 下载
 收藏
该文档贡献者很忙，什么也没留下。
 下载此文档
正在努力加载中...
汽车发动机故障诊断专家系统研究
下载积分：2000
内容提示：汽车发动机故障诊断专家系统研究
文档格式：PDF|
浏览次数：1|
上传日期： 12:37:03|
文档星级：
该用户还上传了这些文档
下载文档:汽车发动机故障诊断专家系统研究.PDF
官方公共微信铁路动车组故障诊断知识库管理系统的设计--《电脑知识与技术》2008年16期
铁路动车组故障诊断知识库管理系统的设计
【摘要】：针对我国动车组维修的特点,为动车组维修人员能够及时、快速地对动车组发生的故障进行分析和处理,运用人工智能的思想,结合数据库技术,设计了一套知识表示和知识库管理系统,对动车组故障信息及其原因信息、处理措施信息进行维护,处理了知识的正确性、完备性、冗余性、一致性检验,并在一定程度上实现了知识处理的自动化,对我国高速铁路动车组维修工作起到辅助支持作用,有很强的实际意义。
【作者单位】：
【关键词】：
【分类号】：TP311.52【正文快照】：
1引言动车组作为一种全新的铁路客运运载设施,它具有快速、安全、高标准的服务功能,在运营的同时难免会发生故障,检修段所会根据动车发生的故障进行原因分析,并采取相应的解决措施。铁路动车组故障诊断知识库管理系统(Fault Diagnosis Knowledge BaseManagement System,以下
欢迎：、、)
支持CAJ、PDF文件格式，仅支持PDF格式
【共引文献】
中国期刊全文数据库
王万良;宋璐;徐新黎;吴启迪;;[J];计算机集成制造系统;2006年12期
王万良,周慕逊,管秋,罗云霞,徐新黎;[J];水力发电学报;2005年03期
杨国强,王双喜,杜伟;[J];山西农业大学学报(自然科学版);2004年03期
中国博士学位论文全文数据库
娄山佐;[D];西北工业大学;2006年
郑松;[D];浙江大学;2008年
中国硕士学位论文全文数据库
赵洪生;[D];沈阳工业大学;2004年
宋冬梅;[D];河海大学;2006年
俞益飞;[D];南昌大学;2006年
宋璐;[D];浙江工业大学;2006年
胡国华;[D];安徽理工大学;2007年
高恒振;[D];国防科学技术大学;2006年
黎丹;[D];中南大学;2007年
王景;[D];浙江工业大学;2007年
张燕华;[D];浙江工业大学;2007年
顾邦军;[D];南华大学;2007年
【二级参考文献】
中国期刊全文数据库
王冬梅;王黎;张涛;;[J];微计算机信息;2006年28期
【相似文献】
中国期刊全文数据库
朱鳌鑫;[J];计算机工程与设计;1980年01期
潘福美;[J];微电子学与计算机;1980年06期
彭展华;[J];电子技术应用;1980年01期
李彦鸿;;[J];计算机工程与科学;1980年01期
杨晓东;;[J];计算机工程与科学;1980年02期
曹之江;;[J];计算机研究与发展;1980年09期
郑维敏;;[J];制造业自动化;1980年02期
方永绥,沈光铭;[J];电子与信息学报;1981年02期
郭衍莹;[J];系统工程与电子技术;1981年11期
王选,陈保华,李尔溪,严开富,汤玉海,尤继林,郭绿江,金昉霞;[J];计算机学报;1981年02期
中国重要会议论文全文数据库
陈进;;[A];中国声学学会1999年青年学术会议[CYCA'99]论文集[C];1999年
王道平;冯振声;;[A];系统工程与可持续发展战略——中国系统工程学会第十届年会论文集[C];1998年
刘瑾辉;曾清平;;[A];中国系统工程学会模糊数学与模糊系统委员会第五届年会论文选集[C];1990年
王金萍;;[A];中华医学会医学工程学分会第四次学术年会浙江医学会医学工程分会98年学术年会论文集[C];1998年
王斐;杨明忠;;[A];第五届全国摩擦学学术会议论文集（上册）[C];1992年
庄忠举;陶玉;;[A];第五届全国摩擦学学术会议论文集（上册）[C];1992年
李元涌;谢友柏;;[A];第五届全国摩擦学学术会议论文集（下册）[C];1992年
赵方;谢友柏;柏子游;;[A];第六届全国摩擦学学术会议论文集（上册）[C];1997年
杨明忠;樊建春;;[A];第六届全国摩擦学学术会议论文集（上册）[C];1997年
王先来;;[A];1995年中国智能自动化学术会议暨智能自动化专业委员会成立大会论文集（上册）[C];1995年
中国重要报纸全文数据库
李仁;[N];中国包装报;2000年
唐明恒;[N];重庆日报;2000年
王斌;[N];中国老年报;2001年
姜微;[N];中国汽车报;2001年
;[N];华夏时报;2001年
李柠;[N];中国计算机报;2001年
唐先武;[N];科技日报;2001年
林飞萧;[N];科学时报;2001年
易龙;[N];人民邮电;2001年
邬建军;[N];中华工商时报;2001年
中国博士学位论文全文数据库
傅瑜;[D];西安电子科技大学;1998年
郭元术;[D];长安大学;2000年
孙翱;[D];大连理工大学;2000年
高英杰;[D];燕山大学;2000年
戈志华;[D];华北电力大学;2000年
董泽;[D];华北电力大学;2001年
孙颖楷;[D];重庆大学;2001年
王志鹏;[D];大连理工大学;2001年
曹龙汉;[D];重庆大学;2001年
蒲莹;[D];华北电力（北京）大学;2001年
中国硕士学位论文全文数据库
买强;[D];河北工业大学;2000年
周启明;[D];长安大学;2000年
马尚昌;[D];电子科技大学;2000年
韩莹;[D];大连理工大学;2000年
王虎;[D];北京工业大学;2000年
黄加亮;[D];大连海事大学;2000年
刘军;[D];大连理工大学;2000年
曹玉为;[D];大连理工大学;2000年
邱立鹏;[D];大连理工大学;2000年
左文树;[D];大连理工大学;2000年
&快捷付款方式
&订购知网充值卡
400-819-9993
《中国学术期刊（光盘版）》电子杂志社有限公司
地址：北京清华大学 84-48信箱 知识超市公司
出版物经营许可证 新出发京批字第直0595号
同方知网数字出版技术股份有限公司
订购热线：400-819-82499
在线咨询：
传真：010-
京公网安备74号上海斯将利传动机械有线公司
大型旋转机械状态监测与故障诊断系统的面向对象建模研究
大型旋转机械状态监测与故障诊断系统的面向对象建模研究摘要：超声波电机谐振升压式驱动技术研究中加工：显微镜下的加工 取样长度、评定长度在粗糙度测量中的应用普瑞玛推出6g加速度激光切割机立磨磨辊/盘瓦耐磨堆焊中的几个问题武汉轻轨工程跨线桥钢梁的焊接 国内全数字交流伺服控制系统问世高等工科院校CAD 基础教学实施构想 机械制造企业信息化规划与设计采用接刀方法线切割加工大长度齿条刀具基于多参量状态信息融合的刀具磨损状态智能识别模块化制造的研究和发展状况机械零件的损坏原因及处理方法数控机床常见故障及其分类国产数控机床的发展 呼唤高性能的配套功能部件电火花数控线切割机用户选型指南精密模具工刀具零件保护神PVDCVD特富龙盐浴氮化低切削力多功能APX立铣刀华工机床研制专用双面铣订填补国内空白 XX型号产品上难切削材料零件的切削 [标签:tag]
1 概 述 随着工业的日益发展，大型机组的功率越来越大，工作转还越赤越高，许多大型的机组需要在超临界转速下运行，而由于种种原因国内外大型机组的故障时有发生，造成世大的经济损失。例如1987年山西大同发电厂200MW机组转子断裂，1988年秦岭电厂5号机组主轴断裂，两.
1　概　述　　随着工业的日益发展，大型机组的功率越来越大，工作转还越赤越高，许多大型的机组需要在超临界转速下运行，而由于种种原因国内外大型机组的故障时有发生，造成世大的经济损失。例如1987年山西大同发电厂200MW机组转子断裂，1988年秦岭电厂5号机组主轴断裂，两次事故经济损失均达亿元以上。研究并应用先进的状态监测与故障诊断技术不仅可以早期发现故障，避免恶性事故的发生，还可以从根本上解决目前设备定期维修中维修不足和维修过剩的问题。据文献[1]介绍，如果我国电力部门全面推广设备诊断技术，仅维修费用每年可节约3.5亿元。为了避免和减少大型机组故障的发生，各国都投入大量的人力物力进行故障机理和故障诊断技术的研究。在这些研究成果的基础上，各研究单位针对不同的应用开发了一些故障诊断系统，有些诊断系统已经推广应用于工业生产并取得了很好的经济效益，如美国的Bently Nevada公司的3300系统、TDM、DDM系统，Westinghouse Electric Corporation的TurbinAID、GenAID、ChemAID系统[2]，国内的哈尔滨工业大学，清华大学、西安交通大学、浙江大学、华中理工大学等单位分别研制的故障诊断系统。这些系统在工业现场的应用成为工业企业有效地减少和避免大型机组故障发生的主要手段。　　机械故障诊断有两个方面的要求：一是发现故障，即判定故障发生与否；二是识别故障发生的部位、类型、性质、严重程度。因此，故障诊断系统相对这两面三刀个要求也应具备状态监测与故障诊断两个方面的功能，是这两个功能的有机结合体。目前国内外研究开发的故障诊断系统（包括已推向市场的产品）从功能来分，可以分为以基于信号处理和数据分析为主的监测型系统，如Bently Nevada公司的3300系统、Atlanta公司的M6000，和基于知识的智能诊断型系统，如Westinghouse Electric Corporation的TurbinAID、GenAID、ChemAID系统和IRD公司的501系统。但目前对故障诊断系统的开发过程进行较为全面的分析，并建立模型的文献并不多见，因此针对故障诊断系统的这两个方面的要求，充分考虑监测与诊断两个功能，采用面向对象技术，对故障诊断系统进行充分系统的分析，建立故障诊断系统的信息模型、动态模型和功能模型，为大型机组故障诊断系统的开发提供理论依据。2　面向对象分析法　　面向对象分析方法(Object-Oriented Analysis，简称OOA)综合了功能分解方法、数据流分析法和信息造型法三种方法的一些优点，并用面向对象概念统一了这些优点之后发展起来的一种新的分析方法。是人们将面向对象方法应用于系统分析而产生的一种新的方法论。OOA的概念是Shlaer, S.和Mellor, S.于1988年提出[4]，目前正处于研究和发展阶段[5,6]。　　面向对象分析方法是建立在人类自己的思维组织模式之上的一种分析方法。在传统的分析方法中，从问题空间到分析结果(即系统模型)的映射是间接的，原因之一就是分析人员所采用的思维模式与设计人员所采用的思维模式存在一定的距离。从根本上统一思维模式的方法就是在系统开发的各个环节中都采用人类原有的思维组织模式。面向对象分析方法是建立在人类自己思维模式的基础上，客观地、自然地应用客观世界本来的规律来开发应用系统的一种分析方法。　　面向对象分析方法可以用下面式子表示：　　面向对象分析方法＝对象＋分类＋继承性＋基于消息的通信　　其中，对象是被封装的一组属性和专有服务，它是问题空间中某种事物的一个抽象，同时也包含问题空间中这种事物的若干实例。　　面向对象分析方法在80年代末被提出后，得到了快速的发展。现在面向对象分析方法主要有两种，一是Shlaer和Mellor提出的面向对象分析方法[4]，这种方法主要是构造三个形式化模型，即信息模型(Information Model)、动态模型(State Model)和功能模型(Process Model)。另一种是Coad和Yourdon提出的面向对象分析方法[3]，组合了传统的分析方法和面向对象的特征，主要由5个步骤组成：对象的认定；结构的认定；主题的认定；属性和实例关联的定义；服务和消息关联的定义。3　故障诊断系统的面向对象分析与建模
3.1　故障诊断系统需求　　分析的故障诊断系统是一个面向化工行业高速大型旋转机械的在线状态监测和故障诊断系统(简称M&D)。该系统需要对汽压机组的12路振动信号及其峰峰值、17路轴瓦温度信号、17路压力及流量等工艺参数和24路开关量信号进行在线实时采集、存贮、显示、分析并进行故障诊断。为了提高故障诊断的准确性，还特别要求系统能对12路振动信号实现动态信号的整周期采样并进行实时频谱；为了实现系统的事故追忆功能，系统还须具有“黑匣子”功能。为了实现这些功能，系统采用上下位计算机机同步工作的方式进行工作。下位计算机主要负责机组信号的采集、静态信号的显示和一部分报警功能（监测）；上位计算机则负责故障诊断系统的数据的存贮、信号分析、故障诊断等工作。上、下位计算机通过网络进行消息通讯和数据传输。我们用Shlaer和Mellor提出的面向对象分析方法[4]对上位机的故障诊断系统进行分析，建立系统的信息模型、动态模型和功能模型。
3.2　系统的信息模型　　信息模型描述了系统中对象的表态结构及对象间的关系。信息模型以图表形式提供一个研究问题概念实体的全局概况(视图)。图形表达中每一个方框都与一个对象相关联。对象用研究领域的名词命名，并给以任意的标号。每个对象属性用一个星号或其它类似的区别符号标识。对象之间的关系在模型图中用线来描述。每一个关系用一个动词短语表示，为了便于记录每一个关系也用一个标号来标。对象模型因为对象的层次关系也具有一定的层次关系。随着对象分类程度的不同，对象模型所表达的信息也不一样。本文中仅给出系统的元对象模型，这是系统的主要核心。随着对象层次的逐渐分解，对象信息含量逐渐丰富，系统的象模型也越来越具体，直到一个可以计算机语言实现的系统对象模型为止。大型旋转机械状态监测与故障智能诊断系统的信息模型，如图1示。图1　大型旋转机械在线状态监测与故障诊断系统信息模型　　无论静态数据，还是动态数据，都是表征大型旋转机械运行状态的物理量，按时间顺序存放在数据库内，便于分析和诊断故障成因。数据库分日库、周库、月库、黑匣子数据库、趋势文件库和特征数据库6个子库。由于厂方的特殊要求，在日库、周库、月库、黑匣子数据库中存放原始的波形数据，在趋势文件库和特征数据库中存放趋势数据和特征数据。日库、周库、月库中的数据按一定的原则进行稀化。数据稀化的原则为：日库中所有数据每4秒钟保存一组数据；周库中每2分钟保存一组数据；月库中则每15分保存一组数据。黑匣子库保存在故障发生时刻前后各100组数据。趋势文件库中存放所有静态信号和动态信号的特殊频率的趋势数据；而特征数据库存放主要频率的幅值和相位信息。　　图1中常规信号分析的方法主要包括条形图、频谱图、级联图、瀑布图、波特图、极坐标图、轨迹图、时基图、轨迹图和趋势图。　　状态报警是系统用多层感知器神经网络对机组在正常时候的所有静态和动态信号进行学习，然后网络利用学到的知识来判断当前时刻机组的运行状态是否正常。　　常规故障诊断原理与状态报警基本上一样。这里典型故障是指多发的、常见的故障。根据厂里的情况，这类故障主要包括：不平衡、转子轴向碰摩、不对中、油膜涡动、亚谐共振、轴承与封瓦松动、推力轴承损坏、蒸汽涡动、轴承松动和不等轴承刚度等。神经网络对这些故障的实际数据和前人总结的诊断知识进行学习，将学习得到的诊断知识贮存在权矩阵中，并利用这些知识对机组的当前状态进行诊断。　　智能故障诊断是利用知识库中的知识对机组的运行状态进行诊断。知识库中的诊断知识以对象的形式组织。知识对象中包含故障诊断所需要的知识(产生式规则、神经网络、基因码规则)、获取故障特征所必要的分析方法和推理控制及故障的处理方法。故障智能诊断从故障的根节点开始，根据对象中的推理控制一层一层向终节点(最终能细分的故障)进行。最终能到达的节点就是诊断出来的结论(故障)。　　诊断系统必须具有诊断知识自动获取功能(机器学习)才能在实际应用中实现自我完善。本系统中诊断知识的自动获取主要由两个部分组成：一是通过神经网络对系统提供的样本进行学习，另一部分是利用基因算法对系统样本的学习。
3.3　系统的动态模型　　系统的状态模型描述了不断变化的系统中的各种因素。状态模型用来指明和实现系统的控制因素。状态模型以状态图表示，如图2示。图中以结点表示状态，并以数字标识，以弧表示由事件触发的状态之间的变化，箭头方向表示事件触发的方向。图2　系统的状态模型　　面向对象的分析假设所有的对象都有一个生命周期。一个生命周期由几个阶段组成。在特定的阶段都要指定对象实例行为的自然准则。生命周期包含对象在不同生命时期的不同状态。在开发的状态监测与故障诊断系统中，程序自动运行时的对象生命周期由下列几个阶段组成：1.采集状态数据；2.写入网络缓冲区；3.读取网络采集数据；4.进行数据常规分析；5.进行故障报警分析；6.进行典型故障诊断；7.显示分析结果；8.写入数据库。这是系统一般运行时监测功能的生命周期。　　另外，由于Windows环境下程序是一个多进程、多用户的系统，下列的对象可通过用户界面由用户手动激活或由系统根据状态分析诊断结果激活：数据库查询、事故追忆；趋势分析；升降速分析；进行智能故障诊断；知识库管理；诊断知识机器学习；系统声光报警；各种图表打印输出；人机交互界面。　　上面所描述的对象的生命周期可以继续细分，直至不能再分为止。图2是根据上述的分析所建立起来的大型旋转机械状态监测与故障诊断系统的状态模型。该模型给出了系统中主要对象的生命周期。图中每个框图表示对象生命周期的一个阶段，而一条带箭头的弧线代表对象发出的一个事件及消息的传递途径。所谓的事件(Event)是当一个对象的一个实例从一个阶段向另一个阶段发展时或向另外一个对象转移时发出的信号。
3.4　系统的功能模型　　系统过程模型用来说明值是如何计算的，而并不考虑动作序列，策略或对象模型。过程模型表明了值之间的依赖关系及相关的函数(功能)。过程模型是在构造信息模型与状态模型之后才构造的。在面向对象分析建模中可以用数据流程图(DFD)来表示系统功能模型。数据流程图(DFD)有助于表示功能依赖关系。功能可以用各种方式来描述：如自然语言，数学式子和伪码等。　　过程模型的构造按以下步骤执行：明确输入、输出值；建立体现函数依赖性的DFD图；描述函数；明确约束条件；确定优化标准。　　数据流程图是用来说明输出值是怎样从输入值得来的。DFD通常按层次组织。最顶层可能由单个过程组成，也可能由收集输入、计算值、生成结果(输出)的一个综合过程构成。在各层的DFD层次中，可以从输出值递推出它的功能。如果对操作的输入也是整个图的输入，就可以实行递推法。否则，有些操作是中间值，必须反过来跟踪。　　将顶层的DFD中的过程扩展成更低层次的DFD图。如果第二层次图中的过程仍包含一些可细化的过程，它们还可以递推扩展。图3表示了大型旋转机械在线状态监测与智能故障诊断系统的顶层数据流图，提供了系统的输入、输出值。根据图1的对象模型和图2的动态模型可以将顶层数据流图扩展为更低层次的DFD，因篇幅所限在此不作展开。图3　系统的顶层数据流图4　M&D系统实现　　M&D系统是按三个面向对象模型建立起来的一个面向化工行业高速大型旋转机械的在线状态监测和诊断系统，除了计算机的正常配置外，下位机硬件还包括1块前置信号处理卡、1块智能鉴相卡、1块PCL-1800采集卡、2块PCL-813卡和1块开关信号监控卡；上位机还内置一块以美国Texas公司TMS320C25数字信号处理卡为核心的并行处理系统(ATD-C25AT-C)，该系统每秒能执行1千万条指令，可使IBM-PC/AT达到超级小型机的运算速度。自行开发的智能鉴相板，根据鉴相信号的脉冲频率，经过32倍频后控制采样频率高达330K的PCL-1800高速采集板，对12路振动信号实现整周期采样；2块采样频率为25K的PCL-813采集板对12路振动信号的峰-峰值、17路温度信号和17路压力、流量等工艺参数进行采集；24路开关时量信号则由开关监控板(自行研制)进行监控。上位机中的数字信号处理系统负责诊断系统所需的数据分析。上、下位计算机通过NWlite点对点式的网络进行消息通讯和数据传输。下位机为了提高状态监测的实时性，利用PC机中断技术，采用在DOS环境下的Borland C
语言和Turbo Assembler汇编语言编写；上位机为了实现多任务处理，和分析图形显示的美观等要求，采用在Windows环境下用Visual C
语言进行编写，上位机中的数字信号处理板(DSP)接口程序由TMS320C25汇编语言编写。
重点推荐：丝杠加工维修下次自动登录&|
当前位置：
故障智能诊断系统的研究与应用(正文)
故障智能诊断系统的研究与应用
    
一、网络控制系统近年来，网络控制系统（NCS）己成为学术界和工业界的研究热点之一。将网络集成到控制系统中取代传统的计算机控制系统中的点对点连线具有很多优点，如：布线成本的降低，电缆重量的减少，安装过程的简化以及可靠性的提高等。网络控制系统（NCS）便于实现系统的诊断和维护，同时也可提高系统的柔性。但是，在反馈控制回路中加入通信网络的同时，也增加了控制系统分析和设计的复杂性。因此，网络控制系统必须解决的关键问题之一，就是在网络带宽有限的情况下如何保证控制系统的实时性与稳定性。（一）网络控制系统的概述图1.1网络控制系统结构图网络控制系统涵盖了两方面的内容：系统节点的分布化和控制回路的网络化。而通过网络形成控制回路是NCS最大的一个特点。网络控制系统结构图，见图1.1。（二）典型的网络控制系统目前应用于控制领域中的网络控制系统有现场总线控制系统控制系统；3.无线局域网控制系统。图1.2典型网络控制系统的结构图（三）网络控制系统的基本问题一般控制系统的研究内容，如控制算法、可靠性、实时性、互操作性、安全性等仍然属于网络控制系统的研究内容，但由于网络技术的应用，呈现出新特性，便产生了新问题，以下是网络控制系统的主要研究内容：1.控制时延；2.网络控制系统体系结构；3.网络控制系统通信协议与企业信息集成；4.抖动；5.网络控制系统的稳定性；6.网络控制系统的控制算法与调度优化方法；7.网络控制系统的互操作性；8.网络控制系统容错控制；9.数据包丢失；10.数据包的时序错乱；11.结点驱动方式；12.网络安全改进。随着控制系统向大型化和网络化发展，网络控制系统的故障诊断己成为一个新的研究课题。在工程实现中，NCS对安全性和可靠性要求很高，如果某些微小故障不能及时排出将造成巨大的灾难和损失。二、网络控制系统的故障诊断技术（一）故障诊断的基本概念与基本方法1.基本概念所谓故障诊断,就是利用被诊断系统的各种状态信息和已有的各种知识,进行信息的综合处理,最终得到关于系统运行和故障状况综合评价的过程。其基本目标是确定诊断对象有无故障,若有,则进一步确定故障的性质、原因、类型,以及发生的部位等。2.基本方法从不同的角度出发有多种故障诊断分类方法，概括的讲可以分为两大类：基于数学模型的方法和基于人工智能的方法。如图2.1所示。图2.1故障诊断方法分类示意图（二）故障诊断方法的研究1.基于数学模型的方法⑴基于直接测量系统输入输出及信号处理的方法该诊断方法是直接测量被诊断对象有关的输出量，如果输出超出正常变化范围，则可以认为对象已经或将要发生故障。这种方法简单，但容易出现故障的误判和漏判。另一种较为可行的方法是用一定的数学手段描述输出在幅值、相位、频率及相关性上与故障源之间的联系，通过分析与处理这些量，来判断故障的位置。常用的方法有谱分析法、概率密度法、相关分析法等。⑵基于状态估计的方法被诊断过程的状态，通过估计出系统的状态并结合适当模型则可进行故障诊断。首先重构被诊断过程的状态，并构成残差序列，残差序列中包含各种故障信息。基于这个序列，通过构造适当的模型并采用统计检验法，才能把故障从中检测出来并做进一步的分离、估计和决策。状态估计的方法通常是状态观测器及滤波器。采用这个方法的前提条件是：①过程数学模型知识（结构及参数）；②噪声的统计特征；③系统可观测或部分可观测；④方程解析应有一定精度；⑤在许多场合下将模型线性化并假设干扰为白噪声。⑶基于过程参数估计的方法此方法与基于状态估计的诊断方法不同，它不需要计算残差序列，而是根据参数变化的统计特性来检测故障的发生，而后进行故障分离、估计和分类。由于可以建立故障与过程参数的精确联系，因此这种方法比基于状态估计的方法更有利于分离故障。最小二乘法简单实用，是参数估计的首选方案。采用此方法的前提条件是：①需建立精确的数学模型；②需要有效的参数估计方法；③被控过程的充分激励；④选择适当的过程参数；⑤必要的统计决策方法。基于数学模型的故障诊断方法，其优点是能深入系统本质的动态性质和实现实时诊断，缺点是当系统模型未知、不确定或具有非线性时，这种方法不易实现。2.基于人工智能的方法⑴基于专家系统（ES）的方法基于专家系统的诊断方法是故障诊断领域中最为引人注目的发展方向之一，也是研究最多，应用最广的一类智能诊断技术。它大致经历了两个发展阶段：基于浅知识（领域专家的经验知识）的故障诊断系统和基于深知识（诊断对象的模型知识）的故障诊断系统。①基于浅知识的诊断方法。浅知识是指领域专家的经验知识。此诊断系统通过演绎推理或产生式推理来获取诊断结果，其目的是寻找一个故障集合使之能对一个给定的征兆（包括存在的和缺席的）集合产生的原因做出最佳解释。此方法具有知识表达直观、形式统一、模块性强、推理速度快等优点，但也具有较大的局限性，如知识集不完备，对没有考虑到的问题系统容易陷入困境；对诊断结果的解释能力弱等。②基于深知识的诊断方法。深知识则是指诊断对象的结构、性能和功能的知识。此诊断系统要求对象的每一个环节具有明确的输入输出表达关系，诊断时首先通过诊断对象实际输出与期望输出之间的不一致，生成引起这种不一致的原因集合，然后根据诊断对象领域中的第一定律知识（具有明确科学依据的知识）及其他内部特定的约束关系，采用一定的算法，找出可能的故障源。这种方法具有知识获取方便、维护简单、完备性强等优点，但搜索空间大，推理速度慢。近年来发展了基于经验知识和模型知识相结合的故障诊断方法。③基于浅知识和深知识的混合诊断方法。对于复杂设备系统而言，无论单独使用浅知识还是深知识，都难以很好地完成诊断任务，只有将两者结合起来，才能使诊断系统的性能得到优化。因此，为了使故障智能诊断系统具备与人类专家能力相近的知识，研制者在建造智能诊断系统时，越来越强调不仅要重视领域专家的经验知识，更要注重诊断对象的结构、功能、原理等知识，研究的重点是浅知识与深知识的集成表示方法和使用方法。事实上，一个高水平的领域专家在进行诊断问题求解时，总是先将他具有的深知识和浅知识结合起来，完成诊断任务。一般优先使用浅知识，找到诊断问题的解或者是近似解，必要时用深知识获得诊断问题的精确解。专家系统方法一直是基于知识的故障诊断中的研究重点，经多年发展已比较成熟。它不需要一个人类问题求解的精确匹配，而能够通过计算机提供一个复制问题求解的合理模型。图2.2是一个基于知识的专家系统的工作模型，由知识库、全局数据库、推理机、知识获取机制、解释机制和用户界面六个部分组成。分为专家系统运行和知识库管理两个功能模块。专家系统运行模块用来实现基于知识的故障诊断和故障码的速查。知识库管理模块用来实现推理规则和故障码的录入、存储、校验以及知识库的转换。图2.2基于知识的专家系统工作模型⑵基于案例的诊断方法此方法能通过修订相似问题的成功结果来求解新问题。它能通过将获得新知识作为案例来进行学习，不需要详细地诊断对象模型。在这种推理方法中，主要包括：案例表达和索引、案例的检索、案例的修订、从失败中学习等。此方法的原理是，对于所诊断的对象，根据其特征从案例库中检索出与该对象的诊断问题最相似匹配的案例，然后对该案例的诊断结果进行修订作为该对象的诊断结果。此方法适用于领域定理难以表示成规则形式，而易表示成案例形式并且已经积累了丰富的案例的领域。它的局限性是：传统的方法难以表示案例之间的联系；对于大型案例库进行检索非常费时，并且难以决定应选择那些症状及它们的权重；此方法难以处理案例修订时的一致性检索，难以对诊断结果加以解释。⑶基于人工神经网络（ANN）的方法神经网络在故障诊断领域的应用研究主要集中在两个方面：一是从模式识别的角度，应用神经网络作为分类器进行故障诊断；二是将神经网络与其他诊断方法相结合而形成的复合故障诊断方法。人工神经元网络用于故障诊断主要有四种方式：①用神经元网络产生残差；②用神经元网络评价残差；③用神经元网络做进一步诊断；④用神经元网络作自适应误差补偿。把模糊数学与神经网络相结合，可以在神经网络框架下引入定性知识，能得到更好的诊断性能，具有巨大的应用前景。联合多个神经网络的诊断方法能提高故障诊断的可靠性。因为神经网络存在诸如：训练样本获取困难、网络权值表达方式难以理解、忽视了领域专家的经验知识等问题，所以通过与基于模型的方法、专家系统、信息融合等理论相结合，可以弥补其不足。神经网络是由大量的神经元广泛互连而成的网络。根据连接方式不同，可分为两大类：没有反馈的前向网络和相互结合型网络。ANN的工作过程有两个阶段组成。一个是学习期（自适应期或设计期），此时各计算单元状态不变，各连接权值可修改（通过学习样本或其它方法）。另一个阶段是工作期，此时各连接权值固定，计算单元的状态变化，以求达到稳定状态。神经网络的优点是，具有复杂多模式及进行联想、推理和记忆功能。目前有五种常用于故障诊断的神经网络模型种类，如图2.6所示。文献[10]对这五种模型作了详细介绍。图2.65种常用于故障诊断的神经网络模型⑷基于模糊数学的方法此方法不需要建立精确的数学模型，适当地运用隶属函数和模糊规则，进行模糊推理就可以实现模糊诊断的智能化。但对于复杂的诊断系统，要建立正确的模糊规则和隶属函数是非常困难的，而且要花费很长的时间。对于更大的模糊规则和隶属函数集合而言，难以找出规则与规则之间的关系，也就是说规则有“组合爆炸”现象发生。另外由于系统的复杂性、耦合性，由时域、频域特征空间至故障模式特征空间的映射关系往往存在着较强的非线性，这时隶属函数形状不规则，只能用规范的加以代替处理，从而使得非线性系统的诊断结果不够理想。⑸基于故障树的方法故障树方法是由计算机依据故障与原因的先验知识和故障率知识自动辅助生成故障树，并自动生成故障树的搜索过程。诊断过程从系统的某一个故障开始，沿着故障树不断提问而逐级构成一个递接故障树，通过对此故障树的启发式搜索，最终查处故障的根本原因。三、故障智能诊断发展的现状故障智能诊断系统的发展历史虽然短暂，但在电路与数字电子设备、机电设备、军事设备等方面已取得了令人瞩目的成就。在20世纪80年代，故障智能诊断系统被认为是诊断技术的重要发展方向，这是因为，一方面故障智能诊断具有传统诊断方法无法比拟的优点，另一方面，复杂的设备诊断在很大程度上需要依赖专家的经验知识。因此国内外专家学者陆续开发了一大批基于知识的故障诊断系统，各种诊断方法和技术也在诊断系统中得到了应用。但从已取得的研究成果来看，目前的故障智能诊断系统还存在许多尚需进一步解决的问题。下面从诊断知识的角度给予分析：①知识库庞大；②解决问题能力的局限性；③深、浅知识结合能力差；④自动获取知识能力差；⑤容错能力差；⑥对不确定性知识的处理能力差。总之，故障智能诊断系统无论在理论上还是在系统开发方面都已取得了很大进步，但真正投入使用并且功能完善的系统并不多，大多数研究成果仍然停留在实验室阶段。造成这种理论与实践脱节有两个方面的原因，一方面是由理论研究所限定的条件与实际应用时的情况相差甚远，另一方面是由于对诊断对象缺乏深刻的认识和研究，而且作为人工智能技术本身也有待进一步发展和完善。四、故障智能诊断系统的发展趋势随着知识工程的发展以及数据库、神经网络等技术的日新月异，必然引起故障智能诊断系统的在各个方面的不断发展。其发展趋势可概括为以下几点：1多种知识表示方法的结合；2经验知识与原理知识的紧密结合；3诊断系统与神经网络的结合五、结论本论文系统而深入的讨论了ANN和ES。到目前为止，这两种方法基本上还是分开研究的，不论哪种方法实现的系统都是有局限性的，两种方法各有所长，传统的ES擅长模拟人类的逻辑思维，而ANN方法擅长模拟人类的形象思维，两种方法综合在一起研究则是模拟智能必然的道路。ANN和ES相结合的神经网络专家系统，其可预见的优点是：它不但具有高度并行及容错性、实时性和自适应性，还具有自组织、自学习、联想记忆以及在工作中不断创新等功能。总之，神经网络专家系统具有很大的潜力。未来智能计算机可能就是这两者有机的、最佳的结合，ES或知识工程将更进一步沿着这条道路向纵深发展。可以预言，ANN和ES的成功结合将推动故障诊断系统方法的研究进入一个新的时期，也将为其在复杂电子装备系统中的应用提供新的领域。
欢迎转载，转载请注明作者和出处！
责任编辑：丁倩
更多相关资讯：
热门产品分类