论文部分内容阅读
摘 要：随着经济的快速发展，机械化、智能化已经逐渐取代手工操作，同时机械的维护与保养工作也越来越受到人们的重视，旋转机械故障诊断技术是其中重要的意义，旋转机械故障诊断包括故障类型的诊断和故障严重程度的诊断两部分，但是现在提出的方法，大多是从其中一方面进行研究，把两者进行综合分析，本文在评述、比较方法的基础上，提出综合利用小波包理论、神经网络理论及模糊识别理论进行旋转故障诊断的方法，用计算机实现全部算法，可以争取识别故障的类型，不断的对故障的严重程度及发展趋势进行可靠的诊断。
关键词：模糊神经网络；旋转机械故障；诊断；研究
一、基于组合式模糊神经网络的旋转机械故障诊断模型
1.模型总体结构
这种模型由两层多个模糊神经网络构成，以转子振动不同频段上的振幅分布为旋转机械故障特征信息，采用的模糊神经网络是把模糊逻辑融合到前向神经网络的输入层合输出层中，这个时候的模糊神经网络的输入变量和输出变量都表示为模糊隶属度，网络输出结果是各输出模式的隶属度，模型第一层为一个决策模糊神经网络，其输入为故障特征隶属度矢量X，输出为故障模式类型隶属度矢量Y，模型的第二层由六个诊断模糊神经网络组成，诊断模糊神经网络是根据旋转机械常见故障振动频谱分布情况，采用故障分解方法进行划分的，分别为低频故障诊断模糊神经网络模块A，工频故障诊断模糊神经网络模块R，高频故障诊断模糊神经网络模块S，低频和高频故障诊断模糊神经网络模块AS，工频和高频故障诊断模块RS，低频、工频和高频故障诊断模糊神经网络模块ARS。
模型在进行故障诊断时可分为真原则，确定第二层故障诊断模糊神经网络被激活为真，对于第二层的诊断模糊神经网络计算推理，根据网络计算得到的故障模式隶属度矢量值和大隶属度优先为真原则，并且通过联想推理，得出准确的结果。
2.模糊神经网络构造
基于组合式模糊神经网络的旋转机械故障诊断模型中，第一层的决策模糊神经网络和第二层的六个诊断模糊神经网络都是采用输入、输出模糊化的BP前向神经网络结构。
二、旋转机械故障诊断方法及步骤
对于旋转机械出现故障的时候，诊断信号会发生相应的变化，集中反映在部分特征频段上，其变化及比例关系反映出机械设备振动的特点及故障类型，频谱分析是提取振动信号特征最常见的方法，主要就是把特征频率点的振幅当作特征参数，但是特征频率点的振幅无法全面反映信号的振动特征，还有就是这种方法的抗干扰的能力很差，小波包对信号进行多维多分辨分析，然后把信号逐层分解到频段序列中，这样会适用于平稳信号，所以小波包分解适合于振动信号的特征提取，而且会更加的全面和准确，抗干扰的能力比较强，所以本文采用小波包分解提取振动信号的特征。
提取的信号特征可输入神经网络进行故障类型识别其中比较常用的是BP神经网络，但是这种网络存在学习时间长的缺陷，而且对于学习的故障模式有很强的识别能力，对于未知的学习模式缺少调整手段，而且很容易出现错判、漏判的情况。ART2神经网络具有无监督自学习的能力，所以对未知故障类型具有自归类能力，可以有的减少错判、漏判的概率，用最快是的算法对全值进行学习，使得学习速度加快，对信号进行实时的学习、实时的处理，可以对学习模式响应和自动识别，这样有利于在线监测和实时识别，还有就是具有自归能力和噪声抑制能力，对输入特征向量再做归一化处理，并通过改变网络参数调节噪声抑制能力，其优点在于适合旋转机械故障实时的进行判断，并且对故障类型进行识别。
正确的识别故障类型，对故障进行判断，由于故障因素及故障描述存在模糊性，所以无法用精确描述确定故障的严重程度，模糊识别为了是解决这个问题的重要手段，还有就是通过权值系数矩阵的加权处理，很容易出现特征信息的融合。
对于不同类型的故障，反映严重的程度特征来那个不同，如不平衡故障的大小主要反映的是通频振动能量和工频段振动能量，对油膜涡动，应该从0.48-0.5倍工频段振动能量大小进行考虑，这主要反映出故障来识别特殊性，其中主要对不同的类型故障，应选择与提取不同的特征量判断严重程度，就算选择的特征量的重要程度也是不同的，其中解决方法就是识别故障类型，根据故障类型，选用不同的特征量、模糊变换矩阵及权值系数矩阵进行故障严重程度判断。
三、旋转机械故障诊断技术研究的发展趋势
1.诊断的智能化
诊断的智能化就是要求在缺乏领域专家的时候，可以准确、迅速、自主的完成诊断任务，另外还要求诊断系统可以在运行过程中，半自主甚至是全自主地学习吸收领域专家知识，不断的去自我完善，诊断的智能化同时也是诊断技术及诊断系统在工程实践中推广应用的必备条件。
2.诊断的系统化
诊断的系统化就是对监测诊断任务来说的，具体的故障可能会显示出很多类型的征兆信息，可以采用的监测与诊断技术也有很多，得到的初步诊断结果可能相互验证，其中可能会有相互的矛盾，所以必须强调多故障征兆信息的系统化融合诊断，提高诊断准确度，对于旋转机械来说，可能会有很多故障点，各种故障也可能是相互联系的，而且是相互影响的，所以需要由系统单故障诊断到多故障并行诊断的转变，可以有效的区别对待局部故障的系统故障。
3.诊断的早期化
选择机械故障分为原发型故障和诱导型故障，诊断系统要求可以检测旋转机械全寿命期内的各种故障，一般情况下旋转机械运行寿命期发生原发型故障的可能性很小，还存在各种潜在的故障，而且具有一定的故障征兆，潜在故障在运行的时候会有很大的影响，最终导致一些突发的诱导型故障产生，如果无法正确诊断，对于旋转机械的有计划维修管理及延寿具有重要意义。
4.诊断的网络化
网络化是机械设备故障诊断的重要发展方向，旋转机械是非常复杂的机械设备，故障的表现形式十分的复杂，为了提高对疑难故障的诊断速度和准确性，利用资源，降低检测和诊断成本，应用基于Internet的多Agent远程联合诊断技术，还有网络化的状态监测与故障诊断技术与先进的物流技术和维修管理技术相结合，还可以降低发动机运行成本，提高经济性的有效手段。
随着知识经济的到来，世界经济的全球化和一体化，人类对环境的要求也很高，對于机械设备状态监测和故障诊断技术的要求也很高，实现诊断性能的要求，有利于保护环境、节约能源、使用简单可靠，使得机械设备状态监测和故障诊断技术向着环境相协调的方向发展。
结语：
模糊神经网络在选择机械故障诊断中应用十分广泛，模糊神经网络是旋转机械振动信号特征选择及特征提取工具的可行性，具有广泛的前景，对于旋转机械常见的故障类型进行识别，可以可靠的诊断严重程度及发展趋势，对于提高旋转机械故障的智能化诊断水平具有重要的意义。
参考文献：
[1]王玉红；基于模糊神经网络的信用风险评级研究[D]；哈尔滨工程大学；2006年
[2]谢珺；郝伟；谢克明；；免疫群体网络算法及其在电站风机故障诊断中的应用[J]；北京工业大学学报；2008年11期
[3]张生；基于振动信号处理及模态分析的机械故障诊断技术研究[D]；燕山大学；2009年
[4]康利利；基于LabVIEW的压缩机振动分析与故障诊断方法研究[D]；内蒙古大学；2012年
关键词：模糊神经网络；旋转机械故障；诊断；研究
一、基于组合式模糊神经网络的旋转机械故障诊断模型
1.模型总体结构
这种模型由两层多个模糊神经网络构成，以转子振动不同频段上的振幅分布为旋转机械故障特征信息，采用的模糊神经网络是把模糊逻辑融合到前向神经网络的输入层合输出层中，这个时候的模糊神经网络的输入变量和输出变量都表示为模糊隶属度，网络输出结果是各输出模式的隶属度，模型第一层为一个决策模糊神经网络，其输入为故障特征隶属度矢量X，输出为故障模式类型隶属度矢量Y，模型的第二层由六个诊断模糊神经网络组成，诊断模糊神经网络是根据旋转机械常见故障振动频谱分布情况，采用故障分解方法进行划分的，分别为低频故障诊断模糊神经网络模块A，工频故障诊断模糊神经网络模块R，高频故障诊断模糊神经网络模块S，低频和高频故障诊断模糊神经网络模块AS，工频和高频故障诊断模块RS，低频、工频和高频故障诊断模糊神经网络模块ARS。
模型在进行故障诊断时可分为真原则，确定第二层故障诊断模糊神经网络被激活为真，对于第二层的诊断模糊神经网络计算推理，根据网络计算得到的故障模式隶属度矢量值和大隶属度优先为真原则，并且通过联想推理，得出准确的结果。
2.模糊神经网络构造
基于组合式模糊神经网络的旋转机械故障诊断模型中，第一层的决策模糊神经网络和第二层的六个诊断模糊神经网络都是采用输入、输出模糊化的BP前向神经网络结构。
二、旋转机械故障诊断方法及步骤
对于旋转机械出现故障的时候，诊断信号会发生相应的变化，集中反映在部分特征频段上，其变化及比例关系反映出机械设备振动的特点及故障类型，频谱分析是提取振动信号特征最常见的方法，主要就是把特征频率点的振幅当作特征参数，但是特征频率点的振幅无法全面反映信号的振动特征，还有就是这种方法的抗干扰的能力很差，小波包对信号进行多维多分辨分析，然后把信号逐层分解到频段序列中，这样会适用于平稳信号，所以小波包分解适合于振动信号的特征提取，而且会更加的全面和准确，抗干扰的能力比较强，所以本文采用小波包分解提取振动信号的特征。
提取的信号特征可输入神经网络进行故障类型识别其中比较常用的是BP神经网络，但是这种网络存在学习时间长的缺陷，而且对于学习的故障模式有很强的识别能力，对于未知的学习模式缺少调整手段，而且很容易出现错判、漏判的情况。ART2神经网络具有无监督自学习的能力，所以对未知故障类型具有自归类能力，可以有的减少错判、漏判的概率，用最快是的算法对全值进行学习，使得学习速度加快，对信号进行实时的学习、实时的处理，可以对学习模式响应和自动识别，这样有利于在线监测和实时识别，还有就是具有自归能力和噪声抑制能力，对输入特征向量再做归一化处理，并通过改变网络参数调节噪声抑制能力，其优点在于适合旋转机械故障实时的进行判断，并且对故障类型进行识别。
正确的识别故障类型，对故障进行判断，由于故障因素及故障描述存在模糊性，所以无法用精确描述确定故障的严重程度，模糊识别为了是解决这个问题的重要手段，还有就是通过权值系数矩阵的加权处理，很容易出现特征信息的融合。
对于不同类型的故障，反映严重的程度特征来那个不同，如不平衡故障的大小主要反映的是通频振动能量和工频段振动能量，对油膜涡动，应该从0.48-0.5倍工频段振动能量大小进行考虑，这主要反映出故障来识别特殊性，其中主要对不同的类型故障，应选择与提取不同的特征量判断严重程度，就算选择的特征量的重要程度也是不同的，其中解决方法就是识别故障类型，根据故障类型，选用不同的特征量、模糊变换矩阵及权值系数矩阵进行故障严重程度判断。
三、旋转机械故障诊断技术研究的发展趋势
1.诊断的智能化
诊断的智能化就是要求在缺乏领域专家的时候，可以准确、迅速、自主的完成诊断任务，另外还要求诊断系统可以在运行过程中，半自主甚至是全自主地学习吸收领域专家知识，不断的去自我完善，诊断的智能化同时也是诊断技术及诊断系统在工程实践中推广应用的必备条件。
2.诊断的系统化
诊断的系统化就是对监测诊断任务来说的，具体的故障可能会显示出很多类型的征兆信息，可以采用的监测与诊断技术也有很多，得到的初步诊断结果可能相互验证，其中可能会有相互的矛盾，所以必须强调多故障征兆信息的系统化融合诊断，提高诊断准确度，对于旋转机械来说，可能会有很多故障点，各种故障也可能是相互联系的，而且是相互影响的，所以需要由系统单故障诊断到多故障并行诊断的转变，可以有效的区别对待局部故障的系统故障。
3.诊断的早期化
选择机械故障分为原发型故障和诱导型故障，诊断系统要求可以检测旋转机械全寿命期内的各种故障，一般情况下旋转机械运行寿命期发生原发型故障的可能性很小，还存在各种潜在的故障，而且具有一定的故障征兆，潜在故障在运行的时候会有很大的影响，最终导致一些突发的诱导型故障产生，如果无法正确诊断，对于旋转机械的有计划维修管理及延寿具有重要意义。
4.诊断的网络化
网络化是机械设备故障诊断的重要发展方向，旋转机械是非常复杂的机械设备，故障的表现形式十分的复杂，为了提高对疑难故障的诊断速度和准确性，利用资源，降低检测和诊断成本，应用基于Internet的多Agent远程联合诊断技术，还有网络化的状态监测与故障诊断技术与先进的物流技术和维修管理技术相结合，还可以降低发动机运行成本，提高经济性的有效手段。
随着知识经济的到来，世界经济的全球化和一体化，人类对环境的要求也很高，對于机械设备状态监测和故障诊断技术的要求也很高，实现诊断性能的要求，有利于保护环境、节约能源、使用简单可靠，使得机械设备状态监测和故障诊断技术向着环境相协调的方向发展。
结语：
模糊神经网络在选择机械故障诊断中应用十分广泛，模糊神经网络是旋转机械振动信号特征选择及特征提取工具的可行性，具有广泛的前景，对于旋转机械常见的故障类型进行识别，可以可靠的诊断严重程度及发展趋势，对于提高旋转机械故障的智能化诊断水平具有重要的意义。
参考文献：
[1]王玉红；基于模糊神经网络的信用风险评级研究[D]；哈尔滨工程大学；2006年
[2]谢珺；郝伟；谢克明；；免疫群体网络算法及其在电站风机故障诊断中的应用[J]；北京工业大学学报；2008年11期
[3]张生；基于振动信号处理及模态分析的机械故障诊断技术研究[D]；燕山大学；2009年
[4]康利利；基于LabVIEW的压缩机振动分析与故障诊断方法研究[D]；内蒙古大学；2012年