重大自动化智能故障诊断技术考点.docx

重大自动化智能故障诊断技术考点.docx

《重大自动化智能故障诊断技术考点.docx》由会员分享，可在线阅读，更多相关《重大自动化智能故障诊断技术考点.docx（7页珍藏版）》请在冰豆网上搜索。

智能：

是指能随内、外部条件的变化，具有运用知识解决问题和确定正确行为的能力。

智能应具备的条件（能力）

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：

n1）设备在规定的条件下丧失功能；

n2）设备的某些性能参数达不到设计要求，超出允许范围；

n3）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；

n4）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

n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；

n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；

n并进行维修决策。

故障诊断的实质：

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

故障诊断的过程：

o第一步是检测设备状态的特征信号，即信号测取；

o第二步是从检测到的特征信号中提取征兆，即征兆提取；

o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：

o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；采用合适的方法，从特征信号中提取状态征兆，即征兆提取

o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

o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

o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

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。

智能故障诊断的基本结构：

故障检测与诊断、故障容错控制。

故障检测与诊断：

就是从监控对象中适时准确地检测出故障信息，并对故障产生的原因、部位、类型、程度及其发展做出判断

故障检测与诊断模块的基本要求：

o1）对故障具有强检测能力

o2）对故障具有强诊断能力

o3）尽量采用模块化结构

o4）具有人机交互诊断功能

o5）具有多种诊断信息获取的途径

o6）对问题求解应当实时和准确

o7）具有学习功能

o8）具有预测能力

o9）具有决策能力

故障检测与诊断方法：

o1）基于数学模型的故障检测与诊断方法

o2）基于参数估计的故障检测与诊断方法

o3）基于信号处理的故障检测与诊断方法

o4）基于知识的故障检测与诊断方法

o5）基于实例（案例）的故障检测与诊断方法

o6）基于模糊理论的故障检测与诊断方法

o7）基于神经网络的故障检测与诊断方法

机器学习策略：

简单学习：

文献、专家和资料所描述的关于诊断对象的结构、功能、运行约束条件等知识，机械学习机制为主；

主要用于元知识学习阶段

交互学习：

知识工程师或诊断对象处理过的知识，讲授学习机制为主；

主要用于领域知识学习和知识库丰富阶段

独立学习：

推理策略面对的新知识，归纳学习机制为主；

主要用于诊断能力改善阶段

智能故障诊断中的机器学习策略结构图

智能故障诊断系统的设计要求：

1）满足故障诊断的实际需要；

2）建立适应不同诊断对象的知识库；

3）能自动获取征兆；

4）诊断和推理方法应符合故障诊断要求；

5）能实现计算机自动诊断；

6）系统要经过严格的测试和考核。

容错控制的基本概念

o基本思想是利用系统的冗余资源来实现故障容错。

即在某些部件发生故障的情况下，通过系统重构等，仍能保证设备按原定性能指标继续运行；或以牺牲性能损失为代价，保证设备在规定时间内完成其预定功能。

o故障诊断是容错控制的基础——首先需要适时地检测出故障，并对故障的部位、类型、原因、程度等做出准确判断，然后采取相应的容错控制策略，对故障进行补偿、抑制、削弱或消除。

o容错控制方法可分为硬件结构和解析冗余两大类。

基于故障补偿的故障诊断与容错控制

o故障补偿：

就是指监控对象在运行过程中出现故障或即将出现故障时，能够采取相应的补偿措施，保证设备在规定时间内完成其规定功能。

o故障补偿可通过设计故障补偿器来实现。

基于多模冗余的故障诊断与容错控制：

控制方案：

就是利用多余资源，来保证设备在发生故障时仍能正常工作。

可分为硬件冗余和软件冗余两种。

基于三模冗余的故障诊断与容错控制方案

硬件冗余：

采用双重或多重备份的方法来实现，可用于任何硬件环节失效的容错控制。

优点是设计简单，故障消除准确，可靠性和安全性高；缺点是所需元部件多，成本高。

软件冗余：

利用系统中不同部件在功能上的冗余性来实现，又分为解析冗余、功能冗余和参数冗余三种。

可采用故障屏蔽、控制器重构等方法实现。

基于专家系统的故障诊断与容错控制：

基于专家系统的故障诊断与容错控制方案

控制方案：

知识库存放领域专家知

识；数据库存放监控对象原始数据、故障特征数据等；推理机按一定的推理规则，对监控对象进行故障识别、估计和决策，根据故障性质采取相应策略进行容错控制。

专家知识的获取：

o一个专家系统的建造过程主要分为：

知识获取、知识表示和知识应用（系统实现）三个部分。

其中，知识获取是整个过程中最困难和最重要的部分。

o知识获取：

就是把知识源中有关解决某问题的知识抽取出来，放到知识库中的过程。

o专家知识的分类：

领域专家对知识的描述，从诊断的角度可分为原理知识和经验知识两类，从知识的角度可分为原型知识、关联知识和权重知识三类

o监控对象的分解：

为了便于获取知识和表示知识，可对监控对象进行结构分解、功能分解和故障分解

专家知识的分类：

1）原型知识：

n原型知识是领域专家指出的故障集和征兆集这两个集合之间存在的确定的映射关系“征兆族à故障”

n生成的诊断知识可由规则或框架表示

n它是故障诊断必备的知识，也是推理机工作的基础

2）关联知识：

n关联知识是描述故障传播特性的知识

n生成的诊断知识一般由规则来表示

n它表征了诊断系统内部的状态联系，构成了诊断问题的求解路径，引导诊断向纵深推进直到故障的位置和原因

3）权重知识：

n权重知识是领域专家对故障间关系及证据可靠度的认识

n它可以有目的地引导诊断过程的进行，提高诊断效率

推理机的实现

推理：

就是对故障进行识别和容错控制

推理过程：

就是将数据库中的事实与知识库中的规则进行匹配的过程

推理机：

实际上就是实现推理过程的一种智能程序

推理方法：

正向推理、反向推理、正反向混合推理

n基于数据驱动的正向推理策略：

推理过程较慢，适用于搜索空间较小的知识库；

n基于目标驱动的反向推理策略、正反向混合的双向推理策略：

推理效率较高，适用于搜索空间较大的知识库或在线故障诊断。

瞬时故障的消除策略：

1）循环采样技术：

将信号的一次采样改为循环采样，通过对采集数据的类比分析，消除瞬时故障

2）自动补偿技术：

采用特殊结构和特殊装置组成补偿器，抵消瞬时故障影响

3）自动切换技术：

设备运行中出现瞬时过载等不安全情况时，使设备有关部分或全部停止运行，消除瞬时故障影响和保护设备

4）阻尼技术：

设备运行中出现过载物理量时，对其加以限制或衰减，消除瞬时故障影响

5）旁路技术：

把瞬时过载能量或不需要的物理量从旁路泄走

6）屏蔽技术：

把瞬时故障的效应屏蔽起来，以消除瞬时故障的影响

7）隔离技术：

通过设计瞬时故障隔离器来消除瞬时故障的影响

多模块并行诊断决策：

即对同一种故障信息，用不同的诊断模块进行识别，若结果相同或基本相同，则认为诊断成功，并根据故障性质和故障特征，调用相应的容错模块对故障进行容错控制；若诊断结果差异较大，则可采用表决方法对结果作出判断。

单输出对象诊断策略：

离线辨识：

在不同工作区段取代表性工作点激励对象，产生多组训练数据，离线训练各子模型；

在线控制：

用实际输入和输出数据，对各子模型控制器进行自适应权值修正；切换到适合的子模型作为当前状态的控制器，得到当前的控制输入。

关键在于：

模型区域的划分和模型切换的判断；同时，应避免切换振荡与输出的不确定。

模型区域划分：

仅根据输出所在的一维区域，划分为有代表性的不同工作区段。

模型切换：

根据期望输出判断下一时刻系统处在哪个子模型控制器的控制域内，以此切换模型。

避免切换振荡：

扩大训练域冗余，使相邻训练域相互重叠；

在总的工作范围内离线训练一个网络模型，做为过渡过程使用。

多输出对象诊断策略：

离线辨识：

基于聚类算法（如K-Means）对样本进行分类，再用分类后的样本子集训练各子模型；

在线控制：

用实际输入对各子模型的隶属度为权值，对各子模型控制器输出加权，得到当前的控制输入。

关键在于：

模型区域的划分和模型切换的判断。

模型区域划分：

不能仅根据输出所在的一维区域进行划分，可以通过聚类方法划分样本空间进行子模型训练。

模型切换：

选择包括当前系统状态的子模型作为控制器；

将当前输入与各子模型工作空间的隶属度作为权值，各子模型都对输出进行加权贡献。

微弱信号检测

微弱信号检测：

分析噪声产生的原因和规律，研究被测信号的特点和相关性。

检测被噪声淹没的微弱有用信号、或从强噪声中提取有用信号、或采用其他新技术和新方法来提高检测系统输出信号的信噪比。

微弱信号检测方法主要有以下几种：

n1）窄带滤波法

n2）双路消噪法

n3）同步累积法

n4）锁定接收法

n5）相关检测法

n6）取样积分法

窄带滤波法：

用窄带滤波器滤掉通频带以外的宽噪声，只让窄带信号通过，从而提高信号的信噪比

双路消噪法：

当随机噪声从两路到达加法器时，使其极性正好相反，经过加法器相加后把噪声消除

同步累积法：

利用信号的重复性和噪声的随机性，对信号进行重复累积n次，以提高输出功率信噪比

锁定接收法：

一种频域分析法，利用互相关原理，使输入周期信号与频率相同的参考信号实现互相关

相关检测法：

一种时域分析法，信号和噪声相互独立，信号只与信号相关而与噪声不相关，噪声之间互不相关，可通过自相关或互相关运算去除噪声

早期故障检测方法：

o1）信息融合检测法：

利用故障发生后系统中多个相关变量或征兆间的冗余关系，将它们的动态变化趋势进行融合，在故障动态变化过程中，来检测早期故障。

如神经网络、证据推理、贝叶斯估计等

o2）故障征兆缩放检测法：

通过对故障特征参数变化值（变化率）进行不同比例的缩放，寻找与典型故障样本的最佳匹配来检测早期故障。

o其他方法，典型的如小波分析、混沌、分形等方法

故障识别的过程：

o1）特征信号检测

o2）征兆信息提取

o3）设备状态识别

o4）故障维修决策

基于组合思维的识别方法：

o专家系统知识处理模拟的是人的逻辑思维，神经网络知识处理模拟的是人的经验思维，将逻辑思维、经验思维和创造性思维集成在一起，就形成组合思维

o首先用经验思维进行识别；当经验思维无法解决问题时，转向高一层的逻辑思维；当逻辑思维也无法解决复杂问题时，转向更高一层的创造性思维，即通过提出新的假设，经过检验后再发现新理论和解决问题的新方法

组合思维识别方法结构图

故障识别的关键技术：