您所在位置：請輸入產品關鍵字：
基于解析模型的方法
點擊次數：278 發布時間：2013-11-4
基于解析模型的方法需要建立被診斷對象的較為的數學模型，具體又可以分為狀態估計方法、等價空間方法和參數估計方法。這三種方法雖然是獨立發展起來的，但它們彼此之間并不是孤立的，而是存在一定的關系。
狀態估計方法的基本思想是利用系統的定量模型和測量信號重建某一可測變量，將估計值與測量值之差作為殘差，以檢測和分離系統故障。在能夠獲得系統的數學模型的情況下，狀態估計方法是zui直接有效的方法。而在實際中，這一條件往往很難滿足。
等價空間方法的基本思想就是利用系統的輸入輸出的實際測量值檢驗系統數學模型的等價性（即一致性），以檢測和分離故障。
參數估計方法的基本思想是根據模型參數及相應的物理參數的變化來檢測和分離故障。與狀態估計的方法相比，參數估計法更利于故障的分離。參數估計方法要求找出模型參數和物理參數之間的一一對應關系，且被控過程需充分激勵。因此將參數估計方法和其他基于解析模型的方法結合起來使用，可以獲得更好的故障檢測和分離性能。
在實際情況中，常常無法獲得對象的數學模型，而且故障引起系統模型結構和參數變化的形式是不確定的，這就大大限制了基于解析模型診斷方法的使用范圍和效果。對于水泵來說亦是如此，目前利用基于解析模型診斷的方法對其進行故障診斷的研究也較少。國內有人基于非線性建模技術，利用模糊神經網絡模型對離心泵的故障信號進行估計。該方法沒有考慮模型不確定性，不具備魯棒性。針對模型不確定性的非線性系統，有人在給出基于參
數估計故障診斷方法的基礎上，以火電廠的冷卻水泵為對象，對該診斷算法的魯棒性、靈敏度、穩定性以及可檢測性進行了分析研究。
基于知識的方法
隨著人工智能及計算機技術的飛速發展，基于知識的方法在故障診斷中得到越來越廣泛的應用，目前應用到水泵故障診斷中基于知識的方法主要有粗糙集理論、專家系統、人工神經網絡和支持向量機等。粗糙集理論是波蘭學者Z Pawlak于1982年提出的一種用于處理不完整不知識的數學方法，該理論不需要關于數據的任何初始或附加信息，直接對不完整不數據進行分析處理。近年來，粗糙集理論發展迅速，已經在很多領域得到了應用。有人利用粗糙集理論對離心泵的特征參數進行約簡，并優選出zui簡決策表，形成標準特征庫，提高了故障診斷的速度和精度。但當故障形式和特征參數較多時，則有可能會導致較大的決策表以及較多的規則數目。同時，由于許多實際應用中的數據經常是不斷更新的，因此如何動態地修正現有模型結構和規則集，提高系統的自學習能力，還有待于做進一步的研究。
基于專家系統的故障診斷方法其實是一個計算機智能程序，計算機在采集被診斷對象的信息后，綜合運用各種規則（專家經驗），進行一系列的推理，必要時還可以隨時調用各種應用程序，運行過程中向用戶索取必要的信息后，就可快速地找到zui終故障或zui有可能的故障，再由用戶來證實。它一般由數據庫、知識庫、推理機、解釋機制以及計算機接口5部分組成，其中知識庫中存儲診斷知識，也就是故障征兆、故障模式、故障成因和處理意見等內容，而數據庫中存儲了通過測量并處理得到的當前征兆信息，推理機就是使用數據庫中的征兆信息通過一定的搜索策略在知識庫中找到對應征兆下可能發生的故障，然后對故障進行評價和決策。解釋機制可以為此推理過程給出解釋，而人機接口用于知識的輸入和人機對話。此種方法在水泵的故障診斷中已有不少應用。
模糊故障診斷方法是利用集合論中的隸屬函數和模糊關系矩陣的概念來解決故障與征兆之間的不確定關系，進而實現故障的檢測與診斷。、這種方法具有計算簡單、應用方便和結論明確直觀等特點。鑒于模糊故障診斷方法的這種特點，結合泵的故障與征兆之間的關系，難以使用的數學模型表述的實際情況，可以借助于這種方法，用隸屬度的概念來描述泵的振動，然后運用模糊綜合評判法找出泵故障的原因。有人采用模糊故障診斷方法對火電廠給水泵的故障診斷進行了嘗試，為電廠工作人員提供了決策依據，提高了整個機組運行的安全性和經濟性。使用這種方法存在的問題：但隸屬函數是人為構造的,含有一定的主觀因素；對特征元素的選擇有一定的要求,如選擇不合理，診斷精度會下降，甚至診斷失敗。
人工神經網絡是試圖模擬生物神經系統而建立起來的自適應非線性動力學系統，具有可學習性和并行計算能力，可以實現分類、自組織、聯想記憶和非線性優化等功能。目前在水泵故障診斷中應用較多的是BP網絡以及自組織映射網絡等。文獻[9]在泵互乎二差教障診斷的專家系統模型中加入神經網絡模型，當系統處于在線運行時，可以高運診斷、識別和學習新事件，從而有效地提高了故障診斷系統的穩定性和可靠性。
支持向量機（support vector machine，SVM）是在有限樣本統計學乏理論（statisticallearning theory，SLT）基礎上發展起來的一種新的機器學習方法，它較好地解決了小樣本、非線性和高維模式識別等實際問題，并克服了神、經網絡學習方法中網絡結構難以確定、收斂速度慢、局部極小點、過學習與欠學習以及訓練時需要大量數據樣本等不足，具有良好的推廣性能，成為繼神經網絡研究之后新的研究熱點。對于線性可分模式，其主要思想就是建
立一個超平面作為決策面，該決策面不但能夠將所有訓練樣本正確分類，而且使用訓練樣本中離分類面zui近的點到分類面的距離zui大。對于非線性不可分模式，該方法通過某種特定的非線性映射，將樣本空問映射到高維特征空間，使其線性可分，并在高維特征空間中構造出*分類超平面，從而實現分類。有人應用支持向量機的幾種多類分類算法對離心泵的葉片損壞、密封泄漏和汽蝕3種故障進行診斷，并將診斷結果與利用BP神經網絡診斷的結果相比較。結果表明，采用支持向量機的幾種算法進行診斷較后者具有更高的精度。
展望
綜上所述，人們對磁力泵的故障診斷研究雖然已經做了大量的工作,在工程實踐中也得到了一定的應用，但是也暴露出一些尚需解決和進一步研究的問題：
①在理論分析和應用研究中，為了便于分析與處理，在多數情況下都對泵進行了一些簡單化處理，如假設被分析的信號具有線性、平穩性和zui小相位持仨等,墨毫實寫的工程應用中常常會忽略信號中的一些重要特征，對于工作在較為理想工況條件下簡單的泵來講分析結果尚可，誤差不是很大，但對于精密程度高、工作環境復雜的泵,則診斷結果常常差強人意。
②泵類設備在工作過程中存在著多種振動激勵源，既有泵本身旋轉運動的振源，也有原動機（如電機、柴油機等）的振動激勵，而且當泵出現故障時,其部件內部還存在沖擊作用，同時水流也會產生一定的沖擊作用。這么多振源的振動混合在一起勢必會相互影響，而且故障信號往往會被淹沒在背景噪聲和干擾之中，這都給泵的故障診斷嵩來了很大難度，現有的信號分析方法在多激勵源的振動信號分離以及低信噪比振動信號的特征提取方面并未取
得突破性進展，仍需要做更深一步的研究。
③目前人們對泵進行故障分類主要還是采用基于數據的機器學習方式,這種方式的特點就是需要大量的樣本數據，但當樣本數據難以獲得的時候，這種方法就顯示出了其局限性。因此需要研究一種具有更高泛化推廣能力的小樣本故障模式分類方法，使其能夠利用有限的數據樣本來獲得更好的診斷效果。