/album/list?doc_id=45441c610b1c59eef8c7b469

Fitter Technician Paper

기계 결함 진단의 오진 및 정보 처리 방법

요약: 기계적 상태의 오진은 기계적 상태의 왜곡된 반영으로, 진단 데이터의 부정확성, 진단 근거의 불신뢰성, 불합리한 진단 추론 등 오진의 원인이 많이 있습니다. 기계적 상태의 정보 특성은 기계적 결함 진단에서 중요한 역할을 합니다. 정보 특성을 연구하는 것은 결함 진단 비율과 결함 진단의 신뢰성을 향상시키는 데 실질적인 의미가 있습니다. 진단을 다루는 대략적인 집합 이론. 수학적 방법의 불확실성에 대한 이론.

키워드: 결함 진단, 신뢰할 수 없는 정보, 연구

기계 결함 진단 개발 과정에서 결함 진단률의 향상은 항상 연구의 핵심이었습니다. 그러나 결함에 대한 오진은 사람들의 관심을 충분히 끌지 못했습니다. 기계적 결함 진단에 있어 오진의 문제점을 체계적으로 설명하기 위해, 기계적 결함 진단의 추론과정의 연계에 따라 오진의 의미와 분류를 구체적으로 분석한다. 이러한 오진의 잠재적인 원인을 고려하여 우리는 오진을 줄이기 위한 방법과 조치를 제안합니다. 기계적 결함 진단의 신뢰성을 높이고 오진율을 줄이면서 진단 데이터의 정확성을 보장하려면 진단 시스템이 합리적이고 개방적이며 확장 가능해야 진단 지식이 지속적으로 풍부해지고 풍부해질 수 있습니다.

1 기계적 오진의 원인

진단 결과와 진단 대상의 객관적인 차이에 따라 고장진단의 결론은 확진진단, 오진진, 오진단으로 나눌 수 있다. 확인된 진단은 진단대상의 고장판단이 정확하다. 진단 누락은 결함이 누락된 것입니다. 오진은 이름에서 알 수 있듯이 잘못된 진단이며, 오진이라고도 할 수 있습니다. 진단 누락은 본질적으로 기기의 오진으로 분류될 수 있습니다.

1.1 결함의 복잡성

결함 진단 과정에서 결함 전개 과정에서는 결함의 성격과 특성으로 인해 진단 대상의 결함 프로세스가 복잡하고 변경 가능합니다. 결함을 일으키는 요인의 특징과 작용 방식이 다르며, 기계적 기능 조건과 손상의 구체적인 상황도 다르므로 결함 징후와 진화의 형태가 다양해 신속하고 정확하게 인식하기 어려운 경우가 많습니다. 특정 증상은 다음과 같습니다. 여러 측면:

(1) 결함이 발생하는 동안 결함은 다양한 결함 증상을 나타낼 수 있습니다. 예를 들어, 유압 시스템의 고장 진단에서 전자기 역전 밸브의 고장으로 인해 시스템 압력 및 유량이 요구 사항을 충족하지 못하고 맥동이 심해질 수 있으며 시스템 작동 온도가 상승할 수도 있습니다. 등. 동일한 종류의 기계라 할지라도 서로 다른 진단 대상은 동일한 결함에 대해 서로 다른 반응을 보입니다. 한 주체는 빠르게 반응할 수 있고, 다른 주체는 느리게 반응할 수 있으며, 한 주체는 특정 오작동의 특정 증상에 격렬하게 반응할 수 있는 반면, 다른 주체는 보다 원활하게 반응할 수 있습니다.

(2) 다양한 결함은 발생 과정에서 유사한 증상을 나타낼 수 있으며 동일한 증상이 여러 결함 형태에 해당할 수 있습니다. 예를 들어, 회전 기계에서는 다양한 결함의 발생이 진동의 증가를 동반하는 경우가 많으며, 주파수 영역 분석에서는 동일한 승수에서 다양한 결함이 유사한 증상을 나타낼 수 있습니다. 결함 증상의 이러한 유사성으로 인해 결함 진단 시 혼란이 발생하기 쉽습니다.

(3) 많은 경우 결함이 발전함에 따라 이차 결함이 원래 결함을 덮을 수도 있고, 원래 결함이 이차 결함을 덮을 수도 있습니다. 결함 진단을 어렵게 만듭니다. 예를 들어, 유압 시스템에서는 어떤 이유로 인해 오일 오염 정도가 증가하여 유압 펌프의 이동 쌍에 심각한 마모가 발생할 수 있으며 마모된 입자가 오일에 혼합되어 오일 오염이 더욱 악화되고 마모가 발생할 수 있습니다. 유압 펌프는 유압 시스템의 고장을 일으키고, 펌프의 고장은 오일 오염과 같은 1차 고장으로 인해 발생하며, 펌프 마모와 같은 1차 고장과 2차 고장이 혼합되어 서로 촉진됩니다. 일차적인 어려움을 찾는 데 시간이 늘어나는 악순환입니다.

장애 진단에 있어서 장애 증상의 복잡성으로 인한 어려움을 극복하기 위해서는 사고의 폭을 넓혀야 하며, 전형적인 장애와 증상에 대한 편협한 사고에 집착하지 말고 시스템 관점에서 출발해야 ​​합니다. 환경에서 기계, 로컬에서 전체, 단계별로 증상, 원인, 고장 메커니즘을 유기적으로 결합하여 연구하여 오진율을 낮추고 있습니다.

1.2 진단 지식의 불확실성

다양한 기계 장비의 다양한 수준과 작업 환경으로 인해 우리가 얻는 결함에 대한 지식은 종종 불확실하고 불완전합니다. 일반적으로 결론을 내리기 전에 특정 결함이 완전히 발생할 때까지 기다릴 수는 없지만, 결함이 더 이상 발생하지 않도록 조기 진단을 실시하고 적시에 조치를 취해야 합니다. 이런 식으로 부분적인 증상을 기반으로 진단을 내려야 합니다. 결함이 있거나 증상이 없으므로 필연적으로 오진이 발생합니다.

결함 진단 데이터가 부족하여 결함에 대한 이해가 크게 제한되어 명확한 진단이 어려워지는 경우도 있습니다. 때로는 유사한 증상이 있는 결함을 완전히 제거할 수 없는 경우도 있습니다. 결함 증상이 완전히 일관되지 않고, 결함 가능성이 배제되며, 특정 결함을 식별할 근거가 충분하지 않기 때문에 결함 진단의 추론 과정이 모호하고 어느 정도 불확실성이 있는 경우가 많습니다.

이러한 상황에 대응하여 결함 진단 대상을 충분히 연구하고 합리적인 퍼지 지식 체계와 퍼지 추론 엔진을 구축하며 현대 인공 지능 원리를 사용하여 진단을 구현하는 것이 결함 진단의 본질에 더 부합합니다. 진단의 신뢰도를 높일 수 있습니다.

1.3 이론의 상대성

실제 실패 과정에 비해 어떤 이론이라도 환경과 인간으로 구성된 이론은 다릅니다. 결함 진단 실습의 특정 상황을 일반적으로 요약할 수 있을 뿐이지만 동시에 이론은 특정 과학적, 기술적 조건에 의해 제한되며 여전히 이해해야 할 영역이 있습니다.

이론과 구체적인 결함 사이에는 항상 일정한 거리가 있습니다. 결함 진단 기준은 일반적인 증상을 기준으로 요약하여 정리한 것이며, 덜 일반적인 결함은 모두 진단 기준에 부합하지 않을 수 있습니다.

요컨대, 우리가 개발하는 진단 시스템은 개방적이고 확장 가능해야 시스템이 지속적으로 개선될 수 있어야 하며, 이는 오진율을 줄이는 중요한 방법입니다.

1.4 진단 실무의 한계

결함 진단의 실무는 기계적 결함 진단의 형성과 발전의 기초이며 관련성을 확보하는 데에도 중요합니다. 그러나 테스트와 기계 시스템의 실제 작동 조건 및 작업 환경에는 차이가 있기 때문에 도출된 결론에는 결함 진단의 대상으로서 기계 시스템과 실제에 대한 이해가 제한되어 있습니다. 예를 들어, 경험이 풍부한 사람은 기계 이미지를 관찰할 때 많은 양의 결함 지식을 축적하고 기계 작동 조건을 더 정확하게 파악하고 합리적인 진단 결론을 내릴 수 있습니다. , 특히 조기 결함 및 비정형 결함 진단에 특히 그렇습니다. 따라서 우리는 진단의 실무적 측면을 강화하고 실무에서 유용한 지식을 추출하여 진단 시스템을 확장하고 풍부하게 해야 합니다.

1.5 데이터 수집의 부정확성

고장 진단 과정에서는 기계 시스템 작동에 대한 관련 데이터를 먼저 획득해야 합니다. 기계 작동 중에는 종종 외부 환경과 다양한 무작위 요인의 영향을 받아 얻은 데이터가 어느 정도 부정확해 쉽게 오진으로 이어질 수 있습니다. 따라서 확률요인의 영향을 줄이고 추세 항목, 특이 항목 등을 제거하고 데이터 정확도를 높이기 위해 필요한 데이터 전처리 방법을 채택해야 하며, 이는 오진율을 줄이기 위한 필수 조건이기도 합니다.

1.6 진단 인력은 전문성이 부족합니다.

진단 인력의 품질도 진단 결론의 정확성을 결정합니다. 결함 진단을 수행할 때 진단사의 이론적 지식, 실제 경험, 방법에 대한 지식 및 태도는 오진으로 이어질 수 있습니다. 동시에, 지식을 종합적으로 적용하고, 이론과 실제를 통합하고, 실제적인 문제를 해결하는 데 능숙한 진단사의 능력도 진단 결론에 영향을 미칠 것입니다.

2 기계 결함 진단 시 정보 추출

2.1 정보 추출이 신뢰할 수 없음

기계 결함 진단은 직접 진단과 간접 진단으로 구분됩니다. 장비 구조 및 작업 조건의 한계로 인해 직접적인 진단이 어려운 경우가 많습니다. 따라서 간접진단이 많이 활용되는데, 즉 장비의 주요 구성요소의 상태 변화를 2차 진단정보를 통해 간접적으로 판단하는 것이다. 진단 테스트는 2차 진단 정보를 얻는 데 필요한 핵심 링크입니다. 가장 일반적인 테스트는 진동 테스트(변위, 속도, 가속도) 및 소음 테스트입니다.

그러나 얻은 데이터는 여러 가지 이유로 왜곡될 수 있습니다.

이는 세 가지 측면에서 반영됩니다. (1) 데이터가 객관적인 존재를 올바르게 반영하지 않습니다. (2) 데이터의 신호 대 잡음비가 낮습니다. (3) 데이터가 불완전합니다. 이러한 부정확한 데이터를 유효한 데이터로 분석할 경우 오진이 발생할 가능성이 높다.

2.2 부정확한 정보 처리

기계 결함 정보를 반영하는 특징을 빠르고 효과적으로 추출하는 것이 기계 결함 진단의 핵심입니다. 진단 특징은 주로 장비에서 수집된 신호를 분석하고 처리하여 얻습니다. 이러한 특징은 피크 대 피크 값, 제곱 평균 제곱근 값, 첨도 등과 같은 간단한 시간 영역 특징일 수도 있고 오일 온도, 오일 압력 등과 같은 프로세스 매개변수 특징일 수도 있습니다. 주파수 도메인 기능 및 홀로그램 스펙트럼 기반 기능(예: 주파수 타원 및 축 궤적 등)

현재 통계 시뮬레이션, 웨이블릿 분석, 독립 성분 분석, 주파수 영역 분석, 홀로그램 스펙트럼 분석 등 다양한 특징 추출 방법이 끝없이 등장하여 진단의 특징 추출에 효과적인 솔루션을 제공하고 있습니다. 사물. 적용 시 많은 방법에는 적용을 위한 전제 조건이 있습니다. 더욱이, 다양한 방법은 다양한 응용 분야에서 한계와 수학적 정확성 문제를 가질 수 있습니다. 실제 적용에서는 이러한 사항이 발견되지 않으면 오진이 발생할 수 있습니다.

2.3 불완전한 정보

진단대상의 경우, 그 작동상태가 복잡할 경우 객관적인 조건과 수단의 한계로 인해 정확한 정보를 얻기 어려울 수 있다. 제공되며 주로 다음 세 가지 측면에 반영됩니다.

(1) 정보가 불완전합니다. 진단 실무에서는 결함과 진단 정보 사이에 일대일 대응이 없습니다. 하나의 정보는 여러 개의 서로 다른 오류에 해당하며, 하나의 오류는 여러 개의 서로 다른 정보로 표시되기도 합니다. 이를 위해서는 다양한 결함을 구별할 수 있을 만큼 유용한 정보가 필요합니다. 그렇지 않으면 오진이 발생할 수 있습니다.

(2) 정보가 일관되지 않습니다. 진단 정보의 불일치는 진단 실습에서도 흔히 나타나는 현상입니다. 이 메시지들 사이에는 어느 정도 충돌이 있습니다. 즉, 일부 정보는 주로 결함 F1을 지지하고 결함 F2를 거부하며, 다른 정보는 결함 F2를 지지하지만 결함 F1을 거부합니다. 이때 오진이 일어나기 쉽습니다.

(3) 정보가 불확실합니다. 진단 대상의 진단 정보는 많은 전송 채널을 경험했으며 센서, 전송 라인 등과 같이 불확실성이 작거나 클 수 있으며 이는 모두 확실성에 영향을 미칩니다. 또한, 정성적 정보와 정량적 정보의 전환으로 인해 발생하는 불확실성이 있습니다.

3 정보 신뢰성 제고 및 오진 감소 대책

3.1 진단검사 정확도 제고

진단검사 정확도 제고는 진단의 신뢰성 확보이다. 데이터는 섹스의 중요한 전제 조건입니다. 다음 네 가지 측면에서 시작할 수 있습니다. (1) 센서를 정기적으로 검사합니다. (2) 측정에 여러 센서를 사용하는 것을 고려합니다. (3) 샘플링 매개변수를 올바르게 설정합니다.

3. 2 진단 시스템의 신뢰성 향상

장비 운영 및 유지 관리에 필요한 다양한 온라인, 오프라인, 원격 및 기타 진단 분석 시스템 및 인공 신경망 , Bayeux 스리랑카 네트워크 및 전문가 시스템과 같은 지능형 진단 시스템은 기계적 결함 진단에 점차적으로 사용되어 결함 진단에 많은 편의성을 제공할 뿐만 아니라 기계적 결함의 오진 가능성도 증가합니다. 특징 추출이나 진단 추론의 신뢰성을 향상시키기 위해 합리적이고 완전하며 효과적인 진단 시스템을 개발하면 오진율을 줄이는 데 도움이 됩니다.

3. 3 진단정보 설명의 객관성 강화

기계적 결함 진단에 있어서 진단정보의 중요성은 자명하며, 그 표현은 설명의 타당성 여부와 관련이 있다. 진단 추론 결과가 올바른지 여부를 판단합니다. 그러나 진단 실무에서 진단 정보에는 정성적 정보와 정량적 정보가 모두 포함되며, 단순한 정보와 복잡한 정보가 모두 포함됩니다. 진단 추론 과정에서 정량적 정보는 정성적 정보로 변환되는 경우가 많습니다. 예를 들어 "70},m의 진동"은 "큰 진동" 등으로 설명됩니다.

확률 이론과 퍼지 수학은 이러한 정보를 설명하는 강력한 도구입니다. 따라서 고장진단의 정보 표현과 기술에 확률론과 퍼지 수학 이론을 접목시켜 기술의 객관성을 높이는 적절한 방법이 고려될 수 있다.

4 대략적인 정보 불확실성에 대한 처리

랜덤 정보, 미결정 정보, 퍼지 정보, 회색 정보 중 하나를 포함하는 정보는 적어도 단일 형태의 정보입니다. 두 종류 이상의 정보는 맹목적 정보이며, 확률론, 퍼지이론, 회색수학, 미지수학의 이론과 방법이 유기적으로 결합된 것, 즉 불확정성 수학의 이론과 방법이 결합되어 특정한 이론과 방법을 제안하는 것 또는 유사하거나 다른 특징 패턴을 가진 정보를 처리하여 융합된 정보를 얻음으로써 정보의 불확실성, 모호성, 모순을 개선하는 방법이다.

대략집합이론은 모호하고 불확실한 지식을 다루기 위한 효과적인 수학적 도구로, 지식 분류와 지식 습득에 성공적으로 활용되어 왔다. 대략적인 집합 이론 방법과 신경망 방법, 유전 알고리즘, 퍼지 집합 이론 방법, 카오스 이론 등의 "소프트 과학" 방법의 차이점은 데이터 자체가 제공하는 정보만을 사용하고 어떠한 추가 작업도 필요하지 않다는 점입니다. 이론상의 기본 확률 할당, 퍼지 집합 이론의 소속 함수, 통계의 확률 분포 등의 추가 정보 또는 사전 지식. 대략적인 집합 방법은 관찰 및 측정 데이터의 분류를 기반으로 측정 가능한 출력을 직접 처리합니다. 따라서 대략적인 집합 이론은 다른 "소프트 컴퓨팅" 방법보다 더 실용적입니다. 대략적인 이론에 기초한 진단을 위한 일반적인 단계:

(1) 지식 기반 구축 수집된 과거 또는 시뮬레이션 데이터를 사용하여 공동 진단 시스템 결함 정보 테이블을 생성하고 지식의 형태로 표현됩니다. base S=(U, A, D, V, f) 지식 베이스는 비어 있지 않은 객체 공간 U = 3x>> xz,…, xm(, 속성 집합 공간 R=AV D, 부분 집합 A=으로 나눌 수 있습니다. }dl } a2 }…, do } 및 하위 집합 D=}df를 각각 조건부 속성 및 결과 속성이라고 하며 객체 공간과 후자의 두 객체, 즉 eA의 경우 f8 사이에는 객체 속성 관계 f8 및 nine이 있습니다. '를 정보 함수라고 합니다. :U}Vd를 결정 함수라고 하며, Va와 yd는 각각 A와 D의 유한 값 영역입니다.

(2) 데이터 이산화 방법에는 등식이 포함됩니다. 거리 분할 알고리즘, 등빈도 분할 알고리즘, NaiveScaler 알고리즘, 속성 중요도 기반 알고리즘, 중단점 중요도 알고리즘 등 부울 논리와 대략적 집합 이론을 결합한 알고리즘 등이 조건부 속성과 의사결정 속성의 값을 만듭니다. 연속적인 불확실성 공간이며 데이터 이산화는 대략적인 집합 이론을 사용한 데이터 전처리입니다.

(3) 특징 추출은 원래 N 데이터 특징에서 M 데이터 특징을 찾고 단순화된 M 데이터 특징은 다음과 동일한 분류 능력을 갖습니다. 객체 공간 U는 원래 N과 같습니다. 데이터 특징의 분류 기능은 동일합니다(N, M). 이 프로세스를 특징 추출이라고 합니다. 일반적으로 사용되는 특징 추출 방법에는 속성 중요도에 따른 최소 감소, 차이에 따른 논리적 단순화가 포함됩니다. 이 방법은 최대 분포 감소, 불변 하위 근사 품질 기반 속성 추출, 상위 근사 품질 기반 특징 추출을 사용하여 잡음 공해가 있는 경우 조건부 속성을 줄여 중복되는 조건부 속성을 제거합니다.

(4) 규칙 적용으로 추출된 규칙 세트는 새로운 객체를 분류하는 데 사용될 수 있습니다. 이 규칙 세트는 "분류자"라고 하며 분류자가 새로운 객체 x를 만나면 RUL로 표시됩니다. 규칙 세트 RUL에서 x의 조건부 속성과 일치하는 규칙을 검색하고 규칙 세트를 적용하여 새 개체 x의 의사 결정 속성을 결정합니다.

참조

1 Qu. Liangsheng, He Zhengjia. 상하이: Shanghai Science and Technology Press, 1986

2 Liu Zhenhua, Chen Xiaohong. 지난: Shandong Science and Technology Press, 2001

3 Qu Liangsheng, Wu Songtao. 진동, 테스트 및 진단에서 통계 시뮬레이션의 일부 응용, 2001, 21 (3): 157-167

참조: "리프팅 및 운송 기계" 2008