基于動態機理模型的故障診斷方法分析

（中車戚墅堰機車有限公司，江蘇常州 213011）

0.引言

動態機理模型是分析動態變化過程，并從中獲得相關信息達到既定目標的數字化模型，基于動態機理模型的故障診斷方法能夠在機械設備、系統的實際運行過程中對機械設備、系統的運行狀態進行監督和分析，繼而導出故障風險，支持相關技術人員進行故障隱患的有效排除，形成優良的機械設備、系統運行空間。

1.基于動態機理模型的故障診斷優勢

當前，我國正處于現代化建設的關鍵時期，在相關先進信息技術的支持下，工業化發展水平大大提升，生產效率也呈現了明顯的上升趨勢，在工業化生產中，相關機械設備和生產系統的運行狀態將直接影響生產效率和生產安全。傳統的故障診斷方法以難以滿足多樣性故障診斷需求，以下對基于動態機理模型的故障診斷優勢進行介紹：

（1）風險規避優勢。基于動態機理模型的故障診斷方法能夠支持相關安全管理人員和生產管理人員結合實際生產情況合理配置監管時段，確定監管重點，實時導出監管數據，并在系統中將監管數據與機械設備的正常運行數據進行比對，快速導出風險系數，支持相關管理人員快速定位隱患位置，并進行精準排除，切實降低機械設備和系統的癱瘓風險，有助于提升安全生產系數。（2）高效率優勢。傳統的故障診斷方法多為人工診斷，這種診斷方式對診斷人員的技術能力要求較高，同時，診斷人員需要具備優良的職業精神和良好的職業操守，盡管如此，也仍難避免出現相關疏漏診斷現象，使得機械設備和系統的運行狀態難以得到有效維護，而基于動態機理模型的故障診斷方法可有效取代人工診斷，快速定位機械設備的隱患位置，并進行故障預警，支持設備管理人員對設備和系統進行針對性管理。

2.基于動態機理模型的故障診斷路徑

2.1 混合邏輯故障診斷

基于動態機理模型的故障診斷方法能夠有效滿足不同機械設備和不同生產系統的故障診斷需求，切實提高故障診斷效率，支持相關生產管理人員和機械設備維護人員對故障進行預處理和有效維護。混合邏輯故障診斷方法主要是指在動態機理模型的支持下根據不同的機械運行環境和生產流程設置的多樣性診斷程序，混合邏輯故障診斷具有較高的適配性，以下對其進行介紹：

混合邏輯故障診斷方法可切實滿足混雜性系統和流程的優化控制需求，在故障診斷中具有較高的容錯率。在混雜MLD系統的優化控制中，主要實現了性能指標的簡化以及基于MLD的二階系統最優控制，通過實現MLD系統的穩態值求解及仿真設計，可完成混雜MLD系統的預測控制，即根據故障診斷系統的運行狀態，在系統內部快速適配最優故障診斷方案，并實現故障環境的分析和故障點的定位。同時，混合邏輯故障診斷還可支持相關技術人員在平臺上進一步分析該故障可能引發的風險，提高技術人員對隱患排除的重視程度。

2.2 人工神經網絡故障診斷

人工神經網絡是20世紀80年代以來人工智能領域興起的研究熱點，可從信息處理角度對人腦神經元網絡進行抽象處理，建立某種簡單模型，按不同的連接方式組成不同的網絡。人工神經網絡故障診斷是利用神經網絡運算模型由大量的節點之間相互連接實現的數據整合和數據分析，可判斷相關機械設備和生產系統是否存在故障隱患。基于動態機理模型的人工神經網絡故障診斷方法具有較高的智能化水平和自動化水平，在應用人工神經網絡故障診斷方法時，應基于人工神經元模型和BP網絡模型，實現仿真數據的獲取和預處理，并利用BP神經網絡進行相關機械設備的狀態識別，在數據庫中快速定位該機械設備的正常運行狀態，將二者進行比對，有效掌握故障所產生的數據變化，支持相關技術人員進行故障的針對性排除。另外，人工神經網絡故障診斷技術還可基于動態機理模型，實現故障的自動化排除，大大減輕故障處理效率。值得一提的是，隨著我國現代化建設水平的不斷提升，相關領域的技術更新速度逐步加快，使得故障診斷全面臨著全新的變化和挑戰，與其他故障診斷技術相比，人工神經網絡故障診斷方法具有較高的自主學習能力，能夠在故障診斷過程中，根據系統環境的變化進行診斷方法的學習和演進，滿足實時性診斷需求[1]。

2.3 物聯網故障診斷

物聯網技術具有較高的數據整合能力，能夠在傳感器的支持下實現數據環境感知，以下對基于動態機理模型的物聯網故障診斷方法進行介紹：

為充分發揮物聯網技術的數據整合能力和數據分析能力，應完成遠程故障智能診斷系統設計，該系統主要包括感知層、網絡層和應用層，其中感知層包括數據篩選模塊、采集模塊和設備模塊，可連接網絡層，網絡層包括數據后縮模塊、數據加密模塊以及Internet傳輸模塊，在Internet傳輸模塊的支持下，網絡層將與應用層進行數據連接和數據共享。應用層主要包括人機交互模塊、結果處理模塊、專家診斷模塊、數據庫儲存模塊、數據處理模塊。在應用層、網絡層和感知層的支持下，基于物聯網的故障診斷系統將具備大范圍的故障診斷能力。在遠程故障智能診斷系統整體設計中，還應進行智能終端硬件設計，主要包括核心處理器、ARM芯片選取，WIFI模塊設計、數據采集模塊設計和終端主要電路設計。其中，終端主要電路設計內容包括電源模塊的設計、串口電路的設計、儲存器模塊設計以及LCD液晶觸摸屏的設計，在雙坐標射帶快速可調算法的輔助下，數據可通過VPN安全傳輸渠道在系統內得以整合，支持技術人員實時掌握故障數據[2]。

2.4 子空間辨識輔助故障診斷

基于動態機理模型的故障診斷方法對提高系統安全性，降低系統癱瘓風險具有重要意義和深遠影響，目前，空間辨識輔助故障診斷在我國相關領域中已經實現有效應用，并已取得實質性的應用成效。該故障診斷方法下的故障診斷主要是通過參數辨識實現的，在相關算法的支持下子空間辨識輔助故障檢測系統可開展故障檢測，并進行仿真分析和實驗驗證，深入分析故障環境和故障誘發機理，在動態環境下也能具有較高的故障檢測效率和故障定位精準性。子空間辨識輔助故障檢測方法的檢測流程為：根據故障檢測環境，針對性訓練數據，精準設置故障識別對象，接著，在系統內部高效率計算參數矩陣，生成殘差和統計量，得到閾值，在此基礎上，診斷系統將進一步進行數據測試，并根據在線的輸入、輸出數據，生成相關測試內容，完成生成測試數據下的殘差和統計量分析，最終通過故障檢測邏輯，判斷系統是否發生故障。子空間辨識輔助故障診斷方法能夠在系統內精準設定故障診斷目標，因此，該診斷方法具有較高的診斷效率和診斷精準性，能夠支持相關技術人員在系統內部輸入實際測量值，通過精密計算導出相關輸入、輸出以及噪聲狀態下的輸出測量值，構建系統狀態空間模型，相關人員能夠通過比對狀態空間模型，完成故障分析[3]。

3.結語

當前我國正處于現代化建設的關鍵時期，隨著工業化發展進程的不斷推進，可以預見，基于動態機理模型的故障診斷方法具有優良應用平臺和寬廣發展空間，可通過混合邏輯故障診斷、人工神經網絡故障診斷、物聯網故障診斷和子空間辨識輔助故障診斷提高故障診斷效率和故障診斷的精準性。