淺談煤礦機電設備故障檢測中小波分析的應用

摘 要：煤礦機電設備故障檢測是針對煤礦機電設備平衡問題、對中問題、磨損（剝落）問題、斷裂（裂紋）問題等機電設備故障，總體思路是采集動態(tài)信號，運用智能預示例如信號處理與采集、提取特征、評估狀態(tài)等方法，準確獲取反映設備故障信息的信號源，根據(jù)機電設備低速重載的特點，獲得振動傳感器靈敏度、頻率范圍等指標，提出故障解決方案的系統(tǒng)技術。與此，以小波變換中兩類“奇異點”的特征入手，分析了小波變換的檢測原理與方法，并提出了故障診斷專家系統(tǒng)、模糊診斷法和“人工神經網絡”診斷法等故障檢測方法，最后提出了“信息融合”智能診斷法的工作原理和特點。

關鍵詞：煤礦機電設備；故障檢測；小波分析（變換）

1 小波變換在煤礦機電設備故障檢測中的應用

1.1 小波變換中“奇異點”的特征概述

一般而言，故障信號存在兩種“奇異”狀況：其一是故障信號在某一時刻內，幅值在某一點不連續(xù)，即發(fā)生突變現(xiàn)象，此類突變稱之為第一類間斷點；其二是故障信號外觀光滑，且其幅值未發(fā)生突變，但是故障信號的一階微分不連續(xù)，即發(fā)生突變，此類突變稱之為第二類間斷點。利用小波分析第一類間斷點時，因信號中突然增加中高頻正弦信號導致信號幅值突變，所以可以檢測其增加時間，即利用小波分析檢測第一類間斷點時，對檢測信號進行多尺度細化分析，在信號出現(xiàn)突變現(xiàn)象時，檢測小波變換后系數(shù)的模量極大值點以確定故障發(fā)生的時間點。換言之，第一類信號間斷點不論尺度變換幅度，該信號小波變換系數(shù)模量的極大值始終保持不變，在高分辨率下檢測出小波變換的極大值即可測得故障發(fā)生的時間點。利用小波分析檢測第二類間斷點時，可以將檢測信號分解為高頻范圍和中低頻范圍，通過高頻范圍可明顯獲取信號的不連續(xù)點。換言之，第二類信號間斷點因某處突然增加不同頻率的信號，所以該處的小波變換數(shù)值會隨著分辨率的增大而上升，可以通過檢測大尺度下小波變換的極大值來檢測信號頻率的突變點。

1.2 小波變換的檢測原理與方法

煤礦機電設備故障檢測、診斷、分析過程中，故障通常變現(xiàn)為輸出信號突變，因此對于故障奇異點的檢測是故障檢測中的關鍵工作。長期以來，傅里葉變換是主要的故障檢測工具，其主要檢測方式是對故障信號進行傅里葉變換，根據(jù)其在頻域內的衰減現(xiàn)象判斷信號是否存在奇異點，并求出奇異點的奇異性，但是其存在的嚴重缺陷是無法根據(jù)頻域內的奇異信息確定信號在時域內故障點的分布狀況。因此，小波變換因用而生，它繼承傳統(tǒng)傅立葉變換描述信號頻率特性的優(yōu)點，能運用于分析突變信號和非平穩(wěn)信號，根據(jù)小波分析中平移和伸縮的核心理論，解決具有時域-頻域局部化特性（時域-頻域奇異性）的問題。小波變換可通過多分辨率分析，通過小波變換濾波的方法，檢測出煤礦機電設備故障信號，例如，我們將“干凈”信號看做故障信號，則濾波過程就是提取故障信號的過程，具體的處理方式有分頻帶特征提取、時域-頻域分析、監(jiān)測奇異點等。因此，在實際使用中，以信號“奇異點”為重要特征檢測機電設備故障，既能獲取故障的特征信息，又能減少運算量和和快速獲得結果，被譽為“信號分析顯微鏡”。

2 智能診斷技術在煤礦機電設備故障檢測中的應用

傳統(tǒng)診斷技術以經典控制理論和現(xiàn)代控制理論為基礎，以建立診斷對象數(shù)學模型為前提，以常規(guī)理論框架下的數(shù)學公式、算法、思維等簡單刻劃診斷對象的動態(tài)行為，但是隨著科學技術、工業(yè)生產、現(xiàn)代軍事等諸多方面的迅速發(fā)展進步，其領域內涉及到越來越多的監(jiān)測過程和檢測對象，使傳統(tǒng)診斷技術的研究對象、變量、變量間關系越趨復雜，提高了對傳統(tǒng)診斷技術判別、推理的準確性要求，已無法滿足處理結構復雜和深層次故障診斷的現(xiàn)實需求。

2.1 故障診斷專家系統(tǒng)

在人工智能技術日趨成熟的時代，從20世紀70年代末到80年代中后期，故障智能診斷技術經歷了以模糊集合論、人類思維信息加工認識、智能診斷規(guī)則運算推理、計算機技術智能診斷等過程，并迅速發(fā)展成故障診斷領域的核心技術之一，已廣泛應用于生產實踐。故障診斷專家系統(tǒng)是故障診斷技術的發(fā)展方向之一，其主要運用于無法建立或者很難建立精確數(shù)學模型的復雜系統(tǒng)，主要組成結構包括知識庫、綜合數(shù)據(jù)庫、推理機、解釋機、人機交互子系統(tǒng)、故障征兆采集和識別子系統(tǒng)、知識獲取子系統(tǒng)等，其優(yōu)點之一是與人類思維同步，可用基本規(guī)則表示或者解釋，易于理解；之二是個別事實的變化狀況易于修改，并無需輸入過多的細節(jié)知識；之三是可以解釋自我推理、判斷和診斷過程。但其仍存在例如準確度不穩(wěn)定、知識庫建立復雜困難、經驗難于形式化描述、“沖突消解”和“組合爆炸”問題、推理效率低、缺少自我學習系統(tǒng)和自我適應機制等局限性，所以，還需通過智能化技術不斷的完善改革以趨于完美化。

2.2 模糊診斷法和“人工神經網絡”診斷法

模糊診斷法指通過利用“集合論”中隸屬度函數(shù)和模糊關系矩陣的概念，解決故障與征兆間的不確定關系的方法，其中構造隸屬度函數(shù)是實現(xiàn)模糊故障診斷的前提，主要運用于解決機械振動故障診斷中遇到的模糊性問題，其優(yōu)點是模糊變量可讀性強，模糊推理邏輯嚴謹，但是存在難以確定模糊關系、轉換隸屬度困難、獲取模糊診斷知識困難等局限，因此在實際應用中，模糊診斷法不能對煤礦機電設備的某些故障機理研究透徹，且研究過程缺乏系統(tǒng)性、綜合性和確定性，在故障診斷率和確診率等方面還存在研究問題。

“人工神經網絡”診斷法指通過模仿動物神經網絡行為特征，調整內部大量節(jié)點間的復雜、無規(guī)律的相互連接關系，從而進行分布式、并行式信息獲取、分析、處理的算法數(shù)學模型。其具有自我學習、自我適應、自我組織、聯(lián)想記憶的功能，核心技術為故障模式識別，可解決傳統(tǒng)模式識別問題。

3 結束語

因上述故障診斷專家系統(tǒng)、模糊診斷法和“人工神經網絡”診斷法等方法均存在一定的局限性，于是綜合各種智能診斷思想，即通過綜合集成、優(yōu)點融合將諸多知識表達方法和推理方法實現(xiàn)多角度、多層次、多領域的診斷集成，組成一種全新的智能診斷技術——“信息融合”智能診斷法。它通過多傳感器進行多維度、多方位物理量的探測，運用計算機監(jiān)測系統(tǒng)進行多傳感器信息源分析，在一定原則下進行自動分析、估計狀態(tài)、關聯(lián)與優(yōu)化、判決狀態(tài)等多級處理，可有效提高故障確診率和確信度。

參考文獻

[1]胡昌華，張軍波，等.基于MATLAB的系統(tǒng)分析與設計—小波分析[M].西安：西安電子科技大學出版社，2008.

[2]周小勇.小波分析在故障診斷中的應用[D].上海：上海海運學院，2008.