李红卫,杨东升,孙一兰,韩 娟
(1.中国科学院研究生院,北京100039;2.中国科学院沈阳计算技术研究所,辽宁沈阳110171)
现代工业设备大型化、复杂化发展趋势导致设备发生故障可能性和维修难度增大,设备停机给企业带来重大经济损失。因此,深入研究故障诊断技术具有十分重要的意义。
故障诊断技术是一种利用设备当前状态信息和历史状况,通过一定分析方法 (如信号处理分析法)对设备状态进行评价的状态识别技术。传统故障诊断技术在分析结构复杂的深层次故障时效果不佳,且对操作员能力要求较高。近年来,人工智能技术的发展,促使故障诊断技术由传统技术向智能化技术方向发展[1]。
目前,不少学者对智能故障诊断领域进行研究,形成了多种智能故障诊断技术,取得了大量研究成果。本文在这些研究成果基础上,针对不同智能故障诊断技术,着重从原理、应用、优缺点以及方法改进等方面进行总结、分析,给出了诊断技术选择建议,并对其未来发展做了展望。
智能故障诊断技术是一种在知识层次上,以知识处理技术为基础,实现辩证逻辑与数理逻辑的集成、符号处理与数值处理的统一、推理过程与算法过程的统一,通过概念和处理方式知识化,实现设备故障诊断的智能化诊断方法[2],为人们使用智能技术解决复杂系统故障问题提供了强有力工具。
故障树分析 (fault tree analysis,FTA)诊断技术是一种将系统故障形成原因由总体至局部按树枝状逐渐细化的严密分析方法。FTA是一个以诊断对象结构、功能特征为依据的行为模型,是一种定性的因果模型,其将系统中最不希望发生的事件作为顶事件,中间事件和底事件作为可能导致顶事件发生的其他事件,事件之间逻辑关系用逻辑门表示,如图1所示。图中顶事件为系统故障,由子系统A或子系统B引发;子系统A故障由部件1、2中的一个失效引起,子系统B故障由部件3、4同时失效引起。
图1 故障树诊断
FTA诊断技术兼顾了定性和定量模型诊断的优点,现已广泛应用于故障诊断领域。文献[3]为解决某型无人机系统结果复杂、故障分析困难的问题,采用FTA设计实现了故障诊断专家系统。
但是,FTA诊断技术的核心与关键是建立正确的故障树,故障树建立不全面或不正确将导致该技术失去作用。另外,对大型复杂系统进行故障诊断时,故障树相关信息的利用可改善诊断系统知识获取的瓶颈问题。因此,在实际故障诊断时,通常将FTA作为知识获取桥梁,结合其他故障诊断技术进行故障诊断。如,文献[4]针对水利设备传统诊断专家系统在知识更新方面存在的问题,从故障树顶事件出发,按照“‘与’门只增加同种故障组合中故障数目,而‘或’门只增加不同故障组合数目”的原则,对故障树进行转换,以获取诊断规则,改善了传统诊断专家系统知识获取方面的“瓶颈”。
规则推理 (rule-based reasoning,RBR)诊断技术本质上是一种利用规则 (通过归纳专家经验知识得到)通过一定搜索策略和推理技术在整个解空间中进行故障特征和相应故障线性映射的诊断方法。
RBR诊断技术具有知识表示直观、易理解和方便解释等优点,主要用于没有精确数学模型或很难建立数学模型的故障系统。该技术是智能故障诊断领域引人注目的发展方向之一,也是研究最多、应用最广的智能故障诊断技术。文献[5]提出一种以用户为中心,基于规则表达的通用性专家知识库故障诊断方法,并对规则库进行设计,如表1所示。通过与条件事实进行多重匹配,结合结论规则,最终得到诊断结论。
但是由于故障特征与相应故障线性映射关系复杂性、专家经验知识语言表述模糊性、不同专家经验知识不一致性等原因,RBR诊断技术依赖于归纳专家经验的知识获取方式存在“瓶颈”,不适于经验知识缺乏的诊断领域[6];另外,RBR诊断技术对于复杂问题,求解搜索空间大,难以实现实时诊断,且易产生组合爆炸、匹配冲突等问题。
表1 规则库结构
针对RBR诊断技术的知识获取“瓶颈”,文献[7]为解决地铁机车相关数据、维修经验知识获取困难等问题,将知识获取过程分解为需求分析描述、故障分类与故障集确定、设备结构原理分析、专家分析等6个步骤。知识获取以故障树分析、GO方法设备原理分析、专家分析为基础,通过因果链建立因果网络图,进而获得知识表达并形成知识。
针对RBR诊断技术推理方面的问题,文献[8]提出用FPGA设计故障诊断专家系统。以故障树表示的故障逻辑关系为依据,将产生式规则转换成逻辑表达式,并使用FPGA实现,提高了诊断时推理速度。此外,由于故障特征和相应故障之间关系的不明确性,RBR诊断技术在推理时亦可进行基于不精确规则的不确定性推理[9],在一定程度上可避免推理时产生的“知识组合爆炸”问题。
相对于RBR诊断技术受专家经验知识完备性、可描述性及可转换性的制约,案例推理 (case-based reasoning,CBR)诊断技术不依赖于专家经验知识,而是利用曾发生的相似故障,比较新、旧故障发生时间和背景等的差异,经一系列修改、调整,参考或重新使用以前的知识和信息,最终达到故障诊断的目的。
CBR诊断技术无须规则提取,通过直接复用以提高求解效率,新案例保存既是学习过程,也是知识获取过程,适用于经验知识难以表示成规则,但易表示成案例的故障诊断领域。如,文献[10]使用CBR诊断技术设计数控设备诊断系统。为提高检索效率,系统按照数控系统结构模型将案例分为4个等级进行组织,并采用框架知识表示方法表示案例知识,如表2所示。
表2 故障案例框架
但CBR诊断技术存在如不能覆盖所有解空间而导致搜索时可能漏掉最优解、难以评价待检对象与相关案例相似度、难以处理修订时的二义性和一致性检查、难以确定关键特征权重等问题。
为评价待检对象与相关案例相似度,文献 [11]将灰色关联度分析方法应用到CBR诊断技术中。使用灰色关联度分析方法计算待检案例与相关案例之间相似度,将相似度最大的相关案例作为最相近案例。此外,该文献提出只将案例库中没有相似案例或者相似度很小的待检案例添加到案例库中,以改善案例库的增量学习模式。
为确定关键特征权值,文献[12]将系统故障树图模型经特殊转换,映射为神经网络,将树图模型中底层的案例特征作为神经网络输入,案例故障作为神经网络输出,训练后将输入层与隐含层连接权值Wki和隐含层与输出层连接权值Tjk的乘积Rij=Wki×Tjk作为相应案例关键特征的权值,有效地解决了关键特征权值难以确定的问题。
神经网络 (neural network,NN)诊断技术通过对故障样本的学习,以神经网络连接权值来表达所学故障诊断知识,具有对故障模糊匹配、相似归纳和联想记忆等能力。相对于RBR诊断技术的高层次逻辑模型,NN是一种低层次数值模型,融知识表示、存储和推理为一体,一定程度上可以克服RBR诊断技术知识获取困难、存储容量与运行速度存在矛盾、知识窄台阶及推理速度慢等问题。
作为一种非线性故障识别技术,NN具有容错性好、响应快、具有强大的学习能力、自适应能力和非线性逼近能力等特点,为解决复杂的非线性、不确定系统的故障诊断问题提供了新途径,被广泛应用于故障诊断领域。文献[13]对电力系统进行故障诊断时,利用神经网络的模式分类能力设计诊断模型,如图2所示。该模型中输入为继电器和断路器开关状态,输出为相应系统故障状态。
目前国内外许多学者都致力于研究BP神经网络 (BPNN)在故障诊断领域中的应用,针对BP-NN训练速度慢、容易陷入局部极小值和振荡等问题,一些学者提出改进的神经网络诊断模型。文献[14]为提高BP-NN学习效率和收敛性,提出一种BP-ALM(具有自适应学习速率和动量系统的BP网络)NN诊断模型。每个权重和偏差都有与其相对应的学习速率和动量系数,使得传统BP-NN具有自适应性。用该BP-ALM神经网络模型设计变压器故障诊断系统,使系统具有较好的学习效率和收敛性,比传统BP-NN和RTR在故障诊断时具有更好的性能。
另外,NN诊断技术也存在诸如诊断性能受训练样本集限制、无法解释推理过程、利用和表达知识单一、只能模拟人类感觉层次上的智能活动等缺陷。因此,为更好发挥NN在故障诊断领域的优势,将NN诊断技术与其他方法相结合成为实际诊断中的常用技术。如将NN与小波变换相结合[15-17],优化特征数据提取,提高了NN诊断效率和诊断结果的正确性。
灰色关联度分析 (grey relation degree analysis,GRDA)是事物间不确定关系的量化分析,在故障诊断中用于确定和待检模式关联最强的标准模式。基本思想是根据式 (1)和(2),计算待检模式特征向量Y={Y1,Y2,……,Yn}与标准模式特征向量集XR={X1(n),X2(n),……,Xm(n)}(其中m表示故障种类数,n表示特征向量所包含特征值数)之间的关联度。将计算得到的关联度从大到小排列,选择最大关联度对应的标准模式作为待检模式的故障模式,实现故障模式识别
相对于神经网络诊断技术性能依赖于大样本,GRDA诊断技术不需要大样本、不要求数据有特殊分布、计算量小,且不会出现与定性分析不一致的结论,适合于没有大样本、但有实时性要求的诊断领域。文献[18]使用GRDA诊断技术对航空发动机进行故障诊断。在不同故障状态下采集典型故障特征值EGT、FF、N2,得到典型故障矩阵,如表3所示,结合式 (1)和 (2)对待检模式进行诊断。
表3 典型故障矩阵
但是由式 (1)(2)所示的传统GRDA诊断技术存在如不能确定故障严重程度、没有考虑序列变化趋势、受关联系数ρ影响等问题。不少改进方法被提出以解决这些问题。
如,为确定故障严重程度,文献[19]采用GRDA建立实用专家诊断模型时引入门限值,并提出将关联度大小作为衡量故障严重程度的标准,即关联度越小表示故障越严重。针对传统GRDA诊断技术因没有考虑序列变化趋势而出现变化趋势相同序列由于距离差异造成关联度不同的情况,文献[20]根据GRDA基本思想,提出了使用空间向量余弦夹角描述比较序列之间局部相似性,以局部相似性均值来衡量比较序列整体相似性的新灰色关联度量化模型,有效克服了传统GRDA存在的缺陷。
另外,为消除关联系数ρ对传统GRDA的影响,文献[21]提出灰色相似关联度 (grey similar relation degree,GSRD)的概念,计算待检模式特征向量与标准模式特征向量的比值及比值的平均值,使用该两值计算关联度,使得关联度计算过程只与标准模式特征向量和待检模式特征向量相关。另外,由于GRDA计算过程没有涉及未知参数,因此,计算得到的关联度是一个绝对值,而不是相对值。
相对于RBR诊断技术的诊断效率和结果受限于故障特征和相应故障之间的明确关系,模糊理论 (fuzzy theory,FT)诊断技术引入隶属度和隶属函数的概念,将待检数据模糊化为X,利用模糊诊断矩阵R实现故障非线性识别Y=X°R(Y为模糊故障矢量,X为模糊征兆矢量),并根据一定诊断原则得出诊断结果。
作为一种非线性映射诊断模型,FT诊断技术在诊断过程中不需人工干预,可自动运行,适合于有快速实时诊断要求的场合,在故障诊断领域得到广泛应用[22-24]。其中,文献[22]将FT诊断方法应用到轴承和发动机中。运用FCM分析方法在特征级建立故障特征与相应故障关系映射,并分别使用Choquet和Sugeno模糊积分产生最初和最终诊断结果,为机械故障提供了有效地解决方法。
单纯使用FT故障诊断技术进行诊断虽在一定程度上可对故障进行非线性识别,但诊断结果准确性很难达到要求。此外,FT诊断技术存在如模糊诊断矩阵难以确定、利用信息单一、学习能力差、易发生漏判或误判等问题。
实际诊断中,将FT诊断技术与其他诊断技术结合,可有效改善上述问题。如,文献[25]使用模糊神经网络对异步电机进行故障诊断,将模糊神经网络分为高、中、低三层结构,使系统性能得到有效改善。
粗糙集理论 (rough set theory,RST)由波兰学者Z.Paw.lak于1982年提出,作为一种处理模糊和不确定性的数学工具,在保持分类能力不变的前提下,RST对知识表达系统进行知识约简,删除知识库中不相关或不重要的冗余知识,导出问题的简化决策或分类规则。
在故障诊断中应用RST对减少计算复杂性、统计工作量,降低诊断成本、提高故障诊断效率具有实际意义。近年来,RST在故障诊断领域已获得成功应用。文献 [26]使用RST诊断技术进行电子镇流器故障诊断。将从电子镇流器生产流水线上采集的200维样本空间纵向降到62维;横向通过属性约简和值约简,得到由三个条件属性的交组成的核集,极大简化了决策表,为故障诊断提供了有效的决策支持。
另外,由于RST强大的知识约简能力,将RST作为数据预处理方法,与其他技术相结合进行故障诊断已成为目前研究热点。如,文献[27]提出将神经网络与RST结合,对经离散化的18组训练样本 (每个训练样本由8个条件属性和1个决策属性构成)分别进行横向和纵向约简,消除样本中冗余信息,最终得到只包含10组数据的训练样本 (每个训练样本由4个条件属性和1个决策属性构成),缩短了训练时间。
智能故障诊断技术按原理可分为基于符号推理的诊断技术 (如RBR诊断技术、CBR诊断技术)、基于数值推理的诊断技术 (如NN诊断技术、GRDA诊断技术、FT诊断技术)和基于系统集成的诊断技术 (如FTA诊断技术和FST诊断技术)。基于符号推理的诊断技术以符号形式显示地表示、存储和处理知识,表示直观、易理解,广泛应用于具有丰富经验知识或故障案例的诊断领域。但是基于符号推理的诊断技术知识获取困难、推理速度慢,不太适于实时诊断要求较高的诊断领域。基于数值推理的诊断技术以数值矩阵形式表示和存储知识,计算过程等价于推理过程,不需人为干预,推理速度快,适于有实时性要求的诊断领域。但是基于数值推理的诊断技术隐式地表示和存储知识,不易解释。从目前诊断技术应用角度看,基于系统集成的诊断技术已不再作为独立的诊断技术来使用,而是利用其强大的知识获取或预处理能力辅助其他诊断技术。
由以上分析可以看出,各种智能故障诊断技术各有优劣,不能单一地从某一方面评价诊断技术的好坏,应从技术应用的领域、诊断效率和诊断结果等方面进行综合评价。
另外,以上各智能故障诊断技术只提供了解决问题的通用框架,针对各诊断领域不易寻求统一方法。因此,提出以下建议:第一,在实际诊断中,应针对特定领域特点,根据其对诊断效率和诊断结果的要求,发展与其相应的故障诊断技术,如对实时诊断要求较高的诊断领域 (发动机故障诊断、电力系统故障诊断等),建议使用基于数值计算的诊断技术;第二,综合各种诊断技术,充分发挥各诊断技术优势,弥补单一诊断技术的不足。通过对故障诊断相关资料的整理,本文给出了各诊断技术的应用参考列表,如表4所示。
表4 诊断技术应用参考表
随着智能故障诊断技术在工业设备故障诊断领域应用的不断扩大,人们对智能故障诊断技术诊断效率和诊断结果提出了更高要求。目前,智能故障诊断技术的研究主要有:
(1)在当前技术基础上,进一步研究不同智能故障诊断技术渗透融合方式,形成综合性能更好的融合智能故障诊断技术。
(2)将新的理论和技术引入到智能故障诊断领域,形成性能更好的智能故障诊断新技术。
智能故障诊断技术是故障诊断专家系统的核心,本文着重从原理、应用、优缺点以及方法改进等方面总结了近几年发展较快且应用较多的智能故障诊断技术;对各种智能故障诊断技术进行了分析和展望,同时给出了诊断技术的选择建议。复杂系统的故障诊断涉及多学科领域,许多问题有待进一步研究和探索,紧随相关技术发展,在生产实际现场中逐步提高故障诊断的智能水平,成为智能故障诊断领域专家和学者的共同任务。
[1]LI Yunsong,REN Yanjun.Development review of intelligent diagnosis technique [J].Journal of Sichuan Ordnance,2010,39(4):122-125(in Chinese).[李云松,任艳君.智能诊断技术发展综述 [J].四川兵工学报,2010,39(4):122-125.]
[2]JIN Xin,REN Xinbin,ZHOU Liang.Overview on intelligent technology of fault diagnosis[J].Theory and Methods,2009,28(7):30-32(in Chinese).[金鑫,任献彬,周亮.智能故障诊断技术研究综述 [J].理论与方法,2009,28(7):30-32.]
[3]ZHANG Chunhua,LIUWei.Fault diagnosis expert systembased on fault tree [J].Ordnance Industry Automation,2009,28(11):15-23(in Chinese).[张春华,刘伟.基于故障树的故障诊断专家系统 [J].兵工自动化,2009,28(11):15-23.]
[4]BIAN Mengmeng,SHI Jian,WANG Shaoping.FTA-based fault diagnosse expert system for hydraulic equiment[C]//Beijing:Fluid Power and Mechatronics(FPM),2011:959-963.
[5]LIU Jian,CHEN Yichao,JIANG Hong.Universal fault and diagnosis method of expert KB on regulation[J].Computer& Digital Engineering,2010,38(6):72-76(in Chinese).[刘剑,陈一超,江虹.基于规则的通用专家知识库故障诊断方法[J].计算机与数字工程,2010,38(6):72-76.]
[6]ZHANG Bingling,XU Yingzi,PAN Quanwen.Research and development trend of intelligent fault diagnosis techniques[J].Aircraft Design,2007,27(5):55-59(in Chinese).[张冰凌,许英姿,潘全文.智能故障诊断方法的研究和展望[J].飞机设计,2007,27(5):55-59.]
[7]LI Xi,CAI Guoqiang, ZHU Xiaoning, et al.A novel fault diagnosis expert system knowledge acquisiton method of metro vehicle equipments[C]//Singapore:Computer and Automation Engineering,2010:535-539.
[8]XUE Jingyan,SUN Laijun,LIU Mingliang,et al.Implement fault diagnosis high speed reasoning expert system with FPGA[C]//Changchun:International Conference on Mechatronics and Automation,2009:752-756.
[9]LAI Yushu,LI Xunbo,XIONG Yan,et al.Intelligent instrument fault diagnosis expert system based on fuzzy group decision-making[J].Chinese Journal of Scientific Instrument,2008,29(1):206-211(in Chinese).[赖于树,李迅波,熊燕,等.基于模糊群决策的智能仪器故障诊断专家系统 [J].仪器仪表学报,2008,29(1):206-211.]
[10]CHEN Youdong,HAN Meihua,YE Jinjun.Knowledge representation for CNC equipment fault diagnosis system based on CBR[J].Journal of Beijing University of Aeronautics and Astronautics,2011,37(12):1557-1561(in Chinese).[陈友东,韩美华,叶进军.基于CBR的数控设备故障诊断系统知识表示[J].北京航空航天大学学报,2011,37(12):1557-1561.]
[11]CHEN Junjie,DUAN Jiangli,GAO Baolu,et al.The application of CBR and grey correlation in fault diagnosis system [C]//Taiyuan:Computer Application and System Modeling,2010:718-721.
[12]YAN Peng,ZHUANG Like.A case-based reasoning with feature weights derived by BPnetwork[C]//Zhangjiajie:Intelligent Information Technology Application,2008:26-29.
[13]WANG Fang.Fault diagnosis for power system based on neural networks[C]//Beijing:Software Engineering and Service Science,2011:352-355.
[14]SUN Yanjing,ZHANG Shen,MIAO Changxin,et al.Improved BP nerual network for transformer fault diagnosis[J].Journal of China University of Mining& Technology,2007,17(1):138-142.
[15]Saravanan N,Ramachandran K I.Incipient gear box fault diagnosis using discrete wavelet transform(DWT)for feature extraction and classification using artificial neural network(ANN)[J].Expert Systems with Application,2010,37(6):4168-4181.
[16]Manthan Shah,vijay Gaikwad,Shashikant Lokhande,et al.Fault indentification for I C Engines using artifical nerual network[C]//Coimbatore:Process Automation,Control and Computing,2011:1-6.
[17]Kamal Hadad,Meisam Pourahmadi,Hosein M.Fault diagnosis and classification based on wavelet transform and neural network[J].Progress in Nuclear Energy,2011,53(1):41-47.
[18]JIANG Lingping.Gas path fault diagnosis system of aero-engine based on grey relationship degree [J].Procedia Engin-eering,2011(15):4774-4779.
[19]LINYonghuang,LEE Pinchan,CHANGTapeng.Practical expert diagnosis model based on the grey relational analysis technique[J].Expert Systems with Applications,2009,36(2):1523-1528.
[20]DONG Yabin,ZHANG Xiaolong.Mechanical fault diagnosis based on modified grey relationship degree analysis[J].Coal Mine Machinery,2009,30(2):218-220(in Chinese).[东亚斌,张小龙.基于改进灰色关联度分析的机械故障诊断[J].矿山机械,2009,30(2):218-220.]
[21]XIONG Wei,SU Yanping,ZHOU Yanjie,et al.Intelligent fault diagnosis of rotating machinery based on grey similar relation degree[J].American Journal of Engineering and Technology research,2011,11(12):2089-2092.
[22]LIU Xiaofeng,MA Lin,Joseph M.Machinery fault diagnosis based on fuzzy measure and fuzzy integral data fusion techniques[J].Mechanical System and Signal Processing,2009,23(3):690-700.
[23]WANG Jiangping,HU Hongtao.Vibration-based fault diagnosis of pump using fuzzy technique[J].Measurement,2006,39(2):176-185.
[24]Masahiro Tsunoyama,Hirokazu Jimno,Masayuki Ogawa,et al.An application of fuzzy measure and integral for diagnosing fault in rotating machines[J].Tools& appli with Artificial Intel,2009:121-133.
[25]ZHANG Yun,XU Nan,JI Quanxi.Study on the applica-tion of the hierarchical fuzzy neural network in the fault diagnosis of the asynchronous motor[C]//Yantai:Natural Computation,2010:651-654.
[26]GAO Xiaokang,LI Cuiling,SHI Yuchen,et al.A method of fault diagnosis of electronic ballast based on rough set theory [J].Low Voltage Apparatus,2007(24):34-38(in Chinese).[高晓康,李翠玲,施雨辰,等.基于粗糙集理论的电子镇流器故障诊断方法 [J].低压电器,2007(24):34-38.]
[27]LI Aimin,SHI Huifeng.Study on mechanical fault diagnosis based on rough set theory and neural network [J].Journal of Kunming University of Science and Technology(Natural Science Edition),2011,36(1):35-39(in Chinese).[李爱民,施惠丰.基于粗糙集和神经网络的机械故障诊断研究[J].昆明理工大学学报 (自然科学版),2011,36(1):35-39.]