在故障樹(shù)模型及其組成的邏輯關(guān)聯(lián)建成之后, 可以憑借整機(jī)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(lái)設(shè)計(jì)離心機(jī)故障診斷專(zhuān)家系統(tǒng), 從而獲取故障診斷的*決策。我們知道, 離心機(jī)zui直接的故障表現(xiàn)形式是異常振動(dòng),也是一般測(cè)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(dāng)?shù)呢S富。以碟式分離機(jī)為例, 其中存在轉(zhuǎn)鼓動(dòng)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(dòng)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(dǎo)致的故障也能探測(cè)到, 這樣又體現(xiàn)了對(duì)機(jī)器故障程度的控制。

據(jù)此, 以離心機(jī)振動(dòng)信號(hào)拾取為主要故障探測(cè)手段, 建立離心機(jī)一般故障診斷專(zhuān)家系統(tǒng), 其基本結(jié)構(gòu)如圖2所示。具體過(guò)程為, 離心機(jī)各測(cè)點(diǎn)的振動(dòng)信號(hào)由傳感器拾取, 經(jīng)AöD 轉(zhuǎn)換存入微機(jī); 采用數(shù)字信號(hào)處理技術(shù), 對(duì)波形進(jìn)行數(shù)字濾波和小波變換等數(shù)字信號(hào)提純處理; 以信號(hào)圖形數(shù)據(jù)的方式建立振動(dòng)波形一級(jí)數(shù)據(jù)庫(kù), 在模型庫(kù)中以信號(hào)分析的數(shù)值算法和數(shù)學(xué)模型建立二級(jí)數(shù)據(jù)庫(kù); 以譜分析等為主要處理手段, 進(jìn)行故障信息的數(shù)字特征提取和識(shí)別, 將分析和計(jì)算結(jié)果放入故障特征數(shù)據(jù)庫(kù); 根據(jù)現(xiàn)有實(shí)際經(jīng)驗(yàn)和專(zhuān)家知識(shí)建立知識(shí)庫(kù), 知識(shí)庫(kù)中主要存放一系列的事實(shí)和規(guī)則成分, 可以通過(guò)將前一步的特征信息調(diào)用事實(shí)和規(guī)則進(jìn)行推理分析, 得出zui后的診斷結(jié)論。本系統(tǒng)設(shè)計(jì)思想是,程序設(shè)計(jì)采用模塊式結(jié)構(gòu), 可以進(jìn)行功能擴(kuò)充; 結(jié)合人工交互式人機(jī)對(duì)話(huà)方式, 使之不僅有易用的界面, 而且具備知識(shí)自學(xué)習(xí)功能擴(kuò)展和記憶; 通過(guò)解釋系統(tǒng), 使操作過(guò)程和診斷結(jié)果便于使用和理解, 有利于工廠實(shí)際操作, 并通過(guò)自學(xué)習(xí)能迅速處理同樣或類(lèi)似的診斷問(wèn)題。
 

離心機(jī)振動(dòng)故障診斷專(zhuān)家系統(tǒng)應(yīng)用
根據(jù)現(xiàn)場(chǎng)經(jīng)驗(yàn)和理論分析可知[3 ] , 對(duì)于轉(zhuǎn)鼓部分產(chǎn)生異常振動(dòng)的一般故障有: 轉(zhuǎn)鼓不平衡、安裝不對(duì)中、共振、結(jié)構(gòu)部件松動(dòng)、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(huì)反映在拾取到的振動(dòng)信號(hào)譜分析中, 并與相應(yīng)的頻率成分對(duì)應(yīng), 例如:õ 1ö3倍頻: 反映非線性振動(dòng)部分, 如轉(zhuǎn)鼓處摩擦、轉(zhuǎn)鼓上緊固件松動(dòng)產(chǎn)生的振動(dòng)等;õ 1ö2倍頻: 除反映一般轉(zhuǎn)子的半速渦動(dòng)和油膜振蕩故障外, 也能反映一些非線性振動(dòng)的特征;õ 工頻: 振動(dòng)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(duì)中的情況。同時(shí), 對(duì)軸損壞和不對(duì)稱(chēng)等情況比較敏感;õ 三倍頻和四倍頻: 主要反映軸松動(dòng)、軸裂紋等故障;õ 高頻峰群: 可以反映軸承的故障, 并通過(guò)具體的頻率計(jì)算來(lái)分析確定圖上位置;õ 用倒頻譜分析和細(xì)化頻譜來(lái)查找齒輪和軸承故障。在時(shí)域內(nèi)尋找故障信息, 建立和識(shí)別故障特征, 主要應(yīng)考慮:
（1） 　檢查對(duì)應(yīng)轉(zhuǎn)速的振動(dòng)和相位;
（2） 　檢測(cè)轉(zhuǎn)速和噪聲, 來(lái)直接反映轉(zhuǎn)子運(yùn)行狀態(tài)的變化;
 離心機(jī)機(jī)械故障診斷專(zhuān)家系統(tǒng)設(shè)計(jì)及其應(yīng)用
（3） 　記錄軸心位置坐標(biāo)來(lái)反映轉(zhuǎn)子運(yùn)行、潤(rùn)滑情況等。
將上述信息進(jìn)行實(shí)時(shí)記錄和數(shù)據(jù)處理, 建成診斷數(shù)據(jù)庫(kù)和知識(shí)庫(kù), 作為診斷的基礎(chǔ)。建立的一級(jí)數(shù)據(jù)庫(kù)結(jié)構(gòu): 1）機(jī)型; 2） 測(cè)點(diǎn)代號(hào); 3） 日期; 4） 振動(dòng)波形; 5） 對(duì)應(yīng)轉(zhuǎn)速; 6）
軸心軌跡等等。二級(jí)數(shù)據(jù)庫(kù)為對(duì)應(yīng)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(dòng)響應(yīng)功率譜為基礎(chǔ), 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(shí)庫(kù)的確立中[4 ] , 除對(duì)上述典型故障的產(chǎn)生直接判別外, 同時(shí)用模糊數(shù)學(xué)的思想給出程度判斷和故障識(shí)別。我們知道, 機(jī)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(shí)上, 當(dāng)振幅小于某值時(shí), 但接近于某值時(shí)也包含異常的可能, 需要用一個(gè)隸屬度函數(shù)來(lái)表征故障的程度, 而且在處理一個(gè)故障引起其它并發(fā)故障的問(wèn)題時(shí), 通過(guò)建立模糊關(guān)系矩陣, 可以將各類(lèi)振動(dòng)信號(hào)特征的隸屬度變換成各類(lèi)故障的隸屬度。同時(shí), 模糊矩陣的建立中, 可以使本系統(tǒng)所具有自學(xué)習(xí)功能, 通過(guò)對(duì)知識(shí)的積累和學(xué)習(xí), 來(lái)自行產(chǎn)生符合處理對(duì)象的模糊診斷數(shù)據(jù)機(jī)制, 作出合理的判斷。在故障模式十分復(fù)雜的推理中, 基于神經(jīng)網(wǎng)絡(luò)的專(zhuān)家系統(tǒng)比較理想, 因?yàn)樯窠?jīng)網(wǎng)絡(luò)可以將問(wèn)題的特征變?yōu)閿?shù)字,將推理變?yōu)閿?shù)值計(jì)算, 這樣的推理過(guò)程比較簡(jiǎn)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(luò)的專(zhuān)家系統(tǒng)會(huì)在數(shù)據(jù)不充分時(shí), 自動(dòng)降級(jí)處理[5 ]。因此, 本系統(tǒng)的設(shè)計(jì)考慮采用規(guī)則與神經(jīng)網(wǎng)絡(luò)結(jié)合, 在判據(jù)不明顯或不夠時(shí)向用戶(hù)提出必要的詢(xún)問(wèn), 充實(shí)判據(jù), 使得出的結(jié)論更加貼切, 更具實(shí)效。
3　結(jié)束語(yǔ)
本文在離心機(jī)故障診斷理論基礎(chǔ)上, 應(yīng)用人工智能技術(shù), 結(jié)合發(fā)展, 系統(tǒng)地探討了離心機(jī)機(jī)械故障診斷專(zhuān)家系統(tǒng)的總體設(shè)計(jì), 給出了關(guān)鍵問(wèn)題的細(xì)節(jié)處理, 并以碟式分離心機(jī)為例給出具體應(yīng)用。與以往純理論性討論相區(qū)別, 本文提出的設(shè)計(jì)思想及正在開(kāi)展的研究工作, 可以將研究成果實(shí)時(shí)地轉(zhuǎn)化成為工業(yè)應(yīng)用, 為生產(chǎn)實(shí)際服務(wù)。