人工智能在故障診斷領(lǐng)域的應(yīng)用(共8頁)

1、精選優(yōu)質(zhì)文檔-傾情為你奉上人工智能在故障診斷領(lǐng)域的應(yīng)用摘要：本文在簡要介紹故障診斷和人工智能的基礎(chǔ)上，詳細(xì)分析人工智能在故障診斷領(lǐng)域中的應(yīng)用，包括智能故障診斷技術(shù)和故障診斷專家系統(tǒng)，最后總結(jié)基于人工智能的故障檢測的發(fā)展趨勢。關(guān)鍵詞：故障診斷；人工智能；專家系統(tǒng)；智能診斷Application of Artificial Intelligence in the field of Fault DiagnosisAbstract: Based on a brief introduction on the fault diagnosis and artificial intelligence, thi

2、s paper detailedly analyses the application of artificial intelligence in the field of fault diagnosis, including intelligent fault diagnosis and fault diagnosis expert system. Finally, this paper summarizes the development trend of fault detection based on artificial intelligence.Keywords: Fault Di

3、agnosis; Artificial Intelligence; Expert System; Intelligent Diagnosis1 引言隨著科學(xué)技術(shù)的發(fā)展，裝備的結(jié)構(gòu)越來越復(fù)雜，功能也越來越完善，自動(dòng)化程度越來越高，不但同一設(shè)備的不同部分之間相互關(guān)聯(lián)，緊密耦合，而且不同設(shè)備之間也存在著緊密的聯(lián)系，在運(yùn)行過程中形成一個(gè)整體。一處故障可能引起一系列連鎖反應(yīng)，導(dǎo)致整個(gè)過程不能正常運(yùn)行，甚至?xí)斐芍卮蟮膿p失。因此，對(duì)故障診斷的要求也越來越高。另一方面，人工智能技術(shù)近年來得到很大發(fā)展，基于人工智能的故障診斷專家系統(tǒng)已成為當(dāng)前研究和應(yīng)用的一個(gè)熱點(diǎn)。系統(tǒng)的故障是指系統(tǒng)的運(yùn)行處于不正常狀態(tài)(劣化狀

4、態(tài))，并可導(dǎo)致系統(tǒng)相應(yīng)的功能失調(diào)，即導(dǎo)致系統(tǒng)相應(yīng)的行為(輸出)超過允許范圍，使系統(tǒng)的功能低于規(guī)定的水平，這種劣化狀態(tài)就稱為故障。故障診斷是指系統(tǒng)在一定工作環(huán)境下查明導(dǎo)致系統(tǒng)某種功能失調(diào)的原因或者性質(zhì)，判斷劣化狀態(tài)發(fā)生的部位和部件，以及預(yù)測狀態(tài)劣化的發(fā)展趨勢等1,2,3。故障診斷的基本思想可以這樣描述：設(shè)被檢測對(duì)象全部可能發(fā)生的狀態(tài)(包括正常和故障狀態(tài))組成狀態(tài)空問S，它的可觀測量特征的取值范圍全體構(gòu)成特征空問Y，狀態(tài)空間與特征空間的關(guān)系如下圖來表示。圖1 狀態(tài)空間與特征空間的關(guān)系圖故障診斷的過程主要分成三個(gè)步驟：第一步檢測設(shè)備狀態(tài)的特征信號(hào)；第二步從檢測到的信號(hào)中提取征兆；第三步根據(jù)征兆和其他

5、診斷信息來識(shí)別設(shè)備的狀態(tài)，從而完成故障診斷。4故障診斷技術(shù)的發(fā)展大體經(jīng)歷了三個(gè)階段5：第一階段是故障診斷的初級(jí)階段，診斷結(jié)果是建立在領(lǐng)域?qū)＜业母泄俸蛯I(yè)經(jīng)驗(yàn)基礎(chǔ)上，僅對(duì)診斷信息作簡單的處理，其診斷水平受到個(gè)人技術(shù)能力和工作經(jīng)驗(yàn)的限制。第二階段是以傳感器技術(shù)和動(dòng)態(tài)測試技術(shù)為手段、以信號(hào)處理和建模處理為基礎(chǔ)的常規(guī)診斷技術(shù)。其中，信號(hào)處理包括統(tǒng)計(jì)分析、相關(guān)分析、頻譜分析、小波分析和模態(tài)分析等；建模處理包括參數(shù)估計(jì)、系統(tǒng)辨識(shí)、模式識(shí)別等，其理論基礎(chǔ)是系統(tǒng)論、信息論和控制論。在這一階段，故障診斷技術(shù)在工程上得到了廣泛的應(yīng)用，其自身也得到了空前的發(fā)展，誕生出許多新的診斷方法。如振動(dòng)診斷技術(shù)、聲發(fā)射診斷技術(shù)

6、、頻譜診斷技術(shù)、光譜診斷技術(shù)、無損診斷技術(shù)和熱成像檢測診斷技術(shù)等。第三階段是智能診斷技術(shù)階段。所謂診斷系統(tǒng)的智能就是它可以有效地獲取、傳遞、處理、再生和利用診斷信息，從而具有對(duì)給定環(huán)境下的診斷對(duì)象進(jìn)行成功狀態(tài)識(shí)別和狀態(tài)預(yù)測的能力。至80年代中期以后，由于機(jī)器設(shè)備的大型化、復(fù)雜化以及連續(xù)高速運(yùn)行的需要，加之自動(dòng)化制造系統(tǒng)的誕生和發(fā)展，單靠信號(hào)處理和人工分析判斷又難以實(shí)現(xiàn)在線的精確診斷。目前, 國內(nèi)檢測診斷技術(shù)的研究主要集中在以下幾個(gè)方面:l 傳感技術(shù)研究: 傳感技術(shù)是反映設(shè)備狀態(tài)參數(shù)的儀表技術(shù)。國內(nèi)先后開發(fā)了各種類型的傳感器, 如屯渦流傳感器、速度傳感器、加速度傳感器和溫度傳感器等; 最近開發(fā)的

7、傳感技術(shù)有光導(dǎo)纖維、激光、聲發(fā)射等。l 關(guān)于信號(hào)分析與處理技術(shù)的研究: 從傳統(tǒng)的譜分析、時(shí)序分析和時(shí)域分析, 開始引入了一些先進(jìn)的信號(hào)分析手段, 如快速傅立葉變換, Wigner譜分析和小波變換等。這類新方法的引入彌補(bǔ)了傳統(tǒng)分析法的不足。l 關(guān)于人工智能和專家系統(tǒng)的研究: 這方面的研究已成為診斷技術(shù)的發(fā)展主流, 目前已有日程機(jī)械故障診斷專家系統(tǒng)，但這一技術(shù)在工程方面的研究尚未達(dá)到人們所期望的水平。l 關(guān)于神經(jīng)網(wǎng)絡(luò)的研究: 比如旋轉(zhuǎn)機(jī)械神經(jīng)網(wǎng)絡(luò)分類系統(tǒng)等的研究已經(jīng)取得了應(yīng)用, 取得了滿意的效果。l 關(guān)于診斷系統(tǒng)的開發(fā)與研究: 從單機(jī)巡檢與診斷到上下位機(jī)式主從機(jī)結(jié)構(gòu), 直至以網(wǎng)絡(luò)為基礎(chǔ)的布式系統(tǒng)的

8、結(jié)構(gòu)越來越復(fù)雜, 實(shí)時(shí)性越來越高。l 專門化與便攜式診斷儀器和設(shè)備的研制與開發(fā)。目前, 我國的冶金、電力、化工等行業(yè)的故障診斷技術(shù)己經(jīng)很成熟, 得到了廣泛的應(yīng)用。2 人工智能人工智能是計(jì)算機(jī)科學(xué)的一個(gè)重要組成部分。它的任務(wù)是：讓計(jì)算機(jī)模擬人類的智能活動(dòng)，使之具有應(yīng)用知識(shí)、邏輯推理、解決實(shí)際問題的能力。人工智能的研究，始于1956年，是從所謂難題求解開始的。早期的問題，大都限于下棋、猜謎和數(shù)學(xué)定理證明之類的簡單領(lǐng)域。目前人工智能的研究，幾乎涉及所有學(xué)科，其主要包括以下幾個(gè)方面6： l 專家系統(tǒng)：讓計(jì)算機(jī)模擬人類專家的決策過程，求解那些無法建立數(shù)學(xué)模型而必須依靠專家經(jīng)驗(yàn)來解決實(shí)際問題。l 決策支持

9、系統(tǒng)：通過計(jì)算機(jī)的推理、判斷，對(duì)某些多元的、非精確的或不確定的難題進(jìn)行輔助決策。l 自然語言理解系統(tǒng)：使計(jì)算機(jī)能夠理解人類的語言，改善人機(jī)聯(lián)系的條件。l 知識(shí)庫系統(tǒng)把人類自己掌握的知識(shí)，用一定的規(guī)則表示出來，即經(jīng)過形式比較處理存放在計(jì)算機(jī)中，為用戶提供知識(shí)共享。l 智能機(jī)器人使機(jī)器人具有入的手、眼、腦的功能，不僅會(huì)看、會(huì)做、還會(huì)思考，并能根據(jù)環(huán)境條件決定自己的行為，智能機(jī)器人已在航天、核工業(yè)、冶金、機(jī)械、化工等各個(gè)領(lǐng)域開始部分代替人類的工作。l 智能計(jì)算機(jī)在知識(shí)庫的支持下，能識(shí)別聲音、圖像、自動(dòng)進(jìn)行程序設(shè)計(jì)，具有推理、學(xué)習(xí)等功能的新一代計(jì)算機(jī)。人工智能系統(tǒng)還構(gòu)成了新興的知識(shí)工業(yè)，它將為新技術(shù)革

10、命提供重要的工具，為變革人類的生產(chǎn)和生活方式做出了巨大貢獻(xiàn)。Schreiber在1978年首次提出了自動(dòng)測試生成技術(shù)（Automatic Test Generation Techniques）7。由于電路的日益復(fù)雜，故障診斷也變得越來越困難。在過去的幾十年中，人工智能技術(shù)（AI）已經(jīng)成為一個(gè)重要的研究課題。2001年Fenton等人對(duì)AI技術(shù)進(jìn)行了很好地總結(jié)，并對(duì)這種技術(shù)進(jìn)行了分類8。圖2 AI技術(shù)分類2.1 專家系統(tǒng)專家系統(tǒng)是目前人工智能中最活躍、最有成效的一個(gè)研究領(lǐng)域，是基于知識(shí)的計(jì)算機(jī)智能程序系統(tǒng)。它從人類領(lǐng)域?qū)＜夷抢铽@取知識(shí)，并用來解決只有領(lǐng)域?qū)＜也拍軌蚪鉀Q的困難問題。因此可以這樣來定

11、義專家系統(tǒng)：專家系統(tǒng)是一種具有特定領(lǐng)域內(nèi)大量知識(shí)與經(jīng)驗(yàn)的程序系統(tǒng)，它應(yīng)用人工智能技術(shù)，根據(jù)某個(gè)領(lǐng)域一個(gè)或多個(gè)人類專家提供的知識(shí)和經(jīng)驗(yàn)進(jìn)行推理判斷，模擬人類專家求解問題的思維過程，以解決該領(lǐng)域內(nèi)的各種問題。人類對(duì)問題求解的過程離不開對(duì)知識(shí)的表示和利用來兩個(gè)方面。下面由知識(shí)的表示，就專家系統(tǒng)及其原理進(jìn)行深入闡述。專家系統(tǒng)一般被認(rèn)為l 它是一個(gè)智能程序系統(tǒng)；l 它具有相關(guān)領(lǐng)域內(nèi)大量的專家知識(shí)；l 能應(yīng)用人工智能技術(shù)模擬人類專家求解問題的思維過程進(jìn)行推理，解決相關(guān)領(lǐng)域內(nèi)的困難問題，并達(dá)到領(lǐng)域?qū)＜业乃健＜蚁到y(tǒng)按系統(tǒng)的體系結(jié)構(gòu)可分為三種：l 集中式專家系統(tǒng)：指對(duì)知識(shí)及推理進(jìn)行集中管理的專家系統(tǒng)。目前大

12、多數(shù)成功應(yīng)用的專家系統(tǒng)都屬于這一類型。l 分布式專家系統(tǒng)：指把知識(shí)和推理機(jī)制分布在一個(gè)計(jì)算機(jī)網(wǎng)絡(luò)上的專家系統(tǒng)。這種類型的系統(tǒng)具有具有較強(qiáng)的問題求解能力。它將復(fù)雜的問題進(jìn)行分解，并在求解之后將各個(gè)子問題的解合為原問題的解，對(duì)那些單個(gè)機(jī)構(gòu)難以解決的問題它都可以實(shí)現(xiàn)求解。l 神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)：采用人工神經(jīng)網(wǎng)絡(luò)技術(shù)建立的一種專家系統(tǒng)。它以神經(jīng)網(wǎng)絡(luò)為體系結(jié)構(gòu)實(shí)現(xiàn)知識(shí)表示和求解推理。一個(gè)專家系統(tǒng)通常具有以下功能：咨詢功能，回答用戶提出的問題，解決其決策過程；學(xué)習(xí)功能，專家的訓(xùn)練下，系統(tǒng)能不斷擴(kuò)充和完善自己的知識(shí)；教育功能，系統(tǒng)能回答用戶的提問，使用戶在與系統(tǒng)交流時(shí)掌握領(lǐng)域內(nèi)的知識(shí)。專家系統(tǒng)特點(diǎn)是靈活性、透

13、明性、交互性9。專家系統(tǒng)是在計(jì)算機(jī)中實(shí)現(xiàn)的。它由知識(shí)庫、知識(shí)獲取機(jī)構(gòu)、綜合數(shù)據(jù)庫、推理機(jī)、人-機(jī)接口、解釋器五個(gè)部分組成。其中知識(shí)庫和推理機(jī)是專家系統(tǒng)的核心部分。各部分的關(guān)系如圖所示。在上述各組成部分中，知識(shí)庫與推理機(jī)是專家系統(tǒng)不可缺少的組成部分。某些應(yīng)用領(lǐng)域中，可以缺少解釋部分和知識(shí)獲取部分，但是一個(gè)完善的專家系統(tǒng)應(yīng)具備上述五個(gè)部分。被診斷對(duì)象人機(jī)接口知識(shí)庫數(shù)據(jù)庫推理機(jī)結(jié)果圖3 故障診斷專家系統(tǒng)結(jié)構(gòu)圖2.2 機(jī)器學(xué)習(xí)在AI領(lǐng)域，知識(shí)獲取已經(jīng)成為建造專家系統(tǒng)的“瓶頸”問題。知識(shí)的自動(dòng)獲取更是人工智能研究的難點(diǎn)。機(jī)器學(xué)習(xí)是解決知識(shí)獲取問題的主要途徑。機(jī)器學(xué)習(xí)研究的主要目標(biāo)是通過構(gòu)造智能學(xué)習(xí)機(jī)讓機(jī)

14、器自身具有獲取知識(shí)的能力，使其能在實(shí)際工作中不斷總結(jié)成功和失敗的經(jīng)驗(yàn)教訓(xùn)，對(duì)知識(shí)庫中的知識(shí)自動(dòng)進(jìn)行調(diào)整和修改，以豐富、完善系統(tǒng)的知識(shí)。機(jī)器學(xué)習(xí)從內(nèi)在行為來看，是從未知到已知的過程，是知識(shí)增長的過程；從外在表現(xiàn)看，是系統(tǒng)的某些適應(yīng)性改變，使得系統(tǒng)能完成原來不能完成的任務(wù)或把原來的任務(wù)做得更好。學(xué)習(xí)是一切智能系統(tǒng)最根本的特征。機(jī)器學(xué)習(xí)是人工智能最具智能特征和最前沿的研究領(lǐng)域之一。機(jī)器學(xué)習(xí)的研究取得重大進(jìn)展往往意味著人工智能，甚至整個(gè)計(jì)算機(jī)科學(xué)向前邁進(jìn)了堅(jiān)實(shí)的一步。因此，機(jī)器學(xué)習(xí)是提高故障診斷系統(tǒng)智能水平的主要途徑，一旦診斷系統(tǒng)具有了自學(xué)習(xí)能力，它就能從環(huán)境的變化中學(xué)習(xí)新知識(shí)，不斷實(shí)現(xiàn)自我完善。關(guān)于

15、學(xué)習(xí)的概念，多數(shù)人工智能學(xué)者認(rèn)為學(xué)習(xí)是以組織化的知識(shí)出發(fā)，然后變得更為組織化HJ.Simon定義說：學(xué)習(xí)是系統(tǒng)發(fā)生了變化，使得下一次比這一次做得更好；Minsky的定義是：學(xué)習(xí)是我們頭腦里有用的變化；Miehalski認(rèn)為：學(xué)習(xí)是對(duì)經(jīng)歷描述的建立或修改；Diettvrich認(rèn)為：學(xué)習(xí)是知識(shí)的增長。這些定義雖然不盡相同，但可以看出學(xué)習(xí)的形式不外乎兩種：知識(shí)獲取和技能改善。在人工智能領(lǐng)域中，學(xué)習(xí)系統(tǒng)的研究、認(rèn)知模擬和理論性分析這三者之間的相互競爭和支持，反映了人工智能領(lǐng)域的整體情況，使問題和概念相互交融。機(jī)器學(xué)習(xí)是研究怎樣使用計(jì)算機(jī)模擬或?qū)崿F(xiàn)人類學(xué)習(xí)活動(dòng)的科學(xué)，是人工智能中最具智能特征、最前沿的研

16、究領(lǐng)域之一。自80年代以來，機(jī)器學(xué)習(xí)作為實(shí)現(xiàn)人工智能的途徑，在人工智能界引起了廣泛的興趣。特別是近幾年來，機(jī)器學(xué)習(xí)領(lǐng)域的研究工作發(fā)展很快，它已成為人工智能的重要課題之一?！?。機(jī)器學(xué)習(xí)不僅在基于知識(shí)的系統(tǒng)中得到應(yīng)用，而且在自然語言處理、非單調(diào)推理、機(jī)器視覺、模式識(shí)別等許多領(lǐng)域也得到了廣泛開展。一個(gè)系統(tǒng)是否具有學(xué)習(xí)能力已成為是否具有“智能”的一個(gè)標(biāo)志。機(jī)器學(xué)習(xí)研究的主要發(fā)展過程大致可分為四個(gè)階段，并分別以四個(gè)重要事件為標(biāo)志。l 第一階段：第一個(gè)學(xué)習(xí)機(jī)器的創(chuàng)立。(60年代)l 第二階段：學(xué)習(xí)理論基礎(chǔ)的創(chuàng)立。(60-70年代)l 第三階段：神經(jīng)網(wǎng)絡(luò)(ANN)的創(chuàng)立，(80年代)l 第四階段：ANN替代

17、方法的創(chuàng)立(90年代)3 人工智能在故障診斷領(lǐng)域的應(yīng)用人工智能技術(shù)與診斷科學(xué)的結(jié)合，推動(dòng)了一門嶄新的分支學(xué)科，即基于知識(shí)的診斷推理的誕生和發(fā)展。智能診斷系統(tǒng)，是由領(lǐng)域?qū)＜摇F(xiàn)代模擬腦功能的硬件及軟件所組成的系統(tǒng)。從發(fā)展的成熟程度來看，診斷專家系統(tǒng)或基于知識(shí)的診斷系統(tǒng)是最為優(yōu)秀的。而構(gòu)造這些系統(tǒng)的一個(gè)重要理論基礎(chǔ)就是基于知識(shí)的診斷推理。其研究工作發(fā)展迅速、成果迭出。專家系統(tǒng)實(shí)際上就是使計(jì)算機(jī)盡可能模擬人類專家解決某些實(shí)際問題的決策和工作過程的系統(tǒng)。人工智能技術(shù)的發(fā)展，特別是基于知識(shí)的專家系統(tǒng)和以并行分布處理為特征的人工神經(jīng)網(wǎng)絡(luò)等技術(shù)在智能故障診斷中的應(yīng)用，使得故障診斷技術(shù)進(jìn)入了一個(gè)新的智能化發(fā)展

18、階段。國外已經(jīng)將一些典型的故障診斷技術(shù)應(yīng)用于各個(gè)領(lǐng)域，如：1987年日本川崎鋼鐵公司將先進(jìn)的GO-STOP系統(tǒng)應(yīng)用于高爐的故障診斷，實(shí)現(xiàn)了高爐工作穩(wěn)定性的控制，對(duì)坍塌等故障實(shí)現(xiàn)了預(yù)報(bào)和控制。我國在檢測與診斷技術(shù)研究方面雖然起步較晚，但是由于國家重視發(fā)展較快。早在八五期間國家組織了若干個(gè)故障診斷技術(shù)方面的公關(guān)課題研究，分別在石化、電力等部門進(jìn)行了應(yīng)用于推廣。目前我國在檢測與故障診斷技術(shù)方面的理論研究已經(jīng)接近世界水平，但是在應(yīng)用技術(shù)方面與國外的先進(jìn)國家比較差距較大。隨著科學(xué)技術(shù)領(lǐng)域的不斷進(jìn)步，我國正面臨著大型技術(shù)設(shè)備廣泛應(yīng)用的關(guān)鍵時(shí)期，所以為適應(yīng)國民經(jīng)濟(jì)發(fā)展形式的要求，必須使設(shè)備檢測與故障診斷技術(shù)

19、上升到一個(gè)新的水平。智能故障診斷技術(shù)是人工智能技術(shù)在診斷領(lǐng)域內(nèi)引用的產(chǎn)物，它隨著人工智能，特別是專家系統(tǒng)、知識(shí)工程和人工神經(jīng)網(wǎng)絡(luò)的發(fā)展而不斷發(fā)展。根據(jù)制式處理途徑上的不同，智能診斷方法可以分為兩個(gè)大類10,11：第一種基于符號(hào)推理的智能診斷方法。在基于符號(hào)推理的知識(shí)處理系統(tǒng)當(dāng)中，知識(shí)是按照一定的規(guī)則用特定描述符加以表示、存儲(chǔ)和處理的。知識(shí)的獲取就是對(duì)事件性知識(shí)或者專家所擁有的功能性知識(shí)加以描述，并按照一定的規(guī)則存儲(chǔ)這些知識(shí)到知識(shí)庫的這個(gè)過程。然后，知識(shí)的處理系統(tǒng)就可以根據(jù)輸入數(shù)據(jù)集體定的推理機(jī)制和策略進(jìn)行邏輯推理，并最終輸出所要的結(jié)果。目前基于符號(hào)推理的傳統(tǒng)的人工智能故障診斷方法比較成熟。但是

20、，該方法具有一個(gè)重大的缺陷：知識(shí)獲取的“瓶頸”和邏輯推理的“組合爆炸”。這使得該方法受到了一定的制約。第二種是基于數(shù)值計(jì)算的智能診斷方法。如人工神經(jīng)網(wǎng)絡(luò)，她是當(dāng)今故障診斷方法一個(gè)重要的研究領(lǐng)域。其制式是通過系統(tǒng)權(quán)值系數(shù)矩陣來加以表示和存儲(chǔ)。知識(shí)的獲取是按照一定的學(xué)習(xí)規(guī)則通過學(xué)習(xí)不斷的調(diào)整確定其權(quán)值系數(shù)矩陣。在診斷過程中，系統(tǒng)按照相應(yīng)的網(wǎng)絡(luò)計(jì)算方法對(duì)輸入數(shù)據(jù)進(jìn)行計(jì)算，得到網(wǎng)絡(luò)輸出作為診斷結(jié)果。神經(jīng)網(wǎng)絡(luò)由于其本身強(qiáng)大的功能，對(duì)于不精確的、矛盾的或者是錯(cuò)誤的數(shù)據(jù)，他都能進(jìn)行推理計(jì)算，并能夠給出好的計(jì)算結(jié)果。在神經(jīng)網(wǎng)絡(luò)的知識(shí)處理系統(tǒng)中，知識(shí)的獲取、知識(shí)存儲(chǔ)以及推理之間的聯(lián)系很緊密，交融性很大。同時(shí)神經(jīng)

21、網(wǎng)絡(luò)的知識(shí)處理系統(tǒng)中不存在知識(shí)獲取的瓶頸問題和推理的組合爆炸問題。所以其發(fā)展空間更加廣闊。對(duì)于這兩種智能診斷方法，無論是就與符號(hào)還是基于數(shù)值的只是處理方法只是從兩個(gè)不同方面對(duì)人工智能的模擬。符號(hào)系統(tǒng)模擬了人類復(fù)雜的邏輯思維，而數(shù)值系統(tǒng)則是模擬了人類抽象的形象思維，這是人類智能中不可缺少、不能夠互相替代的兩個(gè)部分。在這種情況下，如果能夠?qū)煞N方法又記得結(jié)合到一起，從而有效的模擬人的邏輯思維與形象思維，這是當(dāng)今智能故障診斷技術(shù)發(fā)展的方向。人工智能在故障診斷領(lǐng)域中的應(yīng)用，實(shí)現(xiàn)了基于人類專家經(jīng)驗(yàn)知識(shí)的故障診斷技術(shù)，并將其推進(jìn)到一個(gè)新的水平智能化診斷水平。但是由于診斷對(duì)象日趨呈現(xiàn)復(fù)雜化的趨勢，獲取準(zhǔn)確、

22、完備、有效的診斷知識(shí)越來越困難。已知的領(lǐng)域知識(shí)大都具有證據(jù)不充分或結(jié)論不完全的特點(diǎn)，領(lǐng)域知識(shí)的分散性、隨機(jī)性和模糊性的特點(diǎn)使之表現(xiàn)出很強(qiáng)的不確定性。另一方面，復(fù)雜系統(tǒng)為了滿足生產(chǎn)的需求經(jīng)常處在動(dòng)態(tài)變化的過程中，其行為特點(diǎn)越來越不好把握，各種故障的發(fā)生具有很強(qiáng)的不確定性，所有這些都為有效的獲取、表示和利用診斷知識(shí)進(jìn)行智能化推理帶來了很大的困難12-15。將專家系統(tǒng)方法應(yīng)用于設(shè)備故障診斷領(lǐng)域是故障診斷技術(shù)發(fā)展的趨勢。一般說來，為了對(duì)設(shè)備的故障進(jìn)行診斷與維修，對(duì)設(shè)備的工作情況均要進(jìn)行監(jiān)控和測試。為獲取設(shè)備的運(yùn)動(dòng)狀態(tài)信息和位置狀況，在設(shè)備的一些重要功能執(zhí)行部件、部位安裝傳感器，以監(jiān)測設(shè)備運(yùn)動(dòng)狀態(tài)或位置

23、信息，如振動(dòng)、溫度、壓力和功率等信息。較先進(jìn)的設(shè)備控制器內(nèi)的數(shù)據(jù)還應(yīng)包含有各種指示運(yùn)動(dòng)狀態(tài)信號(hào)，控制器IO信號(hào)，設(shè)備功能控制產(chǎn)生的中間信號(hào)及位置信息等。如果故障發(fā)生，根據(jù)控制器內(nèi)的各類信號(hào)及信號(hào)之間的邏輯關(guān)系一般可以找到出現(xiàn)故障的位置及部件。設(shè)備故障診斷專家系統(tǒng)是利用各種類型的診斷知識(shí)通過對(duì)監(jiān)數(shù)據(jù)庫測到的信息進(jìn)行分析、處理、對(duì)設(shè)備運(yùn)動(dòng)狀態(tài)進(jìn)行判斷和推理的軟件系統(tǒng)。一旦設(shè)備發(fā)生異常，它可以通過推理判斷找出故障的原因和發(fā)生故障的位置，最后給出診斷、推理過程的解釋和故障處理結(jié)果。故障診斷專家系統(tǒng)的構(gòu)成如下圖所示。其中數(shù)據(jù)采集模塊是把信息通過各種手段采集到系統(tǒng)的數(shù)據(jù)庫，這些信息反映設(shè)備運(yùn)行的各種狀態(tài)，

24、這樣便于診斷專家系統(tǒng)對(duì)故障及設(shè)備的運(yùn)行狀態(tài)進(jìn)行判別和診斷。數(shù)據(jù)庫是按照一定的格式以文件的形式把設(shè)備的各種狀態(tài)信息(如問題求解的初始狀態(tài)數(shù)據(jù)、求解狀態(tài)、中間結(jié)果、假設(shè)目標(biāo)以及最終求解結(jié)果等)存儲(chǔ)起來。推理機(jī)是控制整個(gè)系統(tǒng)運(yùn)行的一組程序，它利用知識(shí)庫中的知識(shí)，根據(jù)監(jiān)測到的信息，按著一定的問題求解策略進(jìn)行推理、診斷，并給出診斷結(jié)果。推理機(jī)是設(shè)備故障診斷專家系統(tǒng)的關(guān)鍵部分。圖4 故障診斷專家系統(tǒng)結(jié)構(gòu)圖隨著故障診斷專家系統(tǒng)技術(shù)的發(fā)展。進(jìn)一步將人工智能引人監(jiān)測與診斷實(shí)現(xiàn)監(jiān)測、診斷的一體化，在傳統(tǒng)故障診斷專家系統(tǒng)的基礎(chǔ)上，利用專家系統(tǒng)開發(fā)工具進(jìn)一步開發(fā)出集一成化的故障診斷專家系統(tǒng)。集成化故障診斷專家系統(tǒng)的特

25、征是數(shù)值計(jì)算和符號(hào)推理的集成，多種知識(shí)處理技術(shù)和診斷技術(shù)的集成，多個(gè)功能子模塊的集成，形成分布處理的較大的專家系統(tǒng)。故障診斷專家系統(tǒng)由各功能子模塊分別獨(dú)立地完成診斷的各部分工作，然后進(jìn)行綜合做出診斷決策其中每個(gè)功能子模塊都包含數(shù)值計(jì)算和符號(hào)推理功能。其中綜合推理機(jī)是集成診斷專家系統(tǒng)的核心，它不僅能利用狀態(tài)監(jiān)測結(jié)果進(jìn)行推理，同時(shí)可分析判斷來自設(shè)備控制器內(nèi)部的數(shù)據(jù)，結(jié)合各種數(shù)據(jù)進(jìn)行推理、綜合，做出診斷決策。綜合知識(shí)庫中包含有關(guān)系統(tǒng)的物理知識(shí)、經(jīng)驗(yàn)知識(shí)、設(shè)備運(yùn)動(dòng)過程狀態(tài)知識(shí)、運(yùn)動(dòng)過程監(jiān)測結(jié)果所能反映的異常狀態(tài)知識(shí)，以及診斷對(duì)象的征兆與故障之間的各種因果聯(lián)系知識(shí)等。多種知識(shí)的綜合，便于對(duì)故障進(jìn)行綜合診

26、斷，這樣可以提高知識(shí)本身的有效性，而且可以更準(zhǔn)確地定位故障點(diǎn)，將故障定位到最小范圍。綜合數(shù)據(jù)庫是一個(gè)動(dòng)態(tài)數(shù)據(jù)庫，由監(jiān)測與診斷共同生成、共同利用。4 結(jié)語從今后的發(fā)展看, 故障診斷技術(shù)必須跳出僅針對(duì)機(jī)械運(yùn)行過程這個(gè)環(huán)節(jié)的局限性, 而應(yīng)該放在產(chǎn)品的整個(gè)生命周期中來統(tǒng)籌考慮, 對(duì)機(jī)械系統(tǒng)的整個(gè)壽命周期進(jìn)行有效的分析, 從而提高機(jī)械系統(tǒng)的可靠性和可維修性, 延長系統(tǒng)的壽命, 降低壽命周期費(fèi)用。從診斷的方式上來看, 傳統(tǒng)的診斷方法和理論對(duì)單過程、單故障和漸發(fā)性故障的簡單系統(tǒng)可以發(fā)揮較好的作用, 對(duì)于多過程、多故障和突發(fā)性故障以及復(fù)雜龐大、高度自動(dòng)化的大型設(shè)備和系統(tǒng), 就具有較大的局限性。專家系統(tǒng)主要用于

27、復(fù)雜的機(jī)械系統(tǒng), 能夠克服基于模型的故障診斷方法對(duì)模型的過分依賴性, 人工神經(jīng)網(wǎng)絡(luò)對(duì)于故障的模式識(shí)別具有獨(dú)特的優(yōu)點(diǎn)。將人工智能的理論和方法應(yīng)用于故障診斷, 發(fā)展智能化的故障診斷技術(shù), 是故障診斷的一個(gè)新的途徑, 成為故障診斷的一個(gè)重要研究方向?；谌斯ぶ悄艿墓收显\斷系統(tǒng)在未來的發(fā)展趨勢為可概括為集成化、高精度化、智能化和網(wǎng)絡(luò)化16-19。集成化是指采用虛擬儀器技術(shù)的平臺(tái)將各類采集技術(shù)、信號(hào)處理技術(shù)和診斷理論方法有效地集成在一起，這樣可根據(jù)實(shí)際需要對(duì)診斷系統(tǒng)進(jìn)行升級(jí)和擴(kuò)大系統(tǒng)的測試范圍。目前很多故障診斷系統(tǒng)的診斷測試功能相對(duì)固定，難以升級(jí)，因此隨著虛擬儀器技術(shù)在發(fā)動(dòng)機(jī)故障診斷領(lǐng)域的應(yīng)用不斷廣泛，

28、集成化將成為其發(fā)展一個(gè)趨勢。高精度化是指運(yùn)用先進(jìn)的信號(hào)處理方法從原始信號(hào)中提取敏感反映機(jī)器狀態(tài)的特征因子?？梢哉f，信號(hào)處理中每一項(xiàng)新技術(shù)在設(shè)備診斷中的應(yīng)用，都是對(duì)診斷技術(shù)的一次重大推動(dòng)。如利用多段時(shí)域平均法提高當(dāng)前信號(hào)的強(qiáng)度，利用小波分析法良好的時(shí)頻局部化特性進(jìn)行奇異信號(hào)檢測，其目的都在去除原始信號(hào)中的噪音干擾，提取故障診斷精度。智能化是指診斷系統(tǒng)具有專家系統(tǒng)和智能化功能，能對(duì)發(fā)動(dòng)機(jī)技術(shù)狀況進(jìn)行檢測，并能診斷出汽車故障發(fā)生的部位和原因，引導(dǎo)維修人員迅速排除故障。人工智能技術(shù)的發(fā)展及其在診斷推理中的應(yīng)用，將使得診斷系統(tǒng)智能化程度不斷提高。如神經(jīng)網(wǎng)絡(luò)推理方法的出現(xiàn)，有效解決了專家系統(tǒng)出現(xiàn)的“規(guī)則組

29、合爆炸”的難題，而近期已有神經(jīng)網(wǎng)絡(luò)算法的完善和新神經(jīng)網(wǎng)絡(luò)算法的出現(xiàn)，又將推動(dòng)著故障診斷系統(tǒng)向高度智能化方向發(fā)展20-23。故障診斷專家系統(tǒng)未來的發(fā)展方向如下：(1)基于多種模型結(jié)合的診斷專家系統(tǒng)。這里所說的模型是指專家系統(tǒng)的知識(shí)表示模型與推理模型?，F(xiàn)有的各種模型都具有各自優(yōu)勢和特點(diǎn),同時(shí)它們各自也存在著局限性,各種模型具有各自適用的領(lǐng)域。隨著工業(yè)自動(dòng)化發(fā)展對(duì)故障診斷的要求不斷提高, 際被診斷對(duì)象也將更加復(fù)雜,這樣必然造成對(duì)象的故障診斷知識(shí)的復(fù)雜化,因此,融合多種知識(shí)表示方法是提高故障診斷知識(shí)表示準(zhǔn)確度的有效途徑。故障診斷知識(shí)表示與推理方法有著密切的聯(lián)系,這就要求將多種診斷方法加以融合,克服各診

30、斷方法的局限性,從而提高診斷專家系統(tǒng)的智能性和診斷效率。(2)分布式診斷專家系統(tǒng)?，F(xiàn)有的診斷專家系統(tǒng)大都是面向單機(jī)或單服務(wù)器的, 可擴(kuò)充性、靈活性、通用性較差,各診斷系統(tǒng)之間相互獨(dú)立,即使是不同開發(fā)單位研制的針對(duì)同類問題的診斷系統(tǒng)之間也不能進(jìn)行有效的信息交流和共享,造成了巨大的資源浪費(fèi)?，F(xiàn)在很多大型系統(tǒng)或設(shè)備由遠(yuǎn)程分布的不同類子系統(tǒng)組成,相應(yīng)地,其診斷系統(tǒng)中的系統(tǒng)級(jí)診斷和各子診斷也需要診斷信息的傳輸交流。同時(shí), 由于故障源的不確定性和時(shí)發(fā)性,導(dǎo)致異地診斷和遠(yuǎn)程診斷的需求不斷增加。隨著網(wǎng)絡(luò)的普及,通過局域網(wǎng)、因特網(wǎng)來傳輸診斷信息成為一種趨勢,網(wǎng)絡(luò)架構(gòu)下的分布式多故障診斷成為新的研究熱點(diǎn),因此,建

31、立遠(yuǎn)程分布式跨平臺(tái)綜合智能診斷系統(tǒng),可以實(shí)現(xiàn)異地多種專家系統(tǒng)對(duì)同一系統(tǒng)、設(shè)備的協(xié)同診斷以及多臺(tái)設(shè)備共享同一診斷系統(tǒng),提高診斷的成功率和效率,同時(shí)也有利于診斷案例的積累, 以彌補(bǔ)單個(gè)診斷系統(tǒng)領(lǐng)域知識(shí)的不足,提高診斷的智能化水平。(3)實(shí)時(shí)診斷專家系統(tǒng)。隨著用戶對(duì)系統(tǒng)可靠性、穩(wěn)定性的要求不斷提高,故障診斷技術(shù)已經(jīng)由原來簡單的對(duì)故障設(shè)備進(jìn)行離線故障檢測、隔離,發(fā)展為對(duì)系統(tǒng)、設(shè)備全壽命周期提供可靠性保障,主要包括基于傳感器網(wǎng)絡(luò)的健康狀態(tài)在線檢測, 故障的早期預(yù)報(bào)以及故障發(fā)生后的在線實(shí)時(shí)定位與排除。這些都對(duì)未來故障診斷專家系統(tǒng)的實(shí)時(shí)性提出了很高的要求。參考文獻(xiàn)1 楊叔子, 史鐵林. 設(shè)備診斷技術(shù)的現(xiàn)狀與

32、未來J. 設(shè)備管理與維修, 1995, 11(133).2 機(jī)械設(shè)備故障診斷技術(shù)M. 上?？茖W(xué)技術(shù)文獻(xiàn)出版社, 1994.3 侯靖歐. 機(jī)械故障診斷技術(shù)J. 漁業(yè)現(xiàn)代化, 1984, 6: 023.4 設(shè)備診斷工程M. 中國農(nóng)業(yè)科技出版社, 1997.5 吳今培，肖建華智能故障診斷技術(shù)與專家系統(tǒng)【M】.北京：科學(xué)出版社1997.5106 人工智能原理及應(yīng)用M. 東華大學(xué)出版社, 2005.7 Fenton B, McGinnity M, Maguire L. Fault diagnosis of electronic system using artificial intelligenceJ.

33、 Instrumentation & Measurement Magazine, IEEE, 2002, 5(3): 16-20.8 Schreiber H H. A review of analog automatic test generationC/AUTOTESTCON'78. International Automatic Testing Conference. IEEE, 1978: 1-8.9 王萬森. 人工智能原理及其應(yīng)用M. 電子工業(yè)出版社, 2000.10 王道平, 張義忠. 故障智能診斷系統(tǒng)的理論與方法M. 冶金工業(yè)出版社, 2001.11 吳明強(qiáng), 史慧

34、, 朱曉華, 等. 故障診斷專家系統(tǒng)研究的現(xiàn)狀與展望J. 計(jì)算機(jī)測量與控制, 2005, 13(12): 1301-1304.12 Hanson S J, Bauer M. Machine learning, clustering, and polymorphyJ. arXiv preprint arXiv:1304.3432, 2013.13 Cleophas T J, Zwinderman A H. Machine Learning and Common SenseM/Machine Learning in Medicine. Springer Netherlands, 2013: 207-211.14 Murphy K P. Machine learning: a probabilistic perspectiveM. The MIT Press, 2012.15 Low Y, Bickson D, Gonzalez J, et al. Distributed GraphLab: A framework for machine learning and data mining in the cloudJ. Proceedings of the VLDB Endowment, 2012, 5(8): 716-727.16 智能檢測系