基于知識的主流故障診斷技術研究

【后勤保障與裝備管理】

基于知識的主流故障診斷技術研究

孔慶宇,霍景河,王淵

(裝甲兵工程學院 信息工程系， 北京100072)

摘要：隨著越來越多的復雜電子設備出現在社會各個領域，傳統的故障診斷技術逐漸暴露出診斷時間長、錯誤率高、人工依賴量大等不適應因素，基于知識的人工智能故障診斷技術的出現則很好地緩解了這一問題。在介紹了目前5種主流基于知識的故障診斷技術概念的基礎上，詳細地描述了每種診斷技術的工作原理與結構框圖，分析并提出了每種技術的優缺點。

關鍵詞：復雜電子設備；人工智能故障診斷技術；工作原理；發展趨勢

收稿日期：2015-05-20

作者簡介：孔慶宇(1987—)，男 ，碩士研究生，助理工程師，主要從事指控通信裝備故障診斷研究。

doi:10.11809/scbgxb2015.09.016

中圖分類號：TP277

文章編號：1006-0707(2015)09-0060-05

本文引用格式：孔慶宇,霍景河,王淵.基于知識的主流故障診斷技術研究[J].四川兵工學報，2015(9):60-64.

Citation format:KONG Qing-yu, HUO Jing-he, WANG Yuan.Research of Knowledge-Based Artificial Intelligent Fault Diagnosis Technique[J].Journal of Sichuan Ordnance,2015(9):60-64.

Research of Knowledge-Based Artificial Intelligent

Fault Diagnosis Technique

KONG Qing-yu, HUO Jing-he, WANG Yuan

(Department of Information Engineering, Academy of Armored Forces Engineering, Beijing 100072, China)

Abstract:With more and more complex electronic equipment appears in each field of the society, the traditional fault diagnosis technology is gradually exposed some problems, such as its diagnosis time is too long, and it has high error rate, large amount of artificial dependence and other inappropriate factors, the knowledge-based artificial intelligent fault diagnosis technique’s appearance is good to alleviate this problem. In a brief introduction of the concept of the current 5 kinds of knowledge-based artificial intelligent fault diagnosis technique, we gave a detailed description of working principle and structure diagram of each diagnostic technology, analyzed and pointed out the advantages and disadvantages of each technology, finally pointed out the future development trend.

Key words: complex electronic equipment; artificial intelligent fault diagnosis technique; working principle; development trend

隨著科學技術的不斷進步，越來越多的復雜電子設備出現在社會各個領域，其強大的功能在給用戶帶來便利時，也隨之帶來了一系列難以避免的困擾，如怎樣對其進行故障診斷等。高新技術集成的復雜電子設備均造價昂貴，一旦某些故障征兆沒有被及時處理，往往會釀成大的事故，使用戶損失慘重。在這種情況下，人們急需一些有效的新技術手段來應對，這就使得對基于知識的故障診斷技術的研究越來越有意義。

1故障診斷技術的分類

故障診斷技術主要分為3大類，即：基于解析模型的故障診斷技術、基于信號處理的故障診斷技術和基于知識的故障診斷技術。其中，基于解析模型的故障診斷技術和基于信號處理的故障診斷技術被稱為傳統故障診斷技術[1-7]，如圖1所示。

圖1　故障診斷技術的分類

基于解析模型的故障診斷技術要求建立在非常清晰明確的被診斷對象數學模型的基礎上，然后按照一定的數學方法進行推理，由于獲取復雜電子設備精確數學模型的難度較大，所以其對復雜電子設備的診斷效率低下；基于信號處理的故障診斷技術根據直接可得的信號類型及變化趨勢來進行故障診斷，它并不需要很精確的數學模型，但是對人的需求過大，這就導致其即不方便使用，又包含太多主觀因素，極容易造成錯檢，也不適用于復雜電子設備。

近年來，計算機技術及人工智能的迅猛發展，為故障診斷領域提供了許多全新的理論支撐，孕育出了基于知識的故障診斷技術，該類技術對于人工和數學模型的要求并不太高，且具有很強的非線性特性，特別適用于對復雜電子設備的故障診斷，是一類具有活力的智能故障診斷技術。主流的基于知識的人工智能故障診斷技術有模糊故障診斷技術、案例推理故障診斷技術、專家系統故障診斷技術、神經網絡故障診斷技術和故障樹故障診斷技術[8-14]。

2基于知識的主流故障診技術

2.1模糊故障診斷技術

模糊故障診斷技術，是指運用模糊理論，盡可能地將模糊不清的設備故障信息量化成計算機可以接受的信息，而后進行篩選、判斷等一系列處理，最終確定故障所在的一門技術[15-16]。

圖2　模糊故障診斷系統工作流程

利用模糊故障診斷技術進行故障診斷時，如圖2所示，首先建立隸屬度矩陣R，也就是模糊關系矩陣

矩陣中每一個元素的大小表示征兆與故障間的緊密程度，如rij表示征兆集中xi元素對故障集中yj元素的隸屬度。當設備運行故障時，系統自動提取征兆向量對比標準征兆庫進行篩選，篩選出有效征兆向量矩陣X

X={x1，x2，x3，…，xm}={xi|i=1，2，3，…，m}

其中m為征兆總數，與已建立的模糊關系矩陣R求解關系矩陣方程Y=X·R，得到故障向量Y

Y={y1，y2，y3，…，yn}={yj|j=1，2，3，…，n}

其中n為故障總數，將故障向量Y的值對比標準故障庫，最終得出診斷結果，整個診斷過程結束。

模糊故障診斷技術流程簡單、計算方便，因此具有良好的操作性，在實際故障診斷中的應用也比較廣泛，但是在定義矩陣元素大小這一環節中還存在著較多的主觀因素，從科研角度出發來看，診斷結果不夠嚴謹，有時因人為定義數據不夠準確，甚至是相差毫厘，都可能造成徹底的診斷失敗。

2.2案例推理故障診斷技術

案例推理故障診斷技術跟人類認知活動十分類似，是一種從發生過的事件上汲取經驗教訓的成長型的故障診斷技術。它緩解了常規知識系統中知識獲取的瓶頸問題，它將定量分析與定性分析相結合，具有動態知識庫和增量學習的特點[17]。

利用案例推理故障診斷技術進行故障診斷時，如圖3所示，首先對待檢目標案例進行檢索，將目標案例歸類，如果是案例庫中的現存案例或者相似度極高的案例則直接給出診斷結果；若是全新案例，則進入下一步，將目標案例與案例庫中的源案例進行反復比對、匹配，找到相對最優解，呈獻給用戶選擇，若用戶滿意，則診斷結束，隨后對該案例做出評定，若無價值直接拋棄，若有價值則進行學習而后錄入案例庫；若用戶不滿意，則可選擇結束診斷或令系統重新檢索，直到找到理想的最優解。

圖3　案例推理故障診斷系統工作流程

案例推理故障診斷技術具有較強的實時性，不但可以熟練解決被診斷設備的庫存故障，還可以通過分析學習庫存案例的方法思路，進行比對、聯想，以解決一些新問題。但其最大的問題就是隨著時間的推移，系統數據庫會越來越龐大，案例檢索速度會越來越慢，而且隨著一些相似案例的陸續錄入，尋找最優解的問題也是案例推理故障診斷技術不得不面對的一道難關。

2.3專家系統故障診斷技術

專家系統是一個主要由知識庫和推理機組成的智能系統，知識庫提供相關領域專家多年的研究經驗作支撐，推理機模擬專家求解問題時的思維過程進行演算，便完成了對待檢設備的診斷，是一種穩定可靠，應用廣泛的故障診斷技術[18-19]。

圖4　典型專家系統結構示意圖

典型專家系統結構如圖4所示，一般由6個部分組成，分別是人機交互模塊、全局數據庫、推理機、知識庫、解釋機制及知識獲取機制，各模塊功能如表1所示。

表1　專家系統各模塊功能

專家系統進行故障診斷時，分為3種情況。

1) 設備運行異常自動診斷

全局數據庫發現設備運行的異常數據后送交推理機處理，推理機利用知識庫中的專家知識進行匹配，將匹配到的結果作為中間結論，再存入數據庫通過推理機繼續匹配，最終得到診斷結果，由人機交互界面呈現給用戶。

2) 針對用戶提出假設進行診斷

用戶發現設備運行異常，通過人機交互界面提出假設存入數據庫中，數據庫迅速調用推理機利用知識庫進行匹配，得到中間結論后重新存入數據庫進行再匹配，得出的診斷結果通過人機交互界面呈現給用戶。

3) 運行異常與用戶假設并行診斷

根據異常數據推理得到診斷結果，將結果作為用戶假設重新輸入系統獲取必要征兆。

專家系統故障診斷技術的優勢是能夠充分解釋其推理過程，并通過人機交互界面，很好地展現給用戶，便于分析、檢查，具有較強的透明性、交互性等特點，但其也有局限性，就是數據錄入時仍然克服不了人為因素的影響。專家系統在進行故障診斷時離不開產生式規則，而產生式規則是由專家用“IF”、“THEN”語句結合領域知識編寫而成，可以說，越復雜的系統所用到的產生式規則就越多，而規則的無限擴充也意味著在診斷過程中人為因素的不斷增加，最終會導致診斷結果不夠客觀公正，準確性下降，甚至是錯判，此外，新穎的故障就需要新穎的產生式規則，而新老規則之間的兼容問題也是導致專家系統癱瘓的因素之一。歸根結底，專家系統最大的缺點就是不具備自主學習能力，這也成為制約其發展的一大難題。

2.4神經網絡故障診斷技術

神經網絡包括生物神經網絡和人工神經網絡，生物神經網絡指生物的大腦神經元、細胞、觸點等組成的網絡，而人工神經網絡是一種仿生的、具有分布式并行信息處理功能的數學模型。人工神經網絡充分借鑒了人類大腦的優異特性，網絡中的每一個小部分都具備復雜的信息聯想能力，具有很強的非線性特點。

人工神經網絡種類繁多，在故障診斷領域中應用最廣的是BP神經網絡。BP神經網絡是一種單向傳播的多層前饋網絡，主要分為輸入層(input layer)、隱含層(hidden layer)以及輸出層(output layer)，層與層之間實現全面互聯，每一層中的各個神經元間無連接，當訓練樣本提供給網絡后，信息經神經元逐層傳播，輸出結果，然后將實際輸出與期望輸出進行誤差比較，再從輸出層經隱含層最終到輸入層逆向反饋、逐層修正連接權值，最終提升整個神經網絡對輸入響應的正確率[21-24]。

圖5中黑色圓形表示神經網絡的節點，每個節點都代表一種特定的輸出函數，稱之為激勵函數，相鄰層每2個節點之間的連線都表示信息通過該連接的加權值，稱之為權重，也就是神經網絡的記憶。

神經網絡故障診斷系統在進行故障診斷時，首先將故障征兆作為神經網絡的輸入，將所引發狀態作為神經網絡的輸出，構成樣本對，然后對神經網絡進行訓練，以確定其閾值、權值，而后結束訓練，再將被診斷對象的特征數據注入訓練好的神經網絡后便可以產生診斷結果。

神經網絡具有強大的自主學習能力、良好的非線性特性，因此成為針對復雜電子設備故障診斷的首選技術，但其隱含層單元數的確定始終是一個難題，多了會使網絡復雜，運算緩慢，少了又不能解決問題，此外，神經網絡還無法解釋推理過程。

圖5　典型神經網絡結構示意圖

2.5故障樹故障診斷技術

故障樹診斷技術是一種依靠倒樹狀故障模型來確定被測設備潛在故障的方法，它以某一明確的現象或問題作為頂事件，將導致該現象發生的條件作為中間事件或底事件，并將這些事件用邏輯關系關聯起來，能很好地展現出故障與征兆間的全部關系[25-28]，簡單故障樹模型如圖6所示。

圖6　簡單故障樹模型

圖6中各標識含義如表2所示。

表2　故障樹常用標識含義

由于故障樹的計算量與故障樹的復雜程度成正比，為了使故障樹看起來更加簡單，去除不必要的干擾項以提高診斷效率，需運用早期不交化原則對其進行邏輯簡化，以圖6為例，未探明事件用字母U表示

T=E1+E2=E3·C+B·C=(A+U)·C+B·C=A·C+U·C+B·C

簡化后的故障樹如圖7所示。

圖7　邏輯簡化后的故障樹

從簡化后的故障樹中可以看出，要想激活頂事件T，要么AC同時發生；要么UC同時發生；要么BC同時發生，因此底事件C是導致頂事件T發生的必然條件之一，又因為導致E2發生的U為小概率事件，所以導致故障T發生的條件是在征兆C發生的情況下又出現了征兆A或者征兆B。

故障樹故障診斷技術是一種直觀有效的診斷方法，但是在應對某些極復雜電子設備的故障診斷時，故障樹會非常龐大，就導致了故障樹的計算量呈指數式增長，不但易錯且運行速度緩慢，此外，龐大故障樹的建立也是容易出問題的環節。

3結束語

基于知識的人工智能故障診斷技術可以很好地解決傳統故障診斷技術難以解決的問題，但在未來的發展過程中，還需不斷的注入新理論、應用新知識，在解決一些具體問題時應以盡量減少人工、保持客觀為出發點，將技術集成作為解決問題的重要抓手，只有通過這樣的不斷實踐，才能促成故障診斷技術更長足的發展。

參考文獻：

[1]王宏力,侯青劍.故障診斷方法現狀與展望[J].傳感器與微系統，2008，27(5):1-4.

[2]李登,尹亞蘭,朱文秀.復雜電子裝備智能故障診斷技術研究[J].艦船電子工程，2013，33(2)：129-131.

[3]朱大奇,于盛林.基于知識的故障診斷方法綜述[J].安徽工業大學學報，2002，19(3)：197-204.

[4]竇金生,湯天浩.基于知識的故障診斷技術及其在船舶上的應用[J].船舶工程，2007,29(4)：72-74.

[5]何利,王厚軍.基于知識的故障診斷系統的設計[J].計算機測量與控制，2002,10(5)：322-323.

[6]陳玉東,施頌椒,翁正新.動態系統的故障診斷方法綜述[J].化工自動化及儀表，2001,28(3)：1-14.

[7]周東華,胡艷艷.動態系統的故障診斷技術[J].自動化學報，2009,35(6)：748-758.

[8]李娟,周東華,司小勝,等.微小故障診斷方法綜述[J].控制理論與應用，2012,29(12)：1517-1529.

[9]徐正全,高時漢,周曼麗,等.基于知識的故障診斷系統的面向對象設計方法[J].華中理工大學學報，1994,22(5)：106-109.

[10]王榮杰,胡清.基于知識的故障診斷方法的發展現狀與展望[J].微計算機信息，2006,22(3S)：218-220.

[11]杜殿林,張光紅,吳重光.基于知識故障診斷系統所用的深層知識及SDG方法[J].化工自動化及儀表，2005,32(4)：8-10.

[12]王耀才.智能故障診斷技術的現狀與展望[J].徐州建筑職業技術學院學報，2003,3(1)：37-39.

[13]吳翠娟,陳瑩,王致杰,等.現代大型設備故障智能診斷技術的現狀與展望[J].電子技術應用，2003,29(12)：41-43.

[14]陸雪梅,尚群立.動態控制系統的故障診斷方法綜述[J].機電工程，2008,25(6)：103-107.

[15]李果,高建民.模糊故障診斷中特征屬性約簡及其權重系數的確定[J].機械科學與技術，2006,25(2)：225-228.

[16]孫永盛,韓軍,公丕平,等.模糊邏輯與神經網絡故障診斷技術的融合與應用研究[J].機電產品開發與創新，2011,24(6)：13-15.

[17]李小青.基于案例推理的故障診斷方法[J].計算機測量與控制，2007，15(9)：1130-1131.

[18]胡海,李進軍.專家系統故障診斷在艦載武器系統中的應用[J].艦船科學技術，2002,24(4)：28-30.

[19]祁業風,劉平,劉孟軍.棗智能專家系統數據庫信息化推廣應用[J].中國農學通報，2009,25(21)：351-354.

[20]劉文霞,孫風英,紀峻嶺.專家系統故障診斷法及其在汽車故障診斷中應用[J].交通科技與經濟，2001,3(2)：40-45.

[21]聞新,周露.神經網絡故障診斷技術的可實現性[J].導彈與航天運載技術，2000(2)：18-22.

[22]徐健學,陳永紅,蔣耀林.人工神經網絡非線性動力學及應用[J].力學進展，1998,28(2)：145-162.

[23]沈花玉,王兆霞,高成耀.BP神經網絡隱含層單元數確定[J].天津理工大學學報，2008,24(5)：13-15.

[24]陳斌,王高山,楊林輝.基于BP神經網絡的復雜電子設備實時故障診斷專家系統[J].海軍工程大學學報，2004,16(5)：105-108.

[25]喬道跡.淺談故障樹NP問題的處理[J].中北大學學報，2007,28(S1)：74-79.

[26]王巍,崔海英,黃文虎.基于故障樹最小割集和最小路集的診斷方法研究[J].數據采集與處理，1999,14(1)：26-29.

[27]許東,劉宗田,強宇.使用故障樹技術分析面向對象的軟件[J].小型微型計算機系統，2000(7)：710-714.

[28]蔡佳昆,宋海平.多種故障樹求解方法的測試與分析[J].強度與環境，2004,31(2)：33-39.

(責任編輯唐定國)