故障检测绪论解析.ppt

该方法的优点是使用直接的知识和相对简单的启发式知识表示，诊断推理速度快；要求数据的存储空间相对较小；易于编程和实现。 缺点是依赖于历史的故障经验，知识库覆盖的故障模式有限，知识获取困难，对未出现过的和经验不足的故障诊断，易造成诊断失败；该方法缺乏系统结构知识，不能较好地根据系统变化进行规则修改，缺乏自主性和灵活性。 2）基于范例的诊断 范例推理（CBR, Case-based Reasoning）作为人工智能中新兴的一种推理技术，适用于理论模型和领域知识不完整而经验丰富的决策问题。 基于范例诊断的诊断推理主要通过对诊断范例的检索和匹配，获得对故障的诊断结果，即使在故障与 范例之间不完全匹配的情况下，也能通过相似性度量，得出相似的解。 优点：诊断推理运用的知识是现场的具体故障范例，含义丰富，容易理解，大大降低了获取领域专家知识的难度，为快速诊断故障提供了一个途径。 缺点：由于范例组织结构的复杂性，基于范例的诊断模型存在着范例维护困难、新范例生成需要额外知识等不足之处。 3）基于模糊逻辑的诊断模型 模糊诊断方法是利用集合论中的隶属度函数和模糊关系矩阵的概念来解决故障与征兆之间的不确定关系。 故障诊断是通过研究故障与征兆之间的关系来判断系统状态，由于语言表达、信息不完全等带来的模糊属性常常出现在对故障的征兆描述中，故障与征兆之间的关系很难用精确的数学模型来表示，导致某些故障状态也是模糊的。 模糊逻辑提供了表达和处理模糊逻辑概念的机制，能够处理故障诊断中的不确定信息和不完整信息。 在模糊故障诊断中，构造隶属函数是实现模糊故障 诊断的前提。 目前，模糊故障诊断有两种基本方法，一种是先建立故障现象与故障征兆之间的模糊关系矩阵，再通过模糊关系方程进行故障诊断； 另一种方法是先建立故障与征兆之间的模糊知识库，再进行模糊逻辑推理。 4、融合诊断方法 1）多传感器信息融合的故障诊断方法 信息融合又称数据融合，是一种多层次、多方面处理过程，该过程对多源数据进行监测、结合、相关、估计和组合以达到精确的状态估计和及时完整的态势估计。 信息的融合包括数据融合、知识融合以及由数据到知识的融合（数据挖掘）。 多传感器信息融合技术避免了单个传感器出现故障而产生的对系统的误判，通过融合给出了单一传感器监测不到的系统状态，有利于全面认识系统，提高了诊断可靠性，防止漏诊。 2）分布式理论在故障诊断中的应用 分布式状态监测与故障诊断技术是面向设备群的跨学科综合应用技术。 自20 世纪90 年代以来，由于设备在线状态检测与故障诊断系统被赋予网络化的特点，诊断进入分布式时代，通过网络以分散监测和集中操作并诊断的优良特性成功解决了测点数量多、分布广及监测、诊断困难的问题。 3）多Agent 智能故障诊断 Agent 是人工智能、面向对象技术、计算机科学及 人工生命相融合的产物，其思想是麻省理工学院的McCarthy 于20 世纪50 年代提出的，随后由Selfridg 将该思想与单词Agent 结合，现在发展成为一种新 兴的工程方法论。 随着各类系统功能需求增加，导致部件数量增加，相应的故障诊断复杂程度也以指数增加，基于多Agent（MAS） 进行诊断任务进而求解开展故障诊断的思想应运而生。 三、故障诊断技术的发展趋势 复杂系统和过程故障诊断问题是一个广泛的研究课题，面对存在的不足和不断变化的诊断要求，结合目前人工智能、信息处理、计算机等相关技术领域的发展，智能故障诊断技术的发展需要着重解决以下方面的内容： 1、分布式人工智能 分布式人工智能技术的发展为大规模诊断系统设计和实现提供了一条极具潜力的途径，该技术是为解决大规模问题的智能求解而发展起来的，通过对问题域的描述、分解和分配，构成分散的面向特定问题相对简单的子系统，并协调各子系统并行地、相互协作地进行问题求解，其思想十分适合大规模诊断问题的智能求解。 随着工业生产的连续化、高速化、系统化、自动化和企业管理的网络化，工业大型成套关键设备已呈现为分布式开放的规模系统，它对诊断系统的实时性、自动性、开放性和网络化提出了越来越高的要求。 2、自适应诊断模型 专家自身诊断能力提高需要通过不断的学习、经验积累，智能诊断模型诊断能力的提高依赖于诊断新知识的获取。 实际诊断系统中，由于知识获取的“瓶颈”问题，诊断知识库是不完备的，复杂系统自身特性又容易受到影响（如环境变化、部件调整等）而发生改变，当新故障征兆出现时，在知识库中找不到最佳匹配，就容易发生漏诊或误诊，严重影响诊断结果的可靠性。 从智能系统的发展观来看，诊断模型如果具有一定的自适应能力，自身能够不断“学习”和“进化”，就能有效地适应求解环境和问题特征的动态变化。 3、混合式智能诊断系统 纵观现有的混合诊断模型远没有达到专家思维“互相融合”的程度。而且现有的绝大多数混合模型只