基于模糊神經(jīng)網(wǎng)絡的旋轉機械故障診斷方法研究

張忠明

摘 要：隨著經(jīng)濟的快速發(fā)展，機械化、智能化已經(jīng)逐漸取代手工操作，同時機械的維護與保養(yǎng)工作也越來越受到人們的重視，旋轉機械故障診斷技術是其中重要的意義，旋轉機械故障診斷包括故障類型的診斷和故障嚴重程度的診斷兩部分，但是現(xiàn)在提出的方法，大多是從其中一方面進行研究，把兩者進行綜合分析，本文在評述、比較方法的基礎上，提出綜合利用小波包理論、神經(jīng)網(wǎng)絡理論及模糊識別理論進行旋轉故障診斷的方法，用計算機實現(xiàn)全部算法，可以爭取識別故障的類型，不斷的對故障的嚴重程度及發(fā)展趨勢進行可靠的診斷。

關鍵詞：模糊神經(jīng)網(wǎng)絡；旋轉機械故障；診斷；研究

一、基于組合式模糊神經(jīng)網(wǎng)絡的旋轉機械故障診斷模型

1.模型總體結構

這種模型由兩層多個模糊神經(jīng)網(wǎng)絡構成，以轉子振動不同頻段上的振幅分布為旋轉機械故障特征信息，采用的模糊神經(jīng)網(wǎng)絡是把模糊邏輯融合到前向神經(jīng)網(wǎng)絡的輸入層合輸出層中，這個時候的模糊神經(jīng)網(wǎng)絡的輸入變量和輸出變量都表示為模糊隸屬度，網(wǎng)絡輸出結果是各輸出模式的隸屬度，模型第一層為一個決策模糊神經(jīng)網(wǎng)絡，其輸入為故障特征隸屬度矢量X，輸出為故障模式類型隸屬度矢量Y，模型的第二層由六個診斷模糊神經(jīng)網(wǎng)絡組成，診斷模糊神經(jīng)網(wǎng)絡是根據(jù)旋轉機械常見故障振動頻譜分布情況，采用故障分解方法進行劃分的，分別為低頻故障診斷模糊神經(jīng)網(wǎng)絡模塊A，工頻故障診斷模糊神經(jīng)網(wǎng)絡模塊R，高頻故障診斷模糊神經(jīng)網(wǎng)絡模塊S，低頻和高頻故障診斷模糊神經(jīng)網(wǎng)絡模塊AS，工頻和高頻故障診斷模塊RS，低頻、工頻和高頻故障診斷模糊神經(jīng)網(wǎng)絡模塊ARS。

模型在進行故障診斷時可分為真原則，確定第二層故障診斷模糊神經(jīng)網(wǎng)絡被激活為真，對于第二層的診斷模糊神經(jīng)網(wǎng)絡計算推理，根據(jù)網(wǎng)絡計算得到的故障模式隸屬度矢量值和大隸屬度優(yōu)先為真原則，并且通過聯(lián)想推理，得出準確的結果。

2.模糊神經(jīng)網(wǎng)絡構造

基于組合式模糊神經(jīng)網(wǎng)絡的旋轉機械故障診斷模型中，第一層的決策模糊神經(jīng)網(wǎng)絡和第二層的六個診斷模糊神經(jīng)網(wǎng)絡都是采用輸入、輸出模糊化的BP前向神經(jīng)網(wǎng)絡結構。

二、旋轉機械故障診斷方法及步驟

對于旋轉機械出現(xiàn)故障的時候，診斷信號會發(fā)生相應的變化，集中反映在部分特征頻段上，其變化及比例關系反映出機械設備振動的特點及故障類型，頻譜分析是提取振動信號特征最常見的方法，主要就是把特征頻率點的振幅當作特征參數(shù)，但是特征頻率點的振幅無法全面反映信號的振動特征，還有就是這種方法的抗干擾的能力很差，小波包對信號進行多維多分辨分析，然后把信號逐層分解到頻段序列中，這樣會適用于平穩(wěn)信號，所以小波包分解適合于振動信號的特征提取，而且會更加的全面和準確，抗干擾的能力比較強，所以本文采用小波包分解提取振動信號的特征。

提取的信號特征可輸入神經(jīng)網(wǎng)絡進行故障類型識別其中比較常用的是BP神經(jīng)網(wǎng)絡，但是這種網(wǎng)絡存在學習時間長的缺陷，而且對于學習的故障模式有很強的識別能力，對于未知的學習模式缺少調(diào)整手段，而且很容易出現(xiàn)錯判、漏判的情況。ART2神經(jīng)網(wǎng)絡具有無監(jiān)督自學習的能力，所以對未知故障類型具有自歸類能力，可以有的減少錯判、漏判的概率，用最快是的算法對全值進行學習，使得學習速度加快，對信號進行實時的學習、實時的處理，可以對學習模式響應和自動識別，這樣有利于在線監(jiān)測和實時識別，還有就是具有自歸能力和噪聲抑制能力，對輸入特征向量再做歸一化處理，并通過改變網(wǎng)絡參數(shù)調(diào)節(jié)噪聲抑制能力，其優(yōu)點在于適合旋轉機械故障實時的進行判斷，并且對故障類型進行識別。

正確的識別故障類型，對故障進行判斷，由于故障因素及故障描述存在模糊性，所以無法用精確描述確定故障的嚴重程度，模糊識別為了是解決這個問題的重要手段，還有就是通過權值系數(shù)矩陣的加權處理，很容易出現(xiàn)特征信息的融合。

對于不同類型的故障，反映嚴重的程度特征來那個不同，如不平衡故障的大小主要反映的是通頻振動能量和工頻段振動能量，對油膜渦動，應該從0.48-0.5倍工頻段振動能量大小進行考慮，這主要反映出故障來識別特殊性，其中主要對不同的類型故障，應選擇與提取不同的特征量判斷嚴重程度，就算選擇的特征量的重要程度也是不同的，其中解決方法就是識別故障類型，根據(jù)故障類型，選用不同的特征量、模糊變換矩陣及權值系數(shù)矩陣進行故障嚴重程度判斷。

三、旋轉機械故障診斷技術研究的發(fā)展趨勢

1.診斷的智能化

診斷的智能化就是要求在缺乏領域專家的時候，可以準確、迅速、自主的完成診斷任務，另外還要求診斷系統(tǒng)可以在運行過程中，半自主甚至是全自主地學習吸收領域專家知識，不斷的去自我完善，診斷的智能化同時也是診斷技術及診斷系統(tǒng)在工程實踐中推廣應用的必備條件。

2.診斷的系統(tǒng)化

診斷的系統(tǒng)化就是對監(jiān)測診斷任務來說的，具體的故障可能會顯示出很多類型的征兆信息，可以采用的監(jiān)測與診斷技術也有很多，得到的初步診斷結果可能相互驗證，其中可能會有相互的矛盾，所以必須強調(diào)多故障征兆信息的系統(tǒng)化融合診斷，提高診斷準確度，對于旋轉機械來說，可能會有很多故障點，各種故障也可能是相互聯(lián)系的，而且是相互影響的，所以需要由系統(tǒng)單故障診斷到多故障并行診斷的轉變，可以有效的區(qū)別對待局部故障的系統(tǒng)故障。

3.診斷的早期化

選擇機械故障分為原發(fā)型故障和誘導型故障，診斷系統(tǒng)要求可以檢測旋轉機械全壽命期內(nèi)的各種故障，一般情況下旋轉機械運行壽命期發(fā)生原發(fā)型故障的可能性很小，還存在各種潛在的故障，而且具有一定的故障征兆，潛在故障在運行的時候會有很大的影響，最終導致一些突發(fā)的誘導型故障產(chǎn)生，如果無法正確診斷，對于旋轉機械的有計劃維修管理及延壽具有重要意義。

4.診斷的網(wǎng)絡化

網(wǎng)絡化是機械設備故障診斷的重要發(fā)展方向，旋轉機械是非常復雜的機械設備，故障的表現(xiàn)形式十分的復雜，為了提高對疑難故障的診斷速度和準確性，利用資源，降低檢測和診斷成本，應用基于Internet的多Agent遠程聯(lián)合診斷技術，還有網(wǎng)絡化的狀態(tài)監(jiān)測與故障診斷技術與先進的物流技術和維修管理技術相結合，還可以降低發(fā)動機運行成本，提高經(jīng)濟性的有效手段。

隨著知識經(jīng)濟的到來，世界經(jīng)濟的全球化和一體化，人類對環(huán)境的要求也很高，對于機械設備狀態(tài)監(jiān)測和故障診斷技術的要求也很高，實現(xiàn)診斷性能的要求，有利于保護環(huán)境、節(jié)約能源、使用簡單可靠，使得機械設備狀態(tài)監(jiān)測和故障診斷技術向著環(huán)境相協(xié)調(diào)的方向發(fā)展。

結語：

模糊神經(jīng)網(wǎng)絡在選擇機械故障診斷中應用十分廣泛，模糊神經(jīng)網(wǎng)絡是旋轉機械振動信號特征選擇及特征提取工具的可行性，具有廣泛的前景，對于旋轉機械常見的故障類型進行識別，可以可靠的診斷嚴重程度及發(fā)展趨勢，對于提高旋轉機械故障的智能化診斷水平具有重要的意義。

參考文獻：

[1]王玉紅；基于模糊神經(jīng)網(wǎng)絡的信用風險評級研究[D]；哈爾濱工程大學；2006年

[2]謝珺；郝偉；謝克明；；免疫群體網(wǎng)絡算法及其在電站風機故障診斷中的應用[J]；北京工業(yè)大學學報；2008年11期

[3]張生；基于振動信號處理及模態(tài)分析的機械故障診斷技術研究[D]；燕山大學；2009年

[4]康利利；基于LabVIEW的壓縮機振動分析與故障診斷方法研究[D]；內(nèi)蒙古大學；2012年endprint