設備狀態(tài)監(jiān)測與故障診斷技術1676

《設備狀態(tài)監(jiān)測與故障診斷》狀態(tài)維修就是根據(jù)不同設備的重要性、可控性和可維修性，科學合理地選擇不同的維修方式，形成一套融故障維修、定期維修、狀態(tài)維修和主動維修為一體的、優(yōu)化的綜合維修模式，最終達到提高設備可靠性、降低發(fā)電成本的目的。對不同的設備，選擇哪一種維修方式，不是一成不變的，而應根據(jù)設備的實際狀態(tài)以及可靠性水平，可采用維修類型的轉換。狀態(tài)維修要求在每次故障發(fā)生之后，通過累積故障信息，進行故障原因和故障趨勢分析，從總體上對設備的可靠性水平進行評價；除更換零部件或重新修復設備外，還可做出轉換維修類型和更改設計的決策。廣義的預防性維修就是從新設備研制、設計、生產(chǎn)時起，就將其制造成為無故障、易維等新興邊緣學科進入設備管理領域而產(chǎn)生的維修變革，它把設備的整個壽命周期，包括規(guī)劃、設計、制造、安裝、使用、維修、改造的全過程作為管理對象，形成一個完整的維修體系。它可使設備維修管理部門能在最小限度地中斷生產(chǎn)的情況下，靈活地計劃和執(zhí)行所需的維修工作。狀態(tài)維修是近十多年來，隨著各種新型監(jiān)測儀器和狀態(tài)評估技術的不斷涌現(xiàn)和發(fā)展而逐漸興起的一種設備維修技術。通過對設備進行定期或連續(xù)的檢測與監(jiān)控，從而評估和診斷設備狀態(tài)，并依據(jù)設備的狀態(tài)特點安排適當?shù)木S修活動。狀態(tài)維修采用先進的監(jiān)測、分析和診斷技術，在系統(tǒng)全過程的運行和維修管理中，通過對設備安全性、可靠性、經(jīng)濟性、維修性等方面的技術經(jīng)濟分析和評估，制定合理的維修方式和方法，以取得設備最大的可靠性和最佳的經(jīng)濟效益。狀態(tài)維修技術在發(fā)電廠輔機設備維修的應用中成效顯著，正在被逐步地推廣應用于主機設備的維修工作去。在發(fā)電廠的維修體制轉變中，應積極推行狀態(tài)維修，同時保留必要的定期維修和事后維修兩種方式，并考慮維修的經(jīng)濟性，逐步發(fā)展并形成以可靠性為狀態(tài)維修是隨著故障診斷技術的進步而發(fā)展起來的。如果檢查手段落后，設備的劣化不能及時、準確地診斷，也就無法進行有效的狀態(tài)維修。狀態(tài)維修中的故障診斷，可分為三個不同的等級：最高級，配備永久性的監(jiān)測系統(tǒng)；最簡單級，配備手提式狀態(tài)檢測儀器，對設備進行巡回檢查；中間級，設備介于二者之間。狀態(tài)維修采用以設備狀態(tài)分類為依據(jù)，以點檢為基礎，維修周期相對變動的維修方式。在狀態(tài)維修方式中，每一設備或系統(tǒng)都應有一套檢測或狀態(tài)檢查方案；檢查和檢測可以是定期的，也可以是不定期的，檢查手段可以是多種多樣的。狀態(tài)的劣化是由被監(jiān)測機器的狀態(tài)參數(shù)變化反映出來的，只有數(shù)據(jù)表明必須進行維修時才安排維修工作。對設備進行各種參數(shù)的監(jiān)測，可隨時反映設備實際狀態(tài)，可以在足夠的提前期發(fā)出警報，采取適當?shù)木S修措施。并且，由于故障狀態(tài)是預知的，因而可對維修工在發(fā)電廠，與傳統(tǒng)維修方式相比，狀態(tài)維修可顯著降0.75低維修和運行成本，提高市場競爭力。據(jù)美國電力研究所0.50(EPRI)的研究報告(如圖1所示)，與事故維修相比，預狀0.00態(tài)維修，運行和維修成本還可再降低約三分之一。ePredictive修是RCM的一個主要環(huán)節(jié)，也是開展RCM的必然結果，它主要是建立在狀態(tài)監(jiān)測和故障診斷技術的基礎上而實施的，按設備的實際狀態(tài)來決定維修時間與部位。狀態(tài)維修的實現(xiàn)，有賴于設備狀態(tài)監(jiān)測和故障診斷技術的發(fā)展。狀態(tài)監(jiān)測和故障診斷技術與狀態(tài)維修故障診斷技術作為基礎，那么，先進的狀態(tài)維修理論和技術是不可能付諸實施的。年來，狀態(tài)監(jiān)測與故障診斷理論與技術在許多領域得到了相應的發(fā)展。“監(jiān)測”一詞本身的含義是指為了特殊的目的而進行的注視、觀察與校核。設備(或系統(tǒng))的狀態(tài)監(jiān)測是利用各種傳感器對反映其運行狀態(tài)的物理、化學等參量進行檢測，從而判斷其是否處于正常狀態(tài)。經(jīng)過多年的發(fā)展，狀態(tài)監(jiān)測所用的傳感器已有多種多樣，包括電、熱、機械、光、聲乃至輻射和化學的傳感器，它們所檢測的參量，有的是設備的狀態(tài)變量，有的是設備所產(chǎn)生的二次效應，如故障時產(chǎn)生的分解物。盡管傳感器所檢測的參量各式各樣，但大多數(shù)都可轉化為電量輸出，如測量振動的加速度傳感器、速度傳感器與位移傳感器的輸出都是電壓信號。只有這樣，才便于構成以計算機為中心的狀態(tài)監(jiān)測系統(tǒng)。在線監(jiān)測系統(tǒng)所用的傳感器一般都是所謂的非侵入式的，即所用的傳感器并不干擾被監(jiān)測對象的正常運行。“診斷”一詞原是一醫(yī)學名詞，是醫(yī)生通過對收集到的病人癥狀，包括醫(yī)生的感官所感了解疾病的嚴重程度，以采取必要的治療措施。故障使設備喪失預定的功能，它反映了設備與系統(tǒng)所處的狀態(tài)。對設備的故障進行診斷，是專家根據(jù)狀態(tài)監(jiān)測所得到的反映設備狀態(tài)的各測量值及其運算處理結果所提供的信息，用所掌握的知識及經(jīng)驗進行推理判斷，找出設備故障的原因、部位及嚴重程度，從而提出對設備的處理意見。因此，故障診斷也是專家大腦的思維活動，是人的智能的體現(xiàn)。由計算機硬件和軟件構成的系統(tǒng)執(zhí)行與人的智能有關的復障的人工智能專家系統(tǒng)，具有某領域的專家知識與推理能力，能根據(jù)監(jiān)測系統(tǒng)所獲得的設備狀態(tài)信息，加上專家系統(tǒng)的知識，進行推理診斷，確定設備的故障，而且可以根據(jù)不完全、(模糊的或隨機的)信息，進行推理診斷。專家系統(tǒng)的知識，可以是某些規(guī)律、算法、準則，也可以是某些經(jīng)驗。此外，專家系統(tǒng)具有繼續(xù)獲取知識的功能。狀態(tài)監(jiān)測是對被監(jiān)測對象的健康檢查，而故障診斷則是對被監(jiān)測對象的病的確診，它們場合能檢測出早期的故障，防止了故障進一步擴大而造成惡性事故，取得了可觀的經(jīng)濟效益。站的強迫停機率從1.4%下降到技術與系統(tǒng)可以提供設備故障發(fā)生發(fā)展的變化規(guī)律或趨勢，從而為設備管理決策者安排維修計劃提供科學依據(jù)；向設備制造廠提供有用的進一步提高產(chǎn)品的可靠性。正因為狀態(tài)監(jiān)測與故障診斷技術能直接給產(chǎn)業(yè)部門帶來巨大的經(jīng)濟效益，因態(tài)監(jiān)測和故障診斷系統(tǒng)與制造、運行和維修管理等方面的關系。報警設備狀態(tài)監(jiān)測與故障診斷的網(wǎng)絡化是今后發(fā)展的方向，利用各種通信手段，如光纖、電話線、微波站及無線通信方式等，將故障診斷系統(tǒng)與數(shù)據(jù)采集系統(tǒng)結合起來組成網(wǎng)絡，可以實現(xiàn)對多臺機組的有效管理，減少監(jiān)測設備的投資，提高系統(tǒng)的利用率。當今時代是一個網(wǎng)絡時代，互聯(lián)網(wǎng)(Internet)的產(chǎn)生為共享資料、遠程傳送數(shù)據(jù)成為可能，使遠程在線監(jiān)測與故障診斷系統(tǒng)已成為狀態(tài)監(jiān)測與故障診斷技術的發(fā)展方向。word，如有幫助歡迎下載支持。障診斷技術的發(fā)展綜述3.1發(fā)展方向3.1.1發(fā)展動力在當今技術競爭日趨激烈的環(huán)境中，工業(yè)企業(yè)取得成功所必需的一個最關鍵的領域是設備、產(chǎn)品和制造過程的質量控制。在軍事領域，要求武器裝備具有高可靠性。在核動力設備、航天發(fā)射場、航天飛行器及其它人無法接觸的危險和惡劣環(huán)境中，更要求所運行的設備具有安全性。作為物理設備、產(chǎn)品部件和操作運行過程是易于發(fā)生故障的。因此，機器狀態(tài)監(jiān)測與故障診斷已變得日益重要。隨著當前機電系統(tǒng)的復雜性不斷增加，對多級決策的分布式自動狀態(tài)監(jiān)測與故障診斷系統(tǒng)的需求已變得十分迫切?，F(xiàn)代工業(yè)中的大型成套設高效率、高速度、大容量、高強度是系統(tǒng)的發(fā)展趨勢，隨之而來的系統(tǒng)停機或故障引起的損失也同步增長。這種制約關系要求更為科學的設備維護維修體制，視情維修或預測維修方式的出現(xiàn)則是很自然的了。這種維修方式的前提是對設備物理過程及狀態(tài)的準確監(jiān)測與評價，即狀態(tài)監(jiān)測與故障診斷。3.1.2發(fā)展概況狀態(tài)監(jiān)測與故障診斷技術是機電控制及自動化領域的主要研究方法之一，是大型復雜機電系統(tǒng)的服役環(huán)境及失效規(guī)律研究的主要內容，是產(chǎn)品質量控制的先決條件之一，也是解決復雜系統(tǒng)可靠性、安全性、維修性科學決策問題的關鍵技術之一。它作為維修決策的支撐技術，是在20世紀60年代初期由于航天、軍工的需要而發(fā)展起來的。最早開展這方面工作的國家是美、英、瑞典、挪威等國，日本于70年代初也著手這方面的研究。我國直到70年代中期才開始起步，但發(fā)展較快，從理論與生產(chǎn)上建立起了狀態(tài)監(jiān)測與故障診斷理論以及與各種針對具體對象的診斷系統(tǒng)。80年代以來，隨著現(xiàn)代電子技術、自動控制理論、信息理論與技術、計算機技術，特別是智能理論與技術等前沿科學技術的迅猛發(fā)展，集多交叉學科于一體的監(jiān)測、診斷、預報理論與技術得到了快速發(fā)展，建立智能狀態(tài)監(jiān)測與故障診斷系統(tǒng)成為系列故障診斷系統(tǒng)，其應用領域涉及汽車診斷、電氣設備故障分析、航空發(fā)動機維修、航天飛機診斷、制造系統(tǒng)診斷、發(fā)電廠發(fā)電機組診斷、煉鋼設備監(jiān)測與診斷等。再如美國海軍與空軍已開始根據(jù)“戰(zhàn)機結構與綜合規(guī)劃(ASIP&NASIP)”研制的“機上結構健康狀態(tài)監(jiān)測系統(tǒng)(CHMS)”，1988年美國海軍已投入巨資研究基于狀態(tài)監(jiān)測、可靠性評估和艦船維修的監(jiān)統(tǒng)，美國學者90年代初提出的基于狀態(tài)監(jiān)測的動力推進系統(tǒng)智能控制系統(tǒng)方案，意大利電器委員會(ENEL)研制的“現(xiàn)代振動監(jiān)測系統(tǒng)(SMAV)”，日本三菱公司推出的“機械狀態(tài)監(jiān)控系統(tǒng)(MHMS)”等，不勝枚舉；再如在技術開發(fā)方面，日本各大家用電器公司正在把模糊邏輯、神經(jīng)網(wǎng)絡甚至混沌技術用于智能工廠系統(tǒng)和家電產(chǎn)品中。狀態(tài)監(jiān)測與故障診斷技術包含“監(jiān)測”—設備物理信息的獲取—與“診斷”—設備內部狀態(tài)分析與識別—兩方面。檢測技術的發(fā)展極大地擴展了人的感知范圍—從時空到物理量感知尺度都得到了擴大。振動與聲學傳感元件可以檢測從次聲到超聲波段的固體、空氣和水聲，信號細節(jié)的測試與分析彌補了人體感官綜合宏觀感知的不足。這些信號的特征和規(guī)律有著特定的時間、頻率、空間以及其它物理標度上的二維或高維結構，已不難用計算機化的信號處理技術予以揭示。這些技術構成目前應用最廣的振動診斷技術的核心。紅外測溫技術異軍突起，其非接觸式測量方式在很多方面具有優(yōu)勢。紅外熱電視和紅外熱成像技術已以實時地觀，在工業(yè)診斷領域廣泛應用。有用渦流、超聲、聲發(fā)射、軟x射線、激光全息、實時工業(yè)斷層掃描術(ICT)、聲全息等手段進行結構部word助歡迎下載支持。件內部缺陷如裂紋、疏松、氣泡、夾渣、焊接缺陷等的無損探傷技術也是現(xiàn)代檢測診斷的重3.1.3發(fā)展方向從全球范圍來看，狀態(tài)監(jiān)測與故障診斷技術發(fā)展到今天，已不再局限對單一對象、單一模型的具體化研究，而是已經(jīng)過渡到從系統(tǒng)的角度、以系統(tǒng)工程的理論框架，在更普遍的意義上研究它的一般概念、內在機理、框架構成、系統(tǒng)層次、全息信息交換策略以及功能模塊、復雜的生產(chǎn)過程、未來模式的柔性制造車間乃至整個工廠、核動力、航天飛行器的地面發(fā)射設施及飛行器本身等。狀態(tài)監(jiān)測與故障診斷系統(tǒng)已作為設備本身和運行過程的一個不可分割的重要組成部分。一方面，一些諸如人工智能、專家系統(tǒng)、靈境技術等高新技術的突破與應用，使得開展智能監(jiān)測與診斷技術的研究成為可能；另一方面，基于狀態(tài)描述的信號處理、信息集成和故障分析理論在現(xiàn)代數(shù)學、信號處理技術等支持下不斷發(fā)展。以面向未來的工程出發(fā)點，目前狀態(tài)監(jiān)測與故障診斷技術的主要發(fā)展方向和趨勢有：制造并安裝后所進行的產(chǎn)品測試?，F(xiàn)已提出發(fā)展計算機仿真程序，即虛擬原型，通過使用數(shù)據(jù)庫和知識庫，在產(chǎn)品設計和制造過程中執(zhí)行系統(tǒng)的診斷任務，將監(jiān)測與診斷的功能融于系統(tǒng)的總體設計之中。(2)潛在故障預測分析。目前的診斷系統(tǒng)設計用來辨識機器零部件的即發(fā)故障。現(xiàn)已提出開發(fā)一類診斷專家系統(tǒng)，它不僅能辨識機器部件的即發(fā)故障，還可以預測隨后幾個月甚至幾年的機器故障。目前，有關信號處理和信息融合技術及算法的研究正在全面展開，如小波分析、時—頻分析、高階譜特征分析、時間序列分析、基于狀態(tài)空間模型的診斷方法等。例變量更接近于過程故障，因此與使用觀測的輸入輸出量方法相比較，可更早地檢測到并精確定位過程故障；再者，過程故障因不同征兆和動力特性常引起輸出量的變化，基于模型的故障檢測考慮了所有詳細的改變量，并確定直接由故障引起改變的間接量，因此可以提取間接變量更大的改變量，且其靈敏度較高；閉環(huán)系統(tǒng)常常能補償因輸入改變而引起的輸出改變，因此，通過觀測輸出量不能發(fā)現(xiàn)故障偏差，而基于模型的方法沒有這種限制；此外，基于模型的方法只需要很少的傳感器，因為所有由同一動力特性所驅動的傳感器在功能上是相關的，這一功能冗余可用來實現(xiàn)傳感器的故障冗余或減少傳感器的數(shù)量。(3)機載診斷傳感器和微處理器?，F(xiàn)已提出開發(fā)高性能和低成本的智能診斷傳感器和微處理器，它作為產(chǎn)品集成的一部分，能夠在機器操作運行的環(huán)境中執(zhí)行診斷功能。分布式、微型化、智能化的傳感器技術迅速發(fā)展，例如采用光纖振動傳感器元件分散地埋入結構物內知—記憶功能的綜合元件等。(4)基于符號和數(shù)值處理的合成分析。傳統(tǒng)的診斷系統(tǒng)研究使用數(shù)值的或符號的(即人工智能)處理技術?，F(xiàn)在的分析表明，兩種處理技術的合成分析具有重要的優(yōu)勢，模糊邏輯、神經(jīng)網(wǎng)絡、混沌模型、專家系統(tǒng)等理論已綜合應用于這一分析中。隨著神經(jīng)網(wǎng)絡計算機硬件技術的進步，非線性動力學及神經(jīng)網(wǎng)絡智能系統(tǒng)理論研究的深入，相信在不久的將來，這一綜合智能化方法會成為狀態(tài)測測與故障診斷技術的主流。既彌補了人類感知的不足，又擴展了人腦的功能。檢測提供了對象的聲、光、電、熱、磁、運動等物理狀態(tài)信號，而診斷所需的特征信息要求對這些信號進行變換、傳輸、存貯、信號處理、模式分類與識別等，使貌似無序的信號數(shù)據(jù)的特征充分結構化、有序化。這往往需要進行實時處理。對于大型復雜工程機電系統(tǒng)，傳統(tǒng)的基于個人專家知識和推理的故障診斷方法已不合時宜，且在實際應用中易于誤診，并且浪費時間，達不到實時要求。作為復雜系統(tǒng)word格式支持編輯，如有幫助歡迎下載支持。往往需要各個領域的知識和經(jīng)驗，因此有必要開發(fā)基于邏輯和推理的實時診斷方法，它應能集成各種技術，具備可靠地診斷各種異常子系統(tǒng)和部件的能力。其關鍵在于動態(tài)知識表示和實時推理機制的建立，其知識庫的內容應包括系統(tǒng)操作、物理結構和維修經(jīng)驗等知識。(6)狀態(tài)監(jiān)測與診斷的主導角色。今后隨著自動化程度的不斷提高，診斷系統(tǒng)在復雜機電系統(tǒng)的服役環(huán)境中將扮演主導角色，而不是目前對原有系統(tǒng)的附加支持角色。在無人值班車間、長期運行的生產(chǎn)線或設備以及人無法接觸的危險環(huán)境中，一個微不足道的故障的影響可能導致災難性的后果。在這種環(huán)境中，一個簡單的監(jiān)測系統(tǒng)是不夠的，取而代之的是具有集成監(jiān)測和診斷功能的閉環(huán)管理系統(tǒng)，以便在異?；蚬收蠣顟B(tài)時進行必要的控制，這就是故(7)基于狀態(tài)的維修(CBM)技術不斷發(fā)展。用CBM代替?zhèn)鹘y(tǒng)的計劃維修系統(tǒng)，可以提高維修程序和方案的實施效率，增加系統(tǒng)的備用狀態(tài)，減少后勤支持費用，提高生產(chǎn)率和產(chǎn)品質量。在現(xiàn)代復雜機電設備中，一個簡單的失效(故障)可能導致災難性的后果，因此僅根據(jù)它的概率來控制失效就不是一種有效的方式。我們不得不直接注意導致系統(tǒng)失效的部件衰變過程，因為衰變是一個隨著時間增長的物理或化學過程，其失效可以通過辨識衰變的期維修系統(tǒng)的通用框架研究。此外，還有許多其它研究方向，這里就不予討論了，下面僅給出機械設備狀態(tài)識別理論(1)模式特征提取和表述方法的研究。這是模式識別系統(tǒng)的基礎，非線性學科的最新進展將給這一研究提供強有力的理論支持。(2)訓練樣本集不充分或者說在不完全知識條件下決策規(guī)則及識別理論的研究。這樣的情況，大量地存在于故障診斷問題中。(3)模式識別中自適應并行處理模型及算法的研究，如遺傳算法在模式識別中的應用研(4)智能識別系統(tǒng)。它應能將特征提取和分類融為一體，神經(jīng)網(wǎng)絡方法以及模糊神經(jīng)元模型即是這一發(fā)展方向的具體表現(xiàn)。(5)基于符號處理即人工智能技術和基于數(shù)值識別技術的融合，將是機械狀態(tài)監(jiān)測與故障診斷中一個重要而切合實際的發(fā)展方向。模式識別系統(tǒng)智能化的途徑之一是模式識別方法與專家系統(tǒng)方法相結合，以實給出了一期望的模式識別專家系統(tǒng)的結構，它既具有模專家系統(tǒng)靈活多樣的知識、邏輯思維和綜合分析的智能特點，其靈活的工作方式可望獲得一定的自適應性。輸輸入輸出控制在這一系統(tǒng)結構中，預處理模塊具有原模式識別系統(tǒng)中的數(shù)據(jù)預處理以及某些特征提取的功能。但是，這些特征并不象原來那樣組成統(tǒng)一的特征矢量，而是在控制模塊的控制下決定特征的取用。這樣的處理不僅允許特征具有數(shù)值的或非數(shù)值的不同形式，而且允許系統(tǒng)以靈活多樣的方法對不同的特征加以引用。預識別模塊的保留是為了縮小所需考慮問題的范圍。使用該模塊對原類別集進行分類，這樣可以減少知識庫的知識量以提高處理速度。知識庫中存放了用于所考慮類別進行的分析和分類的信息，以及一些知識性過程(如判斷、推理規(guī)則的生成)和所需的先驗知識，這些知識提供了對所考慮的類別對象進行識別、word，如有幫助歡迎下載支持。分析、判斷、推理以至規(guī)范化的基礎。從知識庫到控制模塊用通信線相連接。這種分層結構的控制方式即是所謂的知識庫引導下的控制，控制模塊的功能是進行狀態(tài)分析和協(xié)調各個模特殊功能模塊集是由一些小的功能模塊組成，這些功能為獲取特殊的特征或區(qū)分特定多模式而設置，它們用以處理那些不能或不易統(tǒng)一成規(guī)范化處理的特殊情況。由功能模塊、控制模塊和知識庫結合在一起，可以組成一個靈活有效的特征提取組織的分類器結構。方法對前一階段給出的每一類模式進行細分，以便得出最后結論。這正是機械系統(tǒng)狀態(tài)識別中要深入研究的問題。在這一系統(tǒng)中，用于識別的信息有以下兩種：輸入分類器的特征；用于專家系統(tǒng)的性質。對這兩種信息有如下要求：(1)特征。要求這些特征能簡單地得出，能用于適當?shù)姆诸惼?，以適當?shù)乃俣葘⑺紤]的類別對象分為固定的類。每種類別只能分到固定的一類或幾類。這里的類別數(shù)要在考慮精度和速度平衡的前提下給出。(2)性質。要求前一步得到的分類性質能以較好的存貯方式予以存貯，同時要求能以較快的速度通過專家系統(tǒng)的推理、判決，以達到正確無誤的分類。實際上，在這一系統(tǒng)中，采用反映這些性質的信息來引導控制部分，再由控制部分驅動特殊功能模塊來達到細分的目的。在傳統(tǒng)的模式識別系統(tǒng)中，規(guī)范化的特征矢量嚴重地限制了識別系統(tǒng)的靈活性，使得系統(tǒng)對可獲取信息的利用率低，從而影響了系統(tǒng)的性能。因此，目前模式識別理論正在朝著智能化，即增強系統(tǒng)的自適應能力、學習能力以及容錯能力等方向發(fā)展。3.2智能狀態(tài)監(jiān)測與故障診斷系統(tǒng)構想里擬提出建立“智能狀態(tài)監(jiān)測與故障診斷系統(tǒng)平臺”的設想，它以多目標對象作為應用背景，是一個開放式柔性集成智能狀態(tài)監(jiān)測與故障診斷開發(fā)平臺，具備各種應用背景條件下的事實模擬研究功能；同時，本系統(tǒng)可作為大型復雜機電系統(tǒng)服役環(huán)境及失效規(guī)律分析系統(tǒng)中的一個子系統(tǒng)。鑒于目前的監(jiān)測與診斷系統(tǒng)開支很大且通用性不強，只有從根本上改進當前狀態(tài)監(jiān)測與故障診斷的體系結構與具體化的模型方法，從而形成一自適應結構與模型方法，以適應當今設備復雜化和可靠性要求相對嚴格的發(fā)展趨勢。以下內容僅對復雜機電系統(tǒng)狀態(tài)監(jiān)測與故障診斷系統(tǒng)的頂層設計與規(guī)劃提出了一些看法和觀點。智能監(jiān)測與診斷技術的內涵，單從狹義的傳統(tǒng)學科的內涵來理解它是不合時宜的。事實自動控制及系統(tǒng)工程有著廣泛的聯(lián)系與交叉，探討它的一般概念和功能結構，就要從并行工程的角度，從產(chǎn)品設計開始就要考慮對其進行監(jiān)測與診斷策略的先期技術演示與論證，即設計、的串行工作方式，即在產(chǎn)品設計制造后被動地在設備上追加監(jiān)測功能；而應在產(chǎn)品開發(fā)的各個階段就進性各類信息的全方位交互，從而縮短產(chǎn)品開發(fā)周期，提高產(chǎn)品質量，降低產(chǎn)品成本。此外，還要從大量復雜機電系統(tǒng)的服役環(huán)境及失效規(guī)律研究的角度出發(fā)，在對過程或對象進行狀態(tài)監(jiān)測與故障診斷時，要考慮對其失效規(guī)律進行研究。當設備的故障排除后，監(jiān)測與診斷工作就告一段落，但應進一步對故障的產(chǎn)生、成長及惡化過程進行機電動力學分析，分析的前提是對故障的核實和確認，對有的故障還要求復現(xiàn)，以確定故障發(fā)生的條件，以完成對其內在機理的研究，從而從理論、技術及設計實施上為設備的改型設計、可靠性指標及維修決策提供判別的依據(jù)，以獲得明顯的經(jīng)濟效益和和社會效益。對其內在機理的研究，在傳統(tǒng)理論方法的基礎上，借助非線性科學理論、分形信息論等的突破，從傳感器分布網(wǎng)絡、信息獲取、特征的產(chǎn)生及重構以及診斷的模型、算法、策略等各個方面進行深入地探索，力求突破其中的部分綜合集成試驗，word如有幫助歡迎下載支持。以演示所突破技術的先進性與有效性，論證這一技術集成工程化應用的可行性和實用性，并對其進行綜合評價。從系統(tǒng)層次及規(guī)模來看，它應包括管理、協(xié)調以及各個層次上的信息獲取，具備多級網(wǎng)絡分布式結構并具備遠程通訊、遙感、遙測功能。從全信息交換策略來分析，它應能掛接于公共廣域網(wǎng)甚至未來的信息高速公路，使智能狀態(tài)監(jiān)測與診斷系統(tǒng)平臺在事實上成為從事監(jiān)測與診斷系統(tǒng)設計、服務、咨詢、分析、重構、測試工程發(fā)展中心。它所具備的分布式可擴展數(shù)據(jù)庫和知識庫系統(tǒng)，通過需求的不斷牽動，事例的不斷學習，可使之日臻完善。同時，它應能對目標進行有效的控制和調節(jié)，以達到真正意義上的監(jiān)測與控制。既應具有一般監(jiān)測與診斷系統(tǒng)自身的可靠性、實時性及對象的復雜性，且應具有高技術的分布性、可塑性、可靠性和先進性等特征，具備(1)分布性系統(tǒng)中的各類資源，包括物理資源和邏輯資源都具有分布式的特點，各子結構進行了模塊化處理。系統(tǒng)中每個結點均是一個完整的模塊，任務及功能對時間來說是重疊的，系統(tǒng)出現(xiàn)故障時可進行自身的重構與降級使用，可用性較高。(2)可塑性這一方面體現(xiàn)在系統(tǒng)中硬件的互換性與軟件的兼容性，還應適應未來超大規(guī)模集成電路的發(fā)展等。另一方面，可根據(jù)不同用戶對象，迅速擴展或抽取出不同的系統(tǒng)，對于更大型對象的系統(tǒng)在原系統(tǒng)的基礎上可擴充幾個并行的子系統(tǒng)，而對于小型對象的簡單系統(tǒng)只需從原(3)可靠性可靠性是任何系統(tǒng)重要的要求指標之一，任何錯誤(如數(shù)據(jù)、命令等)都可能會帶來毀滅性的后果，尤其是在軍事領域中，因而系統(tǒng)應充分利用時間、空間、信息與硬件等資源上的冗余，系統(tǒng)本身還應具備自診斷功能。(4)先進性劃成就并能隨著相關學科的發(fā)展而發(fā)包括數(shù)值、文字、聲音、圖形、圖象等，使現(xiàn)人工智能專家系統(tǒng)與神經(jīng)網(wǎng)絡理論學的基礎上形成完整統(tǒng)一的體系。決策管理器診斷器診斷器分別獨立地承擔部分信息處理任務，控制管理按一定的主從關系由決策命各分散的下級功能模塊完成局部控制決策，協(xié)調由上級完成；同時，上級可強行介于對下級的控制指揮。現(xiàn)場測控級直接面向大型復雜機電系統(tǒng)的過程及服役環(huán)境，它為過程監(jiān)控級和word持編輯，如有幫助歡迎下載支持。決策管理級提供可靠實時信息。(1)現(xiàn)場測控級它的主要任務是對過程或設備等對象實施測量、控制和診斷，按上級給定的任務和調度命令進行工作。構成該級的每一個單元均可進行獨立的工作，同時各單元之間、單元與上級之間可以進行信息交互。(2)過程監(jiān)控級它的主要功能是對對象(過程、設備等)進行監(jiān)測和診斷，對下級各測控單元發(fā)布必要的命令和協(xié)調管理并與上級決策管理中心進行信息交換，接受上級給定的任務和調度，同時該級各監(jiān)測單元之間可通過網(wǎng)絡進行信息交互。(3)決策管理級它的主要任務是對整個系統(tǒng)進行綜合管理，利用各下級傳來的信息所建的信息庫進行深層次故障診斷，并定期選擇各對象的運行狀況和發(fā)展趨勢進分析。還應進一步對對象的服役環(huán)境及失效規(guī)律做出分析，為視情維修做出計劃并予以實施，并根據(jù)不同的對象進行監(jiān)測和時，可掛接更高一級系統(tǒng)，為上級系統(tǒng)提供各種信息。3.3支撐系統(tǒng)的關鍵技術在系統(tǒng)頂層設計階段，必須分離、細化出系統(tǒng)各關鍵技術以及做好關鍵技術頂層設計方法論的研究。關鍵技術的頂層設計是一項關系系統(tǒng)整體性能及各個研究階段的開展的復雜工作，牽涉面廣，相互制約的因素多，關系復雜，需要站在一定的高度，進行抽象和概括，弄清系統(tǒng)層次結構，分清每一層結構的內容和屬性，根據(jù)性能價格比，采用邏輯推理和模糊推理相結合的方法進行綜合，從而高質量地完成系統(tǒng)的頂層設計。作為以多目標、多對象為應用背景的智能狀態(tài)監(jiān)測與故障診斷系統(tǒng)研究，必須從系統(tǒng)工程的角度，借助信息技術、傳感技術、現(xiàn)代數(shù)學方法、分布并行處理技術以及人工智能等為基礎，提取監(jiān)測與診斷的內核。因此，該系統(tǒng)平臺以大型復雜機電設備所組成的大系統(tǒng)為背景的柔性智能狀態(tài)監(jiān)測與故障診斷系統(tǒng)的體系結構、模型與建模方法、識別與決策理論。立足多學科交叉的可能性，本系統(tǒng)的關鍵技術有：3.3.1以復雜機電系統(tǒng)為應用背景的智能狀態(tài)監(jiān)控與故障診斷基本概念及體系研究(1)智能狀態(tài)監(jiān)測與故障診斷的概念及描述。主要內容包括智能狀態(tài)監(jiān)測與故障診斷的(2)智能狀態(tài)監(jiān)測與故障診斷系統(tǒng)的體系結構。主要內容包括系統(tǒng)體系結構的組成，體系結構的合理性分析，最優(yōu)化結構的建立與判定準則，完成特定目標所需要的功能及信息組(3)智能狀態(tài)監(jiān)測與故障診斷系統(tǒng)的物理實現(xiàn)。主要內容包括系統(tǒng)的可靠性、先進性、適應性和經(jīng)濟性分析。3.3.2智能狀態(tài)監(jiān)控與故障診斷的全信息模型研究(1)智能狀態(tài)監(jiān)測與故障診斷系統(tǒng)的全信息模型的一般概念及描述。(2)多傳感器信息融合技術。主要內容包括多傳感器信息融合的原則，尤其是不同種類的信息獲取和融合方法。多傳感器信息融合層次結構及方法，它包括了三個方面的研究內容：①多傳感器數(shù)據(jù)層信息融合理論及方法，其中包括傳感器故障分離及誤差補償技術研究；②多傳感器特征層信息融合理論及方法，其中包括特征提取、選擇及重構理論與方法研究；③word載支持。決策層信息融合理論與方法，神經(jīng)網(wǎng)絡、過程模型等可以在這一領域里作出貢獻。(3)基于模糊邏輯、神經(jīng)網(wǎng)絡、神經(jīng)元模糊技術、分形與混沌模型技術相結合的故障診斷技術研究。模糊邏輯對設計和控制用數(shù)學模型難以表達的復雜系統(tǒng)是很有用的，模糊if—then規(guī)則用來表達熟練操作員的經(jīng)驗和控制工程師的知識，模糊理論這一語言方法能夠把符號處理和數(shù)值運算融合起來。另一方面，人工神經(jīng)網(wǎng)絡提供了諸如模式識別、辨識、非線性系統(tǒng)預測、診斷和控制等多方面的功能。神經(jīng)網(wǎng)絡的學習能力還可被用來從觀測數(shù)據(jù)中生成n鍵技術。因此，神經(jīng)元、模糊和混沌理論成為軟信息處理和模擬計算的基礎技術，它們能更好地表達直覺和創(chuàng)造性思維。(4)訓練樣本集不充分或者說在不完全知識條件下診斷決策規(guī)則及識別算法的研究。主研究工作。其中，基于復雜學習網(wǎng)絡理論的遞歸結構辨識算法(RESID)，它基本上不受先驗知識的影響，是一類很有前途的故障診斷算法。(5)系統(tǒng)決策處理及信息再生。主要包括三個方面的研究內容：①系統(tǒng)的信息處理及決策，包括知覺思維、邏輯思維在信息處理及決策中的應用技術，創(chuàng)造性思維在信息處理及決策中的應用技術，綜合決策方法，如采用動態(tài)模型、控制理論、多變量統(tǒng)計、模式識別綜合再生控制信息分配及控制方法，包括控制信息對多控制輸入的分配原則、方法與控制策略。3.3.3大型復雜機電設備服役環(huán)境與失效規(guī)律研究(1)機電設備失效機理研究：主要內容包括機電設備失效的物理、化學特性及特征量的篩選研究，故障隱患的機理及預測分析模型，緩變失效與突發(fā)故障的內在規(guī)律研究及模型描研究；(2)機電設備服役環(huán)境與失效關系研究；(3)機電設備服役壽命預測理論及方法；(4)設計、制造、使用、維護一體化理論及應用。3.4一個可實現(xiàn)的集成示范系統(tǒng)根據(jù)系統(tǒng)模型的初步構想，以對船舶動力裝置的運行狀態(tài)監(jiān)測為應用背景，可以規(guī)劃出3.4.1現(xiàn)場監(jiān)控級MGTHUB各類傳感器、控制執(zhí)行器、可采集器。監(jiān)控機n(2監(jiān)控機n傳感器采集與監(jiān)測目標有關的各類對象的信息(包括環(huán)境信PLC理的瞬變信號送入PLCPLCPLCPLCPLC經(jīng)過對傳感器信息的處時，PLC還通過網(wǎng)絡與相關PLC影響對相關對象的速數(shù)據(jù)采集器將信息送入上一級過程監(jiān)控機，并接受監(jiān)控機的上層控制指令，完成監(jiān)控機對對象的直接控制。設計適合工業(yè)現(xiàn)場應用的高速數(shù)據(jù)采集器。3.4.2過程監(jiān)控級(1)組成：由若干臺工業(yè)控制計算機、信息交換網(wǎng)絡及各類外設等組成。向決策管理中心發(fā)送重大故障診斷的請求信息以申請對設備現(xiàn)有異常進行深層診斷。(3)可靠性保障：選用性能較好的工業(yè)控制計算機及網(wǎng)絡；利用雙機式三機容錯分布式3.4.3決策管理級(1)組成：遙控遙診計算機，現(xiàn)場可靠性分析管理機，數(shù)據(jù)庫管理機，大容量存儲器，(3)可靠性保障：利用網(wǎng)絡管理(MGT)監(jiān)視網(wǎng)絡運行情況；各機具有互為冗余功能，即采用傳輸計算機(Transputer)來實現(xiàn)。其基本原理將在介紹狀態(tài)監(jiān)測技術時給出，此處就不再贅述。狀態(tài)監(jiān)測體系、技術與方法4.1狀態(tài)監(jiān)測任務的要素與組成在針對設備及過程的研究中有兩個重要的研究目標：一個是開發(fā)能夠良好運行的或有能力制造各種各樣產(chǎn)品的、集成的自調節(jié)系統(tǒng)，它很少受操作員的監(jiān)督和輔助；另一個是提高運行過程的可靠性、安全性和提高產(chǎn)品質量，減少維護維修費用。為了實現(xiàn)這兩個目標，狀態(tài)監(jiān)測顯然是重要的技術需求之一?；跈C械設備及過程特征估計的狀態(tài)特性改變量的活動。狀態(tài)監(jiān)測的意義是指確定狀態(tài)和檢拾取、信號處理和監(jiān)測決策。信噪比。監(jiān)監(jiān)測決策信號處理設備及過程可認為信號處理和監(jiān)測決策是一個集成的整體，稱之為監(jiān)測方法。目前已開發(fā)了大量的監(jiān)測方法，最簡單的方法就是辨識兩類過程狀態(tài)(正常和異常狀態(tài))的方法。如使用一個傳述：x式中y—傳感器信號；tx—閾值。不管過程工作狀態(tài)和噪聲分布如何改變，如果信號對正常和異常狀態(tài)給出了明確的表征，則這一簡單的描述將是最優(yōu)的判決策略規(guī)則。然而在許多應用中，這一簡單的判決策略不能令人滿意。因此，有必要研究更有效的監(jiān)測方法。傳感器信號被認為是動態(tài)系統(tǒng)的輸出，并以時間序列的形式表現(xiàn)出來。相應地，過程監(jiān)測是成的集合{T，W，B}來表示，其中T表示與系統(tǒng)相關的時間事件集；W表示信號感興趣變量能是非線性的和時變的，而線性時不變系統(tǒng)則更易于理解，研究也更成熟]。一個線性時不變系統(tǒng)可以用許多模型來描述，如狀態(tài)空間模型、輸入輸出傳遞函數(shù)模型、自回歸模型(AR)、自回歸滑動平均模型(ARMA)等。有兩類方法可用來對模型進行參數(shù)估lems動態(tài)數(shù)據(jù)系統(tǒng)方法(DDS)對很多設備及過程的監(jiān)測非常有效，根據(jù)DDS方法的理論，過程可以由ARMA模型來近似：yy…y=a9a…9at1t1ntnt1t1n1tn+1(2)式中a~NID(0,2)—白噪聲；、9—參數(shù)陣；n—由系統(tǒng)程序來確定的模型階次。taii獲得更精確的譜估計。當找到一個模型后，監(jiān)測可通過檢測模型參數(shù)的改變(如阻尼比、固有頻率等)來執(zhí)行，或檢測系統(tǒng)期望響應的改變(如預測誤差)來執(zhí)行?；谀Ｐ偷谋O(jiān)測方法是故障檢測的方法之一，使用模型的方法對過程進行監(jiān)測在許多文獻中都有報道。在一項有趣的研究中，動態(tài)n盡管如此，基于模型的方法有兩個明顯的局限。首先，許多設備及過程是非線性的時變系統(tǒng)。一個典型的例子是機械制造中的切削過程，它的非線性是由結構振動和切削力之間的程結構的改變量進行監(jiān)測，仍難見成效。其次，傳感器的信號依賴于過程的工作條件，常常很難辨識一個傳感器信號的改變量是由過程工作條件改變引起的還是由過程本身的衰變引起的?；谔卣鞯谋O(jiān)測方法是使用傳感器信號的適當特征來辨識設備過程狀態(tài)的。給定一個傳yt征(也稱作監(jiān)測指數(shù)，亦即后敘的模式特征向量)t可以表達為x=P(y)t(3)式中P(·)—模型階次算子。這些特征可能是傳感器信號的時域或頻域特征，如均值、方差、偏斜度、峭度、特定頻帶功率等。一種特殊情況是x=P(y)=y，即監(jiān)測指數(shù)是傳感器信號本身。推薦使用的是歸tt或離散的事件(如邏輯符號“on”和“off”)。過程的工作狀態(tài)(即工作條件，如切削速度等)a康狀況靈敏；(b)對過程工作條件不靈敏；(c)實現(xiàn)成本經(jīng)濟。實際上，監(jiān)測指數(shù)是以分析研究、計算機過程仿真和系統(tǒng)試驗為基礎的。在許多應用中，監(jiān)測指數(shù)的選擇需要一定的技巧，監(jiān)測指數(shù)的適當選擇常常包含著各種各樣的信號處理技術。獲取了監(jiān)測指數(shù)后，類似于式(1)，監(jiān)測可以用簡單的條件描述如下：x但在許多應用場合，閾值不能完全把各種各樣的過程狀態(tài)區(qū)分開來。因此，閾值的確定如磨損和疲勞等，可以采用Pareto分布等方法。如果監(jiān)測指數(shù)與過程工作條件強烈有關，可推薦使用經(jīng)驗閾值估計方法。決策。這里的判決決策僅限于辨識過程特性的改變量，并不包括諸如風險分析之類的更深層次的決策問題。監(jiān)測任務隨著應用場合的不同而不同，但這些任務的基本形式卻具有類似的描述。假設已獲取了監(jiān)測指數(shù)12m12n噪聲：其中Q稱為關系式，此關系式可有不同的形式，如可為一個分析函數(shù)，一個模式，一個模糊系統(tǒng)，一個決策樹，一個神經(jīng)網(wǎng)絡，甚至為一個專家系統(tǒng)?；谔卣鞯姆椒ò▋蓚€階段：學習和分類。學習也稱作訓練，就是建立關系式Q的過程。有兩種類型的學習方法：從樣本中學習和從指令中學習。對許多設備及過程的監(jiān)測而言，從樣本中學習常常更為有效，因為精確的指令一般不可能被充分地加以利用，或即使能用也kk12n12nk表示學習樣本變量。…………x(N,i)…在狀態(tài)分類階段，基于關系式Q和新的樣本x，所估計的過程狀態(tài)用方程(5)的逆操作Q1：x(6)依據(jù)關系式的形式，逆操作可以是模式匹配或決策樹搜索等。顯然，不同的關系式將導致不同的方法。根據(jù)有關文獻，對設備及過程的狀態(tài)監(jiān)測已開發(fā)了大量的方法，但目前還不清楚哪一種方法的性能最好。事實上，許多文獻僅僅給出了一個工作在特定應用環(huán)境中的特定方法，并沒有驗證有關成功率、靈敏度和穩(wěn)健性等模型與方法的性能。本書將對各種基于特征的狀態(tài)監(jiān)測方法進行系統(tǒng)的介紹。與本研究相關的工程及作為理論體系應用載體，針對各種設備及過程狀態(tài)監(jiān)測的共性技術，給出一通用的計算機自動狀態(tài)監(jiān)測系統(tǒng)。4.2信號處理技術在對設備及其過程的狀態(tài)監(jiān)測器信號的特征(本書稱之為監(jiān)測指信號處理技術與狀態(tài)監(jiān)測指數(shù)提取技術所指的含義可以認為是等同的。不同種類的信號應采用不同的處理技術。各種傳感器信號處理技常，濾波是信號處理的第一步，它能消除各種噪聲干擾的影響，增強所需頻率范圍內的有用信息。號否頻域指數(shù)及譜分析是是否t12率密度、充分統(tǒng)計量、時域指數(shù)、頻域指數(shù)等特性來描述。非平穩(wěn)信號具有非線性和過程時變性，可以通過高階譜、時－頻分布、小波分析、混沌特征量等來進行分析。4.2.1統(tǒng)計分析和時域指數(shù)對平穩(wěn)傳感器信號，最常用的監(jiān)測指數(shù)是諸如均值、方差這樣的信號統(tǒng)計特征。假定采xNk=1(7)Nxk(8)xNx所計算的均值和方差具有相同得結果。際上，概率密度函數(shù)可以通過信號的直方圖來進行估計。應該指出，因分解區(qū)間的不同，所DF如果已知信號的PDF是正態(tài)的，那么信號的充分統(tǒng)計量將是均值和方差。通常大多數(shù)時域指數(shù)都可以進行有效地使用。此外，還可以使用平均化和差分化指數(shù)：ykTxk)x(k1))2zk)x(k)x(k1)T(9)(10)時域指數(shù)的應用情況已經(jīng)在許多文獻中報道過。例如有文獻表明：在機械振動的監(jiān)測中，振動信號的最大值、最小值、均值、均方根和標準偏差等時域指數(shù)是很有效的，聲發(fā)射信號的幅值直方圖可用來描述磨損過程，等等。應該指出，PDF和時域指數(shù)不能表達過程的動態(tài)特性，因此它們在過程狀態(tài)隨機信號量級和形式的改變而改變的場合及需研究動態(tài)過程內在變化的本質特征的應用中是很有限的。4.2.2譜分析和頻域指數(shù)對設備及過程的監(jiān)測，最流行的方法是譜分析方法。譜分析包括兩個步驟：計算譜(多用的信息；再者，因只利用了部分信號，譜存在泄漏，盡管泄漏可通過平均和加窗技術而得到降低，但當可用數(shù)據(jù)很有限時，它的影響尤其明顯；第三，譜是以非參數(shù)的形式表達的，可用特定頻段內的功率作為監(jiān)測指數(shù)，但確定這些指數(shù)的閾值是相當困難的；最后，它不能精確地辨識信號的相位信息。與之相比較，現(xiàn)代譜估計方法有時是更有效的。在現(xiàn)代譜分析ARMA模型這樣的參數(shù)模型而獲得的，因此其精度和分辨率可以得到大大高。析的不足，也得到了廣泛的應用。4.2.3時－頻分布分析如果傳感器信號非平穩(wěn)，則時－頻分布分析是一種有效的工具。時－頻分布作為一種變換，它可同時表達信息在時域和頻域中的能量和密度，因此它能表達常規(guī)譜不能表達的時間依賴特性?，F(xiàn)已發(fā)展了許多時－頻分布分析，其中Wigner-Ville分布是最常用的一種分布：d(t,)2ej(t)x()x*()ddd最近又引入了指數(shù)時－頻分布(Choi-Williams分布)：42/42/22d(t,)ejt1exp((t)2).x()x*()42/42/22(11)(12)其中：是尺度因子，它有許多期望特性，如跨時間的常規(guī)譜集成性和跨頻率的自相關函數(shù)集成性。最近不少學者運用時－頻分布處理技術獲取監(jiān)測指數(shù)來進行制造過程的切削狀態(tài)監(jiān)測。此外，也提出了時－頻分布和經(jīng)典假設檢驗綜合運用的方法。ggMallat給出了快速算法并引入了多分辨分析后，小波變換已在很多領域得到了成功的應用。實際上，信號線性變換是基于一系列基函數(shù)的信號分解。因此，傳感器信號可表示成：a,baa小波變換就是對任意信號x(t)在基函數(shù)g(t)中進行分解的線性變換，定義為：gawa(15)tgwO信號小波變換式(1－15)在頻域上可表示為：wab=aj+weibOX(O)G*(aO)dO(16) 00從式(18)可見，除去常數(shù)因子a外，W(a,b)與反窗口Fourier變換在t=b處一致。此處窗函數(shù)由式(1－19)給出，其中心O=O/a，時寬為2編G/a，由式(15)知，0aaaa從式(20)可見，在高頻處，時寬變窄；在低頻處，時寬變寬。這就是小波變換變焦距性質。一般常用的是二進制離散小波，即g(t)的二進制伸縮與平移系：lk,jJ小波分析已用于軸承、齒輪箱的故障診斷等方面。lk,jJ小波分析已用于軸承、齒輪箱的故障診斷等方面。4.2.4高階譜分析高階譜分析是研究非平穩(wěn)傳感器信號處理的另一重要技術。高階譜分析的發(fā)展動力有三方面的因素：(1)因高斯分布(正態(tài)性)假設提取信息導致一定的偏差；(2)需估計非高斯信號的相位信息；(3)檢測和描述由諧波成分相位相關所產(chǎn)生時間序列的非線性特性。最常2x+wc(t,v)exp{_j(ot+ov)}12(22)對平穩(wěn)信號，雙譜具有許多明顯得特性。對非平穩(wěn)信號，雙譜亦能表達其相位信息。據(jù)報道，這一技術已用來監(jiān)測旋轉刀具以及用來診斷軸承、齒輪的故障。此外，類似于時－頻檢驗綜合運用。4.2.5分形與混沌特征量有一些變量是難于直接觀測倒的，而在有些極端情況下，甚至不知道系統(tǒng)獨立變量有幾個，也不知道哪些是系統(tǒng)變量。根據(jù)動力學系統(tǒng)方法，系統(tǒng)某個變量的時間序列包含著非常豐富的信息，它蘊涵著參與動態(tài)的全部變量的痕跡，這是因為各個變量之間存在關聯(lián)作用?？梢杂梅中魏突煦缣卣髁縼砻枋銎溟g的非線性特性，如，如分形維數(shù)、分形譜維數(shù)、時序關聯(lián)維進一步的結論在研究中。設{x:k=1,2,…,N}是觀測某一系統(tǒng)得到的時間序列，將其嵌入到m維歐氏空間knnn+1n+(m_1)tmnnn+1n+(m_1)tm從這N個點中任意選定一個參考點X，計算其余N_1個點到X的距離mimiijiji+ltj+ltrdXXijiji+ltj+lt對所有X(i=1,2,…,N)重復這一過程，得到關聯(lián)積分函數(shù)imC(r)=2H(r_r)mN(N_1)ijmmi,j=1對充分小的r，關聯(lián)積分逼近下式lnC(r)=lnC+D(m)lnrm(24)(25)(26)D(m)=lim(?lnCm(r)/?lnr)r)0Dm維數(shù)m升高而改變時，D2=limD(m)m)w(27)(28)它就是動力系統(tǒng)吸引子的關聯(lián)維數(shù)?；诜中闻c混沌特征量的處理技術獲取了設備及過程的監(jiān)測指數(shù)后，可與有關的監(jiān)測方4.2.6傳感器信息融合技術多傳感信息融合的基本原理或出發(fā)點就是充分地利用多個傳感器資源，通過對這些傳感器及其觀測信息的合理支配和使用，把多個傳感器在空間或時間上的冗余或互補信息依據(jù)某種準則來進行組合，以獲得被監(jiān)測設備及過程的一致性解釋或描述，使該信息由此而得到比它的各組成部分的子集所構成的系統(tǒng)更優(yōu)越的性能。傳感器信息融合一般分數(shù)據(jù)層融合、特征層融合和決策層融合。經(jīng)網(wǎng)絡等技術都可以用于或組合地用于傳感器信息融合。傳感器信息融合已經(jīng)開始用于設備及過程特別是制造過程的監(jiān)測與故障診斷中。4.3監(jiān)測與決策方法簡述4.3.1經(jīng)典統(tǒng)計模式識別經(jīng)典統(tǒng)計模式識別方法已廣泛應用于設備及過程的狀態(tài)監(jiān)測中，通常用于狀態(tài)監(jiān)測的模式識別方法可以分為兩大類：統(tǒng)計方法(也稱非確定性分類方法)和自由分布方法(也稱確類方法)。統(tǒng)計模式識別方法基于貝葉斯估計，它分為最小錯誤分類估計和最小風險分類估計，且在一定條件下兩者等價。假設一個樣本x屬于過程狀態(tài)O的概率密度為p(x|O)；還有，假jj設P(O)是過程狀態(tài)為O的先驗概率，C是錯分類損失(把x分為O而實際上它屬于O)，jjajajp(x)是樣本的總體概率密度。于是，將x決策為O類的貝葉斯風險估計為ajjajj特別地，如果概率密度p(x|O)是已知均值為山和方差為x的高斯分布，并假設損jjj失C是均等的，則方程(1－29)可做如下簡化：ajq(x)=-xtx-1x+xtx-1山-山tx-1山+lnP-ln|x|1/j2jjj2jjjjj(30)數(shù)定義如下： pP(O)(31)q(x)=jjjxcpP(O)aa其中：pj是x分為Oj的最近鄰，其定義有許多方法，例如可用Mahalanobis距離xtx-1x，jjkjdxp=(x-1/2)txjj(32)在學習階段，損失C和先驗概率P(o)事先已定義或給出。于是，概率密度函數(shù)ajjp(x|o)(或為最近鄰)的參數(shù)可依據(jù)學習樣本進行估計：jNjkkjx2=1xN6(x-山)t(x-山)jN-1jkkjkjjk=1(33)(34)其中：N是屬于第j個過程狀態(tài)的樣本數(shù)目(即o(x)=o)；而6是按如下定義的deltajkjjk j程狀態(tài)o*可由下式確定：joargminqx)}jj(36)統(tǒng)計模式識別的性能依賴于概率分布p(x|o)。已經(jīng)證明：如果概率分布是高斯型的，j則貝葉斯最小錯誤分類是最優(yōu)的分類。然而，在對設備及過程的監(jiān)測中，概率分布往往是未知的，其分布不可能接近于高斯型。因此，有時更優(yōu)先地采用自由分布方法。自由分布的模式識別方法是以樣本x和描述過程狀態(tài)的模式之間的相似性為基礎的。從幾何觀點來看，監(jiān)測指數(shù)跨越m維空間S。在這一空間中，每一過程狀態(tài)o是jjj1j2jm樣本x也是空間中的一個矢量。樣本和模式之間的相似性可以由兩個矢量之間的距離來測量。圖8示范了一個簡單的例子，其中監(jiān)測指數(shù)是x,x,x，而三個過程狀態(tài)是由123模式p,p,p來描述的，給定一個樣本x，樣本與123x1 2p2p 2p2d1xcd3d3p33x2x模式之間的距離各自定義為d,d,d，因為d是最小的，因此決策x是狀態(tài)o。12311有許多方法可用來定義模式和距離，這將導致各種各樣的分布自由的模式識別方法。已jjq(x)=(x-p)tx(x-p)jjjj(37)線性判別算法也稱為C－均值算法，使用與上一算法相同的模式，但是距離定義為：q(x)=w(x(k,i)-c)2jkijiji=1 (j=1,2,.....,n)(38)ijij在學習階段，使用迭代程序，權值和中心值的最小化由下式來確定：J=Nn6q(x)jkjkq(x)=txjj其中由極大化下式來確定：j(39)(40)jjjj=1通常，二類問題模式識別可以由圖9所示來簡潔地描述。模式識別的有效性不僅依賴于判別函數(shù)，而且還依賴于學習樣本的分布和過程狀態(tài)的定義。正如已經(jīng)指出的，實際中的許多監(jiān)測問題在性質上是具磨損可以表示成許多形式，每一個都可能導出不同的結(41)x多項式判別函數(shù)xx1果。因此，監(jiān)測決策常常不是決定于過程狀態(tài)是什么，而是過程在那種狀態(tài)下的程度，這一問題可由模糊識別系統(tǒng)得到更好的回答。4.3.2模糊識別系統(tǒng)Zadeh法中，不確定事件是由模糊度(也稱之為關聯(lián)函數(shù)、可能性函數(shù)或隸屬度函數(shù))來描述的。簡言之，如果A是一個模~~A＝{x|μ(x)}(42)A~~A~~~A~淆的X2普通分類模糊分類X1圖10模糊分類BAA~~~~DD2MDD2MDC－均值方法和模糊線性方程方法等。為了處理金屬切削過程中固有的不確定性，使用模糊系統(tǒng)具有一定的優(yōu)勢，它在描述刀具狀態(tài)與各種過程特征之間的關系方面提供了系統(tǒng)化的手段。模糊系統(tǒng)方法和識別方法都是基于監(jiān)測指數(shù)的一些排序方法。例如在模糊線性方法中，監(jiān)測指數(shù)在每個均勻分布子區(qū)間中都是相等的加權。如圖11所示，模式識別中的監(jiān)測指數(shù)根據(jù)判別函數(shù)而加權。盡管如此，實際上一個監(jiān)測指數(shù)在特定的范圍里，對特定過程狀態(tài)可能尤其敏感。這說明通過把監(jiān)測指數(shù)空間分解成許多區(qū)域就有可能更有效地利用監(jiān)測指數(shù)。引出下面即將討論的決策樹方法。4.3.3決策樹通常，決策樹可以表示成如下的形式：(C:|CX2X1(43)aa它表示一個過程狀態(tài)(如過程狀態(tài)＝o)。iaj它可寫為：C：=xt(orx>t)(44)aixiixi其中：t是一閾值。xi對離散監(jiān)控指數(shù)，它是：aiiC：=x=d(orx=Daii其中d=D(D是所有可行離散事件的集合)，而D是D的子集。建立決策樹的過程稱為學習或訓練。有兩類學習方法：從指令中學習和從樣本中學習。對設備及過程的監(jiān)測，判決決策的指令常常是不完全、不精確和主觀的；另一方面，樣本是從樣本中學習的基本思想是劃分如表1所示的樣本，一明顯的劃分是使用每個學習樣本作為決策樹(一條分類規(guī)則)的一個分支，這將導致一個大型的決策樹，但它幾乎不能處理新樣本的變化。最好的方式是把相似的樣本組合成決策樹的分支。若找出了所有可能的組或但這時的計算量成指數(shù)增長，如果樣本數(shù)量很多的話，這是行不通的。因此，有必要開發(fā)用4.3.4專家系統(tǒng)在許多應用領域開發(fā)了許多專家系統(tǒng)(也稱之為知識庫系統(tǒng)或規(guī)則庫系統(tǒng))。在制造過程領域統(tǒng)，如切削計劃專家系統(tǒng)和機械故障診斷系統(tǒng)FAXS，更多的例子可以在一些綜述性的文章中找到。通常，專家系統(tǒng)由三部分組成：推理機制、人機界面和知識庫。開發(fā)專家系統(tǒng)主要的工作集中在知識庫的建立。在許多應用中，知識庫是基于系統(tǒng)對話和統(tǒng)計分析建立的。對設備及過程的監(jiān)測而言，本節(jié)第三部分所討論的決策樹方法可用來組合信息和知識，其中包括經(jīng)驗和半經(jīng)驗規(guī)則、理論上的和計算機仿真結果以及試驗測試結果。例如，若增加一條規(guī)則如“ifxTthencheckSensorI”來檢查傳感器的功能是否滿意。此1外，學習算法用來適應環(huán)境的變化。隨著計算機技術的迅速發(fā)展，將有更多的專家系統(tǒng)開發(fā)4.3.5人工神經(jīng)網(wǎng)絡人工神經(jīng)網(wǎng)絡是模擬人的大腦神經(jīng)元對信息和知識的加工存儲過程。與以串行式的過程符號表達為特點的專家系統(tǒng)不同，神經(jīng)網(wǎng)絡并行地處理信息和知識，且處理的信息和知識是非線性的。神經(jīng)網(wǎng)絡包含多層結構，每一層有許多神經(jīng)元。在神經(jīng)網(wǎng)絡中，神經(jīng)元是用連接y={1,i0,其中xj—神經(jīng)元的輸入；ifwx≥0ijjy—神經(jīng)元的輸出；j(46)w—神經(jīng)元與其它神經(jīng)元連接強度的權值。ijy={1,iff(wx9)0ijji(47)i神經(jīng)元是由事先確定的結構進行排序準則用以估計第二層網(wǎng)絡神經(jīng)元的數(shù)量。然而，對設計神經(jīng)網(wǎng)絡的結構卻沒有一個通用的結果。一些經(jīng)驗規(guī)則包括：(a)相似的輸入(一個樣本過程狀態(tài)的樣本數(shù))網(wǎng)絡中將要分離的類別(不同的過程狀態(tài))應該給出不同的表達，如果一個特定的類網(wǎng)絡的學習和調整過程的工作量。在學習輸入x1x2x3輸出y輸出y1階段，連接(權值)是由學習算法確定的?，F(xiàn)已開發(fā)了許多學習算法，其中反向傳播算法應eldxijw=n6y(48)ijjij6=df(wx-9)(d-y)(49)jdxkikkkjjj在這里，d是y的期望響應。特別地，如果神經(jīng)元是輸出層的，則d=(x)=。jjjj另一方面，對輸入層和中間層的神經(jīng)元，d可以遞歸地確定。在分類階段(也稱檢索階段)，j樣本x將激勵網(wǎng)絡并傳送一個表示樣本所估計的過程狀態(tài)的輸出模式。神經(jīng)網(wǎng)絡已在各個領域里獲得了成功的應用，其中大量的是在設備及過程尤其是制造過程監(jiān)測中的應用。神經(jīng)網(wǎng)絡以其聯(lián)想、記憶、推理能力、非線性和系統(tǒng)并行處理方式，在有實時性要求的場合更有應用價值。當前，神經(jīng)網(wǎng)絡在狀態(tài)監(jiān)測中的應用十分活躍，它在基于樣本的自適應學習和故障模式快速分類方面具有非凡的優(yōu)勢，它與可解釋系統(tǒng)的結構信息和動態(tài)過程的模糊集理論的綜合應用將是狀態(tài)監(jiān)測與故障診斷技術的一個重要發(fā)展方向。到目前為止，專家系統(tǒng)在實時監(jiān)測領域中應用仍然存在許多問題，主要表現(xiàn)在動態(tài)領域知識的表示方法及實時推理機制這兩個難題。當前，模式識別技術、神經(jīng)網(wǎng)絡技術、模糊系統(tǒng)、神經(jīng)元模糊技術、基因算法、符號處理以及混沌模型在模型建立、知識表示、推理算法中的綜合應用研究已經(jīng)開始，其初步結果表明有可能解決上述這類難題。4.4狀態(tài)監(jiān)測中的其它相關問題4.4.1狀態(tài)監(jiān)控方法評價應該指出，上述所討論的監(jiān)測方法都是啟發(fā)式方法。因此，它們在用于設備及過程監(jiān)測監(jiān)測任務的復雜性，精確評估和解析結果是不可能得到的，只能通過可利用的樣本對監(jiān)測方法的性能進行評估。給定一個如表1所示的樣本集合，成功率可定義為自分類的成功率，就是說，樣本首先用來確定關系式Q，再用來作為測試樣本，因此可定義為這在很多文獻中都提到過。如果樣本包含了監(jiān)測任務所有可能的情況，它是精確的。但在許多應用中，總存在不可預計的樣本，因此式(1—50)的結果高于真實成功率，且它是一個自身檢驗自身的問題，評價往往過于樂觀。敏度可定義為ST=正確分類的樣本數(shù)100%(51ST=測試樣本數(shù)選擇學習樣本可用不同的方式進行，獲取大量學習樣本是進行靈敏度分析的基本條件。如果學習樣本和用以檢驗評價的樣本分布良好，即遍歷性較好的話，成功率和靈敏度的估計較真實可信。穩(wěn)健性用來評估當一個或多個傳感器信號不正確及信號偏離、干擾較大時的監(jiān)測方法的置一個或多個監(jiān)測指數(shù)為不現(xiàn)實的值(如都設置為零)，隨后穩(wěn)健性可用方程式(50)和(51)一個好的監(jiān)測方法不僅要有高成功率，還要有高靈敏度和高穩(wěn)健性。4.4.2其它的監(jiān)測方法大量已開發(fā)和可開發(fā)的用于設備及過程狀態(tài)監(jiān)測的方法的基本框架與模式識別、模糊系統(tǒng)、決策樹或神經(jīng)網(wǎng)絡相類似，只是它們使用了不同的推斷法、距離度量和不確定性測量。例如，有文獻提出以模糊線性方程為框架，其推斷函數(shù)是最大熵。表2給出了幾種推斷方法，人們可以通過設置框架和選擇推斷方法來開發(fā)自己意愿的方法。備備稱U—不確定性注式公4.4.3監(jiān)控指數(shù)選擇與評價監(jiān)測指數(shù)的選擇與評價緊密地依賴于傳感器信號與監(jiān)測任務，并且是相當困難的，目前尚無通用的可供操作的具體規(guī)則或模型。但有充分的理由可以剔出無效的監(jiān)測指數(shù)。例如，在模式識別中，一個監(jiān)測指數(shù)的大方差性隱含著這一指數(shù)對過程狀態(tài)的描述是不精確的，因數(shù)未4.4.4判決決策的不確定性和次最可能規(guī)則確定性是不可避免的。因此，基于在學習階段建立的關系式Q的主軸的不平衡量變化是一個過程，確切地判別主軸嚴重不平衡度是很困難的。為了改進判別=argmax{qv}