4 網絡化智能化傳動裝置在線故障診斷系統的集成
4.1 引言
故障智能診斷系統研究迄今在診斷理論和具體實踐方面都取得了較大的進展，正在逐漸形成一個獨立的研究領域，為該技術在生產實際中的廣泛應用奠定了堅實的基礎。國內外的專家學者已研制開發了一大批故障診斷專家系統，取得了一定的經濟效益和社會效益。所有這些理論研究和實踐工作表明，對于故障診斷領域大多數問題的求解，建立基于知識的診斷系統是可能的、合理的和合適的。然而，目前的研究或者偏重于診斷領域中的特定問題，如診斷模型、知識表示、推理方法等，或者偏重于系統開發過程中特定階段的具體實現技術和方法，而對故障智能診斷系統的開發和建造尚未形成具有自身特點的系統理論和科學的方法體系。
對于傳統的專家系統，我們似乎已有了一些可以借鑒的、日趨標準的開發技術和策略。然而故障診斷專家系統在工作方式上與其他工程類型的專家系統（設計型專家系統、決策型專家系統等）有較大的差異，這主要表現在診斷對象的復雜性、診斷任務的零散性、診斷理論和方法的不成熟性、診斷知識的難獲取性、診斷結果的不確定性和診斷環境的多變性等，致使在建造故障診斷專家系統時難以選擇合適的原型系統作為參考，沒有標準的開發模式可遵循，而且不能準確地預測開發過程中可能要遇到的困難及相應的解決辦法。這些因素使得智能診斷系統的建造工作極為繁瑣和困難。目前己有的故障智能診斷系統在知識庫結構、解決問題能力、深淺知識的結合、知識的獲取、容錯能力、不確定性處理等多方面存在著不同程度的缺陷，這與研制者在開發診斷系統時所采取的研制策略和方法有密切的關系。可喜的是，一些研究者已開始認識到研究開發故障智能診斷系統一般方法的重要性，并逐漸做深人的研究。從這個意義上講，加強智能診斷系統開發策略和方法的研究是十分必要的。
4.2 故障診斷的方法
設備故障診斷技術發展至今，己成為一門獨立的跨學科的綜合信息處理技術，它是以可靠性理論、信息論、控制論和系統論為理論基礎，以現代測試儀器和計算機為技術手段，結合各種診斷對象（系統、設備、機器、裝置、工程結構、工藝過程等等）的特殊規律而逐步形成的一門新興學科。大體上由三個部分組成，第一部分為故障診斷物理、化學過程的研究；第二部分為故障診斷信息學的研究；第三部分為診斷邏輯與數學原理方面的研究。設備故障診斷技術從不同的角度出可以分成兩大類：基于數學模型的故障診斷方法和基于人工智能的故障診斷方法。每類又包含著干具體的診斷方法，如圖4.1 所示。
1)基于數學模型的故障診斷方法
該方法包括基于直接測量系統輸入輸出及信號處理的方法、基于狀態估計的方法和基于過程參數估計的方法。
A.基于直接測量系統輸入輸出及信號處理的方法是直接測量被診斷對象有關的輸出量，如果輸出量超出規定的正常變化范圍則可以認為對象已經或將要發主故障。這種方法也叫觀測器法，雖然方法簡單，但容易出現故障的誤判和漏判。
B.基于狀態估計的方法是通過估計系統的狀態并結合適當模型進行故障診斷。首先重構被診斷過程的狀態，并構成殘差序列，殘差序列中包含各種故障信息。基于這個序列，通過構造適當的模型并采用統計檢驗法，才能把故障從中檢測出來并做進一步的分離、估計和決策。狀態估計的方法通常是狀態觀測器及濾波器。
C.基于過程參數估計的方法與基于狀態估計的診斷方法不同，它不需要計算殘差序列，而是根據參數變化的統計特性來檢測故障的發生，而后進行故障分離、沽計和分類。由于可以建立故障與過程參數的精確聯系，因此這種方法比基于狀態估計的方法更有利于故障的分離。最小二乘法簡單實用，是參數估計的首選方法。
基于數學模型的故障診斷方法，其優點是能深人系統本質的動態性質和實現實時診斷，缺點是當系統模型未知、不確定或具有非線性時，這種方法不易實現。
2）基于人工智能的故障診斷方法
該方法包括基于專家系統的方法、基于案例的診斷方法、基于模糊數學的方法、基于人工神經網的方法和基于故障樹的方法。
A.基于專家系統的診斷方法是故障診斷領域中最為引人注目的發展方向之一，也是研究最多、應用最廣的一類智能診斷技術。它大致經歷了兩個發展階段：基于淺知識（領域專家的經驗知識）的故障診斷系統和基于深知識（診斷對象的模型知識）的故障診斷系統。
基于案例的推理方法能通過修訂相似問題的成功結果來求解新問題。它能通過將獲取新知識作為案例來進行學習，不需要詳細地診斷對象模型。在這種推理方法中，主要的技術包括：案例表達和索引、案例的檢索、案例的修訂、從失敗中學習等。基于案例的診斷方法的原理是，對于所診斷的對象，根據其特征從案例庫中檢索出與該對象的診斷問題最相似匹配的案例，然后對該案例的診斷結果進行修訂作為該對象的診斷結果。
B.基于案例的診斷方法適用于領域定理難以表示成規則形式，而易表示成案例形式并且已經積累了豐富的案例的領域（如醫學診斷等）。它的局限性是：傳統的基于案例的診斷方法難以表示案例之間的聯系；對于大型案例庫進行檢索非常費時，并且難以決定應選擇哪些癥狀及它們的權重；基于案例的診斷方法難以處理案例修訂時的一致性檢索（特征變量間的約束關系），難以對診斷結果加以解釋。
C.基于人工神經網的方法
近年來，神經網絡以其獨特的容錯、聯想、推測、記憶、自適應。自學習和處理復雜多模式等優點，在許多學科中掀起了研究的熱潮。同樣在故障診斷領域，其發展前景也是十分樂觀的。
在知識獲取上，神經網絡的知識不需要由知識工程師進行整理、總結以及消化領域專家的知識，只需要用領域專家解決問題的實例或范例來訓練神經網絡；在知識表示方面，神經網絡采取隱式表示，在知識獲取的同時，自動產生的知識由網絡的結構和權值表示，并將某一問題的若干知識表示在同一網絡中，通用性強，便于實現知識的自動獲取和并行聯想推理。在知識推理方面，神經網絡通過神經元之間的相互作用來實現推理。目前在許多領域的故障診斷系統中己開始應用，如在化工設備、核反應堆、汽輪機、旋轉、機械和電動機等領域都取得了較好的效果。由于神經網絡從故障事例中學到的知識只是一些分布權重，而不是類似領域專家邏輯思維的產生式規則，因此診斷推理過程不能夠解釋，缺乏透明度。
D.基于模糊數學的診斷方法不需要建立精確的數學模型，適當地運用隸屬函數和模糊規則，進行模糊推理就可以實現模糊診斷的智能化。但是，對于復雜滋診斷系統，要建立正確的模糊規則和隸屬函數是非常困難的，而且需要花費很長的時間。對于更大的模糊規則和隸屬函數集合而言，難以找出規則與規則之間滋關系，也就是說規則有“組合爆炸”現象發生。另外由于系統的復雜性。耦合性，由時域、頻域特征空間至故障模式特征空間的映像關系往往存在著較強的非線性，這對隸屬函數形狀不規則，只能利用規范的隸屬函數形狀來加以處理，如用三角形、梯形或直線等規則形狀來組合予以近似代替，從而使得非線性系統的診斷結果不夠理想。
E.基于故障樹的方法是由計算機依據故障與原因的先驗知識和故障率知識自動輔助生成故障樹，并自動生成故障樹的搜索過程。診斷過程從系統的某一故障開始，沿著故障樹不斷提問“為什么出現這種現象？”而逐級構成一個遞階故障樹，通過對此故障樹的啟發式搜索，最終查出故障的根本原因。在提問過程中，有效合理地使用系統的實時動態數據將有助于診斷過程的進行。基于故障樹的診斷方法類似于人類的思維方式，易于理解，在實際中應用較多，但大多與其它方注結合使用。
4.3 智能分析系統的基本設計思想和組成
4.3.1 故障智能診斷系統的基本設計思想
隨著人工智能技術的迅速發展，特別是知識工程、專家系統和人工神經網絡在診斷領域中的進一步應用，迫使人們對智能診斷問題進行更加深入與系統地拼究。所謂診斷系統的智能就是它可有效地獲取、傳遞、處理、再生和利用診斷育息，從而具有對給定環境下的診斷對象進行成功狀態識別和狀態預測的能力。但是診斷系統的智能并不意味著完全代替人的智力活動，將人排斥于診斷系統之外。實踐證明，任何人工智能系統的研究，都不能完全擺脫人腦對系統的參與，只能是“人幫機”和“機幫人”。人是智能系統的重要組成部分。由此，可以這樣來定義智能診斷系統：
它是由人（尤其是領域專家）、當代模擬腦功能的硬件及其必要的外部設備、物理器件以及支持這些硬件的軟件所組成的系統。該系統以對診斷對象進行狀態識別與狀態預測為目的。顯然，該定義下的智能診斷系統具有以下特點：（1）它是一個開放的系統，系統的能力在實際使用的過程中，在同環境進行信息交互的過程中不斷進化，且具備自我提高的潛能。（2）它是由計算機硬件與軟件組成的系統，但又不同于常規的計算機程序系統，不具有確定的算法和程序途徑。智能診斷系統是根據診斷過程的需要搜索和利用領域專家的知識及經驗來達到診斷的目的。（3）它既是一個人工智能系統，離不開模擬人腦功能的硬件設備及軟件，另一方面又不排斥人的作用，同時對硬件并不僅僅限制為今天的馮·諾依曼式傳統計算機。
4.3.2 故障智能診斷系統平臺的基本組成
本文使用的智能診斷系統平臺是較為實用的圖形化智能故障診斷平臺，作為通用的智能化診斷系統平臺，其設計思想是：將人類的思維能力、系統的物理規律和數學模型有機地結合，更好、更靈活地表征系統各個狀態，力圖在得到足夠好的專家知識的基礎上，依靠優化和學習，調整專家知識、調整推理結構。系統將人工智能的最新技術有機的融合，具有很強的通用性、適應性、容錯性及易實現性，同時，特有的圖形化模糊神經網絡專家知識表達方式、分布式并行運行能力、迅速的推理及優化和遠程分析能力，使系統達到了較高的智能化水平。智能診斷系統平臺包括了三種推理引擎和一個專家知識庫（如圖4.2所示）。三種推理引擎是：
（1）模糊邏輯推理引擎；（2）專家規則推理引擎；（3）神經網絡推理引擎；對智能診斷系統平臺構成的科學性，我們可以從如下三個方面來解釋：
a.專家系統和模糊邏輯的知識處理，模擬的是人的邏輯思維，人工神經網絡的知識處理所模擬的則是人的經驗思維機制；在人類自身的思維過程中，邏輯思維、經驗思維、創造性思維是缺一不可并且是非常巧妙地互相結合而形成的有機整體。
b.模糊診斷是根據模糊集合論征兆空間與故障狀態空間的與故障狀態空間的某種映射關系，由征兆來診斷故障。
c.由于神經網絡具有原則上容錯、結構拓撲魯棒、聯想、推測、記憶、自適應、自學習、并行和處理復雜模式的功能，使其能在實際存在著大量的多故障、多過程、突發性故障、龐大復雜系統的監測及診斷中發揮出較大作用。
4.3.3 故障智能診斷系統平臺的主要技術
系統的主要技術包括：智能化推理算法、數據處理器、圖形化模糊神經網絡專家知識庫、綜合的動態聯接庫數據通訊模塊。
智能化推理算法：系統巧妙地將專家系統推理機、神經網絡推理機、模糊邏輯推理機有機結合、并行運行，充分發揮各個推理算法的優勢，克服其中的不足，使智能推理達更加適用于多變量、多參數、多目標及多過程的復雜系統。同時采用了M-ARY理論對推理結果進行優化，并且通過歷史數據分析和在線強化學習來調整專家知識、調整推理結構，能充分保證推理結果的準確性。通用化設計是該系統的重要特色，裝載不同領域的專家知識便能對不同領域的問題進行智能化推理決策。
數據處理器的設計：為更好地解決數據的抗噪能力，在系統中，用模糊閾值對測量數據進行模糊化，保證系統數據的抗擾能力。
圖形化的模糊神經網絡專家知識庫：系統采用圖形化模糊神經網絡專家知識表達方式，可突破共性知識和專家知識的學習、獲取、表達與利用的瓶頸問題，系統有一個獨特的結構用來方便地、遞增地收集和存儲專家知識而不需要任何模型，這對于沒有數學模型存在的地方特別有用，它使用戶易于理解利用專家知識解決實際問題的思路與方法。
綜合的動態聯接庫數據通訊模塊：通訊的整體結構按分布式設計，分為兩個層次：一方面，通訊模塊與推理機之間采用客戶機/服務器的方式，采用TCP/IP協議，數據通訊服務一旦設置好，就始終處于運行狀態，推理機一旦需要申請數據，就向數據通訊模塊提出數據請求表，數據通訊模塊根據綜合各個推理機的數據請求表向相應的對象提出數據請求，再將從對象得到數據分配給各推理機；另一方面，數據通訊模塊與特定對象之間采用調用動態聯接庫的辦法進行通訊，針對不同的對象調用不同的動態聯接庫就可以實現數據通訊。
網絡化遠程診斷：通過設備故障診斷技術與計算機技術的結合，用若干臺中心計算機作為服務器，重大企業重要關鍵設備上建立狀態監測點，采集設備狀態數據，而在技術力量強的科研院所建立中心，對設備運行進行遠程分析、診斷。
4.4 智能分析系統的設計開發
4.4.1 圖形化的專家知識輸入引擎模塊
專家知識輸入引擎模塊內容如圖4.3所示，該模塊的核心是用圖形化的方式建立診斷推理流程圖，該流程圖是由分布三個層次上的多個節點及節點間的連線所組成，如圖4.4。診斷推理流程圖中，底層為“數據”層，這里的數據，可以是測量參數、傳感器的輸出、工作狀態、檢修記錄等多種廣泛意義上的參數，中間層為“故障現象”層，這里的癥狀現象可以是能直接觀察到的現象（如工作條件、參數范圍、參數變化等），也可以是間接的現象，即多種廣泛意義上的現象。最上層為“故障原因”層。用連線相連彼此相關的“數據”與“故障現象”或“故障現象”與“故障原因”。這樣構成診斷推理流程圖。
上一頁
下一頁
