设计工作状态监测与故障诊断系统

工作状态监测技术是实现数字化生产与维护的基础。对生产设备进行实时监测可以让操作者对生产过程的运行状态以及变化趋势有一个全面了解，对可能出现的故障与异常状态及时预防。一般来讲，工作状态监测系统应具备四项基本功能，如图9-4所示。

20世纪80年代以来，工业生产过程向着大型、连续、综合化发展，形成了复杂的生产过程。对于这类生产过程的控制，面临着一系列不能用传统方法解决的新问题，如：①工作对象和工作环境的不确定性；②信息形式多样化，信息量庞大；③系统功能要求越来越高等。如飞行的飞机、在凹凸不平地面上作业的轮腿结合式步行机系统等复杂系统的工作过程。往往不只是一种单一的运动，而存在多种运动，甚至同时进行着物理、化学、生物反应。系统工作过程的内部机理复杂，系统往往是多变量、强耦合、高维数的，且存在着非线性、时变性、不确定性和不完全性，难于用常规的数学工具建模并研究这些对象。这种工作过程往往处于复杂的、动态变化的、难于预测的环境中。输入输出信息方式多样化，包括图像、图形、文字、声音、数字等多媒体形式，所需采集和处理的数据量庞大。控制任务不只限于反馈系统的调节和伺服，而且要求监控、优化、诊断、预报、调度、规划、决策以及适应环境变化。系统往往具有多层次、多目标的控制要求。在这种情况下，工作过程的监测系统产生了，出现从常规的计算机监测控制系统向智能监测控制系统发展。

工业监测控制系统是控制在工业控制中的一个实际应用。计算机监测控制系统是计算机监测控制系统和人工智能的结合。即是在常规计算机监测控制系统中引入人工智能技术。在监测控制系统中，应用模糊逻辑、神经网络和专家系统等技术，构造某些系统功能以模仿和实现人类在监测控制过程中的某些思维和行为，使系统的性能和自动化程度得到进一步提高，都可视为监测控制系统。计算机在处理大量数据、图像信息、符号逻辑、模糊信息、知识和经验等方面，具有强大的功能，是实现监测控制最有力的、不可缺少的工具。因此，监测控制系统可以认为是自动控制、人工智能、现代信息处理（模式识别、聚类分析、信息融合）以及计算机等多门学科的集合与交叉。

工作状态监测的主要特点表现在信息处理、控制策略及控制算法上，往往要涉及人工智能的有关内容，如专家系统、模糊逻辑、神经网络、信息融合、模式识别及聚类分析等。许多过程工业，如轧钢、化工、炼油、材料加工、造纸和核反应等，其生产过程需要监视和控制，以保证高性能和高可靠性，例如现代轧钢机的工作状态监测系统，监测内容包括轧制压力、轧制温度、轧制速度、润滑油油温、轧钢机各部分的振动、电机转子的轴心位移以及各主要零件（如齿轮和轴承等）的磨损等。由于影响因素复杂且存在很多不确定因素，用传统的状态监测方法无法得以实现，就需要加入人工智能的思想，如人工神经网络、模糊控制或专家系统等。

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、高速化、自动化和智能化，传统的故障诊断技术正面临着挑战。而系统故障的诊断是以可靠性理论、信息论、控制论、系统论和人工智能为理论基础，以现代测试仪器（包括智能传感器）和计算机为技术手段，结合各种诊断对象的固有规律逐步形成的一套较完善的诊断方法。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，例如以电气、机械部件失效的腐蚀、蠕变、疲劳、氧化、断裂和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、温度等），再经过时域与频域上的分析处理来识别和评价设备所处的状态或故障；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、推论方法及人工智能方法，根据已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。

复杂的机械系统（如智能机器人）是一个多层次系统，各层次子系统之间不仅在结构和功能上存在差异，而且子系统之间存在着非常复杂的耦合关系。在影响这些关系的一些因素中，有些因素的变化具有不确定性，导致系统输出的复杂性变化。另外，从机械系统动力学角度来看，也可视为是一个复杂的非线性动力系统。对于一个非线性复杂机械系统的状态（或故障）进行长期预测，存在着“初始条件敏感性问题”，即相同的一种复杂机械系统，其初始工作条件存在微小差异，工作一定时期后，其工作状态和性能可能发生较大的差异。汽轮发电机组就是一个复杂系统，它的零部件有上千个，哪一个发生故障都影响机组的正常工作，因此造成故障的模式种类繁多。为了确定故障部件，可以依据系统的层次划分，使诊断过程逐层进行。

机械设备的故障往往是由于某种缺陷不断扩大并进一步发展而形成的。这就是说，故障的形成应当具有一个过程。设备的故障有多种多样，不同的故障对应着状态信号中的一系列特征，这是设备状态或故障能被诊断的客观基础。必须指出，机械诊断学的重点虽然不在于研究故障本身，而是研究状态的监测、识别和诊断的方法。然而故障本身的类型与性质对诊断却是极为重要的，研究不同的故障往往决定了需要使用不同的诊断方法。换句话说，如果对故障的情况毫无所知，很难进行有效的故障诊断工作，甚至根本无法给出结论。

智能故障诊断系统如图9-32所示，这种系统主要由传感器、接口装置及计算机组成，其中接口装置具有电平转换、采样、存储等功能。其主要环节包括：信号在线监测、信号特征分析、特征量选取、工作状态识别和智能故障诊断。(www.xing528.com)

图9-32 智能故障诊断系统

故障诊断是通过研究故障诊断与征兆之间的关系来判断设备的状态，由于实际因素的复杂性，故障与征兆之间的关系很难用精确数学模型来表示，而现代故障诊断早已不满足于“是否有故障”的简易诊断结果，而要求给出故障机理及故障的位置和程度如何。这类问题应用模糊逻辑能得到较满意的解决。

模糊诊断方法利用模糊集合论中的隶属函数和模糊关系矩阵的概念来解决故障与征兆间的不确定性关系，进而实现故障的早期预报和精密诊断。这种方法计算简单，应用方便，结论明确直观，但难以进行趋势分析。对征兆参数的选择有一定的要求，如参数选择不合理，诊断精度会下降，甚至导致诊断失败。

小波分析以其独特的特性受到了许多领域的广泛重视，将小波理论与分形理论的有机结合是提高故障诊断可靠性的重要方法之一。

此外，智能故障诊断方法还有基于专家经验和知识处理的专家系统诊断方法等，模仿人类专家观察机器的症状，然后利用已有的知识来推断故障原因。