2011-5-5故障診斷 1

1、1、設(shè)備故障診斷技術(shù)的發(fā)展歷史、設(shè)備故障診斷技術(shù)的發(fā)展歷史 2、故障診斷的概念、故障診斷的概念3、故障診斷方法綜述、故障診斷方法綜述4、故障智能診斷系統(tǒng)的發(fā)展趨勢(shì)、故障智能診斷系統(tǒng)的發(fā)展趨勢(shì) 第一章第一章 概述概述 故障診斷其全名是狀態(tài)監(jiān)測(cè)與故障診斷。它包含兩方面內(nèi)容: 故障診斷技術(shù)是一門綜合性技術(shù)，是多學(xué)科交叉的實(shí)用性技術(shù)。理論基礎(chǔ)：可靠性理論、信息論、控制論和系統(tǒng)論技術(shù)手段：現(xiàn)代測(cè)試儀器和計(jì)算機(jī)診斷對(duì)象 ：系統(tǒng)、設(shè)備、機(jī)器、裝置、工程結(jié)構(gòu)以及工藝過程等如現(xiàn)代控制理論、可靠性理論、數(shù)理統(tǒng)計(jì)、模糊集理論、信號(hào)處理、模式識(shí)別、人工智能等學(xué)科理論。特點(diǎn)：診斷對(duì)象廣泛、技術(shù)具體、工程應(yīng)用性強(qiáng)以及與高

2、技術(shù)緊密結(jié)合等。一、設(shè)備故障診斷技術(shù)的歷史一、設(shè)備故障診斷技術(shù)的歷史 可分為以下四個(gè)階段可分為以下四個(gè)階段一、設(shè)備故障診斷技術(shù)的歷史一、設(shè)備故障診斷技術(shù)的歷史 可分為以下四個(gè)階段可分為以下四個(gè)階段一、設(shè)備故障診斷技術(shù)的歷史一、設(shè)備故障診斷技術(shù)的歷史 可分為以下四個(gè)階段可分為以下四個(gè)階段一、設(shè)備故障診斷技術(shù)的歷史一、設(shè)備故障診斷技術(shù)的歷史 可分為以下四個(gè)階段可分為以下四個(gè)階段一、設(shè)備故障診斷技術(shù)的歷史一、設(shè)備故障診斷技術(shù)的歷史 可分為以下四個(gè)階段可分為以下四個(gè)階段 一、設(shè)備故障診斷技術(shù)的歷史一、設(shè)備故障診斷技術(shù)的歷史故障診斷的基本思想故障診斷的基本思想表述為表述為 ：設(shè)被檢測(cè)對(duì)象全部可能發(fā)生的狀

3、態(tài)組成狀態(tài)空間S， 其可觀測(cè)特征量全體構(gòu)成特征向量空間Y。包括正常狀態(tài)和故障狀態(tài)當(dāng)系統(tǒng)處于某一狀態(tài)s時(shí)，系統(tǒng)具有確定的特征向量y， 即:存在映射g：S反之，一定的特征也對(duì)應(yīng)確定的狀態(tài)，即:存在映射f：YY；S。 二、故障診斷的概念二、故障診斷的概念故障診斷的目的：故障診斷的目的：根據(jù)可測(cè)量的特征向量特征向量來判斷系統(tǒng)處于何種狀態(tài)，也就是找出映射f。 在這種情況下，故障診斷就成為 按特征向量對(duì)被測(cè)系統(tǒng)進(jìn)行分類的問題， 或者 對(duì)特征向量進(jìn)行狀態(tài)的模式識(shí)別問題 在實(shí)際情況中故障狀態(tài)具有一定的模糊性。因此，它所對(duì)應(yīng)的特征向量也在一定范圍內(nèi)變動(dòng)，有可能一種故障狀態(tài)對(duì)應(yīng)多個(gè)特征向量，或者多種故障狀態(tài)對(duì)應(yīng)一

4、個(gè)特征向量二、故障診斷的概念二、故障診斷的概念故障診斷技術(shù)的任務(wù)：故障建模建模故障檢測(cè)檢測(cè)故障的分類、評(píng)價(jià)與決策分類、評(píng)價(jià)與決策故障分離與估計(jì)分離與估計(jì)就是按照先驗(yàn)信息和輸入輸出關(guān)系，建立系統(tǒng)故障的數(shù)學(xué)模型，作為故障檢測(cè)與診斷的依據(jù);就是判斷系統(tǒng)中是否發(fā)生了故障并檢測(cè)出故障發(fā)生的時(shí)刻就是在檢測(cè)出故障后確定故障的類型和位置，以區(qū)別出故障原因是執(zhí)行器、傳感器和被控對(duì)象等就是判斷故障的嚴(yán)重程度，以及故障對(duì)系統(tǒng)的影響和發(fā)展趨勢(shì)，便于針對(duì)不同的工況采取不同的措施。二、故障診斷的概念二、故障診斷的概念評(píng)價(jià)一個(gè)故障診斷系統(tǒng)的性能指標(biāo)主要有：早期故障檢測(cè)的靈敏度故障檢測(cè)的實(shí)時(shí)性故障定位和故障評(píng)價(jià)的準(zhǔn)確性等。故

5、障的誤報(bào)率和漏報(bào)率二、故障診斷的概念二、故障診斷的概念故障診斷技術(shù)的研究對(duì)象:故障信息的研究故障機(jī)理研究故障診斷理論和方法的研究 主要包括診斷對(duì)象的物理和化學(xué)過程的研究。 例如對(duì)引起電氣、機(jī)械部件失效的腐蝕、蠕變、疲勞、氧化、絕緣擊穿、斷裂、磨損等物理化學(xué)原因的研究;對(duì)工藝過程、工藝特性及其各類故障特性和癥狀的研究。 作為故障診斷技術(shù)的基礎(chǔ)，只有研究診斷對(duì)象的故障機(jī)理才能有效地分清導(dǎo)致故障的主次因素 主要包括故障信號(hào)的采集、選擇、處理與分析、特征提取等過程。 例如通過傳感器采集生產(chǎn)設(shè)備運(yùn)行中的信號(hào)(如振動(dòng)、轉(zhuǎn)速)，再經(jīng)過時(shí)域和頻域上的分析處理來識(shí)別設(shè)備的故障或評(píng)價(jià)設(shè)備所處狀態(tài)。研究適當(dāng)?shù)墓收闲?/p>

6、號(hào)檢測(cè)方法是發(fā)現(xiàn)故障信息的重要手段 主要包括基于邏輯、模型、推理以及人工智能等方法對(duì)故障的識(shí)別、推理、預(yù)測(cè)、分類、評(píng)價(jià)與決策等方面的研究。 根據(jù)診斷對(duì)象的可檢測(cè)故障表征進(jìn)行分析和推理，識(shí)別故障并推理故障的發(fā)展趨勢(shì)以確定下一步的檢測(cè)部位，最終分析判斷故障發(fā)生的部位和產(chǎn)生故障的原因，并形成正確的干預(yù)決策。基于知識(shí)的方法 故故障障診診斷斷方方法法三、故障診斷方法綜述三、故障診斷方法綜述基于信號(hào)處理的方法 主要思想是在知識(shí)的層次上，以知識(shí)處理技術(shù)為基礎(chǔ)，實(shí)現(xiàn)辯證邏輯與數(shù)理邏輯的集成，符號(hào)處理與數(shù)值處理的統(tǒng)一，推理過程與算法過程的統(tǒng)一。通過在概念和處理方法上的知識(shí)化，實(shí)現(xiàn)設(shè)備故障診斷智能化。 主要思想是

7、:根據(jù)系統(tǒng)的組件與組件之間的連接，建立診斷系統(tǒng)模型，這種模型通常用一階邏輯語句來描述。根據(jù)系統(tǒng)的邏輯模型以及系統(tǒng)的輸入，能通過邏輯推理推導(dǎo)出系統(tǒng)在正常情況下的預(yù)期行為。觀測(cè)到的系統(tǒng)實(shí)際行為與系統(tǒng)預(yù)期行為有差異，說明系統(tǒng)存在故障，利用邏輯推理也能夠確定引發(fā)故障的組件集合。在實(shí)際情況中，常常難以獲得對(duì)象的精確數(shù)學(xué)模型，這就大大限制了基于解析模型診斷方法的使用范圍和效果。主要思想是:利用計(jì)算機(jī)或?qū)Ｓ锰幚碓O(shè)備，以數(shù)值計(jì)算的方法對(duì)信號(hào)進(jìn)行采集、變換、綜合、估值與識(shí)別等加工處理，以達(dá)到檢測(cè)出故障的目的。專家系統(tǒng)故障診斷方法 基于知識(shí)的方法 模糊故障診斷方法 故故障障診診斷斷方方法法三、故障診斷方法綜述三、

8、故障診斷方法綜述基于信號(hào)處理的方法 神經(jīng)網(wǎng)絡(luò)故障診斷方法 數(shù)據(jù)融合故障診斷方法 小波分析法 傅里葉分析法 譜分析法和相關(guān)分析法 模糊故障診斷方法是通過研究故障與征兆(特征元素)之間的關(guān)系來判斷設(shè)備狀態(tài)。 診斷方法不需要建立精確的數(shù)學(xué)模型（一）模糊故障診斷（一）模糊故障診斷 利用模糊集合論中的隸屬函數(shù)和模糊關(guān)系矩陣的概念來解決故障與征兆之間的不確定關(guān)系，進(jìn)而實(shí)現(xiàn)故障的檢測(cè)與診斷。 三、故障診斷方法綜述三、故障診斷方法綜述 模糊故障診斷過程（1）確定故障原因和征兆論域模糊故障診斷方法現(xiàn)場(chǎng)測(cè)取數(shù)據(jù)組成特征向量AB=RA診斷結(jié)論建立A與B的模糊關(guān)系矩陣R經(jīng)驗(yàn)數(shù)據(jù)統(tǒng)計(jì)數(shù)據(jù)實(shí)驗(yàn)數(shù)據(jù)確定B對(duì)A的隸屬度A（B

9、）求解模糊關(guān)系方程故障原因論域V=B1，B2，B3，B1，B2，B3，為故障原因論域內(nèi)的元素故障征兆論域U=A1，A2，A3，A1，A2，A3，為故障征兆論域內(nèi)的元素 模糊故障診斷過程（2）確定兩論域中元素的隸屬度模糊故障診斷方法現(xiàn)場(chǎng)測(cè)取數(shù)據(jù)組成特征向量AB=RA診斷結(jié)論建立A與B的模糊關(guān)系矩陣R經(jīng)驗(yàn)數(shù)據(jù)統(tǒng)計(jì)數(shù)據(jù)實(shí)驗(yàn)數(shù)據(jù)確定B對(duì)A的隸屬度A（B）求解模糊關(guān)系方程 即定出故障原因論域V中各元素Bi相對(duì)于某種故障特征（例如頻率特征）的隸屬度Bi，組成模糊向量B：B= B1， B2， B3，TA= A1， A2， A3，T 定出故障征兆論域U中各元素Aj相對(duì)于有故障特征的隸屬度Aj，組成模糊向量A：

10、 模糊故障診斷過程（3）建立模糊關(guān)系矩陣模糊故障診斷方法現(xiàn)場(chǎng)測(cè)取數(shù)據(jù)組成特征向量AB=RA診斷結(jié)論建立A與B的模糊關(guān)系矩陣R經(jīng)驗(yàn)數(shù)據(jù)統(tǒng)計(jì)數(shù)據(jù)實(shí)驗(yàn)數(shù)據(jù)確定B對(duì)A的隸屬度A（B）求解模糊關(guān)系方程 由于故障因果之間存在模糊關(guān)系，需建立某一故障原因可能會(huì)產(chǎn)生哪些故障征兆，某種征兆出現(xiàn)可能存在哪些故障原因，彼此之間的關(guān)系程度有多大的關(guān)系矩陣。 亦即需要建立征兆參數(shù)Aj相對(duì)于故障原因Bi的隸屬度ijrij = Bi(Aj) 模糊故障診斷過程（3）建立模糊關(guān)系矩陣模糊故障診斷方法現(xiàn)場(chǎng)測(cè)取數(shù)據(jù)組成特征向量AB=RA診斷結(jié)論建立A與B的模糊關(guān)系矩陣R經(jīng)驗(yàn)數(shù)據(jù)統(tǒng)計(jì)數(shù)據(jù)實(shí)驗(yàn)數(shù)據(jù)確定B對(duì)A的隸屬度A（B）求解模糊關(guān)系

11、方程 rij的取值范圍為0，1，由各個(gè)rij于構(gòu)成了論域U和論域V之間的模糊關(guān)系矩陣R：nmnnnmmrrrrrrrrrrrrR,32122322211131211每一行為征兆集的隸屬度，每一列為原因集的隸屬度矩陣中每一元素的大小表明Aj和Bi之間相互關(guān)系的的密切程度。 模糊故障診斷過程（3）建立模糊關(guān)系矩陣模糊故障診斷方法現(xiàn)場(chǎng)測(cè)取數(shù)據(jù)組成特征向量AB=RA診斷結(jié)論建立A與B的模糊關(guān)系矩陣R經(jīng)驗(yàn)數(shù)據(jù)統(tǒng)計(jì)數(shù)據(jù)實(shí)驗(yàn)數(shù)據(jù)確定B對(duì)A的隸屬度A（B）求解模糊關(guān)系方程 rij的取值范圍為0，1，由各個(gè)rij于構(gòu)成了論域U和論域V之間的模糊關(guān)系矩陣R：nmnnnmmrrrrrrrrrrrrR,3212232

12、2211131211模糊關(guān)系矩陣是從大量分析、試驗(yàn)、測(cè)試和現(xiàn)場(chǎng)實(shí)踐經(jīng)驗(yàn)的總和中得到。 模糊故障診斷過程（4）模糊綜合評(píng)判模糊故障診斷方法現(xiàn)場(chǎng)測(cè)取數(shù)據(jù)組成特征向量AB=RA診斷結(jié)論建立A與B的模糊關(guān)系矩陣R經(jīng)驗(yàn)數(shù)據(jù)統(tǒng)計(jì)數(shù)據(jù)實(shí)驗(yàn)數(shù)據(jù)確定B對(duì)A的隸屬度A（B）求解模糊關(guān)系方程 從故障征兆論域U中各元素給出的數(shù)據(jù)Aj（組成模糊子集A隸屬度），求出故障原因論域V中的故障Bi（ 組成模糊子集B隸屬度）。通過模糊關(guān)系矩陣求解：B=R A模糊邏輯算子模糊關(guān)系矩陣如果征兆相量A和模糊關(guān)系矩陣R已知，則故障原因相量B即可由此求出。故障診斷方法故障診斷方法存在的問題：模糊故障診斷方法花費(fèi)時(shí)間長(zhǎng)規(guī)則有“組合爆炸”現(xiàn)象

13、發(fā)生非線性系統(tǒng)的診斷結(jié)果不夠理想對(duì)于復(fù)雜的診斷系統(tǒng)，建立正確的模糊規(guī)則和隸屬函數(shù)非常困難對(duì)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)則之間的關(guān)系由時(shí)域、頻域特征空間至故障模式特征空間的映射關(guān)系存在著較強(qiáng)的非線性，這時(shí)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基于故障樹的方法基于故障樹的方法 故障樹故障樹FT模型模型是一個(gè)基于被診斷對(duì)象結(jié)構(gòu)、功能特征的行為模型，是定性的因果模型，以系統(tǒng)最不希望事件為頂事件，以可能導(dǎo)致頂事件發(fā)生的其他事件為中間事件和底事件，并用邏輯門表示事件之間聯(lián)系的一種倒樹狀結(jié)構(gòu)。它反映了特征向量與故障

14、向量(故障原因)之間的全部邏輯關(guān)系。 例如：頂事件：系統(tǒng)故障，由部件A或部件B引發(fā)，而部件A的故障又是由兩個(gè)元器件1、2中的一個(gè)失效引起的，部件B的故障在兩個(gè)元器件3、4同時(shí)失效時(shí)發(fā)生根據(jù)故障搜尋方式不同，又可分為：邏輯推理診斷法邏輯推理診斷法最小割集診斷法。最小割集診斷法。 由計(jì)算機(jī)依據(jù)故障與原因的先驗(yàn)知識(shí)和故障率知識(shí)自動(dòng)輔助生成故障樹，并自動(dòng)生成故障樹的搜索過程。基于故障樹的方法基于故障樹的方法診斷過程： 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(jí)構(gòu)成一個(gè)遞階故障樹，通過對(duì)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(shí)時(shí)動(dòng)態(tài)

15、數(shù)據(jù)將有助于診斷過程的進(jìn)行。 基于故障樹的診斷方法類似于人類的思維方式，易于理解，實(shí)際中大多與其他方法結(jié)合使用。 在采集到被診斷對(duì)象的信息后，綜合運(yùn)用各種規(guī)則（專家經(jīng)驗(yàn)），進(jìn)行一系列的推理，找到故障。 專家系統(tǒng)故障診斷一般結(jié)構(gòu)：人與專家系統(tǒng)打交道的橋梁和窗口，是人機(jī)信息的交接點(diǎn)。 對(duì)于在線監(jiān)視或診斷系統(tǒng)，數(shù)據(jù)庫(kù)的內(nèi)容是實(shí)時(shí)檢測(cè)到的工作狀態(tài)數(shù)據(jù)；對(duì)于離線診斷，數(shù)據(jù)庫(kù)內(nèi)容可以是故障時(shí)檢測(cè)數(shù)據(jù)的保存，也可以是人為檢測(cè)的一些特征數(shù)據(jù)，即存放推理過程中所需要和所產(chǎn)生的各種信息。 存放的知識(shí)可以是系統(tǒng)的工作環(huán)境，系統(tǒng)知識(shí)(反映系統(tǒng)的工作機(jī)理及系統(tǒng)的結(jié)構(gòu)知識(shí))：規(guī)則庫(kù)則存放一組組規(guī)則，反映系統(tǒng)的因果關(guān)系，用

16、于故障推理。知識(shí)庫(kù)是專家領(lǐng)域知識(shí)的集合。 根據(jù)獲取的信息綜合運(yùn)用各種規(guī)則，進(jìn)行故障診斷，輸出診斷結(jié)果。是專家系統(tǒng)的組織控制機(jī)構(gòu)。 被診斷對(duì)象知識(shí)規(guī)則庫(kù)結(jié)果人機(jī)接口數(shù)據(jù)庫(kù)推理機(jī)方法： 通過演繹推理或產(chǎn)生式推理來獲取診斷結(jié)果淺知識(shí)淺知識(shí)是指領(lǐng)域?qū)＜业慕?jīng)驗(yàn)知識(shí) 尋找一個(gè)故障集合（一）基于淺知識(shí)的診斷方法（一）基于淺知識(shí)的診斷方法其目的使之能對(duì)一個(gè)給定的征兆征兆集合產(chǎn)生的原因做出最佳解釋。包括存在的和缺席的知識(shí)表達(dá)直觀形式統(tǒng)一優(yōu)點(diǎn)：模塊性強(qiáng)（一）基于淺知識(shí)的診斷方法（一）基于淺知識(shí)的診斷方法不足：如知識(shí)集不完備，對(duì)沒有考慮到的問題系統(tǒng)容易陷入團(tuán)境；對(duì)診斷結(jié)果的解釋能力弱等。推理速度快等方法：要求診斷對(duì)

17、象的每一個(gè)環(huán)節(jié)具有明確的輸入輸出表達(dá)關(guān)系，深知識(shí)則是指診斷對(duì)象的結(jié)構(gòu)、性能和功能的知識(shí)（二）基于深知識(shí)的診斷方法 診斷時(shí)首先通過診斷對(duì)象實(shí)際輸出與期望輸出之間的不一致，生成引起這種不一致的原因集合， 然后根據(jù)診斷對(duì)象領(lǐng)域中的第一定律知識(shí)(具有明確科學(xué)依據(jù)的知識(shí))及其他內(nèi)部特定的約束關(guān)系，采用一定的算法，找出可能的故障源。優(yōu)點(diǎn)：具有知識(shí)獲取方便、維護(hù)簡(jiǎn)單、完備性強(qiáng)等。不足：搜索空間大，推理速度慢。（二）基于深知識(shí)的診斷方法將兩者有機(jī)地結(jié)合起來，使診斷系統(tǒng)的性能得到優(yōu)化。（三）基于淺知識(shí)和深知識(shí)的混合診斷方法 建造智能診斷系統(tǒng)時(shí)，不僅要重視領(lǐng)域?qū)＜业慕?jīng)驗(yàn)知識(shí)，更要注重診斷對(duì)象的結(jié)構(gòu)、功能、原理等知

18、識(shí)，研究的重點(diǎn)是淺知識(shí)與深知識(shí)的集成表示方法和使用方法。 一般優(yōu)先使用淺知識(shí)，找到診斷問題的解或者是近似解，必要時(shí)用深知識(shí)獲得診斷問題的精確解?；跍\知識(shí)和深知識(shí)相結(jié)合的診斷推理方法有：（三）基于淺知識(shí)和深知識(shí)的混合診斷方法集成診斷模型層次因果模型 基于狀態(tài)估計(jì)的方法 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。 被診斷過程的狀態(tài)直接反映系統(tǒng)的運(yùn)行狀態(tài)，通過估計(jì)出系統(tǒng)的狀態(tài)并結(jié)合適當(dāng)模型則可進(jìn)行故障診斷。 基于這個(gè)序列，通過構(gòu)造適當(dāng)?shù)哪Ｐ筒⒉捎媒y(tǒng)計(jì)檢驗(yàn)法，才能把故障從中檢測(cè)出來并做進(jìn)一步的分離、估計(jì)和決策。常用狀態(tài)估計(jì)的方法狀態(tài)觀測(cè)器濾波器最小二乘法方法 采用狀態(tài)估計(jì)

19、方法的前提條件過程數(shù)學(xué)模型知識(shí)(結(jié)構(gòu)及參數(shù))系統(tǒng)可觀測(cè)或部分可觀測(cè)方程解析應(yīng)有一定精度 在許多場(chǎng)合下將模型線性化并假設(shè)干擾為白噪聲 基于狀態(tài)估計(jì)的方法 基于過程參數(shù)估計(jì)的方法 根據(jù)參數(shù)變化的統(tǒng)計(jì)特性來檢測(cè)故障的發(fā)生，而后進(jìn)行故障分離、估計(jì)和分類。 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(jì)的方法更有利于故障的分離。參數(shù)估計(jì)的首選方法最小二乘法 簡(jiǎn)單實(shí)用與基于狀態(tài)估計(jì)的診斷方法不同，它不需要計(jì)算殘差序列 采用參數(shù)估計(jì)方法的前提條件 需要建立精確的數(shù)學(xué)模型 需要有效的參數(shù)估計(jì)方法 被控過程的充分激勵(lì) 選擇適當(dāng)?shù)倪^程參數(shù) 必要的統(tǒng)計(jì)決策方法 基于數(shù)學(xué)模型的故障診斷方法，其特點(diǎn)：優(yōu)點(diǎn)：是

20、能深入系統(tǒng)本質(zhì)的動(dòng)態(tài)性質(zhì)和實(shí)現(xiàn)實(shí)時(shí)診斷缺點(diǎn)：當(dāng)系統(tǒng)模型未知、不確定或具有非線性時(shí)，不易實(shí)現(xiàn)。 基于過程參數(shù)估計(jì)的方法 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(shí)作為案例來進(jìn)行學(xué)習(xí)，不需要詳細(xì)地診斷對(duì)象模型?；诎咐脑\斷方法主要技術(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)等基于案例的診斷方法的原理 根據(jù)所診斷的對(duì)象特征從案例庫(kù)中檢索出與該對(duì)象的診斷問題最相似匹配的案例，然后對(duì)該案例的診斷結(jié)果進(jìn)行修訂作為該對(duì)象的診斷結(jié)果。 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?；诎咐脑\斷方法局限

21、性傳統(tǒng)的基于案例的診斷方法難以表示案例之間的聯(lián)系； 對(duì)于大型案例庫(kù)進(jìn)行檢索非常費(fèi)時(shí)，并且難以決定應(yīng)選擇哪些癥狀及它們的權(quán)重； 難以處理案例修訂時(shí)的一致性檢索(特征變量間的約束關(guān)系)，難以對(duì)診斷結(jié)果加以解釋。基于案例的診斷方法其核心技術(shù)是故障模式識(shí)別 獨(dú)特的容錯(cuò)、聯(lián)想、推測(cè)、記億、自適應(yīng)、自學(xué)習(xí)和處理復(fù)雜多模式等2、診斷領(lǐng)域的應(yīng)用研究基于人工神經(jīng)網(wǎng)的方法1）從模式識(shí)別的角度應(yīng)用它作為分類器進(jìn)行故障診斷；1、神經(jīng)網(wǎng)絡(luò)特點(diǎn)：2）將神經(jīng)網(wǎng)絡(luò)與其他診斷方法相結(jié)合的復(fù)合故障診斷方法。3、神經(jīng)網(wǎng)絡(luò)故障診斷過程： 學(xué)習(xí)(訓(xùn)練)、診斷(匹配)基于人工神經(jīng)網(wǎng)的方法學(xué)習(xí)過程：在一定的標(biāo)準(zhǔn)模式樣本的基礎(chǔ)上，依據(jù)某一分

22、類規(guī)則來設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)分類器，并用標(biāo)準(zhǔn)模式訓(xùn)練 診斷過程：將未知模式與訓(xùn)練的分類器進(jìn)行比較來診斷未知模式的故障類別。預(yù)處理：通過刪除原始數(shù)據(jù)中的無用信息得到另一類故障模式，由樣本空間映射成數(shù)據(jù)空間。在數(shù)據(jù)空間上，通過某種變換(如對(duì)模式特征矢量進(jìn)行量化、壓縮和規(guī)格化等)使其有利于故障診斷。 3、神經(jīng)網(wǎng)絡(luò)故障診斷過程： 學(xué)習(xí)(訓(xùn)練)、診斷(匹配)基于人工神經(jīng)網(wǎng)的方法將從診斷對(duì)象獲得的數(shù)據(jù)看做一組時(shí)間序列，通過對(duì)該時(shí)間序列的分段采樣，可以將輸入數(shù)據(jù)映射成樣本空間的點(diǎn)。這些數(shù)據(jù)可能包含故障的類型、程度和位置等信息。 但從樣本空間看，這些特征信息的分布是變化的，因此，需經(jīng)合適的變換來提取有效的故障特征。

23、而所提取的這些特征對(duì)于設(shè)備的參數(shù)應(yīng)具有不變性。常用的特征提取方法有： 傅里葉變換 小波變換 分形維數(shù)等。 3、神經(jīng)網(wǎng)絡(luò)故障診斷過程： 學(xué)習(xí)(訓(xùn)練)、診斷(匹配)基于人工神經(jīng)網(wǎng)的方法網(wǎng)絡(luò)分類器：常用于故障診斷分類的神經(jīng)網(wǎng)絡(luò)有： BP網(wǎng)絡(luò) 雙向聯(lián)想記憶(BAM)網(wǎng)絡(luò) 自適應(yīng)共振理論 自組織網(wǎng)絡(luò) B樣條網(wǎng)絡(luò)2、知識(shí)獲取方面基于人工神經(jīng)網(wǎng)的方法 神經(jīng)網(wǎng)絡(luò)的知識(shí)不需要由知識(shí)工程師進(jìn)行整理、總結(jié)以及消化領(lǐng)域?qū)＜业闹R(shí)， 只需要用領(lǐng)域?qū)＜医鉀Q問題的實(shí)例或范例來訓(xùn)練神經(jīng)網(wǎng)絡(luò)；3、知識(shí)表示方面 神經(jīng)網(wǎng)絡(luò)采取隱式表示，在知識(shí)獲取的同時(shí)，自動(dòng)產(chǎn)生的知識(shí)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(shí)表示在同一網(wǎng)絡(luò)中

24、，通用性強(qiáng)，便于實(shí)現(xiàn)知識(shí)的自動(dòng)獲取和并行聯(lián)想推理?；谌斯ど窠?jīng)網(wǎng)的方法4、知識(shí)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(shí)現(xiàn)推理。5、不足基于人工神經(jīng)網(wǎng)的方法 由于神經(jīng)網(wǎng)絡(luò)從故障事例中學(xué)到的知識(shí)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。 所謂基于信號(hào)處理的方法，通常是利用信號(hào)模型信號(hào)模型，直接分析可測(cè)信號(hào)，提取特征值特征值，從而檢測(cè)出故障。 基于信號(hào)處理的方法基于信號(hào)處理的方法 如相關(guān)函數(shù)、頻譜、自回歸滑動(dòng)平均、小波變換等 如方差、幅值、頻率等方法簡(jiǎn)單，但容易出現(xiàn)故障的誤判和漏判。 該診斷方法是直接測(cè)量被診斷對(duì)象有關(guān)的輸出量，如果輸出超出

25、正常變化范圍，則可以認(rèn)為對(duì)象已經(jīng)或?qū)⒁l(fā)生故障。采用傅里葉變換進(jìn)行信號(hào)分析傅里葉分析的方法傅里葉分析的方法 傅里葉分析存在時(shí)域和頻域局部化的矛盾，缺乏空間局部性， 因此：因此：基于傅里葉分析的信號(hào)處理方法只能提供響應(yīng)信號(hào)的統(tǒng)計(jì)平均結(jié)果，很難在時(shí)域和頻域中同時(shí)得到非平穩(wěn)信號(hào)的全部和局部化結(jié)果，使非平穩(wěn)動(dòng)態(tài)信號(hào)分析難以達(dá)到令人滿意的程度。 由于：由于：傅里葉分析是以信號(hào)平穩(wěn)性假設(shè)為前提的，而大多數(shù)的控制系統(tǒng)的故障信號(hào)往往包含在瞬態(tài)信號(hào)及時(shí)變信號(hào)中。 是一種全新的時(shí)-頻分析方法，它繼承了傅里葉分析用簡(jiǎn)諧函數(shù)作為基函數(shù)來逼近任意信號(hào)的思想。小波分析法小波分析法 小波分析的基函數(shù)是一系列尺度可變的函數(shù)

26、具有良好的時(shí)-頻定位特性和對(duì)信號(hào)的自適應(yīng)能力 能夠?qū)Ω鞣N時(shí)變信號(hào)進(jìn)行有效的分解，為控制系統(tǒng)故障診斷提供了新的、強(qiáng)有力的分析手段。小波變換是80年代后期發(fā)展起來的應(yīng)用數(shù)學(xué)分支小波分析法小波分析法 三種基于小波變換的故障診斷方法：利用觀測(cè)信號(hào)的奇異性進(jìn)行故障診斷利用觀測(cè)信號(hào)頻率結(jié)構(gòu)的變化進(jìn)行故障診斷利用脈沖響應(yīng)函數(shù)的小波變換進(jìn)行故障診斷 優(yōu)點(diǎn)：優(yōu)點(diǎn)：由于基于小波變換的故障診斷方法無需研究對(duì)象的數(shù)學(xué)模型，對(duì)輸入信號(hào)的要求較低，計(jì)算量不大，可以進(jìn)行在線實(shí)時(shí)故障檢測(cè)，靈敏度高，克服噪聲能力強(qiáng)，因此是一種很有前途的故障診斷方法?；谌斯ぶ悄艿墓收显\斷方法 是當(dāng)前故障診斷技術(shù)的一個(gè)研究熱點(diǎn)，通過將多種故障診

27、斷方法有效地集成在一起，可以充分發(fā)揮各種方法自身的優(yōu)點(diǎn)，提高診斷系統(tǒng)的能力和水平，有效地解決復(fù)雜系統(tǒng)和過程的診斷問題。 集成智能故障診斷技術(shù) 例如:基于范例推理、人工神經(jīng)網(wǎng)絡(luò)和模糊邏輯的集成；基于知識(shí)推理和范例推理方法的集成；基于規(guī)則推理、因果模型和深層次知識(shí)模型方法的集成；以及人工神經(jīng)網(wǎng)絡(luò)、模式識(shí)別等多種方法的集成 故隨智能診斷系統(tǒng)存在的問題 1、故障智能診斷方法具有以下優(yōu)點(diǎn)： （1）可解決需要進(jìn)行復(fù)雜推理的復(fù)雜診斷問題（2）使一般的維修人員也能掌握復(fù)雜設(shè)備的故障診斷知識(shí)（3）在某些方面比人類專家更可靠，更靈活（4）具有人機(jī)合作完成診斷任務(wù)的功能（5）便于用戶對(duì)知識(shí)庫(kù)的修改和完善。能夠模擬人

28、腦的邏輯思維過程 可以儲(chǔ)存和推廣領(lǐng)域?qū)＜覍氋F的經(jīng)驗(yàn)和知識(shí)，更有效地發(fā)揮各種專門人才的作用 可以在任何時(shí)候、任何條件下提供高質(zhì)的服務(wù)，不受外界的干擾它可以在診斷過程中實(shí)現(xiàn)人機(jī)交互，通過人的參與使得診斷的結(jié)果更加準(zhǔn)確。先進(jìn)的故障智能診斷系統(tǒng)還具有學(xué)習(xí)的功能，能夠在診斷過程中自動(dòng)完善知識(shí)庫(kù)，提高系統(tǒng)的診斷能力 故隨智能診斷系統(tǒng)存在的問題 2、需進(jìn)一步解決的問題 知識(shí)庫(kù)龐大 解決問題能力的局限性 深、淺知識(shí)結(jié)合能力差 自動(dòng)獲取知識(shí)能力差 容錯(cuò)能力差對(duì)不確定性知識(shí)的處理能力差 為了使診斷系統(tǒng)達(dá)到高效、實(shí)用的目標(biāo)，必然需要大量的專家經(jīng)驗(yàn)知識(shí)，以防知識(shí)庫(kù)不完備時(shí)效率急劇下降由于受系統(tǒng)中知識(shí)的限制、大多數(shù)診斷

29、系統(tǒng)只能解決狹窄的專家知識(shí)領(lǐng)域以內(nèi)的問題，而對(duì)其他領(lǐng)域的知識(shí)一無所知。 在一些系統(tǒng)中雖然采用了元知識(shí)控制等推理控制策略，但組合爆炸的問題仍然不可避免。 為此，某些診斷系統(tǒng)將領(lǐng)域級(jí)知識(shí)和專家經(jīng)驗(yàn)知識(shí)分層分塊，便于知識(shí)的管理和診斷效率的提高。 一旦出現(xiàn)的問題超出診斷系統(tǒng)知識(shí)領(lǐng)域的邊界，系統(tǒng)的工作性能就會(huì)急劇惡化，而系統(tǒng)本身并不能判斷什么時(shí)候或什么情況下遇到了超過系統(tǒng)能力的問題。如何將領(lǐng)域問題的基本原理與專家經(jīng)驗(yàn)知識(shí)結(jié)合得更好方面所做的工作還很少，使得系統(tǒng)不能具備與人類專家能力相似的知識(shí)或能力，影響了系統(tǒng)發(fā)揮更大的效能。知識(shí)獲取長(zhǎng)期以來一直是故障智能診斷系統(tǒng)研制中的“瓶頸”問題 目前多數(shù)的診斷系統(tǒng)在

30、自動(dòng)獲取知識(shí)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)或多或少地加人了機(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(shí)，系統(tǒng)的診斷能力往往僅局限于知識(shí)庫(kù)中原有的知識(shí)。目前一些研究人員已開始將人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于各類診斷系統(tǒng)，以提高系統(tǒng)的學(xué)習(xí)能力。 故障智能診斷系統(tǒng)的知識(shí)大都是集中存放于知識(shí)庫(kù)，在結(jié)構(gòu)上是將知識(shí)庫(kù)與推理機(jī)分開的，它們?cè)谥R(shí)表示上基本上是采用局部表達(dá)方式。 所以現(xiàn)有的診斷系統(tǒng)雖然具有一定的冗余容錯(cuò)能力，但仍然達(dá)不到令人滿意的程度。一些研究者已開始利用面向?qū)ο蠹夹g(shù)來解決這一問題診斷系統(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，或是模

31、糊的，或是不完全的。 如何對(duì)不確定性知識(shí)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)中得到了較好的應(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(shí)處理方面存在著巨大的研究潛力。故隨智能診斷系統(tǒng)存在的問題 2、需進(jìn)一步解決的問題 總之，故障智能診斷系統(tǒng)無淪在理論上還是在系統(tǒng)開發(fā)方面部已取得廣很大的進(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)有兩個(gè)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(shí)的情況相差甚遠(yuǎn) 另一方面是由于對(duì)診斷對(duì)象缺乏深刻的認(rèn)識(shí)和研究

32、，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。故障智能診斷系統(tǒng)的發(fā)展趨勢(shì) 隨著知識(shí)工程的發(fā)展以及數(shù)據(jù)庫(kù)、虛擬現(xiàn)實(shí)、神經(jīng)網(wǎng)絡(luò)等技術(shù)的日新月異，必然引起故障智能診斷系統(tǒng)的在各個(gè)方面的不斷發(fā)展。其發(fā)展趨勢(shì)可概括為以下 多種知識(shí)表示方法的結(jié)合 經(jīng)驗(yàn)知識(shí)與原理知識(shí)的緊密結(jié)合 診斷系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的結(jié)合虛擬現(xiàn)實(shí)技術(shù)將得到重視和應(yīng)用 故障智能診斷系統(tǒng)的發(fā)展趨勢(shì) 1、多種知識(shí)表示方法的結(jié)合 在一個(gè)實(shí)際的診斷系統(tǒng)中，往往需要多種方式的組合才能表達(dá)清楚診斷知識(shí)，這就存在著多種表達(dá)方式之間的信息傳遞、信息轉(zhuǎn)換、知識(shí)組織的維護(hù)與理解等問題，這些問題曾經(jīng)一直影響著對(duì)診斷對(duì)象的描述與表達(dá)。近幾年在面向?qū)ο蟪绦蛟O(shè)計(jì)技術(shù)

33、的基礎(chǔ)上，發(fā)展起來了一種稱為面向?qū)ο蟮闹R(shí)表示方法，為這一問題的解決提供了一條很有價(jià)值的途徑。 在面向?qū)ο蟮闹R(shí)表示方法中，傳統(tǒng)的知識(shí)表示方法如規(guī)則、框架、語義網(wǎng)絡(luò)等可以被集中在統(tǒng)一的對(duì)象庫(kù)中，面且這種表示方法可以對(duì)診斷對(duì)象的結(jié)構(gòu)模型進(jìn)行比較好的描述，在不強(qiáng)求知識(shí)分解成特定知識(shí)表示結(jié)構(gòu)的前提下，以對(duì)象作為知識(shí)分割實(shí)體，明顯要比按一定結(jié)構(gòu)強(qiáng)求知識(shí)的分割來得自然、貼切。另外，知識(shí)對(duì)象的封裝特點(diǎn)，對(duì)于知識(shí)庫(kù)的維護(hù)和修正提供了極大的便利。隨著面向?qū)ο蟪绦蛟O(shè)計(jì)技術(shù)的發(fā)展，面向?qū)ο蟮闹R(shí)表示方法一定會(huì)在故障智能診斷系統(tǒng)中得到廣泛的應(yīng)用。故障智能診斷系統(tǒng)的發(fā)展趨勢(shì) 2、經(jīng)驗(yàn)知識(shí)與原理知識(shí)的緊密結(jié)合 為了使故障智能診斷系統(tǒng)具備與人類專家能力相近的知識(shí)，研制者在建造智能診斷系統(tǒng)時(shí)，越來越強(qiáng)調(diào)不僅要重視領(lǐng)域?qū)＜业慕?jīng)驗(yàn)知識(shí)(淺知識(shí))，更要注重診斷對(duì)象的結(jié)構(gòu)、功能、原理等知識(shí)(深知識(shí))，忽視任何一方面都會(huì)嚴(yán)重影響系統(tǒng)的診斷能力。 關(guān)于深淺知識(shí)的結(jié)合問題，目前較普