第三章模糊逻辑诊断和实现.pdf

1996 年 3 月 硕士学位论文 13 第三章 模糊逻辑诊断及实现 §3.1 设备故障诊断中的模糊性 设备故障诊断的信息环境，在很多情况下基本上是一个模糊环境。模糊逻辑诊断 （FL-FD）就是依据设备故障的模糊征兆进行模糊状态识别、模糊推理并作出决策， 判别出发生故障的原因。 设备在运行过程中的动态信号（振动、噪声、温度、压力、流量等）携带了有关 设备状态的丰富信息，经典的诊断方法是通过信息处理，从时域和频域上得到反映不 同物理意义的特征参量，如均值、方差、自相关函数、幅度和相位等。然而，用这些 参数来识别和评价设备所处的状态或故障则存在着不确定现象，这种不确定现象主要 表现在随机性和模糊性两个方面。 随机性是由于事物的因果关系不确定所造成的，可用概率统计和随机过程方法来 分析。 模糊性是由于事物在质上没有确定的含义，在量上没有明确的界限，造成事物呈 现亦此亦彼的现象，这些状态的类属是不清晰的。因此，模糊性是事物划分上的一种 不确定性。解决这类问题的理论基础是美国自动控制专家 L.A.Zadeh 教授于 1965 年 创立的模糊集合论[6] 。至今，模糊集合论已发展为数学的一个重要分支模糊数 学,它是精确数学的延伸和推广。 故障诊断中的模糊性表现在： 1. 设备运行环境的模糊性 设备运行的环境是模糊的。设备在连续运行过程中，由于受到工艺参数、介质变 化、昼夜温差等因素影响，其运行状态和故障表象就具有随机性和模糊性。如果采集 不同时刻的动态信号进行分析处理，所得到的特征参量彼此之间必有所不同。我们很 难说特征参量值大就是状态异常，而特征参量值小就表示状态正常。因此，信号处理 所得的结果不可避免地具有模糊性。 2. 设备复杂化带来的模糊性 当前，设备的日益大型化、连续化、高速化和自动化，使其本身也不断复杂化。 利用设备的动态信息进行状态监测和 FD 也必将复杂化。复杂性与精确性是互相对立 的，复杂性越高，则精确性越低，这意味着模糊性越强。 3. 设备运行状态的模糊性 设备从投入运行到损坏的整个过程中，其状态是不断变化的。一般说来，各个状 态或故障之间并没有明确的界限，从无故障到产生故障是一个渐变过程，它是一个连 续变化量，除突发性事故之外，设备的“故障”和“非故障”属于两个模糊集，它既 不是完全“完好”，也不是完全“故障”，而是处于“完好”和“故障”的中介状态。 从“完好”与“故障”两个极端来看，一切中介状态都呈现亦此亦彼的状态，其边界 是模糊的，因此人为规定一个明确界限，或确定一个故障阈值来判断设备是否有故障， 必然会将人的主观误差（包括判断误差）带入诊断结果之中，造成故障信息的谎报和 漏检。 14 李斌：基于模糊神经网络技术的智能诊断专家系统的研究 1996 年 3 月 4. 观察、检测和经验的模糊性 人们对设备故障征兆的观察其本身也是不明确的，感觉的成分较多。众所周知， 一个熟练的技术人员可以凭其经验判断出设备是否有故障及故障发生的部位，而这种 “经验”本身是一种模糊概念，属于模糊集范畴，比如通过眼看、耳闻、手摸及仪表 测量，在自己头脑中形成了“噪声大”、“振动强烈”、“温度偏高”等概念来确定 设备发生了故障，然后由故障征兆寻找故障原因，推断故障部位等。所以在 FD 的经 验方法中也充满着模糊性，人们正是不自觉地利用这种模糊性进行诊断的，犹如司机 凭借大脑接收和处理模糊信息的能力驱车安全穿越闹市，医生根据病人的模糊症状进 行准确诊断。 综上所述，设备运行中的模糊性是客观存在的，人们在状态监测和故障诊断中也 存在着许多模糊的概念和方法。模糊数学理论的产生及发展，使得长期以来人们的故 障诊断经验得以数学化表达，并能够在计算机中进行处理，从而使计算机也能像人脑 那样接收和处理模糊信息，对模糊事物进行推理、判断并作出决策，这正是模糊逻辑 诊断的目的所在[7] 。 §3.2 模糊逻辑诊断理论概述 3.2.1 FL-FD 原理 由于故障征兆是界限不分明的模糊集合，