故障診斷論文.doc

人工智能在機(jī)械故障診斷中的應(yīng)用機(jī)械0804 3080301130 熊國建 一、人工智能在機(jī)械故障診斷中的應(yīng)用方向 所謂機(jī)械故障診斷，就是通過機(jī)械運(yùn)行中的相關(guān)信息來識(shí)別其技術(shù)狀態(tài)是否正常，確定故障的性質(zhì)與部位，尋找故障起因，預(yù)報(bào)故障趨勢，并提出相應(yīng)對(duì)策;它以故障機(jī)理和技術(shù)檢測為基礎(chǔ)，以信號(hào)處理和模式識(shí)別為其基本理論與方法。一般的機(jī)械系統(tǒng)故障診斷系統(tǒng)從物理上劃分為機(jī)械測量、監(jiān)視與保護(hù)、數(shù)據(jù)采集、振動(dòng)狀態(tài)分析、網(wǎng)絡(luò)數(shù)據(jù)傳輸五個(gè)部分；從功能上，機(jī)械系統(tǒng)狀態(tài)監(jiān)測與故障診斷系統(tǒng)又可分成數(shù)據(jù)采集、狀態(tài)監(jiān)測、故障診斷三個(gè)部分。 隨著現(xiàn)代工業(yè)設(shè)備和系統(tǒng)日益大型化和復(fù)雜化，機(jī)械設(shè)備的可靠性、可用性、可維修性與安全性的問題日益突出，從而促進(jìn)了人們對(duì)機(jī)械設(shè)備故障機(jī)理及診斷技術(shù)的研究。并且隨著計(jì)算機(jī)技術(shù)及數(shù)字信號(hào)處理技術(shù)的迅速發(fā)展，機(jī)械設(shè)備振動(dòng)監(jiān)測與故障診斷技術(shù)被廣泛應(yīng)用于電力、石油化工、冶金等行業(yè)的大型、高速旋轉(zhuǎn)機(jī)械中。目前這種技術(shù)己成為設(shè)備現(xiàn)代化管理和提高企業(yè)綜合效益的技術(shù)基礎(chǔ)。國內(nèi)外實(shí)踐表明，以振動(dòng)監(jiān)測與故障診斷技術(shù)為基礎(chǔ)的設(shè)備預(yù)知維修能節(jié)省大量的維修費(fèi)用，取得顯著的經(jīng)濟(jì)效益，而且還能保證設(shè)備的安全運(yùn)行，預(yù)防和減少惡性事故的發(fā)生，消除故障隱患，保障人身和設(shè)備安全，提高生產(chǎn)率。傳統(tǒng)的診斷方法和理論對(duì)單過程、單故障和漸發(fā)性故障的簡單系統(tǒng)可以發(fā)揮較好的作用，對(duì)于多過程、多故障和突發(fā)性故障以及復(fù)雜龐大、高度自動(dòng)化的大型設(shè)備和系統(tǒng)，例如汽輪發(fā)動(dòng)機(jī)組等，就具有較大的局限性。當(dāng)前，典型的機(jī)電一體化產(chǎn)品數(shù)控機(jī)床、交流伺服驅(qū)動(dòng)裝置等正在向數(shù)字化、小型化、高精度等方向發(fā)展，為監(jiān)控帶來新的挑戰(zhàn)，由于模糊神經(jīng)網(wǎng)絡(luò)控制不依賴控制對(duì)象和數(shù)學(xué)模型，具有較強(qiáng)的魯棒性，是一種非線性的控制方法，在解決此類問題中有很好的優(yōu)勢。而專家系統(tǒng)主要用于復(fù)雜的機(jī)械系統(tǒng)，能夠克服基于模型的故障診斷方法對(duì)模型的過分依賴性。而人工神經(jīng)網(wǎng)絡(luò)對(duì)于故障的模式識(shí)別具有獨(dú)特的優(yōu)點(diǎn)。將人工智能的理論和方法應(yīng)用于機(jī)械故障診斷，發(fā)展智能化的機(jī)械故障診斷技術(shù)，是機(jī)械故障診斷的一個(gè)新的途徑。智能化的機(jī)械故障診斷專家系統(tǒng)現(xiàn)已得到廣泛的應(yīng)用，成為機(jī)械故障診斷的一個(gè)重要方向。二、人工智能在機(jī)械故障診斷中的應(yīng)用方法人工智能主要研究用人工的方法和技術(shù)來模仿、延伸及擴(kuò)展人的智能，從而實(shí)現(xiàn)機(jī)器智能。應(yīng)用機(jī)械故障診斷系統(tǒng)的ai技術(shù)傳統(tǒng)上可以分為專家系統(tǒng)（es）、人工神經(jīng)網(wǎng)絡(luò)（ann）、模糊集理論（fst）三大類。2.1 專家系統(tǒng)(expert system. es)專家系統(tǒng)（expert system，簡稱es）是20世紀(jì)60年代初產(chǎn)生的一門實(shí)用學(xué)科，目前人工智能技術(shù)中較活躍、較成功的領(lǐng)域之一。它是一個(gè)由知識(shí)庫、推理機(jī)和人機(jī)接口等三個(gè)主要部分組成的計(jì)算機(jī)軟件系統(tǒng)，在知識(shí)表達(dá)方面，利用產(chǎn)生式規(guī)則進(jìn)行知識(shí)表達(dá)，一方面得有益于現(xiàn)有人工智能語言，另一方面，是它的表達(dá)合乎人的心理邏輯，便于進(jìn)行知識(shí)獲取，利于人們接受，利用框架進(jìn)行知識(shí)表達(dá)得到了越來越多的應(yīng)用。在診斷推理方面，主要表現(xiàn)在對(duì)推理邏輯和推理模型的研究，在人工智能領(lǐng)域，存在著許多推理邏輯，在專家系統(tǒng)中廣泛使用模糊推理邏輯降低系統(tǒng)復(fù)雜性，在機(jī)械系統(tǒng)故障診斷上能產(chǎn)生很好的效果。其威力在于所擁有的專家知識(shí)和運(yùn)用知識(shí)解題的推理機(jī)制。由于建立在馮諾伊曼計(jì)算機(jī)體系結(jié)構(gòu)之上，專家系統(tǒng)在其發(fā)展過程中逐漸暴露出以下問題:知識(shí)獲取的“瓶頸”、知識(shí)“窄臺(tái)階”、推理組合爆炸和無窮遞歸、智能水平低、系統(tǒng)層次少和在線實(shí)用性差等。機(jī)械故障診斷專家系統(tǒng)的研究與開發(fā)機(jī)械故障診斷專家系統(tǒng)的出現(xiàn)與逐漸成熟是機(jī)械故障診斷領(lǐng)域最顯著的成就之一。因?yàn)槿祟愱P(guān)于機(jī)械故障診斷與維修的科一學(xué)知識(shí)往往落后于專家的實(shí)踐和經(jīng)驗(yàn)知識(shí)，從而為專家系統(tǒng)提供了廣闊的應(yīng)用前景。2.2 人工神經(jīng)網(wǎng)絡(luò)(artificial neural network. ann)人工神經(jīng)網(wǎng)絡(luò)簡稱神經(jīng)網(wǎng)絡(luò)，它是由大量簡單的處理單元（稱為神經(jīng)元）廣泛相互連接而形成的復(fù)雜網(wǎng)絡(luò)，是對(duì)生物神經(jīng)系統(tǒng)的模擬，其信息處理功能是由網(wǎng)絡(luò)的單元的輸入輸出特性（激活特性）、網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)（神經(jīng)元的連接方式）所決定。為了使系統(tǒng)具有良好的透明性，在神經(jīng)網(wǎng)絡(luò)的推理中引用了模糊規(guī)則，為人工神經(jīng)網(wǎng)絡(luò)建立良好的解釋機(jī)制提供了方便。由于神經(jīng)網(wǎng)絡(luò)具有原則上容錯(cuò)、結(jié)構(gòu)拓?fù)漪敯簟⒙?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，使其在工程實(shí)際存在著大量的多故障、多過程、突發(fā)性故障、龐大復(fù)雜機(jī)器和系統(tǒng)的監(jiān)測及診斷中發(fā)揮著較大作用。系統(tǒng)故障有層次性、相關(guān)性、延時(shí)性和不確定性，這就使得設(shè)備故障診斷問題變得十分復(fù)雜和困難，利用單個(gè)子神經(jīng)網(wǎng)絡(luò)解決問題需要大量的故障樣本、適于診斷多類故障的網(wǎng)絡(luò)結(jié)構(gòu)難以確定，即使確定，也易陷入局部極小，自適應(yīng)調(diào)整和誤差函數(shù)的改進(jìn)、加速收斂；對(duì)初始隨機(jī)權(quán)值在量級(jí)上進(jìn)行限定，克服了局部最小問題。在機(jī)械故障診斷中的應(yīng)用方式有：從模式識(shí)別角度應(yīng)用神經(jīng)網(wǎng)絡(luò)作為分類器進(jìn)行故障診斷；從預(yù)測角度應(yīng)用神經(jīng)網(wǎng)絡(luò)作為動(dòng)態(tài)預(yù)測模型進(jìn)行故障預(yù)測；利用神經(jīng)網(wǎng)絡(luò)極強(qiáng)的非線性動(dòng)態(tài)跟蹤能力進(jìn)行基于結(jié)構(gòu)映射的故障診斷；從知識(shí)處理角度建立基于神經(jīng)網(wǎng)絡(luò)的診斷專家系統(tǒng)等。目前，為提高神經(jīng)網(wǎng)絡(luò)在實(shí)用中的學(xué)習(xí)和診斷性能，主要從神經(jīng)網(wǎng)絡(luò)模型本身改進(jìn)和模塊化模型診斷策略兩方面開展研究；同時(shí)，與模糊邏輯的結(jié)合研究也是一個(gè)研究熱點(diǎn)。2.3 模糊集理論(fuzzy sets theory. fsn)研究人員們一直在努力尋找科學(xué)地處理不完整性和不確定性的有效途徑,實(shí)踐證明,1965年zadeh創(chuàng)立的模糊集理論是處理不確定性的一種很好的方法。人的認(rèn)知世界包含大量的不確定之時(shí)，這就需要對(duì)所獲信息進(jìn)行一定的模糊化處理，以減少問題的復(fù)雜度。模糊邏輯可認(rèn)為是多值邏輯的擴(kuò)展，能夠完成傳統(tǒng)數(shù)學(xué)方法難以做到的近似推理?；诙囝愲娏繙y試信息模糊融合的模擬電路故障診斷方法已經(jīng)提出?；趉故障節(jié)點(diǎn)診斷法和最小標(biāo)準(zhǔn)差法的元件故障隸屬函數(shù)構(gòu)造方法，以及基于可測點(diǎn)電壓與不同測試頻率下電路增益的模糊信息融合診斷算法也已闡述。分別利用此兩類測試信息及k故障 診斷法和最小標(biāo)準(zhǔn)差法,對(duì)電路進(jìn)行初步診斷,再運(yùn)用模糊變換及故障定位規(guī)則,得到融合的故障診斷結(jié)果。模擬實(shí)驗(yàn)結(jié)果表明,所提方法大大提高了機(jī)械系統(tǒng)故障定位的準(zhǔn)確率。三、人工智能在機(jī)械故障診斷中的發(fā)展趨勢人工智能中的四種主要工具，即專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)、模糊集理論，各有優(yōu)點(diǎn)和局限。雖然es在許多領(lǐng)域已有廣泛應(yīng)用，仍存在知識(shí)獲取的“瓶頸”、知識(shí)難以維護(hù)、應(yīng)用面窄、診斷能力弱等問題。然而，隨著相關(guān)學(xué)科和技術(shù)的發(fā)展與滲透，專家系統(tǒng)的理論與方法也有了很大改進(jìn)，上述問題逐漸有所緩解或消除。要注重與模糊邏輯、故障樹、機(jī)器學(xué)習(xí)等方法相結(jié)合。雖然ann具有較強(qiáng)的自組織、自學(xué)習(xí)能力、魯棒性高免去推理機(jī)的構(gòu)造，且推理速度規(guī)模大小無明顯關(guān)系，很快引起人們的重視。而且應(yīng)用神經(jīng)網(wǎng)絡(luò)技術(shù)可以彌補(bǔ)解決傳統(tǒng)專家系統(tǒng)在應(yīng)用中遇到的問題。但在故障診斷中仍存在不少局限性，表現(xiàn)為：（1）ann外推時(shí)誤差較大，難以保證解的準(zhǔn)確性和容錯(cuò)性能；（2）系統(tǒng)結(jié)構(gòu)發(fā)生變化，則有可能需要改變ann的組成結(jié)構(gòu)，或增加新的樣本重新學(xué)習(xí)獲得新知識(shí)；（3）ann難以實(shí)現(xiàn)基于結(jié)構(gòu)化知識(shí)的邏輯推理；（4）缺乏解釋能力，診斷結(jié)果不易于運(yùn)行人員理解。另外，如何確保ann訓(xùn)練時(shí)收斂的快速性和避免陷入局部最小，也是每一個(gè)基于ann診斷系統(tǒng)必須面對(duì)的問題。fst的加入，使各相應(yīng)智能診斷系統(tǒng)在機(jī)械系統(tǒng)故障診斷在分析不確定性因素問題上原理更成熟，技術(shù)更完善，容錯(cuò)性等性能得到相應(yīng)提高。但仍存在可維護(hù)性問題，對(duì)不確定性因素的處理只能是有限度的改進(jìn)。目前，缺少一種普遍有效的方法應(yīng)用于機(jī)械系統(tǒng)的各個(gè)領(lǐng)域?；旌现悄埽淳C合多種智能技術(shù)，成為ai的重要發(fā)展方向之一。將多種不同的智能技術(shù)結(jié)合起來用以設(shè)計(jì)、控制、監(jiān)測機(jī)械系統(tǒng)成為新的發(fā)展趨勢。結(jié)合的方式主要有基于規(guī)則的專家系統(tǒng)與神經(jīng)網(wǎng)絡(luò)相結(jié)合，cbr與基于規(guī)則系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的結(jié)合，模糊邏輯、神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的結(jié)合等。其中模糊邏輯、神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)結(jié)合的診斷模型是最具發(fā)展前景的，也是目前人工智能領(lǐng)域的研究熱點(diǎn)之一。例如:模糊邏輯與神經(jīng)網(wǎng)絡(luò)的組合機(jī)理、組合后的算法、便于神經(jīng)網(wǎng)絡(luò)處理的模糊知識(shí)的表達(dá)方式等?；旌现悄茉跈C(jī)械系統(tǒng)故障診斷中的應(yīng)用中有如下發(fā)展趨勢：由基于規(guī)則的系統(tǒng)到混合模型的系統(tǒng)，由領(lǐng)域?qū)＜姨峁┲R(shí)到機(jī)器學(xué)習(xí)、由非實(shí)時(shí)診斷到實(shí)時(shí)診斷、由單一推理控制到混合推理控制策略等。四、人工智能在機(jī)械故障診斷中的應(yīng)用實(shí)例智能技術(shù)在機(jī)械故障診斷領(lǐng)域已經(jīng)有了許多成功的應(yīng)用。 radial公司于1987年開發(fā)的汽輪發(fā)電機(jī)組振動(dòng)診斷專家系統(tǒng)（turbomac），在建立邏輯規(guī)則的基礎(chǔ)上，設(shè)有表征振動(dòng)過程各種成分與其可能故障源之間關(guān)系的概率數(shù)據(jù)，其搜集知識(shí)的了系統(tǒng)具有人一機(jī)對(duì)話形式。該系統(tǒng)含有900條知識(shí)規(guī)則，有很大的庫容。美國oyce國際工程公司（royce engineering international，簡稱:bei）開發(fā)的基于專家系統(tǒng)的狀態(tài)監(jiān)測與診斷系統(tǒng)datm4 (diagnostic analysis of turbo-machinery)具有多種參數(shù)的趨勢分析和預(yù)報(bào)功能。該系統(tǒng)在1981至1990年發(fā)展到總共近1萬多條規(guī)則的人工智能診斷規(guī)則庫，其中包括:汽輪機(jī)3000多條，發(fā)電機(jī)近3600條，機(jī)械（包括輔機(jī)）近3200條。美國西屋電氣公司和卡內(nèi)基一梅隆大學(xué)合作研制的汽輪發(fā)電機(jī)在線診斷專家系統(tǒng)aid于1984年在得克薩斯州達(dá)拉斯附近的發(fā)電廠投入使用，對(duì)三個(gè)電廠共七臺(tái)大型發(fā)電機(jī)(其中645mw容量的機(jī)組四臺(tái)，835mw容量的機(jī)組三臺(tái))進(jìn)行在線監(jiān)測和診斷。其他已廣泛投入使用的典型的狀態(tài)監(jiān)測與診斷系統(tǒng)包括:美國本特利公司的dm2000系統(tǒng);日本二菱重工的mhms系統(tǒng);日立公司在1982年開發(fā)的汽輪機(jī)壽命診斷裝置hidic-08e;美國scientific atlanta公司的m6000、m8000系統(tǒng)；美國entek-ird公司推出的entrx系統(tǒng)；法國電力部門(ede)開發(fā)的專家系統(tǒng)psad及其di-va子系統(tǒng)等。另外，瑞士abb公司、德國西門子公司、丹麥b&k公司等都開發(fā)出了各自的診斷系統(tǒng)。國內(nèi)