Papel técnico instalador de mantenimiento
Métodos de diagnóstico erróneo y procesamiento de información en el diagnóstico de fallas mecánicas
Resumen: El diagnóstico erróneo del estado mecánico es un reflejo distorsionado del estado mecánico, y existen muchas razones para el diagnóstico erróneo, incluida la inexactitud del diagnóstico. datos, falta de fiabilidad de la base de diagnóstico, razonamiento de diagnóstico irrazonable, etc. Las características de la información del estado mecánico juegan un papel importante en el diagnóstico de fallas mecánicas. El estudio de las características de la información tiene una importancia práctica para mejorar la tasa de diagnóstico de fallas y la confiabilidad del diagnóstico de fallas. En vista de la incertidumbre de la información de fallas adquirida, el artículo propone <. /p>
Presentar una teoría de método matemático que utilice la teoría de conjuntos aproximados para abordar la incertidumbre en el diagnóstico.
Palabras clave: diagnóstico de fallas; diagnóstico erróneo; información poco confiable; investigación
En el proceso de desarrollo del diagnóstico de fallas mecánicas, la mejora de la tasa de diagnóstico de fallas siempre ha sido un punto importante en la investigación. el diagnóstico erróneo de fallos Pero no atrajo suficiente atención por parte de la gente. Para profundizar sistemáticamente en el problema del diagnóstico erróneo en el diagnóstico de fallas mecánicas, se proporciona el significado y la clasificación del diagnóstico erróneo de acuerdo con el vínculo del proceso de razonamiento del diagnóstico de fallas mecánicas, y se analizan en detalle el mecanismo y las causas específicas del diagnóstico erróneo. En vista de las posibles causas de estos diagnósticos erróneos, proponemos métodos y medidas para reducir los diagnósticos erróneos.
Para mejorar la confiabilidad del diagnóstico de fallas mecánicas y reducir la tasa de diagnósticos erróneos, al tiempo que se garantiza la precisión de los datos de diagnóstico, el sistema de diagnóstico debe ser razonable, abierto y escalable, de modo que el conocimiento de diagnóstico pueda enriquecerse y enriquecerse continuamente. .
1 Razones del diagnóstico erróneo mecánico
A partir de las diferencias objetivas entre los resultados del diagnóstico y los objetos del diagnóstico, las conclusiones del diagnóstico de fallas se pueden dividir en diagnóstico confirmado, diagnóstico erróneo y diagnóstico erróneo. El diagnóstico confirmado es El fallo del objeto de diagnóstico es preciso. Un diagnóstico erróneo es la omisión de una avería. Un diagnóstico erróneo, como su nombre indica, es un diagnóstico erróneo, que también puede denominarse diagnóstico erróneo. Un diagnóstico erróneo se puede clasificar esencialmente como diagnóstico erróneo del dispositivo.
1.1 Complejidad de las fallas
En el proceso de diagnóstico de fallas, el proceso de falla del objeto de diagnóstico es complejo y cambiante, debido a la naturaleza y la naturaleza. De los factores que causan la falla, las características y modos de acción son diferentes, al igual que las condiciones mecánicas funcionales y las circunstancias específicas del daño, lo que resulta en diferentes formas de signos y evolución de la falla. A menudo es difícil reconocer de manera rápida y precisa la avería. naturaleza de la falla durante el diagnóstico, lo que lleva a un diagnóstico erróneo. Las manifestaciones específicas son las siguientes: Varios aspectos:
(1) Durante el proceso de desarrollo de una falla, una falla puede mostrar una variedad de síntomas de falla diferentes. Por ejemplo, en el diagnóstico de fallas del sistema hidráulico, la falla de la válvula de inversión electromagnética puede causar que la presión y el flujo del sistema no cumplan con los requisitos, la pulsación puede intensificarse y también puede causar que la temperatura de funcionamiento del sistema aumente. etc. Diferentes objetos de diagnóstico, incluso el mismo tipo de maquinaria, tienen reacciones diferentes ante el mismo fallo. Un sujeto puede reaccionar rápidamente, otro sujeto puede responder lentamente, un sujeto puede reaccionar violentamente a un determinado síntoma de un determinado mal funcionamiento, mientras que otro sujeto puede reaccionar más suavemente, etc.
(2) Pueden aparecer síntomas similares durante el proceso de desarrollo de diferentes fallas, y el mismo síntoma puede corresponder a múltiples formas de falla. Por ejemplo, en maquinaria rotativa, la aparición de varias fallas suele ir acompañada de un aumento de la vibración, y en el análisis en el dominio de la frecuencia, diferentes fallas pueden tener manifestaciones similares en el mismo multiplicador. Esta similitud en los síntomas de falla nos hace propensos a la confusión en el diagnóstico de fallas.
(3) En muchos casos, a medida que se desarrolla la falla, también puede causar fallas secundarias. Esta falla secundaria puede cubrir la falla original, o la falla original puede cubrir la falla secundaria, que. causará dificultades en el diagnóstico de fallas. Por ejemplo, en un sistema hidráulico, el grado de contaminación por aceite aumenta debido a algunas razones, lo que puede causar un desgaste grave de los pares móviles de la bomba hidráulica. Las partículas desgastadas se mezclan con el aceite, agravando aún más la contaminación por aceite y el desgaste. la bomba hidráulica causará la falla del sistema hidráulico, la falla de la bomba es causada por una falla primaria como la contaminación del aceite, y la falla primaria y la falla secundaria como el desgaste de la bomba se mezclan y se promueven entre sí, creando. un círculo vicioso, que aumenta el tiempo para encontrar la dificultad principal.
Para superar las dificultades causadas por la complejidad de los síntomas de falla en el diagnóstico de fallas, debemos ampliar nuestro pensamiento y no ceñirnos al pensamiento estrecho de fallas y síntomas típicos. Debemos comenzar desde la perspectiva del sistema y. llevar a cabo desde el entorno a la máquina y desde lo local Al conjunto, desde la etapa hasta el proceso, los síntomas, las causas y los mecanismos de falla se combinan y estudian orgánicamente para reducir la tasa de diagnóstico erróneo.
1.2 Incertidumbre en el conocimiento del diagnóstico
Debido a los diferentes niveles de complejidad y diferentes entornos de trabajo de los diversos equipos mecánicos, el conocimiento que obtenemos sobre fallas e imperfecciones. En términos generales, no podemos esperar a que una determinada falla ocurra por completo para sacar una conclusión, sino que debemos implementar un diagnóstico temprano y tomar medidas oportunas para evitar un mayor desarrollo de la falla. De esta manera, debemos hacer un diagnóstico basado en síntomas parciales de la falla. Fallo o ausencia de síntomas, lo que inevitablemente conduce a un diagnóstico erróneo.
Debido a la insuficiencia de datos de diagnóstico de fallas, la comprensión de las fallas es muy limitada, lo que dificulta un diagnóstico claro. A veces, las fallas con síntomas similares no se pueden eliminar por completo. A veces, las reglas generales de fallas sospechadas son consistentes con. Los síntomas de falla no son completamente consistentes, se descarta la posibilidad de una falla y falta una base suficiente para identificar una determinada falla. Por lo tanto, el proceso de razonamiento del diagnóstico de fallas es a menudo vago y tiene un cierto grado de incertidumbre.
En respuesta a esta situación, el estudio completo del objeto de diagnóstico de fallas, el establecimiento de un cuerpo de conocimiento difuso razonable y un motor de inferencia difusa y el uso de principios modernos de inteligencia artificial para implementar el diagnóstico están más en línea con la naturaleza del diagnóstico de fallas. y mejorará la fiabilidad del diagnóstico.
1.3 Relatividad de la teoría
Cualquier teoría siempre tiene limitaciones en comparación con el proceso de falla real. El equipo mecánico es un sistema que está compuesto por el medio ambiente y los seres humanos son diferentes. La teoría solo puede resumir en general situaciones específicas en la práctica del diagnóstico de fallas. Al mismo tiempo, la teoría está limitada por ciertas condiciones científicas y técnicas y todavía hay áreas que deben comprenderse.
Siempre existe una cierta distancia entre la teoría y los fallos concretos. En términos de estándares de diagnóstico de fallas, se resumen y formulan en función de síntomas típicos. Es posible que las fallas menos típicas no se ajusten a los estándares de diagnóstico. Si los estándares de diagnóstico se consideran dogmas y permanecen sin cambios, inevitablemente conducirán a diagnósticos erróneos.
En resumen, el sistema de diagnóstico que desarrollemos debe ser abierto y escalable, de modo que tenga la capacidad de mejorar continuamente, lo cual es una forma importante de reducir la tasa de diagnósticos erróneos.
1.4 Limitaciones de la práctica de diagnóstico
La práctica del diagnóstico de fallas es la base para la formación y el desarrollo del diagnóstico de fallas mecánicas. La investigación experimental sobre los fenómenos de fallas también es importante para obtener información relevante. Sin embargo, dado que existen diferencias entre la prueba y las condiciones reales de funcionamiento y el entorno de trabajo del sistema mecánico, las conclusiones extraídas deben tener ciertas limitaciones. Como tema del diagnóstico de fallas, las personas tienen una comprensión limitada del sistema mecánico y la práctica. del diagnóstico de fallas. Diferentes experiencias conducen a diferentes conclusiones. Por ejemplo, al observar una imagen mecánica, una persona experimentada ha acumulado una gran cantidad de conocimiento sobre fallas en su mente y, a menudo, puede captar con mayor precisión las condiciones de operación mecánica y sacar conclusiones de diagnóstico razonables. , especialmente Esto es especialmente cierto para el diagnóstico de fallas tempranas y fallas atípicas. Por tanto, debemos fortalecer los aspectos prácticos del diagnóstico y extraer de la práctica conocimientos útiles para ampliar y enriquecer nuestro sistema de diagnóstico.
1.5 Inexactitud en la adquisición de datos
En el proceso de diagnóstico de fallas, primero se deben obtener datos relevantes sobre el funcionamiento del sistema mecánico. Durante el funcionamiento de la maquinaria, a menudo se ve afectada por el entorno externo y diversos factores aleatorios, lo que hace que los datos obtenidos sean hasta cierto punto inexactos, lo que fácilmente puede conducir a diagnósticos erróneos. Por lo tanto, se deben adoptar los métodos de preprocesamiento de datos necesarios para reducir la influencia de factores aleatorios, eliminar elementos de tendencia, elementos singulares, etc., y mejorar la precisión de los datos, que también es una condición necesaria para reducir la tasa de diagnóstico erróneo.
1.6 El personal de diagnóstico no es profesional
La calidad del personal de diagnóstico también determina la precisión de la conclusión del diagnóstico. El conocimiento teórico, la experiencia práctica, el conocimiento de los métodos y la actitud del diagnosticador al realizar el diagnóstico de fallas pueden conducir a un diagnóstico erróneo. Al mismo tiempo, la capacidad de los diagnosticadores para aplicar conocimientos de manera integral, integrar la teoría con la práctica y ser buenos para resolver problemas prácticos también afectará las conclusiones del diagnóstico.
2 Extracción de información en el diagnóstico de fallas mecánicas
2.1 La extracción de información no es confiable
El diagnóstico de fallas mecánicas se divide en diagnóstico directo y diagnóstico indirecto, pero debido al equipo Debido a las limitaciones de las condiciones de trabajo, a menudo es difícil realizar un diagnóstico directo. Por lo tanto, a menudo se utiliza el diagnóstico indirecto, es decir, los cambios de estado de los componentes clave del equipo se juzgan indirectamente a través de información de diagnóstico secundario. Las pruebas de diagnóstico son un vínculo clave necesario para obtener información de diagnóstico secundaria. Los más comunes son las pruebas de vibración (desplazamiento, velocidad, aceleración) y las pruebas de sonido.
Sin embargo, los datos obtenidos pueden estar sesgados por diversos motivos.
Esto se refleja en tres aspectos: (1) los datos no reflejan correctamente la existencia objetiva; (2) la relación señal-ruido de los datos es baja (3) los datos están incompletos; Si estos datos inexactos se analizan como datos válidos, es probable que se produzca un diagnóstico erróneo.
2.2 Procesamiento de información inexacto
Poder extraer de forma rápida y eficaz características que reflejen la información de fallas de la máquina es la clave para el diagnóstico de fallas mecánicas. Las características de diagnóstico se obtienen principalmente analizando y procesando las señales recopiladas por el equipo. Estas características pueden ser algunas características simples en el dominio del tiempo, como valor pico a pico, valor cuadrático medio, curtosis, etc., o características de parámetros de proceso, como temperatura del aceite, presión del aceite, etc., así como algunas características complejas. características del dominio de la frecuencia y características basadas en el espectro holográfico, como la elipse de frecuencia y la trayectoria del eje, etc.
En la actualidad, están surgiendo sin cesar varios métodos de extracción de características, como simulación estadística, análisis de ondas, análisis de componentes independientes, análisis de dominio de frecuencia, análisis de espectro holográfico, etc., que brindan soluciones efectivas para la extracción de características de diagnóstico. objetos. En la aplicación, muchos métodos tienen requisitos previos para su aplicación. Además, varios métodos pueden tener limitaciones y problemas de precisión matemática en diferentes aplicaciones. En aplicaciones prácticas, si no se detectan, pueden producirse diagnósticos erróneos.
2.3 Información imperfecta
Para un objeto de diagnóstico, si su estado operativo es complejo, puede resultar difícil obtener información precisa debido a limitaciones en las condiciones y medios objetivos. se dan, reflejados principalmente en los siguientes tres aspectos:
(1) Información incompleta. En la práctica del diagnóstico no existe una correspondencia uno a uno entre los fallos y la información de diagnóstico. Una información corresponde a múltiples fallas diferentes, y una falla también está representada por múltiples piezas de información diferentes. Esto requiere suficiente información útil para distinguir diferentes fallas. De lo contrario, puede producirse un diagnóstico erróneo.
(2) La información es inconsistente. La inconsistencia en la información diagnóstica también es un fenómeno común en la práctica del diagnóstico. Existe un cierto grado de conflicto entre estos mensajes. Es decir, alguna información respalda en gran medida la falla F1 y niega la falla F2, por el contrario, otra información respalda la falla F2 pero niega la falla F1; En este momento, es fácil que se produzcan diagnósticos erróneos.
(3)La información es incierta. La información de diagnóstico del objeto de diagnóstico ha experimentado muchos canales de transmisión y su incertidumbre puede ser pequeña o grande, como sensores, líneas de transmisión, etc., todos los cuales afectan su certeza. Además, existen incertidumbres resultantes de la conversión entre información cualitativa y cuantitativa.
3 Medidas para mejorar la fiabilidad de la información y reducir los diagnósticos erróneos
3.1 Mejorar la precisión de las pruebas diagnósticas
Mejorar la precisión de las pruebas diagnósticas es garantizar la fiabilidad de las pruebas diagnósticas datos requisito previo importante para el sexo. Puede comenzar con los siguientes cuatro aspectos: (1) Realizar inspecciones periódicas de los sensores; (2) Considerar el uso de múltiples sensores para la medición (3) Usar líneas de transmisión confiables (4) Configurar correctamente los parámetros de muestreo;
3.2 Mejorar la confiabilidad de los sistemas de diagnóstico
Con las necesidades de operación y mantenimiento de equipos, diversos sistemas de análisis de diagnóstico en línea, fuera de línea, remotos y otros, así como redes neuronales artificiales. , Los sistemas de diagnóstico inteligentes de Bayeux, como la red de Sri Lanka y los sistemas expertos, se utilizan gradualmente para el diagnóstico de fallas mecánicas, lo que no solo brinda mucha comodidad para diagnosticar fallas, sino que también aumenta la posibilidad de diagnósticos erróneos de fallas mecánicas. Desarrollar sistemas de diagnóstico razonables, completos y eficaces para mejorar su confiabilidad en la extracción de características o el razonamiento diagnóstico ayudará a reducir la tasa de diagnósticos erróneos.
3.3 Fortalecer la objetividad de la descripción de la información de diagnóstico
La importancia de la información de diagnóstico en el diagnóstico de fallas mecánicas es evidente y su expresión está relacionada con si la descripción es razonable y preciso para determinar si los resultados del razonamiento diagnóstico son correctos o no. Sin embargo, en la práctica del diagnóstico, la información de diagnóstico incluye información tanto cualitativa como cuantitativa; contiene tanto información simple como información compleja; hay información cierta e información incierta; En el proceso de razonamiento diagnóstico, la información cuantitativa a menudo se convierte en información cualitativa. Por ejemplo, una "vibración de 70},m" se describe como "una vibración grande", etc.
La teoría de la probabilidad y las matemáticas difusas son herramientas poderosas para describir esta información. Por lo tanto, se pueden considerar métodos apropiados para integrar la teoría de la probabilidad y la teoría de las matemáticas difusas en la expresión de información y descripción del diagnóstico de fallas para mejorar la objetividad de su descripción.
4 Tratamiento de la incertidumbre de la información en la teoría aproximada de conjuntos
La información que incluye información aleatoria, información indeterminada, información difusa e información gris es al menos información de una sola forma. Se combinan orgánicamente dos tipos de información como información ciega, y las teorías y métodos de la teoría de la probabilidad, la teoría difusa, las matemáticas grises y las matemáticas desconocidas, es decir, las teorías y métodos de las matemáticas de incertidumbre, y se propone o propone una determinada teoría y método. Este método procesa información con patrones de características similares o diferentes para obtener información fusionada, mejorando así la incertidumbre, la ambigüedad y la contradicción de la información.
La teoría de conjuntos aproximados es una herramienta matemática eficaz para abordar conocimientos confusos e inciertos, y se ha utilizado con éxito en la clasificación y adquisición de conocimientos. La diferencia entre el método de la teoría aproximada de conjuntos y los métodos de "ciencia blanda", como el método de redes neuronales, el algoritmo genético, el método de la teoría de conjuntos difusos, la teoría del caos, etc., es que solo utiliza la información proporcionada por los propios datos y no requiere ninguna información adicional o conocimientos previos, como evidencia, asignación de probabilidad básica en teoría, función de membresía en teoría de conjuntos difusos, distribución de probabilidad en estadística, etc. El método de conjunto aproximado se basa en la clasificación de datos de observación y medición, procesa directamente el resultado medible. del objeto y elimina la información redundante y la información conflictiva se puede utilizar para encontrar las leyes inherentes del problema, por lo que la teoría de conjuntos aproximada es más práctica que otros métodos de "computación blanda". Pasos generales para el diagnóstico basado en la teoría aproximada de conjuntos:
(1) Establecimiento de la base de conocimientos Utilice los datos históricos o de simulación recopilados para generar una tabla de información de fallas del sistema de diagnóstico conjunto, que luego se expresa en forma de conocimiento. base S=(U, A, D, V, f) La base de conocimientos se puede dividir en un espacio de objetos no vacío U = 3x>> xz,…, xm(, espacio de conjunto de atributos R=AV D, subconjunto A= }dl } a2 }…, do } y el subconjunto D=}df se denominan atributos condicionales y atributos de resultado respectivamente, y existen relaciones de atributos de objeto f8 y nueve entre el espacio de objetos y los dos últimos, es decir, para eA, f8: ' se llama función de información, er. :U}Vd se llama función de decisión, Va e yd son los dominios de valores finitos de A y D respectivamente
(2) Discretización de datos Los métodos de discretización de datos incluyen distancias iguales El algoritmo de partición, el algoritmo de partición de igual frecuencia, el algoritmo NaiveScaler, el algoritmo basado en la importancia de los atributos y el algoritmo de importancia del punto de interrupción, así como los algoritmos que combinan la lógica booleana y la teoría aproximada de conjuntos, etc., hacen que los valores de los atributos condicionales y los atributos de toma de decisiones sean un espacio de incertidumbre continuo, y la discretización de datos es el preprocesamiento de datos utilizando la teoría de conjuntos aproximados
(3) La extracción de características encuentra M características de datos a partir de las N características de datos originales, y las M características de datos simplificadas tienen la misma capacidad de clasificación que las espacio de objetos U que el N original. Las capacidades de clasificación de las características de los datos son las mismas (N, M). Este proceso se denomina extracción de características. Los métodos de extracción de características comúnmente utilizados incluyen la reducción mínima basada en la importancia del atributo y la simplificación lógica basada en la matriz de diferencias. y función de diferencia, y teoría de inclusión. El método utiliza la reducción de distribución máxima, la reducción de atributos basada en una calidad de aproximación inferior invariante y la extracción de características basada en una calidad de aproximación superior para reducir los atributos condicionales cuando hay contaminación acústica, eliminando así los atributos condicionales redundantes. /p>
(4) El conjunto de reglas extraído por la aplicación de reglas se puede utilizar para clasificar nuevos objetos. Este conjunto de reglas se denomina "clasificador" y se representa mediante RUL cuando el clasificador encuentra un nuevo objeto x y luego busca. para reglas que coinciden con los atributos condicionales de Mechanical Fault Diagnosis. Shanghai: Shanghai Science and Technology Press, 1986
2 Liu Zhenhua, Chen Xiaohong Jinan: Shandong Science and Technology Press, 2001
<. p>3 Qu Liangsheng, Wu Songtao. Algunas aplicaciones de simulación estadística en diagnóstico de ingeniería, pruebas y diagnóstico, 2001, 21 (3): 157-167.