关键词：旋转机械；故障诊断；方法
DOI：10.16640/ki.37-1222/t.2017.10.026
随着诊断技术研究的深入，可以实现故障诊断的方法越来越多，既有对前人研究成果的完善，也有一些原创性的研究成果相继被提出，根据各类方法在实现方式上的不同，可以大致将其分为三类，第一种是通过建立合适的模型进行故障诊断，这种方法在实际的生产应用中，往往由于设备结构复杂，无法构建精准的模型，即便可以获得合适的参数模型，其耗资也会相当大，所以实际应用可行性不大。第二种方法是结合人工智能技术的专家系统，在实际应用中这种方法得到了一定的肯定，但仍然存在知识获取不全面、针对性太强、智能水平低等问题，使得故障诊断结果可靠性不强。而模式识别是故障诊断中应用最为广泛的方法，且目前很多学者都认为基于模式识别的故障诊断有很大的进步空间。
1 旋转机械故障特点
旋转机械故障的故障特点与其他类型的机械故障存在一定的区别，且是机械设备中最为常用的一类，所以有必要对其进行单独的深入研究。旋转机械故障是指有转子系统的机械设备在运行过程中出现异常的工作状态，比如不正常的噪声、异常大的振动、温度急剧升高，或者其他指标不正常。旋转机械的结构复杂，故障发生具有一定的阶段性，并且部分故障的发生有一个渐进的过程，在进行故障诊断时，必须综合考虑多项因素，使得进行准确故障诊断的难度较大。
2 旋转机械故障检测方法
2.1 模式识别
经过多年的发展，模式识别己是故障检测的重要理论基础之一。近十几年来，模式识别技术在机械设备故障诊断领域的应用己经非常普遍，每年都有相关的改进方法被。在机器人模仿人类思考能力的研究领域上，模式识别方法一直占据着十分重要地位，在机械故障诊断方法中模式识别也始终是一个先进且富有挑战的探索方向。
随着计算机技术的迅速发展，各国在旋转机械故障诊断方面都取得了很大的进步，摆脱了传统依靠技术工人经验判断的主观臆断和不准确性，特别是这几年，计算机技术的发展使得各种更加完善的算法运行更为迅速，进而推进了旋转机械故障诊断的发展。
美国是最先研究机械故障诊断技术的国家之一，其诊断技术在很多方面都属于世界先进水平，目前美国从事故障诊断研究的机构主要有电子能源研究机构、西屋电气、Bently和CSI等公司。其中西屋电气是最早应用计算机网络的，该公司自己开发的汽轮机故障诊断软件可以对远程对多台机组进行诊断。而Bently公司在转子的动力系统和故障的诊断机理方面比较领先。
我国在机械故障诊断方面的研究起步相对较晚，技术也较为落后。刚开始主要以学习研究国外相关理论为主。直到80年代初期才逐渐有了自己研发的技术，在这个阶段，大型设备的出现和各项相关技术的发展也刺激了国人对旋转机械故障诊断技术的重视，也推动了该技术的自主研发。随着国家和企业对这项技术领域的投入逐渐增大，许多学者开始涉足这个领域，并对其进行大量的探索和实验，加上与国际交流合作，我国也开发出了一些在线监测与故障诊断的软件，这也很大程度上减小了与国际上相关先进技术的差距，但事实上，我国研究水平总体还是比较落后，故障诊断技术的可靠性还需要不断提升。
2.2 人工神经网络理论
1940年左右，有关应用人工神经网络的理论开始出现，经过多年的发展，它己经被引入到许多领域，比如，智能机器的控制、神经网络计算机的研发、算法的优化、应用计算机进行图像处理、模式识别、连续续语音的识别、数据的压缩、信息处理等领域，在实践应用中取得了很好的效果，作为一项新的模式识别技术和信息处理办法，人工神经网络的应用前景十分可观。
目前，使用人工神经网络进行故障诊断的方法有很多，最常用方法是：多层感知器神经网络、BP神经网络、自组织Kohonen神经网络、和径向基函数RBF（Radial Bases Function）神经网络，也有学者将人工神经网络与各种其他方法相结合的实例。在使用人工神经网络进行故障处理时，首先检查采集到的故障信息数据，剔除多余或者不合理的异常数据，再对有效数据进行归一化处理，预处理工作完成后即可将数据输入到神经网络中进行训练学习和故障识别过程。
2002年，王守觉院士分析传统模式识别方法的缺点，认为传统的BP神经网络和RBF神经网络都是假设特征空间中包括了所有的模式类别，要实现模式识别只需要找到最佳的特征空间划分方法，但事实上，任何一个特征空间中不可能包含所有的模式类别，特征空间中必然存在模式空白区域，就像人类对某些事物表现为不认识一样。认识到这一点后，王守觉院士提出了“仿生模式识别”这一概念，与传统的基于特征空间最佳划分的方法相比，仿生模式识别最为突出的特点就是，能构造封闭的、复杂的几何形体对各类样本进行覆盖，从而达到模式识别的目的。
2.3 仿生模式识别
自从仿生模式识别这一概念被提出以来，许多学者对其进行了深入研究，并将其应用到了人脸识别、车牌识别、语音识别、字体识别等领域。并取得了良的识别效果，例如：陆飞在其硕士论文中重点对仿生模式识别中的几何模型进行了深入分析，并用超香肠神经网络作为仿生模式识别的实现方法应用到了人脸识别中，取得了良好的实验结果；刘焕云等人将仿生模式识别应用到目标识别和跟踪方面，编写了自适应目标算法，与传统方法相比，跟踪识别效果有显著的提升；王守觉院士自己也对仿生模式识别算法进行了一系列的优化，先后提出了超香肠神经网络和多权值神经网络识别实现方法，并在文献中将基于仿生模式识别的多权值神经网络应用到连续语音识别中，与目前认可度最高的基于隐马尔可夫模型（HMM）的识别方法进行比较，表现出了显著的优势。
目前有许多的编程软件都加入了神经网络的功能，其中MATLAB软件最为方便实用，并且易于操作。它除了拥有对各种图形和数据进行处理的强大功能，其开发公司一一美国的MathWorks公司一一还专门在软件中开发加入了神经网络工具箱，全面包含了人工神经网络中常用的激励函数，例如线性函数（purline函数），感知器函数（（sigmoid函数）以及径向基函数（radbas函数），除了这些常用传递函数，还可以自定义相关的函数。各层网络之间的映射也有严格的设定，映射函数可自行设定。鉴于以上优点，本文采用MATLAB软件编写仿生模式识别的实现程序，以及机械故障信号的特征提取和网络测试。
参考文献：
关键词：LabVIEW；旋转机械；EMD；故障诊断
中图分类号：TH164 文献标志码：A 文章编号：2095-2945（2017）19-0052-02
引言
近年来，虚拟仪器软件开发平台在机械设备领域的成功应用，对机械关键部件的人工智能化故障诊断起到推动作用。本文结合虚拟仪器设备和AIC9000转子试验仪器搭建平台，研究一套应用LabVIEW软件、MATLAB软件和EMD方法的旋转机械设备状态监测、分析系统。从实际工况出发，对设备监测故障预判有一定的指导作用。
1 LabVIEW数据采集系统
试验台搭建：有AIC9000多功能转子试验台、布点8组传感器、调理信号组件和LabVIEW虚拟仪器设备。
系统的程序设计基于NI-LabVIEW，实现对AIC9000转子设备及相关诊断仪器的改进设计，易于设备的升级和维护。AIC多功能转子系统和LabVIEW主机：Model：PXle-1078，PRODUCT OF MALAYSIA。
1.1 搭建LabVIEW平台
将8通道传输接口与调理信号模块连接，数字采集卡、信号处理卡等模块化的PXI板卡插入虚拟仪器主机箱中，机箱连接显示器。
1.2 LabVIEW软件程序设计
在程序框图窗口编程，程序汇编数据流设计包括通道设置定时设置触发设置信息采集分析设置记录设置等。数据流向即为LabVIEW软件程序执行的顺序，按箭头方向依次连接各程序框图节点，其中信号采集部分和分析部分是信号调理、振动诊断并分析等最为重要。
1.3 DAQ数据采集
程序设计采用NI-DAQmx编程，常用数据采集VI有DAQmx创建虚拟通道VI、DAQmx读取VI、DAQmx写入VI、DAQmx定时VI、DAQmx触发VI、DAQmx开始任务VI、DAQmx清除任务VI等。
2 经验模态分解法（EMD）
旋转机械相关的传统故障诊断方法准确度较低，结合经验猜测估计得出大概故障类型及部位。EMD方法是一种自适应较好的时频分析法，其基本思想是将原始振动信号分解成一系列IMF的组合，再根据实际需要，对各个IMF进行希尔伯特变换组成时频谱图进行分析。
在虚拟程序系统的设计中，为提高故障信号的特征提取以及包络分析的准确性，应用HHT变换的EMD分解，将EMD程序以m.文件保存，并通过LabVIEW程序调用MATLAB软件的m.文件进行信号分析。
3 LabVIEW系统信号分析编程
在设计系统时，结合了MATLAB软件强大的数学分析计算和图形绘制功能的优势， 在LabVIEW编程时调用MATLAB命令。两种软件的嵌套使用强强联合，既进化了LabVIEW的复杂编程又发挥出了MATLAB在机械信号诊断分析方面的优势，提升计算速度。
3.1 EMD的m.文件程序
应用MATlAB软件编写function 函数语句function plot_hht（x，imf，Ts）% Plot the HHT.，并在MATLAB软件中File>>Set Path…>>Add Folder，将其添加保存到MATLAB函数中。
设置自适应的数据长度j和循环次数i等，结合使用for循环-if语句等实现IMF的分量提取。
3.2 创建MATLAB脚本节点
程序设计使用了最为快捷的m.文件调用方法，即直接调用NI-LabVIEW2014软件中的MATLAB Script节点。调用步骤为：在程序框图右击鼠标，执行all functions> > analyze> > mathematics> > formula> > matlab script操作，在程序框图中拖拽鼠标建立一个大小合适的MATLAB脚本节点，右击鼠标，设置程序框图输入和输出变量的数量，然后调用EMD程序代码的m.文件，最后完成连线。MATLAB脚本文件的创建图如图1。
3.3 EMD在LabVIEW中的实现
使用本系统对AIC转子试验台进行智能分析，在齿轮箱中安装故障齿轮，针对齿轮故障产生的振动信号进行8分量的IMF分解结果如图2所示。
从图2中可以看出点蚀I和点蚀II两种故障的8组信号数据经过EMD分解的IMF1～IMF8结果；点蚀信号柱状图对比正常齿轮信号特征其故障直观、明显。
4 结束语
LabVIEW平台具有有良好的扩展性，性价比较高，在科研和实际工程中得到了广泛的应用。从实际出发，根据旋转机械设备故障诊断的实际要求，构建LabVIEW软件平台，合理安装多传感器进行信号采集，运用虚拟仪器设计在线采集、分析、预测诊断。EMD方法、MATLAB软件与LabVIEW三者的结合，在诊断速度、分析准确性、程序设计的快捷性等方面都表现出了很强的优势，也将是未来的一个发展方向。
参考文献：
[1]胡劲松.面向旋转机械故障诊断的经验模态分解时频分析方法及实验研究[D].浙江大学，2003.
[2]程军圣，于德介，杨宇.EMD方法在转子局部碰摩故障诊断中的应用[J].振动、测试与诊断，2006，01：24-27+74.
[3]申永军，杨绍普，孔德顺.基于奇异值分解的欠定盲信号分离新方法及应用[J].机械工程W报，2009，45（8）：64-70.
关键词：LabVIEW；旋转机械；EMD；故障诊断
引言
近年来，虚拟仪器软件开发平台在机械设备领域的成功应用，对机械关键部件的人工智能化故障诊断起到推动作用。本文结合虚拟仪器设备和AIC9000转子试验仪器搭建平台，研究一套应用LabVIEW软件、MATLAB软件和EMD方法的旋转机械设备状态监测、分析系统。从实际工况出发，对设备监测故障预判有一定的指导作用。
1LabVIEW数据采集系统
试验台搭建：有AIC9000多功能转子试验台、布点8组传感器、调理信号组件和LabVIEW虚拟仪器设备。系统的程序设计基于NI-LabVIEW，实现对AIC9000转子设备及相关诊断仪器的改进设计，易于设备的升级和维护。AIC多功能转子系统和LabVIEW主机：Model:PXle-1078，PRODUCTOFMALAYSIA。
1.1搭建LabVIEW平台
将8通道传输接口与调理信号模块连接，数字采集卡、信号处理卡等模块化的PXI板卡插入虚拟仪器主机箱中，机箱连接显示器。
1.2LabVIEW软件程序设计
在程序框图窗口编程，程序汇编数据流设计包括通道设置定时设置触发设置信息采集分析设置记录设置等。数据流向即为LabVIEW软件程序执行的顺序，按箭头方向依次连接各程序框图节点，其中信号采集部分和分析部分是信号调理、振动诊断并分析等最为重要。
1.3DAQ数据采集程序
设计采用NI-DAQmx编程，常用数据采集VI有DAQmx创建虚拟通道VI、DAQmx读取VI、DAQmx写入VI、DAQmx定时VI、DAQmx触发VI、DAQmx开始任务VI、DAQmx清除任务VI等。
2经验模态分解法（EMD）
旋转机械相关的传统故障诊断方法准确度较低，结合经验猜测估计得出大概故障类型及部位。EMD方法是一种自适应较好的时频分析法，其基本思想是将原始振动信号分解成一系列IMF的组合，再根据实际需要，对各个IMF进行希尔伯特变换组成时频谱图进行分析。在虚拟程序系统的设计中，为提高故障信号的特征提取以及包络分析的准确性，应用HHT变换的EMD分解，将EMD程序以m.文件保存，并通过LabVIEW程序调用MATLAB软件的m.文件进行信号分析。
3LabVIEW系统信号分析
编程在设计系统时，结合了MATLAB软件强大的数学分析计算和图形绘制功能的优势，在LabVIEW编程时调用MAT－LAB命令。两种软件的嵌套使用强强联合，既进化了Lab－VIEW的复杂编程又发挥出了MATLAB在机械信号诊断分析方面的优势，提升计算速度。
3.1EMD的m.文件程序应用
MATlAB软件编写function函数语句functionplot_hht（x，imf，Ts）%PlottheHHT.，并在MATLAB软件中File>>Path…>>Folder，将其添加保存到MATLAB函数中。设置自适应的数据长度j和循环次数i等，结合使用for循环-if语句等实现IMF的分量提取。
3.2创建MATLAB脚本节点
程序设计使用了最为快捷的m.文件调用方法，即直接调用NI-LabVIEW2014软件中的MATLABScript节点。
3.3EMD在LabVIEW中的实现
使用本系统对AIC转子试验台进行智能分析，在齿轮箱中安装故障齿轮，针对齿轮故障产生的振动信号进行8分量的IMF分解。点蚀I和点蚀II两种故障的8组信号数据经过EMD分解的IMF1～IMF8结果；点蚀信号柱状图对比正常齿轮信号特征其故障直观、明显。
4结束语
LabVIEW平台具有有良好的扩展性，性价比较高，在科研和实际工程中得到了广泛的应用。从实际出发，根据旋转机械设备故障诊断的实际要求，构建LabVIEW软件平台，合理安装多传感器进行信号采集，运用虚拟仪器设计在线采集、分析、预测诊断。EMD方法、MATLAB软件与LabVIEW三者的结合，在诊断速度、分析准确性、程序设计的快捷性等方面都表现出了很强的优势，也将是未来的一个发展方向。
参考文献：
[1]胡劲松.面向旋转机械故障诊断的经验模态分解时频分析方法及实验研究[D].浙江大学，2003.
[2]程军圣，于德介，杨宇.EMD方法在转子局部碰摩故障诊断中的应用[J].振动、测试与诊断，2006，01:24-27+74.
[3]申永军，杨绍普，孔德顺.基于奇异值分解的欠定盲信号分离新方法及应用[J].机械工程学报，2009，45（8）：64-70.
[4]曲丽荣，等.LabVIEW、MATLAB及其混合编程技术[M].北京：机械工业出版社，2011.
Abstract: Mechanical fault diagnosis and monitoring plays an increasingly important position in industrial production. Once the machinery equipment, large-scale particularly equipment, occurred fault, it will cause very serious consequences. In order to improve the technological level and economic benefits of production equipment, the advanced device management, fault diagnosis and technical maintenance is extremely important to guarantee the safe operation of equipment. Enterprises must actively adopt methods to monitor the normal switch status of equipment.
关键词：转子不平衡；机械故障；故障诊断；偏心；松动；裂纹；碰摩
Key words: rotor unbalance；mechanical failure；fault diagnosis；eccentric；loose；crack；rub
中图分类号：TH17 文献标识码：A文章编号：1006-4311（2011）05-0035-01
0引言
为了提高设备的利用率，促进生产技术的进步，使得传统的手摸、耳听、振幅监测等维修方法和定期监测，已经不能够满足生产的需要。旋转机械的故障原因很多，故障的种类也很多。借助科学技术手段，监测转子的运行状态，以达到最终的维修目的，以是当下刻不容缓的任务。
1旋转机械故障的诊断及方法
诊断的方法分别是波形分析法、频谱分析法、相位分析、轴心轨迹分析法、转速跟踪分析法和瀑布图等。其中最基本的、最为有效的是频谱分析法。目前频谱分析法是在计算机上用快速傅氏变换来实现的，幅值谱的应用非常有效和普遍，它对诊断旋转机械的故障十分精确。在振动频谱上，不同的频率对应着不同的振动原因。了解了它们关系，故障因素就能很快地被排除，而将注意力可以集中在可能发生因素上。
2旋转机械故障的种类及原因
因安装质量的高低及长期的振动，转子系统在不平衡力的作用下，会引起支座的非线性振动，甚至会导致系统的刚性变化并伴有冲撞效应，因此引起机械故障。一般来讲，发生同频振动就可能是转子不平衡所生产的，如果产生高频振动可能是转子不对中所导致的;油膜振荡的频率在0.42-0.48n；如果伴有倍频或1/2n、1/3n等分数倍频就有可能是转子松动了。旋转机械非常复杂，频率分量与振动原因之间的关系也相当复杂。机械设备的振动基本上都是由转子不平衡引起的，表现在振动频率、振幅、振动方向、相位特征、轴心运动轨迹及振动与转速关系的变化上。
2.1 转子不平衡据统计资料考证，因不平衡而使旋转机械失效的约占30%，因此，不平衡是一种常见的故障。原因有：材质不均，制造精度差、如内、外圆不同心等；安装不良；配合松动；轴弯曲变形；旋转零件磨损、腐蚀、剥落、介质沉积不匀；旋转零件的断裂等。经理论证明，振动的激振频率为单一的工作频率，无其它倍频成分。
2.2 转子不对中轴承中心与转子中心不对中或者各转子的轴线不对中等常见典型故障，这也是多发性的故障之一。产生原因为：安装不良；地基下沉；轴承支座膨胀引起的变形等。频率的特征：根据实验研究的研究结果并结合理论，表明对刚性联轴器及齿轮联轴器，其径向激振频率除旋转频率fr（由角度不对中引起）外，主要以旋转频率的二倍频2fr或四倍频4fr为主，且伴有高次倍频心（n=6，8，…）。转子不对中相当于在联轴器端输入时给予的某种刺激，轴向振动频谱由其谐波及基频组成，基频具有峰值。
2.3 转子松动非线性的振动特征表明装配或基座松动，并伴有转子不平衡的特性。振动形式为径向垂直振动，激振频率除基频成分fr外，还伴有高次谐波成分3fr，sfr，7fr及分数谐波成分（0.3-0.5）fr。
2.4 油膜振荡油膜振荡和油膜涡动是常见故障，因为旋转机械在高速运行中大多用的是流体动压滑动轴承。油膜涡动由涡动力产生，使转轴除了自转外还绕中心进行公转。在共振的状态下，油膜振荡非常强烈，造成共振现象破坏力极大的，对高速旋转机械危害很大。转子的一阶自振频率为：当油膜涡动的特征频率约为旋转频率的一半，油膜振荡时其转速与涡动的频率无关。
3旋转机械故障的预测维修技术
从以上几种故障的振动频率中可以看出，一种频率特征可能对应着几种故障源。因此，在进行故障诊断和状态分析时，要尽可能地收集各种状态参数并进行统计和信号处理，根据获得的数据进行故障的诊断和分析。旋转机械约有70%的故障是由于转子不平衡引起的，因此机械不平衡的检测及分析是保证设备安全运行极为重要工作。如果能够对设备的运行状况进行在线的监测与诊断，做到“预知维修”，设备故障的诊断效率就会大大提高，并节约企业成本。在这方面，人工智能技术做了很大的贡献，尤其像专家诊断系统、模糊控制、人工神经网络以及知识工程等方面，都在诊断领域得到了发挥和应用，使故障诊断了智能化和自动化。故障诊断专家系统主要由知识库，数据库，人机交互界面，推理机组成，及其他处理模块为辅。应用故障诊断的专家知识和推理方法为实质作用，判断故障种类，采集数据，并找出相应的解决方法。确定故障的类型及部位。这并非是一件轻而易举的事，它是旋转机械状态监测中最复杂、最困难的一环，要正确地判断机器的故障类型及部位，首先，要了解机组的内部结构和工艺情况;其次，为每台机器建立档案，即原始数据库，它包括频谱、相位、波形、轴心轨迹、位移量等振动参数以及工艺操作参数。阶段性比较分析，注意振动信号的变化情况和趋势。再者，尽量多地捕捉振动信息，从频谱、轴心轨迹、相位和波形等多方面综合分析。
4结语
综上所述，旋转机械故障种类繁多，在将进行振动测试排除故障之前，要对偏心、松动、碰摩、裂纹等进行分析，并采取相应的措施以保证机器设备的正常运转。若以频谱分析法此作为检修的主要依据，那设备检修的计划性和目的性将大大增强，从而提高生产率。如建立专家系统，可实现机械设备的智能化自动化监测故障，预测维修，减少停机，保证设备的正常运行，降低维修人员的工作量。
总之，若判断一种故障时，可综合以上几种方法进行比较，建模求解，对故障进行合理的判断，并提供有用的数据，从而使生产厂家的效益大大增加并提高了设备的利用率。
参考文献：
[1]朱亮，向家伟，宋宜梅.旋转机械常见故障诊断的非线性动力学研究综述[J].装备制造技术，2010，（01）.
[2]吴轲，童敏明，童紫原，邓世建.旋转机械不平衡故障专家诊断系统的研究[J].煤矿机械，2010（09）.
中图分类号:TN919-34文献标识码:A
文章编号:1004-373X(2010)18-0141-02
Fault Diagnosis of Rotary Machines Based onRBF Neural Network
WANG Qing-hua1, WANG Jing-tao2, DENG Dong-hua3
(1.School of Mechatronic Engineering, Xi’an Technological University, Xi’an 710032, China;
2.Guangxi Petrochemical Company, Qinzhou 535008, China; 3. China Petroleum Pipeline Engineering Corporation, Langfang 065000, China)
Abstract: Aiming the mapping complexity between fault symptoms and fault patterns of rotary machines, and the problems of falling easily into part minimums and low velocity of convergence in BP neural networks, a fault diagnosis method of fan based on Radial Basis Function (RBF) neural network is put forward. Making the seven frequency bands peak energy of vibration signals of a fan as fault symptoms, RBF network is trained to diagnose a fan, the results show that RBF network is a valid method of the fault diagnosis of fan in proving accuracy, repressing the network to sink local minimum and shortening the study time.Keywords: RBF neural network; fault diagnosis; fan; fault features
0 引 言
随着旋转机械大型化、自动化、高速化和复杂化的发展,其运行的可靠性和安全性日益受到重视,对其进行可靠、准确的故障诊断是石油、化工、冶金、矿山、机械等各行业安全生产的重要保障。设备故障诊断其实就是故障设备运行状态的辨识,即对运行状态进行分类识别,判断设备有无故障,如果有,则要进一步判断故障属于哪一类,所以设备故障诊断实质上是一个模式识别问题[1]。学习机器是实现模式智能识别的最主要手段,训练或获得学习机器的方法称为机器学习方法。机器学习方法是在一个由各种可能的函数构成的空间中寻找一个最接近实际分类函数的分类器。在设备故障诊断中,故障征兆与故障模式并不是简单的一一对应的关系,其构成的故障特征空间比较复杂,常常不是线性可分的,有时甚至是完全不可分的。而学习机器中神经网络能够映射任意复杂的非线性关系,具有自学习、自组织、自适应等特性,并且具有极强的容错和联想能力、较快的计算速度,所以神经网络被广泛用于机械故障诊断识别中[2]。
BP(back propagation)神经网络是目前故障诊断领域应用较多的一种网络。但BP网络采用的是梯度下降的搜索算法[2-3],这就不可避免地出现了网络收敛速度慢、容易陷入局部极小,并且BP网络学习结果受初始权值分布影响较大,结果不稳定等问题。RBF(radial basis function)网络可以避免陷入局部极小的可能,并且学习速度快。所以本文将径向基神经网络用于旋转机械实现故障诊断。
1 RBF神经网络
RBF网络是一种多层前馈神经网络[4-5],结构与BP网络相同,如图1所示。输入层到隐层为权值为1的固定连接,隐层到输出层为权值为W的线性链接。隐层神经元基函数常采用高斯型径向基函数。
隐层函数:φr=exp-X-cr22σ2r,r=1,2,…,R
输出层函数:ym=f(x)=∑Mm=1Wmrφr
式中:cr为第r个隐层节点的数据中心;σr是第r个隐层节点的数据方差;Wmr是隐层到输出层的连接权,X是神经网络输入向量。
径向基神经网络算法步骤如下:
(1) 从输入向量中选一组初始中心值cr,初始化连接权值Wmr。
(2) 计算方差值σ=dmax/R;dmax是最大的距离;R是cr的数量。
(3) 计算网络输出ym=f(x)=∑Mm=1Wmrφr。
(4) 计算网络误差并判断是否收敛。
(5) 若收敛,训练结束。
(6) 否则,更新网络学习参数cr,σr和Wmr,并转到步骤(2)。
图1RBF神经网络结构示意图
网络学习参数的更新公式如下:
cr(n+1)=cr(n)+μce(n)Wmr(n)φr(n)σ2r(n)
σr(n+1)=σr(n)+μσe(n)Wmr(n)φr(n)σ2r(n)
Wmr(n+1)=Wmr(n)+μWem(n)φr(n)
em(n)=ym(n)-dm(n)
式中:dm(n)为样本目标输出;μc,μσ,μW是3个学习参数的学习步长。
2 风机故障样本组织
风机的故障常从振动状况表现出来,因此采用振动信号进行监测与诊断是目前风机设备管理和维护的重要手段[6-8]。风机的常见故障有质量不平衡、转子不对中、轴承座松动、油膜涡动、油膜振荡、喘振、轴裂纹、旋转失速等故障[9-10]。
利用振动信号进行时域或频域分析,从中提取可以反映故障模式的征兆信息,用于学习机器的训练,获得训练好的学习机器以用于对风机故障的智能诊断与识别。其中,风机的振动信号在频域内的能量分布具有比较明显的特点,因此,可以采用5段谱、7段谱或9段谱特征作为主要的故障征兆。在此采用7段谱的能量峰值作为故障征兆,表1列举了6种典型故障在7段频谱中的特征。表中样本的网络输入均为归一化后的数据,网络目标输出设置为对角矩阵格式,如表1中最后一列所示。
表1 风机常见故障模式样本
故障样本0~0.4 f0.4~0.5 f0.5~0. 9 f1 f2 f3~5 f>5 f目标输出
不平衡0000.90.050.050000001
不对中0000.30.60.100000010
油膜振荡0101000000100
油膜涡动0.10.80.11000001000
喘振0.80010.20.30.2010000
松动0.900000.10100000
3 基于RBF神经网络的风机故障诊断
采用RBF神经网络进行风机故障诊断,只需向系统输入待诊断信号的特征量,系统就自动判断故障类型,可大大减轻故障诊断人员的工作量。
在RBF网络进行工作以前,首先需要组织一定数量的训练样本对RBF网络进行训练,训练好的RBF网络的数据中心cr,方差σr和连接权Wmr保持固定。这时RBF网络就可以进行工作了,当待识样本的故障征兆与记忆中的某个对应故障特征相近时,神经网络输出其对应故障模式。在本例中,RBF网络输入层、隐层、输出层的神经元节点个数分别为7-6-6;最大循环次数设置为5 000,训练误差为0.000 1,隐层节点个数为复为试选后根据学习速度与学习准确率而选择的。需要强调且注意的是样本特征在输入RBF神经网络之前必须进行归一化,以避免因为特征间量级的差异太大使得某些特征的失效。
表2为一组待识别的振动信号各个频段上的振幅特征值,将其归一化后输入训练好的RBF神经网络,求出RBF网络输出结果如表3所示。
表2 待识故障样本
故障样本0~0.4 f0.4~0.5 f0.5~0. 9 f1 f2 f3~5 f>5 f
待识模式10000.8510.020
待识模式200.68010.10.010
待识模式30.8500100.20.1
表3 网络输出结果
输出节点123456
待识模式10.000 20.023 0-0.000 40.138 70.985 60.098 0
待识模式2-0.0130.205 10.967 30.009 4-0.012 40.108 2
待识模式30.056 30.971 20.110 80.000 5-0.003 20.070 6
将网络输出与各模式阈值进行比较,如果输出结果大于预设阈值,则此故障发生,否则不发生该故障。本例中,阈值设为0.9,由表3网络输出结果,可以看出,3个故障模式分别对应第5,3,2个输出节点大于阈值0.9,故可以诊断出3个待识样本的故障类型分别转子不对中、油膜涡动和喘振,这与实际工作情况相符。
4 结 语
本文提出了基于径向基神经网络的旋转机械故障诊断,在风机中利用振动信号频谱中的7个频段中的不同频率成分的谱峰能量值作为特征输入,采用RBF网络进行故障辨识,结果表明,径向基神经网络能够有效识别出旋转机械系统各种典型故障,并且克服了BP算法易陷入局部极小和计算速度慢的缺点,提高了诊断精度,适用于实时在线诊断要求。
参考文献
[1]屈梁生,何正嘉.机械故障诊断学[M].上海:上海科学技术出版社,1986.
[2]焦李成.神经网络的应用与实现[M].西安:西安电子科技大学出版社,1993.
[3]徐勇,荆涛.神经网络模式识别及其实现[M].北京:电子工业出版社,1999.
[4]张玲,张钹.人工神经网络理论及应用[M].杭州:浙江科学技术出版社,1997.
[5]沈世镒.神经网络系统理论及其应用[M].北京:科学出版社,1998.
[6]汪光阳,周义莲.风机振动故障诊断综述[J].安徽工业大学学报,2006,23(1):64-68.
[7]陈莲芳,徐夕仁.风机振动故障诊断及处理[J].热能动力工程,2006,21(1):96-98,110.
[8]周邵萍,林匡行,苏永升,等.风机振动分析与故障诊断[J].华东理工大学学报,1999,25(3):316-319.
关键词：专家系统 神经网络 故障诊断 旋转机械
引 言
针对旋转机械故障的复杂性、多样性和诊断时对领域专家知识的依赖性，对旋转机械的故障诊断提出了采用人工神经网络（ANN）和传统专家系统（ES）融合的新途径，充分利用人工神经网络和专家系统各自特点，使其功能互为补充。解决了传统的专家系统在旋转机械故障诊断中遇到的知识获取的“瓶颈”等问题。同时也解决了单一神经网络系统在旋转机械故障诊断中遇到的不足。这种人工神经网络和专家系统集成的故障诊断方法，能提高旋转机械故障诊断的能力，更大限度地发挥人工智能技术在诊断领域的威力。
1、基于神经网络与专家系统集成的旋转机械故障诊断模型
基于神经网络与专家系统集成的旋转机械故障诊断模型如图1所示。
图1 神经网络与专家系统集成的诊断系统模型
各部分的主要功能是：
1）编译器。主要是将符号知识转换成神经网络所必须的数据知识。
2）神经网络。主要完成专家系统的推理工作。其实质是神经网络的计算，即由已知的征兆向量经过神经网络计算获得故障向量。
3）行为解释。利用网络中的各项数据（包括征兆输入数据、故障输出数据和隐含神经元输出数据）及输入神经元，输出神经元的物理含义并结合知识库中的连接权值来形成规则，其过程相当于神经网络训练的一个逆过程。
4）知识库管理。存储和管理知识库的知识，丰富知识库，以便系统不断完善。
5）人机接口。以友好的人机界面同用户交互。
6） 数据库。用于存储在线监测和诊断时所需的实时检测到的工作数据、推理过程中所需要和产生的各种诊断信息；静态数据库用于存储故障时检测到的数据或人为检测到的一些特征数据。
7） 知识获取。知识获取过程就是网络的学习过程，主要有两种途径实现，一是直接从数据化的实例中学习，二是从传统的专家系统已获取的知识中学习。
2基于神经网络和专家系统的旋转机械故障诊断方法
1） 诊断参数的选取
根据故障机理，若某一故障发生，则其特征参数将发生较大变化。因受各种因索影响，尽量不以绝对值作为异常诊断的依据，而要与初始值或正常值进行比较，用其比值作为检测参数来进行诊断。为此，诊断的监测参数定义为：
（1）
式中： ——相对于 的待检状态参数值；
——相对于 的正常状态参数值。
两者的比值与—门限值进行比较若大于门限值.故障征兆输入取为“1”即故障征兆存在，否则取为“0”，即故障征兆不存在。
2）知识库的建立
它包括知识获取和知识存储两个过程。知识获取表现为训练样本的获得与选择，训练样本来源于同类型诊断对象在正常运转时和带故障运行时的各种特征参数。知识存储是将由训练样本对神经网络进行训练获得的连续权值和阈值进行存储，从而形成知识库。
3）神经网络模块结构图
为了进一步提高系统的推理和学习能力，建立了故障诊断神经网络模型，其结构如图2所示。神经网络采用N层结构的BP网络。抽取出故障若干信息作为网络的输入；并从工程实例中选取有代表性的样本对网络进行训练；训练完毕后即可利用神经网络进行推理。当出现网络拒识样本时，通过专家进行判断推理，然后将此样本输入到训练样本集中，使网络继续学习，对权值进行调整，直至做出正确推理为止。
图2故障诊断神经网络模型
4）知识处理
在旋转机械故障诊断神经网络专家系统中，只需将观测到的故障现象通过编译器转化为数值知识，送入神经网络，然后计算网络输出，最后将网络的数值输出经反编译器转化为符号知识，即得到了故障原因，这种专家系统的知识处理是与神经网络的结构紧密相关的统一体，不需增加相应的推理机构，将数值知识转换为符号知识的反编译器是编译的逆过程，有与编译器类似的结构。
4、算例
以某一旋转机械为例，用MATLAB工具，通过神经网络与专家系统集成的方法实现故障诊断。
选用旋转机械常见的不平衡、不对中、油膜涡动等常见的10种故障作为网络的输出。取9个频段的谱峰能量归一化值，作为输入[6]。因此，该网络的输入神经元应为9个，输出神经元为10个。
训练BP网络。将上述数据作为样本训练BP网络。首先确定BP网络的结构，BP网络输入神经元数为9，输出神经元数为10，而隐含层数及每层的神经元数目经过MATLAB程序多次仿真实验，结果表明当采用双隐含层网络时，第一隐含层的神经元数为9，第二隐含层神经元数为11，网络训练10步时误差就可下降到0。故选择的双隐含层BP神经网络结构为9-9-11-10为最佳网络结构。
测试BP网络。利用训练好的神经网络进行故障诊断，故障诊断运行的部分结果见表2。诊断结果表明，对于已经学习过的样本知识，网络输出与期望结果充分相符，表明该网络能够正确地实现故障诊断；当输入数据在一定范围内偏离样本知识时，网络的输出具有接近样本的倾向，因而表明了该网络在故障诊断方面的使用可靠性。
表2故障测试结果
续表2
5、结论
在旋转机械故障诊断中，将神经网络和专家系统结合，弥补了旋转机械故障诊断专家系统存在的不足。实例证明，该方法诊断效率和精度较高，是一种有效的故障诊断途径。
参考文献
[1]徐敏.基于神经网络集成的专家系统模型[J].计算机工程与设计，2006，（4）.
【关键词】振动监；故障诊断；特征提取；状态识别
机械分为旋转机械和往复机械两种类型，它们在组成结构、动力学特征以及工作原理等方面都有所不同，故障信号的表现形式也存在差异。旋转机械是工业上应用最广泛的机械。许多大型旋转机械，如：离心泵、电动机、发动机、发电机、压缩机、汽轮机、轧钢机等，还是石化、电力、冶金、煤炭、核能等行业中的关键设备，对这些设备加强监测，防止发生故障，具有十分重要的意义。本世纪以来，随着机械工业的迅速发展，现代机械工程中的机械设备朝着轻型化、大型化、重载化和高度自动化等方向发展。机械设备管理是一项严谨的工作，它需要对设备建立一个完善的科学管理体系，利用现代科学的监测仪器、系统运行状态参数，认知设备状态。做到设备静态、动态信息完整化、数字化，即有据可依，有数可查，实现科学的信息综合处理。只要能够正确识别设备的振动信息就可掌握设备的动态，把握设备的维修周期。机械故障诊断就是通过测量机器的信息，比如振动信号，判断其运行状态的一种现代化设备管理方法，振动现象与其运行状态有着对应的关系。
1.应用振动分析诊断旋转机械设备故障
1.1转子不平衡
转子不平衡引起的振动是旋转机械的常见的多发故障。产生不平衡的原因：旋转机械转轴上所装配的零部件，如果材质不均匀（如铸件中存在气孔、砂眼，加工误差）、装配偏心以及在长期运行中产生不均匀磨损、腐蚀、变形，或者某些固定件松脱、各种附着物不均匀堆积等各种原因，都会导致零件发生质心偏移而造成不平衡。不平衡包括静不平衡和动不平衡。不平衡振动的频率一般很明显，主要表现不平衡转子的故障频率等于转子的旋转频率。除此之外，不平衡振动还会激起其他频率成分例如分频、倍频等。影响不平衡振动的主要因素有三个，即转子质量、质心到两轴承连线的垂直距离（即偏心距）、转子的旋转角速度。转子旋转时产生的离心力，这个离心力作用在支撑转子的两个轴承上，方向垂直于轴承中心。在诊断不平衡故障时，首先必须分析信号和频率成分，是否有突出的转频，其次看振动的方向特征，必要时再分析振幅随转速的变化情况，或测量相位。
1.2转子不对中
转子不对中也是旋转机械常见故障之一，主要包括转子与转子之间的连接不对中，主要反映在联轴器的对中性上；转子轴颈与两端轴承不对中。对滑动轴承来说，这种情况产生的主要原因与轴承是否形成良好的油膜有直接关系。对滚动轴承来讲，主要是因为两端轴承座孔不同轴、轴承元件损坏、外圈配合松动，两端支座变形等（对电动机而言是前后端盖），都会引起不对中。转子不对中将产生一种附加弯矩，给轴承增加一种附加荷，致使轴承上的负荷重新分配，形成附加激励引起机组强烈拆动等后果。不对中主要激发二倍转频或多倍转频振动。振动大小与不对中形式有一定关系，一般表现为轴向振动比较大。不对中引起的振动其振幅值与机器的负荷有一定的关系，一般随着负荷的增加而成正比的增加，然而对转速的变化影响不大。
1.3机械松动
机械松动也是旋转机械比较常见的故障，松动有两种情况，一种是地脚螺栓连接松动。它带来的后果是引起整个机器松动。另一种情况是零件之间正常的配合关系被破坏造成配合间隙超差而引起的松动，比如滚动与轴承的内圈与转轴或外圈与轴承座孔之间的配合，因丧失了配合精度而造成松动。由松动引起的振动具有一定的非线性，其振动信号的频率成分相当复杂，除了基频（等于转频）以外，还产生高频次谐波和分频振动，频谱结构成梳状，有时还表现出一些方向特征很明显，主要在垂直方向很强烈。
1.4摩擦
摩擦故障形式有多种多样。如转子与密封件的摩擦，转子与隔板之间的摩擦，电动机转子与定子的摩擦，叶轮、齿轮、风扇与机壳或护罩的摩擦、滚动轴承外圈与轴承孔、以及转轴与轴承内圈或转轴与其他零件因配合松动而引发的摩擦。摩擦一般引起非线性振动，频带范围较宽，除了一倍基频外还有二倍基频、三倍基频等高次谐波，以及1/2、1/3等低次谐波。在某些情况下还会激起系统的固有频率。摩擦振动的时域波形上常常表现为削波状态，“截头余弦”形状的时域波形常被视为摩擦故障的重要标志。
2.振动监测技术
目前，监测机械设备状态的手段虽然很多，但实践证明，振动信号监测是一种易于实现而又可靠的办法。设备振动信号是设备状态信息的载体，它蕴含了丰富的设备异常或故障的信息，而振动特征是设备运行状态好坏的重要标志。因此，振动测试是设备状态信号采集的基本测试手段。对振动信号的检测能够获得设备状态的有效信息，对它的分析则是设备诊断领域中一个被广泛采用的方法。现代传感技术的发展为振动信号的测试提供了有力的保证。现代的振动测试都是采用电测法，即把待测的机械振动量的变化转化成电量的变化，这种机——电转换是通过传感器来实现的。因此传感器性能的好坏直接影响到振动测量结果的准确性和可靠性，从而影响分析和诊断结果的正确性。机械振动参数的测量分为接触式测量和非接触式测量。测量用传感器主要采用电涡流传感器、速度传感器和加速度传感器三种，一般分别用于低频、中频和高频范围的振动测量。近年来，微电子技术的新发展和新应用，微机化机械加工技术的不断更新和加工工艺的不断改进，现代动与冲击测量传感器正朝着更小、更轻、更可靠耐用和更价廉物美的方向发展。国内外不断成功地研制和开发了微电容式、微应变式、石英振梁式、静电平衡式等新型加速度传感器以及激光测振仪等新型位移传感器，这些传感技术大大推动测试技术的发展。数据采集卡的性能不断提高是计算机正确分析的前提。
高新技术的数采器件不断出现、性能价格比不断提高，A/D、放大器、模拟通道开关等芯片不断有新产品世，这些高新技术产品使高速数据采集不再是一件困难的事。
3.结束语
在进行旋转机械的故障诊断时，往往故障与征兆之间不完全是一一对应的关系，有时各种故障同时发生，使故障诊断起来更加复杂。随着状态监测技术不断的发展，故障诊断已成为一种新的工程技术。正确掌握振动标准也是一项重要的工作，除了采用绝对的国际标准外，企业还应根据不同设备的情况建立一套相对标准，即将测量值与初始值相比较作出判断。总之，正确判断故障，不仅需要掌握相关振动学方面的知识，还要对所测的设备非常了解，认真听取现场操作人员、修理技术人员的意见后，才能得到符合实际情况的诊断结果。
【参考文献】
[1]虞和济.故障诊断的理论基础.北京：冶金工业出版社，1989，9.
[2]PWHills.Productionbenefitsfromavibration-basedconditionmonitoringprogramme.INSIGHT，Vol.38No.8August1996：563-565.
[3]廖伯瑜.机械故障诊断基础.北京：冶金工业出版社，1995，11.
[4]谷毅.振动测量传感器的发展现状.现代计量测试，1997（5）：6-9.
[5]S.J.Rothberg，N.A.HalliwVibrationMeasurementsonRotatingMachaneryUsingLaserDopplerVelocime-try.Trans.AMSEJ.Of Vibration and Acoustics.1994.116（3）：326-331.
[6]宗孔德，胡广书.数字信号处理.北京：清华大学出版社，1988.
由不同原因和不同部位而产生的故障，这些故障产生的振动反映了不同的特征，或者频率成分变化，相位差别、波形形状和能量分布状况等。通过检测振动信号，我们发现振动性质和特征不仅与故障有关，还与系统的固有属性有关，比如同一故障发生在不同部位，故障激励传递通道不同，这样就导致其振动特征和响应会有不同，这样我们可以建立不同的响应算法，最后能得到较准确地判断故障位置。
轧钢机械的常见故障及其诊断方法
旋转机械常见的故障,根据转子式和振动性质的不同,可以分为:转子不平衡、转子不对,基部或组装松散、转子和定子摩擦,感应电机振动、滚动轴承故障，齿轮机构的振动等等。
旋转机械中最常见的故障就是不平衡。不平衡产生的原因是多方面的，如安装偏心度差，这样造成与宽松的轴装配松动。往往松动常和不平衡会一起产生，这种数学关系表现为非线性的振动特征。地脚松动引起的振动，在这个方向特征很明显，一般是垂直方向的振动强烈，其他方向不明显。如果是零件配合松动，那么这样引起的振动，表现在方向上的特征并不明显。
电动机是一种典型的旋转机械，在机械故障的表现方面具有旋转机械的共同特点，如存在转子不平衡，转子不对中、松动、摩擦等故障类型。电机的振动故障特点包括机械和电气两方面，机械方面的振动故障，例如转子与定子间磁隙不均匀导致电机的异常振动，电压不稳定或者匝短路等也会造成电机的振动异常。电气方面的振动故障表现为：当突然给电机断电，振动立即停止，通过这一点，我们可以判断存在电气方面的故障，当突然给电机断电，振动不会立即停止，则属于机械故障。
滚动轴承旋转机械转子系统包括外圈、内圈，保持架等组件。对滚动轴承振动诊断的分析方法是：滚动轴承的每个部件都有它自己的故障特征频率。滚动轴承的故障特征频率(简化计算)为：内圈通过频率F=0.6Z-Fr，外圈通过频率F=0.4Z•Fr，保持架通过频率F：0.4Fr，其中z为滚动体个数，n为轴承内圈回转频率。
齿轮是轧钢机械重要的组成部分，它的运行状态直接影响轧钢机组的正常工作。根据统计抽样结果表明，齿轮损坏的概率：齿面磨损、齿根断裂分别占41%和31%。先看看啮合频率和振幅波动；二是看啮合频率谐波分布；三是看变频，齿轮故障使的振动能量增加，边缘频率、幅度也增加，在齿轮箱的各种配件中，失败的比率60%，可见在各部分的比例最大的是齿轮故障，由于负载波动幅度调制而产生的旋转速度波动。通过振动诊断判别齿轮状态，最有效的方法是分析齿轮振动功率谱的变化，其次分析倒频谱。
实例诊断分析
现对轧机振动状态的检测主要基于振动传感器，数据采集，软件等现有设备，以连轧厂为例，应用振动故障诊断技术对其进行了全面的分析和诊断。
购物车(0)