4 網(wǎng)絡(luò)化智能化傳動裝置在線故障診斷系統(tǒng)的集成
4.1 引言
故障智能診斷系統(tǒng)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(lǐng)域，為該技術(shù)在生產(chǎn)實際中的廣泛應(yīng)用奠定了堅實的基礎(chǔ)。國內(nèi)外的專家學(xué)者已研制開發(fā)了一大批故障診斷專家系統(tǒng)，取得了一定的經(jīng)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(lǐng)域大多數(shù)問題的求解，建立基于知識的診斷系統(tǒng)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(lǐng)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(tǒng)開發(fā)過程中特定階段的具體實現(xiàn)技術(shù)和方法，而對故障智能診斷系統(tǒng)的開發(fā)和建造尚未形成具有自身特點的系統(tǒng)理論和科學(xué)的方法體系。
對于傳統(tǒng)的專家系統(tǒng)，我們似乎已有了一些可以借鑒的、日趨標(biāo)準(zhǔn)的開發(fā)技術(shù)和策略。然而故障診斷專家系統(tǒng)在工作方式上與其他工程類型的專家系統(tǒng)（設(shè)計型專家系統(tǒng)、決策型專家系統(tǒng)等）有較大的差異，這主要表現(xiàn)在診斷對象的復(fù)雜性、診斷任務(wù)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(jié)果的不確定性和診斷環(huán)境的多變性等，致使在建造故障診斷專家系統(tǒng)時難以選擇合適的原型系統(tǒng)作為參考，沒有標(biāo)準(zhǔn)的開發(fā)模式可遵循，而且不能準(zhǔn)確地預(yù)測開發(fā)過程中可能要遇到的困難及相應(yīng)的解決辦法。這些因素使得智能診斷系統(tǒng)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(tǒng)在知識庫結(jié)構(gòu)、解決問題能力、深淺知識的結(jié)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(fā)診斷系統(tǒng)時所采取的研制策略和方法有密切的關(guān)系�？上驳氖牵恍┭芯空咭验_始認(rèn)識到研究開發(fā)故障智能診斷系統(tǒng)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(tǒng)開發(fā)策略和方法的研究是十分必要的。
4.2 故障診斷的方法
設(shè)備故障診斷技術(shù)發(fā)展至今，己成為一門獨立的跨學(xué)科的綜合信息處理技術(shù)，它是以可靠性理論、信息論、控制論和系統(tǒng)論為理論基礎(chǔ)，以現(xiàn)代測試儀器和計算機為技術(shù)手段，結(jié)合各種診斷對象（系統(tǒng)、設(shè)備、機器、裝置、工程結(jié)構(gòu)、工藝過程等等）的特殊規(guī)律而逐步形成的一門新興學(xué)科。大體上由三個部分組成，第一部分為故障診斷物理、化學(xué)過程的研究；第二部分為故障診斷信息學(xué)的研究；第三部分為診斷邏輯與數(shù)學(xué)原理方面的研究。設(shè)備故障診斷技術(shù)從不同的角度出可以分成兩大類：基于數(shù)學(xué)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(shù)學(xué)模型的故障診斷方法
該方法包括基于直接測量系統(tǒng)輸入輸出及信號處理的方法、基于狀態(tài)估計的方法和基于過程參數(shù)估計的方法。
A.基于直接測量系統(tǒng)輸入輸出及信號處理的方法是直接測量被診斷對象有關(guān)的輸出量，如果輸出量超出規(guī)定的正常變化范圍則可以認(rèn)為對象已經(jīng)或?qū)⒁l(fā)主故障。這種方法也叫觀測器法，雖然方法簡單，但容易出現(xiàn)故障的誤判和漏判。
B.基于狀態(tài)估計的方法是通過估計系統(tǒng)的狀態(tài)并結(jié)合適當(dāng)模型進行故障診斷。首先重構(gòu)被診斷過程的狀態(tài)，并構(gòu)成殘差序列，殘差序列中包含各種故障信息�；谶@個序列，通過構(gòu)造適當(dāng)?shù)哪Ｐ筒⒉捎媒y(tǒng)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(tài)估計的方法通常是狀態(tài)觀測器及濾波器。
C.基于過程參數(shù)估計的方法與基于狀態(tài)估計的診斷方法不同，它不需要計算殘差序列，而是根據(jù)參數(shù)變化的統(tǒng)計特性來檢測故障的發(fā)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(shù)的精確聯(lián)系，因此這種方法比基于狀態(tài)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(shù)估計的首選方法。
基于數(shù)學(xué)模型的故障診斷方法，其優(yōu)點是能深人系統(tǒng)本質(zhì)的動態(tài)性質(zhì)和實現(xiàn)實時診斷，缺點是當(dāng)系統(tǒng)模型未知、不確定或具有非線性時，這種方法不易實現(xiàn)。
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(tǒng)的方法、基于案例的診斷方法、基于模糊數(shù)學(xué)的方法、基于人工神經(jīng)網(wǎng)的方法和基于故障樹的方法。
A.基于專家系統(tǒng)的診斷方法是故障診斷領(lǐng)域中最為引人注目的發(fā)展方向之一，也是研究最多、應(yīng)用最廣的一類智能診斷技術(shù)。它大致經(jīng)歷了兩個發(fā)展階段：基于淺知識（領(lǐng)域?qū)＜业慕?jīng)驗知識）的故障診斷系統(tǒng)和基于深知識（診斷對象的模型知識）的故障診斷系統(tǒng)。
基于案例的推理方法能通過修訂相似問題的成功結(jié)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(xué)習(xí)，不需要詳細(xì)地診斷對象模型。在這種推理方法中，主要的技術(shù)包括：案例表達(dá)和索引、案例的檢索、案例的修訂、從失敗中學(xué)習(xí)等�；诎咐脑\斷方法的原理是，對于所診斷的對象，根據(jù)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(jié)果進行修訂作為該對象的診斷結(jié)果。
B.基于案例的診斷方法適用于領(lǐng)域定理難以表示成規(guī)則形式，而易表示成案例形式并且已經(jīng)積累了豐富的案例的領(lǐng)域（如醫(yī)學(xué)診斷等）。它的局限性是：傳統(tǒng)的基于案例的診斷方法難以表示案例之間的聯(lián)系；對于大型案例庫進行檢索非常費時，并且難以決定應(yīng)選擇哪些癥狀及它們的權(quán)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(guān)系），難以對診斷結(jié)果加以解釋。
C.基于人工神經(jīng)網(wǎng)的方法
近年來，神經(jīng)網(wǎng)絡(luò)以其獨特的容錯、聯(lián)想、推測、記憶、自適應(yīng)。自學(xué)習(xí)和處理復(fù)雜多模式等優(yōu)點，在許多學(xué)科中掀起了研究的熱潮。同樣在故障診斷領(lǐng)域，其發(fā)展前景也是十分樂觀的。
在知識獲取上，神經(jīng)網(wǎng)絡(luò)的知識不需要由知識工程師進行整理、總結(jié)以及消化領(lǐng)域?qū)＜业闹R，只需要用領(lǐng)域?qū)＜医鉀Q問題的實例或范例來訓(xùn)練神經(jīng)網(wǎng)絡(luò)；在知識表示方面，神經(jīng)網(wǎng)絡(luò)采取隱式表示，在知識獲取的同時，自動產(chǎn)生的知識由網(wǎng)絡(luò)的結(jié)構(gòu)和權(quán)值表示，并將某一問題的若干知識表示在同一網(wǎng)絡(luò)中，通用性強，便于實現(xiàn)知識的自動獲取和并行聯(lián)想推理。在知識推理方面，神經(jīng)網(wǎng)絡(luò)通過神經(jīng)元之間的相互作用來實現(xiàn)推理。目前在許多領(lǐng)域的故障診斷系統(tǒng)中己開始應(yīng)用，如在化工設(shè)備、核反應(yīng)堆、汽輪機、旋轉(zhuǎn)、機械和電動機等領(lǐng)域都取得了較好的效果。由于神經(jīng)網(wǎng)絡(luò)從故障事例中學(xué)到的知識只是一些分布權(quán)重，而不是類似領(lǐng)域?qū)＜疫壿嬎季S的產(chǎn)生式規(guī)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(shù)學(xué)的診斷方法不需要建立精確的數(shù)學(xué)模型，適當(dāng)?shù)剡\用隸屬函數(shù)和模糊規(guī)則，進行模糊推理就可以實現(xiàn)模糊診斷的智能化。但是，對于復(fù)雜滋診斷系統(tǒng)，要建立正確的模糊規(guī)則和隸屬函數(shù)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(guī)則和隸屬函數(shù)集合而言，難以找出規(guī)則與規(guī)則之間滋關(guān)系，也就是說規(guī)則有“組合爆炸”現(xiàn)象發(fā)生。另外由于系統(tǒng)的復(fù)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(guān)系往往存在著較強的非線性，這對隸屬函數(shù)形狀不規(guī)則，只能利用規(guī)范的隸屬函數(shù)形狀來加以處理，如用三角形、梯形或直線等規(guī)則形狀來組合予以近似代替，從而使得非線性系統(tǒng)的診斷結(jié)果不夠理想。
E.基于故障樹的方法是由計算機依據(jù)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(tǒng)的某一故障開始，沿著故障樹不斷提問“為什么出現(xiàn)這種現(xiàn)象？”而逐級構(gòu)成一個遞階故障樹，通過對此故障樹的啟發(fā)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(tǒng)的實時動態(tài)數(shù)據(jù)將有助于診斷過程的進行�；诠收蠘涞脑\斷方法類似于人類的思維方式，易于理解，在實際中應(yīng)用較多，但大多與其它方注結(jié)合使用。
4.3 智能分析系統(tǒng)的基本設(shè)計思想和組成
4.3.1 故障智能診斷系統(tǒng)的基本設(shè)計思想
隨著人工智能技術(shù)的迅速發(fā)展，特別是知識工程、專家系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)在診斷領(lǐng)域中的進一步應(yīng)用，迫使人們對智能診斷問題進行更加深入與系統(tǒng)地拼究。所謂診斷系統(tǒng)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(huán)境下的診斷對象進行成功狀態(tài)識別和狀態(tài)預(yù)測的能力。但是診斷系統(tǒng)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(tǒng)之外。實踐證明，任何人工智能系統(tǒng)的研究，都不能完全擺脫人腦對系統(tǒng)的參與，只能是“人幫機”和“機幫人”。人是智能系統(tǒng)的重要組成部分。由此，可以這樣來定義智能診斷系統(tǒng)：
它是由人（尤其是領(lǐng)域?qū)＜遥?dāng)代模擬腦功能的硬件及其必要的外部設(shè)備、物理器件以及支持這些硬件的軟件所組成的系統(tǒng)。該系統(tǒng)以對診斷對象進行狀態(tài)識別與狀態(tài)預(yù)測為目的。顯然，該定義下的智能診斷系統(tǒng)具有以下特點：（1）它是一個開放的系統(tǒng)，系統(tǒng)的能力在實際使用的過程中，在同環(huán)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(tǒng)，但又不同于常規(guī)的計算機程序系統(tǒng)，不具有確定的算法和程序途徑。智能診斷系統(tǒng)是根據(jù)診斷過程的需要搜索和利用領(lǐng)域?qū)＜业闹R及經(jīng)驗來達(dá)到診斷的目的。（3）它既是一個人工智能系統(tǒng)，離不開模擬人腦功能的硬件設(shè)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(tǒng)計算機。
4.3.2 故障智能診斷系統(tǒng)平臺的基本組成
本文使用的智能診斷系統(tǒng)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(tǒng)平臺，其設(shè)計思想是：將人類的思維能力、系統(tǒng)的物理規(guī)律和數(shù)學(xué)模型有機地結(jié)合，更好、更靈活地表征系統(tǒng)各個狀態(tài)，力圖在得到足夠好的專家知識的基礎(chǔ)上，依靠優(yōu)化和學(xué)習(xí)，調(diào)整專家知識、調(diào)整推理結(jié)構(gòu)。系統(tǒng)將人工智能的最新技術(shù)有機的融合，具有很強的通用性、適應(yīng)性、容錯性及易實現(xiàn)性，同時，特有的圖形化模糊神經(jīng)網(wǎng)絡(luò)專家知識表達(dá)方式、分布式并行運行能力、迅速的推理及優(yōu)化和遠(yuǎn)程分析能力，使系統(tǒng)達(dá)到了較高的智能化水平。智能診斷系統(tǒng)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(guī)則推理引擎；（3）神經(jīng)網(wǎng)絡(luò)推理引擎；對智能診斷系統(tǒng)平臺構(gòu)成的科學(xué)性，我們可以從如下三個方面來解釋：
a.專家系統(tǒng)和模糊邏輯的知識處理，模擬的是人的邏輯思維，人工神經(jīng)網(wǎng)絡(luò)的知識處理所模擬的則是人的經(jīng)驗思維機制；在人類自身的思維過程中，邏輯思維、經(jīng)驗思維、創(chuàng)造性思維是缺一不可并且是非常巧妙地互相結(jié)合而形成的有機整體。
b.模糊診斷是根據(jù)模糊集合論征兆空間與故障狀態(tài)空間的與故障狀態(tài)空間的某種映射關(guān)系，由征兆來診斷故障。
c.由于神經(jīng)網(wǎng)絡(luò)具有原則上容錯、結(jié)構(gòu)拓?fù)漪敯�、�?lián)想、推測、記憶、自適應(yīng)、自學(xué)習(xí)、并行和處理復(fù)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(fā)性故障、龐大復(fù)雜系統(tǒng)的監(jiān)測及診斷中發(fā)揮出較大作用。
4.3.3 故障智能診斷系統(tǒng)平臺的主要技術(shù)
系統(tǒng)的主要技術(shù)包括：智能化推理算法、數(shù)據(jù)處理器、圖形化模糊神經(jīng)網(wǎng)絡(luò)專家知識庫、綜合的動態(tài)聯(lián)接庫數(shù)據(jù)通訊模塊。
智能化推理算法：系統(tǒng)巧妙地將專家系統(tǒng)推理機、神經(jīng)網(wǎng)絡(luò)推理機、模糊邏輯推理機有機結(jié)合、并行運行，充分發(fā)揮各個推理算法的優(yōu)勢，克服其中的不足，使智能推理達(dá)更加適用于多變量、多參數(shù)、多目標(biāo)及多過程的復(fù)雜系統(tǒng)。同時采用了M-ARY理論對推理結(jié)果進行優(yōu)化，并且通過歷史數(shù)據(jù)分析和在線強化學(xué)習(xí)來調(diào)整專家知識、調(diào)整推理結(jié)構(gòu)，能充分保證推理結(jié)果的準(zhǔn)確性。通用化設(shè)計是該系統(tǒng)的重要特色，裝載不同領(lǐng)域的專家知識便能對不同領(lǐng)域的問題進行智能化推理決策。
數(shù)據(jù)處理器的設(shè)計：為更好地解決數(shù)據(jù)的抗噪能力，在系統(tǒng)中，用模糊閾值對測量數(shù)據(jù)進行模糊化，保證系統(tǒng)數(shù)據(jù)的抗擾能力。
圖形化的模糊神經(jīng)網(wǎng)絡(luò)專家知識庫：系統(tǒng)采用圖形化模糊神經(jīng)網(wǎng)絡(luò)專家知識表達(dá)方式，可突破共性知識和專家知識的學(xué)習(xí)、獲取、表達(dá)與利用的瓶頸問題，系統(tǒng)有一個獨特的結(jié)構(gòu)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(shù)學(xué)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(tài)聯(lián)接庫數(shù)據(jù)通訊模塊：通訊的整體結(jié)構(gòu)按分布式設(shè)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(wù)器的方式，采用TCP/IP協(xié)議，數(shù)據(jù)通訊服務(wù)一旦設(shè)置好，就始終處于運行狀態(tài)，推理機一旦需要申請數(shù)據(jù)，就向數(shù)據(jù)通訊模塊提出數(shù)據(jù)請求表，數(shù)據(jù)通訊模塊根據(jù)綜合各個推理機的數(shù)據(jù)請求表向相應(yīng)的對象提出數(shù)據(jù)請求，再將從對象得到數(shù)據(jù)分配給各推理機；另一方面，數(shù)據(jù)通訊模塊與特定對象之間采用調(diào)用動態(tài)聯(lián)接庫的辦法進行通訊，針對不同的對象調(diào)用不同的動態(tài)聯(lián)接庫就可以實現(xiàn)數(shù)據(jù)通訊。
網(wǎng)絡(luò)化遠(yuǎn)程診斷：通過設(shè)備故障診斷技術(shù)與計算機技術(shù)的結(jié)合，用若干臺中心計算機作為服務(wù)器，重大企業(yè)重要關(guān)鍵設(shè)備上建立狀態(tài)監(jiān)測點，采集設(shè)備狀態(tài)數(shù)據(jù)，而在技術(shù)力量強的科研院所建立中心，對設(shè)備運行進行遠(yuǎn)程分析、診斷。
4.4 智能分析系統(tǒng)的設(shè)計開發(fā)
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(nèi)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(jié)點及節(jié)點間的連線所組成，如圖4.4。診斷推理流程圖中，底層為“數(shù)據(jù)”層，這里的數(shù)據(jù)，可以是測量參數(shù)、傳感器的輸出、工作狀態(tài)、檢修記錄等多種廣泛意義上的參數(shù)，中間層為“故障現(xiàn)象”層，這里的癥狀現(xiàn)象可以是能直接觀察到的現(xiàn)象（如工作條件、參數(shù)范圍、參數(shù)變化等），也可以是間接的現(xiàn)象，即多種廣泛意義上的現(xiàn)象。最上層為“故障原因”層。用連線相連彼此相關(guān)的“數(shù)據(jù)”與“故障現(xiàn)象”或“故障現(xiàn)象”與“故障原因”。這樣構(gòu)成診斷推理流程圖。
上一頁
下一頁
