复杂系统的智能故障诊断技术现状及其发展趋势
智能装备故障诊断技术研究
智能装备故障诊断技术研究随着科技的不断发展，智能装备已经成为了现代工业化发展的重要基础。
智能装备在生产中的应用，不仅为生产企业提供了更高的生产效率和更便捷的操作经验，同时也对生产线的安全性和可靠性方面进行了更全面的保障。
但是，智能装备在长时间运行中难免会出现一些问题，如何及时准确地诊断、排除故障成为工程师面临的难题。
针对这个问题，智能装备故障诊断技术应运而生。
本文将从以下几个方面对其进行深入的探讨。
一、故障诊断的现状及其存在的问题在智能装备使用中，故障往往是不可避免的，而故障处理的难点就在于尽快发现故障并且具备可靠的排除手段。
然而，目前市场上智能装备存在的故障诊断问题是多方面的。
首先，智能装备系统复杂度的逐步增高，使得故障出现原因更加复杂，需要寻找问题的难度加大；其次，工程师缺乏经验和技能，无法快速、准确地诊断故障；再次，现有的诊断方法的准确性和容错性有待提高。
在一些少量采用智能装备的制造企业中，故障诊断仍旧主要依靠人工巡检及修复，往往需要大量的人力物力进行处理，过程中出现的延误、漏检等情况严重影响了生产效率和效益。
为了解决这一问题，研究智能装备故障诊断技术为必要之举。
二、智能装备故障诊断技术的应用现状面对智能装备故障诊断的问题，多种方法正在被研究和应用。
其中，目前主流的、最为成熟的技术是基于人工智能模型的故障检测。
这一技术可以通过以下方式进行故障判断：1.基于机器学习的故障检测。
该技术将生产设备的历史数据作为训练数据，让机器进行学习，然后通过对新数据进行分析从而判断故障，具有一定的准确性和可用性。
2.专家系统。
这一系统正常状态下可以对生产设备运作进行监控，并根据设备的输出数据进行分析和处理。
如果发现系统错误或者异常，专家系统立刻发出异常信息和警报。
该系统需要对设备运作的复杂性直接导致困难，系统无法拟定和排除复杂故障。
3.面向对象的故障诊断。
该技术通过分析系统各个组件的交互，确定故障的可能原因所在。
复杂系统的故障诊断及容错控制
然而，对于复杂系统的故障诊断及容错控制仍然存在许多挑战，如多变量耦合、非线性特性等问题。因 此，需要进一步深入研究以提高技术的可靠性和实用性。
02
复杂系统概述
复杂系统的定义与特点
定义
复杂系统是由大量相互作用的元素组成的系统，这些元素之间的相互作用具有 非线性和不确定性。
故障定义
01
故障是指系统在正常运行过程中出现的不符合预期运行状态的
现象。
故障类型
02
故障可划分为硬件故障、软件故障、外部环境故障等多种类型
。
故障影响
03
故障可能对系统的性能、安全、可靠性产生不同程度的负面影
响。
故障诊断的方法与流程
基于数学模型的诊断方法
建立系统数学模型，通过比较实际输出与预期输 出的差异，推断出故障类型及位置。
VS
挑战
复杂系统的研究面临着许多挑战，如如何 建立系统的数学模型、如何进行系统的仿 真和预测、如何设计有效的控制策略等。 此外，由于复杂系统的非线性和不确定性 ，其研究还面临着许多理论和技术上的难 题。因此，我们需要不断探索新的方法和 技术，以更好地理解和控制复杂系统的行 为。
03
故障诊断技术
故障诊断的基本概念
特点
复杂系统具有高度非线性和不确定性，其行为难以预测和控制。此外，复杂系 统还具有自组织和适应性，能够根据环境的变化自动调整自身的结构和行为。
复杂系统的分类与实例
分类
复杂系统可以根据不同的标准进行分类，如根据系统的规模、组成元素的数量和种类、相互作用的方式等。常见 的复杂系统包括生态系统、社会系统、经济系统、交通系统等。
智能故障诊断技术研究综述与展望
文献综述
1、电网故障诊断的研究背景和 意义
1、电网故障诊断的研究背景和意义
随着电力系统的不断发展，电网规模和复杂性不断提升，电网故障对于经济 和社会的影响也越来越大。因此，研究电网故障诊断技术，提高电网运行的可靠 性和安全性，具有重要的理论和实践价值。
2、电网故障诊断的基本技术和 方法
2、电网故障诊断的基本技术和方法
引言
引言
智能故障诊断技术是指借助人工智能、大数据、云计算等现代技术手段，对 设备运行状态进行实时监测与评估，实现故障预测与诊断的目的。随着工业领域 的不断发展，设备规模和复杂性不断增加，传统故障诊断方法已难以满足实际需 求。因此，智能故障诊断技术成为当前研究的热点和难点。
综述
1、智能故障诊断技术的基础理 论研究
谢谢观看
电网故障诊断的基本技术和方法包括：基于故障录波数据分析的故障诊断、 基于信号处理和模式识别的故障诊断、基于人工智能的故障诊断等。
2、电网故障诊断的基本技术和方法
其中，基于故障录波数据分析的故障诊断是通过对故障录波数据的分析，提 取故障特征，从而确定故障的位置和类型。该方法主要适用于复杂的电网系统， 但需要解决数据传输和存储等问题。基于信号处理和模式识别的故障诊断是通过 对电网中的信号进行实时监测和分析，运用模式识别技术对电网的运行状态进行 分类和识别，从而发现和诊断电网中的故障和异常情况。
展望
5、加强人才培养与团队建设：培养具有多学科背景的专门人才，建立专业的 研究团队，推动智能故障诊断技术的持续发展。
结论
结论
智能故障诊断技术作为现代设备管理的重要支撑，对于提高生产效率和设备 运行可靠性具有重要意义。本次演示综述了智能故障诊断技术的最新研究成果与 发展趋势，涉及基础理论研究、应用研究、系统集成研究和未来发展等多个方面。 通过总结前人研究成果和不足，指出了当前研究中存在的空白和需要进一步探讨 的问题，并提出了未来发展的趋势和建议。
基于人工智能的智能故障诊断技术研究
基于人工智能的智能故障诊断技术研究人工智能技术在不断地推进，现在在故障诊断方向的应用也在逐渐增多。
传统的故障排查手段往往需要人员对故障现象反复观察和分析，费时费力，甚至会因人为疏忽遗漏问题，而人工智能技术在此方面却能够提供一种更加高效可靠的解决方案。
本文旨在探讨基于人工智能的智能故障诊断技术的研究现状和前景。
一、人工智能在故障诊断方向的应用智能故障诊断技术是利用人工智能技术对故障进行自动诊断的一种方法。
其不同于传统的手动故障排查方法，主要应用于机电设备、电力系统、通讯网络、工业自动化生产线等领域，为用户提供快速、准确、智能化的故障诊断服务。
目前，智能故障诊断技术的应用涉及领域广泛，包括了机器人领域、通讯系统领域、汽车维修领域等。
人工智能应用的方式通常分为两种：一种是基于机器学习算法，另一种则是基于深度学习算法。
机器学习算法是一种典型的数据驱动算法，适应于较少的数据量和规则较为明显的场合，通过对大量故障数据进行模型训练来提高诊断的准确率；而深度学习算法则可以通过对标注数据的训练，自动学习特征和规律，并能够以一种端到端的方式完成故障诊断任务。
二、智能故障诊断技术的研究进展近年来，一些学者们致力于研究机器学习算法和深度学习算法在故障诊断领域中的应用，不断探索着智能故障诊断技术的提高和优化。
下面我们将分别从机器学习算法和深度学习算法两方面探究相关研究进展。
1、机器学习算法研究在机器学习算法应用于智能故障诊断技术的研究中，主要包括了特征提取、故障分类、模型评估等方面。
特征提取是机器学习算法的基础，在智能故障诊断技术领域中，一些学者利用信号分析技术对原始数据进行信息提取和预处理，以克服信号噪声、模糊和多模式等不利因素，从而提高故障诊断的准确率。
故障分类是机器学习算法应用于智能故障诊断技术的核心任务，主要利用以统计学为基础的算法（如朴素贝叶斯、支持向量机、模糊聚类等）进行故障分类器的设计，以实现快速、准确的故障诊断。
人工智能在故障诊断中的发展现状与未来趋势分析
人工智能在故障诊断中的发展现状与未来趋势分析随着科技的飞速发展，人工智能（Artificial Intelligence, AI）作为一项引人注目的技术，正在逐渐渗透到各个领域。
其中，人工智能在故障诊断领域的应用备受关注。
本文将从发展现状和未来趋势两个方面，探讨人工智能在故障诊断中的重要性，以及其所带来的机遇和挑战。
一、发展现状人工智能在故障诊断中的应用，远远超出了传统的手动方式。
在传统方式中，故障定位依赖于技术人员的经验和猜测，这往往需要花费大量时间和精力。
而人工智能的出现，则为故障诊断提供了全新的解决方案。
通过深度学习和机器学习等技术的运用，人工智能可以根据历史数据和模型进行故障预测和诊断，准确、高效地找出故障源，从而实现故障的快速修复。
因此，人工智能在故障诊断中显现出巨大的优势。
目前，许多工厂和企业已经开始使用人工智能来进行设备故障诊断。
以制造业为例，在生产线上安装传感器和监控设备，人工智能可以通过监测设备运行状态和故障信号，及时发现异常情况并给出相应的故障诊断报告。
这大大提高了生产效率和产品质量，降低了成本和资源浪费。
此外，人工智能在医疗领域也有着广泛应用。
在医疗设备故障诊断中，人工智能可以通过分析医疗设备的传感器数据和患者的身体数据，帮助医生快速定位设备故障和改进操作流程，提高工作效率和患者满意度。
同时，人工智能还可以在医疗影像诊断中发挥作用，通过深度学习算法分析大量医学影像数据，辅助医生进行疾病诊断和治疗决策。
二、未来趋势随着技术的不断进步和研究的深入，人工智能在故障诊断领域的未来前景令人充满期待。
首先，人工智能将更加智能化和自动化。
传统的人工智能系统通常需要输入大量的训练数据，而未来的发展趋势则是让系统具备学习能力和自主决策能力。
通过对大量实时数据的分析和学习，人工智能可以提供更加精准的故障诊断和预测，为企业和机构提供更加高效的维护和保养服务。
其次，人工智能与物联网的结合也是未来的重要趋势。
自动化设备的智能故障诊断
自动化设备的智能故障诊断自动化设备作为工业化生产的基础之一，随着科技的发展和技术的进步，自动化设备的种类和数量不断增加，应用范围也越来越广泛。
但是，自动化设备故障率较高，传统的故障维修工作需要大量人力和物力，不仅费时费力，而且维修效率低，对于产品的生产和周期产生不良的影响。
因此，如何提高设备的稳定性和可靠性，以及实现智能化的故障诊断和维护成为了自动化设备制造商和使用者亟待解决的问题。
一、自动化设备故障诊断的现状目前，自动化设备故障诊断主要采用传统的人工排查方式，包括检查设备参数，对设备的物理结构进行检查等等。
但是，这种传统的故障诊断方法存在以下问题：1. 效率低：人工排查需要大量时间和人力，需要反复检查多次才能够确定故障原因，这会大大影响生产效率。
2. 不可靠：人的主观性影响了故障的判断，而且在复杂的环境下会产生错误的判断结果，会带来维修过程中出现“对症不对症”的情况。
3. 成本高：人工排除故障需要培训专门的技术人员，维修成本也相应增加。
4. 反应慢：传统的故障排查方法需要人工反复排除可能的故障原因，会浪费大量时间，导致生产周期的延误。
二、自动化设备智能故障诊断的新方法为了解决自动化设备故障排查的问题，研究人员提出了智能故障诊断法。
智能故障诊断的基本思路是将传感器采集到的数据，通过数据挖掘、机器学习和人工智能等技术手段进行分析和处理，并通过诊断结果反馈给维修人员。
智能化的故障诊断方法的优点包括：1. 效率高：智能故障诊断能够实现设备故障的快速定位和维修，从而避免了人工排查带来的时间损失和生产效率的下降。
2. 可靠性高：智能故障诊断不受人工主观性的影响，可以在复杂环境下准确诊断故障。
3. 成本低：智能故障诊断只需要对故障进行精确定位并提示维修人员，而不需要人工排查，减少了维修成本。
4. 反应快：智能故障诊断的速度快，能够立即提供诊断结果，并依据结果对设备进行快速维修。
三、智能故障诊断的具体实现方法智能故障诊断是一个涵盖多种技术方法的复杂系统，其具体实现可以分为以下几个方面：1. 采集数据：通过传感器或其他设备采集设备运行参数、状态等数据，并对数据进行处理和有效过滤。
人工智能在故障诊断领域的应用现状与发展趋势
人工智能在故障诊断领域的应用现状与发展趋势随着人工智能技术的日益成熟和应用范围的不断扩大，它正在各个领域发挥着重要的作用，其中之一就是在故障诊断领域的应用。
故障诊断是指通过分析和辨识出产生故障的原因和位置，进而解决问题和恢复正常运行的过程。
传统故障诊断依赖于人工经验和专业知识，但由于人工的限制，难免会存在主观性和不确定性。
而人工智能的出现，则为故障诊断带来了新的可能性。
目前，人工智能技术在故障诊断领域已取得了一些令人瞩目的成果。
首先，基于机器学习的方法已成为故障诊断的重要手段之一。
通过训练大量的故障数据，机器学习算法可以自动学习故障的特征和模式，从而实现对故障的准确诊断。
例如，在工业生产领域，借助机器学习技术，可以通过监测机器运行时的数据，识别出潜在故障的预警信号，提前进行维护和修复，从而避免了未预期的停机时间和生产损失。
其次，人工智能技术在故障诊断中的应用还可以与专家系统相结合，形成一种智能化的故障诊断系统。
专家系统是一种基于知识和经验的计算机程序，它可以模拟专家的思维方式和决策过程，提供准确的诊断和解决方案。
通过将人工智能技术与专家系统相融合，可以使系统具备更高的诊断准确性和智能化水平。
例如，在医疗领域，人工智能技术可以通过分析患者的病历和临床数据，辅助医生进行诊断和治疗方案的选择，提高医疗水平和效率。
此外，人工智能还有望为故障诊断提供更为全面和深入的解决方案。
在传统的故障诊断中，常常只能得出故障的大致范围和原因，而具体的故障点和具体的修复方法往往需要人工去进一步分析和判断。
而人工智能技术可以通过分析海量的数据和建立复杂的模型，帮助工程师准确定位故障点和提供详细的修复方案。
如今，人工智能技术在图像识别、自然语言处理等方面已有重要的突破，未来将更好地应用于故障诊断领域，进一步提升诊断效果和减少故障处理成本。
然而，虽然人工智能在故障诊断领域的应用前景广阔，但仍然面临一些挑战。
首先，故障诊断需要大量的高质量数据，但有时这些数据很难获取或者难以共享。
人工智能在故障预测维修领域的发展现状与未来趋势
人工智能在故障预测维修领域的发展现状与未来趋势近年来，随着人工智能技术的不断发展，它在故障预测维修领域逐渐展现出强大的潜力。
人工智能可以通过大数据分析和模型训练，在故障预测、维修过程优化等方面发挥重要作用，提高设备使用效率，减少维修成本，延长设备使用寿命，实现智能化生产。
首先，人工智能技术在故障预测方面的应用取得了显著进展。
传统的故障预测方法主要依靠经验和规则，但这种方法存在准确性不高、受限于专家知识和经验的问题。
而人工智能技术可以通过对大量数据的学习和分析，建立准确的预测模型。
基于机器学习和深度学习算法的人工智能系统可以自动提取数据中的特征，并根据以往的故障案例进行模式识别和预测。
例如，在制造业中，通过对设备传感器数据的监测和分析，可以预测设备故障的发生时间和原因，提前进行维修和更换零部件，避免设备停机带来的损失。
其次，人工智能在维修过程中的应用也愈发重要。
传统的维修方式常常是基于设备的计划性维护或突发故障后的应急维修。
这种方式存在维修成本高、效率低的问题。
而人工智能技术可以通过对设备状态的实时监测和数据分析，及时发现潜在问题并提供解决方案。
例如，基于机器学习的故障诊断系统可以通过对设备运行状态的监测和分析，识别出潜在的故障原因，并给出具体的维修建议，从而提高维修效率和质量。
此外，人工智能还可以通过自动化的方式完成部分维修任务，减少人力参与，提高维修效率。
然而，人工智能在故障预测维修领域的应用还面临一些挑战。
首先是数据的获取和处理问题。
人工智能系统需要大量的数据进行训练和学习，但企业现有的数据可能存在质量不高、格式不统一等问题。
因此，企业需要投入人力和技术资源对数据进行清洗、整理和标准化，提高数据的质量和可用性。
其次是算法和模型的选择问题。
目前，人工智能领域存在多种算法和模型，如支持向量机、神经网络等，但不同的算法和模型适用于不同的场景和问题。
企业需要根据自身的需求和实际情况选择适合的算法和模型，进行针对性的优化和改进。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
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。