现代设备故障智能诊断研究进展
所谓设备故障智能诊断，就是以传感器技术为基础，以信号处理技术为手段的信息诊断和结合专家系统技术的智能诊断。诊断技术继20世纪60年代以后的飞速发展产生了巨大的经济效益，成为世界各国研究的热点。文中就信号测取、信号处理与故障识别三方面的发展进行了一个概述。
1 信号测取的研究概述
设备的故障诊断是通过信号的测取再进行分析最后得到结论的，信号的准确度与清晰度是保证故障诊断结果的关键，因此信号的测取工作是设备诊断的基础之一。设备发生故障时，可以有不同的表征，即可以通过不同的信号表现出来。设备诊断中的信号可以分为：振动、噪声、声发射、磁记忆、电机电流、扭矩等。信号测取技术包括信号的拾取和放大，其中对传感器的研究是重点。设备诊断中传感器按功能分为：振动传感器，声级计，声发射传感器和温度传感器。传感器的灵敏度与抗干扰能力是故障诊断的关键。随着传感器的发展，无线传感器网络 ( Wireless Sensor Network，WSN) 的问世为大范围检测区域带来了便利。无线传感器网络是大量的静止或移动的传感器以自组织和多跳方式构成的无线网络，其目的是协作地感知、采集、处理和传输网络覆盖地理区域内感知对象的监测信息，并报告给用户。大量的传感器节点将探测数据，通过汇聚节点经其他网络发送给用户。然而，对于无线传感器网络的大范围监测，众多传感器之间与不同信号之间的相互干扰是不可避免的，只有经过精心的监测参数选择和用足够数量的相应传感器实现目标明确的配置位置优化，才能使信息源含有所需要的尽可能多的故障信息，并且实现有效解耦，使这种信息有可能按其产生的原因实现分离和定位，所以传感器的优化布置对无线传感器网络的信号测取至关重要。要进行传感器的优化布置，首先要确定优化布置准则即优化的目标函数，传感器的优化布置基于不同的目的有不同的准则，可构造不同的目标函数，通过对目标函数的优化得到最终的优化布置结果； 其次，必须选用适当的优化方法。传感器布置是一个组合优化问题，它的求解仍然是研究的热点之一。
而多智能传感器的出现为复杂故障信号的测取提高了精确度。智能传感器，就是带微处理器、兼有信息检测和信息处理功能的传感器。智能传感器最大的特点就是将传感器检测信息的功能与微处理器的信息处理功能有机地融合在一起。从一定意义上讲，它具有类似于人工智能的作用。这里讲的“带微处理器”包含两种情况：一种是将传感器与微处理器集成在一个芯片上构成所谓的“单片智能传感器”； 另一种是指传感器能够配微处理器。
例如，在机车轴承故障的诊断中就利用了多智能传感器技术。由于反映轴承状态的信号因素比较多，如温度、压力、振动、噪声等。所以用单参数进行故障诊断具有固有的不确定性，有时甚至导致错误的诊断结果。因此要能够准确自如地诊断出故障，需要高性能传感器以及各传感器之间的协调工作。智能系统中增加和改善传感器的性能是增加智能的重要手段，由于每一种传感器都存在不足与缺陷，仅仅依靠单一的传感器是无法满足要求的。因此传感器的融合是智能控制的基础。机车轴承故障诊断中应用信息融合法，目的是通过利用多个传感器的信息来减少或者消除单个传感器的信息不确定性。也就是一个基于多传感器信息融合的机车轴承故障诊断系统的原型将可能应用各种可用的物理传感器检测电机运行状态。江伟等人采用决策级融合对机车轴承故障进行诊断。决策级融合时，故障诊断可以看成一个决策过程，由各种传感器信号通过相关的特征提取得到的特征向量表示为决策的支持信息。在用贝叶斯方法实现融合时，故障特征经过转化表示为此种故障特征所反映的几种故障的概率值，然后利用贝叶斯公式，得到几种特征出现条件下各种故障出现的概率，从而得到诊断结果，达到消除单个参数诊断的不确定性。
2 信号处理的研究概述
对测取的信号进行特征因素的提取是信号处理的主要任务。传统的滤波技术与频域分析技术不易识别信号精度要求比较高或特征因素难以提取的故障类型。近年来频域分析 (Fast Fourier Transform ，FFT) 、时频分析以及经验模态分解 (Empirical Mode Decomposition，EMD) 为信号处理提供了新的研究方向。其中时频分析包括线性分析方法与非线性分析方法。
线性分析方法中运用较多的是短时傅里叶变换(Short-Time Fourier Transform，STFT) 和小波分析方法。STFT用来分析分段平稳信号或者近似平稳信号犹可，但对于非平稳信号，当信号变化剧烈时，要求窗函数有较高的时间分辨率；而波形变化比较平稳时，则要求窗函数有较高的频率分辨率。短时傅里叶变换不能兼顾时间与频率分辨率的要求。然后对于非平稳信号的处理，小波分析的出现使之成为可能。首先，所谓小波是由小波母函数j(t)通过伸缩和平移的方法产生的函数族，该函数具有波动性，其实质是将短时傅里叶变换中g（t—T）·eÙ（-2p·i·f·t）的变为小波函数。这一变化使非平稳信号变为分段平稳信号，从而方便提取特征因子。
例如在液压泵故障监测中，被监测信号伴随着大量的噪声，使早期故障特征信号信噪比很低，传统的滤波方法很难实现这种非平稳随机信号的信噪分离。传统的去噪方法等价于信号通过一个低通或带通滤波器，但对于短时低能量突变瞬态信号，如阶跃信号或脉冲信号，在低信噪比情况下，经过滤波器的平滑，不仅信噪比得不到较大改善，而且信号的位置信息也被模糊掉了。
采用以小波变换为理论基础的小波去噪方法，在改变信噪比的同时，保持了相当高的时间分辨率。故障特征信号的奇异性代表了故障的存在，故障特征信号的突变点在小波变换下模极大值随尺度的增加而增大； 而噪声的模极大值只占据细微尺度，随尺度增加而迅速衰减。利用该原理，首先对泵的监测信号进行二进小波分解，求出各个尺度上的模极大值，并对噪声的模极大值进行平滑，最后对监测信号进行重构。这样，故障特征信号就被突现出来，故障点的定位更为准确，并能提取特定的故障频率，给故障分析带来了方便。
而对于非线性分析方法，WVD(Wigner-Ville Distribution)能够正确描述信号的局部能量分布，要求时频分布具有时频聚焦性。其他所有时频分布都可看做是WVD分布的加窗形式。WVD分布具有非常好的时频聚焦性，为描述信号的局部能量提供了很好的支持。李卫国等在基于电力线工频通信的抽油机电机远程监测研究中，采用了具有高时频分辨率WVD 分析方法来确定叠加合成信号中的信号时域；乔晋崴等利用WVD与多分辨分析对摩托车发动机的故障噪声进行联合辨识； 陈光华等应用WVD估计AM-FM 信号的瞬时频率，并给出了估计方差。
此外，随着各种方法的的改进，美国NASA的黄锷博士提出了经验模态分解方法 (EMD) 。该方法依据数据本身的时间尺度特征来进行信号分解，无需预先设定任何基函数。这一点与建立在先验性的谐波基函数与小波基函数的傅里叶分解与小波分解方法具有本质性的差别。该方法使用于非线性、非平稳信号序列，具有很高的信噪比。该方法的关键是经验模式分解，它能使复杂的信号分解为有限个本征模函数(Intrinsic Mode Junction) ，所分解出来的各IMF分量包含了原信号的不同时间尺寸的局部特征信号。杨宇等人利用EMD的奇异值分解技术对滚动轴承进行故障诊断，将奇异值作为故障特征向量，并输入神经网络来识别滚动轴承的工作状态和故障类型； 于德介等利用SVM( 支持向量机) 与EMD对齿轮故障进行诊断。
在电力系统低频振荡的监测中，胡思等人就是利用基于 EMD的WVD分布方法进行监测。该方法是一种新的非线性、非平稳信号的处理方法，通过EMD分解以及WVD算法处理分析非线性和非平稳电力信号的局部动态行为和特征，得到低频振荡的模态参数：振幅、频率、阻尼比、相位、开始与结束时刻。该方法准确地反映了系统所包含的多个振荡模式在时间变化上的变化规律以及模式之间的互相影响，并且有着高分辨率和有效地处理少量样本的短数据优势，可提高识别能力和处理效果。通过多次试验表明该方法能够较准确地识别振荡特征。
3 故障识别的研究概述
故障识别是确定设备正常或异常，如异常，则判断故障类型的功能。在早期的故障诊断中，人工识别是靠人脑经验来判断故障的一种方法。随着 AI( 人工智能) 与各类新型研究设备的发展，故障诊断的研究内容集中在：如何利用新的工具更进一步地分析挖掘信号中的诊断信息。基于专家系统的故障诊断方法是系统在运行过程中发生故障，则领域专家很快就可以根据经验确定故障的原因和部位，这种方法对于复杂系统的故障诊断非常有效。随着专家系统诊断方法的智能化不断提高，它克服了基于模型的故障诊断方法对模型的过分依赖性，成为故障诊断的有效方法，并在很多系统中得到了广泛应用。
人类大脑的思维分为逻辑思维、直观思维和灵感思维3种方式，人的逻辑性思维是根据逻辑规则进行推理的过程，而基于神经网络的故障识别方法是模拟人思维的第二种。由于人工神经网络具有处理非线性和自学习以及并行计算能力，使其在非线性故障诊断方面有很大的优势。人工神经网络在故障诊断中的应用研究包括以下几个方面：(1) 从预测角度应用神经网络作为动态预测模型进行故障预测； (2) 从模式识别角度应用神经网络作为分类器进行故障诊断；(3) 从知识处理角度建立基于神经网络的专家系统。在进行故障诊断时分二步：第一步选择适合的网络结构和规模，借助一定的学习方法，用一个合适的变量作为神经网络的输入，以对应的状态编码为期望输出，构成输入、期望输出样本对，对神经网络进行训练，确定神经网络的权值和阈值； 当学习收敛后，固定神经网络的权值和阈值，然后使训练好的神经网络处于回想状态，对于一个给定的输入，便产生一个相应的输出，由输出与故障编码进行比较，即可方便地确定故障。高志等人运用神经网络对液压系统典型故障进行监测； 刘正华等基于声发射和神经网络对数控机床刀具进行故障诊断。
此外，支持向量机 ( SVM) 的提出为解决小样本、非线性及高维模式识别的故障信号提供了有效方法。支持向量机方法是建立在统计学习理论的VC理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中点，以求获得最好的推广能力。郑建军等利用最小二乘支持向量机对电梯进行故障诊断； 田景文等基于支持向量机对火车滚轴一般故障进行监测；张龙等人基于支持向量机与时变参数自回归模型对旋转机械实现故障诊断。
虽然 SVM 是一种非常年轻的机器学习算法，但随着时间的推移，越来越多的应用研究被见诸报道。例如，在国外，JACK 将 SVM 用于滚动轴承的状态检测，并采用遗传算法优化 SVM 的参数，取得比较好的推广性能；SAMANTA分别用轴承和齿轮故障诊断比较神经网络和 SVM 的性能，也采用遗传算法优化了 SVM 的参数。在国内，王国鹏等模糊理论和支持向量机用于汽轮机故障诊断；李凌均等证明 SVM 在具有少样本的故障诊断场合具有很强的适应性，他们还提出了一种利于支持向量机对机械系统故障进行分类的新方法，适合于机械故障诊断中的多故障分类等。
不同的识别方法有各自的优势，AI追求多个方法的集成。多分类器集成的方法就是多种推理方法的集成，基于混合推理策略的诊断，它利用 AI中研究的成果，将多种知识表达式和推理方法混合，达到灵活表达领域知识、逼真模拟专家诊断思维过程的目的。目前结合的方式很多：KDD与粗糙集理论的结合； 基于规则的推理 (RBR) 与ANN的结合；CBR ( 基于案列的推理) 与 RBR 和ANN的结合等。
其中最具有发展前景的是ANN与专家系统的结合，神经网络基于大规模的数值计算，具有学习能力，但不具有解释能力； 专家系统是基于符号的推理系统，它存在知识获取困难的缺点，但具备解释能力。神经网络实现的是右半脑直觉形象思维的特性，而专家系统理论与方法实现左半脑逻辑思维的特性，二者具有很强的互补性。
如以波音PW4000型发动机为例，在建立了该发动机基于神经网络的故障专家系统的总体构架、推理机制及实现方法后，采集了充分的发动机故障数据，结合典型的故障经验数据，进行了故障诊断的仿真试验，通过与实际故障数据对比，说明了该故障诊断专家系统的实用性。
4 结束语
总之，设备故障诊断技术与当代前沿科学的融合是设备故障诊断技术的发展方向，当今故障诊断技术的发展趋势是传感器的精密化、多维化，诊断理论、诊断模型的多元化，诊断技术的智能化，实际上实现5个融合：与当代最新传感技术的融合、与最新信号处理方法的融合、与非线性原理和方法的融合、与多元传感技术的融合和与现代智能方法的融合。要把这5个融合与实际相联系，在设备现场发现问题和解决问题，实现理论与实际的结合。
