设备的智能诊断技术

V-DMNS’2002-00-02
8
2002 年全国振动（诊断、模态、噪声与结构动力学）工程及应用学术会议论文集
北京，2002.10.16-19
被测信号 (噪音n(t)+异常信号s(t)
统计检验
FFT
的频谱G
为了提取 异常信号，采用 遗传基因算法自动地
决定最佳显著水平α
预 测 异 常 信 号 的 频 谱Gg(f)s
噪 音n(t) 的 频 谱
被 测 信 号g(t) 的 频 谱
Gn(f)
Gg(f)
g njk ( 1 对 应 异 常 信 号 。 0 对 应 噪 音 。)
g gjk
Gn'(f)
Gg'(f)
（Ⅱ）噪音的频谱
域范围，以提高异常信号提取时的效率 g n'jk
g g'jk
和速度。图４ 是轴承内圈伤音响信号
提取的一例。
用遗 传 基 因 程序GP 探 索 到的 最 佳GP 特征 参 数
{(p8-p3)p1-2-p4-p6-p7-1p9}{p5+p10+(p1+p6)-1}-1
识 别率 100%
最佳GP 特征 参 数 的实 例
()
()
（ ａ ）遗 传 基 因程 序GP 的 交 差 和突 然 变异 操 作 图５．基于遗传基因程序（GP）的特征参数自动生成法和实例
父母的遗传基因
() 的遗传基因
() 在①处交差
正常状态的振动信号 轴不对中状态的振动信号
()
突然变异
突然变异
()
突然变异
原始特征参数的识别率
p 1 79.4
p 2 80.5
p 3 77.9
p 4 80.2
p 5 64.1
p 6 84.9
p 7 87.7
p 8 78.8
p 9 79.4
p 10 91.3
4.2 精密诊断
在用模糊理论建立设备故障的精密诊断系统时，需要首先分析与解释清楚故障的征兆与故障种类的关 系。在自动诊断系统当中，故障的征兆是用特征参数来表示的。但是，当需要诊断的故障种类非常多时， 要寻找可以识别所有故障种类的理想的特征参数是很不容易的。为解决这个问题，作者提出了逐次模糊诊 断的方法[11]。
另外，在利用神经网络进行故障诊断时，存在以下一些问题：
(1) 神经网络结构不能用理论决定，只能用采取反复试凑的方法； (2) 要学习的数据很多、要诊断的故障种类也很多时，不能保证学习的速度和收敛； (3) 一般的神经网络很难処理模糊诊断问题。 为了解决这些问题，作者提出采取 Rough sets 和局部线性化神经网络的方法，局部线性化神经网络 可以学习由 Rough sets 获得的诊断学习数据，并且如图所示与逐次模糊诊断的方法相结合，可以表示各 种故障的发生概率（0.0 1.0）[13]。 另外，为了提高抗干扰性，作者也在尝试采用 Hidden Malcov 的方法[14] 。
2002 年全国振动（诊断、模态、噪声与结构动力学）工程及应用学术会议论文集
北京，2002.10.16-19
设备的智能诊断技术
陈鹏
（日本九州工业大学情报工学部
日本国 820-8502）
摘 要 本文概要地介绍作者近几年在利用计算机进行设备故障诊断方面的研究内容和基本方法，并且给出了一些实例。 关键词 遗传基因算法（GA），遗传基因程序（GP），模糊诊断，可能性理论，神经网络。
在使用振动传感器进行故障诊断时，确定最佳测定位置以及提取最佳特征频域很重要。我们曾采用模 态分析法决定最佳测定位置以及提取最佳特征频域[3][4]。
使用 AE 传感器可以检测出轴承、齿轮等早期异常。但是，由于 AE 信号的检测频率一般在数百 kHz 到 1MHz 左右，原始信号的处理很困难[5]。
V-DMNS’2002-00-02
9
2002 年全国振动（诊断、模态、噪声与结构动力学）工程及应用学术会议论文集
北京，2002.10.16-19
3. 特征参数的决定方法
特征参数在自动诊断时必不可缺。特征参数的良否，直接决定了诊断系统的成败。可是以往没有一种 有效的方法可以在任何状况下有效地选择优良的特征参数。因此作者提出过“适应度定义法”[11]、“逐次 检验法”[4]等方法，在这里简要地介绍一下“基于遗传基因程序（GP）的特征参数自动生成法”[8][9]。
7
2002 年全国振动（诊断、模态、噪声与结构动力学）工程及应用学术会议论文集
北京，2002.10.16-19
2. 智能信号处理的方法
为了早期发现异常和早期判明异常的种类，消除测试信号中的噪音、提取异常信号是设备智能诊的最 重要的信号处理内容。这里介绍几种自动提取异常信号的方法。
2.1 统计检验滤波法[6]
寿命预测
1. 统计理 论 2. 可靠性 理论 3. 时序列 分析
图１．设备诊断的流程图
精密诊断用音响传感器 广域监视用音响传感器
视觉传感器
超声波传感器（测距） 嗅觉传感器
图２．智能诊断机器人的一例
1. 检测信号
音响信号适用于那些人不能接近的设备故障诊断，或者在大型工厂以少量的音响传感器监视大量的设 备状态。例如，发动机的故障诊断，管道泄漏诊断以及压缩机的阀门诊断[1]。利用音响传感器自动监视设 备状态的实例还有智能诊断机器人，图２是智能诊断机器人的一例[2]。音响诊断的最大的缺点是易受噪音 影响，灵敏度低。
Gg(f)
Frequency
（Ⅱ）噪音的频谱
（Ⅲ）被测信号（噪音＋异常信号）
s'(t) Gs'(f)
Frequency
（Ⅳ）被测信号的频谱
Time sec.
（Ⅴ）提取的异常信号
Frequency
（Ⅵ）异常信号的频谱
统计检验滤波的实例
图３．统计检验滤波法的流程图和实例
为了评估 n' (t) 与 n(t) 的一致程度，作者提出采用下式的“综合信息量 I pq ”：
假设 H0：
µg ( f ) = µn( f )
(1)
假设 H1：
σ g ( f ) =σn( f )
(2)
从许多的实验结果来看，在多数的状况下可以认为 Ggj ( f ) 和 Gnj ( f ) 近似地服从正态分布，设由信号计 算得到的 Ggj ( f ) 和 Gnj ( f ) 的平均值和标准方差分别是 G g ( f ) ，G n ( f ) 和 S g ( f ) ， Sn ( f ) ，按下式计算 t0 ，
∑ I pq
=
n log{( pn' j ) * ( qn' j )}/ n
j =1
p nj
qnj
(6)
上式中， pn' j 和 pnj 分别是 n' (t) 和 n(t) 的概率密度函数，qn' j 和 qnj 是它们的频度密度函数。因此改变 显著水平α 使 I pq 最小时，预测异常信号 s' (t) 与真正的异常信号 s(t) 最接近。统计检验滤波法的流程如图 ３(a)所示，最佳的显著水平α 可以由遗传基因算法（GA）自动求出。图３(b)是轴承外圈伤振动信号提取 的一例。
(4)
如果， t0 > t([d ]; α ) ，（d 是 t 分布的自由度）
(5)
的话，拒绝 H0，否则接受 H0。
如果 Ggj ( f ) 和 Gnj ( f ) 不服从正态分布的话，可以采用 Wilcoxon 的２标准顺序检验法。
从 Ggj ( f ) 中除去接受 H0 的部分后，进行 FFT 逆变换可得到时域的“预测异常信号”s' (t) 。从公式（5） 可知如果改变显著水平α ，通过检验提取的预测异常信号 s' (t) 也不同。一般来说“真正的异常信号” s(t) 事先未知，但是“真正的噪音” n(t) 可以在正常状态时测得。如果从 Ggj ( f ) 中除去拒绝 H0 的部分后，进 行 FFT 逆变换得到时域的“预测噪音信号”n' (t) 与 n(t) 基本上一致的话，可以认为 s' (t) 也与 s(t) 基本上一 致。
０. 引言
设备智能诊断技术是指用计算机进行故障诊断的技术，其研究的最终目的是以计算机代替人自动地诊 断设备故障。在不能实现全自动诊断时，计算机辅助诊断也是重要的课题。
本文按如图１所示的设备诊断的流程，介绍作者近几年有关设备的智能诊断技术的研究内容和主要方 法。由于篇幅所限，这里仅作概要性的介绍，更详细的内容请见参考文献。
在不知何种特征参数对所要诊断的故障有效时，可以任意定义几种时域或频域的特征参数，称之为“原 始特征参数 pi ”。然后用四则运算和乘方运算组成新的特征参数，称之为“GP 特征参数 GP − pi ”。例如，
{( p1 − p2 ) + ( p2 / p4 )}× p1 + p3
(7)
( p1n ) n −{ p1 p2 + ( p3 − p4 )}
当 H1 成立时（ S g ( f ) = Sn ( f ) = S ），
t0 = {Gg ( f ) − Gn ( f )}/ 2S 2 / m
(3)
当 H1 不成立时（ S g ( f ) ≠ Sn ( f ) ），
t0 = {Gg ( f ) − Gn ( f )}/ (Sg ( f )2 + Sn ( f )2 ) / m
以 Gij ( f ) 表示被测信号的频谱，这里 i=g,s,n（g：测得的信号，n：噪音信号，s：异常信号），j=1～m （m：测试次数），f 是频率。
Ggj ( f ) 和 Gnj ( f ) 的总体均值和标准方差分别用 µg ( f ) ， µn ( f ) 和σ g ( f ) ，σ n ( f ) 表示。给定的显著水 平α ，分别用 t 分布检验和 F 分布检验对以下的假设 和 进行检验：
IFFT
预测异常信号
频谱
IFFT
预测噪音信号n
n'(t) 与n(t) 最 相 似 的 话 ，s'(t) 就 是 被 提取的最佳异常信号
采用Ipqn评估 (t) 噪音信号 n(t)
（已知）
(a) 统 计 检验 滤波 的 流程
n(t)
ห้องสมุดไป่ตู้
Gn(f)
Time sec.
（Ⅰ）噪音（正常状态时的信号信号）
g(t)
如图 6(a)所示，在逐次诊断的每一个步骤只需要识别２种状态，即“是状态 i (i = 1, 2,L, N ) ”或者“不 是状态 i ”。寻找识别这２种状态的优良特征参数要比寻找可以识别所有故障种类的特征参数容易。并且如 采用前章所述的“基于遗传基因程序（GP）的特征参数自动生成法”的话，用于逐次模糊诊断的最佳特征 参数很容易找到[12]。
(8)
为了进行遗传基因程序（GP）操作，探索最佳 GP 特征参数 GP − pi ，如图５(a)中的(Ⅰ)和（Ⅱ） 所 示，以树图表示公式(7)和(8)所示的 GP 特征参数 GP − pi ，一个树图对应一个遗传基因。通过遗传基因的 交差和突然变异操作可以得到如下式所示的新的 GP 特征参数：
{( p1 × p3 ) + ( p1 / p4 )} −{( p1 × p2 ) + ( p3 − p4 )}
检测信号
1. 音响 2. 振动 3. 应力 4. 温度
信号处理
1. 频谱 2. 小波 3. 短时FFT 4. 瞬时频 谱
简易诊断 （辨别有无异常） 1.模糊理 论
2.神经 网络 3. 主成分分 析法
提取特征
1. 提取特 征参数 2.异常 信号发生
的机理分析
精密诊断
（辨别异常种类） 1.模糊 理论 2.神 经网络 3. 主成 分分析法
4. 诊断
4.1 简易诊断 简易诊断的主要内容是在选定优良的特征参数后，定量地判定设备状态是否异常。一般既使设备的状
V-DMNS’2002-00-02
10
2002 年全国振动（诊断、模态、噪声与结构动力学）工程及应用学术会议论文集
北京，2002.10.16-19
态无变化，由于种种因素特征参数的值是变化的。因此决定状态判定基准很重要也比较难。作者尝试过采 用统计的方法和可能性理论的方法决定定状态判定基准[10][11]。
(9)
( p4n )n × p3 − p1
(10)
图５(a)中的(V)和（VI 是公式(9)和(10)的树图。如此通过使遗传基因不断进化的操作，最终得到最佳 GP 特征参数。例如，在识别如图５(b)所示的正常信号和轴不对中信号时，10 种时域的原始特征参数的识 别率不高，采用 GP 得到的最佳 GP 特征参数的识别率几乎达到 100%。一般只要给出要识别的２种信号和 任意定义的数个原始特征参数就可以由 GP 自动地探索到识别率较高的 GP 特征参数。
时域信号
（两者是否一致？）
采 用 Ｉpq 进 行
评估比较
时域信号
（Ⅲ）被测信号 （噪音＋轴承内圈伤信号）
被测信号的频谱
通过交差与突然变异的 操作决定最佳遗传基因
预 测 异 常 信 号S'(t)
（ａ） 遗传基因滤波的流程图
的频谱
（ｂ）遗传基因滤波的实例
图４．遗传基因算法（GA）滤波法的流程图和实例
V-DMNS’2002-00-02
2.2 遗传基因算法（GA）滤波法[7]
该方法是对被测信号 的频谱 Ggj ( f ) 直接进行遗传基因算法（GA）操作提取预测异常信号 s' (t) 。
如图４(a) 所示，使 Ggj ( f ) 的各频率与
遗传基因（0,1）相对应，0 表示噪音成 分，１表示异常信号成分。在决定遗传 基因的适应性以及进行交差和突然变异 操作时，充分考虑信号的统计特性和频