故障诊断内容和方法

设备故障诊断之信号处理摘要：本文首先介绍了设备故障诊断的相关基础内容，进而对设备故障诊断中的信号分析处理进行了简要的叙述，并阐述了其中的小波分析和神经网络的概念。为了更深的理解相关概念，本文还收入了一则关于柴油机故障诊断的例子。关键词：设备故障诊断信号分析小波神经网络Abstract: This paper introduces the basis and the relevant contents of fault diagnosis, and thus there is signal analysis in processing on the fault diagnosis being briefly described. Concepts of the wavelet analysis and neural network are elaborated in this paper. For a deeper understanding of certain concepts, an example of fault diagnosis on diesel engine is collected in this paper. Keywords: equipment failure Diagnosis Signal analysis Wavelet Neural network 一、设备故障诊断概述 1、设备故障诊断基本内容和方法机械故障诊断学是一门近三十年内发展起来的新学科。他随着机器不断完善化、复杂化和自动化而发展起来的。机器在运行过程中内部零件受到力、摩擦、磨损等多种作用，其运行状态不断变化，一旦发生故障，往往会导致严重后果。所以必须在事故发生前就查明，并加以消除。诊断，即根据设备运转过程中产生的各种信息，识别机器（包括设备、工程结构及工艺过程）是否发生了故障，并进行失效分析，达到预防、改进设备设计的目的。由此我们可以看出机械故障诊断学是识别机器或机组运行状态的科学，研究的是机器或记住运行状态的变化在诊断信息中的反映。内容包括对机器运行状态的识别、预测和监个方面。整个诊断过程如下图一所示。 1

机器传感器机械图像信息处理标准图像比较状态识别诊断决策重点监视巡回监视停机修理图一、机械故障诊断过程2、诊断信息的来源和获取机器在运行过程中获取诊断信息的常用方法有直接观察、振动噪声检测法、磨损残余物测定法、整机性能测定法等等。当然现今传感器的运用已经无处不在，更有不少传感器中集成了微型处理器，如今高精端的设备制造中，都大量采用传感器技术来采集信号，并且传感器也日益向生活大众机器普及。传感器的大量运用为信息的数字化和网络化提供了基础。3、机械故障诊断的几种类型功能诊断和运行诊断、定期诊断和连续监控、直接诊断和间接诊断、常规工矿下诊断和特殊工况下诊断 4、诊断技术现状和发展（1）信号分析与处理从传统的谱分析、时序分析、时域分析，开始研究先进的短时傅立叶分析、Wigner分析、小波变换等分析方法。（2）传感器技术国内目前使用的许多类型的传感器在可靠性、稳定性等方面需进一步提高。（3）人工智能和专家系统 2

近来这方面的研究和应用几乎成了诊断技术发展的主流，但在工程应用上远未达到人们所期望的。由于故障的诊断软件上关键在于信号处理，因此本篇论文注重讨论信号处理方面。并收集了相关例子。二、信号处理1、机械图像概念及其采样我们在图一中提到了机械图像，即指机械系统在运行过程中各种随时间而变化的动态信息，如振动、噪声、温升、压力以及反

映机器状态的各种参数，经过各种动态测试仪器拾取，并用记录仪器记录下来的图像。这是机械故障诊断的原始依据。这些机械图像按照性质可以分为三类：随机信号图像、周期信号图像和瞬时信号图像。二十几测量记录到的图像往往是这三种图像的组合，因此需要对该信号进行后处理、分析。现在如今计算机技术得到了普遍的运用，而传感器所接受的信号确实模拟信号（即连续信号），这样在采集信号时就需要将这些信号离散化，即模数转换（A/D）——利用采样脉冲序列p(t) ,从模拟信号x(t)中按一定时间间隔Δt逐点抽取一系列离散样值。2、信号的分析信号经过采样后有多种分析方法，例如时域分析、频域分析、倒频谱分析、小波分析以及神经网络的运用等等，下面简单介绍其中的小波分析和BP神经网络概念。小波分析：小波分析是建立在小波变换基础之上的，公式如下1t

WT(,)x(t)*()dt x具有以下特点：① 对非平稳信号进行时域分析，其时频局部化方式是：在高频范围内时间分辨率高，在低频范围内频率分辨率高。对高频信号有较高的频率分辨率，对低频信号有较大的时间分析长度。② 信号的分解和重构可有针对性地选择有关频带信息，剔除噪声干扰；③ 在全频带内正交分解的结果，信号量既无沉余也无遗漏；

④ 若非平稳信号有低频长波期叠加高频短波期组成，小波变换是最理想的分解工具。正是由于这些性质，我们也可以运用其来降低测试信号中的噪声。信号降噪的目的就是从被污染的信

号中,尽最大可能的恢复有效信号，最大限度的抑制或消除噪声。由于小波变换可以使一个信号的能量在小波变换域中集中于少数系数上，小波系数较大者，携带信号能量也较多；小波系数较小者，携带信号能量也较少。所以降噪过程主要进行以下处理：首先对原始信号进行小波分解，则噪声部分通常包含在高频系数中；然后对小波分解的高频系数以门限阈值等形式进行量化处理，使噪声的小波系数减弱或为零，最后，进行小波变换的逆 3

变换，恢复原始信号，即可达到降噪的目的。归纳起来，信号的降噪过程可分为以下三个步骤。①信号的小波分解；②对各级高频系数用不同的阈值量化；③对量化后的系数进行重建，得到去噪后的信号。神经网络： BP神经网络是多层前馈神经网络，它的名字源于网络权值的调整规则，采用的是后向传播学习算法，既BP算法。BP网络是目前应用最广的神经网络之一，BP网络是由一个输人层，一个或多个隐层以及一个输出层组成，上下层之间实现全连接，而每层神经元之间无连接。网络的学习过程包括正向传播和反向传播。在正向传播进程中，输人信息从输人层经隐层加权处理传向输出层，经功能函数运算后得到的输出值与期望值进行比较，若有误差，则误差反向传播，沿原先的连接通道返回，通过逐层修改各层的权重系数，减小误差。随着这种误差逆向传播修正的不断进行，网络对输入模式响应的正确率也不断上升。研究表明：带有两个隐层的