智能故障诊断的应用研究

杨 丹

(武警石家庄指挥学院训练部信息技术教研室，河北 石家庄 050061)

智能故障诊断的应用研究

杨 丹

(武警石家庄指挥学院训练部信息技术教研室，河北 石家庄 050061)

介绍了近年来的智能故障诊断模型，主要对模糊、神经网络、支持向量机和粗糙等各种算法的特征及应用进行了系统分析，并指出了智能故障诊断的存在问题和发展方向。

智能故障诊断；模糊理论；神经网络；支持向量机；粗糙理论

1 引言

人工智能（Artificial Intelligence，AI）于 1956年问世,是一门由计算机科学、控制论、信息论、语言学、神经生理学、心理学、数学、哲学等多种学科相互渗透而发展起来的综合性新学科。随着人工智能技术的发展，故障诊断法由故障树、对比分析法、逻辑推理法等系统诊断法发展到当前的专家系统、模式识别等智能化诊断方法。人们大量运用各种理论与方法，如模糊数学、模式识别、灰色理论、人工神经网络技术、专家系统、拓扑数学、信息科学理论以及概率统计理论来处理人工智能中的不确定性问题。智能诊断技术为人们提供了用智能技术解决复杂系统故障诊断问题的强有力的工具。智能故障诊断要求实时监测诊断，即在故障发生初期就将其识别诊断出，而不是故障发生到一定程度才将其识别出来，具有重要的工程意义。因此，本文主要讨论模糊、神经网络、支持向量机和粗糙集在故障诊断中的应用，并提出了其存在问题和发展方向。

2 模糊故障诊断

1965年美国加州大学Zadeh提出模糊集理论。此后，模糊理论的应用研究取得了举世瞩目的成就。

模糊理论能有效的解决故障和征兆之间存在的模糊性和不确定性问题。目前，模糊理论处理问题的方式有模糊综合诊断法和模糊聚类法。郝军等[1]人构建出基于模糊规则推理的导弹故障智能诊断平台，采用模糊诊断推理对故障原因进行“过滤”，滤掉“出现可能性”极小的原因，然后再利用规则推理对剩下的“可能原因”进行验证,通过这两种考验的则作为最后的原因，从而降低了故障诊断中的误判和漏判，充分发挥了该型导弹装备的效能。而蒋蓣等[2]针对柴油发动机故障多，且具有模糊性和复杂性的特点，设计了基于模糊层次分析的智能故障诊断系统，并采用三角模糊互补判断矩阵来表示各故障因素的可能性，结合多Agent技术，建立了具有自学习、自修正能力的智能故障诊断系统.Xiaofeng liu等[3]应用模糊理论方法到轴承和发动机中，对机械故障诊断提供了有效的解决方法；彭文季[4]提出水电机组振动故障的支持向量机诊断法，将粗糙集与支持向量机相结合，先利用粗糙集对决策表进行离散化及约简，再用支持向量机进行故障分类。该方法具有良好的鲁棒性，达到了对故障进行快速诊断的目的，可以满足在线故障诊断的要求。

模糊聚类分析法式应用模糊数学方法确定故障和征兆的亲疏程度，通过建立模糊相似关系对诊断对象完成故障分类和诊断。周龙甫等[5]研究了一种新的容差条件下基于模糊线性规划理论的模拟电路软故障诊断方法。通过确立各个元件的模糊隶属函数，从而建立起模拟电路故障诊断的模糊线性规划方程组。在容差条件下定位故障元件，实验结果表明该方法可以有效地实现模拟电路元件参数在一定容差范围内随机变化条件下的软故障诊断。Jiangping Wang等[6]提出用模糊技术对开采油田泵的振动故障诊断。采用模糊理论分析不同的故障，并对各种故障振动频率光谱分类，这样就建立了正确的故障诊断识别。

模糊诊断方法由于是基于数值运算的诊断，不需要人工干预，可以自动进行，适合于要求快速实时的场合。但它利用的信息单一，因此模糊诊断只能作为一种初步的、简单的诊断。

3 神经网络故障诊断

人工神经网络 （Artificial Neural Network，ANN）是一个用大量简单处理单元经广泛连接而成的人工网络，用以模拟大脑神经系统的结构和功能。ANN在从实验数据中通过自学习自动获取数学模型方面具有极大的优越性：它无需人们预先给定公式的形式，而是以实验数据为基础，经过有限次的迭代计算，就可获得一个反映实验数据内在规律的数学模型，因此它特别适用于研究非常复杂的非线性系统的特性。

许多国内外学者都致力于对神经网络进行故障诊断研究。针对BP网络的训练速度慢、已陷入局部极小值，一些学者提出改进的网络算法。彭文季等[7]用RBF网络对水电机组的振动故障进行了诊断仿真，证明了这种方法比BP网络的诊断更准确、诊断速度更快。Jian-Da Wu等[8]采用神经网络相接的原理，分别采用RBF和GRN方法进行应用对比，以多种进口压力为输入层对内燃机进行故障诊断。Chengcai Ma等[9]提出采用具有故障等级的BP神经网络，故障等级越高，网络结构就越复杂。实验结果表明该网络模型的诊断率大大提高，以及诊断性能得到很大改善，对于复杂的故障诊断系统尤其适用。Sun yan-jing等[10]采用自适应的学习速率和动量系数BP网络，对变压器进行故障诊断。

除前文所述的基于模糊模型和神经网络模型的故障诊断外，还有将模糊理论和神经网络相结合的方法[11-13]，神经网络与小波分析相结合的方法[14-16]等等，不一而足，这里就不再赘述。其基本思想皆为取二者之长，补双方之短，力求实现更稳定、更准确、更快速的对故障实施诊断。

神经网络在预测非线性、复发的问题有着本身的优越性，在故障诊断领域取得了许多成果，但是系统诊断性受所选训练样本集限制，若训练样本集选择不当或训练样本数量少，均会导致诊断系统归纳推理能力变差，必须有足够的训练样本才能保证诊断的可靠性。

4 支持向量机故障诊断

基于数据的机器学习是现代智能技术中的重要方面,研究从观测数据(样本)出发寻找规律,利用这些规律对未来数据或无法观测的数据进行预测.统计学习理论（Statistical Learning Theory或SLT）是一种专门研究小样本情况下机器学习规律的理论.同时,在这一理论基础上发展了一种新的通用学习方法-支持向量机（Support Vector Machine或SVM）,它已初步表现出很多优于已有方法的性能。SVM正在成为继神经网络研究之后新的研究热点,并将有力地推动机器学习理论和技术的发展。

Achmad Widodo等[17]利用独立组员分析法和SVM相结合的方法，对感应电动机进行故障诊断。SVM在小样本情况下能很好地达到分类推广的能力。吴良等[18]提出在小样本条件下,应用SVM技术构建42CrMo钢热处理力学性能数学模型，而且随着检验精度的提高,模型的预测精度保持基本不变,泛化能力明显优于用人工神经网络的BP模型。能较好地解决小样本和模型预测精度间的矛盾。Sheng-Fa Yuan等[19]基于故障数据样本少的情况，提出了采用支持向量进行气轮泵转轮的故障诊断。

针对以往在训练过程中需要大量的正常样本和故障样本，才能准确地进行故障诊断的情况，Sankar Mahadevan等[20]基于一类SVM非线性距离数值测量特征空间，采用SVM-回归特征排除算法进行故障诊断，该方法不需要故障数据，只借助正常运行时的数据信号就可以检测设备的运行状态。YongLi等[21]采用贝叶斯网络诊断变压器的故障类型，同时利用SVM的回归算法来处理故障样本，研究表明采用支持向量机能够有效的进行变压器的故障诊断。

王强等[22]主要研究了多类支持向量机算法,及其在多类故障诊断问题中的运用。考虑到传统“一对一”算法和“一对多”算法的局限,提出了基于遗传算法的决策树支持向量机,利用遗传算法的全局随机搜索性能来构造决策树，结果表明了算法的有效性。

但SVM的理论研究还不完善，其中的许多问题，诸如核函数的选择，最优超参数的确定，LS-SVM解缺乏稀疏性的问题等等，都有待进一步深入研究。

5 粗糙集故障诊断

1982年，波兰学者Z.Paw lak提出了粗糙集理论[23],它是一种刻划不完整性和不确定性的数学工具，能有效地分析不精确，不一致，不完整等各种不完备的信息，还可以对数据进行分析和推理，从中发现隐含的知识，揭示潜在的规律。粗糙集理论是继概率论，模糊集，证据理论之后的又一个处理不确定性的数学工具。作为一种较新的软计算方法，粗糙集近年来越来越受到重视，其有效性已在许多科学与工程领域的成功应用中得到证实，是当前国际上人工智能理论及其应用领域中的研究热点之一。

近年来，粗糙集在故障诊断领域中取得了很多成果。Francis E.H.Taya等[24]针对故障的复杂多样性，提出粗糙集消除多气缸柴油机故障特征的信息特征的冗余，简化为一类故障特征，实例表明该方法的有效性。刘建辉[25]针对工程机械远程(协同)诊断中现存的由于大量无序数据导致的故障信息传输阻塞、延迟等底层瓶颈问题,提出了基于粗集的现场故障信息预处理思想及框架;并在相关粗集知识的基础上,分别提出了装备工况监测和故障诊断的信息约简算法,结合混凝土运输车制动系统给予验证其有效性。高晓康等[26]提出了一种基于粗糙集理论的电子镇流器故障诊断方法。通过对论域进行降维,大大降低了计算复杂性。在此基础上通过属性约简和值约简,导出了有用的诊断决策规则。实例分析表明,将粗糙集理论应用于镇流器故障诊断,提高了故障诊断的能力。

黄文涛等[27]提出将电力变压器的故障诊断问题用一个具有不同简化层次的决策网络表示，然后推出每个网络节点的诊断决策规则集。用待诊实例的信息与网络中的节点相对应的诊断决策规则集相匹配。即使在故障诊断信息不完备的情况，也能得到正确的结果。胡涛等[28]利用粗糙集理论方法对燃气轮发电机组故障进行诊断，该方法能从不完整的故障特征频谱样本集中导出满意的诊断结论，并表明了该方法的有效性。

粗糙集理论还处在继续发展之中,尚有一些理论上的问题需要解决，诸如用于不精确推理的粗糙逻辑（Rough logic）方法,粗糙集理论与非标准分析（Non standard analysis）和非参数化统计（Nonparametric statistics）等之间的关系等等。将粗糙集与其它软计算方法相综合,发挥出各自的优点，可望设计出具有较高的机器智商的混合智能系统（Hybrid Intelligent System），这是一个值得努力的方向。

6 结论

智能故障诊断面临的巨大挑战是建立更加精确的、鲁棒的预测模型，确定故障发生的准确时间和部位，并估计出故障的大小和趋势。而上述各种智能故障诊断技术各有优缺点，因此如何优势互补，开发将多种不同的智能技术结合起来的混合诊断系统，是智能故障诊断研究的发展趋势之一。

[1]郝军,苌永峰,李树芳等.模糊规则推理在某型导弹故障智能诊断中的应用[J].活力与指挥控制，2007，32(12)：145-148.

[2]蒋蓣,何清华,王奕.基于模糊层次分析的柴油机智能故障诊断[J].中国机械工程学报，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.水电机组振动故障的智能诊断方法研究[D].博士论文，2007：105-114.

[5]周龙甫,师奕兵,唐静远等.基于模糊线性规划的模拟电路软故障诊断[J].仪器仪表学报,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,罗兴锜,赵道利.基于频谱法与径向基函数网络的水电机组故障诊断[J].中国电机工程学报，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,龙新峰等.基于小波包分析及神经网络的汽轮机转子振动故障诊断[J].控制理论与应用，2007，24(6)：981-985.

[16]田质广,赵刚.基于小波包与Elman神经网络的整流电路故障诊断[J].系统仿真学报，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]吴良,陈铮.基于支持向量机的材料热处理性能预测模型研究[J].材料热处理学报，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]王强,陈欢欢,王珽.一种基于多类分类支持向量机的故障诊断算法[J].电机与控制学报，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]刘建辉.基于粗集的工程机械现场故障信息预处理[J].计算机测量与控制，2009，17(2)：313-315.

[26]高晓康,李翠玲,施雨辰.王昭云等.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]黄文涛,王伟杰,孟庆鑫.基于粗糙集理论的电力变压器故障诊断方法[C].2008 Chinese Control and Decision Conference，2008：468-472.

[28]胡涛,吕炳朝,陈光褕.一种基于粗糙集理论的燃气轮发电机组故障诊断新方法[J].电子测量与仪器学报，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

杨丹（1977-），男，河北唐山人。武警石家庄指挥学院教员，研究方向：计算机应用技术

责任编辑：陈 侃