! x v! i9 A/ r0 Q5 l频谱征兆在故障诊断中应用最广泛，反映在振动功率谱中，则是某些特定的谱峰及能量的变化。例如采用功率谱来诊断活塞-气缸的间隙变化，在不同间隙状态下，相同的侧推力将引起活塞撞击气缸套的速度发生变化，从而撞击能量也相应变化，同时由于间隙改变，活塞在缸内的横向运动也发生变化，使得撞击位置等随之变化，这些变化将使气缸表面的振动特征发生变化，随间隙量增加，功率谱峰值增加，振动的总能量增加。如果能将大量典型的振动信号频谱值以一定的表格形式存放在计算机中，构成诊断用的频谱数据库，那么通过频峰的寻找对比，由其高度变化和各种故障原因可能出现的频率分布概率，便可得出相应的诊断结论。但要得到数据库的对应关系，则有赖于进行大量的模拟实验和经验积累。这往往需要付出很大的代价，有时甚至是不可能作到的。因此实际使用中常采集正常状态下的一组时域信号，通过付氏变换成频域信号，给出正常运行状态的功率谱的极限指标，一旦超过此极限时，则将机器状态判定为异常运行状态。8 Q- E4 o" j2 Y0 R
" |0 `- Y3 c4 w+ |) z' t8 e" ^往复压缩机因其结构的复杂性，运动形式的多样性，给振动法的故障识别与诊断带来了很大困难，具体而言，主要困难有如下几方面：1）众多的频率范围与广阔的激励源的识别；2）运动部件多而且形状复杂，这些部件藏在机身里，在工作状态下难以接近，如何测试；3）压缩机不同部件中，激励力的传递途径及其对表面振动的响应是不同的，应该如何识别；4）当压缩机运动部件出现不同程度的机械故障时，相应的激励力是如何变化的，能否从表面振动信号中检测出来；5）早期故障振动信号的提取和阈值的设立等。如何解决这些问题，有待于进一步研究。 $ X' g7 n) f- D! d9 _ + P' {/ X/ P* N% y8 B3 b- V0 M 6 P! F* N( ?" a' P7 Y/ S& b$ n% }7 L* g2 V1 ]* }2 B
2 故障文档的建立方法 9 y% I' M* {2 w! R; E 9 O: E, w( h: [* f一般来说，故障文档的建立包括经验案例知识的汇编，实验测试知识的积累和计算机模拟计算三种基本途径。由于经验案例知识的内容比较丰富，涉及的故障现象较全面，因而在以往的故障诊断研究中，大多采用经验案例知识的汇编来实现故障文档的建立；实验测试知识的积累情况则恰恰相反，由于测试大多在小型模拟试验台上进行，且由于测试的故障现象受到局限，因而这种途径在工程应用中不能单独使用；对于计算机仿真计算，过去人们重视不够，分析原因来自两方面：一是难以建立数学模型及数学模型求解困难，二是计算机的普及程度不高。随着人们对机器机理的深入了解和微机性能的提高，这方面工作将会有较大的发展。 $ p2 h1 t) w( ^9 p7 v/ k $ O% t% @, B: r7 d* G7 d对于往复压缩机而言，不仅由于其品种多，结构复杂，而且由于其机电一体化程度较低，原始故障数据保存较少，因而完全通过实践积累不仅需要的时间长、经费多，而且在实际工作中可能难以实现。直接，经济的途径就是将实验和计算机仿真结合起来，即建立压缩机数学模型，并通过实验验证模型的正确性，然后改变模型中某些参数来模拟机器故障，以求迅速建立故障文档。随着压缩机工作过程数学模型研究的深入，这方面的工作不但能够实现，而且具有较高的准确性，可信性。如笔者建立阀腔脉动压力的故障文档时，就是采用这种途径，其具体步骤如下2]：1）建立压缩机级的数学模型；2）建立阀腔脉动压力计算模型；3）通过“压力激发”将气缸压力与阀腔脉动压力的计算联系起来；4）实验验证数学模型及计算程序的正确性；5）改变有关参数，模拟故障状态，建立相应的故障文档。建立机器故障状态下标准模式时，应充分考虑其波动性。这是因为，首先机器无故障状态和故障状态的界限并不是清晰的，无故障状态本身就包含有一定的状态变化范围；其次对于每一类故障，严重程度不同，其特征参数必然随之变化；此外，参数测量时控制上的偏差、环境条件的变化等，也会使特征参数发生波动。为了提高故障诊断准确性，可用一种考虑特征参数波动性质即以参数域（参数波动范围）来构造标准模式，有关这方面探索可见文献4］。 8 R s2 o* G3 S L" [% ?8 }& y {! W - Q4 F& B7 Y6 y7 y1 r! X
- M$ P/ l& g4 E! N1 s' x: Q
3 状态识别技术; f8 R, E: k3 ~ M- j
+ _* }! c* c1 M A
在智能技术引入诊断领域之前，状态识别实际上是由领域专家来完成的，随着人工智能的发展及在诊断领域的应用，状态识别技术已逐步步入人工智能诊断时代。目前，用于压缩机状态识别的方法可分两大类：一类是完全基于检测数据的诊断方法，如对比诊断法，函数诊断法，振动诊断法等，它们是通过对故障检测信号的处理而较早地发现故障，以至预报故障；另一类则是基于专家经验及知识处理的专家系统，它模仿人类专家在进行故障诊断时，首先观察机器的症状，然后依所观察到的症状，利用自己所具有的知识来推断故障原因。根据知识处理途径的不同，它又可分为两类：一是基于符号推理，如经典专家系统，另一类是基于数值计算，如人工神经网络等。虽然专家系统出现历史并不长，但它独特的优点却是状态识别技术发展的方向。7 c! i- v) F: [; F. \
/ S0 Z' K# d' ]# R8 L) \专家系统的核心是知识。大量事实表明5]，知识获取是建造专家系统的“瓶颈”问题。一个诊断系统在其运行过程中所获取的诊断信息（知识）越丰富，其诊断结果可靠性越高。因而，专家系统的性能水平主要取决于它所拥有的知识数量和质量。对于经典专家系统而言，虽然它具有持久性，一致性和周密性等优点，但交互式系统使得其诊断速度较慢，不能满足迅速诊断故障的要求。近年来，人工神经网络以其全新的信息表达方式，高度平行分布处理，联想，自学习及自组织等能力和极强的非线形映射能力使它渗透到科学技术的各个领域。它为人工智能的专家系统研究开辟了一条新的途径，它改进了经典专家系统中知识获取，知识表达和平行处理等问题。神经网络的诊断能力主要取决于文档知识的完善与正确性，学习样本的组织方法以及网络模型的学习训练程度三个方面。如何得到所必需的学习样本是网络诊断的前提，在笔者采用BP网络诊断三级工艺流程用的压缩机故障中，故障文档及学习样本是通过计算机仿真计算建立的，经检验，可达到较好诊断效果2]。在工厂现场故障诊断中，人们常用“看”、“听”、“摸”等手段借助人类的感官来判别机器运转状态，专家系统的目的就是让计算机模拟人的这种行为。然而人的感觉和机器检测的参数有很大的区别，人类感觉和经验都带有着很大的模糊性，并且在推理时不是绝对的二值逻辑，但机器仪表检测的参数都是比较精确的，所以为了使机器的推理过程类似人的思维活动，正确有效地进行故障诊断，应将模糊数学知识引入到状态识别过程中，即采用模糊诊断法。其诊断思想如下：首先根据现有的领域知识建立各种故障的标准模式，设这些标准模式构成故障空间E，取症候群空间X为论域，显然E是X的子集，同时将这些标准模式看成E上的模糊集，于是故障诊断问题就转化为确定X上的元素Xi以多大程度隶属于E上的哪个模糊集的问题。如何将模糊诊断思想与人工神经网络结合起来是笔者努力的方向。3 W, T( c# O, l0 o. \: U2 Q