设备的故障诊断与故障预测

主流方法与关键技术
基于知识工程的方法相对比与机理建模方法不需要建立机理模型，而且诊 断结果易于理解，适应具备大量生产经验和工艺知识的情况。缺点是通用性 差，方案对策不确定，必须通过积累大量的知识来建立“知识库”。
基于知识的专家系统运行图
主流方法与关键技术
三种故障诊断方法比较
主流方法与关键技术
在具体讲述相关的技术之前，这里罗列了几种故障诊断与预测的解决思路：
案例分析
基于关联规则的尿素生产设备故障规则生成
案例分析
基于关联规则的尿素生产设备故障规则生成 生成的规则如下所示：
翻译其中一条规则，如： 空气流量异常且气提塔液位异常时，阀开度是异常的。
案例分析
基于模糊理论的并联容器故障诊断系统
没具体讲
谢谢！！
3、基于知识规则库的专家系统故障诊断，见11页的图。
4、利用模糊推理对故障进行诊断。
主流方法与关键技术
故障诊断与预测需要用到的技术手段很多，如下所示，这里对专家系统和 关联规则算法做稍微细致的讲解。
专家系统 关联规则算法 模糊理论 各类分类算法（支持向量机等） 灰色系统理论 小波神经网络 聚类算法
设备定期检修时间间隔过长，则不能够及时对设备的安全性做出评估， 容易出现安全问题，称其为“欠维修”。并且定期检修需要对设备各组件逐 一排查，检修过程缺乏针对性，浪费生产时间。
从大量设备监测数据中提取出有用信息，实时掌握设备运行状态，并预 估未来是否可能发生故障，可以预先判定设备是否需要维修，也能缩小排查 范围，确定主要的维修部件，节约维修时间，精准高效，克服传统维修方法 所导致的过维修和欠维修，保证设备的安全运行。
在这里，也要对置信度设置 最小阈值(mincon) 来进一步筛选满足需要的强关 联规则。因此，继产生频繁项集后，需从中进而选取满足：
关键技术概述
关联规则算法 确定关联规则
关键技术概述
模糊学习理论，这里没讲，可以探索一下，以后可能有用。
关键技术概述
支持向量机
SVM 算法是 致力于小样本情况下的机器学习算法，并建立了统计学 习理论的基本体系。支持向量机理论被认为是目前针对小样本问题的最佳 理论，它从理论上较系统研究了经验风险最小化原则成立的条件。
知识表示
将知识表示成统一格式，表示成易于处理的格式
人机交互
操作人员与计算机机器之间传递信息的接口
关键技术概述
专家系统
知识发现就是指科研人员自己人工或利用智能算法在外部数据源中 发现知识，并将这些知识转化到计算机中的过程。
知识发现一直是专家系统的“瓶颈”，知识发现是从实际案例中来 发现规则或者直接从专家处输入规则，慢慢来将丰富知识库，不断完善 专家系统的能力。
S1是S2的超集 https:///shizhenqiang/p/8251213.html
关键技术概述
关联规则算法
确定频繁项集
支持度（support）: 全部事务中，项集中{X,Y}同时出现的概率：
该指标作为建立强关联规则的第一个门槛，通过最小阈值(minsup)的设定， 来剔除那些 “出镜率” 较低的无意义的规则。而相应地保留下出现较为频 繁的项集所隐含的规则。即筛选出满足： 项集Z，被称为频繁项集(Frequent Itemset)。
案例分析
液压系统故障诊断专家系统
1、故障诊断专家系统知识库建立 将故障用一组产生式规则来表示：If〈 条件〉Then〈结论〉，〈措施〉。
规则的结构如下图：
案例分析
液压系统故障诊断专家系统
建立相应的故障诊断知识库如下：
rule(1 ,“泵故障” ,“泵不输油”，[ 1] ) rule(2 ,“泵故障” ,“泵供油压力不足”，[ 2] ) rule(3 , “泵不输油” ,“泵不转动” , [ 3] ) rule(4 , “泵不输油” ,“泵不吸油” , [ 4 ,5] ) rule(5 , “ 泵供油压力不足” , “ 泵泄油严重” ,[ 6] ) rule(6 ,“泵供油压力不足” , “泵排量过大” ,[ 7] ) 其中： cond(1 , “泵出油口无油”) cond(2 , “ 泵出油口有油 , 但不能带动负载工作”) cond(3 , “电机轴未转 ,检查电器故障”) cond(4 , “油箱油位过低 ,加油至油位线”) cond(5 , “吸油管或沥油器堵塞 ,清洗更换”) cond(6 , “泵内部有问题 ,检查其部件”) cond(7 , “驱动结构或电动机功率不足 ,重新技术匹配各参数值”)
关键技术概述
关联规则算法 Apriori原理是说如果某个项集是频繁的，那么它的所有子集也是频繁的。
这意味着如果说{0，1}是频繁的，那么{0}，{1}也一定是频繁的。这个原理 直观上没有什么太大帮助，但是如果反过来思考用处就很大了，也就是说如 果一个项集是非频繁项集，那么它的所有超集也是非频繁的。
1、由于理论研究所限定的条件与实际应用时的情况相差甚远； 2 、由于对诊断对象缺乏深刻的认识和研究，作为人工智能技术本身也有 待于进一步发展和完善。
近10年来，随着人工智能技术的迅速发展，特别是专家系统、模糊逻辑和 神经网络等在诊断领域中的进一步应用，迫使人们对智能诊断问题进行更加 深入和系统的研究，形成了一系列研究热点，也取得了一系列研究成果。但 从分支学科的要求来看，无论是在理论体系的构建方面，还是在解决实际问 题方面，故障诊断研究仍有一段艰巨的路程要走。
故障诊断与维修方式
国内外工厂生产使用的设备，较为普遍采用的维修方式有事后维修和预防 维修。预防性维修又分为定期维修和状态检测维修。
三种维修方式较
故障预警系统
主流方法与关键技术
基于机理模型 的方法
主
流
基于数据驱动
方
的方法
法
基于识工程 的方法
基于机理模型的方法提出的比较早，主 要是建立一个精确的机理模型，然后利 用数学方法来对输出数据进行分析。
SVM 继承了统计学习理论中的许多优点，现在 SVM 已经在许多数 据处理方面得到了应用，如文本分类、图像处理、故障分析等。
在进行故障诊断时，应用的是SVM的分类算法，用于判别故障的具体 类别。
案例分析
这里以液压系统为研究对象。
在设备运行过程中，液压系统工作中主要的参数有流量、压力、温度、转 轴扭矩、流速、泄漏量以及液压马达的速度等，经过对这些参数的测量和分析， 实现对夜压系统的故障诊断。
如下所示为一个机理模型的例子，为进入选矿厂的固体i从给矿到精矿的回 收率机理模型。
主流方法与关键技术
基于数据驱动的方法的基本思想是利用获得的设备数据建立历史数据 分类器模型，通过所建立的模型来对运行的实时数据进行故障诊断。
基于数据驱动的方法建立起来方便些，不需要过程的模型或先验知识， 回避了建立对象机理模型的问题，只需要对设备的工况数据进行处理与 分析。缺点是由于该方法不考虑系统的机理和内部结构等先验知识，所 以建立的数据模型中变量参数不具备明确的意义。
现状
经分析统计，目前故障诊断与预测技术的研究主要集中在对以下设备的探 索。
航天 发动机
风电 机组
变压器
齿轮箱
液压 系统
电机
现状
故障智能诊断系统无论在理论上还是在系统开发方面都已取得了很大的进 步，但真正投入使用并且功能完善的系统并不多，大多数研究成果仍然停留 在实验室阶段。造成这种理论与实践脱节有两个方面的原因：
关键技术概述
关联规则算法
关联规则算法是数据挖掘中知识发现的一个重要分支，用于找出数据中简单 实用的规则。
关联规则最早是为了进行购物篮分析（Market Basket Analysis）而提出 的，例如：在超市销售数据中发现了规则{onionspo,potatoes}⇒{burger} ， 可能指示如果一个顾客同时购买了onions和potatoes，那么他很可能也会购买 hamburger meat，这些信息可以用于指导市场。
关键技术概述
专家系统
专家系统的目的就是希望能够将某个领域中的专家经验进行收集和 总结，然后利用这些经验来实现对故障的快速诊断。
知识库
存储知识和案例的，专家总结的经验知识和历史经 验都存储在知识库中
推理机
根据当前知识库中的知识来导出结论
专
家
系 统
知识发现
从知识库中发现新的知识，不断丰富知识库，增强 专家系统的处理能力
关键技术概述
考虑规则{牛奶，尿布}->{啤酒} 由于项集{牛奶，尿布，啤酒}支持度计数2。事务总数5（购买5次） 所以支持度为：2/5=0.4
关键技术概述
关键技术概述
关联规则算法
确定关联规则 置信度（confidence）:
在关联规则的先决条件 X 发生的条件下，关联结果Y发生的概率，即含有X 的项集条件下，同时含有Y的可能性：
1、很明确地知道，某一个或者某几个变量在发生一定异常时，就会发生某一 类故障。这种情况最好处理，只需要时刻检测关键变量，出现异常就发出故 障报警即可。
2、基于历史数据，如果系统处在某一个状态空间 S 中，就能确定对应的结 果Y。故障诊断的是模式识别的一种，将待判断状态模式与历史样本进行对比， 利用历史样本建立的分类器来决定待检模式应该划分为哪一类模式。
设备的故障诊断与预测技术探索
—— XXXXX
提纲
目的、意义 现状 主流方法与关键技术 关键技术详解 案例分享
目的、意义
传统的设备维修方式大多为定期检修，若定期检修间隔时间较短，虽然在 一定程度上保证了设备的安全性能，但检修过程效率低下，特别是对于大型 设备或机组，无必要的检修浪费了生产时间，降低经济效益，称其为设备 “过维修”。
案例分析
液压系统故障诊断专家系统 2、故障诊断专家系统推理机制
案例分析
基于关联规则的尿素生产设备故障规则生成
选取设备的 12 个变量 为样本，首先要对数据进行预处理，将三个数值型 变量转化字符变量，分别对变量 shafttorque 、 pressure 、 flow rate 规定 阈值，若超过或者低于该阈值就将其值赋值为 0，在阈值内就赋值为 1。如下图 所示。
基于数据驱动的方法通过利用采集到的 大量系统运行过程数据输入输出数据， 分析数据的各种统计特征，建立过程的 数据特征模型。
基于知识的方法主要是根据历史先验知 识，按照相应的算法来对故障现象或者 故障数据在知识库中进行搜索匹配，寻
找出故障。
主流方法与关键技术
基于机理模型的方法主要是依靠被诊断系统精确的机理模型，将机理模型 的输出与实际输出进行比较，并采用数学方法对残差进行分析处理从而实现 故障诊断。它能够反映设备的内部结构和机理，揭示事物内在规律，能够了 解故障发生的原因。缺点是当面对比较复杂的设备系统时，无法获取内部机 理的全部信息，很难去建立一个精确度很高的模型，该方法过于依赖设备的 精确模型。