淺析面向設(shè)備管理的機(jī)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(jī)械設(shè)備的動態(tài)信號表現(xiàn)出非平穩(wěn)性和強(qiáng)噪聲特性，給故障診斷帶來困難。本論文以機(jī)電設(shè)備為對象，對復(fù)雜振動信號中的時(shí)頻特征提取、凈化及回轉(zhuǎn)機(jī)械的智能診斷方法進(jìn)行了研究。

關(guān)鍵詞：機(jī)電設(shè)備；振動信號；故障診斷

機(jī)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(yùn)行狀態(tài)，對異常狀態(tài)做出報(bào)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(jìn)行調(diào)整和控制，使得設(shè)備盡可能處于允許的運(yùn)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(yùn)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(jìn)行診斷、分析和預(yù)報(bào)，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(yùn)行時(shí)間和推理精度上尋求一個折中，力求在較短的時(shí)間內(nèi)得到一個滿足精度要求的結(jié)果，這些算法隨著計(jì)算時(shí)間的增長，其計(jì)算精度越高。目前近似推理算法主要分為兩大類：

1.1機(jī)模擬方法

隨機(jī)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(jìn)行隨機(jī)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(jì)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(jìn)行計(jì)算。基于仿真的方法需要設(shè)計(jì)一套能夠以最快的速度產(chǎn)生滿足統(tǒng)計(jì)計(jì)算的樣本的采樣算法，當(dāng)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(jì)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(jì)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(jìn)行搜索，尋找那些對計(jì)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(yùn)算，以達(dá)到提高計(jì)算效率的目的，并且在計(jì)算結(jié)束時(shí)能夠給出一個較精確的解答。

2.基于貝葉斯網(wǎng)絡(luò)的機(jī)械故障診斷模型與診斷推理

根據(jù)對機(jī)械故障診斷的認(rèn)識，機(jī)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(dú)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(diǎn)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(dú)立性的自然方式——由有限個節(jié)點(diǎn)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(jī)械故障診斷知識。

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

用網(wǎng)絡(luò)結(jié)構(gòu)中的節(jié)點(diǎn)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(diǎn)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(dú)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(jī)組可以同時(shí)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(diǎn)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(dá)出領(lǐng)域?qū)＜覍υO(shè)備故障狀態(tài)的認(rèn)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(diǎn)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(diǎn)狀態(tài)時(shí)該節(jié)點(diǎn)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(jìn)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(jìn)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(dú)立關(guān)系聲明和用于刻畫概率依賴強(qiáng)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(dú)立關(guān)系聲明集合的一種表示。這兩種觀點(diǎn)實(shí)質(zhì)上是等價(jià)的，而且在貝葉斯網(wǎng)絡(luò)的表達(dá)、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(jìn)步，機(jī)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(jī)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(jì)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(jì)效益和社會效益。

參考文獻(xiàn)：

[1]何正嘉，訾艷陽，孟慶豐等.機(jī)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(dú)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(jī)工程學(xué)報(bào)，2013，26（5）： 137～142.

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