El diagnóstico erróneo del estado mecánico es un reflejo distorsionado del estado mecánico. El diagnóstico erróneo se produce por muchas razones, incluidos datos de diagnóstico incorrectos.
Exactitud, falta de fiabilidad de la base diagnóstica, irracionalidad del razonamiento diagnóstico, etc. Las características de información del estado mecánico juegan un papel importante en el diagnóstico de fallas mecánicas.
El estudio de las características de la información tiene importancia práctica para mejorar la precisión y confiabilidad del diagnóstico de fallas.
Este artículo presenta la teoría del método matemático que utiliza la teoría de conjuntos aproximados para abordar la incertidumbre en el diagnóstico.
Palabras clave: diagnóstico de fallas; diagnóstico erróneo; información poco confiable; investigación
En el desarrollo del diagnóstico de fallas mecánicas, mejorar la tasa de diagnóstico de fallas siempre ha sido el foco de la investigación, pero el diagnóstico erróneo de fallas también lo ha sido. siempre ha sido el foco de la investigación. Para explicar sistemáticamente los diagnósticos erróneos en el diagnóstico de fallas mecánicas, se proporciona el significado y la clasificación de los diagnósticos erróneos. Con base en el proceso de razonamiento del diagnóstico de fallas mecánicas, se analizan en detalle el mecanismo y las causas específicas del diagnóstico erróneo, y se proponen métodos y medidas para reducir el diagnóstico erróneo por estas posibles razones.
Para mejorar la confiabilidad del diagnóstico de fallas mecánicas y reducir la tasa de diagnósticos erróneos, al tiempo que se garantiza la precisión de los datos de diagnóstico, el sistema de diagnóstico debe ser racional, abierto y escalable para enriquecer y enriquecer continuamente el conocimiento de diagnóstico.
1 Análisis de las causas del diagnóstico erróneo mecánico
A partir de la diferencia objetiva entre los resultados del diagnóstico y los objetos del diagnóstico, las conclusiones del diagnóstico de fallas se pueden dividir en diagnóstico, diagnóstico erróneo y diagnóstico erróneo. para diagnosticar el objeto. El diagnóstico de fallas es preciso. Un diagnóstico erróneo es la omisión de una avería. Un diagnóstico erróneo, como su nombre indica, es un diagnóstico erróneo, que también puede denominarse diagnóstico erróneo. El diagnóstico erróneo también puede clasificarse como diagnóstico erróneo del dispositivo.
1.1 Complejidad de las fallas
En el proceso de diagnóstico de fallas, el proceso de falla del objeto de diagnóstico es complejo y cambiante. En el proceso de desarrollo de la falla, debido a la diferente naturaleza, características y modo de acción de los factores que causan la falla, las condiciones específicas de acción mecánica y daño también son diferentes, y los síntomas y la evolución de la falla tienen diferentes formas. A menudo es difícil comprender de forma rápida y precisa la naturaleza de la falla durante el diagnóstico, lo que lleva a diagnósticos erróneos, que se reflejan específicamente en los siguientes aspectos:
En (1) el proceso de desarrollo de una falla, una falla puede mostrar muchas formas diferentes. síntomas de falla. Por ejemplo, en el diagnóstico de fallas del sistema hidráulico, la falla de la válvula de inversión electromagnética puede causar que la presión y el flujo del sistema no cumplan con los requisitos, la pulsación puede intensificarse y la temperatura de funcionamiento del sistema también puede aumentar. Sin embargo, distintos objetos de diagnóstico, incluso la misma máquina, tienen respuestas diferentes ante el mismo fallo. Un sujeto puede responder rápidamente, otro puede responder lentamente, un sujeto puede tener síntomas que respondan violentamente a un mal funcionamiento, mientras que otro sujeto puede responder sin problemas.
(2) En el proceso de desarrollo de diferentes fallas, pueden aparecer síntomas similares y el mismo síntoma puede corresponder a múltiples formas de falla. Por ejemplo, en maquinaria rotativa, varias fallas suelen ir acompañadas de vibraciones intensificadas y, en el análisis del dominio de la frecuencia, diferentes fallas pueden tener comportamientos similares en el mismo multiplicador de frecuencia. La similitud de estos síntomas de falla hace que nos confundamos fácilmente en el diagnóstico de fallas.
(3) En muchos casos, a medida que se desarrolla la falla, también puede causar una falla secundaria. La falla secundaria puede cubrir la falla original o la falla original enmascara la falla secundaria, lo que hará el diagnóstico de falla. difícil. . Por ejemplo, en un sistema hidráulico, si el grado de contaminación del aceite aumenta por alguna razón, los pares móviles de la bomba hidráulica pueden desgastarse severamente y las partículas de desgaste se mezclan con el aceite, agravando aún más la contaminación por aceite. El desgaste de la bomba hidráulica provocará la falla del sistema hidráulico. Esta falla es causada por la falla primaria de la contaminación del aceite, y la falla primaria y la falla secundaria del desgaste de la bomba se mezclan y se promueven entre sí para formar un círculo vicioso. , aumentando la dificultad para encontrar fallas primarias.
Para superar las dificultades causadas por la complejidad de los síntomas de falla en el diagnóstico de fallas, debemos ampliar nuestro pensamiento y no ceñirnos al pensamiento estrecho de los síntomas de falla típicos, desde una perspectiva del sistema, desde el entorno hasta La máquina, desde lo local hasta el conjunto, realiza análisis detallados desde la etapa hasta el proceso, combina orgánicamente signos, causas y mecanismos de falla para reducir la tasa de diagnóstico erróneo.
1.2 Incertidumbre en el conocimiento del diagnóstico
Debido a los diferentes niveles de complejidad y los diferentes entornos de trabajo de los diversos equipos mecánicos, nuestra comprensión de las fallas es a menudo incierta e imperfecta. En términos generales, no podemos esperar hasta que una determinada falla ocurra por completo antes de sacar una conclusión. En lugar de eso, debemos implementar un diagnóstico temprano y tomar medidas oportunas para evitar un mayor desarrollo de la falla.
De esta forma, debemos realizar un diagnóstico basándonos en algunos síntomas o en ningún síntoma de la avería, lo que conducirá inevitablemente a un diagnóstico erróneo.
Debido a la falta de datos de diagnóstico de fallas, la comprensión de la falla es muy limitada y es difícil hacer un diagnóstico claro. A veces no se pueden descartar por completo fallos con síntomas similares. A veces, el patrón general de un mal funcionamiento sospechoso no coincide exactamente con los síntomas del mal funcionamiento. Además, se ha descartado la posibilidad de fallo y faltan bases suficientes para identificar el fallo. Por lo tanto, el proceso de razonamiento del diagnóstico de fallas a menudo tiene un cierto grado de confusión e incertidumbre.
En vista de esta situación, estudiar completamente el objeto de diagnóstico de fallas, establecer un cuerpo de conocimiento difuso razonable y un motor de inferencia difusa y utilizar principios modernos de inteligencia artificial para implementar el diagnóstico están más en línea con la naturaleza del diagnóstico de fallas. y mejorará la fiabilidad del diagnóstico.
La relatividad de 1. 3 Teoría
En comparación con el proceso de fracaso real, cualquier teoría siempre tiene limitaciones. Los equipos mecánicos, como organismo compuesto por el medio ambiente y las personas, son diferentes. La teoría sólo puede resumir a grandes rasgos las situaciones específicas en la práctica del diagnóstico de fallas. Al mismo tiempo, esta teoría está limitada por ciertas condiciones científicas y tecnológicas, y todavía quedan cosas por entender.
Siempre hay una cierta distancia entre la teoría y los fallos concretos. Las normas de diagnóstico de fallos se resumen y formulan basándose en síntomas típicos. Es posible que no todas las fallas menos típicas cumplan con los criterios de diagnóstico. Si los estándares de diagnóstico se consideran dogmas y permanecen sin cambios, inevitablemente conducirán a diagnósticos erróneos.
En resumen, el sistema de diagnóstico que desarrollemos debe ser abierto y escalable, de modo que tenga la capacidad de mejorar continuamente, lo cual es una forma importante de reducir la tasa de diagnósticos erróneos.
1.4 Limitaciones de la práctica de diagnóstico
La práctica de diagnóstico de fallas es la base para la formación y desarrollo del diagnóstico de fallas mecánicas. Aunque también es una forma importante de obtener conocimientos relevantes, debido a las diferencias entre los experimentos y el funcionamiento real y el entorno de trabajo de los sistemas mecánicos, las conclusiones extraídas deben tener ciertas limitaciones. Como tema del diagnóstico de fallas, las personas tienen diferentes conocimientos sobre los sistemas mecánicos y experiencia práctica en el diagnóstico de fallas, y las conclusiones que sacan también son diferentes. Por ejemplo, al observar una imagen mecánica, una persona experimentada ha acumulado una gran cantidad de conocimiento sobre fallas en su mente, por lo que a menudo puede captar con precisión el estado de funcionamiento mecánico y sacar conclusiones de diagnóstico razonables, especialmente para fallas tempranas y fallas atípicas. Por lo tanto, debemos fortalecer la práctica del diagnóstico y extraer conocimientos útiles de la práctica para ampliar y enriquecer nuestro sistema de diagnóstico.
Los datos obtenidos en 1.5 son inexactos
En el proceso de diagnóstico de fallas, primero debemos obtener datos relevantes sobre el funcionamiento del sistema mecánico. Durante el funcionamiento mecánico, a menudo se ve afectado por el entorno externo y diversos factores aleatorios, lo que hace que los datos obtenidos sean inexactos hasta cierto punto y conduzcan fácilmente a diagnósticos erróneos. Por lo tanto, es necesario tomar las medidas necesarias de preprocesamiento de datos para reducir la influencia de factores aleatorios, eliminar elementos de tendencia y elementos singulares y mejorar la precisión de los datos. Esta también es una condición necesaria para reducir la tasa de diagnóstico erróneo.
1.6 El médico diagnosticador no es profesional.
La calidad del diagnosticador también determina la exactitud de la conclusión diagnóstica. El conocimiento teórico, la experiencia práctica, el conocimiento de los métodos y la actitud del diagnosticador al realizar el diagnóstico de fallas pueden conducir a un diagnóstico erróneo. Al mismo tiempo, la capacidad del diagnosticador para aplicar conocimientos de manera integral, conectar la teoría con la práctica y ser bueno para resolver problemas prácticos también afectará la conclusión del diagnóstico.
2 Extracción de información en el diagnóstico de fallas mecánicas
2.1 La extracción de información no es confiable.
El diagnóstico de fallas mecánicas se puede dividir en diagnóstico directo y diagnóstico indirecto. Sin embargo, debido a las limitaciones de la estructura del equipo y las condiciones de trabajo, el diagnóstico directo suele ser difícil de realizar. Por lo tanto, a menudo se utiliza el diagnóstico indirecto, es decir, los cambios de estado de los componentes clave del equipo se determinan indirectamente a través de información de diagnóstico secundario. Las pruebas de diagnóstico son un paso crítico en la obtención de información de diagnóstico secundaria. Los más comunes son los ensayos de vibración (desplazamiento, velocidad, aceleración) y los ensayos de sonido.
Sin embargo, por diversos motivos, los datos obtenidos pueden estar sesgados. Esto se refleja en tres aspectos: (1) los datos no reflejan correctamente la existencia objetiva; (2) la relación señal-ruido de los datos es baja (3) los datos están incompletos; Si estos datos inexactos se analizan para convertirlos en datos válidos, es probable que se diagnostiquen erróneamente.
2.2 Procesamiento de información inexacto
La clave es extraer de forma rápida y eficaz características que reflejen información sobre fallos de la máquina. Las funciones de diagnóstico se obtienen principalmente analizando y procesando las señales recopiladas por el dispositivo. Estas características pueden ser características simples en el dominio del tiempo, como valor pico a pico, valor cuadrático medio, curtosis, etc. , o características de los parámetros del proceso, como la temperatura y la presión del aceite, así como algunas características complejas en el dominio de la frecuencia y características holográficas basadas en el espectro, como la elipse de frecuencia variable y la trayectoria del eje.
En la actualidad, están surgiendo sin cesar varios métodos de extracción de características, como simulación estadística, análisis de ondas, análisis de componentes independientes, análisis de dominio de frecuencia, análisis de espectro holográfico, etc., que brindan soluciones efectivas para la extracción de características de diagnóstico. objetos. En la aplicación, muchos métodos tienen requisitos previos para su aplicación. Además, varios métodos pueden tener sus limitaciones y problemas de precisión matemática en diferentes aplicaciones. En aplicaciones prácticas, si no se les presta atención, pueden producirse diagnósticos erróneos.
2.3 Información incompleta
Para un objeto de diagnóstico, si su estado operativo es complejo, debido a limitaciones de condiciones y medios objetivos, puede resultar difícil diagnosticar con precisión a partir de la información obtenida. La conclusión se refleja principalmente en los siguientes tres aspectos:
(1) La información está incompleta. En la práctica del diagnóstico no existe una correspondencia uno a uno entre los fallos y la información de diagnóstico. 1 mensaje corresponde a múltiples fallas diferentes y 1 falla también se caracteriza por múltiples mensajes diferentes. Esto requiere suficiente información útil para diferenciar entre diferentes fallas. De lo contrario, puede producirse un diagnóstico erróneo.
(2) La información es inconsistente. La información de diagnóstico inconsistente también es un fenómeno común en la práctica de diagnóstico. Existe cierto grado de conflicto entre estos mensajes. Es decir, alguna información respalda en gran medida la falla F1 y niega la falla F2, por el contrario, otra información respalda la falla F2 y niega la falla F1; En este momento es fácil que se produzcan diagnósticos erróneos.
(3)La información es incierta. La información de diagnóstico del objeto de diagnóstico pasa a través de múltiples rutas de transmisión y su incertidumbre puede ser pequeña o grande. Por ejemplo, los sensores, las líneas de transmisión, etc. afectan su certeza. Además, existe la incertidumbre que conlleva la conversión entre información cualitativa y cuantitativa.
3 Medidas para mejorar la fiabilidad de la información y reducir los diagnósticos erróneos
3.1 Mejorar la precisión de las pruebas diagnósticas
Mejorar la precisión de las pruebas diagnósticas es garantizar la fiabilidad de las pruebas diagnósticas datos requisito previo importante. Puede comenzar con los siguientes cuatro aspectos: (1) Verifique los sensores con regularidad; (2) Considere múltiples sensores para la medición (3) Utilice líneas de transmisión confiables (4) Configure los parámetros de muestreo correctamente;
3.2 Mejorar la confiabilidad del sistema de diagnóstico
Con las necesidades de operación y mantenimiento de equipos, se pueden realizar diversos análisis de diagnóstico en línea, fuera de línea y remotos, como redes neuronales artificiales, redes bayesianas y Los sistemas expertos y los sistemas de diagnóstico inteligente se utilizan gradualmente para el diagnóstico de fallas mecánicas, lo que no solo brinda muchas comodidades para el diagnóstico de fallas, sino que también aumenta la posibilidad de diagnósticos erróneos de fallas mecánicas. Desarrollar un sistema de diagnóstico razonable, completo y eficaz para mejorar su confiabilidad en la extracción de características o el razonamiento diagnóstico ayudará a reducir la tasa de diagnósticos erróneos.
3.3.Fortalecer la objetividad de la descripción de la información de diagnóstico
La importancia de la información de diagnóstico en el diagnóstico de fallas mecánicas es evidente que su expresión y descripción son razonables y precisas. resultados del razonamiento diagnóstico. Sin embargo, en la práctica del diagnóstico existe información tanto cualitativa como cuantitativa. Contiene información tanto simple como compleja; información definida e incierta. En el proceso de razonamiento diagnóstico, la información cuantitativa a menudo se convierte en información cualitativa, como "70}, la vibración de m se describe como "gran vibración", etc.
La teoría de la probabilidad y las matemáticas difusas describen esto información Herramienta poderosa. Por lo tanto, se puede considerar que la teoría de la probabilidad y la teoría matemática difusa están integradas en la expresión de la información y la descripción del diagnóstico de fallas de una manera adecuada para mejorar la objetividad de su descripción.
4 Teoría aproximada de conjuntos. procesa información.
La información con información aleatoria, información incierta, información difusa e información gris es información simplex; al menos dos tipos de información son ciegas y combinan la teoría de la probabilidad, la teoría difusa y las matemáticas grises. Las teorías y métodos de las matemáticas indeterminadas se combinan orgánicamente, es decir, las teorías y métodos de las matemáticas inciertas se proponen o utilizan para procesar información con patrones característicos similares o diferentes para obtener información fusionada, mejorando así la incertidumbre, la confusión y la contradicción. /p>
La teoría de conjuntos aproximados es una herramienta matemática eficaz para tratar con conocimientos confusos e inciertos, y se ha aplicado con éxito a la clasificación y adquisición de conocimientos. La diferencia entre métodos de "ciencia blanda", como métodos de redes, algoritmos genéticos, Los métodos de la teoría de conjuntos difusos y la teoría del caos son que solo utilizan la información proporcionada por los datos mismos y no requieren ninguna información adicional o conocimiento previo, como la asignación de probabilidad básica en la teoría de la evidencia, las funciones de membresía en la teoría de conjuntos difusos, la probabilidad. distribuciones en estadísticas, etc. El método de conjunto aproximado consiste en procesar directamente la salida medible del objeto sobre la base de clasificar los datos de medición observados, eliminando así la información redundante y la información contradictoria.
Pasos generales para el diagnóstico basado en la teoría aproximada de conjuntos:
(1) Establecimiento de una base de conocimientos La tabla de información de fallas del sistema de diagnóstico conjunto se genera utilizando los datos históricos o de simulación recopilados y luego se expresa como una base de conocimientos. en la forma S =(U, A, D, V, f) La base de conocimientos se puede dividir en un espacio de objetos no vacío U = 3x >>Xz,...,xm(, espacio de conjunto de atributos R=AV D, el subconjunto A=}dl} a2 }...., do} y el subconjunto D=}df se denominan atributos de condición y atributos de resultado respectivamente. Hay relaciones de atributos de objeto f8 y 9 entre el espacio de objetos y los dos últimos, es decir, EA. , F8: 'Tiyan' se llama función de información y 'er:U} Vd se llama función de decisión, Va e yd son los rangos de valores limitados de A y D respectivamente. discretización Los métodos de discretización de datos incluyen el algoritmo de segmentación equidistante, el algoritmo de segmentación de igual frecuencia, el algoritmo NaiveScaler, el algoritmo de importancia basado en atributos y el algoritmo de importancia basado en puntos de interrupción, así como algoritmos que combinan lógica booleana y teoría de conjuntos aproximados, etc., para hacer los valores. de atributos condicionales y atributos de toma de decisiones en el espacio continuo e incierto, la discretización de datos es el preprocesamiento de datos utilizando la teoría de conjuntos aproximados.
(3) La extracción de características encuentra M características de datos a partir de las N características de datos originales y las simplificadas. M características de datos se comparan con objetos. La capacidad de clasificación del espacio U es la misma que la de las N características de datos originales (N, M). Este proceso se denomina extracción de características. Los métodos de extracción de características comúnmente utilizados incluyen una reducción mínima basada en la importancia del atributo. , basado en la matriz de distinción y la función de distinción, la reducción de distribución máxima basada en la teoría de la inclusión, la reducción de atributos basada en una invariancia de calidad de aproximación inferior y la reducción arbitraria basada en una calidad de aproximación superior en presencia de contaminación acústica reducen los atributos condicionales, eliminando así la redundancia. Atributos condicionales
(4) El conjunto de reglas extraído se puede utilizar para clasificar nuevos objetos. Este conjunto de reglas se denomina "clasificador" y se expresa mediante RUL cuando el clasificador encuentra un nuevo objeto X. Cuando. , busca reglas que coincidan con los atributos condicionales de X en el conjunto de reglas RUL y los atributos de toma de decisiones del nuevo objeto, He. Mechanical fall diagnostic Shanghai: Shanghai Science and Technology Press, 1986.
2 Liu Zhenhua, Chen Xiaohong. Jinan: Shandong Science and Technology Press, 2001. Liangsheng, Wu Songtao. Algunas aplicaciones de simulación estadística en diagnóstico de ingeniería, pruebas y diagnóstico, 2001, 21(3):157-167.