繆勇+王海

摘 要：在分析生產制造設備各種故障診斷技術的基礎上，設計基于特征知識引導的模糊邏輯診斷方法，該方法以模糊數(shù)學為依據(jù)通過模仿人類的思維方式來處理系統(tǒng)的模糊性和不確定性。它以診斷參數(shù)向量的擇近原則或隸屬原則對生產加工過程中的故障進行求解，且能夠適用于各種復雜對象的全面診斷。文章提出診斷系統(tǒng)的知識表述及組織模型，并闡述了模糊診斷推理的實現(xiàn)過程，最后結合現(xiàn)場的托輥生產線為例開發(fā)原型系統(tǒng)。

關鍵詞：模糊診斷；生產設備；融合診斷；隸屬原則；托輥

中圖分類號：TF305 文獻標志碼：A 文章編號：2095-2945（2017）30-0170-02

引言

制造裝備是普遍使用的加工設備，由于設備自動化程度高、價格昂貴、結構復雜，影響設備安全和工作性能的因素越來越多，導致其故障與診斷參數(shù)間也具有較為復雜的對應關系，同時也就決定了其診斷方法的復雜性，其中有定性關系的復雜性和定量關系的復雜性這兩種較為復雜的對應關系[1]。

定性關系的復雜性是指較難確定設備的某一故障是與哪些診斷參數(shù)相對應。對于一個簡單的單值對應系統(tǒng)，可以根據(jù)診斷參數(shù)a的變化很容易地確定系統(tǒng)的故障F，即F=f（a）。但對于機械設備而言，由于其各子系統(tǒng)間的耦合關系，必須根據(jù)某一診斷參數(shù)向量來對其相應的故障進行綜合評判，即：

Fi=f（Ai）

其中，Ai=（ai1，…，aij，…，ain），為診斷參數(shù)向量；aij為診斷參數(shù)；n為診斷參數(shù)的個數(shù)；Fi為與Ai對應的故障。

定量關系是指診斷參數(shù)向量Ai與故障Fi的函數(shù)關系，一般用隸屬度函數(shù)表示，但其這一函數(shù)關系是很難確定，只能按著一定的診斷邏輯及統(tǒng)計的方法，給出Ai中各診斷參數(shù)以一定的概率發(fā)生時，故障Fi的發(fā)生概率，因此，定量關系存在著一定的復雜性。目前使用的主要診斷方法有模糊診斷法和最小割集診斷法。模糊診斷法是較為常用的一種對復雜系統(tǒng)進行診斷的方法。模糊診斷法是以模糊數(shù)學為依據(jù)，得到了越來越廣泛的應用，它以診斷參數(shù)向量的隸屬原則對故障進行求解，具有較大的靈活性，可以有效地了解量值評判準則的建立問題，其設備的故障特征用語言表述的診斷經驗知識，適用通過模糊邏輯系統(tǒng)加以處理[2，3]。

1 基于模糊邏輯故障診斷的原理

1.1 模糊診斷的特征知識引導

特征知識引導的故障診斷排除了不必要的驗證，縮小故障的搜索空間，將故障定位到少量可能的原因上，在充分分析設備故障特征經驗知識的基礎上，將經驗性診斷知識轉化為具有可操作性的診斷參數(shù)。

形成抽象的故障特征集{Sai}，應用經驗。

1.2 模糊蘊涵推理

在基于原理的故障診斷技術中，如故障樹診斷方法等，無論是采用距離法還是采用統(tǒng)計分類法，都是以布爾邏輯為基礎，即只存在兩種可能性，當事件發(fā)生時用“1”表示，當事件未發(fā)生時用“0”表示。這種二值邏輯在簡單的診斷系統(tǒng)中能得到十分明確的結論，但卻不能表示復雜情況。對于復雜的機械設備，人們不能簡單地用“是”或者“否”來描述出現(xiàn)故障的可能性和故障的程度。模糊邏輯正好可彌補二值邏輯的不足，它將[0，1]分成許多區(qū)間，它們分別表示xi隸屬于事件A的不同程度，定義為隸屬度函數(shù)，用μA（x）表示：

為在X中的模糊集合。

在模糊蘊含推理的過程中定義在直積空間X×Y ={（x，y）|x∈X，y∈Y}上的模糊關系是X×Y上的一個模糊子集R，R是故障與征兆之間的模糊關系矩陣，也稱為隸屬度矩陣。當X={x1，x2，…，xn}，Y={y1，y2，…，ym}是有限集合時，定義X×Y上的模糊關系R可用m×n階矩陣表示：

隸屬度舉證R的建立完全依賴于各征兆與故障間的隸屬函數(shù)，當隸屬度矩陣確定后，通過求解關系矩陣方程Y=X·R，即可得到待檢狀態(tài)的故障向量Y，據(jù)此得出合理的診斷結論。

2 診斷實例

下面以托輥診斷實例說明運用模糊邏輯的診斷原理來實現(xiàn)故障診斷的過程，診斷對象托輥。托輥生產加工中心，加工過程中，經檢測出現(xiàn)不合格品托輥，將托輥的不合格影響因素歸納為徑向跳動超差、旋轉阻力不符合標準、軸向載荷不符合要求、浸水密封不達標、軸向位移過大等記作條件屬性 X={x1，x2，x3，x4，x5}，評價托輥故障因素集合為Y，其集合元素都分別用{y1，y2，y3，y4，y5，y6，y7}，其用模糊語言{1，2，3，4，5，6，7}表示，即托輥軸的不圓度，托輥管體的不圓度及不同軸度，軸承座內孔尺寸精度及外徑的同軸度，軸承質量問題，潤滑脂不符合要求，裝配工藝不達標，焊接質量問題。隨機抽取18根不合格托輥進行分析，測試項目如下：徑向跳動參數(shù)、旋動阻力參數(shù)、軸向載荷參數(shù)、浸水密封參數(shù)、軸向位移參數(shù)。由上可知，需進行粗糙計算求正域，設信息系統(tǒng)（U，A），令U={V1，V2，…，Vn}，R？哿U，則R關于U的下近似集 R的算法如下：

通過上述語句可以編程求得關于U的屬性集的上、下近似集，進而得到正域和屬性約簡后的正域，并由此判斷出冗余屬性。根據(jù)表1首先進行橫向約簡有三組對象屬性相同，于是對象總量降為15根。經過編程計算后得到的正域與原正域相同，最后得到5個條件屬性對于托輥故障原因分析集合的依賴度。再根據(jù)條件屬性的權重系數(shù)得到模糊關系R。然后根據(jù)公式Y=X·R得到模糊評價集合Y。最后的評價結果為Y= max（yi），j=1，2，…7，上述計算表明，評價集“裝配工藝不達標”的評價值影響力最大，其次是軸承座內孔尺寸精度及外徑的同軸度不符合要求，經過對裝配工藝的調整以及對軸套加工方法的改進，托輥產品合格率得到了大大提高。經過托輥管線單元GC9綜合檢測，檢測內容為：左右徑向跳動、扭矩、左右軸竄等三項托輥指標，得到產品實際報表，可發(fā)現(xiàn)運用基于模糊邏輯推理診斷原理來實現(xiàn)故障診斷避免了不合適的維修路線，帶來效益的同時減少了維修風險。

3 結束語

根據(jù)生產設備的特點，構建模糊推理系統(tǒng)，將診斷知識和語言信息得到較好表述和管理，并通過模糊蘊涵推理進行故障診斷，結合實際生產系統(tǒng)開發(fā)了故障診斷系統(tǒng)的原型，取得較好的應用效果。

參考文獻：

[1]Marzi R， John P. Supporting fault diagnosis through a multi-agent architecture[J].Mathematics and Computer in Simulation，2002，60（3-5）.

[2]陳長征，胡立新，周勃，等.設備振動分析與故障診斷技術[M].北京：科學出版社，2007（5）.

[3]裴俊峰，齊明俠，楊其俊.機械故障診斷技術[M].北京：中國石油出版社，2010（9）.

[4]徐志豐，王海.SCADA監(jiān)控系統(tǒng)在托輥自動生產線故障診斷中的應用[J].科技創(chuàng)新與應用，2015（34）：32-33.endprint