化工儀器網
技術文章
離心機機械故障診斷專家系統設計及其應用（二）
閱讀：2408 發布時間：2010-6-18據此, 以離心機振動信號拾取為主要故障探測手段, 建立離心機一般故障診斷專家系統, 其基本結構如圖2所示。具體過程為, 離心機各測點的振動信號由傳感器拾取, 經AöD 轉換存入微機; 采用數字信號處理技術, 對波形進行數字濾波和小波變換等數字信號提純處理; 以信號圖形數據的方式建立振動波形一級數據庫, 在模型庫中以信號分析的數值算法和數學模型建立二級數據庫; 以譜分析等為主要處理手段, 進行故障信息的數字特征提取和識別, 將分析和計算結果放入故障特征數據庫; 根據現有實際經驗和專家知識建立知識庫, 知識庫中主要存放一系列的事實和規則成分, 可以通過將前一步的特征信息調用事實和規則進行推理分析, 得出zui后的診斷結論。本系統設計思想是,程序設計采用模塊式結構, 可以進行功能擴充; 結合人工交互式人機對話方式, 使之不僅有易用的界面, 而且具備知識自學習功能擴展和記憶; 通過解釋系統, 使操作過程和診斷結果便于使用和理解, 有利于工廠實際操作, 并通過自學習能迅速處理同樣或類似的診斷問題。
離心機振動故障診斷專家系統應用
根據現場經驗和理論分析可知[3 ] , 對于轉鼓部分產生異常振動的一般故障有: 轉鼓不平衡、安裝不對中、共振、結構部件松動、轉鼓處產生摩擦、轉鼓結構缺陷和軸承磨損缺
陷等。這些故障都會反映在拾取到的振動信號譜分析中, 并與相應的頻率成分對應, 例如:õ 1ö3倍頻: 反映非線性振動部分, 如轉鼓處摩擦、轉鼓上緊固件松動產生的振動等;õ 1ö2倍頻: 除反映一般轉子的半速渦動和油膜振蕩故障外, 也能反映一些非線性振動的特征;õ 工頻: 振動中的zui明顯特征, 反映轉鼓的不平衡狀態;õ 二倍頻: 反映轉鼓不對中的情況。同時, 對軸損壞和不對稱等情況比較敏感;õ 三倍頻和四倍頻: 主要反映軸松動、軸裂紋等故障;õ 高頻峰群: 可以反映軸承的故障, 并通過具體的頻率計算來分析確定圖上位置;õ 用倒頻譜分析和細化頻譜來查找齒輪和軸承故障。在時域內尋找故障信息, 建立和識別故障特征, 主要應考慮:
（1） 檢查對應轉速的振動和相位;
（2） 檢測轉速和噪聲, 來直接反映轉子運行狀態的變化;
離心機機械故障診斷專家系統設計及其應用
（3） 記錄軸心位置坐標來反映轉子運行、潤滑情況等。
將上述信息進行實時記錄和數據處理, 建成診斷數據庫和知識庫, 作為診斷的基礎。建立的一級數據庫結構: 1）機型; 2） 測點代號; 3） 日期; 4） 振動波形; 5） 對應轉速; 6）
軸心軌跡等等。二級數據庫為對應數值處理后的各狀態特征參量和程度向量, 這里主要采用以振動響應功率譜為基礎, 提取譜圖相似因子、譜圖向量因子及反映譜圖隨頻率走向的變化等為主要的特征參數。在診斷規則和知識庫的確立中[4 ] , 除對上述典型故障的產生直接判別外, 同時用模糊數學的思想給出程度判斷和故障識別。我們知道, 機械地把振幅大于某值視為異常、小于某值視為正常是不*合理的。事實上, 當振幅小于某值時, 但接近于某值時也包含異常的可能, 需要用一個隸屬度函數來表征故障的程度, 而且在處理一個故障引起其它并發故障的問題時, 通過建立模糊關系矩陣, 可以將各類振動信號特征的隸屬度變換成各類故障的隸屬度。同時, 模糊矩陣的建立中, 可以使本系統所具有自學習功能, 通過對知識的積累和學習, 來自行產生符合處理對象的模糊診斷數據機制, 作出合理的判斷。在故障模式十分復雜的推理中, 基于神經網絡的專家系統比較理想, 因為神經網絡可以將問題的特征變為數字,將推理變為數值計算, 這樣的推理過程比較簡捷明了。但是, 眾多的故障信息并不都能以數字表示, 而且僅基于神經網絡的專家系統會在數據不充分時, 自動降級處理[5 ]。因此, 本系統的設計考慮采用規則與神經網絡結合, 在判據不明顯或不夠時向用戶提出必要的詢問, 充實判據, 使得出的結論更加貼切, 更具實效。
3 結束語
本文在離心機故障診斷理論基礎上, 應用人工智能技術, 結合發展, 系統地探討了離心機機械故障診斷專家系統的總體設計, 給出了關鍵問題的細節處理, 并以碟式分離心機為例給出具體應用。與以往純理論性討論相區別, 本文提出的設計思想及正在開展的研究工作, 可以將研究成果實時地轉化成為工業應用, 為生產實際服務。