人工智能方法故障诊断

人工智能方法故障诊断。

2基于人工智能的故障诊断方法的应用现状

r11rR12...rn1r12r22...rn2............r1mr2m(rij)nxm...rnm

基于人工智能的故障诊断方法不需要知道被控对象的精确模型，能很好的应对不确定性和模糊性的随机故障。目前基于人工智能的故障诊断方法主要有以下几个方向：基于模糊的方法、基于神经网络的方法、专家系统故障诊断方法、基于遗传算法、支持向量机的方法、基于数据挖掘的方法、基于图论的模型推理方法等，以下是对几种故障诊断方法的具体论述。

2。1基于模糊的故障诊断方法

在模糊诊断中，各种故障征兆和故障成因之间都存在不同程度的因果关系，但表现在故障与征兆之间并非存在一一对应的关系，故障征兆信息的随机性、模糊性加上某些信息的不确定性,造成了故障形式复杂多样性。这种模糊性和随机性往往不能用精确的数学公式来描述，然而用模糊逻辑、模糊诊断矩阵等模糊理论来分析其故障与现象之间的不确定性关系是可行的，从模糊数学的角度看,故障诊断是一个模糊推理问题.因而基于模糊的诊断方法得到了长足的发展［2-4]。

故障诊断通常是基于一定的征兆,做出可能引起这些征兆的故障判别，而模糊逻辑系统是应用模糊理论解决问题的重要形式。研究表明，通过建立模糊逻辑系统，采用模糊推理的方法能够实现故障诊断。不过,成熟地应用基于模糊逻辑系统的故障诊断方法，需要解决好如何建立模糊诊断规则库等关键问题。

常用的模糊逻辑诊断方法一般步骤是检测信号经过模糊化单元处理后，输入到模糊推理规则库中进行分析,其输出即为故障信息的模糊输出，经过解模糊单元处理后即可得出故障原因。

另外一种基于模糊理论的诊断方法是用模糊诊断矩阵来描述故障原因和故障征兆之间关系的方法。其模糊关系矩阵的数学模型为［3]：

YTRXT

Y(y1,y2,...yn,) X(x1,x2,...xm,)

式中:Y为诊断矩阵，

yi为对象具有故障

yi的隶属度

(i1,2,,n);X为起因矩阵,xj为对象具有症状xj的隶属度(j1,2,,m);R为征兆矩阵,描述了故障

征兆与故障原因之间的关系。

mrij1i1(0rij1;1in;1jm)。

基于模糊的故障诊断方法的优点在于：可将人类

的语言化的知识嵌入系统;可模拟人类的近似推理能力,且通用性好，只要针对不同的故障类型对推理规则进行修改就可以应当不同的故障诊断。 但与传统的故障诊断理论和方法相比，仍有不成熟之处:基于模糊逻辑的故障诊断方法缺少在线学习能力，不适应被控对象变化的需要；模糊隶属函数和模糊推理规则无法保证任何情况下都为最优；尚未建立起有效的方法来分析和设计模糊系统，主要还是依赖专家经验和试凑。

2.2基于人工神经网络的故障诊断方法

从故障诊断的过程来讲,故障诊断实质上也是一类模式分类问题,而人工神经网络(ANN)作为一种自适应的模式识别技术,非常适合用于建立大型复杂系统的智能化故障诊断系统。神经网络通过输入层、隐含层和输出层来建立故障类型和故障原因之间复杂的映射关系。 基于神经网络的故障诊断方法具有强大的自学习和数据处理能力，其分类方式通过网络学习来确定系统参数和结构来完成训练过程。将样本库的知识以网络的形式存储在神经网络的连接权中是神经网络的独特之处。待检测故障信息经已训练好的网络处理后可自动对被识别对象进行分类。故障诊断中神经网络所采用的模型大多为BP网络，这主要由于对BP模型的研究比较成熟[5-6].神经网络故障诊断技术被广泛应用于电力系统及发电机组的故障诊断中,都是利用神经网络强大的自学习功能、并行处理能力和良好的容错能力,避免冗余实时建模的需求.

如上所述，神经网络模拟人脑，采用并行存储和处理结构，具有很强的非线性映射能力、良好的学习能力和适应能力、独特的联想记忆能力等优点, 与基于数学模型的故障诊断方法相比，基于神经网

络的故障诊断方法无需精确的数学模型，无需相关诊断对象的故障诊断知识,仅需提前得到网络训练的数据，就可实现理想的效果。这也是故障诊断智能手段的优势所在。然而，基于神经网络的故障诊断方法也存在内在不足：学习样本容量大时，收敛速度慢，易陷入局部极小值;问题的解决依赖于神经网络结构的选择、训练过度或不足、较慢的收敛速度等都可能影响故障诊断的效果；定性的或语言化的信息无法在神经网络中直接使用或嵌入，而且较难用训练好的神经网络的输入输出映射关系来解释实际意义的故障诊断［7—8］.

2.3基于模糊神经网络的故障诊断方法

模糊和神经网络的有效结合成为了智能化故障诊断的主要方法之一。20世纪80年代末开始出现了两者相融合的趋势.该方法将神经网络的自学习优点与模糊数学的模糊推理方法有效结合,解决了故障诊断中模糊规则难以确定的问题;利用模糊理论模拟人的控制能力和神经网络的自学习功能，确定了模糊规则和模糊隶属度,建立故障诊断的模型。 在故障诊断领域中,模糊神经网络一般有两种构造方法：一种是直接根据模糊规则或模糊分类算法构造相应功能的网络模型,将较成熟的模糊系统转化为相应功能的模糊神经网络系统，以利用神经网络的自适应自学习能力提高诊断精度。另一种是将模糊分类方法与神经网络模型相结合组成复合诊断模型,有2种复合方式:一是将模糊概念融合到神经网络的输人层与输出层中，即将神经网络模型直接作为诊断模型；二是根据故障诊断任务将模糊分类方法和神经网络相结合，利用各自的优势分担诊断中的部分功能，以构造通用的模糊神经网络诊断模型[9—10].

模糊系统与神经网络的结合方式很多，比较通用的一种结构如图1所示［11］.输入特征量

x1,x2,xn，

首先进入模糊化层进行模糊化处理，将原始信息转换成隶属度的形式,主要完成语义信息等定性知识以及不确定性信息的定量化处理。然后将特征的隶属度输入到神经网络诊断模型，图1所示的故障诊断模型实际上就是n维故障征兆空间到m维故障类型空间的非线性映射f:RnRm，f(X)Y，因而可选用三层的神经网络结构完成映射关系。输入层到隐层以及隐层到输出层的传递函数需要满足可微条件。输出信息根据实际情况,将定量信息进一步清晰化处理,得到输出结果

y1,y2,ym。

人工智能方法故障诊断

图1 一种模糊神经网络结构示意图

将模糊逻辑与神经网络相结合，既兼顾故障诊断

知识的模糊性，又可利用神经网络强大自学习能力的特点，共同作用，使得系统故障诊断效果更佳.当然两者结合也有缺点：在许多情况下仍不能直接处理模糊输入输出信息.

2。4专家系统故障诊断方法

专家系统作为人工智能中最活跃的一个分支为故障诊断注入了新的活力。专家系统应用于故障诊断技术是指人们根据长期的实践经验和大量的故障信息知识，设计出的一种智能化的计算机程序系统，模拟人类专家解决问题的思维方式进行智能诊断.专家系统可以解决一类难以用数学模型来精确描述的系统故障诊断问题。传统的专家系统的核心主要包括以下几部分:全局数据库、知识库、推理机、解释部分、人机接口几个模块。全局数据库用以存放当前故障信息，即专家系统当前要处理的对象信息；知识库用以存放故障诊断用的专门知识，在知识表达方面，大多数诊断型专家系统都是以产生式规则或框架式进行知识表达;推理机是根据当前的输入信息结合知识库规则进行推理以达到诊断目的；推理机中的推理方式是故障分类是否合理的关键。现阶段，专家系统在诊断推理方面，着重于对推理逻辑和推理模型的研究。模糊逻辑作为一种降低系统复杂性的方法近期在专家系统的推理逻辑中得到了广泛的应用。最近有学者提出了基于模型的知识库的理论，如神经网络模型、定性物理模型等，这无疑给人工智能领域注入了新的活力。解释部分和人机接口是用户从计算机系统得出诊断结论的过程。 专家系统不受时间、空间和环境影响，从整个诊断过程来看理论较成熟，且随着计算机技术的飞速提高，其诊断速度和准确性也在不断提高。但由于建立完善的故障诊断专家系统在很大程度上依赖于故障原因和故障征兆之间的逻辑关系,所以推理机制的选择是专家系统设计中的关键问题[12-14]。 2。5基于遗传算法的故障诊断方法

遗传算法是一种基于自然选择和自然遗传学机理的迭代自适应概率性方法。通过繁殖、交叉、变异等操作逐代进化，最终搜索获得问题的满意解.它的推算过程是通过并行计算来不断接近最优解以达

到全局最优。遗传算法应用于故障诊断从目前来看，一种是直接应用于故障诊断之中,主要用于提取特征向量，为诊断的后续处理准备；另外，研究得较多就是将其与其他的诊断方法相结合应用.

GA算法通常是针对不同问题定义一个适应度函数来模拟生物界中的环境，而适应度函数值就代表该个体对环境的适应程度，适应度值越高，表明该个体适应环境的能力越强。适应值函数的构造方法对于该算法的有效性很关键。

遗传算法比传统算法有很多独特之处：它能同时搜索解空间的多个点，从而使之收敛于全局最优或近似全局最优解；遗传算法中交叉、变异和繁殖等算子不受确定性规则的控制,适应性强，其使用的算子是随机的。 另外它还具有智能性和并行性，适合用于解决结构复杂的问题。遗传算法目前面临的问题在于：在选择适应值函数时需要根据不同的情况选择不同的方法，建立适当的适应值函数可以提高分类能力；由于遗传算法是并行全局寻优过程，因此当问题的规模扩大时，其计算量也较大。 2。6基于支持向量机的故障诊断方法

SVM是一种基于统计学习理论的机器学习算法，根据统计学习和结构最小化原则,通过对训练样本的学习,掌握样本的特征，对未知样本进行预测.从这个角度讲，支持向量机可看做是类似于人工神经网络的学习机器。近年来，将SVM用于故障诊断方法中得到了广泛应用，Vapnik 等人提出了标准SVM方法[15-16］，它已在许多领域取得了成功的应用，显示出巨大的优越性。采用支持向量机进行故障诊断具有以下几个优势：①较强的泛化能力：支持向量机由有限的训练样本得到小的误差，其本质是在有限样本中最大限度地挖掘隐含在数据中的分类信息；②该算法将分类问题转化为一个凸规划问题,因此局部最优解一定是全局最优解，从理论上保证全局最优;③在非线性情况下，SVM通过核函数将原空间中的非线性问题转化为高维空间中线性问题，巧妙地解决了维数灾难问题，并且能以任意精度逼近任意函数.这种算法的不足之处是：当样本数据的个数增加时，相应的凸规划问题也越复杂,计算速度也越慢。

3基于人工智能的故障诊断方法的新进展

3.1基于粗糙集的故障诊断方法

粗糙集理论是由波兰学者Pawlak Z。在1982年提出的一种刻画不完整性和不确定性的数学工具.这种方法可以把已有知识直接与不同模式联系在一起，能有效的分析处理不确定、不完整等各种不完

人工智能方法故障诊断

备信息，并能从中发现隐含的知识，揭示知识间的潜在规律。其主要思想是在保持分类能力不变的前提下，利用已知的知识库,通过对知识的约简,导出概念的分类规则。从本质上讲，粗糙集是一种基于最小误诊率的诊断方法.粗糙集用于故障诊断领域可以处理故障诊断领域中普遍存在的故障描述信息不完备、不一致的特点，主要用于分类规则学习和输入信息的规则约简，例如将粗糙集理论用于故障诊断规则提取、故障诊断专家系统知识库的建立、以及与其他智能诊断方法结合等，在应用中，粗糙集表现出了强大的不一致信息处理能力[17—18]。 基于粗糙集的方法能很好地处理冗余信息和不一致信息。目前也存在一定的问题：应用粗糙集对海量数据信息寻找最优约简时，由于要考虑知识属性，所以计算规模的大小很大程度取决于对象属性；粗糙集理论基于在线发现的知识,缺少对先验知识的学习能力。

3。2 基于模糊聚类的故障诊断方法

模糊聚类就是根据分类对象的特性形成一个特征空间,依据对象样本的相似性程度用模糊数学的方法对事物进行分类。这样整个特征空间就被不同的特性分成不同的区域,而每个区域又有一个聚合中心,该中心是本区域特性的代表.在聚类的过程中，只要聚类半径选择得当,相似类型的对象即可归为一类，在故障诊断中不同的聚类中心可以基本代替所有故障征兆变量,经过模糊聚类之后输出即可表征所对应的故障类型。

该算法目前也面临以下问题：求聚类中心目标函数的极值时应选择适当的算法，以避免陷入局部极小而得不到最优分类；当不同的故障同时发生时需要分类样本能同时诊断出多种故障；当数据规模扩大时，需要一定的先验知识，即需要人工来确定聚类数；不同的故障征兆对分类有不同的影响，有的征兆对分类结果起主导作用,有的征兆对分类结果影响较小，甚至还有些征兆是冗余的，这就需要在模糊聚类之前首先进行粗略处理［19-20]。 3。3基于数据挖掘的故障诊断方法

数据挖掘方法是近年来发展起来的，它可以直接从大量的历史数据库中挖掘深层次的知识和信息,提取出状态数据库中相应的故障诊断知识.利用数据挖掘方法进行故障诊断一般包含4个步骤：数据挖掘目标描述与数据准备、数据预处理、数据挖掘和目标评估.数据挖掘目标描述主要是指故障点集合、故障诊断数据源集合以及选择合适的数据挖掘算法。数据准备主要是根据数据挖掘的目标收集、整理与所诊断的故障相关的所有数据.数据预处理就是将初始的数据点根据一定的规则有选择性的剔

人工智能方法故障诊断

除集合中不相关的数据点，以降低数据规模。数据挖掘过程就是在预处理之后的数据中依据一定的算法再除去冗余的数据点.数据评估就是将统计分析结果与专家经验结合进行比较评估［21-22］。 基于数据挖掘的故障诊断方法将每一个故障看成一组特征集储存在历史故障数据库中，然后经过数据预处理后建立故障诊断决策表形成知识库，针对故障类型从知识库中提取出诊断规则，得出故障原因。随着数据挖掘技术的快速发展，基于数据挖掘的诊断方法将日益完善。

4多种智能化方法结合的故障诊断方法

目前,多模式组合故障诊断方法当前故障诊断的主流方向.主要的故障诊断技术,如专家系统诊断技术、遗传算法诊断技术、神经网络诊断技术、模糊诊断技术、数据挖掘技术等都有自身的优势，也有其自身不可克服的弱点。随着科学技术的飞速发展，设备规模的扩大和故障类型的多样性提高，任何单一的故障诊断技术已难以适应现代复杂系统故障诊断的需要。要解决这些问题，必须在诊断方法上有所突破。一条行之有效的发展道路是：对现有较成熟的故障诊断技术通过一定的方式组合成一种新型诊断技术,以提高快速诊断、快速排故能力，满足当前对故障诊断方法上的新要求。文［21—24］分别提出了模糊聚类与数据挖掘相结合、粗糙集理论和数据挖掘相结合、粗糙集和支持向量机相结合的故障诊断方法，它们的有效结合将各种智能化方法的优势溶于一个诊断系统中，提高了诊断的快速性和准确性。