浅谈故障诊断剖析.docx

浅谈故障诊断对于故障诊断，首先我觉得要进行故障检测，在发生故障时，对故障类型、故障部位和故障的原因进行诊断，最后得出故障恢复的方案。随着故障诊断技术的发展，故障诊断已经形成了不同种类的故障诊断方法。通过故障诊断的学习，我对小波分析、神经网络、灰色关联度分析以及混沌分形这些诊断方法有了一些概念。故障诊断 首先了解到故障诊断的概念，所谓故障诊断是通过对测量设备在运行中或相对静止条件下的状态信息的处理和分析，并结合设备的历史状况，来定量识别设备及其零部件的实时技术状态 ，预知有关异常、故障并预测其未来技术状态，从而确定必要对策的技术。其目的正是能及时正确地对系统的各种异常运行状态或故障状态做出诊断、预防或消除，从而对设备的运行进行必要的指导 ，提高系统运行的可靠性、安全性和有效性。故障诊断是一门综合性科学，它涉及多门学科，如现代控制理论、信号处理、模式识别、计算机工程、人工智能、电子技术、数理统计以及与对象相关联的生产过程原理知识等。1.1 故障诊断的方法故障诊断按方法分，大致可分为基于信号处理的方法，基于模型的方法，基于分类的方法和基于推理的方法四种，下面介绍如下： 1.1.1 基于信号处理的方法 此方法主要用于诊断对象的解析模型难以建立，但系统的一些状态或者输出参数可以测量的系统 。因为这种方法直接利用信号的某些特征，如相关函数、高阶统计量、频谱和自回归滑动平均过程以及现在热门的小波分析技术等进行分析，回避了对抽象对象建立数学模型 的难点。实际上，很多系统的故障模式会影响到系统的输出信号或信号的变化，这种影响可以用输出信号的数学形式表达 (如某一输出信号的均值偏大或偏小)，而基于信号处理的方法就是通过某一输出信号的某种变化反推出对应的故障模式。比如根据信号的奇异性、信号频率结构和脉冲函数小波变换进行故障诊断，用小波检测信号奇异性来诊断结构故障，可以有效地抑制噪声对残差的影响，提高故障检测的准确性。1.1.2 基于解析模型的诊断方法 此方法需要建立被诊断对象的较为精确的数学模型，其最大的优点是对于未知故障有固有的敏感性，具体又可以分为参数估计方法和状态估计方法。 参数估计方法的基本思想：通过检测系统的物理参数的变化预知系统 可能发生的物理故障，比如系统的转动惯量、质量等物理参数的变化都可能引起不同故障的产生。比如假设 是诊断系统的模型参数，是系统的物理参数，且假设和满足关系，在系统运行时，通过合适的参数辨识方法辨识出模型参数估计值 ，如果函数是双射的，则可以求得物理参数估计值，将和物理参数的标称值比较，如果差值超过了预设的阈值，则判断对应的物理元件发生了故障。当然有时函数并不是双射的，这时通过模型参数并不能求得物理参数，这是该方法最大的缺点。状态估计法的思想：从估计系统的状态人手，通过状态观测器来重构系统状态，进而产生残差来实现故障诊断。1.1.3 基于分类的方法此方法通过处理测量到的输入输出信号来实现故障诊断，可以细分为基于模式识别的方法和基于神经网络 的方法。其前提是必须拥有大量的关于系统故障的先验知识，具有实测到的大量的各类故障样本数据。因为这样才能够从这些故障样本实例中学到故障模式集，并对未知的故障模式进行判别。这是此方法的一个很大的限制，因为有些故障的产生周期很长，因此要想获得大量的故障样本往往需要很长时间。但是这种方法分为学习和训练两个步骤 ，所以实时性好，并且可以在线学习，但对于未知的故障模式难于完成诊断。另外由于这种故障诊断方法的知识一般存在于分类决策函数的一些参数上，所以是一种隐式表达，解释困难。 基于模式识别的诊断方法主要包括数据获取、数据预处理、特征选择和分类决策四个过程。 通常在旋转机械中获取的测量数据是机械的振动信号，数据预处理包括频谱分析、相关分析、小波 包分析等。因为预处理后的数据一般是高维数据，通常具有很强相关性，对于分类 也具有不同的重要性，因此，从这些高维数据中提取出对故障状态敏感的特征参量，降低数据的相关性是必要的，并且这个过程也可以大大降低学习过程算法的复杂性，即特征提取。 神经网络方法也是通过故障样本学习得到故障模式然后对未知模式进行分类的。目前，应用较多有BP网 络、BRF网络、ART网络以及Hopfield网络。1.1.4 基于推理的方法此方法和基于信号处理的方法类似，但它克服了基于信号处理方法的很多缺点，因为它不依赖于系统的数学模型，而是根据人们长期的实践经验和获得的大量故障信息，由领域专 家和知识工程师把这些专家的自然语言表述的抽象知识转换成计算机可以理解的表示形式，常用的如产生式规则、框架表示、逻辑表示等。同时又区别于基于分类的方法，因为它不需要被诊断系统故障模式样本数据。这种方法也是用的最多并且最成熟的方法，常见的有两类：基于专家系统的故障诊断方法和基于