旋转机械常用故障诊断方法概述及研究发展现状
机械故障诊断技术是指通过对设备在运行中(或相对静态条件下)状态信息的处理和分析， 结合诊断对象的历史状况, 识别设备及其部件的实时技术状况，并预知有关异常、故障和预测其未来技术状况, 从而确定必要对策的技术，是一门以近代数学、电子计算机理论与技术、自动控制理论、信号处理技术、仿真技术、可靠性理论等有关学科为基础的，应用型的多学科交叉的边缘学科。用于设备故障诊断的方法很多，常用的按检测手段分有振动检测诊断法、噪声检测诊断法、温度检测诊断法、声发射检测诊断法、油液分析诊断法等。国内外还提出了其他一些故障诊断技术方法，主要有专家系统、人工神经网络、Petri网络、粗糙集理论等。
1、常用的故障诊断方法
振动检测诊断法
设备的零部件、整机都有不同程度的振动。机械设备的振动往往会影响其工作精度，加剧设备的磨损，加速疲劳破坏;而随着磨损的增加和疲劳损伤的瘇，机械设备的振动将更加剧烈，如此恶性循环，直至设备发生故障、破坏。
设备发生故障时，常表现为振动频率的变化，通过检测振动的频率、转数、振动的速度、加速度、位移量、相位等参数，并进行分析，从中可以找出产生振动变化的原因。具有实用可靠，判断准确的特点。振动分析法主要采用时域分析、频域分析、时序分析、时频域分析等方法来分析所采集的振动信号。
振动检测诊断法仍是当今诊断技术的主题，是最常用的诊断方法，具有实用可靠,判断准确的特点。
噪声检测诊断法
噪声检测诊断法就是以机器设备运行中的噪声作为信息源，在设备运行过程中，通过噪声参数的变化特征判别设备的运行状态。在机器设备的运行过程中，会辐射出一定能量的噪声。当发生故障时，其辐射的噪声信号也往往会发生改变，例如噪声级的加大，噪声信号频率的改变等等。同时，由于可以十分方便地对噪声信号进行非接触式测量，因此利用噪声信号对机器设备进行故障诊断是一种可行、有效的方法。
此法的本质与振动检测诊断法是一致的，因为噪声主要是由振动产生的。此法虽简便，但易受环境噪声影响，因此大都采用小波降噪。
温度检测诊断法
温度检测诊断法即以可观测的机械零件的温度作为信息源，在机器设备运行过程中，通过温度参数的变化特征判别设备的运行状态。一方面，零件的振动可以影响温度的变化;另一方面，温度的变化也会使旋转件的振动进一步加剧。此外，其它故障类型和温度变化之间也具有某种确定的关系，即温度信号中隐含着其它故障诊断信号的信息。
温度检测是能比较直观反映设备存在故障的一项重要检测手段。表1列出了一些常用的测温方法及特点。
表1 常用的测温方法 温度检测法并不是单一靠检测温度来对设备进行故障诊断,跟其他技术方法相结合就能更方便地应用于工程实践中。
声发射检测诊断法
材料中由于能量从局部源快速释放而产生瞬态弹性波的现象称为声发射(acousticemission，简称AE)。用仪器探测、记录、分析声发射信号和利用声发射信号推断声发射源的技术称为声发射检测(acoustic emission testing 简称AET)技术。
声发射技术具有许多优点，如适用于实时动态监控检测，且只显示和记录扩展的缺陷，与缺陷尺寸无关;对扩展的缺陷具有很高的灵敏度、整体性;缺陷所处位置和方向并不影响声发射的检测效果;受材料的性能和组织的影响小;方法比较简单，现场声发射检测监控与试验同步进行等。
声发射法可以检测缺陷、确定缺陷位置和评价结构的危险程度(安全性)。与其它常规无损检测方法相结合，使用声发射法将会取得最佳效果。声发射技术应用范围已覆盖航空、航天、石油化工、电力等领域。在转动设备的故障诊断方面，声发射技术主要应用于滚动轴承和滑动轴承的故障诊断。声发射技术应用的另一个重要方面是应用于检测泄漏。目前，人工神经网络声发射信号处理已成为国际上声发射技术研究的一个热点，我国声发射工作者在神经网络技术的应用方面取得了很大成绩，并曾在刀具磨损监测、声发射谱信号模式识别等方面取得成功。在最近召开的第14 届世界无损检测会议上，我国学者报导了利用人工神经网络技术对声发射源活动情况进行模式识别的新方法，该方法除可区别缺陷种类(裂纹、泄漏和噪声) 外，还可对裂纹的危害程度进行判断。
油液分析诊断法
油液分析技术又称为设备磨损工况监测技术，是一种新型的设备维护技术，它利用油液所携带的设备工况信息来对设备的当前工作状况以及未来工作状况作出判断，从而为设备的正确维护提供了有效的依据，达到预防性维修的目的。油液在设备中的各个运动部位循环流动时，设备的运行信息会在油液中留下痕迹，这些信息主要包括以下三个方面：
① 油液本身的物理和化学性质的变化
② 油液中设备磨损颗粒的分布
③ 油液中外侵物质的构成以及分布
采用油液分析技术进行机械设备故障诊断的特点有：
① 不拆机，无需安装传感器(随机监测除外);
② 操作易于掌握，有的方法十分简单和直观;
③ 信息量较大;
④ 需要有一个严密的管理体系(如油样的递送、机器状态的反馈等)，作为开展工作的组织保证;
⑤ 需要建立一个计算机管理系统，以完成大量数据的管理工作。
油液分析中，目前应用较多的有光谱分析和铁谱分析两种。油液分析结果有种类多、表征各异、离散与随机性、定量与定性交叉、信息量大、信息冗余和不一致性等特点，因此必须对油液分析的信息加以信息综合及信息融合。
2、国内外研究发展状况
基于专家系统的诊断方法
专家系统(expert system)是一中基于知识的人工智能诊断系统，其实质是应用大量人类专家的知识和推理方法求解复杂的实际问题的一种人工智能计算机程序。目前专家系统用于旋转机械的故障诊断是比较成功的。
基于专家系统的诊断方法的主要特点是可以方便地把运行人员的诊断经验用规则表示出来，并允许在知识库中增加、删除或修改一些规则，以确保诊断系统的实时性和有效性，同时还能够给出符合人类语言习惯的结论，并具有相应的解释能力等。专家系统在实际应用中仍然存在以下主要缺陷：
① 建立知识库及验证其完备性比较困难;
② 容错能力较差，缺乏有效的方法识别错误信息;
③ 大型专家系统的知识库的维护难度很大;
④ 专家系统在复杂故障诊断任务中会出现组合爆炸和推理速度慢的问题。
这些缺陷大大限制了专家系统的实际应用，主要应用于离线故障分析。而且，目前专家系统研究的核心问题是如何用计算机获取、表达、处理、和存储领域专家的经验和知识。
另一方面，尽管目前的专家系统及其开发工具有了较大的发展，但投入实际运行的专家系统并不多，且效率较低，问题求解能力更有待进一步提高。因为目前的专家系统主要是模拟某一领域中求解特定问题的专家的能力，而在模拟人类专家协作求解方面很少或几乎没有做什么工作。然而在现实世界中，协作求解是相当普遍的。其次，目前开发的专家系统的规模越来越大，并且十分复杂。这样就要求将大型专家系统的开发变成若干小的、相对独立的专家系统来开发，而且需要将许多不同领域的专家系统联合起来进行协作求解。
基于人工神经网络的诊断方法
与专家系统相比，基于人工神经网络(artificial neural network简称ANN)的故障诊断方法具有鲁棒性好、容错能力强和学习能力强等特点。目前主要有基于BP算法的前向神经网络和基于径向基函数的神经网络两种主要应用于旋转机械的故障诊断。
往往大型旋转机械是多个故障一起发生的，对于并发的故障进行诊断是一个备受关注的问题。基于ANN的诊断方法的主要特点是避免了专家系统故障所面临的知识库构造等难题，不需要推理机的构造。但其也有存在的问题：
① 其性能取决于样本是否完备;
② 与符号数据库交互的功能较弱;
③ 不擅长处理启发性的知识;
④ 不知如何确保ANN训练时收敛的快速性和避免陷入局部最小;
⑤ 缺乏解释自身行为和输出结果的能力。
由于需要采取相关措施优化ANN系统，其研究的热点及今后趋势就显现出来了：
① ANN与模糊集合论的结合用于故障诊断;
② ANN与遗传算法、进化算法相集合，用于调整网络结构和网络参数，获得优化的ANN系统;
③ 分岔和混沌与ANN结合用于研究非线性系统的故障诊断;
④ 统计数学和传统数学用于ANN;
⑤ 小波与分形和ANN的结合应用研究。
基于模糊Petri网络的诊断方法
Petri网是由德国学者Cah Aham Petri博士于1962 年创立的用于构造系统模型及动态特性分析的知识表示方法。Petri网不仅能描述系统的静态结构，也能描述系统的动态行为;既有严格的数学基础，也有易理解的可视化表达，是一个理想的用于系统描述的工具。近年来，Petri网以其强有力的描述具有并行或异步并发行为系统及处理并行推理的能力、良好的数学基础和便于工程化等特点，为故障诊断提供了全新的理论方法和实现手段。
Petri网络是在构造有向图的组合模型的基础上，形成可以用矩形运算所描述的严格定义的数学对象。Petri网络是离散事件动态系统建模和分析的理想工具。
基于Petri网络的诊断方法的主要特点是不是它可以对同时发生、次序发生或循环发生的故障演化过程进行定性和定量的分析。该方法存在的不足之处主要有：
① Petri网络方法的容错能力较差，不易识别错误的报警信息;
② 基本的Petri网络不能描述时间特征要求高的行为特征，因此在复杂系统建模时，需要采用高级的Petri网络。
基于粗糙集理论的诊断方法
粗糙集理论是波兰数学家PAWLAK在20世纪年代提出的用于分析和处理各种不完备信息、从中发现知识、揭示潜在规律的数学工具。
粗糙集理论的主要思想：在保持分类能力不变的前提下，通过知识约简，导出问题的决策或分类规则。它无需提供问题所需处理的数据集合之外的任何先验信息，能有效地分析和处理不精确、不一致、不完整等各种不完备数据，从中发现隐含知识，揭示潜在规律。签于粗糙集理论的优越性，已经有不少研究人员把它引入到故障诊断系统中。
基于粗糙集理论的诊断方法的主要特点是：它能较强地处理信息不完整和信息冗余的情形。该方法仍需要进一步改进：
① 粗糙集方法的诊断规则的获取取决于条件属性集下各种故障情况训练样本集;
② 当丢失或出错的警报信息是关键信号时，诊断结果将受到影响;
③ 当考虑发生多重故障时，粗糙集方法将出现决策表十分庞大，甚至出现组合爆炸的问题。
本文摘录自东南大学火电机组振动国家工程研究中心戴其兵，傅行军撰写的《旋转机械故障诊断方法概述》一文，该文收录于《江苏省工程热物理学会第二届学术会议论文集》。
页:
[1]