人工智能方法故障診斷

人工智能方法故障診斷。2基于人工智能的故障診斷方法的應(yīng)用現(xiàn)狀基于人工智能的故障診斷方法不需要知道被控對象的精確模型，能很好的應(yīng)對不確定性和模糊性的隨機故障。目前基于人工智能的故障診斷方法主要有以下幾個方向：基于模糊的方法、基于神經(jīng)網(wǎng)絡(luò)的方法、專家系統(tǒng)故障診斷方法、基于遺傳算法、支持向量機的方法、基于數(shù)據(jù)挖掘的方法、基于圖論的模型推理方法等，以下是對幾種故障診斷方法的具體論述。2.1基于模糊的故障診斷方法在模糊診斷中，各種故障征兆和故障成因之間都存在不同程度的因果關(guān)系，但表現(xiàn)在故障與征兆之間并非存在一一對應(yīng)的關(guān)系，故障征兆信息的隨機性、模糊性加上某些信息的不確定性，造成了故障形式復(fù)雜多樣性。這種模糊性和隨機性往往不能用精確的數(shù)學(xué)公式來描述，然而用模糊邏輯、模糊診斷矩陣等模糊理論來分析其故障與現(xiàn)象之間的不確定性關(guān)系是可行的，從模糊數(shù)學(xué)的角度看，故障診斷是一個模糊推理問題。因而基于模糊的診斷方法得到了長足的發(fā)展［2-4］。故障診斷通常是基于一定的征兆，做出可能引起這些征兆的故障判別，而模糊邏輯系統(tǒng)是應(yīng)用模糊理論解決問題的重要形式。研究表明，通過建立模糊邏輯系統(tǒng)，采用模糊推理的方法能夠?qū)崿F(xiàn)故障診斷。不過，成熟地應(yīng)用基于模糊邏輯系統(tǒng)的故障診斷方法，需要解決好如何建立模糊診斷規(guī)則庫等關(guān)鍵問題。常用的模糊邏輯診斷方法一般步驟是檢測信號經(jīng)過模糊化單元處理后，輸入到模糊推理規(guī)則庫中進(jìn)行分析，其輸出即為故障信息的模糊輸出，經(jīng)過解模糊單元處理后即可得出故障原因。另外一種基于模糊理論的診斷方法是用模糊診斷矩陣來描述故障原因和故障征兆之間關(guān)系的方法。其模糊關(guān)系矩陣的數(shù)學(xué)模型為［3］:T

TY二RX丫…y「—X:=(PX]-4，)-r11r12r1…11mR=r12「22…r2m=(rij)nxm「1rn2…rnm_1式中:丫為診斷矩陣,'yi為對象具有故障丫，的隸屬度（i=1,2,…,n).X為起因矩陣,uXj為對象具有癥狀Xj的隸屬度（j=1,2,…，m）；R為征兆矩陣，描述了故障征兆與故障原因之間的關(guān)系。m乞=1i4ij（0乞乞1;1乞i空n;1乞j空m）?；谀：墓收显\斷方法的優(yōu)點在于：可將人類的語言化的知識嵌入系統(tǒng)；可模擬人類的近似推理能力，且通用性好，只要針對不同的故障類型對推理規(guī)則進(jìn)行修改就可以應(yīng)當(dāng)不同的故障診斷。但與傳統(tǒng)的故障診斷理論和方法相比，仍有不成熟之處：基于模糊邏輯的故障診斷方法缺少在線學(xué)習(xí)能力，不適應(yīng)被控對象變化的需要；模糊隸屬函數(shù)和模糊推理規(guī)則無法保證任何情況下都為最優(yōu)；尚未建立起有效的方法來分析和設(shè)計模糊系統(tǒng)，主要還是依賴專家經(jīng)驗和試湊。2.2基于人工神經(jīng)網(wǎng)絡(luò)的故障診斷方法從故障診斷的過程來講，故障診斷實質(zhì)上也是一類模式分類問題，而人工神經(jīng)網(wǎng)絡(luò)

（ANN）作為一種自適應(yīng)的模式識別技術(shù)，非常適合用于建立大型復(fù)雜系統(tǒng)的智能化故障診斷系統(tǒng)。神經(jīng)網(wǎng)絡(luò)通過輸入層、隱含層和輸出層來建立故障類型和故障原因之間復(fù)雜的映射關(guān)系。

基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法具有強大的自學(xué)習(xí)和數(shù)據(jù)處理能力，其分類方式通過網(wǎng)絡(luò)學(xué)習(xí)來確定系統(tǒng)參數(shù)和結(jié)構(gòu)來完成訓(xùn)練過程。將樣本庫的知識以網(wǎng)絡(luò)的形式存儲在神經(jīng)網(wǎng)絡(luò)的連接權(quán)中是神經(jīng)網(wǎng)絡(luò)的獨特之處。待檢測故障信息經(jīng)已訓(xùn)練好的網(wǎng)絡(luò)處理后可自動對被識別對象進(jìn)行分類。故障診斷中神經(jīng)網(wǎng)絡(luò)所采用的模型大多為BP網(wǎng)絡(luò)，這主要由于對

BP模型的研究比較成熟［5-6］。神經(jīng)網(wǎng)絡(luò)故障診斷技術(shù)被廣泛應(yīng)用于

電力系統(tǒng)及發(fā)電機組的故障診斷中，都是利用神經(jīng)網(wǎng)絡(luò)強大的自學(xué)習(xí)功能、并行處理能力和良好的容錯能力，避免冗余實時建模的需求。如上所述，神經(jīng)網(wǎng)絡(luò)模擬人腦，采用并行存儲和處理結(jié)構(gòu)，具有很強的非線性映射能力、良好的學(xué)習(xí)能力和適應(yīng)能力、獨特的聯(lián)想記憶能力等優(yōu)點與基于數(shù)學(xué)模型的故障診斷方法相比，基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法無需精確的數(shù)學(xué)模型，無需相關(guān)診斷對象的故障診斷知識，僅需提前得到網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)，就可實現(xiàn)理想的效果。這也是故障診斷智能手段的優(yōu)勢所在。然而，基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法也存在內(nèi)在不足：學(xué)習(xí)樣本容量大時，收斂速度慢，易陷入局部極小值；問題的解決依賴于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的選擇、訓(xùn)練過度或不足、較慢的收斂速度等都可能影響故障診斷的效果；定性的或語言化的信息無法在神經(jīng)網(wǎng)絡(luò)中直接使用或嵌入，而且較難用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的輸入輸出映射關(guān)系來解釋實際意義的故障診斷［7-8］。2.3基于模糊神經(jīng)網(wǎng)絡(luò)的故障診斷方法模糊和神經(jīng)網(wǎng)絡(luò)的有效結(jié)合成為了智能化故障診斷的主要方法之一。

20世紀(jì)80年代末開始出現(xiàn)了兩者相融合的趨勢。該方法將神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)優(yōu)點與模糊數(shù)學(xué)的模糊推理方法有效結(jié)合，解決了故障診斷中模糊規(guī)則難以確定的問題；禾U用模糊理論模擬人的控制能力和神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能，確定了模糊規(guī)則和模糊隸屬度，建立故障診斷的模型。在故障診斷領(lǐng)域中，模糊神經(jīng)網(wǎng)絡(luò)一般有兩種構(gòu)造方法：一種是直接根據(jù)模糊規(guī)則或模糊分類算法構(gòu)造相應(yīng)功能的網(wǎng)絡(luò)模型，將較成熟的模糊系統(tǒng)轉(zhuǎn)化為相應(yīng)功能的模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)，以利用神經(jīng)網(wǎng)絡(luò)的自適應(yīng)自學(xué)習(xí)能力提高診斷精度。另一種是將模糊分類方法與神經(jīng)網(wǎng)絡(luò)模型相結(jié)合組成復(fù)合診斷模型，有2種復(fù)合方式：一是將模糊概念融合到神經(jīng)網(wǎng)絡(luò)的輸人層與輸出層中，即將神經(jīng)網(wǎng)絡(luò)模型直接作為診斷模型；二是根據(jù)故障診斷任務(wù)將模糊分類方法和神經(jīng)網(wǎng)絡(luò)相結(jié)合，利用各自的優(yōu)勢分擔(dān)診斷中的部分功能，以構(gòu)造通用的模糊神經(jīng)網(wǎng)絡(luò)診斷模型［9-10］。模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)的結(jié)合方式很多，比較通

用的一種結(jié)構(gòu)如圖1所示［11］。輸入特征量X1，X2^Xn，首先進(jìn)入模糊化層進(jìn)行模糊化處理，將原始信息轉(zhuǎn)換成隸屬度的形式

，主要完成語義信息等定性知識以及不確定性信息的定量化處理。然后將特征的隸屬度輸入到神經(jīng)網(wǎng)絡(luò)診斷模型，圖

1所示的故障診斷模型實際上就是

n維故障征兆空間到m維故障類型空間的非線性映射

f：R>Rm,f（X）二丫，因而可選用三層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)完成映射關(guān)系。輸入層到隱層以及隱層到輸出層的傳遞函數(shù)需要滿足可微條件。輸出信息根據(jù)實際情況

，將定量信息進(jìn)一步清晰化處理,得到輸出結(jié)果

y2,…ym圖1一種模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖將模糊邏輯與神經(jīng)網(wǎng)絡(luò)相結(jié)合，既兼顧故障診斷知識的模糊性，又可利用神經(jīng)網(wǎng)絡(luò)強大自學(xué)習(xí)能力的特點，共同作用，使得系統(tǒng)故障診斷效果更佳。當(dāng)然兩者結(jié)合也有缺點：在許多情況下仍不能直接處理模糊輸入輸出信息。2.4專家系統(tǒng)故障診斷方法專家系統(tǒng)作為人工智能中最活躍的一個分支為故障診斷注入了新的活力。專家系統(tǒng)應(yīng)用于故障診斷技術(shù)是指人們根據(jù)長期的實踐經(jīng)驗和大量的故障信息知識，設(shè)計出的一種智能化的計算機程序系統(tǒng)，模擬人類專家解決問題的思維方式進(jìn)行智能診斷。專家系統(tǒng)可以解決一類難以用數(shù)學(xué)模型來精確描述的系統(tǒng)故障診斷問題。傳統(tǒng)的專家系統(tǒng)的核心主要包括以下幾部分：全局?jǐn)?shù)據(jù)庫、知識庫、推理機、解釋部分、人機接口幾個模塊。全局?jǐn)?shù)據(jù)庫用以存放當(dāng)前故障信息，即專家系統(tǒng)當(dāng)前要處理的對象信息；知識庫用以存放故障診斷用的專門知識，在知識表達(dá)方面，大多數(shù)診斷型專家系統(tǒng)都是以產(chǎn)生式規(guī)則或框架式進(jìn)行知識表達(dá)；推理機是根據(jù)當(dāng)前的輸入信息結(jié)合知識庫規(guī)則進(jìn)行推理以達(dá)到診斷目的；推理機中的推理方式是故障分類是否合理的關(guān)鍵?，F(xiàn)階段，專家系統(tǒng)在診斷推理方面，著重于對推理邏輯和推理模型的研究。模糊邏輯作為一種降低系統(tǒng)復(fù)雜性的方法近期在專家系統(tǒng)的推理邏輯中得到了廣泛的應(yīng)用。最近有學(xué)者提出了基于模型的知識庫的理論，如神經(jīng)網(wǎng)絡(luò)模型、定性物理模型等，這無疑給人工智能領(lǐng)域注入了新的活力。解釋部分和人機接口是用戶從計算機系統(tǒng)得出診斷結(jié)論的過程。專家系統(tǒng)不受時間、空間和環(huán)境影響，從整個診斷過程來看理論較成熟，且隨著計算機技術(shù)的飛速提高，其診斷速度和準(zhǔn)確性也在不斷提高。但由于建立完善的故障診斷專家系統(tǒng)在很大程度上依賴于故障原因和故障征兆之間的邏輯關(guān)系，所以推理機制的選擇是專家系統(tǒng)設(shè)計中的關(guān)鍵問題［12-14］。2.5基于遺傳算法的故障診斷方法遺傳算法是一種基于自然選擇和自然遺傳學(xué)機理的迭代自適應(yīng)概率性方法。通過繁殖、交叉、變異等操作逐代進(jìn)化，最終搜索獲得問題的滿意解。它的推算過程是通過并行計算來不斷接近最優(yōu)解以達(dá)到全局最優(yōu)。遺傳算法應(yīng)用于故障診斷從目前來看，一種是直接應(yīng)用于故障診斷之中，主要用于提取特征向量，為診斷的后續(xù)處理準(zhǔn)備；另外，研究得較多就是將其與其他的診斷方法相結(jié)合應(yīng)用。GA算法通常是針對不同問題定義一個適應(yīng)度函數(shù)來模擬生物界中的環(huán)境，而適應(yīng)度函數(shù)值就代表該個體對環(huán)境的適應(yīng)程度，適應(yīng)度值越高，表明該個體適應(yīng)環(huán)境的能力越強。適應(yīng)值函數(shù)的構(gòu)造方法對于該算法的有效性很關(guān)鍵。遺傳算法比傳統(tǒng)算法有很多獨特之處：它能同時搜索解空間的多個點，從而使之收斂于全局最優(yōu)或近似全局最優(yōu)解；遺傳算法中交叉、變異和繁殖等算子不受確定性規(guī)則的控制，適應(yīng)性強，其使用的算子是隨機的。

另外它還具有智能性和并行性，適合用于解決結(jié)構(gòu)復(fù)雜的問題。遺傳算法目前面臨的問題在于：在選擇適應(yīng)值函數(shù)時需要根據(jù)不同的情況選擇不同的方法，建立適當(dāng)?shù)倪m應(yīng)值函數(shù)可以提高分類能力；由于遺傳算法是并行全局尋優(yōu)過程，因此當(dāng)問題的規(guī)模擴大時，其計算量也較大。2.6基于支持向量機的故障診斷方法SVM是一種基于統(tǒng)計學(xué)習(xí)理論的機器學(xué)習(xí)算法，根據(jù)統(tǒng)計學(xué)習(xí)和結(jié)構(gòu)最小化原則，通過對訓(xùn)練樣本的學(xué)習(xí)，掌握樣本的特征，對未知樣本進(jìn)行預(yù)測。從這個角度講，支持向量機可看做是類似于人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)機器。近年來，將SVM用于故障診斷方法中得到了廣泛應(yīng)用，Vapnik等人提出了標(biāo)準(zhǔn)SVM方法［15-16］，它已在許多領(lǐng)域取得了成功的應(yīng)用，顯示出巨大的優(yōu)越性。采用支持向量機進(jìn)行故障診斷具有以下幾個優(yōu)勢：①較強的泛化能力：支持向量機由有限的訓(xùn)練樣本得到小的誤差，其本質(zhì)是在有限樣本中最大限度地挖掘隱含在數(shù)據(jù)中的分類信息；②該算法將分類問題轉(zhuǎn)化為一個凸規(guī)劃問題，因此局部最優(yōu)解一定是全局最優(yōu)解，從理論上保證全局最優(yōu)；③在非線性情況下，SVM通過核函數(shù)將原空間中的非線性問題轉(zhuǎn)化為高維空間中線性問題，巧妙地解決了維數(shù)災(zāi)難問題，并且能以任意精度逼近任意函數(shù)。這種算法的不足之處是：當(dāng)樣本數(shù)據(jù)的個數(shù)增加時，相應(yīng)的凸規(guī)劃問題也越復(fù)雜，計算速度也越慢。3基于人工智能的故障診斷方法的新進(jìn)展3.1基于粗糙集的故障診斷方法粗糙集理論是由波蘭學(xué)者

PawlakZ.在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。這種方法可以把已有知識直接與不同模式聯(lián)系在一起，能有效的分析處理不確定、不完整等各種不完備信息，并能從中發(fā)現(xiàn)隱含的知識，揭示知識間的潛在規(guī)律。其主要思想是在保持分類能力不變的前提下，利用已知的知識庫，通過對知識的約簡，導(dǎo)出概念的分類規(guī)則。從本質(zhì)上講，粗糙集是一種基于最小誤診率的診斷方法。粗糙集用于故障診斷領(lǐng)域可以處理故障診斷領(lǐng)域中普遍存在的故障描述信息不完備、不一致的特點，主要用于分類規(guī)則學(xué)習(xí)和輸入信息的規(guī)則約簡，例如將粗糙集理論用于故障診斷規(guī)則提取、故障診斷專家系統(tǒng)知識庫的建立、以及與其他智能診斷方法結(jié)合等，

在應(yīng)用中，粗糙集表現(xiàn)出了強大的不一致信息處理能力［17-18］?；诖植诩姆椒芎芎玫靥幚砣哂嘈畔⒑筒灰恢滦畔?。目前也存在一定的問題：應(yīng)用粗糙集對海量數(shù)據(jù)信息尋找最優(yōu)約簡時，由于要考慮知識屬性，所以計算規(guī)模的大小很大程度取決于對象屬性；粗糙集理論基于在線發(fā)現(xiàn)的知識，缺少對先驗知識的學(xué)習(xí)能力。3.2基于模糊聚類的故障診斷方法模糊聚類就是根據(jù)分類對象的特性形成一個特征空間，依據(jù)對象樣本的相似性程度用模糊數(shù)學(xué)的方法對事物進(jìn)行分類。這樣整個特征空間就被不同的特性分成不同的區(qū)域，而每個區(qū)域又有一個聚合中心，該中心是本區(qū)域特性的代表。在聚類的過程中，只要聚類半徑選擇得當(dāng)，相似類型的對象即可歸為一類，在故障診斷中不同的聚類中心可以基本代替所有故障征兆變量，經(jīng)過模糊聚類之后輸出即可表征所對應(yīng)的故障類型。該算法目前也面臨以下問題：求聚類中心目標(biāo)函數(shù)的極值時應(yīng)選擇適當(dāng)?shù)乃惴ǎ员苊庀萑刖植繕O小而得不到最優(yōu)分類；當(dāng)不同的故障同時發(fā)生時需要分類樣本能同時診斷出多種故障；當(dāng)數(shù)據(jù)規(guī)模擴大時，需要一定的先驗知識，即需要人工來確定聚類數(shù)；不同的故障征兆對分類有不同的影響，有的征兆對分類結(jié)果起主導(dǎo)作用

，有的征兆對分類結(jié)果影響較小，甚至還有些征兆是冗余的，這就需要在模糊聚類之前首先進(jìn)行粗略處理

[19-20]。3.3基于數(shù)據(jù)挖掘的故障診斷方法數(shù)據(jù)挖掘方法是近年來發(fā)展起來的，它可以直接從大量的歷史數(shù)據(jù)庫中挖掘深層次的知識和信息，提取出狀態(tài)數(shù)據(jù)庫中相應(yīng)的故障診斷知識。利用數(shù)據(jù)挖掘方法進(jìn)行故障診斷一般包含

4個步驟：數(shù)據(jù)挖掘目標(biāo)描述與數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)預(yù)處理、數(shù)據(jù)挖掘和目標(biāo)評估。數(shù)據(jù)挖掘目標(biāo)描述主要是指故障點集合、故障診斷數(shù)據(jù)源集合以及選擇合適的數(shù)據(jù)挖掘算法。數(shù)據(jù)準(zhǔn)備主要是根據(jù)數(shù)據(jù)挖掘的目標(biāo)收集、整理與所診斷的故障相關(guān)的所有數(shù)據(jù)。數(shù)據(jù)預(yù)處理就是將初始的數(shù)據(jù)點根據(jù)一定的