基于智能化模糊诊断系统的设备故障诊断方法
基于模糊理论的机械设备故障诊断方法
和 故 障 症 状 同 故 障 原 因 关 系 的 密 切 程 度 进 行 模 糊 量 化 ， 故 障征 兆 的 样 本 向 量 ，其 中 表 示 症 状 ｂ 可 观 察或 测 量
．
通 过分 析计算 判 断故 障原 因的可 能性 。
的 量值 。 对隶属函数 “ ｆ ） ，，求 出 其
状 以 及 故 障 原 因进 行 定 性 的 分 析 判 断 。
（ ２）设 由于 以上 故 障原 因所 引起 的 各 种 症 状 （ 温 如
机 械 故 障 的 形 成 与 发 展 是 一 个 渐 变 过 程 ， 因 此 ，可 度 的 变 化 、 压 力 的 波 动 油液 的 污 染 噪 声 和 振 动 特 征 的 改 变 等 ） 也 组 成 一 个 集 合 ，用 欧 氏 向 量 表 示 为 ：
可 能 性 大 小 的 相 对 故 障 集 。
设 为综 合故障 度集 ，则 可 表达为 ：
ｙ （ ， ）
其 中ｚ 表示故障源 ｃ可 观测或测量的 量值 。 设反映故障源充足程度的隶属函数为 ． ｚ ，根据 （． ）
故 障 症 状集 Ｂ ＝ （ｂ ，ｂ ，ｂ ，… ，ｂ ） 。 ，
．，
其 中 ，表 示 故 障 征 兆 种 类 的 总 数 【 。 ７ ３ 】 设 一 （ 。 ， ， ， 一 ．为 一 组 与征 兆 集 Ｂ相对 应 的 ，， ）
．
（ ２）从 故 障 症 状 方面 ，分 别 对 故 障 症 状 的 明显 程 度
法 ，通 过建 立模 型进 行定 量分 析和 故障 诊断 。
故 障原 因集 ＝（ 。 ， … ，口 ） 口 ，口 ，口 ， ，
其 中 ， 示故 障原 因种 类 的总数 。 表
１ 机械设备故 障模糊诊断思路的确定
基于模糊专家系统的故障诊断方法研究
统 设 置 、知 识 库 信息 咨 询 等 。
（ ） 系统 设 置 。包 括 故 障 诊 断 恢 复 、 印 设 定 、 ４ 打 系统 信息 、用 户 信 息 设 置 等 。 ２２ 发 动 机 故 障 诊 断模 糊 专 家 系 统 设 计 ．
结 合 发 动 机 故 障模 式 、现 象 及 特 点 ，本 文 开发
的模 糊 专 家 系统 具 有 的 功 能 如 图２ 示 。 所
图 ２ 发 动 机 故 障 诊 断 模 糊 专 家 系 统 主 要 功 能 图
（ ）故 障 诊 断 。可 进 行 正 向 推 理 的 诊 断 和 反 向 １
维普资讯
２ ０ 年 ４ 月 ０６
农 机 化 研 究
第 ４ 期
基 于 模 糊 专 家 系 统 的 故 障 诊 断 方 法 研 究
李 小 青
（ 汀 万 里 学 院 人 Ｉ智 能 控 制 研 究 所 ， 浙 － 宁 波 ３ ５ ０ ） 浙 『 Ｔ ｌ ｌ １
摘 要 ：随 着 汽 乍发 动 机 技 术 的 发 展 ，汽 下 的 安 拿性 、可靠 性 和操 控 性 得 到 ｒ极 大 的 改 善 ，使 汽 乍的 复 杂 程 度 越 来 越 高 为 此 ，开 发 ｒ基 于 汽 乍 发 动 机 敞 障诊 断 号家 系统 ，介 绍 ｒ系统 的基 本 结 构 及 其 开 发 方 法 ， 重 点 描 述 了模 糊 知 识的 表 示 、知 识 的 管 理 以及 推 理 机 制 的 构 成 。 经 过 多 次使 用 证 日 月．该 专 家 系 统 具 有 非 常 高的使用价值 ． 关 键 词 ：交 通 运 输 Ｉ ； 敝 障 诊 断 ：理 论 研 究 ：专 家 系统 ；模 糊 推 理 程 中 图 分 类 号 ：Ｕ ７ ． ４ ２ ９；ＴＰ ８ １２ 文 献 标 识 码 ：Ａ 文 章 编 号 ： １ Ｏ — １ ８ ２ ０ ）４ ０ ７ － ０ Ｏ３ ８ Ｘ（０ ６ ０ － ０ ９ ４
电气设备故障智能自诊断系统
电气设备故障智能自诊断系统摘要：在现代科技迅猛发展的背景下，智能技术在电气设备故障诊断中的应用呈现出显著优势。
应用智能技术进行电气故障诊断能够及时发现故障并且能够准确进行故障定位，从而为故障维修人员提供可靠的工作依据。
为了降低人工排查电气设备故障的难度，提升电气设备故障诊断的智能化水平，设计了一种电气设备故障智能自诊断系统，该系统能准确地判断电气设备发生故障的元器件，缩短排查故障时间，提高工作效率。
关键词：电气设备故障；智能自诊断引言电力设备是电气系统运行中的关键组成部分。
不同电力设备在运行中所产生的故障类型具有多样化和复杂性，严重影响电力系统的安全稳定运行。
同时，在电力设备长期运行过程中，故障问题的发生是难以避免的。
因此，增强电气故障诊断的及时性、准确性是降低电气故障影响电力系统正常运行的重要前提。
在电气故障诊断中应用智能技术能够快速、高效地检测出电力系统运行中存在的各类型故障，并且能够借助智能技术实现对电力设备故障隐患的排查，从而加强对电力系统运行的检验，及时对故障隐患设备进行维修养护，实现电力系统的高效运行。
1电气设备可靠性分析1.1准确的故障诊断方法有多种技术可用于通过定性检测图像分析来确定电气设备的热严重性。
其中一项技术是通过确定每个电气设备的实际最高温度并根据标准评估其状况来进行直接解释。
最高温度由指定选定区域内的最高像素值。
然而，这种技术有时会产生误导。
这是因为电气设备的温度会受到环境温度不同程度的影响。
因此，还必须考虑与环境温度不同的相对温度。
计算直方图或直方图距离是另一种可用于两个物体之间的相似性。
在这种情况下，计算每个区域的直方图并与其他区域进行比较。
另一种推荐的方法是分析分割区域的梯度。
利用梯度分析技术的一个优点是可以识别电气设备中热点的来源，所有这些参数都可以作为输入特征的决策过程。
电气设备检测通常可用于比较相似设备之间的故障，但可能需要显示故障的严重程度。
机电系统的故障诊断往往依赖于对满载发热点的预测和设备在该温度下的耐久性。
设备维保中的故障诊断与维修方法案例分析
经过检查，发现数控机床的主轴电机出现 故障，导致机床无法正常工作。
维修方法
经验总结
更换主轴电机，并对机床进行全面检测， 确保机床恢复正常运行。
对于数控机床这类高精度设备，应定期进 行案例二：电梯故障诊断与维修
故障现象
电梯在运行过程中出现抖动，且伴有异响。
发动机在启动后出现异常响声，且功率下降。
经过检查，发现发动机的曲轴轴承出现磨损，导致发动机运行 不稳定。
更换曲轴轴承，并对发动机进行全面检测，确保发动机恢复正 常运行。
对于发动机这类核心部件，应定期进行维护和保养，及时发现 并解决潜在故障，以保证设备的正常运行和延长使用寿命。
04
设备故障预防与管理
02
设备维修方法
预防性维修
定期检查
按照预定的时间间隔对设备进行检查，及时发现潜在的故障或问 题，防止设备在运行过程中出现故障。
预防性维护
根据设备制造商的推荐，定期对设备进行维护和保养，如更换润滑 油、清洗设备等，以保持设备的良好状态。
故障预测
利用先进的故障预测技术，如振动分析、油液分析等，对设备的运 行状态进行监测，预测可能出现的故障。
设备维保中的故障诊断与维修方法案 例分析
目 录
• 设备故障诊断技术 • 设备维修方法 • 故障诊断与维修案例分析 • 设备故障预防与管理 • 设备故障诊断与维修的未来展望
01
设备故障诊断技术
故障诊断的基本概念
故障诊断
通过对设备运行状态进行监测， 识别和判断设备是否存在异常或 故障，并对故障的性质、部位和 程度进行分析的过程。
智能化和自动化技术的应用
智能化故障诊断系统
利用智能化技术对设备进行实时监测和故障诊断，提高故障识别 速度。
设备故障诊断技术介绍
设备故障诊断技术介绍
设备故障诊断技术是一种应用于工业生产中的重要技术，它可以帮助企业提高生产效率，降低故障率，减少维修成本。
下面我们将介绍几种常见的设备故障诊断技术。
首先是传感器技术，传感器是设备故障诊断的核心部件。
通过安装各种传感器来监测设备运行状态，并将监测到的数据传输给计算机系统进行分析，可以实时监测设备是否出现异常，并及时发出报警。
传感器技术可以有效提高设备的安全性和稳定性。
其次是故障诊断软件技术，利用各种故障诊断软件可以对设备进行实时监测和分析，识别设备的故障类型和原因，并提出相应的解决方案。
这可以帮助企业及时发现设备故障，减少生产中断时间，提高生产效率。
此外，还有振动分析技术，通过安装振动传感器，监测设备的振动情况，可以判断设备是否出现故障。
振动分析技术可以帮助企业实现对设备运行状态的实时监测，大大减少了设备故障的发生。
总之，设备故障诊断技术在工业生产中起着非常重要的作用，它可以帮助企业提高生产效率，降低故障率，减少维修成本，是企业提高竞争力的重要手段之一。
随着科技的不断发展，设备故障诊断技术也会不断完善，为工业生产带来更多的便利和效益。
智能化监测诊断技术中的故障模式识别方法
西南民族大学学报 ・ 自然科学版
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｓ ｏ ｕ ｔ ｈ ｗｅ ｓ ｔ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｆ ｏ ｒ Ｎａ ｔ ｉ ｏ ｎ ａ ｌ ｉ ｔ ｉ ｅ ｓ ・ Ｎａ ｔ ｕ ｒ ａ ｌ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ Ｅｄ ｉ ｔ ｉ ｏ ｎ
２ Ｏ 世纪 ９ Ｏ 年代初， 设备状态监测与故障诊断技术在国内高等院校和科研机构中形成了研究热点， ９ ０ 年代 中 期此项技术逐步在 国内大中型企业得到了推广和普及． 随着以计算机技术为核心、以数字化技术为特征的现代 信息技术与设备状态监测与故障诊断技术的融合， 出现 了新一代智能化监测诊断控制技术． 在 冶金、冶炼、化工、 建材类大中型企业， 大型旋转机械等主要生产设备的技术状况对系统影响较大， 任何 因故障导致的单体设备停机 ， 都会给生产流程带来 巨大损失． 采用图形化模糊神经网络专家知识库等专家 系统 技术对设备进行智能化监测诊断已经得 到科研人员和企业设备管理人员的普遍重视， 成为设备状态监测与故障 诊 断技 术 的主 要发 展 方 向． 传统的诊断方法存在一定的局限性． 以模 式识别为基础的故障诊断技术是 ２ ０世纪 ９ Ｏ年代中期随着智能化 监测诊断控制技术的形成而异军突起的－ｆ － ｊ 信息化新技术． 通过近 ２ ０ 年的努力，目前常用的模式识别方法有多 种， 包括： 模板 匹配识别法、统计模式识别法、句法模 式识别法和直接逻辑识别法等． 其中， 统计模式识别法是 设备状态监测与故 障诊断领域最常用的故障模 式识别方法． 在统计模 式识别法 中， 时间序列法是一种简单易行， 最容易为企业接受方法之一， 极具推 广应用价值 ． 本文重点介绍时 间序列法的基本原理及应用步骤， 为进一步 普及以时间序列法为代表的故障模式识别方法打下基础．
基于模糊产生式规则推理的电脑故障诊断系统
障诊 断推 理 ， 计 了故 障知 识的三 层模 型 、 达方 法和 知识 库 结 构 ， 出 了基 于模 糊 区间 的语 义距 离 计算 公 式 、 于故 障 设 表 给 基 树 的防止规 则组 合爆 炸的规则 分组 方 法和带 误差 控 制的 阈值选 取方法 ， 用面 向对象 的理论 设 计 和实 现 了电脑 故 障智 能 运 诊 断 系统 ， 中描 述 了 ＢＳ模 式下 分布式 计算 环境 的系 统结 构和规 则类 的设计 。 其 ／ 关键 词 ： 故 障 ； 电脑 模糊 ； 式规则 ； 能诊 断 产生 智
中圈分类 号 ： Ｐ ８ Ｔ Ｉ２ 文献标 识码 ： Ａ 文章 编号 ：６ ３ ６ ９ （ｏ７ ｌ — ０ ７ ０ １７ — ２ ｘ ２ｏ ）２ ０ ３ — ３
Ｃｏ ｐｕ ｅ ｕ ｔＤｉ ｇ ｓｓ Ｓ ｓ ｅ Ｂａ ｅ ｎ Ｆｕ ｚ ｍ ｔ ｒ Ｆａ ｌ ａ ｎｏ ｉ ｙ ｔ ｍ ｓ ｄ ｏ ｚ ｙ Ｐｒ ｄ ｃ ｉ ｎ Ｒｕ ｅ Ｉ ｅ ｅ ｃ ｏ ｕ ｔｏ ｌ ｎｆ ｒ ｎ ｅ
Ａｂ ｔａ ｔ Ａｃｏ ｄｎ ｔ ｈ ｏｍｐ ｔｒｆｕｔ’ｃ ａａ ｔｒ ｓｒ ｃ ： ｃｒ ｉｇ ｏｔ ｅｃ ｕｅ ａ ｌｓ ｈ ｒｃ ｅｓｗｉ ｔ ｈｗｏ ｅｓｒｃｕ ｅ ｏ ｔｏ ｇｃ ｕ ｌ ｇ ａ ｓ ｒ ｔｕ ｔ ｒ ，ｎ ｔ ｒｎ ｏ ｐｉ ｎｄｎ ｔ ａ ｉ ｉｔｌｎ ｔｅｃ ａａｔｒｓｉ ｓ ｎ ｏ ｓｌ ｓｉｉｇ ｈ ｈ ｒｃｅｉｔ ｅ ｙｄ ｌ ｃ ｐ ｒｍ ｅｅｓ．ｔｅｆｚｙ ｐｏ ｕ ｔ ｎ ｒ ｌ ｆｒｎ ｅｉ ｓｄ ｔ ｉｇ ｏ ｅｔ ｅｃ ｍｐｕｅ ａ ｌ、Ｔｈ ｈ ｅ — ｌｙ ｒｍｏ ｅ ｎｄｅ ｐ ｅｓｏ ｄａ ｌ ｆ ａａ ｔｒ ｈ ｕｚ ｒｄ ｃｉ ｕｅｉ ｅｅ ｃ ｕ ｅ ｏｄａ ｎ ｓ ｈ ｏ ｏ ｎ ｓ ｔｒｆｕｔ ｅｔｒ ｅ ａ ｅ ｄ ｌ ａ ｘ ｒｓｉｎｍｅ ｏ ｆｕｔ ｎ ｗｌｄ ｅａ ｄ ｓｒｃｕ ｅｏ ｎ ｗｌｄ ｅｒ ｐ ｓｔｒ ｒ ｅ ｉｎ ｄ，ｉｃｕ ｉｇ ｔｅｍｅｈ ｄｏ ｏ ｐ ｔｎ ｕ ｚ ｉｔｎ ｅ ｈ ｔｏ ｆ ａ ｌｓｋ ｏ ｅ ｇ ｎ ｔｕ ｔ ｒ ｆｋ ｏ ｅ ｇ ｅ ｏ ｉｏｙａ ｅｄ ｓｇ ｅ ｎ ｌｄｎ ｈ ｔｏ ｆｃｍ ｕｉｇ ｆｚｙ ｄｓａ ｃ ，ｔｅｍｅｈ ｄｏ ｒ ｌ ｒｕ ａ ｅ ｎｆｕｔｔｅ ｖ ｉｉｇｔ ｕｅ ｏ ｉａｉｎ ｂａ ｔ ｎ ｈ ｙｏ ｅｅｔｎ ｈｒｓｏｄｗｉｈｅｒ ｏ ｔｏ．１ｈ ｏｅｉｔｌ ｕｅｇｏ ｐ ｂｓ ｄｏ ｌ ｒｅａ ｏｄｎ ｈｅｒ ｌｓｃ ｍｂｎ ｔｏ ｌｓ．ａ ｄ ｔｅｗａ ｆｓｌｃｉｇｔ ｅ ｈ ｌ ｔ ｒｏｒｃｎ ｒ１ ’ｅｗｈ ｌ ｅ— ａ ｎ
基于智能算法的故障诊断技术研究
基于智能算法的故障诊断技术研究在大型机械设备的运行过程中，故障是不可避免的。
为了及时发现和修复故障，提高设备的可靠性和生产效率，故障诊断技术变得越来越重要。
智能算法作为一种新兴的技术手段，在故障诊断领域中得到了广泛的应用。
一、智能算法的概念和特点智能算法是一种以计算机程序为基础的智能解决问题的方法，它模拟人类的自我学习和适应能力，在数据处理、决策制定等方面具有优异的表现。
智能算法的主要特点包括：自适应性、鲁棒性、非线性、分布式、并行等。
二、智能算法在故障诊断中的应用1.神经网络神经网络是一种模拟人类神经系统的计算机模型，它具有优秀的自我学习和适应能力，可以通过大量的故障样本进行学习，并根据学习结果对未知故障进行判断。
2.遗传算法遗传算法是一种基于进化论思想的优化算法，它通过对每个个体的适应度进行评估和选择，然后对适应度高的个体进行遗传操作，最终得到适应度更高的个体，从而找出最佳解决方案。
3.模糊逻辑模糊逻辑是一种表达不确定性和模糊性思维的工具，它可以将模糊的、不确定的数据转化为具体的数值，进而进行推理和决策。
在故障诊断中，模糊逻辑可以用于对模糊的、不确定的故障信号进行处理和分析。
4.粒子群算法粒子群算法是一种基于群体智能思想的优化算法，在故障诊断中，可以通过对设备各部件状态的粒子进行初始化，然后根据每个粒子的适应度进行优化，最终得到最佳的设备故障状态。
5.深度学习深度学习是一种基于多层神经网络的机器学习方法，在大数据时代，深度学习可以通过大量的数据进行训练，从而对设备故障进行自动诊断和预测。
三、智能算法的发展趋势随着人工智能技术的迅速发展，智能算法在故障诊断领域中的应用范围和深度将不断扩大。
人工智能技术将不断地创新，例如，卷积神经网络、长短时记忆网络等新型算法的应用，将为设备故障诊断带来更高的效率和精度。
四、总结智能算法在故障诊断领域中的应用，可以有效地发现和定位故障，提高设备的可靠性和生产效率。
浅谈机械设备故障的智能诊断方法
浅谈机械设备故障的智能诊断方法【摘要】由于近几年机械技术的快速发展，机械都更加大型，更加复杂，更加精密。
因此，人们对机械设备的可靠运行更加地重视。
而当设备发生故障时，很多时候人们无法最快最有效地解决，所以诊断技术正逐渐智能化。
本文着重介绍一些机械设备的智能诊断方法以及以后的发展前景。
【关键词】机械；智能诊断；设备故障近几年来，为了适应更加高要求的运作，机械设备的功能变得非常强大，与此同时，其结构也更加的复杂。
机械的不同部分之间联系更加紧密，只要一个部分出现问题，整个机器都将停止运作，甚至会发生破坏性更大的连锁反应。
而使用常规的诊断方法需要较长的时间，甚至都无处下手或造成人员伤亡。
所以现在人们都在追求人工智能诊断方法，利用软件和计算机技术，将诊断的过程系统化，从而达到诊断的快速性和准确性。
本文就根据目前已有的一些人工智能方法简要做些分析，并探讨智能诊断方法的发展前景。
1.主要智能诊断方法1.1人工神经网络法人工神经网络法是根据生物神经学方面的研究成果而提出的一个人工智能方面的概念，其主要含义是对人脑中神经结构和行为进行类似模拟[1]。
因为该法是高度并行的，所以在对故障的处理中速度极快，并且能够根据环境自动辨识，以线性的方法处理问题。
其基本原理为机发生故障的机器通过震动发出不同状态的信号，然后该信号被神经网络识别，通过对应特征的选择以及公式模型的套用，找出对于故障中反映最强烈最敏感的信号，然后将其作为一个输入向量，在神经网络中建立故障模式样本，对网络进行长期训练，排除其中影响准确性的因素；在确定训练结束后，将每一个重新输入的信息进行分类整理，网络会根据所输入的信息迅速判断，并给出分类的结果，最后进行自我诊断。
人工神经网络法的主要优点在于其具有自动学习、联想、记忆和推测的功能；该方法是分布处理的，同时有并行处理复杂问题的强大功能；其非线性的映射很强，可以处理多故障的问题；其有能够进行多种因素预报的能力且其预测准确度非常高。
故障诊断及相关应用
故障诊断及相关应用摘要故障诊断技术是一门以数学、计算机、自动控制、信号处理、仿真技术、可靠性理论等有关学科为基础的多学科交叉的边缘学科。
故障诊断技术发展至今，已提出了大量的方法，并发展成为一门独立的跨学科的综合信息处理技术，是目前热点研究领域之一。
我国的一些知名学者也在这方面取得了可喜的成果。
关键字：故障诊断，信息处理1故障诊断技术的原理及基本方法按照国际故障诊断权威，德国的Frank P M教授的观点，所有的故障诊断方法可以划分为3种：基于解析模型的方法、基于信号处理的方法和基于知识的方法。
1.1基于解析模型的故障诊断方法基于解析模型的方法是发展最早、研究最系统的一种故障诊断方法。
所谓基于解析模型的方法，是在明确了诊断对象数学模型的基础上，按一定的数学方法对被测信息进行诊断处理。
其优点是对未知故障有固有的敏感性；缺点是通常难以获得系统模型，且由于建模误差、扰动及噪声的存在，使得鲁棒性问题日益突出。
基于解析模型的方法可以进一步分为参数估计方法、状态估计方法和等价空间方法。
这3种方法虽然是独立发展起来的，但它们之间存在一定的联系。
现已证明：基于观测器的状态估计方法与等价空间方法是等价的。
相比之下，参数估计方法比状态估计方法更适合于非线性系统，因为非线性系统状态观测器的设计有很大困难，通常，等价空间方法仅适用于线性系统。
1.1.1参数估计方法1984年，Iserman对于参数估计的故障诊断方法作了完整的描述。
这种故障诊断方法的思路是：由机理分析确定系统的模型参数和物理元器件参数之间的关系方程，由实时辨识求得系统的实际模型参数，进而由关系方程求解实际的物理元器件参数，将其与标称值比较，从而得知系统是否有故障与故障的程度。
但有时关系方程并不是双射的，这时，通过模型参数并不能求得物理参数，这是该方法最大的缺点。
目前，非线性系统故障诊断技术的参数估计方法主要有强跟踪滤波方法。
在实际应用中，经常将参数估计方法与其他的基于解析模型的方法结合起来使用，以便获得更好的故障检测和分离性能。
电力设备故障诊断与预测技术的研究与应用
电力设备故障诊断与预测技术的研究与应用随着电力设备的普及和应用范围的扩大，电力设备故障诊断与预测技术日益受到关注。
有效的设备故障诊断可以帮助企业及时发现、分析和解决设备故障问题，提高设备的可靠性和运行效率。
本文将对电力设备故障诊断与预测技术的研究与应用进行探讨。
一、电力设备故障诊断技术的研究1. 故障诊断的方法电力设备故障诊断主要采用的方法包括：经验方法、模型方法、模糊理论方法、神经网络方法等。
经验方法主要依赖于工程师的经验和直觉，对于一些常见故障可以有效地进行诊断。
但是对于一些复杂的故障，用经验方法往往无法满足需求。
模型方法是利用设备的数学模型进行故障诊断，可以精确地找出故障的位置和原因。
模糊理论方法主要是通过模糊推理的方式进行故障判断，能够针对不确定性问题进行评估。
神经网络方法则是通过模仿人脑的神经网络结构，让计算机具备学习能力和适应性，能够处理一些非线性、复杂的故障问题。
2. 故障诊断的特征提取与选择在进行故障诊断时，首先需要对设备的特征进行提取与选择，以便进行后续的故障判断。
常见的特征包括振动特征、声音特征、温度特征、电流特征等。
特征提取的目的是从大量的数据中提炼出具有代表性的信息，而特征选择则是从提取到的特征中选择出对故障判断最为关键的特征。
特征的提取与选择是电力设备故障诊断的关键一步，准确的特征能够提高故障诊断的准确率。
3. 故障诊断的算法设计针对不同的故障类型和设备特点，需要设计相应的故障诊断算法。
常见的算法包括人工智能算法、数据挖掘算法、模式识别算法等。
人工智能算法主要应用于复杂的故障诊断问题，能够通过学习经验来进行判断和预测。
数据挖掘算法则是从大量的数据中发现规律和模式，以便进行故障诊断。
模式识别算法则是通过对设备状况的分析，识别出设备的故障模式，并进行判断和预测。
二、电力设备故障预测技术的研究与应用1. 故障预测模型的建立电力设备故障预测是指在设备运行正常的情况下，通过对设备状态进行监测和分析，预测设备可能发生的故障类型和时间。
基于人工智能的智能故障诊断系统设计与实现
基于人工智能的智能故障诊断系统设计与实现现如今，随着科技的不断进步和应用的广泛普及，人工智能（Artificial Intelligence，简称AI）作为一种前沿的技术手段，正逐渐渗透到各行各业。
其中，基于人工智能的智能故障诊断系统的设计与实现，成为了许多行业中的热门话题。
本文将从设计原理、关键技术、实施过程和应用前景等方面，深入探讨基于人工智能的智能故障诊断系统。
一、设计原理基于人工智能的智能故障诊断系统是依托于人工智能技术，通过对设备、机器或系统进行数据分析、模式识别和逻辑推理等，实现对故障的准确诊断。
其设计原理主要包括以下几个方面：1. 数据采集和预处理：智能故障诊断系统首先需要收集相关设备或系统的数据，如传感器数据、设备运行数据等。
而后，对这些数据进行清洗、转换和预处理，提取有效特征并消除噪声，以为后续诊断模型的训练和优化提供可靠的数据源。
2. 特征提取和选择：基于采集到的数据，系统需要从中提取出有效的特征信息。
这些特征可以包括设备运行状态、异常数据、频率分布、时间序列等。
在特征提取的过程中，需要结合专业知识和领域经验进行判断和选择，以获得最具代表性的特征。
3. 模型训练和优化：诊断模型是智能故障诊断系统的核心组成部分，其作用是通过对已有数据的学习和推理，建立起故障诊断的模型。
常用的模型包括人工神经网络、决策树、支持向量机等。
通过大量数据的训练和模型参数的优化，提高模型的准确性和泛化能力。
4. 故障诊断和处理：当系统接收到待诊断的数据时，通过将其输入预训练好的模型中，进行故障诊断和推理分析。
模型将根据输入数据的特征和已有的知识，对可能存在的故障进行鉴别和判断，并输出对应的故障诊断结果。
根据诊断结果，系统可以进一步对故障进行处理和修复。
二、关键技术为了实现基于人工智能的智能故障诊断系统，需要借助一些关键技术的支持，下面将介绍其中几种常用的技术：1. 机器学习与数据挖掘：机器学习是智能故障诊断系统的基础技术之一。
基于模糊神经网络技术电脑绣花机断线故障诊断研究
基于模糊神经网络技术的电脑绣花机断线故障诊断研究摘要：本文通过对电脑绣花机的工作原理及机械运动系统解析，分析产生断线的原因，提出了一种基于模糊神经网络的系统故障检测与诊断的方法，通过训练与检测，有利于采取相应的解决措施。
关键词：智能化绣花机断线故障诊断1、电脑绣花机的结构及工作原理1.1电脑绣花机的系统结构电脑绣花机分机械系统和电气系统两部分。
机械系统主要有；支撑所有零件的机架部件，具有检测断线功能及调整线张力的夹线座部件，执行改变绣线颜色任务的换色箱部件，进行刺绣动作的梭床、机头和针杆箱部件，完成剪线、勾线运动的剪线凸轮箱部件和勾线部件及驱动绣框运动的x、y导轨部件。
电气系统由电源箱、控制箱、操作键盘箱、外围控制板及执行部件组成。
担负着识别花样信息，控制电脑绣花机的各种机构运动。
1.2电脑绣花机工作原理按用户所需的图案通过编程打版变成一种电脑能识别的信息(磁碟)，经过软驱输送给电脑绣花机。
电脑绣花机按编程时规定的顺序进行刺绣。
电脑绣花机工作时，针杆带着针和线作上下刺绣运动，绣品随绣框沿x、y方向运动，从而得到绣花图案。
2、电脑绣花机产生断线的原因分析断线是绣花机在进行刺绣过程绣线由于除线结或底面线用完外的不正常断裂。
它涉及到绣花机零件质量的优劣、装配水平的高低、机构运动状况的好坏及机械结构的合理性等许多方面。
断线是电脑绣花机刺绣中最普遍的问题，也是最难解决的问题。
2.1制版及针迹大小引致断线故障绣品图案在制版的过程中，由于打版人员技术水平的高低不同，同样的图案所采用的针法不同，在各种针法中所设定的参数也不相同，导致刺绣同样图案的不同版本，断线情况不大相同。
通常采用的针法有；单针、挨针、他他米针法。
其他各针法均是由这三种基本针法变化而来的。
绣花机机器参数设定针迹大小的范围；0.1～12.7mm。
经实验证明，针迹在0.5 mm以下或10mm以上时易发生断线或绣品质量不良。
刺绣中的断线，很多情况就是由于针迹太小所引起的，所以提高打版人员的制版水平可以减少断线。
基于模糊诊断原理的航空液压油泵车故障诊断系统的研究
。原理 图见
予以刻画， 或者通过分类 、 综合评判 、 模式识别作 出定量 判 断 ， 而诊 断出故 障成 因 ＿ 。 从 ４ Ｊ
在本 文 中 ， 据 各 故 障成 因 与故 障 征 兆 之 间 根 的不 同程 度 的因果 关 系 ， 综 合 考虑 所 有 征 兆 的 在 基础 上 ， 用模 糊 变换 原 理 和 最 大隶 属 原 则 实 现 应 对航 空液 压油泵 车 的故 障诊 断 。通过 对油 泵车 故 障模式 的研 究 ， 定 了 １ 油 泵 车 的故 障 征 兆 。 确 ８个 故 障征 兆及 其 临 界 指 标 见 表 １ 。确 定 了 １ 故 ６个 障成 因。故 障成 因见表 ２ 。 对 于 １ 故 障征兆 ， 别对 应征 兆空 间 中 的 ８个 分 ２ 个 点 ， 些点 的集合 用 ｘ＝ ｝ｉ ， …，墙 博 这 ，＝１２， ２
Ｋ ｅ ｏ ｄｓ：ｍ ｅ ｈ ｎｉａ ｅ ｉｎ ａ ｄ ｔ ｅ ｒ ；ａｒ ｒ ｆ ｙ ｒ ｕｌ ｏｗｅ ａ ｔ ａ ｌ ｄ ａ ｎ ｓｓ ｆ ｚ ｙ ｄ ａ ｎ ｓｓ ｙｗ ｒ ｃ ａ ｃ ｌｄ ｓｇ ｎ ｏ ｈ ｙ ｉｃ ａｔｈ ｄ ａ ｉ ｐ ｃ ｒｃ ｒ ；ｆ ｕ ｔ ｉ ｇ ｏ ｉ ； ｕ ｚ ｉ ｇ ｏ ｉ
摘要 ： 航空液压油泵车是重要的航空地面保障装备 ， 结构复杂 ， 其 故障率较 高 ， 发故 障诊 断系统 开 对保证油泵车具有高可靠性 和 良好的维修 性具有 重要意义 。本 文结合某 新型航 空液压油 泵车 的
研制提出 了一种基于模 糊诊 断原 理的航空 液压油泵 车故障智 能诊断 方法。通过对 油泵车 故障模 式的研究确定了故障征兆 、 临界指标及故 障成 因 ， 基于模 糊诊 断原理建 立了油泵 车故障智 能诊 断 数学模型 ， 现场实际运行测试及大量故 障诊断实 例表 明， 系统 实现 了航 空液压 油泵车故 障的准 本 确快速诊断 。
基于PLC的远程监控及故障诊断
基于PLC的远程监控及故障诊断可编程逻辑控制器（PLC）在工业自动化领域发挥着重要的作用。
随着技术的发展，PLC的功能越来越强大，包括远程监控、故障诊断等。
本文将探讨基于PLC的远程监控和故障诊断的相关概念、技术和应用。
PLC是一种专门为工业环境设计的数字运算操作系统，可以通过多种输入设备（如按钮、传感器等）收集数据，并通过程序进行逻辑控制和数据处理，最终通过输出设备（如继电器、指示灯等）实现控制功能。
根据不同的应用场景，PLC可分为多种类型，如基础型、模块型、紧凑型等。
远程监控是指通过计算机网络等远程技术，对设备或系统进行实时监测和控制。
对于PLC来说，远程监控可以实现对现场设备的远程状态监测、参数调整、故障预警等功能，大大提高了设备的可靠性和可维护性。
通过PLC自带的远程监控功能：部分PLC本身就具备远程监控功能，可以通过内置的通信协议与上位机或云平台进行通信，实现远程监控。
通过组态软件进行监控：组态软件是一种专门用于工业自动化控制的软件，可以通过与PLC通信，实时获取设备状态和参数，并在界面上展示出来，方便远程监控。
通过云平台进行监控：云平台是一种集成了设备连接、数据存储、数据处理和应用功能的服务平台。
通过将PLC设备连接到云平台，可以实现对设备状态的实时监测和控制，同时还可以利用大数据和人工智能技术对数据进行处理和分析，实现更高级别的远程监控功能。
故障诊断是指通过一定的技术手段，检测设备或系统的故障，并进行分析和处理的过程。
对于PLC来说，故障诊断可以通过以下几个方面来实现：故障码查询：部分PLC会在出现故障时生成故障码，通过读取故障码可以快速定位故障原因。
历史数据查询：PLC可以记录设备运行过程中的历史数据，包括温度、压力、电流等参数。
通过查询这些历史数据，可以分析设备的运行状况和故障原因。
远程监控和预警：通过远程监控系统，可以实时监测设备的状态和参数，一旦发现异常情况，可以立即进行预警和故障排除，避免设备损坏和生产中断。
3个智能故障诊断方法
3个智能故障诊断方法
智能故障诊断的方法主要有以下三种：
1. 基于故障树的方法：这是一种图形演绎法，将系统故障与导致该故障的各种因素形象地绘成故障图表（故障树），能直观地反映故障、元部件、系统及原因之间的相互关系。
这种方法的优点是简单易行，缺点是对于复杂的系统，故障树可能会非常庞大而不适用，并且其依赖性较强。
2. 基于案例的推理方法：这种方法能通过修改相似问题的成功结果来求解新问题。
3. 基于模糊推理的方法：这种方法利用模糊集合论和模糊逻辑的思维，处理不确定或不精确的知识，从而推理出结论。
这三种方法在具体使用时需结合实际情况和诊断需求，必要时可以咨询专业人士。
设备维保的故障诊断与故障排除方法论
03 预防性维护策略
定期检查
定期检查是预防性维护策略的重要组成部分，通过定期检可以及时发现 设备潜在的故障和问题，避免设备在运行过程中出现故障。
定期检查包括对设备的外观、性能、运行参数等方面的检查，以及关键零 部件的更换和维修。
定期检查可以确保设备始终处于良好的工作状态，提高设备的可靠性和稳 定性，延长设备的使用寿命。
案例三：液压系统故障诊断与排除
总结词
液压系统在设备中用于传递动力，其故障可 能导致设备运行不平稳或停机。
详细描述
液压系统故障可能表现为压力异常、油温过 高或油液泄漏。诊断方法包括检查液压泵、 油箱和管路，以及使用压力表和温度计进行 测量。排除故障可能涉及更换密封件、清洗
液压元件或调整压力设置。
05 故障诊断与排除工具介绍
02
03
在线监测系统
专家系统
实时监测设备的运行状态和参数 ，通过与正常状态的对比，及时 发现异常并预警。
集成了多个领域专家的知识和经 验，为故障诊断提供专业建议和 解决方案。
远程诊断技术
远程视频诊断
通过视频远程传输设备的工作状态，专家远程分析并给出故障诊 断和解决方案。
无线传输技术
将设备的运行数据实时传输到云平台，专家远程分析数据并给出诊 断结果。
在线技术支持
通过互联网实时与设备生产商或专业技术支持团队沟通，获取故障 诊断和解决方案。
06 故障诊断与排除人员培训
培训需求分析
确定培训目标
明确培训目的，是提高诊断技能、排除故障能力还是 增强安全意识等。
收集需求信息
通过问卷调查、访谈等方式，收集员工在故障诊断与 排除方面的需求和问题。
分析需求
基于模糊神经网络的凝汽器故障诊断系统
维普资讯
第 １ 期
２５ ． ％。所 以凝 汽设 备 的工 作 性 能 直 接影 响 到整 个
穷 递归 等难 以解 决 的 问题 ， 很 好 地 完 成凝 汽器 的 能 故 障诊 断任 务 。
１ 系统 结 构 概 述
基 于模糊 神经 网络 的凝 汽器 故障 诊断 专家 系统
充 分 利用 模 糊 神 经 网络 （ Ｎ ） Ｆ Ｎ 的特 点 ， 模 糊 神 经 将 网络 、 人机 界 面和 数 据库 等各 部 分 有机 地结 合 在 一
大 的 自学 习能力 和数 据 的直接处 理能力 。模糊 神 经
具体过 程 为 ： Ｆ Ｎ处 于 学 习状 态 时 ， 块 １ 当 Ｎ 模
网络兼 顾 了两者 的优 点 ， 利用 神经 网络 自身 的分 布
通过 人机 界面从 用户 那里 获得 有关 的征 兆一 故 障模 式 ， 据库 中获取 样 本 值 ， 入 Ｆ Ｎ 从 而 进行 网 从数 送 Ｎ ， 络 的训 练 ； Ｆ Ｎ处 于计 算 状 态 时 ， 块 ｌ从 数 据 当 Ｎ 模 库 中提取 来 自现 场 的有 关 的故 障 征 兆参 数 值 ， 转 并
起， 整个 系统 结构如 图 １ 示 。 所
汽轮 机组 的经 济性 和 安 全 性 ， 研究 凝 汽 器 的故 障诊
断具 有较 为重 要 的意义 。 …
由于凝 汽器 系统运行 过程 中 出现 的故障与 故 障
Ｆ Ｎ是模 糊神 经 网络专 家 系统 的核心 。负 责完 Ｎ 成知 识获 取 、 理 等工作 ， 体 内容 为 ： 推 具
基 于模 糊神 经 网络 的凝 汽器 故 障诊 断专家 系统
克服 了传统 的基 于规则 的诊 断专 家 系统存 在 的知识
基于知识和数据融合驱动的设备故障诊断方法
㊀第54卷第2期郑州大学学报(理学版)Vol.54No.2㊀2022年3月J.Zhengzhou Univ.(Nat.Sci.Ed.)Mar.2022收稿日期:2021-07-08基金项目:天津市科技计划项目(2019年天津市人工智能重大专项)(19ZXZNGX00040);河北省自然科学基金项目(F2019202062)㊂第一作者:刘晶(1979 ),女,研究员,主要从事工业人工智能研究,E-mail:liujing@㊂通信作者:季海鹏(1981 ),男,博士研究生,主要从事智能设备优化领域研究,E-mail:haipeng@㊂基于知识和数据融合驱动的设备故障诊断方法刘㊀晶1,2,3,㊀高立超1,㊀孙跃华1,㊀冯显宗4,㊀季海鹏2,3,5(1.河北工业大学人工智能与数据科学学院㊀天津300400;2.河北省数据驱动工业智能工程研究中心㊀天津300400;3.天津开发区精诺瀚海数据科技有限公司㊀天津300400;4.北京起重运输机械设计研究院有限公司索道工程事业部㊀北京100007;5.河北工业大学材料科学与工程学院㊀天津300400)摘要:传统设备故障诊断方法通常基于单一的机理知识或运行数据,难以解决多复杂工况㊁多故障类型的设备故障问题㊂针对以上问题,提出了一种基于知识和数据融合驱动的设备故障诊断方法,从单纯依赖机理知识或运行数据到两者融合驱动,进一步形成故障图谱诊断系统,不仅通过优化的双向长短时记忆网络模型对设备运行数据进行故障分类,而且可以展示详细故障信息以及相似故障㊂经实验分析验证,故障诊断准确率平均达到95.03%,同时系统通过基于融合故障链的知识图谱进行辅助决策,返回故障相关信息㊂对比传统分类模型准确率表现突出,并实现了机理知识与数据驱动相融合的设备故障领域图谱构建㊂关键词:知识图谱;特征提取;故障诊断;LSTM;融合分类中图分类号:TH133.3㊀㊀㊀㊀㊀文献标志码:A㊀㊀㊀㊀㊀文章编号:1671-6841(2022)02-0039-08DOI :10.13705/j.issn.1671-6841.2021283Fault Diagnosis Method for Equipment Driven by Knowledge andData FusionLIU Jing1,2,3,GAO Lichao 1,SUN Yuehua 1,FENG Xianzong 4,JI Haipeng2,3,5(1.School of Artificial Intelligence ,Hebei University of Technology ,Tianjin 300400,China ;2.Hebei Data DrivenIndustrial Intelligent Engineering Research Center ,Tianjin 300400,China ;3.Tianjin Development Zone JingnuoData Technology Co.,Ltd ,Tianjin 300400,China ;4.Ropeway Engineering Division of Beijing Lifting andTransportation Machinery Design and Research Institute Co.,Ltd ,Beijing 100007,China ;5.School ofMaterials Science and Engineering ,Hebei University of Technology ,Tianjin 300400,China )Abstract :Traditional equipment fault diagnosis methods were typically based on single mechanismknowledge or operational data.It was difficult to solve multi-complex working conditions,multi-fault types of equipment failure issues.In response to the above problems,a method of fault diagnosis based on knowledge and data fusion drives was proposed.The method further formed a fault map diagnostic sys-tem from simple dependent mechanism knowledge or operation data to both.The system not only per-formed data running data by optimized two-way long-term memory models,but also demonstrated detailedfault information and similar faults.The experimental analysis showed that the method of fault diagnosis was 95.03%,while the system could return a fault related information by auxiliary decision based on a knowledge graph based on a fusion fault chain.This method was better compared to the accuracy of thetraditional classification model,and implemented the structural fault area of mechanism knowledge anddata drive.Key words :knowledge graph;feature extraction;fault diagnosis;LSTM;fusion classification郑州大学学报(理学版)第54卷0㊀引言工业4.0背景下,机械设备日趋大型化㊁结构复杂化㊁运行自动化和智能化,一旦某些部件出现故障,可能导致整个设备出现问题,因此准确的故障诊断和预测日益重要,成为智能制造领域的研究热点㊂目前设备故障诊断通常分为机理建模方法和数据驱动方法㊂郑近德等[1]提出了一种适合非线性和非平稳信号分析的自适应经验傅里叶分解方法,解决了经验模态分解与傅里叶分解方法在分析非平稳信号方面的不足㊂刘晶等[2]提出了基于过采样决策树的冷风阀调节预测模型和基于LSTM-BP共享权值神经网络入口阀与旁通阀调节预测模型,实现了数据融合驱动的余热锅炉阀门调节㊂上述方法都取得了较好的效果,但是在实际应用中单一利用设备机理知识或设备运行数据难以解决多复杂工况㊁多故障类型㊁数据关联的设备故障问题㊂目前经常将基于知识图谱的方法用于复杂关联挖掘与表示问题,因其知识关联性强以及查询便捷等优点被广泛应用于语义网络训练㊂但在故障诊断领域,存在数据离散无法构建图谱㊁结构化设备数据与非结构化技术工人经验难以结合等问题㊂为解决上述问题,提出一种基于知识和数据融合驱动的设备故障诊断方法,该方法通过提取设备机理㊁经验知识规则建立故障知识图谱,利用优化的长短期记忆网络(long short-term memory, LSTM)进行数据分类,最终形成知识和数据融合驱动的故障诊断模型㊂与现有方法相比,该方法实现了从单纯依赖机理知识或数据驱动的模型到数据驱动与知识引导相融合驱动的故障诊断,进一步形成故障图谱诊断系统,可以进行辅助决策以及故障详细信息展示㊂1㊀双融合驱动的设备故障诊断方法目前,已有国内外专家将知识图谱与深度学习融合的方法应用于不同领域㊂陈彦光等[3]利用文本分类和信息抽取技术构建面向刑事案例的知识图谱,基于所构建的知识图谱,可实现对相关案件关键情节和判决结果的统计应用,为司法文书的智能化处理提供数据基础㊂昝红英等[4]通过收集多来源医疗文本,在人工标注的基础上,进行实体及关系自动抽取,构建了中文医学知识图谱CMeKG1.0版㊂Wang等[5]提出了一种知识图注意力网络的方法,以端到端的方式显式地对图谱中的高阶连接关系进行建模,从而将多个具有链接属性的项目连接以提高推荐准确率㊂上述方法在不同领域取得了良好结果,但在设备故障诊断领域,由于设备具有较强的机理知识,且运行数据之间存在关联性,因此传统的图谱构建方法对于构建设备故障诊断领域图谱适用性较差㊂基于设备故障诊断的特殊性,本文提出基于知识和数据融合驱动的设备故障诊断方法(fault di-agnosis method for equipment driven by knowledge and data fusion,FDM-KDF),该方法有效地将机理知识与设备运行数据相结合,构建了设备故障诊断领域图谱,并提高了多类型故障情况下的诊断准确率和收敛速度,实现了机理知识与数据驱动相融合的多故障类型诊断模型优化㊂1.1㊀FDM-DF方法框架FDM-KDF方法框架如图1所示,整体结构分为两部分:基于融合规则链知识图谱模型(knowledge graph model based on fusion rule chain,KG-FRC)和优化的双向长短时记忆网络模型(optimized bidirec-tional long-short memory network model,OBiLSTM)㊂第一部分针对设备运行数据提取最值㊁平均值等特征作为节点属性,针对设备机理㊁经验知识提取规则,符号化知识作为规则节点,并将节点属性与规则节点结合完成KG-FRC中的实体提取;第二部分将规则节点作为分类依据,结合设备运行数据进行数据标注,通过OBiLSTM模型进行分类训练,完成KG-FRC中的关系抽取㊂根据图谱实体节点之间关系构建三元组,通过关系三元组连接构建KG-FRC 故障图谱㊂图1㊀FDM-DF方法框架Figure1㊀FDM-DF method framework04㊀第2期刘㊀晶,等:基于知识和数据融合驱动的设备故障诊断方法1.2㊀基于融合规则链的知识图谱模型基于融合规则链的知识图谱模型将实体化故障机理知识作为图谱节点,提取设备运行数据传统特征作为节点属性,并通过OBiLSTM 模型获取故障分类作为KG-FRC 中不同层级节点的分类关系,最后将分类关系和规则节点融合构建KG-FRC,构建过程如图2所示㊂图2㊀KG-FRC 模型构建过程Figure 2㊀KG-FRC model building process㊀㊀首先,针对机理知识进行规则总结,提取出可作为分类依据的指标1(f 1)㊁指标2(f 2) ,直到指标n (f n ),选用不同数量的指标组合生成相应层级的一级故障节点F 1㊁二级故障节点F 1-F 2㊁n 级故障节点F 1-F 2- -F n ,同时提取设备运行数据特征作为节点属性㊂其次,针对设备运行数据依据规则节点进行标注,通过OBiLSTM 模型对设备运行数据进行故障分类,预测生成不同层级节点关系;再次,以下级故障节点㊁关系㊁上级故障节点三元组形式保存规则节点以及节点关系,将1级至n 级故障节点连接,构建包含了节点信息以及节点间关系规则故障链;最后依据节点层级间关系,将多条规则故障链融合成完整的规则故障图谱㊂针对设备机理知识,将设备数据的尺寸㊁位置㊁损伤深度等指标作为分类依据进行规则总结,并将总结出的指标与属性名称符号化,把指标符号进行组合,作为规则节点㊂一级故障节点F 1取最小数量指标作为节点划分的依据,代表实体描述抽象且分类数少;在F 1基础上增加设备指标得到更准确的二级故障节点F 1-F 2,乃至加入所有指标组合的n 级故障节点F 1-F 2- -F n ,上级故障节点即代表实体节点,则更加具体且分类数多㊂相同等级的故障节点划分为同一层级,节点等级取决于数据指标种类数量,下级节点和上级节点是隶属的关系,代表上级节点进一步分类为下级节点,多层级节点组合形成树型结构㊂通过OBiLSTM 模型对标注的设备运行数据分类后,得到准确的故障类型,并以此为依据确定不同层级的故障规则节点间的关系㊂节点实体与关系通过三元组形式表达,各实体通过关系R 互相连接成规则故障链,以此串联不同层级的节点,连续的三元组(F 1,R 1,F 1-F 2)㊁ ㊁(F 1-F 2- -F n -1,R n ,F 1-F 2- -F n )组合成为层级1~n 的规则故障链㊂作为分类依据的设备指标均有多种取值,同层级的节点为指标类型相同㊁指标取值不同,依次将不同指标取值的同层节点与对应的上一级节点关联,实现多条故障链融合为完整的知识图谱㊂基于KG-FRC 图谱进一步构建故障图谱诊断系统,该系统不仅可以对设备运行数据进行故障诊断,还可以展示该故障节点的详细信息以及与该节点有关联的故障节点㊂1.3㊀优化的双向长短时记忆网络模型相比其他神经网络结构,LSTM 属于时间序列模型,能够有效地提取设备运行数据的时间和空间特征,因此选取LSTM 作为诊断模型比CNN 等其他神经网络对于设备故障诊断更有优势㊂但是随着LSTM 模型分类数量上升,其准确度会降低,本文提出使用双层双向LSTM 模型进行强化学习㊂针对特征图谱分类过多导致传统模型准确率下降以及收敛速度较慢等问题,提出使用CNN㊁注意力机制(At-tention)进行特征提取强化㊂加入Dropout 层防止模型出现过拟合问题,并加入批归一化(BN)层提升模型训练时的迭代速度㊂综上所述,针对时序设备运行数据,存在传统模型训练时间过久㊁分类准确率低㊁迭代速度低㊁过拟合等问题,提出优化的双向长短时记忆网络模型(OBiLSTM)㊂通过分类模型进行故障分类㊁关系提取,输入是KG-FRC 模型不同层节点的标注数据,经由第一层CNN 卷积特征提取以14郑州大学学报(理学版)第54卷加快迭代㊁提升准确率;第二层BiGRU_1层传播学习权值;第三层BN+Dropout层正则化权值并预防过拟合;第四层注意力机制以强化特征提取;第五层BiLSTM_2层进行强化训练;第六层重复正则化预防过拟合;最后通过Softmax层进行分类结果映射,具体模型参数如表1所示㊂表1㊀OBiLSTM模型参数Table1㊀OBiLSTM model parameter层输出格式参数连接至input_1(InputLayer)[(None,100,3)]0conv1d(Conv1D)(None,91,16)496input_1[0][0] BiLSTM_1(None,91,60)11280conv1d[0][0] batch_normalization_1(None,91,60)240bidirectional[0][0] dropout_1(Dropout)(None,91,60)0batch_normalization[0][0] attention_vec(Permute)(None,91,60)0dropout[0][0] attention_mul(Multiply)(None,91,60)0dropout[0][0]attention_vec[0][0] BiLSTM_2(None,60)21840attention_mul[0][0] batch_normalization_2(None,60)240bidirectional_1[0][0] dropout_2(Dropout)(None,60)0batch_normalization_1[0][0] dense(Dense)(None,83)5063dropout_1[0][0]㊀㊀OBiLSTM模型与传统的CNN和LSTM模型相比,优势在于加入BiLSTM对数据的上下文信息进行权重计算,比传统LSTM神经网络能学习到更多的数据特征,提高了对时序数据的特征提取和分类诊断准确率;加入Dropout层和批量归一化层,规范特征数据并避免模型出现过拟合;引入注意力机制,使得数据特征提取过程中,对中间层产生的多维特征数据通道进行加权,从而提高OBiLSTM模型训练收敛速度及故障诊断效率要求㊂模型算法如下㊂算法1㊀OBiLSTM模型提取振动数据关系输入:TrainList=[{x1,y1},{x2,y2}, ,{x n, y n}],batch输出:G Q1)FUNCTION Relationship classification(Train-List,batch)2)㊀FOR X IN TrainList do3)㊀㊀(x1,x2, ,x n)ѳprocess.slice(X)4)㊀㊀{X train,Y train},{X val,Y val}ѳrandom.sam-ple((x1,x2, ,x n),sampleNum)5)㊀㊀㊀FOR i IN batch do6)㊀㊀㊀㊀ArrtTrainѳOBILSTM(X train,Y train)7)㊀㊀㊀㊀{G x,G y}ѳupdate(ArrtTrain,X val,Y val)8)㊀㊀END FOR9)㊀㊀G Q.append({G x,G y})10)㊀END FOR11)RETURN G Q12)RETURN FUNCTION算法输入是不同分类数下的标注振动数据集合TrainList和训练轮次batch,输出是不同分类数下对应的数据分类类别集合列表G Q;算法第2)行表示遍历所有不同分类数的振动数据集;第3)~4)行表示对振动数据进行处理,将连续的数据切割为长短相同的时序片段,并划分训练集和验证集;第5)~ 8)行表示对训练集进行迭代训练batch次,通过OBiLSTM模型获取数据分类关系{G x,G y};第9)行表示向分类关系列表中添加当前分类数下各振动数据的分类关系㊂2㊀实验2.1㊀实验数据本实验主要分为KG-FRC的构建和OBiLSTM分类预测两部分㊂KG-FRC方面采用Neo4j图数据库进行存储,并通过py2neo实现python程序对Neo4j的操作㊂OBiLSTM方面使用TensorFlow-CPU 和keras包进行模型训练㊂实验采用美国凯斯西储大学(CWRU)滚动轴承故障数据集(http:ʊ/bearingdata-center/home),已有国内外数篇论文通过该轴承数据集验证其算法[6-7]㊂该数据集的机理知识主要为对振动数据的介绍,振动数据分别通过加速度传感器在轴承驱动端和风扇端以及电机基座采集振动信号数据,机理知识中的设备特征有:电机负载分别为0hp㊁1hp㊁2hp㊁3hp;所对应的电机旋转速度分别为1797r/min㊁1772r/min㊁1750r/min㊁1730r/24㊀第2期刘㊀晶,等:基于知识和数据融合驱动的设备故障诊断方法min㊂通过人为电火花加工分别在轴承内圈(Inner race)㊁滚珠(Ball)㊁轴承外圈(Out race)制作出单点损伤故障,每种故障包含故障尺寸为0.007inches (轻度损伤)㊁0.014inches(中度损伤)㊁0.021inches (重度损伤)㊂轴承外圈的损伤点分别设在3点钟㊁6点钟㊁12点钟三个位置㊂振动频率有12kHz和48kHz两种㊂本次实验将以上振动数据的机理知识作为FDM-KDF方法的文本描述部分进行图谱实体抽取,不同特征下对应的轴承振动数据作为结构化数据进行故障分类以及关系抽取㊂轴承正常数据只提取了驱动端加速度传感器和风扇端加速度传感器样本,传感器的采样频率为12kHz㊂2.2㊀KG-FRC模型实体提取本次实验只选取12kHz数据,分类特征包括振动端(end)㊁轴承零件位置(location)㊁损伤深度(size)㊁电机旋转速度(电机负载load)㊁损伤点钟(clock)共计5种轴承特征,根据轴承数据集进行规则总结,总结的规则如下:①故障分为驱动端和风扇端两大部分;②驱动端和风扇端都有着滚动体㊁内圈㊁外圈故障;③滚动体㊁内圈㊁外圈故障数据都有损伤深度㊁损伤点钟㊁运转负载等特征;④每份振动数据都是由轴承驱动端和风扇端以及电机基座三通道数据组成㊂根据规则进行名称符号化,如表2所示, - 表㊀㊀表2㊀规则名称对应表Table2㊀Rule name correspondence table名称符号包含下级分类驱动端DE BO,IR,OR风扇端FE BO,IR,OR滚动体故障BO size7,size14,size21内圈故障IR size7,size14,size21外圈故障OR size7,size14,size21深度size load0,load1,load2,load3载荷load clock3,clock6,clock12点钟clock-示无下级分类㊂据以上规则,则有五层故障节点如下㊂一级故障节点(fault_level_1):end,共2类;二级故障节点(fault_level_2):end_location,共6类;三级故障节点(fault_level_3):end_location_size,共18类;四级故障节点(fault_level_4):end_location_size_ load,共72类;五级故障节点(fault_level_5):end_ location_size_load_clock,共97类㊂此处五级故障节点应有216类,因CWRU数据中部分数据缺少点钟(clock)这一轴承特征,97类真实数据节点可通过训练数据分类得到,剩余119类代表预设节点,可通过后续增加对应的训练数据填充,另外加入故障(fault)节点作为所有节点的最上级节点㊂录入知识图谱的属性有节点ID(nodeID)㊁名字(name)㊁节点类型(type)和节点描述(describe),部分节点节选如表3所示㊂表3㊀部分故障节点Table3㊀Partial fault nodes节点ID节点名字节点类型节点描述0FAULT fault故障列表1DE fault_level_1驱动端故障3DE_BO fault_level_2驱动端滚动体故障8DE_BO_size7fault_level_3驱动端滚动体故障_深度714DE_OR_size7_load0fault_level_4驱动端外圈故障_深度7_载荷075DE_OR_size14_load0_clock6fault_level_5驱动端外圈故障_深度14_载荷0_点钟6㊀㊀根据分类导入CWRU数据并进行初步处理,分别提取三个通道数据的最值㊁平均值以及标准偏差㊂将提取的特征作为故障特征节点属性存入节点表格,并将表格存入csv文件㊂2.3㊀OBiLSTM模型关系分类通过OBiLSTM模型对故障类型进行准确分类,并根据分类结果构建KG-FRC图谱关系㊂根据上一小节KG-FRC提供的分类节点类型,将训练集分别划分为6类㊁18类㊁72类㊁97类进行数据标注,取100个数据点为一个时序片段㊂每个类型数据量约有12000,即每个训练集取1200个时序片段进行训练㊂针对分类类别多㊁收敛速度慢问题,本文提出OBiLSTM模型,进行对比的传统模型有:单层LSTM 和CNN+单层LSTM[8]㊂以上模型进行训练时采用参数一致,训练模型时将训练集分为多个批次,批次大小(batch_size)为128,每轮迭代训练输入一个批次的数据,损失函数为softmax的交叉熵,以Adam 作为优化器来调整训练参数,一共迭代70轮㊂训练集㊁验证集和测试集的比例为6ʒ2ʒ2,抽取的时候采取随机采样的方式切割各个集合,并采34郑州大学学报(理学版)第54卷取从多余的样本中随机采样的方式进行数据平衡,使得每种分类训练样本量相同㊂评价标准采用以下参数:①准确率(Accuracy ),表示在预测结果中,正确预测的数量/样本总数㊂②损失(Loss ),损失函数在最后一轮时的大小㊂③收敛速度(Convergence Rate ),训练过程中准确率提高的速度,本文以达到准确率90%的迭代次数作为评判收敛速度的标准㊂OBiLSTM 模型97类故障准确率如图3所示,OBiLSTM 模型在训练集和测试集最多分类数(97类)时分类结果良好,波动较小并无较大差异,则此模型无过拟合㊁欠拟合等问题㊂图3㊀OBiLSTM 模型97类故障准确率Figure 3㊀Accuracy of class 97fault of OBiLSTM model图4和图5为不同分类数下LSTM 与OBiLSTM 模型的准确率,可知分类数越多时分类效果越差,LSTM 模型收敛速度慢㊁分类数多时准确率降低㊂模型准确率对比如表4所示,对比可知OBiLSTM 模型表现出不同分类下准确率相近的稳定性㊂收敛速度快且准确率高㊂其原因在于OBiLSTM 使用双层双向LSTM 强化特征学习,使得多分类下效果同样明显,并使用CNN 和注意力机制提升收敛速度㊂图4㊀LSTM 各层分类准确率Figure 4㊀Accuracy of each layer ofLSTM图5㊀OBiLSTM 各层分类准确率Figure 5㊀OBiLSTM classification accuracy of each layer表4㊀各分类准确率对比Table 4㊀Comparison of classification accuracy模型2类6类18类72类97类OBiLSTM 10.99680.99390.94060.9490LSTM10.97160.94410.74560.7699㊀㊀选取分类数最多层(97类)进行比较,OBiLSTM 模型与LSTM 模型㊁CNN +LSTM 的准确率如图6所示㊂各个模型的相应评价如表5所示,其中 - 表示无达到准确率90%的代数㊂图6㊀97类故障分类损失Figure 6㊀Class 97fault classification loss表5㊀各模型参数评价Table 5㊀Evaluation of model parameters模型准确率/%损失收敛速度/sOBiLSTM 0.95030.126518CNN +LSTM 0.92330.192133LSTM0.76990.6169-㊀㊀由图6及表5可知,与传统的CNN +LSTM 以及LSTM 模型相比,OBiLSTM 模型准确率最高㊂收敛速度最快㊂由此可知,OBiLSTM 模型在多分类问题上有着准确率高㊁损失小㊁收敛速度快㊁分类稳定的综合优点,解决了上文提出的分类问题㊂具体分析,开始的CNN 层起到了特征提取的作用,从而提高收敛速度44㊀第2期刘㊀晶,等:基于知识和数据融合驱动的设备故障诊断方法和准确率;第二层的BiLSTM 层起到了分类划分训练作用,在保证高准确率同时提高训练速度;第三层的注意力机制层通过分配权重进行特征提取,从而提高训练速度和收敛速度;第四层的BiLSTM 层对注意力层的结果进行强化训练,在准确率和损失方面优化;两层BiLSTM 层后的正则化与Dropout 有效减轻过拟合问题,提高模型的泛化能力,保证了方法的稳定性㊂2.4㊀KG-FRC 模型故障链构建实体化知识作为故障节点,并从运行数据中抽取节点关系后,进一步可构建基于融合规则链的知识图谱㊂其中故障节点包含该故障类型的文本信息和传统数据特征,节点关系包含不同指标参数下的运行数据之间的关联,并通过故障链的形式将两者结合起来,所有的故障链融合得到完整的故障图谱㊂以CWRU 轴承故障数据为例,完整的一条故障链如图7所示㊂图7㊀故障链Figure 7㊀Example of rule fault chain该故障链中节点分别为一到五级故障节点,下级故障节点与上级故障节点之间存在隶属关系,通过OBiLSTM 模型分类结果确定㊂抽取的规则故障链通过三元组进行表达,同样转化为csv 表格存储,关系节点属性有起始实体节点(start_entity)㊁起始节点标签(start_label)㊁结束实体节点(end_entity)㊁结束节点标签(end_label)㊁关系类型(relationship ),节选部分故障关系如表6所示㊂通过导入neo4j 表3实体节点和表6关系节点csv 文件即可形成由上述故障链组成的知识图谱,通过py2neo 包操作neo4j,使用python 程序读取csv 文件,将节点导入neo4j 数据库㊂通过py2neo 和Cypher㊀㊀表6㊀故障关系节点节选Table 6㊀Fault relation node excerpt起始实体节点起始节点标签结束实体节点结束节点标签关系类型DE fault_level_1FAULT faultbelongstoDE_BOfault_level_2DEfault_level_1belongsto DE_BO_size7fault_level_3DE_BOfault_level_2belongsto语言进行图谱数据库的相关操作,将csv 文件存储的三元组导入neo4j 构建图谱㊂KG-FRC 图谱可以对设备运行数据进行故障诊断,并可以展示该故障节点的详细信息以及与该节点有关联的故障节点,进一步可以基于此图谱构建设备故障诊断系统㊂基于上述方法构建知识和数据融合驱动的设备故障诊断系统,该系统可以通过OBiLSTM 模型对导入数据进行故障诊断,并通过KG-FRC 模型进行辅助决策,返回故障相关信息进行展示㊂系统功能包括辅助故障诊断决策㊁故障数据可视化㊁图谱展示㊁相关故障展示等㊂通过输入上传需要诊断的振动数据文件,系统可通过图谱查询输出故障诊断结果,从而完成故障诊断的辅助决策,并将结果可视化㊂如图8所示,上传设备振动数据后点击查询,系统显示其故障类型为位于12点钟方向,深度为0.014in-ches 的风扇端轴承外圈故障㊂3㊀结论针对传统设备故障诊断难以将机理知识与设备运行数据有效结合的问题,提出一种基于知识和数据融合驱动的设备故障诊断方法FDM-KDF㊂该方法主要分为两部分:第一部分针对设备机理㊁经验知识提取规则作为规则节点,提取了设备运行数据最值㊁平均值等特征作为节点属性与规则节点结合,实现KG-FRC 中的实体抽取,并结合OBiLSTM 模型抽取的数据关系构建基于融合规则链的知识图谱;第二部分将规则节点作为分类依据,结合设备运行数据进行数据标注,通过OBiLSTM 模型进行分类训练,完成KG-FRC 中的关系抽取㊂结合两部分得到的实体与关系构建FDM-KDF 故障图谱,并基于FDM-KDF 方法构建了知识和数据融合驱动的故障图谱诊断系统,该系统可针对设备运行数据进行故障诊断辅助决策,并可视化故障信息以及相似故障㊂最后,以CWRU 轴承故障数据为例进行实验验证,构建了设备故障诊断领域图谱,对于轴承故障诊断多分类的平均准确率达到95.03%,并通过设备故54郑州大学学报(理学版)第54卷图8㊀系统分类决策结果Figure 8㊀System classification decision results障诊断系统对故障相关信息进行展示㊂该方法提高了故障诊断准确率和收敛速度,构建了设备故障诊断领域图谱,实现了机理知识与数据驱动相融合的多故障类型诊断㊂参考文献:[1]㊀郑近德,潘海洋,程军圣,等.基于自适应经验傅里叶分解的机械故障诊断方法[J].机械工程学报,2020,56(9):125-136.ZHENG J D,PAN H Y,CHENG J S,et al.Adaptiveempirical Fourier decomposition based mechanical fault diagnosis method[J].Journal of mechanical engineering,2020,56(9):125-136.[2]㊀刘晶,秦国帅,孟德凯,等.数据融合驱动的余热锅炉阀门调节方法[J].燕山大学学报,2021,45(1):76-86,94.LIU J,QIN G S,MENG D K,et al.Data fusion drivenwaste heat boiler valve adjustment method[J].Journal of Yanshan university,2021,45(1):76-86,94.[3]㊀陈彦光,刘海顺,李春楠,等.基于刑事案例的知识图谱构建技术[J].郑州大学学报(理学版),2019,51(3):85-90.CHEN Y G,LIU H S,LI C N,et al.Knowledge graphconstruction techniques based on criminal cases [J ].Journal of Zhengzhou university (natural science edi-tion),2019,51(3):85-90.[4]㊀昝红英,窦华溢,贾玉祥,等.基于多来源文本的中文医学知识图谱的构建[J].郑州大学学报(理学版),2020,52(2):45-51.ZAN H Y,DOU H Y,JIA Y X,et al.Construction ofChinese medical knowledge graph based on multi-sourcecorpus[J].Journal of Zhengzhou university (natural sci-ence edition),2020,52(2):45-51.[5]㊀WANG X,HE X N,CAO Y X,et al.KGAT:knowl-edge graph attention network for recommendation [C ]ʊProceedings of the 25th ACM SIGKDD International Con-ference on Knowledge Discovery &Data Mining.New York,ACM Press,2019:950-958.[6]㊀HE Q B.Time-frequency manifold for nonlinear featureextraction in machinery fault diagnosis [J ].Mechanical systems and signal processing,2013,35(1/2):200-218.[7]㊀WANG Y,XU G H,LIANG L,et al.Detection of weaktransient signals based on wavelet packet transform andmanifold learning for rolling element bearing fault diagno-sis [J ].Mechanical systems and signal processing,2015,54/55:259-276.[8]㊀PAN H,HE X,TANG S,et al.An improved bearingfault diagnosis method using one-dimensional CNN andLSTM[J].Strojniški vestnik-journal of mechanical engi-neering,2018,64(7/8):443-452.64。
基于人工智能的机电系统智能监控与故障诊断研究
基于人工智能的机电系统智能监控与故障诊断研究摘要：本文通过案例分析，探讨了基于人工智能的机电系统智能监控与故障诊断的策略和效果。
研究结果表明，人工智能技术的应用能够提高机电系统的监控效率和故障诊断的准确性。
本研究旨在为机电系统工程师和相关研究人员提供有效的指导，推动机电系统的智能化和可持续发展。
关键词：人工智能；机电系统；智能监控；故障诊断引言近年来，随着工业化和智能化的进程，机电系统在各个领域的应用越来越广泛。
然而，传统的机电系统监控与故障诊断方式存在一些问题，如信息获取困难、故障判断不准确等。
为了解决这些问题，人工智能技术逐渐被引入机电系统的监控与故障诊断中。
人工智能技术具有自动学习和自适应的特点，可以通过数据分析和模式识别，提取隐含在大数据中的有价值信息，并辅助运维人员进行系统监控和故障诊断。
基于机器学习、深度学习和数据挖掘等技术，人工智能可以帮助实现机电系统的智能化监控和故障预测，提高监控的精度和故障判断的准确性。
一、传统机电系统监控与故障诊断存在的问题分析1.1 传统监控方式的局限性1.1.1信息获取和数据分析的困难传统机电系统监控依赖于人工巡检和手动记录，需要人员逐一检查设备运行状态，收集数据后再进行分析。
这种方式存在信息获取不及时、数据准确性不高的问题，限制了对设备状况的全面了解和故障诊断的准确性。
1.1.2 监控效率低下和故障判断不准确传统监控方式通常只能定期巡检或根据设备维护计划进行检修，监控效率低下。
且对于一些特殊故障或设备异常，往往需要经验丰富的专业人员进行判断和分析，容易导致故障判断不准确或延误故障处理时间。
1.2 人工智能在机电系统监控与故障诊断中的意义1.2.1 提高监控效率和故障诊断准确性人工智能技术可以实现对机电系统的实时监控和数据采集，自动分析大量数据，并通过建立模型和算法，进行异常检测和故障诊断。
相较于传统监控方式，人工智能可以大幅提高监控效率和故障诊断准确性，及时发现异常和故障，降低维修成本和交通风险。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于智能化模糊诊断系统的设备故障诊断方法
（安徽工程大学机电学院工业工程李佳3082115221）
摘要：针对设备故障因素的多样性、不确定性和各种故障之间联系的复杂性，以及传统模糊诊断方法在隶属函数形式选择和模糊关系矩阵的困难性、主观性和滞后性等特点。
通过对设备故障机理的深入研究和各种模糊理论总结，应用现有的科技与模糊理论相结合，提出了基于智能化模糊诊断系统的设备故障诊断方法。
经实例验证，此方法具有诊断快速、结论客观有效的特点。
关键词：设备；模糊；智能化；故障
Equipment Fault Methods Of Diagnosing,Which Is Based On
Intelligent Fuzzy Diagnosis System
Li Jia ID:3082115221
Abstract :concerning the diversity of equipment failure factors,uncertainty and complexity among various fault connections,and the traditional fuzzy diagnosis method having difficulty,subjectivity and hysteresis characteristic on the side of membership function selection and fuzzy relation matrix forms.Through the equipment failure mechanism of in-depth research and various fuzzy theoretical summary,apply the existing technology and combining the fuzzy theory is proposed equipment fault methods of diagnosing,which is based on intelligent fuzzy diagnosis system.The example proves that the method has fast and effective diagnostic ,objective conclusion and other merits.
Keywords :equipment;Fuzzy;Intelligent;fault
1引言
设备是现在企业进行生产活动的物质基础，是企业固定资产的主体，它涉及企业生产经营活动的全局。
对一个企业来说，其经营目标能否实现则取决于其设备的合理利用程度。
因此在日常工作中，除了对设备进行状态监测，掌握行情况，更需要对监测信号进行分析判断，并预测设备的性能和故障发展趋势，及早采取有效的防治措施，尽量避免因设备故障停机所带来的损失。
目前人们根据设备故障的特点，采取模糊诊断方法进行故障诊断，在现实中此方法以得到很好的验证。
但是由于在诊断过程中牵涉到一些函数和变量的选择，而不同的隶属函数形式，模糊算子都有各自的特点和适用范围，以及模糊关系矩阵的建立往往具有很大的主观性，因此能否正确地选择隶属函数和参数，决定其结果的正确与否。
基于以上这些原因，本文将智能化与模糊诊断相结合，建立了一种智能化模糊诊断系统，来克服传统模糊诊断存在的缺陷。
在考虑多因素前提下，给出评判结果。
其基本结构如下:传感器数据采集系统模糊化接口模糊推理机非模糊化接口
人机接口
模糊
规则库诊断知识库
人
智能化模糊诊断系统的基本结构
2故障征兆的输入
此模块主要包括信息收集和信息转换两大部分。
首先通过数据采集系统采集设备各部位传感器发出的信号，然后把各种监测信号经模糊化接口，将其转化为相应的故障征兆，并对设备故障进行预测。
另外维修人员可以根据计算机显示的征兆，通过计算机界面把相关的影响因素输入到该系统，从而使诊断依据更全面。
这样设备故障就可以被快速地预测。
3模糊诊断
模糊诊断主要有模糊规则库、诊断知识库和模糊推理机三大部分组成。
3.1模糊规则库
模糊规则库中储存大量的模糊理论，其中包括各种隶属函数和一些模糊诊断方法，如最大隶属度愿则、阈值原则、择近原则和故障诊断的模糊综合评判原则等。
此外还有一些模糊算子和建立模糊关系矩阵与权重确定的方法等。
并且根据各种函数和方法的的特点，设定了它的适用范围。
另外人们可以依据现实对其进行修改。
3.2诊断知识库
诊断知识库是用于存放各种与机组故障诊断有关的知识，包括机组征兆、控制知识、经验知识、对策知识和翻译词典等。
这些知识是由知识工程师和领域专家合作得到的，并可通过对以前诊断以规则的形式存入到诊断知识库中。
此外人们可根据实际增加新知识和删除陈旧知识，以利于诊断知识库更好运行。
3.3模糊推理机
模糊推理机主要用于对输入的故障征兆进行模糊诊断。
它首先从外界接受征兆信息，然后结合模糊规则库与诊断知识库进行推理诊断，最后给出诊断结果。
在此过程中推理机遵循以下原则：第一，当接受到故障征兆时，首先进入诊断知识库，寻找以前是否出现过类似的故障和修改诊断中的一些参数变量，并进行类似的诊断。
比如故障关系矩阵R在实际运行中并不是固定不变，它随着现场设备实际运行，需要不断地进行调整。
设备实际运行时，通过模糊综合评判得出的故障结论如果与实际一样，则增大对应的u R（Xi，bi）反之则减小uR（Xi，bi），使之具有动态调整的功能，适应现场的工作环境；第二，如果出现的是新故障，模糊推理机则会根据故障征兆的特点从模糊规则库中合适的隶属函数来建立模糊关系矩阵。
另外推理机还会通过对比各种诊断方法的利弊与其适应范围选择最好、最简单的模糊诊断方法对故障进行诊断。
这样在诊断过程中，通过计算机自行选择处理，不仅大大地减轻工作量，还减少了因对评判因素错误选择，所造成的错误诊断结果。
4故障原因的输出
通过模糊推理机对故障征兆进行模糊诊断后，会把诊断的模糊结果给予输出。
首先要经过一个非模糊接口把其模糊结果转变为精确量，如模糊关系矩阵、权重和可能原因等。
然后显示到人机接口以便维修人员参考利用。
5应用实例
汽轮发电极故障的智能化模糊诊断：
文献[3]提供某场的汽轮发电机故障诊断例子。
提供的故障数据包括汽轮发电机6、7号轴承基频振动幅值及相位、无功功率对6号轴承振动影响，水温及风温对6号轴承振动影响以及事故前后转子电流和无功功率的变化，另外还包括机组的运行经历。
利用这些数据对汽轮发电机系统进行诊断。
6、7号轴承基频、转子电流和无功功率的变化值，可以通过传感器测得，并经数据采集系统送入计算机，由模糊化接口转化为相应的故障征兆。
风温、水温及无功功率对轴承振动的影响征兆，由人机界面键入计算机。
汽轮发电机的运行经历已存在诊断知识库中。
系统运行后显示出模糊关系矩阵为：
转子部分故障其他子系统故障
d1d2d3d4…di…
m10.30.10.20.2…0.2…
m20.80.20.00.0…0.0…
m30.70.30.00.0…0.0…
m40.30.20.30.2…0.0…
m50.30.20.30.2…0.0…
m60.40.00.40.2…0.0…
其中，征兆集为：
m1——发电机轴承振动增大；
m2——发电机转子电流增大；
m3——发电机无功功率增大；
m4——振动随无功功率增大而增大，并且有时滞现象；
m5——振动随风温提高而增大；
m6——振动随水温提高而增大；
故障集为：
d1——发电机转子线圈匝间短路；
d2——发电机滑环故障；
d3——发电机轴承故障；
d4——发电机转子存在裂纹或套装零件失去紧力；
最后诊断结果从模糊关系矩阵中看出：几种故障征兆对应的故障集中，d1的隶属度rij为最大，因此发电机转子故障为：d1——转子线圈匝间短路故障,实际故障与诊断结果基本相符。
6结论
本文充分考虑了设备故障特征、故障原因普遍存在模糊性和复杂性的特点，以及传统模糊诊断方法的缺陷，引入了智能化与模糊诊断相结合的方法，自动建立了符合实际的故障模型并给予诊断。
经实例验证，此方法切实可行，通过计算机自行处理能快速，准确地找出故障位置，并且减少了在诊断中困难和主观因素，使诊断结果更客观真实。
参考文献:
[1]杨耀双，刘碧云主编.设备管理.北京：机械工业出版社，2008.8.
[2]沈庆根，郑水英主编.设备故障诊断.北京：化学工业出版社，2005.11.
[3]贾拉坦诺（Giarrationa,J.），等著.专家系统原理与编程.印鉴等译.北京：机械工业出版社，2000.。