智能:是指能随内、外部条件的变化,具有运用知识解决问
和确定正确行为的能力。
表现形式:观察、记忆、想像、思考、判断
智能可分为低级智能和高级智能:
低级智能——感知环境、做出决策和控制行为
高级智能——不仅具有感知能力,更重要的是具有学习、
、比较和推理能力,能根据复杂环境变化做出正确决策和适应环境变化
智能的基本要素
三个基本要素:推理、学习、联想
推理——从一个或几个已知的判断(前提),逻辑地推断出一个新判断(结论)的思维形式
学习——根据环境变化,动态地改变知识结构
联想——通过与其它知识的联系,能正确地认识客观事物和解决实际问题
智能应具备的条件(能力)
三个基本能力:感知、思维、行为
感知能力——就是能感知外界变化和获取感性知识的能力
思维能力——就是具有记忆、联想、推理、分析、比较、判断、决策、学习等能力
行为能力——就是对外界刺激(输入信号)做出反应(输出信息)并采取相应动作的能力
故障:是指设备在规定条件下不能完成其规定功能的一种状态。可分为以下几种情况:
1)设备在规定的条件下丧失功能;
2)设备的某些性能参数达不到
要求,超出允许范围;
3)设备的某些零部件发生磨损、断裂、损坏等,致使设备不能正常工作;
4)设备工作失灵,或发生结构性破坏,导致严重事故甚至灾难性事故。
故障的性质
1)层次性——系统是有层次的,故障的产生对应于系统的不同层次表现出层次性。一般可分为系统级、子系统级、部件级、元件级等多个层次;高层故障可由低层故障引起,而低层故障必定引起高层故障。诊断时可采用层次诊断模型和诊断策略。
2)相关性——故障一般不会孤立存在,它们之间通常相互依存和相互影响,如系统故障常常由相关联的子系统传播所致。表现为,一种故障可能对应多种征兆,而一种征兆可能对应多种故障。这种故障与征兆间的复杂关系导致了故障诊断的困难。
3)随机性——故障的发生常常是一个与时间相关的随机过程,突发性故障的出现通常都没有规律性;再加上某些信息的模糊性和不确定性,就构成了故障的随机性。
4)可预测性——设备大部分故障在出现之前通常有一定先兆,只要及时捕捉这些征兆信息,就可以对故障进行预测和防范。
故障诊断:就是对设备运行状态和异常情况做出判断。具体说来,就是
在设备没有发生故障之前,要对设备的运行状态进行预测和预报;
在设备发生故障之后,要对故障的原因、部位、类型、程度等做出判断;
并进行维修决策。
故障诊断的基本思想:
设被检测对象全部可能状态(正常和故障)组成状态空间S,它的可观测量特征的取值范围全体构成特征空间Y
若系统处于某一状态s时具有确定的特征y,即存在映射
;反之,一定的特征y也对应确定的状态s,即存在映射 。状态与特征空间这一关系可表述为:
因此,故障诊断的目的就是:根据可测量的特征向量来判断系统处于何种状态,也就是找出映射关系 f
故障诊断的实质
对于有限状态的系统,令正常状态为s0,n种故障对应的系统状态为s1, s2, …, sn;其中,处于状态si时,对应的可测量特征向量为yi = (yi1, yi2, …, yim);故障诊断就是由特征向量y = (y1, y2, …, yk),求出它所对应的状态s的过程
在这种情况下,故障诊断就成为:根据特征向量对被测系统的状态进行分类的问题,或者说对特征向量进行模式识别的问题
结论:故障诊断的实质——模式识别(分类)问题
故障诊断的过程有三个主要步骤:
第一步是检测设备状态的特征信号,即信号测取;
第二步是从检测到的特征信号中提取征兆,即征兆提取;
第三步是根据征兆和其它诊断信息来识别设备的状态,从而完成故障诊断,即状态识别。
——这是整个诊断过程的核心。
故障诊断的任务
故障检测:采用合适的观测方式、在合适部位测取特征信号,即信号测取;采用合适的
,从特征信号中提取状态征兆,即征兆提取
故障识别:采用合适的状态识别方法与装置,依据征兆而推理识别出设备的有关状态,即状态识别
故障分离与估计(预测):采用合适的状态趋势分析法,依据征兆与状态推理出状态的发展趋势,即状态预测
故障评价与决策:采用合适的决策形成方法,依据有关的状态和趋势作出调整、控制、维修等,即干预决策
什么是智能故障诊断?
智能故障诊断:是人工智能和故障诊断相结合的产物,主要体现在诊断过程中领域专家知识和人工智能技术的运用。它是一个由人(尤其是领域专家)、能模拟脑功能的硬件及其必要的外部设备、物理器件以及支持这些硬件的软件所组成的系统。
从传统故障诊断到智能故障诊断
故障诊断技术经历的三个阶段:
第一阶段对诊断信息只作简单的数据处理
第二阶段将信号处理和建模处理应用于数据处理
以上两个阶段,完全基于检测数据处理,没有利用领域专家知识——传统故障诊断阶段
第三阶段以知识处理为核心,信号处理、建模处理与知识处理相融合——智能故障诊断阶段
传统故障诊断的局限性:
未引入人工智能技术前,直接由领域专家完成状态识别任务,不能有效利用专家的知识和经验;
缺乏推理能力,不具备学习机制;
对诊断结果缺乏解释,诊断程序的修改和维护性差。
智能故障诊断的优越性:
引入人工智能技术后,能模拟领域专家完成状态识别任务(最大差别),人-机联合诊断,达到甚至超过专家;
发展出基于知识的诊断推理机制,能模拟人类的逻辑思维和形象思维的推理过程;
能解释自己的推理过程,并能解释结论是如何获得的。
智能故障诊断的研究意义:
研究如何及时发现故障和预测故障并保证设备在工作期间始终安全、高效、可靠地运行
——故障诊断技术为提高设备运行的安全性和可靠性提供了一条有效途径
故障的随机性、模糊性和不确定性,导致一个故障的形成往往是众多因素造成的结果,且各因素之间的联系又十分复杂
——传统故障诊断方法已不能满足现代设备的要求,必须采用智能故障诊断方法
智能故障诊断的研究目的
及时发现故障,给出故障信息,并确定故障的部位、类型和严重程度,同时自动地隔离故障;
预测设备运行状态、使用寿命、故障发生和发展;
针对故障的不同部位、类型和程度,给出相应的控制和处理
,并进行技术实现;
自动对故障进行削弱、补偿、切换、消除和修复,以保证设备出现故障时的性能尽可能地接近原来正常工作时的性能,或以牺牲部分性能指标为代价来保证设备继续完成其规定功能;
进行维修决策,减少维修费用,提高设备利用率。
智能故障诊断的国内外研究概况
20世纪60年代末开始,已历经三个阶段:
美国从1967年开始,NASA、ONR率先在故障机理研究和故障检测、诊断和预测等方面取得实用性研究成果;此后,在水泵、空压机、轴承、润滑油、内燃机、汽车发电机组、大型客机等方面都取得了许多研究成果
英国和日本相继在20世纪70年代初开始故障诊断的研究,并在锅炉、压力容器、核发电站、核反应堆、铁路机车等方面取得了许多研究成果
国外,设备维修费平均降低15~20%,技术投入占生产成本的比例,美国7.2%、日本5.6%、德国9.4%
我国从20世纪80年代初开始这方面研究,在石化、冶金、电力等行业得到应用;90年代后在各行业快速发展
目前智能故障诊断的几个重要研究方向
1)集成化智能故障诊断研究:
现代设备复杂性和故障不确定性,单一方法不能满足要求;集成多种方法进行诊断,取长补短,提高诊断智能化水平。
2)网络化智能故障诊断研究:
现有诊断大都面向单台或单类设备,可扩充性、灵活性、通用性差,信息不能有效交互和共享;分布式智能诊断能充分发挥各专家的特点,做到资源共享、协调诊断。
3)适应型智能故障诊断研究:
利用智能结构、智能Agent的特性,构建满足现场需要,并对故障具有自修复、自补偿、自抑制、自消除等适应型智能故障诊断,也是一个很有前途的研究方向。