浅谈机械设备故障的智能诊断

　浅谈机械设备故障的智能诊断

【摘 要】随着计算机技术以及人工智能技术的发展，智能诊断技术逐渐取代传统的故障诊断技术。本文通过分析比较常用的几种机械设备智能故障诊断技术，对实际生产中故障诊断方法的选取提供了参考依据。 

引言 

随着科技的不断发展，机械设备的复杂程度也随之增加，因此，当机械设备的某个零部件出现故障时，有可能导致整个系统失效。这种故障不仅有可能产生严重的经济损失，更有甚者可能会导致人员伤亡。因此，基于计算机技术的智能诊断逐渐受到越来越多的关注。随着模糊集理论、专家系统、神经网络、小波分析等检测技术的出现，故障诊断技术已发展成为一种多学科耦合的综合技术，了解并合理采用这些技术可以有效避免机械设备故障造成的生命安全及财产损失，对于保证系统的可靠性与安全性有十分重要的意义。 
　　
1 机械设备故障智能诊断方法 
　　
在机械设备的使用过程中，不可避免地会出现设备故障，为节约企业生产成本，保证企业职工生产过程中的生命安全，需要定期对设备进行故障诊断。过去，对于机械设备的故障诊断主要是采用传感器或者动态测试技术，通过信号处理来进行故障判断。而随着计算机技术等科技的不断发展，智能诊断技术得以广泛运用。通过采用计算机软件，把诊断过程知识化，不仅降低了故障诊断门槛，方便使用，同时提高了诊断结果的可靠性，因此机械设备的智能诊断是故障诊断技术未来的主要发展方向。目前，常用的智能故障诊断方法有：模糊理论方法、专家系统方法、人工神经网络法、远程式智能法等等[3]。 
　　
2 智能故障诊断方法分析 
　　
2.1 基于模糊理论的诊断方法 
　　
模糊理论最早于1965年被提出，描述了广泛存在的不确定的模糊事件。利用模糊数学中的模糊隶属关系，将各类的故障视为两类不同的模糊集，采用模糊关系矩阵来描述集合之间的关系。然而，机械设备的故障同时存在着确定性和非确定性，产生某一故障的原因有可能是单一的，也有可能是综合的，同时某一部件发生故障时，产生的效果也可能是多样性的。当然，当多个部件发生故障时会使得症状更为复杂。此时就需要探讨机械设备故障的模糊特征，做到对症下药。由于机械设备的故障诊断很难获取诊断知识，因此模糊理论对于智能诊断具有重要的现实意义。其优点是计算简单，可以较为方便的应用，获得直观明确的结论。然而对于故障趋势的预测存在着一定误差，有较强的主观因素，若特征参数的选择不当，则有可能导致诊断失误。 
　　
2.2 基于专家系统的诊断方法 
　　
基于专家系统的故障诊断是目前应用最为广泛的一种智能诊断技术，对于较难建立数学模型的复杂系统尤为适用。现有的基于专家系统的智能诊断方法主要包括基于浅知识、深知识以及复合式的故障诊断方法。 
　　
（1）浅知识。所谓基于浅知识的故障诊断实际是基于经验的故障诊断方法，以已有的经验知识为核心，通过适当的演绎推理得出诊断结果，找出故障集合并使之具备最佳的解释。此类专家诊断的不足是由于经验数据知识并不完备，当研究对象的复杂性过高时，则有可能造成诊断结果的失误。 
　　
（2）深知识。基于深知识的故障诊断主要依赖于一些已知的模型知识，诸如结构模型、功能模型、过程模型等等。在诊断过程中，通过确定对象明确的输入输出，比较实际输出与设定输出的差异，分析差异产生的原因，并根据既有模型知识的约束关系来寻找故障。与上述方法相比，基于深知识的故障诊断方法获取知识更为方便，对系统的维护也更加简单，有利于保证知识库的一致性和完备性。但不足之处是搜索空间较大，推理过程相对复杂因而速度较慢。 
　　
（3）复合式。复合式的故障诊断可视为上述二者的结合，通过浅层推理产生初步故障假设，再用深层诊断进行确认。采用这种智能故障诊断技术，有效提高了专家系统的故障诊断效果，它更适合于人类的思维方式，易于理解，无需大量的经验知识而可用基本规则来表示，合理进行推理过程。但需注意的是，此类专家系统仍然具有局限性，其诊断的准确性依赖于专家知识的丰富程度及知识水平的高低，对于难以用数字化方式来描述的经验，则较难采用这种方法。另外，专家系统的推理效率偏低，不能主动学习。 
　　
2.3 基于人工神经网络的诊断方法 
　　
基于人工神经网络的诊断方法是从生物学的角度出发，通过模拟人脑的神经结构，可以快速有效地对机械设备故障进行诊断，同时自主辨识工作环境，真正意义上实现智能化。在诊断过程中，通过捕捉并识别机械故障震动信号，并进行专业化分析来诊断。由于人工神经网络的预测模型和公式往往较为复杂，因此其训练样本数据较大，当样本选择不当或数据不足时有可能造成诊断结果失误。目前，对智能故障诊断的研究主要集中在：模式识别角度、预测角度以及知识角度的人工神经网络方法。 
　　
（1）模式识别。对于人工神经网络的故障诊断包括模式分类问题和识别问题，由于神经网络的信息存储特性使其具有很高的容错性，因此可以有效应对模式识别中的噪声干扰。由于人工神经网络具有自适应学习功能，因而可以从传统的经验知识中解脱出来，根据不同需求形成所需的决策区域。 
　　
（2）设备状态预报。对机械设备的状态预报可以在早期便发现故障，提高诊断的实时性。常用的状态预报方式有直接预报和组合预报。其中，组合预报会考虑输入与输出之间的动态关系，通过动态预测，实现实际过程中的非线性动态系统建模。然而，这种动态神经网络的结构复杂性明显提高，因此训练样本的困难较大。 
　　
（3）基于神经网络的智能诊断专家系统。该诊断系统结合了人工神经网络和专家系统，通过使用专家系统构造的神经网络，将基于符号的推理转换成知识网络结构，将逻辑推理与数值运算结合，利用神经网络的学习、联想记忆功能，解决机械设备系统中的不确定问题，提高故障诊断效率。这种智能诊断方式涉及多学科耦合问题，发展并不成熟。其缺陷是系统的诊断仍然受到训练样本的限制，样本选择不当会对诊断结果产生影响；系统诊断的推理过程及依据是隐式的，往往难以理解；另外，神经网络与传统计算技术的接口不够成熟，无法全面代替传统计算技术。 
　　
2.4 远程式故障诊断方法 
　　
远程故障诊断是将故障诊断与网络传输相结合，可以采用实时诊断或电子邮件诊断。实时诊断是采用在线视频监控系统，对工况现场进行监测，并将相关视频资料传给有关专家，通过专家的分析判断实现故障诊断。采用这种故障诊断方式可以集思广益，提高诊断结果的可靠性。而采用电子邮件的诊断方式，是通过现场工作人员对检测信息的整理，以电子邮件的形式传给诊断专家，再根据专家回复意见展开下一步工作。这种方式提高了故障分析的准确性，但时效性较差。 
　　
3 结论 
　　
随着科技的不断发展，智能技术已广泛运用于各个领域。对于机械设备的故障诊断，采用智能诊断技术可以有效提高诊断结果的可靠性。虽然目前智能故障诊断技术已经得以使用，但在实际诊断过程中仍有不少问题亟待解决。本文通过对目前较为常用的几种智能诊断技术进行详细介绍，分析其优劣及适用范围，对实际工程中故障诊断方法的选取起到了指导作用。未来的智能故障诊断将会采取多种诊断方法相结合的方式，这种方式提高了诊断的可靠性，但也增加了系统的复杂性，是故障诊断技术未来的发展趋势。 
　　
参考文献： 
[1]杨超，李亦滔.机械设备故障智能诊断技术的现状与发展[J].华东交通大学学报，2011（28）. 
[2]杨光.机械设备故障的智能诊断及预测维修系统的研究[J].科学之友，2011（20）. 
[3]李红梅.浅谈机械设备故障的智能诊断方法[J].科技创业家， 2013（1）.文/中国论文网