浅谈故障诊断

浅谈故障诊断对于故障诊断，首先我觉得要进行故障检测，在发生故障时，对故障类型、故障部位和故障的原因进行诊断，最后得出故障恢复的方案。随着故障诊断技术的发展，故障诊断已经形成了不同种类的故障诊断方法。通过故障诊断的学习，我对小波分析、神经网络、灰色关联度分析以及混沌分形这些诊断方法有了一些概念。一、故障诊断首先了解到故障诊断的概念，所谓故障诊断是通过对测量设备在运行中或相对静止条件下的状态信息的处理和分析，并结合设备的历史状况，来定量识别设备及其零部件的实时技术状态，预知有关异常、故障并预测其未来技术状态，从而确定必要对策的技术。其目的正是能及时正确地对系统的各种异常运行状态或故障状态做出诊断、预防或消除，从而对设备的运行进行必要的指导，提高系统运行的可靠性、安全性和有效性。故障诊断是一门综合性科学，它涉及多门学科，如现代控制理论、信号处理、模式识别、计算机工程、人工智能、电子技术、数理统计以及与对象相关联的生产过程原理知识等。1.1故障诊断的方法故障诊断按方法分，大致可分为基于信号处理的方法，基于模型的方法，基于分类的方法和基于推理的方法四种，下面介绍如下：1.1.1基于信号处理的方法此方法主要用于诊断对象的解析模型难以建立，但系统的一些状态或者输出参数可以测量的系统。因为这种方法直接利用信号的某些特征，如相关函数、高阶统计量、频谱和自回归滑动平均过程以及现在热门的小波分析技术等进行分析，回避了对抽象对象建立数学模型的难点。实际上，很多系统的故障模式会影响到系统的输出信号或信号的变化，这种影响可以用输出信号的数学形式表达(如某一输出信号的均值偏大或偏小)，而基于信号处理的方法就是通过某一输出信号的某种变化反推出对应的故障模式。比如根据信号的奇异性、信号频率结构和脉冲函数小波变换进行故障诊断，用小波检测信号奇异性来诊断结构故障，可以有效地抑制噪声对残差的影响，提高故障检测的准确性。1.1.2基于解析模型的诊断方法此方法需要建立被诊断对象的较为精确的数学模型，其最大的优点是对于未知故障有固有的敏感性，具体又可以分为参数估计方法和状态估计方法。参数估计方法的基本思想：通过检测系统的物理参数的变化预知系统可能发生的物理故障，比如系统的转动惯量、质量等物理参数的变化都可能引起不同故障的产生。比如假设x是诊断系统的模型参数，y是系统的物理参数，且假设x和y满足关系)(xfy，在系统运行时，通过合适的参数辨识方法辨识出模型参数估计值xˆ，如果函数)(xfy是双射的，则可以求得物理参数估计值yˆ，将yˆ和物理参数的标称值比较，如果差值超过了预设的阈值，则判断对应的物理元件发生了故障。当然有时函数)(xfy并不是双射的，这时通过模型参数xˆ并不能求得物理参数yˆ，这是该方法最大的缺点。状态估计法的思想：从估计系统的状态人手，通过状态观测器来重构系统状态，进而产生残差来实现故障诊断。1.1.3基于分类的方法此方法通过处理测量到的输入输出信号来实现故障诊断，可以细分为基于模式识别的方法和基于神经网络的方法。其前提是必须拥有大量的关于系统故障的先验知识，具有实测到的大量的各类故障样本数据。因为这样才能够从这些故障样本实例中学到故障模式集，并对未知的故障模式进行判别。这是此方法的一个很大的限制，因为有些故障的产生周期很长，因此要想获得大量的故障样本往往需要很长时间。但是这种方法分为学习和训练两个步骤，所以实时性好，并且可以在线学习，但对于未知的故障模式难于完成诊断。另外由于这种故障诊断方法的知识一般存在于分类决策函数的一些参数上，所以是一种隐式表达，解释困难。基于模式识别的诊断方法主要包括数据获取、数据预处理、特征选择和分类决策四个过程。通常在旋转机械中获取的测量数据是机械的振动信号，数据预处理包括频谱分析、相关分析、小波包分析等。因为预处理后的数据一般是高维数据，通常具有很强相关性，对于分类也具有不同的重要性，因此，从这些高维数据中提取出对故障状态敏感的特征参量，降低数据的相关性是必要的，并且这个过程也可以大大降低学习过程算法的复杂性，即特征提取。神经网络方法也是通过故障样本学习得到故障模式然后对未知模式进行分类的。目前，应用较多有BP网络、BRF网络、ART网络以及Hopfield网络。1.1.4基于推理的方法此方法和基于信号处理的方法类似，但它克服了基于信号处理方法的很多缺点，因为它不依赖于系统的数学模型，而是根据人们长期的实践经验和获得的大量故障信息，由领域专家和知识工程师把这些专家的自然语言表述的抽象知识转换成计算机可以理解的表示形式，常用的如产生式规则、框架表示、逻辑表示等。同时又区别于基于分类的方法，因为它不需要被诊断系统故障模式样本数据。这种方法也是用的最多并且最成熟的方法，常见的有两类：基于专家系统的故障诊断方法和基于模糊逻辑的故障诊断方法。1.2故障诊断存在的问题虽然故障诊断取得了很大的发展，有些方面已经有较成熟的理论和方法，但是任然有很多不足，特别是对复杂的大规模非线性系统故障诊断方面的研究不足。还有故障诊断方法众多，但是并没有形成比较完善系统的故障诊断方法。最后虽然故障诊断能够诊断一定的故障，但是和实际的需求相比，还有相当大的距离。1.2.1对于不确定信息的处理能力差诊断系统中往往存在大量的不确定性信息,这些信息或是随机的,或是模糊的,或是不完全的。如何对不确定性知识进行表达和处理,始终是诊断领域研究的热点问题。虽然有很多不确定性理论在实际的故障诊断专家系统中得到了较好的应用,但是这一问题仍未得到十分有效的解决,在有效、合理、使用的不确定性知识处理方面存在着巨大的研究潜力。1.2.2自动获取知识的能力差知识获取长期以来一直是专家系统研制中的“瓶颈”问题,对于故障智能诊断系统来说也是如此。目前多数的诊断系统在自动获取知识方面表现的能力还比较差,限制了系统性能的自我完善、发展和提高。虽然一些系统或多或少地加入了机器学习的功能,但基本上不能在运行的过程中发现和创造知识,系统的诊断能力往往仅局限于知识库中原有的知识。1.2.3并行处理多故障的能力不足多数故障诊断方法只能够对单一的故障诊断，比如灰色关联度分析的诊断。灰色关联度分析只能够对单一的故障进行诊断，通过关联度分析确定故障的类型，如果存在多种故障类型，关联度分析将失效。1.2.4故障诊断对样本的依赖较大不管是神经网络和灰色关联度分析法等故障诊断方法对样本的以来都比较大，对样本进行训练来进行故障诊断。但是故障诊断系统只能搜集被测对象当前的信息，而对其过去的状态和已经做过的维护工作的信息、故障诊断系统本身的信息未加考虑。所以对故障诊断结果提出的维护措施有时不够准确有效。总之,故障智能诊断系统无论在理论上还是在系统开发方面都已取得了很大的进步,但真正投入使用并且功能完善的系统并不多,大多数研究成果仍然停留在实验室阶段。造成这种理论与实践脱节有两个方面的原因,一方面是由于理论研究所限定的条件与实际应用时的情况相差甚远,另一方面是由于对诊断对象缺乏深刻的认识和研究,而且作为人工智能技术本身也有待于进一步发展和完善。二浅谈神经网络人工神经网络是由大量计算单元构成的非线性系统，它模仿人脑神经系统对外界信号接收、处理、存储的过程，具有强大的智能处理信息的功能。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。图2.1人工神经网络示意图BP神经网络作为人工神经网络中应用最广的算法模型，具有完备的理论体系和学习机制。它模仿人脑神经元对外部激励信号的反应过程，建立多层感知器模型，利用信号正向传播和误差反向调节的学习机制，通过多次迭代学习，成功地搭建出处理非线性信息的智能化网络模型。BP神经网络模型拓扑结构包括输入层、隐层和输出层。2.1BP神经网络的参数选择（1）隐含层节点的选择虽然隐层节点数目存在最佳值，但精确的找到此最佳值难度很大。通过大量的实验，估算最佳隐层节点数的经验公式被总结出来。10,1,12aaOIHIH其中H为隐含层节点数，I为输入层节点数，O为输出层节点数，a为常数。（2）输入层节点和输出层节点的选择输入层是外界信号与BP神经网络衔接的纽带。其节点数取决于数据源的维数和输入特征向量的维数。选择特征向量时，要考虑是否能完全描述事物的本质特征，如果特征向量不能有效地表达这些特征，网络经训练后的输出可能与实际有较大的差异。当BP神经网络用于模式识别时，模式的自身特性就决定了输出的结果数。当网络作为一个分类器时，输出层节点数等于所需信息类别数。（3）BP神经网络激活函数的选择激活函数（神经元变换函数）是控制网络最终输出的重要函数。误差在反向调节过程中，该函数的导数也是求解误差梯度的重要参数。BP网络的激活函数采用了S形函数（Sigmoid函数），因此输出量是0~1之间的连续量，可实现从输入到输出的任意的非线性映射。（4）BP神经网络初始权值的选择对于不同的训练对象和网络结构，最佳初始权值的范围不同。所谓最佳初始权值是相对于其它初始权值能取得最小初始训练误差的一组权值。（5）BP神经网络学习率的选择BP算法的理论基础是梯度下降法，在学习过程中利用该方法使权重沿误差曲面的负梯度方向调整。学习率也称学习步长，是决定权重调整量)(nij大小的关键因素。)()(-)(nwnEnwijij对于标准BP神经网络，学习率的初始值贯穿于整个网络学习过程。2.2BP算法实现步骤1）网络状态初始化：网络的权值等。2）如样本数为P，则下面过程重复P次。a.输入学习样本；b.计算隐层及输出层输出；c.计算训练信号与实际值误差；d.累计c误差。3)误差精度或循环次数达到要求则到5），否则到4）。4）采用最速梯度法对任一神经元之间连接权进行调整，转回2）。5）输出结果2.3BP神经网络的应用实例首先分析了故障的主要类型，风机的故障主要发生于四个部位：电机、风机、设备基础和风管。将风机振动信号中7个不同频率上的谱峰能量值作为故障特征量形成标准训练样本，并以此样本训练改进的BP神经网络。网络初始权值取(-1,1)的随机数；最大循环次数2000；学习速率为0.01；动量因子为0.90。故障诊断模型的建立：对于风机的故障诊断，是利用振动信号中7个不同频率的谱峰能量值作为故障特征量形成标准训练样本，来划分常见的质量不平衡、转子不对中等11个故障类型。这些故障特征量是由领域工程师按照调试记录的经验总结归纳而得,作为BP网络的标准训练样本和目标输出如表一所示。图2.2风机主要振动故障表一标准训练样本和标准输出表二改进BP神经网络输出值三浅谈灰色理论灰色关联分析最主要的工具是灰色关联度分析，它是用来衡量两序列之间的关联程度，它采用曲线几何形状的相似程度来判断关联度的大小，如果几何形状如果越相似，则两者关联度越大，反之越小。通过计算待检测特征分量与标准模式分量之间关联度，并进行排序，并依据最大关联度原则，可以分析和判断待检测模式分量属于哪一种标准模式分量，从而可以推断出最大可能性的故障类型。柴油机可以视作一个灰色系统，我们可以利用已知的模式信息去推断未知的模式信息，通过提取柴油机振动信号的各种状态特征信息的参数值，作为各种工况下的标准模式向量，并且利用灰色关联度进行分析和判断，从而实现故障模式识别。改进灰色关联度分析方法：传统的邓氏关联度认为各评价指标的贡献率相同，其权重值均为1/n（n个指标），然而各评价指标因为量纲和数量级的不同，会对评价结果造成一定的影响。这里提出改进的灰色关联度方法：为了能有效区分将各指标的贡献率，采用中心化法对数据进行无量纲处理，并以距离分析法确定各指标的权值，从而求取关联度。其中，权值的大小代表各指标在分辨效果上的重要性，并不是代表各指标在评价目标上的重要程度。基于改进的关联度模型计算步骤如下：（1）原始数据中心化（2）确定样本理想值（3）计算各样本点到参考样本点的距离（4）计算样本点到最优样本点的相对接近度（5）归一化处理，得到改进后的灰色关联度表三：灰色关联度分析结果根据表中灰色关联度分析，可以判断出系统是正常，还是单缸断油、双缸断油还是供