机械故障诊断的推理规律研究
机械工程研究报告之机械故障诊断与故障预测的方法研究
机械工程研究报告之机械故障诊断与故障预测的方法研究摘要：机械故障的发生对于生产效率和设备可靠性都具有重要影响。
因此，机械故障诊断与故障预测的方法研究成为了机械工程领域的热点问题。
本研究报告主要探讨了机械故障诊断与故障预测的方法，并对其应用进行了分析和评估。
1. 引言机械故障的诊断与预测对于提高设备的可用性和降低维修成本具有重要意义。
随着技术的不断进步，各种机械故障诊断与故障预测的方法被提出并应用于实际工程中。
本研究旨在综述当前机械故障诊断与故障预测的方法，并分析其优缺点。
2. 机械故障诊断的方法2.1 传统机械故障诊断方法传统的机械故障诊断方法主要基于经验和专家知识，通过观察和判断机械设备的运行状态来诊断故障。
这些方法在一定程度上能够满足实际工程需求，但其准确性和可靠性有限，且对专业知识和经验依赖较大。
2.2 基于信号处理的机械故障诊断方法基于信号处理的机械故障诊断方法通过采集机械设备的运行信号，如振动信号、声音信号等，对信号进行分析和处理，从中提取故障特征，并通过模式识别算法进行故障诊断。
这些方法具有较高的准确性和可靠性，但对于信号处理和算法的要求较高。
3. 机械故障预测的方法3.1 基于统计学的机械故障预测方法基于统计学的机械故障预测方法通过对历史数据进行统计分析，建立故障模型，并预测未来的故障发生概率。
这些方法适用于具有一定规律性的故障，但对于突发性故障的预测效果较差。
3.2 基于机器学习的机械故障预测方法基于机器学习的机械故障预测方法通过训练模型来学习机械设备的运行规律和故障特征，并通过监测实时数据来预测故障的发生。
这些方法能够适应不同类型的故障，并具有较高的准确性和可靠性。
4. 方法评估与比较针对不同的机械故障诊断与故障预测方法，本研究对其进行了评估和比较。
通过实际工程案例的应用，对各种方法的准确性、可靠性和适用性进行了分析，为工程师选择合适的方法提供了参考。
5. 结论机械故障诊断与故障预测是机械工程领域的重要研究方向。
机械设备故障诊断技术及方法
机械设备故障诊断技术及方法
机械设备故障诊断技术及方法包括以下几种：
1.经验诊断法：基于经验推理，通过对已知故障的分析，对新问题进
行判断和诊断。
但该方法受限于经验的丰富性和专业性。
2.故障树分析法（FTA）：将机械设备的故障按照原因和后果的逻辑
关系绘制成树状结构，以便确定故障的根本原因和可能的组合条件。
3.事件树分析法（ETA）：与FTA类似，但是从事件的发生过程角度
切入。
通过对事件的因果关系进行分析，以确定故障的可能原因。
4.信号处理法：通过采集机械设备运行过程中的各种信号，比如温度、压力、振动等，进行分析和处理，以确定故障原因。
该方法适用于那些难
以进行物理实验的设备。
5.模型建立法：建立机械设备运行模型，并通过模型分析来确定故障
原因。
该方法需要丰富的模型知识和数据。
综上所述，机械设备故障诊断技术及方法各有优缺点，选用合适方法
需要根据具体情况灵活运用。
机械系统故障诊断与维修技术的研究与应用
机械系统故障诊断与维修技术的研究与应用随着工业技术的不断发展，机械系统已经成为现代生产过程中不可或缺的一部分。
然而，机械系统故障的发生不可避免，特别是长时间的运行和高负载的情况下。
因此，研究和应用机械系统故障诊断与维修技术变得尤为重要。
一、故障诊断技术机械系统故障诊断技术是指通过监控、分析和检测机械系统的状态和运行参数，以确定系统是否存在故障，并定位故障发生的原因和位置。
这项技术的研究和应用可以提高系统的可靠性和稳定性，减少维修时间和成本。
1.1 传统故障诊断方法传统的机械系统故障诊断方法主要依靠经验和直观判断。
例如，维修人员可以通过听声音、观察机械部件的运动和检查外观来判断机械系统是否存在故障。
这种方法虽然简单直观，但是容易受主观因素和经验的影响，无法准确地判断故障的原因和位置。
1.2 基于传感器的故障诊断方法随着传感器技术的不断进步，利用传感器来监测和检测机械系统的状态已经成为一种常见的故障诊断方法。
传感器可以实时地采集和记录机械系统的运行参数，如温度、振动、压力等。
通过分析这些参数的变化规律，可以判断机械系统是否存在异常和故障，并定位故障的原因和位置。
这种方法具有高精度和可靠性的优点，并且可以实现远程监控和诊断。
1.3 基于人工智能的故障诊断方法人工智能技术在机械系统故障诊断领域也得到了广泛的应用。
机器学习和深度学习算法可以通过分析和挖掘大量的数据，建立机械系统故障模型，并实现自动诊断和预测。
这种方法具有高效、准确和自动化的特点，能够及时发现和诊断潜在的故障，并采取相应的维修措施。
二、故障维修技术故障维修技术是指根据故障诊断结果，采取相应的修复措施，恢复机械系统的正常运行。
故障维修技术的研究和应用可以提高故障修复的效率和质量，减少生产线的停机时间和经济损失。
2.1 传统维修方法传统的机械系统维修方法主要包括部件更换、修复和润滑。
当机械系统出现故障时，维修人员会根据自己的经验和技术知识，对故障部件进行更换或修复，以恢复机械系统的正常运行。
故障诊断逻辑与推理方法
介绍几种常用的故障诊断逻辑与推理方法正如医生诊疗疾病一样需要望闻问切，设备维修人员对于设备故障的诊断也讲究切实有效的方法。
故障的诊断逻辑与推理方法很多，如：契合法、差异法、契合差异并用法、共变法、剩余法、假设检验法、鱼骨图分析、5WHY分析、故障树分析、设备FMEA分析等。
下面简单介绍几种常用的故障诊断逻辑与推理方法，以方便设备维修人员对故障现象的分析和根本原因的查找以及故障根本对策的制定。
1、契合法在被研究现象出现的若干场合中，如果某一个或一组事件均出现，那么这个屡次出现的情况或者事件就是被研究对象的原因或结果。
公式：场合先续（或后续）事件被研究对象(1) A、B、C a(2) A、D、E a(3) A、F、G a结论：A事件是a现象的原因或结果例：某加工厂设备频频出现气缸动作不良故障。
经多次检查均发现是由于电磁阀内有铁锈引起阀杆动作受阻而造成的通气不顺畅。
进一步检查发现由于压缩空气输送管道未采用镀锌管，经过长时间使用管道内生有大量铁锈造成压缩空气内铁锈过多，当空气过滤器能力降低时铁锈就会进入电磁阀。
因此可以得出结论：压缩空气内铁锈过多导致故障发生。
2、差异法在被研究现象出现与不出现的场合，如果某一个或一组事件同时出现或者不出现，那么这个与众不同的情况或者事件就是被研究对象的原因或结果。
公式：场合先续（或后续）事件被研究对象(1) A、B、C a(2) -、B、C -结论：A事件是a现象的原因或结果差异法是设备维修人员最常用的故障原因查找方法。
例：三缸柴油机运行时排气冒黑烟，用断缸的方法分别只松开某气缸高压油管，发现仅在A缸油管松开时黑烟消除。
因此可以得出结论：A缸导致黑烟发生。
利用差异法进行故障诊断常用的方法还有：逐一排除法、换件法等等。
所谓逐一排除法就是当出现某故障现象之后，逐一切换或断开某一元器件，看该故障现象是否会消失。
一旦消失，说明某一断开或被换掉的元器件与故障有关，可能是故障源。
在进行换件法诊断时，注意每次只能更换其中一件，原来更换过而未出现异常的元器件应该复原，然后再更换另外的元器件。
工程机械液压系统故障诊断推理分析法
当前 ， 内各 行各业 的基 本建设投 资规 模 日趋 加 国 大 ， 械化施工程 度 越来越 高 ， 机 各类施 工 机械为 了适 应不 断发 展的 自动 化需求 ， 普遍采 用 了液压技 术 ，因 此 ， 压系统 的状 态 直接关 系到整 机性 能 ， 液 甚至 因而 造成停 机停 产事故 ， 响甚大 。液压 系统 的状态检 测 影 与故 障诊 断问题 ， 现实地 摆在 面前 。而液压 系统结 构 精 密且 复 杂 ， 往涉及 到 电能 、 往 液压 能 、 热能 、 机械 能 的相 互转换 以及严 重 的非 线性 信息 ， 而 给此项技 术 从
展。
机械 设备 故 障诊 断 与状 态检 测 技 术是 近 年来 国 内外 设 备管 理 与维修 领 域 发展 迅速 并 极受 欢 迎 的重 要新技 术之 一 。它对 确保 设备 的使用 和安 全 、 节约 维
修费用及降低生产成本起到重要作用 ， 从而可给企业
带来 巨大 的经济效 益 。
维普资讯
到广 泛应用 光谱 技术是 ４ ０年代初 国际 上发 展起来 的油 品分 析技 术 基本原 理是通 过 高 其 压 电弧激发油样 的微 粒 ， 其原 子空间 的外层 使 电子发 生跃进 而放 出能量— — 光 。 光线通 过透 镜从 入射狭缝 到达光栅 ， 后按 不同波长 分别 然 穿过 狭缝 ， 由光电倍增 管转 变为 电量 根 据光 的波 长 和亮 度 可迅 速 地测 定 油 中磨 粒 的元 素
的最基本 最通 用 的手段 和 方法 。
３ 故障推理分析法与检测手段的结 合
由于机 械设备 的失效 多 以磨损为前 奏 。 铁谱技术 则可捕 捉磨损 的信息 ， 时发现不 同磨 损状 况产生 的 及 不 同特 征 的磨 粒尺寸 、 貌及 其它微粒 特征 ， 形 因而得
基于人工智能的机械故障诊断算法研究
基于人工智能的机械故障诊断算法研究随着科技的不断进步，人工智能（Artificial Intelligence，AI）技术在各个领域的应用越来越广泛，其中之一就是机械故障诊断。
机械故障诊断是保证机械设备正常运转的关键，而基于人工智能的机械故障诊断算法则是近年来研究的热点之一。
一、机械故障诊断的重要性机械设备的故障对生产运营造成严重影响，不仅会导致生产线停工，还会增加维修成本和生产损失。
因此，及时准确地诊断机械故障非常重要。
传统的机械故障诊断主要依靠人工经验和直观判断，这种方法存在准确率低、耗时长、成本高等问题。
随着人工智能技术的发展，尤其是机器学习和深度学习的兴起，基于人工智能的机械故障诊断算法变得越来越受关注。
二、基于机器学习的机械故障诊断算法基于机器学习的机械故障诊断算法通过对大量的故障样本进行学习和分析，从中提取特征并建立模型，最终实现故障诊断的目的。
首先，收集大量的机械故障数据。
这些数据可以是来自传感器的实时采集数据，也可以是历史故障记录数据。
数据的质量和准确性对算法的准确性至关重要。
其次，进行数据预处理。
预处理包括数据清洗、特征提取和特征选择等过程。
数据清洗主要是对数据中的异常值和噪声进行处理，特征提取则是从原始数据中提取出描述故障的有意义特征，特征选择则是从提取出的特征集中选择最相关的特征。
然后，选择合适的机器学习算法进行建模。
常用的机器学习算法包括支持向量机（Support Vector Machine，SVM）、随机森林（Random Forest）、神经网络等。
不同的算法适用于不同的故障诊断问题，选择合适的算法可以提高故障诊断的准确性。
最后，通过对已标记的故障数据进行学习，建立机械故障的分类模型。
模型的训练需要反复迭代，不断优化，直到达到较高的准确度和可靠性。
经过训练，模型可以根据新的故障数据进行判断和诊断。
三、基于深度学习的机械故障诊断算法近年来，深度学习作为机器学习的一个重要分支，给机械故障诊断领域带来了革命性的变革。
机械故障诊断技术的原理与分类
机电设备维修
• 3．故障类型、程度、部位、原因的确定 • 最重要的是故障类型的确定，它是在状态监测的基础上，当确认机
器已处于异常状态时所需要进一步解决的问题，其目的是为最后的 诊断决策提供依据。
二、基本原理
机电设备维修
• 机械故障诊断就利用机械设备劣化进程中产生的 信息(即振动、噪声、压力、温度、流量、润滑状 态及其指标等)来进行状态分析和故障诊断
机电设备维修
• 3．直接观察法 • 传统的直接观察法如“听、摸、看、闻”，在一些情况下仍然十分
有效。但因其主要依靠人的感觉和经验，有较大的局限性。目前出 现的光纤内窥镜、电子听诊仪、红外热像仪、激光全息摄影等现代 手段，大大延长了人的感官器官，使这种传统方法又恢复了青春活 力，成为一种有效的诊断方法。
机电设备维修
• 4．振动噪声测定法 • 机械设备动态下的振动和噪声的强弱及其包含的主要频率成分和故
障的类型、程度、部位和原因等有着密切的联系。因此利用这种信 息进行故障诊断是比较有效的方法。其中特别是振动法，信号处理 比较容易，因此应用更加普遍。
机电设备维修
• 5．无损检验法 • 无损检验法是一种从材料和产品的无损检验技术中发展起来的方法，
计、工业内窥镜、红外点温仪对设备进行人工巡回监测，根据设定 的标准或人的经验分析，了解设备是否处于正常状态。简易诊断法 主要解决的是状态监测和一般的趋势预报问题。
机电设备维修
• 2．精密诊断法 • 精密诊断法指对已产生异常状态的原因采用精密诊断仪器和各种分
析手段(包括计算机辅助分析方法、诊断专家系统等)进行综合分析， 以期了解故障的类型、程度、部位和产生的原因及故障发展的趋势 等问题。精密诊断法主要解决的问题是分析故障原因和较准确地确 定发展趋势。Байду номын сангаас
机械故障诊断思维推理模型及算法的研究
故 障诊断专家如果认 为机械设备有某故障，则该 设 备 必 然 应该 出现 所具 有 的表 象集 ，即一 个 有 相
应 表 象 集 合 的机 械 设 备 必 然 产 生 了相 对 应 的故
障。假定某机械设 备的某个故 障对应的表象都展
现 出来 ，那 么 就 判 定 该 设 备 发 生 了对 应 的故 障 ， 如 图 ｌ ，若 机 械设 备 出 现 了 ｂ，ｂ，ｂ这 三 个表 中 ， 象 就 可 判 定具 备 了 ａ故 障 。这 个 思维 方 法 即为 判
（） １ （） ２ （） ３ （） ４
称 上 式 为卢 氏近似 推 理公 式 ，称 ａ 为前提 ｂ
为结论 。
２系统 实现
把 上 述 推理 诊 断 过 程用 在 故 障 判 断 系统 的 丁 作 过程 如下 。 首 先 进 行专 家知 识 获 取 ，也 就 是 要 同某 故 障 系 统 的专 家 共 同 研 讨 ，确 定 该 系统 的 故 障 表 象 点 。这些 反 映故 障 的 表象 点 及其 反映 故 障 点 损坏 程 度 的 表 象数 值 都是 系统 故 障诊 断维 修 的 专家 多 年实 际工作 经验 所得 出 的。
摘要 ：彳 机械故障分析诊断型专家知识结构及推理过程 的基础上 ，利用离散数学集合理论 ，导 出诊 断思维 的数学模型 ，最后给 Ｆ 出了相应模型 的机械故障诊断实例 。 关键词 ：诊断模型 ；故障 ；推理 中图分类号：Ｔ Ｉ２ Ｐ８ 文献标识码 ：Ａ 文章编号：１０ ０ ９—９ ９ ２ １） ８—０ ０ ４ ２ｆ０ ２ ０ １３—０ ４
ｂ＝ （ ｂ＝ ａ （ ｎａ 一 ＋ ，ａ） ） （ ６ ｎ Ⅱ ） ｍ ｘ （ ａ ｂ １） ｍｉ ，０
｛ （） １ 闩 Ｂ＝ 则 ｒ １ ｌ ＝ ， ‘ ） 】 － ， ４ 『ＴＡ＝ ，Ｈ 九 ， （）０ ＝ 则 ｒ １ １ ＝ Ｌｒ ＝ ，且 日＝ 则 ｒ０ ｛， 】 ”） ）０ － － ｛ （）０ 【 ７Ｂ＝ 则 ｒ １ ＴＡ＝ ， １ １ ）０ － －（
机械故障检测与诊断技术的研究与应用
机械故障检测与诊断技术的研究与应用随着工业技术的不断发展，机械设备的应用范围越来越广泛。
然而，随之而来的也是机械故障的频繁发生。
机械故障不仅会导致生产效率下降，还可能引发严重的安全事故。
因此，机械故障检测与诊断技术的研究与应用就显得尤为重要。
机械故障检测与诊断技术可以帮助我们及时准确地发现和判断机械设备的故障，从而采取相应的维修措施，避免产生更严重的后果。
这项技术是以机械设备的运行状态为基础，通过采集和分析相关数据，发现与故障有关的特征，并通过对比分析，识别和确认故障的位置和原因。
其核心思想是将机械设备的运行状态与正常状态进行对比，通过异常数据的挖掘，判断故障是否存在。
在机械故障检测与诊断技术的研究与应用中，数据采集是一个关键环节。
通过传感器等设备，实时采集机械设备的振动、温度、压力等数据，形成一组数据流。
然后，通过信号处理和特征提取，将复杂的数据转化为易于分析的特征向量。
这些特征向量包含了故障的相关信息，是后续诊断的基础。
数据挖掘是机械故障检测与诊断技术的重要方法之一。
通过对大量历史数据的分析和模式识别，挖掘出故障发生的规律和趋势。
数据挖掘可以采用多种算法，如神经网络、支持向量机等，根据具体情况选择合适的方法。
通过训练模型，将已知的故障案例与数据特征建立联系，在未知情况下做出准确预测。
故障诊断是机械故障检测与诊断技术的关键环节。
通过对振动信号、声音信号等多源数据的分析，确定故障的位置和原因。
故障诊断可以采用机器学习、智能算法等方法，利用已有的模型和知识，对数据进行分析和判断。
同时，还可以结合专家系统，根据实际情况进行推理和判定，提高诊断的准确性和可靠性。
机械故障检测与诊断技术的研究与应用领域广泛，包括工业制造、航空航天、能源领域等。
在工业制造领域，机械设备的故障会导致生产线停机，造成生产效率的下降。
通过机械故障检测与诊断技术，可以实现对生产设备的实时监测和预警，及时发现潜在故障，采取相应措施，提高生产效率和产品质量。
机械故障诊断的模糊推理与神经网络并行推理的研究
２ 催化装置 目 二 前还没有将与机组操作
相 关的 一些过 程量 如温 度 、 力 、 压 流量 等参
数 连接 到 ￥００ ８０ 监测 系统 上 ， 而这些参 数是
分析机组运行状况 、故障诊断的重要数据 ，
所 以有必要将这些参数集成到 ￥００ ８０ 中。 ３ ． 故障诊断是在线状态监测的一项重要 图 ４ 转速时间图
要提供一些典型故障诊断图谱供维护者学习和借鉴。
Ｗ Ｏ ．４ ６ Ｏ —１ ９
作者通联：北京燕化公司炼油厂第二作 业部
区 果 园路 １ 号
一
北京 市燕 山
王 其］
：使用过程中有一些问题有待商榷 ， ｉ 芏 主要有以下几点 ： １ ． 软件安装维护系统还需要进一步的完善， 务器和监测 服
故障诊断的过程是根据诊断对象出现的异常征兆， 基于先
分站的软件维护 需要较强 的专业知 以 ， 其 尤
是数据库的安装 、 备份 ， 需要一定的数据库 知 ｝ 提高 了数据 库维 护 的难度 ， 样一 旦 只， 这
出现 问题很 难找 出问题 的症结 ， 建议将所 有 系统软件维护功能集成在用户界面上 。
故障 ， 很难 及时将该 阀关严 ， 解决 途径是更换一个反应快速的阀
功能，８０ ￥００目前还没有对所监测到的数据 、
图谱做 一些必 要的分析和 判断 ， 以引起维护
者的注 意 ， 的发现和诊 断还 依赖于 设备 故障
维 护人员的责任心和水平 。
¨， 并保持 自 动联锁状态 。
四 、 结 总
维普资讯
机械故 障诊 断的模糊 推理与神经 网络 并行 推理 的研 究
罗江华 陈 平
摘要 根据机械故障诊断领域模糊知识及机械故障本身的特点， 通过对现场专家知识、 实验的总结， 利用模糊推理与神经网络
机械故障诊断学1-2机械故障诊断的基本原理
数据收集
2
收集故障信息。
采集设备的运行数据和性能参数，分析
故障规律。
3
故障分析
根据收集的故障信息和数据分析，判断
Байду номын сангаас
故障诊断
4
故障原因。
确认故障原因并提出修复建议，制定故 障处理方案。
故障诊断的方法
1 经验法
基于专业经验和直觉，通过分析相似的故障 案例来诊断。
2 测试法
利用各种测试工具和设备，对故障设备进行 检测和分析。
故障诊断案例分析
故障现象
设备温度升高，噪音异常。
故障原因
散热系统故障导致温度升高， 轴承损坏导致噪音异常。
修复方法
更换散热系统部件，维修或 更换轴承。
总结与展望
机械故障诊断学1-2介绍了机械故障诊断的基本原理和技能提升方法，通过案例分析加深了理解。希望能够帮 助读者提高故障诊断能力，确保设备的正常运行。
3 模型法
建立设备故障模型，通过模拟和仿真来进行 故障诊断。
4 智能法
利用人工智能和机器学习技术，进行自动化 故障诊断。
故障诊断技能的提高
技术培训
参加相关培训课程和研讨会，学 习最新的故障诊断技术。
实践经验
通过实际工作中的故障处理，积 累宝贵的故障诊断经验。
问题解决能力
培养良好的逻辑思维和分析判断 能力，提升故障诊断能力。
机械故障诊断学1-2机械 故障诊断的基本原理
机械故障诊断学1-2是研究机械故障诊断的基本原理，从定义、流程、方法到 案例分析，帮助提高故障诊断技能。
故障诊断的定义
故障诊断是通过分析和判断机械设备的异常现象，确定故障原因，为修复提 供指导。
故障诊断的流程
机械故障诊断的模型与算法研究
机械故障诊断的模型与算法研究引言:机械故障诊断是现代工业领域中十分重要的一个环节。
随着机械设备的复杂性增加，传统的手工诊断方法已经无法满足实际需求。
因此，研究机械故障诊断的模型与算法成为了一个热门的研究方向。
本文将探讨机械故障诊断的模型与算法研究的现状和未来发展方向。
一、背景介绍机械故障诊断是通过监测和分析机械设备的运行数据，确定机械故障的原因和位置。
传统的机械故障诊断方法主要依赖于经验和技术人员的直观判断，存在诊断结果不准确、效率低下等问题。
为了提高机械故障诊断的准确性和效率，学者们开始研究利用模型与算法进行机械故障诊断。
二、模型的研究在机械故障诊断的模型研究中，常用的模型包括神经网络模型、支持向量机模型和隐马尔可夫模型等。
神经网络模型是一种模拟人脑神经元网络的模型，其通过学习和调整模型参数，可以对机械故障进行准确的诊断。
支持向量机模型是一种基于统计学习理论的模型，它通过在高维特征空间中找到一个最优超平面，将样本进行分类。
隐马尔可夫模型是一种用于时间序列数据建模的模型，它可以对机械故障的状态进行建模。
这些模型在机械故障诊断中都取得了不错的效果。
三、算法的研究除了模型的研究外，机械故障诊断的算法也是研究的重点之一。
常用的算法包括遗传算法、粒子群算法和模拟退火算法等。
遗传算法是一种模拟生物进化的算法，通过模拟自然选择、交叉和变异的过程，搜索最优解。
粒子群算法是一种模拟鸟群觅食行为的算法，通过模拟粒子寻找最优解的过程，进行优化搜索。
模拟退火算法是一种模拟金属退火过程的算法，通过模拟固体退火过程，搜索最优解。
这些算法在机械故障诊断中也有广泛应用。
四、现状与挑战目前，机械故障诊断的模型与算法研究已经取得了不少成果。
然而，仍然存在着一些挑战。
一方面，机械故障诊断涉及的数据量庞大，如何高效地处理这些数据是一个亟待解决的问题。
另一方面，目前的模型和算法往往需要依赖于专家知识进行建模和调参，降低了模型和算法的普适性和灵活性。
机械故障诊断的原理及应用
机械故障诊断的原理及应用机械故障诊断是一种通过分析和研究故障现象，找出故障原因的技术方法。
机械故障诊断的原理主要包括故障数据采集、特征提取和故障诊断三个步骤。
在实际应用中，机械故障诊断广泛应用于各个行业，如制造业、涡轮机械、电力系统等，以提高设备的稳定性和可靠性。
机械故障诊断的第一步是故障数据采集。
通常使用传感器、观察和检查等手段收集机械设备的运行数据。
传感器可以直接测量机械设备的振动、温度、压力等参数，将数据转换为电信号，并传输到数据采集系统中进行记录和分析。
观察和检查是直接观察机械设备的工作状态，如外部磨损、生锈、松动等，并记录相关信息。
第二步是特征提取。
特征提取是将采集到的原始数据转换成有效的特征参数，用于描述机械故障的不同特征。
常用的特征参数包括时域特征、频域特征和时频域特征等。
时域特征包括均值、方差、峰值等；频域特征包括功率谱密度、频率谱等；时频域特征包括小波包分析、瞬时参数等。
特征提取的目的是为了从大量的故障数据中提取出能够表征机械故障的相关特征。
第三步是故障诊断。
在故障诊断中，根据特征参数进行故障分析和判断，确定机械设备的故障原因。
常见的故障诊断方法包括统计法、模型法和知识法。
统计法是通过建立基于统计学模型的概率分布，对特征参数进行分析和判断。
模型法是通过建立机械设备的数学模型，并根据模型的预测结果对故障进行诊断。
知识法是根据人工经验和专家知识，对故障进行判断和诊断。
在实际应用中，通常会采用多种方法相结合，以提高故障诊断的准确性和可靠性。
机械故障诊断广泛应用于各行各业。
在制造业中，通过对机械设备的故障诊断，可以及时发现并排除故障，保证设备的正常运行。
在涡轮机械领域，机械故障诊断可以对故障进行准确定位，避免故障扩大并影响机械设备的稳定性和安全性。
在电力系统中，机械故障诊断可以对电力设备的故障进行准确诊断，提前采取维修措施，以保证电力系统的正常运行。
总之，机械故障诊断的原理是通过故障数据采集、特征提取和故障诊断三个步骤来找出机械设备的故障原因。
机械故障诊断技术研究
机械故障诊断技术研究随着科技的不断发展，机械设备已经成为我们生活中不可或缺的一部分。
尤其是在一些行业中，机械设备的作用更加重要。
但是，长时间的使用和运作，机械设备也会出现各种各样的故障。
为了提高机械设备的稳定性和使用效率，机械故障的诊断技术显得尤为关键。
一、机械故障的分类机械故障可以分为很多类别，常见的有以下几个：1.结构故障：机械设备内部零件或构件出现损坏或破裂情况。
2.材料故障：机械设备内部材料出现问题，比如磨损、疲劳、氧化或者腐蚀等等。
3.电气故障：机械设备的电子元件或电路存在问题，造成设备无法正常运转。
二、机械故障诊断技术的重要性机械故障的发生会影响生产运作和设备性能，同时也可能造成安全事故。
因此，机械故障的诊断技术显得尤为重要。
通过及时准确地诊断故障，可以保证设备的正常使用，同时也可以减少生产与成本上的损失。
机械故障诊断技术可以提高设备维护保养的效率，减少维护保养成本。
通过预测故障，可以预防故障的发生，从而降低维护成本。
除此之外，机械故障诊断技术还可以提高设备的可靠性和稳定性。
及时诊断故障，可以实现设备的快速恢复，避免设备长时间的关闭和停机，从而确保设备的生产效率和稳定性。
三、机械故障诊断技术的研究方法1.基于经验的机械故障诊断技术。
这种诊断技术是通过工程师的经验来分析探测机械故障。
优点是操作简单，缺点是经验依赖性强，不易推广和普及。
2.基于统计学的机械故障诊断技术。
这种诊断技术是通过建立统计模型来分析探测机械故障。
优点是精度高，缺点是需要较长的数据获取和处理时间。
3.基于人工智能的机械故障诊断技术。
这种诊断技术是通过机器学习、神经网络等人工智能技术来分析探测机械故障。
优点是结果准确性高，操作简单，缺点是需要大量的样本训练。
四、未来机械故障诊断技术的发展趋势随着科技的发展，机械故障诊断技术也在不断地发展和完善。
未来的机械故障诊断技术会促进以下几个方面的发展：1.精度的提高。
随着新技术的出现，机械故障诊断技术的精度将会越来越高。
机械故障检测与故障诊断技术研究
机械故障检测与故障诊断技术研究引言机械设备在各个领域的应用日益广泛，其可靠性和稳定性尤为重要。
然而，机械故障是不可避免的。
因此，机械故障检测和故障诊断技术的研究变得至关重要。
本文旨在探讨机械故障检测与故障诊断技术的最新进展，并探讨其应用前景和挑战。
一、机械故障检测技术概述机械故障检测技术是指通过各种手段和方法，对机械设备进行系统的、实时的监测与分析，以判断其是否存在故障，并及时采取措施进行修复或维护的一项技术。
常见的机械故障检测技术包括振动分析、声音分析、温度检测等。
（1）振动分析振动分析是一种常用的机械故障检测方法。
通过采集机械设备的振动信号，并将其转换为频谱图进行分析，可以判断设备是否存在故障，例如轴承损坏、不平衡、松动等。
振动信号的频谱分析可以提供故障频率的信息，从而帮助确定具体的故障类型。
（2）声音分析声音分析也是一种常见的机械故障检测方法。
通过采集机械设备产生的声音信号，并进行频谱分析和时域分析，可以判断设备是否存在故障，例如齿轮磨损、轴承故障等。
不同故障类型在声音频谱上有着独特的特征，因此可以通过声音分析来确定具体的故障类型。
（3）温度检测温度检测是一种简单且常用的机械故障检测方法。
由于机械设备在运行时会产生热量，故障部件通常会产生异常的高温。
通过检测设备不同部位的温度变化，可以判断设备是否存在故障，例如电机绕组过热、轴承润滑不良等。
二、机械故障诊断技术概述机械故障诊断技术是指通过对机械设备故障进行分析和判断，找出故障根源和具体故障类型的一项技术。
常见的机械故障诊断技术包括人工诊断、模式识别、智能算法等。
（1）人工诊断人工诊断是一种传统的机械故障诊断方法。
通过经验和专业知识，人工判断机械设备故障的根源和类型。
然而，人工诊断依赖于专业技师的经验和素质，存在主观性和不一致性的问题，且对复杂故障的判断准确率有限。
（2）模式识别模式识别是一种基于特征提取和分类的机械故障诊断方法。
通过采集机械设备故障时的振动、声音、温度等信号，并提取其中的特征，应用机器学习算法进行分类，即可实现机械故障的自动诊断。
机械故障诊断与维修技术研究
机械故障诊断与维修技术研究第一章前言机械设备是制造业的一个重要组成部分，机械设备的正常运转对于生产效率和产品质量起着关键作用。
机械故障是不可避免的，因此机械故障诊断和维修技术的研究对于制造业的发展至关重要。
本文将介绍机械故障诊断和维修技术的研究现状和未来发展趋势。
第二章机械故障诊断技术2.1 机械故障诊断原则机械故障诊断的原则是：结合机械设备的运转原理和机械故障的特点，通过调查和分析故障信息，找出故障原因，进而按照维修规程施工，保证设备的安全可靠地运行。
目前，机械故障诊断主要采用的方法有：故障检测、故障诊断、故障判断和故障定位。
2.2 机械故障诊断技术的发展现状随着科技的不断发展，机械故障诊断技术也在不断更新和完善。
当前，机械故障诊断技术已经涉及到机械、电子、计算机、通信等多领域。
现代化的机械故障诊断技术除了传统的观察、检测、测量、试验等方法外，还加入了许多创新的技术手段，如：CAD/CAM技术、虚拟故障仿真技术、动态控制技术等。
第三章机械维修技术3.1 机械维修工艺机械维修工艺包括维修前的准备工作、现场维修、调试和功能测试、维修后的清理及保养等环节。
对于机械维修人员而言，正确的维修工艺是保证设备维修质量的基础。
3.2 机械维修技术的操作规程机械维修技术的操作规程包括三要素——流程、标准和规范。
良好的操作规程可以规范维修人员的行为、提高维修质量，减少故障出现的次数。
第四章机械维修未来发展趋势4.1 自动化维修技术自动化技术的应用为机械维修带来了新的发展趋势，通过人工智能、机器学习等技术手段可以实现维修流程的自动化，从而提高维修效率和降低维修成本。
4.2 线上故障诊断与维修线上故障诊断和维修技术是未来机械设备生产和维修的趋势，通过设备远程监控和远程服务可以实现在线诊断和快速维修，同时可以提高工人的效率和企业的生产效益。
第五章结论现代化的机械故障诊断和维修技术已经广泛应用于机械设备的生产和维护。
未来，随着新一代技术的应用，机械故障诊断和维修技术将越来越智能化、自动化和网络化，成为机械设备生产和维护的重要手段。
十六章 机械故障诊断的基本原理
十六章机械故障诊断的基本原理16.1 机械故障诊断概述所谓机械故障，就是指机械系统(零件、组件、部件或整台设备乃至一系列的设备组合)因偏离其设计状态而丧失部分或全部功能的现象。
我们通常见到的发动机发动不起来，机床运转不平稳、汽车刹车不灵等等现象都是机械故障的表现形式。
机械故障可以从不同的角度来进行分类。
16.1.1 机械故障及其分类1 机械故障按其发生的原因分(1) 磨损性故障:是指机械系统因使用过程中的正常磨损而引发的一类故障,对这类故障形式,一般只进行寿命预测。
(2) 错用性故障:是因使用不当而引发的故障。
(3) 先天性故障:是由于设计或制造不当而造成机械系统中存在某些薄弱环节而引发的故障。
2 机械故障按其造成的后果分(1) 危害性故障:故障发生后会对人身、生产和环境造成危险或危害的一类故障，如机床保护系统不能进行有效地工作而造成损害工件或操作者的故障等；(2) 安全性故障:故障的发生不会对人身、生产和环境造成危害的一类故障,如保护系统在不需保护时动作的故障等。
3 机械故障按其发生的快慢分(1) 突发性故障:不能靠早期测试探测出来的一类故障。
即此类故障是不可预测的，对这类故障只能进行预防，如过载造成机件损坏；(2) 渐发性故障:故障的发展有一个过程，因而可对其进行预测和监视，如疲劳裂纹的产生和扩展。
4 机械故障按其发生的范围分(1) 部分性故障:设计功能部分丧失的一类故障；(2) 完全性故障:设计功能完全丧失的一类故障。
5 机械故障按其发生的频次分(1) 偶发性故障:发生频率很低的一类故障，即“意外现象”(2) 多发性故障:经常发生的一类故障。
机械故障还可从其他角度来进行分类。
16.1.2 故障诊断及其分类所谓机械故障诊断，就是对机械系统所处的状态进行监测，判断其是否正常，当出现异常时分析其产生的原因和部位，并预报其发展趋势。
机械故障诊断可以分类如下：1 机械故障诊断按其目的分(1) 功能诊断：即对新安装或刚维修过的机械系统诊断其功能是否正常，也就是投入运行前的诊断；(2) 运行诊断：即对服役中的机械系统进行的诊断。
关于机械设备故障规律的探究
关于机械设备故障规律的探究【摘要】本文以机械设备故障规律为研究对象，分析了新时期机械设备故障的遵循的一般的故障曲线规律，并且依据故障曲线规律分析了预防和解决机械设备故障的相关对策，本文试图为机械设备故障的理论研究作出相关理论贡献。
【关键词】机械设备；故障；规律；对策1机械设备故障规律由于运行环境、设备操作、维修保养和出厂时间等因素的不同，机械设备在运行中一般会出现不同的故障。
机械故障的发生往往会有许多特定表征。
这就要求设备管理人员拥有丰富的经验及时发现这些表征并作出故障判断，防止严重的机械设备事故的发生。
如发动机运行时出现异常响动，管理人员需要及时评估是否会出现突发性机械设备事故，如缸盖和曲轴等关键零部件被损坏。
随着现代机械设备结构和材料的升级换代，传统机械设备的“浴盆曲线”故障规律已经无法全部适用于机械故障一般情况，需要工作人员重新总结经验和规律，判断机械设备运行状态、故障表征、故障发生根源和故障潜伏期。
机械设备主要有磨损、变形、断裂、裂纹和腐蚀等故障类型。
机械设备故障除了遵循一定的“浴盆曲线”规律以外，还遵循其它故障曲线规律，如稳定磨损期故障曲线规律，机械设备有恒定磨损期，故障率增长缓慢；新设备故障率曲线规律，运行一段时间后机械设备就逐渐表现出恒定的故障率；寿命周期内的故障曲线反映出机械设备总体稳定的故障率；机械设备开始由高的故障曲线规律，反映该机械设备初期故障率往往较高，但是中后期故障率稳定。
一般来说，机械设备越复杂，控制要求越高，容易出现机械设备初期故障率较高的情况。
一般的机械设备更多遵循初期故障较多而后期故障率稳定的规律，也有部分设备故障遵循“浴盆曲线”故障规律。
一般来说，进口设备如果操作规范，维修及时，往往后期故障率很低且比较稳定，国产设备由于设备情况相对复杂，会出现多种故障率的曲线规律。
这就要求设备管理人员拥有丰富的评估故障状态的经验。
我们必须不断研究和发现机械故障规律，确定最合理的维修和保养时间，及时预防机械设备事故的发生，降低机械设备维修成本。
机械维修逻辑知识点总结
机械维修逻辑知识点总结机械维修作为一项重要的技术工作，需要工程师具备一定的逻辑思维和知识结构。
本文将总结机械维修中的一些逻辑知识点，帮助读者更好地理解和应用。
1. 故障排查的步骤故障排查是机械维修的核心工作，其步骤一般包括"观察-分析-判断-验证-修复"。
首先，通过观察设备的表现和现象，分析出可能的故障原因。
然后，根据经验和专业知识，判断哪一种原因最有可能导致故障。
接下来，通过一系列的测试和检验，验证故障的来源。
最后，根据验证结果，进行相应的修复和调试。
2. 故障的分类在机械维修中，故障可以分为机械故障、电气故障和液压故障等。
机械故障主要指机械部件的损坏或磨损，比如轴承失效、齿轮断裂等；电气故障指电路或电器元件发生故障，比如电机损坏、线路短路等；液压故障指液压系统的故障，比如泵失效、阀门不工作等。
了解故障的分类，有助于更快地定位和解决问题。
3. 维修工具和设备维修工具和设备是机械维修的必备条件。
常见的维修工具包括扳手、螺丝刀、钳子等，用于拆卸和安装机械部件。
而维修设备则包括压力表、温度计、测量仪器等，用于监测和测试设备性能。
使用正确的工具和设备，是保证维修工作顺利进行的基础。
4. 维修文档和资料维修过程中，维修工程师需要参考各种维修文档和资料，比如设备说明书、维修手册、维护记录等。
这些文档提供了设备的结构、使用方法、保养要点等重要信息，帮助工程师更好地理解设备和故障。
同时，及时更新和整理这些文档，对于项目的后续维护和未来的维修工作也至关重要。
5. 预防性维修和保养预防性维修和保养是机械维修中的重要环节。
通过定期的检查和维护，可以预测和预防故障的发生，减少设备停机时间和维修成本。
常见的预防性维修工作包括润滑、清洁、紧固螺栓等。
同时，合理的保养计划和维护记录，有助于提高设备的使用寿命和性能。
6. 专业知识和技能除了以上的逻辑知识点外，机械维修还需要工程师具备一定的专业知识和技能。
- 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、"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、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)。
机械故障诊断的推理规律研究Ξ胡兆勇 屈梁生(西安交通大学智能仪器与监测诊断研究所 西安,710049)摘 要 机械故障诊断对于设备的安全、连续运行和预知维修至关重要。
作为故障诊断成功的关键,文章阐述了诊断中的诊断知识及其结构,介绍了专家的概念知识、方法知识和面向诊断对象知识,并用一种双向、互补的有机结构来刻划这些知识在诊断过程中的综合应用。
将故障熵的概念引申为广义故障熵,并结合最小互熵原理,用于阐述诊断推理过程。
分别用对数模型和Sigmo id模型来刻划机械故障诊断中的认知规律。
通过某炼油厂的一个实际诊断案例对这两个模型进行了分析和对比研究。
结果表明,两者均能近似地刻划认知过程,但Sigmo id模型更能准确地描述机械故障诊断推理的一般规律,更符合诊断过程的实际情况。
关键词:故障诊断;熵;最小互熵原理;Sigmo id模型;对数模型中图分类号:TH17 机械故障诊断对于设备的安全、连续运行和预知维修至关重要。
它研究设备的状态变化,籍此获取设备运行正常与异常的证据信息。
其目的在于根据设备的物理征兆和性能退化来识别其潜在的故障,特别是引起设备振动的主要原因,也即设备的主导故障。
本质上讲,机械故障诊断过程是根据设备本身包含的固有知识、其运行状态知识,以及专家的经验知识等来认识和判断设备正常与否。
因此,诊断推理过程是一个典型的认知过程。
认知现象是很复杂的[1]。
它包括不同的层次:从最低的感知层(即视觉、听觉、嗅觉、触觉等)到最高的意识层(即识别、推理、归纳、演绎等)。
文章详细描述了诊断过程中所需的知识及其结构。
信息熵是描述系统不确定性的一个定量指标。
故障熵则反映了诊断对象中潜在的可能故障的不确定性,表征了对象的可诊断性[2]。
为了描述机械故障诊断过程的一般规律,本文用故障熵来刻划诊断推理过程,并阐述了广义故障熵、初始故障熵及熵减率的概念。
初始故障熵和熵减率表达了初始故障的不确定性和诊断推理的效率。
在此基础上,分别用一个对数模型和Sigm o id模型来描述诊断推理的认知规律。
通过一个简单的例子和天津石化炼油厂的实际诊断过程,分析和研究了这两个模型。
研究表明, Sigm o id模型更能准确地刻划诊断推理这一认知过程。
1 诊断知识及其结构诊断过程是综合运用各种诊断知识,逐渐认识诊断对象,直至确诊故障的一个典型的认知过程。
根据知识的类型,诊断知识可分为专家拥有的概念知识(CK)和方法知识(M K),以及对象本身所包含的知识,即面向对象知识(OO K)。
在诊断实践中,面向对象知识主要是诊断对象的征兆、其历史信息和当前运行状态、设计和制造要求及特征等;由征兆和故障构成的“如果-那么”原则、物理和机械上的一些基本概念及原理等构成了专家的概念知识;专家拥有的各种方法,例如信号处理、模糊处理等则构成了专家的方法知识。
这里,专家的概念知识和方法知识取决于他的理论水平和长期的诊断实践。
诊断过程需要综合运用上述各种诊断知识。
即使专家拥有丰富的关于设备故障的概念知识和方法知识,他们仍然不具备特定诊断对象的运行状态知识及其历史记录知识。
此外,专家可能不熟悉设备的原始设计要求、特征及其制造过程。
而这些知识都将影响最终诊断的不确定性。
因此,诊断过程并非象有些人所想象的很简单,只要通过简单的振动频谱就可以确诊故障。
在诊断实践中,专家需要面向对象的知识来进一步充实和完善其知识结构,融合自身的概念知识和方法知识,通过逻辑推理,包括演绎、归纳、联合记忆和其他推理方法等,一步步得出诊断结第17卷第4期2004年12月振 动 工 程 学 报Jou rnal of V ib rati on EngineeringV o l.17N o.4D ec.2004Ξ国家自然科学基金重点资助项目(编号:50335030)收稿日期:2003207211;修改稿收到日期:2004203208论。
因而,在诊断过程中,诊断知识之间不是孤立的,而是相互作用、相互补充、相互融合,形成一种双向、互补的“OO K -CK -M K ”有机结构,如图1所示。
图1 机械故障诊断中的知识结构2 故障熵与故障诊断推理过程熵是描述系统不确定性的一个重要和常用的指标。
作为一个典型的不确定性推理过程,机械故障诊断过程也可以用熵来描述,称之为故障熵[2]。
设一台正常设备存在n 个潜在的故障,发生的概率为p i (i =1,2,…,n ),则这台设备的故障熵定义为H =-∑ni =1pi3log (p i )(1) 对于一个设备来讲,故障熵越大,说明主导故障越不明显,或者潜在的故障很多,诊断分析的难度便会越大;反之,故障熵越小,则越容易得出诊断结论。
因此,故障熵表征了设备的可诊断性。
具体来讲,故障熵是设备可诊断性的一个属性。
当发生异常时,引起设备异常的一种或几种故障就构成了此时的故障熵,是具体的定值,不随诊断推理过程变化的。
在这里,为了用它来刻划诊断推理过程,笔者将故障熵的概念加以引申,称前者为狭义的故障熵,引申后的为广义的故障熵。
设有一台设备,诊断人员认为可能存在m 个潜在故障,概率为p i (i =1,2,…,m ),则广义故障熵Hg为Hg=-∑mi =1pi3log (p i )(2) 可见,广义故障熵是从诊断人员的角度来讲的。
当设备异常时,诊断人员对引起设备异常的故障原因的认识会随着证据信息的获取而不断变化的。
因而,广义故障熵是随着诊断推理过程变化的。
下文均是从广义故障熵的角度来分析诊断推理过程的。
这里先给出两个概念,一个是初始故障熵,另一个是熵减率。
所谓初始故障熵是指诊断人员不了解任何证据信息的前提下,对诊断对象各潜在故障可能发生的概率估计所构成的熵。
所谓熵减率是指相邻两步故障熵之间的差率。
初始故障熵和熵减率具体刻划了诊断人员对诊断对象的推理过程。
专家和新手的差异可以用初始故障熵和熵减率来表达。
例如,大多数磨床都会发生液压系统故障。
根据经验,专家知道这是由连接滑阀的螺线管过热引起的。
因此,对专家来说,初始故障熵小,熵减率大。
相反,新手必须一步一步地判断,初始故障熵很大,熵减率小。
另一个例子是建筑的照明系统。
如果灯突然灭了,每个人都知道检查保险丝是否断了。
这个系统设计时考虑了易诊断性,人为设置了柔性环节,其故障熵极小。
图2给出了诊断过程的熵的一般描述。
对于一个诊断过程来讲,最开始是信息积累阶段,因而,熵变化比较小;当信息积累到一定程度之后,就可以排除或肯定许多故障,直到最后确诊故障,如图2(a );这时候仍然会有一定的残余故障熵,因为在许多情况下,故障不可能被完全否定。
在某些场合下,由于某些原因,还可能难以得出确切的诊断结果,这时可以用早熟收敛来描述这种情况,如图2(b )。
图2 机械故障诊断过程的熵的一般描述为了简化诊断推理过程,可以把推理过程分成N 步,每步得到一个证据。
该证据可能支持某故障,也可能否定它。
之后需重新分配所有潜在故障发生的概率分布:某个可能故障被否定了,其余故障的概224振 动 工 程 学 报第17卷 率会相应增加;反之亦然。
新的概率分布可以根据最小互熵原理来获得[3,4]。
该原理广泛用于概率分布的调整,如最大熵推理等。
令p i 为第i 个可能故障的新概率,q i 为第i 个可能故障的原始先验概率,用拉各朗日算子L 来最小化互熵或K 2L 信息数,L 具有下面的约束∑alli ≠jpi=1(3)L =∑p i ≠0p ilog p iqi+(Κ-1)(∑p i ≠0pi-1)(4)由5L5p i=0可以得出,对于所有p i ≠0,有logp iq i+Κ=0(5)由此,对所有p i ≠0,有p i =q i 2q i(6)如果在最后一步只有原始概率为q i 的一个故障存在,则p i =q i q i =1。
以上分析是对否定的故障认为绝对不发生的情况。
客观地讲,否定某故障应该是将其发生的概率降低到一个很小的水平上(例如1◊或2◊),而不是绝对不发生,这更符合实际情况。
这时需要对式(6)进行一定的调整。
p i =q i2q i×2p i2p i =1-2p (F ϖj )(7)式中,2p i 表示未被否定的故障概率的和,F ϖj 表示被否定了的故障。
诊断推理过程就是一个诊断信息或者诊断知识处理的过程。
随着诊断信息的积累,诊断人员对设备的认识便会加深,故障熵或者说不确定性会一步步减小。
当前步总的信息获取可以表达为从初始到当前步的熵的减少[7]。
信息增长率或者说熵减率反映了诊断推理的效率。
下面通过仿真的简单实例来近似地描述机械故障诊断推理过程的认知规律。
3 仿真实例先考虑一个简单的例子。
设诊断过程共有N 步,每步完全否定一个故障,即第j 步否定了j -1个故障,这里,对于诊断对象或者类似设备,专家不具有任何先验经验,取等概率分布。
则广义故障熵的变化为一个严格的对数函数H =log (N -j +1)(8) 为了一般化问题,设定其中一种故障的概率自始至终保持在很小的水平,取为5%。
其他N -1个故障取等概率的先验分布。
同时,也并非完全否定,而是指故障概率降到很小的水平,取为1%。
利用公式(7)计算各步的概率值,其熵的变化情况见表1中第二行,第三行给出了归一化处理后的熵H =H log (N )。
这里,令可能的故障数N =12。
表1 一个简单例子的认知过程步骤123456789101112熵H 1.111.091.061.041.000.970.920.870.800.710.580.35归一化H0.990.980.960.930.900.870.830.780.720.640.520.31这里,仍然用对数函数来拟合这个过程,建立如下的认知模型H =log (C 1j +C 2)(9)则熵减率为d Hd j∝-exp (H 0-H )(10) 此外,研究表明[8],Sigm o id 模型可用于刻划许多领域过程。
为此,建立如下的熵的变化关系H =11+e Αj +Β(11)熵减率为d Hd j∝-H (1-H )(12)式中 C 1(Α)和C 2(Β)共同描述了该诊断过程的认知特征。
C 1(Α)刻划了认知的效率,取决于专家的方法和信息的质量。
C 2(Β)取决于诊断问题的初始不确定性。
图3分别给出了对数模型和Sigm o id 模型模拟的结果。
图3 一个简单例子的认知过程由图3可以看出,虽然两个模型均能刻划该简单例子的认知过程,但从曲线的变化趋势来看,Sig 2324 第4期胡兆勇等:机械故障诊断的推理规律研究 m o id模型对于该认知过程的描述更为接近。
4 案例验证背景信息:某石化炼油厂的一台工业烟机与离心压缩机相连,用于回收废气。
2002年6月大修时,烟机叶片根部需要做激光修补,于是更换了一根新的转子,装上后振动很大,达到70Λm。