《智能故障诊断方法最新进展》由会员分享，可在线阅读，更多相关《智能故障诊断方法最新进展（7页珍藏版）》请在金锄头文库上搜索。
1、智能故障诊断方法最新进展肖健华，吴今培(五邑大学 智能技术与系统研究所, 广东 江门 529020)摘要：随着设备复杂性程度的提高，征兆与故障之间呈现高度的非线性、不精确性和不确定性关系，最终导致在设备的故障诊断中越来越多地采用智能方法。本文综述了几种主要的智能诊断方法，并分析比较了它们各自的特点。关键词：故障诊断；人工智能；核方法；支持向量机Intelligent Fault Diagnosis: a SurveyXIAO Jian-hua，WU Jin-pei(Institute of Intelligent Technology & Systems, Wuyi University, J
2、iangmen 529020,China)Abstract: Intelligent methods are more and more widely used in the field of fault diagnosis with the increase of complexity degree of the plant equipments. Some main intelligent fault diagnosis methods are introduced and their characteristics are compared in the paper. Key words
3、: fault diagnosis; artificial intelligent; kernel method; support vector machine1 前言随着现代工业及科学技术的迅速发展，对设备的性能要求越来越高，各种生产设备日趋大型化、自动化和智能化，传统的诊断技术已越来越不能适宜现在设备故障诊断的需要。同时现代化的设备一旦发生故障，会造成巨大的经济损失和社会危害，鉴于这两方面的原因，有必要研究新的诊断技术。智能诊断方法由于具有以下的几点优势而日益受到诊断专家的青睐 1。(1) 能够有效地利用诊断专家的知识和经验。(2) 具有诊断专家般的推理能力，自动实现从故障征兆到故障原因的
4、映射。(3) 具备学习机制，能够从过去的诊断实例中获取诊断知识。(4) 对诊断结果具有解释能力。专家系统、模糊理论、神经网络、遗传算法以及它们相互之间和它们与其它信息处理技术的融合是人工智能手段的主要表现方法，在诊断领域中，它们受到越来越广泛的重视。近年来兴起的核方法和支持向量机更是引起了相关领域专家和学者的浓厚兴趣。2 基于传统人工智能方法的故障诊断技术这里所说的传统人工智能方法是指建立于 60 年代到 80 年代之间的人工智能技术，包括模糊逻辑、专家系统、神经网络和遗传算法，这种称法是相对于近期在国际上引起研究高潮的支持向量机而言的。2.1 基于专家系统的故障诊断方法自从 1968 年 S
5、tanford 大学开发出第一个专家系统以来，由于专家系统能在故障征兆和故障原因之间建立明确的对应关系，而得到各国工程界的高度重视，并相继在各种领域中开发出一些卓有成效的诊断型专家系统。为完成一个诊断专家系统最基本的功能，它必须包含三个组成部分：知识库、推理机及人机接口。扩充部分包括全局数据库、知识获取部分和解释部分。知识库中主要包含着诊断过程所需要的两方面知识：设备的一般常识性知识和领域专家的启发性知识。这些知识可以采用多种表示方法存储在知识库中(有时一个知识库中也采用多种表示方法)，常用的表示方法有：规则表示法、谓词逻辑表示法、语义网络表示法、框架表示法以及面向对象的表示法。建立知识库(尤
6、其是获取知识) 通常是专家系统建造过程中的一个瓶颈问题。推理机是专家系统的组织控制结构，它能根据当前的输入数据(如设备运行过程) ，运用知识库的知识，按一定的搜索策略，对当前运行状况进行诊断。2.2 模糊诊断方法随着生产设备复杂性的增加，运行过程中表现出来的模糊性就越强。设备运行状况从正常运行到故障产生是一个渐变过程，设备的“故障”与“正常”属于两个模糊集。正是由于设备运行中的模糊性是客观存在的，人们在故障诊断中广泛使用模糊信息处理的方法。2.2.1 模糊逻辑诊断方法模糊逻辑诊断方法在于建立正确的故障征兆与故障原因之间的从属关系，构造出相应的诊断矩阵，实现故障征兆与故障原因之间的映射。设故障征
7、兆模糊向量集： ，故障原因模糊向量集： ，,21nuUL ,21mvVL则 与 之间关系可用模糊关系矩阵 表示。UVmijrR)(若 上的模糊集合： ， 上的模糊集合： ，则它们满,(aAV),(21bB足关系： 。RBo因此，通过这种模糊映射关系，可以实现由模糊征兆集获得故障原因集。2.2.2 模糊聚类诊断模糊聚类诊断的基本思想是：以当前设备运行表现出来的征兆与同一设备(或同类设备)历史上的各次确诊征兆集相对照，确定它们之间的相似程度，从而作出间接推论：设备的本次运行状况(故障原因)与最为相似的征兆集对应的运行状况 (故障原因)相同。2.3 神经网络诊断方法神经网络是对人脑神经系统的数学模拟
8、，其目的是学习和模仿人脑的消息处理能力。由于神经网络具有很强的非线性映射能力，能准确地模拟复杂设备的故障征兆与故障原因之间的关系，并具有并行处理能力、自学习能力和记忆能力，因而已成功地应用于故障诊断领域。目前，在故障诊断领域中用得较多的是 BP 网络。对于简单的诊断对象采用单隐层的网络结构就可满足需要，网络中的每个输入神经元对应一个征兆，每个输出神经元对应一类故障原因。对于较为复杂的诊断对象，仅采用一个单隐层的神经网络是不能满足要求的，一方面该网络结构将会过于庞大，不易学习；另一方面，丝毫不能反映诊断对象的结构性知识，然而这类知识在故障诊断中无疑是极为重要的。为适应复杂对象的诊断要求，可采用图
9、 1 所示的多级 BP 神经网络结构示意图。2.4 传统人工智能的融合技术各种智能诊断方法各有优劣，从而使得诊断专家们纷纷开展各种集成方法的研究，并在集成研究中不断融入各种技术如：信息熵理论、小波变换、遗传算法、混沌理论等等 2。2.4.1 专家系统与神经网络的集成专家系统和神经网络从其本质上讲是密切相关的，犹如人的左右两个半脑：专家系统适合逻图 1 多级神经网络结构示意图辑，如人的左半脑；神经网络长于形象思维，相当于人的右半脑。因而它们的有效集成能起到优势互补的作用，使得建立的诊断系统同时具有很强的学习能力、鲁棒性、解释能力和推理能力。专家系统与神经网络的集成方式有两种，其一是构造基于神经网
10、络的专家系统，整个诊断系统就是一个神经网络；其二是将神经网络作为一种知识表示方式，和其它知识表示方式一起构成整个诊断系统的知识库。2.4.2 模糊系统与神经网络的集成在诊断领域中，模糊逻辑理论和神经网络技术在知识表示、知识存贮、推理速度及克服“知识窄台阶”和“组合爆炸”等方面起到了很大的作用，但由于它们各有侧重，互有优劣，因而一种自然的想法就是对它们进行集成，使之兼备神经网络和模糊系统的优点。模糊系统与神经网络的集成方法有两种：一是以模糊系统为主，使建立的模糊神经网络与一个模糊系统相对应；二是使传统神经网络模糊化，使其处理模糊信息。2.4.3 遗传算法与神经网络的集成在故障诊断中，遗传算法与神
11、经网络的融合方式通常是以神经网络为基础，遗传算法的作用有二：一是优化神经网络结构；二是训练神经网络，克服神经网络训练中经常出现的局部最小问题。3 核方法在故障诊断中的应用核方法能够实现数据空间到特征空间的非线性变换，采用不同的核函数可以满足不同的非线性变换的要求，设 和 为数据空间的两个样本点，核方法的基础是实现向量的内ixj积变换 )(),()( jijiji xK通常，变换函数 复杂而核函数 相对简单。由于，在很多数据处理问题中都包含向量的内积运算，因此，核方法有着广泛的应用前景。核方法的优势在于数据空间中难以处理或处理效果不好的问题在特征空间中变得容易处理或处理效果相对好些。核方法的迷人
12、之处在于由数据空间到特征空间之间的映射非常复杂，然而设计需要的计算却是相对简单得多的核函数运算。支持向量机 (Support Vector Machine, SVM)从本质上讲是一种核方法，它诞生于 1995年 1，最近 5 年，国外人工智能界已将 SLT 和 SVM 作为一大研究热点，但由于开展研究的时间不长，所取得的成果还不是很系统。设两类 维学习样本集为 是类别标号，支持向量机d 1,2,1),( yRXniyXdiL所求得的分类规则可表示为：siiibKy1),(gn上式中 为核函数， 为支持向量机的个数，参数 通过对优化问题)(K bi,)(2)(mi W01. bXytsii的求解
13、获得。3.1 基于核方法的非线性特征提取技术基于核的特征提取方法研究在国际上可以说是刚刚开始，研究内容主要是将核函数与传统的特征提取方法结合，如基于核的主成分分析(Kernel PCA)和基于核的 Fisher 判据(Kernel FDA)5。从 S. Mike 和 A. Smola 等人的研究成果看 4，基于核的特征提取方法不仅特别适合于处理非线性问题，且能提供更多的特征信息。KPCA 实际上是将核方法应用到主成分分析中。设变换 实现了输入空间 到特征空NR间 的映射，即输入空间的样本点 变换为特征空间的样本点FMx,21L，KPCA 研究的实际上使对 进行主成分分析。)(,)(,21Mxx
14、L )(,)(,21MxL图 2 是 PCA 与 KPCA 的比较，明显 KPCA 的散度大于 PCA 的散度，因此能提供更多的信息。图 2 PCA 与 KPCA 在特征提取中的比较3.2 基于核方法的野点检测技术野点在一般的特征提取或模式识别问题中被视为噪声，因而在数据处理过程中设法予以剔除。然而对旋转机械的运行状态监测而言，却往往是早期故障的先兆，因此能比正常状态点提供更多的信息，而受到工程界的重视。基于核方法的野点检测技术将为复杂机械设备的运行状态监测提供新途径，该途径至少从理论上讲是目前为止复杂设备最可行的状态监测技术之一。现有的野点检测方法多是建立在概率密度估计（如混合高斯分布概率密
15、度估计，Parzen 窗等）基础上，因而或要求较多的样本或要求事先限定一定的分布条件，且检测效果并不理想。图 3 是常规野点检测方法与基于核的野点检测方法的比较，可以清晰地看出：基于核的野点检测方法比常规野点检测方法具有更强的野点检测能力。3.3 基于支持向量机的故障诊断技术故障诊断实质上一类特殊的模式识别问题，因此将支持向量机应用到故障诊断中，需对相关的理论进行修改，使之适合故障诊断的需要。3.3.1 考虑不同误判所造成损失不同的 SVM 理论现有两类样本，正常样本 N 与故障样本 F 分别对应分类1,-1，设有决策表(见表 1)(a)常规野点检测方法 (b)基于核的野点检测方法图 3 常规
16、野点检测方法与基于核的野点检测方法比较表 1 两类故障诊断风险决策表诊断 状态 N 状态 FN 0 1LF 2L0表中损失是指机械设备处于(正常、故障) 运行状态而将其诊断为 (正常、故障)所带来的损失。显然，对于一般的故障诊断问题，存在 ，即两类误判所造成的损失是不相同的：21L将故障判为正常所造成的损失比将正常判为故障造成的损失要大。一般的 SVM 理论没有考虑两类误判在造成损失上的差异，认为分类线为0)(Xf考虑到损失的不同，应将其修正为 6： 21)(LXf考虑两类特殊情况：1) ，此时分类面为 ，此即一般意义下的最优分类面相同；21L0)(f2) ，此时的分类面为 。13.3.2 样本数目不对称时的 SVM 理论当各类样本数目相等时，SVM 基本上能得到合理的分类线，且该分类线随着样本数目
