且看以下的人工智能在機械故障診斷中的應用方向便知了！

一、人工智能在機械故障診斷中的應用方向

所謂機械故障診斷,就是通過機械運行中的相關信息來識別其技術狀態(tài)是否正常,確定故障的性質(zhì)與部位,尋找故障起因,預報故障趨勢,并提出相應對策;它以故障機理和技術檢測為基礎,以信號處理和模式識別為其基本理論與方法。一般的機械系統(tǒng)故障診斷系統(tǒng)從物理上劃分為機械測量、監(jiān)視與保護、數(shù)據(jù)采集、振動狀態(tài)分析、網(wǎng)絡數(shù)據(jù)傳輸五個部分;從功能上,機械系統(tǒng)狀態(tài)監(jiān)測與故障診斷系統(tǒng)又可分成數(shù)據(jù)采集、狀態(tài)監(jiān)測、故障診斷三個部分。

隨著現(xiàn)代工業(yè)設備和系統(tǒng)日益大型化和復雜化,機械故障診斷設備的可靠性、可用性、可維修性與安全性的問題日益突出,從而促進了人們對機械故障診斷機理及機械故障診斷技術的研究。并且隨著計算機技術及數(shù)字信號處理技術的迅速發(fā)展,機械設備振動監(jiān)測與機械故障診斷技術被廣泛應用于電力、石油化工、冶金等行業(yè)的大型、高速旋轉(zhuǎn)機械中。目前這種技術己成為設備現(xiàn)代化管理和提高企業(yè)綜合效益的技術基礎。國內(nèi)外實踐表明,以振動監(jiān)測與機械故障診斷技術為基礎的設備預知維修能節(jié)省大量的維修費用,取得顯著的經(jīng)濟效益,而且還能保證設備的安全運行,預防和減少惡性事故的發(fā)生,消除故障隱患,保障人身和設備安全,提高生產(chǎn)率。

傳統(tǒng)的機械故障診斷方法和理論對單過程、單故障和漸發(fā)性故障的簡單系統(tǒng)可以發(fā)揮較好的作用,對于多過程、多故障和突發(fā)性故障以及復雜龐大、高度自動化的大型設備和系統(tǒng),例如汽輪發(fā)動機組等,就具有較大的局限性。當前,典型的機電一體化產(chǎn)品——數(shù)控機床、交流伺服驅(qū)動裝置等正在向數(shù)字化、小型化、高精度等方向發(fā)展,為監(jiān)控帶來新的挑戰(zhàn),由于模糊神經(jīng)網(wǎng)絡控制不依賴控制對象和數(shù)學模型,具有較強的魯棒性,是一種非線性的控制方法,在解決此類問題中有很好的優(yōu)勢。而專家系統(tǒng)主要用于復雜的機械系統(tǒng),能夠克服基于模型的機械故障診斷方法對模型的過分依賴性。而人工神經(jīng)網(wǎng)絡對于故障的模式識別具有獨特的優(yōu)點。將人工智能的理論和方法應用于機械故障診斷,發(fā)展智能化的機械故障診斷技術,是機械故障診斷的一個新的途徑。智能化的機械故障診斷專家系統(tǒng)現(xiàn)已得到廣泛的應用,成為機械故障診斷的一個重要方向。

二、人工智能在機械故障診斷中的應用方法

人工智能在機械故障診斷主要研究用人工的方法和技術來模仿、延伸及擴展人的智能,從而實現(xiàn)機器智能。應用機械故障診斷系統(tǒng)的ai技術傳統(tǒng)上可以分為專家系統(tǒng)(es)、人工神經(jīng)網(wǎng)絡(ann)、模糊集理論(fst)三大類。

01. 專家系統(tǒng)(expertsystem.es)

專家系統(tǒng)(expertsystem,簡稱es)是20世紀60年代初產(chǎn)生的一門實用學科,目前是人工智能技術中較活躍、較成功的領域之一。它是一個由知識庫、推理機和人機接口等三個主要部分組成的計算機軟件系統(tǒng),在知識表達方面,利用產(chǎn)生式規(guī)則進行知識表達,一方面得有益于現(xiàn)有人工智能語言,另一方面,是它的表達合乎人的心理邏輯,便于進行知識獲取,利于人們接受,利用框架進行知識表達得到了越來越多的應用。在診斷推理方面,主要表現(xiàn)在對推理邏輯和推理模型的研究,在人工智能領域,存在著許多推理邏輯,在專家系統(tǒng)中廣泛使用模糊推理邏輯降低系統(tǒng)復雜性,在機械故障診斷上能產(chǎn)生很好的效果。其威力在于所擁有的專家知識和運用知識解題的推理機制。

由于建立在馮·諾伊曼計算機體系結(jié)構之上,專家系統(tǒng)在其發(fā)展過程中逐漸暴露出以下問題:知識獲取的“瓶頸”、知識“窄臺階”、推理組合爆炸和無窮遞歸、智能水平低、系統(tǒng)層次少和在線實用性差等。

機械故障診斷專家系統(tǒng)的研究與開發(fā)機械故障診斷專家系統(tǒng)的出現(xiàn)與逐漸成熟是機械故障診斷領域最顯著的成就之一。因為人類關于機械故障診斷與維修的科一學知識往往落后于專家的實踐和經(jīng)驗知識,從而為專家系統(tǒng)提供了廣闊的應用前景。

02. 人工神經(jīng)網(wǎng)絡(artificialneuralnetwork.ann)

人工神經(jīng)網(wǎng)絡簡稱神經(jīng)網(wǎng)絡,它是由大量簡單的處理單元(稱為神經(jīng)元)廣泛相互連接而形成的復雜網(wǎng)絡,是對生物神經(jīng)系統(tǒng)的模擬,其信息處理功能是由網(wǎng)絡的單元的輸入輸出特性(激活特性)、網(wǎng)絡的拓撲結(jié)構(神經(jīng)元的連接方式)所決定。為了使系統(tǒng)具有良好的透明性,在神經(jīng)網(wǎng)絡的推理中引用了模糊規(guī)則,為人工神經(jīng)網(wǎng)絡建立良好的解釋機制提供了方便。

由于神經(jīng)網(wǎng)絡具有原則上容錯、結(jié)構拓撲魯棒、聯(lián)想、推測、記憶、自適應、自學習、并行和處理復雜模式的功能,使其在工程實際存在著大量的多故障、多過程、突發(fā)性故障、龐大復雜機器和系統(tǒng)的監(jiān)測及診斷中發(fā)揮著較大作用。系統(tǒng)故障有層次性、相關性、延時性和不確定性,這就使得機械故障診斷問題變得十分復雜和困難,利用單個子神經(jīng)網(wǎng)絡解決問題需要大量的故障樣本、適于診斷多類故障的網(wǎng)絡結(jié)構難以確定,即使確定,也易陷入局部極小,自適應調(diào)整和誤差函數(shù)的改進、加速收斂;對初始隨機權值在量級上進行限定,克服了局部最小問題。在機械故障診斷中的應用方式有:從模式識別角度應用神經(jīng)網(wǎng)絡作為分類器進行機械故障診斷;從預測角度應用神經(jīng)網(wǎng)絡作為動態(tài)預測模型進行故障預測;利用神經(jīng)網(wǎng)絡極強的非線性動態(tài)跟蹤能力進行基于結(jié)構映射的機械故障診斷;從知識處理角度建立基于神經(jīng)網(wǎng)絡的診斷專家系統(tǒng)等。目前,為提高神經(jīng)網(wǎng)絡在實用中的學習和診斷性能,主要從神經(jīng)網(wǎng)絡模型本身改進和模塊化模型診斷策略兩方面開展研究。