智能故障诊断技术综述_王奉涛
智能故障诊断技术
1.基于专家系统的智能故障诊断技术：故障诊断系
2.基于神经网络的智能故障诊断技术：神经网络具有
的超高维性和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。
它的具体应用方式有：（1）神经网络诊断系统，（2）
采用神经网络产生残差，（3）采用神经网络评价残差， （4）采用神经网络进一步诊断，（5）采用神经网络作自 适应误差补偿。采用模糊神经网络进行故障诊断。
发展趋势
随着知识工程的发展及数据库、虚拟现实和神经网 络技术的日新月异，必然引起智能故障诊断技术的不断发 展，其发展趋势可概括为以下几点： 1.多种知识表示方法的结合 2.经验知识与原理知识的紧密结合 3.专家系统与神经网络的结合 4.虚拟现实技术将得到重用 5.数据库与人工智能技术相互渗透
故障诊断：利用各种检查和测试方法，发 现系
统和设备是否存在故障的过程是故障检测；而进 一步确定故障所在大致部位的过程是故障定位。
故障诊断的主要任务有：故障检测、故障类型判 断、故障定位及故障恢复等。
故障诊断的性能指标：1）故障检测的及时
性。2）早期检测的灵敏度。3）故障的误报率和 漏报率。4）故障分离能力。5）故障辨识能力。 6）鲁棒性。7）自适应能力
统是诊断领域引人注目的发展方向之一，也是研究最多、 应用最广泛的一类智能故障诊断技术，主要用于没有精确 数学模型以及很难建立数学模型的复杂系统。其大致经历 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。 对于新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。 具体的应用方式有：（1）残差的模糊逻辑评价，（2） 采用模糊逻辑自适应调整阙值，（3）基于模糊小波分析 技术进行故障诊断，（4）基于模糊逻辑进行专家系统规 则库的设计与更新
风力发电机组的智能故障诊断系统
风力发电机组的智能故障诊断系统Download tips: This document is carefully compiled by this editor. I hope that after you download it, it can help you solve practical problems. The document can be customized and modified after downloading, please adjust and use it according to actual needs, thank you! In addition, this shop provides you with various types of practical materials, such as educational essays, diary appreciation, sentence excerpts, ancient poems, classic articles, topic composition, work summary, word parsing, copy excerpts, other materials and so on, want to know different data formats and writing methods, please pay attention!现状分析：风力发电机组作为清洁能源发电的重要组成部分，在近年来得到了广泛应用和发展。
然而，由于风力发电机组经常工作在恶劣的环境条件下，其设备容易受到一些外部因素的影响而发生故障，给发电系统的稳定性和可靠性带来了一定的挑战。
研究如何建立一套智能化的风力发电机组的故障诊断系统成为当前该领域的研究热点之一。
存在问题：目前，风力发电机组的故障诊断主要靠人工检修来完成，这种方式存在以下几个问题：人工检修需要大量的人力物力投入，耗时耗力，效率低下；人工检修存在主管经验主观判断，易出现误诊、漏诊等问题；再次，由于风力发电机组通常建设在偏远的地区或海上，维修困难，人工检修无法满足实时性和准确性的要求。
电气设备的智能故障诊断技术
电气设备的智能故障诊断技术智能技术的快速发展为电气设备的维护和故障诊断带来了新的机遇。
传统的手动诊断方法已经逐渐被智能故障诊断技术所取代。
本文将探讨电气设备的智能故障诊断技术的发展趋势和应用，以及为什么这些技术对于电气设备的维护和修复具有重要意义。
一、智能故障诊断技术的定义和应用范围智能故障诊断技术是利用最新的计算机软硬件以及传感器等设备，对电气设备进行自动化检测和分析，以确定设备是否故障以及故障的原因。
这项技术广泛应用于各种电气设备，包括变压器、发电机、开关等。
二、智能故障诊断技术的发展历程随着计算机和网络技术的迅速发展，智能故障诊断技术取得了长足的进展。
早期的智能故障诊断技术主要是基于规则和专家系统的。
随着机器学习和数据挖掘技术的发展，智能故障诊断技术也逐渐向基于数据的方法转变。
三、智能故障诊断技术的优势和挑战智能故障诊断技术相较于传统的手动诊断方法具有以下优势：1. 提高了故障诊断的准确性和效率：通过自动化检测和分析，能够及时发现并准确判断设备是否存在故障，大大节省了故障排除的时间。
2. 减少了对维修人员的依赖：传统的手动诊断方法需要依赖经验丰富的维修人员，而智能故障诊断技术可以减少对维修人员的依赖，提高了维修的效率。
3. 提高了设备的可靠性和安全性：通过对设备的实时监测和故障诊断，可以及时发现并排除潜在的故障，从而提高了设备的可靠性和安全性。
然而，智能故障诊断技术也面临一些挑战：1. 数据获取的难题：智能故障诊断技术需要大量的数据支持，而获取这些数据是一项具有挑战性的任务。
2. 算法的改进和优化：现有的智能故障诊断算法仍有待改进和优化，以提高诊断的准确性和效率。
3. 系统的可靠性与安全性：智能故障诊断技术必须保证系统的可靠性和安全性，防止错误诊断导致设备的错误操作。
四、智能故障诊断技术的应用案例1. 变压器的智能故障诊断：利用传感器对变压器进行实时监测，通过数据分析和算法诊断，可以早期发现变压器的故障，并进行相应的维修。
电力系统故障的智能诊断综述
电力系统故障的智能诊断综述摘要：常用的智能故障诊断技术有专家系统、人工神经网络、决策树、数据挖掘等，专家系统技术应用最广，最为成熟，但是也需要结合使用其他智能技术来克服专家系统技术自身的缺点。
智能故障诊断技术的发展趋势主要有多信息融合、多智能体协同、多种算法结合等，并向提高智能性、快速性、全局性、协同性的方向发展。
基于此，本文就针对电力系统故障的智能诊断进行分析。
关键词：电力系统；故障；智能诊断引言文章对电力系统故障的智能诊断进行了详细的阐述，通过对电力系统的简介，和对故障诊断的发展阶段进行了简要的分析，并阐述了电力系统故障的智能诊断实际应用存在的问题及对策，文章最后指出了电力系统故障的智能诊断的发展趋势。
望文章的阐述推动电力系统故障的智能诊断的发展。
1电力系统概述电力系统是由发电厂、送变电线路、供配电所和用电等环节组成的电能生产与消费系统。
电力系统的主要功能是将自然界中的能源，通过先进的发电动力装置，将能源转换为电能。
在通过输电线路和变压系统，将电能传送到各个用户。
为了实现这一功能，电力系统在各个环节和不同层次还具有相应的信息与控制系统，对电能的生产过程进行测量、调节、控制、保护、通信和调度，以保证用户获得安全、优质的电能。
2电力系统故障智能诊断技术及发展现状2.1智能故障诊断技术传统的故障诊断方法分为基于信号处理和基于数据模型，均需要人工进行信息的处理和分析，缺乏自主学习能力。
随着人工智能技术这一新方法的产生及发展，为故障诊断提供了初步的自动分析和学习的途径。
人工智能技术能够存储和利用故障诊断长期积累的专家经验，通过模拟人大脑的逻辑思维进行推理，从而解决复杂的诊断问题。
目前在电网故障诊断领域出现了包括专家系统、人工神经网络、决策树理论、数据挖掘、模糊理论、粗糙集理论、贝叶斯网络、支持向量机及多智能体系统等技术以及上述方法的综合应用。
目前，在对电网故障智能诊断领域的研究中，依靠单一智能技术的系统多，信息的综合利用研究较少，协同技术的研究应用更少；投入运行的诊断系统多为专家系统，但是离线运行的多，在线运行的很少。
智能故障诊断技术研究综述与展望
文献综述
1、电网故障诊断的研究背景和 意义
1、电网故障诊断的研究背景和意义
随着电力系统的不断发展，电网规模和复杂性不断提升，电网故障对于经济 和社会的影响也越来越大。因此，研究电网故障诊断技术，提高电网运行的可靠 性和安全性，具有重要的理论和实践价值。
2、电网故障诊断的基本技术和 方法
2、电网故障诊断的基本技术和方法
引言
引言
智能故障诊断技术是指借助人工智能、大数据、云计算等现代技术手段，对 设备运行状态进行实时监测与评估，实现故障预测与诊断的目的。随着工业领域 的不断发展，设备规模和复杂性不断增加，传统故障诊断方法已难以满足实际需 求。因此，智能故障诊断技术成为当前研究的热点和难点。
综述
1、智能故障诊断技术的基础理 论研究
谢谢观看
电网故障诊断的基本技术和方法包括：基于故障录波数据分析的故障诊断、 基于信号处理和模式识别的故障诊断、基于人工智能的故障诊断等。
2、电网故障诊断的基本技术和方法
其中，基于故障录波数据分析的故障诊断是通过对故障录波数据的分析，提 取故障特征，从而确定故障的位置和类型。该方法主要适用于复杂的电网系统， 但需要解决数据传输和存储等问题。基于信号处理和模式识别的故障诊断是通过 对电网中的信号进行实时监测和分析，运用模式识别技术对电网的运行状态进行 分类和识别，从而发现和诊断电网中的故障和异常情况。
展望
5、加强人才培养与团队建设：培养具有多学科背景的专门人才，建立专业的 研究团队，推动智能故障诊断技术的持续发展。
结论
结论
智能故障诊断技术作为现代设备管理的重要支撑，对于提高生产效率和设备 运行可靠性具有重要意义。本次演示综述了智能故障诊断技术的最新研究成果与 发展趋势，涉及基础理论研究、应用研究、系统集成研究和未来发展等多个方面。 通过总结前人研究成果和不足，指出了当前研究中存在的空白和需要进一步探讨 的问题，并提出了未来发展的趋势和建议。
农业装备的智能化故障诊断技术
农业装备的智能化故障诊断技术在当今农业现代化的进程中，农业装备扮演着至关重要的角色。
从大型拖拉机到精密的播种机，从高效的收割机到复杂的灌溉系统，这些装备的正常运行是保障农业生产高效、稳定的关键。
然而，随着农业装备的日益复杂和智能化，故障的出现也变得更加多样化和难以诊断。
传统的故障诊断方法往往依赖于人工经验和简单的检测工具，效率低下且准确性有限。
因此，智能化故障诊断技术应运而生，为农业装备的可靠运行提供了有力的支持。
智能化故障诊断技术是一种融合了传感器技术、数据分析、人工智能等多种先进技术的综合性解决方案。
它能够实时监测农业装备的运行状态，收集各种数据，如温度、压力、转速、振动等，并通过对这些数据的分析和处理，快速准确地诊断出故障的类型、位置和原因。
传感器是智能化故障诊断技术的“眼睛”和“耳朵”。
它们被安装在农业装备的关键部位，能够实时感知设备的运行参数和环境信息。
例如，温度传感器可以监测发动机的温度，压力传感器可以测量液压系统的压力，振动传感器可以捕捉设备的振动频率和幅度。
这些传感器将收集到的数据以电信号的形式传输给数据采集系统。
数据采集系统就像是一个“数据仓库”，负责接收、存储和整理来自传感器的大量数据。
它通常由高性能的计算机和专用的数据采集卡组成，能够快速、准确地将模拟信号转换为数字信号，并进行初步的处理和筛选，去除无效和噪声数据，为后续的分析提供高质量的数据基础。
数据分析是智能化故障诊断技术的核心环节。
在这里，各种先进的算法和模型被应用于数据的处理和分析。
常见的算法包括基于统计的方法、基于模型的方法和基于人工智能的方法。
基于统计的方法通过对数据的统计特征进行分析，如均值、方差、标准差等，来判断设备是否处于正常状态。
基于模型的方法则是建立设备的数学模型，将实际测量的数据与模型预测的数据进行对比，从而发现异常。
基于人工智能的方法，如机器学习和深度学习，通过对大量历史数据的学习和训练，让系统能够自动识别故障模式和特征。
过程自动化中的智能故障诊断技术
过程自动化中的智能故障诊断技术在当今高度工业化的时代，过程自动化已成为各类生产制造企业提高效率、保证质量、降低成本的关键手段。
然而，随着自动化系统的日益复杂和规模的不断扩大，故障的发生也变得更加难以预测和诊断。
这就使得智能故障诊断技术成为了保障过程自动化系统稳定运行的重要支撑。
过程自动化系统通常涵盖了众多的设备、传感器、控制器以及复杂的工艺流程。
一旦某个环节出现故障，不仅会影响生产的正常进行，还可能导致产品质量下降、设备损坏甚至安全事故。
传统的故障诊断方法往往依赖于人工经验和定期的设备检测，这种方式不仅效率低下，而且难以发现一些潜在的、复杂的故障。
智能故障诊断技术的出现，为解决这些问题提供了全新的思路和方法。
它综合运用了现代信息技术、数据分析、人工智能等多种手段，能够实时监测系统的运行状态，快速准确地诊断出故障的类型、位置和原因，并提供相应的解决方案。
其中，基于数据驱动的故障诊断方法是目前应用较为广泛的一种。
这种方法通过收集大量的系统运行数据，如温度、压力、流量等参数，利用数据挖掘、机器学习等技术对这些数据进行分析和处理，建立故障诊断模型。
当新的运行数据输入时，模型能够自动判断系统是否存在故障，并给出相应的诊断结果。
例如，支持向量机（SVM）算法可以在小样本数据的情况下，有效地进行故障分类和诊断；而人工神经网络（ANN）则具有强大的自学习和自适应能力，能够处理复杂的非线性关系，对故障进行准确预测。
除了数据驱动的方法，基于模型的故障诊断技术也具有重要的地位。
这种方法首先建立系统的数学模型，然后通过将实际测量值与模型预测值进行比较，来判断系统是否存在故障。
模型预测控制（MPC）就是一种常见的基于模型的故障诊断方法，它可以在预测系统未来行为的同时，检测出系统的异常情况。
此外，知识工程在智能故障诊断中也发挥着重要的作用。
通过将专家的经验和知识转化为规则和知识库，系统可以利用推理机进行故障诊断。
这种方法的优点是能够充分利用人类专家的智慧，但缺点是知识获取的难度较大，且对于一些新出现的、未曾遇到过的故障可能无法有效诊断。
大连理工大学机械工程学院导师信息
传感测控与精密加工技术研究所简介现有教员13名,其中，教授2名，副教授5名，高级工程师2名,讲师2名，工程师1名，高级技工1名。
主要研究方向：传感器与执行器理论与技术；智能化仪器仪表与智能监控技术；航空航天发动机推力测量；微型柔性构件的拓扑优化；精密加工技术及精密测量；硬脆材料加工与工具技术；现代切削理论与切削过程测控；难加工材料切削性能与加工技术；液压系统CAD/CAM、动态特性仿真与优化；网络测控技王殿龙：传感测试理论与技术、难加工材料切削加工、工程机械数字化样机技术。
张元良：1.天然金刚石超精密切削、2.智能化仪器仪表、3.学生体质自动测量仪表、4.起重机力矩限制器、5.液压比例阀数字化控制技术与模块化研究、6.在线测量技术及应用。
徐志祥：模式识别与智能系统方向，1. 数控与伺服控制技术、2. 非线性时间序列分析、3. 机器视觉与模式识别、4. 虚拟仪器及测试技术。
张军：1.传感器及执行器理论研究、2.压电石英、压电陶瓷机理研究、3.压电切削测试系统研究、4.精密仪器设计与制造。
张宏：液压系统仿真与优化、流体传动与控制。
桑勇：电液伺服控制；机电传动控制；先进仪器设备研发。
工程机械研究所简介研究所非常重视与生产企业的合作以及研究成果的转化，成功联合开发了数十个具有自主知识产权的产品，仅2006年就完成了9项填补国内空白的项目，其中以履带起重机为代表的系列产品一举打破了国外企业对大吨位产品的垄断，为国家节省了大量外汇，为企业创造了可观的经济效益。
据统计，研究所近年来向企业转移的技术成果达60余项，累计实现销售总额40多亿元，获得各类奖励十余项。
研究所还先后负责或参与了国家863、973、自然基金等专项的科学研究工作，在国内外公开刊物上发表了多篇学术研究论文。
王欣：1.工程机械产品关键理论与技术研究、2.结构优化与动态设计、3.结构损伤、识别与寿命评估、4.虚拟设计与仿真。
曹旭阳：工程机械三维仿真及虚拟样机技术、结构相似性研究、机械机构优化设计，岸边集装箱起重机数字化虚拟样机，结构优化设计。
- 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)。
智能故障诊断技术综述王奉涛,马孝江,邹岩琨(大连理工大学振动工程研究所,辽宁大连116024)摘要:详细介绍了智能故障诊断技术的发展历史及国内外研究现状,并对智能故障诊断技术的发展趋势进行了预测。
关键词:故障诊断;人工智能;专家系统;神经网络中图分类号:TP181文献标识号:B文章编号:1001-3881(2003)4-006-3An Overview on Intelligent Technique of Fault DiagnosisW ANG Feng-tao,MA Xiao-jiang,ZOU Yan-kun(Res.Inst.of Vib.Eng.,Dalian Univ.of Technol.,Dalian116024,China) Abstract:T he history and general situation of in telligent technique of fault diagnosis are introduced in details.And the trend of develop-ing this technique is predicted.Keywords:Fault diagnosis;Arti ficial intelligent;Expert system;Neural network0引言在20世纪80年代,随着人工智能技术的迅速发展,特别是知识工程、专家系统和人工神经网络在诊断领域中的进一步应用,迫使人们对智能故障诊断技术进行更加深入与系统地研究。
这是因为,一方面故障智能诊断具有传统诊断方法无可比拟的优点,另一方面,复杂设备的故障诊断在很大程度上需要依赖专家的经验知识。
因此国内外专家学者陆续开发了一大批基于知识的故障诊断系统,各种诊断方法和技术也在诊断系统中得到了应用。
那么如何准确地定义智能故障诊断系统?智能故障诊断系统是由人(尤其是领域专家)、当代模拟脑功能的硬件及其必要的外部设备、物理器件以及支持这些硬件的软件所组成的系统。
该系统以对诊断对象进行状态识别与状态预测为目的。
下面详细论述了智能故障诊断技术的发展历史、国内外研究现状和发展趋势。
1智能故障诊断技术的发展历史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。
(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。
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。
(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,可以从其输入数据(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。
º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。
»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。
¼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,其基本思想是直接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。
½采用神经网络作自适应误差补偿。
¾采用模糊神经网络进行故障诊断。
(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;二是基于模糊知识处理技术的诊断,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。
º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。
»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。
¼基于模糊逻辑进行专家系统规则库的设计与更新。
(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。
(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。
2国内外研究现状及发展趋势(1)国内外研究现状智能故障诊断技术的发展历史虽然短暂,但在电路与数字电子设备、机电设备等方面已取得了令人瞩目的成就。
在电路和数字电子设备方面,MI T研制用于模拟电路操作并演绎出故障可能原因的EL系统;美国海军人工智能中心开发了用于诊断电子设备故障的I N -ATE系统;波音航空公司研制了诊断微波模拟接口MSI的I MA系统;意大利米兰工业大学研制用于汽车启动器电路故障诊断的系统。
由于机电设备在整个生产领域中占有极其重要的地位,所以有关机电设备的故障智能诊断问题一直受到研究人员的关注,出现的智能诊断系统也比较多。
如日本日立公司研究了用于核反应堆的故障诊断系统;美国通用电气公司研制的用于内燃电气机车故障诊断的专家系统CATS-l;华中理工大学研制的用于汽轮机组工况监测和故障诊断的智能系统DEST;哈尔滨工业大学和上海发电设备成套设计研究所联合研制的汽轮发电机组故障诊断专家系统MMMD-2;清华大学研制的用于锅炉设备故障诊断的专家系统等等。
(2)发展趋势随着知识工程的发展及数据库、虚拟现实、神经网络等技术的日新月异,必然引起智能故障诊断技术在各个方面的不断发展。
其发展趋势可概括如下:¹多种知识表示方法的结合。
在一个实际的诊断系统中,往往需要多种方式的组合才能表达清楚诊断知识,这就存在着多种表达方式之间的信息传递、信息转换、知识组织的维护与理解等问题,这些问题曾经一直影响着对诊断对象的描述与表达。
近几年在面向对象程序设计技术的基础上,发展起来了一种称为面向对象的知识表示方法,为这一问题的解决提供了一条很有价值的途径。
在面向对象的知识表示方法中,传统的知识表示方法如规则、框架、语义网络等可以被集中在统一的对象库中,而且这种表示方法可以对诊断对象的结构模型进行比较好的描述,在不强求知识分解成特定知识表示结构的前提下,以对象作为知识分割实体,明显要比按一定结构强求知识的分割来得自然、贴切。
另外,知识对象的封装特点,对于知识库的维护和修正提供了极大的便利。
随着面向对象程序设计技术的发展,面向对象的知识表示方法一定会在故障智能诊断系统中得到广泛的应用。
º经验知识与原理知识的紧密结合。
为了使故障智能诊断系统具备与人类专家能力相近的知识,研制者在建造智能诊断系统时,越来越强调不仅要重视领域专家的经验知识(浅知识),更要注重诊断对象的结构、功能、远离等知识(深知识),忽视任何一方面都会严重影响系统的诊断能力。
关于深浅知识的结合问题.目前较普遍的作法是,这两类知识可以各自使用不同的表示方法,从而构成两种不同类型的知识库,每个知识库有各自的推理机,它们在各自的权力范围内形成子系统,两个子系统再通过一个执行器综合起来构成一个特定诊断问题的专家系统。
这个执行器记录诊断过程的中间结果和数据,并且还负责经验与原理知识之间的/切换0。
这样在诊断过程中,通过两种类型知识的相互作用,使得整个系统更加完善,功能更强,可以解决那些无经验知识可用情况下的问题,即使遇到知识表示范围以外的问题,系统的性能也不至于显著下降。
»专家系统与神经网络的结合。
神经网络理论为故障智能诊断系统的发展开辟了崭新的途径。
神经网络实现的是右半脑直觉形象思维的特性,而专家系统理论与方法实现左半脑逻辑思维的特性,二者有着很强的互补作用。
然而目前神经网络无论在理论上还是在应用上都还处于发展阶段。
在理论上,无论神经网络模型还是训练算法都还不成熟。
反向传播训练算法尽管在一些领域获得成功,但还存在收敛速度太慢、有时会遇到局域极小等问题,对于大样本也很难收敛。
在应用上,基于并行分布式处理的神经网络是前向进行的,对于以目标驱动的反向推理还显得无能为力。
其次,由于信息的分布性,无法知道对一个输人模式,系统是如何响应的,因此神经网络缺乏推理解释能力。