设备状态监测与故障诊断技术

设备状态监测与故障诊断技术内容摘要：

元发布必要的命令和协调管理并与上级决策管理中心进行信息交换，接受上级给定的任务和调度，同时该级各监测单元之 间可通过网络进行信息交互。 （ 3）决策管理级 它的主要任务是对整个系统进行综合管理，利用各下级传来的信息所建的信息库进行深层次故障诊断，并定期选择各对象的运行状况和发展趋势进分析。 还应进一步对对象的服役环境及失效规律做出分析，为视情维修做出计划并予以实施，并根据不同的对象进行监测和诊断方案的自适应组态。 同时，可挂接更高一级系统，为上级系统提供各种信息。 支撑系统的关键技术 在系统顶层设计阶段，必须分离、细化出系统各关键技术以及做好关键技术顶层设计方法论的研究。 关键技术的顶层设计是一项关系系统整体性能 及各个研究阶段的开展的复杂工作，牵涉面广，相互制约的因素多，关系复杂，需要站在一定的高度，进行抽象和概括，弄清系统层次结构，分清每一层结构的内容和属性，根据性能价格比，采用逻辑推理和模糊推理相结合的方法进行综合，从而高质量地完成系统的顶层设计。 作为以多目标、多对象为应用背景的智能状态监测与故障诊断系统研究，必须从系统工程的角度，借助信息技术、传感技术、现代数学方法、分布并行处理技术以及人工智能等为基础，提取监测与诊断的内核。 因此，该系统平台以大型复杂机电设备所组成的大系统为背景的柔性智能状态监测与故障诊断 系统的体系结构、模型与建模方法、识别与决策理论。 立足多学科交叉的可能性，本系统的关键技术有： 以复杂机电系统为应用背景的智能状态监控与故障诊断基本概念及体系研究 （ 1）智能状态监测与故障诊断的概念及描述。 主要内容包括智能状态监测与故障诊断的概念确定，全信息描述和数学描述。 （ 2）智能状态监测与故障诊断系统的体系结构。 主要内容包括系统体系结构的组成，体系结构的合理性分析，最优化结构的建立与判定准则，完成特定目标所需要的功能及信息组成等。 （ 3）智能状态监测与故障诊断系统的物理实现。 主要内容包括系 统的可靠性、先进性、适应性和经济性分析。 智能状态监控与故障诊断的全信息模型研究 （ 1）智能状态监测与故障诊断系统的全信息模型的一般概念及描述。 （ 2）多传感器信息融合技术。 主要内容包括多传感器信息融合的原则，尤其是不同种类的信息获取和融合方法。 多传感器信息融合层次结构及方法，它包括了三个方面的研究内容：①多传感器数据层信息融合理论及方法，其中包括传感器故障分离及误差补偿技术研究；② 9 多传感器特征层信息融合理论及方法，其中包括特征提取、选择及重构理论与方法研究；③决策层信息融合理论与方法，神经网络 、过程模型等可以在这一领域里作出贡献。 （ 3）基于模糊逻辑、神经网络、神经元模糊技术、分形与混沌模型技术相结合的故障诊断技术研究。 模糊逻辑对设计和控制用数学模型难以表达的复杂系统是很有用的，模糊 if—then 规则用来表达熟练操作员的经验和控制工程师的知识，模糊理论这一语言方法能够把符号处理和数值运算融合起来。 另一方面，人工神经网络提供了诸如模式识别、辨识、非线性系统预测、诊断和控制等多方面的功能。 神经网络的学习能力还可被用来从观测数据中生成if— then 规则。 此外，“混沌工程”正成为非线性时间序列预测、复 杂系统故障诊断的一项关键技术。 因此，神经元、模糊和混沌理论成为软信息处理和模拟计算的基础技术，它们能更好地表达直觉和创造性思维。 （ 4）训练样本集不充分或者说在不完全知识条件下诊断决策规则及识别算法的研究。 主要内容包括自组织、自适应、无监督机器学习算法、符号学习（如 ID3/ID5 法）、基因算法的研究工作。 其中，基于复杂学习网络理论的递归结构辨识算法（ RESID），它基本上不受先验知识的影响，是一类很有前途的故障诊断算法。 （ 5）系统决策处理及信息再生。 主要包括三个方面的研究内容：①系统的信息处理及决策，包括 知觉思维、逻辑思维在信息处理及决策中的应用技术，创造性思维在信息处理及决策中的应用技术，综合决策方法，如采用动态模型、控制理论、多变量统计、模式识别综合进行故障分离决策； ②系统控制信息再生的理论与方法；③再生控制信息分配及控制方法，包括控制信息对多控制输入的分配原则、方法与控制策略。 大型复杂机电设备服役环境与失效规律研究 （ 1）机电设备失效机理研究：主要内容包括机电设备失效的物理、化学特性及特征量的筛选研究，故障隐患的机理及预测分析模型，缓变失效与突发故障的内在规律研究及模型描述，失效的发育 、成长及恶化的过程状态研究，失效规律模拟仿真、实验手段及方法论研究； （ 2）机电设备服役环境与失效关系研究； （ 3）机电设备服役寿命预测理论及方法； （ 4）设计、制造、使用、维护一体化理论及应用。 一个可实现的集成示范系统 根据系统模型的初步构想，以对船舶动力装置的运行状态监测为应用背景，可以规划出如图 5 所示的实现框架结构。 在该实现框架中，采用三级分布式结构。 现场监控级 （ 1）组成：包括监控对象、各类传感器、控制执行器、可编程控制器（ PLC）、高速数据采集器。 （ 2）功能：利用各种类 型传感器采集与监测目标有关的各类对象的信息（包括环境信息），将信息送入 PLC 处理，PLC无法处理的瞬变信号送入高速数据采集器进行采集。 PLC 经过对传感器信息的处理，综合高速采集器所获得的信息，反馈控制监控对象。 同时， PLC 还通过网络与相关图 5 系统实现框架 监控机 n 传感器及执行机构 设备 /过程 现场测控级 决策管理级 过程监控级 网络 服务器 MGT HUB 模拟盘 诊断、决策 与管理机 数据库 管理机 模拟显示驱动 监控机 1 高速数据采集器 PLC PLC 高速数据采集器 传感器及执行机构 设备 /过程 10 PLC 通讯，影响对相关对象的控制。 另一方面，各 PLC 及高速数据采集器将信息送入上一级过程监控机，并接受监控机 的上层控制指令，完成监控机对对象的直接控制。 （ 3）可靠性保障：利用传感器的冗余技术，增强传感器陈列可靠性；采用较高性能的 PLC；设计适合工业现场应用的高速数据采集 器。 过程监控级 （ 1）组成：由若干台工业控制计算机、信息交换网络及各类外设等组成。 （ 2）功能：接收 PLC 及高速采集器信息，对设备组进行综合监测、故障预警及初级诊断；向决策诊断中心定期传送监控对象信息；向下属 PLC 发送控制信息，直接干预对设备的控制；向决策管理中心发送重大故障诊断的请求信息以申请对设备现有异常进行深层诊断。 （ 3）可靠性保障：选用性能较好的工业控制计算机及网络；利用双机式三机容错分布式设计，避免单机故障造成大量信息丢失。 决策管理级 （ 1）组成：遥控遥诊计算机，现场 可靠性分析管理机，数据库管理机，大容量存储器，信息处理网络，模拟显示驱动机及模拟盘等。 （ 2）功能：利用监控机传来的数据建立历史数据档案库；对现场各设备进行分析、诊断，并将结果返送监控机；显示各设备的异常情况；对复杂机电设备的服役环境进行分析；利用远程网或信息高速公路接受远程信息，进行遥控、遥诊。 （ 3）可靠性保障：利用网络管理（ MGT）监视网络运行情况；各机具有互为冗余功能，同时运行，互为备份；存贮器冗余，定期将数据转存，保障数据的完整性。 此外，从有关文献中发现，根据本文所述系统平台原理结构，还有一种更 优的实现方案，即采用传输计算机（ Transputer）来实现。 其基本原理将在介绍状态监测技术时给出，此处就不再赘述。 4 状态监测体系、技术与方法 状态监测任务的要素与组成 在针对设备及过程的研究中有两个重要的研究目标：一个是开发能够良好运行的或有能力制造各种各样产品的、集成的自调节系统，它很少受操作员的监督和辅助；另一个是提高运行过程的可靠性、安全性和提高产品质量，减少维护维修费用。 为了实现这两个目标，状态监测显然是重要的技术需求之一。 关于监测（ Monitoring），有几个意义有关联且 易混的词，如监视（ Surveillance， Supervision）、诊断法（ Diagnostics）、诊断（ Diagnosis）和检测（ Detection）。 本书中，状态监测指的是辨识基于机械设备及过程特征估计的状态特性改变量的活动。 状态监测的意义是指确定状态和检测故障，而诊断则隐含分析与定位故障。 如图 6 所示，状态监测的任务主要由三部分组成：信号拾取、信号处理和监测决策。 可用的传感器信号包括力、变形、加速度、温度、压力、声发射、电流或电压、光学信号等，与传感器有关的主要指标包括成本、可靠性、有 效性和信噪比。 图 6 设备与过程的监测 传感器 传感器 计算机系统 传感器 信号 传感器 设 备 及 过 程 信 号 处 理 监 测 决 策 输出 所估 计的 过程 状态 11 可认为信号处理和监测决策是一个集成的整体，称之为监测方法。 目前已开发了大量的监测方法，最简单的方法就是辨识两类过程状态（正常和异常状态）的方法。 如使用一个传感器信号，可按如下条件描述： 如果 xty ，那么状态正常，否则状态异常。 （ 1） 式中 y — 传感器信号； tx — 阈值。 不管过程工作状态和噪声分布如何改变，如果信号对正常和异常状态给出了明确的表征，则这一简单的描述将是最优的判决策略规则。 然而在许多应用中， 这一简单的判决策略不能令人满意。 因此，有必要研究更有效的监测方法。 监测方法可以分为两大类：基于模型的方法和基于特征的方法。 对许多设备及过程而言，传感器信号被认为是动态系统的输出，并以时间序列的形式表现出来。 相应地，过程监测是以系统模型化和模型估计为基础的。 根据 Willems 的定义，一个动态系统可以用由三个元素组成的集合 {T， W， B}来表示，其中 T 表示与系统相关的时间事件集； W 表示信号感兴趣变量的赋值空间，它是通过系统与环境的相互作用而得到的；行为 B 表示映射 T→ W。 动态系统可能是非线性的和时变的，而线性时不 变系统则更易于理解，研究也更成熟 ]。 一个线性时不变系统可以用许多模型来描述，如状态空间模型、输入输出传递函数模型、自回归模型（ AR）、自回归滑动平均模型（ ARMA）等。 有两类方法可用来对模型进行参数估计：精确模型方法和近似模型方法。 Willems 对这些方法进行了系统的研究。 在各类模型中，动态数据系统方法（ DDS）对很多设备及过程的监测非常有效，根据 DDS 方法的理论，过程可以由 ARMA 模型来近似： 111111   ntnttntntt aaayyy   （ 2） 式中 ),0(~ 2at NIDa — 白噪声； i 、 i — 参数阵； n— 由系统程序来确定的模型阶次。 与其它模型技术相比较， DDS 方法能更好地对过程进行描述。 且基于 ARMA 模型，可以获得更精确的谱估计。 当找到一个模型后，监测可通过检测模型参数的改变（如阻尼比、固有频率等）来执行，或检测系统期望响应的改变（如预测误差）来执行。 基于模型的监测方法是故障检测的方法之一，使用模型的方法对过程进行监测在许多文献中都有报道。 在一项有趣的研 究中，动态模型（ AR Model）与状态图、 Boolean 方程被一起用来对机床的状态进行监测。 尽管如此，基于模型的方法有两个明显的局限。 首先，许多设备及过程是非线性的时变系统。 一个典型的例子是机械制造中的切削过程，它的非线性是由结构振动和切削力之间的相互作用引起的。 即使采用自适应的方案，以基于模型的方法对过程结构的改变量进行监测，仍难见成效。 其次，传感器的信号依赖于过程的工作条件，常常很难辨识一个传感器信号的改变量是由过程工作条件改变引起的还是由过程本身的衰变引起的。 基于特征的监测方法是使用传感器信号的 适当特征来辨识设备过程状态的。 给定一个传感器信号 { ，， 21tyt }，传感器信号的特征（也称作监测指数，亦即后叙的模式特征向量）可以表达为 )P(yx t （ 3） 式中 P( ) — 模型阶次算子。 这些特征可能是传感器信号的时域或频域特征，如均值、方差、偏斜度、峭度、特定频带功率等。 一种特殊情况是 tt y)P(yx  ，即监测指数是传感器 信号本身。 推荐使用的是归一化指数，即监测指数独立于物理单位。 通常，算子 P( )可能是随时间变化的（与时间相关）、 12 非线性的、甚至是非解析的形式。 因此，监测指数可以是连续数值（如传感器信号的平均值），或离散的事件（如逻辑符号“ on”和“ off”）。 过程的工作状态（即工作条件，如切削速度等）也可以用作监测指数。 显然，选择适当的监测指数是非常关键的。 在理想情况下，监测指数应能：（ a）对过程健康状况灵敏；（ b）对过程工作条件不灵敏；（ c）实现成本经济。 实际上，监测指数是以分析研究、计算机过程仿真和系统试验为基础的。 在许多应用中，监测指数的选择需要一定的技巧，监测指数的适当选择常常包含着各。