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(zhuǎn)機械故障診斷技術(shù)是其中重要的意義，旋轉(zhuǎn)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(chǔ)上，提出綜合利用小波包理論、神經(jīng)網(wǎng)絡(luò)理論及模糊識別理論進行旋轉(zhuǎn)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(guān)鍵詞：模糊神經(jīng)網(wǎng)絡(luò)；旋轉(zhuǎn)機械故障；診斷；研究

一、基于組合式模糊神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機械故障診斷模型

1.模型總體結(jié)構(gòu)

這種模型由兩層多個模糊神經(jīng)網(wǎng)絡(luò)構(gòu)成，以轉(zhuǎn)子振動不同頻段上的振幅分布為旋轉(zhuǎn)機械故障特征信息，采用的模糊神經(jīng)網(wǎng)絡(luò)是把模糊邏輯融合到前向神經(jīng)網(wǎng)絡(luò)的輸入層合輸出層中，這個時候的模糊神經(jīng)網(wǎng)絡(luò)的輸入變量和輸出變量都表示為模糊隸屬度，網(wǎng)絡(luò)輸出結(jié)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(luò)，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(luò)組成，診斷模糊神經(jīng)網(wǎng)絡(luò)是根據(jù)旋轉(zhuǎn)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(luò)模塊A，工頻故障診斷模糊神經(jīng)網(wǎng)絡(luò)模塊R，高頻故障診斷模糊神經(jīng)網(wǎng)絡(luò)模塊S，低頻和高頻故障診斷模糊神經(jīng)網(wǎng)絡(luò)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(luò)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(luò)被激活為真，對于第二層的診斷模糊神經(jīng)網(wǎng)絡(luò)計算推理，根據(jù)網(wǎng)絡(luò)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(jié)果。

2.模糊神經(jīng)網(wǎng)絡(luò)構(gòu)造

基于組合式模糊神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機械故障診斷模型中，第一層的決策模糊神經(jīng)網(wǎng)絡(luò)和第二層的六個診斷模糊神經(jīng)網(wǎng)絡(luò)都是采用輸入、輸出模糊化的BP前向神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

二、旋轉(zhuǎn)機械故障診斷方法及步驟

對于旋轉(zhuǎn)機械出現(xiàn)故障的時候，診斷信號會發(fā)生相應(yīng)的變化，集中反映在部分特征頻段上，其變化及比例關(guān)系反映出機械設(shè)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(luò)進行故障類型識別其中比較常用的是BP神經(jīng)網(wǎng)絡(luò)，但是這種網(wǎng)絡(luò)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(luò)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(yīng)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(luò)參數(shù)調(diào)節(jié)噪聲抑制能力，其優(yōu)點在于適合旋轉(zhuǎn)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(quán)值系數(shù)矩陣的加權(quán)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(yīng)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(yīng)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(quán)值系數(shù)矩陣進行故障嚴重程度判斷。

三、旋轉(zhuǎn)機械故障診斷技術(shù)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(lǐng)域?qū)＜业臅r候，可以準確、迅速、自主的完成診斷任務(wù)，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(lǐng)域?qū)＜抑R，不斷的去自我完善，診斷的智能化同時也是診斷技術(shù)及診斷系統(tǒng)在工程實踐中推廣應(yīng)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(wù)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(shù)也有很多，得到的初步診斷結(jié)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(zhuǎn)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(zhuǎn)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(dǎo)型故障，診斷系統(tǒng)要求可以檢測旋轉(zhuǎn)機械全壽命期內(nèi)的各種故障，一般情況下旋轉(zhuǎn)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(dǎo)致一些突發(fā)的誘導(dǎo)型故障產(chǎn)生，如果無法正確診斷，對于旋轉(zhuǎn)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(luò)化

網(wǎng)絡(luò)化是機械設(shè)備故障診斷的重要發(fā)展方向，旋轉(zhuǎn)機械是非常復(fù)雜的機械設(shè)備，故障的表現(xiàn)形式十分的復(fù)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(yīng)用基于Internet的多Agent遠程聯(lián)合診斷技術(shù)，還有網(wǎng)絡(luò)化的狀態(tài)監(jiān)測與故障診斷技術(shù)與先進的物流技術(shù)和維修管理技術(shù)相結(jié)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(shè)備狀態(tài)監(jiān)測和故障診斷技術(shù)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(shè)備狀態(tài)監(jiān)測和故障診斷技術(shù)向著環(huán)境相協(xié)調(diào)的方向發(fā)展。

結(jié)語：

模糊神經(jīng)網(wǎng)絡(luò)在選擇機械故障診斷中應(yīng)用十分廣泛，模糊神經(jīng)網(wǎng)絡(luò)是旋轉(zhuǎn)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(zhuǎn)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(zhuǎn)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(luò)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(luò)算法及其在電站風機故障診斷中的應(yīng)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(shù)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