機械故障診斷綜述

摘要：本文在綜合大量文獻基礎上，對故障診斷的發展進行回顧，并對國內外故障診斷的研究現狀進行了述評和歸納，故障診斷研究尚存在的主要問題，最后對故障診斷技術的發展進行了展望。

關鍵詞：故障診斷；故障診斷方法；存在問題；發展趨勢

1.國外故障診斷技術的現狀

國外學者對故障診斷系統進行了大量的研究，已經取得了較為成熟和完善的技術成果，并廣泛應用于產品中，如德國O&K公司開發的BORD電子監測系統，能監測與液壓挖掘機作業和維修有關的全部重要參數，利用微處理機檢查挖掘機作業數據快速監測、評估和顯示所計算的數據，可識別發生故障和超出極限值的趨勢，在重大事故前顯示報警信息 美國卡特彼勒公司利用GPS 、GIS和GSM技術并將其雄偉計劃命名為采礦鏟土運輸技術系統（ METS），其包括多種多樣的技術產品，如無線電數據通信、機器監測、診斷、工作與業務管理軟件和機器控制等裝置

2.國內故障診斷技術

2005年，柳工機械股份有限公司完成了國家863項目 ，裝載機遠程服務系統與智能化挖掘機，建立了柳工專用網絡挖掘機GPS硬件平臺及專用軟件，可以實現遠程數據傳輸 、故障診斷遙控定位、鎖機等功能、 三一重工研究院自主研發完成了基于GPRS的遠程監控平臺，利用全球衛星定位技術（ GPS） 無線通訊技術（ GPRS） 地理信息技術（ GIS） 數據庫技術等信息技術對工程機械的地理位置 運動信息 工作狀態和施工進度等實施數據采集、數據分析、遠程監測、故障診斷和技術支持 。

3.故障診斷方法

3.1 專家系統故障診斷方法

利用專家系統對癥狀的觀察和分析， 推斷故障所在， 并給出排除故障的方法。可以將診斷問題分為黑箱系統問題和白箱系統問題。內部子系統間的作用比較復雜， 缺乏準確的因果邏輯關系， 而且無法完成子系統癥狀測量的系統是黑箱系統問題； 白箱系統問題的子系統之間作用相對簡單， 且包含一定的因果和邏輯關系， 同時還可以測量子系統癥狀。

3.2神經網絡故障診斷方法

首先利用已有的故障征兆和診斷結果對神經網絡進行離線訓練， 使神經網絡通過權值記憶故障征兆與診斷結果之間存在的對應關系； 然后將得到的故障征兆加到神經網絡的輸入端， 就可以利用訓練后的神經網絡進行故障診斷， 并得到相應的診斷結果。因為每個故障類型必須和輸出神經元相對應， 否則在出現新的故障類型時系統會顯得無能為力。

3.3 模糊故障診斷方法

模糊故障診斷方法主要有基于模糊模式識別的診斷方法、 基于模糊推理的診斷方法、 基于模糊模型的診斷方法等。模糊邏輯的引入主要是 為了克服由于過程本身的不確定性、不精確性以及噪聲等所帶來的困難， 因而在處理復雜系統的大時滯、時變及非線性方面， 顯示出它的優越性。

3.4 遺傳算法故障診斷方法

目前遺傳算法單獨應用于系統故障診斷的研究還比較少， 它主要和其他的診斷方法結合使用， 起到優化系統的作用。比如： 在與神經網絡相結合時， 主要優化神經網絡的權重和結構輸入、 輸出參數； 在與模糊集理論相結合時， 主要用于優化模糊推理的規則；在與小波結合過程中優化小波， 得到性能優良的小波。遺傳算法克服了專家系統存在的推理速度慢和先驗知識很少情況下知識獲取困難的障礙。

3.5 粗糙集故障診斷方法

粗糙集理論是在分類能力不變的前提下， 通過知識簡約， 導出問題的決策或分類規則。以其為基礎出現了基于粗糙集的專家系統故障診斷方法、 基于信息冗余多個屬性約簡的故障診斷方法、 基于粗糙集的神經網絡故障診斷方法。粗糙集理論可以有效地克服專家系統獲取知識難的問題， 粗糙集理論通過獲取故障信息的多個屬性約簡集合， 避開丟失或錯誤的故障信號， 大大提高故障診斷的準確率； 粗糙集可以對訓練樣本集進行有效的簡化， 從而降低神經網絡的復雜性， 減少樣本集的訓練時間， 提高診斷的實時性和準確性。

4.故障診斷研究尚存在的主要問題

4.1 故障分辨率不高

現代的大多數故障診斷系統雖然能以很快的速度對被測對象自動地進行故障診斷， 但是由于設備越來越復雜， 加上電路的非線性問題， 而檢測點和施加的測試信號是受到限制的， 因此影響了可控性和可測性. 同時造成故障診斷的模糊性和不確定性。另外在模擬電路中， 元器件的故障參數是一個連續量，測量響應的數據引入誤差是不可避免的。

4.2 信息來源不充分

這里有兩方面的情況； 一是現有的診斷系統通常只搜集被測對象當前狀態信息， 而對其過去的狀態和已做過的維護工作的信息、故障診斷系統本身的狀態信息未加考慮；二是對被診斷電路其測試的信號大多是電信號如電壓、電流等， 而對其他性質的信息較少測試， 如溫度、圖像、電磁場信號等。因此有時根據診斷結果提出的維護措施不夠準確有效。

4.3 自動獲取知識能力差

知識獲取長期以來一直是專家系統研制中的瓶頸問題， 對于故障智能診斷系統來說也是如此.目前多數的診斷系統在自動獲取知識方面表現的能力還比較差， 限制了系統性能的自我完善、發展和提高。雖然一些系統或多或少地加入了機器學習的功能， 但基本上不能在運行的過程中發現和創造知識，系統的診斷能力往往僅局限于知識庫中原有的知識。

5.故障診斷發展趨勢

上述的故障診斷方法各有其優勢和特點，但它們各自也存在著局限性。對于實際對象的故障診斷，如用單一的方法，有時難以準確快速地完成對復雜對象的故障診斷。因此，多種診斷方法的結合將多種不同的智能技術結合起來的混合診斷系統，是智能故障診斷研究的一個發展趨勢。

參考文獻：

[1]王秋彥，鞠建波，宋振宇.故障診斷技術研究現狀及發展趨[J].電子測量技術，2009. 32（4）.

[2]龔雪.工程機械智能故障診斷技術的研究現狀及發展趨勢[J].機床與液壓，2011，

739（14）.

作者簡介：何超君（1989.04-），女，漢族，四川省南充市西充縣，碩士研究生，研究方向：工業過程監控與故障診斷、計算機控制技術 。