HI,欢迎来到好期刊网!

故障诊断方法综述

时间:2023-06-21 09:05:36

导语:在故障诊断方法综述的撰写旅程中,学习并吸收他人佳作的精髓是一条宝贵的路径,好期刊汇集了九篇优秀范文,愿这些内容能够启发您的创作灵感,引领您探索更多的创作可能。

故障诊断方法综述

第1篇

关键词:主元分析 微小故障 变量加权 故障诊断

中图分类号:TP39 文献标识码:A 文章编号:1674-098X(2017)03(b)-0122-03

随着科学技术的发展,现代大型复杂系统更加依赖于数字智能化的监测和控制,如何有效实现故障的检测和诊断就变得至关重要,尤其是处于重要位置的变量出现故障时,所带来的后果更加严重。文献[1]中给出常用的故障诊断方法面对征兆显著的故障效果较佳,然而微小故障由于其幅值小、征兆弱从而诊断较困难,有关研究成果还较少。

主元分析(Principal Component Analysis, PCA)是基于数据驱动的多元统计方法之一,该方法利用当前过程信息来判断系统运行情况,文献[2]研究得出当系统故障幅值相对于临界故障幅值较小时,传统PCA方法检测故障的能力会严重下降。为解决这类问题,文献[3-4]中给出可通过不同的角度对传统PCA进行改进,以实现对微小故障的诊断。但现有的关于PCA的微小故障诊断方法,在量纲相同的情况下,大多研究成果都是平等对待所有变量的,然而实际系统中传感器所在位置不同,其所采样变量的重要程度也不相同。

为此,该文依据传感器所在位置的重要程度不同赋予相应的权值,以提高重要变量对微小故障的敏感度;当检测到系统出现故障时,再利用特征方向法实现故障诊断[5](注:量纲不同的情况留于以后研究)。

1 离线建模

主元分析方法构建的主元模型为:

(1)

其中,为数据矩阵;、分别为载荷矩阵、得分矩阵;为主元个数;为残差矩阵;PCA方法通常采用统计量进行过程检测[6]。

假设系统的个变量单独发生故障,运用PCA方法提取种不同故障模式所对应历史数据的特征向量矩阵,再从各故障模式特征向量矩阵中取第一主元载荷向量,组成故障特征方向库。

2 在线过程监控

2.1 故障检测

设为时刻传感器所采样的测量数据。

为实现重要变量对微小故障敏感,现根据传感器所测变量的重要程度不同对在线数据的各变量属于不同的权值,加权后的数据矩阵如式(2)所示:

(2)

根据文献[6]计算加权数据的统计量如式(3):

(3)

然后,依据统计量是否超过统计量检测阈值来判断是否发生故障。

2.2 故障诊断

当故障出现时,用PCA来处理当前被检测的过程数据,提取当前数据的第一载荷向量来代表该数据的变化方向,并用来表示;然后,根据式(4)计算与的相似度。

(4)

定义一个诊断阈值,当≥时,则认为出现了第类故障。由线性代数的基础知识可知,实际上是与间角度的余弦。当越接近于1时,则说明的方向与的方向越接近。因此通常是接近于1但又小于1的数[5]。

2.3 权值的选取

根据文献[7]在强跟踪滤波中所确定次优渐消因子的方法,结合系统信号的分析前后能量保持守恒的准则,给出一个类似的方法,即根据系统先验信息对各变量重要程度的认识,可假定大致的比重因子,如式(5):

(5)

令:

(6)

其中:为根据先验知识所确定的常数,也称为权重因子的比例系数,为待定因子。

2.3.1 性质

2.3.2 条件

对系统进行有效分析的提前条件是系统经加权变换前后的能量需保持守恒或是一定比例关系,即。

因此,可根据式(7)所遵守的能量守恒得出待定因子。

(7)

从而:

(8)

由上述算法可得加权矩阵:

(9)

权重因子反映着原处于平等地位的第个变量在系统中对整个系统的重要程度,一般根据下列原则来确定:

(1)加权后的重要变量对故障更具有敏感性;

(2)变量加权变换前后系统的能量保持守恒,即。

3 仿真实验

利用Matlab生成系统正常运行时的观测数据,同时确定关键主元个数,求出相应的统计阈值;然后在各个变量上加不同的故障构成故障数据,再运用PCA建立故障特征方向库;假设先验系统经验权重因子比例系数为。

图1、图2为在801时刻当变量3加1倍该变量方差恒值故障时,传统统计量值大多都在检测阈值以下,而加权统计量值几乎都在检测阈值以上,由此可见加权对重要变量3的微小故障检测更敏感。

为体现该方法在非加权变量发生故障时,故障检测的有效性,现在变量1加2倍该变量方差恒值故障,故障检测图如图3、图4所示。

根据图1、图2所检测到的故障,可根据文献[5]中的故障特征方向法进行故障诊断,故障诊断结果如表1所示,其中诊断阈值0.957 5。

由表1可以看出,只有第3个变量所对应的相似度超过了诊断阈值,由此可以判断是第3个变量出现故障,这与所取的故障数据相吻合,因此在检测到故障发生时,可根据特征向量法进行故障诊断。(注:表1中的故障变量为单变量故障,故障库也是假定单变量发生故障而建立的)。

4 结语

针对变量所在位置不同,其重要程度也不相同这一问题,提出了基于变量加权的思想用于提高重要变量对微小故障的敏感度,虽然弱化了其他次要变量的重要性,但是提高了重要变量对微小故障的敏感度;同时在次要变量出现偏大故障时,基于加权的统计量同样可以实现故障的检测;最后当检测到系统出现故障预警时,根据在线数据第一特征方向与故障模式特征方向的相似性进行故障类型的诊断。上述方法通过仿真实验证明了具有较好的实用性。

参考文献

[1] 李娟,周东华,司小胜,等.微小故障诊断方法综述[J].控制理论与应用,2012,29(12):1517-1529.

[2] 王海清,宋执环,李平.主元分析方法的故障可检测性研究[J].仪器仪表学报,2002,23(3):232-235.

[3] 尚骏,陈茂银,周东华.基于变元统计分析的微小故障检测[J].上海交通大学学报,2015(6):799-805.

[4] 文成林,吕菲亚,包哲静,等.基于数据驱动的微小故障诊断方法综述[J].自动化学报,2016(9):1285-1299.

[5] Zhang J,Martin EB,Morris AJ.Fault Detection and Diagnosis Using Multivariate Statistical Techniques: Process operations and control[J].Chemical Engineering Research & Design, 1996,74(1):89-96.

第2篇

【关键词】电力电子 故障诊断 人工智能 参数模型

1 研究的意义

随着电力电子技术在大气污染治理、节能环保、银行系统、现代化农业、发电系统等领域的广泛应用,其设备故障问题也越来越突出,当故障严重时将导致整个系统的瘫痪,甚至会造成人员的伤亡,所引起的损失是无法估量的。

当故障发生时,依靠维修人员查找故障的发生原因及解决故障问题是较为困难的,这完全依赖于维修人员的经验。如果缺少故障信息,要想快速准确解决故障时非常困难的,有可能造成机器无法工作的严重后果。在故障发生后,如果能够根据诊断系统提供的故障信息,就可以很快定位故障点,解决故障问题,使停机时间大大缩短,能有效的提高工作效率。由此看对电力电子系统故障诊断方法进行研究具有很重要的现实意义。

2 研究现状

由于电力电子电路的故障发生有其自身的特点,所以其障诊断模式与模拟电路、数字电路的故障诊断有所不同。由于电力电子器件具有过载能力小的特点,所以其器件损坏速度较快,故障信息仅存在时间也很短,这就需要进行实时监控,故障发生时要求在线诊断,另外电力电子电路的功率很大,一般电路诊断中采用的传统的诊断方法不再适用。

目前,常见的电力电子电路故障诊断技术包括两方面的内容:(1)检测电路故障的信息:利用检测设备和检测技术,检测并获取电路发生故障时的信息,利用所获得的信息进行推理分析;(2)诊断电路故障发生部位:根据系统提供的故障信息,综合运用故障诊断方法,对故障信息进行综合分析,推断故障可能发生的原因及部位,从而对故障发生部位进行定位。由以上可知,故障的判断离不开对故障特征的提取,基于此,电路故障诊断方法按提取特征的方法的不同可分为谱分析诊断法、波形分析诊断法、参数模型诊断法、专家系统和人工智能诊断法等多种方法,下文仅对五种常用方法做一简单介绍。

2.1 谱分析诊断法

由于电路故障信号中可能会含有噪声,由此就会造成故障的时域波形不能清楚地反映故障的特征。因此,在故障诊断中,经常使用谱分析的信号处理方法。谱分析的目的在于提取信号中所包含的噪声,在这里可以用傅里叶变换将时域中的故障波形变换到频域,这样就突出了故障特征,能够快速实现故障诊断。

2.2 波形分析诊断法

利用示波器能直观清楚的显示电子器件击穿或损坏的波形,波形分析故障诊断方法就是基于这一点,由于典型测量波形和故障波形之间会有所不同,故可以将典型测量波形提前存储至诊断系统的数据库。当发生故障时,诊断系统就能将实际测量的波形与提前储存至诊断系统的波形进行比较,以判定进行故障。

2.3 故障树诊断法

故障树诊断法的原理就是把电力电子系统中最有可能发生的故障作为故障分析的目标, 加以分析,画出逻辑框图,即故障树。用逻辑图来表示故障间的相互关系, 当故障发生时,在系统中从顶层开始,逐层查找导致这一故障发生的原由, 依此类推, 直至查到故障点。所以障树诊断方法具有实用、通用、观察灵活的优点,也同时也有建树工作量大、容易出错的缺点,由此可见,故障树诊断法诊断故障的范围较小。

2.4 参数模型诊断法

参数模型诊断法是基于一种解析模型的故障诊断法,包含有状态估计方法和参数估计方法等。参数模型法是通过比较被诊断对象的可测信息与由数学模型表达的信息,产生残差, 并对残差进行分析和处理从而实现故障诊断的技术。参数模型法的故障诊断分为3个步骤,第一步是通过对比产生残差,即产生故障信息;第二步是故障模型的检测,针对产生故障的信息生进行逻辑决策;第三步是分析故障的类型、大小和原因。

2.5 人工智能法

人工智能诊断方法主要包括包括专家系统诊断法、模式识别诊断法、人工神经网络诊断等方法。

模式识别故障诊断的过程有一个前提,就是首先对系统可能发生的故障模式进行分类,这样诊断过程就是把系统的现有工作状态归入哪一类故障模式的问题。模式识别诊断法分两步完成,第一步完成故障特征的提取,根据故障特征的属性不同进行分类;第二步是故障诊断,根据已提取的特征,通过已建立的数学模型对故障进行实时诊断。

专家系统诊断法是借助计算机等设备模拟专家的实践经验,以实现故障诊断。一个专家诊断系统是通过实时监测采集数据,并对数据进行处理然后传送到诊断中心,由专家诊断系统进行数据分析,完成诊断,然后将最终结果反馈回用户。

近几年,神经网络诊断法在故障诊断中应用越来越广泛,神经网络是模拟人脑神经网络结构的一种数学模型,其信息处理由神经元之间运算实现,可用较为简单的数学模型来描述,因此在于故障诊断领域有较为广泛的应用。

以上介绍了几种常用的诊断方法,当前,电力电子电路故障诊断是一个新兴的研究领域, 经过多年的发展, 已经取得了很大进步,但是仍有很大的空间等着大家去探究。

参考文献

[1]樊馨月,王杰.电力电子系统故障诊断技术浅谈[J].电气自动化,2006(05).

[2]蔡涛,段善旭,康勇.电力电子系统故障诊断技术研究综述[J].电测与仪表,2008(05).

[3]范晓勇,贾晓静.基于故障树的电子系统故障诊断与预测[J].微计算机信息,2009(12).

第3篇

关键字:配电网,故障诊断,数据挖掘

配电网故障诊断是从技术上提高配电网安全可靠运行的重要手段,准确的故障定位、分析故障原因,提出故障恢复方案能够减少停电时间,加快线路的恢复,减少因停电造成的经济损失。因此,配电网故障诊断技术的研究有着十分重要的理论和实用价值[1]。目前,国内外比较典型的配电网故障诊断方法有故障电流法、专家系统法、人工神经网络法、基于模糊理论的方法、基于优化技术的方法和基于数据挖掘的方法。

1 故障电流法

故障电流法是以图论为基础,根据配电网的拓扑模型进行故障诊断。其基本原理是根据配电网络的结构写出网络描述矩阵和根据故障信号写出配电网络故障信息矩阵,进而由网络描述矩阵和故障信息矩阵相乘后得到一个描述矩阵,随后对描述矩阵进行规格化处理,得到故障判断矩阵,当发生故障时,依据故障判断矩阵进行故障判别和定位[2]。该方法依据系统潮流的变化来判断的,当发生故障时,系统的结果和参数变化,使得潮流的计算和分析处理耗时较长,会影响诊断和恢复处理速度,难以达到理想的效果。

2 专家系统法

专家系统是利用计算机技术将相关领域的理论知识和专家的经验知识融合在一起,通过数据库、知识库、推理机、人机接口、解释程序和知识获取程序的有机连接,达到具备解决专业领域问题的能力。专家系统在配电网故障诊断中的典型应用是基于生产式规则的系统,它把保护、断路器的动作逻辑以及运行人员的诊断经验用规则表示出了,形成故障诊断专家系统的知识库,通过查找知识库对报警信息进行推理,获得诊断结论。专家系统虽然能够有效模拟故障诊断专家完成故障诊断,但是在实际应用中存在知识库建立困难、校核和维护困难、容错能力差等局限性,容易造成诊断错误。

3 人工神经网络法

人工神经网络是模拟人类神经系统传输、处理信息过程的理论化数学模型,是一种大规模并行分布处理系统。它的最大特点是采用神经元及它们之间的有向权重连接来隐含处理问题的知识,具有很强的自学习能力,在学习完成之后,还具有一定的泛化能力和容错能力,即使输入信号带有一定的干扰噪声,仍能给出正确的输出结果[3]。它的这些优点对于在配电网故障定位中的应用具有重要的意义,主要用来进行故障识别和故障定位。

4 基于模糊理论的方法

模糊理论是将经典集合理论模糊化,并引入语言变量和近似推理的模糊逻辑,具有完整的推理体系的智能技术。在电力系统中,由于保护或断路器的误动作、拒动,信道传输干扰,保护动作时间偏差等因素的影响,输、配电网络故障诊断存在不确定性,而模糊理论可以适应不确定性问题,擅长模拟人类思维中的近似推理、语言变量来表述专家的经验,得到问题的多个可能的解决方案,并根据其模糊度的高低进行排序,进而得出问题的最佳解决方案。因此,基于模糊理论的方法比较适用于故障诊断,目前已经在配电网故障定位中得到了应用。

基于模糊理论的故障诊断系统,虽然可以增强处理不确定性的能力,但是采用模糊理论进行电网故障诊断,需寻求有效的手段对电网中的各种不确定性进行客观地模糊表达,需要充分利用历史统计数据和经验知识。当诊断对象的结构发生变化时,如何对模糊知识库进行快速、有效的更新维护也需要更进一步的研究[4]。

5 基于优化技术的方法

基于优化技术算法是国内外学者提出的进行电网故障定位的一种新思路,根据电网故障的特点设定假想事故集的目标函数,利用各种优化算法根据适应度值对假想事故集进行更新,直至搜索到适应度最大的假想事故集,作为最终故障诊断结果。其实质是将故障诊断问题转化为无约束的0-1整数规划问题进行寻优处理。这类方法的基本思路是:根据保护动作原理,将故障诊断问题表示为0-1整数规划问题,然后用优化算法求解。配电网故障诊断中使用的优化算法主要有遗传算法、模拟退火算法和基于覆盖集理论的算法。基于优化技术的方法在信息发生畸变时,出现复杂的故障模式的r候,难以保证诊断结果的可靠性。

6 基于数据挖掘的方法

数据挖掘近年来研究比较活跃的研究领域,是人工智能与数据库技术相结合的产物。它是利用数据挖掘的各种算法从大量数据中挖掘出隐含其中的知识。近年来,已有研究者开始把数据挖掘技术引入到电力系统的诊断故障中,并取得了一些成功的经验。数据挖掘技术在电力系统故障诊断中的应用目前正处于起步阶段,解决如何把诊断对象与数据挖掘算法结合,确定出诊断对象的诊断模型,以及如何把数据挖掘和传统的人工智能技术相结合是进一步深入研究的课题。

电力系统的故障大部分发生在配电网,配电网发生故障后,故障诊断系统根据监测系统得到的相关信息对配电网发生的故障进行实时分析和判断,提出正确有效的健全区域停电恢复策略,帮助调度员准确的确定故障位置,隔离故障区域,快速恢复非故障区域供电。随着技术的日趋成熟,配电网故障诊断技术必将在提高配电网安全可靠运行方面发挥巨大的作用。

参考文献:

[1]马士聪,高厚磊,徐丙垠,薛永端.配电网故障定位技术综述[J].电力系统保护与控制.2009(11).

[2]艾闯.配电网故障快速诊断方法分析[J].中国电业(技术版).2013(12).

第4篇

【关键词】故障检测;故障诊断;小波分析

一、概述

现代化工业技术发展突飞猛进,现代工业自动化程度越来越高,系统规模也越来越大,简单控制系统已经不能达到工业生成的需求,大规模、综合性、复杂的自动化系统运用越来越广[1]。自动化设备和系统结构的日益复杂和集成化,使得系统发生故障的机率也增加,故障的产生会毁坏设备,影响系统正常运转,甚至造成人员伤亡。国内外由于设备故障所引起的设备损坏、锅炉爆炸、道路塌陷,不仅造成经济损失也造成人员伤亡,社会影响及其恶劣。为了达到以人为本同时维护经济的目的,可以加强系统的稳定性、可靠性、鲁棒性和安全性,但任何设备都不可能无限期使用,这就需要防患于未然,因此故障检测技术应运而生。

二、故障检测重要性

故障检测技术是是一门多学科融合交叉性学科[1],如:信号提取则依赖于传感器及检测技术;信号降噪离不开信号处理技术;状态估计和参数估计方法以系统辨识理论为基础;鲁棒故障诊断涉及到鲁棒控制理论知识;此外数值分析、概率与数理统计等基础学科也是故障检查和诊断不可缺少的方法。多门学科知识的支撑确保了故障诊断技术的迅速发展,在工业领域也应用广泛,如化工生产、冶金工业、电力系统、航空航天、机器人等生产的各个领域。

三、故障检测技术经济效益

数据显示[2],故障检测技术与经济发展息息相关,对故障检测技术的研究与发展越来越多,在工业生产中也得到了应用和推广。通过故障诊断技术的推广,大大降低了设备维修费用,各国在故障诊断技术上的投入也逐渐增加。日本对故障检测与诊断技术的投入占其生产成本的5.6%,德国和美国所占比例分别为 9.4%和7.2%。在冶金工业生产中,我国每年承担的设备维修的费用就高达 250 亿元,金额庞大,然而如果应用故障检测与诊断技术,每年可以减少事故发生率同时也能节约 10%~30%的维修费用。因此故障检测能带来经济效益,不容小觑。

四、故障检测的分析方法

(一)状态估计法

状态估计法一般分为两步:首先求取残差,再从残差数据中提取故障特征从而实现故障诊断。目前状态估计法的故障检测诊断方法方兴未艾,如H2估计[3]、鲁棒故障检测与反馈控制的最优集成设计方法[4]等。

(二)等价空间法

低阶的等价向量在实现过程中较易实现但性能不佳,而高阶的等价向量能够得到较理想的性能参数,但以较大的计算量和计算时间为代价。为了解决上述问题,文献[5]采用窄带IIR滤波器运用于等价空间法中,在几乎不改变计算量的前提下,提高系统检测性能,但此方法会产生较高的漏报率。

(三)参数估计法

参数估计法是因为模型参数和相应的物理参数的特点不同,分别统计这两类参数的变化特性来分析和确定故障。物理参数携带重要的信息,具有物理含义,因此,可以分析物理参数的特点,如果异常可以确定故障位置。与状态估计法比较,参数估计法能更有效的故障确定。参数估计法研究越来越丰富,故障诊断方法新成果倍出[6]。

(四)热门的分析方法

(1)小波分析技术

小波分析由于具有时频域局部化特性[7],可任意调节时间窗和频率窗,因此突变信号能够检测出来。但是,小波基选取一直是在小波信号分析没能解决的问题,也是研究的一个难点,针对同一信号采用不同的小波基进行分析其分析结果往往不同。通过小波分析可以检测信号的奇异点,在信号降噪和信号分析中应用广泛。小波变换是结合时域和频域的分析方法,特征提取方便,在故障检测中应用较广。小波分析对单一的故障源检测效果明显,但较复杂情况,如多故障源效果不佳。

(2)神经网络技术

神经网络技术是根据模式识别理论,采用分类器理论,用神经网络进行故障分析和诊断。采用人工神经元网络进行故障诊断一般有四种方式[8]:神经元网络计算残差;神经元网络分析残差;神经元网络进一步分析确定故障点;神经元网络自学习过程进行自适应误差补偿。

(3)小波包分析和神经网络结合技术

用有限元法建立系统动力学模型[9],再根据系统采集信号进行小波包分解,建立基于小波包能量谱指标。把信号指标作为改进BP神经网络的输入特征参数,用分步识别方法进行识别。

(五)展望

故障检测技术运用广泛,用单一方法进行处理存在准确度和精确度的问题,因此可以考虑多学科技术结合的方法,进一步提高准确度和精确度。

参考文献:

[1] 周东华, 胡艳艳. 动态系统的故障诊断技术. 自动化学报. 2009, 35(6).

[2] 周福娜. 基于统计特征提取的多故障诊断方法及应用.[博士学位论文].上海:上海海事大学, 2009.

[3] Fadali M S, Colaneri P, Nel M. H2robust fault estimation for periodic systems[C]MProc. American Control Conference,Denver, Colorado,2003: 2973-2978.

[4]钟麦英,张承慧, Ding S X.一种鲁棒故障检测与反馈控制的最优集成设计方法[J].自动化学报, 2004, 30(2): 294-299.

[5] Ye H, Wang G Z, Ding S X. An IIR filter based parity space approach for fault detection[C] Proc. the15th IFAC World Congress, Barcelona,2002.

[6] Abidin M S Z, Yusof R, Kahlid M, et al. Application of a model based fault detection and diagnosis using parameter estimation and fuzzy inference to a DC-servomotor[C] Proc.2002 IEEE International Symposium on Intelligent Control, Vancouver, Canada,2002:783-788.

[7]李青锋,缪协兴,徐余海.连续复小波在工程检测数据处理中的应用[J].中国矿业大学学报,2007,36(1):22-26.

第5篇

关键词:电力系统、系统故障、故障诊断

中图分类号:TM712文献标识码: A 文章编号:

1 引言

电力系统的不断发展使电网覆盖的区域越来越广,系统组成也越来越复杂,电网系统往往涉及到很多区域之间的电力调配和管理工作,因此在电网建设中使用了数据采集监控系统、能量管理系统,正因为如此,所以一旦电力系统中的某个部位发生问题,将会波及到很多的电力线路,在这种情况下,电力系统故障诊断显得极为重要。电力系统故障诊断系统还应具备对电网故障迅速定位、智能识别的功能。

2 电力系统故障诊断国内外研究发展状况及意义

2.1 电力系统故障诊断的发展现状

对于故障诊断技术,国内的研究时间还很短,到目前为止仅仅是研究了一些理论知识,例如诊断技术的重要意义以及实际作用等等,技术基础是谱分析、快速傅里叶变换等等。总结起来,国内电力系统出现问题主要的原因有以下几个方面:(1)系统设计存在缺陷,结构混乱,不能及时的给系统故障定位。(2)某些地区的设备老化。(3)泥石流、雨雪等自然灾害引起的系统故障。(4)系统保护不力,当出现问题时,不能阻止故障蔓延。当前,随着我国电力系统建设工作的进行,急需以现代化的管理方法来增强电力系统的安全性和可维护性,这就催生了诊断技术的迅速发展,并形成了能够适应国内电力系统特征的一整套诊断理论,具有世界领先水平。[1]

2.2 电力系统故障的危害及其诊断意义

由于当前电力网络之间是相互连通的,所以一旦出现问题就会造成很大的损失。系统故障是不可避免的,受到人为因素以及自然因素等的影响。在其他国家和地区,曾出现过很多比较严重的电力事故,造成了不可挽回的损失。在这样的背景下,寻找电力系统故障快速诊断的方法显得极为重要。

3 电力系统常见故障

所谓的电力系统故障,指的是电力设备出现了问题,不能正常工作,预期的生产任务不能完成。电力系统的故障有很多种,短路故障是最常出现的一种故障。所谓的短路故障,指的就是线路或者是设备短接。电力系统是一个整体,有一个元件出现了问题,若不及时排除,那么都有可能会造成整个系统的瘫痪。按照系统故障的状态划分,电力故障可以分为变压器故障、输电线路故障、母线故障、停电故障等等。[2]

3.1 输电线路故障

输电线路故障有输电线路由于雷电造成绝缘子表面闪络;物体造成的线路短路等等,当实际情况中出现这些问题时,系统中的继电保护装置会跳闸切断电路。之后,故障点将会恢复原有的绝缘平衡。当出现这种问题时,将断路器闭合系统即可恢复正常。其他的输电线路故障还有绝缘子损害、断线、电杆损坏等等,这一类故障的处理就会复杂很多。

3.2 变压器故障

因为变压器故障涉及到的问题有很多,所以以油浸式变压器举例说明。故障有两种,即外部故障、内部故障,我们所说的故障诊断指的就是内部故障诊断。内部故障又可分为两种类型,即热故障、电故障。所谓的电故障,[3]指的就是变压器内部因为高电场的存在使得绝缘性能下降所导致的变压器故障。所谓的热故障,指的就是变压器内部因为温度太高所导致的故障,按照温度可以划分为四种故障,低于150℃的轻度过热,150至300℃的低温过热,300至700℃的中温过热,大于700℃的高温过热。

3.3 母线故障及全厂、全所停电

如果枢纽变电站发生母线故障,电力用户就会停电,这就会造成某些电网载荷过大,影响系统的安全运行。母线故障有很多,比如误动作、母线保护拒动、母线短路等等,这些故障有可能使得系统跳闸、发电厂停电、其他输电线路出现线路故障、越级跳闸等等。

4 电力系统故障诊断方法

4.1 基于专家系统原理的电力系统故障诊断

所谓的专家系统,指的就是利用计算机技术,建立适当的模型按照专家的逻辑对故障进行推演。事实证明,电力故障诊断系统中使用的专家系统是很有成效的。专家系统的推理逻辑以及知识库是不同的,据此可将专家系统划分成两种类型:

1)基于启发式规则推理的系统

这种专家系统以系统的各种逻辑动作、管理维护人员的实际经验为基础,以此建立模型,形成专家系统的各种判断条件,利用正向推理的方式来对系统故障进行诊断。当前很多电力系统使用的就是这种形式的系统。

2)结合正、反推理的系统

这类系统较为复杂,使用了正向推理以及反向推理的方法,以继电保护装置以及被保护设备间的关系建立模型,利用反向推理的方法来寻找有可能出现故障的区域,将继电保护装置的动作与故障发生时的工作进行匹配来对故障进行判断。以RBR与CBR为基础的故障诊断专家系统进行了详细的介绍。因为这种系统的推理是正向与反向相结合的,所以具备自主学习的功能,对于现实系统具有较好的适应性。

诊断专家系统最鲜明的特点就是可以将保护装置的动作以及系统维护人员积累的实际经验利用起来建立合适的模型以及判断规则,而且系统的知识库可以不断的更新,使得专家系统能够对各种故障做出及时的反应,做出合理的判断。在一些规模比较小的电力系统中比较适合使用这一类诊断系统。

4.2 基于人工神经网络的诊断方法

ANN,即基于人工神经网络的故障诊断法,相对于专家系统而言,其学习能力、容错能力更好。当前使用的ANN有基于径向基函数的神经网络等等。ANN不需要构造知识库和推理机。但是ANN的训练样本的获取极为不易,所以一般在规模比较小的电力系统中使用。

4.3 基于优化技术的诊断方法

Optimization methods,即基于优化技术的故障诊断法,这种方法的基础是各种数学模型,通过模型的求解来完成系统的故障诊断。大致思想是把电力系统的故障简化为0-1的规划问题,然后利用相应的数学模型来寻找最优解。在文献[6]当中对这一问题进行了详细的介绍,并建立了一个数学函数,将故障诊断问题变成了一个数学求解的问题。优化技术诊断法从理论上看模型极为严密,不需要知识库,可以使用现有的数学算法,对于各种信息和数据较为完备的电力系统,比较适合使用这种方法。

4.4 基于多系统的诊断方法

MAS,即多系统,通常被理解为分布式人工智能的一部分。如果一个问题出现之后,可以被分成许多不同的小问题,解决这些小问题需要的数据很少,那么这些小问题之间必须形成一定的联系才能最终解决实际的大问题。[4]对于规模比较大、结构比较复杂的电力系统,多系统可以发挥重要的作用。不过,对于上述提到的难点问题还有待进一步的探讨和研究,希望在未来多系统能够在电力系统的故障诊断领域实现大规模的应用。

4.5 基于粗糙集的数据挖掘技术的诊断方法

粗糙集理论是一种数学工具,对于某些不完整的数据或者是带有不确定因素的数据,较为复杂的系统,粗糙集理论可以发挥重要作用。在电力系统中利用粗糙集理论可以提高数据挖掘的效率,这对于电力系统的数据管理具有十分重要的现实意义。电力系统通常存储有海量的数据,数据挖掘能够发现这些数据存在的规律,对电力线路的负荷做出预判,还能为电价制定提供数据参考。[5]当电力系统发生故障的时候,故障诊断电力系统会发出很多的报警信息,繁杂的信息给故障定位带来了不小的麻烦,所以利用数据挖掘技术来对这些报警信息进行分析以帮助快速定位系统故障显得意义重大。有专家指出,将数据挖掘技术和粗糙集理论相结合,可以增强复杂系统中故障诊断的水平和准确率。

5 结束语

为了保证电力系统安全正常的运转,保护人民群众的财产的安全,电力系统故障诊断系统显得责任重大。虽然从上世纪八十年代以来,国内外的专家就对故障诊断进行了很多研究,但是现实情况中的很多问题目前还是没有得到很到的解决。当前,随着电力系统规模的逐渐扩大,精确有效的故障诊断系统的需求显得更为迫切。本文对电力系统故障诊断做了详细分析并提出了一些常用的诊断方法,这对于今后电力系统故障诊断系统在实际中发挥更加重要的作用有一定的指导意义。

参考文献:

[1]危前进.董荣胜.孟瑜.崔更申.基于粗糙集的机械装配知识发现方法[A].广西计算机学会25周年纪念会暨2011年学术年会论文集[C].2011年.

[2]胡泽江.张海涛.可拓关联函数与属性约简相结合的变压器故障诊断方法[A].2011年云南电力技术论坛论文集(入选部分)[C].2011年.

[3]宋平.王超.霍伟华.基于自动测试的故障诊断专家系统[J].信息与电脑(理论版).2011年02期.

第6篇

1.小波分析

小波分析(Wavelate Analysis)即小波变换是近期发展起来的新的方法和数学理论,被认为是傅立叶分析方法的进展。小波变换的基本思想与傅立叶变换有相似之处,小波分析相比较傅立叶的优势在于:小波分析在频域和时域都具有良好的局部化特性。因此,小波变换被称为分析信号的显微镜.小波分析在故障诊断、计算机视觉、生物医学工程、量子物理、模式识别、话音分析、图像处理、信号处理及众多非线性领域里都有广泛的应用[2]。

1.1小波分析的定义及特性

设 (即能量有限的信号空间),其傅立叶变换为 。当 满足允许条件:

为一基本小波或母小波(Mother wavelet)。将 经伸缩和平移后,就可得到一个小波序列。

对于连续情况,小波序列为:

对于离散情况,小波序列为:

对于任意函数,则的小波变换为:

其逆变换为:

小波变化的特性[3]:

(1)能量守恒:根据小波变换,信号总能量可以表示为:

这就允许把变换的模方解释为在平面(,)中的能量分布密。

(2)线性特性:小波变换是信号的线性描述,对于多分量信号的分析比较方便。

(3)分辨力特性:小波变换在频率和时间上的分辨力是以如下给定的小波的频率带宽和时间间隔决定的:

式中,和为基本小波函数的频率带宽和时间间隔。

(4)协变性:当信号平移时,则被转换成 。

(5)频域和时域中的局部定位特性。[3]

1.2小波分析在故障诊断中的应用

动态系统发生故障时,系统的观测信号通常会发生变化。因此我们可以通过连续小波变换来检测观测信号的奇异点以检测出系统故障。其核心技术是信号在奇异点附近的Lipschitz指数[2]。Lipschitz定义为:设有正整数,如果存在常数以及次多项式 ,

对于成立,则称在点是Lip的,Lip指数表明了函数与次多项式比较,光滑程度是多少。也就是说,当Lipschitz指数时,其连续小波变换的模极大值与尺度的变化成反比;当时,则成正比。信号边缘对应的Lipschitz指数大于或等于0,而噪声的Lipschitz指数远小于0。因此,可以利用小波变换区分信号和噪声边沿。

振动系统的故障通常表现为观测信号的频率变化。可用离散正交小波变换分析检测信号的频率变化情况以检测出系统的故障[3]。除此以外小波变换还可以看成带通滤波器对信号进行滤波。很多系统在发生故障时或故障前,系统的输出噪声都会增多,因而可用小波变换提取噪声特征来进行故障诊断。或者利用小波变换去除噪声,提取系统波形特征。

2.小波网络

小波网络是小波分析理论与神经网络理论结合的产物。小波网络与BP网络相比较存在着一些优点,譬如:(1)小波函数的表现形式比sigmoid函数更为复杂。多小波函数可以形成超椭球分割并形成更复杂的分割曲面;同时可改变分辨率以及平移因子,对输入空间上分布密集的数据使用高分辨率,对稀疏的数据则采用低分辨率来增强分类能力;(2)由于小波函数具有较好的局部化特性,所以有可能避免BP网络的任意分类的缺点;(3)小波网络主要用于信号的逼近和分类。

2.1小波网络结构

从结构上看,可把小波网络分成两大类[3]:

(1)与前馈神经网络融合,即用小波函数代替常规单隐层神经网络的隐节点函数,由小波函数尺度代替相应的输入层到隐层的权值,由平移参数代替隐层阀值;

(2)与常规神经网络结合,即信号小波变换后,作为常规神经网络的输入。

其中第一种结构使用较多,结构如图1所示。

图中、为输入和输出,为小波函数。

小波网络的核心思想为:可用小波函数表示任意信号或函数:

其中, 为小波系数, 为小波函数。

2.2小波网络在故障诊断中的应用

小波网络对信号可任意精度的逼近,这就为故障诊断提供了可能性。可将系统已知的输入、输出和故障结论一起当成小波网络的训练样本训练小波网络,使小波网络每个输出端分别输出相应的信号,从而使每个输出端对应一个特定的故障[3,4]。

除此以外,我们还可利用小波网络来最大限度地逼近系统正常输出[5,6]。利用系统输入和输出对小波网络进行训练,使小波网络的输出最接近实际输出,训练完毕后将需诊断的输入作为小波网络的输入,将系统的输出与小波网络的输出比较得到差值进行诊断。

3.小结

本文对小波分析、小波网络在故障诊断中的应用进行了介绍。由于小波变换具有较好的时域和频域局部化特性,所以使用小波变换进行故障诊断时不需要对诊断对象进行数学建模,可实时地进行故障诊断;对任意函数或信号小波网络都具有优良的逼近性能,从而能对系统进行精确的故障诊断[3]。小波分析和小波网络在故障诊断的应用中有很多优点,但同时还存在很多有待解决的问题,例如鲁棒性、小波网络的收敛性、在不同的情况下应选用何种小波、小波变换中的基波如何选择等问题,为我们将来的研究提供了方向。

参考文献

[1] 吴丹.DC/DC开关电源的故障诊断研究[D].中南大学硕士论文.2007.

[2] 陈佳.故障诊断方法综述[J].今日科苑.2009,12:12-13.

[3] 周小勇,叶银忠.小波分析技术在故障诊断中的应用[J].上海海运学院学报.2001,9(1):21-24.

[4] 李国尔,俞金寿.一种基于RBF神经网络的传感器故障诊断方法[J].华东理工大学学报.2012,3(2):3-5.

第7篇

关键词:AMT;PHM;特征提取;多传感器融合;D-S证据;灰色预测。

The research on AMT Prognostics and Health Management system of heavy vehicle

Hu Yu1,Liang Wei2

(1Spaceon T&C Techonlogy Co.,Ltd,Chengdu ,611731,China;2University of Electronic Science and Technology,Chendu, 610054,China)

Abstract:AMT is the key part to influence the performance of the transmission system and ensure the effective operation of the vehicle.Aim at the main fault features of heavy vehicle's AMT,the structure of AMT Prognostics and Health Management system of heavy vehicle was designed and function of different parts was introduced in this article,which has a certain brand of reference and guidance on the rearsh of AMT PHM system.

Key words:AMT;PHM;feature extraction;Multy-sensor fusion;D-S envidence;grey prediction

电控机械式自动变速器(Automatic Mechanical Transmission,AMT)是在原有手动变速器基本结构不变的情况下,通过加装微机控制的自动操纵机构,取代原来由驾驶员人工完成的离合器分离、接合和选换档操作,以实现换档自动化[1,2]。重型车辆使用环境相对恶劣,条件复杂,造成AMT负载大,容易发生故障。

目前AMT的维修方式主要采用“事后维修”和定期强制保养,带来了一系列问题。事后维修,不坏不修,维修只是在出现了故障后进行的修理,这种方式隐含着对人身安全的威胁和造成财产重大损失的危机。定期强制保养往往造成盲目修理或失修现象[3]。

故障预测和健康管理(Prognostics and Health Management,PHM)技术是一个涵盖基础材料、机械结构、能源、电子、自动测试、可靠性、信息等多领域的交叉学科和研究热门方向,具有重要的应用价值和现实意义[4,5]。利用对设备状态具有感知、预测和决策能力的PHM技术可以及时地发现AMT关键部件的故障并进行更换,实现AMT保障由定期计划维修向基于状态的维修转变,保证车辆有效运转具有重要意义。

1 AMT故障特征

AMT系统保持了车辆原有的发动机、离合器和变速箱的总成结构,仅少量改变了换挡操纵系统,取消了变速箱和换挡手柄之间的机械连接以及离合器踏板,由自动变速箱控制单元 (Transmission Control Unit,TCU)、传感器和执行机构等组成,以TCU为核心,通过传感器感知车辆运行状态,应用自动变速理论,驱动执行机构控制离合器的结合与分离以及选换挡机构的动作,以实现自动换挡[6]。内部的齿轮和滚动轴承磨损是AMT的主要机械故障。齿轮故障主要分为齿面的磨损、齿面的胶合和擦伤、齿面的接触疲劳、弯曲疲劳与断齿。其中断齿和点蚀是齿轮故障的主要故障模式。轴承常见故障形式有疲劳剥落、磨损、塑性变形、腐蚀、断裂、胶合和保持架损坏等[7]。

2 AMT PHM系统

PHM的关键特性是预测和健康管理能力。通过研究AMT的故障特征,从功能划分和模块化设计的角度分析,AMT PHM系统结构如图1所示。AMT PHM系统各部分的主要功能如下:

2.1数据采集与处理

数据采集是PHM系统基础信息获取的源头。齿轮和滚动轴承的故障是在振动方面体现出来的,因此采用振动信号检测是齿轮和滚动轴承故障诊断的主要手段。同时,AMT的滚动轴承及齿轮出现故障会以碰撞、摩擦的形式表现出来,而碰撞、摩擦会导致声信号、高频振动、发热、脉冲声发射及摩擦连续声发射等物理现象[8]。因此,采用加速度传感器、声发射传感器及温度传感器进行数据采集。传感器的选择及其检测的物理量如表1所示。

数据处理使用滤波、平均、统计分析、谱分析等方法处理数据采集的数据,把数据转换成数据库或健康管理系统所规范要求的格式。

2.2特征量提取

针对AMT中齿轮和轴承的故障特征,为了提高检测的准确度,采用主分量分析、小波包、匹配跟踪、时频分析、包络提取等先进信号处理技术提取故障特征[8-11]。提取的主要特征量包括峰-峰值、均方值、方差、裕度指标、偏度指标、峭度指标、分频信号、基频、啮合频率及其谐波成分、幅值调制和频率调制所形成的边频带、由齿轮转速频率的低次谐波。

各参数的主要功能如下:

峭度指标:主要用来检测AMT中是否存在碰摩故障。

峰-峰值、均方值及方差:检测AMT振动异常现象。

裕度指标:用于检测AMT的磨损情况。若偏度指标变化不大,峰值与均方值的比值增大,说明由于磨损导致间隙增大,因而振动的峰值比均方值增加快,其裕度指标也增大。

偏度指标:反映振动信号的不对称性。如果存在着某一方向的摩擦或碰撞,就会造成振动波形的不对称,使偏度指标增大。

2.3状态监测

状态监测层通过设定AMT稳定工作时特征参数阈值来实现,当特征参数超过此阈值时既认为AMT发生异常,进而诊断是否发生了故障。用作状态监测的特征参数通过实验进行确定。

2.4故障诊断和预测

故障诊断和预测是根据AMT变速箱系统当前的健康状况,对AMT变速箱系统及其关键部件进行故障诊断并估计剩余可用寿命,以及对任务执行的影响。

在AMT故障诊断中,采用声发射信号和振动信号进行信息融合,能提供与AMT微观(应力波)和宏观(振动)特性有关的信息,可为AMT的状态监测提供更多的互补信息。

隐马尔可夫模型(Hidden Markov Model,HMM)是一种基于统计的时间序列模型[12],包含了一个双随机马尔可夫过程,其中隐藏的状态不能直接观测到,仅能通过另一个可以被直接观测到的随机过程来进行估计。HMM的双随机结构非常适合于对实际系统的建模和描述。通过状态监测系统,随时间变化的轴承振动信号是能够被观测到的。这种特性与HMM的结构非常一致,因此,HMM非常适合于工程中利用观测信号来估计系统的实际状态。

D-S证据理论从传感器获得相关数值就是该理论的证据,由它可以得出待识别目标模式的基本可信度分配值[13]。多个传感器就可以形成多个证据组。多传感器信息融合通过 D-S联合规则联合多个证据组形成一个新的综合的证据组。

AMT PHM系统结合HMM和D-S证据理论的优点,采用多传感器信息融合方法对AMT进故障诊断,为AMT故障模式的决策提供准确的信息。基于HMM和D-S证据理论的多通道信息融合方法如图2所示。

灰色预测是一种对含有不确定因素的系统进行预测的方法[14]。由于运行过程中的AMT系统具有非平稳性,强噪音的特点,具有很强的不确定性,AMT PHM系统采用灰色预测技术估计设备的剩余可用寿命。利用AMT系统的时频及统计指标作为齿轮和轴承故障评估指标,能够全面有效的反映齿轮和轴承寿命的退化趋势。为了实现工程应用,采用应用最广泛、最简单的GM(1,1)模型对齿轮和轴承故障进行灰色预测,其是利用小样本,贫信息建立预测模型并进行相关预测的方法,该预测模型具有建模数据少、预测精度高,建模容易等优点。

2.5健康验证与评估

AMT PHM系统采用基于试验的方法,建立AMT机械诊断测试台,通过积累大量齿轮、轴承以及实际AMT的重要失效数据,来对各种故障诊断与预测方法进行验证与评估。

采用电火花加工滚动轴承的内圈故障、外圈故障和滚动体故障。加工断齿、磨损、擦伤等人工齿轮故障,将故障滚动轴承和齿轮安装在测试台上并进行测试,对滚动轴承和齿轮的正常阶段,故障发生阶段,加重阶段及最终失效阶段进行评估。

3 结论

本文针对重型车辆AMT的故障特征,设计了AMT PHM系统结构。利用声发射传感器、加速度传感器和温度传感器采集的数据作为AMT PHM系统的源头,通过提取相关参数的特征量,采用HMM和D-S证据理论相结合的方法对AMT进行故障诊断,以及采用灰色预测的方法对AMT的寿命进行预测,最终对AMT的健康进行验证和评估。该系统结构将对AMT PHM系统的研制具有一定的指导和借鉴意义。

参考文献

[1]胡敏,刘振军.电控机械式自动变速系统开发及试验[J].重庆大学学报,2004,27(9):6-9.

[2]汪伟华,时国平.车辆机械式自动变速器控制系统的研制[J].工业仪表与自动化装置, 2009,(4):34-37.

[3]肖云魁.汽车故障诊断学[M].北京:北京理工大学出版社.2001

[4]彭宇,刘大同,彭喜元.故障预测与健康管理技术综述[J].电子测量与仪器学报,2010,24 (1):1-9.

[5]彭宇,刘大同.数据驱动故障预测和健康管理综述[J].仪器仪表学报,2014,35(3):481-495.

[6]顾佳鼎,赵治国.混合动力HEV轿车AMT控制器硬件开发[J].上海汽车,2009,(1):3-8.

[7]崔立明,王奉涛,徐勇.齿轮箱故障诊断实例分析.装备制造技术,2015(6):48-50.

[8]尹芳莉,谭建平,何摇雷.强冲击下变速箱滚动轴承故障诊断[J].广西大学学报(自然科学版), 2014, 39(3):620-624.

[9]李学军,廖传军,褚福磊.适于声发射信号故障特征提取的小波函数[J] .机械工程学报,2008, 44(3): 177-181.

[10]冯志鹏,刘立,张文明等.基于小波时频框架分解方法的滚动轴承故障诊断[J].振动与冲击, 2008,27(2):

[11]林京.基于连续小波变换的信号检测技术与故障诊断[J].机械工程学报,2000,36(12):95-100

[12]BAUM L E, PETRIE T. Statistical inference for probabilistic functions of finite state Markov chains [J]. The Annals of Mathematical Statistics, 1966, 37(6): 1554-1563.

第8篇

关键词 矿山;故障;维修

中图分类号TD4 文献标识码A 文章编号 1674-6708(2012)73-0164-02

1 矿山作业机电设备故障诊断技术综述

1.1 故障诊断技术

机电使用设备一般都是根据使用的时间越久对其机器的磨损就越大,整个机器就越容易老化,所以在机器的使用的过程中我们必须要不断的对其进行保养,利用机器的保障诊断技术来对机电的基础设备的利用率进行提升。而采集设备信息、分析信息等都是解决方案的几个重要部分。

1.1.1 建立数学模型

机电设备在进行运转的时候会有比较多参数与数据,这些机电的数值基本上都是检测设备是否正常的标志,也可以作为机器故障诊断的依据。而我们进行这些诊断都是建立在数学模型上的,只有通过对机电设备运行进行数学建模才能够更好的掌握机器设备运行的情况。

1.1.2 信息采集技术

对各种设备状态进行比较准确的采集以及测量,通常情况下都是利用机电设备中的传感器得到的,该机器所产生的一切数据信息都必须传入到计算机中进行存储的。

1.1.3 信息处理技术

在现场获取机器设备的信息,它是不能够直接拿来进行判别的,它存在不同的两种信息,因此我们需要将这些信息进行一种转换,使其能够被机器读懂,于是这样可以对信息进行采集了。

1.1.4 分析与识别技术

分析与识别技术主要是对信息进行科学的分析并对其识别,之后再把机器设备正常运行的标准化参数进行比较,并对机器故障产生的具体原因进行判别。

1.1.5 预测技术

预测技术主要是通过分析与识别技术对信息进行处理后,在对机器中的所有设备产生的原因进行预测。

1.2 故障诊断技术的分类

1.2.1 主观诊断

所谓主观诊断,就是对机器修理人员按照他们自身的工作习惯而选择较为简易的装置进行诊断。主观诊断技术要考虑到人的因素,然而,主观诊断技术很难处理复杂的故障。一般来说,故障树分析法、直觉经验法等是较为常用的。

1.2.2 应用装置

通过应用装置来有效地测量机电设备中的液压系统的综合性能以及发现潜在的故障问题,同时有效地诊断处理后所展示出来的结果。

1.2.3 智能型系统

智能型系统的核心就是智能诊断技术,这种技术能够模拟人类的大脑的行为,以便能够获知诊断故障的有利信息。具体来说,神经网络法就是一种良好的智能型系统技术,能够非常有效地进行故障诊断。

2 机电设备维修可采用故障诊断技术

2.1 以故障历史记录为参考诊断法

以机电设备故障明显的点入手,来排查局部设备的依赖性元器件是否出现故障,同时检查所有系统, 务必将故障的症结找出。可以说,在机电设备维护手册中,通过故障来诊断的方法也是的主要使用的方法。在机电设备发生故障后,实行对故障产生的过程进行细致排查便可以得出最终诊断结果,将这些结论有效地整理归纳, 便可形成一个系统的故障诊断集。因此,可以将矿山作业机电设备的系统组成原理作为这种方法的基本依据。

2.2 通过温度和压力监测诊断法

借助于摩擦副轴承、齿轮传动箱以及其它部位的温度和压力传感器,可以对于矿山作业机电设备相关部位的温度以及压力参数进行定点在线监测。通过这种监测方式,采煤机的具体运转情况能够得到真实、可靠的体现。与此同时,通过温度和压力监测诊断法也能够及时有效地检测故障,并且采取有效的应对措施来进行处理,将故障的发生扼杀在萌芽状态。

2.3 应用小波神经网络

因为神经网络的组成结构是非常特殊的,因此,神经网络具备非常良好的处理数据的功能,能够发挥出良好的信号控制与处理的作用。与此同时,神经网络又能够实现自学习和自适应的功能。一般来说,在矿山作业机电设备的故障诊断的过程中,从故障的开始阶段到故障源的映射都存在着非常密切的非线性映射关系。由此看来,对于采煤机某些系统的诊断,充分运用人工神经网络(ANN)能够取得非常良好的效果。

3 矿山作业机电设备检修维修中的注意事项

矿山作业机电设备的部分零部件会受到具体的工作环境的影响而出现一系列的变化,导致这些零部件不能够正常发挥出它们的功能,在具体的工作的过程中,这些零部件经常会直接影响到矿山作业机电设备的精确度。由此看来,研究矿山作业机电设备检修维修中的注意事项是非常有必要的。必须想方设法来更好地维护矿山作业机电设备,更加合理地操作矿山作业机电设备,最大限度地避免矿山作业机电设备受到任何的工作环境的影响而被损坏,切实最大限度地增加矿山作业机电设备的使用寿命。具体来说,该部分从以下几个方面来详细阐述矿山作业机电设备检修维修中的注意事项。

第9篇

[关键词]矿山;机电设备;故障检修;技术分析

中图分类号:TD407 文献标识码:A 文章编号:1009-914X(2015)13-0069-01

前言

当前,在矿山企业中,随着机电设备故障所造成的经济损失与人员伤亡问题的日益突出,如何确保机电设备安全且稳定的运行,成为当前矿山企业所面临的一大挑战,在此背景下,故障诊断技术分析逐渐成为了当前矿山企业所关注的焦点。故障诊断分析技术是当前解决电设备故障问题的有效途径之一,其融合了电脑技术以及信息处理技术等多个领域的先进技术。

1、故障诊断技术综述

1.1故障诊断技术的内涵

故障诊断技术的实质是一项防护技术,通过故障诊断技术的应用能够确保机械设备参数保持在最佳的使用状态。具体而言,故障诊断技术就是通过运用相应的精密检测设备,收集所检测到的信息,并将其与标准参数进行对比,以分析出设备参数是否存在异常现象,机电设备是否存在老化现象等,如果发现问题就需要进一步诊断故障出现的原因,并根据其原因提出下一步维修方案。因此,故障检测技术是集发现设备故障、诊断设备故障以及维修设备故障为一体的一种技术手段。

1.2 故障诊断技术的程序

1.2.1构建数据模型

在机电设备运行过程中存在着大量的数据与参数,这些数据与参数所反映的是机电设备的运行状况,是故障诊断的主要依据。因此,在运用故障诊断技术时,其第一步程序为构建数据模型,以反应出机电设备正常运行与故障运行时参数的关系,从而掌握机电设备运行的状态与故障情况。

1.2.2采集信息

采集信息的过程是通过准确测量、采集设备运行的各种参数与数据,因而其是机电设备故障诊断技术获得准确信号状态与参数的基础保障。通常情况下,采集信息是通过安装在各种设备上的传感器针对设备运行发出的各种信号所进行的采集,传感器采集到的信息会被传输到数据储存器。

1.2.3处理信息

机电设备运行过程中所采集到的信息是无法直接用来判断设备的情况,所以这就需要对信息进行处理,从而辨别出有效的信息进行转换,从而形成够用来直接判断设备的信息。

1.2.4分析与识别信息

经过处理后的信息要进行对比分析,这就需要根据标准运行参数来判断设备的运行状态,从而找出设备所存的故障以及产生故障的原因。

1.2.5故障预测

经过分析程序后,需要对设备故障的情况以及使用寿命周期等问题进行预测,从而为维修与保养工作的开展奠定基础。

2、故障诊断技术的分类

2.1 主观诊断技术

主观诊断技术是机电设备故障检测技术中相对比较简单的技术,其诊断的媒介是简单的仪器或者直接凭借诊断人员此方面的工作经验,从而实现对机电设备的诊断与检修。通常情况下,主观诊断技术可分为如下几类方式:直觉检测、参数测量、逻辑分析等。其中以直觉检测法来实现对故障的诊断,所凭借的是感官经验,也就是需要诊断工作人员要具备相对较高的经验技术,其故障诊断的有效性完全依赖检测人员的经验,因此,这种直接且简单的检测技术的可靠性相对较低。

2.2 仪器诊断技术

仪器诊断技术指的是通过使用相应的检测仪器,比如频谱分析仪等对机电设备的运行状态进行监测,并实现数据采集工作,然后通过检测仪所显示的检测结果或者分析结果,进行故障分析与判断。如果机电设备再出现故障,就将上一次的检测结果与当次故障检测结果进行对比分析,根据故障所显现出的特点,结合故障检测知识与经验,对故障问题进行判断,并同样做好相应的检测数据记录。长此以往,就会形成故障诊断的数据库库,这样就能够及时且有效的应对机电设备所出现的故障问题。

2.3 智能诊断技术

随着科学技术的发展,人工智能技术逐渐被应用于机电设备故障诊断技术中,并成为了当前设备故障诊断技术的一大发展趋势。智能诊断技术是基于自动检测技术和信号处理技术基础上的、将人工智能核心技术应用于故障检测技术中的技术手段,从而使机电设备故障诊断技术实现了智能化。当前机电设备人工智能化诊断技术主要有两种:神经网络系统、专家系统[1]。

2.4 无损检测诊断技术

所谓的无损检测技术指的是在不破坏机电设备的基础上,实现对设备整体零部件构造的检测,如超声波技术、射线照相检测技术等。此种检测技术的主要优势在有使用高科技含量的检测手段,从而避免了对设备所造成的损害,但是其费用也相对较高,且相对不够成熟,但却引领着机电设备诊断技术的新发展方向。

3、矿山主要机电设备的故障检测与诊断

3.1 采煤机故障检测与诊断

3.1.1 变频器通信单元

变频器能偶检测出二十七个工况的检测参数,且具备独立的显示屏,能够显示出采煤机的牵引速度、牵引电流以及输入电流等相应的参数,且具备良好的保温、过压以及过流等保护功能[2]。变频器通信单元的主要功能是将变频器工述检测信号输送到故障检测中心,从而由故障检测中心作出相应的故障诊断处理工作,并将其进行集中式的显示。

3.1.2 工况检测以及故障检测单元

此单元是通过微型计算机的嵌入来实现计算机系统操作,其控制中心以接点通信的方式来实现对故障的检测。当故障发生在此单元时,其诊断的相应结果会显示出故障的类型,并向其控制中心发出相应故障信号,由控制中心采取心音的控制措施,比如声光报警。

3.1.3 检测152.4mm显示单元

此单元的构成为:480×640线的彩色液晶显示屏一块、相关电路。其所显示的内容包括了采煤机所有的工况检测参数、运行状态报警提示以及故障诊断结果等,同时还包括了机身检测单元、高压控制箱单元等。

3.2 高压异步电动机故障检测与诊断

随着现代信号处理相关技术的发展,机电设备故障诊断的技术手段逐渐丰富化,人工智能检测技术又进一步提高了设备故障检测的进度,并扩大了故障检测的范围,与此同时,人工神经网络以及专家系统在高压异步电动机故障诊断中的应用,又进一步提高了故障检测的准确性[3]。在高压异步电动机故障检测与诊断中,常用的方法如下:

3.2.1 局部放电检测

局部放电检测是利用检测定子电流的CT与高频检测仪,或者通过射频天线与带通滤波器来检测局部脉冲,从而实现对各种局放源的辨别,最终实现对定子不同故障的检测。

3.2.2 电流高次谐波检测

定子绕组故障,特别是定子绕组匝间短路这一故障,能够引起定子电流的高次谐波增加,相关数据表明,当匝间短路时,定子电流的5、11、17次谐波明显增加,特别是5次谐波增加最为明显[4]。根据高压异步电动机故障的不同的特征,能够将其所产生的故障分为对称故障与非对称故障两类,其中对称故障包括过载、三相短路等,此类故障的最大特征为异步电动机电流显著增加,所以这一故障的诊断可以根据异步电动机过流程度来判断;非对称故障包括断相、匝间短路、单相接地以及双向接地等,其故障诊断的最有效方式为利用电子电流的不平衡现象来检测检测其定子绕组故障。非对称故障的最显著特征为异步电动机的电流中出现负序电流或者零序电流,所以此二者也是鉴别非对称故障的重要依据。在非对称故障中汽油可以根据故障点的不同分为接地故障与非接地故障,而故障类型的不同决定了其所采取的故障诊断技术也是不同的。

3.2.3 磁通检测

高压异步电动机的定子故障会致使其内部的磁通在径向与切向工的分量发生变化,所以,通过检测径向与分项的磁通变化情况,就能够对定子故障进行诊断。当前,磁通检测在电动机的定子侧的多种故障检测中得到应用,但是此中检测的局限行为需要专门的磁通检测仪器,在使用上不方便且对较弱的信号反应效果差。

3.3 矿井提升机故障检测与诊断

矿井提升机是矿山机电设备中最为常用的设备,其工作主要是实现对材料、工人等的升降搬运,所以矿井升降机不仅关系到了矿山的生产,也关系到了矿山工作人员的生命安全。在矿井提升机故障中,最为常发的故障为松绳故障,这一故障也是最为严重的。针对矿山矿井提升机的松绳故障,当前较为先进且高效的松绳监测装置是应用最为广泛的,此装置的构成为:霍尔传感器、单片机两部分;其工作原理为:在矿井的提升机每个天轮上安装小磁钢,同时将霍尔传感器安装于最合适的位置上,进而就实现了对矿井提升机天轮运转速度的监测[5]。当矿井提升机处于正常工作状态时,提升机天轮的与转速度是保持不变的,通过霍尔传感器所监测出的计数脉冲个数也是不存在差异的,此时单片机所显示的天轮运转行程差为零。当提升机出现松绳隐患时,其天轮形成会显出出不同的差异,而此时的单片机就会迅速的计算出行程差,而当行程差达到预警值后,就会触发报警信号,并对提升机发出控制信号,能够及时控制住提升机的运行,使其停在相应的位置。

总结

综上所述,随着近年来矿山机电设备故障所引发的安全事故逐年上升,致使矿山机电设备安全问题凸显,而针对频发的安全事故,就需要矿山企业极大对机电设备故障的诊断力度,并采用相应的故障诊断技术,从而建立起完善的机电设备故障诊断防御体系,进而在提高机电设备安全的基础上,将矿山机电设备安全隐患扼杀在萌芽中。本文针对当前矿山机电设备故障诊断技术进行了分析,以为相关诊断人员与管理人员提供参考性的建议,与此同时,这也要求了矿山机电设备诊断工作人员要根据故障诊断的程序,及时发现故障源并给与解决方案,以确保及时解决故障,确保矿山企业生产的安全性,从而在确保生产人员安全的基础上,提高矿山企业的经济效益与社会效益。

参考文献

[1]杨帆.关于矿机提升机故障诊断技术的研究[J].中小企业管理与科技,2011,8(05):45-46.

[2]邓奎.运用故障诊断技术进行矿山机电设备维修[J].中国科技博览,2011,24(07):56-60.

[3]王推才.智能故障诊断技术的现状与展望[J].徐州建筑职业技术学院学报,2013,8(24):120-123.