李 果，张广明，凌 祥

（1.南京工业大学 自动化与电气工程学院，南京 210009；2.南京工业大学 机械与动力工程学院，南京 210009）

0 引言

旋转机械是指主要功能是由旋转动作来完成的机械，尤其是指转速较高的机械。它们以转子及其回转部件为工作的主体，是机械设备的重要组成部分。旋转机械广泛应用于工业生产当中，一旦发生事故，往往后果严重，影响生产、甚至造成人员伤亡,社会影响恶劣。因此对其开展故障诊断研究,保证其安全可靠运行,具有非常重要的意义。设备故障诊断实际上就是根据故障的征兆判断出各种故障[1]。在实际诊断中,如何从故障数据中导出诊断规则,一直是人们研究的内容。本文将粗糙集理论引入到了机械设备振动故障诊断的诊断规则提取中,取得了一定的成果。

1 旋转机械振动故障概述

1.1 旋转机械的分类

按其工作特性大致可分为以下三类：

1）动力机械：

（1）原动机，如蒸汽涡轮机、燃气涡轮机等，利用高压蒸汽或气体的压力能膨胀做功推动转子旋转。

（2）流体输送机械，这类机械的转子被原动机拖动，通过转子的叶片将能量传递被输送的流体。

2）过程机械 ：如离心式分离机等。3）加工机械 ：如车床、磨床等。

1.2 旋转机械的故障分类

1.2.1 强度不足造成的故障

强度不足造成旋转机械断裂破坏事故，主要原因有：

1）腐蚀，使机械材料变质或使零件尺寸变小；

2）冲蚀或磨损，由于工作介质对零件表面的冲刷、撞击而造成的零件尺寸减小称为冲蚀，两接触零件工作表面间有相对滑动造成磨损使零件表面层的脱落称为磨损；

3）设计应力过大或结构形状不恰当，有很大的应力集中；

4）零件的材料由于铸、锻、焊工艺不合适造成局部缺陷（缩孔、裂纹、晶粒粗大）。

1.2.2 振动故障

很多故障的表现形式为机组的振动，产生振动的主要原因有：

1）不平衡： 由于静、动平衡不好，或在工作中产生新的不平衡，设计制造过程中产生的，或是运转过程中产生。

2）对中不良： 不平衡和不对中是造成机组强烈振动最常见的原因，不对中是由于安装不良造成的，有的是冷态不对中，有的未考虑热态膨胀因素，在运行状态下对中不好，或者是由于机器本身的内应力未彻底消除而引起变形，导致不对中；或者是由于管道等附件安装质量不高，对机组产生过大的作用力是机组产生变形或变位，造成不对中；基础的不均匀下沉产生不对中。

3）机组产生自激振动： 由于材料内摩擦、流体力等引起。

4）工作介质引起的振动：气流旋转失速、喘振和空吸等。

2 粗糙集理论

2.1 粗糙集理论的基本特点

粗糙集理论是一种新型的处理模糊和不确定知识的数学工具,由波兰科学家Pawlak.Z教授于1982年提出。目前,粗糙集理论已经成为人工智能领域的一个新的学术研究热点,在模式识别与分类、数据挖掘、机器学习、图像处理、知识发现和决策分析等诸多领域中得到了广泛应用,近年来也被用于智能故障诊断[2]。

2.2 旋转机械故障诊断

旋转机械是大型企业，尤其是发电厂石化企业等连续生产系统中常见的主要动力设备。故障诊断就是对故障模式进行分类和识别。旋转机械故障诊断常用的是振动分析法，即分析特征信息和敏感性参数，如特征频率、常伴频率、振动稳定性、振动方向、相位特征、轴心轨迹和进动方向等，以及振动随转速、负荷、流量、压力的变化关系等，是一个典型的信息融合。在这一系列的信息中，有些特征信息是相关的，有些是独立的。独立的特征能提供互补信息，因而加以保留。相关性特征产生冗余信息，同时会增加计算工作量。故障的表现形式不惟一，有时是含糊的，在提取故障信息特征时也时常有盲目性。这为用传统方法对故障进行诊断带来困难，但这种信息特征正是粗糙集理论研究的对象[3]。

3 基于粗糙集的故障诊断研究

基于粗糙集的故障诊断方法是利用粗糙集理论对知识的获取能力,从大量数据中发现对故障诊断推理有指导意义的规则[4],能在不丢失信息的前提下,对决策系统进行有效约简,显著减少表示故障状态特征的参数,从而降低求解决策规则的运算量[5]。

3.1 旋转机械振动故障分析

在旋转机械的各种故障中，振动问题出现的概率最高；而且振动信号包含了丰富的机械及运行的状态信息，包含了转子、轴承、联轴器、基础和管线等机械零部件运行中自身状态的信息。可以对旋转机械大部分的故障类型进行准确的诊断，如转子动不平衡问题、转轴弯曲、轴承工作不良、油膜涡动及油膜振荡、转子热不对中、动静件摩擦、旋转失速及喘振、转轴的横向裂纹、叶轮松动和结构共振等常见故障。

转马类游乐设施是典型的旋转机械，也是属于国家监管的特种设备，其运行安全直接关系到乘员的人身安全[6]。经对某型号转马游乐设施的研究发现，其典型的振动故障的特征如表1所示，其中X为工频振动信号。

表1 某型号转马游乐设施典型振动故障的特征

3.2 故障征兆与故障类型分析

将各频域信号按其幅值大小模糊化分为3个级别：0为低[0，0.33]；1为中[0.33，0.66]；2为高[0.66，1.0]。

取振动信号的频域特征作为故障征兆，参照日本学者白木万博的征兆得分表，选取：(0.01～0.39) X、( 0.40～0.49)X、0.5X、(0.51～0.99)X、1X、2X、3X和高频等8种具有代表性的频率成分作为特征频率（X为工频信号），其对应的谱值经归一化后作为故障征兆，如表2所示。在表1中选取5种现场常见的典型故障进行分析。故障类型如下：初始不平衡、碰磨、转子不对中、结构共振和油膜振荡，如表3所示。

表2 条件（故障征兆）代码含义

表3 故障代码含义

3.3 原始故障征兆与决策样本

经现场实测15组振动故障样本，其故障征兆信号与故障类型的对应关系如表4所示。

表4 故障征兆与故障分类决策表

3.4 故障诊断决策表的约简和诊断规则

基于粗糙集的决策表约简步骤如下:

1）消去重复的行;

2）删除多余的属性,即消去决策表中的冗余列;

3）消去每一决策规则中的冗余属性。

在表4中，由于样本U3=U6，U10=U12，故删去重复的行U6和U12。再对表4进行属性约简，发现属性C1、C4和C8为冗余属性，约去C1、C4和C8，得核值表5。其中“*”表示可取0，1，2任意值。

表5 核值表

由此可得5条诊断规则：

1) C3(1) → D1

2) C5(2)∧C6(1) → D2

3) C3(2)∧C5(1) → D3

4) C6(2)∧C7(1) → D4

5) C2(2)∧C3(0) → D5

表6是某转马游乐设施的实测振动数据样本，经训练后的BP神经网络进行测试后的输出见表6，可见与粗糙集故障诊断结果一致。

表6 实测振动频谱与BP神经网络测试输出结果

4 结论

在数据信息较少的条件下，利用粗糙集理论的独特优点，从数据本身就可以发现分类规则,在一定程度上解决了故障诊断中关于知识获取的瓶颈问题[7]。

基于粗糙集的旋转机械振动故障诊断的研究，是通过对振动故障信号的采集，形成信息数据库。应用粗糙集方法，将数据库转变为满足粗糙集理论要求的知识库，形成决策表，对决策表进行分类、约简和核的形成，优选出决策表。在保持决策表分类能力不变的情况下, 剔除不必要的冗余属性, 简化进行故障诊断时所需的信息, 从而提高了故障诊断的实时性和快速性。

[1] 董辛,石来德,韩捷,简小刚.基于矢谱和粗糙集理论的旋转机械故障诊断[J].中国工程机械学报,2008,6(1):78-83.

[2] 于斌,阎保平.关于粗糙集属性约简的进化算法研究和应用[J].微电子学与计算机, 2005,22(3):189-194.

[3] 李果,张广明,凌祥,等.基于Multi-Agent的大型乐设施远程安全监控预警系统[J].计算机测量与控制,2010,18(4):824—826.

[4] 黄文涛,赵学增,王伟杰,等.基于粗糙集理论的故障诊断决策规则提取方法[J].中国电机工程学报,2003,23(11):150-154.

[5] Dawn L.Riddle,Michael D.Coovert,Linda R.Elliott,Samuel G.Schiflett.Potential Contributions of Rough Sets Data Analysis to Training Evaluations[J].Military Psychology,2003,15:41-58.

[6] Guo LI,Guangming ZHANG,Xiang LING.Research of Security System for Amusement Facilities Based on Improved Multi-Agent Cooperative Reinforcement Learning Method[J].Journal of Computational Information Systems.2010,6(13):4335-4343.

[7] 高晓康,李翠玲,施雨辰.一种基于粗糙集理论的设备故障诊断方法[J].上海应用技术学院学报,2006,6,(3):160-162.