會(huì)員1.png)
您所在位置：請(qǐng)輸入產(chǎn)品關(guān)鍵字：
基于解析模型的方法
點(diǎn)擊次數(shù)：269 發(fā)布時(shí)間：2013-11-4
基于解析模型的方法需要建立被診斷對(duì)象的較為的數(shù)學(xué)模型，具體又可以分為狀態(tài)估計(jì)方法、等價(jià)空間方法和參數(shù)估計(jì)方法。這三種方法雖然是獨(dú)立發(fā)展起來(lái)的，但它們彼此之間并不是孤立的，而是存在一定的關(guān)系。
狀態(tài)估計(jì)方法的基本思想是利用系統(tǒng)的定量模型和測(cè)量信號(hào)重建某一可測(cè)變量，將估計(jì)值與測(cè)量值之差作為殘差，以檢測(cè)和分離系統(tǒng)故障。在能夠獲得系統(tǒng)的數(shù)學(xué)模型的情況下，狀態(tài)估計(jì)方法是zui直接有效的方法。而在實(shí)際中，這一條件往往很難滿(mǎn)足。
等價(jià)空間方法的基本思想就是利用系統(tǒng)的輸入輸出的實(shí)際測(cè)量值檢驗(yàn)系統(tǒng)數(shù)學(xué)模型的等價(jià)性（即一致性），以檢測(cè)和分離故障。
參數(shù)估計(jì)方法的基本思想是根據(jù)模型參數(shù)及相應(yīng)的物理參數(shù)的變化來(lái)檢測(cè)和分離故障。與狀態(tài)估計(jì)的方法相比，參數(shù)估計(jì)法更利于故障的分離。參數(shù)估計(jì)方法要求找出模型參數(shù)和物理參數(shù)之間的一一對(duì)應(yīng)關(guān)系，且被控過(guò)程需充分激勵(lì)。因此將參數(shù)估計(jì)方法和其他基于解析模型的方法結(jié)合起來(lái)使用，可以獲得更好的故障檢測(cè)和分離性能。
在實(shí)際情況中，常常無(wú)法獲得對(duì)象的數(shù)學(xué)模型，而且故障引起系統(tǒng)模型結(jié)構(gòu)和參數(shù)變化的形式是不確定的，這就大大限制了基于解析模型診斷方法的使用范圍和效果。對(duì)于水泵來(lái)說(shuō)亦是如此，目前利用基于解析模型診斷的方法對(duì)其進(jìn)行故障診斷的研究也較少。國(guó)內(nèi)有人基于非線性建模技術(shù)，利用模糊神經(jīng)網(wǎng)絡(luò)模型對(duì)離心泵的故障信號(hào)進(jìn)行估計(jì)。該方法沒(méi)有考慮模型不確定性，不具備魯棒性。針對(duì)模型不確定性的非線性系統(tǒng)，有人在給出基于參
數(shù)估計(jì)故障診斷方法的基礎(chǔ)上，以火電廠的冷卻水泵為對(duì)象，對(duì)該診斷算法的魯棒性、靈敏度、穩(wěn)定性以及可檢測(cè)性進(jìn)行了分析研究。
基于知識(shí)的方法
隨著人工智能及計(jì)算機(jī)技術(shù)的飛速發(fā)展，基于知識(shí)的方法在故障診斷中得到越來(lái)越廣泛的應(yīng)用，目前應(yīng)用到水泵故障診斷中基于知識(shí)的方法主要有粗糙集理論、專(zhuān)家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等。粗糙集理論是波蘭學(xué)者Z Pawlak于1982年提出的一種用于處理不完整不知識(shí)的數(shù)學(xué)方法，該理論不需要關(guān)于數(shù)據(jù)的任何初始或附加信息，直接對(duì)不完整不數(shù)據(jù)進(jìn)行分析處理。近年來(lái)，粗糙集理論發(fā)展迅速，已經(jīng)在很多領(lǐng)域得到了應(yīng)用。有人利用粗糙集理論對(duì)離心泵的特征參數(shù)進(jìn)行約簡(jiǎn)，并優(yōu)選出zui簡(jiǎn)決策表，形成標(biāo)準(zhǔn)特征庫(kù)，提高了故障診斷的速度和精度。但當(dāng)故障形式和特征參數(shù)較多時(shí)，則有可能會(huì)導(dǎo)致較大的決策表以及較多的規(guī)則數(shù)目。同時(shí)，由于許多實(shí)際應(yīng)用中的數(shù)據(jù)經(jīng)常是不斷更新的，因此如何動(dòng)態(tài)地修正現(xiàn)有模型結(jié)構(gòu)和規(guī)則集，提高系統(tǒng)的自學(xué)習(xí)能力，還有待于做進(jìn)一步的研究。
基于專(zhuān)家系統(tǒng)的故障診斷方法其實(shí)是一個(gè)計(jì)算機(jī)智能程序，計(jì)算機(jī)在采集被診斷對(duì)象的信息后，綜合運(yùn)用各種規(guī)則（專(zhuān)家經(jīng)驗(yàn)），進(jìn)行一系列的推理，必要時(shí)還可以隨時(shí)調(diào)用各種應(yīng)用程序，運(yùn)行過(guò)程中向用戶(hù)索取必要的信息后，就可快速地找到zui終故障或zui有可能的故障，再由用戶(hù)來(lái)證實(shí)。它一般由數(shù)據(jù)庫(kù)、知識(shí)庫(kù)、推理機(jī)、解釋機(jī)制以及計(jì)算機(jī)接口5部分組成，其中知識(shí)庫(kù)中存儲(chǔ)診斷知識(shí)，也就是故障征兆、故障模式、故障成因和處理意見(jiàn)等內(nèi)容，而數(shù)據(jù)庫(kù)中存儲(chǔ)了通過(guò)測(cè)量并處理得到的當(dāng)前征兆信息，推理機(jī)就是使用數(shù)據(jù)庫(kù)中的征兆信息通過(guò)一定的搜索策略在知識(shí)庫(kù)中找到對(duì)應(yīng)征兆下可能發(fā)生的故障，然后對(duì)故障進(jìn)行評(píng)價(jià)和決策。解釋機(jī)制可以為此推理過(guò)程給出解釋?zhuān)藱C(jī)接口用于知識(shí)的輸入和人機(jī)對(duì)話。此種方法在水泵的故障診斷中已有不少應(yīng)用。
模糊故障診斷方法是利用集合論中的隸屬函數(shù)和模糊關(guān)系矩陣的概念來(lái)解決故障與征兆之間的不確定關(guān)系，進(jìn)而實(shí)現(xiàn)故障的檢測(cè)與診斷。、這種方法具有計(jì)算簡(jiǎn)單、應(yīng)用方便和結(jié)論明確直觀等特點(diǎn)。鑒于模糊故障診斷方法的這種特點(diǎn)，結(jié)合泵的故障與征兆之間的關(guān)系，難以使用的數(shù)學(xué)模型表述的實(shí)際情況，可以借助于這種方法，用隸屬度的概念來(lái)描述泵的振動(dòng)，然后運(yùn)用模糊綜合評(píng)判法找出泵故障的原因。有人采用模糊故障診斷方法對(duì)火電廠給水泵的故障診斷進(jìn)行了嘗試，為電廠工作人員提供了決策依據(jù)，提高了整個(gè)機(jī)組運(yùn)行的安全性和經(jīng)濟(jì)性。使用這種方法存在的問(wèn)題：但隸屬函數(shù)是人為構(gòu)造的,含有一定的主觀因素；對(duì)特征元素的選擇有一定的要求,如選擇不合理，診斷精度會(huì)下降，甚至診斷失敗。
人工神經(jīng)網(wǎng)絡(luò)是試圖模擬生物神經(jīng)系統(tǒng)而建立起來(lái)的自適應(yīng)非線性動(dòng)力學(xué)系統(tǒng)，具有可學(xué)習(xí)性和并行計(jì)算能力，可以實(shí)現(xiàn)分類(lèi)、自組織、聯(lián)想記憶和非線性?xún)?yōu)化等功能。目前在水泵故障診斷中應(yīng)用較多的是BP網(wǎng)絡(luò)以及自組織映射網(wǎng)絡(luò)等。文獻(xiàn)[9]在泵互乎二差教障診斷的專(zhuān)家系統(tǒng)模型中加入神經(jīng)網(wǎng)絡(luò)模型，當(dāng)系統(tǒng)處于在線運(yùn)行時(shí)，可以高運(yùn)診斷、識(shí)別和學(xué)習(xí)新事件，從而有效地提高了故障診斷系統(tǒng)的穩(wěn)定性和可靠性。
支持向量機(jī)（support vector machine，SVM）是在有限樣本統(tǒng)計(jì)學(xué)乏理論（statisticallearning theory，SLT）基礎(chǔ)上發(fā)展起來(lái)的一種新的機(jī)器學(xué)習(xí)方法，它較好地解決了小樣本、非線性和高維模式識(shí)別等實(shí)際問(wèn)題，并克服了神、經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法中網(wǎng)絡(luò)結(jié)構(gòu)難以確定、收斂速度慢、局部極小點(diǎn)、過(guò)學(xué)習(xí)與欠學(xué)習(xí)以及訓(xùn)練時(shí)需要大量數(shù)據(jù)樣本等不足，具有良好的推廣性能，成為繼神經(jīng)網(wǎng)絡(luò)研究之后新的研究熱點(diǎn)。對(duì)于線性可分模式，其主要思想就是建
立一個(gè)超平面作為決策面，該決策面不但能夠?qū)⑺杏?xùn)練樣本正確分類(lèi)，而且使用訓(xùn)練樣本中離分類(lèi)面zui近的點(diǎn)到分類(lèi)面的距離zui大。對(duì)于非線性不可分模式，該方法通過(guò)某種特定的非線性映射，將樣本空問(wèn)映射到高維特征空間，使其線性可分，并在高維特征空間中構(gòu)造出*分類(lèi)超平面，從而實(shí)現(xiàn)分類(lèi)。有人應(yīng)用支持向量機(jī)的幾種多類(lèi)分類(lèi)算法對(duì)離心泵的葉片損壞、密封泄漏和汽蝕3種故障進(jìn)行診斷，并將診斷結(jié)果與利用BP神經(jīng)網(wǎng)絡(luò)診斷的結(jié)果相比較。結(jié)果表明，采用支持向量機(jī)的幾種算法進(jìn)行診斷較后者具有更高的精度。
展望
綜上所述，人們對(duì)磁力泵的故障診斷研究雖然已經(jīng)做了大量的工作,在工程實(shí)踐中也得到了一定的應(yīng)用，但是也暴露出一些尚需解決和進(jìn)一步研究的問(wèn)題：
①在理論分析和應(yīng)用研究中，為了便于分析與處理，在多數(shù)情況下都對(duì)泵進(jìn)行了一些簡(jiǎn)單化處理，如假設(shè)被分析的信號(hào)具有線性、平穩(wěn)性和zui小相位持仨等,墨毫實(shí)寫(xiě)的工程應(yīng)用中常常會(huì)忽略信號(hào)中的一些重要特征，對(duì)于工作在較為理想工況條件下簡(jiǎn)單的泵來(lái)講分析結(jié)果尚可，誤差不是很大，但對(duì)于精密程度高、工作環(huán)境復(fù)雜的泵,則診斷結(jié)果常常差強(qiáng)人意。
②泵類(lèi)設(shè)備在工作過(guò)程中存在著多種振動(dòng)激勵(lì)源，既有泵本身旋轉(zhuǎn)運(yùn)動(dòng)的振源，也有原動(dòng)機(jī)（如電機(jī)、柴油機(jī)等）的振動(dòng)激勵(lì)，而且當(dāng)泵出現(xiàn)故障時(shí),其部件內(nèi)部還存在沖擊作用，同時(shí)水流也會(huì)產(chǎn)生一定的沖擊作用。這么多振源的振動(dòng)混合在一起勢(shì)必會(huì)相互影響，而且故障信號(hào)往往會(huì)被淹沒(méi)在背景噪聲和干擾之中，這都給泵的故障診斷嵩來(lái)了很大難度，現(xiàn)有的信號(hào)分析方法在多激勵(lì)源的振動(dòng)信號(hào)分離以及低信噪比振動(dòng)信號(hào)的特征提取方面并未取
得突破性進(jìn)展，仍需要做更深一步的研究。
③目前人們對(duì)泵進(jìn)行故障分類(lèi)主要還是采用基于數(shù)據(jù)的機(jī)器學(xué)習(xí)方式,這種方式的特點(diǎn)就是需要大量的樣本數(shù)據(jù)，但當(dāng)樣本數(shù)據(jù)難以獲得的時(shí)候，這種方法就顯示出了其局限性。因此需要研究一種具有更高泛化推廣能力的小樣本故障模式分類(lèi)方法，使其能夠利用有限的數(shù)據(jù)樣本來(lái)獲得更好的診斷效果。