智能诊断

智能诊断技术综述

摘要：设备故障诊断技术是在电子、计算机技术的发展中产生的一门技术。当1个系统的状态偏离正常状态时,就称该系统发生了故障,此时系统可能完全也可能部分丧失其功能。故障诊断就是寻找故障原因的过程,包括状态检测、故障原因分析及劣化趋势预测等内容。传统故障诊断技术在分析结构比较复杂的深层次故障时效果不理想,且对操作员能力要求较高;而人工智能技术的发展,则使诊断技术走向了智能化[1]。由于智能故障诊断技术可模拟人类的逻辑思维和形象思维,将人类各种知识融入诊断过程,故可实现对大型复杂设备的实时、可靠、深层次和预测性故障诊断,获得的诊断信息就能准确地对诊断对象的状态进行识别和预测。因此这一技术也受到了世界各国工程研究人员的普遍重视。目前,随着基于行为的人工智能、分布式人工智能、多传感器信息融合技术以及新理论的提出与发展,故障诊断也获得了新的发展机遇[2]。

基于建模处理和信号处理的诊断技术正发展为基于知识处理的智能诊断技术。智能诊断技术在知识层次上实现了辩证逻辑与数理逻辑的集成、符号逻辑与数值处理的统一、推理过程与算法过程的统一、知识库与数据库的交互等功能,目前的研究主要从两方面展开:基于专家系统的智能故障诊断技术和基于神经网络的智能故障诊断技术[3]。

图一智能诊断系统的功能模块

1智能诊断技术

(1)基于专家系统的智能诊断技术

故障诊断专家系统是诊断领域引人注目的发展方向之一,也是研究最多、应用最广的一类智能诊断技术,主要用于那些没有精确数学模型或很难建立数学模型的复杂系统。大致经历了两个发展阶段:基于浅知识的第一代故障诊断专家系统和基于深知识的第二代故障诊断专家系统。近期出现的混合结构的专家系统,是将上述两种方法结合使用,互补不足。基于浅知识(人类专家的经验知识)的故障诊断系统是以领域专家和操作者的启发性经验知识为核心,通过演绎推理或产生式推理来获取诊断结果,目的是寻找一个故障集合使之能对一个给定的征兆(包括存在的和缺席的)集合产生的原因做出最佳解释[4]。基于深知识(诊断对象的模型

知识)的故障诊断系统要求诊断对象的每一个环节具有明确的输入输出表达关系,诊断时首先通过诊断对象的实际输出与期望输出之间的不一致,生成引起这种不一致的原因集合,然后根据诊断对象领域中的第一定律知识(具有明确科学依据知识)及其内部特定的约束关系,采用一定的算法,找出可能的故障源[5]。

(2)基于神经网络的智能诊断技术

神经网络具有的超高维性、强非线性等动力学特性,使其具有原则上容错、结构拓扑鲁棒、联想、推测、记忆、自适应、自学习、并行和处理复杂模式等功能,带来了提供更佳诊断性能的潜在可能性。具体应用方式有:①神经网络诊断系统。对特定问题适当建立的神经网络故障诊断系统,可以从其输入数代表故障症状)直接推出输出数据(代表故障原因),实现故障检测与诊断。②采用神经网络产生残差。用神经网络拟合系统的正常特性,利用系统的输入重构某些特定的参数,并与系统的实际值比较,得到残差,从而检测故障。③采用神经网络评价残差。利用神经网络对残差进行聚类分析,直接得到系统的故障情况。④采用神经网络作进一步诊断。利用神经网络诊断系统执行器的饱和故障,其基本思想是直用神经网络来拟合系统性能参数与执行器饱和故障之间的非线性关系,神经网络的输出即对应了某个执行器的故障情况。⑤采用神经网络作自适应误差补偿。⑥采用模糊神经网络进行故障诊断[6]。(3)基于模糊逻辑的诊断方法。

模糊逻辑的引入主要是为了克服由于过程本身的不确定性、不精确性以及噪声等所带来的困难,因而在处理复杂系统的大时滞、时变及非线性方面,显示出它的优越性。目前主要有三种基本诊断思路,一是基于模糊关系及合成算法的诊断,先建立征兆与故障类型之间的因果关系矩阵,再建立故障与征兆的模糊关系方程,最后进行模糊诊断;二是基于模糊知识理技术的诊断,先建立故障与征兆的模糊规则库,再进行模糊逻辑推理的诊断过程;三是基于模糊聚类算法的诊断,先对原始采样数据进行模糊C均值聚类处理,再通过模糊传递闭包法和绝对值指数法得到模糊C均值法的初始迭代矩阵,最后用划分系数、划分熵和分离系数等来评价聚类的结果是否最佳。具体应用方式有:①残差的模糊逻辑评价。残差评价是一个从定量知识到定量表述的逻辑决策,相当于对残差进行聚类分析,它首先需要将残差用模糊集合来表述,然后用模糊规则来推理,最后通过反模糊化得到诊断结果。②采用模糊逻辑自适应调节阈值。残差的阈值受建模不确定性、扰动及噪声的影响,阈值过小则会引起误报,过大则会漏报,所以最好能根据工作条件,用模糊规则描述自适应阈值。③基于模糊小波分析技术进行故障诊断。用模糊化小波变换分析宽带故障特性,采用模糊数据的局部时频分析来进行故障检测和分离。

④基于模糊逻辑进行专家系统规则库的设计与更新[7]。

(4)基于故障树分析的诊断方法

故障树分析(Fault Tree Analysis)原本用于可靠性设计,现己广泛应用于故障诊断。基于故障的层次特性,其故障成因和后果的关系往往具有很多层次并形成一连串的因果链,加之一因多果或一果多因的情况就构成故障树[8]。

图二故障树示意图

(5)基于事例推理诊断方法

实例推理(Case-Based Reason,简称CBR)是AI中新兴的一种推理技术,是一种使用过去的经验实例指导解决新问题的方法,其关键是如何建立一个有效的实例索引机制与实例组织方式。基于实例诊断的优点是根据过去实例解决新问题,不需人从实例中提取规则,降低了知识获取的负担,解题速度快[9]。

(6)基于信息融合的诊断方法.

信息融合又称多传感器信息融合(MSIF, multi-sensor informationfusion),就是利用计算机技术将来自多传感器或多源信息和数据,在一定准则下加以自动分析、综合以完成所需要的决策和估计,以便得出更为准确的结构而进行的信息处理过程.信息融合的级别分为:数据级、特征级和决策级.多传感器信息融合为解决复杂系统故障诊断的不确定性问题提供了一条新的路径,这是由信息融合的多维信息处理方式决定的,它可以消除不同监测方法的局限性、矛盾性和不协调性.概括起来,多信息融合技术在故障诊断方面的应用主要包括:①对多传感器形成的不同通道的信号进行融合,②对同一信号的不同特征进行融合;③对不同诊断方法得出的结论进行融合.融合的最终目标就是利用各种信息以提高诊断的准确率[10].

(7)基于粗糙集的诊断方法

.粗糙集(RS, rough sets)是波兰数学家Z.Paw lak于1982年提出的一种数据分析理论,具有极强的模拟人类抽象逻辑思维的功能.其主要思想是:在保持信息系统分类能力不变的前提下,通过知识约简,导出问题的决策或分类规则.粗糙集系统与其它系统有一个明显的不同,那就是其它系统都需要若干先验知识,而粗糙集系统不需要.比如基于证据理论的系统需要提供基