浅析面向设备管理的机电设备状态监测与故障诊断技术.docVIP

浅析面向设备管理的机电设备状态监测与故障诊断技术 　　摘 要：故障的发生和发展、设备工况的变化以，使机械设备的动态信号表现出非平稳性和强噪声特性，给故障诊断带来困难。本论文以机电设备为对象，对复杂振动信号中的时频特征提取、净化及回转机械的智能诊断方法进行了研究。 　　关键词：机电设备；振动信号；故障诊断 　　机械设备智能诊断与动态测控技术就是为适应工程需要而形成和发展起来的。动态测控就是采用各种测量和监视方法，记录和显示设备运行状态，对异常状态做出报警，为设备的故障分析提供数据和信息，并反馈执行元件对设备进行调整和控制，使得设备尽可能处于允许的运行状态之下，保障设备的输出性能和效率。智能诊断则是根据动态测控所获得的信息，结合设备的结构特性和运行信息及历次维修记录，对已经发生或者可能发生的故障进行诊断、分析和预报，以确定故障的类别、部位、程度和原因，提出维修对策，使设备恢复到正常状态。 　　1.近似推理算法 　　目前已经提出了多种近似推理算法，这些算法都采取一定的方式在运行时间和推理精度上寻求一个折中，力求在较短的时间内得到一个满足精度要求的结果，这些算法随着计算时间的增长，其计算精度越高。目前近似推理算法主要分为两大类： 　　1.1机模拟方法 　　随机模拟方法又称为 Monte Carlo 法。该方法首先对贝叶斯网络表示的联合概率分布进行随机抽样，以产生足够的样本，然后根据这些样本，通过频率计算来获得变量的概率值，而不是直接利用联合概率分布进行计算。基于仿真的方法需要设计一套能够以最快的速度产生满足统计计算的样本的采样算法，当前提出采样方法主要有：Forward Sampling、Backward Sampling、ImportanceSampling 和 Markov chain Sampling。 　　1.2基于搜索的方法 　　基于搜索的方法假定概率问题是一类组合问题，所以可以将所需要计算的各个变量的不同组合看作一个状态空间，在这个状态空间中有些状态对最后的计算结果会产生较大影响，而另外一些状态则影响甚微。由此，可以通过启发搜索的方法，在整个状态空间中进行搜索，寻找那些对计算结果影响较大的状态。然后用这些状态代替整个状态空间参与运算，以达到提高计算效率的目的，并且在计算结束时能够给出一个较精确的解答。 　　2.基于贝叶斯网络的机械故障诊断模型与诊断推理 　　根据对机械故障诊断的认识，机械故障可以通过若干属性来描述，这些属性变量集的各种取值组合就构成了该故障的状态空间。这些属性变量之间存在着一定的系（独立或者依赖），根据以往的研究我们可以把这些属性划分为故障征兆和故障原因，所以通过对它们的研究可以得到故障的知识表示模型。在不确定的环境下，故障原因和故障征兆往往含有几个状态。比如，一个故障征兆可能有三种状态：极高，偏高，正常。我们可以用一个多值变量来表示这种多值命题。而贝叶斯网络作为一种模拟人类推理过程中因果关系的有向图，其节点就是一个多值变量，此外贝叶斯网络还具有一个表示条件独立性的自然方式――由有限个节点构成有向无环图网络结构，因而我们可以利用贝叶斯网络的基本元素描述机械故障诊断知识。 　　2.1网络节点与网络结构 　　用网络结构中的节点可以表示故障诊断领域中的故障征兆和故障原因，在节点间的有向连接弧表示征兆与原因之间可能的因果关系。故障征兆和故障原因的状态多为二元状态，即其取值只为 1 或者0，分别表示相应的故障和征兆是否出现。故障原因和故障征兆各自构成两个样本集，且两个样本集中的元素是相互独立的，即故障之间或故障征兆之间是无必然的因果关系。但是这并不意味着它们相互排斥，即一台机组可以同时发生几种不同的故障，同样多个故障征兆的出现也是正常的。根据故障征兆与与故障原因之间的因果关系，我们可以用有向弧线将相关的节点联系起来，构成贝叶斯网络的有向无环图结构。图形化的结构可以更加清晰的表达出领域专家对设备故障状态的认知，符合人类的思维形式。 　　2.2条件概率表 　　贝叶斯每一节点都附有与该变量相联系的条件概率分布函数，如果变量是离散的，则它表现为给定其父节点状态时该节点取不同值的条件概率表 CPT。CPT 表明了故障原因与故障征兆之间的概率依赖关系，是对故障诊断知识进行定量描述。由此可见，贝叶斯网络可以对故障诊断领域数据变量间潜在关系进行定性定量的描述，它图形结构指定了一组条件关系独立关系声明和用于刻画概率依赖强度的条件概率的数值。由于贝叶斯网络表示了因果过程的总体结构，故它可被看做是拥有许多不同组合的一个抽象知识库。它的语义可以从两个方面来理解，其一是将网络看作一种联合概率分布的表示，即贝叶斯网络完整紧凑地表示了网络中各变量的联合分布概率。其二是将网络看作条件独立关系声明集合的一种表示。