旋轉機械故障診斷方法研究分析

楊曉敏

摘 要：旋轉機械故障診斷技術己在國內外得到了非常高的重視，雖然各種診斷方法都得到廣泛的發展并且成果豐碩，文章對其進行總結性分析。

關鍵詞：旋轉機械；故障診斷；方法

DOI：10.16640/j.cnki.37-1222/t.2017.10.026

隨著診斷技術研究的深入，可以實現故障診斷的方法越來越多，既有對前人研究成果的完善，也有一些原創性的研究成果相繼被提出，根據各類方法在實現方式上的不同，可以大致將其分為三類，第一種是通過建立合適的模型進行故障診斷，這種方法在實際的生產應用中，往往由于設備結構復雜，無法構建精準的模型，即便可以獲得合適的參數模型，其耗資也會相當大，所以實際應用可行性不大。第二種方法是結合人工智能技術的專家系統，在實際應用中這種方法得到了一定的肯定，但仍然存在知識獲取不全面、針對性太強、智能水平低等問題，使得故障診斷結果可靠性不強。而模式識別是故障診斷中應用最為廣泛的方法，且目前很多學者都認為基于模式識別的故障診斷有很大的進步空間。

1 旋轉機械故障特點

旋轉機械故障的故障特點與其他類型的機械故障存在一定的區別，且是機械設備中最為常用的一類，所以有必要對其進行單獨的深入研究。旋轉機械故障是指有轉子系統的機械設備在運行過程中出現異常的工作狀態，比如不正常的噪聲、異常大的振動、溫度急劇升高，或者其他指標不正常。旋轉機械的結構復雜，故障發生具有一定的階段性，并且部分故障的發生有一個漸進的過程，在進行故障診斷時，必須綜合考慮多項因素，使得進行準確故障診斷的難度較大。

2 旋轉機械故障檢測方法

2.1 模式識別

經過多年的發展，模式識別己是故障檢測的重要理論基礎之一。近十幾年來，模式識別技術在機械設備故障診斷領域的應用己經非常普遍，每年都有相關的改進方法被發布。在機器人模仿人類思考能力的研究領域上，模式識別方法一直占據著十分重要地位，在機械故障診斷方法中模式識別也始終是一個先進且富有挑戰的探索方向。

隨著計算機技術的迅速發展，各國在旋轉機械故障診斷方面都取得了很大的進步，擺脫了傳統依靠技術工人經驗判斷的主觀臆斷和不準確性，特別是這幾年，計算機技術的發展使得各種更加完善的算法運行更為迅速，進而推進了旋轉機械故障診斷的發展。

美國是最先研究機械故障診斷技術的國家之一，其診斷技術在很多方面都屬于世界先進水平，目前美國從事故障診斷研究的機構主要有電子能源研究機構、西屋電氣、Bently和CSI等公司。其中西屋電氣是最早應用計算機網絡的，該公司自己開發的汽輪機故障診斷軟件可以對遠程對多臺機組進行診斷。而Bently公司在轉子的動力系統和故障的診斷機理方面比較領先。

我國在機械故障診斷方面的研究起步相對較晚，技術也較為落后。剛開始主要以學習研究國外相關理論為主。直到80年代初期才逐漸有了自己研發的技術，在這個階段，大型設備的出現和各項相關技術的發展也刺激了國人對旋轉機械故障診斷技術的重視，也推動了該技術的自主研發。隨著國家和企業對這項技術領域的投入逐漸增大，許多學者開始涉足這個領域，并對其進行大量的探索和實驗，加上與國際交流合作，我國也開發出了一些在線監測與故障診斷的軟件，這也很大程度上減小了與國際上相關先進技術的差距，但事實上，我國研究水平總體還是比較落后，故障診斷技術的可靠性還需要不斷提升。

2.2 人工神經網絡理論

1940年左右，有關應用人工神經網絡的理論開始出現，經過多年的發展，它己經被引入到許多領域，比如，智能機器的控制、神經網絡計算機的研發、算法的優化、應用計算機進行圖像處理、模式識別、連續續語音的識別、數據的壓縮、信息處理等領域，在實踐應用中取得了很好的效果，作為一項新的模式識別技術和信息處理辦法，人工神經網絡的應用前景十分可觀。

目前，使用人工神經網絡進行故障診斷的方法有很多，最常用方法是：多層感知器神經網絡、BP神經網絡、自組織Kohonen神經網絡、和徑向基函數RBF（Radial Bases Function）神經網絡，也有學者將人工神經網絡與各種其他方法相結合的實例。在使用人工神經網絡進行故障處理時，首先檢查采集到的故障信息數據，剔除多余或者不合理的異常數據，再對有效數據進行歸一化處理，預處理工作完成后即可將數據輸入到神經網絡中進行訓練學習和故障識別過程。

2002年，王守覺院士分析傳統模式識別方法的缺點，認為傳統的BP神經網絡和RBF神經網絡都是假設特征空間中包括了所有的模式類別，要實現模式識別只需要找到最佳的特征空間劃分方法，但事實上，任何一個特征空間中不可能包含所有的模式類別，特征空間中必然存在模式空白區域，就像人類對某些事物表現為不認識一樣。認識到這一點后，王守覺院士提出了“仿生模式識別”這一概念，與傳統的基于特征空間最佳劃分的方法相比，仿生模式識別最為突出的特點就是，能構造封閉的、復雜的幾何形體對各類樣本進行覆蓋，從而達到模式識別的目的。

2.3 仿生模式識別

自從仿生模式識別這一概念被提出以來，許多學者對其進行了深入研究，并將其應用到了人臉識別、車牌識別、語音識別、字體識別等領域。并取得了優良的識別效果，例如：陸飛在其碩士論文中重點對仿生模式識別中的幾何模型進行了深入分析，并用超香腸神經網絡作為仿生模式識別的實現方法應用到了人臉識別中，取得了良好的實驗結果；劉煥云等人將仿生模式識別應用到目標識別和跟蹤方面，編寫了自適應目標算法，與傳統方法相比，跟蹤識別效果有顯著的提升；王守覺院士自己也對仿生模式識別算法進行了一系列的優化，先后提出了超香腸神經網絡和多權值神經網絡識別實現方法，并在文獻中將基于仿生模式識別的多權值神經網絡應用到連續語音識別中，與目前認可度最高的基于隱馬爾可夫模型（HMM）的識別方法進行比較，表現出了顯著的優勢。

目前有許多的編程軟件都加入了神經網絡的功能，其中MATLAB軟件最為方便實用，并且易于操作。它除了擁有對各種圖形和數據進行處理的強大功能，其開發公司一一美國的MathWorks公司一一還專門在軟件中開發加入了神經網絡工具箱，全面包含了人工神經網絡中常用的激勵函數，例如線性函數（purline函數），感知器函數（（sigmoid函數）以及徑向基函數（radbas函數），除了這些常用傳遞函數，還可以自定義相關的函數。各層網絡之間的映射也有嚴格的設定，映射函數可自行設定。鑒于以上優點，本文采用MATLAB軟件編寫仿生模式識別的實現程序，以及機械故障信號的特征提取和網絡測試。

參考文獻：

[1]屈梁生.機械故障診斷理論與方法[M].西安：西安交通大學出版社，2009.

[2]彭秀琴.旋轉機械故障診斷技術研究[D].西安：電子科技大學，2011.