当前位置:文档之家› 常用故障特征提取方法综述

常用故障特征提取方法综述

常用故障特征提取方法综述 摘要:随着现代工业及科学技术的迅速发展,生产设备日趋大型化、集成化、高速化、自动化和智能化,设备在生产中的地位越来越重要,对设备的管理也提出了更高的要求,能否保证一些关键设备的正常运行,直接关系到一个行业发展的各个层面。机械故障诊断的基本任务是监视机械设备的运行状态,诊断和判断机械设备的故障并提供有效的排故措施,指导设备管理和维修。在机械故障诊断的发展过程中,人们发现最重要、最关键而且也是最困难的问题之一是故障信号的特征提取。本文就故障诊断的两大类常用方式做了比较说明,并结合实例说明各类方法的优缺点,给读者在实际应用中提供了选择余地。 关键词:故障诊断 特征提取

1、故障特征提取方法研究的目的与意义 随着现代工业及科学技术的迅速发展,生产设备日趋大型化、集成化、高速化、自动化和智能化,设备在生产中的地位越来越重要,对设备的管理也提出了更高的要求,能否保证

一些关键设备的正常运行,直接关系到一个行业发展的各个层面[1,2]。现代化工业生产,一旦发生故障,损失将十分巨大,因此,为尽最大可能地避免事故的发生,机械设备状态监测与故障诊断技术近年来得到了极为广泛的重视,其应用所达到的深入程度十分令人鼓舞。目前,机械设备状态监测与故障诊断已基本上形成了一门既有理论基础、又有实际应用背景的

交叉性学科[1-3]。 机械故障诊断的基本任务是监视机械设备的运行状态,诊断和判断机械设备的故障并提供有效的排故措施,指导设备管理和维修。机械故障诊断主要包括四个步骤[4,5],即信号测取、特征提取、状态诊断和状态分析。在机械故障诊断的发展过程中,人们发现最重要、最关键而且也是最困难的问题之一是故障信号的特征提取。在某种意义上,特征提取可以说是当前机械故障诊断研究中的瓶颈问题,它直接关系到故障诊断的准确性和故障早期预报的可

靠性[3,5]。

在实际应用中,故障与征兆之间往往并不存在简单的一一对应的关系,一种故障可能对

应若多种征兆,反之一种征兆也可能由于多种故障所致,这些给故障特征提取带来了困难,为了从根本上解决特征提取这个关键问题,通常我们必须要借助信号处理,特别是现代信号处理的理论、方法和技术手段,从采集的原始数据中寻找出特征信息,提取特征值,从而保证有效、准确地进行故障诊断,也就是说,信号处理与故障诊断有着极为密切的联系,信号

处理、特征提取是故障诊断中必不可少的一个重要环节[3]。 2、故障诊断技术的发展

设备状态监测与故障诊断是通过掌握设备过去和现在运行中在基本不拆卸的情况下的

状态量,判断有关异常或故障的原因及预测对将来的影响,从而找出必要对策的技术。它是一门综合性技术,涉及传感器及测试技术、电子学、信号处理、识别理论、计算机技术以及人工智能、专家系统等多门基础学科,是对这些基础理论的综合应用。世界上最早开展设备故障诊断技术的国家是美国。1961年开始执行阿波罗计划后,发生了一系列由设备故障酿成的悲剧,引起了美国军方和政府有关部门的重视。1967年在美国宇航局和海军研究所的倡导和组织下、成立了美国机械故障预防小组(MFPG),开始有计划有组织地对诊断技术分专题进行研究。此后很多学术机构如美国机械工程师学会 (ASME),政府部门如国家标准局(NBS)以及一些高等院校和企业公司都参与或进行了与本行业有关的诊断技术研究。在航空运输方面,美国在可靠性维修管理的基础上,大规模地对大型飞机进行状态监测,目前,美国的军用飞机都装备了功能强大的状态监测与故障诊断系统。英国也于70年代初成立了机器保健与状态监测协会(MH&CMA),1982年曼彻斯特大学成立了沃福森工业维修公司,主要从事状态监测与故障诊断的研究工作和教育培训工作。除此之外,在核电站、钢铁等行业也成立了相应的组织,开展这方面的研究工作[5]。 设备状态监测与故障诊断技术在欧洲其他国家的广泛性虽然不如英美,但都在某一方面具有特色或占有领先地位,如瑞典SPM仪器公司的轴承监测技术,丹麦B&K公司的传感器制造技术等。日本在70年代开始发展诊断技术,它的做法是密切注视世界各国动向,积极引进和消化最新技术,努力发展自己的诊断技术,日本的诊断技术在民用工业方面占有明显优势,如钢铁、铁路、化工等工业。 我国对设备状态监测与故障诊断技术的认识和发展也经历了与国外同样的过程,1979年以前,一些大专院校和科研单位结合教学和有关设备诊断技术的研究课题,逐渐开始进行机械设备状态监测与故障诊断技术的理论研究和小范围的工程实际应用研究,特别是随着30万吨合成氨等一批大型石化装置的引进,某些装置的机组频繁发生事故,促进了对这项技术研究的重视。从1979年到1983年,设备状态监测与故障诊断技术从初步认识进入到初步实践阶段,以学习别国的先进技术和经验为主,对一些故障机理、诊断方法及简易监测诊断仪器进行研究和研制。目前我国的设备状态监测与故障诊断技术水平与发达圈家的差距己大大缩短,在一些方面,如计算机监测与故障诊断的软件开发等,完全可以满足生产实际的需要,达到同期世界先进水平。

3、故障诊断技术的发展趋势 设备故障诊断技术发展到今天,己成为一门独立的跨学科的综合信息处理技术,它以可靠性理论、信息论、控制论和系统论为理论基础,以现代测试仪器和计算机为技术手段,结合各种诊断现象(系统、设备、机器、装置、工程结构、工艺过程等)的特殊规律而逐步形成的一门新兴学科。它大体上由三部分组成:第一部分为故障诊断物理、 化学过程的研究,例如以电器、机械部件失效的腐蚀、儒变、疲劳、氧化、断裂、磨损等理化原因的研究:第二部分为故障诊断信息学的研究,它主要研究故障信号的采集、选择、处理与分析过程。例如通过传感器采集设备运行中的信号(如振动、转速),再经过时域与频域上的分析处理来识别评价所处的状态或故障:第三部分为诊断逻辑与数学原理方面的研究,主要是通过逻辑方法、模型方法、推论方法和人工智能方法,根据可观测的设备故障表征来确定下一步的检测部位,最终分析判断故障发生的部位和产生故障的原因[2,3]。 故障诊断技术可简单地划分为传统的诊断方法、数学诊断方法以及智能诊断方法。传统的诊断方法包括:振动监测技术、油液分析技术、噪声监测技术、红外测温技术、声发射技术以及无损检测技术等;数学诊断方法包括:基于贝叶斯决策判据以及基于线性和非线性判别函数的模式识别方法、基于概率统计的时序模型诊断方法、基于距离判据的故障诊断方法、模糊诊断原理、灰色系统诊断方法、故障树分析法、小波分析法以及混沌分析法与分形几何法等;智能诊断方法包括:模糊逻辑、专家系统、神经网络、进化计算方法(如遗传算法)等。 设备故障诊断技术与当代前沿科学的融合是设备故障诊断技术的发展方向。当今故障诊断技术的发展趋势是传感器的精密化、多维化,诊断理论、诊断模型的多元化,诊断技术的智能化,具体来说表现在如下方面[4-6]: (1)与当代最新传感器技术尤其是激光测试技术的融合。近年来,激光技术己从军事、医疗、机械加工等领域深入发展到振动测量和设备故障诊断中,并且已经成功应用于测振和旋转机械对中等方面 (2) 与最新信号处理方法相融合。随着新的信号处理方法在设备故障诊断领域中的应用,传统的基于快速傅立叶变换的机械设备信号分析技术有了新的突破性进展。 (3) 与非线性原理和方法的融合。机械设备在发生故障时,其行为往往表现为非线性。如旋转机械的转子在不平衡外力的作用下表现出的非线性特征。随着混沌与分形几何方法的同趋完善,这一类诊断问题必将得到进一步解决。 (4) 与多元传感器信息的融合。现代化的大生产要求对设备进行全方位、多角度的监测与维护,以便对设备的运行状态有整体的、全面的了解。因此,在进行设备故障诊断时,可采用多个传感器同时对设备的各个位置进行监测,然后按照一定的方法对这些信息进行处理,如人工神经网络方法。 (5) 与现代智能方法的融合。现代智能方法包括专家系统、模糊逻辑、神经网络、进化计算等。现代智能方法在设备故障诊断技术中已得到广泛的应用。随着智能技术的不断发展,设备状态的智能监测和设备故障的智能诊断,将是故障诊断技术的最终目标。

4、故障特征值提取技术综述

机械设备运行时会产生振动,一般还会伴随噪声,由于振动或噪声中带有大量的机械设备运行状态信息,同时,振动或噪声信息十分便于测量获取,因此利用振动或噪声信号对机械设备进行状态监测和故障诊断是最常用、往往也是最有效的方法,是开展故障诊断的一种

重要技术手段[6-7]。事实上,据统计资料分析,在机械设备的各类故障中,由于振动原因而引起的占60%以上。对信号进行有效的分析、处理来提取故障特征信息,是对设备运行状态进行合理估计和分类的关键。可以说机械故障诊断技术的每一项进展都与信号处理手段的发展密切相关。振动信号分析是故障诊断领域最活跃的一个分支,振动信号的分析处理技术在信息提取、结构性能测试、状态监测与故障诊断等技术中应用得越来越广泛,成为工程实践中不可缺少的一种手段。在故障诊断的实际应用中,信号分析与处理的目的就是去伪存真,提取与设备运行状态有关的特征信息,通过各种分析手段使其凸现出来,从而提高状态识别与故障诊断的准确率。下面主要就基于振动信号分析的常用特征提取技术进行描述。

5、常用信号特征值提取技术

故障特征提取有很多种方法,从涉及的数据类型上讲可分为两大类:一类综合考虑变量与模式之间的关系,采用变量对模式的不同响应(如灵敏度)进行分类,如基于互信息熵的方法、神经网络方法等;另一类只考虑变量之间的相互关系,比较每个或每组描述故障模式的变量对分类的贡献大小,选取贡献大的变量,删除贡献小的变量,根据特征变量之间的信息

选择合适的特征,典型的方法如主分量分析[8]。工业生产中常监测机械设备的振动等频谱信息,国内外专家学者针对该类数据提出了诸如小波包、匹配跟踪等特征提取算法。 故障诊断中常用的信号处理方法分为两大类:时域分析和频域分析。时域分析常常是直接利用振动时域信号进行分析并给出结果,是最简单而且最直接的方法,特别是当信号中明显含有简谐成分、周期成分或瞬时脉冲成分更为有效。时域分析主要包括概率分析法、时域同步平均法、相关函数诊断法以及提取时域波形的特征量、振动幅值,振动周期与频率、相位及其它指标:偏度、峭度、峰态因数、波形因数、脉冲因数、峰值因数及裕度因数。频域分析则是以傅立叶分析为基础,包括频谱分析、倒频谱分析、包络分析。频谱分析通常能够提供比时域波形更加直观的特征信息,频谱分析的结果还可用于趋势估计;倒频谱分析是将频谱分析的结果再次利用FFT技术转换到一个新的分析域中,倒频谱具有检测和分离频谱中周期性成分的能力,会使原来谱图上成族的边频谱线简化为倒频谱上的单根谱线,从而使频谱中的复杂周期成分变得清晰易辨,以利于故障诊断;包络分析是提取附在高频信号上的低频信号,从时域上看,为取时域波形的包络轨迹。

相关主题