張 玨

（上海市政建設(shè)有限公司，上海 200438）

工程機(jī)械是機(jī)械施工所必需的機(jī)械裝備，應(yīng)用于國防、交通、能源、礦山、農(nóng)林水利、工民建、市政和環(huán)保等許多行業(yè)領(lǐng)域。由于工程機(jī)械裝備的作業(yè)環(huán)境條件非常差，導(dǎo)致了工程機(jī)械裝備的停機(jī)故障率一直居高不下。傳統(tǒng)工程機(jī)械裝備的故障診斷方法和理論，已經(jīng)不適應(yīng)目前的精密復(fù)雜、高度自動化、信息化的工程機(jī)械裝備和系統(tǒng)。人工智能故障診斷技術(shù)，應(yīng)用于工程機(jī)械裝備的故障診斷，是工程機(jī)械故障診斷的一個(gè)新方法，目前已開始大規(guī)模的技術(shù)應(yīng)用，有著廣闊的推廣空間[1]。

1 工程機(jī)械裝備故障診斷技術(shù)現(xiàn)狀

工程機(jī)械裝備的故障診斷技術(shù)就是通過監(jiān)測該類裝備工作時(shí)的運(yùn)行狀態(tài)，來判斷工程機(jī)械裝備的哪些部位可能產(chǎn)生故障及產(chǎn)生故障的原因，并預(yù)測工程機(jī)械裝備未來運(yùn)行趨勢的一門技術(shù)。目前，計(jì)算機(jī)信息技術(shù)已逐步應(yīng)用于工程機(jī)械領(lǐng)域，基于人工智能的故障診斷理論和方法已經(jīng)成為工程機(jī)械裝備故障診斷領(lǐng)域的一種重要的方法。

2 人工智能的故障診斷方法

在工程機(jī)械故障診斷中，可以通過使用人工的方法和技術(shù)來模仿、延伸及擴(kuò)展人的智能，從而實(shí)現(xiàn)機(jī)器的智能。目前，工程機(jī)械裝備的人工智能診斷方法主要有狀態(tài)識別法、神經(jīng)網(wǎng)絡(luò)診斷、模擬退火與演化算法、專家系統(tǒng)和混合智能故障診斷技術(shù)等[2]。

2.1 狀態(tài)識別法

狀態(tài)識別法是通過監(jiān)測工程機(jī)械裝備的運(yùn)行參數(shù)特征變化，來判別其工況狀態(tài)變化屬性，在此基礎(chǔ)上分析其原因，提出可行的解決方法。工程機(jī)械裝備的狀態(tài)識別法，常規(guī)條件下可分為對比分析法、距離函數(shù)分類法、近鄰決策算法、貝葉斯分類法、Fisher判別法、勢能函數(shù)分類法、模糊診斷方法、故障樹分析法、基于粗糙集理論的診斷法和主成分分析及獨(dú)立分析法等方法。

2.2 人工智能網(wǎng)絡(luò)方法

人工智能網(wǎng)絡(luò)方法是通過模仿人類大腦的神經(jīng)元結(jié)構(gòu)，簡單地模擬大腦某些基本特性進(jìn)行工程機(jī)械裝備故障診斷的一種方法。在工程機(jī)械故障診斷領(lǐng)域，人工智能網(wǎng)絡(luò)方法主要運(yùn)用在三個(gè)方面：工程機(jī)械裝備的診斷故障、工程機(jī)械裝備的預(yù)測故障和建立工程機(jī)械裝備的專家診斷系統(tǒng)。目前，工程機(jī)械裝備的故障診斷領(lǐng)域中，應(yīng)用較為廣泛的人工智能網(wǎng)絡(luò)模型有人工智能網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)、學(xué)習(xí)規(guī)則和BP算法等。

2.3 模擬退火和演化算法

工程機(jī)械裝備故障診斷的模擬退火算法，是通過模擬物理學(xué)中固體物質(zhì)的高溫退火過程進(jìn)行故障診斷，該種方法首先是明確需要的數(shù)學(xué)模型，其次是確定解的形成原理，并對解的可行與否進(jìn)行判斷。工程機(jī)械裝備故障診斷的演化算法，是借助于生物學(xué)中的自然選擇和進(jìn)化機(jī)制以取得最優(yōu)值函數(shù)進(jìn)行故障的診斷方法，演化算法在機(jī)器學(xué)習(xí)、過程控制和工程的優(yōu)化等方面取得了非常大的進(jìn)步。

2.4 專家系統(tǒng)法

專家系統(tǒng)是一種基于知識的、通過大量人類專家的知識和推理方法求解復(fù)雜的實(shí)際問題的一種人工智能故障診斷方法，專家系統(tǒng)法是現(xiàn)在人工智能故障診斷領(lǐng)域中使用最廣的一種方法。目前，工程機(jī)械裝備故障診斷的專家系統(tǒng)法分為基于規(guī)則法、基于案例法、基于框架法、基于模糊邏輯法、基于D-S證據(jù)理論法、基于人工神經(jīng)網(wǎng)絡(luò)法和基于遺傳算法等方法。

3 軸承故障診斷的專家系統(tǒng)法應(yīng)用

工程機(jī)械裝備的軸承機(jī)構(gòu)故障診斷專家系統(tǒng)，可以通過合適的故障診斷推理規(guī)則和決策方法，從而構(gòu)建軸承故障診斷的專家知識庫。通常情況下，可以拾取振動信號 （在正常情況下，為振動振幅和加速度兩個(gè)主參數(shù)）、溫度信號和噪聲信號 （為聲級壓和噪聲頻譜兩個(gè)參數(shù)），通過分析其特性來獲得故障特性，從而判斷工程機(jī)械裝備的優(yōu)劣狀況。

3.1 故障識別特征參數(shù)

通過提取振動信號的時(shí)域、頻域特征值作為故障識別的特征參數(shù) （例如：半頻振動或定頻振動常常是由于內(nèi)阻所引起的自勵振動）；利用測溫元件來獲取工程機(jī)械裝備相應(yīng)部位的溫度變化數(shù)據(jù)；噪聲 （同振動特征） 可以通過提取疊加在基礎(chǔ)噪聲內(nèi)的其他噪聲 （故障噪聲） 作為故障識別的特征參數(shù)。

3.2 專家系統(tǒng)的結(jié)構(gòu)

專家系統(tǒng)由知識獲取、知識解釋、知識庫、元知識、推理機(jī)、數(shù)據(jù)采集、數(shù)據(jù)分析、特征量提取、特征量獲取、數(shù)據(jù)庫、異常和診斷結(jié)論等部分組成。在工程機(jī)械裝備的故障的診斷過程中，推理機(jī)可以根據(jù)在線監(jiān)測工程機(jī)械裝備的軸承工況所得到的故障信息，在知識庫中搜索合適的知識，進(jìn)行工程機(jī)械裝備故障信息與故障假設(shè)的配對[3]，專家系統(tǒng)的結(jié)構(gòu)如圖1所示。

圖1 專家系統(tǒng)的結(jié)構(gòu)

3.3 故障診斷

（1） 數(shù)據(jù)采集：拾振器讀數(shù)、拾音器讀數(shù)、熱傳感器溫度等。

（2） 系統(tǒng)監(jiān)測時(shí)域波形沖擊間隔、異常頻率和振動烈度等參數(shù)，得到功率譜中嚙合頻率對應(yīng)的幅值、二階諧波能量和共振解調(diào)分析中對應(yīng)幅值的變化；通過系統(tǒng)監(jiān)測的溫差變化，進(jìn)行分析比較。

（3） 原因：工程機(jī)械出現(xiàn)異常的振動加速度、振幅或溫度超出規(guī)定值。

（4） 警告：立即發(fā)出警報(bào)或自保護(hù)動作。

（5） 分析：通過專家系統(tǒng)長期積累的分析數(shù)據(jù)，對工程機(jī)械的故障趨勢做出判斷，給出維修的意見。

（6） 維修措施：根據(jù)維修意見，拆開軸承檢查。如發(fā)現(xiàn)嚴(yán)重軸承磨損，應(yīng)立即對軸承更換。

4 混合智能故障診斷系統(tǒng)應(yīng)用

混合智能故障診斷系統(tǒng)的應(yīng)用時(shí)間不長，但發(fā)展迅速，國內(nèi)外的科研成果已很多，為工程機(jī)械裝備故障的智能診斷提供了廣闊的應(yīng)用空間。例如：上海交通大學(xué)集成粗糙集理論、奇異值分解和模糊C均值聚類，提出了一種旋轉(zhuǎn)機(jī)械故障的診斷方法，并利用Bently試驗(yàn)臺進(jìn)行了驗(yàn)證。西安交通大學(xué)利用混合智能診斷技術(shù)，應(yīng)用于汽輪機(jī)等設(shè)備的狀態(tài)監(jiān)測和故障診斷，并取得了一定的研究成果。加拿大皇后大學(xué)采用小波包分解和多個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)，提出了一種在線的機(jī)電設(shè)備故障集成診斷系統(tǒng)。

混合智能故障診斷系統(tǒng)使用多種智能故障診斷方法，對大型的工程機(jī)械裝備進(jìn)行故障的狀態(tài)監(jiān)測診斷，具有精度高、適用性強(qiáng)、誤漏振率較低等特點(diǎn)，并且可以明確故障點(diǎn)的確切位置，同時(shí)獲得較為滿意的診斷結(jié)果，該種方法為工程機(jī)械的故障診斷技術(shù)開辟了一條新的捷徑。

5 結(jié)語

工程機(jī)械裝備的人工智能故障診斷技術(shù)盡管還存在著一定程度上的不完美，但已取得了顯著的經(jīng)濟(jì)效益和社會效益。隨著該項(xiàng)技術(shù)應(yīng)用的不斷成熟，人工智能的故障診斷技術(shù)今后將成為工程機(jī)械裝備故障診斷領(lǐng)域的主流方法。