人工智能在機械設備故障檢測中的應用

陳金鑫

摘要：現代工業的裝備包括許多中，許多大型的設備都趨于精密化和復雜化發展，為維持機械設備正常的故障運行，工業領域的技術人員對機械設備運行的狀態必須要加強研究。由于機械設備的運行環境相對復雜，零部件的性能會隨著時間的延長而逐漸老化，那么設備就容易發生故障，而且這種故障可能是隨機性的。在機械設備的有效壽命階段，技術人員的維護工作是保障設備安全的有效方法，所以技術人員要探尋機械設備的故障規律，摸索其運行的趨勢，以制定有效的預測辦法。

關鍵詞：人工智能;機械設備;故障檢測

引言

機械設備的運行使用過程中，難免會出現各種各樣的故障，并對現代社會的正常運轉造成不同程度的影響，輕則引致經濟損失，重則可能引發人員傷亡。在故障檢測中應用人工智能，能顯著改善檢測效果，大幅度提高檢測效率和精準度，強化故障預測和防范能力，全面保障機械設備運行安全及穩定。針對人工智能在機械設備故障檢測中的應用進行分析，具有十分重要的現實意義。

1人工智能在機械設備故障檢測中的意義

隨著機械設備性能的日益完善，設備的內部結構精度越來越高，體積越發小巧，這就必須要保證設備故障檢測技術與時俱進。在應用檢測技術時，需要保證這一技術具有智能化特征，可以在第一時間內發現故障，同時還要保證技術符合設備日益復雜的發展趨勢。以計算機和數字技術為支持的故障監測技術已經廣泛地應用到各個行業之中，比較有代表性的就是人工智能技術。人工智能技術可以保證機械設備的故障得到自動化檢測，這樣就可以大大縮短檢測的時間，降低維修成本，可以保證設備正常運行，對各類問題起到有效的防范效果。由于人工智能技術在開展設備檢測時的方法比較多元化，即使設備結構日益復雜，人工智能技術也可以充分適應，并確保故障得到及時有效的檢測。

2人工智能在機械設備故障檢測中的應用

2.1故障樹

故障樹雖然也屬于人工智能領域的技術之一，但是是所有技術中最不“智能”的一種，其在實際應用中主要是針對機械設備最不希望發生的故障作為分析目標，然后按照邏輯關系以及由上而下，以逐層分析的方式來推理設備的故障原因，之后用一個邏輯門的形式將這些故障和相應原因事件連接起來，最后將系統各功能單元故障與系統故障之間的內在邏輯因果關系信箱的表達出來。故障樹檢測方法具有效率高、精確性高等優勢，但是并不能完成對故障的預知性診斷。

2.2專家系統

故障檢測專家系統就是通過人工智能模擬故障診斷領域專家對機械設備故障問題進行分析和處理，從而在不需要專家親自思考的情況下解決復雜問題。專家系統是人工智能技術中較活躍、較成功的領域之一，其起源于20世紀60年代初，由知識庫、推理機和人機接口等三個主要部分組成，作為一個計算機軟件系統，其能夠基于知識表達并利用產生式規則發揮作用，而且在現有的人工智能語言的支持下，專家系統的表達也能夠合乎人的心理邏輯，因此更易于人們接受。將其應用與機械設備的故障檢測中，主要就是利用該系統使用模糊推理邏輯降低系統復雜性，以便提高檢測效率，可以說，該系統中所擁有的專家和運用知識解題的推理機制是其發揮重要作用的主要依據，而且，近些年來隨著先進信息技術的不斷發展也在不斷的成熟與完善中，該系統的應用前景也逐漸廣闊。

2.3模糊集理論

可以將模糊集理論作為理論思維的基本方式，這一理論中包含的學科比較模糊，除了邏輯學和模糊數學之外，學科知識之間的關系因比較模糊，但又要以集合的方式呈現，共同為這一理論展開服務，因此，就可以將其稱之為模糊集理論。模糊集理論并不具備隨機性，其主要是指事物本身的概念比較模糊，通過這一理論可以及時對模型進行分辨和識別。通過計算出模糊數就可以及時獲取知識，這樣就可以采用模糊融合的方式對設備的故障進行檢測，并及時將診斷結果與故障進行對比，就可以更好地解決故障。總之，模糊集理論的運用可以保證設備得到更加準確的檢查，由于與之相關的技術更加穩定，對數據進行分析時也會更加完善。隨著時代的不斷發展，模糊集理論將會得到進一步改進。

2.4人工神經網絡

人工神經網絡簡稱神經網絡，由大量簡單的處理單元，即神經元的廣泛且相互連接而最終形成的復雜網絡，其在信息處理、自動化工程、醫學和經濟等眾多領域得到了普及應用。該網絡模擬的是生物神經系統，并通過網絡單元的輸入輸出特性（激活特性）、網絡的拓撲結構（神經元的連接方式）等來實現信息處理功能，并且在神經網絡的推理過程中還引用了模糊規則來提高整個系統的透明性，從而為人工神經網絡建立良好的解釋機制提供了方便。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，在當前的機械設備運行中能夠較好的應對一些多發性故障、突發性故障，并且還可以監測一些較為龐大的機器或者系統的運行過程，以便及時發現故障問題并做出診斷，保證其健康穩定的運行。在機械設備的運行過程中，一般故障檢測方法耗時時間長，面對故障問題也比較棘手而在人工智能的支持下，就可以利用神經網絡中單個子神經網絡來分析故障樣本并進行診斷，針對一些局部較小的故障問題也可以進行解決。目前，人工神經網絡在機械設備故障檢測中的應用方式有如下幾種，一是從模式識別角度應用神經網絡作為分類器進行故障檢測;二是從預測角度應用神經網絡作為動態預測模型進行故障預測;三是利用神經網絡極強的非線性動態跟蹤能力進行基于結構映射的故障檢測等。隨著該項技術手段的不斷成熟，神經網絡在實際應用中也開始不斷改進本身模型，并且在故障檢測中也開始去想去模塊化模型診斷，應用效果不斷加強。

結語

在設備狀態維護工作中，故障預測技術是機械設備故障診斷和運行趨勢的預測方法，經過后期的決策機制可以鞏固高效維護工作的基礎，在獲取數據與處理數據兩個部分調整核心內容，并針對數理統計與人工智能模型多個方面達到理想的工作狀態。

參考文獻：

[1]楊超，李亦滔.機械設備故障智能診斷技術的現狀與發展[J].華東交通大學學報，2011，28（5）：23-28.

[2]井然.工程機械智能故障診斷技術的研究現狀及發展趨勢[J].內燃機與配件，2018（2）：133-134.

河南工學院 河南 新鄉 453003