人工智能方法故障诊断.docVIP

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 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]： 式中:Y为诊断矩阵，为对象具有故障的隶属度；X为起因矩阵，为对象具有症状的隶属度；R为征兆矩阵，描述了故障征兆与故障原因之间的关系。。 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