故障診斷技術(shù)發(fā)展現(xiàn)狀

1、安全檢測與故障診斷題目：故障診斷技術(shù)發(fā)展現(xiàn)狀導(dǎo)師：魏秀琨學(xué)生姓名：劉典學(xué)號：14114263目錄1引言32故障診斷的研究現(xiàn)狀31.1 基于物理和化學(xué)分析的診斷方法31.2 基于信號處理的診斷方法對31.3 基于模型的診斷方法31.4 基于人工智能的診斷方法42故障診斷研究存在的問題61.1 故障分辨率不高71.2 信息來源不充分71.3 自動獲取知識能力差71.4 知識結(jié)合能力差71.5 對不確定知識的處理能力差73 發(fā)展方向83.1 多源信息的融合83.2 經(jīng)驗(yàn)知識與原理知識緊密結(jié)合83.3 混合智能故障診斷技術(shù)研究93.4 基于物聯(lián)網(wǎng)的遠(yuǎn)程協(xié)作診斷技術(shù)研究94 發(fā)展方向91引言故障可以定義

2、為系統(tǒng)至少有一個特性或參數(shù)偏離正常的范圍，難于完成系統(tǒng)預(yù)期功能的行為。故障診斷技術(shù)是一種通過監(jiān)測設(shè)備的狀態(tài)參數(shù)，發(fā)現(xiàn)設(shè)備的異常情況，分析設(shè)備的故障原因，并預(yù)測預(yù)報(bào)設(shè)備未來狀態(tài)的技術(shù)，其宗旨是運(yùn)用當(dāng)代一切科技的新成就發(fā)現(xiàn)設(shè)備的隱患，以達(dá)到對設(shè)備事故防患于未然的目的，是控制領(lǐng)域的一個熱點(diǎn)研究方向。它包括故障檢測、故障分離和故障辨識。故障診斷能夠定位故障并判斷故障的類型及發(fā)生時刻，進(jìn)一步分析后可確定故障的程度。故障檢測與診斷技術(shù)涉及多個學(xué)科，包括信號處理、模式識別、人工智能、神經(jīng)網(wǎng)絡(luò)、計(jì)算機(jī)工程、現(xiàn)代控制理論和模糊數(shù)學(xué)等，并應(yīng)用了多種新的理論和算法。2故隙診斷的研究現(xiàn)狀1.1 基于物理和化學(xué)分析的診

3、斷方法通過觀察故障設(shè)備運(yùn)行過程中的物理、化學(xué)狀態(tài)來進(jìn)行故障診斷，分析其聲、光、氣味及溫度的變化，再與正常狀態(tài)進(jìn)行比較，憑借經(jīng)驗(yàn)來判斷設(shè)備是否故障。如對柴油機(jī)常見的診斷方法有油液分析法，運(yùn)用鐵譜、光譜等分析方法，分析油液中金屬磨粒的大小、組成及含量來判斷發(fā)動機(jī)磨損情況。對柴油機(jī)排出的尾氣（包含有NOX,COX等氣體）進(jìn)行化學(xué)成分分析，即可判斷出柴油機(jī)的工作狀態(tài)。1.2 基于信號處理的診斷方法對故障設(shè)備工作狀態(tài)下的信號進(jìn)行診斷，當(dāng)超出一定的范圍即判斷出現(xiàn)了故障。信號處理的對象主要包括時域、頻域以及峰值等指標(biāo)。運(yùn)用相關(guān)分析、頻域及小波分析等信號分析方法，提取方差、幅值和頻率等特征值，從而檢測出故障。

4、如在發(fā)動機(jī)故障領(lǐng)域中常用的檢測信號是振動信號和轉(zhuǎn)速波動信號。如以現(xiàn)代檢測技術(shù)、信號處理及模式識別為基礎(chǔ)，在頻域范圍內(nèi)，進(jìn)行快速傅里葉變換分析等方法，描述故障特征的特征值，通過采集到的發(fā)動機(jī)振動信號，確定了試驗(yàn)測量位置，利用加速傳感器、高速采集卡等采集了發(fā)動機(jī)的振動信號，并根據(jù)小波包技術(shù)，提取了發(fā)動機(jī)故障信號的特征值。該診斷方法的缺點(diǎn)在于只能對單個或者少數(shù)的振動部件進(jìn)行分析和診斷。而發(fā)動機(jī)振動源很多，用這種方法有一定的局限性。1.3 基于模型的診斷方法基于模型的診斷方法，是在建立診斷對象數(shù)學(xué)模型的基礎(chǔ)上，根據(jù)模型獲得的預(yù)測形態(tài)和所測量的形態(tài)之間的差異，計(jì)算出最小沖突集即為診斷系統(tǒng)的最小診斷。其中

5、，最小診斷就是關(guān)于故障元件的假設(shè)，基于模型的診斷方法具有不依賴于被診斷系統(tǒng)的診斷實(shí)例和經(jīng)驗(yàn)。將系統(tǒng)的模型和實(shí)際系統(tǒng)冗余運(yùn)行，通過對比產(chǎn)生殘差信號，可有效的剔除控制信號對系統(tǒng)的影響，通過對殘差信號的分析，就可以診斷系統(tǒng)運(yùn)行過程中出現(xiàn)的故障。它具有以下優(yōu)點(diǎn)：(1)可以直接借用控制系統(tǒng)的設(shè)計(jì)模型而無須另行建模；(2)可以檢測首次出現(xiàn)的故障而無須依賴系統(tǒng)運(yùn)行的先前狀況；(3)不但可以檢測系統(tǒng)及元件故障，還可以檢測傳感器中出現(xiàn)的故障。1.4基于人工智能的診斷方法近年來，人工智能及計(jì)算機(jī)技術(shù)的迅猛發(fā)展為故障診斷技術(shù)提供了新的理論基礎(chǔ)，出現(xiàn)了基于知識、不需要對象精確數(shù)學(xué)模型的故障診斷方法。1.3.1 基于神

6、經(jīng)網(wǎng)絡(luò)的診斷方法神經(jīng)網(wǎng)絡(luò)是一種通過模擬人腦而建立起來的自適應(yīng)非線性動力學(xué)系統(tǒng)，它具有自學(xué)性和并行計(jì)算能力，可以實(shí)現(xiàn)分類、優(yōu)化、自組織、聯(lián)想記憶和非線性映射等功能。它以分布式的方式儲存信息，利用網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和權(quán)值分布實(shí)現(xiàn)非線性的映射，并利用全局并行處理實(shí)現(xiàn)從輸入空間到輸出空間的非線性信息變換。它在故障診斷中的具體應(yīng)用方式有：(1)神經(jīng)網(wǎng)絡(luò)診斷系統(tǒng)。對特定問題建立適當(dāng)?shù)纳窠?jīng)網(wǎng)絡(luò)故障診斷系統(tǒng)，可以從其輸入數(shù)據(jù)(代表故障癥狀)直接推出輸出數(shù)據(jù)(代表故障原因)，從而實(shí)現(xiàn)故障檢測與診斷；(2)采用神經(jīng)網(wǎng)絡(luò)產(chǎn)生或評價殘差，并做進(jìn)一步診斷；(3)采用神經(jīng)網(wǎng)絡(luò)做自適應(yīng)誤差補(bǔ)償。但是，神經(jīng)網(wǎng)絡(luò)在故障診斷應(yīng)用也存

7、在一些局限性，比如無法融入經(jīng)驗(yàn)性的知識，且需要足夠的學(xué)習(xí)樣本才能保障診斷的可靠性，其“黑箱”結(jié)構(gòu)難以了解系統(tǒng)的行為，在對復(fù)雜系統(tǒng)進(jìn)行診斷時，往往由于網(wǎng)絡(luò)規(guī)模過于龐大和學(xué)習(xí)訓(xùn)練時間太長等問題，降低了神經(jīng)網(wǎng)絡(luò)的實(shí)用性等。目前的神經(jīng)網(wǎng)絡(luò)診斷方法主要運(yùn)用于提取穩(wěn)態(tài)特征參數(shù)。1.3.2 基于粗糙集的診斷方法粗糙集理論是Pawlak教授于1982年提出的一種刻畫不完整性和不確定性的數(shù)學(xué)工具，能有效地分析和處理不精確、不一致及不完整等各種不完備信息，并從中發(fā)現(xiàn)隱含的知識，揭示潛在的規(guī)律。它最主要的優(yōu)點(diǎn)是無需提供所需處理的數(shù)據(jù)集合之外的任何先驗(yàn)信息，對問題不確定性的描述和處理比較客觀?；诖植诩墓收显\斷基本

8、思想是把觀察或測量到的故障征兆，作為對故障分類的條件屬性，實(shí)際存在的故障作為決策屬性，建立決策表，利用RS理論強(qiáng)大的約簡能力對原始決策表進(jìn)行化簡而得到多個與原始決策表等價的約簡，然后對約簡進(jìn)一步化簡，化簡決策表刪除多余的屬T后就可以得到故障診斷規(guī)則。單一RS理論要求采集的信息是準(zhǔn)確完整的。但實(shí)際上得到的采集信息不可能永遠(yuǎn)是完備的，它會遇到噪聲、數(shù)據(jù)丟失及海量數(shù)據(jù)等問題，且傳統(tǒng)RS不適合處理連續(xù)屬性，因而實(shí)際應(yīng)用過程中，RS通常與其他智能技術(shù)融合起來使用。1.3.3 遺傳算法20世紀(jì)60年代中期，美國學(xué)者JohnHolland在Fraser等人提出了位串編碼技術(shù)，并將該技術(shù)應(yīng)用于自然和人工系統(tǒng)的

9、自適應(yīng)行為的研究。于1975年出版了專著AdaptationinNaturalandArtificialSystems»,系統(tǒng)闡述了遺傳算法的基本理論和方法。該算法以隨機(jī)產(chǎn)生的一群候選解為初始群體，對群體中的每一個體進(jìn)行編碼，以字符串形式表示，然后根據(jù)對個體的適應(yīng)度隨機(jī)選擇雙親，并對個體的編碼進(jìn)行繁殖、雜交和變異等操作，產(chǎn)生新的個體，組成新的種群，如此不斷重復(fù)進(jìn)行，使問題的解逐步向最優(yōu)方向進(jìn)化，直到得出在全局范圍內(nèi)具有較好適應(yīng)值的解。它具有很強(qiáng)的全局優(yōu)化搜索能力，和簡單通用、魯棒性強(qiáng)、隱并行處理結(jié)構(gòu)等顯著優(yōu)點(diǎn)。將其應(yīng)用于故障診斷中的專家系統(tǒng)推理和自學(xué)中，可克服專家系統(tǒng)存在的推理速度慢

10、和先驗(yàn)知識很少的情況下知識獲取困難的障礙，具有廣闊的應(yīng)用前景。另外，基于遺傳算法的故障診斷在實(shí)際系統(tǒng)中也得到了應(yīng)用，如變壓器的故障診斷、軸承和齒輪等旋轉(zhuǎn)機(jī)械的故障診斷、發(fā)動機(jī)齒輪箱故障監(jiān)測和診斷等。但事物都是一分為二的，遺傳算法也不是完美無缺的，如何解決遺傳算法群體過小帶來的早熟、交叉率及變異率的選擇等問題，使之成功應(yīng)用于故障診斷系統(tǒng)還需要進(jìn)一步研究。1.3.4 基于故障樹的診斷方法故障樹模型是一個基于研究對象結(jié)構(gòu)、功能特征的行為模型；是一種定性的因果模型；是一種體現(xiàn)故障傳播關(guān)系的有向圖。它從診斷對象最不希望發(fā)生的事件為頂事件，按照對象的結(jié)構(gòu)和功能關(guān)系逐層展開，直到不可分事件（底事件）為止。故

11、障樹分析法原來用于系統(tǒng)的可靠性設(shè)計(jì)，現(xiàn)已廣泛用于故障診斷領(lǐng)域。但是，由于故障樹是建立在部件聯(lián)系和故障模式分析的基礎(chǔ)之上，因此不能診斷不可知的故障。故障診斷的結(jié)果嚴(yán)重依賴于故障樹信息的完整程度。如果給定的故障樹不完全、不詳細(xì)、不精確，那么對應(yīng)的診斷也會不完全、不詳細(xì)、不精確。1.3.5 基于專家系統(tǒng)的診斷方法自1965年以來，斯坦福大學(xué)DENDRAL專家系統(tǒng)開始，專家系統(tǒng)的研究和應(yīng)用迅速發(fā)展，具有人工智能的柴油機(jī)故障診斷專家系統(tǒng)也成為現(xiàn)代柴油機(jī)管理的研究方向。20世紀(jì)70年代美國通用電器公司研制出基于規(guī)則的內(nèi)燃電纜機(jī)車故障診斷系統(tǒng)（DELTAS家系統(tǒng)）,1996年美國EMD和Rockwell公司

12、聯(lián)合開發(fā)的柴油機(jī)狀態(tài)監(jiān)視系統(tǒng)（ICM）和診斷專家系統(tǒng)（EMD）o專家系統(tǒng)利用專家經(jīng)驗(yàn)，從大量的樣本中提取故障特征，描述故障和征兆之間的關(guān)系網(wǎng)。在進(jìn)行故障診斷時，根據(jù)已知事實(shí)，采用基于推理機(jī)通過故障原因與征兆進(jìn)行匹配。專家系統(tǒng)是診斷領(lǐng)域最引人注目，也是研究最多、應(yīng)用最廣的一類智能診斷技術(shù)。它主要應(yīng)用于沒有精確數(shù)學(xué)模型或者很難建立數(shù)學(xué)模型的復(fù)雜系統(tǒng)。在實(shí)際的運(yùn)用中，有基于網(wǎng)絡(luò)的故障診斷專家系統(tǒng)的診斷方法，此方法建立基于網(wǎng)絡(luò)的智能診斷系統(tǒng)，并討論在建立此系統(tǒng)時的診斷過程和相關(guān)困難。1.3.6 小波分析小波分析法是20世紀(jì)80年代中期由法國學(xué)者Daubeches和Callet引入信號處理領(lǐng)域而發(fā)展起來

13、的數(shù)學(xué)理論和方法，它能解決許多傅里葉變換難以解決的問題，被認(rèn)為是傅里葉分析方法的突破性進(jìn)展。其基本思想是用信號在一簇基函數(shù)張成空間上的投影表征該信號。小波分析優(yōu)于傅里葉之處在于：小波分析在時域和頻域同時具有良好的局部化性質(zhì)，是一種窗口大小（即窗口面積）固定但其形狀、時間窗和頻率都可以改變的時頻局部化分析方法。即在低頻部分具有較高的頻率分辨率和較低的時間分辨率，能聚焦到信號的任意細(xì)節(jié)，對信號的突變有很強(qiáng)的識別能力，能有效地去噪和提取有用信號，被譽(yù)為分析信號的顯微鏡，小波分析在信號處理、圖像處理、話音分析、模式識別、量子物理、生物醫(yī)學(xué)工程、計(jì)算機(jī)視覺、故障診斷及眾多非線性科學(xué)領(lǐng)域都有廣泛的應(yīng)用?；?/p>

14、于小波分析的故障診斷方法是先對信號進(jìn)行多級小波分解，得到各子帶數(shù)據(jù)，通過對小波變換系數(shù)模極大值的檢測來實(shí)現(xiàn)對信號奇異性的檢測，從而確定故障發(fā)生的時間。小波變換在故障診斷中的具體應(yīng)用表現(xiàn)在以下幾個方面：利用小波變換檢測信號的突變；利用觀測信號頻率結(jié)構(gòu)的變化；利用脈沖響應(yīng)函數(shù)的小波變換；利用小波變換去噪提取系統(tǒng)波形特征；利用小波網(wǎng)絡(luò)。雖然小波分析在信號處理方面得到了廣泛的應(yīng)用，但總體上說，小波變換理論和小波變換在故障診斷中的應(yīng)用還處于發(fā)展階段，主要存在以下問題：（1）由于小波變換及小波網(wǎng)絡(luò)中的小波基的選擇沒有統(tǒng)一標(biāo)準(zhǔn)，選擇不同的小波會得出不同的結(jié)論，在實(shí)際應(yīng)用中往往根據(jù)經(jīng)驗(yàn)來選擇小波，帶有一定的主

15、觀性；（2）如何根據(jù)信號的特征選擇尺度、平移量，用最少的變化后的數(shù)據(jù)反映信號的特征，以減少運(yùn)算量；如果選擇不當(dāng)，將會增加運(yùn)算量，降低推理速度，影響效率；(3)小波網(wǎng)絡(luò)的新模型基學(xué)習(xí)算法也是當(dāng)前研究的熱點(diǎn)，近年來有人提出多層結(jié)構(gòu)小波網(wǎng)絡(luò)和局域連接型的小波網(wǎng)絡(luò)。由于神經(jīng)網(wǎng)絡(luò)的研究正在向計(jì)算智能、生物智能方向發(fā)展，小波網(wǎng)絡(luò)的研究也在不斷吸收如混沌、進(jìn)化等其他交叉學(xué)科的研究成果。正因?yàn)樾〔ňW(wǎng)絡(luò)還在發(fā)展中，所以許多問題還有待于深入研究；(4)小波網(wǎng)絡(luò)的收斂性、魯棒性、計(jì)算復(fù)雜度等還有待于深入研究，小波網(wǎng)絡(luò)在故障診斷中的硬件實(shí)現(xiàn)也是需要進(jìn)一步探討和解決的問題。1.3.7 基于模糊集的診斷方法模糊集理論是美

16、國控制論學(xué)者Zadeh于1965年提出的為描述與處理廣泛存在模糊的時間和概念的理論工具。它能夠處理故障診斷中的不確定信息和不完整信息，基于模糊集的故障診斷方法主要是利用集合論中的隸屬度函數(shù)和模糊關(guān)系矩陣的概念，解決故障與征兆之間的不確定關(guān)系。目前，模糊故障診斷有3種基本方法：(1)建立故障現(xiàn)象與故障征兆之間的模糊關(guān)系矩陣，再通過模糊關(guān)系方程進(jìn)行故障診斷；(2)建立故障與征兆之間的模糊知識庫，再進(jìn)行模糊邏輯推理；(3)對原始采樣數(shù)據(jù)進(jìn)行模糊聚類處理，再通過評價劃分系數(shù)和分離系數(shù)等進(jìn)行故障診斷。具體的應(yīng)用形式有：基于模糊模型的故障診斷方法；基于自適應(yīng)模糊閾值的殘差評價方法；基于模糊聚類的殘差評價方

17、法；基于模糊邏輯的殘差評價方法和基于模糊模式識別的故障診斷方法?；谀：碚摰墓收显\斷方法在實(shí)際中也有應(yīng)用，例如空調(diào)試驗(yàn)裝置冷卻線圈的故障診斷，以及基于模糊理論的液壓系統(tǒng)故障診斷。模糊變量表示可讀性強(qiáng)，模糊推理邏輯嚴(yán)謹(jǐn)，類似人類思維過程，易于理解，但它也具有一些固有缺陷，主要表現(xiàn)在：模糊系統(tǒng)在推理時也要搜索知識庫內(nèi)一定的規(guī)則集才能得出結(jié)論，所以當(dāng)系統(tǒng)比較大時，完成診斷的速度比較慢，效率比較低；當(dāng)系統(tǒng)的結(jié)構(gòu)發(fā)生變化時，模糊系統(tǒng)的知識庫或相關(guān)規(guī)則的模糊度也要進(jìn)行相應(yīng)的修改，即模糊系統(tǒng)也存在維護(hù)的問題；模糊系統(tǒng)不具備學(xué)習(xí)能力。即模糊診斷方法利用模糊集合率中的隸屬函數(shù)和模糊關(guān)系矩陣的概念來解決故障與征

18、兆間的不確定關(guān)系，進(jìn)而實(shí)現(xiàn)故障的早期預(yù)報(bào)和精確診斷。這種方法計(jì)算簡單，應(yīng)用方便，結(jié)論明確直觀，但不能進(jìn)行趨勢分析；構(gòu)造隸屬函數(shù)、選擇特征參數(shù)是實(shí)現(xiàn)模糊診斷的前提，由于隸屬函數(shù)可由隸屬曲線表示，是人為構(gòu)造出來的，會有一定的主觀因素，特征參數(shù)選擇不合理，診斷精度會下降，甚至診斷失效；如果在征兆與故障的關(guān)系中含有未知因素，隸屬函數(shù)無法構(gòu)造出來，這時該方法將失效。1.3.8 其他故降診斷方法除了上述理論和方法外，在故障診斷領(lǐng)域中，還有基于向量機(jī)的診斷方法，基于微粒群算法的診斷方法，基于灰色理論的診斷方法，基于云模型的診斷方法以及把各種診斷相結(jié)合的方法。綜上所述，單一的故障診斷技術(shù)有著各自的優(yōu)缺點(diǎn)，難以

19、滿足復(fù)雜系統(tǒng)的診斷要求。因此，將各種不同的診斷方法有效地結(jié)合起來，對故障診斷有著重要的意義，是故障診斷技術(shù)發(fā)展的一個趨勢。2故隙診斷研究存在的問題設(shè)備故障診斷技術(shù)雖然取得了不少進(jìn)展，有些方面已有較成熟的理論和方法(如數(shù)字電路的故pit診斷），但仍有許多不足，特別是對復(fù)雜的大規(guī)模非線性系統(tǒng)故障診斷方法的研究更有待深入地探索。在技術(shù)方面，現(xiàn)有的不同等級和各種類型的故障診斷裝置，能在不同程度上對被測對象進(jìn)行故障診斷，但與實(shí)際的需求相比，還有相當(dāng)大的距離。其主要的不足如下分析。2.1 故障分辨率不高現(xiàn)代大多數(shù)故障診斷系統(tǒng)雖然能快速地進(jìn)行故障診斷，但是由于設(shè)備越來越復(fù)雜，加上電路的非線性問題，使檢測點(diǎn)和

20、施加的測試信號受到限制，因此影響了可控性和可測性，同時造成故障診斷的模糊性和不確定性。另外，在模擬電路中，元器件的故障參數(shù)是一個連續(xù)量，測量響應(yīng)的數(shù)據(jù)引入誤差是不可避免的。最困難的是各元器件都有一定的容差，因此用字典法即使作硬故障的診斷，其效果也不如數(shù)字電路的字典診斷法。一般地說，字典法只能解決單故障診斷，在實(shí)際應(yīng)用時幾乎不可能實(shí)現(xiàn)對多故障的診斷。2.2 信息來源不充分（1）現(xiàn)有的診斷系統(tǒng)通常只搜集被測對象當(dāng)前狀態(tài)信息，而對其過去的狀態(tài)和已做過的維護(hù)工作的信息、故障診斷系統(tǒng)本身的狀態(tài)信息未加考慮。（2）對被診斷電路其測試的信號大多是電信號如電壓和電流等，而對其他性質(zhì)的信息較少測試，如溫度、圖像

21、及電磁場信號等。因此有時根據(jù)診斷結(jié)果提出的維護(hù)措施不夠準(zhǔn)確有效。2.3 自動獲取知識能力差知識獲取長期以來一直是專家系統(tǒng)研制中的瓶頸問題，對于故障智能診斷系統(tǒng)來說也是如此。目前多數(shù)的診斷系統(tǒng)在自動獲取知識方面表現(xiàn)的能力還比較差，限制了系統(tǒng)性能的自我完善、發(fā)展和提高。雖然一些系統(tǒng)或多或少地加入了機(jī)器學(xué)習(xí)的功能，但基本上不能在運(yùn)行的過程中發(fā)現(xiàn)和創(chuàng)造知識，系統(tǒng)的診斷能力往往僅局限于知識庫中原有的知識。2.4 知識結(jié)合能力差近年來，國外專家在對診斷與維修領(lǐng)域的專家系統(tǒng)研究中，越來越多地強(qiáng)調(diào)使用深知識。如Davis關(guān)于電器設(shè)備故障診斷用結(jié)構(gòu)與原理的方法研究，Chand-rasekara等人研究的從醫(yī)療診

22、斷領(lǐng)域中的深層知識進(jìn)行編譯和診斷等。然而他們在如何將領(lǐng)域問題的基本原理與專家經(jīng)驗(yàn)知識結(jié)合得更好，這方面所做的工作還很少，使得這些系統(tǒng)不能具備與人類專家能力相似的知識或能力，影響了系統(tǒng)發(fā)揮更大的效能。2.5 對不確定知識的處理能力差診斷系統(tǒng)中往往存在大量的不確定性信息，這些信息或是隨機(jī)的、模糊的或是不完全的。如何對不確定性知識進(jìn)行表達(dá)和處理，始終是診斷領(lǐng)域研究的熱點(diǎn)問題。雖然有很多不確定性理論在實(shí)際的故障診斷專家系統(tǒng)中得到了較好地應(yīng)用，但是這一問題仍未得到十分有效的解決，在有效、合理、使用的不確定性知識處理方面存在著巨大的研究潛力?？傊收现悄茉\斷系統(tǒng)無論在理論上還是在系統(tǒng)開發(fā)方面都已取得了很

23、大的進(jìn)步，但真正投入使用并且功能完善的系統(tǒng)并不多，大多數(shù)研究成果仍然停留在實(shí)驗(yàn)室階段。造成這種理論與實(shí)踐脫節(jié)有2個方面的原因，一方面是由于理論研究所限定的條件與實(shí)際應(yīng)用時的情況相差甚遠(yuǎn)；另一方面是由于對診斷對象缺乏深刻的認(rèn)識和研究，而且作為人工智能技術(shù)本身也有待于進(jìn)一步發(fā)展和完善。3發(fā)展方向故障診斷研究的目的是為了提高診斷的精度、速度、降低誤報(bào)率和漏報(bào)率，確定故障發(fā)生的準(zhǔn)確時間和部位，并估計(jì)出故障的大小和趨勢。近10年來，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)、模糊邏輯和神經(jīng)網(wǎng)絡(luò)在診斷領(lǐng)域中的進(jìn)一步應(yīng)用，迫使人們對智能診斷問題進(jìn)行更加深入與系統(tǒng)的研究，形成了一系列研究熱點(diǎn)，也取得

24、了一系列研究成果。但從分支學(xué)科的要求來看，無論是在理論體系的構(gòu)建方面，還是在解決實(shí)際問題方面，故障診斷研究仍有一段艱巨的路程要走。目前和今后的主要研究可歸納為以下幾個方面。3.1 多源信息的融合在設(shè)備運(yùn)行過程中，可以利用的狀態(tài)信息有很多，比如機(jī)械的振動，聲響、溫度、壓力,電氣的輸出功率、轉(zhuǎn)速和扭矩等，如何對這些大量的信息進(jìn)行融合，消除多傳感器信息之間可能存在的冗余和矛盾，并加以互補(bǔ)，降低其不確定性，獲得對故障設(shè)備的一致性描述，是今后故障診斷技術(shù)研究的重點(diǎn)方向。3.2 經(jīng)驗(yàn)知識與原理知識緊密結(jié)合在復(fù)雜設(shè)備故障智能診斷系統(tǒng)中，只有將領(lǐng)域問題的基本原理與專家的經(jīng)驗(yàn)知識相結(jié)合，才能更好地解決診斷問題。

25、因此在建造知識庫時，不僅要重視淺知識的表達(dá)和處理，也要重視深知識的地位和作用。在該類模型中，深知識和淺知識各自用對它們最適合的方法表示，并構(gòu)成兩種不同類型的知識庫（分別稱為“原理專家”和“經(jīng)驗(yàn)專家”），2個知識庫各有1個推理機(jī)構(gòu)，這樣它們在各自的權(quán)力范圍內(nèi)自成1個專家系統(tǒng)。這2個系統(tǒng)通過協(xié)調(diào)機(jī)制模塊成1個診斷特定問題的完整智能系統(tǒng)。在診斷問題求解時，淺知識與深知識進(jìn)行相互作用，什么類型的知識在診斷過程中起控制作用可能每時每刻都在發(fā)生變化。從一個知識源獲得的信息很容易通過協(xié)調(diào)機(jī)制結(jié)構(gòu)轉(zhuǎn)化為另一個知識源的信息。當(dāng)“經(jīng)驗(yàn)專家”工作時，原理專家在一旁“觀望”，一旦“經(jīng)驗(yàn)專家”的求解能力下降，或者診斷失敗，即刻就由“原理專家”攜帶著從“經(jīng)驗(yàn)專家”那里獲得的所有診斷信息開始工作。如果問題已知，“經(jīng)驗(yàn)專家”常先用于診斷，這樣找出問題的解是迅速的，因?yàn)槠渲R的根據(jù)是表面的啟發(fā)式論據(jù)，即使沒有理解它的含義，也能快