故障诊断参数获取的可视化建模系统
发布时间:2008/5/27 0:00:00 访问次数:534
摘 要： 给出了基于模糊神经网络的故障诊断参数，并采用面向对象的分析方法和编程技术实现了机械设备的建模工具，该工具为获得这些诊断参数提供了合理有效的途径。
关键词： 故障诊断 建模 面向对象 模糊神经网络
机械设备故障诊断方法可选用的特征信号有多种，如振动、噪声、力、扭矩、压力、温度、功率、电、磁、光、超声波等信号。按照所选用的状态信号，设备的诊断除了常用的振动诊断，还有超声诊断、声发射诊断、油光谱分析诊断、红外监测诊断等方法。这些方法对不同的机械设备有不同的灵敏度，所以效果也不同。因此，有个合理选用的问题，本文则主要针对振动诊断法。当机械设备内部发生异常时，一般都会随之出现振动加大和性能变化。该方法诊断信息获取方便、信息量丰富，设备内大部分部件的状况在其中均有反映，适宜于发展成为在线实时监控系统。具体实施方法很多，其中基于模糊神经网络的诊断就是一种有效的诊断策略，而网络的输入参数则是诊断的关键信息。有了网络的拓扑结构和输入节点的参数，经过推理可非常简便地在输出节点中获得故障的可信度。根据文献[2]的模糊规则很容易地构造各故障的模糊神经网络。但在实际中如何合理而有效地定义和获取网络的输入诊断参数，则是一个复杂的问题。本文就此讨论了这些诊断参数的定义，并采用面向对象的分析方法和编程技术实现了简便获取这些参数信息的建模工具。
１ 特征量的定义
振动诊断中的重要因素是故障特征量的提取，它反映故障的部位，故障的严重程度，是故障诊断的基础。由故障机理分析可知，如某一故障产生，则它的故障特征频率基频和谐频点能量会不同程度地有较大增加，且不同特征频率处的谱值变化对故障影响的程度不同。因为受监测装置、转速等条件的影响，尽量不要以绝对值作为异常诊断的依据，而要与初始值或正常值做比较，用比值作为监测参数来进行诊断。为此诊断的监测参数定义为：
式中为相对于的待检状态故障谱值，为相应于的正常状态功率谱值。的比值，消除了故障在传播过程中由于经过较多结合面而产生的能量衰减效应，因为同一结构处于正常状态与故障状态产生振动的传播途径是一致的，它们的能量衰减幅度大致相等。考虑到信号能量比较弱以及计算机处理浮点数的能力，可做如下处理：
因为某一监测量只能反映某一方面的故障信息，具有一定的局限性，所以实际中仅靠一个参数作为判断依据是不够的，应综合多种参数，并给不同参数以不同的权，这样才合理，可靠。
２ 诊断网络的输入
有了特征量后，就可将其经过一定的处理后送入网络诊断。基于神经网络的模糊推理是解决诊断中的不确定性的一个有效的方法，其输入是故障征兆的监测量，即不同的fs值，由于fs并不一定在[0,1]之间，所以首先应确定fs的上界和下界，将实际的监测量fs通过其上、下界归一化处理成[0,1]区间上的值。归一化后的输入值再通过网络的前向推理得到输出节点输出故障发生的可信度，该可信度也取值于[0,1]之间。
根据故障机理和实际经验给出故障类型和特征参数的关系，得出故障集和征
摘 要： 给出了基于模糊神经网络的故障诊断参数，并采用面向对象的分析方法和编程技术实现了机械设备的建模工具，该工具为获得这些诊断参数提供了合理有效的途径。
关键词： 故障诊断 建模 面向对象 模糊神经网络
机械设备故障诊断方法可选用的特征信号有多种，如振动、噪声、力、扭矩、压力、温度、功率、电、磁、光、超声波等信号。按照所选用的状态信号，设备的诊断除了常用的振动诊断，还有超声诊断、声发射诊断、油光谱分析诊断、红外监测诊断等方法。这些方法对不同的机械设备有不同的灵敏度，所以效果也不同。因此，有个合理选用的问题，本文则主要针对振动诊断法。当机械设备内部发生异常时，一般都会随之出现振动加大和性能变化。该方法诊断信息获取方便、信息量丰富，设备内大部分部件的状况在其中均有反映，适宜于发展成为在线实时监控系统。具体实施方法很多，其中基于模糊神经网络的诊断就是一种有效的诊断策略，而网络的输入参数则是诊断的关键信息。有了网络的拓扑结构和输入节点的参数，经过推理可非常简便地在输出节点中获得故障的可信度。根据文献[2]的模糊规则很容易地构造各故障的模糊神经网络。但在实际中如何合理而有效地定义和获取网络的输入诊断参数，则是一个复杂的问题。本文就此讨论了这些诊断参数的定义，并采用面向对象的分析方法和编程技术实现了简便获取这些参数信息的建模工具。
１ 特征量的定义
振动诊断中的重要因素是故障特征量的提取，它反映故障的部位，故障的严重程度，是故障诊断的基础。由故障机理分析可知，如某一故障产生，则它的故障特征频率基频和谐频点能量会不同程度地有较大增加，且不同特征频率处的谱值变化对故障影响的程度不同。因为受监测装置、转速等条件的影响，尽量不要以绝对值作为异常诊断的依据，而要与初始值或正常值做比较，用比值作为监测参数来进行诊断。为此诊断的监测参数定义为：
式中为相对于的待检状态故障谱值，为相应于的正常状态功率谱值。的比值，消除了故障在传播过程中由于经过较多结合面而产生的能量衰减效应，因为同一结构处于正常状态与故障状态产生振动的传播途径是一致的，它们的能量衰减幅度大致相等。考虑到信号能量比较弱以及计算机处理浮点数的能力，可做如下处理：
因为某一监测量只能反映某一方面的故障信息，具有一定的局限性，所以实际中仅靠一个参数作为判断依据是不够的，应综合多种参数，并给不同参数以不同的权，这样才合理，可靠。
２ 诊断网络的输入
有了特征量后，就可将其经过一定的处理后送入网络诊断。基于神经网络的模糊推理是解决诊断中的不确定性的一个有效的方法，其输入是故障征兆的监测量，即不同的fs值，由于fs并不一定在[0,1]之间，所以首先应确定fs的上界和下界，将实际的监测量fs通过其上、下界归一化处理成[0,1]区间上的值。归一化后的输入值再通过网络的前向推理得到输出节点输出故障发生的可信度，该可信度也取值于[0,1]之间。
根据故障机理和实际经验给出故障类型和特征参数的关系，得出故障集和征
相关技术资料- 5-15高性能全局快门图像传感器SC533HGS
- 5-15 I2C 接口 PmBUS 及 OTP/MTP 存储器
- 5-15处理器核心电源 Intelli-Phase（单片DrMOS）
- 5-15业界首款全自研高性能RISC-V服务器芯片
- 5-15数字恒定导通时间控制模式（COT）
- 5-15Power Management Buck/降压转换
- 5-15Quiet Switcher技术 (QSTTM)集成驱动 MOSF
- 5-14高精度智能磁性传感器芯片KTM5900
- 5-14新一代全光纤工业光总线技术应用前景
- 5-14通感控一体全光网芯片TS-PON Gen2
- 5-14Sub-GHz/Wi-SUN 收发器技术参数设计
- 5-14低功耗 8 位和 16 位微控制器（MCU）
- 相关IC型号
公网安备44030402000607
