机械故障的诊断

一 机械故障诊断及其应用概述1 机械故障诊断

机械故障诊断是一种了解和掌握机器在运行过程的状态，确定其整体或局部正常或异常，早期发现故障及其原因，并能预报故障发展趋势的技术。油液监测、振动监测、噪声监测、性能趋势分析和无损探伤等为其主要的诊断技术方式。

2 应用

诊断技术发展几十年来，产生了巨大的经济效益，成为各国研究的热点。从诊断技术的各分支技术来看，美国占有领先地位。美国的一些公司，如Bently，HP等，他们的监测产品基本上代表了当今诊断技术的最高水平，不仅具有完善的监测功能，而且具有较强的诊断功能，在宇宙、军事、化工等方面具有广泛的应用。美国西屋公司的三套人工智能诊断软件（汽轮机TurbinAID，发电机GenAID，水化学ChemAID）对其所产机组的安全运行发挥了巨大的作用。还有美国通用电器公司研究的用于内燃电力机车故障排除的专家系统DELTA；美国NASA研制的用于动力系统诊断的专家系统；Delio Products公司研制的用于汽车发动机冷却系统噪声原因诊断的专家系统ENGING COOLING ADCISOR等。近年来，由于微机特别是便携机的迅速发展，基于便携机的在线、离线监测与诊断系统日益普及，如美国生产的M6000系列产品，得到了广泛的应用。

二 故障诊断新理论新技术1 故障诊断理论

(1)概述

现代故障诊断理论是一门综合性的理论，涉及如现代控制论、信号处理、模式识别、人工智能、数理统计以及相应的应用学科。

研究故障诊断理论和故障发生、发展的规律，发展故障识别技术，为故障治理提供决策支持，这是实现设备状态检修的基础。(2)故障诊断的基本概念和体系a设备是系统

可将工程中机械设备分为三类：简单系统，复合系统，复杂系统 。显然，机械设备是复杂系统。因为对相同的机械设备而言，即使在完全相同的输入下，设备的状态与行为（输出）也难于一样。 b系统征兆与特征信号

特征信号，是指系统的某部分输出，而这部分输出是同所关心的系统功能与约束条件紧密相关的。系统无故障、有故障的特征信号分别为正常的、异常的输出。

系统的征兆，是指对特征信号加以处理而提取出的、直接用于故障诊断信息，特征信号本身有时也可以作为征兆。

因此，如何选取包含有关状态信息量最多的特征信息，成为机械设备诊断学的重要研究内容之一。如何正确提取征兆并有效地用于设备诊断，也是机械设备故障诊断学的重要内容之一c系统故障的概念

所谓系统故障，是指系统的构造处于不正常状态（劣化状态）。它导致系统相应的功能失常，即导致系统响应的行为不满足期望的要求。系统的这种劣化状态称之为故障状态。

系统的故障，从其产生的因果关系上来分，它可分为两类：一类是原发性故障，即故障源；一类是引发性故障，即这类故障是由其他故障引发的，当原发性故障消失时，这类故障也自然消失。当然，原发性故障也有可能成为一个新的故障源。对于原发性故障，从其产生的性质来分，也可分为两类:一类是物态性故障，一类是参数性故障。

物态性故障是不可恢复的，除非修理或替换零件，参数性故障可以通过调整工作参数而消除或避开。设备的故障诊断，是指查明导致系统发生故障的指定层次子系统、联系的劣化状态。显然，故障诊断的实质就是状态识别。

必须强调的是，故障诊断一定要同系统的层次相联系，不指定诊断所对应的层次，则故障诊断的概念是不清楚的，故障诊断的内容也是不确定的。

2 故障诊断技术

(1)故障诊断的一般方法a振动诊断技术b声诊断技术c温度诊断技术d铁谱分析技术

e其它诊断技术如振声诊断,光学诊断技术(2)故障诊断新技术

a人工神经网络在故障诊断中的应用人工神经元的结构特征

每个神经元j均有一个输出，即状态yj神经元i到神经元j的作用是通过突触完成的，作用强度以系数wji表示每一个神经元i都有一个实数阈值bj，它与输入共同影响神经元的输出状态yj为所有与其相连的神经元i的

状态yi以及它们之间的连接强度wji和神经元j的阈值bj的函数。

ANN是对生物神经系统的简单描述，是由大量简单基本单元(人工神经元)相互广泛连接而成的复杂网络系统，它能反映人脑功能的若干基本特征.只是对生物神经系统的简化模拟，而不是逼真的描写.在ANN中，人工神经元是基本计算单元模拟了人脑中神经元的基本特性一般是多输入、单输出的非线性单元.信息分散地存储在连接线的权重上.人工神经网络系统是一种自适应非线性动态系统。ANN可用于模式识别、信号处理、自动控制、人工智能、优化计算等方面。ANN可用于设备故障诊断。

人工神经网络的特点是高维性：神经元数目较大（并行处理能

力）。神经元间连接的广泛性（分布式存储）。和自适应性：网络的连接线权重可在“学习”或“使用”中不断调整，适应特定的功能需要（自学习功能）。

b专家系统在故障诊断中的应用

运用专家系统进行故障诊断，具有广阔的应用前景和明显优势,可集中领域专家的集体智慧,适用于各种场合的故障诊断和不受现场操作者和其它人为因素的影响。电力系统的专家系统中约35.7%的是用于故障诊断、警报处理和事故评估的。c小波变换在故障诊断中的应用

小波变换的研究和应用日益广泛。，如信号处理、图象处理、量子场论、地震勘探、语音识别与合成、音乐、雷达、CT成像、彩色复印、流体湍流、天体识别、机器视觉、故障诊断与监控、分形以及数字电视等

具有代表性和应用较广的小波函数主要有：Haar小波、Daubechies小波系列（简称db）、Biorthgonal小波系列（简称bior）、Coiflets小波系列（简称coif）、Symlets小波系列（简称sym）、Morlet小波、

Mexicanhat小波、Meyer小波等。应用小波变换有时可以提取出其它方法无法获取的故障特征信息。

v 应用小波进行故障诊断的具体实现方法：采用WT或小波包分解对检测信号进行消噪、滤波、压缩、重构等处理，用WT提取特定频率信号或提取故障特征，直接根据WT的结果进行故障诊断，应用时所采用的小波多种多样。

d信息融合技术在故障诊断中的应用

v 信息融合(多传感器数据融合)：利用计算机技术对按时序获得的若干传感器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。将来自多传感器或多源的信息和数据进行综合处理，从而得出更为准确可信的结论。

数据层融合：特征层信息融合属于中间层次，先对来自传感器的原始信息进行特征提取，然后对特征信息进行综合分析和处理，在直接在采集到的原始数据层上进行融合，在各种传感器的原始信息未经预处理之前就进行数据的综合和分析，是最低层次的融合。包括多传感器系统上反映的直接的数据及其必要的预处理或分析等过程。如：对信号的滤波、各种谱分析、小波分析等。

特征层融合：特征层信息融合属于中间层次，先对来自传感器的原始信息进行特征提取，然后对特征信息进行综合分析和处理，包括对数据层融合结果进行有效的决策，大致对应各种故障诊断方法。

决策层融合：决策层信息融合是一种高层次的融合，其结果为指挥控制决策提供依据，对应故障隔离、系统降额使用等针对故障诊断结果进行的各种故障对策。

三 前景展望

　 随着计算机技术、嵌入式技术以及新兴的虚拟仪器技术的发展，故障诊断装置和仪器己经由最初的模拟式监测仪表发展到现在的基于计算机的实时在线监测一与故障诊断系统和基于微机的便携式监测分析系统。这类系统一般具有强大的信号分析与数据管理功能，能全面记录反映机器运行状态变化的各种信息，实现故障的精确诊断。随着网络技术的发展，远程分布式监测诊断系统成为目前的一个研究开发热点。