智能故障诊断方法最新进展

一９一
Ｇ（ｉ＝１，２）值。Ｃｉ值太小，表明对样本的错分惩罚太小，可能会导致过多的错分样本，ｃ，值太大， 表明对样本的错分惩罚夫，同样起不到折中的作用。
设两类样本集Ｅｌ，Ｅ２，样本数目分别是Ⅳ１，Ｎ２，Ｎ。，Ｎ２。合理的ｃ，值可通过对其不断逼近 获得，在逼近过程中，应使Ｆ式近似成立ｎ．
在故障诊断中，遗传算法与神经网络的融合方式通常是以神经豫络为基础，遗传算法的作用
有二：一是优化神经髑络结构；二是；ｎ嘲粥经网络，克藤神经网络训练中经鬻出璜肭局部最小问罄。
３核方法在故障诊断中的应用
。核方法能够实现数据空间到特征空间的非线性变换。采用不同的核函数可以满足不同钧非线
性变换的要求，设葺和ｘ÷为数据空间的两个样本点，核方法的基础是实现向量的内积变换
Ｓ·Ｍｉｋｅ ｆｒｏ Ａ·ｓＨⅪＩａ等人的研≯溅果看州，基于核的特征提取方法不仅特别适合于处理非线性问题，
且能提供更多的特征信息。
ＫＰｃＡ实际上是将核方法应用到主成分分析中。设变换中实现了输入空间寅ｗ到特征空间Ｆ
的映射，即输入空间的样本点一，如，Ａ，哳娥为特征空间的削晾％Ｘ吼ｂ），Ａ，由（』¨），ＫＰＣＡ
研究的实际上使对中瓴）＇中０２）’Ａ，巾（％）进行主成分分板。 圈２是ＰＣＡ与ＫＰ（、Ａ的比较，明显ＫＰＣＡ的散度大于ＰＣＡ的散度，囡此能提供更多的信息。
３．２基于核方法的野点检测技术
野点在一般的特征提取或模式识别问题中被视为噪声，因而在数据处理过程中设法予以剔 除。然而对旋转机城的运｛亍状态监测丽言，却往往是早期故障的先兆，因此能比正常状态点提供 更多的信息，而受到工程界的重视。基于核方法韵野点检测技术将为复杂机械设备的运行状态监
测提供新途径，该途径至少从理论上讲是目前为止复杂设翻赜可行的状态监游技术之一。
现有的野点检耐方法多是建立在概率密度估计（如混合高新分布概率密度估计，Ｐ狮ｍ窗等）
基§ｉｌＬＥ，因两驰隙敞多的棒棚崾求事先限定—定的分布条件，且瞄刚效果并不理想。
图３是常规野点检测方法与基于拨的野点检测方法的比较，可以洧嵌地看出：基于核的野点
对于较为复杂的谢暾｜象，仅舅毛Ｉ丑—个单隐层的拇经网络是不能麓足要求的，～方面该乒端结构将
会过于庞大ｔ不易学习；男一方面，丝毫不能反映诊断对象的结构牲知识，然而这类知识在故障诊 断中无疑是极为重要的。为适应复杂对象的诊断要求，可采用圈ｌ所示的多级ＢＰ神经网络结构示 意图。 ２Ａ传统人工智能的融台技术
—吁 入
层 —臣］一
出 层
来自百度文库
圈Ｉ多级神经网络结构示意脚
辑．如人的左半脑；神经网络长于形象思维，相当于人的右半脑。因而它们的有效集成自镟Ｂ到优势 互补的作用，使得建立的诊断系统同时具有很强的学习能力、鲁棒性、解释能力和推理能力。
专家系统与神经啜络的集成方式有两秘。其一是构造基于神经甄络的专家系统，整个诊断系 统就是一个神经网络；其二是将神经网络作为一种知识表示方式，和其它知识表示方式—起构成整 个诊断系统的知识库。 ２＇４＿２模糊系统与神经嘲络的集成
Ｉｎｔｅｌｌｉｇｅｎｔ Ｆａｕｌｔ Ｄｉａｇｎｏｓｉｓ：ａ Ｓｕｒｖｅｙ
ＸＬＡ０ Ｊｉａｎ－ｈｕａ，ＷＵ Ｊｉｎ－Ｄｅｉ
ｍ商舡妊０ｆ矾出唔啦Ｔｅ出呐蝤＆Ｓｙｓｔｍ骂ｗ蛳Ｕｎｌｖｅ脚，Ｊ妇垮麟ｌ ５２９０２０，Ｃｈｉｎａ）
ｄｃ孵ｏｆ惋曲喊。ｑ峋姗脚幢‰ｍａｉｎ ｄｊ日｛嘟ｍ哪岫眦ｉｎｔｍｄｕｃｅｄ ｄｉ卿∞虹ｍ如ｉｎａ，ｃａｓｃ Ａｂｓｔｒａｃｔ：Ｉｎｔｅｌｌｉｇ∞ｔ ｍ酣１０如ａｒｅ ｒｎｏｍ ａｎｄ ｍｏｒｅ谢ｄｄｙ ｕｓｅｄ ｉｎ ｍｅ ｆｉｅｌｄ ｏｆ ｆａｕｌｔ
（ｔ·０）—＋Ｋ（坼，巧）＝妒（－）‘妒（ｘ，）
通常。变换函数“．）复杂雨核函数Ｋ（．）相对简单。由于，在很多数据处理问题中都包含向量的肉
积运算，因此，核力秸？脯广泛的应用前景。
核方法的优势在于数据空闻中难以处理或处理效果不好的问题在特征空间中变得容易处理或 处理效果相对好些。核方法的迷人之处在于由数据空间到特征空间之间的映射非常复杂，然而设
计需要支的持计向算量却桃是国相ｑ对】简ｐ单ｏＩ得ｔ‰多的Ｍ酬核随函％数运㈣算从。本质上讲是一种核方法．它诞生干１９９５年”·最
近５年，国外人工智能界已将ＳＬＴ和ＳＶＭ作为—大研究熟点，但由于开展研究的时间不长，所 取得的成果还不是很系统。
设两类ｄ维学习样本集为（＿】ｆ，，乃），ｊ＿Ｌ２，Ａ，ｎ，Ｘ Ｅ Ｒｄ，Ｙ∈｛一１’ｌ｝是类别标号，支持向量机所求 得的分类规财可表示为：
随着生产设备复杂性的增加，运行过程中表现出来的模糊性就越强。设备运行状况从正常运 行到故障产生是一个渐变过程，设备的“故障”与“正常”属于两个模糊集。正是由于设备运行 中的模期性是客观存在的，人＃珀：故障诊断中广泛使用横拗信息处理的方法。 ２．２．１模糊逻辑诊断方法
模糊ｉ鞘肆诊断方法在于建立正确的故障征兆与故障原因之问的从属关系，构迨出相应的诊断 矩阵．实现放障征兆与故障氟因之间的映射。
一
④一（ａ）常规努点检测方法
一堑过一］列纠～
（ｂ）基于核的野点检测方法
圈３常规野点检测方法与基于核的野点检测方法比较
表ｌ两类故障诊断风硷决策表
表中损失是指机械设备处讯正常、故障瘴编÷状态而将其诊断为【正常、故障）所带来的损失。
显然，对于—般的故障诊断问题，存在厶＞如，即两类误判所造成的损失是不相同的：将故 障判为正常所造成的损失比将正常判为故障造成的损失要大。
ｉ去），常用附表示方法有：规则表示法、谓词逻辑表示法、语义网络表示法、框架表示法以及面向 对象的表示法。建立知识审【尤其是获耽知谚｛）ｉ爵常是专家系统建造越裎中的—个瓶颈闷题。
推理规是专家系统的组织控糍结构。它能根据当前的输入数坂如设备运行过程），运用知识痒
的知识，按一定的搜索鼻轴＆，对当前运行状况进行诊断。 ２．２模糊诊断方法
—般的ＳＶＭ理论没有考虑两类误判在造成损失上的差异，认为分类线为
，（ｘ）＝０
考虑到损失的不同，应将其修正为旧：
，皑）＝措
考虑两类特殊情况： １） ｈ＝Ｌ２，此时分类面为，Ｃｘ）＝ｏ，此即—般意义＿１ｉ：的最优分类面相同： ２）厶＞＞￡２，此时的分类面为厂（Ⅳ）＝ｌ。
３．３．２样本数目不对称时的ＳＶＩｖｌ理论 当各类样本数目相等时，ＳＶＭ基本上能得到合理的分类线．且该分类线隧着样本数目盼增加，
各种智能诊断方法各有优劣，从而使得诊断专家们纷纷开展各种集成方法的研究。并在集成 研究中不新融入各种技术如：信息墒理论、小波变换、遗传算法、瀹沌理论等等抖。 ２．４．１专家系统与神经网络的集成
专家系统和神经网络从其本质Ｅ讲是密切相翔吼狁如人Ａ§左右两个半脑：专家系统适台逻
一矗＿
—卧 输
—卧 ● 输
经两络具有很强的非线性映射能力，能准确地模掇复杂设备的故障征兆与故障原因之间的关系，并 具有并行处理能力、自学习能力和记忆能力，因而已成瑰魄应用于故障诊断领域。目前，在故障诊 断领域中用得较多的是ＢＰ网络。
对于简单的诊斯对象采用单隐层的网络结构就可满足需要，网络中的每个输入神经元对应一 个征兆，每个输出神经元对随—类故障原因。
为完成一个诊断专家系统最基本的功能。它必须包含三个组成部分：知识库、推理机及人机接
一Ｓ一
口。扩充部分包括全局数据库、知识获取部分和解释摊分。
知识库中主要包含着诊断过程所需要的两方面知识：设备的—般常识性知识和领域专家的启发 性知识。这些知识可以采用多种表示方法存储在知识库中（有时一个知识库中也采用多种表示方
在诊断领域中，模糊逻辑理论和神经网络技术在知识表示、知识存贮、推理速度及克服“知 识窄台阶”和“组合爆炸”等方词起到了根大的作用。但由于它们各有侧重，互有优劣，因而一 种自然的想法就是对它们进行集成，使之兼备神经网络和模糨系统的魄点。
模糊系统与神经网络的集成方法有两种：一是以模糊系统为主ｔ使建立的模糊神经网络与一 个模糊系统相对应；二是使传统神经网络按期化，使其处理模蛳信息· ２＇４３遗传算法与神经网络韵集成
（１）能够有效地利用诊断专家的知识和经验。 （２）具有诊断专家般的推理能力，自动实现从故障征兆到故障原因的映射。 （３）具备学习机制，能够从过去的诊断实例中获取诊断知识。 （４）对诊断结果具有解释能力。 专家系统、模糊理论、神经网络、遗传算法以及它们相互之间和它们与其它信息处理技术的 融台是人Ｉ．智能手段的主要表现方法，在诊断领域中，它们受到越来越广泛的重视。近年来兴起的 核方法和支持向量机更是引起了相关领域专家和学者的浓厚兴趣。
能逐渐逼近期望分类线；但是当两类样本数目相差悬殊。分类线明显偏向样本少的一方，造成了较 夫的分类误差。造成这种现象的根本原因在于对不同类别的错误划分采用了相同的惩罚系数Ｃ， 使得分类线馆向样本密度小的～方。这样可使错分样本数丑减少。
针对样本数目不对称的情况，可对两类错分样本进行不同的惩罚。这时关键在于如何确定
检测方法比常规野点检测方法具有更强自橱点检测８‰力。
３．３基于支持向量机的故障诊断拄沭
故障诊断实质上一类特殊的模式识别闯蘧，因此将支持向壤机应用到敌障诊断中，需对相关 的理论进行修改，僵之适合故障诊断的需要。 ３．３．１考虑不同误判所造成损失不同的ＳＶＭ理论
一毫一
现有两类样本，正常样本Ｎ与故障样本Ｆ分别对应分类｛ｌ，一１），设有决策襁见表１）
辏Ｉ鞫聚类诊断的基本固想是；以当前设备运行表现出来的征兆与同一设锨或同类设备沥史上 的各次确诊征兆集相对照，确定它＃】之间的相似程度，从而作出同接推论：设备的本次运行状融故 障原因内最为相似的征兆集对应舶运行状瞰故障鳆囡蝴同。
２．３神经网络诊断方法
神经网络是对人脑神经系统的数学模拟。其目的是学习和模仿人脑的消息处理能力。由于神
，ｓ
、
ｙ＝ｓ酬∑ｎ，ｙ。ｒ（ｘ．，ｘ）＋６ Ｉ
一，一
Ｌ式中ｘｔ‘＞为核函数，ｓ为支持向量机的个数，参数ｑ。６蠲过对优化问题
ｍｉｎ●，（Ｗ）＝÷妙８‘＝｛（矽·矽）
‘
Ｚ
ｓｌ Ｍｆ（渺ｘ，）＋ｂ卜１≥０
的求解获得。
３．１基于核方法的非线性晦征提取技术
基于核的特征提取方法研究在国际上可以说是刚刚开始，研究内容主要是将核函数与传统的 特征提取方法结合，如基于核的主成分分折哔册弼Ｐ（涟）私基予核的Ｆ波料判据Ⅸｃｆｌ№ｌＦＤＡｐ。从
智能故障诊断方法最瓤进展
肖健华，吴今培
（五邑大学智能技术与系统研究所，广东江门５２９（ｒ２０）
摘要：随着设备复杂性程度自嚷商，征兆与故障之间呈现高度的非线性、不精确性和不确定性关系，最终导
致在设备的故障诊断中越来越多地果用智能方法。本文综述了几种主要的智能诊断方法，并分析比较，它们吾自的 特点ｅ
关键词：战障诊断；人工智能；核方法：支持向量机
２基于传统人工智能方法的故障诊断技术
这里所说的传统人工智能方法是指建立于６０年代到８。年代之间的入【：智能技术，包括模糊逻 辑、专家系统、神经网络和遗传算法，这种称法是相对于近期在国５ｉ上引起研究高潮的支持向量机 而言的。 ２．１基于专家系统的故障诊断方法
自从ｉ９６８年跳ｍＲ）ｒｄ大学开发出第—个专家系统以来，由１：专家系统能在故障缸Ｅ兆和故障原 因之间建立明确的对应关系，而得到各国脚鼙界的高度重视，并相继在各种领域中开发出一些卓有 成效的诊断型专家系统。
ｏｆ
ｃｏｍｐｌｅｘｉｔｙ
ｉｎ把ｔ．ｇｅｎｔ ｆａｕｌｔ
ａｎｄ ｔｈｅｉｒ
ｃ１１∞ｎ删％ａｍⅫ巾蚓ｉｎｔｈｅｐ辑
Ｋｅｙｗｏｒｄｓ：血血ｄｊ姆＂出；枷丘ｃ试酣ｈ萨吨ｋｃｍｄｍ酣咄棚ｐｐｃ畦ｖ。ｃ幻ｒ㈣函ｅ
１前言
随着现代工ｉｋ及科学技术的迅速发展，对设备的性能要求越来越高，各种生产设备日趋大型 化、自动化和智自目化，传统的诊断技术已越来越不能适宜现在设备故障诊断的需要。同时现代化的 设备一旦发生故障。会造成巨大的经济损失和社会危害．鉴于这两方面的原因，有必要研究新的诊 断技术。智自｝诊断方法由于具有以下的几点优势丽日益受到诊断专家的青睐Ⅲ。
设故障征兆模糊向量集：Ｕ＝｛ⅣＩ，地，Ａ，‰｛，故障原因模糊翔量集：矿Ｆ“，ｖ２，＾，ｖ。｝，则
Ｕ与ｙ刻司关系可用攒嘲菟蒜矩阵露＝“）～表暴。
若Ｕ上的模糊集合：Ａ＝（口ｌ。口２，Ａ，％），Ｖ上纳模糊集合：Ｂ＝嗡，如，Ａ，６＿），则它们满足 关系：口＝ＡｏＲ。
因此ｔ通过这种犊瑚映射关系．可以实现由模糊链兆集获得救障原因集。 ２．２．２模梅聚类渗断