摘 要： 给出了基于模糊神经网络的故障诊断参数，并采用面向对象的分析方法和编程技术实现了机械设备的建模工具，该工具为获得这些诊断参数提供了合理有效的途径。

    关键词： 故障诊断　建模　面向对象　模糊神经网络

    机械设备故障诊断方法可选用的特征信号有多种，如振动、噪声、力、扭矩、压力、温度、功率、电、磁、光、超声波等信号。按照所选用的状态信号，设备的诊断除了常用的振动诊断，还有超声诊断、声发射诊断、油光谱分析诊断、红外监测诊断等方法。这些方法对不同的机械设备有不同的灵敏度，所以效果也不同。因此，有个合理选用的问题，本文则主要针对振动诊断法。当机械设备内部发生异常时，一般都会随之出现振动加大和性能变化。该方法诊断信息获取方便、信息量丰富，设备内大部分部件的状况在其中均有反映，适宜于发展成为在线实时监控系统。具体实施方法很多，其中基于模糊神经网络的诊断就是一种有效的诊断策略，而网络的输入参数则是诊断的关键信息。有了网络的拓扑结构和输入节点的参数，经过推理可非常简便地在输出节点中获得故障的可信度。根据文献[2]的模糊规则很容易地构造各故障的模糊神经网络。但在实际中如何合理而有效地定义和获取网络的输入诊断参数，则是一个复杂的问题。本文就此讨论了这些诊断参数的定义，并采用面向对象的分析方法和编程技术实现了简便获取这些参数信息的建模工具。

    １ 特征量的定义

    振动诊断中的重要因素是故障特征量的提取，它反映故障的部位，故障的严重程度，是故障诊断的基础。由故障机理分析可知，如某一故障产生，则它的故障特征频率基频和谐频点能量会不同程度地有较大增加，且不同特征频率处的谱值变化对故障影响的程度不同。因为受监测装置、转速等条件的影响，尽量不要以绝对值作为异常诊断的依据，而要与初始值或正常值做比较，用比值作为监测参数来进行诊断。为此诊断的监测参数定义为：

    式中为相对于的待检状态故障谱值，为相应于的正常状态功率谱值。的比值，消除了故障在传播过程中由于经过较多结合面而产生的能量衰减效应，因为同一结构处于正常状态与故障状态产生振动的传播途径是一致的，它们的能量衰减幅度大致相等。考虑到信号能量比较弱以及计算机处理浮点数的能力，可做如下处理：

    因为某一监测量只能反映某一方面的故障信息，具有一定的局限性，所以实际中仅靠一个参数作为判断依据是不够的，应综合多种参数，并给不同参数以不同的权，这样才合理，可靠。

    ２ 诊断网络的输入

    有了特征量后，就可将其经过一定的处理后送入网络诊断。基于神经网络的模糊推理是解决诊断中的不确定性的一个有效的方法，其输入是故障征兆的监测量，即不同的FS值，由于FS并不一定在[0,1]之间，所以首先应确定FS的上界和下界，将实际的监测量FS通过其上、下界归一化处理成[0,1]区间上的值。归一化后的输入值再通过网络的前向推理得到输出节点输出故障发生的可信度，该可信度也取值于[0,1]之间。

    根据故障机理和实际经验给出故障类型和特征参数的关系，得出故障集和征兆集的模糊规则，然后根据模糊规则来建立模糊神经网络。例如轴类故障有：轴不平衡、轴线不对中、轴产生裂纹三种，分别对应的模糊神经网络为shaft1.net、shaft2.net、shaft3.net三个网络，shaft1.net和shaft2.net网络所对应的输入为一阶、二阶轴频处的相对幅值比，shaft3.net网络所对应的输入为一阶、二阶、三阶轴频处的相对幅值比。表１为基本零部件的故障名、对应网络名及网络的输入参数。因篇幅关系，网络结构在此不一一画出。

    式中n为轴的转速(rpm)，z为滚动体个数，d为滚动体直径，D为轴承节径即滚动体中心所在圆的直径，α为接触角，z1为齿轮的齿数。需要说明的是，上式计算的各种特征频率都是从理论上推导出来的，而实际轴承的各几何尺寸会有误差，加上轴承安装后的变形，使实际的频率与计算所得的频率会有某些出入，所以在频谱图上寻找各特征频率时，需在计算的频率值的左右找其近似的值来作诊断判断，即存在频率偏差。

    由上看出，的频率计算及各频率处的相对幅值比在诊断过程中是非常重要的，它反映了故障的信息，是故障诊断中必不可少的参数。但在实际中机械设备构造的不同使这些参数的求解成为一个复杂的问题。因此，为了可靠地诊断设备故障，需掌握设备的构造特点，根据其机械传动关系建立设备诊断模型，并根据此模型方便有效地计算故障诊断参数，以便能在诊断中根据这些信息就此对象模型得到正确的诊断结论。为此需提供一个建立诊断对象的建模工具。

    ３ 建模系统

    3.1诊断过程

    首先根据以上的思想其诊断过程如下：由机械传动关系建立诊断对象模型，输入主轴转速（rpm），系统自动计算出每一个零部件的故障特征频率。并且根据频谱图寻找谱图中峰值点对应的特征频率，计算与正常谱图的相对幅值比，找到具有此特征频率值的零件。查看是否满足相应诊断网络所需的要求，如果满足，则调用相应的网络进行诊断推理，最后得到不同故障类型的严重程度。过程如图１所示，其中虚线所示为本节主要讨论部分。

    3.2 建模工具

    设计建模工具采用了面向对象的分析方法，具有柔性、开放性、灵活性等特点。机械设备一般由轴、轴承、齿轮等零部件有机地结合在一起，形成了各种传动链。我们可以把这些轴、轴承、齿轮等零部件与面向对象技术中的对象结合起来，把各种零部件抽象成不同的对象类，形成各种零部件类。各个零部件有相对的独立性，它们之间互不干扰。不同零部件之间的联系通过消息间相互传递进行，并且对象的具体处理方法由各个零部件类自己来完成，而发送消息给它的零部件类并不需要知道它的内部实现过程，有利于系统的维护。零部件类的属性和功能的修改或增加并不影响到其它类。所以设备对象的建模系统适合采用面向对象的编程方法。零部件的类与面向对象的对象类对应起来，零部件的状态与对象的属性相对应，操作零部件的动作与对象的方法相对应。系统软件设计采用了面向对象的语言Boraland C++5.0，利用其OWL(Object Windows Library)编程思想。

    该系统提供了轴、轴承、齿轮、剪切等编辑工具，可根据实际的传动关系画出设备的机械构造示意图，并通过友好的人机接口赋予各对象一定的必要信息，如轴承滚动体的个数、接触角、节径、直径、所在轴的编号等；齿轮的齿数、编号、所在轴编号、啮合齿轮编号等；轴的编号等。模型被初始化即模型中的某根轴被赋予一定的转速后，系统则根据对象间的消息传递自动搜索其传动链上的传动关系并根据（3）～（7）公式自动计算各零部件的特征频率，同时把这些搜索出的信息与计算出的特征频率值保存在各零部件对象中。用户可通过属性对话框来查询搜索后的结果。这样大大节省了工程技术人员的计算任务。同时它还提供了和其它数据库的接口，如与信号分析数据库连接后，可根据故障信号谱值和正常信号谱值比计算FS并实时显示此模型设备各部件的故障诊断参数，包括特征频率值、特征频率处的故障信号谱值与正常信号谱值、相对幅值比、归一化值等；和神经网络数据库相连后，将显示各零部件诊断时所调用的网络信息及网络的输入参数。获得网络输入参数（或故障诊断参数）的过程如图２所示。

    ４ 建模实例

    选择六安汽车齿轮箱总厂的产品LC5T81变速箱，输入转速为n=1600±16rpm，负载为M=255±2.55N/M，档位有四档，分别对应着不同的齿轮啮合。其中四档为变速箱的直接档，它的齿轮总是啮合的，I轴为输入轴，III轴为输出轴。其简单的机械传动示意图如图３（a），选取第三档的齿轮作为研究对象，其传动齿轮的传动示意图如图 ３（b），根据图３（b）所建立的诊断对象的传动模型如图 ３（c）所示。

    分别打开轴、轴承、齿轮对象的参数属性对话框，输入计算特征频率参数时所用的属性如齿轮的齿数、轴承的滚动体个数、滚动体直径、滚动体节径和滚动体接触角等参数，便于系统初始化后能根据传动关系计算各零部件的特征频率。对图３（a）的Ｉ轴初始化，并调用从第三档齿轮所测得的正常信号、故障信号的谱值数据库。从而得到各零部件的故障诊断参数。例如，图 ４（ａ）为第三档上齿数为２７的齿轮的诊断参数，图 ４（ｂ）为Ｉ轴上的轴承诊断参数。归一化后的值送入相对应的模糊神经网络则完成故障的诊断推理。

    本文总结了各零部件对应故障的诊断参数，它们是网络推理诊断的输入参数，是关键的诊断信息。为了方便有效地寻找出这些信息，研究并开发了机械设备的建模系统，该系统提供了一组界面友好、功能齐全的开发工具，使用户拥有良好的应用开发环境，并有良好的开放性和扩展性。

    实际中，根据设备的传动关系可通过此视图工具对设备建模，当对此传动链上的任意一根轴赋予一定的转速后，系统会自动计算出该轴的工作频率，同时发送消息给传动链上的其它相关对象，当这些对象接收到消息后，则根据一定的传动关系进行相应的操作，从而得到零部件对象的工作频率。响应迅速、可靠，减轻了工作人员的计算任务。调用信号分析数据库所获得的故障诊断参数在诊断中是不可缺少的参数信息，根据这些信息可从神经网络库中调用相应的网络从而实现故障的诊断。系统在故障诊断的运用中取得了良好的效果。