2.1　智能診斷技術(shù)

2.1.1　專家系統(tǒng)

專家系統(tǒng)（Expert System，ES）是發(fā)展最早、比較成熟的一種人工智能技術(shù)。通常認(rèn)為，專家系統(tǒng)是一個(gè)具有大量專門知識(shí)與經(jīng)驗(yàn)的程序系統(tǒng)，是研究用解決某專門問(wèn)題的專家知識(shí)建立人機(jī)系統(tǒng)的方法和技術(shù)，專家知識(shí)包括整個(gè)具體專業(yè)領(lǐng)域的知識(shí)和對(duì)領(lǐng)域內(nèi)問(wèn)題的理解及解決這些問(wèn)題的技能。它根據(jù)某個(gè)領(lǐng)域?qū)＜姨峁┑闹R(shí)和經(jīng)驗(yàn)進(jìn)行推理和判斷，模擬專家的決策過(guò)程，以解決那些需要專家決策的復(fù)雜問(wèn)題。

雖然專家系統(tǒng)能夠有效地模擬故障診斷專家完成故障診斷的過(guò)程，在很多領(lǐng)域中得到了廣泛的應(yīng)用，取得了不少成果，并且顯示出了相當(dāng)出色的工作能力，在某些方面甚至超過(guò)了人類專家的工作水平，但是在實(shí)際應(yīng)用中仍存在一些缺陷：

（1）完備知識(shí)庫(kù)的獲取是形成故障診斷專家系統(tǒng)的瓶頸。如果建立的知識(shí)庫(kù)不完善，就可能導(dǎo)致專家系統(tǒng)推理混亂并得出錯(cuò)誤的結(jié)論，而知識(shí)獲取及驗(yàn)證其完備性是比較困難的，這在很大程度上限制了故障診斷專家系統(tǒng)的發(fā)展。

（2）專家系統(tǒng)推理方法比較簡(jiǎn)單，推理能力弱，控制策略不夠靈活。它在推理時(shí)要搜索、匹配知識(shí)庫(kù)內(nèi)一定規(guī)則集才能得出結(jié)論，否則容易出現(xiàn)匹配沖突、組合爆炸以及無(wú)窮遞歸等問(wèn)題。所以，當(dāng)系統(tǒng)比較大時(shí)，完成診斷的速度非常慢，效率低。一般實(shí)用的故障診斷專家系統(tǒng)通常只有100～300條規(guī)則。

（3）知識(shí)維護(hù)困難?，F(xiàn)有的專家系統(tǒng)知識(shí)庫(kù)中的知識(shí)大都是依靠知識(shí)工程師人為輸入，在知識(shí)庫(kù)里往往只是簡(jiǎn)單地堆放在一起。當(dāng)被診斷對(duì)象的結(jié)構(gòu)或配置發(fā)生變化時(shí)，專家系統(tǒng)的知識(shí)庫(kù)要進(jìn)行相應(yīng)的修改，然而增加或修改規(guī)則后很有可能造成不完整或不一致的知識(shí)庫(kù)，為此必須對(duì)知識(shí)庫(kù)進(jìn)行再次校驗(yàn)，校驗(yàn)的難度比較大，所以大型專家系統(tǒng)維護(hù)困難。

（4）知識(shí)臺(tái)階窄。專家系統(tǒng)的工作范圍很窄，只能對(duì)專家領(lǐng)域內(nèi)的問(wèn)題以專家級(jí)的水平去解決，但對(duì)專家知識(shí)領(lǐng)域以外的問(wèn)題則無(wú)能為力。即專家系統(tǒng)沒(méi)有聯(lián)想、記憶、類比等形象思維能力，更致命的問(wèn)題是，系統(tǒng)本身無(wú)法判斷自己是否工作在專家領(lǐng)域知識(shí)范圍內(nèi)。

（5）一般專家系統(tǒng)不具備學(xué)習(xí)能力，一旦發(fā)生知識(shí)庫(kù)沒(méi)有包括的新的故障診斷情況，專家系統(tǒng)將發(fā)生診斷錯(cuò)誤或得不到結(jié)果。

（6）實(shí)用性差。由于上面的這些嚴(yán)重缺陷，使得一些專家系統(tǒng)很難進(jìn)入廣泛實(shí)用階段，同時(shí)，由于推理速度慢，導(dǎo)致一般的傳統(tǒng)專家系統(tǒng)難以適應(yīng)在線工作要求，只能在離線非實(shí)時(shí)條件下工作。

2.1.2　人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）是對(duì)人腦神經(jīng)系統(tǒng)的數(shù)學(xué)模擬，是一種模擬人類神經(jīng)系統(tǒng)傳輸處理過(guò)程的人工智能技術(shù)［7，8，19］。其最大的特點(diǎn)是：具有自組織和自學(xué)習(xí)能力；一定的泛化能力；較強(qiáng)的容錯(cuò)能力；并行處理和分布式存儲(chǔ)信息。神經(jīng)網(wǎng)絡(luò)故障診斷問(wèn)題可以看成模式識(shí)別，通過(guò)一系列過(guò)程參數(shù)進(jìn)行測(cè)量，然后用神經(jīng)網(wǎng)絡(luò)從測(cè)量空間影射到故障空間，實(shí)現(xiàn)故障診斷?？梢姡窠?jīng)網(wǎng)絡(luò)之所以適合于故障診斷，有以下三個(gè)原因：

（1）訓(xùn)練過(guò)的神經(jīng)網(wǎng)絡(luò)能存儲(chǔ)有關(guān)過(guò)程的知識(shí)，能直接從定量的、歷史故障信息中學(xué)習(xí)，可以根據(jù)對(duì)象的正常歷史數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，然后將此信息與當(dāng)前測(cè)量數(shù)據(jù)進(jìn)行比較，以確定故障。

（2）神經(jīng)網(wǎng)絡(luò)具有濾除噪聲及在有噪聲情況下得出正確結(jié)論的能力，可以訓(xùn)練神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別故障信息，使其能在噪聲環(huán)境中有效地工作，這種濾除噪聲的能力使得人工神經(jīng)網(wǎng)絡(luò)適合在線故障檢測(cè)和診斷。學(xué)習(xí)完成后，如果系統(tǒng)結(jié)構(gòu)發(fā)生變化，則需增加新的樣本重新學(xué)習(xí)。

（3）神經(jīng)網(wǎng)絡(luò)具有分辨故障原因及故障類型的能力。

神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用，主要在故障檢測(cè)和故障類型識(shí)別兩個(gè)方面。用人工神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)復(fù)雜系統(tǒng)的故障進(jìn)行自動(dòng)診斷，并通過(guò)數(shù)據(jù)分析與處理來(lái)改善整個(gè)系統(tǒng)的性能，可以較好地克服專家系統(tǒng)的缺點(diǎn)。人工神經(jīng)網(wǎng)絡(luò)在故障診斷應(yīng)用中存在的問(wèn)題主要有以下幾個(gè)方面：

＊ANN在使用之前需要大量的、有代表性的樣本供其學(xué)習(xí)。

＊對(duì)運(yùn)行人員來(lái)講，ANN的工作過(guò)程是一個(gè)黑箱。因此，盡管ANN具有一定的容錯(cuò)能力（當(dāng)存在自動(dòng)裝置不正常動(dòng)作時(shí)，仍能給出正確的結(jié)果），但是它不能提供信息幫助工作人員推斷不正常動(dòng)作的裝置。

＊ANN學(xué)習(xí)完成之后，具有較好的內(nèi)推結(jié)果，但外推時(shí)則誤差可能較大，特別是當(dāng)系統(tǒng)非線性較強(qiáng)或具有病態(tài)特性時(shí)誤差更為嚴(yán)重。

＊如何設(shè)計(jì)適用于大型復(fù)雜系統(tǒng)的ANN故障診斷系統(tǒng)仍然是一個(gè)有待于進(jìn)一步研究的問(wèn)題。

ANN一直是一個(gè)比較活躍的研究領(lǐng)域，在研究開發(fā)智能故障診斷系統(tǒng)時(shí)，應(yīng)對(duì)上述問(wèn)題給予充分的考慮。

2.1.3　模糊理論與模糊診斷系統(tǒng)

模糊理論（Fuzzy Theory，F(xiàn)T）是將經(jīng)典集合理論模糊化，并引入語(yǔ)言變量和近似推理的模糊邏輯，具有完整的推理體系的智能技術(shù)。

目前主要有兩種處理不確定性問(wèn)題的方法，即基于概率理論的方法和基于模糊理論的方法?；诟怕世碚摰姆椒?，著重應(yīng)用于統(tǒng)計(jì)機(jī)制、數(shù)據(jù)分析等人的感知與推理不起主要作用的場(chǎng)合；而模糊理論則擅長(zhǎng)模擬人類思維中的近似推理過(guò)程，主要應(yīng)用于人類經(jīng)驗(yàn)知識(shí)起重要作用的場(chǎng)合。根據(jù)分析可以看出，基于模糊理論的方法比較適用于故障診斷問(wèn)題。

模糊理論與專家系統(tǒng)相結(jié)合構(gòu)成的診斷系統(tǒng)，雖然可以增強(qiáng)處理不確定性的能力，在一定程度上提高診斷的準(zhǔn)確度，但由于一般的模糊診斷系統(tǒng)采用了與專家系統(tǒng)相似的結(jié)構(gòu)，所以它不能完全消除專家系統(tǒng)所固有的缺點(diǎn)。主要表現(xiàn)在：

（1）模糊診斷系統(tǒng)在推理時(shí)也要搜索知識(shí)庫(kù)內(nèi)一定的規(guī)則集才能得出結(jié)論，所以當(dāng)系統(tǒng)比較大時(shí)，完成診斷的速度比較慢，效率比較低。

（2）當(dāng)系統(tǒng)的結(jié)構(gòu)發(fā)生變化時(shí)，模糊診斷系統(tǒng)的知識(shí)庫(kù)或相關(guān)規(guī)則的模糊度也要進(jìn)行相應(yīng)的修改，即模糊診斷系統(tǒng)也存在維護(hù)的問(wèn)題。

（3）模糊診斷系統(tǒng)也不具備學(xué)習(xí)能力。

另外，基于模糊理論的故障診斷還具有下列局限性：

（1）模糊診斷方法利用模糊集合率中的隸屬函數(shù)和模糊關(guān)系矩陣的概念來(lái)解決故障與征兆間的不確定性關(guān)系，進(jìn)而實(shí)現(xiàn)故障的早期預(yù)報(bào)和精確診斷。這種方法計(jì)算簡(jiǎn)單，應(yīng)用方便，結(jié)論明確直觀。但卻不能進(jìn)行趨勢(shì)分析。

（2）構(gòu)造隸屬函數(shù)是實(shí)現(xiàn)模糊診斷的前提，由于隸屬函數(shù)可由隸屬曲線表示，是人為構(gòu)造出來(lái)的，會(huì)有一定的主觀因素。

（3）對(duì)特征元素也就是特征參數(shù)的選擇有一定的要求，如果參數(shù)選擇不合理，診斷精度會(huì)下降，甚至診斷失效。

（4）如果在征兆與故障的關(guān)系中含有未知因素，隸屬函數(shù)無(wú)法構(gòu)造出來(lái)，這時(shí)該方法將失效。

2.1.4　小波分析理論

小波分析（Wavelet Analysis，WA）是當(dāng)前應(yīng)用數(shù)學(xué)中一個(gè)迅速發(fā)展的新領(lǐng)域，這一創(chuàng)新概念由法國(guó)工程師J.Morlet于1984年首先提出?；谛〔ㄗ儞Q的故障診斷方法不需要對(duì)象的數(shù)學(xué)模型，且對(duì)輸入信號(hào)的要求較低，計(jì)算量也不大，可以進(jìn)行在線實(shí)時(shí)故障監(jiān)測(cè)，靈敏度高，克服噪聲能力強(qiáng)，是一種很有前途的故障診斷方法。小波變換通過(guò)多重分辨率來(lái)分析信號(hào)在時(shí)域和頻域的局部特性，確定信號(hào)的突變點(diǎn)。在故障診斷中，通過(guò)小波變換的模極大值監(jiān)測(cè)信號(hào)的突變點(diǎn)，判斷某個(gè)設(shè)備參數(shù)是否發(fā)生跳變。

小波變換的故障診斷方法，主要是利用小波變換具有的良好的時(shí)頻局部化特性和對(duì)信號(hào)自適應(yīng)變焦、多分辨率分析的能力，將信號(hào)在不同尺度上展開，提取不同頻帶上的特征，同時(shí)保留信號(hào)在各個(gè)尺度的時(shí)頻特性。小波變換在故障診斷中的具體應(yīng)用表現(xiàn)在以下幾個(gè)方面：

（1）利用小波變換檢測(cè)信號(hào)的突變。

（2）利用觀測(cè)信號(hào)頻率結(jié)構(gòu)的變化進(jìn)行故障診斷。

（3）利用脈沖響應(yīng)函數(shù)的小波變換進(jìn)行故障診斷。

（4）利用小波變換去噪聲提取系統(tǒng)波形特征。

（5）利用小波網(wǎng)絡(luò)進(jìn)行故障診斷。

雖然小波分析在信號(hào)處理方面得到了廣泛的應(yīng)用，但從總體上說(shuō)，小波變換理論和小波變換在故障診斷中的應(yīng)用還處于起步階段，主要存在以下問(wèn)題［2］：

（1）由于小波變換及小波網(wǎng)絡(luò)中的小波基的選擇沒(méi)有統(tǒng)一標(biāo)準(zhǔn)，選擇不同的小波會(huì)得出不同的結(jié)論，在實(shí)際應(yīng)用中往往根據(jù)經(jīng)驗(yàn)來(lái)選擇小波，帶有一定的主觀性。

（2）如何根據(jù)信號(hào)的特征選擇尺度、平移量，用最少的變化后的數(shù)據(jù)反映信號(hào)的特征，以減少運(yùn)算量；如果選擇不當(dāng)，將會(huì)增加運(yùn)算量，降低推理速度，影響效率。

（3）小波網(wǎng)絡(luò)的新模型基于學(xué)習(xí)算法也是當(dāng)前研究的熱點(diǎn)，近年來(lái)有人提出多層結(jié)構(gòu)小波網(wǎng)絡(luò)和局域連接型的小波網(wǎng)絡(luò)。由于神經(jīng)網(wǎng)絡(luò)的研究正在向計(jì)算智能、生物智能方向發(fā)展，小波網(wǎng)絡(luò)的研究也在不斷吸收如混沌、進(jìn)化等其他交叉學(xué)科的研究成果。正因?yàn)樾〔ňW(wǎng)絡(luò)還在發(fā)展中，所以許多問(wèn)題還有待于深入研究。

（4）小波網(wǎng)絡(luò)的收斂性、魯棒性、計(jì)算復(fù)雜度等還有待于深入研究，小波網(wǎng)絡(luò)在故障診斷中的硬件實(shí)現(xiàn)也是需要進(jìn)一步探討和解決的問(wèn)題。