网络化智能化传动装置在线故障诊断系统的集成

4.1 引言
故障智能诊断系统研究迄今在诊断理论和具体实践方面都取得了较大的进展，正在逐渐形成一个独立的研究领域，为该技术在生产实际中的广泛应用奠定了坚实的基础。国内外的专家学者已研制开发了一大批故障诊断专家系统，取得了一定的经济效益和社会效益。所有这些理论研究和实践工作表明，对于故障诊断领域大多数问题的求解，建立基于知识的诊断系统是可能的、合理的和合适的。然而，目前的研究或者偏重于诊断领域中的特定问题，如诊断模型、知识表示、推理方法等，或者偏重于系统开发过程中特定阶段的具体实现技术和方法，而对故障智能诊断系统的开发和建造尚未形成具有自身特点的系统理论和科学的方法体系。
对于传统的专家系统，我们似乎已有了一些可以借鉴的、日趋标准的开发技术和策略。然而故障诊断专家系统在工作方式上与其他工程类型的专家系统（设计型专家系统、决策型专家系统等）有较大的差异，这主要表现在诊断对象的复杂性、诊断任务的零散性、诊断理论和方法的不成熟性、诊断知识的难获取性、诊断结果的不确定性和诊断环境的多变性等，致使在建造故障诊断专家系统时难以选择合适的原型系统作为参考，没有标准的开发模式可遵循，而且不能准确地预测开发过程中可能要遇到的困难及相应的解决办法。这些因素使得智能诊断系统的建造工作极为繁琐和困难。目前己有的故障智能诊断系统在知识库结构、解决问题能力、深浅知识的结合、知识的获取、容错能力、不确定性处理等多方面存在着不同程度的缺陷，这与研制者在开发诊断系统时所采取的研制策略和方法有密切的关系。可喜的是，一些研究者已开始认识到研究开发故障智能诊断系统一般方法的重要性，并逐渐做深人的研究。从这个意义上讲，加强智能诊断系统开发策略和方法的研究是十分必要的。

4.2 故障诊断的方法
设备故障诊断技术发展至今，己成为一门独立的跨学科的综合信息处理技术，它是以可靠性理论、信息论、控制论和系统论为理论基础，以现代测试仪器和计算机为技术手段，结合各种诊断对象（系统、设备、机器、装置、工程结构、工艺过程等等）的特殊规律而逐步形成的一门新兴学科。大体上由三个部分组成，第一部分为故障诊断物理、化学过程的研究；第二部分为故障诊断信息学的研究；第三部分为诊断逻辑与数学原理方面的研究。设备故障诊断技术从不同的角度出可以分成两大类：基于数学模型的故障诊断方法和基于人工智能的故障诊断方法。每类又包含着干具体的诊断方法，如图4.1 所示。

1)基于数学模型的故障诊断方法
该方法包括基于直接测量系统输入输出及信号处理的方法、基于状态估计的方法和基于过程参数估计的方法。
A.基于直接测量系统输入输出及信号处理的方法是直接测量被诊断对象有关的输出量，如果输出量超出规定的正常变化范围则可以认为对象已经或将要发主故障。这种方法也叫观测器法，虽然方法简单，但容易出现故障的误判和漏判。

B.基于状态估计的方法是通过估计系统的状态并结合适当模型进行故障诊断。首先重构被诊断过程的状态，并构成残差序列，残差序列中包含各种故障信息。基于这个序列，通过构造适当的模型并采用统计检验法，才能把故障从中检测出来并做进一步的分离、估计和决策。状态估计的方法通常是状态观测器及滤波器。
C.基于过程参数估计的方法与基于状态估计的诊断方法不同，它不需要计算残差序列，而是根据参数变化的统计特性来检测故障的发生，而后进行故障分离、沽计和分类。由于可以建立故障与过程参数的精确联系，因此这种方法比基于状态估计的方法更有利于故障的分离。最小二乘法简单实用，是参数估计的首选方法。

基于数学模型的故障诊断方法，其优点是能深人系统本质的动态性质和实现实时诊断，缺点是当系统模型未知、不确定或具有非线性时，这种方法不易实现。

2）基于人工智能的故障诊断方法
该方法包括基于专家系统的方法、基于案例的诊断方法、基于模糊数学的方法、基于人工神经网的方法和基于故障树的方法。
A.基于专家系统的诊断方法是故障诊断领域中最为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。它大致经历了两个发展阶段：基于浅知识（领域专家的经验知识）的故障诊断系统和基于深知识（诊断对象的模型知识）的故障诊断系统。
基于案例的推理方法能通过修订相似问题的成功结果来求解新问题。它能通过将获取新知识作为案例来进行学习，不需要详细地诊断对象模型。在这种推理方法中，主要的技术包括：案例表达和索引、案例的检索、案例的修订、从失败中学习等。基于案例的诊断方法的原理是，对于所诊断的对象，根据其特征从案例库中检索出与该对象的诊断问题最相似匹配的案例，然后对该案例的诊断结果进行修订作为该对象的诊断结果。
B.基于案例的诊断方法适用于领域定理难以表示成规则形式，而易表示成案例形式并且已经积累了丰富的案例的领域（如医学诊断等）。它的局限性是：传统的基于案例的诊断方法难以表示案例之间的联系；对于大型案例库进行检索非常费时，并且难以决定应选择哪些症状及它们的权重；基于案例的诊断方法难以处理案例修订时的一致性检索（特征变量间的约束关系），难以对诊断结果加以解释。
C.基于人工神经网的方法
近年来，神经网络以其独特的容错、联想、推测、记忆、自适应。自学习和处理复杂多模式等优点，在许多学科中掀起了研究的热潮。同样在故障诊断领域，其发展前景也是十分乐观的。
在知识获取上，神经网络的知识不需要由知识工程师进行整理、总结以及消化领域专家的知识，只需要用领域专家解决问题的实例或范例来训练神经网络；在知识表示方面，神经网络采取隐式表示，在知识获取的同时，自动产生的知识由网络的结构和权值表示，并将某一问题的若干知识表示在同一网络中，通用性强，便于实现知识的自动获取和并行联想推理。在知识推理方面，神经网络通过神经元之间的相互作用来实现推理。目前在许多领域的故
障诊断系统中己开始应用，如在化工设备、核反应堆、汽轮机、旋转、机械和电动机等领域都取得了较好的效果。由于神经网络从故障事例中学到的知识只是一些分布权重，而不是类似领域专家逻辑思维的产生式规则，因此诊断推理过程不能够解释，缺乏透明度。
D.基于模糊数学的诊断方法不需要建立精确的数学模型，适当地运用隶属函数和模糊规则，进行模糊推理就可以实现模糊诊断的智能化。但是，对于复杂滋诊断系统，要建立正确的模糊规则和隶属函数是非常困难的，而且需要花费很长的时间。对于更大的模糊规则和隶属函数集合而言，难以找出规则与规则之间滋关系，也就是说规则有“组合爆炸”现象发生。另外由于系统的复杂性。耦合性，由时域、频域特征空间至故障模式特征空间的映像关系往往存在着较强的非线性，这对隶属函数形状不规则，只能利用规范的隶属函数形状来加以处理，如用三角形、梯形或直线等规则形状来组合予以近似代替，从而使得非线性系统的诊断结果不够理想。
E.基于故障树的方法是由计算机依据故障与原因的先验知识和故障率知识自动辅助生成故障树，并自动生成故障树的搜索过程。诊断过程从系统的某一故障开始，沿着故障树不断提问“为什么出现这种现象？”而逐级构成一个递阶故障树，通过对此故障树的启发式搜索，最终查出故障的根本原因。在提问过程中，有效合理地使用系统的实时动态数据将有助于诊断过程的进行。基于故障树的诊断方法类似于人类的思维方式，易于理解，在实际中应用较多，但大多与其它方注结合使用。

4.3 智能分析系统的基本设计思想和组成
4.3.1 故障智能诊断系统的基本设计思想
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，迫使人们对智能诊断问题进行更加深入与系统地拼究。所谓诊断系统的智能就是它可有效地获取、传递、处理、再生和利用诊断育息，从而具有对给定环境下的诊断对象进行成功状态识别和状态预测的能力。但是诊断系统的智能并不意味着完全代替人的智力活动，将人排斥于诊断系统之外。实践证明，任何人工智能系统的研究，都不能完全摆脱人脑对系统的参与，只能是“人帮机”和“机帮人”。人是智能系统的重要组成部分。由此，可以这样来定义智能诊断系统：
它是由人（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。显然，该定义下的智能诊断系统具有以下特点：（1）它是一个开放的系统，系统的能力在实际使用的过程中，在同环境进行信息交互的过程中不断进化，且具备自我提高的潜能。（2）它是由计算机硬件与软件组成的系统，但又不同于常规的计算机程序系统，不具有确定的算法和程序途径。智能诊断系统是根据诊断过程的需要搜索和利用领域专家的知识及经验来达到诊断的目的。（3）它既是一个人工智能系统，离不开模拟人脑功能的硬件设备及软件，另一方面又不排斥人的作用，同时对硬件并不仅仅限制为今天的冯·诺依曼式传统计算机。

4.3.2 故障智能诊断系统平台的基本组成
本文使用的智能诊断系统平台是较为实用的图形化智能故障诊断平台，作为通用的智能化诊断系统平台，其设计思想是：将人类的思维能力、系统的物理规律和数学模型有机地结合，更好、更灵活地表征系统各个状态，力图在得到足够好的专家知识的基础上，依靠优化和学习，调整专家知识、调整推理结构。系统将人工智能的最新技术有机的融合，具有很强的通用性、适应性、容错性及易实现性，同时，特有的图形化模糊神经网络专家知识表达方式、分布式并行运行能力、迅速的推理及优化和远程分析能力，使系统达到了较高的智能化水平。智能诊断系统平台包括了三种推理引擎和一个专家知识库（如图4.2所示）。三种推理引擎是：

（1）模糊逻辑推理引擎；（2）专家规则推理引擎；（3）神经网络推理引擎；对智能诊断系统平台构成的科学性，我们可以从如下三个方面来解释：

a.专家系统和模糊逻辑的知识处理，模拟的是人的逻辑思维，人工神经网络的知识处理所模拟的则是人的经验思维机制；在人类自身的思维过程中，逻辑思维、经验思维、创造性思维是缺一不可并且是非常巧妙地互相结合而形成的有机整体。
b.模糊诊断是根据模糊集合论征兆空间与故障状态空间的与故障状态空间的某种映射关系，由征兆来诊断故障。
c.由于神经网络具有原则上容错、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的功能，使其能在实际存在着大量的多故障、多过程、突发性故障、庞大复杂系统的监测及诊断中发挥出较大作用。

4.3.3 故障智能诊断系统平台的主要技术
系统的主要技术包括：智能化推理算法、数据处理器、图形化模糊神经网络专家知识库、综合的动态联接库数据通讯模块。
智能化推理算法：系统巧妙地将专家系统推理机、神经网络推理机、模糊逻辑推理机有机结合、并行运行，充分发挥各个推理算法的优势，克服其中的不足，使智能推理达更加适用于多变量、多参数、多目标及多过程的复杂系统。同时采用了M-ARY理论对推理结果进行优化，并且通过历史数据分析和在线强化学习来调整专家知识、调整推理结构，能充分保证推理结果的准确性。通用化设计是该系统的重要特色，装载不同领域的专家知识便能对不同领域的问题进行智能化推理决策。
数据处理器的设计：为更好地解决数据的抗噪能力，在系统中，用模糊阈值对测量数据进行模糊化，保证系统数据的抗扰能力。
图形化的模糊神经网络专家知识库：系统采用图形化模糊神经网络专家知识表达方式，可突破共性知识和专家知识的学习、获取、表达与利用的瓶颈问题，系统有一个独特的结构用来方便地、递增地收集和存储专家知识而不需要任何模型，这对于没有数学模型存在的地方特别有用，它使用户易于理解利用专家知识解决实际问题的思路与方法。
综合的动态联接库数据通讯模块：通讯的整体结构按分布式设计，分为两个层次：一方面，通讯模块与推理机之间采用客户机/服务器的方式，采用TCP/IP协议，数据通讯服务一旦设置好，就始终处于运行状态，推理机一旦需要申请数据，就向数据通讯模块提出数据请求表，数据通讯模块根据综合各个推理机的数据请求表向相应的对象提出数据请求，再将从对象得到数据分配给各推理机；另一方面，数据通讯模块与特定对象之间采用调用动态联接库的办法进行通讯，针对不同的对象调用不同的动态联接库就可以实现数据通讯。
网络化远程诊断：通过设备故障诊断技术与计算机技术的结合，用若干台中心计算机作为服务器，重大企业重要关键设备上建立状态监测点，采集设备状态数据，而在技术力量强的科研院所建立中心，对设备运行进行远程分析、诊断。

4.4 智能分析系统的设计开发
4.4.1 图形化的专家知识输入引擎模块
专家知识输入引擎模块内容如图4.3所示，该模块的核心是用图形化的方式建立诊断推理流程图，该流程图是由分布三个层次上的多个节点及节点间的连线所组成，如图4.4。诊断推理流程图中，底层为“数据”层，这里的数据，可以是测量参数、传感器的输出、工作状态、检修记录等多种广泛意义上的参数，中间层为“故障现象”层，这里的症状现象可以是能直接观察到的现象（如工作条件、参数范围、参数变化等），也可以是间接的现象，即多种广泛意义上的现象。最上层为“故障原因”层。用连线相连彼此相关的“数据”与“故障现象”或“故障现象”与“故障原因”。这样构成诊断推理流程图。

4.4.2 组合推理模块的设计

推理模块是一个隐藏于后台的推理计算模块，它的结构如图4.5，协调控制器用来管理各推理机的工作并协调推理执行器与专家知识输入引擎模块可知，对一示同的故障，其“数据层”、“故障现象层”、“故障原因层”及其它们之间的连线关系绝不相同，协调控制器就是将“数据层”、“故障现象层”、“故障原因层”及其它们之间的连线关系自动转化为推理进程关系，由推理执行器完成推理诊断工作。

（1）专家系统推理

按推理结论的不同，推理可分为精确

推理和不精确推理：按推理过程的不同，可分为正向推是、反向推理和混合推理。根据图形化专家知识库结构采用了正向不精确推理。

专家系统推理主要是从知识库所需的数据集合D={D₁、D₂、…、D_n}出发，根据知识库中每一数据点相应的一个或多个语义表达和数据范围，将获取实时数据与知识库中相应数据的语义表达和数据范围进行相似性分析，得出相似性系数的集合：

（4.1）

式中：S₁ 、S₂、…、S_n分别为各个实时数据与相应知识库数据点的相似性系数的子集，各集参数为： ；,S_n=，m₁、m₂、…、m_n分别为知识库各数据点的语义表达个数。

数据、参数的语义表达按专家的与、或规则便函形成了各种事件征兆集E={E₁，E₂，…，E_K}，各种事件征兆集的输出信息为事件信息e={e₁，e₂，…，e_K}。事件信息与数据、参数语义表达的相似性系数及规则的与、或表达密切相关，如E₁的语义表达集为：

E₁={（d₁₁∧d₂₅∨）（d₃₂∧d₄₈）}，则e₁=max{min（s₁₁,S₂₅），min（s₃₂,S₄₈）}。

推理结果与征兆集之间采用网络连接模式，每根联线上有连接的权值信息 ，事件信息与权值信息通过运算关系得出推理结果。

 ，其中：j=1，2，3，…，p                     （4.2）

根据推理结果，知识库相应地具有控制、处理措施，便构成了智能化系统的专家系统推理模式。

（2）模糊逻辑推理

模糊逻辑主要应用模糊规则库进行模糊逻辑关系运算最终得出推理结果，模糊规则库采用图4.6所示的专家知识库结构。首先对数据、参数进行模糊化处理，进入推理机的数据与参数，根据知识库中不同的语义表达，通过合理的选择与构造模糊隶属函数，得出相应的数据、参数在不同语义表达下的模糊隶属度。

对于数据D₁，属于语义表达d₁₁、d₁₂、…、 隶属度可根据不同的模糊隶属函数求出，分别为…。同样地，对于数据D₂，属于语义表达d₂₁、d₂₂、…、 的隶属度可根据不同的模糊隶属求出，分别为 …、 。以此类推，便可行出不同数据、参数在不同语义表达下的模糊隶属度。

（4.3）

同时，根据知识库中的模糊规则，数据参数据语义表达与事件征兆集之间按照连线权值为1、非连线权值为0的原则构成的矩阵D_mk，事件征兆集与推理结果之间按专家给定的权值构成矩阵D_kp，便形成模糊关系矩阵R_c=D_mk×D_kp。

最终，模糊推理的结果可通过模糊变换公式获得：

（4.4）

式中“﹒”为模糊算子，采用Sup-T合成运算方法实现。

（3）神经网络推理

根据图4.6所示的专家知识结构，神经网络推理为五层结构。

第一层为数据参数语义表达层。每个数据或参数对应有若干语义表达，相应的连接权值为1，对于任意一个数据或参数输入D_i,其第j条语义表达根据专家知识库存在着数据或参数的输入阈值θ_ij，利用Sigmoid型神经元特性函数便可算出y_ij。

第二层为事件征兆层。根据专家知识库，若干个语义表达的集合便构成了一个事件，用连线及权值表达它们的关系，形成了k个事件。每个事件的输出同样根据相应的语义表达个数、连接权值、Sigmoid 神经元特性函数确定。对任意事件E_i，对应的语义表的集合为{d₁、d₂、…、d_j}事件输出为：

式中：w_k——连线权值；θ_k——偏置信号
第三层为推理结果层。每个事件输出E_i与推理结果F_j之间都有连线并赋有权值 ，参照模糊推理，推理结果为：

，其中：i=1，2，3，…，k；j=1，2，3，…，p             （4.7）

推理算法确定后将进行推理方式选择，推理方式的选择有手动选择和自动选择两种。
手动选择主要根据具体对象和推理系统的运行状况来进行，在领域知识和定性知识缺乏的情况下，主要选择神经网络推理，或者选择神经网络与模糊逻辑推理的组合；在领域知识比较丰富和明确的情况下，主要选择专家系统推理，或者选择专家系统与模糊逻辑推理的组合，也可选择专家系统、模糊逻辑、神经网络推理同时运行；在对象特征参数语义表达丰富的情况下，主要选择模糊逻辑推理，或者选择模糊逻辑与专家系统推理的组合、模糊逻辑与神经网络推理的组合，也可选择专家系统、模糊逻辑、神经网络推理同时运行。当存在两个以上推理同时进行时，则进行推理结论的优化。
自动选择的推理方式是分别进行专家系统、模糊逻辑、神经网络的推理，各个推理结论通过优化决策后形成最终结论作为神经网络的样本进行学习，根据学习结果修改调整专家知识库，用于下一轮推理，如此不断地循环进行。推理结果优化：
推理结果会出现不一致问题，有时甚至矛盾。为此，采用了优化算法。

a.设计变量
令：推理要解决的问题：1、2、3、…、p个
    模糊逻辑推理对问题的输出：F_f1、F_f2、F_f3、…、F_fp

    神经网络推理对问题的输出：F_n1、F_n2、F_n3、…、F_np

    专家系统推理对问题的输出：F_e1、F_e2、F_e3、…、F_ep

设计变量为：X={x_f、x_n、x_e}

b.目标函数

c.约束条件

0≤x_f≤1；0≤x_n≤1； 0≤x_e≤1；x_f+x_n+x_e=1

d.根据目标函数与约束条件，求最优解。

分别求f（X）对x_f、x_n、x_e的偏导数。由于目标函数为非线性函数，为避免多个局部最小指出现，采用约束变尺度法求解，最终求出优化后的x_fh、x_nh、x_eh。

e.推理结果输出

求解问题1：x_thF_f1+x_nhF_n1+x_ehF_e1

求解问题2：x_fhF_f2+x_nhF_n2+x_ehF_e2

求解问题3：x_thF_f3+x_nhF_n3+x_ehF_e3

……………………………………

求解问题P：x_fhF_fp+x_nhF_np+x_ehF_e

组合智能推理机系统巧妙地将三个推理引擎有机结合、并行运行，各个推理算法的优势，充分发挥各个推理算法的优势，克服其中的不足，使智能推理达到了高级水平。在实际推理过程中可灵活地选择其中的任意一种或两种推理方式来运行，也可采用三种推理同时运行。基于相关联系的系统，采用模糊推理算法；基于事件的系统，采用神经网络；基于规则的系统，采用规则转换算法。这三种推理模块同时存在、各尽其责，通过历史数据和在线强化学习达到优化这些模块内部的因素。

4.4.3 数据引擎模块的设计
数据引擎完成的功能主要是采集应用系统实时数据。将采样到的数据与贡平知识库中建立的系统模型输入节点进行对比，再按照推理引擎需要的特宇邻考赞式将输入数据通过指定通讯协议传递给推理机，因此数据输入引擎是系统是系统使用时实时系统与推理系统的数据联系通道，并且这种数据传递是利用灵活TCP/IP或串行通讯等方式进行传输，因此使用时，可以将数据采集系统与推理系统在IP相连的两个不同物理位置，增加系统构建的灵活性。综合的通讯模块使本系统能快速方便地与现场实时数据实现传递。同时，数据引擎还可完成数据的坝处理、数据记录与回放。

4.5 网络化远程诊断的应用
4.5.1 计算机网络技术的发展
随着计算机技术、计算机网络技术、多媒体技术和通信技术的迅速发展，远程信息数据的使用越来越方便，特别是INTERNET网的快速发展和使用，使得故障诊断远离故障现场，实现无地域和时间限制的远程故障诊断有了可能。

INTERNET是全世界最大的计算机互连网络，它是由美国APPANET发展和演化而来的。INTERNET的核心技术是TCP/IP协议和Web 技术，其中TCP/IP协议是实现互连网络和互操作性的关键，正是通过它，INTERNET 上的各种网络才得以互连并实现通信。
4.5.2 智能诊断系统数据通讯接口
本文的智能诊断系统数据通讯接口就是使用TCP/P协议，直接使用程序及开发工具所提供的环境和手段（如Winsock）来实现远程数据通信功能。该系统的通讯接口有以下三个特点：
l）整体结构是按分布式结构设计的，采用客户机/服务器的方式，数据服务器一旦设置好，就始终处于运行状态，推理机一旦需要申请数据，就向数据引擎提出数据请求表，数据引擎根据综合各个推理机的数据请求表向相应的对象提出数据请求，再将从对象得到数据分配给各推理机。具体结构如图4.7 所示。服务器与客户机之间采用TCP/IP 协议。
2）数据引擎使用的方式是一旦调试通过了，就让数据引擎一直运行，不再进行任何操作。可以把数据引擎看作一个数据服务器，应该进行远程操作，一般情况下不进行操作。
3）数据引擎与特定对象之间采用调用动态联接库的办法进行通讯，针对不同的对象调用不同的动态联接库。
根据上述三个特点及图4.7 所示，数据引擎完成的功能主要是调用数据动态连接库。本文的智能故障诊断系统的数据引擎界面如图4.8 所示：

数据引擎与特定对象之间采用调用动态联接库的办法进行通讯，单击“打开数据收集器”，激活数据收集函数，进入数据准备收集状态，单击“开始收集”，进入数据收集状态，收集“监测采集系统”发送的数据并进行数据再处理，再处理的目的是将“监测采集系统”发送的数据处理后变为推理机要求的数据，同时检测故障诊断推理机的数据申请状态，当故障诊断推理机进行故障诊断推理时，“数据引擎”将收集到的数据与专家知识库中建立的系统模型输入数据节点进行对比，再按照推理引擎需要的特定数据格式将推理机需要的数据通过指定通讯协议传递给推理机。显然，上述中所说的动态联接库（DLL调用函数）是关键的一环。在数据引擎的基础上我们可以编制自己独特的通讯接口或是保密的通讯接口。根据下表所述编制自己的DLL调用函数。
动态连接库的接口函数如下：
extern“C”__declspec(dllexport)bool__stdcall CreateContainer()；
主要用于初始化动态连接库所需的相关资源。返回值为是否成功的标志。

extern“C”__declspec(dllexport)void__stdcall StartData()；
主要用于向动态连接库发一个开始收集数据的信号。
extern“C”__declspec(dllexport)void__stdcall StopData()；
主要用于向动态连接库发一个停止收集数据的信号。
extern“C”_declspec(dllexport)char*__stdcall GetData(char*)；

这个函数最重要，主要用于主程序向DLL取数，其中的参数是指向DLL传递的数据点名称列表，形式为：
NAME1,NAME2,NAME3,……，
DLL向主程序返回的则是数据列表，形式为：
VALUE1,VALUE2,VALUE3,……，
主程序会按设定的一定的时间间隔调用这个函数来进行取数。
例如：向DLL传递的数据点名称列
Tag__No1,Tag__No2,Tag__No3，……，
DLL返回的数据列表为：123.46,23.4,34,……，
extern“C”__declspec(dllexport)void__stdcall FreeConiainer()；
主要用于释放动态连接库所需的相关资源。
4.5.3 网络化诊断的应用
网络化远程故障诊断的实现，其关键是远程数据的传送、存贮及数据交换处理。故障诊断系统远离故障设备现场，只要故障现场故障测试数据能即时通过网络传送到故障诊断系统中，故障诊断系统即能实现网络化远程故障诊断。当智能故障诊断中的推理机进行推理时，通过数据引擎向动态连接库DLL函数申请数据，这些数据是推理时需要的故障特征参数变量值。动态连接库DLL函数则通过网络直接从故障现场测试采集计算机中得到故障信息数据。数据传送流程图如图4.9 所示。

根据流程图可知，从故障测试数据到数据引擎，有两种数据处理方式，一种是故障测试数据由数据采集系统采集后，可先进行预处理，将故障信号数据处理为推理机所需的故障特征数据，然后发送出去，动态连接库DLL函数则通过网络接收这些故障特征数据，同时对照推理机向数据引擎申请的故障特征变量，将申请的故障特征变量对应的值找出，按数据引擎规定的格式反送给申请数据的推理机。另一种是故障测试数据由数据采集系统采集后，按一定格式直接发送出去，动态连接库DLL函数则通过网络接收这些故障信息数据，然后再进行数据预处理，将故障信息数据处理为推理机所需的故障特征数据，同时对照推理机向数据引擎申请的故障特征变量，将申请的故障特征变量对应的值找出，再按数据引擎规定的格式反送给申请数据的推理机。
推理机得到数据引擎返回的特征数据后，按设定好的推理规则，进行推理，完成网络远程诊断。

4.6 传动装置网络化智能化诊断系统的集成
本文所用的网络化、智能化故障诊断系统软件由两大部分组成。一部分是故障信号采集及数据预处理系统，另一部分是图形化的智能诊断推理系统，两部分是相互独立的，要实现故障诊断的网络化、智能化，必需将这两部分集成为一个整体的系统，将数据采集、数据预处理、数据传送及故障智能诊断融合为一个有机的整体，同时又保持这两部分的相对独立性。集成的目标有以下几个方面：

1）数据采集按原方式采集不变，数据的存贮方式不变；
2）方便用户进行二次开发；
3）数据传送可根据用户的要求进行选择；
4）尽量减少用户建立故障专家知识时的工作量；
5）数据处理中应考虑使用特定变量名(变量名固定），以减少用户编程工作量。

本文中用的集成系统，使用的数据传送线路为图4.8中线路1的方式。

4.6.1故障特征参数的获取及传送
故障诊断中，需要大量的故障特征数据，对于不同的故障，所需的故障特征不同，为了使集成后的系统能适用更多的设备故障诊断当中，在进行故障特征参数据的提取时，应尽可能多地考虑各种故障所需的特征参数。
对于旋转机械故障需提取特征参数有：
l）作为变量提取的频率特征参数
1/5倍频、1/3倍频、l/4倍频、l/2倍频，0. 43～0.48倍频，0.75倍频，l倍频、2倍频、3倍频、4倍频、5倍频、临界转速，renxuan，每个频率值为一个值给出。其中renxuan作为可变倍频参数，提取频率特征参数时，renxuan变量用户可根据自己的需要来设定renxuan的特征频率值。例如需要啮合频率，则renxuan应为转频的齿数倍。
2）振动方向
径向或轴向    用一个值。
3）振动稳定性
稳定，较稳定，突变后稳定，不稳定，反向移动，反向跳动突变，用一个值。

4）振动轨迹
椭圆，双环椭圆，不稳定，双椭圆或不规则，不规则扩散，紊乱，用一个值。

5）矢量区域
不变，矢量起始点大，随升速继续增大，升速时矢量逐渐增大，稳定运行后矢量逐渐减小，突变，改变，分别用不同值表示。
6）敏感参数
振动随转速变化，振动随负荷变化，振动随油温变化，振动随流量变化，振动随压力变化，各用一个值。
统计上述六种特征参数变量，共需21个变量，按用户约定或自行设定此21个变量的变量名，并记录在特征参数变量表中，以便查询。
特征参数的提取在数据采集及预处理系统中完成，此系统按设定的采集时间，采集一组数据，处理一组数据并发送一组数据。
本文使用的数据发送方式是将特征参数的变量名与参数值组成字串，其形式为“D|变量名1＝值1，变量名2=值2，……，变量名n＝值n ,|^^^^”，采用TCP/IP加技术，建立stocket 连接，将故障特征参数传送到服务器端口上。
4.6.2 动态数据连接库的程序设计及与推理平台的连接
根据本文系统集成的要求，动态数据连接库的程序工作是进行数据接收、搜索故障智能推理平台所需要的特征参数的值，然后这些特征参数的值与故障智能推理平台对应的变量名组成新的字串，发送到故障智能推理平台接收端上。

该程序应严格按4.5.2中所述的格式编写。其中在GetData(char*）函数块内完成数据搜索及数据重组工作。程序设计时，应选择优化的搜索方法，以减少搜索时间。
智能诊断推理平台，在进行故障诊断的推理时，采用定时的方式向动态数据连接库申请故障特征数据，其时间的设定可以根据用户的需求设定，一般应考虑数据采集及预处理所需的时间来设定申请数据的时间，否则，申请到的数据可能是与上次相同的数据。但也不能把时间设定的过长，这样当数据端口堆栈过多时，新数据换掉旧数据，出现诊断数据漏诊的现象。
智能诊断推理平台向动态数据连接库申请的故障特征数据必须是采集预处理系统故障特征参数中有的数据，如果没有，则动态数据连接库搜索不到该数据，返回的数据不足，则没有诊断结果。如果故障推理所申请的故障特征数据在采集预处理系统故障特征参数中没有，而且是必须的数据，则应在动态数据连接库中的GetData(char*）函数块内进行处理，得到故障推理所需要的数据。
4.6.3 诊断结果输出平台的设计
本文使用的智能故障诊断系统，在诊断推理的同时，将诊断结果发送到本机的Stocket端口上，端口数为2049，数据格式如下：
l）在建立Stocket连接时，传送故障名和专家建议：
D|故障名1：专家建议1，故障名2：专家建议2，……，故障名n：专家建议n, ^^^^
2）诊断结果输出：
R|Result1,Result2,……,Resultu,| ^^^^
根据给出的数据端口及数据格式，即可按用户的要求设计诊断结果输出平台。诊断结果应给出诊断故障的名称、故障发生的部位，故障发生的时间及程度。对于不同的故障，提示故障发生的可能原因，给出相应的专家建议或维修方法等。图4.10为本文集成系统的诊断结果输出用户界面。图4.11为本文集成系统的专家知识库建立及诊断推理平台。

4.7 本章小结
本章在阐述了故障诊断的方法的基础上，重点介绍的本文所使用的故障智能诊断系统的设计思想及组成，分析了智能诊断系统的组合推理原则和远程网络诊断数据的传递原则，指出了本文智能诊断系统的数据通讯接口程序的设计方法和通用的动态连接库接口程序。在此基础上，分析了网络化、智能化诊断系统的集成方法及相应的程序设计方法，并对本文使用的智能诊断系统进行了集成。