旋转机械故障诊断专家系统

合集下载

一种旋转机械故障诊断测试系统及工作方法与流程

一种旋转机械故障诊断测试系统及工作方法与流程

一种旋转机械故障诊断测试系统及工作方法
与流程
由于旋转机械系统在工业应用中处于极其重要的地位,旋转机械
故障诊断测试系统在工业设备维护方面起着非常重要的作用。

本文主
要介绍旋转机械故障诊断测试系统及工作流程。

旋转机械故障诊断测试系统是由几部分组成的,主要包括测量仪表、诊断仪表、轴承护套检测装置以及诊断电子计算机系统等。

测量
仪表是用来采集机械系统的运动性能数据的,包括有动平衡仪、动静
温度仪和电子隔震器等仪器。

诊断电子计算机系统则是将采集到的测
量数据分析处理,从而得出机械故障诊断结论的一种电子计算机系统。

轴承护套检测装置则是一种专门用于测量轴承护套温度状态以及其弹
性状态的仪器检测装置。

旋转机械故障诊断测试系统的工作流程如下:首先,根据该机械
系统的结构特征接线测试仪表,有的测量仪表需要单独安装在机械系
统上,有的则可以无需安装;其次,将测量仪表连接到诊断电子计算
机系统,并启动各个仪表;然后,将轴承护套检测装置安装在机械系
统上,并配备定义的参数;随后,运行机械系统,并将仪表测量取得
的实时数据传输给诊断电子计算机,以便根据经过分析处理后的数据,得出机械故障诊断结论;最后,根据诊断结果进行故障排除。

因此,旋转机械故障诊断测试系统的装配和运行工作就可以进行了。

它能够为相关的机械系统提供快速精确的故障诊断结果,有效提
高机械系统维修效率,保护机械系统长期运行。

总之,旋转机械故障诊断测试系统在维护工业设备以及保护机械
系统长期运行方面发挥着重要作用,其工作原理如本文所述。

机械故障诊断专家系统及其应用

机械故障诊断专家系统及其应用

远程化发展
利用互联网和通信技术, 实现远程故障诊断和维修 支持。
面临的挑战及解决方案探讨
数据获取与处理
如何获取高质量的故障数据,并进行有效的预处理和 分析是关键问题。
知识获取与更新
如何从海量数据中自动获取和更新故障诊断知识是重 要挑战。
实时性要求
对于一些关键设备,故障诊断的实时性要求较高,需 要快速准确地判断故障原因。
通过专家系统的应用,可以及时发现汽车发动机的潜在故障,避免因发
动机故障导致的交通事故,提高汽车的行驶性能和安全性。
案例三:机械设备故障诊断
背景介绍
机械设备是一种广泛应用于工业生产中的设备,其运行状 态直接关系到生产效率和产品质量。因此,对机械设备进 行故障诊断具有重要意义。
诊断过程
专家系统通过对机械设备的振动、温度、压力等参数进行 监测和分析,结合历史数据和专家经验,对机械设备可能 存在的故障进行诊断。
知识库
存储专家的知识和经验,包括故障类型、原 因、诊断方法等。
推理机
根据输入的故障信息,通过推理算法,从知识库中 获取相关信息,进行故障诊断。
用户接口
提供用户与专家系统交互的界面,用户可以 通过接口向系统提问,系统也可以通过接口 为用户提供诊断结果和建议。
主要功能模块介绍
知识获取子系统
知识库管理系统
特点
具有自主学习和知识更新能力,能够 快速准确地诊断机械故障,提供故障 原因和解决方案,并具备可扩展性和 可维护性。
发展历程与现状
发展历程
机械故障诊断专家系统经历了从基于规则的专家系统到基于 知识的专家系统,再到基于人工神经网络的专家系统的发展 过程。
现状
随着深度学习技术的发展,基于深度学习的机械故障诊断专 家系统成为了研究热点,取得了显著的成果和应用。

《2024年旋转机械故障诊断与预测方法及其应用研究》范文

《2024年旋转机械故障诊断与预测方法及其应用研究》范文

《旋转机械故障诊断与预测方法及其应用研究》篇一一、引言旋转机械作为工业生产中不可或缺的设备,其运行状态直接关系到生产效率和安全性。

因此,对旋转机械的故障诊断与预测显得尤为重要。

本文将重点探讨旋转机械故障诊断与预测的方法,并分析其在实际应用中的效果和价值。

二、旋转机械故障诊断与预测的背景及意义随着工业自动化和智能化程度的不断提高,旋转机械在各行业的生产中得到了广泛应用。

然而,由于长期运转、维护不当、外部环境变化等因素的影响,旋转机械可能发生各种故障,给生产带来巨大损失。

因此,开展旋转机械故障诊断与预测的研究具有重要意义。

这不仅可以提前发现设备故障,减少停机时间,提高生产效率,还可以避免因设备故障带来的经济损失和安全风险。

三、旋转机械故障诊断与预测的方法1. 基于传感器技术的故障诊断与预测传感器技术是旋转机械故障诊断与预测的主要手段之一。

通过在设备上安装传感器,实时监测设备的运行状态,如振动、温度、压力等参数,进而分析设备的运行状态和故障情况。

常用的传感器包括振动传感器、温度传感器、压力传感器等。

2. 基于数据挖掘的故障诊断与预测数据挖掘技术可以通过对历史数据的分析和挖掘,发现设备运行中的异常和故障情况。

通过建立设备运行状态的数据模型,对设备的运行状态进行预测和诊断。

常用的数据挖掘方法包括神经网络、支持向量机、决策树等。

3. 基于专家系统的故障诊断与预测专家系统是一种基于人工智能技术的故障诊断与预测方法。

通过将专家的知识和经验进行建模和编程,实现对设备故障的自动诊断和预测。

专家系统可以根据设备的运行数据和历史故障情况,自动分析设备的运行状态和可能的故障情况。

四、旋转机械故障诊断与预测方法的应用研究1. 在风力发电领域的应用风力发电是可再生能源的重要形式之一。

在风力发电机组中,旋转机械的故障诊断与预测具有重要意义。

通过使用传感器技术、数据挖掘技术和专家系统等方法,可以实时监测风力发电机组的运行状态,预测可能的故障情况,并及时进行维护和修复,提高风力发电机组的可靠性和运行效率。

机械故障诊断专家系统及其应用

机械故障诊断专家系统及其应用
(1)可扩充性 (2)明确性 (3)清晰性 (4)可理解性
➢ 目前,人工智能研究者们已提出了多种知识表示方法。主 要有生产式表示、逻辑表示、语义网络表示、对象—属 性—值(AVO)三元组表示、框架表示、过程表示及面向 对象的表示等。在诸多知识表示方法中,生产式规则(简 称为规则)已成为当前专家系统中最常用的一种知识表示 方法,很适合于故障诊断专家系统的知识组织。规则表示 的一般形式为:
(3)单调推理和非单调推理
单调推理:单调推理的单调性是指随着推理的向前推进 及新知识的加入,推出的结论是否越来越接近最终目标。
非单调推理:是指随着知识的增加,可能使系统原先推 出的结论被否定的推理。在故障诊断过程中,领域专家常 常需要在信息或知识不全的情况下进行诊断推理,通常他 们根据一般经验或常识得出在当时看来是合理的结论,随 着新知识或新事实的增加,进一步表现出来的情况可能与 原先推出的结论发生矛盾,这时就需要取消原先的结论, 依据新情况重新进行推理。
类比推理:是根据两个对象在一系列属性上是相同的, 而且已知其中的一个对象还具有其它属性,由此推断出另 一个对象也具有同样的其它属性的结论。
(2)精确推理、不精确推理
不精确推理:它的主要理论基础是概率论,由于纯概率 论方法要求大量统计数据做基础,而且要求各事实之间相 互独立,这在许多应用领域是难以满足的,因而其应用范 围受到很多限制。为了克服概率模型的不足,人工智能学 者提出了许多新的不精确推理模型,比较有代表性的有主 观贝叶斯方法、模糊推理、证据推理、可能性理论和合情 推理等。每种方法都有自身特点和实用领域,建造故障诊 断专家系统时应根据诊断对象的特点来选择,选择时要综 合考虑模型的有效性和适用性。
(3)全局数据库 是用于存储所诊断问题领域内原始特征 数据的信息、推理过程中得到的各种中间信息和解决问题 后输出结果信息的存储器。

EN8000大型旋转机械振动监测分析故障诊断系统

EN8000大型旋转机械振动监测分析故障诊断系统
EN8000大型旋转机械振 动监测分析故障诊断系

PPT文档演模板
2020/10/30
பைடு நூலகம்
EN8000大型旋转机械振动监测分析 故障诊断系统
英华达 —— 成立于1992年,系英国
独资的高新技术企业;专业从事机械 设备振动监测故障诊断的公司
英华达公司振动监测类主要产品:
• EN3800 在线振动监测保护系统 • EN900 便携式旋转机械振动监测故障诊断仪 • EN8000 旋转机械振动监测故障诊断专家系统
一、状态监测的必要性
• 维修制度从事故、定期向视情维修的转变 • 设备老化,故障率增加 • 大量新设备投运,容量增大,复杂性增加 • 提高经济效益
•二、状态监测的可能性
• 故障诊断理论、技术的不断发展 和完善 • 传感器、信号分析和计算机技术的发展
PPT文档演模板
EN8000大型旋转机械振动监测分析 故障诊断系统
第一层次:传感器
• 位移传感器:测量轴相对轴承的振动 • 速度传感器:测量轴承振动,经过一次软件积分或硬
件积分可以得到振动位移 • 加速度传感器:测量轴承振动,经过一次积分可以得
到振动速度,再经过一次积分可以得到振动位移。
•传感器的配置:
• 小型旋转机械一般只安装速度传感器 • 大型旋转机械安装速度传感器和涡流传感器 • 齿轮和轴承等安装加速度传感器 • 某些习惯做法

振幅一般是计算一段时间内振动波形的峰
峰值、平均值和均方根值(有效值)。速度的有
效值称为振动烈度,反映振动的能量大小。
PPT文档演模板
EN8000大型旋转机械振动监测分析 故障诊断系统
频率
频率(f)是具有周期性变化规律的物理量在 单位时间内的循环次数。

旋转机械故障诊断实验专家系统

旋转机械故障诊断实验专家系统

旋转机械故障诊断实验专家系统近年来,随着工业化进程的加快,旋转机械在工业生产中的应用越来越广泛。

然而,由于旋转机械的复杂性和长时间运转,故障问题也频繁出现,给生产效率和安全性带来了威胁。

为了快速准确地诊断旋转机械故障,并提高故障排除的效率,研发出了旋转机械故障诊断实验专家系统。

旋转机械故障诊断实验专家系统是一种基于人工智能技术的系统,利用机器学习和专家知识库,通过对旋转机械故障的实验数据进行分析和处理,能够准确诊断出故障的类型和原因,并给出相应的解决方案。

该系统首先需要收集旋转机械的运行数据,包括振动、温度、电流等参数,以及机械的结构和工作状态。

然后,将这些数据输入到系统中进行处理和分析。

系统会根据专家知识库中的故障模型和规则进行比对和推理,找出与实际数据相匹配的故障类型。

在诊断过程中,系统会根据不同的故障类型,给出相应的解决方案。

例如,如果是轴承故障,系统会建议更换或维修轴承;如果是电机故障,系统会建议检查电机的绝缘性能。

此外,系统还可以根据历史故障数据和实时监测数据,预测旋转机械的故障概率,提前采取预防措施,避免故障的发生。

旋转机械故障诊断实验专家系统的应用能够极大地提高故障排除的效率和准确性。

相比传统的人工诊断方法,该系统能够快速分析大量的数据,并利用机器学习算法进行模式识别,从而准确地诊断出故障类型和原因。

同时,系统能够根据实时监测数据进行故障预测,提前采取措施,避免故障带来的损失。

总之,旋转机械故障诊断实验专家系统是一种结合人工智能技术和专家知识的创新工具,能够提高旋转机械故障的诊断和排除效率,为工业生产提供了可靠的保障。

随着技术的不断发展和完善,相信这一系统在未来会有更广阔的应用前景。

基于多源信息融合的旋转机械故障诊断专家系统的研究和实现论文

基于多源信息融合的旋转机械故障诊断专家系统的研究和实现论文

基于多源信息融合的旋转机械故障诊断专家系统的研究和实现论文基于多源信息融合的旋转机械故障诊断专家系统的研究和实现论文0 引言旋转机械是当今工业领域的关键设备,利用专家系统积极地对其进行故障诊断,及时发现并消除早期故障,对提升企业的故障处理水平及效益具有重要的意义。

传统的旋转机械故障诊断一般是通过分析在一定条件下获得的单通道振动信息来对机组进行诊断,由于单通道信息的不完整性,用其进行诊断会导致故障误判、错判,所开发的专家系统也是不可靠的。

同时,随着科学技术的发展,机组上会安装各类传感器,只通过振动传感器进行诊断,缺少了与诊断对象相关的工艺信息,降低了诊断的准确度。

本文将振动信息及相关工艺信息进行多源信息融合,开发了基于多源信息融合的旋转机械故障诊断专家系统。

1 故障诊断专家系统结构该专家系统集成于在线监测系统中,对同源双通道振动信息利用全矢谱技术进行融合,自动提取通道的'部件基本信息,计算其特征频率,获得其振动故障征兆组,同时提取相关工艺信息,并进行模糊化处理。

利用EXSYS专家系统工具建立的模糊产生式规则对振动信息及工艺信息进行多源信息融合并推理,得到诊断结果。

2 多源信息融合本系统一共进行两次信息融合,首先是同源振动信息的融合。

通过在线监测系统提取振动信息,利用全矢谱技术对同源双通道信息进行融合并分频段提取征兆信息。

第二次信息融合是振动信息与工艺信息的多源信息融合。

对于工艺通道,提取对于诊断振动故障相关的负荷、温度、流量、压力等信息,通过模糊产生式规则对两者进行多源信息融合。

2.1 振动信息的融合2.1.1 全矢谱技术设转子截面内沿垂直方向同步采集到的两组动态离散数据序列为{xn},{yn},并得到离散的融合复序列{zn}={xn}+j{yn},其中j2=-1,对其做复傅里叶变化得到其频谱{Zk}。

2.1.2 振动征兆提取双通道振动数据对其进行全矢谱信息融合后,分频带提取主振矢幅值作为征兆信息。

旋转机械状态趋势预测及故障诊断专家系统关键技术研究

旋转机械状态趋势预测及故障诊断专家系统关键技术研究
应用案例:在某企业旋转机械设备上进行 了实际应用,取得了良好的效果
案例一: 某企业旋 转机械状 态趋势预 测及故障 诊断专家 系统应用
案例二: 某企业旋 转机械状 态趋势预 测及故障 诊断专家 系统应用
案例三: 某企业旋 转机械状 态趋势预 测及故障 诊断专家 系统应用
案例四: 某企业旋 转机械状 态趋势预 测及故障 诊断专家 系统应用
数据预处理: 清洗、去噪、
标准化等
数据挖掘:分 类、聚类、回
归等
知识库构建: 知识抽取、知 识融合、知识
推理等
知识库更新: 实时更新、增
量更新等
知识库应用: 故障诊断、状
态预测等
系统实现与应用案 例
开发平台:Python语言 开发工具:PyCharm、NumPy、SciPy、Matplotlib等 数据处理:Pandas、Scikit-learn等 模 型 构 建 : Te n s o r F l o w 、 P y To r c h 等 应用案例:故障诊断专家系统在旋转机械状态趋势预测中的应用
添加标题
基于数据的推理:利用历史数据、 实时数据等进行推理
推理机制验证:通过实际案例验证 推理机制的有效性
收集故障案例: 从实际应用中收 集各种旋转机械 的故障案例
分类整理:对收 集到的故障案例 进行分类整理, 便于查询和检索
更新维护:定期 更新故障案例库, 确保案例库的时 效性和准确性
案例分析:对每 个故障案例进行 深入分析,找出 故障原因和规律, 为专家系统提供 参考
数据采集模块:实时采集旋转机械的振动、 温度、压力等数据
数据预处理模块:对采集到的数据进行滤 波、降噪、归一化等处理
特征提取模块:提取旋转机械的振动特征、 温度特征、压力特征等

旋转机械故障诊断中的信号处理技术综述

旋转机械故障诊断中的信号处理技术综述

6、谱分析
总结 本次演示介绍了旋转机械故障诊断中常用的几种信号处理技术。这些技术在 分析设备的振动、声音等信号时具有不同的优势和特点。在实际应用中,可以根 据设备的类型和故障类型选择合适的信号处理方法,以提高故障诊断的准确性和 效率。随着科技的不断发展,更多的信号处理技术将会被应用到旋转机械故障诊 断中,为工业生产的稳定性和安全性提供更好的保障。
4、独立成分分析
4、独立成分分析
独立成分分析(ICA)是一种用于分离独立源信号的方法,它能够从复杂的混 合信号中找到主要的成分。在旋转机械故障诊断中,ICA可用于分析复杂的振动 信号,以识别出由不同故障源引起的振动。例如,通过ICA分析,可以区分由轴 承故障和齿轮故障引起的振动信号,从而更精确地诊断设备的故障类型。
1、傅里叶变换
1、傅里叶变换
傅里叶变换(FT)是信号处理领域中最基本的工具之一,它将时域信号转换 为频域信号,从而让我们能够看到信号在各个频率下的强度。在旋转机械故障诊 断中,通过FT可以分析设备运行时的振动、声音等信号,揭示其工作状态。例如, 通过对振动信号的FT分析,可以识别出轴承是否处于正常状态或出现故障。
2、基于神经网络的诊断技术
2、基于神经网络的诊断技术
基于神经网络的诊断技术是一种利用神经网络进行模式识别的技术。该技术 通过训练神经网络,使其能够根据输入的故障信号进行分类和识别,从而实现故 障诊断。该技术具有自适应性、鲁棒性和学习能力等优点,但需要大量的训练数 据和计算资源。
3、基于深度学习的诊断技术
5、神经网络
5、神经网络
神经网络是一种模拟人脑神经元连接方式的计算模型,它能够学习和识别复 杂的模式。在旋转机械故障诊断中,神经网络可用于训练和识别设备的故障模式。 通过收集大量的正常和故障状态下的信号数据,可以训练神经网络对不同类型的 故障进行分类和预测。此外,深度学习技术如卷积神经网络(CNN)和循环神经 网络(RNN)也在旋转机械故障诊断中得到了广泛应用,它们能够在复杂的信号 中提取出更有效的特征,从而提高故障诊断的准确性。

旋转机械故障智能诊断系统RFIDS1.0

旋转机械故障智能诊断系统RFIDS1.0

旋转机械故障智能诊断系统RFIDS1.0软件说明书南京航空航天大学2014-1-22目录1、软件简介 (1)2文件管理 (1)2.1工程管理 (2)2.2打开工程 (3)2.3数据库备份 (3)2.4数据库恢复 (4)2.5退出 (4)3、信号动态实时采集 (4)3.1主界面 (4)3.2基本控制信息 (5)3.3通道配置 (5)3.4 数据保存 (6)3.5 模拟采集 (8)3.6 其他功能 (8)4 数据格式转换 (9)4.1 数据格式转换总界面 (9)4.2 31所格式1 (9)4.3 31所格式2 (10)4.4 31所BK数据格式 (11)4.5 606所数据格式1 (12)4.6 606所BK数据格式 (13)4.7 RFIDS数据格式 (15)4 信号分析与状态监控 (16)4.1信号倍频分量实时监测 (16)4.2 无量纲时域特征量监测 (17)4.3 倒频谱分析与监控 (18)4.4 多重自相关分析 (19)4.5 时域同步平均分析与监控 (19)4.6 轴心轨迹分析与监控 (19)5 转速跟踪 (20)5.1 BODE图 (20)5.2 三维瀑布图 (22)6基于专家系统的故障智能诊断 (22)7机器学习 (22)7.1 专家系统知识维护 (22)7.5 旋转机械故障诊断经验知识 (23)8样本维护 (23)9系统设置 (24)9.1 设备型号设置 (24)9.2 设备基本信息注册 (24)9.3 滚动轴承设置 (25)9.4 采集设备注册 (25)9.5 采集人员注册 (26)9.6 采集部位注册 (26)9.7 传感器注册 (27)9.8 振动监测阈值设置 (27)9.9 设备故障设置 (28)9.10 波形显示范围设置 (28)9.11 超级用户密码设置 (29)9.12 关于软件 (29)1 软件简介旋转机械故障智能诊断系统RFIDS1.0利用频谱分析技术、倒频谱分析、多重相关分析、时域同步平均分析、时域统计量分析、倍频分析、轴心轨迹分析以及专家系统智能诊断方法,构建了集旋转机械转子和滚动轴承故障信号采集、特征提取、状态监测与故障诊断为一体的智能诊断系统。

旋转机械状态振动监测与故障诊断系统

旋转机械状态振动监测与故障诊断系统

图 2 在线信号分析处理模块框图
技术篇 2010 年 第一期 7
图 3 离线信号分析处理模块框图
图 4 小波分析处理模块框图
离线分析模块中的小波分析功能比较简单,为了更好 的达 到 对 振 动 信 号 处 理 的 目 的,采 用 LabVIEW 与 MATLAB 相结合,编写独立的小波分析模块,充分利 用两种语言的优点,实现完善的小波分析功能[5-7]. 2. 3 状态监测与故障诊断模块
信号分析处 理 模 块,包 括 在 线 分 析 处 理、离 线 分 析处理和小波分析处理三个模块. 各部分可实现的功 能如图 2、图 3 和图 4 所示.
信号分析处理模块是整个软件系统的核心部分, 在线、离线信号分析处理模块采用 LabVIEW 进行编 程,可以实现上面框图中显示的所有功能. 另外由于
2 系统的软件设计 系统软件分为信号采集控制、信号分析处理和状
态监测与故障诊断三个模块,有参数设定简洁直观、 实时动态显 示 各 种 信 号 波 形、数 据 查 询 方 便、快 捷、 数据分析方法全面、详细,可靠性高等特点. 2. 1 信号采集控制模块
信号采集控制模块实现与数据的采集卡的双向 数据通讯,从数据采集卡读取数字信号,存入实时数 据库,并与信号分析处理模块协调工作. 能够实现的 功能有:(1) 信号的采集:1 ~ 8 测试通道,可单通道 或多通道同时采集,采样通道及采样频率等信息可在 虚拟仪器面板或数据采集助手 Measurement& Automation 中进行设置. (2) 信号的存储:将采集到的时 域或频域等数据根据需要转换成 LabVIEW 7 Express 特有的波形文件或 Excel 文件、文本文件的格式,存 放在计算机的磁盘中. (3) 信号的回放:将信号存储 模块保存的数据文件重新复现,便于观察波形及进行 后续的分析和研究. 2. 2 信号分析处理模块

旋转机械故障诊断系统

旋转机械故障诊断系统

EQUIPMENT TECHNOLOGY旋转机械故障诊断系统何成善 华 成酒泉钢铁(集团)有限责任公司 嘉峪关 735100摘 要:文中针对旋转机械的故障诊断,介绍了旋转机械监测诊断最新理论,分机械部件类别详细阐述了面向轴承、减速器、风机的3种用于早期故障诊断的微弱故障信号识别技术。

为提高故障诊断的准确性,分机械部件类别(轴承、减速器、风机)构建了旋转机械故障诊断系统,描述了系统的总体框架、状态监测模块、故障诊断模块、故障档案库等,在编制软件平台的基础上,对平台的成功应用情况进行了分享。

关键词:旋转机械;状态检测;信号分析;故障诊断;故障库中图分类号:TH17 文献标识码:A 文章编号:1001-0785(2023)23-0047-06Abstract: In this paper, as for the fault diagnosis of rotating machinery, the latest theories about monitoring and diagnosis of rotating machinery are introduced, and three kinds of weak fault signal identification technologies for early fault diagnosis of bearings, reducers and fans are explained in detail according to the categories of mechanical components. In order to improve the accuracy of fault diagnosis, a fault diagnosis system for rotating machinery was constructed according to mechanical components (bearing, reducer and fan), and the overall framework, condition monitoring module, fault diagnosis module and fault archive of the system were introduced. Based on the establishment of the software platform, the successful application of the platform is shared.Keywords:rotating machinery; state detection; signal analysis; fault diagnosis; fault database0 引言随着市场竞争的加剧,在保障设备高效运行的前提下尽可能降低维修成本已成为企业追求的目标。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
参考文献: [ B ] C7< DE,&(F -&)2G.H6(I% ,J,%(1 1(%72K282L
M&(, )FK )668&$)%&2F,D) K($)K( I(’&(N OI21 BPP? %2 AQQ@ [ R] G.H6(I% CJ,%(1, N&%7 !668&$)%&2F , AQQ? , AS : P>TBQ>G
部分与推理机部分分开,使其变成一个相对独立的部分。 这样做不仅能较好的满足扩 充 知 识 库 的 需 要 , 而 且 也 符 合 专家系统各部分相对独立的原则。 考 虑 到 知 识 库 维 护 方 便 , 在 设 计 中 采 用 了 "##$%%!&&& 来生成知识库。由于故障诊 断 专 家 系 统 的 推 理 机 采 用 了 黑 灰白集合筛选法,而知识库 是 推 理 机 工 作 的 重 要 对 象 。 因
! 引言
在石化、冶金、电 力 等 流 程 工 业 中 , 大 型 机 组 一 旦 发 生故障,根据监测结果及时 准 确 分 析 出 其 原 因 , 指 导 维 修 决策和制定防治措施往往是 生 产 中 的 关 键 。 许 多 场 合 对 同 一监测结果,众说纷云,得 不 出 一 致 结 论 。 因 此 研 制 人 工 —专家系统十分必要。 智能机械故障诊断程序—— 近年 来 , 美 国 %3)%4 、 5$6 公 司 推 出 了 故 障 诊 断 专 家 系统, 789:;< 公司研制出了故障诊 断 工 程师帮助系统,并已在我国推广应用。 除了从国外引进的以外,国内一些高 等院校和单位,如华中理工大学、哈 尔滨工业大学等也开展了这方面工作, 取得了一定的成效。但是在用户实际
-! " ! ! "#(!) $
[.]
2 系统设计
(! )系统结构简要说明 专家系统一般由知 识 库 、 推 理 机 、 人 机 接 口 、 解 释 机 构等部分组成。 知识库主要用来存 放 领 域 专 家 的 专 门 知 识 。 知 识 表 示 要解决的问题是如何用计算 机 能 够 理 解 的 形 式 表 达 和 存 储 知识。知识库是推理机工作 的 重 要 对 象 , 其 中 知 识 表 示 的
表( 规则编号 规则名称 主导频率为精确同频表结构 状态 故障 ( 故障 ! …… …… 故障 (2 故障 (,
0001( 0001!
转子轴向 * 振动较大 转子轨迹 + 为圆或椭 圆正进动
& &
( &
( (
& (
……
……
……
……
……
……
……
……
……
表!
主导频率为精确分频表结构 故障 3故障 33
规则编号 规则名称 状态 故障 -& 故障 -! ……

其 中 #( ! ) = (% -!’ &) >’ !( 为 动 力 系 统 的 特 征 矩 阵 , 或称阻抗矩阵。
(编号: " 国家自然科学基金资助项目 0&2+0&!. ) 收稿日期: ’&&0 — &0 — !(
2&
机电工程技术 !""# 年第 $% 卷第 &! 期
研究与开 发
好坏直接影响着整个系统的工作效率。 推理机用于记忆所 采 用 的 推 理 规 则 和 控 制 策 略 , 使 整 个专家系统能够以逻辑方式 协 调 地 工 作 。 推 理 机 能 够 根 据 知识进行推理和导出结论,而不是简单地搜索现成的答 案,它包括推理方法和控制 策 略 两 部 分 。 推 理 机 具 体 表 现 在程序中就是整个程序的逻 辑 控 制 算 法 , 逻 辑 控 制 算 法 是 程序正确运行的先决条件。 因 此 , 推 理 机 在 故 障 诊 断 系 统 中占有重要的地位,其好坏直接关系到诊断性能的优劣。 由上可知,知识库 和 推 理 机 在 故 障 诊 断 专 家 系 统 中 处 于核心地位。因此,开发一 个 成 功 的 旋 转 机 械 故 障 诊 断 程 序,关键在于知识库部分、 以 及 和 它 紧 密 相 关 的 推 理 机 部 分的设计和实现。 在故障诊断系统中 , 知 识 库 部 分 利 用 关 系 数 据 库 设 计 实现,推理机部分采用了黑 灰 白 集 合 筛 选 法 。 黑 灰 白 集 合 筛选法是一种比较科学的方 法 , 在 故 障 诊 断 的 过 程 中 , 它 可以逐步地排除不可能原因 , 得 出 真 正 的 原 因 和 个 别 暂 时 难以排除的原因。 系统总体框架如图 ! 所示。 (! )知识库部分的设计 考虑到将来需要对 知 识 库 进 行 修 改 、 扩 充 , 将 知 识 库
测试数 据合计 诊断得出唯一 目标故障原因 诊断出包含目标故障原因 诊断出故障原因 在内的 A 个故障原因 为 > 个或以上 表> 测试结果统计
@S (份)
AS (份) ?SG>V
BA (份) A?V
S (份) BWGUV
识库进行正常的推理工作
[?]

3"!#4 的模型中容易找到的通用特性。 !"# 是一个可以通
研 究与开发
机电工程技术 !""# 年第 $% 卷第 &! 期
旋转机械故障诊断专家系统 "
马 波,高金吉,江志农,杨剑锋
!&&&’( )
(北京化工大学 #$% 中心, 北京
摘要: 在旋转机械最佳诊断方法理论的指导下,依据基于黑灰白的推理机技术开发了旋转机械故障诊断专家系统。本文着重说明 了故障诊断系统中推理机和知识库这两部分的设计及实现,最后根据工厂实际数据进行验证,列出了验证的结果。 关键词: 故障诊断;专家系统;旋转机械 中图分类号: )*’++ 文献标识码: , 文章编号: !&&(-(.(’ /’&&01 !’-&&2&-&2
过 5"&,6)%$7 和 ’%)*8( 函数访问的 9#: 自动化服务器。 在 ;&,<)8 9== 集 成 开 发 环 境 中 , 利 用 !"# 技 术 可 以 方便地实现对数据库的操作 。 特 别 是 在 开 发 子 诊 断 模 块 的 过 程 中 , 通 过 灵 活 运 用 !"# 提 供 的 各 种 接 口 函 数 , 在 一 定程度上减少了诊断系统源 代 码 数 量 , 并 使 得 源 代 码 更 易 于理解和维护。 推理机与知识库的总体结构图如图 > 所示。
0001(
润滑油温 * 降低振动 可能明显 下降
&
&
……
(
&
0001!
转子轴向 * 振动大且 与振动频 率相同
(
&
……
&
(
……
……
…… ……
……
……
……
……
此,在建立知识库的过程中 也 充 分 考 虑 到 了 推 理 机 操 作 知 识库的方便性。 按照振动主导频率 的 不 同 , 构 建 不 同 表 单 , 因 为 在 不 同主导频率下,推理使用的 规 则 都 不 相 同 。 例 如 , 振 动 主 导频率为精确同频时的表单 结 构 和 振 动 主 导 频 率 为 精 确 分 频时的表单结构 ’见表 ( 和表 !) 。 其 中 , “规 则 编 号 ” 列 表 示 规 则 在 系 统 内 部 的 编 号 , “规 则 名 称 ” 列 表 示 规 则 的 具 体 名 称 , “状 态 ” 列 表 示 对 , “故 障 ( ” 到 “ 故 障 (, ” 该 规 则 的 回 答 是 “ *” 或 “ +” 列表示当推理机应用相关规 则 时 , 是 筛 选 掉 该 故 障 (对 应 “& ”值) ,还是保留该故障 (对应 “( ”值) 。 (- )推理机部分的设计 在故障诊断专家系 统 中 , 推 理 机 利 用 知 识 库 中 的 规 则 进行推理诊断。因而推理机 与 知 识 库 是 密 切 相 关 的 , 知 识 库的设计决定了推理机部分 的 实 现 。 由 于 前 面 在 建 立 知 识 库时对推理机的操作也作了比较充分的考虑,在实现时, 整个推理框架可以很容易建立起来。
图! 诊断—— —逆过程
*= @*!, *’,…… *+A
, = @, !, , ’…… , &A
故障诊断就是基于 观 测 到 的 征 兆 谱 中 的 某 几 个 征 兆 来 推断上述原因谱中的某个或某几个可能产生故障的原因。
’ 系统实现理论
振动是表征机器运 行 状 态 最 敏 感 的 征 兆 参 数 。 一 台 旋 转机械,如泵、风机、离心 压 缩 机 、 透 平 机 等 , 在 运 行 中 其转子处于在小间隙约束下 的 动 平 衡 状 态 , 其 响 应 、 激 励 和系统动力特性三者间关系为
图! 基于黑灰白集合筛选法的旋转机械 故障诊断专家系统总体框架
Hale Waihona Puke 我 们 运 用 面 向 对 象 的 程 序 设 计 方 法 ( ../ ) 设 计 了 整 个推理机。具体的实现就是为图 ( 中的初步诊断、精确
-(
研 究与开发
机电工程技术 !""# 年第 $% 卷第 &! 期
诊断,以及各个原因类别设计出独立的子诊断模块。在 每个子模块中均采用黑灰白集合筛选法进行推理,并将 它们封装在不同的类中。每个封装成类的子模块只做与 自己相关的部分诊断,而且只需要访问数据库中相关的 规则表。 推理机中的各子诊 断 模 块 对 知 识 库 中 相 关 规 则 表 的 访 问 是 通 过 !"# ( !$%&’( ")%) #*+($%,) 实 现 的 。 !"# 是 一 个对象模型,它结合了 #-. "/ 易于使用 的 特 性 以 及 在 诸 如 0(12%( ")%) #*+($%, 3 0"#4 和 ")%) !$$(,, #*+($%,
相关文档
最新文档