智能化诊断系统论文（精选10篇）
智能化诊断系统论文 篇1
飞机的机载电缆布置错综复杂，起着能量输送、信息传递等重要作用。以某型飞机为例，近四百根机载电缆总长十几公里，重量一吨以上，因此，空战中机载电缆损毁返航后的诊断修复，是比较棘手的工作。目前仍然沿用三用表手工测量的传统方法。据调查，某型飞机维修过程中，仅仅一根电缆的故障排除竞耗时一周。显然，这样的修复速度远远不能满足现代技战术的要求。
建造机载电缆损毁后的智能化诊断系统ECIDS(Electric Cable Intelligent Diagnosing System)，其工作效率是手工诊断修复所远不能比拟的，而且可以将多根电缆的故障一并解决，从而满足技战术的要求。
1 ECIDS系统硬件结构
系统首先必须具备对被诊断电缆连接关系的检测功能，为此，硬件上建造了如图1所示的模拟开关组件，其核心器件是两只16通道的电子模拟开关CD4067，辅以控制逻辑器件。综合考虑结构与效率，这一部分硬件系统由16对模拟开关组件组成。模拟开关的CH0须空闲不用，因此可一次性完成对240根电缆导线的检查。
该型飞机的机载电缆与分布于机体表面的插头插座相连接。具体示意如图2所示。
为了检测图2所示的断口B、C两端的连接关系，需构建图3所示的断口接插器电路。
用图4所示的联结器的刺针(或鳄鱼夹)可以轻易刺透电缆断头的绝缘橡胶(或夹住电缆芯线)而与其中的导线可靠接触，联结器的另一端与智能化诊断系统的数据总线联结，从而方便电缆断口的B、C两端与智能化诊断系统相联结。
整个智能化诊断系统硬件结构示意如图5所示。
2 ECIRS诊断的算法
诊断程序能够对电缆断口实现一揽子故障诊断，具体定义了如下矩阵。
2.1 电缆的连接关系矩阵
分布于飞机表面的各个插座之间的链接关系应为已知，亦可通过设备自身在线学习获得。为方便计算，给出以下定义：
定义1：模拟开关组件第i个开关的通道与第j个开关的通道连接关系矩阵为：
其中,aip,jk表明第i个开关的第p个通道与第j个开关的第k个通道的连接值，具体定义如下:
上述连接关系矩阵是已知的。
定义2：测量关系矩阵是一个测量结果。模拟开关组件第i个开关的通道与第j个开关的通道的一个测量为：
定义3：连接矩阵与测量矩阵的异或运算,即：
当有“当通未通”或“当断未断”的问题存在时，上述运算结果不为零。
2.2 断口的映像矩阵与像源
2.2.1 电缆断口的特征
(1)“剪断式”断口
剪切式断口是由高速锋利的弹片造成的刀切般的电缆断口，这时断口两端的导线数最有可能相同。
(2)“洞穿式”断口
由于电缆导线的中间任何一段都可能根据需要而存在导线分叉，因此，洞穿式断口两端的导线数不一定相同。
应该指出，断口将导致其两侧的导线断开，而弹片切断或炮弹洞穿时的瞬间高温又会导致断口一侧某些导线的熔融而粘接。总之，断口会导致导线“当通不通”和“当断不断”。
2.2.2 断口的映像矩阵
断口的映像矩阵也是一个测量。
设连接关系矩阵A与测量矩阵C的异或运算结果R≠0，例如ri/α,j/β=1≠0，则表明第i个模拟开关的第α个通道与第j个开关的第β个通道的电缆连接存在问题，但确定不了断口处具体对应的是哪一根连接出了问题。为此，需要求出第i个模拟开关的第α个通道与第个开关的第β个通道连接关系在插座E和插座F上的映像。映像的求取是一个测试过程。
由于机载电缆可能存在的分叉，因此，断口处E、F两端的导线数不一定相同，如上述的“洞穿式断口”，这时断口在插座E、F上，同一个像源的映象一定不同，因此两端断头的映像矩阵也一定不同。
设断口的E端与F端的映像矩阵分别为q维和y维矩阵:
通过上面的分析，可得以下公理。
公理：不论断口的映像如何不同，只要像源相同，这些电缆可以连接在一起，而与映像矩阵的维数无关。
2.2.3 算例
设组件第i个开关的通道与第j个开关的通道连接关系矩阵为:
对电缆的一个测量为:
则
计算表明，结果矩阵中为1的元素表明相应的电缆链接关系出了问题，或当断不断，或当通不通。
为了查找断口处的链接关系，需要找出断口两端的映像矩阵，即E阵和F阵，具体为：
其中e1,1、e1,2与f2,2、f2,3、f3,1同像源,而e2,1与f1,1、f3,1同像源。同像源的断口两端连接起来，从而完成修复。
分析和实验都表明，通过三个测量，获取的测量矩阵、断口两端的映像矩阵以及相应的运算，可一起解决断口的故障定位和断口两端的链接关系，从而给出电缆断口的修复决策。计算表明，系统可在20 min内完成一个循环的断头查找并给出故障定位。
2012年3月10日在空军某部对大修中的飞机进行了实际测试与演练，结果完全正确。
测试单位与用户分别给出的测试报告和用户报告表明，系统完全达到了预期目的。经过对国内外28个数据库及涉密数据库的检索，尚未发现相近的技术报告，通过了国防工办主持的鉴定，填补了国内空白，国际上技术领先。
参考文献
[1]袁海英,陈光礻禹.模拟电路的可测性及故障诊断方法研究[J].电子测量与仪器学报,2006,20(5):17-20.
[2]赵悦,唐毅谦,蔡希彪.数字集成电路故障检测仪[J].仪器仪表学报,2006,27(6)增刊:399-400.
[3]杨占才,王红,朱永波,等.飞机航天设备综合智能故障诊断专家系统研究[J].测控技术,2006,25(4):4-7.
[4]罗孝兵,赵转萍.航空电缆故障自动检测集成系统[J].工业控制计算机,2003,16(3):5-7.
[5]鲁浩,安伟,陈璞,等.便携式飞机电缆智能检测系统[J].微计算机信息,2005,21(6):77-79.
[6]蔡军,张婵.基于工控机的航空电缆通用测试系统[J].工业控制计算机,2007,20(5):46-47.
[7]李洁,沈士团,陈星.航电设备故障诊断专家系统研究与实现[J].计算机工程,2007,33(14):163-165.
智能化诊断系统论文 篇2
摘 要：中国推行可持续性发展的战略给新能源的发展带来了机遇。由于煤炭等不可再生能源的消耗日益严重，国家不得不开发新型能源来满足需求，其中风能便是最为重要的一种新型能源，风电机组便是其产物，被广泛地应用。本文将对风电机传动系统振动故障的诊断技术现状进行分析，根据其出现振动故障的原因，提出智能的诊断方法。
关键词：风电传送系统；振动故障；智能诊断
中国是一个制造业大国，它所生产的产品均需依靠不可再生能源的消耗，由于不可再生能源的数量有限，便转向发展可再生能源，既能满足需要，又不污染环境。风能便是清洁可再生能源中的代表，随着风能的应用，相关产业也迅速发展，本文将对风电机进行深入研究。
1 风电机传动系统振动故障诊断技术的现状
能源消耗的逐渐扩大，导致了中国的能源危机。不仅仅是可利用资源的逐渐减少，而且会对环境造成污染，这就促使了风能以及相关产业的发展。然而风电机传动系统振动故障的问题困扰着相关企业，解决系统振动故障问题成为了最为重要的问题。要想使问题得到解决，必须要了解风电机传动系统振动故障的原因以及故障诊断技术的发展水平。本文首先讲述了风电机传动系统振动故障诊断的意义，然后结合国内外的故障诊断技术进行分析。
1.1 风电机传动系统振动故障诊断的意义
人类所需要的能源多种多样，但目前来看，由于科技水平的限制，很多种能量不能被开发利用。我国的煤炭资源丰富，但煤炭资源有限并且在使用过程中对环境造成了严重的影响，这不利于中国的发展。在这种情况下，中国便转向于开发新能源，新能源主要是自然界一些无限的资源，并且有易开发、对环境无污染等特点。但是由于我国技术水平的限制，很多种新能源都不能得到合理的应用，只有相对较少的几种被运用到生产中，其中风能最具代表性。但风能的转化需要依靠风电机组，风电机组传动系统由于其工作的条件而容易发生振动故障。风能的转化效率与风电机组的效率息息相关。我国风电机等产业的迅速发展的同时也存在很多问题，如果风电机传动系统振动故障诊断技术水平达不到，就会使得风电机的故障频频出现，而风能的转化效率也大打折扣，这不利于中国的经济发展，因此提高风电机传动系统振动故障诊断技术水平刻不容缓，也意义重大。
1.2 风电机传动系统振动故障诊断技术的水平
我国的风电机的发展比国外晚，因此在风电机传动系统振动故障诊断技术水平方面也落后于外国。风电机传动系统以及振动故障诊断技术是伴随新能源开发的产物，由于国外对新能源开发的起步较早，因此在诊断技术方面相对成熟，有较完整的一套风电机传动系统振动故障诊断技术体系，能确保风电机的效率。而在我国，普遍是以传统的不可再生能源为主，近年来才开始研究新能源的开发利用，虽然我国的风电机发展迅速，但由于没有相对成熟的振动故障诊断技术，因此大大降低了新能源开发的效率。我国由于技术的落后而导致了发电效率低下，因此提高振动故障诊断技术是我国在开发新能源方面的基础。无论是国内还是国外，振动故障诊断技术的原理基本相似，都是根据所采集到的故障信息进行分析，究其原因，从而提出解决方案。目前的诊断技术主要有三种，分别是：解析模型、信号处理和向机器学习三种方法。这三种方法都存在一定的弊端，因为风电机的内部结构复杂、信号不稳定等给研究造成了一定的阻碍，使得现阶段的诊断难成体系，这更加需要探索出智能的诊断方法来促进风电机效率的提升、减少故障发生频率。
2 风电传动系统振动故障的分析
2.1 风电传送系统振动故障形成的原因
经过大量的研究表明，风电机组内部机械部件的受力不平衡、长时间的磨损或者机械部件的断裂都会引发风电机组的振动故障，故障形成后，便以振动的形式表现出来。而这种故障发生最多的部位是在风电机的传动系统，传动系统的部件主要包括：风轮、低速轴、齿轮和高速轴以及发电机。其中最容易发生故障的部位是风轮、齿轮箱和发电机。在这三个部位中，每个部位如果操作不当均会发生振动故障，本文将对其进行详细研究。
2.2 风电传送系统振动故障形成的部位
风电传动系统是风电机组中最容易发生振动故障的部位，其中以风轮、齿轮箱和发电机三个部分为主。在这三个部件中，齿轮箱又是故障频率高发区。研究故障形成的主要部位和机理是对故障排除的最为直接有效的方法。以下将重点论述：第一，齿轮故障会以振动的形式表现出来，引起故障的原因主要有两个方面，分别是交变载荷过多和齿轮自身的原因。交变载荷损伤是由于交变载荷给齿轮施加交变应力，当超过齿轮的承受范围时会出现破裂现象，这种破裂逐渐积累造成振动故障；而齿轮自身的损伤是由于齿轮的操作不得当或者没有进行维护，这一方面会产生较大的应激力，造成齿轮损伤，另一方面是由于清洁不得当而造成磨损，这都会导致故障生成。第二，承轴受到交变载荷的作用，会使得在交变应力的作用下，承轴各部件发生接触，从而产生撞击，发生振动故障。
3 风电机组振动监测与故障诊断系统的实现
风电机组首先要对各部件进行监测，并根据监测数据得到诊断的方法，并通过报警或声音进行提示。它的实现需要一定的条件进行支持。第一，故障监测诊断出的数据要及时准确并且完整，之后要使数据系统清楚并且安全性高。第二，要实现智能故障诊断必须保证数据传输的可靠，还要保证高效率，使得访问容易进行。第三，要建立良好的人机界面，使得操作容易进行，可以直接显示出诊断结果，并且可以进行下一步的工作。
4 总结
新能源要想完全取代旧能源，必须要不断地改进设备，以提高风能等的转化率。风能转化主要是通过风电机组进行，但风电机组也有一些缺点，它由于工作环境差而经常出现振动故障，因此需要一套合适的方针来对风电机的各个部位进行监测和诊断，以使其故障发生概率不断降低。
参考文献：
[1]时献江，罗建，宫秀芳，等.无传感器诊断方法及在风力发电中的应用与展望[J].哈尔滨理工大学学报，2014，19（6）：82-87.
[2]谢里阳，刘建中，吴宁祥，等.风电装备传动系统及零部件疲劳可靠性评估方法[J].机械工程学报，2014，50（11）：1-8.
大型真空系统智能故障诊断 篇3
由于真空钎焊技术具有无可比拟的优点, 被广泛地应用于航空、电子、汽车和空分工业中。在空分工业中, 为满足制造高质量、高压力等级、大尺寸板翅式换热器的需求, 厂家纷纷采用大型真空钎焊炉。真空系统是其关键的系统, 如果真空系统发生故障, 轻则直接影响产品钎焊质量, 重则导致产品报废, 停机停产, 造成巨大的经济损失。由于真空系统结构复杂、故障影响因素多且关系复杂, 这给故障的排除带来诸多不便。传统上进行真空系统故障诊断常出现如下的问题[1]: (1) 对故障的种类、发生的频度和权重缺乏全面了解; (2) 故障的排查多为人工方式, 不仅费时且不够准确; (3) 现有的大型真空钎焊炉监控系统监测点少, 缺少必要的分析、诊断功能, 无法实现智能诊断; (4) 缺乏科学、实用的故障辨识及故障诊断理论的指导; (5) 缺乏故障排除经验知识的积累、更新和继承, 以及缺乏对操作员进行有效的故障诊断培训; (6) 无法实现故障的预报。因此, 建立快速准确的智能故障诊断系统具有重要的实际意义。
以大型铝真空钎焊炉为对象对真空系统的故障特点进行深入分析, 并利用面向故障的模糊Petri网理论, 建立了真空系统常见故障的故障模型, 通过实例来说明模糊Petri网的应用。
1 大型真空系统的故障特点
大型铝真空钎焊炉的真空系统由六套真空机组组成, 每套真空机组由机械泵、罗茨泵、维持泵、油扩散泵、粗真空阀、前级阀和高真空阀组成, 如图1所示。真空系统故障主要分为三大类[2]:真空设备故障、真空度达不到要求值故障和抽真空时间过长故障, 导致上述故障的原因很多, 并且故障起因与症状之间并非一一对应的关系。抽气机理和真空设备的复杂性决定了故障具有如下特点: (1) 故障种类的多样性:既有真空泵的故障, 又有真空阀和真空计的故障;既有泵本身漏气的故障, 又有真空室漏气的故障; (2) 故障征兆与故障原因的对应关系复杂:一种故障征兆可能对应多个故障原因, 一个故障原因也会对应多个故障征兆; (3) 故障的频度与权重不同:各故障间并不是独立发生的, 一个故障往往会导致另一个故障的发生, 而且每个故障发生的频度也不同; (4) 真空机组群对真空系统的影响关系复杂:各套真空机组对真空系统的影响关系复杂, 且相互之间关系的权重不同。
1—机械泵, 2—罗茨泵, 3—波纹管, 4—粗真空计, 5—粗真空阀, 6—扩散泵真空计, 7—前级阀, 8—放空阀, 9—维持泵, 10—油扩散泵, 11—高真空阀, 12—手动充气阀, 13—自动充气阀, 14—外循环机组#2出口阀, 15—外循环机组#1出口阀, 16—后炉顶真空计, 17—外循环机组#2进口阀, 18—外循环机组#1进口阀, 19—前炉顶真空计
2 智能故障诊断理论
专家系统故障诊断是故障诊断中最引人注目的方向之一, 也是研究最多、应用最广的一类智能故障诊断技术[3]。建立智能故障诊断系统知识库最基本的过程是诊断知识的获取、表示和组织。在故障诊断时, 由于对设备状态好坏的评估存在着很大的不确定、不精确和模糊性, 故障的发生具有并发性, 就希望有既能合理描述故障诊断知识所固有的并发性、模糊性, 又能进行模糊推理的模型。模糊Petri网有很好的知识表达与逻辑推理功能, 具有动态描述因果关系的能力, 因而非常适用于故障诊断。
2.1 面向故障诊断的模糊Petri网[4]
为了能准确地描述因故障发生的随机性, 故障征兆的模糊性, 诊断经验知识的不确定性、不一致性和不完备性等原因产生的不确定性诊断信息, 采用一个八元组来定义面向故障诊断的模糊Petri网 (FPN) [4]:
故障Petri网的建模方法有直接建模和间接建模两种, 间接建模通常采用基于产生式规则建模和故障树分析方法 (FTA) 建模。故障树转换为Petri网主要涉及两方面:一是故障树事件符号用对应的Petri网表示, 即故障树的各类事件用库所表示;二是故障树的逻辑关系用对应的逻辑Petri网模型表示, 如图2所示。
2.2 基于模糊Petri网的故障诊断算法
基于FPN的故障诊断推理, 主要有适用于系统级在线诊断的正向推理、适用于元件级离线诊断的反向推理、以及结合两者优点的混合推理。针对以往的故障推理算法不能很好地解决已知单个故障征兆和故障原因置信度的前提下进行模糊推理的问题, 给出了以下的推理算法, 而这在实际应用中更为常见。
根据FPN系统运行规则, 库所下一步标识向量的推理公式为
式 (1) 中, ① W:P→T为规则的输入矩阵,
库所下一步标识向量推理公式的推理算法描述如下:
步骤1 令k=0;步骤2 由推理公式⑴根据θk求θk+1;步骤3 如果θk+1≠θk, 令k=k+1, 重复步骤2;如果θk+1=θk, 推理结束, 输出θk。
4 基于模糊Petri网的故障诊断实例
下面以大型真空系统中扩散泵不工作为例, 来说明模糊Petri网的应用。扩散泵不工作故障的原因有漏气故障、加热器故障、泵前级压力高、扩散泵油故障。根据专家经验和真空设备故障样本, 我们建立了扩散泵不工作的故障树, 如图3所示, 置信度由最易发生的故障及故障发生频度确定, 使用三角形隶属函数确定权值, 如表1所示。
根据扩散泵模糊故障诊断规则, 并基于故障树分析方法建立了扩散泵不工作的模糊Petri网模型如图4所示, 图4中库所含义如下:p1表示前炉顶真空度过低;p2表示后炉顶真空度过低;p3表示前级泵真空度正常;p4表示前级泵真空度过低;p5表示扩散泵真空度过低;p6表示油温过低;p7表示油温不变化;p8表示前级管道不漏气;p9表示前级管道漏气;p10表示油量不足;p11表示油变质或被污染;p12表示油牌号不对;p13表示真空室漏气;p14表示泵本身漏气;p15表示前级泵故障;p16表示漏气故障;p17表示加热器故障;p18表示泵前级压力高;p19表示扩散泵油故障;p20表示扩散泵不工作。
故障现象前炉顶真空度过低 (置信度=0.9) , 后炉顶真空度过低 (置信度=0.8) 。由此可得初始标识向量θ0= (0.9, 0.8, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0) T。
由图4可以得到规则置信度μ、向量非汇点向量G、输入矩阵W和输出矩阵H。
μ= (0.9, 0.9, 0.85, 0.95, 0.9, 0.9, 0.9, 0.8, 0.85, 0.9, 0.8, 0.75, 0.9, 0.95, 0.9, 0.7, 0.9, 0.75, 0.95) T
G= (1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0) 。
用MATLAB进行仿真计算, 迭代计算得到θ12=θ11, 故迭代推理结束。θ11= (0.9, 0.8, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0.85, 0, 0, 0.414, 0, 0, 0, 0.089) T。可知真空室漏气的置信度为0.85, 漏气故障的置信度为0.414, 扩散泵不工作的置信度为0.089, 以及故障传播的可能路径, 可以推断真空室漏气的可能性最大。
5 结论
面向故障诊断的模糊Petri网能很好地表示和处理故障诊断知识, 并可通过矩阵重建, 方便地对知识库进行扩展或删除。将模糊Petri网应用于大型铝真空钎焊炉真空系统的故障诊断, 建立了基于故障树分析方法的Petri网故障模型, 并以扩散泵不工作的故障诊断为例, 验证了模糊Petri网模型在故障诊断中的正确性和有效性。
摘要：根据大型真空钎焊炉真空系统的故障种类及特点, 分析了现有的真空系统故障诊断存在的主要问题。针对大型真空系统故障诊断的不确定性和模糊性等特点, 建立了基于故障树分析方法的模糊Petri网模型和推理算法, 并以扩散泵不工作故障诊断为例, 验证了该模型及算法的正确性和有效性。
关键词：真空系统,智能故障诊断,故障树分析方法,模糊Petri网
参考文献
[1]王庆, 巴德纯, 刘坤.大型真空冶金系统故障分析及智能诊断.2004’全国真空冶金与表面工程学术研讨会会议论文集, 沈阳:东北大学, 2004:130—134
[2]任耀文.真空钎焊工艺.北京:机械工业出版社, 1993:317—320
[3]王仲生.智能故障诊断与容错控制.西安:西北工业大学出版社, 2005:172—179
模拟电路的融合智能故障诊断 篇4
关键词：故障定位；神经网络；模拟算法；数据融合
中图分类号：TM131 文献标识码：A 文章编号：1674-7712 （2012） 18-0003-01
从20世纪60年代初，元件可解性问题的提出奠定了模拟电路故障分析的理论基础，使其成为近代电路理论的前沿。至20世纪70年代已形成完善的理论体系。但是模拟电路故障的诊断有其自身的困难，主要表现为故障具有多样性、离散性参数值多、非线性等特点。模拟电路的故障诊断以人工智能技术的提出为界限主要分为两类：经典常规的模拟电路故障诊断方法，二是现代模拟电路故障诊断方法。[1-3]现代模拟电路故障诊断方法主要有精神网络、遗传算法及模糊技术等。精神网络是对人脑功能的模拟，具有非线性、自适应性、并行性、容错性等优点，被广泛用于模式识别、信号处理判识决策、组合优化等领域。该方法自1943年提出以后迅速发展在较短的时间内就发展成为人工智能技术的一个重要分支。它以其诸多优点，如并行分布处理、自适应、联想记忆等，在模拟电路故障诊断中受到广泛重视，显示出巨大的潜力，并为智能故障诊断的研究开辟了一条新途径。模糊故障诊断方法是依据专家经验在故障的特征空间和故障原因区域之内建立起模糊关系矩阵，再将其进行组合并根据一定的阀值识别故障元件。随着模糊理论的发展，其优点逐渐被重视，模糊理论可适应不确定性问题，其模糊知识库使用的语言更接近人的表达习惯；对于遇到的故障使用模糊理论可以得到多个解决方案，并根据这些方案的模糊度的高低进行优先程度排序等。但模糊系统也有其自身的缺陷，模糊系统在推理时需要对知識库内的规则集进行搜索才能得出诊断结论，当系统较大时搜索速度和诊断速度都会减慢。另外，模糊系统也不具备学习能力。遗传算法是一种新发展起来的全局优化算法，已成为人们用来解决高度复杂问题的一个新思路和新方法可以加快推理速度。本文结合精神网络、遗传算法及模糊技术的各自优势，将各类方法融合进行故障诊断。
首先通过优选激励和测试节点以及增加测试信息等方法提高模拟电路可靠性。如果是理想的拓扑结构只需要少量的测试点就可进行故障诊断，但实际情况往往是拓扑结构不理想，使得无论怎样选择节点仍有大量的支路故障不可测。通过优选机理对测试节点进行弥补，如为频域分析则主要选择具有特征的频率反映电路故障。如为时域分析则选择噪声信号以激励被测电路。增加测试信息也是提高电路可测行的有效手段。可以有效的避免误诊断，获取大量的故障特征而对电路故障作出准确判断。
其次，当确定了测试方案后将各类的测试数据进行优化处理得到不同类型的输入特征参量。然后将这些输入特征参量输入一个独立的精神网络，用此方法可对电路进行初级故障诊断。BP网络具有良好泛化能力，广泛的用于电路故障类型分类。通过遗传BP网络的初级诊断后，可以得到电路故障状态的可能性。然而，由于各个遗传BP网络训练样本与网络输入的不同，且不同的故障在不同的测试信息上体现程度的强弱也有差异，因而每一遗传BP网络故障分类器对不同故障的识别正确程度也有较大的差异。可通过遗传算法优化BP网络，遗传算法具有全局性搜索的特点，可较好的寻找适合的网络连接权和网络结构。
完成电路故障的初级诊断后用模糊积分的方法在精神网络所输出的重要信息程度基础上进行决策融合。使得融合效率与诊断方法更加适应，准确定位故障。模糊积分方法是利用模糊集合知识综合考虑客观证据与主观评价的一种决策层融合方法。次方法适用于处理不确定性信息。[4-5]使用模糊几分对多分类器记性融合时，不同的模糊测度对应不同的融合函数。如模糊测度值选择适当，融合后的分类性能比最优的单个分类器性能好。构造模糊测度，需先获取模糊密度。模糊密度是信息源对系统最终决策的重要程度，对于诊断系统，模糊密度值可认为是各遗传神经网络对故障诊断的重要性评价。通过将训练好的遗传神经网络分类器，分别独立进行在不同故障下的样本识别检验，利用每个遗传神经网络对各个故障的正确识别率作为该网络对各故障的分类信息的重要程度。
人工智能诊断方法在实际的生产实践中具有广泛的应用前景。不同的方法都有其各自的优势也存在不可避免的缺陷，将不同方法有机结合取长补短，可以进一步推动模拟电路故障诊断理论和方法的发展，使其更加完善，能更好的投入到大规模模拟电路的故障诊断中。
参考文献：
[1]He Y，Sun Y.Neural network-based L1-norm optimisation approach for fault diagnosis of nonlinear circuits with tolerance[J].IEE Proceedings G-Circuits，Devices and Systems，2001，148（4）：223-228.
[2]Catelani M，Fort A.Soft fault detection and isolation in analog circuits：some results and a comparison between a fuzzy approach and radial basis function networks[J].IEEE Transactions on Instrumentation and Measurement，2002，51（2）：196-202.
[3]Aminian M，Aminian F.Neural-network based analog-circuit fault diagnosis using wavelet transform as preprocessor[J].IEEE Transactions on Circuits and Systems II：Analog and Digital Signal Processing，2000，47（2）：151-156.
[4]刘汝杰，袁保宗，唐晓芳.用遗传算法实现模糊测度赋值的一种多分类器融合算法[J].电子学报，2002，30（1）：145-147.
[5]何平，杨保华，王本利.模糊数据融合技术在系统故障诊断中的应用[J].电机与控制学报，2004，8（1）：51-55.
智能化诊断系统论文 篇5
1.1 系统组成
基于ARM的智能化故障诊断系统主要由信号采集单元、在线监测单元、通信单元及远程高级诊断单元4个部分组成。其中, 信号采集单元, 在线监测单元和通信单元组成在线监测系统, 对被测单元进行数据采集及简单的故障诊断。在线监测系统与远程高级诊断系统之间通过无线网络进行数据、命令交流。
1.2 工作原理
上电启动后, 系统将根据用户设置的命令对被测单元的信号进行连续采集, 通过CAN总线将采集信息传送给在线监测单元, 在线监测单元将自动或按照命令调用系统内包含的智能化诊断系统, 与预设定的信息进行分析比较完成对可能或已经出现的故障的分析判断, 并实现故障定位。对于不能处理的信息则通过无线网络传送给远程高级诊断系统, 由它对数据进行更深层的分析处理, 并在专家系统的支持下给出检测诊断结论与故障信息, 记录并存储这些故障信息, 为日后维修人员的维修护理提供依据。
2 系统硬件架构
该系统硬件主要由两大部分组成, 一部分用于前端对被测单元实施信息采集, 状态监测及初步的故障诊断, 称之为在线监测系统, 由嵌入式计算机来实现;另外一部分用于远程接收并处理在线监测系统所传送的信息, 诊断出相应的故障, 称之为远程高级诊断单元, 由PC机来担任。
2.1 在线监测单元
在线监测单元主要由信号采集单元、通信单元、存储单元、中央处理单元、人机交互单元以及CAN总线单元组成。
2.1.1 中央处理单元
中央处理单元是以S3C2410为核心, Samsung公司的S3C2410是基于ARM Thumb的ARM920T微处理器, 它内部集成了各种丰富的外围功能模块和标准接口。中央处理单元主要完成各外围模块的初始化, 实时监控和实时通信, 并根据用户交互信息来运行各模块程序以满足用户的要求。
2.1.2 存储单元
在系统中, S3C2410外扩了2片64M字节的FLASH存储器, 用于存储硬件底层驱动、实时操作系统、应用程序以及保存大量运行时采集的数据, 以备需要时读出。SDRAM由2片16位数据宽度并联为32位数据宽度的SDRAM存储系统, 主要用于在系统运行时装载实时操作系统和应用程序以加快应用程序的运行。
2.1.3 通信单元
通信单元包括无线网络接口, 负责将在线监测单元的信息通过无线网络发送至远程高级诊断系统, 并接收来自高级诊断系统返回的诊断信息显示给用户。此方法使得故障诊断可以分级实现, 满足许多设备故障诊断对移动性和实时性的要求。
2.1.4 CAN总线单元
CAN总线的实时性强、可靠性高、通信速率快、总线协议具有完善的错误处理机制、灵活性高和价格低廉等特点, 非常适合本系统。系统中的CAN控制器由实现CAN总线协议和与微处理器接口的电路组成, 负责所采集信息与在线监测单元之间的通信。
2.1.5 信号采集单元
该单元主要由信号转接电路、信号调理电路和A/D转换电路组成。信号转接电路引出被测单元的电信号, 通过调理电路实现对各个引出的信号的限幅、滤波、降噪等功能的处理, 然后进行A/D转换供系统计算和故障诊断使用。
3 系统软件设计
3.1 在线监测单元的软件设计
3.1.1 操作系统的移植
选择Linux操作系统, 符合GNU/GPL公约, 完全开放源代码。对Linux的源代码进行重新编译, 首先要安装Linux下ARM开发的交叉编译器, 然后进行内核的裁减和编译, 当编译结束时会生成内核的镜像文件Image.rom, 通过JTAG接口将其输写到开发板, 结合相应的初始化程序就可以在开发板上运行小型嵌入式操作系统。
3.1.2 软件的结构
基于ARM的智能化故障诊断系统内嵌Linux操作系统, 此平台上有监测记录主程序。监测记录主程序完成子系统的基本功能, 主要包括数据采集模块、人机接口模块和故障处理3个模块。
3.1.3 软件的实现
这部分软件由两部分组成, 一部分是内核驱动程序。驱动程序由自动配置和初始化子程序、服务于I/O请求的子程序以及中断服务子程序3个主要部分组成。每个设备的设备驱动程序提供open、close、read、write、ioctl和select的入口点。在设备驱动程序初始化的时候, 通过调用register_chrdev向系统注册字符型设备驱动程序, 以便系统在适当的时候调用。最后把设备驱动程序作为可加载的模块, 由系统管理员利用insmod动态地加载它, 使之成为核心的一部分。编写模块程序的时候, 必须提供int init_module (void) 和void cleanup_module (void) 两个函数, 负责进行设备驱动程序的初始化和清除工作。
4 结束语
ARM微处理器是可综合处理器, 使用单一的处理器内核就可以实现故障诊断系统所需要的大部分功能, 极大地减小了总体芯片的面积和系统的复杂程度。基于ARM的智能化故障诊断系统能够利用系统内置故障诊断功能, 可以方便快速地确定故障来源, 从而更好了解设备工作状况, 制订更加经济有效的维修策略。
摘要：本文从嵌入式平台的特点和故障诊断系统的功能出发, 提出了基于ARM的智能化故障诊断系统的整体解决方案, 重点研究系统的体系结构和软硬件的实现。该系统采用在线监测系统与远程高级诊断系统相结合的结构, 以CAN总线作为外部数据信号的接收端口, 无线网络作为向远程高级诊断系统传送信息的媒介, 完成数据采集、在线监测以及远程故障诊断等功能。
关键词：ARM,嵌入式系统,故障诊断,在线监测
参考文献
[1]刘承武.黄先祥等基于无线网络的大型装备在线监测与故障诊断[J].火炮发射与控制学报, 2006 (04) .
智能化诊断系统论文 篇6
关键词：制冷系统,故障诊断,智能化
近年来, 随着我国经济的快速发展, 制冷系统在人们日常生活、工业生产中的应用已越发普及, 其重要性也不断增强。如何进一步提升制冷系统的安全性与可靠性, 已成为了当前国内外众多学者所共同关注的焦点问题。智能化故障诊断技术作为一种有效的故障防范策略, 它能通过实时、自动的监测和采集制冷系统的状态信息与运行参数, 以起到有效预测故障发生、判定故障性质、评估系统运行状态以及延长系统正常使用寿命的目的。
1 制冷系统的故障特点
制冷系统根据其工作原理, 主要分为蒸汽压缩式制冷系统、吸收式制冷系统、半导体式制冷系统以及吸附式制冷系统等多种类型。以蒸汽压缩式制冷系统为例, 其常见故障类型包括了:制冷剂泄漏、冷却水量减少、管路压力增大等问题, 而导致系统冷却效率的降低及系统能耗的增加。
正是由于蒸汽压缩式制冷系统的构成元件多 (制冷压缩机、节流装置、热交换设备、管道等) 、循环工作状态复杂 (包括制冷剂、水、空气、油等) , 因此当制冷系统故障发生时, 具有故障原因复杂、故障征兆复杂的特点, 且存在着较多不易被检测的参数, 部分检测数据与故障问题之间的关联性也不明显。
因此, 在制冷系统的故障诊断时, 如果只依靠维护人员的个人经验或仪器进行故障的查找与排除时, 不仅诊断效率低, 而且检修成本高、检修失误率高。针对以上问题, 近年来制冷系统的故障诊断技术, 已逐步由传统的单一化、常规化的诊断方法, 发展为以人工智能技术、信息技术等先进技术为基础的智能化诊断方式。
2 智能化故障诊断技术在制冷系统中的具体应用
智能化故障诊断技术, 是近年来发展非常迅速的一门综合性应用技术, 也是由现代人工智能学、控制学、信号处理学、模型识别学等多种学科所交叉形成的新兴学科。
2.1 常见智能化故障诊断技术的类型。目前, 应用于制冷系统中的智能化故障诊断技术, 其常见类型包括了基于数学模型的故障诊断技术、基于直接可测信号的故障诊断技术、基于知识经验的故障诊断技术这三大类。
其中, 基于可测信号和知识经验的故障诊断技术, 也被称为直接诊断法, 它是直接利用制冷系统的可测信号与知识经验, 以判定故障类型、预测故障发生的方法, 常见的诊断技术包括了专家系统诊断法、模糊数学诊断法、神经网络诊断法、小波分析诊断法等;而基于数学模型的故障诊断技术, 则被称为间接诊断法, 它是间接利用数学模型, 以全面反映与评估制冷系统的故障情况及安全性的方法, 常见数学模型包括了故障树模型、攻击树模型、攻击图模型等。
2.2 智能化故障诊断技术的具体应用
2.2.1 专家系统的应用。专家系统诊断技术, 它属于当前人工智能技术领域中一个前沿分支, 即是将一些已在实践中得以验证的知识经验进行数字化表达, 并通过存入计算机系统中, 从而以形成具备强大推理能力、决策能力的专家系统。
用于制冷系统中的专家系统, 其工作原理详见图1 所示。该专家系统主要由故障诊断模块、故障解释模块、故障处理模块、模拟显示模块、学习查询模块以及智能输出模块这几大功能模块所构成。通过专家系统的应用, 制冷系统的故障诊断过程能由系统代替人类专家, 并利用其强大的数据库资源与逻辑推理能力, 以提升对系统故障预测、诊断的准确性与效率。
2.2.2 人工神经网络的应用。人工神经网络 (ANN) , 是指通过人的大脑对信息加工、处理及存储的机制, 所提出的一种智能化信息处理的非线性模型, 也是由大量的神经元 (处理单元) 所进行互联而得到的一种复杂的神经网络系统。
与专家系统相比, 人工神经网络具有更高的时间效率, 以及更高的故障诊断质量。进入21 世纪以来, 人工神经网络智能诊断系统迅速发展, 并已成为国际上故障诊断领域的最新热点, 同时神经网络用于制冷与空调系统故障诊断也产生了大量研究成果。例如:利用人工神经网络的BP算法 (见图2) , 能真实反映出制冷系统运行时的期望值与测量值之间的差值, 即残差 (residual) 值, 并通过评价残差值以反映出制冷系统的安全性状况, 并可诊断与预报系统故障类型及故障点定位, 从而实现较高的故障诊断精度与准确性;利用人工神经网络与专家系统相结合的混合智能诊断系统, 该系统不仅能有效解决专家系统的信息采集难题, 而且通过专家系统的数据库还能解决人工神经网络的“黑箱”问题, 两者互为补充, 因此在制冷系统故障诊断的实践应用方面具有明显的优越性。
2.2.3 模糊诊断法的应用。制冷系统在运行过程中, 其故障征兆与引发故障的原因之间, 往往并不是一一对应的关系, 尤其是对于大型制冷系统中, 这种不确定性更加明显。而模糊诊断法, 是以模糊数学为基础的一种故障识别方法, 它能利用故障征兆与引起原因之间的这种不确定性来进行系统的故障诊断。
由于制冷系统的复杂性以及故障征兆与原因间的不确定性, 在许多故障诊断问题中, 其故障机理非常适合采用模糊数学规则来进行描述, 并能有效克服空调制冷系统因设备的复杂性所带来的诊断困难问题, 因此具备了较强的实用价值。一个典型的应用于空调制冷系统中的模糊诊断系统的结构, 详见图3 所示。
如图3 所示, 用于制冷系统的模糊诊断系统, 主要由模糊化接口、模糊规则库、模糊推理机、非模糊化接口等多个部分所构成。其中, 模糊化接口通常采用A/D和D/A转换器作为接口装置, 其作用采集制冷系统中精确的、连续变化的输入量转化为模糊量, 以便实现模糊推理;模糊推理机即模糊控制器, 它也是模糊诊断系统的核心, 可通过利用知识库中的规则对模糊量进行运算与分析, 并得出模糊结论;而非模糊化接口, 其主要作用是将模糊推理所得到的结构, 转换为非模糊值即清晰值, 从而实现对制冷系统故障结论的清晰表达。
目前, 模糊诊断法已被成功运用到制冷系统的智能化故障诊断中。例如:将模糊数学理论与人工神经网络相结合, 可采用模糊方法处理神经网络的输出结果, 并对推理过程进行解释;将模糊数学理论与专家系统相结合, 则可利用模糊数学中的模糊变换原理对制冷系统的安全性能进行评定, 并在此基础上构建专家系统等等。
2.2.4 小波分析法的应用。小波分析法, 是一种新型的线性时频分析的方法。当前, 以小波变换分析为基础的信号处理方法, 已广泛应用于各类设备的故障诊断当中, 并取得了一系列研究成果。
由于制冷系统在发生故障时, 会出现一些瞬变信号或脉冲信号, 而这些参数的变化也往往隐藏着重要的故障信息。而小波分析法是一种窗口面积恒定、窗口形状可变的时频局部化分析方法, 它不仅具有多分辨率和时频局部性的特点, 而且能够有效处理非平稳信号, 因此非常适用于分析制冷系统的瞬态信号或时变信号。目前, 小波分析法在制冷系统故障诊断中的应用, 主要是针对制冷系统的吸气阀片损坏、排气阀片损坏以及制冷压缩机停转等故障的智能化诊断, 利用小波分析法的预处理功能, 能提前查找到制冷系统中各元件的故障先兆, 从而以及早地发现并预报故障。
2.2.5 故障树模型的应用。由于制冷系统中所发生的故障, 通常具有层次特性, 即故障原因和后果之间往往具有多层的关系。故障树模型诊断技术, 即是以系统最不希望发生的事件 (顶事件) 为分析目标, 以可能导致顶事件发生的其他事件为中间事件或底事件, 按树枝状逐级细化, 从而依次找出制冷系统的全部故障因素。
目前, 故障树模型在制冷系统中的实际应用, 主要用于溴化锂吸收式制冷机组的故障诊断中, 它可准确分析与诊断“冷剂水损失”和“冷剂水污染”等问题。通过分析与计算, 能将制冷系统中的故障事件进行重要度分级, 从而找出制冷系统中最薄弱的因素, 以此实现对系统中故障类型的准确识别、预测与诊断。同时, 利用故障树模型, 还能实现对制冷系统的改进设计, 以实现制冷系统整体上的节能优化与安全优化。
3 结论
本文主要以专家系统、人工神经网络、模糊诊断法、小波分析法、故障树模型这几种智能化故障诊断技术为例, 就其在制冷系统中的应用进行了探索与研究。通过智能化诊断技术的应用, 不仅能及时查找出制冷系统的故障原因及故障类型, 以迅速排除故障, 而且能自动预测故障的发生, 减轻了故障问题所带来的影响与后果, 从而起到了降低系统的运行成本, 提高系统运行安全性与可靠性的目的, 具有极高的应用价值与应用效果。
参考文献
[1]卢静.智能化技术在电气工程自动化中的应用价值[J].科技与创新, 2015 (16) :154-154.
[2]闫林巍.压缩制冷系统的故障分析和解决方法[J].中国高新技术企业, 2014 (20) :79-80.
[3]侍孝虎.制冷系统隐性故障分析[J].常州信息职业技术学院学报, 2014, 13 (3) :43-45.
电气系统智能诊断方法研究 篇7
关键词：电气设备,智能诊断,研究
0 引言
随着电子、计算机技术的发展,电子设备规模越来越大,结构越来越复杂,智能故障诊断的重要性也随之凸显出来。为维护电气系统的稳定,提高快速抢修和维修保障能力,有必要研究电气系统智能诊断技术。研制智能诊断系统,实现通用电气设备智能故障诊断,对及时确诊故障原因、恢复装备性能具有重要意义。
1 电气设备智能诊断的可行性分析
在电气设备电路中,数字电路所占比例远远大于模拟电路所占比例。但在实际故障诊断中,数字电路故障率较低且诊断较为容易,而模拟电路故障率较高且原因复杂。
模拟电路故障从程度上可分为硬故障和软故障 . 硬故障常导致系统瘫痪,软故障一般引起系统性能异常,因而从理论上讲,单个元器件就可能引起无穷多个故障。
模拟电路在故障诊断方面存在的困难有五方面,一是缺少简单的故障模型 ;二是模拟元件参数容差的影响 ;三是模拟电路中广泛存在非线性问题 ;四是实际的可测点数有限 ;五是实用电路中的反馈回路导致仿真复杂。
针对电气系统混合电路故障诊断的实际困难,可以利用故障仿真技术对电气系统中任意环节进行模拟故障分析,进而获取故障知识。当前,通过故障仿真获取故障知识的途径没有受到足够重视,一方面是因为缺乏仿真方面的人员,另一方面是因为对装甲车辆这样的大型武器装备来说可能的故障太多,仿真任务过重。但是,如果前述整个过程交给计算机自动处理,尽量减少人工干涉,那么该途径就能达到真正实用的程度。
通过故障仿真获取故障知识一般分为五步。第一步,根据用户需要,对需要获取故障知识的对象进行分析,收集原始资料 ;第二步,对系统进行分解,确定故障的行为条件,明确诊断任务 ;第三步,根据行为条件人为设置故障进行仿真 ;第四步,对仿真的输出进行处理,提取典型的特征 ;第五步,将提取的典型特征和对应的故障行为条件送入故障知识库,形成故障知识。
2 智能诊断系统的总体设计
随着电气设备的更新换代,内部系统日趋复杂,故障现象与故障原因之间存在模糊性和不确定性。因此,根据实践经验以及大量的故障信息知识,在模糊集合理论、可能性分布理论和模糊逻辑推理基础上设计出一套智能计算程序,以此来解决电气设备故障诊断问题。
本系统的基本结构设计为人机界面、故障仿真系统、故障知识库、知识获取系统、综合数据库五大部分,框架结构如图1所示。
3 电路分块的方法
对于任何一个电路仿真软件来说,参与仿真的元器件数目都是有限制的 . 因此, 要对一个大型电路进行整体仿真,都是很困难、耗时很长的。此时,就要考虑将大型电路分成较小的部分来处理,即电路分块法。电路分块有两种方式 :一种是多级分解,即电路层次的划分,得到嵌套形式的电路。一种是多路分解,即在平面上对电路进行划分,得到相对独立的结果。
电气设备按照其抽象功能被划分为系统级、分系统级、模块级、电路级、分立元器件级,每个电路抽象层中又被划分成数个基本组成单元,称为元素。对电路分块的优点如下 :在故障诊断领域,对每个抽象的等级来说,对故障模型的描述都相对简单 ;仿真后得到的将是结构分明的故障知识库,而不是传统的故障字典 . 对于庞大的故障知识量来说,这不仅可以显著加快诊断速度,而且可以用较少的故障数据对故障进行充分隔离。
4 故障模型库的建立
一个电路故障多是因为某一元件出错导致的。因此,要生成有效的故障知识库,必须将每个元器件的故障模型建立起来。一般来说,软故障由于不改变电路结构,在故障注入时只需要通过简单的修改器件参数就可以实现,部分实例见表1所示。
对于线性及储能元件来说,由于故障产生的方式和原理较为简单,其硬故障也只需要进行简单的仿真语句修改。但对于晶体管、场效应管等较为复杂的器件,考虑到仿真的工作原理,如果对它们的硬故障仅进行简单的语句修改就可能产生不正确的结果。
此时则需要从器件的工作原理上进行考虑,构造器件合适的故障模型。
这里的器件及故障器件模型的描述均采用PSPICE语句,其中N表示节点号,PARAMETERS表示关键参数值,FAULT-PARAMETERS表示导致故障的参数的值。R(L、C、V)XXXXXXX表示元器件类别及编号,MODEL和LIB分别表示调用的模型和库。
元器件的硬故障是由于电路结构发生了改变,一般分开路和短路两种,此时仿真文件需要进行较大改动。由于数值仿真软件是在电网络分析的基础上工作的,电路不能存在悬空的节点,否则就无法列出电路方程 .
因此,采用无穷大的电阻串联表示开路故障,用极小的电阻并联表示短路 . 对于双端口器件来说,还要将原来的语句删除。因为这两种情况下,原来的器件语句没有任何意义,部分实例如表2所示。
5 故障知识库的生成
电路的故障模型库建立以后,用户可以通过Pspice编程技术加载Library进行人工调用,替换电路中的正常器件模型,进行仿真,形成故障仿真文件库。
但是,实际电路故障往往是由故障器件之间的相互组合形成的,因此可能出现的故障数量众多,仿真结果数目也十分巨大。如果用手工建立这样的数据库,不仅耗时耗力,而且实现难度很大。针对以上难题,又考虑到Pspice软件支持命令行启动,因此可以利用程序调用已经建立好的故障器件模型自动替代原来正常的器件模型,将每次的相关仿真文件放在一起,建立一个批处理,即一条故障知识,具体步骤如图2所示。
第一步,建立电路正常的仿真文件,即根据仿真软件的具体要求建立电路的可执行文件。
例如,利用PSPICE进行仿真时需要建立输入网表文件,而且必须包括以下五个部分。
一是描述电路类型的标题或注释 ;二是定义电路元件和模型参数的电路描述 ;三是定义分析类型的分析类型描述 ;四是规定输出形式的输出描述 ;五是程序的结束命令END。
第二步,建立对应的故障描述文件,应包含用户建立的每一个元器件所有可能的故障状态(包含正常状态)。考虑到所有组合数据过多并且实际电路同时发生几处故障的可能性很小,因此实现电路同时有一种或两种故障的所有组合即可。
第三步,利用程序控制进行替换,生成所有可能的替换结果,考虑到所有组合数据过多并且实际电路同时发生几处故障的可能性很小,因此实现电路同时有一种或两种故障的所有组合即可。
第四步,利用程序控制启动仿真软件,链接待仿真文件,输出仿真结果,即实现了故障仿真文件库的生成。
第五步,从故障仿真文件库中进行故障特征的提取。将每一种仿真情况对应的故障特征提取出来,建立一个一一对应关系,形成一个批处理。将所有批处理文件放在一起,实现故障知识库的建立。
钻进系统故障智能诊断原型研究 篇8
智能钻进系统的基本原理是在钻头内部或附近安装随钻测量系统, 通过各种传感器技术对钻机工作参数、钻头位置、钻孔倾角、钻孔方位、钻孔岩性、岩石凿入硬度及钻进强度、钻头应变等进行实时测量, 从而获得钻孔轨迹、钻孔柱状图以及有关地层的物理力学参数、岩石分级及地应力数据, 实现地层的实时评判;同时, 对钻机工作状态进行实时诊断、管理、控制、反馈和调节。通过测量采集→分析决策→控制执行→再测量采集→再分析决策→再控制执行, 如此连续进行, 最终达到智能钻进的目标[1]。
钻进过程实时状态监测与智能诊断是岩土工程钻进的重要研究方向之一。钻进系统在复杂岩层、气层及液层环境中作业时, 工况极为恶劣。通过实时监测、分析和处理钻进参数, 确定合理的参数工作范围, 对及时预测、诊断和排除各种潜在的钻进事故, 保证钻进作业安全有效具有重要的意义。
1 基于机器学习理论的智能故障诊断方法
机器学习能力是机器具有智能的重要标志, 决定故障诊断的智能水平。具有学习能力的故障诊断系统, 可从环境中不断学习新知识进行自我提高。岩土工程智能钻进系统结构复杂、业务类型多、实时性、可靠性要求高, 需要采用智能故障诊断方法。采用机器学习技术是提高智能故障诊断系统诊断能力的重要方法。
目前, 基于机器学习技术的智能诊断系统主要以模糊集、粗糙集 (Rough Set, RS) 、神经网络 (Artificial Neural Network, ANN) 、贝叶斯分类器、决策树 (Decision Tree, DT) 、k-近邻 (k-Nearest Neighbors, k NN) 、基于范例推理 (Case-Based Reasoning, CBR) 、演化计算、支持向量机方法 (SVM) 、集成学习等关键理论和方法为核心[2]。由于诊断系统和作业环境的复杂性, 单一的故障诊断技术不足以较好地实现复杂系统的故障诊断功能。基于故障树和范例推理的混合智能故障诊断技术, 一方面可以利用故障树分析法的全面性, 获得初步故障诊断结论, 另一方面可以利用基于范例推理系统的易实现性, 将已发生的故障转化为范例, 提供详细的故障诊断, 从而较好地实现钻进系统的智能诊断。
1.1 故障树模型诊断方法
故障树分析法是按树状逐级细化系统故障原因的方法。常用于大系统的安全性、可靠性评价及故障分析、预测和诊断。
故障树的建立就是遵循一定的逻辑推理准则, 在故障树图形中显示出各子系统故障的内在联系以及零部件故障与系统故障之间的逻辑关系, 使得某一故障得以在诊断系统粒度层级上顺利找到故障源。这种层层深入的分析, 能够全面的分析出岩土工程钻进系统故障状态的原因。故障树的建树步骤:首先, 深入研究钻进系统, 掌握系统内在联系, 弄清各种潜在因素对故障发生影响的途径和程度;第二, 收集资料和数据, 把经验转化为数据库可识别的信息。明确顶事件, 从顶事件中找出相关的中间事件并在系统粒度的要求下逐级细化到底事件, 建立并简化故障树;第三, 综合运用各种方法, 确定控制系数及事故发生的概率, 按照逻辑关系完成故障树。故障树模型分析包括定性分析和定量分析。定性分析主要在于寻找顶事件发生的原因和原因组合, 即识别导致顶事件发生的所有故障源, 判明潜在的故障, 指导故障诊断。故障树定量分析是计算或估计系统顶事件发生的概率[3]。这种定量分析方法比较复杂, 在实际应用中若采用复杂的故障树结构函数会造成顶事件概率计算容易出现组合爆炸的问题。
根据最小割集的上行法 (Senanderes算法) , 如图1所示。
可知:
该故障树有8个最小割集, 即{A}, {B}, {C}, {D}, {E}, {F}, {G}, {H}。这8个最小割集构成该故障树顶事件N的潜在故障源。
1.2 基于范例推理钻进系统故障诊断方法
基于范例推理 (Case-Based Reasoning, CBR) 的诊断方法是通过寻找范例库中的相似问题, 将相似问题的解直接取出, 并把它作为求解当前问题解的起点, 通过适应性修改获得当前问题解的一种推理模式。其工作原理是基于人们的认知心理过程。人们解决问题的思路一般是通过识别新问题与以前遇到过的问题的相似性, 询问一些有关联的问题, 以确定新问题与哪些经验相似或将以前的经验做些调整, 最后得出结论。基于范例推理就是按照人们的这种自然的认知过程, 检索出与新问题相近的范例, 并调整或修改那些匹配不一致的地方, 形成新问题的辅助求解方案[4]。基于范例推理钻进系统故障诊断系统的工作流程, 如图2所示。
岩土工程智能钻进系统故障诊断系统用户利用智能钻进系统发生故障的历史经验初步建立故障范例库;钻进系统新故障发生后, 对新故障进行特征提取;利用诊断系统故障范例的组织结构和索引关系决定的检索方法, 从故障范例库中进行相似故障范例检索;若检索到相似故障范例, 将相似故障范例的诊断结果作为当前故障的诊断结论输出;若检索到的最相似故障范例与新故障不同, 其诊断结果作为参考结论输出, 并修正该相似故障范例, 作为一个新故障范例存入故障范例库中。基于范例推理岩土工程钻进系统故障诊断系统的建立步骤:1) 故障范例表示。主要是故障范例的描述方法以及故障范例表示的内容。描述方法有谓词逻辑表示、框架表示、全文本表示、面向对象表示、记忆网络、关系数据库表示等。故障范例表示的内容主要包含故障问题的环境、故障问题、故障问题诊断的方法等方面。2) 故障范例索引。基于范例推理的岩土工程钻进系统故障诊断系统的性能取决于故障范例的索引策略。主要有归纳推理策略、最邻近策略、知识引导策略等。3) 故障范例的组织和检索。故障诊断系统采用的范例组织方法和索引策略决定该系统的检索方法。而基于范例推理岩土工程钻进系统故障诊断系统的有效性来源于从范例库中迅速有效检索出相关故障范例的性能。模版检索、关联检索、分层检索、基于知识的检索等是可用的范例检索技术。4) 故障范例的修改、学习。故障范例的修改是对检索出的故障范例的故障诊断方法进行适当修改, 以适应当前的故障问题。主要有参数调整、遗传算法、类比方法等。把检索到的旧范例修订为新范例, 将新的故障范例的诊断过程、评价结果添加到范例库中, 即是基于范例推理故障诊断系统的学习过程。5) 故障范例库的维护。主要解决故障范例库的冗余度增加、重复范例、噪声范例等问题。基于范例推理的方法比较适合于没有很强的理论模型, 领域知识不完全、较难定义或定义不一致, 需依赖丰富经验的工作环境。其模拟人类思维善于学习和收集范例, 推理得到结论的特点, 使迅速解决复杂问题成为可能。缺点是知识的有限性, 对范例的完备性依赖度较高。通过人类思维的途径, 可以分析出岩土工程智能钻进系统的故障树模型, 利用故障树分析法的全面性优点, 可以克服基于范例推理方法上述缺点。
2 基于故障树和范例推理的混合智能故障诊断系统设计
2.1 设计思想和技术要求
基于故障树和范例推理的混合智能故障诊断技术的工作过程:第一步识别岩土工程钻进系统故障。依据钻进系统的业务流程, 对各类业务数据进行轮询, 重点监视业务流程数据的异常, 识别系统新故障, 提取系统故障特征信息。第二步进行故障树推理。根据提取的特征信息, 匹配已知顶事件并提取相关状态信息, 然后按照故障树逐级索引, 获得底事件。第三步进入基于范例的推理, 诊断系统对获得的故障树底事件在范例库中进行相似故障范例检索, 检索结果按基于范例推理的故障诊断流程处理。
通过对钻进系统故障数据特征的响应, 对故障出现的可能性进行预测, 对出现的故障给予实时诊断并给出具体处理措施的决策和指令, 是岩土工程钻进系统故障诊断的基本任务。基于这一任务, 需重点考虑以下几个技术指标:1) 覆盖率系统故障被有效识别的比例, 这是诊断系统可靠性的主要衡量指标。2) 误诊率。钻进系统不存在故障, 诊断系统却给出故障产生的判断。包括两种情况:a.钻进系统工作正常, 而被诊断出故障;b.钻进系统工作异常, 但诊断系统却给出了错误的故障定位。3) 实时性。钻进系统从故障发生到故障被诊断系统有效识别定位所经历的时间。诊断系统必须具备一定的实时性。4) 诊断粒度定位。诊断粒度是具体诊断任务中必须考虑的重点。诊断粒度, 即最小诊断单元, 是指具体的定位结果要确定到系统的哪一个层次级别。诊断粒度与信息量成反比, 粒度越小, 诊断所需要的信息量越大, 花费的代价越大。所以确定诊断粒度要根据诊断的要求来进行, 在满足诊断要求的前提下, 粒度大一些, 可降低工作量[5]。
2.2 混合智能故障诊断系统总体方案
故障诊断系统通过对钻进系统工作状态实时参数的判读, 对于疑似故障的信息进行特征提取。疑似故障特征信息在数据管理程序指导下, 进入故障树模块。按故障树索引规则, 从顶事件找出相关的中间事件并在系统粒度的要求下逐级细化到底事件, 该底事件即为初步的诊断结论信息。然后再进行CRB模块检索, 找出相似范例, 给出诊断结果。诊断的结果包括故障点、故障类型、故障处理建议并发出排除故障的操作指令等。故障被成功定位后, 输出给用户界面, 系统按照排除系统故障的范例方案进行排故操作。否则系统按基于范例推理的故障诊断流程启动故障诊断范例修正流程, 形成新的故障范例存入知识库的范例库模块。故障诊断系统流程示意图见图3。
3 结语
岩土工程钻进系统结构复杂、作业可靠性要求高, 故障诊断和管理需要采用智能方法。基于故障树和范例推理的混合智能故障诊断技术, 结合了故障树模型方法和基于范例推理方法的优点, 是机器学习理论中一种较好的技术。该技术运用于岩土工程钻进系统的智能故障诊断, 能取得较满意的效果, 需要在后续的详细设计、开发、实现过程中进行完善。
摘要：在重点论述机器学习理论中基于故障树模型方法和基于范例推理方法的基础上, 运用基于故障树和范例推理的混合智能故障诊断技术, 对岩土工程钻进系统的智能故障诊断系统进行了初步设计, 以供参考。
关键词：故障树,范例推理,故障诊断,钻进系统
参考文献
[1]谭卓英, 夏开文.岩土工程智能钻进关键技术研究[J].金属矿山, 2011, 418 (4) :1-4.
[2]陈慧灵.面向智能决策问题的机器学习方法研究[D].长春:吉林大学, 2012.
[3]孙永盛, 鲁国良, 公丕平, 等.基于神经网络与故障树的电气设备故障诊断系统[J].机电产品开发与创新, 2012, 25 (2) :128-130.
[4]杨善林, 倪志伟.机器学习与智能决策系统[M].北京:科学出版社, 2004:270-277.
智能化诊断系统论文 篇9
关键词：变电站 设备 诊断 状态监测 设计
中图分类号：TM76 文献标识码：A 文章编号：1672-3791（2016）06（c）-0020-02
变电站是智能电网的重要构成部分，目前已在智能变电站建设领域引起了广泛的关注。对变电站设备的智能状态监测主要是指应用现代化的数据化信息系统，以网络化的通讯平台作为媒介，同时将信息共享标准作为要求，来实现信息采集、控制、监测、保护等功能的设施[1]。它能够对电网实施灵活化的控制，并提供在线决策，实现电网调度与变电站的互动。它是确保电力设备正常运作的关键，同时也是实现智能监测的基础[2]。对电力设备进行智能状态监测同样能够为电力设备故障诊断提供依据[3]。
1 智能变电站状态监测系统的主要构成
对电力设备状态的监测主要依赖网络及传感技术，通过在较短时间内获取电力设施的特征参数，并通过计算机软件实施分析与处理，迅速对设备的可靠性与安全性做出评估与诊断，预估设备的使用寿命，为及早发现设备的潜在故障提供条件，进而提高电力设备供电的安全性与可靠性[4]。开展电力设备的智能状态监测是降低设备故障率的关键。虽然变电站电力设施种类较多，且结果类型不一，但建立状态监测系统必须历经3个主要步骤。即采集电力设备的数据信号，传输数据内容，诊断与处理数据信息。
一般变电站内部电磁环境相对来说比较复杂，在采集信号传输的过程中同样可能受到外界环境的干扰，导致信号失真[5]。因此，为避免模拟信号在传输过程中的失真问题，现提倡将现场总线技术应用于智能状态监测中，实施模拟信号的转换，并对主机实施连续性监测与处理。通常智能变电站主要由3层结构组成，包括过程层、间隔层与站控层。采取模块式的设计技术与现场总线的控制技术。对变电站的通信网络进行分层设定。在变电站内部安装相应的数据处理与采集系统，并对数据进行诊断与分析，并经由网络将监测数据反馈至数据管理及诊断系统中，对变电站的电力设备的运行状态进行实时监控。应用总线式的结构，灵活性较强，在加入或撤除监测设备时，无需改变整个监控系统的结构，仅需增加对应的智能组件即可，在一定程度上减轻了主机的负荷，且系统具备较强的开放性，同时可提高监测的可信度。
2 智能变电站设备诊断、状态监测系统的设计
智能变电站电力设备状态监测系统属于大型的跨系统、跨部门的综合性信息管理体系。以某地供电公司智能变电站状态监测体系为例，其涉及到的部门不仅包含生产部、技术部、调控中心，同样包括监控中心、安全管理中心等，设计系统包括数据采集与监视控制系统（SCADA）、网元管理系统（EMS）、测试和检验系统（PMI）等[6]，系统设计所需装置包括断路器监测设备、变压器综合管理平台、地理信息系统监测装置与避雷装置等。因此，在对智能变电站状态监测系统进行设计时，必须综合考虑各系统之间的联系与模块之间的集成。
一般智能变电站状态监测系统主要包括3个部分，其一，就地部分，它包括变压器测试智能组件，主要对环境温度、电流、气体、套管介质及电容量、油位等方面实施监测；地理信息监测智能组件则主要是对局部放电情况实施监测；同样还包含容性设备监测智能组件，来对避雷设施、电流互感器、电容式电压互感器与耦合电容器进行监测。其二，则为站内控制室，它主要负责设备状态信息的建模与接入，包含一体化的信息平台、站控层交换机与站端状态监测系统平台。其三，则为站外部分，主要由远程数据综合平台构成，负责对监测数据进行处理与反馈。智能变电站电力设备状态监测系统的设计，主要遵循站内共享与集成的原则，加入设备状态信息与动态操控系统等。在变电站内部发生事故时，状态监控系统将会自动触发警报，并弹出相关的提示与事故信息，同时迅速生成故障推理模型，为变电站的信息处理提供依据。
3 结语
当前我国变电设备智能状态监测技术尚且处于起步阶段，为提高状态监测的准确性，还需在电网设备中引入较为成熟的监测技术，以提高智能设备监测的准确性与有效性。同时还需将传统二次技术与智能设备的一次状态监测技术相结合，实现两者的融合沟通，保障信息的共享与沟通，保障设备运行操作的可靠性。另外，还需开发智能变电站设备的综合分析系统，开发故障诊断、系统运行状态评价、设备运行寿命评估等应用，提升设备诊断结果的准确性，进而优化其智能水平。除此之外，还需强化对智能变电站设备入网的检查与测定工作。建立完善的入网监测制度，定期开展检定工作，提高系统的专业性，以提高系统的设计水平，优化产品质量，最终达到提高设备智能化水平的目的，为智能变电站设备诊断与状态监测提供依据。
参考文献
[1]金逸，刘伟，查显光，等.智能变电站状态监测技术及应用[J].江苏电机工程，2012，31（2）：12-15.
[2]王硕.关于智能变电站一次设备相应状态在线监测的分析[J].中国科技纵横，2013（13）：113-114.
[3]黄新波，王列华，唐书霞，等.智能变电站开关柜综合状态监测IED设计[J].中国电力，2014，47（2）：84-89.
[4]郭宁辉，秦立军.变电站一次设备智能诊断技术及高级应用[J].企业技术开发，2012（17）：124-125.
[5]黄文灏，余建华.变电设备一次监测与二次监测设备状态及使用[J].企业技术开发，2013（14）：92-93.
船舶发电机智能故障诊断系统 篇10
1故障诊断系统的定义
在一定条件下通过某种手段查明是哪个系统出现了问题, 出现了什么问题, 问题严重性, 问题的解决方法, 以及预测某个问题的发展程度做好准备等, 即指通过表面想象去判断其本质, 用现在和过去的现象推测未来。在船舶发电机系统中, 可以通过船舶各项可测量的参数以及船舶各项部件的运行状况去判断设备的运行状况, 出现异常就需判断其故障的原因与位置, 做好预防措施。故障诊断就是通过检查各项部件的参数及征兆等信息对设备进行全面的识别, 完成设备诊断的过程。为了更方便的获取信息, 减少不必要的麻烦, 智能故障诊断技术很大程度上符合人们的要求, 更方便实施。
常见故障与智能故障诊断方法
发电机常见的故障
船舶发电机主要故障有:转子故障、轴承故障、气隙偏心故障和定子故障等。其多表现在机械类和电气类故障, 其中机械类主要有转子轴承的不转动、轴承异常噪声及振动、发电过热等故障。电气类主要包括正常操作、启动和空载运行三个方面, 在正常操作中可能会因电压的突变引起操作使电压的异常;在启动时可能出现电压值忽高忽低, 或无电压的现象;在空载运行中正常的电压由于加入负载导致电压的波动等。
智能诊断方法
1. 知识故障诊断法
知识故障诊断法包括专家系统的故障诊断法、人工神经网络故障诊断法和模糊逻辑推理诊断法。
专家系统故障诊断法是指由业内专家的经验所建立的, 当船舶发电机正常运行时发生故障时, 系统会自动检查出是那个部位出现了问题给出合理化建议。系统还可以记录不能识别的故障, 等待专家来处理, 记录处理方法, 完善系统资料。使系统智能化逐渐加强, 应用在各个系统中。
人工神经网络具有并行处理、自主学习和处理非线性的能力, 而且不用建立数学模型, 所以在非线性故障中非常适合。系统可以设置多种神经网络模式, 每种模式是根据特定的学习方法, 把收集的频率及信号设为神经网络的输入, 并设定输出的条件, 进行网络练习, 确定准确的权值。通过对网络模式的编辑, 把异常信号输入整理好的神经网络系统, 系统则可以自动对其进行网络处理, 明确指出故障部位以及处理方法。
模糊逻辑推理诊断法是把专家知识结构和基本出处理法结合在一起, 形成一个模糊逻辑的存储库, 充分利用已有的资源和经验, 找到更适合的处理方法, 在故障诊断中合理的运用。
2. 信号处理方法
信号处理方法中的典型是小波变换诊断法, 不需要精确的数学模型, 简单方便, 因此适用性是非常好的。
小波变换诊断方法是通过检测信号波动、异常来找出信号异常的位置, 也可以检测信号频率的波动。所以小波变化诊断法可以通过信号来处理设备的异常故障。
3.信号处理方法
是指利用外观估测器输出的估计值和实际测取的数值进行数据分析, 推测故障发生的原因与位置。
单纯使用一种方法很难起到很好的效果, 在船舶发电机现实应用中, 可以根据问题的情况结合使用各种故障诊断方法对故障进行处理, 把各自的优势结合起来方便处理故障。
2的发展现状船舶发电机智能故障诊断法
发展历程
故障诊断技术经过数年的发展, 已经成为世界各国关注以及研究的重点。初期时, 由于社会经济发展有限, 生产水平和科学技术的落后, 人们对故障诊断的认识还是比较浅薄。基本都是出现问题了, 才去解决, 这会浪费很多时间与精力, 而且导致停止运行, 会造成很大的经济损失。伴随着世界经济的发展, 科学技术的不断推进, 人们已经认识到了故障诊断的重要性。开始对其进行定期的检查与维修, 做好一系列的监控预防工作, 处于预知维修阶段。这样诊断工作有了很大的提高, 减少故障发生频率。
我国故障诊断技术同样也是随着社会经济的发展不断完善, 主要有两个进程阶段:在二十世纪七十年代末我国就开始对国外的先进思想开始学习, 对一些故障诊断方法有了初步的认识。在二十世纪八十年代初, 我国就开始全方位的学习研究故障诊断法, 以及从国外学习智能故障诊断法, 这使故障诊断的研究在我国有了新的里程碑, 推动了故障诊断的发展并取得了影响世界的新成果。如:刘彦呈教授对船舶发电机电闸间短路故障新的诊断识别方法与解决方式;党存裕教授对船舶发电机数学模型的仿真。获取了大量数据样本, 利用神经网络进行诊断识别取得了巨大成绩等。
故障诊断技术在这30多年中, 不断改进又有了翻天覆地的改变, 从最开始的简单化到技术化再到智能化不断地飞跃。简单化阶段主要是由人员进行维修, 设备简单, 只能通过个人的经验来进行推测诊断, 这种方法简单化, 但对维修人员的技术要求非常高, 局限性比较大, 还费时费力;技术化阶段是利用建立数据模型, 运用动态测试技术和传感技术处理信号的故障诊断方法, 但对数据模型的建立要求需要非常精确, 否则就会有误差, 效果不是特别的理想化;智能化是利用专家系统的故障诊断法、人工神经网络故障诊断法和模糊逻辑推理诊断法。各种方法的配合下已经有了很大改进, 但智能诊断法还需不断地完善。
未来的发展趋势
船舶发电机是一个非线性函数系统, 而且复杂多样, 致使其故障的诊断十分困难, 因此应该把先进的科学诊断法与传统的经验相结合起来, 把船舶发电机智能诊断技术沿着智能化, 通用化, 综合化方向发展。例如:
1.神经网络的完善。
2. 神经网络与信号处理的结合。
3. 神经网络与诊断理论的融合。
4. 智能化系统的通用化和微型化等。
3总结
【智能化诊断系统论文】推荐阅读：
智能诊断分析系统07-20
智能综合诊断系统10-15
建筑智能化系统论文01-17
智能化物料搬运系统论文08-21
智能化双电源系统论文08-25
集成智能传感系统论文10-23
智能故障诊断08-02
智能诊断测试10-01
智能排队语音叫号系统论文10-14
智能流量管理系统论文06-12