在故障樹模型及其組成的邏輯關聯(lián)建成之后, 可以憑借整機系統(tǒng)的結構函數(shù)[2 ] , 利用部件與故障模式的因果關系來設計離心機故障診斷專家系統(tǒng), 從而獲取故障診斷的*決策。我們知道, 離心機zui直接的故障表現(xiàn)形式是異常振動,也是一般測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?shù)呢S富。以碟式分離機為例, 其中存在轉鼓動平衡失效、彈筑減振緩沖失效、軸承失效、齒輪副失效和立軸與轉鼓配合錐面貼合不良等等一系列振動故障成分,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） 導致的故障也能探測到, 這樣又體現(xiàn)了對機器故障程度的控制。

據(jù)此, 以離心機振動信號拾取為主要故障探測手段, 建立離心機一般故障診斷專家系統(tǒng), 其基本結構如圖2所示。具體過程為, 離心機各測點的振動信號由傳感器拾取, 經AöD 轉換存入微機; 采用數(shù)字信號處理技術, 對波形進行數(shù)字濾波和小波變換等數(shù)字信號提純處理; 以信號圖形數(shù)據(jù)的方式建立振動波形一級數(shù)據(jù)庫, 在模型庫中以信號分析的數(shù)值算法和數(shù)學模型建立二級數(shù)據(jù)庫; 以譜分析等為主要處理手段, 進行故障信息的數(shù)字特征提取和識別, 將分析和計算結果放入故障特征數(shù)據(jù)庫; 根據(jù)現(xiàn)有實際經驗和專家知識建立知識庫, 知識庫中主要存放一系列的事實和規(guī)則成分, 可以通過將前一步的特征信息調用事實和規(guī)則進行推理分析, 得出zui后的診斷結論。本系統(tǒng)設計思想是,程序設計采用模塊式結構, 可以進行功能擴充; 結合人工交互式人機對話方式, 使之不僅有易用的界面, 而且具備知識自學習功能擴展和記憶; 通過解釋系統(tǒng), 使操作過程和診斷結果便于使用和理解, 有利于工廠實際操作, 并通過自學習能迅速處理同樣或類似的診斷問題。
 

離心機振動故障診斷專家系統(tǒng)應用
根據(jù)現(xiàn)場經驗和理論分析可知[3 ] , 對于轉鼓部分產生異常振動的一般故障有: 轉鼓不平衡、安裝不對中、共振、結構部件松動、轉鼓處產生摩擦、轉鼓結構缺陷和軸承磨損缺
陷等。這些故障都會反映在拾取到的振動信號譜分析中, 并與相應的頻率成分對應, 例如:õ 1ö3倍頻: 反映非線性振動部分, 如轉鼓處摩擦、轉鼓上緊固件松動產生的振動等;õ 1ö2倍頻: 除反映一般轉子的半速渦動和油膜振蕩故障外, 也能反映一些非線性振動的特征;õ 工頻: 振動中的zui明顯特征, 反映轉鼓的不平衡狀態(tài);õ 二倍頻: 反映轉鼓不對中的情況。同時, 對軸損壞和不對稱等情況比較敏感;õ 三倍頻和四倍頻: 主要反映軸松動、軸裂紋等故障;õ 高頻峰群: 可以反映軸承的故障, 并通過具體的頻率計算來分析確定圖上位置;õ 用倒頻譜分析和細化頻譜來查找齒輪和軸承故障。在時域內尋找故障信息, 建立和識別故障特征, 主要應考慮:
（1） 　檢查對應轉速的振動和相位;
（2） 　檢測轉速和噪聲, 來直接反映轉子運行狀態(tài)的變化;
 離心機機械故障診斷專家系統(tǒng)設計及其應用
（3） 　記錄軸心位置坐標來反映轉子運行、潤滑情況等。
將上述信息進行實時記錄和數(shù)據(jù)處理, 建成診斷數(shù)據(jù)庫和知識庫, 作為診斷的基礎。建立的一級數(shù)據(jù)庫結構: 1）機型; 2） 測點代號; 3） 日期; 4） 振動波形; 5） 對應轉速; 6）
軸心軌跡等等。二級數(shù)據(jù)庫為對應數(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響應功率譜為基礎, 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)則和知識庫的確立中[4 ] , 除對上述典型故障的產生直接判別外, 同時用模糊數(shù)學的思想給出程度判斷和故障識別。我們知道, 機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。事實上, 當振幅小于某值時, 但接近于某值時也包含異常的可能, 需要用一個隸屬度函數(shù)來表征故障的程度, 而且在處理一個故障引起其它并發(fā)故障的問題時, 通過建立模糊關系矩陣, 可以將各類振動信號特征的隸屬度變換成各類故障的隸屬度。同時, 模糊矩陣的建立中, 可以使本系統(tǒng)所具有自學習功能, 通過對知識的積累和學習, 來自行產生符合處理對象的模糊診斷數(shù)據(jù)機制, 作出合理的判斷。在故障模式十分復雜的推理中, 基于神經網絡的專家系統(tǒng)比較理想, 因為神經網絡可以將問題的特征變?yōu)閿?shù)字,將推理變?yōu)閿?shù)值計算, 這樣的推理過程比較簡捷明了。但是, 眾多的故障信息并不都能以數(shù)字表示, 而且僅基于神經網絡的專家系統(tǒng)會在數(shù)據(jù)不充分時, 自動降級處理[5 ]。因此, 本系統(tǒng)的設計考慮采用規(guī)則與神經網絡結合, 在判據(jù)不明顯或不夠時向用戶提出必要的詢問, 充實判據(jù), 使得出的結論更加貼切, 更具實效。
3　結束語
本文在離心機故障診斷理論基礎上, 應用人工智能技術, 結合發(fā)展, 系統(tǒng)地探討了離心機機械故障診斷專家系統(tǒng)的總體設計, 給出了關鍵問題的細節(jié)處理, 并以碟式分離心機為例給出具體應用。與以往純理論性討論相區(qū)別, 本文提出的設計思想及正在開展的研究工作, 可以將研究成果實時地轉化成為工業(yè)應用, 為生產實際服務。