在故障樹模型及其組成的邏輯關(guān)聯(lián)建成之后, 可以憑借整機系統(tǒng)的結(jié)構(gòu)函數(shù)[2 ] , 利用部件與故障模式的因果關(guān)系來設計離心機故障診斷專家系統(tǒng), 從而獲取故障診斷的*決策。我們知道, 離心機zui直接的故障表現(xiàn)形式是異常振動,也是一般測試手段比較容易拾取到的故障信息, 而且包含的故障成份相當?shù)呢S富。以碟式分離機為例, 其中存在轉(zhuǎn)鼓動平衡失效、彈筑減振緩沖失效、軸承失效、齒輪副失效和立軸與轉(zhuǎn)鼓配合錐面貼合不良等等一系列振動故障成分,特別是正常磨損（如軸承正常磨損損壞、齒輪副正常磨損失效等） 導致的故障也能探測到, 這樣又體現(xiàn)了對機器故障程度的控制。

據(jù)此, 以離心機振動信號拾取為主要故障探測手段, 建立離心機一般故障診斷專家系統(tǒng), 其基本結(jié)構(gòu)如圖2所示。具體過程為, 離心機各測點的振動信號由傳感器拾取, 經(jīng)AöD 轉(zhuǎn)換存入微機; 采用數(shù)字信號處理技術(shù), 對波形進行數(shù)字濾波和小波變換等數(shù)字信號提純處理; 以信號圖形數(shù)據(jù)的方式建立振動波形一級數(shù)據(jù)庫, 在模型庫中以信號分析的數(shù)值算法和數(shù)學模型建立二級數(shù)據(jù)庫; 以譜分析等為主要處理手段, 進行故障信息的數(shù)字特征提取和識別, 將分析和計算結(jié)果放入故障特征數(shù)據(jù)庫; 根據(jù)現(xiàn)有實際經(jīng)驗和專家知識建立知識庫, 知識庫中主要存放一系列的事實和規(guī)則成分, 可以通過將前一步的特征信息調(diào)用事實和規(guī)則進行推理分析, 得出zui后的診斷結(jié)論。本系統(tǒng)設計思想是,程序設計采用模塊式結(jié)構(gòu), 可以進行功能擴充; 結(jié)合人工交互式人機對話方式, 使之不僅有易用的界面, 而且具備知識自學習功能擴展和記憶; 通過解釋系統(tǒng), 使操作過程和診斷結(jié)果便于使用和理解, 有利于工廠實際操作, 并通過自學習能迅速處理同樣或類似的診斷問題。
 

離心機振動故障診斷專家系統(tǒng)應用
根據(jù)現(xiàn)場經(jīng)驗和理論分析可知[3 ] , 對于轉(zhuǎn)鼓部分產(chǎn)生異常振動的一般故障有: 轉(zhuǎn)鼓不平衡、安裝不對中、共振、結(jié)構(gòu)部件松動、轉(zhuǎn)鼓處產(chǎn)生摩擦、轉(zhuǎn)鼓結(jié)構(gòu)缺陷和軸承磨損缺
陷等。這些故障都會反映在拾取到的振動信號譜分析中, 并與相應的頻率成分對應, 例如:õ 1ö3倍頻: 反映非線性振動部分, 如轉(zhuǎn)鼓處摩擦、轉(zhuǎn)鼓上緊固件松動產(chǎn)生的振動等;õ 1ö2倍頻: 除反映一般轉(zhuǎn)子的半速渦動和油膜振蕩故障外, 也能反映一些非線性振動的特征;õ 工頻: 振動中的zui明顯特征, 反映轉(zhuǎn)鼓的不平衡狀態(tài);õ 二倍頻: 反映轉(zhuǎn)鼓不對中的情況。同時, 對軸損壞和不對稱等情況比較敏感;õ 三倍頻和四倍頻: 主要反映軸松動、軸裂紋等故障;õ 高頻峰群: 可以反映軸承的故障, 并通過具體的頻率計算來分析確定圖上位置;õ 用倒頻譜分析和細化頻譜來查找齒輪和軸承故障。在時域內(nèi)尋找故障信息, 建立和識別故障特征, 主要應考慮:
（1） 　檢查對應轉(zhuǎn)速的振動和相位;
（2） 　檢測轉(zhuǎn)速和噪聲, 來直接反映轉(zhuǎn)子運行狀態(tài)的變化;
 離心機機械故障診斷專家系統(tǒng)設計及其應用
（3） 　記錄軸心位置坐標來反映轉(zhuǎn)子運行、潤滑情況等。
將上述信息進行實時記錄和數(shù)據(jù)處理, 建成診斷數(shù)據(jù)庫和知識庫, 作為診斷的基礎。建立的一級數(shù)據(jù)庫結(jié)構(gòu): 1）機型; 2） 測點代號; 3） 日期; 4） 振動波形; 5） 對應轉(zhuǎn)速; 6）
軸心軌跡等等。二級數(shù)據(jù)庫為對應數(shù)值處理后的各狀態(tài)特征參量和程度向量, 這里主要采用以振動響應功率譜為基礎, 提取譜圖相似因子、譜圖向量因子及反映譜圖隨頻率走向的變化等為主要的特征參數(shù)。在診斷規(guī)則和知識庫的確立中[4 ] , 除對上述典型故障的產(chǎn)生直接判別外, 同時用模糊數(shù)學的思想給出程度判斷和故障識別。我們知道, 機械地把振幅大于某值視為異常、小于某值視為正常是不*合理的。事實上, 當振幅小于某值時, 但接近于某值時也包含異常的可能, 需要用一個隸屬度函數(shù)來表征故障的程度, 而且在處理一個故障引起其它并發(fā)故障的問題時, 通過建立模糊關(guān)系矩陣, 可以將各類振動信號特征的隸屬度變換成各類故障的隸屬度。同時, 模糊矩陣的建立中, 可以使本系統(tǒng)所具有自學習功能, 通過對知識的積累和學習, 來自行產(chǎn)生符合處理對象的模糊診斷數(shù)據(jù)機制, 作出合理的判斷。在故障模式十分復雜的推理中, 基于神經(jīng)網(wǎng)絡的專家系統(tǒng)比較理想, 因為神經(jīng)網(wǎng)絡可以將問題的特征變?yōu)閿?shù)字,將推理變?yōu)閿?shù)值計算, 這樣的推理過程比較簡捷明了。但是, 眾多的故障信息并不都能以數(shù)字表示, 而且僅基于神經(jīng)網(wǎng)絡的專家系統(tǒng)會在數(shù)據(jù)不充分時, 自動降級處理[5 ]。因此, 本系統(tǒng)的設計考慮采用規(guī)則與神經(jīng)網(wǎng)絡結(jié)合, 在判據(jù)不明顯或不夠時向用戶提出必要的詢問, 充實判據(jù), 使得出的結(jié)論更加貼切, 更具實效。
3　結(jié)束語
本文在離心機故障診斷理論基礎上, 應用人工智能技術(shù), 結(jié)合發(fā)展, 系統(tǒng)地探討了離心機機械故障診斷專家系統(tǒng)的總體設計, 給出了關(guān)鍵問題的細節(jié)處理, 并以碟式分離心機為例給出具體應用。與以往純理論性討論相區(qū)別, 本文提出的設計思想及正在開展的研究工作, 可以將研究成果實時地轉(zhuǎn)化成為工業(yè)應用, 為生產(chǎn)實際服務。