CN1244801C - 旋转机械故障智能诊断方法与装置 - Google Patents

Abstract

本发明涉及一种旋转机械故障智能诊断方法与装置，包括与键相信号和快变信号连接的预处理板，控制整个周期采样的键相板和采集振动信号的高速采集板；采集缓变信号的低速数据采集板；它们均与下位机(服务器)连接，完成机组运行的数据采集、信号分析及特征参数的自动识别与提取，实现对设备运行状态的监测并为上位机提供机组运行实时特征参数。下位机通过网卡或IP协议实现与上位机之间的高速通信，上位机装有一个集专家知识规则、模糊逻辑、神经网络与一体的智能推理机和一个采用三层次的图形化模糊神经网络专家知识库，利用下位机采集处理的实时特征信号，根据旋转机械领域专家知识通过智能推理机实现对设备运行趋势进行预测和对设备故障进行智能诊断。

Description

旋转机械故障智能诊断方法与装置

技术领域：

本发明涉及一种旋转机械故障智能诊断方法与装置。

背景技术：

随着科技的迅速发展，象汽轮机、发电机、鼓风机、压缩机等大型旋转机械设备日趋大型化、高速化、复杂化，其产生故障的可能性或概率增加。因此，及时预测旋转机械设备劣化趋势、进行故障智能诊断预报并迅速处理，并逐步实现远程诊断，具有重要的实用意义。

目前国外故障诊断系统有CSI公司的CSI2115/1900/2000，SKF-CM公司的CMVA40/20/10，Bently公司的Suapshot，Entek-IRD公司的data PAC1500，EDL(EMONITOR dataline)、EBL(EMONITOR，baseline)HP公司的HP3560A，丹麦B&K公司的BK2515、英国DI公司的PL22/202/302在线诊断系统有Bently公司的TDM/DDM/PDM，ADR3，Trend Mastar 2000，System 64，SKF-CM公司的M8000，瑞士Vibro-Meter公司的System 501，日本三菱公司的HMH；国内的监测与诊断系统有哈尔滨工业大学的MMMD-III，上海交通大学的VCMDS-III，西安交通大学的RB-20、清华大学的BB-1、华中科技大学的DEST、重庆大学的CDMS-90、浙江大学的CMD-2等。但这些系统的诊断方法均存在设备故障部位及故障原因要凭专家的经验人工判断；知识表达和利用的“瓶颈”，人机接口柔性差；系统学习能力差不能有效地评估、完善、扩充专家知识；大多不具备人工智能、缺乏对测试结果的解释功能等问题。“大型旋转机组在线状态监测与故障诊断系统”(ZL97102397.2)提出了一种由信号预处理板、高速数据采集卡、上下位机构成的大型旋转机组在线状态监测与故障诊断系统，可实现对数据的采集、监视与故障诊断，但该系统依然是凭测试人员的经验人工判断，没有相应的专家知识库和智能推理机，不具备智能诊断功能。

发明内容：

本发明的目的是设计一套以传感器、信号采集预处理板、数据采集卡、上下工控机构成的旋转机械在线状态监测与故障智能诊断系统，利用各种传感器检测到的键相信号、快变信号、缓变信号和开关信号，通过分析和处理实现设备运行状态的在线监测和故障诊断，同时具有自检功能；

本发明的另一个目的是将系统的物理规律和数学模型结合起来，利用领域专家知识库和由专家知识规则推理机、模糊逻辑推理机和神经网络推理机构成智能推理引擎，实现设备故障的智能诊断；

本发明的再一个目的是实现图形化模糊神经网络专家知识表达，使专家知识增加、删除、修改更方便，推理过程更透明，克服背景技术中存在的问题。

本发明采用的技术方案：

1、旋转机械故障智能诊断方法，由一个决策融合模块、一个专家知识库、一个数据引擎模块和智能推理引擎四个模块构成，该方法按以下步骤进行：

1)信号采集与预处理，对传感器采集的信号进行相应的处理，并将模拟信号转换成数字信号；

2)实时监视与状态识别，将获得机组状态信息的数字信号进行频域、时域分析、相位分析、轴心轨迹分析、瞬态分析、波德图分析与振动矢量分析，得到机组振动波形、频谱、轴心轨迹、棒图、趋势，根据设定的报警门限实时显示机组运行状态，并提取机组运行状态的特征参数；

3)故障在线分析与智能诊断，根据获得的机组运行状态的特征参数，利用专家知识库和智能推理机诊断出机组可能存在的故障及其原因、部位和严重程度，并实现机组运行状态的预报：

a)专家知识库采用图形化模糊神经网络专家知识表达方式，图形化的专家知识表达是由分布在三个层次上的多个节点以及节点间的连线所组成，画在底层的节点代表的“数据”，用符号D1、D2、D3、……代表，或者是提取的机组故障特征参数、机组运行参数，或者是机组的工作状态、检修记录这些广泛意义上的参数；安排在中间层的是症状现象用符号E1、E2、E3、……代表，或者是工作条件、参数范围、参数变化这些能直接观察到的现象，或者是间接观察到的现象，即多种广泛意义上的故障现象；画在最高层的节点表述故障原因，用符号F1、F2、F3、……代表。这三层次结构是按照诊断推理思想，用连线连接的数据节点和故障现象节点，再连接故障现象节点和故障原因节点，就构成了图形化模糊神经网络专家知识库；

b)故障诊断推理是由智能推理机完成，智能推理机由专家知识规则推理机、模糊逻辑推理机和神经网络推理机构成，或者根据需要选择其中一种或两种推理方式来进行，或者采用三种推理方式同时进行，利用优化来决策，使故障诊断系统实用于多变量多过程的复杂系统；

4)远程网络监控与诊断，采用工业级现场网和局域网联合方式，同时还通过宽带网或全国公用电话网或数字微波进行信息的远距离交换处理，实现远程监控分析诊断。

2、旋转机械故障智能诊断装置包括：

1)与1路键相信号1，6路快变信号2，12路开关信号4连接的高密度可编程逻辑器件10：

a)1路键相信号1经过第一放大6a、第一比较6b、第一光隔6c后再与高密度可编程逻辑器件10连接；

b)6路快变信号2经过第二放大7a、第一滤波7b、第一同步采保7c、A/D转换7d后再与高密度可编程逻辑器件10连接；

c)12路开关信号4经过第四放大9a、第二比较9b、第二光隔9c后再与高密度可编程逻辑器件10连接；

2)16路缓变信号3经过第三放大8a、第二滤波8b、第二采保8c后再与信号采集板11相连；

3)1路自检信号5经过第五放大5a后再与信号采集板11相连；

4)信号采集板11与下位机12相连，经过信号分析处理、特征参数识别与提取13后再通过网卡或IP协议14与上位机15连接，上位机15与智能推理诊断系统16连接：

a)下位机12还包括显示器12a、鼠标12b、键盘12c、和打印机12d；

b)信号分析处理、特征参数识别与提取13；

c)上位机15还包括显示器15a、鼠标15b、键盘15c、和打印机15d；

d)智能推理诊断系统16有推理机16a、专家知识库16b、决策融合模块16c。

技术效果：

本发明采用软件和硬件结合的方式，利用专家系统、神经网络、模糊逻辑和人工智能技术，使数据采集、信号分析处理、设备状态监测与故障诊断技术相结合，实现设备状态故障监测与故障诊断的自动化、智能化、网络化，使大型机械设备状态监测与故障诊断预报系统的技术水平上一个台阶，实现从“定期维修”到“视情维修”的方向转变，从现场诊断向“远程诊断”转变为生产、维修管理及决策提供强有力的保障；

本发明特有的三层次图形化模糊神经网络专家知识表达方式，突破了共性知识和专家知识的学习、获取、表达与利用的瓶颈问题，使专家知识库具有分布式、容错性、重点性、模糊性及原则上容错、结构拓扑、鲁棒、联想、推测、记忆、自适应、自学习、并行处理复杂模式的特点和功能。专家知识输入方法使代码的编写、调试和系统集成于一体，大大地节约了时间，而且也减少了人为出错的可能性；

本发明将专家系统推理机、神经网络推理机、模糊逻辑推理机有机结合、并行运行，充分发挥各个推理算法的优势，克服其中的不足，使智能推理达更加适用于多变量、多参数、多目标及多过程的复杂系统。同时采用了M-ARY理论对推理结果进行优化，并且通过历史资料分析和在线强化学习来调整专家知识、调整推理结构，能充分保证推理结果的准确性；

本发明克服了背景技术中只能实现越限报警，不能综合利用测试资料、特征参数及现象征兆深入分析设备运行的劣化趋势、设备故障部位及故障原因和故障程度并提出处理的专家建议的不足，实现了真正意义上的智能诊断。通过修改相应专家知识库，亦可对其它系统的故障进行智能诊断。

附图说明：

图1本发明的总体框图；

图2相位信号处理电路；

图3快变信号处理电路；

图4开关信号处理电路；

图5变信号处理电路；

图6自控系统处理电路；

图7实施例方框结构；

图8故障智能诊断系统基本构成

图9故障智能诊断系统结构框图；

图10实施例诊断系统结构流程图；

图11转子不平衡图形化专家知识表达；

图12转子不对中图形化专家知识表达；

图13转子弯曲图形化专家知识表达；

图14转子裂纹图形化专家知识表达；

图15油膜涡动图形化专家知识表达；

图16油膜振荡图形化专家知识表达；

图17智能推理结构图；

图18模糊逻辑推理程序框图；

图19网络化诊断；

图20多机组网络化诊断诊断系统结构框图。

具体实施方式：

如图1所示，转轴上的1路键相信号1经过6放大、比较、光隔，如图2所示，再与密度可编程逻辑器件连接，进行接口箱11；6路快变信号2经过7放大、滤波、同步采保、A/D转换，如图3所示，再与高密度可编程逻辑器件连接，进入接口箱11；12路开关信号4经过9放大、比较、光隔，如图4，再与高密度可编程逻辑器件连接，进入接口箱11；16路缓变信号3经过8放大、滤波、采保，如图5所示，进入接口箱11；接口箱11与下位机12相连，经过信号分析处理、特征参数识别与提取13后通过网卡或工P协议14与上位机15连接，上位机15与智能推理诊断系统16连接。

图2是相位信号处理电路，图中C1为隔值电容，是一个高通滤波器，R1、C2构成一个低通滤波器，R3、R2为调整放大倍数，LM339为一比较器，R3调整比较电压的大小，R4、R6构成了电路的滞同特性，LM339比较输出信号接收光隔输入，可以减少系统间的相互干扰。输出信号接到高密度可编程逻辑器中。图3是快变信号处理电路，图中的滤波放大电路与图2相同，φ_k为多路保持控制开关，确保多路被测信号同时被采集。图4是开关信号处理电路，电路原理与相位信号电路部分相同。图5是慢变信号处理电路，原理同图2相同，A/D转换路数为一路、多路用电子开关元件。图6是自控系统处理电路。

针对具体实施例如图7所示，由压力、温度、流量传感器检测到风机进出参数的缓变信号，由振动加速度、速度传感器检测到的风机壳体和转子快变信号以及由涡流传感器检测到的转子键相信号经相应的信号预处理电路进行处理，实现信号的采集和预处理。被检测的出口压力17、流量18，进口压力22、流量23，油温度20这些缓变信号和壳体如振动加速度信号21、转子振动位移信号19，19-1径向水平，19-2径向垂直，19-3轴向这些快变信号经过信号预处理后与接口箱24连接，完成信号预处理和数据采集后进入下位机25经过下位机信号分析处理、特征参数自动识别和提取后，由网卡或IP协议进入上位机26，上位机获得的数据经智能诊断系统，结合专家知识规则给出故障的原因、部位、发展趋势及专家治理建议等。故障智能诊断系统基本构成如图8所示，其系统构成框图如图9所示，对于具体实施例的测试诊断流程图如10所示，信号采集与分析是利用现有软件来实现，整个故障智能诊断系统的核心部分是专家知识库的建立和智能推理机。

根据专家知识对特征参数的需求，结合具体对象，选择测点、布置传感器，通过传感器获取振动信息、状态信息及控制信息，根据信号的不同采取不同的预处理方式，进入接口箱进行信号调理、多路数据采集、采样保持与A/D转换，最终通过计算机软件实现数据通讯、数据采集、数据存储及数据的图形化显示；利用现有的信号分析软件将采集的信号进行频域、时域及相位分析、轴心轨迹分析、瞬态分析、波德图分析与振动矢量分析，时域分析包括时域波形分析、时域特征分析、时间序列分析、时域相关分析等，频域分析主要包括频谱分析、频谱特征分析、解调谱分析、细化谱分析等。根据不同的测试对象，通过信号分析处理显示风机的性能参数和运行状态，并提取风机振动的各阶振动频率及其幅值、轴心轨迹、振动方向、振动稳定性、相位特征以及转速、负荷、流量、压力变化这些反映机组故障规律的特征参数，供智能推理平台使用，由智能推理机结合领域专家知识进行推理诊断，其核心部分是专家知识库和智能推理机：

如图7所示鼓风机常见的转子不平衡、不对中、转子弯曲、转子裂纹、油膜涡动、油膜振荡、旋转失速、喘振故障领域专家知识见表1。

                         表1领域专家知识

1)质量偏心引起的转子不平衡

特征频率	1倍频高
		振动稳定性	稳定
振动方向	径向振动
		相位特征	相位稳定
轴心轨迹	轴心轨迹椭圆
		进动方向	正进动
矢量区域	不变
		随转速变化	明显
随负荷变化	不明显
		随油温变化	不变
随流量变化	不变
		随压力变化	不变

2)转子部件缺损引起的转子不平衡

特征频率	1倍频高
		振动稳定性	突发性增大后稳定
振动方向	径向振动
		相位特征	相位突变后稳定
轴心轨迹	轴心轨迹椭圆
		进动方向	正进动
矢量区域	突变后稳定
		随转速变化	明显
随负荷变化	不明显
		随油温变化	不变
随流量变化	不变
		随压力变化	不变
其它	振幅突然增加

3)转子不对中

特征频率	2倍频高
		常伴频率	1倍频、3倍频
振动稳定性	稳定
		振动方向	径向、轴向振动
相位特征	相位较稳定
		轴心轨迹	轴心轨迹双环椭圆
进动方向	正进动
		矢量区域	稳定
随转速变化	明显
		随负荷变化	明显
随油温变化	有影响
		随流量变化	有影响
随压力变化	有影响
		其它	轴向振动大；联轴器相邻轴承处振动较大；机器随负荷增加，振动增大；对环境温度变化敏感

4)转子弓形弯曲

特征频率	1倍频高
		常伴频率	2倍频
振动稳定性	稳定
		振动方向	径向、轴向振动
相位特征	相位稳定
		轴心轨迹	轴心轨迹椭圆
进动方向	正进动
		矢量区域	起始点增大，随运行继续增大
随转速变化	明显
		随负荷变化	不明显
随油温变化	不变
		随流量变化	不变
随压力变化	不变
		其它	升速运行时，低速振动幅值较大；转子两端相位差180°

5)转子裂纹

特征频率	2倍半临界点频率
		常伴频率	2倍频、3倍频、高次谐波
振动稳定性	不稳定
		振动方向	径向、轴向振动
相位特征	不规则变化
		轴心轨迹	轴心轨迹双椭圆或不规则
进动方向	正进动
		矢量区域	改变
随转速变化	变化
		随负荷变化	不规则变化
随油温变化	不变

随流量变化	不变
		随压力变化	不变
其它	非线性振动，过半临界点2倍谐波有共振峰值

6)油膜涡动

特征频率	小于1/2倍频
		常伴频率	1倍频
振动稳定性	较稳定
		振动方向	径向振动
相位特征	稳定
		轴心轨迹	轴心轨迹双椭圆
进动方向	正进动
		矢量区域	改变
随转速变化	明显
		随负荷变化	不明显
随油温变化	明显
		随流量变化	不变
随压力变化	不变
		其它	涡动频率随工作角频率升降，保持w＜＝1/2Ω

7)油膜振荡

特征频率	小于1/2倍频、0.43～0.48倍频
		常伴频率	组合频率
振动稳定性	不稳定
		振动方向	径向振动
相位特征	不稳定(突变)
		轴心轨迹	轴心轨迹扩散不规则
进动方向	正进动
		矢量区域	改变
随转速变化	振动发生后，转速升高振动不变
		随负荷变化	不明显
随油温变化	明显
		随流量变化	不变
随压力变化	不变
		其它	工作角频等于或高于2倍固有频率时发生；振动强烈，有低沉吼叫声；振荡前有油膜涡动；异常振动有非线性振动，

8)旋转失速

特征频率	失速角频率ωs、Ω-ωs
		常伴频率	组合频率
振动稳定性	大幅度波动
		振动方向	径向、轴向振动
相位特征	不稳定
		轴心轨迹	轴心轨迹杂乱
进动方向	正进动

矢量区域	突变
		随转速变化	明显
随负荷变化	很明显
		随油温变化	不变
随流量变化	很明显
		随压力变化	变化
其它	机器出口压力波动大；机器入口压力及流量波动

9)喘振

特征频率	0.5~20Hz
		常伴频率	1倍频
振动稳定性	不稳定
		振动方向	径向振动
相位特征	不稳定
		轴心轨迹	轴心轨迹紊乱
进动方向	正进动
		矢量区域	突变
随转速变化	改变
		随负荷变化	改变
随油温变化	改变
		随流量变化	明显改变
随压力变化	明显改变
		其它	振动剧烈；出口压力和进口流量波动大；噪声大、低沉吼叫、声音异常

将收集到的风机故障领域专家知识，采用图形化专家知识表达方式，图形化领域专家知识采用三层网络结构进行专家知识输入，三层网络结构包括模糊化数据层，现象的语言表达层，模糊化原因输出与决策层。利用三个层次的图形化模糊神经网络专家知识表达方式，搭建专家知识库，最底层的是提取的各阶振动的频率及其幅值、轴心轨迹、振动方向、振动稳定性、相位特征以及转速、负荷、流量、压力变化这些反映风机故障规律的特征参数，中间层是判断各阶振动频率的大小、振动幅值的高低、振动稳定性的好坏、振动方向、轴心轨迹的形状及以转速、负荷、流量、压力变化的规则性，最高层是故障原因及对故障进行治理的专家建议。数据与现象之间、现象与原因之间用模糊化规则进行连接，就构成了图形化的专家知识表达，如对于不平衡、不对中、转子弯曲、转子裂纹、油膜涡动、油膜振荡图形化专家知识表达如图11、12、13、14、15、16所示。

利用专家知识系统推理机、模糊逻辑推理机和神经网络推理即构成的智能推理机进行推理，实现风机故障的智能诊断，根据需要可灵活地选择其中的任意一种或两种推理方式来运行，也可采用三种推理同时运行。智能推理机流程如图17所示：

1)专家系统推理

专家系统推理主要是从知识库所需的数据集合D＝{D₁、D₂、…、D_n}出发，根据知识库中每一数据点相应的一个或多个语义表达和数据范围，将获取实时数据与知识库中相应数据的语义表达和数据范围进行相似性分析，得出相似性系数的集合：

$s=\left\{\begin{array}{c}{s}_1\\ s_2\\ \·\\ \·\\ \·\\ s_n\end{array}\right\}=\left\{\begin{array}{cccccc}{s}_{11}& s_{12}& \·& \·& \·& s_{{1m}_1}\\ s_{21}& s_{22}& \·& \·& \·& s_{{2m}_2}\\ \·& \·& & \·& & \·\\ \·& \·& & \·& & \·\\ \·& \·& & \·& & \·\\ s_{n1}& s_{n2}& \·& \·& \·& s_{{\mathrm{nm}}_n}\end{array}\right\}$

式中：s₁、s₂、…、s_n分别为各个实时数据与相应知识库数据点的相似性系数的子集，各集参数为： $s_1=\left\{\begin{array}{cccc}{s}_{11}& s_{12}& \·\·\·& s_{{1m}_1}\end{array}\right\},$ $s_2=\left\{\begin{array}{cccc}{s}_{21}& s_{22}& \·\·\·& s_{{2m}_2}\end{array}\right\},$ …， $s_n=\left\{\begin{array}{cccc}{s}_{n1}& s_{n2}& \·\·\·& s_{{\mathrm{nm}}_n}\end{array}\right\};$ m₁、m₂、…、m_n分别为知识库各数据点的语义表达个数。

数据、参数的语义表达按专家的与、或规则便形成了各种事件征兆集E＝{E₁，E₂，…，E_k}，各种事件征兆集的输出信息为事件信息e＝{e₁，e₂，…，e_k}。事件信息与数据、参数语义表达的相似性系数及规则的与、或表达密切相关，如E₁的语义表达集为：

E₁＝{(d₁₁∧d₂₅∨)(d₃₂∧d₄₈)}

则e₁＝max{min(s₁₁，s₂₅)，min(s₃₂，s₄₈)}

推理结果与征兆集之间采用网络连接模式，每根联线上有连接的权值信息ω_EiFj，事件信息与权值信息通过运算关系得出推理结果。

其中：j＝1，2，3，…，p

根据推理结果，知识库相应地具有控制、处理措施，便构成了智能化系统的专家系统推理模式。

2)模糊逻辑推理

首先对数据、参数进行模糊化处理，进入推理机的数据与参数，根据知识库中不同的语义表达，通过合理的选择与构造模糊隶属函数，得出相应的数据、参数在不同语义表达下的模糊隶属度，其程序设计框图如图18所示。

对于数据D₁，属于语义表达d₁₁、d₁₂、…、d_1m1的隶属度可根据不同的模糊隶属函数求出，分别为μ₁₁、μ₁₂、…、μ_1m1。同样地，对于数据D₂，属于语义表达d₂₁、d₂₂、…、d_2m2的隶属度可根据不同的模糊隶属函数求出，分别为μ₂₁、μ₂₂、…、μ_2m2。以此类推，便可得出不同数据、参数在不同语义表达下的模糊隶属度。

$\mathrm{\μ}=\left[\begin{array}{cccc}{\mathrm{\μ}}_{11}& {\mathrm{\μ}}_{12}& \·\·\·& {\mathrm{\μ}}_{{1m}_1}\\ {\mathrm{\μ}}_{21}& {\mathrm{\μ}}_{22}& \·\·\·& {\mathrm{\μ}}_{{2m}_2}\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ {\mathrm{\μ}}_{n1}& {\mathrm{\μ}}_{n2}& \·\·\·& {\mathrm{\μ}}_{{\mathrm{nm}}_n}\end{array}\right]$

同时，根据知识库中的模糊规则，数据参数的语义表达与事件征兆集之间按照连线权值为1、非连线权值为0的原则构成的矩阵D_mk，事件征兆集与推理结果之间按专家给定的权值构成矩阵D_kp，便形成模糊关系矩阵R_c＝D_mk×D_kp。

最终，模糊推理的结果可通过模糊变换公式获得：

                      B＝μ·R_c＝{b₁，b₂，b₃，…，b_p}

式中“·”为模糊算子，采用Sup-T合成运算方法实现。

3)神经网络推理

根据图11、12、13、14、15、16所表达的专家知识结构，神经网络推理为五层结构：第一层为数据参数语义表达层。每个数据或参数对应有若干语义表达，相应的连接权值为1，对于任意一个数据或参数输入D_i，其第j条语义表达根据专家知识库存在着数据或参数的输入阈值θ_ij，利用Sigmoid型神经元特性函数便可算出输出量y_ij。

$y_{\mathrm{ij}}=\frac{1}{\exp \left(\right|\frac{D_i-{\mathrm{\θ}}_{\mathrm{ij}}}{{\mathrm{\θ}}_{\mathrm{ij}}}\left|\right)}$

第二层为事件征兆层。根据专家知识库，若干个语义表达的集合便构成了一个事件，用连线及权值表达它们的关系，形成了k个事件。每个事件的输出同样根据相应的语义表达个数、连接权值、Sigmoid神经元特性函数确定。对任意事件E_i，对应的语义表的集合为{d₁、d₂、…、d_j}，事件输出为：

$E_i=\frac{1}{\left[\frac{1}{j}\underset{k=1}{\overset{j}{\mathrm{\Σ}}}(1-{\mathrm{\ω}}_k{d}_k)\right]}$

式中：w_k-连线权值；θ_k-偏置信号

第三层为推理结果层。每个事件输出E_i与推理结果F_j之间都有连线并赋有权值ω_EiFj，参照模糊推理，推理结果为：

其中：i＝1，2，3，…，k；j＝1，2，3，…，p

推理算法确定后将进行推理方式选择，推理方式的选择有手动选择和自动选择两种。

手动选择主要根据具体对象和推理系统的运行状况来进行，在领域知识和定性知识缺乏的情况下，主要选择神经网络推理，或者选择神经网络与模糊逻辑推理的组合；在领域知识比较丰富和明确的情况下，主要选择专家系统推理，或者选择专家系统与模糊逻辑推理的组合，也可选择专家系统、模糊逻辑、神经网络推理同时运行；在对象特征参数语义表达丰富的情况下，主要选择模糊逻辑推理，或者选择模糊逻辑与专家系统推理的组合、模糊逻辑与神经网络推理的组合，也可选择专家系统、模糊逻辑、神经网络推理同时运行。当存在两个以上推理同时进行时，则进行推理结论的优化。

自动选择的推理方式是分别进行专家系统、模糊逻辑、神经网络的推理，各个推理结论通过优化决策后形成最终结论作为神经网络的样本进行学习，根据学习结果修改调整专家知识库，用于下一轮推理，如此不断地循环进行。

4)推理优化

各种推理机推理结果会出现不一致问题，有时甚至矛盾。为此，采用了优化算法，对推理结果进行优化，以得到最终的推理结论。其优化过程如下：

(1)设计变量

令：

推理要解决的问题：1、2、3、…、p个

模糊逻辑推理对问题的输出：F_f1、F_f2、F_f3、…、F_fp

神经网络推理对问题的输出：F_n1、F_n2、F_n3、…、F_np

专家系统推理对问题的输出：F_e1、F_e2、F_e3、…、F_ep

设计变量为：

X＝{x_f、x_n、x_e}

(2)目标函数

$\min f\left(X\right)=\frac{p}{x_f+x_n+x_e}-(\frac{F_{f1}+F_{n1}+F_{e1}}{x_f{F}_{f1}+x_n{F}_{n1}+x_e{F}_{e1}}+\frac{F_{f2}+F_{n2}+F_{e2}}{x_f{F}_{f2}+x_n{F}_{n2}+x_e{F}_{e2}}+\·\·\·+\frac{F_{\mathrm{fp}}+F_{\mathrm{np}}+F_{\mathrm{ep}}}{x_f{F}_{\mathrm{fp}}+x_n{F}_{\mathrm{np}}+x_e{F}_{\mathrm{ep}}})$

(3)约束条件

0≤x_f≤1；0≤x_n≤1；0≤x_e≤1；x_f+x_n+x_e＝1

(4)根据目标函数与约束条件，求最优解。

分别求f(X)对x_f、x_n、x_e的偏导数。由于目标函数为非线性函数，为避免多个局部最小指出现，采用约束变尺度法求解，最终求出优化后的x_fh、x_nh、x_eh。

(5)推理结果输出

求解问题1：x_fhF_f1+x_nhF_n1+x_ehF_e1

求解问题2：x_fhF_f2+x_nhF_n2+x_ehF_e2

求解问题3：x_fhF_f3+x_nhO_n3+x_ehF_e3

………………………………………

求解问题p：x_fhF_fp+x_nhF_np+x_ehF_ep

网络化故障诊断根据实际需要从两个层次考虑，一是对于单台机组的网络化诊断，二是对于多台机组的网络化诊断。单台机组的网络化故障诊断如图19所示：采用TCP/IP协议，系统具有基于以太网或局域网的内部信息发布，公司或企业内部人员可根据不同的权限查看机组的生产运行情况，进行生产与设备管理。系统同时具有远程诊断功能，远程用户可根据不同的权限一方面查看机组的生产运行情况，另一方面可进行系统操作，修改调整专家知识，实现远程在线故障诊断。多台机组的网络化故障诊断如图20所示，对于多台机组的网络化故障诊断，为减轻本系统的工作负荷，考虑采用分布式结构，利用多台工控机分别进行数据采集、信号分析处理、故障诊断预报。同样地，采用TCP/IP协议，系统具有基于以太网或局域网的内部信息发布，公司或企业内部人员可根据不同的权限查看机组的生产运行情况，进行生产与设备管理。系统同时具有远程诊断功能，远程用户可根据不同的权限一方面查看机组的生产运行情况，另一方面可进行系统操作，修改调整专家知识，实现远程在线故障诊断。

对于除风机以外的其它旋转机械，其故障智能诊断方法同风机一样，通过修改相应专家知识库，亦可实现对其它系统故障的智能诊断。

Claims (3)

1、一种旋转机械故障智能诊断方法，由一个决策融合模块、一个专家知识库、一个数据引擎模块和智能推理引擎四个模块构成，其特征在于该方法按以下步骤进行：

1)信号预采集与处理，对传感器采集的信号进行相应的处理，并将模拟信号转换成数字信号；

2)实时监视与状态识别，将获得机组状态信息的数字信号进行频域分析、时域分析、相位分析、轴心轨迹分析、瞬态分析、波德图分析与振动矢量分析，得到机组振动波形、频谱、轴心轨迹、棒图、趋势，根据设定的报警门限实时显示机组运行状态，并提取机组运行状态的特征参数；

3)故障在线分析与智能诊断，根据获得的机组运行状态的特征参数，利用专家知识库和智能推理机诊断出机组可能存在的故障及其原因、部位和严重程度，并实现机组运行状态的预报：

a)专家知识库采用图形化模糊神经网络专家知识表达方式，图形化的专家知识表达是由分布在三个层次上的多个节点以及节点间的连线所组成，画在底层的节点所代表的“数据”，或者是提取的机组故障特征参数、机组运行参数，或者是机组的工作状态、检修记录这些广泛意义上的参数；安排在中间层的是症状现象，或者是工作条件、参数范围、参数变化这些能直接观察到的现象，或者是间接观察到的现象，即多种广泛意义上的故障现象；画在最高层的节点表述故障原因，这三层次结构是按照诊断推理思想，用连线连接的数据节点和故障现象节点，再连接故障现象节点和故障原因节点，就构成了图形化模糊神经网络专家知识库；

b)故障诊断推理由智能推理机完成，智能推理机是由专家知识规则推理机、模糊逻辑推理机和神经网络推理机构成，或者根据需要选择其中一种或两种推理方式来进行，或者采用三种推理方式同时进行，利用优化来决策，使故障诊断系统实用于多变量多过程的复杂系统；

4)远程网络监控与诊断，采用工业级现场网和局域网联合方式，同时还通过宽带网或全国公用电话网或数字微波进行信息的远距离交换处理，实现远程监控分析诊断。

2、根据权利要求1所述的旋转机械故障智能诊断方法，其特征在于风机故障智能诊断方法按以下步骤进行：

1)由压力、温度、流量传感器检测到风机进出参数的缓变信号，由振动加速度、速度传感器检测到的风机壳体和转子快变信号以及由涡流传感器检测到的转子键相信号经相应的信号预处理电路进行处理，实现信号的采集和预处理；

2)利用现有的信号分析软件将采集的信号进行频域、时域及相位分析、轴心轨迹分析、瞬态分析、波德图分析与振动矢量分析，通过信号分析处理显示风机的性能参数和运行状态，并提取风机振动的各阶振动频率及其幅值、轴心轨迹、振动方向、振动稳定性、相位特征以及转速、负荷、流量、压力变化这些反映风机故障规律的特征参数；

3)将收集到的风机故障领域专家知识，利用三个层次的图形化模糊神经网络专家知识表达方式，搭建专家知识库，最底层的是提取的各阶振动的频率及其幅值、轴心轨迹、振动方向、振动稳定性、相位特征以及转速、负荷、流量、压力变化这些反映风机故障规律的特征参数，中间层是判断各阶振动频率的大小、振动幅值的高低、振动稳定性的好坏、振动方向、轴心轨迹的形状及以转速、负荷、流量、压力变化的规则性，最高层是故障原因及对故障进行治理的专家建议；

4)利用专家知识规则推理机、模糊逻辑推理机和神经网络推理机构成的智能推理机进行推理，实现风机故障的智能诊断；各种推理机推理的结果出现不一致时，采用优化算法对推理结果进行优化，以得到最终的推理结论，其推理优化的数学模型如下：

(1)设计变量

推理要解决的问题：1、2、3、…、p个

模糊逻辑推理对问题的输出：F_f1、F_f2、F_f3、…、F_fp

神经网络推理对问题的输出：F_n1、F_n2、F_n3、…、F_np

专家系统推理对问题的输出：F_e1、F_e2、F_e3、…、F_ep

设计变量为：

X＝{x_f、x_n、x_e}

(2)目标函数

$\min f\left(X\right)=\frac{p}{x_f+x_n+x_e}-(\frac{F_{f1}+F_{n1}+F_{e1}}{x_f{F}_{f1}+x_n{F}_{n1}+x_e{F}_{e1}}+\frac{F_{f2}+F_{n2}+F_{e2}}{x_f{F}_{f2}+x_n{F}_{n2}+x_e{F}_{e2}}+\·\·\·+\frac{F_{\mathrm{fp}}+F_{\mathrm{np}}+F_{\mathrm{ep}}}{x_f{F}_{\mathrm{fp}}+x_n{F}_{\mathrm{np}}+x_e{F}_{\mathrm{ep}}})$

(3)约束条件

0≤x_f≤1；0≤x_n≤1；0≤x_e≤1；x_f+x_n+x_e＝1。

3、一种旋转机械故障智能诊断装置，其特征是它包括：

1)与1路键相信号(1)，6路快变信号(2)，12路开关信号(4)连接的高密度可编程逻辑器件(10)：

a)1路键相信号(1)经过第一放大(6a)、第一比较(6b)、第一光隔(6c)后再与高密度可编程逻辑器件(10)连接；

b)6路快变信号(2)经过第二放大(7a)、第一滤波(7b)、第一同步采保(7c)、A/D转换(7d)后再与高密度可编程逻辑器件(10)连接；

c)12路开关信号(4)经过第四放大(9a)、第二比较(9b)、第二光隔(9c)后再与高密度可编程逻辑器件(10)连接；

2)16路缓变信号(3)经过第三放大(8a)、第二滤波(8b)、第二采保(8c)后再与信号采集板(11)相连；

3)1路自检信号(5)经过第五放大(5a)后再与信号采集板(11)相连；

4)信号采集板(11)与下位机(12)相连，经过信号分析处理、特征参数识别与提取(13)后再通过网卡或IP协议(14)与上位机(15)连接，上位机(15)与智能推理诊断系统(16)连接：

a)下位机(12)还包括显示器(12a)、鼠标(12b)、键盘(12c)、和打印机(12d)；

b)信号分析处理、特征参数识别与提取(13)；

c)上位机(15)还包括显示器(15a)、鼠标(15b)、键盘(15c)、和打印机(15d)；

d)智能推理诊断系统(16)有推理机(16a)、专家知识库(16b)、决策融合模块(16c)。

Images