第21卷 第10期计 算 机 仿 真2004年10月 文章编号:1006-9348(2004)10-0004-04复杂系统的智能故障诊断技术现状及其发展趋势李 伟(重庆大学自动化学院,重庆400044)摘要:智能故障诊断技术为保障工程技术系统的可靠性和安全性开辟了新的途径,随着系统设备和功能的日益复杂化,发生故障的机率以及由此带来的损失越来越大,现有单一、固定的故障诊断方法却难以满足复杂系统诊断的全部要求。

该文针对复杂系统故障现象的特点,分析了现有基于规则、基于结构和行为、案例、模糊逻辑、神经网络及其集成知识诊断技术的各自特点和局限性,指出了机器学习对于当前复杂系统智能故障诊断发展的重要性,有利于改变现有单一、固定的故障诊断思维,并对未来的主要发展方向进行了一些探讨。

关键词:故障诊断;人工智能;复杂系统中图分类号:TP18;TP306 文献标识码:AAdvance of Intelligent Fault Diagnosis for Complex Systemand Its Present SituationLI Wei(Automation College,Chongqing University,Chongqing400044,China)ABSTRACT:The technology of i ntelligence faul t diagnosis develops a new way for the reliabili ty and safety of indus trial systems,with the gradual complication of the equipment and function of system,which leads to more faults and loss,b ut,i t canno longer meet all req uirements of diagnosing fault complex systems by existing soli tary and static means.According to thecharacteris tics of complex systems,this paper analyses the characteristics and li mitations of the existing fault diagnosis and integrated approaches based on rule,structure and behavior,case,fuzzy logic and neural network,points ou t the importance ofmachine learning to intelli gent diagnosis system,which i s beneficial to change the mind in fault diagn osis,and discusses themai n research directions of intelligent diagnosis system in the future.KEYWORDS:fault diagnosis;artificial intelligence;complex system1 引言当一个系统的状态偏离了正常状态时,称系统发生了故障,此时系统可能完全、也可能部分地失去其功能。

故障诊断就是寻找故障原因的过程,包括状态检测、故障原因分析及趋势预测等内容。

故障检测与诊断技术发展至今经历了三个阶段:第一阶段由于机器设备比较简单,故障诊断主要依靠专家或维修人员的感觉器官、个人经验及简单仪表就能胜任故障的诊断与排除工作;第二阶段是以传感器技术、动态测试技术为手段,以信号分析和建模处理为基础的现代诊断技术,在工程中已得到了广泛的应用。

近年来,由于机器设备日趋复杂、智能化及光机电一体化,传统的诊断技术已经很难适应,随着计算机技术 智能信息处理技术的发展,诊断技术进入了它的第三个发展阶段 信号分析 建模与知识处理相融合的智能诊断技术阶段[1-2]。

概括来说,现有的故障检测与诊断方法(Fault Detection and Diagnosi s FDD),可以分为以下四大类: 基于状态估计的FDD方法; 基于参数估计的FDD方法; 基于信号处理的FDD方法; 基于知识的FDD方法。

、 又统称为基于解析模型的诊断方法,核心思想是用解析冗余取代硬件冗余,通过构造观测器估计出系统的输出值,将其同输出测量值相比较,从中获取故障信息。

该方法获得了深入的研究,但在工程实践中,由于获得系统精确模型的困难性,限制了其使用范围和效果;基于信号处理的诊断方法,利用信号模型,如相关函数、频谱等,提取诸如方差、幅值、频率等特征值,检测出故障,随着小波变换、分形等分析技术的不断引入,研究和应用领域在迅猛地拓展;基于知识的诊断方法不需要对象的精确数学模型,诊断对象作为一个有机整体被研究,以知识处理技术为基础,诊断问题的求解致力于通过模拟领域专家在推理过程中控制和运用各种诊断知识的行为收稿日期:2004-04-02而获得解决,目前研究工作发展迅速、成果迭出。

2 复杂系统故障的基本特性[3-4]一般而言,复杂系统故障具有如下的特性:1)层次性:复杂系统在构造上由多个子系统组成,结构可以划分为系统、子系统、部件、元件等各个层次,从而形成其功能的层次性,因而其故障和征兆也具有不同的层次性。

2)传播性:纵向传播,指元件的故障相继引起部件、子系统、系统的故障;横向传播,指故障在同一层次内传播。

3)相关性:某一故障可能对应若干征兆;某一征兆可能对应多个故障。

4)不确定性:系统的故障和征兆具有的随机性、模糊性和某些信息的不确定性。

对于复杂系统的故障诊断,由于其功能单元很多,各个单元及其组合部件都可能产生不同的故障,巨大的数量使得很难对其进行精确地状态描述和完整模拟各种故障情况。

如果采用传统的推理检测方法进行系统故障诊断,难以实时、准确地判别出故障原因,同时复杂系统内部相互制约因素很多,一个故障的形成往往是众多因素造成的结果,而各因素之间既存在十分复杂的联系,又各自对最终故障贡献的 权重 十分模糊。

因此,无法用精确的状态模型进行表示,而如果采用一些常用的简化方法进行处理,又不能如实反映出复杂系统的本身特性,这使得近年来基于知识的智能故障诊断系统成为了复杂系统故障诊断领域中最引人注目的发展方向之一,应用前景也更为广阔。

3 智能诊断模型的现状分析[5-7]3.1 智能诊断方法及其关键因素智能故障诊断系统的基本思想一般可以这样来表述:设被检测对象全部可能发生的状态(正常和故障)组成状态空间S,可观测特征取值范围的全体构成特征空间Y。

当系统处于某一状态S时,系统具有确定特征y,即存在映射g:SY;反之,一定的特征也对应某确定状态,即存在映射f:YS。

故障诊断的目的就是试图依据可测量的特征向量来判断系统处于何种状态,也就是找出映射f。

系统状态的特征信号,一般来说,具有两种表现形式,一种是以能量形式表现出来的特征信号,如振动 温度和电压等;另一种是以物态形式表现出来的特征信号,如烟雾等。

通过征兆提取装置输出的征兆来识别系统的状态,这是整个诊断过程的核心。

智能诊断中的 智能化 主要体现领域专家知识在诊断过程中的干预行为,即在对故障信号进行检测与处理的基础上,结合领域知识和AI技术进行诊断推理,应用到诊断过程中的领域专家知识主要可分为:浅知识和深知识,浅知识以启发性经验知识为主;深知识则以诊断对象的系统模型知识为核心。

在复杂系统故障诊断中,两者互为补充,缺一不可。

对一个实用高效的智能诊断系统而言,诊断知识的获取、诊断结论的可靠性和系统解释功能是衡量智能诊断系统性能的几个关键方面。

3.2 单一模型的故障诊断方法及其特点智能故障诊断技术涉及广泛的学科领域,存在不同的定义、理解、分类和应用方向。

根据诊断知识的组织和运用形式,近几年,基于经验规则、基于结构和行为、基于范例、基于模糊逻辑和基于人工神经网络等五种智能诊断模型在智能故障诊断领域中研究和应用较多。

3.2.1 基于经验规则的诊断模型基于经验规则的诊断模型是通过对领域专家诊断经验采用规则形式加以描述,将征兆与潜在故障联系起来。

诊断规则搜索的过程就是对领域专家在故障诊断过程中行为的模拟。

该诊断模型经历了较长时期,采用可信度方法、证据方法、贝叶斯方法等可以实现不确定性信息处理,知识结构形式简洁明了、解释方便,在机械系统、电子系统及化工设备故障诊断等领域都已有很多成功的应用[8-11]。

随着系统和故障成因的日益复杂,规则模型对诊断对象的强依赖性、新知识形成时间长、自适应能力差等弱点逐渐暴露,对于新故障模式,如果不具备相关规则,诊断系统容易出现漏诊。

3.2.2 基于结构和行为的诊断模型结构表达系统组件及组件之间的关系,行为描述组件正常工作模式,该诊断模型建立在系统工作正常基础之上,从理论上能够识别诊断系统所有的故障模式,但对复杂系统或组件行为描述本身就是一个难点,模型建立和维护也需要较长的时间,应用上存在一定的困难。

针对上述不足,物理学中定性模型方法逐渐引起人们重视。

系统的定性模型是由一组表示系统物理参数的定性变量和一组各参数之间相互关系的定性方程组成,诊断中通过对系统和过程的定性描述和推理,能够有效揭示系统行为之间的内在联系,当前的研究相当活跃,尤其在动态系统故障诊断[12]中。

3.2.3 基于范例的诊断模型范例推理(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。

范例的具体表示形式同诊断对象特性密切相关,一般而言,故障范例可以表示为五元组C={N,S,R,P,E},其中N、S、R、P、E为五个有限非空集合,分别代表故障范例名、故障征兆集、故障结论集、维修方案集和系统状态集。

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。

近年来,基于范例推理的诊断研究[13-14]异常活跃,国际上已经召开了多次关于CBR的会议,国内外的一些公司已经将CBR应用于复杂设备和系统的故障诊断、维修和决策支持。

但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。