大型風電場全壽命預(yù)估系統(tǒng)研究報告

項目簡 研究的背景、意義及目 研究背 研究的意 研究目 研究現(xiàn) 風電機組傳動鏈狀態(tài)監(jiān)測技術(shù)概 風電機組傳動鏈故障診斷技術(shù)現(xiàn) 風電機組傳動鏈預(yù)估技術(shù)概 風電機組傳動鏈故障診斷及預(yù)估的特 參考文 關(guān)鍵技術(shù)及創(chuàng)新 研究內(nèi) 狀態(tài)數(shù)據(jù)庫的建 狀態(tài)數(shù)據(jù)庫運行參數(shù)及特征向 數(shù)據(jù)歸一 小 信號濾波方法研 經(jīng)典濾波方 小波濾波方 自適應(yīng)濾波方法研 基于空間相關(guān)分析的自適應(yīng)濾波方 小 故障診斷方法研 頻域分 希爾伯特分 經(jīng)驗?zāi)B(tài)分 小波分解算 基于Hilbert變換和小波分析的故障診斷方 小 因果網(wǎng)絡(luò)分析方法研 風電機組傳動鏈結(jié)構(gòu)及故障模 故障樹的建 故障因果網(wǎng) 案例分 小 故障部件預(yù)測方法研 故障趨勢預(yù)測的基本理 故障部件的殘余分 現(xiàn)場數(shù)據(jù)驗 小 策略研 狀態(tài)體系建 發(fā)電量損失統(tǒng) 案例分 小 軟件平臺設(shè) 軟件平臺總體結(jié) 登陸界 操作選擇界 數(shù)據(jù)管 信號處理算 故障診 預(yù) 結(jié)論與展 結(jié) 展 研究成 之后的第三大電源預(yù)計2020年達到2億千而在風力發(fā)電行業(yè)迅猛發(fā)展的過程中，風電機組投入運行后，主要成本為運行成本。在風電機組使用初期運行成本約占總成本的10%~15%，經(jīng)過長時間的磨損和老化后，在接近機組使用時，風機的運行成本約占總成本的20%~35%。由此可見，隨著風機運行時間的增長，疲勞故障率隨之增加，運行成本將成倍增加。故障診斷與預(yù)測方法，提高風電機組的故障與風場設(shè)備的能力，提高生產(chǎn)機組。在已安裝的風電機組中，DFIG70%以上。本項根據(jù)風電運營系統(tǒng)現(xiàn)有的狀態(tài)監(jiān)測參數(shù)以及傳動鏈故障分析所需要的數(shù)據(jù)，完了功率對特征向量的影響。通過分析不同測點間故障特號的管理，利用自適應(yīng)濾波的方式，提高了特號的準確度。通過調(diào)研分析風電機組傳動鏈的故障類型、故障來障的發(fā)展趨勢預(yù)估故障部件的殘余通過分析故障部件對風電機組發(fā)電量的影響， 研究背國、科技界和人民大眾的關(guān)注焦點。0 200120022003200420052006200720082009201020112012年份（年全球累計裝機容量0 200120022003200420052006200720082009201020112012年份（年全球累計裝機容量12000-2013200130%足當?shù)刈钚∝摵傻男枨蟆?0 年份（年累計裝機容量力度最強的國家，并且自2010年起，風電總裝機容量已經(jīng)躍居世界第一。下圖繪出了截止到2014年7月全球的風電裝機容量分布餅圖，可以看到，以明顯的320147先進天然氣聯(lián)合循環(huán)火電先進天然氣聯(lián)合循環(huán)火電內(nèi)陸風電先進天然氣燃氣輪機發(fā)電生物發(fā)電能光伏發(fā)電能熱電0 電量均攤成本圖42012年電量均攤成風電機組投入運行后，主要成本為運行成本。在風電機組使用初期運行成本約占總成本的10%~15%，經(jīng)過長時間的磨損和老化后，在接近機組使用時，風機的運行成本約占總成本的20%~35%。由此可見，隨著風機運行時間的增長，疲勞故障率隨之增加，運行成本將成倍增加。5、風電機組部件的主要故障部位包括電子元件電力設(shè)備傳感器輪轂系統(tǒng)、時間短機械設(shè)備故障率低但時間長隨著風電機組運行時間的增長齒輪箱、6的和管理，減少故障停機造成的損失。命，可以提高風場的風機管理水平和水平。研究的意度和的預(yù)測精度，進而提高風電機組的可靠性，為人員合理的安排方案提研究目庫所需要點及特征變量；并根據(jù)風電機組的運行特點，對風電機組傳動鏈故障進行識別建立風電機組傳動鏈故障樹對風電機組傳動鏈中關(guān)鍵部件進行殘余預(yù)測。在故障診斷 預(yù)測的基礎(chǔ)上提出基于可靠性 策略為風場 提供指導(dǎo)故障診斷技術(shù)是保障機械設(shè)備和系統(tǒng)安全穩(wěn)定運行的重要技術(shù)，已經(jīng)在許多工動性能和制動性能好等優(yōu)點，占到了風機市場份額的50%以上[2]。其傳動系統(tǒng)主要由齒雜，振動信號成分更加復(fù)雜，故障分析及診斷更加。故障振動信號難以診斷的主要特點體現(xiàn)在[3]：振動信號的多模式以及振動傳輸路徑的復(fù)雜導(dǎo)致故障響應(yīng)微弱；載荷的大范圍波動引起振動非平穩(wěn)性；多對齒輪擬合的振動相互耦合造成振動明顯的非線性多種因素造成齒輪箱的動態(tài)振動響應(yīng)信號頻譜分布復(fù)雜多樣故障識別。風電機組傳動鏈狀態(tài)監(jiān)測技術(shù)概測包括：風電機組運行參數(shù)監(jiān)測技術(shù)、油液分析技術(shù)、振動監(jiān)測技術(shù)等。具置[8,9]。振動監(jiān)測技術(shù)仍然是旋轉(zhuǎn)機械的主要監(jiān)測,當傳動鏈中存在故障部件振動監(jiān)測技術(shù)是風電機組傳動鏈最常用的監(jiān)測技術(shù)。國外狀態(tài)監(jiān)測技術(shù)發(fā)展得比較早，有專門用于風電機組的監(jiān)測設(shè)備及分析軟件如ntlyvdaorportio（）的產(chǎn)品rndmaterPr()，用Sytem1DQ軟件對（pruftehnik）IE、IET()，用ILENIIN軟件對的數(shù)據(jù)進行分析，方法為時域分析、FFT分析、包SF公司aon（風電機組傳動鏈的狀態(tài)監(jiān)測系統(tǒng)Proon軟件對的數(shù)據(jù)進行分析，方法為時域分析、FT分析、包絡(luò)分析；德國flndr公司的inegyG子公司應(yīng)用FLEERSrvivebH狀態(tài)監(jiān)測系統(tǒng)，持續(xù)地檢驗風電機組的和保養(yǎng)。新西蘭umingPoint公司，umingPoinTMntFFT分析、時域波形分析等方法對軸承、齒輪箱、發(fā)電機故障進行診斷[10]。；技的ZNWP1000狀態(tài)監(jiān)測系統(tǒng)，利用SCADA系統(tǒng)風機現(xiàn)場的振動WPMS1000風力發(fā)電機組振動狀態(tài)監(jiān)測系統(tǒng)，通過以太網(wǎng)將振動信息和轉(zhuǎn)速信息傳輸?shù)脑\斷中心進行診斷中能聯(lián)創(chuàng)風電技術(shù)采用手持振動測量設(shè)備采；風電機組傳動鏈故障診斷技術(shù)現(xiàn)McNiff的研究[23]，軸承故障是機組齒輪箱故障的重要誘導(dǎo)因素，特別是針對風電機組傳動鏈中故障的診斷技術(shù)主要包括信號分析技術(shù)和人工智能分析技術(shù)[1,3,11,12]。對傳動鏈上的狀態(tài)監(jiān)測信號分析方法主要包括：時域分析方法、頻域分析方27-29]、隱馬爾科夫鏈[30,31]等風電機組傳動鏈預(yù)估技術(shù)概這些特征值可以預(yù)測故障部件的殘余。合理的故障部件殘余預(yù)測，能夠使風場工作制定合 計劃提供參考。目前，針對旋轉(zhuǎn)機械部件 預(yù)測方法主要有三種。根據(jù)所收集的產(chǎn)品失效數(shù)據(jù)，用數(shù)理統(tǒng)計的理論得到產(chǎn)品的分布。利用產(chǎn)品基于數(shù)據(jù)驅(qū)動的預(yù)測方法利用粗糙的監(jiān)測數(shù)據(jù)建立信息與行為的模型該模工智能如神經(jīng)網(wǎng)絡(luò)[35]貝葉斯網(wǎng)絡(luò)[36]自回歸模型[37]或統(tǒng)計學習方法[38,39]等根據(jù)模型和實際測量的數(shù)據(jù)來預(yù)測故障部件的剩余。風電機組傳動鏈故障診斷及預(yù)估的特風電機組傳動鏈故障診斷及預(yù)估分析的特點主要體現(xiàn)在以下幾個方面低頻成分噪聲污染嚴重，故障特征提取，故障微弱特征提取更是難上加難?；旌陷喯谍X輪箱的多模式和振動傳輸路徑復(fù)雜導(dǎo)致故障相應(yīng)微弱，除了齒殘余預(yù)測模型的復(fù)雜性增加，預(yù)測的準確度降低。參考文HameedZ.,HongY.S.,ChoY.M.,etal.Conditionmonitoringandfaultdetectionofwindturbinesandrelatedalgorithms:Areview[J].RenewableandSustainableEnergyReviews,2009,13(1):1-39.StefanFaulstich,MichaelDurstewitz,BertholdHahn,etal.WindenergyReportGermany2008[R].Kassel:InstitutfürSolareEnergieversorgungstechnik,2008.,何正嘉,林京等.行星齒輪箱故障診斷技術(shù)的研究進展[J].機械工程學報,2011,(19):59-67.傅質(zhì)馨,袁越.海上風電機組狀態(tài)技術(shù)研究現(xiàn)狀與展望[J].電力系統(tǒng)自動化,2012,36(21):121-129.Abdusamad,K.B.,GaoW.D.,MuljadiE.Aconditionmonitoringsystemforwindturbinegeneratortemperaturebyapplyingmultiplelinearregressionmodel[A].2013NorthAmericanPowerSymposium[C].IEEE,2013:1-8.An,X.L.,JiangD.X.,Liu,S.Q.,etal.Correlationysisofoiltemperaturetrendforwindturbinegearbox[A].ASME2010InternationalDesignEngineeringTechnicalConferencesandComputersandInformationinEngineeringConference[C],AmericanSocietyofMechanicalEngineers,2010:1-4.Guo,P.,InfieldD.,YangX.Y.WindTurbineGeneratorCondition-MonitoringUsingTemperatureTrendysis[J].IEEETransactionsonSustainableEnergy,2012,3(1):HamiltonA.,QuailF.DetailedStateoftheArtReviewfortheDifferentOnline/InlineOilysisTechniquesinContextofWindTurbineGearboxes[J].JournalofTribology,2011,133(4):1-FernandesC.M.C.G.,MartinsR.C.,SeabraJ.H.O.Frictiontorqueofthrustballbearingslubricatedwithwindturbinegearoils[J].TribologyInternational,2013,58:47-54.單光坤.兆瓦級風電機組狀態(tài)監(jiān)測及故障診斷研究[D].沈陽:沈陽工業(yè)大學,LuW.X,ChuF.L.Conditionmonitoringandfaultdiagnosticsofwindturbines[C].2010PrognosticsandSystemHealthManagementConference[C].IEEE,2010:1-11.WangF.T.,ZhangL.,ZhangB.,etal.DevelopmentofWindTurbineGearboxDataysisandFaultDiagnosisSystem[A].2011Asia-PacificPowerandEnergyEngineeringConference[C].IEEE,2011:1-4.Li,Z.,FengZ.,ChuF.L.Aloadidentificationmethodbasedonwaveletmulti-resolutionysis[J].JournalofSoundandVibration,2014,333(2):381-391.YangW.X.,TavnerP.J.,WilkinsonM.Conditionmonitoringandfaultdiagnosisofawindturbinewithasynchronousgeneratorusingwavelettransforms[A].20084thIETConferenceonPowerElectronics,MachinesandDrives[C].IEEE,2008:6-10.Fan,X.F.,ZuoM.J.GearboxfaultdetectionusingHilbertandwaveletpackettransform[J].MechanicalSystemsandSignalProcessing,2006,20(4):966-982.Feng,Z.P.,ZhangJ.,HaoR.J.,etal.Time-WaveletEnergySpectralysisforFaultDiagnosisofRollingElementBearings[J].AppliedMechanicsandMaterials,2010,34-35:655-660.Lv,Y.G.,ZhaoQ.N.Wavelet-mathematicalmorphologyandenvelopespectrumysisinwindpowergeneratorgearboxfaultdiagnosis[A].2013NinthInternationalConferenceonNaturalComputation(ICNC)[C].IEEE,2013:1469-1473.Li,Y.Y.AdiscussiononusingEmpiricalMode positionforincipientfaultdetectionanddiagnosisofthewindturbinegearbox[A].2010WorldNon-Grid-ConnectedWindPowerandEnergyConference[C].IEEE,2010:1-5.Wang,K.S.,HeynsP.S.Anempiricalre-samplingmethodonintrinsicmodefunctiontodealwithspeedvariationinmachinefaultdiagnostics[J].AppliedSoftComputing,2011,11(8):5015-5027.Feng,Z.P.,ZuoM.J.,HaoR.J.,etal.EnsembleEmpiricalMode TeagerEnergySpectrumforBearingFaultDiagnosis[J].JournalofVibrationandAcoustics,2013,135(3):1-21.Feng,Z.P.,LiangM.,ZhangY.,etal.Faultdiagnosisforwindturbineplanetarygearboxesviademodulationysisbasedonensembleempiricalmode positionandenergyseparation[J].RenewableEnergy,2012,47:112-126.Liu,B.,RiemenschneiderS.,XuY.GearboxfaultdiagnosisusingempiricalmodepositionandHilbertspectrum[J].MechanicalSystemsandSignalProcessing,2006,20(3):718-Zhang,X.Y.,ZhouJ.Z.Multi-faultdiagnosisforrollingelementbearingsbasedonensembleempiricalmode positionandoptimizedsupportvectormachines[J].MechanicalSystemsandSignalProcessing,2013,41(1-2):127-140.PatrickR.,OrchardM.E.,ZhangB.,etal.Anintegratedapproachtohelicopterplanetarygearfaultdiagnosisandfailureprognosis[A].Autotestcon,2007IEEE[C].IEEE,2007:Schlechtingen,M.,SantosF.I.Comparativeysisofneuralnetworkandregressionbasedconditionmonitoringapproachesforwindturbinefaultdetection[J].MechanicalSystemsandSignalProcessing,2011,25(5):1849-1875.Yang,S.L.,LiW.H.,WangC.L.Theinligentfaultdiagnosisofwindturbinegearboxbasedonartificialneuralnetwork[A].2008InternationalConferenceonConditionMonitoringandDiagnosis[C].IEEE,2008:1327-1330.Hao,R.J.,PengZ.K.,FengZ.P.,etal.,Applicationofsupportvectormachinebasedonpatternspectrumentropyinfaultdiagnosticsofrollingelementbearings[J].MeasurementScienceandTechnology,2011,22:1-13.AbbasionS.,RafsanjaniA.,FarshidianfarA.,etal.Rollingelementbearingsmulti-faultclassificationbasedonthewaveletdenoisingandsupportvectormachine[J].MechanicalSystemsandSignalProcessing,2007,21(7):2933-2945.安學利,趙明浩,蔣東翔等.基于支持向量機和多源信息的直驅(qū)風力發(fā)電機組故障診斷[J].電網(wǎng)技術(shù),2011,35(4):117-122.Yu,J.EarlyFaultDetectionforGearShaftandPlanetaryGearBasedonWaveletandHiddenMarkovModeling[D].Toronto:UniversityofToronto2011.PaoloC.,BiagioA.,AntonellaL.,etal.MachineryFaultsDetectionandForecastingUsingHiddenMarkovModels[A].8thBiennialASMEConferenceonEngineeringSystemsDesignandysis[C].ASME,2006:1-7.馬.風電機組齒輪箱故障趨勢預(yù)測方法研究[D].:華北電力大學,,,鐘群鵬.汽車前軸的疲勞試驗及其疲勞的預(yù)測[J].金屬熱處理,2007(z1):56-58.凌丹.威布爾分布模型及其在機械可靠性中的應(yīng)用研究[D].:電子科技大學,Schlechtingen,M.,SantosF.I.Comparativeysisofneuralnetworkandregressionbasedconditionmonitoringapproachesforwindturbinefaultdetection[J].MechanicalSystemsandSignalProcessing,2011,25(5):1849-1875.SutrisnoE.,OhH.,VasanA.,etal.Estimationofremainingusefullifeofballbearingsusingdatadrivenmethodologies[A].2012IEEEConferenceonPrognosticsandHealthManagement[C].IEEE,2012:1-7.Qian,Y.N.,HuS.J.,YanR.Q.Bearingperformancedegradationevaluationusingrecurrenceficationysisandauto-regressionmodel[C].2013IEEEInternationalInstrumentationandMeasurementTechnologyConference(I2MTC)[C].IEEE,2013:1713-1716.Tobon-Mejia,D.A.,MedjaherK.,ZerhouniN.,etal.AData-DrivenFailurePrognosticsMethodBasedonMixtureofGaussiansHiddenMarkovModels[J].IEEETransactionsonReliability,2012,61(2):491-503.孫磊,賈云獻,等.粒子濾波參數(shù)估計方法在齒輪箱剩余預(yù)測中的應(yīng)用研究[J].振動與沖擊,2013(06):12-23.1-范數(shù)的歸一化方法，降低了發(fā)電功率對振動特征值的影響，提高了故1-低了功率對振動信號的影響。采用多傳感器融合的方法提高了齒輪箱故障診斷的精度[創(chuàng)新點]基于數(shù)據(jù)驅(qū)動的風電機組故障部件的剩余研究[創(chuàng)新點]發(fā)展因子的影響，利用BP神經(jīng)網(wǎng)絡(luò)建立了故障部件的剩余分析模型，利用該模型來預(yù)測故障部件的剩余。建立了以經(jīng)濟效益為目標的可靠性策略[創(chuàng)新點]衡方案，以減少風電機組的停機時間，提高風場的經(jīng)濟效益為目標。設(shè)計了軟件測試平臺，對研究的算法進試對風電機組傳動鏈中的關(guān)鍵部件進行故障趨勢研究，建立故障部件的殘余分析模型，確定部件的殘余。在故障診斷及預(yù)測的基礎(chǔ)上，建立起完整的、有針對性、有計劃的風電機組均衡方案，以減少風電機組的停機時間，提高風場的經(jīng)濟效益。建立數(shù)據(jù)分析平臺，對研究的算法及應(yīng)用效果進試狀態(tài)數(shù)據(jù)庫的表 時12表 葉1234槳葉角度槳葉角度槳葉角度槳葉設(shè)定值槳葉設(shè)定值槳葉設(shè)定值表 主1234主軸承振動（向5表 123434567A8Benvironmenttemp.oftemp.ofhidraulic表 123A4B5C6A7B8C表 12345678kurtosis9base2233445566,,xpmax(xi

i

ixx,ZXi 式中Zi為標準化后數(shù)值Xi為原始數(shù)據(jù)XXi的均值；S為標準差[0,1]Zi

Ximin(Xi)max(Xi)min(Xi)式中max(Xi和min(Xi)分別為Xi的最大值和最小值XZi XX

nxx2n

,i, xx,

i,（6）,nnx1,,

i1xxxf 1xx

i-850機組實時數(shù)據(jù)進行分析得出04m/2081012號機組進行12-151000~1750rpm1250~1750rpm。 圖 南日一、二期8 圖 南日一、二期10 0012345600123456xx0

圖 南日三期1

x 圖 南日三期2變，通過功率隨風功率的變化而變化，在200Kw到400Kw的時候轉(zhuǎn)速上升，功率也線400Kw時，控制轉(zhuǎn)速不變，通過調(diào)節(jié)功率來增加風能的轉(zhuǎn)換率。 0

0 圖 的變化規(guī)律，從圖中可以看出B12，B14風電機組的振動測量正常，B13風電機組中部分均值偏離零點較大，系統(tǒng)可能存在著某些間歇異常，診斷的準確性降低，而B17振動 幅值（幅值（m/s

幅值（幅值（m/s

0 1幅值（幅值（m/s0

B014均值隨功率的變化 功率（

幅值（幅值（m/s0

B017均值隨功率的變化 功率（ 圖 以看出當功率達到350kW以上振動信號的峰值在一定范圍內(nèi)波動在功率為150kW350kW之間振動信號峰值隨著功率的上升而增大。當齒輪箱或者軸承存在故障時，350kW時，振動信號的峰值增大，但故障程度不同風電機組的振動信號峰值不同。發(fā)電功率在150kW到350kW時，故障機組振動信號的峰值隨著發(fā)電功率B012峰值隨功率的變化幅值（幅值（m/s0 功率（

B013峰值隨功率的變化幅值（幅值（m/s50 功率（ B036峰值隨功率的變化幅值（幅值（m/s50 功率（

B042峰值隨功率的變化幅值（幅值（m/s0 功率（ 圖 xx350kW以上，振動信號的能量在一定范圍內(nèi)波動；在功率為200kW到350kW之間振動信號能量隨著功率的上升而增大。當齒輪箱或者軸承存350kW時，振動信號的能量增大，但故障程度不同風電機組的振動信號能量不同。發(fā)電功率在200kW到350kW時，故障機組振動信號的xx2幅值（幅值（m/s100 0 功率（a功率（b

B012能量隨功率的變化

2幅值（幅值（m/s10

B013能量隨功率的變化xB036能量隨功率的變化x幅值（幅值（m/s86

54幅值（幅值（m/s2

B042能量隨功率的變化420

xx1

功率（ 功率（ 圖 （5）1下圖為信號的1-150kW到400kW1400kW時振動信號的1范數(shù)值范圍不變因此考慮振動分析的時候可以在功率大于400kW的范圍，150kW400kW的范圍，但在這個范圍內(nèi)需要考慮功率的影響。2幅值（幅值（m/s10

B0121范數(shù)隨功率的變化x x功率（

2幅值（幅值（m/s10

B0131范數(shù)隨功率的變化x x功率（ xB0361x幅值（幅值（m/s642

B0421范數(shù)隨功率的變化xx幅值（幅值（m/s6420

功率（ 功率（ 圖 150kW350kW幅值（幅值（m/s0

B012峰峰值隨功率的變化 功率（

B013峰峰值隨功率的變化幅值（幅值（m/s0 功率（ B036峰峰值隨功率的變化幅值（幅值（m/s0 功率（

幅值（幅值（m/s0

B042峰峰值隨功率的變化 功率（ 圖 下圖是振動信號有效值隨功率的變化規(guī)律從圖中可以看功率150kW到350kW350kW時振動信號有B012有效值隨功率的變化876幅值（幅值（m/s4321

B013有效值隨功率的變化765幅值（幅值（m/s3210 功率（

功率（ B036有效值隨功率的變化幅值（幅值（m/s5

B042有效值隨功率的變化幅值（幅值（m/s50

功率（ 功率（ 圖 B012峭度指標隨功率的變化幅值（幅值（m/s50 功率（

B013峭度指標隨功率的變化98幅值（幅值（m/s65432 功率（ B036峭度指標隨功率的變化幅值（幅值（m/s0 功率（

B042峭度指標隨功率的變化幅值（幅值（m/s50 功率（ 圖 21幅值（幅值（m/s0

B012脈沖指標隨功率的變化x x功率（

B013脈沖指標隨功率的變化xx21幅值（幅值（m/s 功率（ xB036x86幅值（幅值（m/s20 功率（

B042脈沖指標隨功率的變化xx42幅值（幅值（m/s 功率（ 圖 10112為不同機組用1-范數(shù)歸一化方法能夠降低功率對特征值的影響，進而提高了故障判別的精度。圖

B012未歸一化包絡(luò)轉(zhuǎn)頻

143幅值幅值21

幅值幅值0 功率（

0 功率（

1 幅值幅值 幅值幅值50 功率（

0 功率（ 幅值幅值

幅值幅值

0 功率（

0 功率（ 幅值幅值0 功率（21B012B042未歸一化包絡(luò)轉(zhuǎn)頻1

1 幅值幅值 幅值幅值 0 功率（

0 功率（ 9876幅值5幅值4

1幅值幅值

0 功率（

0 功率（

幅值幅值

幅值幅值 0 功率（

0 功率（ x

654幅值3幅值210 功率（22B042建立了風電機組狀態(tài)數(shù)據(jù)庫，分析了狀態(tài)數(shù)據(jù)庫中參數(shù)以及故障診斷信號濾波方法FIRNy(n) h(k)x(nk)kIR

NH(z) y(n)aky(nk)bkx(nk

k

kbbkNH(z) Nk1akkFIR濾波器可以對給定的頻率特性進行直接設(shè)計，而IIR濾波器一般利用成模擬濾波器的設(shè)計方法來設(shè)計。FIR濾波器具有線性相位。設(shè)計一個FIR濾波器對的齒輪箱高速軸振動信號進行濾波分析濾波后的效果。測試數(shù)據(jù)的采樣頻率為2500Hz，設(shè)計的帶通濾波器的通頻帶為450~700Hz。濾波器的幅頻響應(yīng)和相頻響應(yīng)如圖1所示，設(shè)計的濾波器的低頻阻帶衰減為-60dB，高頻阻帶衰27234567 - -- -- -PhasePhase- -- -- -- --

Frequency

-圖 故障信

故障信0

0

5001000150020002500300035004000

1000102010401060108011001120114011601180 圖 故障信號濾波

故障信號濾波

5001000150020002500300035004000

1000102010401060108011001120114011601180 圖 故障信號原始包絡(luò)譜3

故障信號濾波后包絡(luò)譜1

2 1

0

0 28正常信

正常信

5001000150020002500300035004000

1000102010401060108011001120114011601180 29正常信號濾波

正常信號濾波5

5001000150020002500300035004000

1000102010401060108011001120114011601180 圖

正常信號原始包絡(luò)譜

正常信號濾波后包絡(luò)譜

0

0 圖 （1）（2）（3）2logN（2.582logN

Wj,k

Wj,k

Wj,kWj,k

Wj,k Wj,k圖

圖 1011（2.58）進行了軟閾值降噪的時域圖、包絡(luò)圖及幅值譜圖。圖12和圖13為對正常信號的提取信號中的沖擊成分。圖14和圖15為硬閾值對故障信號的處理結(jié)果，閾值選擇的10對故障信號采用統(tǒng)一（2.58）1112為對正常信號采用統(tǒng)一（2.58）13141500

故障信 點濾波后故障信 點圖 原始信號包3

濾波后信號包3 0 頻率（原始信號幅值1

頻率（濾波后信號幅值 0 頻率（

0 頻率（圖 00

正常信 點濾波后正常信 點圖

原始信號包

濾波后信號包 0 頻率（原始信號幅值2

0

頻率（濾波后信號幅值1

10 頻率（

0 頻率（圖 00

故障信 點濾波后故障信 點圖 原始信號包3

濾波后信號包3 0 頻率（原始信號幅值1

頻率（濾波后信號幅值 0 頻率（

0 頻率（圖 8所示。+自適應(yīng)數(shù)字濾波40圖中x(j)表示jy(j)表示jd(j)表示j(j)為d(j)與y(j)濾波參數(shù)受誤差信號(j)的控制，根據(jù)(j)(j+l),以便使輸出y(j+1)接近于所期望的參考信號d(j+l)。典型的幾種算法包括（1）自適應(yīng)濾波算-++最小均方濾波器（）和遞歸最小平方（Recursiveleastsquaresfilter-++VariablefilterVariablefilter

d圖 d(n)和干擾噪聲v(n)x(n)d(n)W[w(0),w ,w( e(n)d(n)nnX(n)[x(n),x(n ,x(nWn1Wnn其中W是濾波器系數(shù)的校正因子。自適應(yīng)算法根據(jù)輸入信號與誤差信號生成這個 和RLS是兩種不同的系數(shù)更新算法。n算法原理：自適應(yīng)濾波器是使濾波器的輸出信號與期望響應(yīng)之間的誤差的均方值為最小，MB=0

SS初始化

是抽頭輸入u(n)的功率譜密度的最大值，而濾波器長度M令?(0)給定的u(n為n時刻M1抽頭輸入向量為[u(nu(n1u(nM1)]Td(n)為n?(n

時刻抽頭權(quán)向量估計，對n0,1e(n)d(n)?H?(n?(n)（2）RLSRLS自適應(yīng)濾波方法以最小二乘為基礎(chǔ)對誤差平方和形式的代價函數(shù)進行最+-H42Δ（1）應(yīng)濾波方法進行濾波的后的時域、頻域和包絡(luò)譜對比圖。圖22至圖24為有故障振動信降低噪聲信號對特號的干擾，但效果不是很明顯。

a)原始信 b)濾波后信 c)誤差信圖

a)原始信號幅值 b)濾波后信號幅值 c)誤差信號幅值圖

a)原始信號包絡(luò) b)濾波后信號包絡(luò) c)誤差信號包絡(luò)圖

a)原始信 b)濾波后信 c)誤差信46

a)原始信號幅值 b)濾波后信號幅值 c)誤差信號幅值47

a)原始信號包絡(luò) b)濾波后信號包絡(luò) c)誤差信號包絡(luò)48齒圈（S3）產(chǎn)生的振動信號頻率最小。根據(jù)波的理論，在相同環(huán)境中，隨著振動頻率的增加，振動衰減率增大，波的距離減小。因此，相同距離下，低頻振動源對高高速發(fā)電齒中速主低速行星輪高速發(fā)電齒中速主低速行星輪圖 50在實際應(yīng)用中為了減小數(shù)據(jù)的傳輸和量振動分析系統(tǒng)中不同測的采樣速率不同，S12500H，S21000H，S3500H，因此，在355Hz10H330Hz幅值/(m/s幅值/(m/s02

時間幅值/(m/s幅值/(m/s0 頻率幅值幅值/(m/s1

時間低速軸振動信號時域波形幅值/(m/s幅值/(m/s0 頻率幅值幅值/(m/s

時間幅值/(m/s幅值/(m/s50 頻率51相關(guān)性。假設(shè)兩個信號分別為x1(nx2(n)，則其相關(guān)系數(shù)xy為D(x)D(D(x)D(

cov(x,cov(xy為xy的協(xié)方差，互相關(guān)函數(shù)r?(m)

D(x)和Dy為xy

x1(n)x2(nNN其中，n ,N點的信號進行相關(guān)分析，得出相關(guān)系數(shù)（1所示）和相關(guān)信號（4所示。圖（c1；b（c2c（c31 幅值幅值/(m/s

時間齒圈與高速軸測點相關(guān)信號幅值幅值/(m/s

時間低速軸與高速軸測點相關(guān)信號幅值/(m/s幅值/(m/s

時間齒圈與低速軸測點相關(guān)信號圖 dd+-調(diào)節(jié)算自適應(yīng)濾波圖 x(n)是參考信號d(n)和干擾噪聲v(n)x(n)d(n)濾波器采用有限脈沖響應(yīng)結(jié)構(gòu)，則pW[w(0),w ,w( nn其中，輸入信號向量X(n)[x(n),x(n1), ,x(np)]T。e(n)d(n)濾波器根據(jù)濾波器系數(shù)的校正因子WnWn1Wnn最小均方（）自適應(yīng)濾波器采用誤差均方值的函數(shù)WE[e2]作為校正因子n

MxH

式中01為權(quán)重因子，為方差修正因子M為濾波器的階數(shù)，最終通過迭代6所示。a、b、c分別代表了原始信號幅值譜、參考信號幅值譜以及濾波后信號的幅值譜。原始信號幅值譜

參考信號幅值譜

濾波后信號幅值譜幅值/(m/s幅值幅值/(m/s幅值/(m/s幅值/(m/s 0 500頻率

0 500頻率

0 500頻率 圖 20131015有效性，提取了數(shù)據(jù)庫中2013年4月14日的數(shù)據(jù)，作為故障前的數(shù)據(jù)進行對比。鑒于在齒輪箱不同部位振動信號數(shù)據(jù)的速率不同，需要將信號進行插值處理，3所示。數(shù)據(jù)的計算步驟如下：b所示8192y（7~8中所示5000Hz以后，并不影響原來信號的頻率成分，為了將信號圖譜放大，故1250Hz以內(nèi)的成分a分別代表原始信號的時域波形；b代表濾波后信號的時域波形；c代表原始信號的幅值譜；d代表濾波后信號的幅值譜。從圖距離較遠的特號從原始信號中提取出來，也就是振動的轉(zhuǎn)頻及其倍頻部分，更原始信

濾波后信幅值/（幅值/（m/S幅值/（m/S

原始信號幅值

濾波后信號幅值幅值/(m/s幅值/(m/s幅值/(m/s 0 頻率

頻率 圖 原始信

濾波后信幅值/（m/S幅值/（m/S幅值/（m/S

原始信號幅值 濾波后信號幅值幅值/(m/s幅值/(m/s0

頻率

幅值/(m/s0

頻率圖 故障診斷方法研 X(f) 式 x(t)—時域信X(f數(shù)據(jù)為-B111-704-3 23.9rpm，功率為480.7KW。從圖中，可以看出頻率成分混雜，很難分析區(qū)分齒輪箱的主圖2為對手持設(shè)備的齒輪箱行星輪系故障信號進行的分析，從圖中a為行星輪時就會出現(xiàn)以軸承的故障特征頻率以及相應(yīng)的邊頻。從圖a中的1出現(xiàn)了行星輪軸承內(nèi)圖3為用手持設(shè)備齒輪箱行星輪系齒圈信號的特征圖中出現(xiàn)了的信號頻率。0 圖

莆田南日風電場10#齒輪箱內(nèi)齒圈垂直加速度

莆田南日風電場09#齒輪箱內(nèi)齒圈垂直加速度1 1

0

0 100150200250300350400450 圖 1的信號頻率行星輪軸承內(nèi)圈的特征頻率以及相應(yīng)以行星輪系轉(zhuǎn)頻為特征的邊頻成分莆田南日風電場10#齒輪箱中間軸垂直加速度111

莆田南日風電場09#齒輪箱中間軸垂直加速度1 00 005

圖 V a(0速度譜0 圖 （1）設(shè)在旋轉(zhuǎn)機械中有兩個頻率1與2現(xiàn)出周期性脈沖的拍，也就是呈現(xiàn)其振幅以差頻21)設(shè)21)進行幅度調(diào)制的信(齒數(shù)×軸轉(zhuǎn)數(shù)

0的正弦載波，其幅值由于齒輪偏心影響成為隨時間而變化的數(shù)Smt，于是ytSmtsin0t假設(shè)齒輪軸轉(zhuǎn)動頻率為m，則可寫成ytA1mcosmtsinmt除非0與mytAsinntmAsintmAsint 63從上式中不難看出，它是由00m與0m三個不同的正弦波之和，具有如6b所示的頻譜圖。這里差頻0m與和頻0m通稱為邊帶頻率。5000Hz。其幅值(嚙合力的大小)200HZ所調(diào)制(因率(5000HZ)4800HZ5200HZ的邊帶頻率。所示圖()是一個箱的頻譜圖圖(b)是的倒頻譜圖從倒譜圖上清楚地看出兩個主要頻率分量:17.6H(85m)48.8H(205m)。64x(t)經(jīng)過變換可變?yōu)轭l域函數(shù)X(f)或功率譜密度函數(shù)Gxf取平方，則可得到倒頻譜函數(shù)Cp(q（powercepstrum，其數(shù)學表達式為：Cp(q)Ca(q)

CpxxF1logG(fCpxx稱為幅值倒頻譜。自變量q稱為倒頻率，單位為s或ms10號機組的數(shù)據(jù)為例進行分析，數(shù)據(jù)標號為：南日三期風電場_#10_齒輪箱_內(nèi)齒圈水平_加速度_20130310165435.txt6566為數(shù)據(jù)的幅值XXY0 65XXY0 66x(t)，其hilbert?(t)x?(t)1x()dx(t)t x(n)?(n)，希爾伯特變換器的單位脈沖響h(n)，希爾伯特變換器的頻率響應(yīng)為H(ej) 0其單位脈沖響應(yīng)h(n)

1

h(n)?(n)

x?(n)x(n)h(n)2

x(n2mx(n)的解析信號z(n)

z(n)x(n)

利用序列變換的性質(zhì)，顯然解析信號z(n)的頻率響應(yīng)2X(ej 0 Hilber（y對x(n)進行快速變換得到X(k)X k

Z(k)2X 1kN/20 N/2kN0對Z(k)進行快速逆變換得到解析信號z(n)Hilbert變換x?(nj[z(n -B111-704-3_ –212028，發(fā)電機轉(zhuǎn)速為：1533rpm，轉(zhuǎn)子轉(zhuǎn)速：23.9rpm，功率為480.7KW。從圖中看出包絡(luò)譜中含有一個2.5Hz的主要頻0 圖 EMD方法從本質(zhì)上講是對一個信號進行平穩(wěn)化處理，其結(jié)果是將信號中不同尺度為一個固有模態(tài)函數(shù)IMF。IMF分量必須滿足下面兩個條件：一是其極點數(shù)和零點數(shù)相同(或最多相差一個)；x(k)值m1，再用x(k)減m1h1，即x(k)m12h1被作為分解數(shù)據(jù)，即重復(fù)篩分過程m次，直到h1m滿足IMF的條件，此h1(m1)m1m篩分出的第一個IMF

一個信號可以由多個IMFc1x(k)c1然后將r1作為分解數(shù)據(jù)，再重復(fù)以上的篩分過程得到c2，

數(shù)列，不可能再從中篩分出IMF。最后得到

rn或cnrnnx(k)cin 3 圖 圖

0

0

0

0

0

00 0 10

0

0

0

0

0

圖 小波(wavelet)0小波函數(shù)的確切定義為：設(shè)(t)為一平方可積函數(shù)，即(tL2(R，若其傅立葉變換(滿足條件：R

d則稱(t)為一個基本小波或小波母函數(shù)，將小波母函數(shù)(t)進行伸縮和平移，就可以得到函數(shù)ax(t)：

(t)

1(taaa

a,R,aa一、連續(xù)小波變換將任意L2(R空間中的函數(shù)f(t)在小波基下展開稱這種展開為函數(shù)f(t)的連續(xù)小波變換(ContinueWaveletTransform，簡稱為CWT)，其表達式為：WT(a,)f (t) f(t)(taa aaR以上定義，可以看出小波變換也和傅立葉變換一樣，也是一種積分變換，WTf(a,)為小波變換系數(shù)但它不同于傅立葉變換的地小波基具有尺度a和平移兩個參數(shù)，

(t)

1(t的a、限定在aaa0尺度上的離散化。目前通行的辦法是對尺度進行冪數(shù)級離散化，即令a取a0。 a00mZ，此時對應(yīng)的小波函數(shù)是a2ajtj。 tm1時，尺度a以降低一半而不致引起信息的丟失所以在尺度jajt的寬度是t的a00aj，同時也不會引起信息的丟失。這樣0

(t)就改成ja2

jtka

2ajtk

t 00

0

a0,k

aj,

ftaaj

t

，k 利用該算法對離線的振動數(shù)據(jù)進行分析分析結(jié)果如圖71和圖72所示圖71為采用db5小波對振動信號進行6層分解的細節(jié)信號和近信號。圖72為采用db5小波對振動信號進行5層分解的細節(jié)信號和近信號。從圖72中可以看出分解后的近

圖 db5小波6層分

圖 db5小波5層分Hilbert軸73 x(t)[1ai(t)]cos(2lfmtbj(t)l

l

ai(t)Aicos(2ifrtibj(t)Bjsin(2jfrtj分別為調(diào)幅和調(diào)頻函數(shù)，Ai0，Bj0代表調(diào)幅的強度代表第部件的故障fm代表載波頻率，當故障點為齒輪時為嚙合頻率，故障點為軸承時為固li，j為初始相位ilj代表相應(yīng)的倍頻數(shù)10倍的載波頻率，因此可以將故障振動信號看作是窄帶信號。假設(shè)i1l1，j1，則（1）式可以表示為x(t)[1a1(t)]cos[2fmtb1(t)b0(t)l=[1a1(t)]cos[2fmtB1sin(2frt1)a(t)[1a(t)]cos[2 t]Re([1

(t)]ej(2fm) Hilbert設(shè)離散時間序列為x(n)，其希爾伯特變換為x?(n)，希爾伯特變換器的單位脈沖響應(yīng)為h(n，1

h(n)

x?(n)x(n)h(n)z(n)z(n)x(n)

x(n2m1) 則解析信號的幅值A(chǔ)(n)?2對于齒輪箱故障時出現(xiàn)的窄帶調(diào)制信號[12]，將式（3）離散化帶入式（7）A(n)1a1(n當多個部件存在故障時解析信號的幅值可以表示為多個幅值的疊加Hilbert變換得到的幅值信號分解成不同頻帶范圍的子信號。小波分析的原理是將任意L2(R空間中的函數(shù)f(t)在小波基下展開稱這種展開為函數(shù)f(t)的連續(xù)小波變換，其表達式為：WT(a,b)f (t) f(t)(t

aa aaRWTf(a,b為小波變換系數(shù)；a,b(t)為小波基函數(shù)該函數(shù)包含了尺度a和平移b兩個對于離散信號取aam，bnbam，mn均為整數(shù)，將其帶入式（8）可以得到離

0WT(a,b)

f

a

f(t)(amtnb R0ωk0ω均勻分布到2k個頻帶，每個頻帶的寬度為/2k。小波分解的每個頻帶可以表示為[m，n]，其中mnn[0~(2k)]2k位格雷碼進行頻帶排序的子空間[13]。0~50Hz，通過小波包分解后得到的子空間順序與編號的1所示。8421BCD碼進行正確查找頻帶子空間。表 結(jié)點編 格雷

k

k

k

k十進二進二進十進頻結(jié)頻結(jié)頻結(jié)頻結(jié)00[0-[0-12[0-6[0-311[25-[125-[625-12[3125-632[25-37[125-18[625-923[375-[1875-[9375-1264[25-31[125-15375[3125-37[15625-1856[375-43[1875-2147[4375-[21875-8[25-28[28125-31[3125-34[34375-37[375-40[40625-439[4375-468[46875-4000小時，導(dǎo)致齒輪箱的故障表位容額定轉(zhuǎn)故障個無故障個福253據(jù)有26臺，齒輪箱的故障形式如圖2所示，所有齒輪箱故障數(shù)據(jù)均得到了現(xiàn)場員的驗證振動測點位于齒輪箱高速軸附近的箱體表面速率為25600H風電機320.8~2.2Hz。圖

a)功率 b)功率>0和風速75HilbertHilbert變換將高速軸振動加速度信號變化為復(fù)數(shù)域的解析信號。齒輪箱的4所示。圖a為無故障時齒輪箱高速軸振動信號，圖b為有故障時 幅值(m/s幅值(m/s幅值(m/s

時間

時間a)無故障信 765 幅值(m/s幅值(m/s幅值(m/s 0 時間

0 時間a)無故障信 77db512層分解，分解后得到不同為0。得到信號的頻帶分布的能量如圖6所示。頻帶編號過大時，頻率就會較高，振6中可以看出故障信號和無故障信號在轉(zhuǎn)頻范圍內(nèi)有較大的能量幅值，因此可以通過轉(zhuǎn)x2

x44能量能量能量能量0 編號（

0 編號（a)無故障信 781250~1750rpm，因此轉(zhuǎn)頻的主要分布在結(jié)點[12，4]和[12，12]7為多組齒輪箱包絡(luò)信號總能量以W為閾值進行故障判斷；節(jié)點能量和以W3所示。x包絡(luò)包絡(luò)信號能量6420 x結(jié)點[12,4]結(jié)點[12,4][12,12]能量

50 圖 90.6%，而已結(jié)點能量和作為96.2%。由于包絡(luò)信號中包含其它干擾波形能量，導(dǎo)致以9判 故障類

值個

值個

誤判

節(jié)點能量

無故 7有故

96包絡(luò)能

無故 11有故 7

90特號本文通過rt變換對幅值調(diào)制信號進行了包絡(luò)解調(diào)利用小波包分解方法96%以上。Hilbert和小波分析算法聯(lián)合的方法對齒輪箱高速軸振動信號進行分析，因果網(wǎng)絡(luò)分析方法研5個部件，分析故障的

圖 表 傳動鏈故障模123軸耗損故耗損故偶然故人為故早期故超應(yīng)力故固有故故性故慢發(fā)故快發(fā)故突發(fā)故部分故完全故81從導(dǎo)致故障的因果關(guān)系上又可分為兩類一類是性故障即系統(tǒng)的主要源故障，一類是關(guān)聯(lián)故障，這類故障是在故障發(fā)生之后由于故障的性而產(chǎn)生的故障。其中

DCf(DP)f(DO,F,S,C,K,S診斷問題—DP（diagnoseproblem）這里指傳動鏈故障診斷；診斷對象—DO（diagnoseobject）指傳動鏈；故障集—F{f1,f2, ,fm}有限集（faults）指傳動鏈所有故障源集合；征兆集—S{s1,s2, ,sn}有限集（symptom）指傳動鏈所有征兆的集合；關(guān)聯(lián)故障—C{c1,c2, ,cj}有限集(correlationfaults)指傳動鏈所有關(guān)聯(lián)故障的集合；診斷知識— DO}（knowledge）指傳動鏈中故障源關(guān)聯(lián)故障和征C征兆表現(xiàn)—S+（display）SS是征兆表現(xiàn)集；診斷結(jié)論—DC（diagnoseconclusion）DCCf傳動鏈故障診斷的實質(zhì)就是診斷專家或?qū)＜蚁到y(tǒng)通過征兆表現(xiàn)集S+、依據(jù)診斷支持K以及故障集FC和征兆集Sf的推理，求解得出結(jié)論DCKF、S以及C時診斷問題求解的關(guān)鍵。關(guān)聯(lián)故障C由故障源F產(chǎn)生，并將故障反映到征兆S上，它主導(dǎo)故障的和是分析關(guān)聯(lián)故障C并據(jù)此采用相應(yīng)的診斷策略和方法。級之間很容易產(chǎn)生縱向效應(yīng)，影響故障診斷的實施。故障發(fā)生在某一層上，可能向相關(guān)層次，從而產(chǎn)生關(guān)聯(lián)性，即某層級的故障可能有其相關(guān)層級故障引起，而又可多個征兆，這就使得區(qū)分單故障和多故障狀態(tài)比較；對于間歇性的故障由于故障本身重復(fù)發(fā)作而每次故障產(chǎn)生的效應(yīng)和征兆并不一定相同，由此也給故障定位帶來。關(guān)聯(lián)故障相關(guān)性在征兆層面則呈現(xiàn)以下特點征兆信息由于信息來源的不穩(wěn)定性和信息處理存在的誤差很可能是不完整的二二二二———發(fā)電聯(lián)軸器齒輪主軸主軸葉片風機傳動圖 （op（Part（Device（Symptom（Cause建造故障樹是FTA法的部分之一通過對已收集整理的技術(shù)資料建造故障樹7644其中i

（i代表基本事件的權(quán)重。這樣，根據(jù)擴展故障樹，不但可以找到具 圖 C111C112C113 C122 圖 P1S11C112C113C114S12C121C122S13C131葉片表面積灰、粘有昆蟲尸體C132空氣中水凝結(jié)成冰衣服在葉片表面C101葉片轉(zhuǎn)角不一致C211C212C241C242C261C262C231C232C233C234C235C251C252C253C254圖 P2S21C211C212S22C221C222S23C231磨削C232熱處理C233載荷過大C234轉(zhuǎn)速太高C235S24C241C242C243S25C251啟動速度過大C252旋轉(zhuǎn)速度過快C253滾道表面不平衡C254高溫C255S26C261C262C263C311C312 C321C322C323C324圖 P3S31C311C312C313S32C321C322C323C324C325S33C331C332圖 P4D41S411C4113S412C4121腐蝕磨損C4122低速磨損C4123S413C4131S414C4141C4142C4143S415C4151D42S421C4211C4212S422C4221C4222S423C4231C4232熱處理C4233載荷過大C4234轉(zhuǎn)速太高C4235S424C4241C4242C4243S425C4251啟動速度過大C4252旋轉(zhuǎn)速度過快C4253滾道表面不平衡C4254高溫C4255S426C4261C4262C4263D43S431C4311C4312C4313S432C4321C4322C4323暖機不足C4324轉(zhuǎn)速提升過快C4325載荷加載量過大S433C4331C4332D44S441S442D45S451S452D46S461唇口不良S462彈簧質(zhì)量不佳S463橡膠老化 C511C5212C5213C5221C5222 C5231C5232C5233C5234 C5241C1211C1212C1241C1242C1261C1262C1231C1232C1233C1234C1235C1251C1252C1253C1254圖 P5D51C511C512D52S521C5211C5212C5213S522軸系質(zhì)量失去平衡C5221大軸彎曲C5222軸中心變化C5223S523C5231C5232C5233暖機不足C5234轉(zhuǎn)速提升過快C5235載荷加載量過大S524C5241C5242D53S531C5311C5312S532C5321C5322S533C5331C5332熱處理C5333載荷過大C5334轉(zhuǎn)速太高C5335S534C5341C5342C5343S535C5351啟動速度過大C5352旋轉(zhuǎn)速度過快C5353滾道表面不平衡C5354高溫C5355S536C5361C5362C5363一般情況下，若F代表可能發(fā)生的故障集合， 代表可能的故障數(shù)目，則故障生共有2FF

若FI{f1,f2 ,fn}表故障{f1,f2 ,fn}發(fā)生，而其他fi

問題就是在所有2F個可能性中尋找最可能的組合。一般用下述方法來實現(xiàn)：首先，應(yīng)

分別計算Pfi|S)(S表示所有出現(xiàn)的征兆)；然后，基于這些概率用一些非概率的方式來決定給定的PFSRS，其中F{f1,f2 ,

SS1S2 ,Sn}表示征兆的有限非空集RFSFSSSRfisj

fisj

fisj總是發(fā)生，而僅僅是可能發(fā)生。SS圖 此外可定義兩個函數(shù)對于所有sjS，causes(sjfi|fisj

代表特征s所有可能引起的故障effectsfisj|fisj

fi引起的所有征兆（14

sj

causes(sj

和effects(FI)

fFeffectsfi如對于圖i的診斷問題causes(s1f1f2,f3}effectsf1s1s3}causes({s3s4f1,f3,f4。如果SJeffects(FI)，則稱故障集合FI是特征MJM的一個覆蓋i causes(sjeffects(fi sS90在節(jié)約覆蓋集中診斷假設(shè)FI必須是S的一個覆蓋也就是說，F(xiàn)I必須能夠充分說最小準則：如果S的一個覆蓋有最小可能數(shù)目的故障，那么它就是一個滿足SFI沒有合適的子集也覆蓋S(也就是,FI相關(guān)性準則：如果SFIcausesS)一個fi

必須和某個sjMJ

2準則的覆蓋集也總是包含滿足最小準則的覆蓋集。例如，在圖13Sss2f4獨立的包括{s2s4，所

{

是S的一個最小覆蓋；單獨d2或d3都不能{s2,

F3f2,f3,f4}

F3f2,f3,f4是一個相關(guān)覆蓋F4f1,f2,f3,f4causes({s2s4的子集，所F4f1,f2,f3,f4}是一個非相關(guān)覆蓋S在節(jié)約覆蓋理論框架中，對于診斷問PFSRS中，有如下定義和假設(shè)。1：fiFfififi結(jié)果事sjS描述了征兆sj存在的事實，它對其他征兆的存在與否沒sjsjfiF和sjS，符號sjffisj。因果事件當且僅當fisjsj被fi引起時才發(fā)生。3-2：P(sj:fi|fi

fi時sj:fifi時，sj3.1條件因果概率反映了給定fi引起sj的平均概率。相對于條件概率P(sj:fi，條件

的發(fā)生（它們之間的因果強度為0，而f2則引起的s1發(fā)生，P(s|f)=P(s1f1)P(s1f1f2)P(s1f1f2)1

P(f 因為f1和f2都存在且f2引起s1的發(fā)生，所以上式中至少分子的第一項比0f1s1，則sj

總不正確P(sj:fi|fi)=0因此P(sj:fi|fi)也常常被稱FIf

fi)(fF

fk

表示所有在FI中的故障都存在而不在FI的故i j 都不存在；相應(yīng)的，集合SJS表示事件(sSsjsSSj 對于所有的原因事件fiF，它們的先驗概率0P(fi)1，對于所有的因sj:fi，它們的因果強度以0P(sj:fi|fi)1給出，當且僅當fi,sj 時P(sj:fi|fi0。以pi來表示先驗概率Pfi

rijP(sj:fi|fi)性假設(shè)的含義是一個故障fiF獨立于其他故障而發(fā)生，也就是說，對于fiF和任故障f1f2,...,fnP(f1f2...fn)P(f1)P(f2f3...fnfiFsjfisjfi

sj:

(3-對于fisjRrij0這樣，解決診斷問題所需要的概率知識和因果知識比較少。F表示故障數(shù)目，R是在故障和特征之間的非零因果聯(lián)系的數(shù)目，則需要計算概FR。很顯然，F(xiàn)R是個很小的數(shù)目?；谝呀?jīng)的假定我們的目標是為了形成一個能夠計算給定S下診斷假設(shè)可性的計算公式。首先從計算給定S下

|S)P(S|F)P(F)/P(S

。對于任何給定的S

FP(S是

和FJ之間的優(yōu)劣小時，可以只考慮分子。從獨立性P(FI)fi

fkFp

(1pk

(3-k i(1pkkfiFI1pifk也即P(FI)可從每個故障的先驗概率計算出來此處(1pk)是一常量因此如fk僅僅關(guān)心FF的相對似然度，此項可以忽略不計?，F(xiàn)在，只要求出P(S|F即可得 P(FI|Ssj被故障f1,f2,...,fr的集合所引起。當且僅當sj和所有的f1,f2,...,fr都存在，而且

引起sj時sjf1,f2,...,fr才發(fā)生，即rsj:(f1,f2,...,fr)(sj:fi)f1f2...i聯(lián)合因果事件sjf1,f2,...,fr表示一組存在的故障和單一征兆sj之間的因果聯(lián)系，sj被每一個故障所引起的形式不同它的條件因果概率為：

:f

...

|f

...

)P(sj:f1f2...fr

P(ff...f 定理3-1：設(shè)FIf1,f2,...,frFsjS，那P(sj|FI)P(sj:f1f2...fr|f1f2...fr1(1rijfiP(sj|FI)P(sj:f1f2...fr|f1f2...frfi僅當sjeffects(FI時，P(sj|FI0以及P(sj|FI1根據(jù)定理3-1，易得下面的定理3-s1s2sksk1snS中的n個元素FIf1,f2,...,frF那P(s1s2...sksk1...sn|FI P(sj|FI)P(sl|Flj lk (1(1rij))(1rilj

lk1 若所有sS里的征兆都存在，而所有的sSS里的征兆都不存在，同時考 fislR時ril0，根據(jù)定理3-2，可得如下結(jié)果 P(S|F)(1(1r (1 sjS

fi

sleffects(fi)Sfl用（3-10）式，對于任何給定的SF，用因