智能诊断技术

2.1　智能诊断技术

2.1.1　专家系统

专家系统（Expert System，ES）是发展最早、比较成熟的一种人工智能技术。通常认为，专家系统是一个具有大量专门知识与经验的程序系统，是研究用解决某专门问题的专家知识建立人机系统的方法和技术，专家知识包括整个具体专业领域的知识和对领域内问题的理解及解决这些问题的技能。它根据某个领域专家提供的知识和经验进行推理和判断，模拟专家的决策过程，以解决那些需要专家决策的复杂问题。

虽然专家系统能够有效地模拟故障诊断专家完成故障诊断的过程，在很多领域中得到了广泛的应用，取得了不少成果，并且显示出了相当出色的工作能力，在某些方面甚至超过了人类专家的工作水平，但是在实际应用中仍存在一些缺陷：

（1）完备知识库的获取是形成故障诊断专家系统的瓶颈。如果建立的知识库不完善，就可能导致专家系统推理混乱并得出错误的结论，而知识获取及验证其完备性是比较困难的，这在很大程度上限制了故障诊断专家系统的发展。

（2）专家系统推理方法比较简单，推理能力弱，控制策略不够灵活。它在推理时要搜索、匹配知识库内一定规则集才能得出结论，否则容易出现匹配冲突、组合爆炸以及无穷递归等问题。所以，当系统比较大时，完成诊断的速度非常慢，效率低。一般实用的故障诊断专家系统通常只有100～300条规则。

（3）知识维护困难。现有的专家系统知识库中的知识大都是依靠知识工程师人为输入，在知识库里往往只是简单地堆放在一起。当被诊断对象的结构或配置发生变化时，专家系统的知识库要进行相应的修改，然而增加或修改规则后很有可能造成不完整或不一致的知识库，为此必须对知识库进行再次校验，校验的难度比较大，所以大型专家系统维护困难。

（4）知识台阶窄。专家系统的工作范围很窄，只能对专家领域内的问题以专家级的水平去解决，但对专家知识领域以外的问题则无能为力。即专家系统没有联想、记忆、类比等形象思维能力，更致命的问题是，系统本身无法判断自己是否工作在专家领域知识范围内。

（5）一般专家系统不具备学习能力，一旦发生知识库没有包括的新的故障诊断情况，专家系统将发生诊断错误或得不到结果。

（6）实用性差。由于上面的这些严重缺陷，使得一些专家系统很难进入广泛实用阶段，同时，由于推理速度慢，导致一般的传统专家系统难以适应在线工作要求，只能在离线非实时条件下工作。

2.1.2　人工神经网络

人工神经网络（Artificial Neural Network，ANN）是对人脑神经系统的数学模拟，是一种模拟人类神经系统传输处理过程的人工智能技术［7，8，19］。其最大的特点是：具有自组织和自学习能力；一定的泛化能力；较强的容错能力；并行处理和分布式存储信息。神经网络故障诊断问题可以看成模式识别，通过一系列过程参数进行测量，然后用神经网络从测量空间影射到故障空间，实现故障诊断。可见，神经网络之所以适合于故障诊断，有以下三个原因：

（1）训练过的神经网络能存储有关过程的知识，能直接从定量的、历史故障信息中学习，可以根据对象的正常历史数据训练网络，然后将此信息与当前测量数据进行比较，以确定故障。

（2）神经网络具有滤除噪声及在有噪声情况下得出正确结论的能力，可以训练神经网络来识别故障信息，使其能在噪声环境中有效地工作，这种滤除噪声的能力使得人工神经网络适合在线故障检测和诊断。学习完成后，如果系统结构发生变化，则需增加新的样本重新学习。

（3）神经网络具有分辨故障原因及故障类型的能力。

神经网络在故障诊断中的应用，主要在故障检测和故障类型识别两个方面。用人工神经网络技术对复杂系统的故障进行自动诊断，并通过数据分析与处理来改善整个系统的性能，可以较好地克服专家系统的缺点。人工神经网络在故障诊断应用中存在的问题主要有以下几个方面：

＊ANN在使用之前需要大量的、有代表性的样本供其学习。

＊对运行人员来讲，ANN的工作过程是一个黑箱。因此，尽管ANN具有一定的容错能力（当存在自动装置不正常动作时，仍能给出正确的结果），但是它不能提供信息帮助工作人员推断不正常动作的装置。

＊ANN学习完成之后，具有较好的内推结果，但外推时则误差可能较大，特别是当系统非线性较强或具有病态特性时误差更为严重。

＊如何设计适用于大型复杂系统的ANN故障诊断系统仍然是一个有待于进一步研究的问题。

ANN一直是一个比较活跃的研究领域，在研究开发智能故障诊断系统时，应对上述问题给予充分的考虑。

2.1.3　模糊理论与模糊诊断系统

模糊理论（Fuzzy Theory，FT）是将经典集合理论模糊化，并引入语言变量和近似推理的模糊逻辑，具有完整的推理体系的智能技术。

目前主要有两种处理不确定性问题的方法，即基于概率理论的方法和基于模糊理论的方法。基于概率理论的方法，着重应用于统计机制、数据分析等人的感知与推理不起主要作用的场合；而模糊理论则擅长模拟人类思维中的近似推理过程，主要应用于人类经验知识起重要作用的场合。根据分析可以看出，基于模糊理论的方法比较适用于故障诊断问题。

模糊理论与专家系统相结合构成的诊断系统，虽然可以增强处理不确定性的能力，在一定程度上提高诊断的准确度，但由于一般的模糊诊断系统采用了与专家系统相似的结构，所以它不能完全消除专家系统所固有的缺点。主要表现在：

（1）模糊诊断系统在推理时也要搜索知识库内一定的规则集才能得出结论，所以当系统比较大时，完成诊断的速度比较慢，效率比较低。

（2）当系统的结构发生变化时，模糊诊断系统的知识库或相关规则的模糊度也要进行相应的修改，即模糊诊断系统也存在维护的问题。

（3）模糊诊断系统也不具备学习能力。

另外，基于模糊理论的故障诊断还具有下列局限性：

（1）模糊诊断方法利用模糊集合率中的隶属函数和模糊关系矩阵的概念来解决故障与征兆间的不确定性关系，进而实现故障的早期预报和精确诊断。这种方法计算简单，应用方便，结论明确直观。但却不能进行趋势分析。

（2）构造隶属函数是实现模糊诊断的前提，由于隶属函数可由隶属曲线表示，是人为构造出来的，会有一定的主观因素。

（3）对特征元素也就是特征参数的选择有一定的要求，如果参数选择不合理，诊断精度会下降，甚至诊断失效。

（4）如果在征兆与故障的关系中含有未知因素，隶属函数无法构造出来，这时该方法将失效。

2.1.4　小波分析理论

小波分析（Wavelet Analysis，WA）是当前应用数学中一个迅速发展的新领域，这一创新概念由法国工程师J.Morlet于1984年首先提出。基于小波变换的故障诊断方法不需要对象的数学模型，且对输入信号的要求较低，计算量也不大，可以进行在线实时故障监测，灵敏度高，克服噪声能力强，是一种很有前途的故障诊断方法。小波变换通过多重分辨率来分析信号在时域和频域的局部特性，确定信号的突变点。在故障诊断中，通过小波变换的模极大值监测信号的突变点，判断某个设备参数是否发生跳变。

小波变换的故障诊断方法，主要是利用小波变换具有的良好的时频局部化特性和对信号自适应变焦、多分辨率分析的能力，将信号在不同尺度上展开，提取不同频带上的特征，同时保留信号在各个尺度的时频特性。小波变换在故障诊断中的具体应用表现在以下几个方面：

（1）利用小波变换检测信号的突变。

（2）利用观测信号频率结构的变化进行故障诊断。

（3）利用脉冲响应函数的小波变换进行故障诊断。

（4）利用小波变换去噪声提取系统波形特征。

（5）利用小波网络进行故障诊断。

虽然小波分析在信号处理方面得到了广泛的应用，但从总体上说，小波变换理论和小波变换在故障诊断中的应用还处于起步阶段，主要存在以下问题［2］：

（1）由于小波变换及小波网络中的小波基的选择没有统一标准，选择不同的小波会得出不同的结论，在实际应用中往往根据经验来选择小波，带有一定的主观性。

（2）如何根据信号的特征选择尺度、平移量，用最少的变化后的数据反映信号的特征，以减少运算量；如果选择不当，将会增加运算量，降低推理速度，影响效率。

（3）小波网络的新模型基于学习算法也是当前研究的热点，近年来有人提出多层结构小波网络和局域连接型的小波网络。由于神经网络的研究正在向计算智能、生物智能方向发展，小波网络的研究也在不断吸收如混沌、进化等其他交叉学科的研究成果。正因为小波网络还在发展中，所以许多问题还有待于深入研究。

（4）小波网络的收敛性、鲁棒性、计算复杂度等还有待于深入研究，小波网络在故障诊断中的硬件实现也是需要进一步探讨和解决的问题。