基于人工智能的故障監(jiān)測和診斷系統(tǒng)的研究

宗春英

ZONG Chun-ying

(寧夏職業(yè)技術學院，銀川 750021)

0 引言

隨著現(xiàn)代設備的日趨大型化、復雜化、自動化和連續(xù)化，設備一旦發(fā)生故障，給生產(chǎn)和質量以至人們的生命財產(chǎn)安全造成的影響往往大的難以估算，為使設備保持正常運行狀態(tài)所花的維修費用在企業(yè)經(jīng)營費用中也占了很大的比重。基于振動檢測技術的設備狀態(tài)監(jiān)測和故障診斷技術在我國高速線材生產(chǎn)線中已有應用，如寶鋼和武鋼。目前，在振動信號的分析處理方面，除了經(jīng)典的統(tǒng)計分析、時頻域分析、時序模型分析和參數(shù)辨識等方法外，其他的分析處理技術也正在不斷的發(fā)展之中，新的理論和技術也將不斷涌現(xiàn)。人工智能的研究成果為機械故障診斷注入了新的活力，故障診斷的專家系統(tǒng)不僅在理論上得到了相當?shù)陌l(fā)展，而且國外已有成功的應用實例，國內也有許多單位積極從事這方面的探索研究，本文將介紹這方面的內容[1]。

1 在線監(jiān)測與故障診斷技術原理

設備故障診斷作為一門新興的綜合性邊緣學科，經(jīng)過30多年的發(fā)展，已初步形成了比較完整的學科體系。就其技術手段而言，已逐步形成以振動診斷、溫度監(jiān)測和無損檢測探傷為主，其他技術或方法為輔的局面，這其中又以振動診斷涉及的領域最廣、理論基礎最為雄厚、研究得最為充分而最具生機和活力。

設備在線監(jiān)測與故障診斷技術的實質是了解和掌握設備在運行過程中的狀態(tài)，評價和預測設備的可靠性，早期發(fā)現(xiàn)故障，并對其原因、部位及危險程度等進行識別，預報故障的發(fā)展趨勢，并針對具體情況做出決策[2]。

由此可見，設備在線監(jiān)測與故障診斷技術包括識別設備狀態(tài)和預測發(fā)展趨勢兩方面的內容。具體過程如圖1所示。

圖1 在線檢測與故障診斷技術的具體過程

2 故障智能診斷技術的原理

目前，復雜設備的種類繁多，結構各異，工作方式不一。這種情況使得不同診斷領域、不同類型設備系統(tǒng)所需的診斷理論和方法具有明顯的特殊性。但是，無論哪個領域的診斷對象，事實上都可以看作一個系統(tǒng)。智能診斷的目的都是通過使用領域知識，進行診斷推理，識別系統(tǒng)狀態(tài)，查明故障原因，這是故障智能診斷的實質。不同的診斷對象總是具有許多共性的地方，拋開具體的診斷領域和對象，建立廣泛統(tǒng)一的故障智能診斷系統(tǒng)有關的概念，使智能診斷的研究更加系統(tǒng)化和理論化[3]。

故障智能診斷系統(tǒng)是由人、模擬人腦功能的硬件和必要的外部設備、物理器件及支持這些硬件的軟件所組成的具有智能的故障診斷系統(tǒng)。

故障智能診斷系統(tǒng)的智能水平，由這些部分的組織機構、相互作用方式以及作用歷程所決定。各部分的組織機構根據(jù)不同的原理和器件可以有多種實現(xiàn)方式，這里并不對其嚴格限制，相互作用方式是指它們在系統(tǒng)中的的作用和作用機制，作用歷程體現(xiàn)系統(tǒng)的診斷經(jīng)驗和能力的積累[4]。

3 故障智能診斷系統(tǒng)的研究方法

3.1 基于專家系統(tǒng)的方法

專家系統(tǒng)是指利用研究領域專家的專業(yè)知識進行推理去解決專業(yè)的高難度的實際問題的智能系統(tǒng)。故障診斷專家系統(tǒng)作為專家系統(tǒng)中的一個分支，是人們根據(jù)長期的實踐經(jīng)驗和大量的故障信息知識，設計出的一種智能計算機程序系統(tǒng)，以解決難以用數(shù)學模型來精確描述的系統(tǒng)故障診斷問題?；趯＜蚁到y(tǒng)的診斷方法是故障診斷領域中最引人注目的發(fā)展方向之一，也是研究最多應用最廣的一類智能診斷技術。它大致經(jīng)歷了兩個發(fā)展階段：基于淺知識（領域專家的經(jīng)驗知識）的故障診斷系統(tǒng)和基于深知識（診斷對象的模型知識）的故障診斷系統(tǒng)。

3.1.1 基于淺知識的診斷方法

淺知識是指領域專家的經(jīng)驗知識?；跍\知識的故障診斷系統(tǒng)通過演繹推理或產(chǎn)生式推理來獲取診斷結果，其目的是尋找一個故障集合使之能對一個給定的征兆（包括存在的和缺席的）集合產(chǎn)生的原因做出最佳解釋?；跍\知識的故障診斷方法具有知識表達直觀、形式統(tǒng)一、模塊性強和推理速度快等優(yōu)點，但也具有較大的局限性，如知識集不完備，對沒有考慮到的問題系統(tǒng)容易陷入困境；對診斷結果的解釋能力弱等。

3.1.2 基于深知識的故障方法

深知識則是指診斷對象的結構、性能和功能的知識。基于深知識的故障診斷系統(tǒng)要求診斷對象的每一個環(huán)節(jié)具有明確的輸入輸出表達關系，診斷時首先通過診斷對象實際輸入與輸出之間的不一致，生成引起這種不一致的原因集合，然后根據(jù)診斷對象領域中的第一定律知識（具有明確科學依據(jù)的知識）及其他內部特定的約束關系，采用一定的算法，找出可能的故障源。這種方法具有知識獲取方便、維護簡單和完備性強等優(yōu)點，但搜索空間大，推理速度慢。

3.1.3 基于淺知識和深知識的混合診斷方法

對于復雜設備而言，無論單獨使用淺知識還是深知識，都難以很好地完成診斷任務，只有將兩者有機地結合起來，才能使診斷系統(tǒng)的性能得到優(yōu)化。因此，為了使故障智能系統(tǒng)具有與人類專家能力相近的知識，研制者在建造智能診斷系統(tǒng)時，越來越強調不僅要重視領域專家的經(jīng)驗知識，更要注重診斷對象的結構、功能和原理等知識，研究的重點是淺知識與深知識的集成表示方法和使用方法。事實上，一個高水平的領域專家在進行診斷問題求解時，總是將他具有的深知識和淺知識結合起來，完成診斷任務。一般優(yōu)先使用淺知識，找到診斷問題的解或者是近似解，必要時用深知識獲得診斷問題的精確解[5]。

3.2 基于人工神經(jīng)網(wǎng)絡的方法

近年來，神經(jīng)網(wǎng)絡以其獨特的容錯、聯(lián)想、推測、記憶、自適應、自學習和處理復雜多模式等優(yōu)點，在許多學科中掀起了研究的熱潮。同樣在故障診斷領域中，其發(fā)展前景也是十分樂觀的。

在知識獲取上，神經(jīng)網(wǎng)絡的知識不需要由工程師進行整理、總結以及消化領域專家的知識，只需要用領域專家解決問題的實例或范例來訓練神經(jīng)網(wǎng)絡。知識表示方面，神經(jīng)網(wǎng)絡采取隱式表示，在知識獲取的同時，自動產(chǎn)生的知識由網(wǎng)絡的結構和權值表示，并將某一問題的若干知識表示在同一網(wǎng)絡中，通用性強，便于實現(xiàn)知識的自動獲取和并行聯(lián)想推理。在知識推理方面，神經(jīng)網(wǎng)絡通過神經(jīng)元之間的相互作用來實現(xiàn)推理，目前在許多領域的故障診斷系統(tǒng)中已開始應用。由于神經(jīng)網(wǎng)絡從故障實例中學到的只是一些分布權重，而不是類似領域專家邏輯思維的產(chǎn)生式規(guī)則，因此推理過程不能夠解釋，缺乏透明度。

目前，人工神經(jīng)網(wǎng)絡法在設備故障診斷領域的應用主要集中在兩個方面：1）神經(jīng)網(wǎng)絡作為分類器進行故障模式識別；2）神經(jīng)網(wǎng)絡作為動態(tài)預測模型進行故障預測。在故障診斷方面應用最多的網(wǎng)絡類型仍然是多層前饋神經(jīng)網(wǎng)絡，如BP 網(wǎng)絡和RBF網(wǎng)絡[6]。

3.3 基于遺傳算法的智能診斷方法

遺傳算法最早由Holland教授提出，是一種新興的模擬自然界生物進化機制的搜索尋優(yōu)技術。遺傳算法是多學科相互組合與滲透的產(chǎn)物，它已發(fā)展成為一種自組織、自適應的綜合技術，廣泛應用在計算機、工程技術、管理科學和社會科學等領域。

3.4 基于不確定性理論的診斷方法

3.4.1 模糊邏輯方法

故障診斷是通過研究故障與征兆(特征元素)之間的關系來判斷設備狀態(tài)。由于實際因素的復雜性，故障與征兆之間的關系很難用精確的數(shù)學模型來表示，而且某些故障狀態(tài)也是模糊的。這就不能用“是否有故障”的簡易診斷結果來表達，而要求給出故障產(chǎn)生的可能性及故障位置和程度如何，此類問題用模糊邏輯能較好的解決，這就產(chǎn)生了模糊故障診斷方法。由于模糊診斷方法能夠模擬人的思維過程，適于表示人們的各種知識，具有很強的邏輯推理能力，這種方法近年來已成為一個非常活躍的研究領域。

模糊故障診斷有兩種基本方法：1）先建立征兆與故障類型之間的因果關系矩陣，再通過某種模糊合成算子建立故障與征兆的模糊關系方程，這是基于模糊關系及合成算法的診斷方法；2）是先建立故障與征兆的模糊規(guī)則庫，再進行模糊邏輯推理的診斷過程，這是一種基于模糊知識技術的診斷方法。此外，基于模糊推理的故障診斷方法還有：基于自適應模糊閾值的殘差評價法、基于模糊聚類和基于模糊邏輯的殘差評價方法[7]。

3.4.2 基于灰色理論的方法

灰色理論是研究機械系統(tǒng)的振動特征與對應故障特征之間的相關性，以反映系統(tǒng)內部的聯(lián)系，定量地描述系統(tǒng)內部不可見特征與故障特征的發(fā)生與發(fā)展之間的關系。灰色理論是控制論觀點和方法的延伸，它從系統(tǒng)的角度出發(fā)來研究系統(tǒng)已知信息和未知信息之間的關系。由于在機械設備運行中，征兆和病癥的因素之間沒有確定的映射關系和明確的作用原理，因此，一臺運行中的大型機器或設備也可以看作一個復雜的灰色系統(tǒng)。所以理論上把灰色理論的概念和方法引入到故障診斷領域，利用已知的故障特征量去判別機械系統(tǒng)的狀態(tài)并對未來發(fā)展趨勢做出預報和決策是完全可行的。

灰色理論包括灰色預測、灰色關聯(lián)度分析、灰色聚類和灰色決策等內容。到目前為止，用于機械故障診斷和模式識別最多的是灰色關聯(lián)度分析，并且主要用于多參數(shù)診斷[8]。

3.4.3 基于證據(jù)理論的方法

證據(jù)理論是由Shafe進一步發(fā)展起來的一種處理不確定性的理論。它描述了證據(jù)作用的方法，以及多角度綜合多方面的證據(jù)、面對同一問題進行信息融合的數(shù)學手段，從而使人們對問題的判斷更理性和更可靠。證據(jù)理論認為，對于概率推斷的理解，不僅要強調證據(jù)的客觀性，也要重視證據(jù)估計的主觀性，概率是人們在證據(jù)的基礎上構造出的對一命題的信任程度。因此證據(jù)理論可以從全面的角度綜合利用證據(jù)，對系統(tǒng)的狀態(tài)概率進行歸納與估計，給出正確的決策。目前，證據(jù)理論在機械故障診斷研究中多用于多傳感器數(shù)據(jù)融合方面。

3.4.4 基于貝葉斯網(wǎng)絡的推理方法

貝葉斯網(wǎng)絡是一種基于網(wǎng)絡結構的有向圖解描述，是人工智能、概率理論、圖論和決策理論相結合的產(chǎn)物。它用具有網(wǎng)絡結構的有向圖表達各個信息要素之間的關聯(lián)關系及影響程度，用節(jié)點變量表達各個信息要素，用連接節(jié)點之間的有向邊表達各個信息要素之間的關聯(lián)關系，用條件概率表達各個信息要素之間的影響程度。把貝葉斯網(wǎng)絡不確定性推理方法引入到機械狀態(tài)監(jiān)測和故障診斷中，將有效提高診斷信息的利用率。它基于現(xiàn)有的不確定信息、或在現(xiàn)有信息不全面的情況下，實現(xiàn)工況信息、征兆信息、歷史信息和經(jīng)驗信息等等多種信息的綜合推理和故障預示，提供了推理和預示的準確度[9]。

4 結束語

智能診斷技術正在成為人們的研究熱點，并且已有不少達到實用的程度，它豐富了故障診斷和在線檢測技術方法，為工程人員提供更多的選擇，使工程人員能夠更準確地檢測設備故障和狀態(tài)。但是，每一種先進的智能技術都并非十分完美，各自有著自身的長處與不足，它們雖然能在某些方面某種程度上提高系統(tǒng)的性能，但在系統(tǒng)設計或實現(xiàn)過程中往往又存在一些難以解決的問題。

[1] 王江萍.機械設備故障診斷技術及應用[M].西北工業(yè)大學出版社,2001.

[2] 陳克興,李川奇.設備狀態(tài)檢測與故障診斷技術[M].科學技術文獻出版社,1991.

[3] 石純一,黃昌寧.人工智能原理[M].北京:清華大學出版社,1993.

[4] 吳源泉,劉江寧.人工智能與專家系統(tǒng)[M].國防科技大學出版社,1993.

[5] 吳金培,肖建華.智能故障診斷與專家系統(tǒng)[M].北京:科學出版社,1997.

[6] S.Simani,C.Fantuzzi.Fault diagnosis in power plant using neural networks Information Sciences[J].2000(127):125-136.

[7] Maruyama N,Benouarets M and Dexter A L. Fuzzy modelbased fault detection and diagnosis[J].Proceeding of IFAC World Congress, San Francisco,USA.1996:121-126.

[8] 周宇陽,陳漢平,等.故障診斷灰色數(shù)學模型[J].中國電機工程學報.2002,22(6):146-151.

[9] 李大鵬,孫豐瑞,金裕紅.貝葉斯統(tǒng)計在機電設備故障診斷中的應用[J].艦船科學技術.2004,26(5):31-33.