人工智能在设备故障检测中的应用

摘 要：随着社会的发展，人工智能化技术逐步的成熟起来，在企业生产中设备的人工智能检测技术也开始逐步的应用与完善化。但是在其具体实施的过程中还存在着一些问题，面对当前的形式，人工智能研发基于专家系统、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设备检测的各个方面，如何将现有的先进设备检测和技术进一步推广应用、如何实现低成本、高精度、高效率的检测系统则成为亟待解决的问题。

关键词：人工智能；设备故障；检测应用

前言

对于当今的社会化生产而言，企业正朝着科技、规模、复杂化方向发展，所以企业面对这些高精度、大规模生产工作的设备，需要加强监测与维护。如果设备发生故障将对企业和集体带了不可估量的损失。因此，保障设备的正常运转，提高设备的安全性与可靠性的意义非凡。随着当前科技的发展，对于设备故障的检测与应用被提到日常的实际中来。人工智能系统对于设备故障的检测具有一定的可靠性，这也为设备检测工作开辟了一条新途径。在实际的应用中人工智能化效果很好，但是在设备不断的更新域升级的过程中，其人工智能方法也需要一定的更新域完善，以便与时俱进。

1 人工智能在设备故障检测中的必要性

随着科技的发展和企业的需求，一些高自动化设备被大量投入到了企业的生产中来。然而这些高自动化设备大多都过于精密、并且设备之间环环相连，如果在生产过程中某一部分出现突发故障其必将影响整个生产的进行，进而给企业的生产带来不必要的损失。因此如果能够及时对设备的故障进行检测和诊断并及时排除故障在实际生产中就显得尤为重要。现今已有的传统检测和诊断方法大多是针对设备单一故障和渐发性故障进行简单的检测，对于多故障、多过程和现有的突发性故障以及高度自动化的设备和系统故障的检测将具有较大的局限性。而且当前，交流伺服驱动、数控机床等装置的出现使设备的研究正在向着小型化、数字化和高精度化的方向发展，在设备提升的同时也为设备故障检测带来新的挑战，因此对设备故障的检测如果能够更加便捷和智能化将是未来设备故障检测的发展目标。与此同时我们也看到，随着与检测相关技术的进一步发展，如计算机技术和数字信号处理等技术的发展，相应出现的数字振动监测技术已被广泛应用于石油化工、电力、冶金等行业的设备检测中来，实践表明，这些以计算机技术和数字信号技术为依托的人工智能技术，为高自动化设备的故障检测节约了大量的时间和维修费用，而且其在保证设备安全运行方面和预防减少设备恶性事故等方面都有着突出的表现，并且相继出现的具体人工智能检测方法也是多种多样，这都为未来高精密设备的检测带来了曙光。

2 人工智能对故障检测的具体方法

在对人工智能的研究中，人们用现有的人工方法和特定的技术来模仿和进一步延伸及深度扩展人的智能，进而对设备故障进行检测。在实际应用中人工智能的种类也有很多中，而针对设备故障檢测的系统实际主要有三大类，他们分别是专家系统、人工神经网络和模糊集理论。

2.1 专家系统

其中专家系统即Expert System（简称ES）是二十世纪六十年代就有其学科研究，算是老牌人工智能系统，虽然时间已经很久，但是在目前故障检测中应用仍然是比较活跃和成功的一种。而且这个检测方法实为一个计算机系统，其内部是由知识总库、推理模拟机和人机智能接口等部分组成。其知识的表达方面是运用产生式的规则进行的，这就使得其语言在表达上有利于人工智能语言的开发，而且在接受能力上似乎更加合乎常人的心理，从而使的操作者在应用时更加容易接受，这也是其在人工智能上能够不断被应用的一个原因。在实际故障诊断中，人们可以运用它的推理方面的优势，对推理逻辑以及推理模型进行广泛的研究。如在设备发生故障时，其拥有的设备专家知识库以及运用其推理机制就可以对故障进行模糊处理从而降低故障复杂性。可是由于其构建的体系的原因，使其在发展中不断的暴露出一系列的问题，如实际应用中智能水平低、知识台阶过于狭窄、整个系统层次较少、在线实用性较差等等。虽然es在实际操作中有诸多的问题和瓶颈，但是随着人工智能技术的不断发展，和一系列成果的不断更新，其为人类在设备故障检测的贡献还会不断增强。

2.2 人工神经网络

人工神经网络即Artificial Neural Network（简称ANN）是由数量众多的神经元即简单的数据处理单元经过广泛的复杂的相互连接和组合而构成的网络，探究它的设计原理可以看出，它更是对自然生物神经系统的广泛模拟之后而构成的。在对信息的处理方面，其功能的处理主要是由网络单元的激活特性即输入输出特性和神经元的具体连接方式即网络的拓扑结构所决定的。而在实际运用中，为了使系统在运行中拥有更加良好的透明性，设计者在神经网络整个推理中适当的引用了模糊的规则，因此为人工神经乃至整个网络建立了更加良好的解释机制，使其能够更加方便的运用于设备故障的检测中来。另外，由于神经网络在应用中还具有容错、推测、联想、记忆、自学习、并行、自适应和针对复杂进行处理的模式和功能，使其对设备存在的多过程、多故障、突发性故障、针对庞大复杂机器和设备系统的监测以及及时诊断中发挥着突出的作用。在实际的设备故障诊断中人们发现，一般系统的故障都具有层次性、延时性、相关性和不确定性，这样就给设备的故障诊断带来了困难和不便，而这时如果仅仅使用单个神经网络对问题进行检测和诊断，就会出现针对问题的故障样本过多，从而难以确定诊断的网络结构，对整个设备的检测和诊断造成麻烦，即便是确定了网络机构，也容易陷入诊断的局部性，同时还没有对自适应的调整及针对误差函数的改进。而人工神经网络就可以避免上述问题，所以说人工神经网络在设备故障诊断方面是拥有它的优越性的。其具体的检测和诊断的方式有，以模式识别角度出发，应用人工神经网络作为人工分类器进行设备故障检测，还有以预测角度出发，应用人工神经网络作为实际动态预测模型的形式而进行故障预测或者是利用神经网络自身所拥有的极强的非线性原理进行动态跟踪能力进而进行结构映射的故障检测，另外这个系统还可以源于对知识处理的角度建立神经网络的诊断等等。基于人工神经网络的优越性，个方面对其的研究也在不断的深入中，而目前的研究多是从网络模型本身和模块化模型及模糊逻辑性结合进行研究，并且后者已成为研究的热点。

2.3 模糊集理论

模糊集理论即fuzzy sets theory（简称fst）是一个比较特殊的检测方法，我们知道在设备检测中很多设备的故障都具有不完整性以及不确定性等特性，这就需要设立一个针对这一特性的处理办法，而模糊理论的出现就对这些特性的处理和解决上有了好的办法。而且基于模糊理论对多值逻辑进行的扩展，使其进而能够解决传统数学方法没有能力解决的近似推理等问题，所以它可以对多类电量等设备的测试信息进行模糊融合从而可以模拟电路故障检测，而且其还可以对k故障节点进行检测并且将因最小标准差法造成的元件故障进行隶属函数构造等等，而且其最大的特点就是能將得到的检测诊断结果进行故障结果的融合，进而给出最终检测结果，而且通过模拟实验可知，其方法可以更加提高设备故障的准确性。

3 人工智能在设备故障检测中所面临的问题与未来发展趋势

人工智能在设备检测中主要依靠于专家系统、人工神经网络、模糊集理论。

专家系统检测在很多的领域运用广泛，但是由于在检测的过程中，其对数据的获取有一定的制约性，增加了数据的维护难度。同时在相对的应用面较窄，其检测能力来有待提高。对此，人工智能领域对于专家系统检测进行评估，在随着科学技术的发展与应用，专家系统理论将在很大层次上需要改良。在运用方法上需要得到大幅度的提升，从而最大限度的提升运用能力。在实践与应用中将注重与模糊逻辑、故障树、设备学习等方法进行有效的结合。

人工神经网络具有一定较强的自组织、自学习的能力，其推理速度与规模大小无明显关系，所以针对这些优点，使得很多人开始运用这一方法。并且利用人工神经网络技术可以最大限度的弥补传统的专家系统在实际操作中遇到的问题。但是面对实际应用，人工神经网络还是存在着一定的局限性。首先，人工神经网络在外推时的数据分析会出现一定额误差，所以在误差的出现的过程中就很难确保其结果的准确性与限制性的把握。其次，在设备中如果其系统结构发生了改变，那么在很大程度上也需要对人工神经网络结构进行一定的重组与更新，或者增加新的样本，重新学习获得数据分析。再次，人工神经网络在实践的过程中，很难达到与结构化的数据进行相应的逻辑推理，所以在结构化中很难将设备中的检测数据进行合理化的分析。最后，在对设备进行检测的过程中，因为缺乏相应的解释能力，从而对于其检测的结果不利于人员的理解与维护。此外，面对人工神经网络的缺陷，在如何保证在训练时手机数据的速度与成效的过程，避免将数据的范围缩小也是在实际应用的一个突出的问题。

模糊集理论的出现与应用，使得很多设备检查的分析性在很大程度上提高了其确定性与成熟性。其技术的稳定性更高，相应的数据分析能够更完善。但是在其可维护的过程中，对不确定因素的分析还存在着一定的局限性，需要在未来实践应用中进一步的得到改进与完善。

对于传统的检测方法而言，还是缺少普遍有效的应用方法。但是现在对于这一领域开始实施测试与评估，对于多样性的方法进行整合，采用混合智能，将上述的多种智能技术进行有效的互补，这是人工智能在设备检查中的一个重要发展方向。将多样化的智能技术集合起来，运用设计、控制、检查设备系统将成为最有利的实施方案。在实现这一发法的过程中，需要依据人工智能的特点，对数据源进行分析，基于专家系统与人工神经网络的规则基础来实现初步的集合，其中模糊逻辑与人工神经网络的结合是最有发展前景的。同时在结合的过程中依据不同的特点进行合理的组合，在检测与分析数据的过程中要本着稳定性与确定性为主要依据。在当前的实验过程中，模糊逻辑与人工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表达方式等。混合智能在设备检测中的运用将在很大程度上改善传统检测方法的缺陷。

4 结束语

随着社会科学技术的发展，计算机网络尤其是Internet的兴起与应用，加上多媒体技术分布式及人工智能的完善，使得人工智能在运用到设备检测成为一种广泛的方法。面对当前市场经济的激烈竞争，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、系统成为很多公司企业的一项竞争能力。在多方位的探索与实践当中找到一条适合自己的人工智能检测方法对于企业自身而言是十分必要的，因为在某种角度上是在解决降低生产成本、高效率的生产，对于企业的发展有一定的促进作用。

参考文献

[1]李建林，曹鸣.多变量统计过程控制技术在火电厂设备故障检测中的应用[J].东南大学学报（自然科学版），2005，2（11）：36-39.

[2]冯志鹏，宋希庚，冯志鸿，等.计算智能在机械设备故障诊断中的应用[J].汽轮机技术，2002，6（20）：13-16.

[3]黄凤萍.非接触式红外测温仪在变电站设备故障检测中的应用研究[J].机电信息，2011，5（19）：29-40.

[4]魏国，周德新，樊智勇，等.基于免疫危险理论的机载电子设备故障检测算法研究[J].计算机测量与控制，2012，11（25）：60-70.

[5]曾祥君，尹项根，唐忠，等.人工智能在电力系统暂态保护中的应用[J].长沙电力学院学报（自然科学版），1999，2（16）：25-29.

[6]牛美英，渠基磊，吴志鹏.人工智能在电气工程自动化中的应用[J].价值工程，2013，3（20）：39-45.

[7]戚晓耀，盛成玉，孙振权，等.智能电网分代研究[J].物联网技术，2013，4（13）：29-36.

[8]张园，李明福，李玉林，等.人工智能在胡椒机械加工装备技术升级中的研究进展[J].现代农业装备，2014，4（23）：29-36.

[9]韩祯祥，文福拴，张琦.人工智能在电力系统中的应用[J].电力系统自动化，2000，4（25）：30-39.

[10]陈丽安，张培铭，雷德森.人工智能在电气设备中的应用现状与前景展望[J].电网技术，2007，5（20）：39-36.

作者简介：王志伟（1984，5-），男，汉，籍贯：江苏扬州，职称：助教，学位：硕士，研究方向：主要从事设备监控和控制方面的教学和研究工作。