仿真技术在机械故障诊断中的应用

1、 计算机仿真技术论文 仿真技术在机械故障诊断中的应用 班级：机制1121 姓名： 学号：201150616实例一：定性仿真的水下机器人故障诊断技术AUV 定性约束方程（1）代数约束包括ADD（f，g，h）表示函数关系f(t)+g(t)=h(t)；MULT（f，g，h）表示函数关系f(t)*g(t)=h(t)；MIUNS（f，g）表示函数关系f(t)=-g(t)；DERIV（f，g）表示函数关系f(t)=g(t)。（2）定性约束包括M+（f，g）表示函数f（t）随着函数g（t）的增大而增大。M-（f，g）表示函数f（t）随着函数g（t）的增大而减小。概念1：路标值：路标值是函数f 行为或状态上重

2、要点的集合，函数f 在这些点上的行为或状态将发生变化。概念2：可区分时间点：函数f 等于路标值的时间点，即为函数的可区分时间点。概念3：函数f 在时刻t 的定性状态表示方法：设对任意ta,b,函数f 在时刻t 的定性状态可由QS（f,t）可由来表示。的形式如下所示。其中l1l2lk 为fa,bR*的路标值。变量f 在t 时刻的定性状态表示为：QS(f，t)= （1）在式1 中：式中：qval 表示变量f 的取值，qdir 表示变量f 在t 时刻的导数，inc 表示导数为正，std表示导数为零dec 表示导数为负。例如定性状态QS（压力，现在）=表示压力在（1.0105Pa,1.2105 Pa）

3、之间，而且还在增大。 定性仿真算法应用于AUV 故障诊断的过程为：从AUV 系统的初始状态出发，通过查看状态转换表，产生出当前状态的所有后继状态；通过定性约束方程过滤掉不合理状态，剩余的状态组成了新的当前状态集合；再从当前状态集合中取出一个状态作为新的当前状态，重复以上过程，推导AUV 系统从初始状态到结束状态的所有定性状态。根据国际水池会议推荐的和造船与轮机工程协会术语公报的体系，建立如图1 所示的适合于描述AUV 运动的两种参考坐标系7，即：固定坐标系E-(简称“定系”），固定于地球；运动坐标系O-xyz（简称“动系”），固联于机器人，随机器人一起运动。当AUV 做直航运动时，其推力是由左

4、右主推共同产生的，这时可以得到AUV 推力的约束方程为： 式中：Tl 为左主推产生的推力, Tr 为右主推产生的推力，T 为AUV 运动坐标系下纵向推力。此时的AUV 动力学模型可以简化为： 式中：m 为AUV 运动自由度上的惯性系数，dL 为AUV 运动自由度上的一阶阻力系数，dQ为AUV 运动自由度上的二阶阻力系数，v(t) 为AUV 运动自由度上的速度。AUV 做平稳状态直航时，其加速度为一极小值，这时式（4）可以简化为在式（5）中 dL + dQ ( v )t 为一大于零的数，这时可以得到推力与速度的定性约束方程：式中：T 为AUV 运动坐标系下纵向推力,v 为AUV 运动坐标系下纵向

5、速度。当AUV 做转艏运动时，可以得到力矩的方程为：式中：M 为AUV 在0z 轴上受到的力矩，l 为AUV 宽度。根据同样的方法可以得到力矩与角度的定性约束方程：式中： 为AUV 在0z 轴上产生的摇艏角。推进器使用直流电机，此电机以系统D/A 模拟量的输出作为电机转速控制信号，由其控制原理可以得到定性约束方程：式中：Uc 为推进器控制电压,U 为推进器两端电压。推进器电机为永磁式直流电机，两端电压U 的计算公式为：式中：n 为推进器转速， Ce 为常数，Ia 电机电枢电流，Ra 电机电枢电阻， 电机总磁通数。经过试验测得Ra=1.4,这时式（10）可以简化为：由式（11）得到AUV 推进器

6、转速和推力之间的定性约束方程：理想流体中的推进器动力学模型在考虑饱和发生的情况下可以简化为：式中：Ct、Cs 为常数，va 为流过推进器叶片的水流速度。在水流速度较低的情况下饱和项可以忽略，这时式（13）可以简化为：这时可以得到AUV 推进器转速和推力之间的定性约束方程： M+ (T,n) （15）由公式（9）、（12）、（15）得到AUV 推进器控制电压和推力之间的定性约束方程：验证试验 本文通过如图4 所示原理对前面已建立的AUV 定性故障诊断模型进行分析验证，所示建立一个AUV 右主推实际故障，将实际故障观测到的数据进行定性化处理再与前面所建立的模型行比较验证，如果模型参数的定性状态变化

7、与实验观测的一致则证明该模型准确在进行验证实验时需要对AUV 运行数据进行定性化处理。表2 为用一时间窗截取AUV右主推75%故障时右主推控制电压参数的定性化结果。 针对AUV 难以建立准确故障诊断模型的问题，提出了利用定性仿真提取系统定性信息建立系统定性故障诊断模型的方法，推导了AUV 的定性约束方程，并以此为基础建立了AUV的定性故障诊断模型。基于实验数据对定性故障诊断模型进行了验证分析，并针对实验数据定性化处理时易产生冗余定性状态的问题，利用数据平均再定性化处理的方法，提高了故障检测的准确性，并通过实验验证了定性故障诊断模型的有效性。定性仿真方法在AUV 故障诊断应用中的可行性。实例二：

8、船舶柴油机故障在线诊断仿真技术研究 柴油机运行故障计算机仿真 现代船用柴油机正朝着大型化、高增压和高经济性发展，使得故障征兆与故障原因的关系更复杂，专家系统通过领域专家的实践积累知识库耗时较长.随着数值计算技术的迅猛发展，模拟柴油机各种运行工况下的工作过程已成为可能，能够实现对发动机进行燃烧分析及性能分析模拟.不仅可用来计算元故障下各种运行工况的过程参数，也可对柴油机某些增压系统、气缸活塞组件与燃烧系统、燃油系统等故障进行仿真.然后根据特征参数，参照相应规范，运用各种知识和经验，对机器状态进行识别，对早期故障进行诊断，对故障的部位、原因和程度作出判断，对机器技术状态的发展趋势进行预测.在给定工

9、况和设置故障状态下对涡轮增压柴油机的工作过程和运行性能进行仿真，获得发动机在此故障和工况下各处运行参数，建立相应的故障样本集，并实现船用柴油机故障诊断. 柴油机故障诊断实例 实船使用中由于使用条件的变化、操作维修不当，柴油机及其增压系统的污阻、损坏等均会使发动机性能恶化，严重时会发生故障，从而影响船舶营运的正常进行.为了及时处理消除故障，必须准确判断出柴油机性能恶化的原因，当采用人工神经网络方法时，要求给出发动机症状与故障样本集，作为专家知识库.根据航区的不同和船舶航行过程中的实际状况，在不同的环境温度及不同的柴油机负荷条件下，采用该程序对给定故障状态下的柴油机运行工况性能参数的模拟计算，建立

10、船舶柴油机症状与故障样本集，作为神经网络故障诊断系统的专家知识库.根据船用低速增压柴油机工作过程的理论分析和实际运行经验，可以确定各个子系统主要部件可能出现故障的原因，作为故障变量即输出变量;同时确定用于区别各种故障的征兆变量作为网络输入变量.因此，采用船舶二冲程增压柴油机运行性能预测程序，对装船量最多的MAN- B&W L- MC 型柴油机工作过程进行数值模拟计算，对其涡轮增压系统各部件故障进行模拟计算，获得各征兆变量偏离基准值的偏差.仿真实验结果可以得出故障原因与故障征兆之间的相互关系，以此建立涡轮增压系统的征兆/故障样本集.用于模拟计算增压系统故障的变量有:空气滤清器堵塞、增压器效率下降

11、、中冷器传热恶化、透平保护格栅堵塞、透平通流部分堵塞、废热锅炉流阻增大或气缸进排气道堵塞等. 征兆/故障样本集的正确确定是神经网络进行准确故障诊断的关键.涡轮增压系统一种故障对应一个样本，为进一步诊断故障的严重程度，对每一个故障变量取2 个样本，其目标值分别为0.5 和1.为了反映机组运行负荷范围的征兆与故障的对应关系，对额定负荷(1%MCR) 、部分负荷(90 %MCR、75% MCR) 和半负荷(50%MCR) 四种工况给出样本.因此这部分的样本数为36 个，考虑到远洋船舶的航行范围属于无限航区，因此把大气环境温度分为三段，即283 -294K 、294 - 306K 、306- 318K

12、. 并分别以288K 、3K 、312K 为样本中心，通过大量的仿真计算，得出相应的样本集(总的样本数为108 个) ，用于训练径向基函数RBF 神经网络诊断模型，从而可以实现船舶柴油机运行故障的诊断.网络测试结果与分析表明，给定故障分别为I 级(严重故障)， n 级(中等故障)的输入征兆量，用训练过的RBF 网络测试:1)发动机负荷变化，大气环境温度不变; 2) 环境温度变化，如船舶航行在不同的海区，柴油机负荷不变; 3) 柴油机负荷改变，同时环境温度也改变.网络对给定故障所在工况的诊断识别率很高，几乎达到1%，可见采用这种诊断方法是成功而且快捷有效的，不仅对柴油机故障模式有很高的识别率，并

13、能对故障严重程度进行定量的预测.同时，对各输入变量偏离样本值土10% 或其中某个变量偏离样本值较大时(例如个别传感器有故障或数据处理有误)进行仿真实验，它们的输出向量与目标向量很接近，不会影响总的输出模式，即对征兆信号的噪声不敏感，表明这样的网络有较强的容错和抗干扰能力. 结束语 故障在线自动诊断是一项新近发展起来的技术，可广泛应用在可靠性、可维性要求高的场合.笔者将此技术应用到船舶自动化机舱，对柴油机故障进行巡回检测报警和运行工况预测.能及早诊断故障，进行视情维修.这样不仅可以防止突发事故，保障机务安全，而且可以减少维修费用，提高设备的利用率，带来巨大的经济效益和社会效益.我们也将进一步开展

14、这一领域的研究工作，使船用柴油机的故障诊断技术更加实用化，智能化. 实例三：ARMA 模型盲辨识.真研究及其在机械故障诊断中的应用 盲系统辨识问题是盲信号处理中一个很重要的研究问题，它是一种仅从系统的输出提取系统的未知信息的基本信号处理方法，这种方法特别适用对由未知信号驱.的未知系统.行分析和处理。ARMA 模型盲辨识的基本思路是利用代价函数确定ARMA 模型的阶次，递推确定ARMA 模型的参数，在确定AR 子模型的系数，再确定MA 子模型的系数。由于在计算中引人高阶累累量，因而该算法还可以抑制高斯噪声的干扰。 时序模型盲辨识在机械故障中应用将时间序列盲辨识方法用于故障识别，其基本思想是选取与

15、故障直接相关的状态.量，建立时间序列过程模型，以模型参数作为特征矢量来判别故障的类型。因而，特征向量的选取是一个关键的问题。对于时间序列，其模型参数凝聚了系统状态的重要信息，准确的ARMA 模型能够深刻，集中的表达动态系统的客观规律。同时大量研究表明，在基于时型模型的特征提取中，模型系数对状态变化规律反映最敏感，因此，利用模型参数作为特征向量来进行模式分类是十分有效的。由于机组.行状态的变化，采用盲系统辨识来建模，可能存在不能用同样的介词来拟合机组的各种状，因而，得到的参数个数可能在各个状态不一样。然而，在时序模型辨识中越在前面的系数，其作用就越大。因此，我们可以利用时序模型辨识中前面的模型参

16、数来作为特征向量，通过神经网络等分类器来进行故障分类。 在ntly 模拟转子试验台上分别进行了转子不平衡、转.碰摩、油膜涡.三种故故障的实验研究。每种故各采集了15 组振动数据，选取10 组振动数据进行时间序列盲辨识，获取模型的参数作为特征矢量。这里经盲辨识，可用一个ARMA来近似，因此，在训练时选取自回归的8个参数，滑动平均的四个参数作为特征向量。输入到径向基函数神经网络中进行的训练。实例四：谐波小波在旋转机械故障诊断中的应用 轴心轨迹是指主轴轴心上一点相对于轴承座的运动轨迹.工程实际中获得轴心轨迹常常受到噪声的干扰，原始轴心轨迹非常模糊，直接得到轴心轨迹的特征相对比较困难.为了除去噪声的干

17、扰，还原出较清晰的轴心轨迹，需要对原始轴心轨迹进行滤波提纯1.小波分析解决了传统的傅立叶变换不能用于非平稳信号、不能同时进行时一频局部化分析等难题，被大量应用在信号处理、模式识别等领域.由Newland 提出的谐波小波不仅具有小波函数的优点，还具有以下优点：小波函数具有确定的数学表达式；谐波小波变换的时频分解更灵活、算法简单.由于谐波小波具有完全“盒形”的频谱特性和良好的相位定位能力运用谐波小波进行滤波提纯，为根据轴心轨迹的形状研究旋转机械的故障提供依据。谐波小波分析的基本理论谐波小波函数设在频域中有实偶函数e j (t) 和实奇函数0 j (t)，傅里叶变换定义为由图 1 可以看出，F (w

18、)在频域中具有良好的紧支特性和“盒形”频谱特性.对(1)式和(2)式分别作傅里叶逆变换6，则有函数表达式就是谐波小波.谐波小波的实部和虚部分别见图2(a)和图2 (b)，图2 表明谐波小波衰减性较好，并且局部特征较强7.谐波小波的性质对谐波小波j(t)做伸缩变换与平移变换，就能得到谐波小波函数族7变换后的谐波小波形状没有显著的变化，只是在时间长度上发生了伸缩，其位置在尺度上被平移了k个单位.随着小波层次的升高，谐波小波的频谱宽度将倍增，但幅值降低8-9. 图3 不同层谐波小波的频谱对j(t)作伸缩变换与平移变换，得到新的函数族为v(t)，其函数表达式为对v(t)作傅里叶变化，则有对于谐波小波j

19、(t)及其函数族j(2 j t - k)，它们的内积为当 j 0时，F (w)和V(w)在频域内总位于不同的频段，则有上式表明处于不同层次的谐波小波正交.当在频域内处于同一频段上，即都位于第零层，只是其位置在时间轴上平移了k 个新尺度单位9，则有上式表明位于第零层的谐波小波正交.用同样的方法可以证明，处于其它层次的谐波小波也具有这样的性质.以上说明处于同一层次的谐波小波正交。2 采用谐波小波对轴心轨迹提纯2.1 轴心轨迹提纯的仿真方程式含有噪声的轴心轨迹的仿真方程式可以用下面的表达式来表示7式中， i A 为相对应的频段的幅值，w 为振动的基频，n 为倍频数，j 为初相位， t F 、s F

20、为噪声信号.一般情况下，含有噪声的轴心轨迹是这样得到的.第一，通过构造以下数学方程式来模拟常见的轴心轨迹形状，其表达式为10式中， 1 A ， 2 A ， 1 a ， 2 a 分别为x(t)的一倍频、二倍频分量的幅值及对应的初相位； 1 B ， 2 B ， 1 b ，2 b 分别为 y(t)的一倍频、二倍频分量的幅值及对应的初相位.通过改变1 A ， 2 A ， 1 a ， 2 a ， 1 B ， 2 B ， 1 b 和2 b这8 个参数，通常可以得到所需轴心轨迹形状.第二，加入高频噪声，就能获得各种常见的含有噪声的轴心轨迹. 通过仿真几种常见故障所对应的轴心轨迹，运用谐波小波对原始轴心轨迹提

21、纯，图5 中的左图为原始轴心轨迹，右图为滤波后的轴心轨迹.图5表明滤波提纯后的轴心轨迹基本上剔除了噪声的影响，已经恢复了原貌，也为旋转机械故障的诊断提供了依据 结 语 旋转机械在运行过程中出现不同程度的振动，进而引起各种故障，如转子不平衡、轴系不对中、转子碰磨、油膜涡动等.如果故障经常发生或不断发展，动态信号就会呈现出非平稳性.根据旋转机械轴心轨迹的非平稳性，通过仿真方程式对常见故障对应的轴心轨迹形状行了仿真，采用谐波小波对这些轴心轨迹进行了滤波提纯，获得了较好的效果.实例五 匹配追踪在轮故障诊断中的应用 匹配追踪在齿轮故障诊断中的应用，有冗余的中间过程使得信号能够最大限度地保留其原来特征，因

22、此每一步都会形成一个信号的展开项并且使得信号的逼近更为优化，最终形成由多个原子线性组合一个信号.该方法已经在图像处理、生物医学等领域得到比较广泛的应用。齿轮仿真信号算例 齿轮箱的振动情况是所有啃合齿轮副振动情况综合作用的结果，各啃合频率及其倍频成分的振动受到轴频的调制作用，形成调幅、调频或混合调制信号.通常以齿轮某阶啃合频率附近的窄带信号为对象，研究齿轮调制情况的改变，判断齿轮的运转状态.某阶啃合频率附近的窄带信号为单一调制频率、调幅和调频共存的混合调制信号，其模型为式中: 为啃合频率; c(t) 、b(t) 分别为调幅、调频信号，是由齿轮箱中各转轴的转频及其谐波频率组成的周期信号，其表达式为

23、z分别为调幅和调频信号中各调制成分的调制因子，儿为齿轮箱中任意一轴的转频，下标r ， q(r ， q N) 由实际的调制情况而定，矶市为初始相位.一般情况下，齿轮箱中存在故障的一对啃合齿轮的轴频在调制成分中所占的比重最大.根据式(6) 模拟齿轮某一啃合频率附近的窄带信号得到仿真信号.为了清楚观察分析结果，调制频率为谐频成分，仿真信号仅包含幅调制的情况，其采样频率为1. 024 kHz ，数据长度512 ， /c=200 Hz ,/0=10 Hz. 由于Gabor 原子具有很好的时 .局部特性，且其相对于小波包能在更细的时频网格上作平移，因此信号的内部结构能表述得更清晰，故本文中的原子采用Gab

24、or 原子，其表达式为式中:u ， V 为常数;g 为L 2 航v 满足f 1 /1 2 dz十的有限能量函数空间)的确定函数， 11 g 11 =1. 所示为加入噪声后齿轮仿真信号的时域波形、功率谱、短时傅里叶时频图和匹配追踪时频图.由图可见，由于时域上幅值、频率调制，频域上啃合频率、转频、边频和其他频率成分的联合存在，及由于冲击信号为宽频信号在频域上不能分辨出来，故在时域波形和功率谱上都不能有效地提取齿轮信号的特征成分;时频局部定位能力较差，分辨率较低，而且对于晴合频率、转频、边带等周期频率成分则无法分辨(见图 a) ;而基于匹配追踪算法由于在每次分解过程中都能自适应地从字典中选取与信号匹

25、配最好的原子，其时频分布是单个原子的Wigner分布的叠加，时频分辨率能接近Wigner 分布，且消除了干扰项，获得了最好的时频分辨率，因此能够很好地提取周期成分和冲击信号，而且能够有效地抑制边带成分的干扰并具有很好的抗噪性。（见图b） 基于匹配追踪的齿轮故障诊断 实验装置如图2 (a) 所示.齿轮副为41：37 ，模数为5 ，接触角为20 ，齿轮的轴距为200 mm ，啃合系数为1. 648 ，齿宽4 1. 944 mm ，材质为低碳钢(易产生表面缺陷).实验过程中，加速度传感器安装在齿轮箱体壳上，并且用俩个鉴相信号来保证数据采集过程中心号的作用。其中疲劳磨损故障由电火花加工形成（见图2b）。数据分析长度为4096，正常齿轮运行的时频图如图3（a）所示。也由图可见，对于正常运转的齿轮基本没有冲击信号，只有在低频部分存在周期冲击信号，故障齿轮运转的时频图如图3(b) 所示.由图可见，匹配追踪方法能够提取出啃合频率及其谐波和冲击信号，时频图上的冲击信号呈准周期分布，间隔时间大约为O. 1 s ，正