时间:2023-06-11 09:32:03
开篇:写作不仅是一种记录,更是一种创造,它让我们能够捕捉那些稍纵即逝的灵感,将它们永久地定格在纸上。下面是小编精心整理的12篇故障诊断方法综述,希望这些内容能成为您创作过程中的良师益友,陪伴您不断探索和进步。
【关键词】极限学习机 故障诊断 神经网络
引言
随着设备复杂化程度的提高,对故障诊断的快速性和准确性提出了更高的要求。将神经网络应用于故障诊断中已成为一个非常活跃的研究领域。利用神经网络强大的分类能力,进行故障模式的分类与学习,诊断出故障。
Huang在前人研究的基础上提出了一种称为极限学习机(Extreme Learning Machine,ELM)的学习方法,在保留计算精度的同时可以大幅度的缩减训练的时间。将ELM运用到设备故障诊断中,极大提高了诊断的快速性和准确性。
一、极限学习机研究现状
ELM自2004年提出就一直受到学者的极大兴趣。我们从ELM的理论和应用两方面进行阐述。
1.1 ELM的理论
对于传统ELM算法,网络结构、激活函数类型以及隐层神经元的选择对其泛化性能都有重要的影响。为了提高计算效率,使得ELM适用于更多应用领域,研究者提出了许多ELM扩展算法。
1.2 ELM的应用
研究人员已尝试利用ELM方法解决现实中各种模式分类问题。随着ELM自身理论的进一步发展和完善,在人脸识别、文本分类、医疗诊断等领域中应用广泛。
二、故障诊断技术研究现状
故障诊断技术是由于建立监控系统的需要而发展起来的。其发展至今经历了3个阶段。新的诊断技术带来了领域内算法的革新,设备精密程度的提高也对诊断实时性提出了更高的要求。如何保证故障的快速准确诊断成了诊断技术发展重要内容。
基于神经网络的故障诊断运用广泛,然而传统的神经网络学习方法存在许多问题。与传统的神经网络相比,极限学习机方法通过随机选取输入权值及隐层单元的偏置值,可以产生唯一的最优解,并具有参数易于选择以及泛化能力好等特点,在众多领域有着广泛应用。
三、基于极限学习机的故障诊断方法研究
3.1基于ELM的故障诊断流程
(1)数据预处理。按照选取的特征向量和故障类型对故障样本进行预处理,并将处理后的样本按比例分为训练样本集和测试样本集。
(2)ELM的学习算法主要有以下3个步骤:确定隐含层神经元个数;随机设定输入层与隐含层间的连接权值和隐含层神经元的偏置;选择隐含层神经元激活函数,进而计算隐含层输出矩阵计算输出层权值。
(3)用训练好的ELM模型对测试样本集进行分类,并输出分类结果。
3.2基于改进ELM的故障诊断
针对极限学习机神经网络初始权阈值对算法性能的影响问题,提出融合遗传算法(GA)与粒子群算法(PSO)的GA-PSO算法,用于优化ELM神经网络初始权阈值。该算法将群组一分为二,分别采用GA和PSO算法,再将优秀个体进行合并,改善了PSO算法全局搜索能力,同时增强GA算法的局部搜索效能。
本文介绍了发电机故障诊断的重要性和常用方法,以异步发电机的常见故障为例探讨了发电机故障诊断的关键,分析了局限发电机故障诊断技术实际应用的原因,最后提出了发电机故障诊断领域的发展方向和发展重点。
【关键词】
发电机;故障诊;实际应用
1前言
多年的事故统计表明,许多发电机事故都与电机的设计及制造质量有关。不断改进与完善发电机的设计和制造质量,改进发电机故障诊断技术,对保证电网稳定及供电安全有着重大的意义。发电机组检修的传统方法是定期检查和维修,虽能一定程度降低故障率,但因维修存在盲目性而造成很大的浪费。因此,国内大部分电厂正由传统的预防性维修逐步过渡到状态性检修。二十年以来,在发电机故障状态监测和诊断技术方面不少国内外学者都展开了研究,也在一定程度上取得了进展,各种诊断方法不断地涌现。当前,对于发电机状态监测和诊断技术的主要研究内容包括定子绕组、转子绕组及轴承等方面。本文简单介绍了发电机故障诊断技术,以异步发电机的常见故障为例探讨了发电机故障诊断的关键,总结了当前的研究情况,最后提出发电机故障诊断技术未来的研究方向和发展重点。
2发电机故障诊断方法
2.1发电机故障诊断技术简介由于发电机内部有着电、磁、绝缘、机械等互联系统的存在,其故障的原因、特征和类型也多种多样:有线性系统故障也有非线性故障;既有电气故障又有非电气故障;从故障发展速度来分,还分为突变故障和缓变故障。这些错综复杂的关系,给有效、迅速地进行发电机故障诊断带来了困难。因此,在诊断发电机故障时,一定要清楚地了解诊断对象,由于所有的故障都是根据一定的机理产生发展的,具有一定的规律,发电机故障诊断就是根据这些规律,采用丰富的操作经验、优越的检测手段、多年的设计和先进的理论研究来制作出有效的诊断软件,确定故障原因,并制定出解除故障的方案,以实现发电机故障诊断。
2.2发电机故障诊断的常用技术分析发电机故障机理可知,当发电机发生异常或故障时,其非电气量和电气量会发生相应的变化,通常都根据这些物理量的变化来判断发电机的故障类型、故障程度和故障原因。目前的发电机故障诊断技术,是对发电机故障前后的物理量的理解和总结,逐步发展起来的。当前广泛采用的故障诊断技术包括:机械诊断技术、电气诊断技术和化学诊断技术等。通常,要得到准确的诊断结果,仅靠一种故障诊断技术是无法做到的,需将多种诊断技术结合在一起。
2.3异步发电机常见故障环境的变化、过重的负载、制造工艺上的缺陷和运行条件的变化等原因会导致异步发电机发生异常或故障,常见故障有定子故障、转子故障和轴承故障。定子绕组故障是常见的定子部分故障,如相间短路、匝间短路、内部放电等,主要是由绝缘破坏而导致的故障,其中最危险和最常见的故障就是相间短路和匝间短路。定子故障诊断的常见方法有:电流高次谐波、局部放电监测、不平衡电流检测、磁通检测和定子电流负序分量检测方法等。转子故障产生的主要原因是发电机的起动次数频繁和过负荷运行,给转子部分造成了很大的压力,而在长期这种压力的影响下,转子的导条和其端环容易逐渐发生开焊或断裂。若转子部分发生故障,目前常用的诊断方法包括:定子绕组电流检测法、转速脉动检测法、磁通检测法、和温升检测法等,以定子电流检测法应用最为普遍。各种诊断方法所需的故障特征量通常淹没在各种噪音中。为了提高检测的精度,首先要对故障信号进行处理从而凸显故障特征,一般采取的预处理方法有:自适应滤波法、噪声最优抵消法、准确滤波法和希尔伯特变换方法等。由于负载过重、异物进入和缺乏等原因导致的轴承表面脱落、轴承损耗、破裂和腐蚀等故障称为轴承故障。轴承部分发生故障会使发电机振动,通过分析总结轴承故障引起的振动与电流频率的相互关系可以对轴承部分故障进行诊断。由上述发电机故障诊断方法可以看出,只有掌握有效的信号处理技术才能对发电机故障进行可靠地诊断。当前故障诊断的关键在于如何基于现有故障信号测量技术和设备,有效地进行分析和处理信号,提取出可测可靠的故障特征量,从而建立对应的故障特征信息。从一定程度上可以说,是信号处理技术的不足导致了发电机故障诊断技术发展受限。目前,在故障诊断领域中,信号处理技术及其应用是一个亟待解决的问题。
3发电机故障诊断的发展方向和研究重点
发电机在电力系统中的重要性使发电机故障诊断的成为电力系统多年来的研究热点。经过多年的发展和累积,虽然对定子部分故障、转子部分故障和轴系故障不断提出了新的方法和技术,但对比电动机故障诊断和发电机故障保护领域的研究进展,发电机故障诊断距离进入到实际应用还很远。主要有三个原因导致了这样的局面:(1)作为电力系统的供电电源,发电机的各种参数、设备结构和运行工况比电动机更复杂,因此需要进行更多地研究。(2)一些学者为了研究而研究,没有对发电机现场运行情况进行更加细致地了解,没有认清发电机故障诊断的本质,造成实际应用前景不明。(3)在发电机故障诊断领域缺乏严格的理论体系。发电机故障诊断的研究对象应该侧重于定子绕组单相接地和转子绕组匝间短路等故障。分析故障和提取有效的故障特征是研究的侧重点。根据研究方法,应针对各种类型故障建立故障模型,进行仿真研究以及试验验证。因此,故障诊断技术的发展方向在于有效地提取故障特征,并进行故障分析。
4结语
本文简要介绍了发电机故障诊断技术,以异步发电机的常见故障为例介绍了目前常用的发电机故障诊断方法,并且探讨了发电机故障诊断的发展方向和研究重点。随着电力系统的不断发展和应用要求的不断提高,从理论研究和对实际应用的需求方面看,发电机故障诊断技术领域依然有很多问题值得我们进行深入研究。
参考文献:
[1]张超,夏立.交流无刷发电机故障诊断研究综述[J].湖南工业大学学报,2008,21(05):103.
[2]魏云冰.小波变换在电机故障诊断与测试中的应用研究:硕士学位论文[D].武汉:华中科技大学,2005.
关键词:往复压缩机;故障诊断;研究
前言
目前,随着我国科学技术的不断发展,工厂的许多机械设备等都向着自动化的目标发展,带来的问题就是机械设备的复杂化使一些零部件之间一环扣一环,联系更加紧密。若是某一部分出现了故障就会导致整个设备的运行受阻,进而造成较大的经济损失,更严重的会造成人员的伤亡。所以,机械设备的正常运行过程中,若是能够及时正确的预报或是诊断出隐含的故障因素,能够使压缩机在保证完整的情况下检查出出现故障的部件,进而能够防止事故的出现,能为企业带来更高的经济效益。
1 往复压缩机故障诊断技术研究现状
每个企业在进行往复压缩机故障诊断技术的选择时,需要将每种技术实施过程中的可能性以及优缺点进行仔细的对比,必须要保证技术的科学合理才能进行下一步实施,进而挑选出最适合机械的故障诊断方法。
1.1 通过分析油液进行故障诊断的技术
在往复压缩机正常运行的过程中,只要涉及到两个运动的面发生接触就一定会引起磨损的现象。根据具体的实验数据可知,运行过程中的不同时间段,往复压缩机的油会呈现出较大差异的衰败长度,磨损的微粒也会有明显不同的特征,主要从形貌、大小、分布以及数量上有所体现。所以,在油中对于往复压缩机的相关信息都有所体现,进行油液的分析故障诊断就是根据这一原理。收集观察往复压缩机所使用的油,再通过各种不同的检测措施,进而分析油的使用状况以及是否携带或携带多少的磨损微粒等各项信息,能够综合评价出所使用的油及设备放入磨损程度,相关的工作人员就能判断出潜在的故障存在。这种故障分析方法的分析的对象是油的磨损微粒与机械性能衰败的信息,因此在实施此种故障诊断的技术之前首要的任务是对分析样品的收集,再进行检测得到数据,进而通过分析所得数据判断出故障的存在与否以及进行预防的方案。由于这一技术的综合性,要求往复压缩机中的零部件都具有不同且明显的特征,只有这样才能保证诊断结果的准确性。
1.2 进行参数测定的故障诊断技术
往复压缩机内的每一个部件都有显著地不同,包括在零部件发生损坏之前和被破坏之后,所以需要借助于机器的测定来对零部件进行性能的检测,再将得到的数据与标准的数据进行比较,进而得出有异常的数据,并确定往复压缩机出现故障的位置,而且要根据检测到的数据与标准的数据差异情况进一步推断出故障的下一步发展趋势。对机械进行测试的过程中,可供测量的对象是不固定的,所以每一次进行测试得到的参数也是不同的,因此根据测试对象的不同主要采取两种方式进行诊断,即电力参数测定和热力参数的测定。在对往复压缩机的故障诊断中,通常都选择热力参数的测定方法,因为这种方法能够较大方面的检测出往复压缩机在热力性能方面的故障。另外在进行多级压缩的过程中,需要根据温度的变化和压力的变化数据进行初步的诊断,得出出现故障的根本原因,这也是热力参数测试方法的直接体现,然而这种方法的缺点是只能进行粗略的判断出故障出现的原因而不能具体化,要求技术人员能够结合气缸的温度压力信号以及功能图进行进一步的考虑,从更深层次考虑出现故障的原因。
1.3对振动情况进行分析的故障诊断技术
在往复压缩机运行的条件下,往复压缩机中的零件之间会产生作用力,进而引发噪声和振动,若是零部件之间发生磨损,往复压缩机的动力学性能将会出现相应的改变。所以,技术人员应该对往复压缩机外部的噪声和振动信号的进行精确的测量,再根据测量的结果数据进一步探讨分析其内部有可能出现的故障情况。然而在实际的操作中,噪声会极易受到周围环境的影响,因此正确的振动数据要求保证故障的诊断技术获得高度准确性是关键因素。同时,技术人员应该通过获取频域以及时域的征兆进行故障的精确诊断。或者能够使用表格的方式把充足且独特的振动信号频谱值输入计算机中,并整理成为故障频谱数据库,那么在诊断的时候,就可以将谱峰进行对比分析,可以根据谱峰的高度变化和预测每种故障出现的根本原因,以及出现频率及分布情况,将多种情况加以综合就可以得出正确的诊断结果。然而,这种方法最大的缺点就是故障谱峰数据库的制作需要花费大量的人力物力来开展模拟实验。因此,在实际的操作中,需要经常收集正常情况下某一组的时域信号,再与正常状态下往复压缩机的指标进行比较,若是测得的数值大于标准的极限指标,那么就可以确定往复压缩机已经出现了故障,正处于异常运行状态。
2 往复压缩机故障诊断技术的展望
2.1 往复压缩机机械的诊断技术要与设计及制造相结合发展
现阶段,有许多的往复压缩机生产厂家,在进行设计和制造往复压缩机时,没有将诊断技术与设计及制造相结合发展。所以,在今后的压缩机设计和制造的过程中考虑到故障诊断,如可以将光纤传感器预先就埋在柴油机的内部,能够为以后的机械诊断和维修提供较大的方便,进而避免了由于间接的测量诊断而带来的误差,同时也能省去大量且复杂的数据信号处理的过程。
2.2 加强往复压缩机中具有共性故障诊断方法的研究
在往复压缩机故障的诊断过程中,根据经验可知有些具有共性的故障出现,因此需要进行系统的归纳和总结,其基本的思路是:在不同的设备当中,如果运行的参数和结构特点之间有相似部分的零部件,一般情况下故障的表现形式以及机理也具有相似性,因此信号的采集和处理的方法也基本相同。所以,针对某种零部件,只需要构建一个诊断相似的模块,就能实现在不同的设备中使用。这样一来,建立好了不同零部件的故障诊断模块,再遇到较为复杂的设备后,只需要将零部件进行细化就能快速的诊断出系统存在的问题。
2.3 将信息处理技术与分析技术的综合应用
技术人员应该能够充分的利用信号处理的技术,提高信息的分析能力,进而增强模块建立的识别能力。然而过去的最为典型的就是傅里叶变换信号处理技术,目前该方法的使用受到了多方面的限制,现阶段已经不能胜任机械故障的检测,取而代之的是新兴的时频分析法,该方法将会得到广泛的应用和充分的发展
2.4 往复压缩机故障诊断趋向智能化
目前,往复压缩机在人工智能化故障诊断中,专家系统和神境网络的研究方向上已经取得了较大的进步,但是在往复压缩机的故障诊断中仍然存在着许多亟需解决的问题。人工智能化的神经网络呈现大规模的并列分布处理系统,而且具有很好的自学性和组织性,更重要的是能够从故障中学习,进而联想记忆和功能匹配等模式,如果能进一步利用好智能化技术,将会很好的解决技术人员解决不了的问题。
3 结束语
在今后往复式压缩机发展的进程中主要发展的趋势是人工智能化以及计算机辅助数据的分析等先进技术,进而开发实现往复压缩机的在线监测和故障诊断系统,利用该系统实现资源的共享,进一步提高故障诊断的准确度,这也是往复式压缩机故障诊断技术的一个创新之处。
参考文献
[1]王隆富.往复机械故障诊断综述[J].湖北广播电视大学学报,2009(4).
关键词:汽轮机 故障诊断 小波 神经网络
1、引言
二十世纪以来,随着工业生产和科学技术的发展,机械故障的可靠性、可用性、可维护性与安全性问题日益突出,从而促进了人们对机械设备故障机理及诊断技术的研究汽轮机是电力生产的重要设备,由于其结构的复杂性和运行环的特殊性,汽轮机的故障率较高,而却故障危害也很大。汽轮发电机组常见的机械振动故障有:转子不平衡、转子弯曲、转子不对中、油膜振荡、碰摩、转子横向裂纹和转子支承系统松动等。汽轮机振动故障的汽轮机最常见的故障,因此,汽轮机的振动故障诊断一直是故障诊断技术应用中非常重要的部分。
2、基于信号处理的振动故障诊断方法
信息的采集和处理是实现机组振动检测与故障诊断中的一个基本环节、也是振动检测软件的核心技术。现代信息分析主要包括两种形式:一种是以计算机为核心的专用数字式信号处理仪器,另一种是采用通用计算软件来进行信号分析的方式。
2.1小波变换方法
这是一种新的信号处理方法,是一种时间―尺度分析方法,具有多分辨率分析的特点。利用小波变换可以检测信号的奇异性。因噪声的小波变换的模的极大值随着尺度的增大而迅速衰减,而小波变换在突变点的模的极大值随着尺度的增大而增大(或由于噪声的影响而缓慢衰减),即噪声的Lipschitz指数处处小于零,而在信号突变点的Lipschitz指数大于零(或由于噪声的影响而等于模很小的负数),所以可以用连续小波变换区分信号突变和噪声。同样,离散小波变换可以检测随机信号频率的突变。孙燕平等应用了小波分析理论,采用多分辨分析和小波分解等基本思想对汽轮机转子振动信号进行了分析,针对振动信号的弱信号特征,提出了基于离散小波细化频率区间,小波分解后进行能量谱分析和小波变换结合傅立业变换分析法,并将其应用于模拟转子试验台上。闫亮以小波分析为基础,针对汽轮机早期振动故障信号具有背景噪声强,特征信号弱的特点改进传统的Donoho硬阈值降噪算法,提出了基于shannon熵的最优小波包基降噪算法,能明显地提高信号的信噪比。采用小波神经网络松散结合的诊断方法,利用小波包的分解重构系数得到信号的频带能量,再将频带能量作为神经网络输入向量进行模式识别。利用BP神经网络在故障诊断方面具有诊断精度高,学习速度快的特点与小波分析相结合。
小波神经网络是一种非模型的诊断方法,回避了抽取对象数学模型的难点,避免了复杂的关于建模的传递函数的运算,以及建模不完全或不精确导致的诊断误差。小波变换不需要系统的数学模型,对噪声有很强的抑制能力,有较高的灵敏度,运算量也不大,是一种很有前途的方法。
2.2信息融合的方法
信息融合是利用计算机技术对按时序获得的多源的观测信息在一定准则下加以自动分析、综合以完成所需的决策和估计任务而进行的信息处理过程。
张燕平设计了汽轮机转子轴系故障模拟试验方案,并对各种故障进行了多组升速试验,对故障信号进行了傅立叶分析,以三维幅值谱和升速过程波德图为工具,对故障信号的频域信息进行了融合研究。研究表明,一阶矩向量三维图不仅融合了信号的时频特征,还融合了信号的空间特征,因而可用来对故障的产生过程进行全面分析,是进行轴系典型故障诊断的又一有效工具。
2.3其他信息处理法
N.E.Huang等提出了一种经验模态分解方法(EMD),其主旨为把一个时间序列的信号分解成不同尺度的本征模态函数(IMF),每个本征模态函数序列都是单组分的,相当于序列的每一点只有一个瞬时频率,无其他频率组分的叠加。瞬时频率是通过对IMF进行希尔伯特变换得到,同时求得振幅,最后求得振幅频率时间的三维谱分布。唐贵基等利用EMD分析方法以及其对应的Hilbert变换在大型汽轮机故障诊断中进行非平稳信号的算法和应用,并描绘出仿真故障信号的时频图、时频谱和幅值谱。姚志宏嘲利用Kohonen网络聚类的特点,把汽轮机振动故障信号频谱中的相关频段上不同频率谱的谱峰能量值作为故障信号的训练样本输入到Kohonen网络,并由网络进行聚类,产生聚类中心点。根据此聚类中心点的位置来确认和诊断汽轮机振动故障的原因以及目前的严重程度。
3、基于知识的故障诊断方法
基于知识的方法不需要精确的数学模型就能准确预测故障,当前这一领域的研究较为活跃。
3.1基于专家系统的故障诊断方法
专家系统(Expert System――ES)是人工智能领域较为活跃的一支,它已广泛应用于过程监测系统,并取得了相当可观的经济效益。专家系统是一种基于知识的智能计算机程序系统,其运用领域专多年积累的经验与专门知识,模拟人类专家的思维过程来处理该领域的问题。张晓等提出了一种新的基于模糊与综合的离线式汽轮机故障诊断专家系统,并且提出了相关基于模糊诊断的推理和专家系统知识的漏诊断和无诊断的自学习方法。
3.2基于人工神经网络的故障诊断方法
人工神经网络技术以分布的方式存储信息,利用网络的拓扑结构和权值分布实现非线性的映射,并利用全局并行处理实现从输入空间到输出空间的非线性信息变换。对于某一特定对象建立特定的神经网络故障诊断系统,将故障征兆作为输入信号可以直接得到故障,方便地实现了故障检测与诊断。
张建华等提出了采用概率神经网络(PNN)的汽轮发电机组故障诊断方法。利用PNN算法简单、训练和泛化速度快的优点,把新的训练样本添加到以前训练好的分类器中,便于提高故障诊断结果的准确性。而且具有很高的运算速度,抗干扰能力强,对传感器测量噪声具有较强的诊断鲁棒性。新的训练样本也很容易加入以前训练好的分类器中,更适用于在线检测。程卫国翻通过对振动信号的分析,并对BP算法进行了研究和改进。刘正亮建立了人工鱼群神经网络模型,利用人工鱼的聚群、追尾和觅食行为训练RBF神经网络的权系数,提高了神经网络的收敛速度和精度。依据此模型提出一种故障诊断方法,并应用于汽轮机振动故障分析,提高了神经网络的泛化能力和故障诊断的准确率。
4、基于解析模型的故障诊断方法
基于解析模型的故障检测和诊断方法在故障诊断的研究中占有重要地位,它充分利用了系统模型的深层知识进行故障诊断,具体是指使用系统的结构、行为和功能等方面的知识对系统进行诊断推理,这就需要建立系统结构、行为和功能模型。
荆建平等针对转子裂纹故障的早期诊断与预示这一问题,提出了基于多模型估计(MMAE)的转子裂纹故障诊断方法。并对Jeffcott转子建立了正常、裂纹转子模型和基于卡尔曼滤波器的多模
型自适应估计器,通过裂纹故障的仿真分析和故障多模型估计表明,该方法对早期诊断和预示转子裂纹故障有良好的效果。张国平针对汽轮机启动和停止过程信号比平稳过程复杂这一特点用短时傅里叶变换提取状态特征信息,引入基于连续HMM建立在在线状态监测系统的应用。HMM是一种时间序列的统计模型,能用参数描述随机过程统计特性的概率模型,是一种用针对性的信号的建模和识别工具。韩璞等㈣利用了贝叶斯网络模型进行汽轮机故障诊断,通过对主成分分析方法提取故障特征的讨论,提出了基于主成分分析方法和贝叶斯网络的汽轮机故障诊断模型建立方法,应用特征提取后的样本建立了汽轮机故障贝叶斯网络模型,该汽轮机故障诊断模型简洁,易于推理,提高了汽轮机故障诊断的效率。
基于解析模型的故障诊断方法主要用于控制系统的故障诊断。因为其它诊断方法多以直接检测信号的分析为诊断依据,而控制系统的输出信号常常随着控制输入信号的变化而变化。这样,用直接信号检测分析方法往往难以甄别一个异常的信号是由于系统故障所致,还是由于控制输入信号使然。而基于解析模型的故障诊断方法将系统的模型和实际系统冗余运行,通过对比产生的残差信号,就有效地剔除了控制信号对系统的影响因素。通过对残差信号的分析,就可以诊断系统运行过程中出现的故障。
5、基于离散事件的故障诊断方法
离散事件模型的状态既反映正常状态,又反映系统的故障状态。系统的故障事件构成整个事件集合的一个子集。故障诊断就是确定系统是否处于故障状态和是否发生了故障事件。
彭希等针对常规频谱诊断方法的不足,论述了离散的BAM(双向联想记忆)网络及其特性。讨论了汽轮发电机组常见典型振动故障的变化特征及其数字化描述方法,构建了离散BAM网络能够实现汽轮机振动故障特征空间到故障标示空间的联想和追忆映射,用BAM网络建立模型诊断汽轮机组振动故障。离散BAM神经网络是继Hopfield网络之后另一类典型的反馈形网络,是一种能进行寻址记忆的二层相关网络,使用前向和后向信息对存储内容激发联想和回忆,其具有良好的动力学行为而用于联想记忆。
陈等在分析了汽轮机振动故障特点的基础上,提出了用遗传算法进行汽轮机故障诊断问题,定义了遗传算法求解故障诊断问题的概率因果网络,建立了汽轮机故障诊断模型,该模型能有效地识别出汽轮机的多故障。
【关键词】机电一体化设备故障诊断方法
中图分类号:TH-39 文献标识码:A
设备故障,一般是指设备或系统在使用过程中丧失或降低其规定功能的事件或现象。故障诊断包括故障检测和故障定位,就是利用各种检查和测试方法,发现设备的故障并找出故障所在位置的过程。设备在使用过程中,由于机械零件的磨损、断裂、变形、腐蚀损伤等原因,一旦发生故障,往往会产生严重后果。所以,必须对设备的零件及其运行状态进行定期检查和判断,及时消除故障,保证设备的正常稳定运行。
一、机电一体化设备的故障诊断技术。
1、机电一体化设备的故障特点。机电一体化设备使用的零部件数量比较多,且技术含量比较高,因此,相对于一般的机械设备,其发生故障的几率会比较大。统计表明,机电一体化设备发生故障的几率是一般机械设备的八倍。面对如此复杂、故障如此高发的设备,光靠人工检查分析是远远不够的,因此迫切需要研究一种专门的故障诊断技术。机电一体化设备的故障特点主要有以下几点:(1)机械零件比较多,容易磨损;(2)自诊断功能不强,只能诊断出一些简单的故障;(3)报警显示不明确,一些故障显示报警,一些故障没有报警显示;(4)相关经验技术人员越来越少。
2、机电一体化设备的故障诊断技术。故障诊断技术实质上就是一种检测技术,即检查系统的运行状态并判断异常情况,根据诊断为系统故障的恢复提供依据。对设备进行故障诊断主要有三个目的:①为了确保设备的正常可靠运行;②为了发挥设备的最大效益;③为了能够及时诊断出已发生或将要发生的故障,从而减少维修时间,提高维修质量。故障诊断主要有四个任务:①故障检测,即对使用中的设备或系统定期的发送检测信号,通过分析接收到的响应数据判断设备或系统是否发生故障。②故障类型判断,即在检出故障后,分析故障原因判断出系统故障的类型。③故障定位,即在前两个任务的基础上,细化故障种类,判断出故障发生的具体部位和原因。④故障恢复,即根据第三个任务,采取不同的措施,对系统故障进行恢复。故障诊断一般是通过检测设备的信号来判断设备的运行情况。设备诊断过程如图1所示。
由图1可以看出,在对设备的故障进行诊断时,需要先对诊断对象的原始特征信号进行测试,以获得诊断信号;然后从这些诊断信号中提取征兆,即从信号中分离出能够表示特征故障种类和位置的信号;随后再根据模式识别理论处理征兆,进行状态识别。如果是无故障状态,则可以采用滤波、时序模型等方法进行深入分析,预测将要发生的故障;如果状态是某一种故障,则可以采用模式识别、信号分析等方法研究故障的类型、位置及其产生原因,然后在此基础上制定策略,以达到诊断目的,确保设备的正常运行。故障诊断主要有两种测试方式:①故障测试,发生在故障出现之前,这时诊断对象处于运行状态,基于预测并及时发现故障的目的而对诊断对象进行的在线测试就称为故障测试;②诊断测试,发生在故障出现之后,这时诊断对象处于非运行状态,基于确定故障种类和位置而对诊断对象进行的试验性测试就称为诊断测试。
二、机电一体化设备故障诊断方法。
根据上述诊断过程,可以总结得到,设备诊断技术应该包括以下内容:(1)在对诊断对象测试之前,必须结合实际的设备性质与工况,选择与设备状态相关的原始特征信号。(2)结合实际情况采取合适的方法从诊断信号中分理出有关设备状态的有用信息,即征兆。(3)依据提取的征兆,对设备状态进行识别,即状态诊断。(4)根据获取的征兆和状态,对设备运行情况进行深入分析,研究预测故障将要发生的位置、类型及产生原因。(5)结合设备状态和发展趋势,制定策略,确保设备的正常运行。机电一体化设备的故障诊断分析方法有很多,例如白诊断法、温度检测诊断法、压力检测诊断法、故障树分析法等。
依据不同的诊断方式可以分为不同的故障判断方法,这里主要介绍了三种:(1)根据故障是否有报警指示,可分为有诊断指示故障和无指示故障。有诊断指示故障是指机电一体化设备带有自诊断功能,如果发生故障就会报警并在屏幕上显示故障说明,这时就可以按照诊断手册找出故障发生原因,及时排除故障。无诊断指示是指一些机电一体化设备没有自诊断功能,即使有,也不能对某些故障的发生产生报警提示,只能依靠人工经验分析来排除故障。
(2)根据故障的出现是否破坏工件或机床,可以将故障诊断分为破坏性故障和非破坏性故障。破坏性故障,是指这种故障一旦发生,就会损坏工件或机床,这种故障必须进行永久性排除,禁止重演;非破坏性故障,是指故障的发生不会损坏工件或机床,只需找出原因并排除即可。
(3)根据故障发生的偶然性,可以分为系统性故障和偶然性故障。系统性故障是指,一旦设备的运行状态符合一定条件就会产生故障,这种故障分析起来比较容易;偶然性故障是指在设备的运行过程中偶尔发生的故障,这种故障分析比较难,因为它常与工件或机床的结构、工作特性有关。
三、机电一体化设备故障诊断专家系统。
机电一体化设备的故障诊断技术,其未来发展方向就是人工智能和专家系统,本文着重介绍了故障诊断专家系统。这个系统主要由知识库、推理机和用户界面三大部分组成,其实质就是利用某领域的多个专家知识建立一个计算机软件系统,并结合在线检测到的各种信息来解决该领域中的困难问题。设备故障诊断专家系统主要面向具体的生产设备,它需要预先总结相关领域专家的知识和经验,并采用接口装置获取设备状态的原始特征信号,提取征兆,然后将有用信息存入数据库中。故障诊断专家系统流程图如图2所示。
由图2可以看出,现阶段的故障诊断专家系统包括两次诊断。第一次诊断采用的是实时在线形式,根据装在设备上的有限数量的传感器输入的信息,从知识库中直接对设备状态进行简单的检测和判断,如果设备运行异常,就发出报警提示,并对设备实行简单应急措施,例如停机检修,并打印出诊断报告。如果这次诊断出的异常知识库中并没有直接的报警代码,则进行第二次诊断。这次诊断采用的是离线形式,是一次精密诊断。首先将设备的状态信息存入数据库,然后对设备的异常工作情况采取适当的保护措施,随后依据知识库、人工经验分析进行推理诊断,找出故障的原因、发生的位置,并打印出诊断报告,在显示器上显示故障说明,给出相应的解决方法。显而易见,故障诊断专家系统不仅能迅速诊断并排除机电一体化设备的故障,还能大大的提高设备的利用率和工作效率。但是目前的故障诊断专家系统还不理想,因为它不能够利用有限的传感器传输的信息来自行判断设备的异常情况及故障产生的原因、类别、位置等,所以还需要进一步研究。
结语:本文在介绍机电一体化设备的故障特点及故障诊断技术的基础上,分析了机电一体化设备的故障诊断方法,并介绍了故障诊断专家系统。可以发现,故障诊断技术的研究不仅能及时发现设备故障,避免事故的发生,还能大大提高系统的可靠性和安全性,具有非常重要的实际意义。
参考文献
[1]钟国樑.机电一体化设备的故障诊断方法分析[J].科学之友,2012,1:49~50.
【关键词】机械设备故障诊断与监测常用方法 发展趋势
中图分类号: U673.38 文献标识码: A 文章编号:
随着科学技术的不断发展,近代机械工业逐渐地向着机电一体化的方向发展 机械设备的自动化、智能化、大型化、集成化、复杂化程度不断提高。因此,在生产过程中,为了避免产生巨大的经济损失,必须确保设备安全、可靠地运行。对机械设备的工作状态进行实时监视与诊断,并利用诊断结论采取相应的对策,杜绝生产事故的发生,无疑是一种行之有效的方法。故障检测与诊断技术就是在此基础上产生的一门新兴的学科,随着它在机械工程中作用的不断加强,故障检测与诊断技术越来越受到人们的关注,得到了迅速的发展。
机械故障诊断和监测技术的发展及现状
早在二次世界大战期间,由于大量军事装备缺乏诊断技术和维修手段,而造成非战斗性的损坏,使人们意识到故障诊断和监测技术的重要性。6o年代以来,由于半导体的发展,集成电路的出现,电子技术、计算机技术的更新换代,特别是l 965年FFT方法获得突破性进展后出现了数字信号处理和分析技术的新分支,为机械设备诊断和监测技术的发展奠定了重要的技术基础。
美国最早开展机械故障诊断技术的研究。英国、瑞典、挪威、丹麦、日本等国紧随其后。早在1 967年,美国就成立了机械故障预防小组(MFPG),开始有组织有计划地对机械诊断技术进行专题研究,并成功的运用于航天、航空、军事等行业的机械设备中;日本在钢铁、化工、铁路等民用工业部门的诊断技术方面发展很快,并具有较高水平;丹麦在机械振动监测诊断和声发射监测仪器方面具有较高水平。
我国在机械故障诊断技术方面的研究和应用相对较晚,二十世纪八十年代才开始着手组建故障诊断的研究机构。其发展也经历了从简易诊断到精密诊断,从一般诊断到智能诊断,从单机诊断到网络诊断的过程,发展速度愈来愈快。与国外发达国家相比,我国虽然在理论上跟踪较紧,但总体而言,在机械设备诊断的可靠性等方面仍有一定差距。
经过30多年的发展,作为新兴的综合性的边缘学科,机械故障诊断技术已初步形成了比较完整的学科体系。就其技术手段而言,已逐步形成以振动诊断、抽样分析、温度监测和无损检测探伤为主,一些新技术或方法不断兴起和发展的局面。计算机硬件的突飞猛进、软件技术的日新月异,极大地促进了信号分析与处理技术的发展,从而更进一步推动机械故障诊断和监测技术向着科学化和实用化的方向发展。
故障诊断和状态监测的常用方法
状态监测和故障诊断是两种具有不同目的和方法的技术。设备状态检测的目的是判断机器运行的状态是否正常,包括采用各种测量、分析和判别方法。为进一步的故障诊断提供必要的数据和信息。而设备故障诊断的目的是判断设备运行内部隐含故障,识别故障的性质、程度、类别、部位、原因等,并能说明故障发展的趋势及影响,即作出中长期预报。
设备的故障有多种,不同的故障对应着状态信号中的一系列特征信息,这是设备状态或故障能被识别的客观基础。设备故障诊断的研究实质即为状态的模式识别问题。
常用的机械设备的诊断技术有振动诊断方法、无损检测技术、温度诊断方法、铁谱分析方法等。振动检测技术是通过对机械信号的拾取、放大、显示振动的峰值,以了解机械的振动状态,广泛地应用于设备诊断领域,常用于诊断旋转机械。振动信号是设备状态信息的载体,包含了丰富的设备故障信息,而振动特征是设备运行状态好坏的重要标志。振动诊断技术已经历了一个较长的发展阶段,其理论基础已比较雄厚,分析测试设备也已比较完善,诊断结果比较可靠,因而在故障诊断的整个领域中处于主导地位。但振动诊断技术也有不足之处:因为这一技术涉及信息传感、振动测试、信号处理等领域,对设备诊断技术人员的要求比较高。
无损检测法,有射线探伤,超声波探伤,磁粉探伤、声发射等。主要用于探测设备的内部立体缺陷,判断缺陷的存在、位置、性质及大小,常用于矿山、石化等行业中。如各种形态的钢铁机件中的裂纹、气孔、夹杂等隐患,长期交变应力作用下产生疲劳裂纹等,这些缺陷均可用无损检测技术及早地加以诊断和监控。无损检测技术可改进产品制造工艺、降低制造成本、提高设备的运行可靠性。
温度与机械设备的运行状态密切相关。对于温度特别敏感的机械设备,可用温度诊断技术,查找机件缺陷和诊断各种由热应力引起的故障。随着现代热传感器和检测技术的发展,温度诊断技术已成为故障检测技术的一个重要发展方向。
铁谱技术常用于机械磨损检测,其核心是利用铁谱仪,将油内铁磁性磨损颗粒与油液及杂质分离开来,并根据各种磨粒的数量、形状、尺寸、成分及分布规律等情况,对磨屑进行定性和定量分析,及时、准确地判断出系统中元件的磨损部位、形式、程度等。油液污染度和气体污染度的检测技术。在各种油箱、油缸、管路中固体颗粒状污染物是造成机件磨损、刮伤、卡死、堵塞的主要原因。据统计,70% 以上的液压设备故障是由于固体颗粒物的污染造成的。所以,油液污染物的测定是预防机件破坏的有效途径。而气体污染是在故障形成过程中或故障形成后产生的故障,这种检测方法主要用于电气故障、发动机故障及空压机故障的监测。
故障诊断与监测技术的发展趋势
近十几年来,模糊诊断、故障树分析、专家系统、人工神经网络等新的诊断技术不断出现,从而产生了模式识别、故障树分析和小渡分析等分析方法。故障树分析法是对系统故障形成的原因采用从整体至局部按树枝状逐渐细化分析的方法。它通过分析系统的薄弱环节和完成系统的最优化来实现对机械设备故障的预测和诊断。模糊诊断法是建立在模糊数学基础上的,它利用症状向量隶属度和模糊关系矩阵求故障原因向量隶属度,故障原因隶属度就反映了造成机器故障原因的多重性和它们的主次关系程度,从而可以减少许多不确定因素给诊断工作带来的困难。专家系统是人工智能的一个重要分支,是一种以知识为基础的智能化的计算机程序系统,为计算机辅助诊断的高级阶段,研制专家系统是故障诊断技术的必然发展趋势。人工神经网络基于神经学研究的最新成果,是对人脑某些基本特征的简单数学模拟,它具有对故障的联想记忆,模式匹配和相似归纳能力,以实现故障和征兆之间复杂的非线性映射关系 这些方法在机械故障诊断领域的应用研究正蓬勃兴起,但尚处于发展和不断完善的过程中,将使机械设备状态监测朝系统化和智能化方向发展。
随着计算机网络化的飞速发展,人们共享资源和远程交换数据成为可能 利用光纤光缆、微波、无线通信及计算机网络等通信方式,将故障诊断系统与数字信号系统结合起来组成网络,从而实现对多台机组的有效管理,减少监测设备的投资,提高系统的利用率,因而网络化将是发展趋势之一。
总结
随着知识经济的来临,世界经济的全球化和一体化,人类对环境的要求越来越高 这对机械设备状态监测和故障诊断技术的要求也越来越高,不仅要满足实现诊断性能的要求,还要满足有利于保护环境、节约能源、节省资源、使用简单可靠的要求。这使得机械设备状态监测和故障诊断技术将朝着与环境相协饵的方向发展。
参考文献
[1] 崔彦平,傅其凤,葛杏卫,刘玉秋。 机械设备故障诊断发展历程及展望[J]. 河北工业科技. 2004(04)
[2] 刘全心。 LabVIEW实现机械设备状态监测与故障诊断[J]. 现代机械. 2008(03)
[3] 梁丹。 小波分析在机械故障监测与诊断中的应用[J]. 现代冶金. 2009(06)
【关键词】综合航空电子系统 故障诊断 健康管理技术
综合航空电子系统在当今航空事业的发展中占领着重要的位置,它功能强大,能够承担许多与航空有关的任务。由于综合航空电子系统所存在的环境存在一定的复杂性,所以在发挥作用的过程中会出现故障,严重影响到航空器的安全。因此,为了有效地减少危险性的发生,就必须对综合航空电子系统进行故障诊断,才能够起到降低危险性的作用,保证航空器飞行时的安全。故障诊断与健康管理技术也被称为PHM技术,在综合航空电子系统的维护方面也有着积极影响,这项技术极其重要,能够降低维修成本,更大限度地保证航空器运营时间。
1 综合航空电子系统故障诊断与健康管理技术研究现状
1.1 国外研究
在国内,对故障诊断与健康管理技术的研究已经达到了前所未有的高度,其中的原因在于国外科学技术的发展非常迅速,这为PHM技术的研究提供了技术支撑。此外,国外优秀的研究人士也为此做出了巨大的贡献,不仅探索出了当今综合航空电子系统的发展特征,而且针对其中的疑难问题,进行讨论与钻研得到了满意的答案。以美国为例,不仅有自己独特的监控系统,而且通过应用PHM技术,让直升机在完成任务中获得了更高的效率,充分发挥了PHM技术的作用。
1.2 国内研究
我国对PHM技术的研究远远不及国外,其中,科技的发展落后于国外,而且在优秀人才方面,我国也处于弱势地位。我国对PHM技术大多限于理论研究,在实际的应用中,还处于比较薄弱的阶段,在完整理论的构建方面,也还需要做出更多的努力。综合航空电子系统的发展具有多面性,必须通过科学的研究找出故障诊断与健康的管理技术,才能够让我过航空事业的发展迎来更好的前景。国内对PHM技术的研究还应该加大力度,才能够不断满足我国社会的发展需要。
1.3 整体需要加强
科技的发展非常迅速,国家和社会也处于不断上升的发展趋势之中。综合航空电子系统也会得到不断的进步,就需要更加先进的故障诊断与健康管理技术来与之相适应,共同推动国家航空事业的进一步腾飞。因此,不管是对于国外,还是对于国内来讲,都不能停止研究与探索的脚步,而是应该在原来的基础上不断创新,研究出更加具有权威性的PHM技术,在现今以及将来的社会发展中创造更多的效益,不断推动本国航空事业的发展与进步。
2 综合航空电子系统故障诊断与健康管理技术面临的挑战
2.1 数据获取困难
在综合航空电子系统的故障诊断中,有许多地方都会应用到数据,这些数据是航空器在发生故障时由于信号的改变而产生的,但是要通过特定的运算方法才能够得到。因为在航空器发生故障时,存在突发性的情况,所以就难以根据信号的变化得到准确的估算值,用于系统的故障诊断,这就增加了诊断的难度。由于具备突发性特征的航空故障发生的频率较高,所以就会对综合航空电子系统的正常运行造成严重的不良影响,难以在规定的时间之内完成相应的任务。
2.2 故障模型建立困难
综合航空电子系统在发生故障时,往往是多种因素共同作用的结果,所以,要想准确地诊断航空系统的故障,就必须弄清楚各种因素所造成的损伤度有何种联系。这就需要建立故障模型,对各类损伤的数据进行分析,并且找出其中存在的联系,判断各类因素的叠加会造成何种损伤的后果。但是在现实中往往会因为各种因素的复杂性而导致故障模型建立的失败,无法根据模型来有效地诊断综合航空电子系统的故障。
2.3 电子元件各不相同
在综合航空电子系统中,电子元件发挥着重要的作用,它是航空系统正常发挥作用的关键所在,必须保证其质量,才能够保证航空系统的安全性。目前在我国,科技的发展促进了电子元件的发展进步,它的质量有了很大的提升。但是,由于电子元件来源的不同,生产标准的不统一,也导致了电子元件在具体的质量方面存在许多差别,比如使用寿命会有所不同。这会影响到航空电子系统故障诊断的精确性。
3 综合航空电子系统故障诊断与健康管理关键技术分析
3.1 分类监测技术
综合航空电子系统具备极强的复杂性,其中电子元件众多,且具有难以监测的特点,就导致了航空电子系统监测的复杂性。基于这个问题,PHM技术具备巨大的优势,因为它能够针对航空电子系统中的不同部分,分别展开监测工作,获取准确的数据,以此作为航空电子系统故障诊断的依据。分类监测技术的存在能够为综合航空电子系统故障检测带来巨大的益处,对于当今的我国来讲,是技术上的一个巨大进步。
3.2 故障预测技术
综合航空电子系统在构造方面的特征决定了其故障诊断需要一定的技术,系统中元器件数量大、种类多,并且在发生故障时,每一个组成部分都呈现出不同的特点。在故障状态时,元器件处于检测阶段的时间非常之短,难以在有限的时间之内得到准确的检测数据,进而利用数据建立故障模型。而故障预测技术就能够解决这个问题,虽然当前在我国这项技术的发展仍然不成熟,但是也能够起到一定的作用。这项技术中所采用的累积法、预警监测法都是航空电子系统故障预测技术中的不二选择。
3.3 故障诊断技术
综合航空电子系统的故障诊断需要一系列的程序,不仅要通过预测、计算这些步骤,而且在必要时还要对监测的数据进行分析与结果的估测,在故障位置的判断方面,也要做到精准无误。在航空电子系统内部,故障诊断法需要利用系统内部各个结构之间的关系,辨识相关矩阵,才能够促进故障模型的形成。在故障诊断技术中,常用的主要是根据数据通过推理得出结论,或者是通过分析模型来探究出航空电子系统的故障所在。
参考文献
[1]杨德才.综合模块化航空电子系统的故障预测与健康管理技术[J].现代电子技术,2015,05:125-128.
[2]卢海涛,王自力.综合航空电子系统故障诊断与健康管理技术发展[J].电光与控制,2015,08:60-65+86.
[3]杨军祥,田泽,李成文,杨涛,王纯委,刘宇.新一代航空电子故障预测与健康管理系统综述[J].计算机测量与控制,2014,04:972-974+978.
论文关键词:模拟电路;故障诊断;小波神经网络
论文摘要:分析了模拟电路故障诊断的重要性和目前存在的困难,对基于小渡分析理论和神经网络理论的模拟电路故障诊断方法进行了综述.指出了小波神经网络应用于模拟电路故障诊断存在的问题和未来的应用前景。
模拟电路故障诊断在理论上可概括为:在已知网络拓扑结构、输人激励和故障响应或可能已知部分元件参数的情况下,求故障元件的参数和位置。
尽管目前模拟电路故障诊断理论和方法都取得了不少成就,提出了很多故障诊断方法,如故障字典法、故障参数识别法、故障验证法等。但是由于模拟电路测试和诊断有其自身困难,进展比较缓慢。其主要困难有:模拟电路中的故障模型比较复杂,难以作简单的量化;模拟电路中元件参数具有容差,增加了故障诊断的难度;在模拟电路中广泛存在着非线性问题,为故障的定位诊断增加了难度;在一个实用的模拟电路中,几乎无一例外地存在着反馈回路,仿真时需要大量的复杂计算;实际的模拟电路中可测电压的节点数非常有限.导致可用于作故障诊断的信息量不够充分,造成故障定位的不确定性和模糊性。
因此,以往对模拟电路故障诊断的研究主要停留在中小规模线性无容差或小容差的情况,有些方法也已成功地应用于工程实际。但如何有效地解决模拟电路的容差和非线性问题,如何解决故障诊断的模糊性和不确定性等是今后迫切需要解决的问题。小波神经网络则因其利于模拟人类处理问题的过程、容易顾及人的经验且具有一定的学习能力等特点,所以在这一领域得到了广泛应用。
1小波分析理论在模拟电路故障诊断中的应用现状分析
简单地讲,小波就是一个有始有终的小的“波浪”小波分析源于信号分析,源于函数的伸缩和平移,是Fourier分析、Gabor分析和短时Fourier分析发展的直接结果。小波分析的基木原理是通过小波母函数在尺度上的伸缩和时域上的平移来分析信号,适当选择母函数.可以使扩张函数具有较好的局部性,小波分析是对信号在低频段进行有效的逐层分解,而小波包分析是对小波分析的一种改进,它为信号提供了一种更加精细的分析方法,对信号在全频段进行逐层有效的分解,更有利于提取信号的特征。因此,它是一种时频分析方法。在时频域具有良好的局部化性能并具有多分辨分析的特性,非常适合非平稳信号的奇异性分析。如:利用连续小波变换可以检测信号的奇异性,区分信号突变和噪声,利用离散小波变换可以检测随机信号频率结构的突变。
小波变换故障诊断机理包括:利用观测器信号的奇异性进行故障诊断以及利用观测器信号频率结构的变化进行故障诊断。小波变换具有不需要系统的数学模型、故障检测灵敏准确、运算量小、对噪声的抑制能力强和对输入信号要求低的优点。但在大尺度下由于滤波器的时域宽度较大,检测时会产生时间延迟,且不同小波基的选取对诊断结果也有影响。在模拟电路故障诊断中,小波变换被有效地用来提取故障特征信息即小波预处理器之后,再将这些故障特征信息送人故障分类处理器进行故障诊断。小波分析理论的应用一般被限制在小规模的范围内,其主要原因是大规模的应用对小波基的构造和存储需要的花费较大。
2神经网络理论在模拟电路故障诊断中的应用分析
人工神经网络(ANN)是在现代神经科学研究成果的基础上提出来的,是一种抽象的数学模型,是对人脑功能的模拟。经过十几年的发展,人工神经网络已形成了数十种网络,包括多层感知器Kohomen自组织特征映射、Hopfield网络、自适应共振理论、ART网络、RBF网络、概率神经网络等。这些网络由于结构不同,应用范围也各不相同。由于人工神经网络本身不仅具有非线性、自适应性、并行性、容错性等优点以及分辨故障原因、故障类型的能力外,而且训练过的神经网络能储存有关过程的知识,能直接从定量的、历史故障信息中学习。所以在20世纪80年代末期,它已开始应用于模拟电路故障诊断。随着人工神经网络的不断成熟及大量应用,将神经网络广泛用于模拟电路的故障诊断已是发展趋势。BY神经网络由于具有良好的模式分类能力,尤其适用于模拟电路故障诊断领域,因而在模拟电路故障诊断系统中具有广泛的应用前景,也是目前模拟电路故障诊断中用得较多而且较为有效的一种神经网络。
3小波神经网络的应用进展分析
3,1小波分析理论与神经网络理论结合的必要性
在神经网络理论应用于模拟电路故障诊断的过程中,神经网路对于隐层神经元节点数的确定、各种参数的初始化和神经网络结构的构造等缺乏更有效的理论性指导方法,而这些都将直接影响神经网络的实际应用效果。小波分析在时域和频域同时具有良好的局部化特性,而神经网络则具有自学习、并行处理、自适应、容错性和推广能力二因此把小波分析和神经网络两者的优点结合起来应用于故障诊断是客观实际的需要。
目前小波分析与神经网络的结合有两种形式,一种是先利用小波变换对信号进行预处理,提取信号的特征向量作为神经网络的输人,另一种则是采用小波函数和尺度函数形成神经元,达到小波分析和神经网络的直接融合第一种结合方式是小波神经网络的松散型结合,第二种结合方式是小波神经网络的紧致型结合。
3.2小波分析理论与神经网络理论的结合形式
小波与神经网络的松散型结合,即:用小波分析或小波包分析作为神经网络的前置处理手段,为神经网络提供输人特征向鱼具体来说就是利用小波分析或小波包分析,把信号分解到相互独立的频带之内,各频带内的能童值形成一个向觉,该向童对不同的故障对应不同的值,从而可作为神经网络的输入特征向量一旦确定神经网络的输入特征向童,再根据经验确定采用哪种神经网络及隐层数和隐层单元数等,就可以利用试验样本对神经网络进行训练,调整权值,从而建立起所需的小波神经网络模型。
小波与神经网络的紧致型结合,即:用小波函数和尺度函数形成神经元,达到小波分析和神经网络的直接融合,称为狭义上的小波神经网络,这也是常说的小波神经网络。它是以小波函数或尺度函数作为激励函数,其作用机理和采用Sigmoid函数的多层感知器基本相同。故障诊断的实质是要实现症状空间到故障空间的映射,这种映射也可以用函数逼近来表示。小波神经网络的形成也可以从函数逼近的角度加以说明。常见的小波神经网络有:利用尺度函数作为神经网络中神经元激励函数的正交基小波网络、自适应小波神经网络、多分辨率小波网络、区间小波网络等。
3.3小波分析理论与神经网络理论结合的优点
小波神经网络具有以下优点:一是可以避免M LY等神经网络结构设计的育目性;二是具有逼近能力强、网络学习收敛速度快、参数的选取有理论指导、有效避免局部最小值问题等优点。
在模拟电路故障诊断领域,小波神经网络还是一个崭新的、很有前途的应用研究方向。随着小波分析理论和神经网络理论的不断发展,小波神经网络应用于模拟电路故障诊断领域将日益成熟。
关键词:矿山机电;智能故障;故障检测诊断
中图分类号:TD4 文献标识码:A 文章编号:1009-2374(2013)14-0097-02
近年来由于矿山机电设备故障造成的安全事故屡见不鲜,矿山机电设备的安全性问题日益凸显,并得到了高度重视。针对该安全问题,只有加大对矿山机电设备的故障检测和安全诊断,采用合理的故障诊断理论,建立科学的机电设备故障预测、预警系统,提高矿山机电设备运行安全可靠性才能从根本上减少甚至避免矿山机电设备故障造成的安全事故。
1 故障检测诊断技术
故障检测诊断技术是以信号分析处理技术、计算机技术和传感器技术等为基础的综合性技术。现代工艺理论、相关基础学科理论和检测技术与理论的快速发展促进了故障检测诊断技术的不断发展和完善。
故障检测诊断技术主要通过检测矿山机电设备运行状态的各信号数据和参数,从而对矿山机电设备的运行性能和安全可靠性进行预测,以识别设备故障的原因和判断危害等级等问题,从而提出针对性的处置对策和技术方法。
2 矿山机电设备故障检测诊断技术的步骤
矿山机电设备故障检测诊断技术的主要步骤分为信息采集、信息处理、分析识别、数学模型和预测。
2.1 信息采集
准确测量反映矿山机电设备状态的信号数据和参数,采集机电设备上安装各类传感器的实时信息数据,并及时将测量和采集的数据存入数据存储器或计算机,以方便
调用。
2.2 信息处理
现场采集的煤矿机电设备的数据信息,并不能直接用来判别设备的状态,其中存在着有用信息和无用信息,因此必须将采集的信息进行转换,提炼出有用信息并做出数据分析,转变成人或机器能读懂的信息。
2.3 分析识别
对处理后的煤矿机电设备数据信息进行分类、识别和分析,与机电设备正常运行时的标准参数进行比对,确定当前设备状态及可能出现的故障部位、故障类别以及故障原因。
2.4 数学建模
矿山机电设备在运行中很多的参数和数据信息,与机电设备的状态以及机电设备是否存在故障隐患有一定关系。因此,需要建立数学模型来准确反映出机电设备状态与产生故障的参数间的数学关系。
2.5 预测技术
对机电设备部件的剩余寿命和机电设备的故障情况等方面进行预测,可以为日常机电设备的保养工作和故障维修工作提供可靠依据,能够有效避免矿山机电设备故障的发生。
3 矿山机电设备智能故障检测诊断方法分类
矿山机电设备故障诊断技术分为主观诊断、仪器诊断和智能化诊断三个阶段。下面主要介绍五种矿山机电设备智能诊断方法。
3.1 模糊诊断法
矿山机电设备的模糊诊断法是将数学集合论的概念,包括模糊关系矩阵以及隶属度函数,应用到机电设备的故障诊断中,从而解决机电设备征兆与故障间的不确定关系。矿山机电设备的模糊诊断法的优点主要表现为模糊推理逻辑严谨,能有效地解决矿山机电振动故障中遇到的模糊性问题。但是,由于在很多情况下,较难确定相应的模糊关系,获取模糊诊断知识也非常困难,因此机电设备模糊诊断方法的应用还缺乏一定的准确性和普遍适用性。
3.2 故障诊断专家系统
矿山机电设备故障诊断专家系统是用计算机将采集到的机电设备信号数据和参数,通过专家经验进行推理,运行过程中可以随时索取相关信息数据和参数。矿山机电设备故障诊断专家系统的优点是适应于人的思考方式,不用输入非常多的知识细节,个别事实发生变化时也很容易修改。但是,矿山机电设备故障诊断专家系统目前存在一定的局限性:机电设备故障诊断的准确度与专家诊断系统中专家知识的水平高低以及丰富程度有很大的关系;而且有些矿山机电设备的故障很难通过具体的方式描述,使得建立准确的知识库也会非常的困难。
3.3 人工神经网络故障诊断法
利用人工神经网络进行矿山机电设备故障诊断的基本思想是:以矿山机电设备的故障特征信号作为神经网络输入,矿山机电设备的诊断结果作为神经网络输出。通过调整人工神经网络节点间的权值和阈值,利用训练好的人工神经网络,来实现矿山机电设备故障的诊断等,并且由于人工神经网络诊断法自身所具有的自学习、自适应和并行性能力等优点,因此该故障诊断法在矿山机电设备智能故障诊断中的应用越来越广泛,并且也逐渐得到相关专家学者的深入研究。
3.4 基于仿生算法的故障诊断法
遗传算法是一种随机优化算法,它的两个重要特点是群体搜索策略和群体中个体之间的信息相互交换,其本质是模拟由个体组成的群体之间的学习过程,其中每个个体表示给定问题搜索空间中的一个解。该算法具有并行计算、快速寻找全局最优解等优点。
将生命科学中的免疫概念及其相应的理论应用于遗传算法中,并进行有目的性地抑制遗传算法在优化过程中出现的退化现象,这种算法被称之为免疫算法。通过理论分析,免疫算法具有全局收敛特性,能够更好地抑制遗传算法出现的退化现象。
3.5 信息融合智能诊断方法
信息融合智能诊断方法是一种新型的矿山机电设备智能诊断技术。该诊断方法是通过多传感器测量和采集矿山机电设备的多种相关信息数据和参数,利用计算机对有关矿山机电设备运行状态的不同信息进行自动分析,准确并及时地预测矿山机电设备的运行状态。
4 结语
矿山机电设备的故障检测诊断技术可以为矿山机电设备的相关维护人员和维修人员及时并有效地进行机电设备的故障预测,发现机电设备的故障源头,分析并找到机电设备的故障原因以及给出机电设备的故障解决方案,防止并预防煤矿机电设备安全事故的发生。因此煤矿企业应该大力推动矿山机电设备智能诊断检测技术的研究和发展,以保证矿山机电设备的安全性与可靠性,减少并力争避免安全事故的产生。未来,将多种人工智能检测诊断技术相结合,开发应用的矿山机电设备混合智能检测诊断系统,将会逐渐成为数字化矿山机电设备智能故障检测诊断技术研究的一个重要方向。
参考文献
[1] 孙新城.浅析煤矿机电设备维修中故障检测诊断技术的应用[J].企业技术开发,2011,(17):70-71.
[2] 井学庆.矿山机电设备故障诊断技术的研究与探讨
[J].黑龙江科技信息,2012,(2):34.
[3] 辛晟,郭磊.水力发电机组振动故障诊断技术综述
[J].机电技术,2010,(2):42-44.
【关键词】煤矿机电产品;检测;自动化
中图分类号:X752文献标识码: A
一、前言
近年来,煤炭开采逐步机械化,涌现出了很多大型复杂的机械化设备,提高了劳动生产率,增加了煤炭产量,减少了重大恶性事故的发生。随着现代工业的不断发展,煤矿生产设备结构越来越复杂,功能越来越多。由于各种不可避免的因素的影响,导致设备出现各种异常,以致降低或失去其预定的功能,造成严重的甚至灾难性的事故,国内外接连发生的由设备故障引起的各种爆炸、倒塌、断裂、毁坏等恶性事故,造成了极大的人员伤亡和经济损失。生产过程中接连发生的设备事故,使机器设备遭受损坏或生产过程不能正常运行,造成极大的经济损失。所以确保设备的安全运行,防止突发性事故发生,减少事故损失,是十分迫切的问题。故障检测诊断技术是一项集合了信息技术、传导技术和电脑技术等多个领域为一体的先进技术手段,近年来在煤矿行业中得到了广泛应用与普及。机械设备故障诊断技术是了解和掌握设备的运行状态、识别设备的异常表现、早期发现设备潜在故障并预报故障发展趋势的技术,它涉及机械、信息、计算机人工智能等许多学科知识,已经成为一门独立的跨学科的综合技术,是以可靠性理论、信息论、振动理论、控制论和系统论为理论基础,以现代测试仪器和计算机为技术手段,结合各种诊断对象的特殊规律而形成的一门新兴学科。由于煤矿井下工作环境恶劣,对各种设备的机械性能、使用可靠性以及安全性能的要求很高,因此对煤矿机电产品进行合理地检测与故障诊断就显得尤为重要和迫切。
二、故障检测技术在煤矿机电产品中的应用
1、采煤机故障诊断技术
采煤机是煤矿生产的关键设备,它增加了煤炭产量,减少了事故发生率。由于煤矿环境恶劣,加上采煤机自身结构复杂,在工作时不但容易受到来自煤、岩石等冲击,而且还受到煤尘和水雾的污染,出现故障比较频繁。采煤机一旦出现故障,将会造成整个煤矿生产系统瘫痪,因此对采煤机进行正确的故障诊断是具有非常重要的意义的。随着当前煤矿工业的发展,采煤机功能越来越多,且自身的结构和组成愈发复杂,导致故障发生的原因也随之复杂化。同国外先进的采煤机比较,国产的采煤机在故障检测诊断技术方面还相对落后,主要表现在检测参数的缺少和检测范围的不全面,并且无故障诊断功能。目前常用的采煤机故障诊断方法有:温度监测,对于采煤机而言,采用在线温度监测比较实用,比如当采煤机截割滚筒内轴承损坏发生严重摩擦时,滚筒温度将急剧上升,通过温度监测可以快速地定位故障部位,连续对这些部位进行温度监测并记录历史变化数据,不但能够监测采煤机的现况,还能够预测采煤机的故障发展趋势;专家系统,采煤机故障具有复杂性和隐蔽性,传统的诊断方法难以做出快速准确的判断,存在着误判的可能。专家系统能够综合运用领域内专家的知识,模拟专家的思维过程,从而对故障进行分析。利用专家系统对采煤机进行故障诊断,首先要对现场故障诊断数据进行历史记录和分类总结,然后建立知识库,但是专家系统在知识获取及推理技术等方面存在着缺陷;人工神经网络,由于采煤机从故障初始征兆到故障源的映射通常具有复杂的非线性映射关系,将人工神经网络应用到采煤机故障诊断中,可以从监测到的采煤机故障信号中,找到故障原因和故障部位的非线性映射关系,但是由于人工神经网络学习周期较长及收敛速度慢等缺点,会影响采煤机故障诊断的及时性。
2、矿井提升机故障诊断
矿井提升机常被人们称为矿山的咽喉,是矿山最重要的关键设备,是地下矿井与外界的唯一通道,它在整个综合机械化生产中占有非常重要的位置,提升机不仅是它的重要组成部分,同时也是矿山重要的大型固定机械设备。肩负着提升煤炭、下放材料、升降人员等的重要运输责任。提升机运行的安全可靠性不仅直接影响整个矿井的生产能力,影响整个矿山的经济效益,而且还涉及到井下工作人员的生命安全。一般来说,主井提升设备只负责将井下采掘到的有用矿物从井底提升到地面;副井提升设备负责提升岩石、下放材料、升降设备和人员等工作。现代提升设备的提升容器一次有效提升量可达到 30 到 50 吨之巨,其在井筒内运行的速度可达每秒 20 到 25 米,一台提升机的驱动电机的容量最大可达 1 到 1.5 万千瓦。所以使它们安全、可靠、经济地运转对确保矿井安全,经济生产就具有非常重要的意义。目前,各种以计算机为主体的自动化诊断系统问世并相继投入使用,反应了当前设备诊断技术发展方向。把分散的诊断装置系统化,与电子计算机相结合,实现状态信号采集、特征提取、状态识别自动化,能以显示、打印绘图等各种方式自动输出诊断报告;利用人工神经网络、遗传算法及专家系统组成的智能化专家系统是诊断技术发展的必然趋势;集机电液一体化的诊断技术得到了迅速发展;信息融合技术已成功应用于众多领域,其理论和方法已成为智能信息处理及控制的一个重要研究方向,信息融合技术的发展和应用为诊断技术注入了新的活力,使基于多传感器或多方法综合的诊断技术具备了系统化的理论基础和智能化的实现手段,以传感器技术和现代化信号处理技术为基础,以信息融合技术为核心的智能诊断技术代表了当今诊断技术的发展方向。
3、煤矿通风机的故障诊断
在煤矿生产中,矿井风机是一种非常重要但又耗能较多的设备,它必须 24 小时不停运转。煤矿通风的目的,是为井下作业区域输送适量的新鲜空气,是保证煤矿安全生产很重要的一环,瓦斯及火灾的防治,都是建立在良好的通风之上的。煤矿通风机是气体压缩和输送的机械设备,煤矿通风机主要由叶轮、电机、轴承、机壳、导流片等部件组成。由于煤矿的生产条件十分恶劣,煤矿通风机经常发生各种故障,所以应对煤矿通风机故障展开故障诊断研究,这样可以有效地减少瓦斯事故和其他类事故的发生概率,促进煤矿安全稳定的生产。传统上对煤矿故障诊断常采用快速傅里叶变换的分析方法。快速傅里叶变换,是信号频域分析的有效工具。但是快速傅里叶变换无法分析通风机故障的暂态特征,而这些暂态特征信号里往往包含着故障的重要信息,同时快速傅里叶变换对故障的局部信号分析也无能为力。在煤矿通风机设备故障诊断中,利用小波变换进行动态系统故障检测与诊断具有良好的效果,小波分析可以将一个信号分解成多个不同尺度的信号,所以在信号检测中得到了广泛应用。小波分析能将采集到的通风机振动信号, 小波变换具有空间局部化性质,利用小波变换能有效分析突变信号的时频局部特征。同时神经网络具有非线性拟合能力,因此可以构建出小波神经网络,建立起故障特征分量和故障类型之间的映射,从而正确诊断出煤矿通风机故障。
三、结语
煤矿机电设备是煤矿生产的重要环节。由于煤炭行业和矿井开采条件的特殊性,机电故障现象比较复杂。目前,我国煤矿行业因为各种因素,机电设备故障检测诊断技术仍处于较为简单的阶段,煤矿设备故障检测诊断技术应用尚不广泛,但尚有许多研究成果,应综合考虑有关机电设备可靠性和经济性等因素,合理适当选择监测和诊断方法。同时,还应加强与各个行业间故障检测诊断技术的交流与合作,并进行新技术的推广与应用,使煤矿机电设备的安全性、可靠性得到进一步提高。
参考文献:
[1]王琳.机械设备故障诊断与监测的常用方法及其发展趋势[J].武汉工业大学学报, 2000 (3)
[2]周东华,王桂增.故障诊断技术综述[J].化工自动化及仪表, 2008 (1)
关键词:多元支持向量机 离心式压缩机 故障诊断
The Application of Multi-Support Vector Machines in Fault Diagnosis for Compressors
Yu Huiyuan
(Well-Tech R&D Institutes, COSL, Yanjiao 065201, China)
Abstract: For solving the defect of traditional classificatory with many samples, a new classificatory recognizing faults based on Multi-Support Vector Machine (MSVM) is proposed for centrifugal compressors. SVM is a new machine study method which has excellent advantages in small-sample and multi-dimension binary classification. The new MSVM classificatory can be studied in a few samples rapidly to recognize several kinds of new faults. At the same time, the experiments showed that recognizing correct rate increased more greatly compared with traditional BP method.
Key words: MSVM; centrifugal compressor; fault diagnosis
一、引 言
压缩机在工业生产领域中具有非常重要的作用,由于故障原因造成的启停机一次所产生的经济损失是非常巨大的。如果能够事先准确诊断和预测出设备出现的各种故障,根据故障类型和实际情况采取相应的措施,就可以避免或减少经济损失。机械故障诊断学就是通过研究故障和征兆之间的关系来判断设备故障的。旋转机械的故障形式多种多样,故障产生的机理和原因也非常复杂[1],加之实际因素的复杂性,故障和征兆之间表现出的关系也较为复杂,即各类故障所反映的特征参数并不完全相同,这种关系很难用精确的数学模型来表示,这就给现场诊断带来了极大的困难。虽然神经网络具有充分逼近任意复杂非线性关系的能力和分类能力,但存在局部极小值、算法收敛速度慢、受网络结构复杂性和样本复杂性的影响较大、容易出现“过学习”或泛化能力低等缺点[2,3]。
支持向量机是一种新的机器学习方法,它较好的解决了非线性数据的分类问题,在小样本和二元分类方面有非常突出的优点。本文在分析了支持向量机的特点后,提出一种基于多元支持向量机的离心式压缩机转子故障分类识别方法,可以在较少样本情况下完成对分类器的学习训练工作,从而达到提高故障诊断效率的目的。
二、支持向量机分类原理
支持向量机不同于神经网络基于经验的算法,它是实现结构风险最小化原则的一种学习算法,是利用核函数把特征样本映射到高维特征空间,然后在此空间中构造分类间隔最大的线性分类超平面,所以支持向量机比较适合于小样本数据的分类。其基本思想如图 1 所示,图中圆点和三角点分别表示两类训练样本,H 为把两类样本完全无误分开的分类线,H1、H2 分别为通过样本中离分类线最近的样本且平行于分类线的直线,它们之间的间隔为分类间隔,图中的样本点就是支持向量。该最优面不但可将两类样本无误的分开,而且还要使分类间隔最大。前者保证经验风险最小,后者使问题的真实风险最小[4]。
不同的核函数将导致不同的支持向量机算法,常见的核函数包括多项式内积函数、径向基函数、S型内积函数等[5]。
三、基于MSVM的故障识别分类器
(一)基于MSVM的故障识别分类模型
由于SVM是二元分类器,诊断过程中,故障通常有多种类型。要对多种故障模式进行识别,必须构造一种多元分类器才能进行这种多种模式的识别。通常通过组合多个两类分类器的方法来实现多值分类器的分类,目前此类方法主要有以下几类算法:一对一算法(one-against-one,简称1-v-1)、一对多算法(one -versus-rest,简称1-v-r)和决策导向无环图算法(Decision Directed Acyclic Graph,DDAG)等几种,可参见文献[5,6]。通过比较分析,笔者采用一对一方法构造多元分类器[5],其基本思想是:对N元分类问题建立N(N-1)/2个SVM,每两类之间训练一个SVM将彼此分开。这种方法优点是单个SVM训练规模较小,分类器的推广能力强。
采用多元分类器训练数据样本后,在预测新样本时,使用成对的SVM进行比较,每次产生一个优胜者(即获得一个类别),然后在优胜者之间再次进行比较,直到最后仅剩一个优胜者。实际上,在预测新样本时,并不需要对每两类之间的优胜者再次进行竞争淘汰,只需比较两类之间获胜次数最多的类,即为新样本所属的故障类别。
(二)分类器的学习训练方法
本文的MSVM分类器训练程序采用的是LIBSVM开发函数库,在没有先验知识前提下使用径向基函数作为核函数。实验表明,通常情况下该核函数的分类效果略优于其他核函数。基于MSVM的故障分类识别分类器工作过程主要有学习训练和识别两个阶段,如图2所示。
图2 模分类器的工作过程
四、压缩机故障诊断实例
在离心式压缩机等旋转机械中,不平衡、不对中及油膜振荡是转子部件几种较常见的故障。目前人工智能方法在故障诊断领域已经得到较好的应用效果。但是,基于神经网络的诊断方法通常需要用大量的故障特征样本对模型进行训练,才能得到较为可靠的识别模型。然而,在机械设备实际故障样本的收集过程中,采集到的样本比较有限,尤其是某些故障样本的收集十分困难,这极大地限制了检测模型在模式分类过程中对训练样本的需求。而支持向量机在小样本和高维特征分类方面有突出优势,本文以离心式压缩机组转子故障为例,采用上述MSVM方法建立故障诊断模型。
(一)压缩机转子故障诊断模型设计
以转子不平衡、不对中及油膜振荡三种常见故障作为示例样本建立故障识别模型,将转子不平衡故障作为一类,转子不对中作为一类,油膜振荡作为一类。由于SVM是二元分类器,对于多种故障形式识别,必须构造一种多元分类器才能进行识别。由于本文采用一对一方法构造多元分类器建立故障识别模型,当需要对以上三种故障形式进行识别时,共需要构建3个SVM分类器。用SVM1来区分转子不平衡与不对中,SVM2识别转子不对中与油膜振荡,SVM3识别油膜振荡与转子不平衡。通过每两类样本分别对三个SVM分类器进行学习训练来寻求最优分类函数,以达到对建立识别模型的目的,模型如图3。
图3 多类故障识别模型
对于部件的有更多种故障模式存在的情况下,只需获取该部件对应故障状态下的特征样本,在原有模型基础上增加分类器即可,方法同上。不过对于多种故障模式下多元支持向量机模型的选择需要在速度、模型复杂度、识别效率等方面进行综合考虑。
(二)测试结果
为了考查模型的泛化能力,对诊断模型进行学习训练后,用训练后的分类器对45个测试样本进行分类试验。利用两类之间比较获胜次数最多的类,即为新样本所属的故障类别,如胜次相等,则为识别失败。表1为各类故障的分类识别结果。除3个待测故障的识别结果不太理想外,其余故障类型的识别结果都相当理想,本分类器的总体泛化能力为93.3%,结果令人满意。由此可见,该模型具有较好的泛化识别能力。
表1 识别结果
(三)与神经网络方法比较
为了与神经网络方法进行比较,同样利用故障样本对BP神经网络进行训练时发现,由于样本数量较少,网络训练陷入局部极值点,训练失败。因而表明MSVM能在较少样本情况下实现对分类器的学习训练。利用两组样本总和重新训练,在与BP神经网络同样的样本集均方误差情况下,发现其测试集均方误差一般比BP神经网络精度高;当训练样本集数目增加时,两者的泛化能力都有所提高,但BP神经网络提高速度要快于支持向量机;当样本集变化时,MSVM的测试集均方误差变化幅度小于BP神经网络,这些都说明了MSVM对训练样本数据的依赖程度比神经网络小。
取不同的收敛阈值对神经网络分类模型进行训练,并将它与MSVM方法的识别结果进行对比,如表2所示。从表中可以看到,支持向量机分类器的泛化识别能力明显优于神经网络分类器,可能是由于神经网络方法往往陷入过学习,即所谓的经验风险最小化,造成分类器推广能力泛化差于支持向量机。
表2 MSVM方法和BP神经网络方法识别结果对比
五、结论
由于支持向量机在小样本分类识别方面有独特优势,基于此设计了多元支持向量机的压缩机故障分类识别模型。试验证明,利用支持向量机对压缩机转子故障模式进行识别的方法是可靠和有效的,即使在小样本情况下,该方法仍可以有效地诊断出压缩机关键部件的工作状态和故障类型,解决故障诊断中少样本情形下模型训练不足和识别效率低的问题。因此,支持向量机在故障诊断领域是一种值得推广的方法。
参考文献
[1] 李小彭,罗跃纲,白秉三.模糊综合评判在机械故障诊断中的应用[J].沈阳工业大学学报.2002,24(5):439-442
[2] 朱君,高宇,叶鑫锐. 基于BP神经网络的螺杆泵井故障诊断方法[J].石油机械. 2008, 36(1):42-44
[3] 赵海洋,王金东,刘树林,等.基于神经网络和支持向量机的复合故障诊断技术[J].流体机械,2008,36(1):39-42
[4] 张学工.关于统计学习理论与支持向量机[J].自动化学报.2000,26(1):32-42
工程机械的液压系统由行走装置液压系统、作业装置液压系统和操纵装置(含转向、制动等)液压系统等几部分组成,其中每一部分一般又由若干个子系统组成。基于上述要求,工程机械液压系统一般是多泵、具有压力与流量适应能力和先导操纵功能的液压系统。
随着科技的发展与环保节能日渐严格的要求,作为工程机械液压技术的关键技术,故障检测与诊断技术、工作介质替代技术、系统仿真技术都取得了新的发展。
1、故障检测与诊断技术
由于工程机械产品系统结构复杂,工作环境十分恶劣,故障发生频繁,种类繁多,检测复杂。。工程机械的故障检测与诊断技术成为工程机械液压系统研究的重要内容。按照检测对象的不同可以分为基于液压装置信息和基于油液污染的故障检测与诊断两类。随着液压技术向电子化和智能化不断发展,以及液压系统的不断复杂,人工巡回检测和人工故障诊断等传统故障检测诊断技术已经无法适应液压技术的发展,逐渐被智能化、实时在线故障诊断技术所取代。
1.1基于液压装置信息检测的故障检测与诊断
基于液压装置信息的故障检测与诊断技术利用传感器对单个液压元件和整个系统的温度、压力、流量、振动等动态特征信号进行实时在线检测、分析处理,利用特征信号进行故障诊断。由于实际液压系统元件常常具有严重的非线性特征,使得传统的故障诊断方法无法对故障准确诊断。随着计算机技术的发展和数学方法的运用,基于小波分析、鲁棒法、模糊诊断、神经网络诊断和专家系统诊断等现代智能诊断方法开始逐步在液压故障诊断中得到应用,逐步实现智能化、实时在线的故障检测与诊断。
1.2基于油液污染检测的故障检测与诊断
基于油液污染检测的故障检测诊断方法可分为基于油液的颗粒污染度和基于油液理化性质分析的检测与诊断方法。
两者都是根据经验或专家知识,分别建立油液颗粒污染度和油液理化性质变化与液压系统及元件状态参数间的关系库,运用专家推理机制,预测和判定系统故障。由于基于油液理化性质分析的故障诊断方法需要对油液理化性质进行细致分析,检测周期长,因此不适合在线检测,但在重要液压系统的准确可靠诊断方面有较大的发展前景。而基于油液污染度检测方法的发展经历了实验室取样分析检测―便携式检测仪检测―在线检测仪检测的过程,向智能化、实时在线诊断与检测方向发展。
2、工作介质替代技术
液压系统工作介质是液压系统的重要组成部分,其物理化学性质直接影响到液压系统的工作效能。液压介质性能水平的提高对于现代液压技术的发展功不可没[4]。随着节能环保要求的不断严格,替代工作介 质具有更为广阔的应用前景,并且呈现多样化的趋势。这里只介绍两种典型的替代工作介质:磁流变液和水。
2.1磁流变液
磁流变液能够在磁流变液压阀(转换器)的控制作用下,完成驱动器(执行装置)的动作。在这种系统中,液压阀是一种无移动元件的比例控制阀,它主要由装有线圈、铁芯的导磁体及连接入口、出口并穿过导磁体的流体通道等元件构成。当磁流变液流经磁流变阀门时,磁场作用于磁流变液,使磁流变液的粘度随外加磁场强度变化而变化,导致流经阀门的阻力及阀门入口的压力增加,因而可减慢或停止液体的流动。磁流变液压阀具有结构紧凑、价格便宜、易于控制等优点,相比之下,传统的液压比例阀显得即昂贵又易磨损。
2.2水
随着材料科学和制造技术的发展,液压元件密封、自、抗腐蚀等能力的提高,采用普通水或天然海水作为工作介质成为可能。水压传动在欧、美国家已经被广泛应用于食品、医药、化学、造纸、木材加工、环境工程等一些对安全和清洁要求较高的行业。随着新型材料液压元件的应用,采用水压传动的工程机械的比例会不断增大。
3、液压系统仿真技术
伴随着液压系统的广泛使用,液压系统仿真技术也逐渐得到发展。现行液压仿真软件主要特点有图形操作界面、多领域建模仿真、数据库技术的应用、标准化模型库。从仿真软件的发展和仿真软件的功能可以看出,仿真技术出现了如下几个发展趋势:
(1)向三维仿真发展
随着液压技术的发展,传统的一维和二维仿真技术已经无法满足液压技术仿真的需要,三维流场分析能够更加准确的反映液压系统中液压流场的真实情况,配合分析结果和分析过程三维流场的可视化技术,能够更加直观的描述液压系统中的三维流场。
(2)向流场耦合分析仿真发展
由于液压系统涉及到机械和流体(随着磁流变液技术的发展,还涉及到电磁),液压流场中包括液-固、液-气(液-磁)的多相耦合。因而同时考虑热力场和应力场等多场耦合问题的求解越来越成为液压流场分析的重要研究内容。
(3)向机电液一体化系统分析仿真发展
随着液压系统电子技术的广泛运用,液压系统机电液一体化趋势明显,因此能够同时建立机械、电气及液压结构的数学模型,并能把三者有机地结合起来的仿真软件将越来越受到青睐。
5 结论
综述了液压系统的故障检测与诊断技术、工作介质替代技术以及液压系统仿真技术的研究现状和发展趋势,得出了液压技术的发展趋势主要有以下几个方面:
(1)故障检测与诊断技术向智能化、实时在线检测与诊断方向发展。
(2)工作介质多样化,采用水压传动的工程机械的比例会不断增大。
(3)液压系统仿真技术向三维仿真、多流场耦合分析仿真、机电液一体化系统分析仿真发展。
(作者单位:1.中国人民装甲兵工程学院,2.中国人民军事交通学院)