1、人工智慧在機械故障診斷中的應用方向
所謂機械故障診斷, 就是通過機械運行中的相關資訊來識別其技術狀態是否正常,
隨著現代工業設備和系統日益大型化和複雜化, 機械設備的可靠性、可用性、可維修性與安全性的問題日益突出, 從而促進了人們對機械設備故障機理及診斷技術的研究。 並且隨著電腦技術及數位信號處理技術的迅速發展, 機械設備振動監測與故障診斷技術被廣泛應用於電力、石油化工、冶金等行業的大型、高速旋轉機械中。
目前這種技術己成為設備現代化管理和提高企業綜合效益的技術基礎。 國內外實踐表明, 以振動監測與故障診斷技術為基礎的設備預知維修能節省大量的維修費用, 取得顯著的經濟效益, 而且還能保證設備的安全運行, 預防和減少惡性事故的發生, 消除故障隱患, 保障人身和設備安全, 提高生產率。
傳統的診斷方法和理論對單過程、單故障和漸發性故障的簡單系統可以發揮較好的作用, 對於多過程、多故障和突發性故障以及複雜龐大、高度自動化的大型設備和系統, 例如汽輪發動機組等, 就具有較大的局限性。 當前, 典型的機電一體化產品——數控機床、交流伺服驅動裝置等正在向數位化、小型化、高精度等方向發展,
而專家系統主要用於複雜的機械系統, 能夠克服基於模型的故障診斷方法對模型的過分依賴性。 而人工神經網路對於故障的模式識別具有獨特的優點。 將人工智慧的理論和方法應用於機械故障診斷, 發展智慧化的機械故障診斷技術, 是機械故障診斷的一個新的途徑。 智慧化的機械故障診斷專家系統現已得到廣泛的應用, 成為機械故障診斷的一個重要方向。
2、人工智慧在機械故障診斷中的應用方法
人工智慧主要研究用人工的方法和技術來模仿、延伸及擴展人的智慧, 從而實現機器智慧。 應用機械故障診斷系統的AI技術傳統上可以分為專家系統(ES)、人工神經網路(ANN)、模糊集理論(FST)三大類。
2.1 專家系統(Expert System. ES)
專家系統(Expert system, 簡稱ES)是20世紀60年代初產生的一門實用學科, 目前是人工智慧技術中較活躍、較成功的領域之一。 它是一個由知識庫、推理機和人機介面等三個主要部分組成的電腦軟體系統, 在知識表達方面, 利用產生式規則進行知識表達, 一方面得有益於現有人工智慧語言, 另一方面, 是它的表達合乎人的心理邏輯, 便於進行知識獲取, 利於人們接受, 利用框架進行知識表達得到了越來越多的應用。
在診斷推理方面, 主要表現在對推理邏輯和推理模型的研究, 在人工智慧領域, 存在著許多推理邏輯, 在專家系統中廣泛使用模糊推理邏輯降低系統複雜性, 在機械系統故障診斷上能產生很好的效果。 其威力在於所擁有的專家知識和運用知識解題的推理機制。
由於建立在馮·諾伊曼電腦體系結構之上, 專家系統在其發展過程中逐漸暴露出以下問題:知識獲取的“瓶頸”、知識“窄臺階”、推理組合爆炸和無窮遞迴、智慧水準低、系統層次少和線上實用性差等。
機械故障診斷專家系統的研究與開發機械故障診斷專家系統的出現與逐漸成熟是機械故障診斷領域最顯著的成就之一。 因為人類關於機械故障診斷與維修的科一學知識往往落後于專家的實踐和經驗知識, 從而為專家系統提供了廣闊的應用前景。
2.2 人工神經網路(Artificial Neural Network. ANN)
人工神經網路簡稱神經網路,它是由大量簡單的處理單元(稱為神經元)廣泛相互連接而形成的複雜網路,是對生物神經系統的類比,其資訊處理功能是由網路的單元的輸入輸出特性(啟動特性)、網路的拓撲結構(神經元的連接方式)所決定。為了使系統具有良好的透明性,在神經網路的推理中引用了模糊規則,為人工神經網路建立良好的解釋機制提供了方便。
由於神經網路具有原則上容錯、結構拓撲魯棒、聯想、推測、記憶、自我調整、自學習、並行和處理複雜模式的功能,使其在工程實際存在著大量的多故障、多過程、突發性故障、龐大複雜機器和系統的監測及診斷中發揮著較大作用。
系統故障有層次性、相關性、延時性和不確定性,這就使得設備故障診斷問題變得十分複雜和困難,利用單個子神經網路解決問題需要大量的故障樣本、適於診斷多類故障的網路結構難以確定,即使確定,也易陷入局部極小,自我調整調整和誤差函數的改進、加速收斂;對初始隨機權值在量級上進行限定,克服了局部最小問題。
在機械故障診斷中的應用方式有:從模式識別角度應用神經網路作為分類器進行故障診斷;從預測角度應用神經網路作為動態預測模型進行故障預測;利用神經網路極強的非線性動態跟蹤能力進行基於結構映射的故障診斷;從知識處理角度建立基於神經網路的診斷專家系統等。目前,為提高神經網路在實用中的學習和診斷性能,主要從神經網路模型本身改進和模組化模型診斷策略兩方面開展研究;同時,與模糊邏輯的結合研究也是一個研究熱點。
2.3 模糊集理論(Fuzzy Sets Theory. FST)
研究人員們一直在努力尋找科學地處理不完整性和不確定性的有效途徑,實踐證明,1965年zadeh創立的模糊集理論是處理不確定性的一種很好的方法。人的認知世界包含大量的不確定之時,這就需要對所獲資訊進行一定的模糊化處理,以減少問題的複雜度。
模糊邏輯可認為是多值邏輯的擴展,能夠完成傳統數學方法難以做到的近似推理。基於多類電量測試資訊模糊融合的類比電路故障診斷方法已經提出。基於k故障節點診斷法和最小標準差法的元件故障隸屬函數構造方法,以及基於可測點電壓與不同測試頻率下電路增益的模糊資訊融合診斷演算法也已闡述。分別利用此兩類測試資訊及k故障診斷法和最小標準差法,對電路進行初步診斷,再運用模糊變換及故障定位規則,得到融合的故障診斷結果。模擬實驗結果表明,所提方法大大提高了機械系統故障定位的準確率。
3、人工智慧在機械故障診斷中的發展趨勢
人工智慧中的四種主要工具,即專家系統、人工神經網路、模糊集理論,各有優點和局限。
雖然ES在許多領域已有廣泛應用,仍存在知識獲取的“瓶頸”、知識難以維護、應用面窄、診斷能力弱等問題。然而,隨著相關學科和技術的發展與滲透,專家系統的理論與方法也有了很大改進,上述問題逐漸有所緩解或消除。要注重與模糊邏輯、故障樹、機器學習等方法相結合。
雖然ANN具有較強的自組織、自學習能力、魯棒性高免去推理機的構造,且推理速度與規模大小無明顯關係,很快引起人們的重視。而且應用神經網路技術可以彌補解決傳統專家系統在應用中遇到的問題。但在故障診斷中仍存在不少局限性,表現為:
(1)ANN外推時誤差較大,難以保證解的準確性和容錯性能;
(2)系統結構發生變化,則有可能需要改變ANN的組成結構,或增加新的樣本重新學習獲得新知識;
(3)ANN難以實現基於結構化知識的邏輯推理;
(4)缺乏解釋能力,診斷結果不易於運行人員理解。
另外,如何確保ANN訓練時收斂的快速性和避免陷入局部最小,也是每一個基於ANN的診斷系統必須面對的問題。FST的加入,使各相應智慧診斷系統在機械系統故障診斷在分析不確定性因素問題上原理更成熟,技術更完善,容錯性等性能得到相應提高。但仍存在可維護性問題,對不確定性因素的處理只能是有限度的改進。
目前,缺少一種普遍有效的方法應用於機械系統的各個領域。混合智慧,即綜合多種智慧技術,成為AI的重要發展方向之一。將多種不同的智慧技術結合起來用以設計、控制、監測機械系統成為新的發展趨勢。結合的方式主要有基於規則的專家系統與神經網路相結合,CBR與基於規則系統和神經網路的結合,模糊邏輯、神經網路與專家系統的結合等。其中模糊邏輯、神經網路與專家系統結合的診斷模型是最具發展前景的,也是目前人工智慧領域的研究熱點之一。
例如:模糊邏輯與神經網路的組合機理、組合後的演算法、便於神經網路處理的模糊知識的表達方式等。混合智慧在機械系統故障診斷中的應用中有如下發展趨勢:由基於規則的系統到混合模型的系統,由領域專家提供知識到機器學習、由非即時診斷到即時診斷、由單一推理控制到混合推理控制策略等。
4、人工智慧在機械故障診斷中的應用實例
智慧技術在機械故障診斷領域已經有了許多成功的應用。
Radial公司于1987年開發的汽輪發電機組振動診斷專家系統(turbomac),在建立邏輯規則的基礎上,設有表徵振動過程各種成分與其可能故障源之間關係的概率資料,其搜集知識的了系統具有人一機對話形式。該系統含有900條知識規則,有很大的庫容。
美國boyce國際工程公司(royce engineering international,簡稱:bei)開發的基於專家系統的狀態監測與診斷系統datm4 (diagnostic analysis of turbo-machinery)具有多種參數的趨勢分析和預報功能。該系統在1981至1990年發展到總共近1萬多條規則的人工智慧診斷規則庫,其中包括:汽輪機3000多條,發電機近3600條,機械(包括輔機)近3200條。
美國西屋電氣公司和卡內基一梅隆大學合作研製的汽輪發電機線上診斷專家系統aid於1984年在德克薩斯州達拉斯附近的發電廠投入使用,對三個電廠共七台大型發電機(其中645mw容量的機組四台,835mw容量的機組三台)進行線上監測和診斷。其他已廣泛投入使用的典型的狀態監測與診斷系統包括:美國本特利公司的dm2000系統;
日本二菱重工的mhms系統、日立公司在1982年開發的汽輪機壽命診斷裝置hidic-08e;美國scientific atlanta公司的m6000、m8000系統;美國entek-ird公司推出的entrx系統;法國電力部門(ede)開發的專家系統psad及其di-va子系統等。另外,瑞士abb公司、德國西門子公司、丹麥b&k公司等都開發出了各自的診斷系統。國內方面,80年代初開始引入人工智慧,劉占生等人在軸心軌跡特徵提取中採用一種新的平面圖形加權編碼法,提高了圖形辨識的準確率,從而減少了軸心軌跡神經網路識別系統的輸入變元數,使訓練後的神經網路的聯想能力得到較大提高,也加快了網路的訓練速度及穩定性,提高了故障診斷專家系統的自動診斷水準。
雖然相關的應用實例還有很多,但它們中許多仍處於實驗室或小範圍應用狀態,限於成本、技術等問題,不能得到普及應用,這將成為智慧技術在機械故障診斷領域應用的“瓶頸”。
5、結束語
伴隨電腦網路尤其是Internet的發展,加上多媒體技術、生物計算技術、分散式人工智慧和知識發現等電腦技術的興起,使得人工智慧更有效的應用於機械故障診斷及其它領域。面對日益激烈的機械行業的競爭,研發基於專家系統、神經網路、模糊邏輯等的混合智慧設計、控制、監測、診斷系統將成為一大研究熱點。雖然智慧技術已應用於機械故障診斷的各個方面,如何將現有的先進故障診斷設備和技術進一步推廣應用、如何實現低成本、高精度、高效率的診斷系統則成為亟待解決的問題。
從而為專家系統提供了廣闊的應用前景。2.2 人工神經網路(Artificial Neural Network. ANN)
人工神經網路簡稱神經網路,它是由大量簡單的處理單元(稱為神經元)廣泛相互連接而形成的複雜網路,是對生物神經系統的類比,其資訊處理功能是由網路的單元的輸入輸出特性(啟動特性)、網路的拓撲結構(神經元的連接方式)所決定。為了使系統具有良好的透明性,在神經網路的推理中引用了模糊規則,為人工神經網路建立良好的解釋機制提供了方便。
由於神經網路具有原則上容錯、結構拓撲魯棒、聯想、推測、記憶、自我調整、自學習、並行和處理複雜模式的功能,使其在工程實際存在著大量的多故障、多過程、突發性故障、龐大複雜機器和系統的監測及診斷中發揮著較大作用。
系統故障有層次性、相關性、延時性和不確定性,這就使得設備故障診斷問題變得十分複雜和困難,利用單個子神經網路解決問題需要大量的故障樣本、適於診斷多類故障的網路結構難以確定,即使確定,也易陷入局部極小,自我調整調整和誤差函數的改進、加速收斂;對初始隨機權值在量級上進行限定,克服了局部最小問題。
在機械故障診斷中的應用方式有:從模式識別角度應用神經網路作為分類器進行故障診斷;從預測角度應用神經網路作為動態預測模型進行故障預測;利用神經網路極強的非線性動態跟蹤能力進行基於結構映射的故障診斷;從知識處理角度建立基於神經網路的診斷專家系統等。目前,為提高神經網路在實用中的學習和診斷性能,主要從神經網路模型本身改進和模組化模型診斷策略兩方面開展研究;同時,與模糊邏輯的結合研究也是一個研究熱點。
2.3 模糊集理論(Fuzzy Sets Theory. FST)
研究人員們一直在努力尋找科學地處理不完整性和不確定性的有效途徑,實踐證明,1965年zadeh創立的模糊集理論是處理不確定性的一種很好的方法。人的認知世界包含大量的不確定之時,這就需要對所獲資訊進行一定的模糊化處理,以減少問題的複雜度。
模糊邏輯可認為是多值邏輯的擴展,能夠完成傳統數學方法難以做到的近似推理。基於多類電量測試資訊模糊融合的類比電路故障診斷方法已經提出。基於k故障節點診斷法和最小標準差法的元件故障隸屬函數構造方法,以及基於可測點電壓與不同測試頻率下電路增益的模糊資訊融合診斷演算法也已闡述。分別利用此兩類測試資訊及k故障診斷法和最小標準差法,對電路進行初步診斷,再運用模糊變換及故障定位規則,得到融合的故障診斷結果。模擬實驗結果表明,所提方法大大提高了機械系統故障定位的準確率。
3、人工智慧在機械故障診斷中的發展趨勢
人工智慧中的四種主要工具,即專家系統、人工神經網路、模糊集理論,各有優點和局限。
雖然ES在許多領域已有廣泛應用,仍存在知識獲取的“瓶頸”、知識難以維護、應用面窄、診斷能力弱等問題。然而,隨著相關學科和技術的發展與滲透,專家系統的理論與方法也有了很大改進,上述問題逐漸有所緩解或消除。要注重與模糊邏輯、故障樹、機器學習等方法相結合。
雖然ANN具有較強的自組織、自學習能力、魯棒性高免去推理機的構造,且推理速度與規模大小無明顯關係,很快引起人們的重視。而且應用神經網路技術可以彌補解決傳統專家系統在應用中遇到的問題。但在故障診斷中仍存在不少局限性,表現為:
(1)ANN外推時誤差較大,難以保證解的準確性和容錯性能;
(2)系統結構發生變化,則有可能需要改變ANN的組成結構,或增加新的樣本重新學習獲得新知識;
(3)ANN難以實現基於結構化知識的邏輯推理;
(4)缺乏解釋能力,診斷結果不易於運行人員理解。
另外,如何確保ANN訓練時收斂的快速性和避免陷入局部最小,也是每一個基於ANN的診斷系統必須面對的問題。FST的加入,使各相應智慧診斷系統在機械系統故障診斷在分析不確定性因素問題上原理更成熟,技術更完善,容錯性等性能得到相應提高。但仍存在可維護性問題,對不確定性因素的處理只能是有限度的改進。
目前,缺少一種普遍有效的方法應用於機械系統的各個領域。混合智慧,即綜合多種智慧技術,成為AI的重要發展方向之一。將多種不同的智慧技術結合起來用以設計、控制、監測機械系統成為新的發展趨勢。結合的方式主要有基於規則的專家系統與神經網路相結合,CBR與基於規則系統和神經網路的結合,模糊邏輯、神經網路與專家系統的結合等。其中模糊邏輯、神經網路與專家系統結合的診斷模型是最具發展前景的,也是目前人工智慧領域的研究熱點之一。
例如:模糊邏輯與神經網路的組合機理、組合後的演算法、便於神經網路處理的模糊知識的表達方式等。混合智慧在機械系統故障診斷中的應用中有如下發展趨勢:由基於規則的系統到混合模型的系統,由領域專家提供知識到機器學習、由非即時診斷到即時診斷、由單一推理控制到混合推理控制策略等。
4、人工智慧在機械故障診斷中的應用實例
智慧技術在機械故障診斷領域已經有了許多成功的應用。
Radial公司于1987年開發的汽輪發電機組振動診斷專家系統(turbomac),在建立邏輯規則的基礎上,設有表徵振動過程各種成分與其可能故障源之間關係的概率資料,其搜集知識的了系統具有人一機對話形式。該系統含有900條知識規則,有很大的庫容。
美國boyce國際工程公司(royce engineering international,簡稱:bei)開發的基於專家系統的狀態監測與診斷系統datm4 (diagnostic analysis of turbo-machinery)具有多種參數的趨勢分析和預報功能。該系統在1981至1990年發展到總共近1萬多條規則的人工智慧診斷規則庫,其中包括:汽輪機3000多條,發電機近3600條,機械(包括輔機)近3200條。
美國西屋電氣公司和卡內基一梅隆大學合作研製的汽輪發電機線上診斷專家系統aid於1984年在德克薩斯州達拉斯附近的發電廠投入使用,對三個電廠共七台大型發電機(其中645mw容量的機組四台,835mw容量的機組三台)進行線上監測和診斷。其他已廣泛投入使用的典型的狀態監測與診斷系統包括:美國本特利公司的dm2000系統;
日本二菱重工的mhms系統、日立公司在1982年開發的汽輪機壽命診斷裝置hidic-08e;美國scientific atlanta公司的m6000、m8000系統;美國entek-ird公司推出的entrx系統;法國電力部門(ede)開發的專家系統psad及其di-va子系統等。另外,瑞士abb公司、德國西門子公司、丹麥b&k公司等都開發出了各自的診斷系統。國內方面,80年代初開始引入人工智慧,劉占生等人在軸心軌跡特徵提取中採用一種新的平面圖形加權編碼法,提高了圖形辨識的準確率,從而減少了軸心軌跡神經網路識別系統的輸入變元數,使訓練後的神經網路的聯想能力得到較大提高,也加快了網路的訓練速度及穩定性,提高了故障診斷專家系統的自動診斷水準。
雖然相關的應用實例還有很多,但它們中許多仍處於實驗室或小範圍應用狀態,限於成本、技術等問題,不能得到普及應用,這將成為智慧技術在機械故障診斷領域應用的“瓶頸”。
5、結束語
伴隨電腦網路尤其是Internet的發展,加上多媒體技術、生物計算技術、分散式人工智慧和知識發現等電腦技術的興起,使得人工智慧更有效的應用於機械故障診斷及其它領域。面對日益激烈的機械行業的競爭,研發基於專家系統、神經網路、模糊邏輯等的混合智慧設計、控制、監測、診斷系統將成為一大研究熱點。雖然智慧技術已應用於機械故障診斷的各個方面,如何將現有的先進故障診斷設備和技術進一步推廣應用、如何實現低成本、高精度、高效率的診斷系統則成為亟待解決的問題。