1近年来，对大型机组柔性转子系统机械故障机理进行的许多研究表明：转子系统机械故障特征主要为机械振动信息，且故障具有相关性和模糊性的特点。故障的相关性表现为多种故障同时发生；故障的模糊性表现为有些故障的分类边界模糊、故障之间有相似性。针对转子系统机械故障的上述特点，本文提出一基于组合式模糊神经网络的分布式转子故障诊断仪器系统。其中，分布式转子故障诊断仪器系统可以有效地对一机组的转子实现多通道振动信号同步、整周期、高速信号采集，通过信号处理进行特征提取。而基于组合式模糊神经网络转子故障诊断系统，可有效地提高对具有相关性和模糊性的转子机械故障的诊断能力。
2仪器系统设计
对机组的转子故障进行诊断时，需对转子振动进行多通道同步、整周期、高速信号采集，因此，本文采用分布式转子故障诊断仪器系统来实现这一复杂信号采集系统。该系统以通用计算机为核心，一方面控制所有的信号采集前置分机（Subsys），进行多通道同步、整周期、高速信号采集，另一方面对采集的信号通过信号处理，进行特征提取和故障诊断。信号采集前置分机，以高速单片机DS80C320为核心进行系统设计，实现5通道转子振动信号同步、整周期、高速信号采集。系统可以依据信号通道数配置信号采集前置分机数量。
3基于组合式模糊神经网络的转子故障诊断模型
模糊神经网络是将模糊逻辑融合到前向神经网络的输入层和输出层中，此时模糊神经网络的输入变量和输出变量均表示为模糊隶属度，网络输出结果是各输出模式的隶属度。为有效地提高对具有相关性和模糊性的转子机械故障的诊断能力，本文提出一种基于组合式模糊神经网络的转子故障诊断模型。该模型由2层多个模糊神经网络构成，以转子振动在不同频段上的振幅分布为转子故障特征信息。模型第1层为一个决策模糊神经网络，其输入为故障特征隶属度矢量X，输出为故障模式类型隶属度矢量Y；模型第2层由6个诊断模糊神经网络组成，诊断模糊神经网络是依据转子常见故障振动频谱分布情况，采用故障分解方法进行划分的，它们分别为：
低频故障诊断模糊神经网络模块A工频故障诊断模糊神经网络模块R高频故障诊断模糊神经网络模块S低频和高频故障诊断模糊神经网络模块AS工频和高频故障诊断模糊神经网络模块RS低频、工频和高频故障诊断模糊神经网络模块ARS上述故障诊断模糊神经网络模块的输入分别为故障特征隶属度矢量。
模型在进行故障诊断时分为如下2个步骤进行：
（1）依据第1层决策模糊神经网络输出模式类型隶属度矢量值，采用大隶属度优先为真原则，确定第2层哪个故障诊断模糊神经网络被激活为真。
（2）第2层被激活为真的诊断模糊神经网络计算推理，根据该网络计算得到的故障模式隶属度矢量值和大隶属度优先为真原则，并通过联想推理，给出故障诊断结果。
3.1模糊神经网络构造
基于组合式模糊神经网络的转子故障诊断模型中，第1层的决策模糊神经网络和第2层的6个诊断模糊神经网络均采用输入、输出模糊化的BP前向神经网络结构，其中网络的输入、输出模糊隶属度函数的选择如下：
（1）输入隶属度函数
模糊神经网络输入矢量的模糊化通过选择适当的隶属度函数进行。转子常见故障特征信息为转子振动（专用食盐振动筛的特点）在不同频段上的振幅分布，输入隶属度函数取为每个频段最大振幅占所取特征频段中最大振幅之和的比值分别为第i个和第j个特征频段的最大谱值，n为所取特征频段数。
（2）输出隶属度函数
模糊神经网络输出反映的是某个输入属于某个故障模式的模糊隶属度。通过对模糊分类中常用的贴近度函数的考察和对比，本文选用最大最小函数贴近度算法做为网络输出模糊隶属度函数。对于N类模式识别，网络有N个输出节点，用M维矢量Cj表示第j类输出模式聚类中心，网络有M个输入节点，则第i个输入模式对第j类输出模式的隶属度函数分别为第i个输入模式和第j类输出模式中心第k个输入特征元素的模糊隶属度值。
3.2第1层决策模糊神经网络
第1层决策模糊神经网络，网络输入特征隶属度矢量X={k，l，m}式中k为小于1倍频模糊隶属度；l为1倍频模糊隶属度；m为大于1倍频模糊隶属度。
网络输出模式类型隶属度矢量Y={A，R，S，AS，RS，ARS}，6种输出模式类型的模式中心分别为
A={0.8，0.1，0.1}；R={0.1，0.8，0.1}；S={0.1，0.1，0.8}；AR={0.5，0.5，0}；AS={0.5，0，0.5}；RS={0，0.5，0.5}；ARS={1/3，1/3，1/3}
3.3第2层诊断模糊神经网络模块
模型第2层由6个诊断模糊神经网络模块组成。设X为工频，各诊断模糊神经网络输入变量定义如下：
a为00.39X频段模糊隶属度b为0.40.49X频段模糊隶属度c为0.5X频率模糊隶属度d为0.510.99X频段模糊隶属度e为1X频率模糊隶属度f为2X频率模糊隶属度g为35X频段模糊隶属度h为>5X频段模糊隶属度各个网络的输入、输出中，6个模糊神经网络输出模式为网络A为谱幅值集中分布在1X的4种单一故障模式网络AS为谱幅值集中分布在1X的1种单一故障模式网络RS为谱幅值集中分布在1X和>1X的4网络ARS为谱幅值集中分布在1X，1X的3种单一故障模式
4实验结果
本文采用转子实验台来模拟大型转子的一些典型机械故障，进行实验分析，部分实验结果如下：（1）转子碰摩与不平衡的复合故障对转子实验台设置转子碰摩（主导故障）与不平衡的复合故障，得到故障样本（转子振动的时域波形）和故障特征（FFT频谱）及诊断结果。选择系统诊断模糊神经网络模块输出激活为真的模糊隶属度阈值为0.6时，系统给出的辅助诊断结果有7项。模型推理过程是：第1层决策模糊神经网络最大输出隶属度0.96，为RS子网；从而启动RS子网，最大输出隶属度0.872，为转子碰摩；启动同RS子网相关的R子网和S子网进行联想诊断，将输出隶属度大于阈值诊断结果全部列出。诊断系统对该复合故障样本给出多项辅助诊断结果及相应的输出隶属度，其中，转子碰摩（主导故障）具有最大输出隶属度0.872，转子不平衡故障输出隶属度0.671.
（2）转子不对中与不平衡的复合故障对转子实验台设置转子不对中与不平衡的复合故障，得到故障样本（转子振动的时域波形）和故障特征（FFT频谱），得到的诊断结果。
选择系统诊断模糊神经网络模块输出激活为真的模糊隶属度阈值为0.6时，系统给出的辅助诊断结果有7项。模型推理过程是：第1层决策模糊神经网络最大输出隶属度0.94，为RS子网；从而启动RS子网，最大输出隶属度0.817，为转子不对中，并且启动同RS子网相关的R子网和S子网进行联想诊断，将输出隶属度大于阈值诊断结果全部列出。
辅助诊断系统对该复合故障样本给出多项辅助诊断结果及相应的输出隶属度，其中，转子不对中（主导故障）具有最大输出隶属度0.817，转子不平衡故障）输出隶属度0.671.
5结论
针对柔性转子系统机械故障具有相关性和模糊性的特点，本文提出了一个基于组合式模糊神经网络的分布式转子故障诊断仪器系统。转子实验结果表明，该系统可以有效地对具有模糊性的单一故障和复合故障进行诊断，对转子的主导故障以最大隶属度结果给出，同时给出其他可能的故障结果及相应的隶属度，供现场工程技术人员进一步的联想推理，该模型较好地模拟了现场诊断专家的诊断过程。
该系统已投入大庆林源炼油厂、金陵石化公司工业现场运行，并于1999年通过中国石化总公司鉴定。