含的多個振蕩模式在時間變化上的變化規律以及模式之間的互相影響，并且有著高分辨率和有效地處理少量樣本的短數據優勢，可提高識別能力和處理效果。通過多次試驗表明該方法能夠較準確地識別振蕩特征。

3 故障識別的研究概述

故障識別是確定設備正常或異常，如異常，則判斷故障類型的功能。在早期的故障診斷中，人工識別是靠人腦經驗來判斷故障的一種方法。隨著AI(人工智能)與各類新型研究設備的發展，故障診斷的研究內容集中在:如何利用新的工具更進一步地分析挖掘信號中的診斷信息。基于專家系統的故障診斷方法是系統在運行過程中發生故障，則領域專家很快就可以根據經驗確定故障的原因和部位，這種方法對于復雜系統的故障診斷非常有效。隨著專家系統診斷方法的智能化不斷提高，它克服了基于模型的故障診斷方法對模型的過分依賴性，成為故障診斷的有效方法，并在很多系統中得到了廣泛應用。

人類大腦的思維分為邏輯思維、直觀思維和靈感思維3 種方式，人的邏輯性思維是根據邏輯規則進行推理的過程，而基于神經網絡的故障識別方法是模擬人思維的第二種。由于人工神經網絡具有處理非線性和自學習以及并行計算能力，使其在非線性故障診斷方面有很大的優勢。人工神經網絡在故障診斷中的應用研究包括以下幾個方面:(1)從預測角度應用神經網絡作為動態預測模型進行故障預測;(2)從模式識別角度應用神經網絡作為分類器進行故障診斷;(3)從知識處理角度建立基于神經網絡的專家系統。在進行故障診斷時分二步:第一步選擇適合的網絡結構和規模，借助一定的學習方法，用一個合適的變量作為神經網絡的輸入，以對應的狀態編碼為期望輸出，構成輸入、期望輸出樣本對，對神經網絡進行訓練，確定神經網絡的權值和閾值;當學習收斂后，固定神經網絡的權值和閾值，然后使訓練好的神經網絡處于回想狀態，對于一個給定的輸入，便產生一個相應的輸出，由輸出與故障編碼進行比較，即可方便地確定故障［7］。高志等人［12］運用神經網絡對液壓系統典型故障進行監測;劉正華等［13］基于聲發射和神經網絡對數控機床刀具進行故障診斷。

此外，支持向量機(SVM)的提出為解決小樣本、非線性及高維模式識別的故障信號提供了有效方法。支持向量機方法是建立在統計學習理論的VC 維理論和結構風險最小原理基礎上的，根據有限的樣本信息在模型的復雜性和學習能力之間尋求最佳折中點，以求獲得最好的推廣能力。鄭建軍等［14］利用最小二乘支持向量機對電梯進行故障診斷;田景文等［15］基于支持向量機對火車滾軸一般故障進行監測;張龍等人［16］基于支持向量機與時變參數自回歸模型對旋轉機械實現故障診斷。

雖然SVM 是一種非常年輕的機器學習算法，但隨著時間的推移，越來越多的應用研究被見諸報道。例如，在國外，JACK 將SVM 用于滾動軸承的狀態檢測，并采用遺傳算法優化SVM 的參數，取得比較好的推廣性能［17］;SAMANTA 分別用軸承和齒輪故障診斷比較神經網絡和SVM 的性能，也采用遺傳算法優化了SVM 的參數［18］。在國內，王國鵬等［19］模糊理論和支持向量機用于汽輪機故障診斷［19］;李凌均等［20］證明SVM 在具有少樣本的故障診斷場合具有很強的適應性，他們還提出了一種利于支持向量機對機械系統故障進行分類的新方法，適合于機械故障診斷中的多故障分類等。

不同的識別方法有各自的優勢，AI 追求多個方法的集成。多分類器集成的方法就是多種推理方法的集成，基于混合推理策略的診斷，它利用AI 中研究的成果，將多種知識表達式和推理方法混合，達到靈活表達領域知識、逼真模擬專家診斷思維過程的目的。目前結合的方式很多:KDD 與粗糙集理論的結合［21］;基于規則的推理(RBR)與ANN 的結合［22］;CBR(基于案列的推理)與RBR 和ANN 的結合［23］等。

其中最具有發展前景的是ANN 與專家系統的結合，神經網絡基于大規模的數值計算，具有學習能力，但不具有解釋能力;專家系統是基于符號的推理系統，它存在知識獲取困難的缺點，但具備解釋能力。神經網絡實現的是右半腦直覺形象思維的特性，而專家系統理論與方法實現左半腦邏輯思維的特性，二者具有很強的互補性。

如以波音PW4000 型發動機為例，在建立了該發動機基于神經網絡的故障專家系統的總體構架、推理機制及實現方法后，采集了充分的發動機故障數據，結合典型的故障經驗數據，進行了故障診斷的仿真試驗，通過與實際故障數據對比，說明了該故障診斷專家系統的實用性［24］。

4 結束語

總之，設備故障診斷技術與當代前沿科學的融合是設備故障診斷技術的發展方向，當今故障診斷技術的發展趨勢是傳感器的精密化、多維化，診斷理論、診斷模型的多元化，診斷技術的智能化，實際上實現5 個融合:與當代最新傳感技術的融合、與最新信號處理方法的融合、與非線性原理和方法的融合、與多元傳感技術的融合和與現代智能方法的融合。要把這5 個融合與實際相聯系，在設備現場發現問題和解決問題，實現理論與實際的結合。

【1】熊詩波.大型復雜機械系統的狀態監測和故障診斷［J］.振動.測試與診斷，2000(4):3－5，66.

【2】陳長征，白秉山，嚴安.設備故障智能診斷技術研究進展［J］.沈陽工業大學學報，2000(4):349－352.

【3】江偉，危韌勇，余璘.多智能傳感器技術在機車軸承故障診斷中的應用分析［J］.工業控制計算機，2006(10):37－38.

【4】吳昭同，楊世錫.旋轉機械故障特征提取與模式分類新方法［M］.北京:科學出版社，2012.

【5】姜萬錄，張淑清，王益群.液壓泵故障的小波變換診斷方法［J］.機械工程學報，2001，37(6):34－37.

【6】李衛國，盧文冰，羅應立.基于電力線工頻通信的抽油機電機遠程監測研究［J］.電網技術，2012(9):174－181.

【7】喬晉崴，尚建忠，羅自榮.基于WVD 與多分辨分析的發動機故障診斷［J］.機械制造，2008(3):68－70.

【8】陳光華，曹家麟，王健.應用WVD 估計AM－FM 信號的瞬時頻率［J］.電子與信息學報，2003(2):206－211.

【9】楊宇，于德介，程軍圣.基于EMD 的奇異值分解技術在滾動軸承故障診斷中的應用［J］.振動與沖擊，2005(2):12－15，145.

【10】于德介，楊宇，程軍圣.一種基于SVM 和EMD 的齒輪故障診斷方法［J］.機械工程學報，2005(10):140－144.

【11】胡思，黃琦，井實.基于EMD 的WVD 分布在電力系統低頻振蕩監測中的應用［J］.電力與電子技術，2012(5):65－70.

【12】高志，張悅，王偉.神經網絡在液壓系統典型故障診斷中的應用［J］.機床與液壓，2012，40(9):158－160，163.

【13】劉正華，王計生，喻俊馨.基于聲發射和神經網絡的數控機床刀具故障診斷［J］.機床與液壓，2012，40(1):165－168.

【14】鄭建軍，陳志軍，杜克峰.最小二乘支持向量機在電梯故障診斷中的應用［J］.機床與液壓，2012，40(12):43－50.

【15】田景文，吳浩，高美娟.基于支持向量機的火車滾軸故障診斷［J］.機床與液壓，2007，35(7):248－250.

【16】張龍，熊國良，柳和生，等.基于時變自回歸模型與支持向量機的旋轉機械故障診斷方法［J］.中國電機工程學報，2007，27(9):99－103.

【17】JACK L B，NADIR A K.Fault Detection Using Support Vector Machines and Artificial Networks，Augmented by Genetic Algorithms［J］.Mechanical Systems and Signal Processing，2002，16(2/3):373－390.

【18】SAMANTA B.Gear Fault Detection Using Artificial Neural Works and Support Vector Machines with Genetic Algorithms［J］.Mechanical Systems and Signal Processing，2002，18(3):625－644.

【19】王國鵬，翟永杰，王東風.基于多類支持向量機的汽輪故障診斷中的應用［J］.華北電力大學學報，2003，30(4):47－50.

【20】李凌均，張周鎖，何正嘉.基于支持向量數據描述的機械故障診斷研究［J］.西安交通大學學報，2003，37(9):910－913.

【21】趙榮珍，黃義仿，張力.旋轉機械智能故障診斷技術的發展趨勢［J］.蘭州理工大學學報，2008(5):36－40

【22】高立新，張建宇，胥永剛，等.基于CBR 和RBR 混合推理的齒輪箱智能診斷技術［J］.北京工業大學學報，2010(9):1174－1180.

【23】黃子俊，周政，湯景棉.基于ANN 與CBR 相結合的復雜裝備故障診斷研究［J］.計算機應用與軟件，2010(12):196－198.

【24】曹文遠.基于神經網絡的飛機故障診斷專家系統研究［D］.西安:西北工業大學，2007.