張 玨

（上海市政建設有限公司，上海 200438）

工程機械是機械施工所必需的機械裝備，應用于國防、交通、能源、礦山、農林水利、工民建、市政和環(huán)保等許多行業(yè)領域。由于工程機械裝備的作業(yè)環(huán)境條件非常差，導致了工程機械裝備的停機故障率一直居高不下。傳統(tǒng)工程機械裝備的故障診斷方法和理論，已經不適應目前的精密復雜、高度自動化、信息化的工程機械裝備和系統(tǒng)。人工智能故障診斷技術，應用于工程機械裝備的故障診斷，是工程機械故障診斷的一個新方法，目前已開始大規(guī)模的技術應用，有著廣闊的推廣空間[1]。

1 工程機械裝備故障診斷技術現狀

工程機械裝備的故障診斷技術就是通過監(jiān)測該類裝備工作時的運行狀態(tài)，來判斷工程機械裝備的哪些部位可能產生故障及產生故障的原因，并預測工程機械裝備未來運行趨勢的一門技術。目前，計算機信息技術已逐步應用于工程機械領域，基于人工智能的故障診斷理論和方法已經成為工程機械裝備故障診斷領域的一種重要的方法。

2 人工智能的故障診斷方法

在工程機械故障診斷中，可以通過使用人工的方法和技術來模仿、延伸及擴展人的智能，從而實現機器的智能。目前，工程機械裝備的人工智能診斷方法主要有狀態(tài)識別法、神經網絡診斷、模擬退火與演化算法、專家系統(tǒng)和混合智能故障診斷技術等[2]。

2.1 狀態(tài)識別法

狀態(tài)識別法是通過監(jiān)測工程機械裝備的運行參數特征變化，來判別其工況狀態(tài)變化屬性，在此基礎上分析其原因，提出可行的解決方法。工程機械裝備的狀態(tài)識別法，常規(guī)條件下可分為對比分析法、距離函數分類法、近鄰決策算法、貝葉斯分類法、Fisher判別法、勢能函數分類法、模糊診斷方法、故障樹分析法、基于粗糙集理論的診斷法和主成分分析及獨立分析法等方法。

2.2 人工智能網絡方法

人工智能網絡方法是通過模仿人類大腦的神經元結構，簡單地模擬大腦某些基本特性進行工程機械裝備故障診斷的一種方法。在工程機械故障診斷領域，人工智能網絡方法主要運用在三個方面：工程機械裝備的診斷故障、工程機械裝備的預測故障和建立工程機械裝備的專家診斷系統(tǒng)。目前，工程機械裝備的故障診斷領域中，應用較為廣泛的人工智能網絡模型有人工智能網絡的拓撲結構、學習規(guī)則和BP算法等。

2.3 模擬退火和演化算法

工程機械裝備故障診斷的模擬退火算法，是通過模擬物理學中固體物質的高溫退火過程進行故障診斷，該種方法首先是明確需要的數學模型，其次是確定解的形成原理，并對解的可行與否進行判斷。工程機械裝備故障診斷的演化算法，是借助于生物學中的自然選擇和進化機制以取得最優(yōu)值函數進行故障的診斷方法，演化算法在機器學習、過程控制和工程的優(yōu)化等方面取得了非常大的進步。

2.4 專家系統(tǒng)法

專家系統(tǒng)是一種基于知識的、通過大量人類專家的知識和推理方法求解復雜的實際問題的一種人工智能故障診斷方法，專家系統(tǒng)法是現在人工智能故障診斷領域中使用最廣的一種方法。目前，工程機械裝備故障診斷的專家系統(tǒng)法分為基于規(guī)則法、基于案例法、基于框架法、基于模糊邏輯法、基于D-S證據理論法、基于人工神經網絡法和基于遺傳算法等方法。

3 軸承故障診斷的專家系統(tǒng)法應用

工程機械裝備的軸承機構故障診斷專家系統(tǒng)，可以通過合適的故障診斷推理規(guī)則和決策方法，從而構建軸承故障診斷的專家知識庫。通常情況下，可以拾取振動信號 （在正常情況下，為振動振幅和加速度兩個主參數）、溫度信號和噪聲信號 （為聲級壓和噪聲頻譜兩個參數），通過分析其特性來獲得故障特性，從而判斷工程機械裝備的優(yōu)劣狀況。

3.1 故障識別特征參數

通過提取振動信號的時域、頻域特征值作為故障識別的特征參數 （例如：半頻振動或定頻振動常常是由于內阻所引起的自勵振動）；利用測溫元件來獲取工程機械裝備相應部位的溫度變化數據；噪聲 （同振動特征） 可以通過提取疊加在基礎噪聲內的其他噪聲 （故障噪聲） 作為故障識別的特征參數。

3.2 專家系統(tǒng)的結構

專家系統(tǒng)由知識獲取、知識解釋、知識庫、元知識、推理機、數據采集、數據分析、特征量提取、特征量獲取、數據庫、異常和診斷結論等部分組成。在工程機械裝備的故障的診斷過程中，推理機可以根據在線監(jiān)測工程機械裝備的軸承工況所得到的故障信息，在知識庫中搜索合適的知識，進行工程機械裝備故障信息與故障假設的配對[3]，專家系統(tǒng)的結構如圖1所示。

圖1 專家系統(tǒng)的結構

3.3 故障診斷

（1） 數據采集：拾振器讀數、拾音器讀數、熱傳感器溫度等。

（2） 系統(tǒng)監(jiān)測時域波形沖擊間隔、異常頻率和振動烈度等參數，得到功率譜中嚙合頻率對應的幅值、二階諧波能量和共振解調分析中對應幅值的變化；通過系統(tǒng)監(jiān)測的溫差變化，進行分析比較。

（3） 原因：工程機械出現異常的振動加速度、振幅或溫度超出規(guī)定值。

（4） 警告：立即發(fā)出警報或自保護動作。

（5） 分析：通過專家系統(tǒng)長期積累的分析數據，對工程機械的故障趨勢做出判斷，給出維修的意見。

（6） 維修措施：根據維修意見，拆開軸承檢查。如發(fā)現嚴重軸承磨損，應立即對軸承更換。

4 混合智能故障診斷系統(tǒng)應用

混合智能故障診斷系統(tǒng)的應用時間不長，但發(fā)展迅速，國內外的科研成果已很多，為工程機械裝備故障的智能診斷提供了廣闊的應用空間。例如：上海交通大學集成粗糙集理論、奇異值分解和模糊C均值聚類，提出了一種旋轉機械故障的診斷方法，并利用Bently試驗臺進行了驗證。西安交通大學利用混合智能診斷技術，應用于汽輪機等設備的狀態(tài)監(jiān)測和故障診斷，并取得了一定的研究成果。加拿大皇后大學采用小波包分解和多個自適應神經模糊推理系統(tǒng)，提出了一種在線的機電設備故障集成診斷系統(tǒng)。

混合智能故障診斷系統(tǒng)使用多種智能故障診斷方法，對大型的工程機械裝備進行故障的狀態(tài)監(jiān)測診斷，具有精度高、適用性強、誤漏振率較低等特點，并且可以明確故障點的確切位置，同時獲得較為滿意的診斷結果，該種方法為工程機械的故障診斷技術開辟了一條新的捷徑。

5 結語

工程機械裝備的人工智能故障診斷技術盡管還存在著一定程度上的不完美，但已取得了顯著的經濟效益和社會效益。隨著該項技術應用的不斷成熟，人工智能的故障診斷技術今后將成為工程機械裝備故障診斷領域的主流方法。