1. Estado de desarrollo del diagnóstico de fallas
En la actualidad, la investigación nacional sobre tecnología de detección y diagnóstico se centra principalmente en los siguientes aspectos:
(1) Tecnología de detección Investigación: La tecnología de detección es tecnología de instrumentación que refleja los parámetros del estado del equipo. En China se han desarrollado varios tipos de sensores, como sensores de corrientes parásitas, sensores de velocidad, sensores de aceleración y sensores de temperatura; las tecnologías de detección desarrolladas recientemente incluyen fibra óptica, láser, emisión acústica, etc.
(2) Investigación sobre tecnología de procesamiento y análisis de señales: a partir del análisis de espectro tradicional, el análisis de temporización y el análisis del dominio del tiempo, se han introducido algunos métodos avanzados de análisis de señales, como la transformada rápida de Fourier y el análisis de espectro de Wigner. transformada wavelet, etc. La introducción de estos nuevos métodos compensa las deficiencias de los métodos de análisis tradicionales.
(3) Investigación sobre inteligencia artificial y sistemas expertos: la investigación en esta área se ha convertido en la corriente principal del desarrollo de la tecnología de diagnóstico. Actualmente existen sistemas expertos de diagnóstico de fallas mecánicas programados, pero esta tecnología no se utiliza. investigación en ingeniería Aún no está al nivel que la gente esperaba.
(4) Investigación sobre redes neuronales: por ejemplo, se ha aplicado la investigación sobre sistemas de clasificación de redes neuronales de maquinaria giratoria y se han obtenido resultados satisfactorios.
(5) Con respecto al desarrollo y la investigación de sistemas de diagnóstico: desde la inspección y el diagnóstico de una sola máquina hasta la estructura maestro-esclavo de la máquina superior-inferior y los sistemas distribuidos basados en red, la estructura se está volviendo cada vez más La naturaleza del tiempo real es cada vez más compleja.
(6) Investigación y desarrollo de instrumentos y equipos de diagnóstico especializados y portátiles. En la actualidad, la tecnología de diagnóstico de fallas en la metalurgia, la energía eléctrica, la industria química y otras industrias de mi país ha sido muy madura y se ha utilizado ampliamente.
2 Métodos modernos de diagnóstico de fallas
El estado operativo de la maquinaria de construcción varía ampliamente, las fallas que ocurren también son diversas y los métodos de diagnóstico utilizados también son diferentes. Entre los muchos métodos de diagnóstico, los métodos de diagnóstico más utilizados incluyen métodos de diagnóstico de monitoreo de vibraciones, tecnología de pruebas no destructivas, métodos de diagnóstico de temperatura y métodos de análisis de ferrografía. En la última década, han seguido surgiendo nuevas tecnologías de diagnóstico, como el diagnóstico difuso, el análisis de árboles de fallas, los sistemas expertos y las redes neuronales artificiales, y la tecnología de diagnóstico de fallas se ha desarrollado gradualmente en una dirección inteligente.
(1) Método de diagnóstico del árbol de fallas
El método de diagnóstico del árbol de fallas comienza con el estudio del estado de falla (resultado) más indeseable en el sistema y sigue una cierta relación lógica desde el punto de vista general. al Los componentes se refinan paso a paso, se llevan a cabo razonamientos y análisis para analizar la causa de la falla, y finalmente se determina la causa básica inicial, el grado de impacto y la probabilidad de ocurrencia de la falla. Es un método de deducción gráfica que dibuja visualmente fallas del sistema y varios factores que conducen a la falla en un cuadro de fallas. Puede reflejar de manera más intuitiva la relación entre fallas, componentes, sistemas, factores y causas, y también puede cuantificar Calcular el grado. de falla, probabilidad, causa, etc. Este método es intuitivo, rápido de diagnosticar y la base de conocimientos es fácil de modificar dinámicamente. Sin embargo, su desventaja es que se ve muy afectado por factores subjetivos. Los resultados del diagnóstico dependen en gran medida de la exactitud e integridad de la información del árbol de fallas. no puede diagnosticar fallas impredecibles.
(2) Sistema experto de diagnóstico de fallas
Un sistema experto es un sistema de diagnóstico artificial basado en conocimiento que utiliza el conocimiento y los métodos de razonamiento de una gran cantidad de expertos humanos para resolver situaciones prácticas complejas. Problemas. Programa inteligente. El sistema experto en diagnóstico de fallas es el tipo de tecnología de diagnóstico inteligente más investigado y utilizado. Se utiliza principalmente para sistemas complejos que no tienen modelos matemáticos precisos o que son difíciles de establecer. Los principales problemas de los sistemas expertos son la dificultad para adquirir conocimientos y la lentitud de funcionamiento. El sistema experto de diagnóstico de fallas desarrollado sobre la base de tecnología de detección avanzada y tecnología de procesamiento de señales combina las ventajas de la ciencia moderna con la rica experiencia y los métodos de pensamiento de los expertos en el campo, y se ha convertido en la dirección principal del desarrollo de la tecnología de diagnóstico de fallas.
(3) Método de diagnóstico de fallas basado en matemáticas difusas
La ruta de propagación de la señal de estado de la maquinaria de ingeniería es compleja, la relación de mapeo entre fallas y parámetros característicos es confusa y las condiciones límite son inconsistentes La certeza y variabilidad de las condiciones de operación dificultan establecer una correspondencia precisa entre los síntomas de falla y las causas de la falla. Obviamente no es razonable usar la lógica binaria tradicional. Por lo tanto, se selecciona la función de membresía para describir estos síntomas con la membresía correspondiente. grado.La tendencia a existir. El método de diagnóstico de fallas basado en matemáticas difusas consiste en encontrar el grado de pertenencia de varias causas de fallas a través del grado de membresía de ciertos síntomas y la matriz de relaciones difusas para caracterizar la tendencia de varias fallas, reduciendo así muchos factores inciertos que causan problemas al trabajo de diagnóstico. Viene duro.
Sin embargo, para sistemas de diagnóstico complejos, es muy difícil establecer reglas difusas y funciones de membresía correctas, y lleva mucho tiempo.
(4) Método de diagnóstico de fallos basado en redes neuronales
La red neuronal es un sistema de procesamiento de información diseñado para imitar el modo de funcionamiento del cerebro humano. Tiene una gran cantidad de ciertos elementos conectados. y procesadores distribuidos en paralelo. Las características de las fallas se extraen de la información de cada sistema de la maquinaria de ingeniería y las reglas de evaluación de fallas se determinan mediante el aprendizaje de muestras de capacitación para realizar el diagnóstico de fallas. La red neuronal utilizada para el diagnóstico de fallas puede ajustar continuamente los pesos mediante el autoaprendizaje cuando ocurren nuevas fallas, lo que puede mejorar la tasa de detección correcta de fallas y reducir las tasas de falsos negativos y falsos positivos. Las redes neuronales tienen memoria asociativa, coincidencia de patrones y capacidades de inducción similares de fallas para lograr relaciones complejas de mapeo no lineal entre fallas y síntomas. Para maquinaria de ingeniería compleja con múltiples fallas y procesos, así como fallas repentinas u otros fenómenos anormales, las causas y síntomas de las fallas son intrincados y causales, y es eficaz utilizar sistemas de redes neuronales para resolverlos.
(5) Método de diagnóstico de fallas de máquinas con vectores de soporte
La grave escasez de muestras de datos de fallas típicas es una de las principales razones que restringen el desarrollo de la tecnología de diagnóstico de fallas inteligente. La máquina de vectores de soporte (SVM) es un nuevo método de aprendizaje automático basado en la teoría del aprendizaje estadístico. Su objetivo es obtener la solución óptima con la información existente en lugar de solo la solución óptima cuando el número de muestras tiende a infinito. Esto es especialmente adecuado para la resolución práctica de problemas en situaciones de muestra pequeñas, como el diagnóstico de fallos