人工智能在机械故障诊断中的应用，有待进一步推广
1. 人工智能在机械故障诊断中的应用方向所谓机械故障诊断，就是通过机械运行中的相关信息来识别其技术状态是否正常，确定故障的性质与部位，寻找故障起因，预报故障趋势，并提出相应对策;它以故障机理和技术检测为基础，以信号处理和模式识别为其基本理论与方法。一般的机械系统故障诊断系统从物理上划分为机械测量、监视与保护、数据采集、振动状态分析、网络数据传输五个部分;从功能上，机械系统状态监测与故障诊断系统又可分成数据采集、状态监测、故障诊断三个部分。
随着现代工业设备和系统日益大型化和复杂化，机械设备的可靠性、可用性、可维修性与安全性的问题日益突出，从而促进了人们对机械设备故障机理及诊断技术的研究。并且随着计算机技术及数字信号处理技术的迅速发展，机械设备振动监测与故障诊断技术被广泛应用于电力、石油化工、冶金等行业的大型、高速旋转机械中。
目前这种技术己成为设备现代化管理和提高企业综合效益的技术基础。国内外实践表明，以振动监测与故障诊断技术为基础的设备预知维修能节省大量的维修费用，取得显著的经济效益，而且还能保证设备的安全运行，预防和减少恶性事故的发生，消除故障隐患，保障人身和设备安全，提高生产率。
传统的诊断方法和理论对单过程、单故障和渐发性故障的简单系统可以发挥较好的作用，对于多过程、多故障和突发性故障以及复杂庞大、高度自动化的大型设备和系统，例如汽轮发动机组等，就具有较大的局限性。当前，典型的机电一体化产品——数控机床、交流伺服驱动装置等正在向数字化、小型化、高精度等方向发展，为监控带来新的挑战，由于模糊神经网络控制不依赖控制对象和数学模型，具有较强的鲁棒性，是一种非线性的控制方法，在解决此类问题中有很好的优势。
而专家系统主要用于复杂的机械系统，能够克服基于模型的故障诊断方法对模型的过分依赖性。而人工神经网络对于故障的模式识别具有独特的优点。将人工智能的理论和方法应用于机械故障诊断，发展智能化的机械故障诊断技术，是机械故障诊断的一个新的途径。智能化的机械故障诊断专家系统现已得到广泛的应用，成为机械故障诊断的一个重要方向。
2 人工智能在机械故障诊断中的应用方法
人工智能主要研究用人工的方法和技术来模仿、延伸及扩展人的智能，从而实现机器智能。应用机械故障诊断系统的AI技术传统上可以分为专家系统(ES)、人工神经网络(ANN)、模糊集理论(FST)三大类。
2.1 专家系统(Expert System. ES)
专家系统(Expert system，简称ES)是20世纪60年代初产生的一门实用学科，目前是人工智能技术中较活跃、较成功的领域之一。它是一个由知识库、推理机和人机接口等三个主要部分组成的计算机软件系统，在知识表达方面，利用产生式规则进行知识表达，一方面得有益于现有人工智能语言，另一方面，是它的表达合乎人的心理逻辑，便于进行知识获取，利于人们接受，利用框架进行知识表达得到了越来越多的应用。
在诊断推理方面，主要表现在对推理逻辑和推理模型的研究，在人工智能领域，存在着许多推理逻辑，在专家系统中广泛使用模糊推理逻辑降低系统复杂性，在机械系统故障诊断上能产生很好的效果。其威力在于所拥有的专家知识和运用知识解题的推理机制。
由于建立在冯·诺伊曼计算机体系结构之上，专家系统在其发展过程中逐渐暴露出以下问题:知识获取的“瓶颈”、知识“窄台阶”、推理组合爆炸和无穷递归、智能水平低、系统层次少和在线实用性差等。
机械故障诊断专家系统的研究与开发机械故障诊断专家系统的出现与逐渐成熟是机械故障诊断领域最显著的成就之一。因为人类关于机械故障诊断与维修的科一学知识往往落后于专家的实践和经验知识，从而为专家系统提供了广阔的应用前景。
2.2 人工神经网络(Artificial Neural Network. ANN)
人工神经网络简称神经网络，它是由大量简单的处理单元(称为神经元)广泛相互连接而形成的复杂网络，是对生物神经系统的模拟，其信息处理功能是由网络的单元的输入输出特性(激活特性)、网络的拓扑结构(神经元的连接方式)所决定。为了使系统具有良好的透明性，在神经网络的推理中引用了模糊规则，为人工神经网络建立良好的解释机制提供了方便。
由于神经网络具有原则上容错、结构拓扑鲁棒、联想、推测、记忆、自适应、自学习、并行和处理复杂模式的功能，使其在工程实际存在着大量的多故障、多过程、突发性故障、庞大复杂机器和系统的监测及诊断中发挥着较大作用。
系统故障有层次性、相关性、延时性和不确定性，这就使得设备故障诊断问题变得十分复杂和困难，利用单个子神经网络解决问题需要大量的故障样本、适于诊断多类故障的网络结构难以确定，即使确定，也易陷入局部极小，自适应调整和误差函数的改进、加速收敛;对初始随机权值在量级上进行限定，克服了局部最小问题。
在机械故障诊断中的应用方式有：从模式识别角度应用神经网络作为分类器进行故障诊断;从预测角度应用神经网络作为动态预测模型进行故障预测;利用神经网络极强的非线性动态跟踪能力进行基于结构映射的故障诊断;从知识处理角度建立基于神经网络的诊断专家系统等。目前，为提高神经网络在实用中的学习和诊断性能，主要从神经网络模型本身改进和模块化模型诊断策略两方面开展研究;同时，与模糊逻辑的结合研究也是一个研究热点。
2.3 模糊集理论(Fuzzy Sets Theory. FST)
研究人员们一直在努力寻找科学地处理不完整性和不确定性的有效途径,实践证明,1965年zadeh创立的模糊集理论是处理不确定性的一种很好的方法。人的认知世界包含大量的不确定之时，这就需要对所获信息进行一定的模糊化处理，以减少问题的复杂度。
模糊逻辑可认为是多值逻辑的扩展，能够完成传统数学方法难以做到的近似推理。基于多类电量测试信息模糊融合的模拟电路故障诊断方法已经提出。基于k故障节点诊断法和最小标准差法的元件故障隶属函数构造方法，以及基于可测点电压与不同测试频率下电路增益的模糊信息融合诊断算法也已阐述。分别利用此两类测试信息及k故障诊断法和最小标准差法,对电路进行初步诊断,再运用模糊变换及故障定位规则,得到融合的故障诊断结果。模拟实验结果表明,所提方法大大提高了机械系统故障定位的准确率。
3. 人工智能在机械故障诊断中的发展趋势
人工智能中的四种主要工具，即专家系统、人工神经网络、模糊集理论，各有优点和局限。
虽然ES在许多领域已有广泛应用，仍存在知识获取的“瓶颈”、知识难以维护、应用面窄、诊断能力弱等问题。然而，随着相关学科和技术的发展与渗透，专家系统的理论与方法也有了很大改进，上述问题逐渐有所缓解或消除。要注重与模糊逻辑、故障树、机器学习等方法相结合。
虽然ANN具有较强的自组织、自学习能力、鲁棒性高免去推理机的构造，且推理速度与规模大小无明显关系，很快引起人们的重视。而且应用神经网络技术可以弥补解决传统专家系统在应用中遇到的问题。但在故障诊断中仍存在不少局限性，表现为：
(1)ANN外推时误差较大，难以保证解的准确性和容错性能;
(2)系统结构发生变化，则有可能需要改变ANN的组成结构，或增加新的样本重新学习获得新知识;
(3)ANN难以实现基于结构化知识的逻辑推理;
(4)缺乏解释能力，诊断结果不易于运行人员理解。
另外，如何确保ANN训练时收敛的快速性和避免陷入局部最小，也是每一个基于ANN的诊断系统必须面对的问题。FST的加入，使各相应智能诊断系统在机械系统故障诊断在分析不确定性因素问题上原理更成熟，技术更完善，容错性等性能得到相应提高。但仍存在可维护性问题，对不确定性因素的处理只能是有限度的改进。
目前，缺少一种普遍有效的方法应用于机械系统的各个领域。混合智能，即综合多种智能技术，成为AI的重要发展方向之一。将多种不同的智能技术结合起来用以设计、控制、监测机械系统成为新的发展趋势。结合的方式主要有基于规则的专家系统与神经网络相结合，CBR与基于规则系统和神经网络的结合，模糊逻辑、神经网络与专家系统的结合等。其中模糊逻辑、神经网络与专家系统结合的诊断模型是最具发展前景的，也是目前人工智能领域的研究热点之一。
例如：模糊逻辑与神经网络的组合机理、组合后的算法、便于神经网络处理的模糊知识的表达方式等。混合智能在机械系统故障诊断中的应用中有如下发展趋势：由基于规则的系统到混合模型的系统，由领域专家提供知识到机器学习、由非实时诊断到实时诊断、由单一推理控制到混合推理控制策略等。
4. 人工智能在机械故障诊断中的应用实例
智能技术在机械故障诊断领域已经有了许多成功的应用。
Radial公司于1987年开发的汽轮发电机组振动诊断专家系统(turbomac)，在建立逻辑规则的基础上，设有表征振动过程各种成分与其可能故障源之间关系的概率数据，其搜集知识的了系统具有人一机对话形式。该系统含有900条知识规则，有很大的库容。
美国boyce国际工程公司(royce engineering international，简称:bei)开发的基于专家系统的状态监测与诊断系统datm4 (diagnostic analysis of turbo-machinery)具有多种参数的趋势分析和预报功能。该系统在1981至1990年发展到总共近1万多条规则的人工智能诊断规则库，其中包括:汽轮机3000多条，发电机近3600条，机械(包括辅机)近3200条。
美国西屋电气公司和卡内基一梅隆大学合作研制的汽轮发电机在线诊断专家系统aid于1984年在得克萨斯州达拉斯附近的发电厂投入使用，对三个电厂共七台大型发电机(其中645mw容量的机组四台，835mw容量的机组三台)进行在线监测和诊断。其他已广泛投入使用的典型的状态监测与诊断系统包括:美国本特利公司的dm2000系统;
日本二菱重工的mhms系统、日立公司在1982年开发的汽轮机寿命诊断装置hidic-08e;美国scientific atlanta公司的m6000、m8000系统;美国entek-ird公司推出的entrx系统;法国电力部门(ede)开发的专家系统psad及其di-va子系统等。另外，瑞士abb公司、德国西门子公司、丹麦b&k公司等都开发出了各自的诊断系统。国内方面，80年代初开始引入人工智能，刘占生等人在轴心轨迹特征提取中采用一种新的平面图形加权编码法，提高了图形辨识的准确率，从而减少了轴心轨迹神经网络识别系统的输入变元数，使训练后的神经网络的联想能力得到较大提高，也加快了网络的训练速度及稳定性，提高了故障诊断专家系统的自动诊断水平。
虽然相关的应用实例还有很多，但它们中许多仍处于实验室或小范围应用状态，限于成本、技术等问题，不能得到普及应用，这将成为智能技术在机械故障诊断领域应用的“瓶颈”。
5. 结束语
伴随计算机网络尤其是Internet的发展，加上多媒体技术、生物计算技术、分布式人工智能和知识发现等计算机技术的兴起，使得人工智能更有效的应用于机械故障诊断及其它领域。面对日益激烈的机械行业的竞争，研发基于专家系统、神经网络、模糊逻辑等的混合智能设计、控制、监测、诊断系统将成为一大研究热点。虽然智能技术已应用于机械故障诊断的各个方面，如何将现有的先进故障诊断设备和技术进一步推广应用、如何实现低成本、高精度、高效率的诊断系统则成为亟待解决的问题。
svm 神经网络深度学习
页:
[1]