1、第第7 7章章 故障诊断新技术故障诊断新技术 故障诊断就是寻找故障原因的过程,包括状态检测、故障原因分析及劣化趋势预测等内容 传统故障诊断技术在分析结构比较复杂的深层次故障时效果不理想,且对操作员能力要求较高;故障诊断过程,常常需要多知识表达形式和多推理模式,以及合理的控制机构。从发展趋势来看,智能诊断技术将在这些方面得到进一步的发展。由于智能故障诊断技术可模拟人类的逻辑思维和形象思维,将人类各种知识融入诊断过程,故可实现对大型复杂设备的实时、可靠、深层次和预测性故障诊断,获得的诊断信息就能准确地对诊断对象的状态进行识别和预测。因此这一技术也受到了世界各国工程研究人员的普遍重视。目前,随着基于
2、行为的人工智能、分布式人工智能、多传感器信息融合技术以及新理论的提出与发展,故障诊断也获得了新的发展机遇。新的理论将会运用到智能诊断中,如进一步完善信息融合诊断、进化算法、图论模型推理法等,这些理论的不断发展将会不断完善智能诊断技术。通过对多种不同诊断技术的交叉融合,可将智能诊断系统集成化,从而可充分发挥各自方法的优点,进一步提高诊断系统的综合诊断能力。对于大型、复杂的远程分布式设备来讲,各子诊断系统同系统级诊断系统的信息传递和综合诊断评估分析显得尤为重要。因此,远程分布式智能故障诊断系统的出现将显著提高诊断效率,节约诊断成本,进一步提升诊断智能化水平。诊断技术也将向着诊断全智能化、综合化方向
3、,即向集监控、测试诊断、管理和根据现阶段运行状况进行后期预测于一体的全智能综合系统诊断方向发展 智能诊断技术是在计算机和人工智能的基础上发展起来的,是一门集数学、物理、化学、电子技术、计算机技术、通讯技术、信息处理、模式识别和人工智能等多学科于一体的综合性技术,他的出现为提高现代复杂工程技术系统的可靠性开辟了一条新的途径 国内诊断技术从80年代中期开始进人了迅速发展时期。目前,在理论研究方面,已形成了具有我国特点的故障诊断理论,并出版了一系列相关论著,研制出了可与国际接轨的大型设备状态监测与故障诊断系统 华中科技大学研制的用于汽轮机组工况监测和故障诊断的智能系统 哈尔滨工业大学和上海发电设备成
4、套设计研究所联合研制的汽轮发电机组故障诊断专家系统 清华大学研制的用于锅炉设备故障诊断的专家系统 山东电力科学研究院同清华大学联合研制的“大型汽轮机发电机组远程在线振动监测分析与诊断网络系统”重庆大学研制的“便携式设备状态监测与故障诊断系统”等 国外在诊断技术领域起步较早,并形成了比较成熟完善的诊断理论,所以其诊断技术的发展优于我国。Radial公司于1987年开发了汽轮发电机组振动诊断用专家系统,在建立逻辑规则的基础上,设有表征振动过程各种成分与其可能故障源之间关系的概率数据,且其搜集知识的子系统具有人机对话形式 瑞士ABB公司目前正在大力发展振动观察系统(vibro-view),并由诊断软
5、件精确诊断机器故障;法国电气研究与发展部近年来也发展了以监测与诊断辅助站的PSAD系统,用于大型电站机组的监测与诊断 英国在60年代末,由Collacott的机械状态监测中心首先开始诊断技术的研究;德国的西门子公司、丹麦的B&K公司等也都开发出了各自的诊断系统 东芝电气公司与东京电力公司于1987年合作开发的大功率汽轮机轴系振动诊断系统,采用计算机在线快速处理振动信号的解析技术与评价判断技术,设定一个偏离轴系正常值的极限值作为诊断的起始点进行诊断 日立公司研究了用于核反应堆的故障诊断系统,以后逐步发展形成了一套完整的寿命诊断方法;三菱公司则在80年代初期开发了MHM振动诊断系统,该系统能自动或
6、通过人机对话进行异常征候检测并能诊断原因,其特点是可根据动矢量来确定故障 智能诊断技术是在计算机和人工智能的基础上发展起来的,所以其在工程实现中主要是组成以计算机为主体的智能诊断系统,他有单机模式、分布式模式、网络化模式3种结构模式。其方法主要有:基于专家系统的诊断方法、基于模糊逻辑的诊断方法、基于神经网络的诊断方法以及基于模糊粗糙集的诊断方法等 基于专家系统的诊断方法 专家系统故障诊断方法是在计算机采集被诊断对象的信息后,综合运用各种规则,进行一系列推理,必要时还随时调用各种应用程序,运行过程中向用户索取必要的信息后,快速地找到最终故障或最有可能的故障,再由用户来证实的一种方法。主要由6部分
7、组成:知识规则库、数据库、推理机、解释机构、故障查询机构和人机接口。其内部具有某个领域专家的知识和经验,能够利用人类专家的知识和解决问题的方法来解决问题。该方法是人工智能理论在故障诊断领域中最成功的应用,也是目前故障诊断领域最常用的方法,其各部分的功能如图 基于模糊逻辑的诊断方法 模糊逻辑是用来描述、处理自然界和人类社会中不精确、不完整信息的数学工具。由于在设备的运行过程中,故障的发生是一个渐变的过程,会出现一些处于完好与故障之间的中间状态,设备表现出来的征兆也是如此,因而设备的各种征兆和各种故障应该是一个模糊值,不能用“是否有故障”的简易诊断结果来表示,而要求给出故障产生的可能性及故障位置和
8、程度。但此类问题用模糊逻辑能较好地解决,这就产生了模糊故障诊断方法。在模糊诊断中,主要涉及到选择何种诊断矩阵进行模糊运算,以及选择使用何种原则来确定诊断对象所具有的故障。这种方法的最大特点是其模糊规则库可直接利用专家知识构造,能充分运用和有效处理专家的语言知识和经验,因此计算简单,应用方便,结论明确直观。一个设计较好的模糊逻辑系统可以在任意精度上逼近某个非线性函数,具有良好的性能。但另一方面,由于模糊规则库是人为构造的,含有一定的主观性;此外,其对特征元素的选择也有一定的要求,如选择不合理,诊断结果的准确性会下降,甚至会造成诊断失败。基于神经网络的诊断方法诊断实质上是一种模式分类和识别问题。神
9、经网络作为一种自适应的模式识别技术,并不需要预先给出关于模式的先验知识和判别函数,而是通过自身的学习机制自动形成所要求的决策区域,具有并行分布处理能力,以及自组织、自学习、自适应能力和联想记忆功能等。神经网络能够充分利用状态信息,对来自不同状态的信息逐一训练获得某种跳射关系,从而用于处理模糊的、随机的、不完整的信息,并可通过故障实例和诊断经验知识进行训练和学习,把故障诊断的知识存储于网络的连接权中。当环境改变时,这种映射关系还可进行自适应调整,以求对对象的进一步逼近,实现输入征兆与故障间的非线性映像,出色解决那些用传统模式识别方法难以圆满解决的问题,因此,故障诊断是人工神经网络的重要应用领域之
10、一。模式识别的神经网络诊断过程如图所示,主要包括学习训练与诊断匹配两个过程,其中每个过程都包括预处理和特征提取2部分。基于模糊粗糙集的诊断方法模糊集是美国学者LAZadeh于1965年在“Information and Control”上首先提出的概念,而粗糙集则最早由波兰数学家ZPawlak在1982年提出,这2个集合都用于处理不确定和不精确信息。虽然他们的侧重点有所不同,但他们之间却是互为补充的关系,而不是互相排斥的。Pawlak Dubois提出的模糊粗糙集模型,解决了粗糙集理论只能处理离散值的缺点,因此模糊粗糙集不仅可以处理离散属性,还可有效地处理连续属性。模糊粗糙集模型引入了模糊逻辑
11、中置信水平的概念,在故障诊断中,根据置信水平的不同,可得到包含不同规则数目的知识库,这有利于对知识的存储管理,且对降低知识系统中的组合爆炸也有重要意义。模糊粗糙集理论本身还不十分成熟,尚需进一步完善,而且对他的某些应用还只是处于探讨和实验阶段,距离工程实际还有差距。随着粗糙集理论、模糊集理论与人工智能的结合,理论研究和工程应用方面的工作量将有望大大减少。多传感器信息融合故障诊断方法 信息融合又称多传感器信息融合,其原理是利用计算机技术将来自多传感器或多源的信息和数据,在一定准则下加以自动分析、综合以完成所需要的决策和估计,从而得出更为准确的结果。信息融合的级别可分为:数据级、特征级和决策级。多
12、传感器信息融合为解决复杂系统故障诊断的不确定性问题提供了一条新的路径,这是由信息融合的多维信息处理方式决定的,他可消除不同监测方法的局限性、矛盾性和不协调性。概括起来,多信息融合技术在故障诊断方面的应用主要包括以下几点:对多传感器形成的不同信道的信号进行融合;对同一信号的不同特征进行融合;对不同诊断方法得出的结论进行融合。融合诊断的最终目标就是利用各种信息提高诊断的准确率。目前,信息融合故障诊断方法主要有Bayes推理、模糊融合、D-S证据推理及神经网络信息融合等 一、专家系统与人工智能一、专家系统与人工智能 人工智能(人工智能(Artificial Intelligence,简称,简称AI)
13、是计算)是计算机学科中研究、设计和应用计算机去模仿和执行各种拟机学科中研究、设计和应用计算机去模仿和执行各种拟人任务的一个分支。人任务的一个分支。人类的各项活动都涉及智能,人工人类的各项活动都涉及智能,人工智能研究者正在尝试将人类的智能赋予计算机系统,以智能研究者正在尝试将人类的智能赋予计算机系统,以便利用计算机去解决一些特殊的智能问题。近几十年中,便利用计算机去解决一些特殊的智能问题。近几十年中,人工智能的许多概念、过程和技术已显示出巨大的商业人工智能的许多概念、过程和技术已显示出巨大的商业价值,已有一些产品走向市场。目前,人工智能最活跃价值,已有一些产品走向市场。目前,人工智能最活跃的研究
14、领域主要有:自然语言理解、机器人、自动智能的研究领域主要有:自然语言理解、机器人、自动智能程序设计、人工神经网络以及专家系统等。其中专家系程序设计、人工神经网络以及专家系统等。其中专家系统是其最成功、实用性最强的一个领域。统是其最成功、实用性最强的一个领域。专家系统的实专家系统的实质是应用大量人类专家的知识和推理方法求解复杂的实质是应用大量人类专家的知识和推理方法求解复杂的实际问题的一种人工智能计算机程序。际问题的一种人工智能计算机程序。故障诊断专家系统故障诊断专家系统 二、设备故障诊断专家系统二、设备故障诊断专家系统 设备故障诊断专家系统是将人类在设备故障诊断方面的设备故障诊断专家系统是将人
15、类在设备故障诊断方面的多位专家具有的知识、经验、推理、技能综合后编制成的大多位专家具有的知识、经验、推理、技能综合后编制成的大型计算机程序,它可以汇集众多专家的知识,进行分析、比型计算机程序,它可以汇集众多专家的知识,进行分析、比较、推理,最终得出正确的诊断结论。较、推理,最终得出正确的诊断结论。现场技术人员可以充分利用各种信息和症兆,在计算机现场技术人员可以充分利用各种信息和症兆,在计算机系统的帮助下有效地解决工程实际问题。系统的帮助下有效地解决工程实际问题。设备故障诊断专家系统的另一个特点是通过对话窗口能设备故障诊断专家系统的另一个特点是通过对话窗口能使那些不具备编程能力的工程技术人员建立
16、功能强大的程序使那些不具备编程能力的工程技术人员建立功能强大的程序系统。这样可以将他们的故障诊断经验、知识和遇到的故障系统。这样可以将他们的故障诊断经验、知识和遇到的故障实例输入专家系统,使专家系统不断学习、提高,丰富其知实例输入专家系统,使专家系统不断学习、提高,丰富其知识库,提高故障诊断的准确率。与此同时,专家系统提供的识库,提高故障诊断的准确率。与此同时,专家系统提供的处理问题的对策也将更具有针对性、更为有效。处理问题的对策也将更具有针对性、更为有效。三、专家系统的几个概念三、专家系统的几个概念 1,表达知识的新方法,表达知识的新方法 知识比信息更复杂,但更有价值。通常情况下,知识知识比
17、信息更复杂,但更有价值。通常情况下,知识指有关一个特定主题的经验的有序集合体。例如说某人在指有关一个特定主题的经验的有序集合体。例如说某人在某一方面知识丰富,意思是指此人不仅知道这方面的许多某一方面知识丰富,意思是指此人不仅知道这方面的许多事例,而且他对相关的问题也比较了解,同样可以进行分事例,而且他对相关的问题也比较了解,同样可以进行分析并做出判断。析并做出判断。AI研究者已经可以用动词和图形表达知识,而不再是研究者已经可以用动词和图形表达知识,而不再是传统的数学计算。因此,当传统程序员寻找将一个问题分传统的数学计算。因此,当传统程序员寻找将一个问题分解为一些能用数学术语表示并用算法处理的子
18、问题时,解为一些能用数学术语表示并用算法处理的子问题时,AI程序员则对用句子和结构表达、用逻辑推理处理知识技术程序员则对用句子和结构表达、用逻辑推理处理知识技术更感兴趣。用自然语言表达进行编码,用逻辑推理过程操更感兴趣。用自然语言表达进行编码,用逻辑推理过程操作编码知识,将大大扩展计算机所能解决的问题的类型范作编码知识,将大大扩展计算机所能解决的问题的类型范围。围。2启发式搜索启发式搜索 传统的计算机计算过程依赖于对一个问题的每一个元传统的计算机计算过程依赖于对一个问题的每一个元素和每一步骤的详细分析,这局限了计算机所能解决问题素和每一步骤的详细分析,这局限了计算机所能解决问题的范围。人类在解
19、决许多问题时是凭启发式思维(或经验)的范围。人类在解决许多问题时是凭启发式思维(或经验)进行的,这些经验可以使他们将大问题缩减为一个较小的进行的,这些经验可以使他们将大问题缩减为一个较小的问题。问题。例如,要在一台公用计算机的硬盘上找到某个用户所例如,要在一台公用计算机的硬盘上找到某个用户所编制的一个特定文件,硬盘内容很多,要一个一个文件寻编制的一个特定文件,硬盘内容很多,要一个一个文件寻找是很费时费事的。有一定计算机使用经验的人都知道,找是很费时费事的。有一定计算机使用经验的人都知道,文件通常是按类、按不同的用户存放在不同的子目录下的。文件通常是按类、按不同的用户存放在不同的子目录下的。凭着
20、这个经验,就可以将问题缩小,很快进入该用户子目凭着这个经验,就可以将问题缩小,很快进入该用户子目录下寻找所需文件。这说明了录下寻找所需文件。这说明了启发式搜索的关键性质:依启发式搜索的关键性质:依赖特定环境知识、来源于实践经验赖特定环境知识、来源于实践经验。3知识与推理和控制的分离技术知识与推理和控制的分离技术 AI 研究者发明了将知识与应用知识的过程相分离的技研究者发明了将知识与应用知识的过程相分离的技术。这就相当于任何一个专家都可以检查一个专家系统里术。这就相当于任何一个专家都可以检查一个专家系统里的知识,并判断其正确性。另外,当关于一个问题的知识的知识,并判断其正确性。另外,当关于一个问
21、题的知识改变时,专家能找到相应的规则并修改它们。改变时,专家能找到相应的规则并修改它们。知识与推理和控制的分离,是人工智能研究的最重要知识与推理和控制的分离,是人工智能研究的最重要概念。表面上看起来很简单:人工智能语言能实现,传统概念。表面上看起来很简单:人工智能语言能实现,传统的编程语言同样也能实现。而实际上并非如此,这项新成的编程语言同样也能实现。而实际上并非如此,这项新成果的意义在于使非程序员编程成为可能,从此,编程者不果的意义在于使非程序员编程成为可能,从此,编程者不必是懂得处理技术问题的专家,而技术专家不必懂得计算必是懂得处理技术问题的专家,而技术专家不必懂得计算机语言也可以编制大型
22、程序。机语言也可以编制大型程序。四、专家系统的基本结构四、专家系统的基本结构 由于专家系统是一类相当广泛的系统,其技术还处于由于专家系统是一类相当广泛的系统,其技术还处于不断发展时期,因此,专家系统的结构也没有一个固定不不断发展时期,因此,专家系统的结构也没有一个固定不变的模式,变的模式,通常专家系统主要由知识库、数据库、推理机、通常专家系统主要由知识库、数据库、推理机、学习系统、上下文、症兆提取器和解释器组成。学习系统、上下文、症兆提取器和解释器组成。五、设备故障诊断专家系统五、设备故障诊断专家系统 专家系统在设备故障诊断领域的应用非常广泛,目前专家系统在设备故障诊断领域的应用非常广泛,目前
23、已成功推出的有旋转机械故障诊断专家系统、往复机械故已成功推出的有旋转机械故障诊断专家系统、往复机械故障诊断专家系统、发电机组故障诊断专家系统、汽车发动障诊断专家系统、发电机组故障诊断专家系统、汽车发动机故障诊断专家系统等。设备故障诊断专家系统除了具备机故障诊断专家系统等。设备故障诊断专家系统除了具备专家系统的一般结构外,还具有自己的特殊性。专家系统的一般结构外,还具有自己的特殊性。、人工神经网络模型是在现代神经生理学和心理学的研人工神经网络模型是在现代神经生理学和心理学的研究基础上,模仿人的大脑神经元结构特性而建立的一种非究基础上,模仿人的大脑神经元结构特性而建立的一种非线性动力学网络系统,它
24、是用大量简单处理单元广泛连接线性动力学网络系统,它是用大量简单处理单元广泛连接而成的网络,是根据现代生物学研究人脑组织所取得的成而成的网络,是根据现代生物学研究人脑组织所取得的成果而提出的,它反映了人类大脑的基本特征:学习、记忆果而提出的,它反映了人类大脑的基本特征:学习、记忆和归纳。和归纳。人工神经网络在故障诊断领域的应用主要集中于三个人工神经网络在故障诊断领域的应用主要集中于三个方面:方面:一是从模式识别角度应用神经网络,作为分类器进行一是从模式识别角度应用神经网络,作为分类器进行故障诊断;二是从预测角度应用神经网络,作为动态预测故障诊断;二是从预测角度应用神经网络,作为动态预测模型进行故
25、障预测;三是从知识处理角度建立基于神经网模型进行故障预测;三是从知识处理角度建立基于神经网络的诊断专家系统。络的诊断专家系统。设备故障的神经网络诊断技术设备故障的神经网络诊断技术 1、生物神经元模型、生物神经元模型 典型的神经元模型如图所示,它由细胞核、细胞质、树典型的神经元模型如图所示,它由细胞核、细胞质、树突、轴突和突触等部分组成。一元神经元的树突是从神经元突、轴突和突触等部分组成。一元神经元的树突是从神经元躯体伸展出来的,与另一神经元轴突的突触相连。躯体伸展出来的,与另一神经元轴突的突触相连。树突在从突触接受信号树突在从突触接受信号后,把信号引导到神经元躯后,把信号引导到神经元躯体,信号
26、在那里累积,当神体,信号在那里累积,当神经元躯体内累积超过阈值时,经元躯体内累积超过阈值时,神经元被驱动,沿着轴突神经元被驱动,沿着轴突 发送信号到其他神经元。两发送信号到其他神经元。两神经元结合部的突触,决定神经元结合部的突触,决定了神经元之间相互作用的强了神经元之间相互作用的强弱。弱。2、人工神经元模型、人工神经元模型 根据神经元生物原型设计的人工神经元模型如图所示,根据神经元生物原型设计的人工神经元模型如图所示,它是神经网络的基本计算单元,是多个输入它是神经网络的基本计算单元,是多个输入xj(j=1,n)和和一个输出一个输出yj的非线性单元,具有一个内部反馈的非线性单元,具有一个内部反馈
27、Si和阈值和阈值j;F是神经元活动的特性函数;是神经元活动的特性函数;j(j=1,n)每个输入的权重值。每个输入的权重值。则神经元的数学模型为则神经元的数学模型为:3、BP网络网络 BP网络又称为误差反向传播神经网络,其结构如图网络又称为误差反向传播神经网络,其结构如图所示。该网络为单向网络,网络分为不同层次的节点集合,所示。该网络为单向网络,网络分为不同层次的节点集合,每一层节点输出送入下一层节点,本层节点之间没有连接。每一层节点输出送入下一层节点,本层节点之间没有连接。上层输出的节点值被连接权值放大、衰减或抑制。除了输上层输出的节点值被连接权值放大、衰减或抑制。除了输入层外,每一节点的输入
28、为前一层所有节点输出值的加权入层外,每一节点的输入为前一层所有节点输出值的加权和。和。)(12XWFWFYlmmn 网络的训练学习过程由两部分组成:前向计算和误差网络的训练学习过程由两部分组成:前向计算和误差的反向传播计算。在正向传播过程中,输入信息从输入层的反向传播计算。在正向传播过程中,输入信息从输入层经隐层逐层处理并传向输出层,每一层神经元的状态仅影经隐层逐层处理并传向输出层,每一层神经元的状态仅影响下一层的神经元状态,如果在输出层得不到期望的输出,响下一层的神经元状态,如果在输出层得不到期望的输出,则将误差反向传入网络,并向输入层传播,通过修改各层则将误差反向传入网络,并向输入层传播,
29、通过修改各层神经元的状态权值使得误差信号最小。神经元的状态权值使得误差信号最小。4、神经网络故障诊断技术、神经网络故障诊断技术 (1)人工神经网络故障诊断系统的知识表达人工神经网络故障诊断系统的知识表达 神经网络把知识变换成为网络的权值和阈值,并分布神经网络把知识变换成为网络的权值和阈值,并分布存储在整个神经网络之中。存储在整个神经网络之中。在确定了神经网络的结构参数、在确定了神经网络的结构参数、神经元特性和学习算法之后,神经网络的知识表达是与它神经元特性和学习算法之后,神经网络的知识表达是与它的知识获取过程同时进行、同时完成的。当神经网络在训的知识获取过程同时进行、同时完成的。当神经网络在训
30、练练(知识获取知识获取)结束时,神经网络系统所获取的知识就表达为结束时,神经网络系统所获取的知识就表达为网络权值矩阵和阈值矩阵。网络权值矩阵和阈值矩阵。(2)人工神经网络系统的推理过程人工神经网络系统的推理过程 人工神经网络系统是用一种并行计算的方式来完成其人工神经网络系统是用一种并行计算的方式来完成其推理过程的:将症兆输入模式样本推理过程的:将症兆输入模式样本(xl,x2,xn)输入到神输入到神经网络输入层,经过并行前向计算,可以得出输出层的输经网络输入层,经过并行前向计算,可以得出输出层的输出出(yl,y2,yn),这就是所得出的故障类型。,这就是所得出的故障类型。由于神经网络同一层的各个
31、神经元之间完全是并行的由于神经网络同一层的各个神经元之间完全是并行的关系,而同一层内神经元的数目远大于层数,因此从整体关系,而同一层内神经元的数目远大于层数,因此从整体上看,它是一种并行的推理。从上述推理过程中还可以看上看,它是一种并行的推理。从上述推理过程中还可以看到,神经网络专家系统的推理过程只与神经网络自身的参到,神经网络专家系统的推理过程只与神经网络自身的参数有关,所以传统专家系统推理过程中的冲突问题在此已数有关,所以传统专家系统推理过程中的冲突问题在此已经不存了。而且,同一层内神经元又是以并行的方式进行经不存了。而且,同一层内神经元又是以并行的方式进行工作的,而层与层之间是串行工作的
32、。因此,神经网络专工作的,而层与层之间是串行工作的。因此,神经网络专家系统的推理效率要比传统专家系统的推理效率高得多。家系统的推理效率要比传统专家系统的推理效率高得多。(3)人工神经网络故障诊断系统的自学习能力人工神经网络故障诊断系统的自学习能力 神经网络独有的特点之一是具有良好的自学习功能,神经网络独有的特点之一是具有良好的自学习功能,这就为系统性能的提高和实用性的增强提供了基础。这就为系统性能的提高和实用性的增强提供了基础。系统的自学习过程也是系统知识的再次获取过程,通系统的自学习过程也是系统知识的再次获取过程,通过系统不断的学习,使其性能不断地提高。根据样本的来过系统不断的学习,使其性能
33、不断地提高。根据样本的来源不同,系统的学习可分为以下三种。源不同,系统的学习可分为以下三种。正常样本的自学习正常样本的自学习 一般在进行样本训练时首先要一般在进行样本训练时首先要对机组进行测试,以判断其有无故障发生。如果在很长一对机组进行测试,以判断其有无故障发生。如果在很长一段时间内机组工况一直处于正常状态,就可以把这段时间段时间内机组工况一直处于正常状态,就可以把这段时间内的工况总结生成为样本,并利用这些样本来训练网络,内的工况总结生成为样本,并利用这些样本来训练网络,直到满足要求为止。所有这些过程可以自动进行,也可以直到满足要求为止。所有这些过程可以自动进行,也可以采用人机交互的形式完成
34、。采用人机交互的形式完成。故障样本的自学习故障样本的自学习 如果在诊断实测数据的过程中如果在诊断实测数据的过程中发现含有故障信息,并确认这些故障信息存在时,可以按发现含有故障信息,并确认这些故障信息存在时,可以按照正常样本自学习中的方法对这些故障样本进行学习。照正常样本自学习中的方法对这些故障样本进行学习。外部编译样本的自学习外部编译样本的自学习 外部编译样本是用户根据外部编译样本是用户根据专家经验和机组运行情况等构造的学习样本。专家经验和机组运行情况等构造的学习样本。以上几部分,特别是当系统的诊断结果发生错误时,以上几部分,特别是当系统的诊断结果发生错误时,更显示出系统重新学习的重要性,只有
35、这样系统才能在运更显示出系统重新学习的重要性,只有这样系统才能在运行中不断适应周围环境的变化和提高故障诊断能力。行中不断适应周围环境的变化和提高故障诊断能力。5神经网络故障诊断的局限性神经网络故障诊断的局限性 (1)性能受所选择的训练样本集数的限制性能受所选择的训练样本集数的限制 如果训练样本正交性和完备性不好时,系统的性能如果训练样本正交性和完备性不好时,系统的性能就较差,系统设计者不能从根本上保证能得到正交、完备就较差,系统设计者不能从根本上保证能得到正交、完备的训练集。特别是当训练样本较少时,无论什么样的网络的训练集。特别是当训练样本较少时,无论什么样的网络也仅仅只能起到记忆这些样本的作
36、用。也仅仅只能起到记忆这些样本的作用。(2)透明性差透明性差 人工神经网络故障诊断属智能诊断范畴,既然具有人工神经网络故障诊断属智能诊断范畴,既然具有智能就应能解释和回答用户的问题,可网络系统却无能为智能就应能解释和回答用户的问题,可网络系统却无能为力,它就像一个力,它就像一个“黑匣子黑匣子”,用户仅能看到其输入和输出,用户仅能看到其输入和输出,中间的分析和演绎过程对用户是不透明的。中间的分析和演绎过程对用户是不透明的。(3)对知识的表达和利用不完善、不全面对知识的表达和利用不完善、不全面 神经网络将一切知识均变为数字,把推理过程演变为神经网络将一切知识均变为数字,把推理过程演变为数值计算,这
37、样处理,人类的智能过于僵化了,因为并非数值计算,这样处理,人类的智能过于僵化了,因为并非一切思维都可以用数字来表达,如果仅用数字来表达一切,一切思维都可以用数字来表达,如果仅用数字来表达一切,必然会失去一些信息。必然会失去一些信息。因此,人工神经网络只有和专家系统结合,才能使故因此,人工神经网络只有和专家系统结合,才能使故障诊断技术对人类智能模拟深度产生新的飞跃。障诊断技术对人类智能模拟深度产生新的飞跃。七、诊断实例七、诊断实例 建立的小波神经网络诊断模型如图所示。模型中经过建立的小波神经网络诊断模型如图所示。模型中经过适当预处理后的振动信号输入小波包分析模块适当预处理后的振动信号输入小波包分
38、析模块,提取反映设提取反映设备状态的特征向量备状态的特征向量,可直接输入神经网络的输入节点可直接输入神经网络的输入节点,作为作为网络训练或状态识别的样本参数。神经网络模型可通过对网络训练或状态识别的样本参数。神经网络模型可通过对大量反映往复泵不同状态大量反映往复泵不同状态(故障故障)的实测数据的实测数据(样本样本)的训练的训练建立。建立。诊断时,将样诊断时,将样本经小波包分析得本经小波包分析得到的特征向量输入到的特征向量输入到输入节点到输入节点,经网经网络的前向计算可完络的前向计算可完成对设备故障的识成对设备故障的识别。别。液力端常见故障有阀液力端常见故障有阀组的损坏、缸套与活塞组的损坏、缸套
39、与活塞间的磨损、吸入故障及间的磨损、吸入故障及排出空气包失效等。下排出空气包失效等。下面以中间排出阀、右缸面以中间排出阀、右缸活塞及吸入和排出状态活塞及吸入和排出状态的识别为例的识别为例,对往复泵对往复泵液力端常见的液力端常见的6种故障种故障和相应的和相应的10种状态进行种状态进行小波神经网络的识别分小波神经网络的识别分类。不同状态及相应的类。不同状态及相应的神经网络神经网络(期望期望)输出编输出编码如表所示。码如表所示。神经网络模型的结构为神经网络模型的结构为:输入节点输入节点(神经元神经元)为为13,隐层隐层节点为节点为15,输出节点为输出节点为10,训练样本的个数为训练样本的个数为20。
40、在训练精。在训练精度为度为0.5%的情况下的情况下,10组训练样本对应网络的实际输出如组训练样本对应网络的实际输出如表表2所示。所示。用训练过的网络用训练过的网络,输入待诊断的输入待诊断的1212组样本组样本,其诊断结果其诊断结果见表见表3 3。由表。由表3 3中网络输出层节点的输出值可知中网络输出层节点的输出值可知,该网络能够该网络能够比较准确地识别往复泵液力端的常见故障。比较准确地识别往复泵液力端的常见故障。基于基于RBF网络的齿轮箱故障诊断网络的齿轮箱故障诊断 1、问题描述、问题描述 拖拉机变速箱是整机进行减速增扭的部件,它受扭转和拉压两种载荷的综合作用,据统计,以齿轮为代表的变速箱故障
41、发生率占据除发动机故障以外的其他所有故障的59%70%。在非拆卸状态下,传统的齿轮箱故障诊断手段往往依赖于专家的经验判断。但是,由于齿轮箱是一种非常复杂的传动机构,它的故障模式和特征量之间是一种非常复杂的非线性关系,再加上齿轮箱在不同工况下的随机因素,所以专家的经验并不能解决所有的诊断问题。而应用神经网络可以有效地避免这个问题。神经网络的自适应、自学习和对非线性系统超强的分析能力注定它可以在齿轮箱的故障诊断中大显身手。2、输征兆、输征兆/故障样本集的收集与设计故障样本集的收集与设计 神经网络输入的确定实际上就是特征量的提取,对于特征量的选取,主要考虑它是否与故障有比较确定的因果关系,如果输入输
42、出征兆参数和故障没有任何关系,就不能建立它们之间的联系。统计表明:齿轮箱故障中有60%左右都是由齿轮导致的,所以这里只研究齿轮故障的诊断。对于齿轮的故障,这里选取了频域中的几个特征量。频域中齿轮故障比较明显的是在啮合频率处的边缘带上。3、RBF网络设计网络设计 RBF网络主要包含隐含层和输出层,其中隐含层的传递函数为radas,输出层的传递函数为纯线性函数purelin。如图2所示,RBF网络的隐含层有S1个神经元,输出层有S2个神经 元。3、RBF网络设计网络设计 神经网络工具箱中用于创建RBF网络的函数为newrbe,在设计过程中,最重要的参数是经向基函数的分布常数。由于本例中的样本数目不
43、是很大,将分布常数设定为1.2。测试创建的RBF网络 接下来通过一组实际数据对网络进行测试,看网络是否可以正确诊断出齿轮的故障。如果正确诊断出故障,则网络可以投入使用。分别在无故障、齿根裂纹和断齿时进行测量,得到各参数的值,将这些数据作为输入向量,利用仿真函数计算网络输出,通过故障判别准则看是否出了故障.。测试数据 测试结果输 出 结 果 故障类别 0.9750,0.0010,0.0031 无故障 0.0008,0.9873,0.0046 齿根裂纹 0.0016,0.0034,0.9987 断齿 结果分析 分析结果发现,网络成功地诊断出了所有故障。因此,可以将网络投入实际工程应用了。本例采用的样本量比较少,这样一来,故障诊断的数据范围就不会很大,对于那些和训练样本数据相差很大的数据,网络可能无法做出正确的诊断。在这种情况下,如果想提高网络的故障识别准确率,建议采用大容量的训练样本。