大型機械設備振動系統故障診斷分析

佘智林

（珠海橫琴新區新鑫能源開發有限公司，廣東 珠海 519000）

大型機械設備的工作環境復雜而且惡劣，很多設備在長期工作之后會有嚴重的老化，頻繁發生故障。為了保證生產工作的正常進行，就需要有效的故障檢測方法，目前，機械的信號處理和理論研究成為了十分重要的內容。由于機械在出現故障的情況下會產生不同信號，故而通過信號來對故障進行識別并且選擇合適的處理方式就成為了非常好的途徑。

大型機械設備振動系統是故障頻繁出現的位置，為了能夠對系統的故障做好判斷和解決工作，近些年來使用了專家系統結合故障信號特征提取算法是近些年的主流。通過將人工只能系統引入到算法當中，能夠對故障有更加精準的判斷和識別，這樣就可以更為有效地利用專家系統中的經驗和知識，以便更加高效地解決故障。因此通過研究大型機械設備振動系統的故障診斷專家系統模型，提高判斷能力，對大型機械系統的穩定十分重要。

專家系統的設計和診斷主要是采用故障信號的特征來進行故障的判斷，通過時域分析、品與分析、統計分析，就能夠對故障的特殊性信號進行提取，這樣就能夠對故障信號進行更加合理的處理。在充分利用故障的信號特征后，就能夠為故障的識別提供良好的基礎。在診斷過程中，如何處理好故障信號是故障信號特征士必得關鍵，比如可以針對信號的突變來對振動系統的故障進行處理，通過提升大型機械振動系統信號小波變化的處理，就能夠處理好沖擊特征。使用平滑算子抑制噪聲，算法就可以提取出機械振動系統的性能。

本文研究了一種基于大型機械振動系統故障特征的專家構建故障模型，通過使用軟件進行仿真分析，結合故障專家系統、智能系統、模糊數據庫、模糊識別，來提升軟件的識別能給力。

1 大型機械設備振動系統故障診斷信號模型

為了能夠有效診斷大型機械設備的振動系統故障，就需要對振動系統的振動數據進行模型上的構建，使用信號處理的方法，構建符合故障診斷需求的裝甲系統。目前，大型設備的故障診斷可以通過電流信號、振動信號、電壓信號、壓差信號等進行判斷。由此，可以基于這些信號建立一個專門的數據集，之后在數據集合中提取n個電流信號、振動信號、電壓信號、壓差信號的樣本，分析特征向量，然后提取出正常工作時的特征向量和在大型設備發生故障時的特征向量，之后再對兩種數據進行比較，最后得到特征向量的目標函數。

其中m代表權重指數，(dik)2是樣本x和V的測度距離，歐式距離進行表示為：(dik)2=||xk-Vi||2

由于數據具有明顯的多樣性特征，為了能夠進行特征的表征，就需要通過通過希爾伯特變化，并且使用經驗模態分解，把一個復雜的大型機械設備振動系統故障分集成若干個互動平均采樣分量之和，從而用局部極大值和極小值絕對信號在時間尺度下的特征，以及使用信號的包絡連接，最終夠得到包絡下的平均值。通過頻率和振幅的調制，就能夠得到模態分離包絡量，信號的IMF分量保留了原始信號的中幅度調制，此時的定義中，只包含頻率或者幅值調制的故障信號作為固有莫泰函數，然后通過信號包括調制，就能夠得到一個IMF分量。這樣，就可以進行大型機械設備振動系統故障信號和頻域的分析，并且也能夠對故障診斷進行基本的描述，并且可以退通過改進莫泰算法，將信號分解成多個IMF分量。

2 大型機械設備振動系統故障信號特征的分析

在對故障信號進行分析的工作當中，使用了正向推理的方式，這種推理的思想史從已知的信息出發，選擇合適的知識來逐漸解決問題。通過結合神經網絡技術和專家系統，能夠構成大型機械設備振動系統故障診斷信號的特征聚類模型，然后根據可學習性拉進行網絡中的加權疊加。這些加權將作為不確定因子，可以在網絡上進行不確定的推理，然后就能夠對機械的振動故障信號進行聚類和推理。使用正向推理時，是會根據信號的希爾伯特特征，然后在專家系統中進行故障的分類和診斷工作。

將神經網絡和專家系統相結合，能夠進行大型振動系統故障診斷信號特征的聚類模型設計。根據其可續習性和加權量，講不通的加權設計為不確定因子，然后再網絡上進行模糊推理。大型機械振動系統的正向推理過程中，首先要對輸入信息進行檢查，分析知識庫中時候有合適的信息來進行選擇，如果沒有可用的新信息，就需要對是否是全新信息進行推理，如果時就存到新的數據庫。對于有可用知識的情況，可以從數據庫中尋找是否有解，然后將解輸出出來，這樣就能夠完成一次對故障的判斷。

訓練的工作中，投入訓練樣本，通過針對特定樣本的實際故障特征輸出和期望故障特征輸出進行對比。對于給定的大型機械設備振動系統，結合信號特征集，通過向量的描述進行特征的優化，然后就能夠確定機械振動過程中的故障數量，并且表示出該特征是否被選中。

在故障特征的優化工作中，主要對故障特征檢測到的正確率進行優化，從而保證機械設備故障檢測能夠具有更高的準確性。優化工作當中，可以采取KNN參數和特征優化同時進行的方式，因此優化中設備振動系統的數學模型為maxG（S，M），其中G表示齒輪及故障的準確率，S代表特征子集，M是KNN的參數。

3 故障診斷的專家系統

為了能夠對大型機械設備的振動故障進行準確的診斷，就可以采用人工只能模擬的方式進行推理，使用希爾伯特譜作為特征數據，從而構建起故障診斷的專家系統。系統包括數據庫、知識庫、推理庫，設計故障診斷時需要做好神經網絡模糊控制的學習算法選擇，這樣能夠提高診斷能力。對于不同的用戶，必須設計不同的登錄權限。系統的用戶包括專家、工程師、一般人員，由于人員對于故障診斷結果的需求不同，并且對機械工作的操作權限也有不同，所以要根據不同的人輸出不同的輸出向量。專家系統的隱層有p個神經元，通過對信號的模態函數進行分別提取，得到不同的奇異值，并且計算出對應的誤差。然后對機械設備的狀態進行收集，對手擊倒的數據進行預處理，可以得到n個故障的樣本總誤差。

使用專家系統和大型機械設備振動系統進行診斷，通過診斷知識庫、故障診斷推理機、數據庫等程序，就能夠對程序進行相對完整的診斷工作。同時，設計好人機結構，就能夠對大型機械設備的最終診斷作出準確的決策。在對系統進行測試時，可以使用abaqus軟件來對系統進行故障的模擬，通過構建規則庫和事實庫，完成對程序的設計和故障的匹配，從而完成推理工作，并且幫助專家系統實現對故障的診斷。

測試中，通過將abaqus軟件引用到故障診斷系統模型中進行分析，通過構建數據庫、知識庫和推理機來進行模擬。專家系統的硬件設計上，使用232串口和USB接口等方式將程序下載到嵌入式系統中，就能夠實現專家診斷系統的性能測試工作，根據規則庫和事實庫，程序就能夠完成匹配工作，然后就能夠進行推理和故障的診斷。在模擬工作中，模擬了五種大型機械振動系統的工況，由系統對于振動系統的性能進行測試。這種五種工況通過大型設備振動系統來設計，每種工況有50種信號采集的方法，總共有3000種不同的樣本。采集之后，根據振動系統的故障信號獲得相應的譜故障，然后根據這種數據源，選擇其中1000中作為訓練樣本。

在使用全新的故障測試方法之后，可以及時發現大型設備系統故障，并且能從專家系統中選擇正確的解決策略，有極高的準確性。經過統計，使用全新算法準確率達到了97.6%，要比傳統的算法高出很多，明顯具備更強的性能。通過故障測試，在使用智能算法后，系統能夠準確地判斷出大型機械振動系統中的故障，并且給出相應的解決方案，可以廣泛使用在大型機械設備診斷和檢測工作當中。

4 結語

通過構建大型機械設備鎮痛系統的模型，分析機械設備的特征，然后構建專家系統，可以在解決故障上獲得良好的效果。在使用智能技術時，需要建立構造，配合模糊數據庫、模糊只會哭和模糊推理庫就，配合轉及診斷系統，就能夠對故障有比較準確的判斷。系統需要進行學習，提高判斷能力，促進算法的改進。通過使用abaqus軟件進行反正模擬，能夠讓系統有較快的學習速度，提高故障判斷能力，實現對故障的智能化把控。