導(dǎo)語：旋轉(zhuǎn)機械狀態(tài)監(jiān)測研究論文一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

1概述

隨著工業(yè)的日益發(fā)展，大型機組的功率越來越大，工作轉(zhuǎn)還越赤越高，許多大型的機組需要在超臨界轉(zhuǎn)速下運行，而由于種種原因國內(nèi)外大型機組的故障時有發(fā)生，造成世大的經(jīng)濟(jì)損失。例如1987年山西大同發(fā)電廠200MW機組轉(zhuǎn)子斷裂，1988年秦嶺電廠5號機組主軸斷裂，兩次事故經(jīng)濟(jì)損失均達(dá)億元以上。研究并應(yīng)用先進(jìn)的狀態(tài)監(jiān)測與故障診斷技術(shù)不僅可以早期發(fā)現(xiàn)故障，避免惡性事故的發(fā)生，還可以從根本上解決目前設(shè)備定期維修中維修不足和維修過剩的問題。據(jù)文獻(xiàn)[1]介紹，如果我國電力部門全面推廣設(shè)備診斷技術(shù)，僅維修費用每年可節(jié)約3.5億元。為了避免和減少大型機組故障的發(fā)生，各國都投入大量的人力物力進(jìn)行故障機理和故障診斷技術(shù)的研究。在這些研究成果的基礎(chǔ)上，各研究單位針對不同的應(yīng)用開發(fā)了一些故障診斷系統(tǒng)，有些診斷系統(tǒng)已經(jīng)推廣應(yīng)用于工業(yè)生產(chǎn)并取得了很好的經(jīng)濟(jì)效益，如美國的BentlyNevada公司的3300系統(tǒng)、TDM、DDM系統(tǒng)，WestinghouseElectricCorporation的TurbinAID、GenAID、ChemAID系統(tǒng)[2]，國內(nèi)的哈爾濱工業(yè)大學(xué)，清華大學(xué)、西安交通大學(xué)、浙江大學(xué)、華中理工大學(xué)等單位分別研制的故障診斷系統(tǒng)。這些系統(tǒng)在工業(yè)現(xiàn)場的應(yīng)用成為工業(yè)企業(yè)有效地減少和避免大型機組故障發(fā)生的主要手段。

機械故障診斷有兩個方面的要求：一是發(fā)現(xiàn)故障，即判定故障發(fā)生與否；二是識別故障發(fā)生的部位、類型、性質(zhì)、嚴(yán)重程度。因此，故障診斷系統(tǒng)相對這兩面三刀個要求也應(yīng)具備狀態(tài)監(jiān)測與故障診斷兩個方面的功能，是這兩個功能的有機結(jié)合體。目前國內(nèi)外研究開發(fā)的故障診斷系統(tǒng)（包括已推向市場的產(chǎn)品）從功能來分，可以分為以基于信號處理和數(shù)據(jù)分析為主的監(jiān)測型系統(tǒng)，如BentlyNevada公司的3300系統(tǒng)、Atlanta公司的M6000，和基于知識的智能診斷型系統(tǒng)，如WestinghouseElectricCorporation的TurbinAID、GenAID、ChemAID系統(tǒng)和IRD公司的501系統(tǒng)。但目前對故障診斷系統(tǒng)的開發(fā)過程進(jìn)行較為全面的分析，并建立模型的文獻(xiàn)并不多見，因此針對故障診斷系統(tǒng)的這兩個方面的要求，充分考慮監(jiān)測與診斷兩個功能，采用面向?qū)ο蠹夹g(shù)，對故障診斷系統(tǒng)進(jìn)行充分系統(tǒng)的分析，建立故障診斷系統(tǒng)的信息模型、動態(tài)模型和功能模型，為大型機組故障診斷系統(tǒng)的開發(fā)提供理論依據(jù)。

2面向?qū)ο蠓治龇?/p>

面向?qū)ο蠓治龇椒?Object-OrientedAnalysis，簡稱OOA)綜合了功能分解方法、數(shù)據(jù)流分析法和信息造型法三種方法的一些優(yōu)點，并用面向?qū)ο蟾拍罱y(tǒng)一了這些優(yōu)點之后發(fā)展起來的一種新的分析方法。是人們將面向?qū)ο蠓椒☉?yīng)用于系統(tǒng)分析而產(chǎn)生的一種新的方法論。OOA的概念是Shlaer,S.和Mellor,S.于1988年提出[4]，目前正處于研究和發(fā)展階段[5,6]。

面向?qū)ο蠓治龇椒ㄊ墙⒃谌祟愖约旱乃季S組織模式之上的一種分析方法。在傳統(tǒng)的分析方法中，從問題空間到分析結(jié)果(即系統(tǒng)模型)的映射是間接的，原因之一就是分析人員所采用的思維模式與設(shè)計人員所采用的思維模式存在一定的距離。從根本上統(tǒng)一思維模式的方法就是在系統(tǒng)開發(fā)的各個環(huán)節(jié)中都采用人類原有的思維組織模式。面向?qū)ο蠓治龇椒ㄊ墙⒃谌祟愖约核季S模式的基礎(chǔ)上，客觀地、自然地應(yīng)用客觀世界本來的規(guī)律來開發(fā)應(yīng)用系統(tǒng)的一種分析方法。

面向?qū)ο蠓治龇椒梢杂孟旅媸阶颖硎荆?/p>

面向?qū)ο蠓治龇椒ǎ綄ο螅诸悾^承性＋基于消息的通信

其中，對象是被封裝的一組屬性和專有服務(wù)，它是問題空間中某種事物的一個抽象，同時也包含問題空間中這種事物的若干實例。

面向?qū)ο蠓治龇椒ㄔ?0年代末被提出后，得到了快速的發(fā)展?，F(xiàn)在面向?qū)ο蠓治龇椒ㄖ饕袃煞N，一是Shlaer和Mellor提出的面向?qū)ο蠓治龇椒╗4]，這種方法主要是構(gòu)造三個形式化模型，即信息模型(InformationModel)、動態(tài)模型(StateModel)和功能模型(ProcessModel)。另一種是Coad和Yourdon提出的面向?qū)ο蠓治龇椒╗3]，組合了傳統(tǒng)的分析方法和面向?qū)ο蟮奶卣鳎饕?個步驟組成：對象的認(rèn)定；結(jié)構(gòu)的認(rèn)定；主題的認(rèn)定；屬性和實例關(guān)聯(lián)的定義；服務(wù)和消息關(guān)聯(lián)的定義。

3故障診斷系統(tǒng)的面向?qū)ο蠓治雠c建模

3.1故障診斷系統(tǒng)需求

分析的故障診斷系統(tǒng)是一個面向化工行業(yè)高速大型旋轉(zhuǎn)機械的在線狀態(tài)監(jiān)測和故障診斷系統(tǒng)(簡稱M&D)。該系統(tǒng)需要對汽壓機組的12路振動信號及其峰峰值、17路軸瓦溫度信號、17路壓力及流量等工藝參數(shù)和24路開關(guān)量信號進(jìn)行在線實時采集、存貯、顯示、分析并進(jìn)行故障診斷。為了提高故障診斷的準(zhǔn)確性，還特別要求系統(tǒng)能對12路振動信號實現(xiàn)動態(tài)信號的整周期采樣并進(jìn)行實時頻譜；為了實現(xiàn)系統(tǒng)的事故追憶功能，系統(tǒng)還須具有“黑匣子”功能。為了實現(xiàn)這些功能，系統(tǒng)采用上下位計算機機同步工作的方式進(jìn)行工作。下位計算機主要負(fù)責(zé)機組信號的采集、靜態(tài)信號的顯示和一部分報警功能（監(jiān)測）；上位計算機則負(fù)責(zé)故障診斷系統(tǒng)的數(shù)據(jù)的存貯、信號分析、故障診斷等工作。上、下位計算機通過網(wǎng)絡(luò)進(jìn)行消息通訊和數(shù)據(jù)傳輸。我們用Shlaer和Mellor提出的面向?qū)ο蠓治龇椒╗4]對上位機的故障診斷系統(tǒng)進(jìn)行分析，建立系統(tǒng)的信息模型、動態(tài)模型和功能模型。

3.2系統(tǒng)的信息模型

信息模型描述了系統(tǒng)中對象的表態(tài)結(jié)構(gòu)及對象間的關(guān)系。信息模型以圖表形式提供一個研究問題概念實體的全局概況(視圖)。圖形表達(dá)中每一個方框都與一個對象相關(guān)聯(lián)。對象用研究領(lǐng)域的名詞命名，并給以任意的標(biāo)號。每個對象屬性用一個星號或其它類似的區(qū)別符號標(biāo)識。對象之間的關(guān)系在模型圖中用線來描述。每一個關(guān)系用一個動詞短語表示，為了便于記錄每一個關(guān)系也用一個標(biāo)號來標(biāo)。對象模型因為對象的層次關(guān)系也具有一定的層次關(guān)系。隨著對象分類程度的不同，對象模型所表達(dá)的信息也不一樣。本文中僅給出系統(tǒng)的元對象模型，這是系統(tǒng)的主要核心。隨著對象層次的逐漸分解，對象信息含量逐漸豐富，系統(tǒng)的象模型也越來越具體，直到一個可以計算機語言實現(xiàn)的系統(tǒng)對象模型為止。大型旋轉(zhuǎn)機械狀態(tài)監(jiān)測與故障智能診斷系統(tǒng)的信息模型，如圖1示。

無論靜態(tài)數(shù)據(jù)，還是動態(tài)數(shù)據(jù)，都是表征大型旋轉(zhuǎn)機械運行狀態(tài)的物理量，按時間順序存放在數(shù)據(jù)庫內(nèi)，便于分析和診斷故障成因。數(shù)據(jù)庫分日庫、周庫、月庫、黑匣子數(shù)據(jù)庫、趨勢文件庫和特征數(shù)據(jù)庫6個子庫。由于廠方的特殊要求，在日庫、周庫、月庫、黑匣子數(shù)據(jù)庫中存放原始的波形數(shù)據(jù)，在趨勢文件庫和特征數(shù)據(jù)庫中存放趨勢數(shù)據(jù)和特征數(shù)據(jù)。日庫、周庫、月庫中的數(shù)據(jù)按一定的原則進(jìn)行稀化。數(shù)據(jù)稀化的原則為：日庫中所有數(shù)據(jù)每4秒鐘保存一組數(shù)據(jù)；周庫中每2分鐘保存一組數(shù)據(jù)；月庫中則每15分保存一組數(shù)據(jù)。黑匣子庫保存在故障發(fā)生時刻前后各100組數(shù)據(jù)。趨勢文件庫中存放所有靜態(tài)信號和動態(tài)信號的特殊頻率的趨勢數(shù)據(jù)；而特征數(shù)據(jù)庫存放主要頻率的幅值和相位信息。

圖1中常規(guī)信號分析的方法主要包括條形圖、頻譜圖、級聯(lián)圖、瀑布圖、波特圖、極坐標(biāo)圖、軌跡圖、時基圖、軌跡圖和趨勢圖。

狀態(tài)報警是系統(tǒng)用多層感知器神經(jīng)網(wǎng)絡(luò)對機組在正常時候的所有靜態(tài)和動態(tài)信號進(jìn)行學(xué)習(xí)，然后網(wǎng)絡(luò)利用學(xué)到的知識來判斷當(dāng)前時刻機組的運行狀態(tài)是否正常。

常規(guī)故障診斷原理與狀態(tài)報警基本上一樣。這里典型故障是指多發(fā)的、常見的故障。根據(jù)廠里的情況，這類故障主要包括：不平衡、轉(zhuǎn)子軸向碰摩、不對中、油膜渦動、亞諧共振、軸承與封瓦松動、推力軸承損壞、蒸汽渦動、軸承松動和不等軸承剛度等。神經(jīng)網(wǎng)絡(luò)對這些故障的實際數(shù)據(jù)和前人總結(jié)的診斷知識進(jìn)行學(xué)習(xí)，將學(xué)習(xí)得到的診斷知識貯存在權(quán)矩陣中，并利用這些知識對機組的當(dāng)前狀態(tài)進(jìn)行診斷。

智能故障診斷是利用知識庫中的知識對機組的運行狀態(tài)進(jìn)行診斷。知識庫中的診斷知識以對象的形式組織。知識對象中包含故障診斷所需要的知識(產(chǎn)生式規(guī)則、神經(jīng)網(wǎng)絡(luò)、基因碼規(guī)則)、獲取故障特征所必要的分析方法和推理控制及故障的處理方法。故障智能診斷從故障的根節(jié)點開始，根據(jù)對象中的推理控制一層一層向終節(jié)點(最終能細(xì)分的故障)進(jìn)行。最終能到達(dá)的節(jié)點就是診斷出來的結(jié)論(故障)。

診斷系統(tǒng)必須具有診斷知識自動獲取功能(機器學(xué)習(xí))才能在實際應(yīng)用中實現(xiàn)自我完善。本系統(tǒng)中診斷知識的自動獲取主要由兩個部分組成：一是通過神經(jīng)網(wǎng)絡(luò)對系統(tǒng)提供的樣本進(jìn)行學(xué)習(xí)，另一部分是利用基因算法對系統(tǒng)樣本的學(xué)習(xí)。

3.3系統(tǒng)的動態(tài)模型

系統(tǒng)的狀態(tài)模型描述了不斷變化的系統(tǒng)中的各種因素。狀態(tài)模型用來指明和實現(xiàn)系統(tǒng)的控制因素。狀態(tài)模型以狀態(tài)圖表示，如圖2示。圖中以結(jié)點表示狀態(tài)，并以數(shù)字標(biāo)識，以弧表示由事件觸發(fā)的狀態(tài)之間的變化，箭頭方向表示事件觸發(fā)的方向。

面向?qū)ο蟮姆治黾僭O(shè)所有的對象都有一個生命周期。一個生命周期由幾個階段組成。在特定的階段都要指定對象實例行為的自然準(zhǔn)則。生命周期包含對象在不同生命時期的不同狀態(tài)。在開發(fā)的狀態(tài)監(jiān)測與故障診斷系統(tǒng)中，程序自動運行時的對象生命周期由下列幾個階段組成：1.采集狀態(tài)數(shù)據(jù)；2.寫入網(wǎng)絡(luò)緩沖區(qū)；3.讀取網(wǎng)絡(luò)采集數(shù)據(jù)；4.進(jìn)行數(shù)據(jù)常規(guī)分析；5.進(jìn)行故障報警分析；6.進(jìn)行典型故障診斷；7.顯示分析結(jié)果；8.寫入數(shù)據(jù)庫。這是系統(tǒng)一般運行時監(jiān)測功能的生命周期。

另外，由于Windows環(huán)境下程序是一個多進(jìn)程、多用戶的系統(tǒng)，下列的對象可通過用戶界面由用戶手動激活或由系統(tǒng)根據(jù)狀態(tài)分析診斷結(jié)果激活：數(shù)據(jù)庫查詢、事故追憶；趨勢分析；升降速分析；進(jìn)行智能故障診斷；知識庫管理；診斷知識機器學(xué)習(xí)；系統(tǒng)聲光報警；各種圖表打印輸出；人機交互界面。

上面所描述的對象的生命周期可以繼續(xù)細(xì)分，直至不能再分為止。圖2是根據(jù)上述的分析所建立起來的大型旋轉(zhuǎn)機械狀態(tài)監(jiān)測與故障診斷系統(tǒng)的狀態(tài)模型。該模型給出了系統(tǒng)中主要對象的生命周期。圖中每個框圖表示對象生命周期的一個階段，而一條帶箭頭的弧線代表對象發(fā)出的一個事件及消息的傳遞途徑。所謂的事件(Event)是當(dāng)一個對象的一個實例從一個階段向另一個階段發(fā)展時或向另外一個對象轉(zhuǎn)移時發(fā)出的信號。

3.4系統(tǒng)的功能模型

系統(tǒng)過程模型用來說明值是如何計算的，而并不考慮動作序列，策略或?qū)ο竽Ｐ汀＿^程模型表明了值之間的依賴關(guān)系及相關(guān)的函數(shù)(功能)。過程模型是在構(gòu)造信息模型與狀態(tài)模型之后才構(gòu)造的。在面向?qū)ο蠓治鼋Ｖ锌梢杂脭?shù)據(jù)流程圖(DFD)來表示系統(tǒng)功能模型。數(shù)據(jù)流程圖(DFD)有助于表示功能依賴關(guān)系。功能可以用各種方式來描述：如自然語言，數(shù)學(xué)式子和偽碼等。

過程模型的構(gòu)造按以下步驟執(zhí)行：明確輸入、輸出值；建立體現(xiàn)函數(shù)依賴性的DFD圖；描述函數(shù)；明確約束條件；確定優(yōu)化標(biāo)準(zhǔn)。

數(shù)據(jù)流程圖是用來說明輸出值是怎樣從輸入值得來的。DFD通常按層次組織。最頂層可能由單個過程組成，也可能由收集輸入、計算值、生成結(jié)果(輸出)的一個綜合過程構(gòu)成。在各層的DFD層次中，可以從輸出值遞推出它的功能。如果對操作的輸入也是整個圖的輸入，就可以實行遞推法。否則，有些操作是中間值，必須反過來跟蹤。

將頂層的DFD中的過程擴展成更低層次的DFD圖。如果第二層次圖中的過程仍包含一些可細(xì)化的過程，它們還可以遞推擴展。圖3表示了大型旋轉(zhuǎn)機械在線狀態(tài)監(jiān)測與智能故障診斷系統(tǒng)的頂層數(shù)據(jù)流圖，提供了系統(tǒng)的輸入、輸出值。根據(jù)圖1的對象模型和圖2的動態(tài)模型可以將頂層數(shù)據(jù)流圖擴展為更低層次的DFD，因篇幅所限在此不作展開。

4M&D系統(tǒng)實現(xiàn)

M&D系統(tǒng)是按三個面向?qū)ο竽Ｐ徒⑵饋淼囊粋€面向化工行業(yè)高速大型旋轉(zhuǎn)機械的在線狀態(tài)監(jiān)測和診斷系統(tǒng)，除了計算機的正常配置外，下位機硬件還包括1塊前置信號處理卡、1塊智能鑒相卡、1塊PCL-1800采集卡、2塊PCL-813卡和1塊開關(guān)信號監(jiān)控卡；上位機還內(nèi)置一塊以美國Texas公司TMS320C25數(shù)字信號處理卡為核心的并行處理系統(tǒng)(ATD-C25AT-C)，該系統(tǒng)每秒能執(zhí)行1千萬條指令，可使IBM-PC/AT達(dá)到超級小型機的運算速度。自行開發(fā)的智能鑒相板，根據(jù)鑒相信號的脈沖頻率，經(jīng)過32倍頻后控制采樣頻率高達(dá)330K的PCL-1800高速采集板，對12路振動信號實現(xiàn)整周期采樣；2塊采樣頻率為25K的PCL-813采集板對12路振動信號的峰-峰值、17路溫度信號和17路壓力、流量等工藝參數(shù)進(jìn)行采集；24路開關(guān)時量信號則由開關(guān)監(jiān)控板(自行研制)進(jìn)行監(jiān)控。上位機中的數(shù)字信號處理系統(tǒng)負(fù)責(zé)診斷系統(tǒng)所需的數(shù)據(jù)分析。上、下位計算機通過NWlite點對點式的網(wǎng)絡(luò)進(jìn)行消息通訊和數(shù)據(jù)傳輸。下位機為了提高狀態(tài)監(jiān)測的實時性，利用PC機中斷技術(shù)，采用在DOS環(huán)境下的BorlandC++語言和TurboAssembler匯編語言編寫；上位機為了實現(xiàn)多任務(wù)處理，和分析圖形顯示的美觀等要求，采用在Windows環(huán)境下用VisualC++語言進(jìn)行編寫，上位機中的數(shù)字信號處理板(DSP)接口程序由TMS320C25匯編語言編寫。