從開展設(shè)備診斷的流程來看，設(shè)備診斷分為信號拾取、信號處理、故障診斷三個階段。圍繞著這一問題，設(shè)備診斷技術(shù)在下述方面展開了理論研究。信號拾取技術(shù)研究。設(shè)備診斷技術(shù)從設(shè)備的癥狀入手進行分析研究。設(shè)備癥狀由拾取的信號分析得到。因此，信號拾取技術(shù)是設(shè)備診斷的基礎(chǔ)之一。正如信號領(lǐng)域所言，“進入的是垃圾，出來的必定是垃圾”，可見正確拾取信號的重要性。信號拾取技術(shù)包括信號的拾取和放大，其中對傳感器的研究是重點。設(shè)備診斷中的傳感器按功能分為振動傳感器、聲級計、聲發(fā)射傳感器、溫度傳感器。以前，對傳感器的研究偏重于硬件方面，即要求它具有良好的動態(tài)特性，靈敏度，穩(wěn)定性和抗干擾能力強。但是，隨著監(jiān)測系統(tǒng)的龐大化和復(fù)雜化，傳感器的類型和數(shù)目都急劇增多。例如對大型發(fā)電機組的監(jiān)測，測點有 254個，相應(yīng)的傳感器也要 254 個。東北大學(xué)為某冶煉廠研制的風(fēng)機工作狀態(tài)監(jiān)測系統(tǒng)，測點也達32 個，拾取振動、瓦溫、風(fēng)壓、電流、流量等 5 類參數(shù)。眾多的傳感器形成了傳感器群，這就帶來了傳感器如何布局方面的研究。Hull 和Srihari 闡述了傳感器合理分布的重要性。

       信號分析和處理方法研究。這一部分是設(shè)備診斷技術(shù)的核心之一，也是理論研究的熱點之一，它實際上就是診斷技術(shù)中的特征因子提取技術(shù)。傳感器拾取的信號，稱為原始信號，一部分可直接利用，如溫度，位移等，但大部分不可直接利用，如振動，雖然經(jīng)過放大，由于含有噪聲，一般從單個波形上反映不了問題，必須利用信號分析與處理技術(shù)，把信號轉(zhuǎn)化在不同的域內(nèi)進行分析，才能得到更能敏感反映機器狀態(tài)的特征因子。濾波技術(shù)、頻譜分析技術(shù)是傳統(tǒng)的信號處理方法。近年來出現(xiàn)的數(shù)字濾波技術(shù)、自適應(yīng)技術(shù)、小波分析技術(shù)等大大豐富了信號處理技術(shù)的內(nèi)容。以頻譜分析的系列技術(shù)為例，如FFT 分析、倒譜分析、短時 Fourier 分析、Wigner 分布等在傳統(tǒng)的工程中占有非常重要的地位。Fourier 變換和倒譜分析對平穩(wěn)信號的分析非常有效。為了對工程中廣泛存在的非平穩(wěn)信號進行分析，引入了短時Fourier 變換和 Wigner 分布，但二者對非平穩(wěn)信號的分析能力不很理想。近年來出現(xiàn)的小波分析技術(shù)為此提供了強有力的工具。它不僅適合分析平穩(wěn)信號，而且適合分析非平穩(wěn)信號。從根本上講，小波分析將有望代替?zhèn)鹘y(tǒng)的 Fourier 分析技術(shù)。另外，近年來發(fā)展起來的分形幾何技術(shù)，也為信號處理提供了嶄新的手段。模糊技術(shù)的應(yīng)用也豐富了信號處理的內(nèi)容。由于特征因子提取的重要性，信號處理中每一種新技術(shù)在設(shè)備診斷中的應(yīng)用，都是對診斷技術(shù)的一次重大推動。

        診斷方法研究。識別設(shè)備的狀態(tài)為正?；虍惓?，這是狀態(tài)監(jiān)測的功能范圍。判斷為異常后再進行原因分析，這才是診斷的實質(zhì)。原始的診斷方法是“手摸，耳聽，眼看”等方法。在設(shè)備診斷技術(shù)出現(xiàn)以后，這種情況得到了根本的改善。目前，診斷技術(shù)根據(jù)不同的信號類型，分為振聲診斷、溫度診斷、油液分析、光譜分析等。受技術(shù)的限制，在診斷技術(shù)初期，人的因素占絕對主導(dǎo)地位。儀器處理后的信號基本上靠人去分析。如對振動譜結(jié)構(gòu)的分析，對油液中顆粒大小和形狀的分析，只有有經(jīng)驗的專家和技術(shù)人員才能將它和某類故障聯(lián)系起來。近年來，隨著人工智能 (AI) 的發(fā)展，診斷自動化、智能化的要求逐漸變?yōu)楝F(xiàn)實，也是現(xiàn)在研究的重點。其中專家系統(tǒng)的研究起步最早，目前在診斷中已有成功的利用。模糊理論由于具有處理不確定信息的能力，因此通常和專家系統(tǒng)結(jié)合。作為前處理和后處理，神經(jīng)網(wǎng)絡(luò)技術(shù)在診斷中的應(yīng)用起步較晚，但由于它強大的并行計算能力和自學(xué)習(xí)功能及聯(lián)想能力，很適合作故障分類和模式識別，因此在診斷中很受歡迎。大量的文獻對神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及算法進行了研究。神經(jīng)網(wǎng)絡(luò)是基于數(shù)值的推理，它擅長大規(guī)模的數(shù)值計算，具有學(xué)習(xí)能力，但不具有解釋能力。專家系統(tǒng)是基于符號的推理系統(tǒng)，它存在知識獲取困難的特點，但具備解釋功能，因此神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)可以優(yōu)勢互補，二者的結(jié)合發(fā)展必然具有良好的前景?？傊?，診斷方法研究的總體目標(biāo)是實現(xiàn)診斷的自動化和智能化。這一目標(biāo)會隨著診斷方法的深入研究而實現(xiàn)。

       信息融合方法研究。信息融合技術(shù)早已有之，目前在軍事領(lǐng)域的 C3I 系統(tǒng)中有著廣泛的應(yīng)用，但在設(shè)備診斷中的應(yīng)用還是近年來的事情。診斷問題中信息融合的起因大概有三個：一是多傳感器形成了不同通道的信號，二是同一信號形成了不同的特征信息，三是不同的診斷途徑得出了有偏差的診斷結(jié)論。診斷的最終目標(biāo)是利用各種信息提高確診率。單個的信息顯然具有其局限性，根據(jù)信息論的原理，由單維信息融合起來的多維信息，其信息含量比任何一個單維信息量都要大，因此進行信息融合就顯得很有意義。目前，進行信息融合的方法主要有 Bayes 推理。

      除上述研究外，對各種故障機理的研究也在深入進行，如振動成因、摩擦機理等。對此方面的研究，有利于新技術(shù)、新方法的針對性有效利用。

新聞留言

* 昵稱：

不能為空

* 內(nèi)容：

不能為空