時間：2023-06-11 09:32:03
開篇：寫作不僅是一種記錄，更是一種創造，它讓我們能夠捕捉那些稍縱即逝的靈感，將它們永久地定格在紙上。下面是小編精心整理的12篇故障診斷方法綜述，希望這些內容能成為您創作過程中的良師益友，陪伴您不斷探索和進步。
【關鍵詞】極限學習機 故障診斷 神經網絡
引言
隨著設備復雜化程度的提高，對故障診斷的快速性和準確性提出了更高的要求。將神經網絡應用于故障診斷中已成為一個非常活躍的研究領域。利用神經網絡強大的分類能力，進行故障模式的分類與學習，診斷出故障。
Huang在前人研究的基礎上提出了一種稱為極限學習機（Extreme Learning Machine，ELM）的學習方法，在保留計算精度的同時可以大幅度的縮減訓練的時間。將ELM運用到設備故障診斷中，極大提高了診斷的快速性和準確性。
一、極限學習機研究現狀
ELM自2004年提出就一直受到學者的極大興趣。我們從ELM的理論和應用兩方面進行闡述。
1.1 ELM的理論
對于傳統ELM算法，網絡結構、激活函數類型以及隱層神經元的選擇對其泛化性能都有重要的影響。為了提高計算效率，使得ELM適用于更多應用領域，研究者提出了許多ELM擴展算法。
1.2 ELM的應用
研究人員已嘗試利用ELM方法解決現實中各種模式分類問題。隨著ELM自身理論的進一步發展和完善，在人臉識別、文本分類、醫療診斷等領域中應用廣泛。
二、故障診斷技術研究現狀
故障診斷技術是由于建立監控系統的需要而發展起來的。其發展至今經歷了3個階段。新的診斷技術帶來了領域內算法的革新，設備精密程度的提高也對診斷實時性提出了更高的要求。如何保證故障的快速準確診斷成了診斷技術發展重要內容。
基于神經網絡的故障診斷運用廣泛，然而傳統的神經網絡學習方法存在許多問題。與傳統的神經網絡相比，極限學習機方法通過隨機選取輸入權值及隱層單元的偏置值，可以產生唯一的最優解，并具有參數易于選擇以及泛化能力好等特點，在眾多領域有著廣泛應用。
三、基于極限學習機的故障診斷方法研究
3.1基于ELM的故障診斷流程
（1）數據預處理。按照選取的特征向量和故障類型對故障樣本進行預處理，并將處理后的樣本按比例分為訓練樣本集和測試樣本集。
（2）ELM的學習算法主要有以下3個步驟：確定隱含層神經元個數；隨機設定輸入層與隱含層間的連接權值和隱含層神經元的偏置；選擇隱含層神經元激活函數，進而計算隱含層輸出矩陣計算輸出層權值。
（3）用訓練好的ELM模型對測試樣本集進行分類，并輸出分類結果。
3.2基于改進ELM的故障診斷
針對極限學習機神經網絡初始權閾值對算法性能的影響問題，提出融合遺傳算法（GA）與粒子群算法（PSO）的GA-PSO算法，用于優化ELM神經網絡初始權閾值。該算法將群組一分為二，分別采用GA和PSO算法，再將優秀個體進行合并，改善了PSO算法全局搜索能力，同時增強GA算法的局部搜索效能。
本文介紹了發電機故障診斷的重要性和常用方法，以異步發電機的常見故障為例探討了發電機故障診斷的關鍵，分析了局限發電機故障診斷技術實際應用的原因，最后提出了發電機故障診斷領域的發展方向和發展重點。
【關鍵詞】
發電機；故障診；實際應用
1前言
多年的事故統計表明，許多發電機事故都與電機的設計及制造質量有關。不斷改進與完善發電機的設計和制造質量，改進發電機故障診斷技術，對保證電網穩定及供電安全有著重大的意義。發電機組檢修的傳統方法是定期檢查和維修，雖能一定程度降低故障率，但因維修存在盲目性而造成很大的浪費。因此，國內大部分電廠正由傳統的預防性維修逐步過渡到狀態性檢修。二十年以來，在發電機故障狀態監測和診斷技術方面不少國內外學者都展開了研究，也在一定程度上取得了進展，各種診斷方法不斷地涌現。當前，對于發電機狀態監測和診斷技術的主要研究內容包括定子繞組、轉子繞組及軸承等方面。本文簡單介紹了發電機故障診斷技術，以異步發電機的常見故障為例探討了發電機故障診斷的關鍵，總結了當前的研究情況，最后提出發電機故障診斷技術未來的研究方向和發展重點。
2發電機故障診斷方法
2．1發電機故障診斷技術簡介由于發電機內部有著電、磁、絕緣、機械等互聯系統的存在，其故障的原因、特征和類型也多種多樣:有線性系統故障也有非線性故障;既有電氣故障又有非電氣故障;從故障發展速度來分，還分為突變故障和緩變故障。這些錯綜復雜的關系，給有效、迅速地進行發電機故障診斷帶來了困難。因此，在診斷發電機故障時，一定要清楚地了解診斷對象，由于所有的故障都是根據一定的機理產生發展的，具有一定的規律，發電機故障診斷就是根據這些規律，采用豐富的操作經驗、優越的檢測手段、多年的設計和先進的理論研究來制作出有效的診斷軟件，確定故障原因，并制定出解除故障的方案，以實現發電機故障診斷。
2．2發電機故障診斷的常用技術分析發電機故障機理可知，當發電機發生異常或故障時，其非電氣量和電氣量會發生相應的變化，通常都根據這些物理量的變化來判斷發電機的故障類型、故障程度和故障原因。目前的發電機故障診斷技術，是對發電機故障前后的物理量的理解和總結，逐步發展起來的。當前廣泛采用的故障診斷技術包括:機械診斷技術、電氣診斷技術和化學診斷技術等。通常，要得到準確的診斷結果，僅靠一種故障診斷技術是無法做到的，需將多種診斷技術結合在一起。
2．3異步發電機常見故障環境的變化、過重的負載、制造工藝上的缺陷和運行條件的變化等原因會導致異步發電機發生異常或故障，常見故障有定子故障、轉子故障和軸承故障。定子繞組故障是常見的定子部分故障，如相間短路、匝間短路、內部放電等，主要是由絕緣破壞而導致的故障，其中最危險和最常見的故障就是相間短路和匝間短路。定子故障診斷的常見方法有:電流高次諧波、局部放電監測、不平衡電流檢測、磁通檢測和定子電流負序分量檢測方法等。轉子故障產生的主要原因是發電機的起動次數頻繁和過負荷運行，給轉子部分造成了很大的壓力，而在長期這種壓力的影響下，轉子的導條和其端環容易逐漸發生開焊或斷裂。若轉子部分發生故障，目前常用的診斷方法包括:定子繞組電流檢測法、轉速脈動檢測法、磁通檢測法、和溫升檢測法等，以定子電流檢測法應用最為普遍。各種診斷方法所需的故障特征量通常淹沒在各種噪音中。為了提高檢測的精度，首先要對故障信號進行處理從而凸顯故障特征，一般采取的預處理方法有:自適應濾波法、噪聲最優抵消法、準確濾波法和希爾伯特變換方法等。由于負載過重、異物進入和缺乏等原因導致的軸承表面脫落、軸承損耗、破裂和腐蝕等故障稱為軸承故障。軸承部分發生故障會使發電機振動，通過分析總結軸承故障引起的振動與電流頻率的相互關系可以對軸承部分故障進行診斷。由上述發電機故障診斷方法可以看出，只有掌握有效的信號處理技術才能對發電機故障進行可靠地診斷。當前故障診斷的關鍵在于如何基于現有故障信號測量技術和設備，有效地進行分析和處理信號，提取出可測可靠的故障特征量，從而建立對應的故障特征信息。從一定程度上可以說，是信號處理技術的不足導致了發電機故障診斷技術發展受限。目前，在故障診斷領域中，信號處理技術及其應用是一個亟待解決的問題。
3發電機故障診斷的發展方向和研究重點
發電機在電力系統中的重要性使發電機故障診斷的成為電力系統多年來的研究熱點。經過多年的發展和累積，雖然對定子部分故障、轉子部分故障和軸系故障不斷提出了新的方法和技術，但對比電動機故障診斷和發電機故障保護領域的研究進展，發電機故障診斷距離進入到實際應用還很遠。主要有三個原因導致了這樣的局面:(1)作為電力系統的供電電源，發電機的各種參數、設備結構和運行工況比電動機更復雜，因此需要進行更多地研究。(2)一些學者為了研究而研究，沒有對發電機現場運行情況進行更加細致地了解，沒有認清發電機故障診斷的本質，造成實際應用前景不明。(3)在發電機故障診斷領域缺乏嚴格的理論體系。發電機故障診斷的研究對象應該側重于定子繞組單相接地和轉子繞組匝間短路等故障。分析故障和提取有效的故障特征是研究的側重點。根據研究方法，應針對各種類型故障建立故障模型，進行仿真研究以及試驗驗證。因此，故障診斷技術的發展方向在于有效地提取故障特征，并進行故障分析。
4結語
本文簡要介紹了發電機故障診斷技術，以異步發電機的常見故障為例介紹了目前常用的發電機故障診斷方法，并且探討了發電機故障診斷的發展方向和研究重點。隨著電力系統的不斷發展和應用要求的不斷提高，從理論研究和對實際應用的需求方面看，發電機故障診斷技術領域依然有很多問題值得我們進行深入研究。
參考文獻:
［1］張超，夏立．交流無刷發電機故障診斷研究綜述［J］．湖南工業大學學報，2008，21(05):103．
［2］魏云冰．小波變換在電機故障診斷與測試中的應用研究:碩士學位論文［D］．武漢:華中科技大學，2005．
關鍵詞：往復壓縮機；故障診斷；研究
前言
目前，隨著我國科學技術的不斷發展，工廠的許多機械設備等都向著自動化的目標發展，帶來的問題就是機械設備的復雜化使一些零部件之間一環扣一環，聯系更加緊密。若是某一部分出現了故障就會導致整個設備的運行受阻，進而造成較大的經濟損失，更嚴重的會造成人員的傷亡。所以，機械設備的正常運行過程中，若是能夠及時正確的預報或是診斷出隱含的故障因素，能夠使壓縮機在保證完整的情況下檢查出出現故障的部件，進而能夠防止事故的出現，能為企業帶來更高的經濟效益。
1 往復壓縮機故障診斷技術研究現狀
每個企業在進行往復壓縮機故障診斷技術的選擇時，需要將每種技術實施過程中的可能性以及優缺點進行仔細的對比，必須要保證技術的科學合理才能進行下一步實施，進而挑選出最適合機械的故障診斷方法。
1.1 通過分析油液進行故障診斷的技術
在往復壓縮機正常運行的過程中，只要涉及到兩個運動的面發生接觸就一定會引起磨損的現象。根據具體的實驗數據可知，運行過程中的不同時間段，往復壓縮機的油會呈現出較大差異的衰敗長度，磨損的微粒也會有明顯不同的特征，主要從形貌、大小、分布以及數量上有所體現。所以，在油中對于往復壓縮機的相關信息都有所體現，進行油液的分析故障診斷就是根據這一原理。收集觀察往復壓縮機所使用的油，再通過各種不同的檢測措施，進而分析油的使用狀況以及是否攜帶或攜帶多少的磨損微粒等各項信息，能夠綜合評價出所使用的油及設備放入磨損程度，相關的工作人員就能判斷出潛在的故障存在。這種故障分析方法的分析的對象是油的磨損微粒與機械性能衰敗的信息，因此在實施此種故障診斷的技術之前首要的任務是對分析樣品的收集，再進行檢測得到數據，進而通過分析所得數據判斷出故障的存在與否以及進行預防的方案。由于這一技術的綜合性，要求往復壓縮機中的零部件都具有不同且明顯的特征，只有這樣才能保證診斷結果的準確性。
1.2 進行參數測定的故障診斷技術
往復壓縮機內的每一個部件都有顯著地不同，包括在零部件發生損壞之前和被破壞之后，所以需要借助于機器的測定來對零部件進行性能的檢測，再將得到的數據與標準的數據進行比較，進而得出有異常的數據，并確定往復壓縮機出現故障的位置，而且要根據檢測到的數據與標準的數據差異情況進一步推斷出故障的下一步發展趨勢。對機械進行測試的過程中，可供測量的對象是不固定的，所以每一次進行測試得到的參數也是不同的，因此根據測試對象的不同主要采取兩種方式進行診斷，即電力參數測定和熱力參數的測定。在對往復壓縮機的故障診斷中，通常都選擇熱力參數的測定方法，因為這種方法能夠較大方面的檢測出往復壓縮機在熱力性能方面的故障。另外在進行多級壓縮的過程中，需要根據溫度的變化和壓力的變化數據進行初步的診斷，得出出現故障的根本原因，這也是熱力參數測試方法的直接體現，然而這種方法的缺點是只能進行粗略的判斷出故障出現的原因而不能具體化，要求技術人員能夠結合氣缸的溫度壓力信號以及功能圖進行進一步的考慮，從更深層次考慮出現故障的原因。
1.3對振動情況進行分析的故障診斷技術
在往復壓縮機運行的條件下，往復壓縮機中的零件之間會產生作用力，進而引發噪聲和振動，若是零部件之間發生磨損，往復壓縮機的動力學性能將會出現相應的改變。所以，技術人員應該對往復壓縮機外部的噪聲和振動信號的進行精確的測量，再根據測量的結果數據進一步探討分析其內部有可能出現的故障情況。然而在實際的操作中，噪聲會極易受到周圍環境的影響，因此正確的振動數據要求保證故障的診斷技術獲得高度準確性是關鍵因素。同時，技術人員應該通過獲取頻域以及時域的征兆進行故障的精確診斷。或者能夠使用表格的方式把充足且獨特的振動信號頻譜值輸入計算機中，并整理成為故障頻譜數據庫，那么在診斷的時候，就可以將譜峰進行對比分析，可以根據譜峰的高度變化和預測每種故障出現的根本原因，以及出現頻率及分布情況，將多種情況加以綜合就可以得出正確的診斷結果。然而，這種方法最大的缺點就是故障譜峰數據庫的制作需要花費大量的人力物力來開展模擬實驗。因此，在實際的操作中，需要經常收集正常情況下某一組的時域信號，再與正常狀態下往復壓縮機的指標進行比較，若是測得的數值大于標準的極限指標，那么就可以確定往復壓縮機已經出現了故障，正處于異常運行狀態。
2 往復壓縮機故障診斷技術的展望
2.1 往復壓縮機機械的診斷技術要與設計及制造相結合發展
現階段，有許多的往復壓縮機生產廠家，在進行設計和制造往復壓縮機時，沒有將診斷技術與設計及制造相結合發展。所以，在今后的壓縮機設計和制造的過程中考慮到故障診斷，如可以將光纖傳感器預先就埋在柴油機的內部，能夠為以后的機械診斷和維修提供較大的方便，進而避免了由于間接的測量診斷而帶來的誤差，同時也能省去大量且復雜的數據信號處理的過程。
2.2 加強往復壓縮機中具有共性故障診斷方法的研究
在往復壓縮機故障的診斷過程中，根據經驗可知有些具有共性的故障出現，因此需要進行系統的歸納和總結，其基本的思路是：在不同的設備當中，如果運行的參數和結構特點之間有相似部分的零部件，一般情況下故障的表現形式以及機理也具有相似性，因此信號的采集和處理的方法也基本相同。所以，針對某種零部件，只需要構建一個診斷相似的模塊，就能實現在不同的設備中使用。這樣一來，建立好了不同零部件的故障診斷模塊，再遇到較為復雜的設備后，只需要將零部件進行細化就能快速的診斷出系統存在的問題。
2.3 將信息處理技術與分析技術的綜合應用
技術人員應該能夠充分的利用信號處理的技術，提高信息的分析能力，進而增強模塊建立的識別能力。然而過去的最為典型的就是傅里葉變換信號處理技術，目前該方法的使用受到了多方面的限制，現階段已經不能勝任機械故障的檢測，取而代之的是新興的時頻分析法，該方法將會得到廣泛的應用和充分的發展
2.4 往復壓縮機故障診斷趨向智能化
目前，往復壓縮機在人工智能化故障診斷中，專家系統和神境網絡的研究方向上已經取得了較大的進步，但是在往復壓縮機的故障診斷中仍然存在著許多亟需解決的問題。人工智能化的神經網絡呈現大規模的并列分布處理系統，而且具有很好的自學性和組織性，更重要的是能夠從故障中學習，進而聯想記憶和功能匹配等模式，如果能進一步利用好智能化技術，將會很好的解決技術人員解決不了的問題。
3 結束語
在今后往復式壓縮機發展的進程中主要發展的趨勢是人工智能化以及計算機輔助數據的分析等先進技術，進而開發實現往復壓縮機的在線監測和故障診斷系統，利用該系統實現資源的共享，進一步提高故障診斷的準確度，這也是往復式壓縮機故障診斷技術的一個創新之處。
參考文獻
[1]王隆富.往復機械故障診斷綜述[J].湖北廣播電視大學學報，2009（4）.
關鍵詞：汽輪機 故障診斷 小波 神經網絡
1、引言
二十世紀以來，隨著工業生產和科學技術的發展，機械故障的可靠性、可用性、可維護性與安全性問題日益突出，從而促進了人們對機械設備故障機理及診斷技術的研究汽輪機是電力生產的重要設備，由于其結構的復雜性和運行環的特殊性，汽輪機的故障率較高，而卻故障危害也很大。汽輪發電機組常見的機械振動故障有：轉子不平衡、轉子彎曲、轉子不對中、油膜振蕩、碰摩、轉子橫向裂紋和轉子支承系統松動等。汽輪機振動故障的汽輪機最常見的故障，因此，汽輪機的振動故障診斷一直是故障診斷技術應用中非常重要的部分。
2、基于信號處理的振動故障診斷方法
信息的采集和處理是實現機組振動檢測與故障診斷中的一個基本環節、也是振動檢測軟件的核心技術。現代信息分析主要包括兩種形式：一種是以計算機為核心的專用數字式信號處理儀器，另一種是采用通用計算軟件來進行信號分析的方式。
2.1小波變換方法
這是一種新的信號處理方法，是一種時間―尺度分析方法，具有多分辨率分析的特點。利用小波變換可以檢測信號的奇異性。因噪聲的小波變換的模的極大值隨著尺度的增大而迅速衰減，而小波變換在突變點的模的極大值隨著尺度的增大而增大(或由于噪聲的影響而緩慢衰減)，即噪聲的Lipschitz指數處處小于零，而在信號突變點的Lipschitz指數大于零(或由于噪聲的影響而等于模很小的負數)，所以可以用連續小波變換區分信號突變和噪聲。同樣，離散小波變換可以檢測隨機信號頻率的突變。孫燕平等應用了小波分析理論，采用多分辨分析和小波分解等基本思想對汽輪機轉子振動信號進行了分析，針對振動信號的弱信號特征，提出了基于離散小波細化頻率區間，小波分解后進行能量譜分析和小波變換結合傅立業變換分析法，并將其應用于模擬轉子試驗臺上。閆亮以小波分析為基礎，針對汽輪機早期振動故障信號具有背景噪聲強，特征信號弱的特點改進傳統的Donoho硬閾值降噪算法，提出了基于shannon熵的最優小波包基降噪算法，能明顯地提高信號的信噪比。采用小波神經網絡松散結合的診斷方法，利用小波包的分解重構系數得到信號的頻帶能量，再將頻帶能量作為神經網絡輸入向量進行模式識別。利用BP神經網絡在故障診斷方面具有診斷精度高，學習速度快的特點與小波分析相結合。
小波神經網絡是一種非模型的診斷方法，回避了抽取對象數學模型的難點，避免了復雜的關于建模的傳遞函數的運算，以及建模不完全或不精確導致的診斷誤差。小波變換不需要系統的數學模型，對噪聲有很強的抑制能力，有較高的靈敏度，運算量也不大，是一種很有前途的方法。
2.2信息融合的方法
信息融合是利用計算機技術對按時序獲得的多源的觀測信息在一定準則下加以自動分析、綜合以完成所需的決策和估計任務而進行的信息處理過程。
張燕平設計了汽輪機轉子軸系故障模擬試驗方案，并對各種故障進行了多組升速試驗，對故障信號進行了傅立葉分析，以三維幅值譜和升速過程波德圖為工具，對故障信號的頻域信息進行了融合研究。研究表明，一階矩向量三維圖不僅融合了信號的時頻特征，還融合了信號的空間特征，因而可用來對故障的產生過程進行全面分析，是進行軸系典型故障診斷的又一有效工具。
2.3其他信息處理法
N.E.Huang等提出了一種經驗模態分解方法(EMD)，其主旨為把一個時間序列的信號分解成不同尺度的本征模態函數(IMF)，每個本征模態函數序列都是單組分的，相當于序列的每一點只有一個瞬時頻率，無其他頻率組分的疊加。瞬時頻率是通過對IMF進行希爾伯特變換得到，同時求得振幅，最后求得振幅頻率時間的三維譜分布。唐貴基等利用EMD分析方法以及其對應的Hilbert變換在大型汽輪機故障診斷中進行非平穩信號的算法和應用，并描繪出仿真故障信號的時頻圖、時頻譜和幅值譜。姚志宏嘲利用Kohonen網絡聚類的特點，把汽輪機振動故障信號頻譜中的相關頻段上不同頻率譜的譜峰能量值作為故障信號的訓練樣本輸入到Kohonen網絡，并由網絡進行聚類，產生聚類中心點。根據此聚類中心點的位置來確認和診斷汽輪機振動故障的原因以及目前的嚴重程度。
3、基于知識的故障診斷方法
基于知識的方法不需要精確的數學模型就能準確預測故障，當前這一領域的研究較為活躍。
3.1基于專家系統的故障診斷方法
專家系統(Expert System――ES)是人工智能領域較為活躍的一支，它已廣泛應用于過程監測系統，并取得了相當可觀的經濟效益。專家系統是一種基于知識的智能計算機程序系統，其運用領域專多年積累的經驗與專門知識，模擬人類專家的思維過程來處理該領域的問題。張曉等提出了一種新的基于模糊與綜合的離線式汽輪機故障診斷專家系統，并且提出了相關基于模糊診斷的推理和專家系統知識的漏診斷和無診斷的自學習方法。
3.2基于人工神經網絡的故障診斷方法
人工神經網絡技術以分布的方式存儲信息，利用網絡的拓撲結構和權值分布實現非線性的映射，并利用全局并行處理實現從輸入空間到輸出空間的非線性信息變換。對于某一特定對象建立特定的神經網絡故障診斷系統，將故障征兆作為輸入信號可以直接得到故障，方便地實現了故障檢測與診斷。
張建華等提出了采用概率神經網絡(PNN)的汽輪發電機組故障診斷方法。利用PNN算法簡單、訓練和泛化速度快的優點，把新的訓練樣本添加到以前訓練好的分類器中，便于提高故障診斷結果的準確性。而且具有很高的運算速度，抗干擾能力強，對傳感器測量噪聲具有較強的診斷魯棒性。新的訓練樣本也很容易加入以前訓練好的分類器中，更適用于在線檢測。程衛國翻通過對振動信號的分析，并對BP算法進行了研究和改進。劉正亮建立了人工魚群神經網絡模型，利用人工魚的聚群、追尾和覓食行為訓練RBF神經網絡的權系數，提高了神經網絡的收斂速度和精度。依據此模型提出一種故障診斷方法，并應用于汽輪機振動故障分析，提高了神經網絡的泛化能力和故障診斷的準確率。
4、基于解析模型的故障診斷方法
基于解析模型的故障檢測和診斷方法在故障診斷的研究中占有重要地位，它充分利用了系統模型的深層知識進行故障診斷，具體是指使用系統的結構、行為和功能等方面的知識對系統進行診斷推理，這就需要建立系統結構、行為和功能模型。
荊建平等針對轉子裂紋故障的早期診斷與預示這一問題，提出了基于多模型估計(MMAE)的轉子裂紋故障診斷方法。并對Jeffcott轉子建立了正常、裂紋轉子模型和基于卡爾曼濾波器的多模
型自適應估計器，通過裂紋故障的仿真分析和故障多模型估計表明，該方法對早期診斷和預示轉子裂紋故障有良好的效果。張國平針對汽輪機啟動和停止過程信號比平穩過程復雜這一特點用短時傅里葉變換提取狀態特征信息，引入基于連續HMM建立在在線狀態監測系統的應用。HMM是一種時間序列的統計模型，能用參數描述隨機過程統計特性的概率模型，是一種用針對性的信號的建模和識別工具。韓璞等㈣利用了貝葉斯網絡模型進行汽輪機故障診斷，通過對主成分分析方法提取故障特征的討論，提出了基于主成分分析方法和貝葉斯網絡的汽輪機故障診斷模型建立方法，應用特征提取后的樣本建立了汽輪機故障貝葉斯網絡模型，該汽輪機故障診斷模型簡潔，易于推理，提高了汽輪機故障診斷的效率。
基于解析模型的故障診斷方法主要用于控制系統的故障診斷。因為其它診斷方法多以直接檢測信號的分析為診斷依據，而控制系統的輸出信號常常隨著控制輸入信號的變化而變化。這樣，用直接信號檢測分析方法往往難以甄別一個異常的信號是由于系統故障所致，還是由于控制輸入信號使然。而基于解析模型的故障診斷方法將系統的模型和實際系統冗余運行，通過對比產生的殘差信號，就有效地剔除了控制信號對系統的影響因素。通過對殘差信號的分析，就可以診斷系統運行過程中出現的故障。
5、基于離散事件的故障診斷方法
離散事件模型的狀態既反映正常狀態，又反映系統的故障狀態。系統的故障事件構成整個事件集合的一個子集。故障診斷就是確定系統是否處于故障狀態和是否發生了故障事件。
彭希等針對常規頻譜診斷方法的不足，論述了離散的BAM(雙向聯想記憶)網絡及其特性。討論了汽輪發電機組常見典型振動故障的變化特征及其數字化描述方法，構建了離散BAM網絡能夠實現汽輪機振動故障特征空間到故障標示空間的聯想和追憶映射，用BAM網絡建立模型診斷汽輪機組振動故障。離散BAM神經網絡是繼Hopfield網絡之后另一類典型的反饋形網絡，是一種能進行尋址記憶的二層相關網絡，使用前向和后向信息對存儲內容激發聯想和回憶，其具有良好的動力學行為而用于聯想記憶。
陳等在分析了汽輪機振動故障特點的基礎上，提出了用遺傳算法進行汽輪機故障診斷問題，定義了遺傳算法求解故障診斷問題的概率因果網絡，建立了汽輪機故障診斷模型，該模型能有效地識別出汽輪機的多故障。
【關鍵詞】機電一體化設備故障診斷方法
中圖分類號：TH-39 文獻標識碼：A
設備故障，一般是指設備或系統在使用過程中喪失或降低其規定功能的事件或現象。故障診斷包括故障檢測和故障定位，就是利用各種檢查和測試方法，發現設備的故障并找出故障所在位置的過程。設備在使用過程中，由于機械零件的磨損、斷裂、變形、腐蝕損傷等原因，一旦發生故障，往往會產生嚴重后果。所以，必須對設備的零件及其運行狀態進行定期檢查和判斷，及時消除故障，保證設備的正常穩定運行。
一、機電一體化設備的故障診斷技術。
1、機電一體化設備的故障特點。機電一體化設備使用的零部件數量比較多，且技術含量比較高，因此，相對于一般的機械設備，其發生故障的幾率會比較大。統計表明，機電一體化設備發生故障的幾率是一般機械設備的八倍。面對如此復雜、故障如此高發的設備，光靠人工檢查分析是遠遠不夠的，因此迫切需要研究一種專門的故障診斷技術。機電一體化設備的故障特點主要有以下幾點：（1）機械零件比較多，容易磨損；（2）自診斷功能不強，只能診斷出一些簡單的故障；（3）報警顯示不明確，一些故障顯示報警，一些故障沒有報警顯示；（4）相關經驗技術人員越來越少。
2、機電一體化設備的故障診斷技術。故障診斷技術實質上就是一種檢測技術，即檢查系統的運行狀態并判斷異常情況，根據診斷為系統故障的恢復提供依據。對設備進行故障診斷主要有三個目的：①為了確保設備的正常可靠運行；②為了發揮設備的最大效益；③為了能夠及時診斷出已發生或將要發生的故障，從而減少維修時間，提高維修質量。故障診斷主要有四個任務：①故障檢測，即對使用中的設備或系統定期的發送檢測信號，通過分析接收到的響應數據判斷設備或系統是否發生故障。②故障類型判斷，即在檢出故障后，分析故障原因判斷出系統故障的類型。③故障定位，即在前兩個任務的基礎上，細化故障種類，判斷出故障發生的具體部位和原因。④故障恢復，即根據第三個任務，采取不同的措施，對系統故障進行恢復。故障診斷一般是通過檢測設備的信號來判斷設備的運行情況。設備診斷過程如圖1所示。
由圖1可以看出，在對設備的故障進行診斷時，需要先對診斷對象的原始特征信號進行測試，以獲得診斷信號；然后從這些診斷信號中提取征兆，即從信號中分離出能夠表示特征故障種類和位置的信號；隨后再根據模式識別理論處理征兆，進行狀態識別。如果是無故障狀態，則可以采用濾波、時序模型等方法進行深入分析，預測將要發生的故障；如果狀態是某一種故障，則可以采用模式識別、信號分析等方法研究故障的類型、位置及其產生原因，然后在此基礎上制定策略，以達到診斷目的，確保設備的正常運行。故障診斷主要有兩種測試方式：①故障測試，發生在故障出現之前，這時診斷對象處于運行狀態，基于預測并及時發現故障的目的而對診斷對象進行的在線測試就稱為故障測試；②診斷測試，發生在故障出現之后，這時診斷對象處于非運行狀態，基于確定故障種類和位置而對診斷對象進行的試驗性測試就稱為診斷測試。
二、機電一體化設備故障診斷方法。
根據上述診斷過程，可以總結得到，設備診斷技術應該包括以下內容：（1）在對診斷對象測試之前，必須結合實際的設備性質與工況，選擇與設備狀態相關的原始特征信號。（2）結合實際情況采取合適的方法從診斷信號中分理出有關設備狀態的有用信息，即征兆。（3）依據提取的征兆，對設備狀態進行識別，即狀態診斷。（4）根據獲取的征兆和狀態，對設備運行情況進行深入分析，研究預測故障將要發生的位置、類型及產生原因。（5）結合設備狀態和發展趨勢，制定策略，確保設備的正常運行。機電一體化設備的故障診斷分析方法有很多，例如白診斷法、溫度檢測診斷法、壓力檢測診斷法、故障樹分析法等。
依據不同的診斷方式可以分為不同的故障判斷方法，這里主要介紹了三種：（1）根據故障是否有報警指示，可分為有診斷指示故障和無指示故障。有診斷指示故障是指機電一體化設備帶有自診斷功能，如果發生故障就會報警并在屏幕上顯示故障說明，這時就可以按照診斷手冊找出故障發生原因，及時排除故障。無診斷指示是指一些機電一體化設備沒有自診斷功能，即使有，也不能對某些故障的發生產生報警提示，只能依靠人工經驗分析來排除故障。
（2）根據故障的出現是否破壞工件或機床，可以將故障診斷分為破壞性故障和非破壞性故障。破壞性故障，是指這種故障一旦發生，就會損壞工件或機床，這種故障必須進行永久性排除，禁止重演；非破壞性故障，是指故障的發生不會損壞工件或機床，只需找出原因并排除即可。
（3）根據故障發生的偶然性，可以分為系統性故障和偶然性故障。系統性故障是指，一旦設備的運行狀態符合一定條件就會產生故障，這種故障分析起來比較容易；偶然性故障是指在設備的運行過程中偶爾發生的故障，這種故障分析比較難，因為它常與工件或機床的結構、工作特性有關。
三、機電一體化設備故障診斷專家系統。
機電一體化設備的故障診斷技術，其未來發展方向就是人工智能和專家系統，本文著重介紹了故障診斷專家系統。這個系統主要由知識庫、推理機和用戶界面三大部分組成，其實質就是利用某領域的多個專家知識建立一個計算機軟件系統，并結合在線檢測到的各種信息來解決該領域中的困難問題。設備故障診斷專家系統主要面向具體的生產設備，它需要預先總結相關領域專家的知識和經驗，并采用接口裝置獲取設備狀態的原始特征信號，提取征兆，然后將有用信息存入數據庫中。故障診斷專家系統流程圖如圖2所示。
由圖2可以看出，現階段的故障診斷專家系統包括兩次診斷。第一次診斷采用的是實時在線形式，根據裝在設備上的有限數量的傳感器輸入的信息，從知識庫中直接對設備狀態進行簡單的檢測和判斷，如果設備運行異常，就發出報警提示，并對設備實行簡單應急措施，例如停機檢修，并打印出診斷報告。如果這次診斷出的異常知識庫中并沒有直接的報警代碼，則進行第二次診斷。這次診斷采用的是離線形式，是一次精密診斷。首先將設備的狀態信息存入數據庫，然后對設備的異常工作情況采取適當的保護措施，隨后依據知識庫、人工經驗分析進行推理診斷，找出故障的原因、發生的位置，并打印出診斷報告，在顯示器上顯示故障說明，給出相應的解決方法。顯而易見，故障診斷專家系統不僅能迅速診斷并排除機電一體化設備的故障，還能大大的提高設備的利用率和工作效率。但是目前的故障診斷專家系統還不理想，因為它不能夠利用有限的傳感器傳輸的信息來自行判斷設備的異常情況及故障產生的原因、類別、位置等，所以還需要進一步研究。
結語：本文在介紹機電一體化設備的故障特點及故障診斷技術的基礎上，分析了機電一體化設備的故障診斷方法，并介紹了故障診斷專家系統。可以發現，故障診斷技術的研究不僅能及時發現設備故障，避免事故的發生，還能大大提高系統的可靠性和安全性，具有非常重要的實際意義。
參考文獻
[1]鐘國樑.機電一體化設備的故障診斷方法分析[J].科學之友，2012，1：49~50.
【關鍵詞】機械設備故障診斷與監測常用方法 發展趨勢
中圖分類號： U673.38 文獻標識碼： A 文章編號：
隨著科學技術的不斷發展，近代機械工業逐漸地向著機電一體化的方向發展 機械設備的自動化、智能化、大型化、集成化、復雜化程度不斷提高。因此，在生產過程中，為了避免產生巨大的經濟損失，必須確保設備安全、可靠地運行。對機械設備的工作狀態進行實時監視與診斷，并利用診斷結論采取相應的對策，杜絕生產事故的發生，無疑是一種行之有效的方法。故障檢測與診斷技術就是在此基礎上產生的一門新興的學科，隨著它在機械工程中作用的不斷加強，故障檢測與診斷技術越來越受到人們的關注，得到了迅速的發展。
機械故障診斷和監測技術的發展及現狀
早在二次世界大戰期間，由于大量軍事裝備缺乏診斷技術和維修手段，而造成非戰斗性的損壞，使人們意識到故障診斷和監測技術的重要性。6o年代以來，由于半導體的發展，集成電路的出現，電子技術、計算機技術的更新換代，特別是l 965年FFT方法獲得突破性進展后出現了數字信號處理和分析技術的新分支，為機械設備診斷和監測技術的發展奠定了重要的技術基礎。
美國最早開展機械故障診斷技術的研究。英國、瑞典、挪威、丹麥、日本等國緊隨其后。早在1 967年，美國就成立了機械故障預防小組(MFPG)，開始有組織有計劃地對機械診斷技術進行專題研究，并成功的運用于航天、航空、軍事等行業的機械設備中；日本在鋼鐵、化工、鐵路等民用工業部門的診斷技術方面發展很快，并具有較高水平；丹麥在機械振動監測診斷和聲發射監測儀器方面具有較高水平。
我國在機械故障診斷技術方面的研究和應用相對較晚，二十世紀八十年代才開始著手組建故障診斷的研究機構。其發展也經歷了從簡易診斷到精密診斷，從一般診斷到智能診斷，從單機診斷到網絡診斷的過程，發展速度愈來愈快。與國外發達國家相比，我國雖然在理論上跟蹤較緊，但總體而言，在機械設備診斷的可靠性等方面仍有一定差距。
經過30多年的發展，作為新興的綜合性的邊緣學科，機械故障診斷技術已初步形成了比較完整的學科體系。就其技術手段而言，已逐步形成以振動診斷、抽樣分析、溫度監測和無損檢測探傷為主，一些新技術或方法不斷興起和發展的局面。計算機硬件的突飛猛進、軟件技術的日新月異，極大地促進了信號分析與處理技術的發展，從而更進一步推動機械故障診斷和監測技術向著科學化和實用化的方向發展。
故障診斷和狀態監測的常用方法
狀態監測和故障診斷是兩種具有不同目的和方法的技術。設備狀態檢測的目的是判斷機器運行的狀態是否正常，包括采用各種測量、分析和判別方法。為進一步的故障診斷提供必要的數據和信息。而設備故障診斷的目的是判斷設備運行內部隱含故障，識別故障的性質、程度、類別、部位、原因等，并能說明故障發展的趨勢及影響，即作出中長期預報。
設備的故障有多種，不同的故障對應著狀態信號中的一系列特征信息，這是設備狀態或故障能被識別的客觀基礎。設備故障診斷的研究實質即為狀態的模式識別問題。
常用的機械設備的診斷技術有振動診斷方法、無損檢測技術、溫度診斷方法、鐵譜分析方法等。振動檢測技術是通過對機械信號的拾取、放大、顯示振動的峰值，以了解機械的振動狀態，廣泛地應用于設備診斷領域，常用于診斷旋轉機械。振動信號是設備狀態信息的載體，包含了豐富的設備故障信息，而振動特征是設備運行狀態好壞的重要標志。振動診斷技術已經歷了一個較長的發展階段，其理論基礎已比較雄厚，分析測試設備也已比較完善，診斷結果比較可靠，因而在故障診斷的整個領域中處于主導地位。但振動診斷技術也有不足之處：因為這一技術涉及信息傳感、振動測試、信號處理等領域，對設備診斷技術人員的要求比較高。
無損檢測法，有射線探傷，超聲波探傷，磁粉探傷、聲發射等。主要用于探測設備的內部立體缺陷，判斷缺陷的存在、位置、性質及大小，常用于礦山、石化等行業中。如各種形態的鋼鐵機件中的裂紋、氣孔、夾雜等隱患，長期交變應力作用下產生疲勞裂紋等，這些缺陷均可用無損檢測技術及早地加以診斷和監控。無損檢測技術可改進產品制造工藝、降低制造成本、提高設備的運行可靠性。
溫度與機械設備的運行狀態密切相關。對于溫度特別敏感的機械設備，可用溫度診斷技術，查找機件缺陷和診斷各種由熱應力引起的故障。隨著現代熱傳感器和檢測技術的發展，溫度診斷技術已成為故障檢測技術的一個重要發展方向。
鐵譜技術常用于機械磨損檢測，其核心是利用鐵譜儀，將油內鐵磁性磨損顆粒與油液及雜質分離開來，并根據各種磨粒的數量、形狀、尺寸、成分及分布規律等情況，對磨屑進行定性和定量分析，及時、準確地判斷出系統中元件的磨損部位、形式、程度等。油液污染度和氣體污染度的檢測技術。在各種油箱、油缸、管路中固體顆粒狀污染物是造成機件磨損、刮傷、卡死、堵塞的主要原因。據統計，70％ 以上的液壓設備故障是由于固體顆粒物的污染造成的。所以，油液污染物的測定是預防機件破壞的有效途徑。而氣體污染是在故障形成過程中或故障形成后產生的故障，這種檢測方法主要用于電氣故障、發動機故障及空壓機故障的監測。
故障診斷與監測技術的發展趨勢
近十幾年來，模糊診斷、故障樹分析、專家系統、人工神經網絡等新的診斷技術不斷出現，從而產生了模式識別、故障樹分析和小渡分析等分析方法。故障樹分析法是對系統故障形成的原因采用從整體至局部按樹枝狀逐漸細化分析的方法。它通過分析系統的薄弱環節和完成系統的最優化來實現對機械設備故障的預測和診斷。模糊診斷法是建立在模糊數學基礎上的，它利用癥狀向量隸屬度和模糊關系矩陣求故障原因向量隸屬度，故障原因隸屬度就反映了造成機器故障原因的多重性和它們的主次關系程度，從而可以減少許多不確定因素給診斷工作帶來的困難。專家系統是人工智能的一個重要分支，是一種以知識為基礎的智能化的計算機程序系統，為計算機輔助診斷的高級階段，研制專家系統是故障診斷技術的必然發展趨勢。人工神經網絡基于神經學研究的最新成果，是對人腦某些基本特征的簡單數學模擬，它具有對故障的聯想記憶，模式匹配和相似歸納能力，以實現故障和征兆之間復雜的非線性映射關系 這些方法在機械故障診斷領域的應用研究正蓬勃興起，但尚處于發展和不斷完善的過程中，將使機械設備狀態監測朝系統化和智能化方向發展。
隨著計算機網絡化的飛速發展，人們共享資源和遠程交換數據成為可能 利用光纖光纜、微波、無線通信及計算機網絡等通信方式，將故障診斷系統與數字信號系統結合起來組成網絡，從而實現對多臺機組的有效管理，減少監測設備的投資，提高系統的利用率，因而網絡化將是發展趨勢之一。
總結
隨著知識經濟的來臨，世界經濟的全球化和一體化，人類對環境的要求越來越高 這對機械設備狀態監測和故障診斷技術的要求也越來越高，不僅要滿足實現診斷性能的要求，還要滿足有利于保護環境、節約能源、節省資源、使用簡單可靠的要求。這使得機械設備狀態監測和故障診斷技術將朝著與環境相協餌的方向發展。
參考文獻
[1] 崔彥平，傅其鳳，葛杏衛，劉玉秋。 機械設備故障診斷發展歷程及展望[J]. 河北工業科技. 2004(04)
[2] 劉全心。 LabVIEW實現機械設備狀態監測與故障診斷[J]. 現代機械. 2008(03)
[3] 梁丹。 小波分析在機械故障監測與診斷中的應用[J]. 現代冶金. 2009(06)
【關鍵詞】綜合航空電子系統 故障診斷 健康管理技術
綜合航空電子系統在當今航空事業的發展中占領著重要的位置，它功能強大，能夠承擔許多與航空有關的任務。由于綜合航空電子系統所存在的環境存在一定的復雜性，所以在發揮作用的過程中會出現故障，嚴重影響到航空器的安全。因此，為了有效地減少危險性的發生，就必須對綜合航空電子系統進行故障診斷，才能夠起到降低危險性的作用，保證航空器飛行時的安全。故障診斷與健康管理技術也被稱為PHM技術，在綜合航空電子系統的維護方面也有著積極影響，這項技術極其重要，能夠降低維修成本，更大限度地保證航空器運營時間。
1 綜合航空電子系統故障診斷與健康管理技術研究現狀
1.1 國外研究
在國內，對故障診斷與健康管理技術的研究已經達到了前所未有的高度，其中的原因在于國外科學技術的發展非常迅速，這為PHM技術的研究提供了技術支撐。此外，國外優秀的研究人士也為此做出了巨大的貢獻，不僅探索出了當今綜合航空電子系統的發展特征，而且針對其中的疑難問題，進行討論與鉆研得到了滿意的答案。以美國為例，不僅有自己獨特的監控系統，而且通過應用PHM技術，讓直升機在完成任務中獲得了更高的效率，充分發揮了PHM技術的作用。
1.2 國內研究
我國對PHM技術的研究遠遠不及國外，其中，科技的發展落后于國外，而且在優秀人才方面，我國也處于弱勢地位。我國對PHM技術大多限于理論研究，在實際的應用中，還處于比較薄弱的階段，在完整理論的構建方面，也還需要做出更多的努力。綜合航空電子系統的發展具有多面性，必須通過科學的研究找出故障診斷與健康的管理技術，才能夠讓我過航空事業的發展迎來更好的前景。國內對PHM技術的研究還應該加大力度，才能夠不斷滿足我國社會的發展需要。
1.3 整體需要加強
科技的發展非常迅速，國家和社會也處于不斷上升的發展趨勢之中。綜合航空電子系統也會得到不斷的進步，就需要更加先進的故障診斷與健康管理技術來與之相適應，共同推動國家航空事業的進一步騰飛。因此，不管是對于國外，還是對于國內來講，都不能停止研究與探索的腳步，而是應該在原來的基礎上不斷創新，研究出更加具有權威性的PHM技術，在現今以及將來的社會發展中創造更多的效益，不斷推動本國航空事業的發展與進步。
2 綜合航空電子系統故障診斷與健康管理技術面臨的挑戰
2.1 數據獲取困難
在綜合航空電子系統的故障診斷中，有許多地方都會應用到數據，這些數據是航空器在發生故障時由于信號的改變而產生的，但是要通過特定的運算方法才能夠得到。因為在航空器發生故障時，存在突發性的情況，所以就難以根據信號的變化得到準確的估算值，用于系統的故障診斷，這就增加了診斷的難度。由于具備突發性特征的航空故障發生的頻率較高，所以就會對綜合航空電子系統的正常運行造成嚴重的不良影響，難以在規定的時間之內完成相應的任務。
2.2 故障模型建立困難
綜合航空電子系統在發生故障時，往往是多種因素共同作用的結果，所以，要想準確地診斷航空系統的故障，就必須弄清楚各種因素所造成的損傷度有何種聯系。這就需要建立故障模型，對各類損傷的數據進行分析，并且找出其中存在的聯系，判斷各類因素的疊加會造成何種損傷的后果。但是在現實中往往會因為各種因素的復雜性而導致故障模型建立的失敗，無法根據模型來有效地診斷綜合航空電子系統的故障。
2.3 電子元件各不相同
在綜合航空電子系統中，電子元件發揮著重要的作用，它是航空系統正常發揮作用的關鍵所在，必須保證其質量，才能夠保證航空系統的安全性。目前在我國，科技的發展促進了電子元件的發展進步，它的質量有了很大的提升。但是，由于電子元件來源的不同，生產標準的不統一，也導致了電子元件在具體的質量方面存在許多差別，比如使用壽命會有所不同。這會影響到航空電子系統故障診斷的精確性。
3 綜合航空電子系統故障診斷與健康管理關鍵技術分析
3.1 分類監測技術
綜合航空電子系統具備極強的復雜性，其中電子元件眾多，且具有難以監測的特點，就導致了航空電子系統監測的復雜性。基于這個問題，PHM技術具備巨大的優勢，因為它能夠針對航空電子系統中的不同部分，分別展開監測工作，獲取準確的數據，以此作為航空電子系統故障診斷的依據。分類監測技術的存在能夠為綜合航空電子系統故障檢測帶來巨大的益處，對于當今的我國來講，是技術上的一個巨大進步。
3.2 故障預測技術
綜合航空電子系統在構造方面的特征決定了其故障診斷需要一定的技術，系統中元器件數量大、種類多，并且在發生故障時，每一個組成部分都呈現出不同的特點。在故障狀態時，元器件處于檢測階段的時間非常之短，難以在有限的時間之內得到準確的檢測數據，進而利用數據建立故障模型。而故障預測技術就能夠解決這個問題，雖然當前在我國這項技術的發展仍然不成熟，但是也能夠起到一定的作用。這項技術中所采用的累積法、預警監測法都是航空電子系統故障預測技術中的不二選擇。
3.3 故障診斷技術
綜合航空電子系統的故障診斷需要一系列的程序，不僅要通過預測、計算這些步驟，而且在必要時還要對監測的數據進行分析與結果的估測，在故障位置的判斷方面，也要做到精準無誤。在航空電子系統內部，故障診斷法需要利用系統內部各個結構之間的關系，辨識相關矩陣，才能夠促進故障模型的形成。在故障診斷技術中，常用的主要是根據數據通過推理得出結論，或者是通過分析模型來探究出航空電子系統的故障所在。
參考文獻
[1]楊德才.綜合模塊化航空電子系統的故障預測與健康管理技術[J].現代電子技術，2015，05：125-128.
[2]盧海濤，王自力.綜合航空電子系統故障診斷與健康管理技術發展[J].電光與控制，2015，08：60-65+86.
[3]楊軍祥，田澤，李成文，楊濤，王純委，劉宇.新一代航空電子故障預測與健康管理系統綜述[J].計算機測量與控制，2014，04：972-974+978.
論文關鍵詞：模擬電路；故障診斷；小波神經網絡
論文摘要：分析了模擬電路故障診斷的重要性和目前存在的困難，對基于小渡分析理論和神經網絡理論的模擬電路故障診斷方法進行了綜述．指出了小波神經網絡應用于模擬電路故障診斷存在的問題和未來的應用前景。
模擬電路故障診斷在理論上可概括為:在已知網絡拓撲結構、輸人激勵和故障響應或可能已知部分元件參數的情況下，求故障元件的參數和位置。
盡管目前模擬電路故障診斷理論和方法都取得了不少成就，提出了很多故障診斷方法，如故障字典法、故障參數識別法、故障驗證法等。但是由于模擬電路測試和診斷有其自身困難，進展比較緩慢。其主要困難有:模擬電路中的故障模型比較復雜，難以作簡單的量化;模擬電路中元件參數具有容差，增加了故障診斷的難度;在模擬電路中廣泛存在著非線性問題，為故障的定位診斷增加了難度;在一個實用的模擬電路中，幾乎無一例外地存在著反饋回路，仿真時需要大量的復雜計算;實際的模擬電路中可測電壓的節點數非常有限.導致可用于作故障診斷的信息量不夠充分，造成故障定位的不確定性和模糊性。
因此，以往對模擬電路故障診斷的研究主要停留在中小規模線性無容差或小容差的情況，有些方法也已成功地應用于工程實際。但如何有效地解決模擬電路的容差和非線性問題，如何解決故障診斷的模糊性和不確定性等是今后迫切需要解決的問題。小波神經網絡則因其利于模擬人類處理問題的過程、容易顧及人的經驗且具有一定的學習能力等特點，所以在這一領域得到了廣泛應用。
1小波分析理論在模擬電路故障診斷中的應用現狀分析
簡單地講，小波就是一個有始有終的小的“波浪”小波分析源于信號分析，源于函數的伸縮和平移，是Fourier分析、Gabor分析和短時Fourier分析發展的直接結果。小波分析的基木原理是通過小波母函數在尺度上的伸縮和時域上的平移來分析信號，適當選擇母函數.可以使擴張函數具有較好的局部性，小波分析是對信號在低頻段進行有效的逐層分解，而小波包分析是對小波分析的一種改進，它為信號提供了一種更加精細的分析方法，對信號在全頻段進行逐層有效的分解，更有利于提取信號的特征。因此，它是一種時頻分析方法。在時頻域具有良好的局部化性能并具有多分辨分析的特性，非常適合非平穩信號的奇異性分析。如:利用連續小波變換可以檢測信號的奇異性，區分信號突變和噪聲，利用離散小波變換可以檢測隨機信號頻率結構的突變。
小波變換故障診斷機理包括:利用觀測器信號的奇異性進行故障診斷以及利用觀測器信號頻率結構的變化進行故障診斷。小波變換具有不需要系統的數學模型、故障檢測靈敏準確、運算量小、對噪聲的抑制能力強和對輸入信號要求低的優點。但在大尺度下由于濾波器的時域寬度較大，檢測時會產生時間延遲，且不同小波基的選取對診斷結果也有影響。在模擬電路故障診斷中，小波變換被有效地用來提取故障特征信息即小波預處理器之后，再將這些故障特征信息送人故障分類處理器進行故障診斷。小波分析理論的應用一般被限制在小規模的范圍內，其主要原因是大規模的應用對小波基的構造和存儲需要的花費較大。
2神經網絡理論在模擬電路故障診斷中的應用分析
人工神經網絡(ANN)是在現代神經科學研究成果的基礎上提出來的，是一種抽象的數學模型，是對人腦功能的模擬。經過十幾年的發展，人工神經網絡已形成了數十種網絡，包括多層感知器Kohomen自組織特征映射、Hopfield網絡、自適應共振理論、ART網絡、RBF網絡、概率神經網絡等。這些網絡由于結構不同，應用范圍也各不相同。由于人工神經網絡本身不僅具有非線性、自適應性、并行性、容錯性等優點以及分辨故障原因、故障類型的能力外，而且訓練過的神經網絡能儲存有關過程的知識，能直接從定量的、歷史故障信息中學習。所以在20世紀80年代末期，它已開始應用于模擬電路故障診斷。隨著人工神經網絡的不斷成熟及大量應用，將神經網絡廣泛用于模擬電路的故障診斷已是發展趨勢。BY神經網絡由于具有良好的模式分類能力，尤其適用于模擬電路故障診斷領域，因而在模擬電路故障診斷系統中具有廣泛的應用前景，也是目前模擬電路故障診斷中用得較多而且較為有效的一種神經網絡。
3小波神經網絡的應用進展分析
3，1小波分析理論與神經網絡理論結合的必要性
在神經網絡理論應用于模擬電路故障診斷的過程中，神經網路對于隱層神經元節點數的確定、各種參數的初始化和神經網絡結構的構造等缺乏更有效的理論性指導方法，而這些都將直接影響神經網絡的實際應用效果。小波分析在時域和頻域同時具有良好的局部化特性，而神經網絡則具有自學習、并行處理、自適應、容錯性和推廣能力二因此把小波分析和神經網絡兩者的優點結合起來應用于故障診斷是客觀實際的需要。
目前小波分析與神經網絡的結合有兩種形式，一種是先利用小波變換對信號進行預處理，提取信號的特征向量作為神經網絡的輸人，另一種則是采用小波函數和尺度函數形成神經元，達到小波分析和神經網絡的直接融合第一種結合方式是小波神經網絡的松散型結合，第二種結合方式是小波神經網絡的緊致型結合。
3.2小波分析理論與神經網絡理論的結合形式
小波與神經網絡的松散型結合，即:用小波分析或小波包分析作為神經網絡的前置處理手段，為神經網絡提供輸人特征向魚具體來說就是利用小波分析或小波包分析，把信號分解到相互獨立的頻帶之內，各頻帶內的能童值形成一個向覺，該向童對不同的故障對應不同的值，從而可作為神經網絡的輸入特征向量一旦確定神經網絡的輸入特征向童，再根據經驗確定采用哪種神經網絡及隱層數和隱層單元數等，就可以利用試驗樣本對神經網絡進行訓練，調整權值，從而建立起所需的小波神經網絡模型。
小波與神經網絡的緊致型結合，即:用小波函數和尺度函數形成神經元，達到小波分析和神經網絡的直接融合，稱為狹義上的小波神經網絡，這也是常說的小波神經網絡。它是以小波函數或尺度函數作為激勵函數，其作用機理和采用Sigmoid函數的多層感知器基本相同。故障診斷的實質是要實現癥狀空間到故障空間的映射，這種映射也可以用函數逼近來表示。小波神經網絡的形成也可以從函數逼近的角度加以說明。常見的小波神經網絡有:利用尺度函數作為神經網絡中神經元激勵函數的正交基小波網絡、自適應小波神經網絡、多分辨率小波網絡、區間小波網絡等。
3.3小波分析理論與神經網絡理論結合的優點
小波神經網絡具有以下優點:一是可以避免M LY等神經網絡結構設計的育目性;二是具有逼近能力強、網絡學習收斂速度快、參數的選取有理論指導、有效避免局部最小值問題等優點。
在模擬電路故障診斷領域，小波神經網絡還是一個嶄新的、很有前途的應用研究方向。隨著小波分析理論和神經網絡理論的不斷發展，小波神經網絡應用于模擬電路故障診斷領域將日益成熟。
關鍵詞：礦山機電；智能故障；故障檢測診斷
中圖分類號：TD4 文獻標識碼：A 文章編號：1009-2374（2013）14-0097-02
近年來由于礦山機電設備故障造成的安全事故屢見不鮮，礦山機電設備的安全性問題日益凸顯，并得到了高度重視。針對該安全問題，只有加大對礦山機電設備的故障檢測和安全診斷，采用合理的故障診斷理論，建立科學的機電設備故障預測、預警系統，提高礦山機電設備運行安全可靠性才能從根本上減少甚至避免礦山機電設備故障造成的安全事故。
1 故障檢測診斷技術
故障檢測診斷技術是以信號分析處理技術、計算機技術和傳感器技術等為基礎的綜合性技術。現代工藝理論、相關基礎學科理論和檢測技術與理論的快速發展促進了故障檢測診斷技術的不斷發展和完善。
故障檢測診斷技術主要通過檢測礦山機電設備運行狀態的各信號數據和參數，從而對礦山機電設備的運行性能和安全可靠性進行預測，以識別設備故障的原因和判斷危害等級等問題，從而提出針對性的處置對策和技術方法。
2 礦山機電設備故障檢測診斷技術的步驟
礦山機電設備故障檢測診斷技術的主要步驟分為信息采集、信息處理、分析識別、數學模型和預測。
2.1 信息采集
準確測量反映礦山機電設備狀態的信號數據和參數，采集機電設備上安裝各類傳感器的實時信息數據，并及時將測量和采集的數據存入數據存儲器或計算機，以方便
調用。
2.2 信息處理
現場采集的煤礦機電設備的數據信息，并不能直接用來判別設備的狀態，其中存在著有用信息和無用信息，因此必須將采集的信息進行轉換，提煉出有用信息并做出數據分析，轉變成人或機器能讀懂的信息。
2.3 分析識別
對處理后的煤礦機電設備數據信息進行分類、識別和分析，與機電設備正常運行時的標準參數進行比對，確定當前設備狀態及可能出現的故障部位、故障類別以及故障原因。
2.4 數學建模
礦山機電設備在運行中很多的參數和數據信息，與機電設備的狀態以及機電設備是否存在故障隱患有一定關系。因此，需要建立數學模型來準確反映出機電設備狀態與產生故障的參數間的數學關系。
2.5 預測技術
對機電設備部件的剩余壽命和機電設備的故障情況等方面進行預測，可以為日常機電設備的保養工作和故障維修工作提供可靠依據，能夠有效避免礦山機電設備故障的發生。
3 礦山機電設備智能故障檢測診斷方法分類
礦山機電設備故障診斷技術分為主觀診斷、儀器診斷和智能化診斷三個階段。下面主要介紹五種礦山機電設備智能診斷方法。
3.1 模糊診斷法
礦山機電設備的模糊診斷法是將數學集合論的概念，包括模糊關系矩陣以及隸屬度函數，應用到機電設備的故障診斷中，從而解決機電設備征兆與故障間的不確定關系。礦山機電設備的模糊診斷法的優點主要表現為模糊推理邏輯嚴謹，能有效地解決礦山機電振動故障中遇到的模糊性問題。但是，由于在很多情況下，較難確定相應的模糊關系，獲取模糊診斷知識也非常困難，因此機電設備模糊診斷方法的應用還缺乏一定的準確性和普遍適用性。
3.2 故障診斷專家系統
礦山機電設備故障診斷專家系統是用計算機將采集到的機電設備信號數據和參數，通過專家經驗進行推理，運行過程中可以隨時索取相關信息數據和參數。礦山機電設備故障診斷專家系統的優點是適應于人的思考方式，不用輸入非常多的知識細節，個別事實發生變化時也很容易修改。但是，礦山機電設備故障診斷專家系統目前存在一定的局限性：機電設備故障診斷的準確度與專家診斷系統中專家知識的水平高低以及豐富程度有很大的關系；而且有些礦山機電設備的故障很難通過具體的方式描述，使得建立準確的知識庫也會非常的困難。
3.3 人工神經網絡故障診斷法
利用人工神經網絡進行礦山機電設備故障診斷的基本思想是：以礦山機電設備的故障特征信號作為神經網絡輸入，礦山機電設備的診斷結果作為神經網絡輸出。通過調整人工神經網絡節點間的權值和閾值，利用訓練好的人工神經網絡，來實現礦山機電設備故障的診斷等，并且由于人工神經網絡診斷法自身所具有的自學習、自適應和并行性能力等優點，因此該故障診斷法在礦山機電設備智能故障診斷中的應用越來越廣泛，并且也逐漸得到相關專家學者的深入研究。
3.4 基于仿生算法的故障診斷法
遺傳算法是一種隨機優化算法，它的兩個重要特點是群體搜索策略和群體中個體之間的信息相互交換，其本質是模擬由個體組成的群體之間的學習過程，其中每個個體表示給定問題搜索空間中的一個解。該算法具有并行計算、快速尋找全局最優解等優點。
將生命科學中的免疫概念及其相應的理論應用于遺傳算法中，并進行有目的性地抑制遺傳算法在優化過程中出現的退化現象，這種算法被稱之為免疫算法。通過理論分析，免疫算法具有全局收斂特性，能夠更好地抑制遺傳算法出現的退化現象。
3.5 信息融合智能診斷方法
信息融合智能診斷方法是一種新型的礦山機電設備智能診斷技術。該診斷方法是通過多傳感器測量和采集礦山機電設備的多種相關信息數據和參數，利用計算機對有關礦山機電設備運行狀態的不同信息進行自動分析，準確并及時地預測礦山機電設備的運行狀態。
4 結語
礦山機電設備的故障檢測診斷技術可以為礦山機電設備的相關維護人員和維修人員及時并有效地進行機電設備的故障預測，發現機電設備的故障源頭，分析并找到機電設備的故障原因以及給出機電設備的故障解決方案，防止并預防煤礦機電設備安全事故的發生。因此煤礦企業應該大力推動礦山機電設備智能診斷檢測技術的研究和發展，以保證礦山機電設備的安全性與可靠性，減少并力爭避免安全事故的產生。未來，將多種人工智能檢測診斷技術相結合，開發應用的礦山機電設備混合智能檢測診斷系統，將會逐漸成為數字化礦山機電設備智能故障檢測診斷技術研究的一個重要方向。
參考文獻
[1] 孫新城.淺析煤礦機電設備維修中故障檢測診斷技術的應用[J].企業技術開發，2011，（17）：70-71.
[2] 井學慶.礦山機電設備故障診斷技術的研究與探討
[J].黑龍江科技信息，2012，（2）：34.
[3] 辛晟，郭磊.水力發電機組振動故障診斷技術綜述
[J].機電技術，2010，（2）：42-44.
【關鍵詞】煤礦機電產品；檢測；自動化
中圖分類號：X752文獻標識碼： A
一、前言
近年來，煤炭開采逐步機械化，涌現出了很多大型復雜的機械化設備，提高了勞動生產率，增加了煤炭產量，減少了重大惡性事故的發生。隨著現代工業的不斷發展，煤礦生產設備結構越來越復雜，功能越來越多。由于各種不可避免的因素的影響，導致設備出現各種異常，以致降低或失去其預定的功能，造成嚴重的甚至災難性的事故，國內外接連發生的由設備故障引起的各種爆炸、倒塌、斷裂、毀壞等惡性事故，造成了極大的人員傷亡和經濟損失。生產過程中接連發生的設備事故，使機器設備遭受損壞或生產過程不能正常運行，造成極大的經濟損失。所以確保設備的安全運行，防止突發性事故發生，減少事故損失，是十分迫切的問題。故障檢測診斷技術是一項集合了信息技術、傳導技術和電腦技術等多個領域為一體的先進技術手段，近年來在煤礦行業中得到了廣泛應用與普及。機械設備故障診斷技術是了解和掌握設備的運行狀態、識別設備的異常表現、早期發現設備潛在故障并預報故障發展趨勢的技術，它涉及機械、信息、計算機人工智能等許多學科知識，已經成為一門獨立的跨學科的綜合技術，是以可靠性理論、信息論、振動理論、控制論和系統論為理論基礎，以現代測試儀器和計算機為技術手段，結合各種診斷對象的特殊規律而形成的一門新興學科。由于煤礦井下工作環境惡劣，對各種設備的機械性能、使用可靠性以及安全性能的要求很高，因此對煤礦機電產品進行合理地檢測與故障診斷就顯得尤為重要和迫切。
二、故障檢測技術在煤礦機電產品中的應用
1、采煤機故障診斷技術
采煤機是煤礦生產的關鍵設備，它增加了煤炭產量，減少了事故發生率。由于煤礦環境惡劣，加上采煤機自身結構復雜，在工作時不但容易受到來自煤、巖石等沖擊，而且還受到煤塵和水霧的污染，出現故障比較頻繁。采煤機一旦出現故障，將會造成整個煤礦生產系統癱瘓，因此對采煤機進行正確的故障診斷是具有非常重要的意義的。隨著當前煤礦工業的發展，采煤機功能越來越多，且自身的結構和組成愈發復雜，導致故障發生的原因也隨之復雜化。同國外先進的采煤機比較，國產的采煤機在故障檢測診斷技術方面還相對落后，主要表現在檢測參數的缺少和檢測范圍的不全面，并且無故障診斷功能。目前常用的采煤機故障診斷方法有：溫度監測，對于采煤機而言，采用在線溫度監測比較實用，比如當采煤機截割滾筒內軸承損壞發生嚴重摩擦時，滾筒溫度將急劇上升，通過溫度監測可以快速地定位故障部位，連續對這些部位進行溫度監測并記錄歷史變化數據，不但能夠監測采煤機的現況，還能夠預測采煤機的故障發展趨勢；專家系統，采煤機故障具有復雜性和隱蔽性，傳統的診斷方法難以做出快速準確的判斷，存在著誤判的可能。專家系統能夠綜合運用領域內專家的知識，模擬專家的思維過程，從而對故障進行分析。利用專家系統對采煤機進行故障診斷，首先要對現場故障診斷數據進行歷史記錄和分類總結，然后建立知識庫，但是專家系統在知識獲取及推理技術等方面存在著缺陷；人工神經網絡，由于采煤機從故障初始征兆到故障源的映射通常具有復雜的非線性映射關系，將人工神經網絡應用到采煤機故障診斷中，可以從監測到的采煤機故障信號中，找到故障原因和故障部位的非線性映射關系，但是由于人工神經網絡學習周期較長及收斂速度慢等缺點，會影響采煤機故障診斷的及時性。
2、礦井提升機故障診斷
礦井提升機常被人們稱為礦山的咽喉，是礦山最重要的關鍵設備，是地下礦井與外界的唯一通道，它在整個綜合機械化生產中占有非常重要的位置，提升機不僅是它的重要組成部分，同時也是礦山重要的大型固定機械設備。肩負著提升煤炭、下放材料、升降人員等的重要運輸責任。提升機運行的安全可靠性不僅直接影響整個礦井的生產能力，影響整個礦山的經濟效益，而且還涉及到井下工作人員的生命安全。一般來說，主井提升設備只負責將井下采掘到的有用礦物從井底提升到地面；副井提升設備負責提升巖石、下放材料、升降設備和人員等工作。現代提升設備的提升容器一次有效提升量可達到 30 到 50 噸之巨，其在井筒內運行的速度可達每秒 20 到 25 米，一臺提升機的驅動電機的容量最大可達 1 到 1.5 萬千瓦。所以使它們安全、可靠、經濟地運轉對確保礦井安全，經濟生產就具有非常重要的意義。目前，各種以計算機為主體的自動化診斷系統問世并相繼投入使用，反應了當前設備診斷技術發展方向。把分散的診斷裝置系統化，與電子計算機相結合，實現狀態信號采集、特征提取、狀態識別自動化，能以顯示、打印繪圖等各種方式自動輸出診斷報告；利用人工神經網絡、遺傳算法及專家系統組成的智能化專家系統是診斷技術發展的必然趨勢；集機電液一體化的診斷技術得到了迅速發展；信息融合技術已成功應用于眾多領域，其理論和方法已成為智能信息處理及控制的一個重要研究方向，信息融合技術的發展和應用為診斷技術注入了新的活力，使基于多傳感器或多方法綜合的診斷技術具備了系統化的理論基礎和智能化的實現手段，以傳感器技術和現代化信號處理技術為基礎，以信息融合技術為核心的智能診斷技術代表了當今診斷技術的發展方向。
3、煤礦通風機的故障診斷
在煤礦生產中，礦井風機是一種非常重要但又耗能較多的設備，它必須 24 小時不停運轉。煤礦通風的目的，是為井下作業區域輸送適量的新鮮空氣，是保證煤礦安全生產很重要的一環，瓦斯及火災的防治，都是建立在良好的通風之上的。煤礦通風機是氣體壓縮和輸送的機械設備，煤礦通風機主要由葉輪、電機、軸承、機殼、導流片等部件組成。由于煤礦的生產條件十分惡劣，煤礦通風機經常發生各種故障，所以應對煤礦通風機故障展開故障診斷研究，這樣可以有效地減少瓦斯事故和其他類事故的發生概率，促進煤礦安全穩定的生產。傳統上對煤礦故障診斷常采用快速傅里葉變換的分析方法。快速傅里葉變換，是信號頻域分析的有效工具。但是快速傅里葉變換無法分析通風機故障的暫態特征，而這些暫態特征信號里往往包含著故障的重要信息，同時快速傅里葉變換對故障的局部信號分析也無能為力。在煤礦通風機設備故障診斷中，利用小波變換進行動態系統故障檢測與診斷具有良好的效果，小波分析可以將一個信號分解成多個不同尺度的信號，所以在信號檢測中得到了廣泛應用。小波分析能將采集到的通風機振動信號， 小波變換具有空間局部化性質，利用小波變換能有效分析突變信號的時頻局部特征。同時神經網絡具有非線性擬合能力，因此可以構建出小波神經網絡，建立起故障特征分量和故障類型之間的映射，從而正確診斷出煤礦通風機故障。
三、結語
煤礦機電設備是煤礦生產的重要環節。由于煤炭行業和礦井開采條件的特殊性，機電故障現象比較復雜。目前，我國煤礦行業因為各種因素，機電設備故障檢測診斷技術仍處于較為簡單的階段，煤礦設備故障檢測診斷技術應用尚不廣泛，但尚有許多研究成果，應綜合考慮有關機電設備可靠性和經濟性等因素，合理適當選擇監測和診斷方法。同時，還應加強與各個行業間故障檢測診斷技術的交流與合作，并進行新技術的推廣與應用，使煤礦機電設備的安全性、可靠性得到進一步提高。
參考文獻：
[1]王琳.機械設備故障診斷與監測的常用方法及其發展趨勢[J].武漢工業大學學報， 2000 （3）
[2]周東華，王桂增.故障診斷技術綜述[J].化工自動化及儀表， 2008 （1）
關鍵詞：多元支持向量機 離心式壓縮機 故障診斷
The Application of Multi-Support Vector Machines in Fault Diagnosis for Compressors
Yu Huiyuan
（Well-Tech R&D Institutes， COSL， Yanjiao 065201， China）
Abstract： For solving the defect of traditional classificatory with many samples， a new classificatory recognizing faults based on Multi-Support Vector Machine （MSVM） is proposed for centrifugal compressors. SVM is a new machine study method which has excellent advantages in small-sample and multi-dimension binary classification. The new MSVM classificatory can be studied in a few samples rapidly to recognize several kinds of new faults. At the same time， the experiments showed that recognizing correct rate increased more greatly compared with traditional BP method.
Key words： MSVM； centrifugal compressor； fault diagnosis
一、引 言
壓縮機在工業生產領域中具有非常重要的作用，由于故障原因造成的啟停機一次所產生的經濟損失是非常巨大的。如果能夠事先準確診斷和預測出設備出現的各種故障，根據故障類型和實際情況采取相應的措施，就可以避免或減少經濟損失。機械故障診斷學就是通過研究故障和征兆之間的關系來判斷設備故障的。旋轉機械的故障形式多種多樣，故障產生的機理和原因也非常復雜[1]，加之實際因素的復雜性，故障和征兆之間表現出的關系也較為復雜，即各類故障所反映的特征參數并不完全相同，這種關系很難用精確的數學模型來表示，這就給現場診斷帶來了極大的困難。雖然神經網絡具有充分逼近任意復雜非線性關系的能力和分類能力，但存在局部極小值、算法收斂速度慢、受網絡結構復雜性和樣本復雜性的影響較大、容易出現“過學習”或泛化能力低等缺點[2，3]。
支持向量機是一種新的機器學習方法，它較好的解決了非線性數據的分類問題，在小樣本和二元分類方面有非常突出的優點。本文在分析了支持向量機的特點后，提出一種基于多元支持向量機的離心式壓縮機轉子故障分類識別方法，可以在較少樣本情況下完成對分類器的學習訓練工作，從而達到提高故障診斷效率的目的。
二、支持向量機分類原理
支持向量機不同于神經網絡基于經驗的算法，它是實現結構風險最小化原則的一種學習算法，是利用核函數把特征樣本映射到高維特征空間，然后在此空間中構造分類間隔最大的線性分類超平面，所以支持向量機比較適合于小樣本數據的分類。其基本思想如圖 1 所示，圖中圓點和三角點分別表示兩類訓練樣本，H 為把兩類樣本完全無誤分開的分類線，H1、H2 分別為通過樣本中離分類線最近的樣本且平行于分類線的直線，它們之間的間隔為分類間隔，圖中的樣本點就是支持向量。該最優面不但可將兩類樣本無誤的分開，而且還要使分類間隔最大。前者保證經驗風險最小，后者使問題的真實風險最小[4]。
不同的核函數將導致不同的支持向量機算法，常見的核函數包括多項式內積函數、徑向基函數、S型內積函數等[5]。
三、基于MSVM的故障識別分類器
（一）基于MSVM的故障識別分類模型
由于SVM是二元分類器，診斷過程中，故障通常有多種類型。要對多種故障模式進行識別，必須構造一種多元分類器才能進行這種多種模式的識別。通常通過組合多個兩類分類器的方法來實現多值分類器的分類，目前此類方法主要有以下幾類算法：一對一算法（one-against-one，簡稱1-v-1）、一對多算法（one -versus-rest，簡稱1-v-r）和決策導向無環圖算法（Decision Directed Acyclic Graph，DDAG）等幾種，可參見文獻[5，6]。通過比較分析，筆者采用一對一方法構造多元分類器[5]，其基本思想是：對N元分類問題建立N（N-1）/2個SVM，每兩類之間訓練一個SVM將彼此分開。這種方法優點是單個SVM訓練規模較小，分類器的推廣能力強。
采用多元分類器訓練數據樣本后，在預測新樣本時，使用成對的SVM進行比較，每次產生一個優勝者（即獲得一個類別），然后在優勝者之間再次進行比較，直到最后僅剩一個優勝者。實際上，在預測新樣本時，并不需要對每兩類之間的優勝者再次進行競爭淘汰，只需比較兩類之間獲勝次數最多的類，即為新樣本所屬的故障類別。
（二）分類器的學習訓練方法
本文的MSVM分類器訓練程序采用的是LIBSVM開發函數庫，在沒有先驗知識前提下使用徑向基函數作為核函數。實驗表明，通常情況下該核函數的分類效果略優于其他核函數。基于MSVM的故障分類識別分類器工作過程主要有學習訓練和識別兩個階段，如圖2所示。
圖2 模分類器的工作過程
四、壓縮機故障診斷實例
在離心式壓縮機等旋轉機械中，不平衡、不對中及油膜振蕩是轉子部件幾種較常見的故障。目前人工智能方法在故障診斷領域已經得到較好的應用效果。但是，基于神經網絡的診斷方法通常需要用大量的故障特征樣本對模型進行訓練，才能得到較為可靠的識別模型。然而，在機械設備實際故障樣本的收集過程中，采集到的樣本比較有限，尤其是某些故障樣本的收集十分困難，這極大地限制了檢測模型在模式分類過程中對訓練樣本的需求。而支持向量機在小樣本和高維特征分類方面有突出優勢，本文以離心式壓縮機組轉子故障為例，采用上述MSVM方法建立故障診斷模型。
（一）壓縮機轉子故障診斷模型設計
以轉子不平衡、不對中及油膜振蕩三種常見故障作為示例樣本建立故障識別模型，將轉子不平衡故障作為一類，轉子不對中作為一類，油膜振蕩作為一類。由于SVM是二元分類器，對于多種故障形式識別，必須構造一種多元分類器才能進行識別。由于本文采用一對一方法構造多元分類器建立故障識別模型，當需要對以上三種故障形式進行識別時，共需要構建3個SVM分類器。用SVM1來區分轉子不平衡與不對中，SVM2識別轉子不對中與油膜振蕩，SVM3識別油膜振蕩與轉子不平衡。通過每兩類樣本分別對三個SVM分類器進行學習訓練來尋求最優分類函數，以達到對建立識別模型的目的，模型如圖3。
圖3 多類故障識別模型
對于部件的有更多種故障模式存在的情況下，只需獲取該部件對應故障狀態下的特征樣本，在原有模型基礎上增加分類器即可，方法同上。不過對于多種故障模式下多元支持向量機模型的選擇需要在速度、模型復雜度、識別效率等方面進行綜合考慮。
（二）測試結果
為了考查模型的泛化能力，對診斷模型進行學習訓練后，用訓練后的分類器對45個測試樣本進行分類試驗。利用兩類之間比較獲勝次數最多的類，即為新樣本所屬的故障類別，如勝次相等，則為識別失敗。表1為各類故障的分類識別結果。除3個待測故障的識別結果不太理想外，其余故障類型的識別結果都相當理想，本分類器的總體泛化能力為93.3%，結果令人滿意。由此可見，該模型具有較好的泛化識別能力。
表1 識別結果
（三）與神經網絡方法比較
為了與神經網絡方法進行比較，同樣利用故障樣本對BP神經網絡進行訓練時發現，由于樣本數量較少，網絡訓練陷入局部極值點，訓練失敗。因而表明MSVM能在較少樣本情況下實現對分類器的學習訓練。利用兩組樣本總和重新訓練，在與BP神經網絡同樣的樣本集均方誤差情況下，發現其測試集均方誤差一般比BP神經網絡精度高；當訓練樣本集數目增加時，兩者的泛化能力都有所提高，但BP神經網絡提高速度要快于支持向量機；當樣本集變化時，MSVM的測試集均方誤差變化幅度小于BP神經網絡，這些都說明了MSVM對訓練樣本數據的依賴程度比神經網絡小。
取不同的收斂閾值對神經網絡分類模型進行訓練，并將它與MSVM方法的識別結果進行對比，如表2所示。從表中可以看到，支持向量機分類器的泛化識別能力明顯優于神經網絡分類器，可能是由于神經網絡方法往往陷入過學習，即所謂的經驗風險最小化，造成分類器推廣能力泛化差于支持向量機。
表2 MSVM方法和BP神經網絡方法識別結果對比
五、結論
由于支持向量機在小樣本分類識別方面有獨特優勢，基于此設計了多元支持向量機的壓縮機故障分類識別模型。試驗證明，利用支持向量機對壓縮機轉子故障模式進行識別的方法是可靠和有效的，即使在小樣本情況下，該方法仍可以有效地診斷出壓縮機關鍵部件的工作狀態和故障類型，解決故障診斷中少樣本情形下模型訓練不足和識別效率低的問題。因此，支持向量機在故障診斷領域是一種值得推廣的方法。
參考文獻
[1] 李小彭，羅躍綱，白秉三.模糊綜合評判在機械故障診斷中的應用[J].沈陽工業大學學報.2002，24（5）：439-442
[2] 朱君，高宇，葉鑫銳. 基于BP神經網絡的螺桿泵井故障診斷方法[J].石油機械. 2008， 36（1）：42-44
[3] 趙海洋，王金東，劉樹林，等.基于神經網絡和支持向量機的復合故障診斷技術[J].流體機械，2008，36（1）：39-42
[4] 張學工.關于統計學習理論與支持向量機[J].自動化學報.2000，26（1）：32-42
工程機械的液壓系統由行走裝置液壓系統、作業裝置液壓系統和操縱裝置（含轉向、制動等）液壓系統等幾部分組成，其中每一部分一般又由若干個子系統組成。基于上述要求，工程機械液壓系統一般是多泵、具有壓力與流量適應能力和先導操縱功能的液壓系統。
隨著科技的發展與環保節能日漸嚴格的要求，作為工程機械液壓技術的關鍵技術，故障檢測與診斷技術、工作介質替代技術、系統仿真技術都取得了新的發展。
1、故障檢測與診斷技術
由于工程機械產品系統結構復雜，工作環境十分惡劣，故障發生頻繁，種類繁多，檢測復雜。。工程機械的故障檢測與診斷技術成為工程機械液壓系統研究的重要內容。按照檢測對象的不同可以分為基于液壓裝置信息和基于油液污染的故障檢測與診斷兩類。隨著液壓技術向電子化和智能化不斷發展，以及液壓系統的不斷復雜，人工巡回檢測和人工故障診斷等傳統故障檢測診斷技術已經無法適應液壓技術的發展，逐漸被智能化、實時在線故障診斷技術所取代。
1.1基于液壓裝置信息檢測的故障檢測與診斷
基于液壓裝置信息的故障檢測與診斷技術利用傳感器對單個液壓元件和整個系統的溫度、壓力、流量、振動等動態特征信號進行實時在線檢測、分析處理，利用特征信號進行故障診斷。由于實際液壓系統元件常常具有嚴重的非線性特征，使得傳統的故障診斷方法無法對故障準確診斷。隨著計算機技術的發展和數學方法的運用，基于小波分析、魯棒法、模糊診斷、神經網絡診斷和專家系統診斷等現代智能診斷方法開始逐步在液壓故障診斷中得到應用，逐步實現智能化、實時在線的故障檢測與診斷。
1.2基于油液污染檢測的故障檢測與診斷
基于油液污染檢測的故障檢測診斷方法可分為基于油液的顆粒污染度和基于油液理化性質分析的檢測與診斷方法。
兩者都是根據經驗或專家知識，分別建立油液顆粒污染度和油液理化性質變化與液壓系統及元件狀態參數間的關系庫，運用專家推理機制，預測和判定系統故障。由于基于油液理化性質分析的故障診斷方法需要對油液理化性質進行細致分析，檢測周期長，因此不適合在線檢測，但在重要液壓系統的準確可靠診斷方面有較大的發展前景。而基于油液污染度檢測方法的發展經歷了實驗室取樣分析檢測―便攜式檢測儀檢測―在線檢測儀檢測的過程，向智能化、實時在線診斷與檢測方向發展。
2、工作介質替代技術
液壓系統工作介質是液壓系統的重要組成部分，其物理化學性質直接影響到液壓系統的工作效能。液壓介質性能水平的提高對于現代液壓技術的發展功不可沒[4]。隨著節能環保要求的不斷嚴格，替代工作介 質具有更為廣闊的應用前景，并且呈現多樣化的趨勢。這里只介紹兩種典型的替代工作介質：磁流變液和水。
2.1磁流變液
磁流變液能夠在磁流變液壓閥（轉換器）的控制作用下，完成驅動器（執行裝置）的動作。在這種系統中，液壓閥是一種無移動元件的比例控制閥，它主要由裝有線圈、鐵芯的導磁體及連接入口、出口并穿過導磁體的流體通道等元件構成。當磁流變液流經磁流變閥門時，磁場作用于磁流變液，使磁流變液的粘度隨外加磁場強度變化而變化，導致流經閥門的阻力及閥門入口的壓力增加，因而可減慢或停止液體的流動。磁流變液壓閥具有結構緊湊、價格便宜、易于控制等優點，相比之下，傳統的液壓比例閥顯得即昂貴又易磨損。
2.2水
隨著材料科學和制造技術的發展，液壓元件密封、自、抗腐蝕等能力的提高，采用普通水或天然海水作為工作介質成為可能。水壓傳動在歐、美國家已經被廣泛應用于食品、醫藥、化學、造紙、木材加工、環境工程等一些對安全和清潔要求較高的行業。隨著新型材料液壓元件的應用，采用水壓傳動的工程機械的比例會不斷增大。
3、液壓系統仿真技術
伴隨著液壓系統的廣泛使用，液壓系統仿真技術也逐漸得到發展。現行液壓仿真軟件主要特點有圖形操作界面、多領域建模仿真、數據庫技術的應用、標準化模型庫。從仿真軟件的發展和仿真軟件的功能可以看出，仿真技術出現了如下幾個發展趨勢：
（1）向三維仿真發展
隨著液壓技術的發展，傳統的一維和二維仿真技術已經無法滿足液壓技術仿真的需要，三維流場分析能夠更加準確的反映液壓系統中液壓流場的真實情況，配合分析結果和分析過程三維流場的可視化技術，能夠更加直觀的描述液壓系統中的三維流場。
（2）向流場耦合分析仿真發展
由于液壓系統涉及到機械和流體（隨著磁流變液技術的發展，還涉及到電磁），液壓流場中包括液-固、液-氣（液-磁）的多相耦合。因而同時考慮熱力場和應力場等多場耦合問題的求解越來越成為液壓流場分析的重要研究內容。
（3）向機電液一體化系統分析仿真發展
隨著液壓系統電子技術的廣泛運用，液壓系統機電液一體化趨勢明顯，因此能夠同時建立機械、電氣及液壓結構的數學模型，并能把三者有機地結合起來的仿真軟件將越來越受到青睞。
5 結論
綜述了液壓系統的故障檢測與診斷技術、工作介質替代技術以及液壓系統仿真技術的研究現狀和發展趨勢，得出了液壓技術的發展趨勢主要有以下幾個方面：
（1）故障檢測與診斷技術向智能化、實時在線檢測與診斷方向發展。
（2）工作介質多樣化，采用水壓傳動的工程機械的比例會不斷增大。
（3）液壓系統仿真技術向三維仿真、多流場耦合分析仿真、機電液一體化系統分析仿真發展。
（作者單位：1.中國人民裝甲兵工程學院，2.中國人民軍事交通學院）
