工程機械故障診斷算法比較分析

陳 靜

（江蘇省靖江中等專業學校，江蘇 靖江 214500）

1 工程機械故障診斷中常用的三種基本算法分析

1.1 基于神經網絡的故障診斷分析法

神經網絡是由大量并行分布處理器按一定方式連接而成的信息網絡處理系統，它是對現代神經科學研究成果的應用，是對人腦思維的抽象，簡化和模擬。利用神經網絡機械故障診斷的主要思想就是由工程機械各個系統的信息提取故障特征，并通過學習訓練樣本生成機械故障的判決規則或判決器，最后利用判決器對實時提取的工程機械信息進行故障診斷。

(1)基于BAM神經網絡的故障診斷分析法。BAM神經網絡又稱雙向聯想網絡（由B.kosko提出），是一種雙層反饋網絡。基于BAM神經網絡的故障診斷系統如圖1 所示，具體步驟為：首先，通過對工程機械各部分部件進行大量的信息采樣，獲得基礎信息；其次，利用除噪、增強以及復原等一系列的技術手段對所得到的基礎信息進行預處理，獲得原始有效信息；再次，將原始有效的數據進行數學描述并對其進行數學變換處理，得到能夠反映故障本質的特征向量；然后，對所得到的特征向量進行學習得到神經網絡的具體系統參數，構造出該工程機械的故障判決規則或者判決器；再然后，通過實時獲取機械信息對前一步所建立的故障判決規則進行不斷的訓練，不斷調整神經網絡中的各具體系統參數，使得該工程機械的故障判決規則不斷的進行完善，最終達到最優；最后，利用所得到的最優故障判別規則對該工程機械進行正常的故障診斷。

(2)基于BP神經網絡的液壓故障分析法。BP神經網絡又稱Back propagation網絡于1986年提出，是一種按誤差逆傳播算法訓練的多層前饋網絡。它的學習規則是使用最速下降法，通過反向傳播不斷調整網絡的權值和閥值使網絡的誤差平方和最小。基于BP神經網絡的液壓故障診斷[2]的具體步驟為：首先，通過系統數據的實時采集，得到液壓的上升段壓力信號的AR模型參數構成特征量，并由上升段壓力脈沖信號中提取出特征量；其次，求得正常和異常狀態下AR模型的各均值模型參數向量并且進行比較計算，得到馬氏距離和庫爾拜克距離作為特征向量；再次，對所得到的特征向量進行訓練學習得到一個3層的BP神經網絡結構，生成該工程機械液壓的故障判決規則或者判決器。

圖1 基于BAM神經網絡的故障診斷模型

1.2 基于模糊數學的故障診斷分析法

基于模糊數學的故障診斷方法就是通過將故障的現象與故障原因之間建立起一種模糊關系，并且求出故障現象的隸屬度和故障原因的隸屬度，來表征各種故障現象或者原因的傾向性，來減少不確定度或者不可知度，從而提高了故障診斷的效率。

基于模糊數學的故障診斷模型的具體步驟為：首先，將每一個故障原因或者故障現象生成集合，建立故障現象與原因的模糊關系集；再次，通過標準模式的模糊子集與待識別模糊子集通過引入隸屬度的概念來比較漢明距離；最后，通過就近原則選擇漢明距離小的為判別標準。

1.3 基于小波分析的故障診斷分析法

將整個工程機械作為一個系統，當該系統產生故障時該傳遞函數會產生變化，不同頻率的幅頻特性和相頻特性也會相應的隨之變化；對不同頻率段的輸入信號具有不同的抑制和增加作用是幅頻特性產生變化的主要原因。因此，工程機械是否出現故障可以通過輸出信號的各頻率成分能量的變化來判別。

基于小波分析的故障診斷的具體步驟為：首先，通過獲得正常工程機械的參數信息，并且以該工程機械作為一個系統建立起正常情況下的動態響應；其次，將實時采集的系統數據進行建模，看傳遞函數是否發生變化，若沒有，則判定為正常；若傳遞函數發生了變化，則說明機器發生故障；然后，對有故障的機器做進一步的分析，通過小波分析將信號分解到各頻段并重構，計算各頻段的能量值，與正常情況下各頻段的能量值作比較；最后，將比較結果作為判別準則，確定故障類型。

2 工程機械故障診斷中綜合算法分析及故障診斷的發展趨勢

2.1 基于模糊邏輯與遺傳算法的工程機械故障診斷分析法

基于模糊邏輯與遺傳算法的工程機械故障診斷分析法正是結合了模糊邏輯與遺傳算法各自的優勢，從而提高了工程機械故障診斷的效率。基于模糊邏輯與遺傳算法的工程機械故障診斷模型,具體步驟：首先，將每一個故障原因或者故障現象生成集合，建立故障現象與原因的模糊關系集；其次，對每一個可測部件技術偏移值進行標準化并且對每一個可測部件求得其發生故障的概率；再次，通過偏移值與部件故障概率的綜合比較，判定是哪一個部件發生了故障；然后，以該部件為節點建議模糊有向圖，生成可能發生的故障傳播路徑；最后，利用遺傳算法在這些可能發生故障的傳播途徑中確定故障產生的實際傳播路徑，從而確定了故障產生的具體原因。

2.2 工程機械故障診斷方法的發展趨勢

從目前的情況來看，工程機械故障診斷算法的研究，已經由最初的引入式的水平式研究方式發展到了多種算法結合共同診斷的垂直式研究方式，已經由最初的已知故障現象判斷故障原因發展到目前的不需要事先提供任何故障現象的診斷預防為一體的整體診斷方式，如基于模糊邏輯與遺傳算法的工程機械故障診斷分析法，以及基于模糊神經Petri網的故障診斷模型等等。僅僅從工程機械故障診斷算法的角度來看，未來的工程機械故障診斷研究趨勢主要有兩種：一種引入新的診斷算法和診斷思想；另一種也是最主要的一種，就是將多種算法結合起來發揮各自的優勢的聯合診斷方法。

3 結語

本文對工程機械故障診斷的幾種算法進行了分析研究，基于神經網絡的診斷算法；基于模糊數學的診斷算法，但是在復雜的診斷系統中正確的模糊關系和隸屬度函數比較困難；基于小波分析的診斷算法，它是將工程機械作為一個系統，從系統響應的角度進行分析是否有故障并且判定故障在哪里，是診斷與預防一體化的先進思想，這種算法思想是最優的；基于模糊邏輯與遺傳算法的聯合診斷算法，結合了模糊邏輯與遺傳算法的各自優勢實現了由傳統算法構造了診斷與預防一體化的診斷方法；最后給出了工程機械故障診斷算法的未來發展方向。