基于人工智能的故障監測和診斷系統的研究

宗春英

ZONG Chun-ying

(寧夏職業技術學院，銀川 750021)

0 引言

隨著現代設備的日趨大型化、復雜化、自動化和連續化，設備一旦發生故障，給生產和質量以至人們的生命財產安全造成的影響往往大的難以估算，為使設備保持正常運行狀態所花的維修費用在企業經營費用中也占了很大的比重。基于振動檢測技術的設備狀態監測和故障診斷技術在我國高速線材生產線中已有應用，如寶鋼和武鋼。目前，在振動信號的分析處理方面，除了經典的統計分析、時頻域分析、時序模型分析和參數辨識等方法外，其他的分析處理技術也正在不斷的發展之中，新的理論和技術也將不斷涌現。人工智能的研究成果為機械故障診斷注入了新的活力，故障診斷的專家系統不僅在理論上得到了相當的發展，而且國外已有成功的應用實例，國內也有許多單位積極從事這方面的探索研究，本文將介紹這方面的內容[1]。

1 在線監測與故障診斷技術原理

設備故障診斷作為一門新興的綜合性邊緣學科，經過30多年的發展，已初步形成了比較完整的學科體系。就其技術手段而言，已逐步形成以振動診斷、溫度監測和無損檢測探傷為主，其他技術或方法為輔的局面，這其中又以振動診斷涉及的領域最廣、理論基礎最為雄厚、研究得最為充分而最具生機和活力。

設備在線監測與故障診斷技術的實質是了解和掌握設備在運行過程中的狀態，評價和預測設備的可靠性，早期發現故障，并對其原因、部位及危險程度等進行識別，預報故障的發展趨勢，并針對具體情況做出決策[2]。

由此可見，設備在線監測與故障診斷技術包括識別設備狀態和預測發展趨勢兩方面的內容。具體過程如圖1所示。

圖1 在線檢測與故障診斷技術的具體過程

2 故障智能診斷技術的原理

目前，復雜設備的種類繁多，結構各異，工作方式不一。這種情況使得不同診斷領域、不同類型設備系統所需的診斷理論和方法具有明顯的特殊性。但是，無論哪個領域的診斷對象，事實上都可以看作一個系統。智能診斷的目的都是通過使用領域知識，進行診斷推理，識別系統狀態，查明故障原因，這是故障智能診斷的實質。不同的診斷對象總是具有許多共性的地方，拋開具體的診斷領域和對象，建立廣泛統一的故障智能診斷系統有關的概念，使智能診斷的研究更加系統化和理論化[3]。

故障智能診斷系統是由人、模擬人腦功能的硬件和必要的外部設備、物理器件及支持這些硬件的軟件所組成的具有智能的故障診斷系統。

故障智能診斷系統的智能水平，由這些部分的組織機構、相互作用方式以及作用歷程所決定。各部分的組織機構根據不同的原理和器件可以有多種實現方式，這里并不對其嚴格限制，相互作用方式是指它們在系統中的的作用和作用機制，作用歷程體現系統的診斷經驗和能力的積累[4]。

3 故障智能診斷系統的研究方法

3.1 基于專家系統的方法

專家系統是指利用研究領域專家的專業知識進行推理去解決專業的高難度的實際問題的智能系統。故障診斷專家系統作為專家系統中的一個分支，是人們根據長期的實踐經驗和大量的故障信息知識，設計出的一種智能計算機程序系統，以解決難以用數學模型來精確描述的系統故障診斷問題。基于專家系統的診斷方法是故障診斷領域中最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。

3.1.1 基于淺知識的診斷方法

淺知識是指領域專家的經驗知識。基于淺知識的故障診斷系統通過演繹推理或產生式推理來獲取診斷結果，其目的是尋找一個故障集合使之能對一個給定的征兆（包括存在的和缺席的）集合產生的原因做出最佳解釋。基于淺知識的故障診斷方法具有知識表達直觀、形式統一、模塊性強和推理速度快等優點，但也具有較大的局限性，如知識集不完備，對沒有考慮到的問題系統容易陷入困境；對診斷結果的解釋能力弱等。

3.1.2 基于深知識的故障方法

深知識則是指診斷對象的結構、性能和功能的知識。基于深知識的故障診斷系統要求診斷對象的每一個環節具有明確的輸入輸出表達關系，診斷時首先通過診斷對象實際輸入與輸出之間的不一致，生成引起這種不一致的原因集合，然后根據診斷對象領域中的第一定律知識（具有明確科學依據的知識）及其他內部特定的約束關系，采用一定的算法，找出可能的故障源。這種方法具有知識獲取方便、維護簡單和完備性強等優點，但搜索空間大，推理速度慢。

3.1.3 基于淺知識和深知識的混合診斷方法

對于復雜設備而言，無論單獨使用淺知識還是深知識，都難以很好地完成診斷任務，只有將兩者有機地結合起來，才能使診斷系統的性能得到優化。因此，為了使故障智能系統具有與人類專家能力相近的知識，研制者在建造智能診斷系統時，越來越強調不僅要重視領域專家的經驗知識，更要注重診斷對象的結構、功能和原理等知識，研究的重點是淺知識與深知識的集成表示方法和使用方法。事實上，一個高水平的領域專家在進行診斷問題求解時，總是將他具有的深知識和淺知識結合起來，完成診斷任務。一般優先使用淺知識，找到診斷問題的解或者是近似解，必要時用深知識獲得診斷問題的精確解[5]。

3.2 基于人工神經網絡的方法

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中，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。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已開始應用。由于神經網絡從故障實例中學到的只是一些分布權重，而不是類似領域專家邏輯思維的產生式規則，因此推理過程不能夠解釋，缺乏透明度。

目前，人工神經網絡法在設備故障診斷領域的應用主要集中在兩個方面：1）神經網絡作為分類器進行故障模式識別；2）神經網絡作為動態預測模型進行故障預測。在故障診斷方面應用最多的網絡類型仍然是多層前饋神經網絡，如BP 網絡和RBF網絡[6]。

3.3 基于遺傳算法的智能診斷方法

遺傳算法最早由Holland教授提出，是一種新興的模擬自然界生物進化機制的搜索尋優技術。遺傳算法是多學科相互組合與滲透的產物，它已發展成為一種自組織、自適應的綜合技術，廣泛應用在計算機、工程技術、管理科學和社會科學等領域。

3.4 基于不確定性理論的診斷方法

3.4.1 模糊邏輯方法

故障診斷是通過研究故障與征兆(特征元素)之間的關系來判斷設備狀態。由于實際因素的復雜性，故障與征兆之間的關系很難用精確的數學模型來表示，而且某些故障狀態也是模糊的。這就不能用“是否有故障”的簡易診斷結果來表達，而要求給出故障產生的可能性及故障位置和程度如何，此類問題用模糊邏輯能較好的解決，這就產生了模糊故障診斷方法。由于模糊診斷方法能夠模擬人的思維過程，適于表示人們的各種知識，具有很強的邏輯推理能力，這種方法近年來已成為一個非常活躍的研究領域。

模糊故障診斷有兩種基本方法：1）先建立征兆與故障類型之間的因果關系矩陣，再通過某種模糊合成算子建立故障與征兆的模糊關系方程，這是基于模糊關系及合成算法的診斷方法；2）是先建立故障與征兆的模糊規則庫，再進行模糊邏輯推理的診斷過程，這是一種基于模糊知識技術的診斷方法。此外，基于模糊推理的故障診斷方法還有：基于自適應模糊閾值的殘差評價法、基于模糊聚類和基于模糊邏輯的殘差評價方法[7]。

3.4.2 基于灰色理論的方法

灰色理論是研究機械系統的振動特征與對應故障特征之間的相關性，以反映系統內部的聯系，定量地描述系統內部不可見特征與故障特征的發生與發展之間的關系。灰色理論是控制論觀點和方法的延伸，它從系統的角度出發來研究系統已知信息和未知信息之間的關系。由于在機械設備運行中，征兆和病癥的因素之間沒有確定的映射關系和明確的作用原理，因此，一臺運行中的大型機器或設備也可以看作一個復雜的灰色系統。所以理論上把灰色理論的概念和方法引入到故障診斷領域，利用已知的故障特征量去判別機械系統的狀態并對未來發展趨勢做出預報和決策是完全可行的。

灰色理論包括灰色預測、灰色關聯度分析、灰色聚類和灰色決策等內容。到目前為止，用于機械故障診斷和模式識別最多的是灰色關聯度分析，并且主要用于多參數診斷[8]。

3.4.3 基于證據理論的方法

證據理論是由Shafe進一步發展起來的一種處理不確定性的理論。它描述了證據作用的方法，以及多角度綜合多方面的證據、面對同一問題進行信息融合的數學手段，從而使人們對問題的判斷更理性和更可靠。證據理論認為，對于概率推斷的理解，不僅要強調證據的客觀性，也要重視證據估計的主觀性，概率是人們在證據的基礎上構造出的對一命題的信任程度。因此證據理論可以從全面的角度綜合利用證據，對系統的狀態概率進行歸納與估計，給出正確的決策。目前，證據理論在機械故障診斷研究中多用于多傳感器數據融合方面。

3.4.4 基于貝葉斯網絡的推理方法

貝葉斯網絡是一種基于網絡結構的有向圖解描述，是人工智能、概率理論、圖論和決策理論相結合的產物。它用具有網絡結構的有向圖表達各個信息要素之間的關聯關系及影響程度，用節點變量表達各個信息要素，用連接節點之間的有向邊表達各個信息要素之間的關聯關系，用條件概率表達各個信息要素之間的影響程度。把貝葉斯網絡不確定性推理方法引入到機械狀態監測和故障診斷中，將有效提高診斷信息的利用率。它基于現有的不確定信息、或在現有信息不全面的情況下，實現工況信息、征兆信息、歷史信息和經驗信息等等多種信息的綜合推理和故障預示，提供了推理和預示的準確度[9]。

4 結束語

智能診斷技術正在成為人們的研究熱點，并且已有不少達到實用的程度，它豐富了故障診斷和在線檢測技術方法，為工程人員提供更多的選擇，使工程人員能夠更準確地檢測設備故障和狀態。但是，每一種先進的智能技術都并非十分完美，各自有著自身的長處與不足，它們雖然能在某些方面某種程度上提高系統的性能，但在系統設計或實現過程中往往又存在一些難以解決的問題。

[1] 王江萍.機械設備故障診斷技術及應用[M].西北工業大學出版社,2001.

[2] 陳克興,李川奇.設備狀態檢測與故障診斷技術[M].科學技術文獻出版社,1991.

[3] 石純一,黃昌寧.人工智能原理[M].北京:清華大學出版社,1993.

[4] 吳源泉,劉江寧.人工智能與專家系統[M].國防科技大學出版社,1993.

[5] 吳金培,肖建華.智能故障診斷與專家系統[M].北京:科學出版社,1997.

[6] S.Simani,C.Fantuzzi.Fault diagnosis in power plant using neural networks Information Sciences[J].2000(127):125-136.

[7] Maruyama N,Benouarets M and Dexter A L. Fuzzy modelbased fault detection and diagnosis[J].Proceeding of IFAC World Congress, San Francisco,USA.1996:121-126.

[8] 周宇陽,陳漢平,等.故障診斷灰色數學模型[J].中國電機工程學報.2002,22(6):146-151.

[9] 李大鵬,孫豐瑞,金裕紅.貝葉斯統計在機電設備故障診斷中的應用[J].艦船科學技術.2004,26(5):31-33.