【word】 设备状态智能诊断模型的自更新机制及其UML建模.docVIP

设备状态智能诊断模型的自更新机制及其UML建模 高技术通讯2011年第21卷第12期:1305～1311 doi:10.3772/j.issn.1002-0470.2011.12.014 设备状态智能诊断模型的自更新机制及其UML建模 刘海宁段斌华李楠刘成良 (上海交通大学机械系统与振动国家重点实验室上海200240) (上海机床厂有限公司上海200093) 摘要为解决在设备状态监测应用中建立智能诊断模型经常面临历史样本数据空间有 限的问题,研究了智能诊断模型的自更新机制,并采用统一建模语言对其进行了分析建 模.在此基础上,给出了该机制的实施架构.该机制的基本思想是用实际设备状态监测 过程中的监测数据来更新智能诊断模型.在此机制作用下,通过在设备状态监测过程中 跟踪设备状态的变化,一个基于有限的设备状态样本空间训练的智能诊断模型能够在模 型失效的情况下,通过学习新设备状态下的监测数据不断提升其诊断能力.该机制的可 行性和有效性通过实例应用得到了验证. 关键词设备状态监测,基于状态的维护(CBM),故障诊断,智能诊断模型,自更新 0引言 在认知设备健康状态的基础上对设备实施恰当 的维护,以避免设备故障发生和降低维护成本,被认 为是目前最有效的维护策略,称为基于状态的维护 (conditionbasedmaintenance,CBM)策略.CBM策 略面临的最主要的挑战是如何有效地诊断设备状 态. 设备状态诊断问题的本质是模式识别,模式识 别的一般技术路径是特征提取(featureextraction, FE)一特征降维(dimensionreduction,DR)一分类 (classification,C),缩写为FE—DR—C流程,其具体实 施又包括学习训练过程和识别过程….目前,统计 学习或人工智能中基于特征的模式识别方法被广泛 应用于设备状态诊断.文献[1—3]从模式识别角度 深入探讨了设备状态诊断问题,文献[4-l5]较详细地 总结了基于特征的设备状态诊断在FE.DR.C流程 各步骤常用的方法.按照基于特征的模式识别方法 构建智能诊断模型,通过学习不同设备状态下的监 测数据建立对设备状态的诊断能力,可避免对设备 的复杂动态系统建模J,但其本身也存在固有的缺 陷.对于某台设备,能够事先获取的设备状态样本 空间往往是有限的,特别是一些大型基础制造装备, 由于其本身造价昂贵,更无法通过模拟各种故障的 方式获取其故障样本.此外,设备种类繁多,无法定 义一个统一的智能诊断模型.从理论上讲,一些智 能诊断模型本身在算法上具备自更新能力,如文 献[7]借助于适应谐振型神经网络的记忆能力,在 学习新设备状态的同时仍保持对已学习状态的记 忆,但缺乏相应的技术实施细节,并且学习过程计算 量大,不能满足在线监测中对设备状态识别实时性 的要求.此时智能诊断模型自更新机制需要在满足 在线监测实时性要求的基础上,克服基于特征的智 能诊断方法在有限设备状态样本空间条件下的局限 性,兼顾不同监测对象对智能诊断模型的个性化需 求.本文从技术角度研究了智能诊断模型的自更新 机制,将智能诊断技术与网络技术,信息技术相结 合,通过远程监控中心与现场诊断仪的协作,在设备 状态监测过程中跟踪设备状态的变化,基于实时监 测数据对智能诊断模型进行更新从而实现其诊断能 力的提升. 国家科技重大专项(2009ZX04014-103),国家自然科学基金项目,机械系统与振动国家重点实验室课题(MSVMS201103) 及上海市科委项目(11JC1405800,11dzl121500)资助. 男,1983年生,博士生;研究方向:智能监控;E—mail:hnliu@.ca 通讯作者,E—mail:chlliu@ (收稿日期:2010-06,22) 一 1305— 高技术通讯2011年12月第21卷第12期 1系统架构 1.1系统概述 基于特征的设备状态智能诊断共性流程(FE. DR.C)为智能诊断模型自更新提供了基础.如图1 所示,通过规范特征提取,特征降维,分类算法应用 _一……一_……一…… 智拣谵颤攮越镪件肆 特攮陬王熏惠鬻} 时域特征提取方法i 频域特征提取方法l 时频域特征提取方法ll f耱簸隧攘盖舞謦赣= {.ll 降维方法l }非线性降维方法l} 童虞骥;0 统计学习方法l 人工智能方法l 接口,建立相应的工具包,可构建智能诊断模型组件 库,从而能够针对不同监测对象和监测数据类型 “自定义组装”智能诊断模型,将智能诊断模型的学 习训练过程与识别过程分别执行在远程监控中心与 现场诊断仪,从而满足这两个过程在计算资源,数据 容量,处理实时性等方面的不同需求. 图1设备状态智能监测系统中智能诊断模型自更新示意图 系统工作的大致过程如下:首先,在远程监控