浅谈煤矿机电设备故障检测中小波分析应用.docVIP

浅谈煤矿机电设备故障检测中小波分析应用 　　摘 要：煤矿机电设备故障检测是针对煤矿机电设备平衡问题、对中问题、磨损（剥落）问题、断裂（裂纹）问题等机电设备故障，总体思路是采集动态信号，运用智能预示例如信号处理与采集、提取特征、评估状态等方法，准确获取反映设备故障信息的信号源，根据机电设备低速重载的特点，获得振动传感器灵敏度、频率范围等指标，提出故障解决方案的系统技术。与此，以小波变换中两类“奇异点”的特征入手，分析了小波变换的检测原理与方法，并提出了故障诊断专家系统、模糊诊断法和“人工神经网络”诊断法等故障检测方法，最后提出了“信息融合”智能诊断法的工作原理和特点。 　　关键词：煤矿机电设备；故障检测；小波分析（变换） 　　1 小波变换在煤矿机电设备故障检测中的应用 　　1.1 小波变换中“奇异点”的特征概述 　　一般而言，故障信号存在两种“奇异”状况：其一是故障信号在某一时刻内，幅值在某一点不连续，即发生突变现象，此类突变称之为第一类间断点；其二是故障信号外观光滑，且其幅值未发生突变，但是故障信号的一阶微分不连续，即发生突变，此类突变称之为第二类间断点。利用小波分析第一类间断点时，因信号中突然增加中高频正弦信号导致信号幅值突变，所以可以检测其增加时间，即利用小波分析检测第一类间断点时，对检测信号进行多尺度细化分析，在信号出现突变现象时，检测小波变换后系数的模量极大值点以确定故障发生的时间点。换言之，第一类信号间断点不论尺度变换幅度，该信号小波变换系数模量的极大值始终保持不变，在高分辨率下检测出小波变换的极大值即可测得故障发生的时间点。利用小波分析检测第二类间断点时，可以将检测信号分解为高频范围和中低频范围，通过高频范围可明显获取信号的不连续点。换言之，第二类信号间断点因某处突然增加不同频率的信号，所以该处的小波变换数值会随着分辨率的增大而上升，可以通过检测大尺度下小波变换的极大值来检测信号频率的突变点。 　　1.2 小波变换的检测原理与方法 　　煤矿机电设备故障检测、诊断、分析过程中，故障通常变现为输出信号突变，因此对于故障奇异点的检测是故障检测中的关键工作。长期以来，傅里叶变换是主要的故障检测工具，其主要检测方式是对故障信号进行傅里叶变换，根据其在频域内的衰减现象判断信号是否存在奇异点，并求出奇异点的奇异性，但是其存在的严重缺陷是无法根据频域内的奇异信息确定信号在时域内故障点的分布状况。因此，小波变换因用而生，它继承传统傅立叶变换描述信号频率特性的优点，能运用于分析突变信号和非平稳信号，根据小波分析中平移和伸缩的核心理论，解决具有时域-频域局部化特性（时域-频域奇异性）的问题。小波变换可通过多分辨率分析，通过小波变换滤波的方法，检测出煤矿机电设备故障信号，例如，我们将“干净”信号看做故障信号，则滤波过程就是提取故障信号的过程，具体的处理方式有分频带特征提取、时域-频域分析、监测奇异点等。因此，在实际使用中，以信号“奇异点”为重要特征检测机电设备故障，既能获取故障的特征信息，又能减少运算量和和快速获得结果，被誉为“信号分析显微镜”。 　　2 智能诊断技术在煤矿机电设备故障检测中的应用 　　传统诊断技术以经典控制理论和现代控制理论为基础，以建立诊断对象数学模型为前提，以常规理论框架下的数学公式、算法、思维等简单刻划诊断对象的动态行为，但是随着科学技术、工业生产、现代军事等诸多方面的迅速发展进步，其领域内涉及到越来越多的监测过程和检测对象，使传统诊断技术的研究对象、变量、变量间关系越趋复杂，提高了对传统诊断技术判别、推理的准确性要求，已无法满足处理结构复杂和深层次故障诊断的现实需求。 　　2.1 故障诊断专家系统 　　在人工智能技术日趋成熟的时代，从20世纪70年代末到80年代中后期，故障智能诊断技术经历了以模糊集合论、人类思维信息加工认识、智能诊断规则运算推理、计算机技术智能诊断等过程，并迅速发展成故障诊断领域的核心技术之一，已广泛应用于生产实践。故障诊断专家系统是故障诊断技术的发展方向之一，其主要运用于无法建立或者很难建立精确数学模型的复杂系统，主要组成结构包括知识库、综合数据库、推理机、解释机、人机交互子系统、故障征兆采集和识别子系统、知识获取子系统等，其优点之一是与人类思维同步，可用基本规则表示或者解释，易于理解；之二是个别事实的变化状况易于修改，并无需输入过多的细节知识；之三是可以解释自我推理、判断和诊断过程。但其仍存在例如准确度不稳定、知识库建立复杂困难、经验难于形式化描述、“冲突消解”和“组合爆炸”问题、推理效率低、缺少自我学习系统和自我适应机制等局限性，所以，还需通过智能化技术不断的完善改革以趋于完美化。 　　2.2 模糊诊断法和“人工神经网络”诊断法 　　模糊诊断法指通过利用“集合论”中隶属度函数和模糊关系矩