機械設備故障診斷方法可選用的特征信號有多種，如振動、噪聲、力、扭矩、壓力、溫度、功率、電、磁、光、超聲波等信號。按照所選用的狀態(tài)信號，設備的診斷除了常用的振動診斷，還有超聲診斷、聲發(fā)射診斷、油光譜分析診斷、紅外監(jiān)測診斷等方法^[1]。這些方法對不同的機械設備有不同的靈敏度，所以效果也不同。因此，有個合理選用的問題，本文則主要針對振動診斷法。當機械設備內(nèi)部發(fā)生異常時，一般都會隨之出現(xiàn)振動加大和性能變化。該方法診斷信息獲取方便、信息量豐富，設備內(nèi)大部分部件的狀況在其中均有反映，適宜于發(fā)展成為在線實時監(jiān)控系統(tǒng)。具體實施方法很多，其中基于模糊神經(jīng)網(wǎng)絡的診斷就是一種有效的診斷策略^[2]，而網(wǎng)絡的輸入?yún)?shù)則是診斷的關鍵信息。有了網(wǎng)絡的拓撲結構和輸入節(jié)點的參數(shù)，經(jīng)過推理可非常簡便地在輸出節(jié)點中獲得故障的可信度。根據(jù)文獻[2]的模糊規(guī)則很容易地構造各故障的模糊神經(jīng)網(wǎng)絡。但在實際中如何合理而有效地定義和獲取網(wǎng)絡的輸入診斷參數(shù)，則是一個復雜的問題。本文就此討論了這些診斷參數(shù)的定義，并采用面向對象的分析方法和編程技術實現(xiàn)了簡便獲取這些參數(shù)信息的建模工具^[3][4][5]。
1 特征量的定義
　　振動診斷中的重要因素是故障特征量的提取，它反映故障的部位，故障的嚴重程度，是故障診斷的基礎。由故障機理分析可知，如某一故障產(chǎn)生，則它的故障特征頻率基頻和諧頻點能量會不同程度地有較大增加，且不同特征頻率處的譜值變化對故障影響的程度不同。因為受監(jiān)測裝置、轉速等條件的影響，盡量不要以絕對值作為異常診斷的依據(jù)，而要與初始值或正常值做比較，用比值作為監(jiān)測參數(shù)來進行診斷。為此診斷的監(jiān)測參數(shù)定義為：
　　
　　式中S_T(f_i)為相對于f_i的待檢狀態(tài)故障譜值，S_R(f_i)為相應于f_i的正常狀態(tài)功率譜值。S_T(f_i)/S_R(f_i)的比值，消除了故障在傳播過程中由于經(jīng)過較多結合面而產(chǎn)生的能量衰減效應，因為同一結構處于正常狀態(tài)與故障狀態(tài)產(chǎn)生振動的傳播途徑是一致的，它們的能量衰減幅度大致相等?？紤]到信號能量比較弱以及計算機處理浮點數(shù)的能力，可做如下處理：
　　
　　因為某一監(jiān)測量只能反映某一方面的故障信息，具有一定的局限性，所以實際中僅靠一個參數(shù)作為判斷依據(jù)是不夠的，應綜合多種參數(shù)，并給不同參數(shù)以不同的權，這樣才合理，可靠。
2 診斷網(wǎng)絡的輸入
　　有了特征量后，就可將其經(jīng)過一定的處理后送入網(wǎng)絡診斷?；谏窠?jīng)網(wǎng)絡的模糊推理是解決診斷中的不確定性的一個有效的方法，其輸入是故障征兆的監(jiān)測量，即不同的FS值，由于FS并不一定在[0，1]之間，所以首先應確定FS的上界和下界，將實際的監(jiān)測量FS通過其上、下界歸一化處理成[0，1]區(qū)間上的值。歸一化后的輸入值再通過網(wǎng)絡的前向推理得到輸出節(jié)點輸出故障發(fā)生的可信度，該可信度也取值于[0，1]之間。

　　根據(jù)故障機理和實際經(jīng)驗給出故障類型和特征參數(shù)的關系，得出故障集和征兆集的模糊規(guī)則，然后根據(jù)模糊規(guī)則來建立模糊神經(jīng)網(wǎng)絡。例如軸類故障有：軸不平衡、軸線不對中、軸產(chǎn)生裂紋三種，分別對應的模糊神經(jīng)網(wǎng)絡為shaft1.net、shaft2.net、shaft3.net三個網(wǎng)絡，shaft1.net和shaft2.net網(wǎng)絡所對應的輸入為一階、二階軸頻處的相對幅值比，shaft3.net網(wǎng)絡所對應的輸入為一階、二階、三階軸頻處的相對幅值比。表1為基本零部件的故障名、對應網(wǎng)絡名及網(wǎng)絡的輸入?yún)?shù)。因篇幅關系，網(wǎng)絡結構在此不一一畫出。
　　
　　式中n為軸的轉速(rpm)，z為滾動體個數(shù)，d為滾動體直徑，D為軸承節(jié)徑即滾動體中心所在圓的直徑，α為接觸角，z1為齒輪的齒數(shù)。需要說明的是，上式計算的各種特征頻率都是從理論上推導出來的，而實際軸承的各幾何尺寸會有誤差，加上軸承安裝后的變形，使實際的頻率與計算所得的頻率會有某些出入，所以在頻譜圖上尋找各特征頻率時，需在計算的頻率值的左右找其近似的值來作診斷判斷，即存在頻率偏差。
　　由上看出，f_a、f_o、f_i、f_b、f_c的頻率計算及各頻率處的相對幅值比在診斷過程中是非常重要的，它反映了故障的信息，是故障診斷中必不可少的參數(shù)。但在實際中機械設備構造的不同使這些參數(shù)的求解成為一個復雜的問題。因此，為了可靠地診斷設備故障，需掌握設備的構造特點，根據(jù)其機械傳動關系建立設備診斷模型，并根據(jù)此模型方便有效地計算故障診斷參數(shù)，以便能在診斷中根據(jù)這些信息就此對象模型得到正確的診斷結論。為此需提供一個建立診斷對象的建模工具。
3 建模系統(tǒng)
3.1診斷過程
　　首先根據(jù)以上的思想其診斷過程如下：由機械傳動關系建立診斷對象模型，輸入主軸轉速(rpm)，系統(tǒng)自動計算出每一個零部件的故障特征頻率。并且根據(jù)頻譜圖尋找譜圖中峰值點對應的特征頻率，計算與正常譜圖的相對幅值比，找到具有此特征頻率值的零件。查看是否滿足相應診斷網(wǎng)絡所需的要求，如果滿足，則調(diào)用相應的網(wǎng)絡進行診斷推理，最后得到不同故障類型的嚴重程度。過程如圖1所示，其中虛線所示為本節(jié)主要討論部分。

3.2 建模工具
　　設計建模工具采用了面向對象的分析方法，具有柔性、開放性、靈活性等特點。機械設備一般由軸、軸承、齒輪等零部件有機地結合在一起，形成了各種傳動鏈。我們可以把這些軸、軸承、齒輪等零部件與面向對象技術中的對象結合起來，把各種零部件抽象成不同的對象類，形成各種零部件類。各個零部件有相對的獨立性，它們之間互不干擾。不同零部件之間的聯(lián)系通過消息間相互傳遞進行，并且對象的具體處理方法由各個零部件類自己來完成，而發(fā)送消息給它的零部件類并不需要知道它的內(nèi)部實現(xiàn)過程，有利于系統(tǒng)的維護。零部件類的屬性和功能的修改或增加并不影響到其它類。所以設備對象的建模系統(tǒng)適合采用面向對象的編程方法。零部件的類與面向對象的對象類對應起來，零部件的狀態(tài)與對象的屬性相對應，操作零部件的動作與對象的方法相對應。系統(tǒng)軟件設計采用了面向對象的語言Boraland C＋＋5.0，利用其OWL(Object Windows Library)編程思想^[4]。
　　該系統(tǒng)提供了軸、軸承、齒輪、剪切等編輯工具，可根據(jù)實際的傳動關系畫出設備的機械構造示意圖，并通過友好的人機接口賦予各對象一定的必要信息，如軸承滾動體的個數(shù)、接觸角、節(jié)徑、直徑、所在軸的編號等；齒輪的齒數(shù)、編號、所在軸編號、嚙合齒輪編號等；軸的編號等。模型被初始化即模型中的某根軸被賦予一定的轉速后，系統(tǒng)則根據(jù)對象間的消息傳遞自動搜索其傳動鏈上的傳動關系并根據(jù)(3)～(7)公式自動計算各零部件的特征頻率f_a、f_o、f_i、f_b、f_c，同時把這些搜索出的信息與計算出的特征頻率值保存在各零部件對象中。用戶可通過屬性對話框來查詢搜索后的結果。這樣大大節(jié)省了工程技術人員的計算任務。同時它還提供了和其它數(shù)據(jù)庫的接口，如與信號分析數(shù)據(jù)庫連接后，可根據(jù)故障信號譜值和正常信號譜值比計算FS并實時顯示此模型設備各部件的故障診斷參數(shù)，包括特征頻率值、特征頻率處的故障信號譜值與正常信號譜值、相對幅值比、歸一化值等；和神經(jīng)網(wǎng)絡數(shù)據(jù)庫相連后，將顯示各零部件診斷時所調(diào)用的網(wǎng)絡信息及網(wǎng)絡的輸入?yún)?shù)。獲得網(wǎng)絡輸入?yún)?shù)(或故障診斷參數(shù))的過程如圖2所示。

4 建模實例
　　選擇六安汽車齒輪箱總廠的產(chǎn)品LC5T81變速箱，輸入轉速為n＝1600±16rpm，負載為M＝255±2.55N.M，檔位有四檔，分別對應著不同的齒輪嚙合。其中四檔為變速箱的直接檔，它的齒輪總是嚙合的，I軸為輸入軸，III軸為輸出軸。其簡單的機械傳動示意圖如圖3(a)，選取第三檔的齒輪作為研究對象，其傳動齒輪的傳動示意圖如圖3(b)，根據(jù)圖3(b)所建立的診斷對象的傳動模型如圖3(c)所示。

　　分別打開軸、軸承、齒輪對象的參數(shù)屬性對話框，輸入計算特征頻率參數(shù)時所用的屬性如齒輪的齒數(shù)、軸承的滾動體個數(shù)、滾動體直徑、滾動體節(jié)徑和滾動體接觸角等參數(shù)，便于系統(tǒng)初始化后能根據(jù)傳動關系計算各零部件的特征頻率。對圖3(a)的I軸初始化，并調(diào)用從第三檔齒輪所測得的正常信號、故障信號的譜值數(shù)據(jù)庫。從而得到各零部件的故障診斷參數(shù)。例如，圖4(a)為第三檔上齒數(shù)為27的齒輪的診斷參數(shù)，圖4(b)為I軸上的軸承診斷參數(shù)。歸一化后的值送入相對應的模糊神經(jīng)網(wǎng)絡則完成故障的診斷推理。