Product category
据此, 以离心机振动信号拾取为主要故障探测手段, 建立离心机一般故障诊断专家系统, 其基本结构如图2所示。具体过程为, 离心机各测点的振动信号由传感器拾取, 经AöD 转换存入微机; 采用数字信号处理技术, 对波形进行数字滤波和小波变换等数字信号提纯处理; 以信号图形数据的方式建立振动波形一级数据库, 在模型库中以信号分析的数值算法和数学模型建立二级数据库; 以谱分析等为主要处理手段, 进行故障信息的数字特征提取和识别, 将分析和计算结果放入故障特征数据库; 根据现有实际经验和专家知识建立知识库, 知识库中主要存放一系列的事实和规则成分, 可以通过将前一步的特征信息调用事实和规则进行推理分析, 得出zui后的诊断结论。本系统设计思想是,程序设计采用模块式结构, 可以进行功能扩充; 结合人工交互式人机对话方式, 使之不仅有易用的界面, 而且具备知识自学习功能扩展和记忆; 通过解释系统, 使操作过程和诊断结果便于使用和理解, 有利于工厂实际操作, 并通过自学习能迅速处理同样或类似的诊断问题。
离心机振动故障诊断专家系统应用
根据现场经验和理论分析可知[3 ] , 对于转鼓部分产生异常振动的一般故障有: 转鼓不平衡、安装不对中、共振、结构部件松动、转鼓处产生摩擦、转鼓结构缺陷和轴承磨损缺
陷等。这些故障都会反映在拾取到的振动信号谱分析中, 并与相应的频率成分对应, 例如:õ 1ö3倍频: 反映非线性振动部分, 如转鼓处摩擦、转鼓上紧固件松动产生的振动等;õ 1ö2倍频: 除反映一般转子的半速涡动和油膜振荡故障外, 也能反映一些非线性振动的特征;õ 工频: 振动中的zui明显特征, 反映转鼓的不平衡状态;õ 二倍频: 反映转鼓不对中的情况。同时, 对轴损坏和不对称等情况比较敏感;õ 三倍频和四倍频: 主要反映轴松动、轴裂纹等故障;õ 高频峰群: 可以反映轴承的故障, 并通过具体的频率计算来分析确定图上位置;õ 用倒频谱分析和细化频谱来查找齿轮和轴承故障。在时域内寻找故障信息, 建立和识别故障特征, 主要应考虑:
(1) 检查对应转速的振动和相位;
(2) 检测转速和噪声, 来直接反映转子运行状态的变化;
离心机机械故障诊断专家系统设计及其应用
(3) 记录轴心位置坐标来反映转子运行、润滑情况等。
将上述信息进行实时记录和数据处理, 建成诊断数据库和知识库, 作为诊断的基础。建立的一级数据库结构: 1)机型; 2) 测点代号; 3) 日期; 4) 振动波形; 5) 对应转速; 6)
轴心轨迹等等。二级数据库为对应数值处理后的各状态特征参量和程度向量, 这里主要采用以振动响应功率谱为基础, 提取谱图相似因子、谱图向量因子及反映谱图随频率走向的变化等为主要的特征参数。在诊断规则和知识库的确立中[4 ] , 除对上述典型故障的产生直接判别外, 同时用模糊数学的思想给出程度判断和故障识别。我们知道, 机械地把振幅大于某值视为异常、小于某值视为正常是不*合理的。事实上, 当振幅小于某值时, 但接近于某值时也包含异常的可能, 需要用一个隶属度函数来表征故障的程度, 而且在处理一个故障引起其它并发故障的问题时, 通过建立模糊关系矩阵, 可以将各类振动信号特征的隶属度变换成各类故障的隶属度。同时, 模糊矩阵的建立中, 可以使本系统所具有自学习功能, 通过对知识的积累和学习, 来自行产生符合处理对象的模糊诊断数据机制, 作出合理的判断。在故障模式十分复杂的推理中, 基于神经网络的专家系统比较理想, 因为神经网络可以将问题的特征变为数字,将推理变为数值计算, 这样的推理过程比较简捷明了。但是, 众多的故障信息并不都能以数字表示, 而且仅基于神经网络的专家系统会在数据不充分时, 自动降级处理[5 ]。因此, 本系统的设计考虑采用规则与神经网络结合, 在判据不明显或不够时向用户提出必要的询问, 充实判据, 使得出的结论更加贴切, 更具实效。
3 结束语
本文在离心机故障诊断理论基础上, 应用人工智能技术, 结合发展, 系统地探讨了离心机机械故障诊断专家系统的总体设计, 给出了关键问题的细节处理, 并以碟式分离心机为例给出具体应用。与以往纯理论性讨论相区别, 本文提出的设计思想及正在开展的研究工作, 可以将研究成果实时地转化成为工业应用, 为生产实际服务。