淺析面向設(shè)備管理的機電設(shè)備狀態(tài)監(jiān)測與故障診斷技術(shù)

謝平 郝婷

摘 要：故障的發(fā)生和發(fā)展、設(shè)備工況的變化以，使機械設(shè)備的動態(tài)信號表現(xiàn)出非平穩(wěn)性和強噪聲特性，給故障診斷帶來困難。本論文以機電設(shè)備為對象，對復(fù)雜振動信號中的時頻特征提取、凈化及回轉(zhuǎn)機械的智能診斷方法進行了研究。

關(guān)鍵詞：機電設(shè)備；振動信號；故障診斷

機械設(shè)備智能診斷與動態(tài)測控技術(shù)就是為適應(yīng)工程需要而形成和發(fā)展起來的。動態(tài)測控就是采用各種測量和監(jiān)視方法，記錄和顯示設(shè)備運行狀態(tài)，對異常狀態(tài)做出報警，為設(shè)備的故障分析提供數(shù)據(jù)和信息，并反饋執(zhí)行元件對設(shè)備進行調(diào)整和控制，使得設(shè)備盡可能處于允許的運行狀態(tài)之下，保障設(shè)備的輸出性能和效率。智能診斷則是根據(jù)動態(tài)測控所獲得的信息，結(jié)合設(shè)備的結(jié)構(gòu)特性和運行信息及歷次維修記錄，對已經(jīng)發(fā)生或者可能發(fā)生的故障進行診斷、分析和預(yù)報，以確定故障的類別、部位、程度和原因，提出維修對策，使設(shè)備恢復(fù)到正常狀態(tài)。

1.近似推理算法

目前已經(jīng)提出了多種近似推理算法，這些算法都采取一定的方式在運行時間和推理精度上尋求一個折中，力求在較短的時間內(nèi)得到一個滿足精度要求的結(jié)果，這些算法隨著計算時間的增長，其計算精度越高。目前近似推理算法主要分為兩大類：

1.1機模擬方法

隨機模擬方法又稱為 Monte Carlo 法。該方法首先對貝葉斯網(wǎng)絡(luò)表示的聯(lián)合概率分布進行隨機抽樣，以產(chǎn)生足夠的樣本，然后根據(jù)這些樣本，通過頻率計算來獲得變量的概率值，而不是直接利用聯(lián)合概率分布進行計算。基于仿真的方法需要設(shè)計一套能夠以最快的速度產(chǎn)生滿足統(tǒng)計計算的樣本的采樣算法，當前提出采樣方法主要有：Forward Sampling、Backward Sampling、ImportanceSampling 和 Markov chain Sampling。

1.2基于搜索的方法

基于搜索的方法假定概率問題是一類組合問題，所以可以將所需要計算的各個變量的不同組合看作一個狀態(tài)空間，在這個狀態(tài)空間中有些狀態(tài)對最后的計算結(jié)果會產(chǎn)生較大影響，而另外一些狀態(tài)則影響甚微。由此，可以通過啟發(fā)搜索的方法，在整個狀態(tài)空間中進行搜索，尋找那些對計算結(jié)果影響較大的狀態(tài)。然后用這些狀態(tài)代替整個狀態(tài)空間參與運算，以達到提高計算效率的目的，并且在計算結(jié)束時能夠給出一個較精確的解答。

2.基于貝葉斯網(wǎng)絡(luò)的機械故障診斷模型與診斷推理

根據(jù)對機械故障診斷的認識，機械故障可以通過若干屬性來描述，這些屬性變量集的各種取值組合就構(gòu)成了該故障的狀態(tài)空間。這些屬性變量之間存在著一定的系（獨立或者依賴），根據(jù)以往的研究我們可以把這些屬性劃分為故障征兆和故障原因，所以通過對它們的研究可以得到故障的知識表示模型。在不確定的環(huán)境下，故障原因和故障征兆往往含有幾個狀態(tài)。比如，一個故障征兆可能有三種狀態(tài)：極高，偏高，正常。我們可以用一個多值變量來表示這種多值命題。而貝葉斯網(wǎng)絡(luò)作為一種模擬人類推理過程中因果關(guān)系的有向圖，其節(jié)點就是一個多值變量，此外貝葉斯網(wǎng)絡(luò)還具有一個表示條件獨立性的自然方式——由有限個節(jié)點構(gòu)成有向無環(huán)圖網(wǎng)絡(luò)結(jié)構(gòu)，因而我們可以利用貝葉斯網(wǎng)絡(luò)的基本元素描述機械故障診斷知識。

2.1網(wǎng)絡(luò)節(jié)點與網(wǎng)絡(luò)結(jié)構(gòu)

用網(wǎng)絡(luò)結(jié)構(gòu)中的節(jié)點可以表示故障診斷領(lǐng)域中的故障征兆和故障原因，在節(jié)點間的有向連接弧表示征兆與原因之間可能的因果關(guān)系。故障征兆和故障原因的狀態(tài)多為二元狀態(tài)，即其取值只為 1 或者0，分別表示相應(yīng)的故障和征兆是否出現(xiàn)。故障原因和故障征兆各自構(gòu)成兩個樣本集，且兩個樣本集中的元素是相互獨立的，即故障之間或故障征兆之間是無必然的因果關(guān)系。但是這并不意味著它們相互排斥，即一臺機組可以同時發(fā)生幾種不同的故障，同樣多個故障征兆的出現(xiàn)也是正常的。根據(jù)故障征兆與與故障原因之間的因果關(guān)系，我們可以用有向弧線將相關(guān)的節(jié)點聯(lián)系起來，構(gòu)成貝葉斯網(wǎng)絡(luò)的有向無環(huán)圖結(jié)構(gòu)。圖形化的結(jié)構(gòu)可以更加清晰的表達出領(lǐng)域?qū)＜覍υO(shè)備故障狀態(tài)的認知，符合人類的思維形式。

2.2條件概率表

貝葉斯每一節(jié)點都附有與該變量相聯(lián)系的條件概率分布函數(shù)，如果變量是離散的，則它表現(xiàn)為給定其父節(jié)點狀態(tài)時該節(jié)點取不同值的條件概率表 CPT。CPT 表明了故障原因與故障征兆之間的概率依賴關(guān)系，是對故障診斷知識進行定量描述。由此可見，貝葉斯網(wǎng)絡(luò)可以對故障診斷領(lǐng)域數(shù)據(jù)變量間潛在關(guān)系進行定性定量的描述，它圖形結(jié)構(gòu)指定了一組條件關(guān)系獨立關(guān)系聲明和用于刻畫概率依賴強度的條件概率的數(shù)值。由于貝葉斯網(wǎng)絡(luò)表示了因果過程的總體結(jié)構(gòu)，故它可被看做是擁有許多不同組合的一個抽象知識庫。它的語義可以從兩個方面來理解，其一是將網(wǎng)絡(luò)看作一種聯(lián)合概率分布的表示，即貝葉斯網(wǎng)絡(luò)完整緊湊地表示了網(wǎng)絡(luò)中各變量的聯(lián)合分布概率。其二是將網(wǎng)絡(luò)看作條件獨立關(guān)系聲明集合的一種表示。這兩種觀點實質(zhì)上是等價的，而且在貝葉斯網(wǎng)絡(luò)的表達、學(xué)習(xí)、推理算法中得到了統(tǒng)一。

3.結(jié)束語

隨著科學(xué)技術(shù)和生產(chǎn)力的進步，機械設(shè)備正朝著大型化、高速化、連續(xù)化、集中化、自動化、精密化方向發(fā)展，機械設(shè)備的組成、結(jié)構(gòu)及其工作環(huán)境越來越復(fù)雜，一旦設(shè)備的某一部分或者工業(yè)流程的某一環(huán)節(jié)發(fā)生故障，就很可能會影響正常的生產(chǎn)和產(chǎn)品質(zhì)量，造成巨大的經(jīng)濟損失，甚至?xí)?dǎo)致災(zāi)難性的人員傷亡、環(huán)境污染和惡劣的社會影響。可見，智能診斷與動態(tài)測控技術(shù)可以提高設(shè)備的可靠性與維修性及設(shè)備的管理水平，保證產(chǎn)品質(zhì)量，避免重大事故的發(fā)生，降低事故危害性，從而獲得潛在的巨大經(jīng)濟效益和社會效益。

參考文獻：

[1]何正嘉，訾艷陽，孟慶豐等.機械設(shè)備非平穩(wěn)信號的故障診斷原理及應(yīng)用[M].北京：高等教育出版社，2011.

[2]錢蘇翔，焦衛(wèi)東，楊世錫.基于獨立分量分析的傳感觀測信息融合壓縮方法及其在故障診斷中的應(yīng)用[J].中國電機工程學(xué)報，2013，26（5）： 137～142.

[3]任全民，馬孝江，苗剛.局域波法和高階統(tǒng)計量在壓縮機氣閥狀態(tài)監(jiān)測中應(yīng)用[J].大連理工大學(xué)學(xué)報，2013，47（1）： 45～49.