楊 丹

(武警石家莊指揮學(xué)院訓(xùn)練部信息技術(shù)教研室，河北 石家莊 050061)

智能故障診斷的應(yīng)用研究

楊 丹

(武警石家莊指揮學(xué)院訓(xùn)練部信息技術(shù)教研室，河北 石家莊 050061)

介紹了近年來的智能故障診斷模型，主要對(duì)模糊、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和粗糙等各種算法的特征及應(yīng)用進(jìn)行了系統(tǒng)分析，并指出了智能故障診斷的存在問題和發(fā)展方向。

智能故障診斷；模糊理論；神經(jīng)網(wǎng)絡(luò)；支持向量機(jī)；粗糙理論

1 引言

人工智能（Artificial Intelligence，AI）于 1956年問世,是一門由計(jì)算機(jī)科學(xué)、控制論、信息論、語言學(xué)、神經(jīng)生理學(xué)、心理學(xué)、數(shù)學(xué)、哲學(xué)等多種學(xué)科相互滲透而發(fā)展起來的綜合性新學(xué)科。隨著人工智能技術(shù)的發(fā)展，故障診斷法由故障樹、對(duì)比分析法、邏輯推理法等系統(tǒng)診斷法發(fā)展到當(dāng)前的專家系統(tǒng)、模式識(shí)別等智能化診斷方法。人們大量運(yùn)用各種理論與方法，如模糊數(shù)學(xué)、模式識(shí)別、灰色理論、人工神經(jīng)網(wǎng)絡(luò)技術(shù)、專家系統(tǒng)、拓?fù)鋽?shù)學(xué)、信息科學(xué)理論以及概率統(tǒng)計(jì)理論來處理人工智能中的不確定性問題。智能診斷技術(shù)為人們提供了用智能技術(shù)解決復(fù)雜系統(tǒng)故障診斷問題的強(qiáng)有力的工具。智能故障診斷要求實(shí)時(shí)監(jiān)測(cè)診斷，即在故障發(fā)生初期就將其識(shí)別診斷出，而不是故障發(fā)生到一定程度才將其識(shí)別出來，具有重要的工程意義。因此，本文主要討論模糊、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和粗糙集在故障診斷中的應(yīng)用，并提出了其存在問題和發(fā)展方向。

2 模糊故障診斷

1965年美國(guó)加州大學(xué)Zadeh提出模糊集理論。此后，模糊理論的應(yīng)用研究取得了舉世矚目的成就。

模糊理論能有效的解決故障和征兆之間存在的模糊性和不確定性問題。目前，模糊理論處理問題的方式有模糊綜合診斷法和模糊聚類法。郝軍等[1]人構(gòu)建出基于模糊規(guī)則推理的導(dǎo)彈故障智能診斷平臺(tái)，采用模糊診斷推理對(duì)故障原因進(jìn)行“過濾”，濾掉“出現(xiàn)可能性”極小的原因，然后再利用規(guī)則推理對(duì)剩下的“可能原因”進(jìn)行驗(yàn)證,通過這兩種考驗(yàn)的則作為最后的原因，從而降低了故障診斷中的誤判和漏判，充分發(fā)揮了該型導(dǎo)彈裝備的效能。而蔣蕷等[2]針對(duì)柴油發(fā)動(dòng)機(jī)故障多，且具有模糊性和復(fù)雜性的特點(diǎn)，設(shè)計(jì)了基于模糊層次分析的智能故障診斷系統(tǒng)，并采用三角模糊互補(bǔ)判斷矩陣來表示各故障因素的可能性，結(jié)合多Agent技術(shù)，建立了具有自學(xué)習(xí)、自修正能力的智能故障診斷系統(tǒng).Xiaofeng liu等[3]應(yīng)用模糊理論方法到軸承和發(fā)動(dòng)機(jī)中，對(duì)機(jī)械故障診斷提供了有效的解決方法；彭文季[4]提出水電機(jī)組振動(dòng)故障的支持向量機(jī)診斷法，將粗糙集與支持向量機(jī)相結(jié)合，先利用粗糙集對(duì)決策表進(jìn)行離散化及約簡(jiǎn)，再用支持向量機(jī)進(jìn)行故障分類。該方法具有良好的魯棒性，達(dá)到了對(duì)故障進(jìn)行快速診斷的目的，可以滿足在線故障診斷的要求。

模糊聚類分析法式應(yīng)用模糊數(shù)學(xué)方法確定故障和征兆的親疏程度，通過建立模糊相似關(guān)系對(duì)診斷對(duì)象完成故障分類和診斷。周龍甫等[5]研究了一種新的容差條件下基于模糊線性規(guī)劃理論的模擬電路軟故障診斷方法。通過確立各個(gè)元件的模糊隸屬函數(shù)，從而建立起模擬電路故障診斷的模糊線性規(guī)劃方程組。在容差條件下定位故障元件，實(shí)驗(yàn)結(jié)果表明該方法可以有效地實(shí)現(xiàn)模擬電路元件參數(shù)在一定容差范圍內(nèi)隨機(jī)變化條件下的軟故障診斷。Jiangping Wang等[6]提出用模糊技術(shù)對(duì)開采油田泵的振動(dòng)故障診斷。采用模糊理論分析不同的故障，并對(duì)各種故障振動(dòng)頻率光譜分類，這樣就建立了正確的故障診斷識(shí)別。

模糊診斷方法由于是基于數(shù)值運(yùn)算的診斷，不需要人工干預(yù)，可以自動(dòng)進(jìn)行，適合于要求快速實(shí)時(shí)的場(chǎng)合。但它利用的信息單一，因此模糊診斷只能作為一種初步的、簡(jiǎn)單的診斷。

3 神經(jīng)網(wǎng)絡(luò)故障診斷

人工神經(jīng)網(wǎng)絡(luò) （Artificial Neural Network，ANN）是一個(gè)用大量簡(jiǎn)單處理單元經(jīng)廣泛連接而成的人工網(wǎng)絡(luò)，用以模擬大腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能。ANN在從實(shí)驗(yàn)數(shù)據(jù)中通過自學(xué)習(xí)自動(dòng)獲取數(shù)學(xué)模型方面具有極大的優(yōu)越性：它無需人們預(yù)先給定公式的形式，而是以實(shí)驗(yàn)數(shù)據(jù)為基礎(chǔ)，經(jīng)過有限次的迭代計(jì)算，就可獲得一個(gè)反映實(shí)驗(yàn)數(shù)據(jù)內(nèi)在規(guī)律的數(shù)學(xué)模型，因此它特別適用于研究非常復(fù)雜的非線性系統(tǒng)的特性。

許多國(guó)內(nèi)外學(xué)者都致力于對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷研究。針對(duì)BP網(wǎng)絡(luò)的訓(xùn)練速度慢、已陷入局部極小值，一些學(xué)者提出改進(jìn)的網(wǎng)絡(luò)算法。彭文季等[7]用RBF網(wǎng)絡(luò)對(duì)水電機(jī)組的振動(dòng)故障進(jìn)行了診斷仿真，證明了這種方法比BP網(wǎng)絡(luò)的診斷更準(zhǔn)確、診斷速度更快。Jian-Da Wu等[8]采用神經(jīng)網(wǎng)絡(luò)相接的原理，分別采用RBF和GRN方法進(jìn)行應(yīng)用對(duì)比，以多種進(jìn)口壓力為輸入層對(duì)內(nèi)燃機(jī)進(jìn)行故障診斷。Chengcai Ma等[9]提出采用具有故障等級(jí)的BP神經(jīng)網(wǎng)絡(luò)，故障等級(jí)越高，網(wǎng)絡(luò)結(jié)構(gòu)就越復(fù)雜。實(shí)驗(yàn)結(jié)果表明該網(wǎng)絡(luò)模型的診斷率大大提高，以及診斷性能得到很大改善，對(duì)于復(fù)雜的故障診斷系統(tǒng)尤其適用。Sun yan-jing等[10]采用自適應(yīng)的學(xué)習(xí)速率和動(dòng)量系數(shù)BP網(wǎng)絡(luò)，對(duì)變壓器進(jìn)行故障診斷。

除前文所述的基于模糊模型和神經(jīng)網(wǎng)絡(luò)模型的故障診斷外，還有將模糊理論和神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法[11-13]，神經(jīng)網(wǎng)絡(luò)與小波分析相結(jié)合的方法[14-16]等等，不一而足，這里就不再贅述。其基本思想皆為取二者之長(zhǎng)，補(bǔ)雙方之短，力求實(shí)現(xiàn)更穩(wěn)定、更準(zhǔn)確、更快速的對(duì)故障實(shí)施診斷。

神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)非線性、復(fù)發(fā)的問題有著本身的優(yōu)越性，在故障診斷領(lǐng)域取得了許多成果，但是系統(tǒng)診斷性受所選訓(xùn)練樣本集限制，若訓(xùn)練樣本集選擇不當(dāng)或訓(xùn)練樣本數(shù)量少，均會(huì)導(dǎo)致診斷系統(tǒng)歸納推理能力變差，必須有足夠的訓(xùn)練樣本才能保證診斷的可靠性。

4 支持向量機(jī)故障診斷

基于數(shù)據(jù)的機(jī)器學(xué)習(xí)是現(xiàn)代智能技術(shù)中的重要方面,研究從觀測(cè)數(shù)據(jù)(樣本)出發(fā)尋找規(guī)律,利用這些規(guī)律對(duì)未來數(shù)據(jù)或無法觀測(cè)的數(shù)據(jù)進(jìn)行預(yù)測(cè).統(tǒng)計(jì)學(xué)習(xí)理論（Statistical Learning Theory或SLT）是一種專門研究小樣本情況下機(jī)器學(xué)習(xí)規(guī)律的理論.同時(shí),在這一理論基礎(chǔ)上發(fā)展了一種新的通用學(xué)習(xí)方法-支持向量機(jī)（Support Vector Machine或SVM）,它已初步表現(xiàn)出很多優(yōu)于已有方法的性能。SVM正在成為繼神經(jīng)網(wǎng)絡(luò)研究之后新的研究熱點(diǎn),并將有力地推動(dòng)機(jī)器學(xué)習(xí)理論和技術(shù)的發(fā)展。

Achmad Widodo等[17]利用獨(dú)立組員分析法和SVM相結(jié)合的方法，對(duì)感應(yīng)電動(dòng)機(jī)進(jìn)行故障診斷。SVM在小樣本情況下能很好地達(dá)到分類推廣的能力。吳良等[18]提出在小樣本條件下,應(yīng)用SVM技術(shù)構(gòu)建42CrMo鋼熱處理力學(xué)性能數(shù)學(xué)模型，而且隨著檢驗(yàn)精度的提高,模型的預(yù)測(cè)精度保持基本不變,泛化能力明顯優(yōu)于用人工神經(jīng)網(wǎng)絡(luò)的BP模型。能較好地解決小樣本和模型預(yù)測(cè)精度間的矛盾。Sheng-Fa Yuan等[19]基于故障數(shù)據(jù)樣本少的情況，提出了采用支持向量進(jìn)行氣輪泵轉(zhuǎn)輪的故障診斷。

針對(duì)以往在訓(xùn)練過程中需要大量的正常樣本和故障樣本，才能準(zhǔn)確地進(jìn)行故障診斷的情況，Sankar Mahadevan等[20]基于一類SVM非線性距離數(shù)值測(cè)量特征空間，采用SVM-回歸特征排除算法進(jìn)行故障診斷，該方法不需要故障數(shù)據(jù)，只借助正常運(yùn)行時(shí)的數(shù)據(jù)信號(hào)就可以檢測(cè)設(shè)備的運(yùn)行狀態(tài)。YongLi等[21]采用貝葉斯網(wǎng)絡(luò)診斷變壓器的故障類型，同時(shí)利用SVM的回歸算法來處理故障樣本，研究表明采用支持向量機(jī)能夠有效的進(jìn)行變壓器的故障診斷。

王強(qiáng)等[22]主要研究了多類支持向量機(jī)算法,及其在多類故障診斷問題中的運(yùn)用?？紤]到傳統(tǒng)“一對(duì)一”算法和“一對(duì)多”算法的局限,提出了基于遺傳算法的決策樹支持向量機(jī),利用遺傳算法的全局隨機(jī)搜索性能來構(gòu)造決策樹，結(jié)果表明了算法的有效性。

但SVM的理論研究還不完善，其中的許多問題，諸如核函數(shù)的選擇，最優(yōu)超參數(shù)的確定，LS-SVM解缺乏稀疏性的問題等等，都有待進(jìn)一步深入研究。

5 粗糙集故障診斷

1982年，波蘭學(xué)者Z.Paw lak提出了粗糙集理論[23],它是一種刻劃不完整性和不確定性的數(shù)學(xué)工具，能有效地分析不精確，不一致，不完整等各種不完備的信息，還可以對(duì)數(shù)據(jù)進(jìn)行分析和推理，從中發(fā)現(xiàn)隱含的知識(shí)，揭示潛在的規(guī)律。粗糙集理論是繼概率論，模糊集，證據(jù)理論之后的又一個(gè)處理不確定性的數(shù)學(xué)工具。作為一種較新的軟計(jì)算方法，粗糙集近年來越來越受到重視，其有效性已在許多科學(xué)與工程領(lǐng)域的成功應(yīng)用中得到證實(shí)，是當(dāng)前國(guó)際上人工智能理論及其應(yīng)用領(lǐng)域中的研究熱點(diǎn)之一。

近年來，粗糙集在故障診斷領(lǐng)域中取得了很多成果。Francis E.H.Taya等[24]針對(duì)故障的復(fù)雜多樣性，提出粗糙集消除多氣缸柴油機(jī)故障特征的信息特征的冗余，簡(jiǎn)化為一類故障特征，實(shí)例表明該方法的有效性。劉建輝[25]針對(duì)工程機(jī)械遠(yuǎn)程(協(xié)同)診斷中現(xiàn)存的由于大量無序數(shù)據(jù)導(dǎo)致的故障信息傳輸阻塞、延遲等底層瓶頸問題,提出了基于粗集的現(xiàn)場(chǎng)故障信息預(yù)處理思想及框架;并在相關(guān)粗集知識(shí)的基礎(chǔ)上,分別提出了裝備工況監(jiān)測(cè)和故障診斷的信息約簡(jiǎn)算法,結(jié)合混凝土運(yùn)輸車制動(dòng)系統(tǒng)給予驗(yàn)證其有效性。高曉康等[26]提出了一種基于粗糙集理論的電子鎮(zhèn)流器故障診斷方法。通過對(duì)論域進(jìn)行降維,大大降低了計(jì)算復(fù)雜性。在此基礎(chǔ)上通過屬性約簡(jiǎn)和值約簡(jiǎn),導(dǎo)出了有用的診斷決策規(guī)則。實(shí)例分析表明,將粗糙集理論應(yīng)用于鎮(zhèn)流器故障診斷,提高了故障診斷的能力。

黃文濤等[27]提出將電力變壓器的故障診斷問題用一個(gè)具有不同簡(jiǎn)化層次的決策網(wǎng)絡(luò)表示，然后推出每個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)的診斷決策規(guī)則集。用待診實(shí)例的信息與網(wǎng)絡(luò)中的節(jié)點(diǎn)相對(duì)應(yīng)的診斷決策規(guī)則集相匹配。即使在故障診斷信息不完備的情況，也能得到正確的結(jié)果。胡濤等[28]利用粗糙集理論方法對(duì)燃?xì)廨啺l(fā)電機(jī)組故障進(jìn)行診斷，該方法能從不完整的故障特征頻譜樣本集中導(dǎo)出滿意的診斷結(jié)論，并表明了該方法的有效性。

粗糙集理論還處在繼續(xù)發(fā)展之中,尚有一些理論上的問題需要解決，諸如用于不精確推理的粗糙邏輯（Rough logic）方法,粗糙集理論與非標(biāo)準(zhǔn)分析（Non standard analysis）和非參數(shù)化統(tǒng)計(jì)（Nonparametric statistics）等之間的關(guān)系等等。將粗糙集與其它軟計(jì)算方法相綜合,發(fā)揮出各自的優(yōu)點(diǎn)，可望設(shè)計(jì)出具有較高的機(jī)器智商的混合智能系統(tǒng)（Hybrid Intelligent System），這是一個(gè)值得努力的方向。

6 結(jié)論

智能故障診斷面臨的巨大挑戰(zhàn)是建立更加精確的、魯棒的預(yù)測(cè)模型，確定故障發(fā)生的準(zhǔn)確時(shí)間和部位，并估計(jì)出故障的大小和趨勢(shì)。而上述各種智能故障診斷技術(shù)各有優(yōu)缺點(diǎn)，因此如何優(yōu)勢(shì)互補(bǔ)，開發(fā)將多種不同的智能技術(shù)結(jié)合起來的混合診斷系統(tǒng)，是智能故障診斷研究的發(fā)展趨勢(shì)之一。

[1]郝軍,萇永峰,李樹芳等.模糊規(guī)則推理在某型導(dǎo)彈故障智能診斷中的應(yīng)用[J].活力與指揮控制，2007，32(12)：145-148.

[2]蔣蕷,何清華,王奕.基于模糊層次分析的柴油機(jī)智能故障診斷[J].中國(guó)機(jī)械工程學(xué)報(bào)，2009，7(1):86-91.

[3]Xiaofeng Liu,LinMa,JosephMathew.Machinery fault diagnosis based on fuzzy measure and fuzzy integral data fusion techniques[J].Mechanical Systems and Signal Processing,2009，23：690-700.

[4]彭文季.水電機(jī)組振動(dòng)故障的智能診斷方法研究[D].博士論文，2007：105-114.

[5]周龍甫,師奕兵,唐靜遠(yuǎn)等.基于模糊線性規(guī)劃的模擬電路軟故障診斷[J].儀器儀表學(xué)報(bào),2009，30(5)：899-904.

[6]Jiangping Wang,Hongtao Hu.Vibration-based fault diagnosis of pump using fuzzy technique.Measurement，2006，39：176-185.

[7]彭文季,羅興锜,趙道利.基于頻譜法與徑向基函數(shù)網(wǎng)絡(luò)的水電機(jī)組故障診斷[J].中國(guó)電機(jī)工程學(xué)報(bào)，2006，26(9)：155-158.

[8]Jian-Da Wu,Cheng-Kai Huang,Yo-Wei Chang.Fault diagnosis for internal combustion engines using intake manifold pressure and artificial neural network[J].Expert Systems with Applications，2010，37：949-958.

[9]Chengcai Ma,XiaodongGu,YuanyuanWang.Fault diagnosis of power electronic system based on fault gradation and neural network group[J].Neurocomputing，2009，72：2909-2914.

[10]Sun Yan-jing,Zhang Shen,Miao Chang-xin,et al.Improved BP neural network for transformer fault diagnosis[J].Journal of China University of Mining and Technology，2007，17(1)：138-142.

[11]Enrico Zio,Giulio Gola.A neuro-fuzzy technique for fault diagnosis and its application to rotating machinery[J].Reliability Engineering and System Safety，2009，94：78-88.

[12]S.C.Tan,C.P.Lim,M.V.C.Rao.A hybrid neural network model for rule generation and its application to process fault detection and diagnosis[J].Engineering Applications of Artificial Intelligence，2007，20：203-213.

[13]Van Tung Tran,Bo-Suk Yang,Myung-Suck Oh.Fault diagnosis of induction motor based on decision trees and adaptive neuron-fuzzy inference[J].Expert Systems with applications，2009，36：1840-1849.

[14]LIANG Liu-ming1,CHEN Wei-gen1,YUE Yan-feng etc.Study on Power Transformers Fault Diagnosis Based on Wavelet Neural Network and D-S Evidence Theory[J].High Voltage Engineering，2008， 34(12)：2694-2700.

[15]梁平,白蕾,龍新峰等.基于小波包分析及神經(jīng)網(wǎng)絡(luò)的汽輪機(jī)轉(zhuǎn)子振動(dòng)故障診斷[J].控制理論與應(yīng)用，2007，24(6)：981-985.

[16]田質(zhì)廣,趙剛.基于小波包與Elman神經(jīng)網(wǎng)絡(luò)的整流電路故障診斷[J].系統(tǒng)仿真學(xué)報(bào)，2009，21(10)：2981-2984.

[17]Achmad Widodo,Bo-Suk Yang,Tian Han.Combination of independent component analysis and support vector machines for intelligent faults diagnosis of induction motors[J].Expert Systems with Applications，2007，32：299-312.

[18]吳良,陳錚.基于支持向量機(jī)的材料熱處理性能預(yù)測(cè)模型研究[J].材料熱處理學(xué)報(bào)，2007，28(6)：152-155.

[19]Sheng-Fa Yuan,Fu-Lei Chu.Support vector machines-based fault diagnosis for turbo-pump rotor[J].Mechanical Systems and Signal Processing，2006，20：939-952.

[20]Sankar Mahadevan,Sirish L.Shah.Fault detection and diagnosis in process data using one-class support vector machines[J].Journal of Process Control，2009，19：1627-1639.

[21]Yong-Li,Wang Fang,Geng Lan-Qin.Transformer fault diagnosis based on na?ve Bayesian classifier and SVR[C].Proceedings of IEEE Region 10 Annual International Conference，Hong Kong，2006，4142282.

[22]王強(qiáng),陳歡歡,王珽.一種基于多類分類支持向量機(jī)的故障診斷算法[J].電機(jī)與控制學(xué)報(bào)，2009，13(2)：302-306.

[23]Z.Pawlak.Rough Sets In Theoretical Aspects of Reasoning about Data[M].Kluwer：Nether-lands，1991

[24]Francis E.H.Taya,Lixiang Shen.Fault diagnosis based on Rough Set Theory[J].Engineering Applications of Artificial Intelligence，2003，16：39-43.

[25]劉建輝.基于粗集的工程機(jī)械現(xiàn)場(chǎng)故障信息預(yù)處理[J].計(jì)算機(jī)測(cè)量與控制，2009，17(2)：313-315.

[26]高曉康,李翠玲,施雨辰.王昭云等.基于粗糙集理論的電子鎮(zhèn)流器故障診斷方法[J].低壓電器，2007，24:34-38.

[27]黃文濤,王偉杰,孟慶鑫.基于粗糙集理論的電力變壓器故障診斷方法[C].2008 Chinese Control and Decision Conference，2008：468-472.

[28]胡濤,呂炳朝,陳光褕.一種基于粗糙集理論的燃?xì)廨啺l(fā)電機(jī)組故障診斷新方法[J].電子測(cè)量與儀器學(xué)報(bào)，2001，15(1)：11-16.

APPLICATION OF INTELLECTUAL FAULT DIAGNOSIS

YANG Dan
（Department of Information Technology,Shijiazhuang People′s Armed Police Command College,Shijiazhuang HeBei 050061）

The models of intellectual fault diagnosis were introduced in recent years firstly.Then the relationships between fault diagnosis and other application technique were explained,and the main method and technique of fault signal collecting and processing were reviewed systemically.Finally,the present questions and development directions about modern fault diagnosis were discussed farther.

Intellectual fault diagnosis;vague theory;ANN;SVM;Rough theory

TP206+.3

A

1672－2868（2011）03－0032－04

2011－03－06

楊丹（1977-），男，河北唐山人。武警石家莊指揮學(xué)院教員，研究方向：計(jì)算機(jī)應(yīng)用技術(shù)

責(zé)任編輯：陳 侃