4 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。
上一页
下一页
