代 星，趙元松，岳永威，吳 垚

（1.91054部隊，上海 200235；2.中國航空綜合技術(shù)研究所，北京 100028；3.92602部隊，上海 201900）

0 引言

風(fēng)機是船舶空調(diào)、電動機、泵組等裝備中的重要組件，在船舶制造、工業(yè)生產(chǎn)中大量使用，同時在化工、石油、冶金等行業(yè)均有重要的應(yīng)用。通過智能手段對風(fēng)機進行故障診斷，對于減少人工拆裝、降低故障損耗、控制故障影響具有十分重要的意義。故障診斷的任務(wù)是結(jié)合該設(shè)備的運行歷史（包括運行記錄和曾發(fā)生過的故障及維修記錄等），對設(shè)備可能要發(fā)生的或已經(jīng)發(fā)生的故障進行預(yù)報和分析。通常故障征兆與相應(yīng)的故障類型之間存在非線性關(guān)系，映射空間是模糊的，很難用數(shù)學(xué)模型進行精確描述，因此需要有效的故障識別方法進行解決。

目前針對風(fēng)機的故障診斷主要采用模糊理論[1-4]、隨機優(yōu)化[5]、神經(jīng)網(wǎng)絡(luò)等[6-8]。模糊理論引入語言變量和近似推理，具有完整的推理體系，但其隸屬函數(shù)和有關(guān)權(quán)重需要靠人工設(shè)定，因此存在人為因素的影響和干擾，自動化程度不高。隨機優(yōu)化是一種基于數(shù)學(xué)模型的求解方法，通常需要建立診斷的解析模型并采用優(yōu)化方法求解，但合理的數(shù)學(xué)模型建立是始終是一個難點。神經(jīng)網(wǎng)絡(luò)具有較強的非線性擬合能力，聯(lián)想記憶、魯棒性較強，但在使用時需要大量的訓(xùn)練樣本，學(xué)習(xí)速度較慢，訓(xùn)練時間長，且存在不易收斂或收斂于局部極小點的風(fēng)險?；疑P(guān)聯(lián)分析[9-12]根據(jù)因素之間發(fā)展態(tài)勢的相似或相異程度來衡量因素間關(guān)聯(lián)的程度，它揭示了事物動態(tài)關(guān)聯(lián)的特征與程度。由于以發(fā)展態(tài)勢為立足點，因此對樣本量的多少沒有過分的要求，也不需要典型的分布規(guī)律，計算量少且不致出現(xiàn)關(guān)聯(lián)度的量化結(jié)果與定性分析不一致的情況，具有簡單、實用、可操作性強等優(yōu)點，目前已成功地應(yīng)用于多方案多目標(biāo)決策問題中。本文結(jié)合風(fēng)機的故障特點，劃分不同的故障模式，提出利用灰色關(guān)聯(lián)理論建立故障診斷模型，輸入不同測試樣本，求解最接近的故障模式，實例驗證表明該方法具有適應(yīng)性強、準(zhǔn)確性高的優(yōu)點。

1 灰色關(guān)聯(lián)分析模型

灰色關(guān)聯(lián)分析法的主要思想是認為世界兼有大量的已知信息和未知信息，已知信息通常被稱為白色的，未知信息被稱為黑色的，同時含已知信息和未知信息的系統(tǒng)則被稱為灰色系統(tǒng)。灰色關(guān)聯(lián)分析法的實質(zhì)就是對灰色系統(tǒng)進行白化處理，通過研究系統(tǒng)中多個因素之間的相互影響、對各因素發(fā)展態(tài)勢進行有效的量化比較。在故障診斷過程中，灰色關(guān)聯(lián)法根據(jù)未知故障與已知故障關(guān)聯(lián)度的大小來判斷設(shè)備、系統(tǒng)更接近哪種運行狀態(tài)?；疑P(guān)聯(lián)分析的主要步驟如下。

1）確定目標(biāo)數(shù)列x0和比較數(shù)列xi

式中：k為向量的維數(shù)；i為比較向量的序號。

2）數(shù)列無量綱化處理

式中：f為數(shù)列的x到xˊ的映射變換，目的是對數(shù)列進行有效的無量綱化處理，常用的處理方法見文獻[9]。

ξi(k)為比較數(shù)列ˊ(k)對目標(biāo)數(shù)列ˊ(k)在k時刻的關(guān)聯(lián)系數(shù)，其中ρ∈[0,1]為分辨系數(shù)。公式（3）中分別為兩級最小差及最大差。一般分辨系數(shù)ρ越大，分辨率越大；ρ越小，分辨率越小。

4）求解關(guān)聯(lián)度iγ

式中：γi為xiˊ與x0ˊ的關(guān)聯(lián)度，a(k)為按重要性大小所賦予的權(quán)值，a(k)滿足以下關(guān)系

通常γi越大，說明x與xˊ的關(guān)系越密切，權(quán)值a(k)通?？梢圆捎弥鞒梢蚍治龇ā哟畏治龇?、專家估測法等方法確定。

2 風(fēng)機故障診斷模型

運用風(fēng)灰色關(guān)聯(lián)分析對風(fēng)機故障進行診斷其實質(zhì)就是運用相關(guān)診斷經(jīng)驗對其故障的模式進行分析和識別，通過分析待測風(fēng)機設(shè)備的故障類型與標(biāo)準(zhǔn)模式之間的接近程度，達到故障的識別與診斷，診斷的過程如圖1所示。

圖1 診斷過程

通常風(fēng)機的運行環(huán)境和結(jié)構(gòu)參數(shù)各有差異，所以針對不同的工作要求所形成的工作參數(shù)也各不相同，因此在診斷的過程中選擇的典型故障樣本需要具有一定的普適性，通常對于故障特征參量的選擇需要遵循以下幾點：1）無量綱化，通常無量綱的參數(shù)不受尺寸、結(jié)構(gòu)、形式的影響；2）量化特征，特征參量應(yīng)能反映設(shè)備的故障損害程序；3）特征性，特征參量應(yīng)能準(zhǔn)確反映故障的特征，具有區(qū)分度；4）可采集性，特征參量應(yīng)能在實踐過程中易于提取。

由于在風(fēng)機工作的過程中，振動信號通常含有比較豐富的信息，同時在技術(shù)上監(jiān)測相對容易。旋轉(zhuǎn)機械的振動信號的頻譜能夠較為敏感地反映旋轉(zhuǎn)機械的常見故障，所以振動分析法在目前故障診斷中是比較合理的方法。風(fēng)機故障主要集中在轉(zhuǎn)子的不平衡、不對中、油膜振蕩、油膜渦動、氣動力偶和喘振上，因此通過對幾類典型故障的振動信號源進行提取，能夠形成有效的故障數(shù)據(jù)庫。

3 故障分析實例

本文采用幅值譜中 7個頻段上的幅值作為網(wǎng)絡(luò)的輸入樣本，對上述風(fēng)機的6種主要故障進行診斷分析。為此選用文獻[8]中的典型故障樣本數(shù)據(jù)形成故障數(shù)據(jù)庫，如表1所示，同時選用文獻[8]中表2的故障待檢測樣本作為系統(tǒng)輸入。

表1 風(fēng)機常見故障模式樣本

表2 風(fēng)機檢測樣本

由于 6個指標(biāo)在監(jiān)控分析中的重要程度相同，無法精確定義孰輕孰重，因此設(shè)置各故障的權(quán)重值相同，即在公式（4）定義a(6)=1/6，根據(jù)公式（1），由表 1與表2中的數(shù)據(jù)定義目標(biāo)數(shù)列x0和比較數(shù)列x1～6，由于x0與x1～6數(shù)據(jù)均為頻率值，因此不需進行無量綱進行操作，在公式（3）中取ρ=0.5。按照章節(jié) 1所示步驟計算，結(jié)果如表3所示。

表3 灰色關(guān)聯(lián)分析結(jié)果

表3中：γimax表示γi中最大值所代表的原故障樣本序號。由表3可知：由灰色關(guān)聯(lián)分析的結(jié)論與文獻[8]基于概率神經(jīng)網(wǎng)絡(luò)的分析結(jié)果一致。由灰色關(guān)聯(lián)分析的結(jié)果可以看出：故障類型的診斷具有比較明顯的效果，γimax值與其他數(shù)值差距比較明顯，沒有出現(xiàn)較為接近的情況，同時灰色關(guān)聯(lián)分析的過程相對簡單，計算容易收斂，實例驗證說明該方法具有較好的效果。

4 結(jié)束語

由灰色關(guān)聯(lián)分析的原理可知：該方法可以在未知故障特征分布的情況下，通過計算樣本相對于標(biāo)準(zhǔn)樣本的關(guān)聯(lián)度判斷樣本的狀態(tài)值，從而實現(xiàn)對設(shè)備的運行狀態(tài)的實時檢測和診斷。實例驗證表明：灰色關(guān)聯(lián)分析法計算簡便，可作各因素重要程度不一樣的加權(quán)關(guān)聯(lián)分析和各因素重要程度一樣的平權(quán)關(guān)聯(lián)分析，計算結(jié)果能夠達到滿意的效果，能夠支撐風(fēng)機的故障診斷工作。