摘 要： 給出了基于模糊神經網絡的故障診斷參數，并采用面向對象的分析方法和編程技術實現了機械設備的建模工具，該工具為獲得這些診斷參數提供了合理有效的途徑。

關鍵詞： 故障診斷　建模　面向對象　模糊神經網絡

機械設備故障診斷方法可選用的特征信號有多種，如振動、噪聲、力、扭矩、壓力、溫度、功率、電、磁、光、超聲波等信號。按照所選用的狀態信號，設備的診斷除了常用的振動診斷，還有超聲診斷、聲發射診斷、油光譜分析診斷、紅外監測診斷等方法。這些方法對不同的機械設備有不同的靈敏度，所以效果也不同。因此，有個合理選用的問題，本文則主要針對振動診斷法。當機械設備內部發生異常時，一般都會隨之出現振動加大和性能變化。該方法診斷信息獲取方便、信息量豐富，設備內大部分部件的狀況在其中均有反映，適宜于發展成為在線實時監控系統。具體實施方法很多，其中基于模糊神經網絡的診斷就是一種有效的診斷策略，而網絡的輸入參數則是診斷的關鍵信息。有了網絡的拓撲結構和輸入節點的參數，經過推理可非常簡便地在輸出節點中獲得故障的可信度。根據文獻[2]的模糊規則很容易地構造各故障的模糊神經網絡。但在實際中如何合理而有效地定義和獲取網絡的輸入診斷參數，則是一個復雜的問題。本文就此討論了這些診斷參數的定義，并采用面向對象的分析方法和編程技術實現了簡便獲取這些參數信息的建模工具。

１ 特征量的定義

振動診斷中的重要因素是故障特征量的提取，它反映故障的部位，故障的嚴重程度，是故障診斷的基礎。由故障機理分析可知，如某一故障產生，則它的故障特征頻率基頻和諧頻點能量會不同程度地有較大增加，且不同特征頻率處的譜值變化對故障影響的程度不同。因為受監測裝置、轉速等條件的影響，盡量不要以絕對值作為異常診斷的依據，而要與初始值或正常值做比較，用比值作為監測參數來進行診斷。為此診斷的監測參數定義為：

為相對于的待檢狀態故障譜值，的正常狀態功率譜值。

因為某一監測量只能反映某一方面的故障信息，具有一定的局限性，所以實際中僅靠一個參數作為判斷依據是不夠的，應綜合多種參數，并給不同參數以不同的權，這樣才合理，可靠。

２ 診斷網絡的輸入

有了特征量后，就可將其經過一定的處理后送入網絡診斷。基于神經網絡的模糊推理是解決診斷中的不確定性的一個有效的方法，其輸入是故障征兆的監測量，即不同的FS值，由于FS并不一定在[0,1]之間，所以首先應確定FS的上界和下界，將實際的監測量FS通過其上、下界歸一化處理成[0,1]區間上的值。歸一化后的輸入值再通過網絡的前向推理得到輸出節點輸出故障發生的可信度，該可信度也取值于[0,1]之間。

根據故障機理和實際經驗給出故障類型和特征參數的關系，得出故障集和征兆集的模糊規則，然后根據模糊規則來建立模糊神經網絡。例如軸類故障有：軸不平衡、軸線不對中、軸產生裂紋三種，分別對應的模糊神經網絡為shaft1.net、shaft2.net、shaft3.net三個網絡，shaft1.net和shaft2.net網絡所對應的輸入為一階、二階軸頻處的相對幅值比，shaft3.net網絡所對應的輸入為一階、二階、三階軸頻處的相對幅值比。表１為基本零部件的故障名、對應網絡名及網絡的輸入參數。因篇幅關系，網絡結構在此不一一畫出。

的頻率計算及各頻率處的相對幅值比在診斷過程中是非常重要的，它反映了故障的信息，是故障診斷中必不可少的參數。但在實際中機械設備構造的不同使這些參數的求解成為一個復雜的問題。因此，為了可靠地診斷設備故障，需掌握設備的構造特點，根據其機械傳動關系建立設備診斷模型，并根據此模型方便有效地計算故障診斷參數，以便能在診斷中根據這些信息就此對象模型得到正確的診斷結論。為此需提供一個建立診斷對象的建模工具。

３ 建模系統

3.1診斷過程

首先根據以上的思想其診斷過程如下：由機械傳動關系建立診斷對象模型，輸入主軸轉速（rpm），系統自動計算出每一個零部件的故障特征頻率。并且根據頻譜圖尋找譜圖中峰值點對應的特征頻率，計算與正常譜圖的相對幅值比，找到具有此特征頻率值的零件。查看是否滿足相應診斷網絡所需的要求，如果滿足，則調用相應的網絡進行診斷推理，最后得到不同故障類型的嚴重程度。過程如圖１所示，其中虛線所示為本節主要討論部分。

3.2 建模工具

設計建模工具采用了面向對象的分析方法，具有柔性、開放性、靈活性等特點。機械設備一般由軸、軸承、齒輪等零部件有機地結合在一起，形成了各種傳動鏈。我們可以把這些軸、軸承、齒輪等零部件與面向對象技術中的對象結合起來，把各種零部件抽象成不同的對象類，形成各種零部件類。各個零部件有相對的獨立性，它們之間互不干擾。不同零部件之間的聯系通過消息間相互傳遞進行，并且對象的具體處理方法由各個零部件類自己來完成，而發送消息給它的零部件類并不需要知道它的內部實現過程，有利于系統的維護。零部件類的屬性和功能的修改或增加并不影響到其它類。所以設備對象的建模系統適合采用面向對象的編程方法。零部件的類與面向對象的對象類對應起來，零部件的狀態與對象的屬性相對應，操作零部件的動作與對象的方法相對應。系統軟件設計采用了面向對象的語言Boraland C++5.0，利用其OWL(Object Windows Library)編程思想。

該系統提供了軸、軸承、齒輪、剪切等編輯工具，可根據實際的傳動關系畫出設備的機械構造示意圖，并通過友好的人機接口賦予各對象一定的必要信息，如軸承滾動體的個數、接觸角、節徑、直徑、所在軸的編號等；齒輪的齒數、編號、所在軸編號、嚙合齒輪編號等；軸的編號等。模型被初始化即模型中的某根軸被賦予一定的轉速后，系統則根據對象間的消息傳遞自動搜索其傳動鏈上的傳動關系并根據（3）～（7）公式自動計算各零部件的特征頻率，同時把這些搜索出的信息與計算出的特征頻率值保存在各零部件對象中。用戶可通過屬性對話框來查詢搜索后的結果。這樣大大節省了工程技術人員的計算任務。同時它還提供了和其它數據庫的接口，如與信號分析數據庫連接后，可根據故障信號譜值和正常信號譜值比計算FS并實時顯示此模型設備各部件的故障診斷參數，包括特征頻率值、特征頻率處的故障信號譜值與正常信號譜值、相對幅值比、歸一化值等；和神經網絡數據庫相連后，將顯示各零部件診斷時所調用的網絡信息及網絡的輸入參數。獲得網絡輸入參數（或故障診斷參數）的過程如圖２所示。

４ 建模實例

選擇六安汽車齒輪箱總廠的產品LC5T81變速箱，輸入轉速為n=1600±16rpm，負載為M=255±2.55N/M，檔位有四檔，分別對應著不同的齒輪嚙合。其中四檔為變速箱的直接檔，它的齒輪總是嚙合的，I軸為輸入軸，III軸為輸出軸。其簡單的機械傳動示意圖如圖３（a），選取第三檔的齒輪作為研究對象，其傳動齒輪的傳動示意圖如圖 ３（b），根據圖３（b）所建立的診斷對象的傳動模型如圖 ３（c）所示。

分別打開軸、軸承、齒輪對象的參數屬性對話框，輸入計算特征頻率參數時所用的屬性如齒輪的齒數、軸承的滾動體個數、滾動體直徑、滾動體節徑和滾動體接觸角等參數，便于系統初始化后能根據傳動關系計算各零部件的特征頻率。對圖３（a）的Ｉ軸初始化，并調用從第三檔齒輪所測得的正常信號、故障信號的譜值數據庫。從而得到各零部件的故障診斷參數。例如，圖 ４（ａ）為第三檔上齒數為２７的齒輪的診斷參數，圖 ４（ｂ）為Ｉ軸上的軸承診斷參數。歸一化后的值送入相對應的模糊神經網絡則完成故障的診斷推理。

本文總結了各零部件對應故障的診斷參數，它們是網絡推理診斷的輸入參數，是關鍵的診斷信息。為了方便有效地尋找出這些信息，研究并開發了機械設備的建模系統，該系統提供了一組界面友好、功能齊全的開發工具，使用戶擁有良好的應用開發環境，并有良好的開放性和擴展性。

實際中，根據設備的傳動關系可通過此視圖工具對設備建模，當對此傳動鏈上的任意一根軸賦予一定的轉速后，系統會自動計算出該軸的工作頻率，同時發送消息給傳動鏈上的其它相關對象，當這些對象接收到消息后，則根據一定的傳動關系進行相應的操作，從而得到零部件對象的工作頻率。響應迅速、可靠，減輕了工作人員的計算任務。調用信號分析數據庫所獲得的故障診斷參數在診斷中是不可缺少的參數信息，根據這些信息可從神經網絡庫中調用相應的網絡從而實現故障的診斷。系統在故障診斷的運用中取得了良好的效果。