人工智能在設備故障檢測中的應用

摘 要：隨著社會的發展，人工智能化技術逐步的成熟起來，在企業生產中設備的人工智能檢測技術也開始逐步的應用與完善化。但是在其具體實施的過程中還存在著一些問題，面對當前的形式，人工智能研發基于專家系統、神經網絡、模糊邏輯等的混合智能設計、控制、監測、診斷系統將成為一大研究熱點。雖然智能技術已應用于設備檢測的各個方面，如何將現有的先進設備檢測和技術進一步推廣應用、如何實現低成本、高精度、高效率的檢測系統則成為亟待解決的問題。

關鍵詞：人工智能；設備故障；檢測應用

前言

對于當今的社會化生產而言，企業正朝著科技、規模、復雜化方向發展，所以企業面對這些高精度、大規模生產工作的設備，需要加強監測與維護。如果設備發生故障將對企業和集體帶了不可估量的損失。因此，保障設備的正常運轉，提高設備的安全性與可靠性的意義非凡。隨著當前科技的發展，對于設備故障的檢測與應用被提到日常的實際中來。人工智能系統對于設備故障的檢測具有一定的可靠性，這也為設備檢測工作開辟了一條新途徑。在實際的應用中人工智能化效果很好，但是在設備不斷的更新域升級的過程中，其人工智能方法也需要一定的更新域完善，以便與時俱進。

1 人工智能在設備故障檢測中的必要性

隨著科技的發展和企業的需求，一些高自動化設備被大量投入到了企業的生產中來。然而這些高自動化設備大多都過于精密、并且設備之間環環相連，如果在生產過程中某一部分出現突發故障其必將影響整個生產的進行，進而給企業的生產帶來不必要的損失。因此如果能夠及時對設備的故障進行檢測和診斷并及時排除故障在實際生產中就顯得尤為重要。現今已有的傳統檢測和診斷方法大多是針對設備單一故障和漸發性故障進行簡單的檢測，對于多故障、多過程和現有的突發性故障以及高度自動化的設備和系統故障的檢測將具有較大的局限性。而且當前，交流伺服驅動、數控機床等裝置的出現使設備的研究正在向著小型化、數字化和高精度化的方向發展，在設備提升的同時也為設備故障檢測帶來新的挑戰，因此對設備故障的檢測如果能夠更加便捷和智能化將是未來設備故障檢測的發展目標。與此同時我們也看到，隨著與檢測相關技術的進一步發展，如計算機技術和數字信號處理等技術的發展，相應出現的數字振動監測技術已被廣泛應用于石油化工、電力、冶金等行業的設備檢測中來，實踐表明，這些以計算機技術和數字信號技術為依托的人工智能技術，為高自動化設備的故障檢測節約了大量的時間和維修費用，而且其在保證設備安全運行方面和預防減少設備惡性事故等方面都有著突出的表現，并且相繼出現的具體人工智能檢測方法也是多種多樣，這都為未來高精密設備的檢測帶來了曙光。

2 人工智能對故障檢測的具體方法

在對人工智能的研究中，人們用現有的人工方法和特定的技術來模仿和進一步延伸及深度擴展人的智能，進而對設備故障進行檢測。在實際應用中人工智能的種類也有很多中，而針對設備故障檢測的系統實際主要有三大類，他們分別是專家系統、人工神經網絡和模糊集理論。

2.1 專家系統

其中專家系統即Expert System（簡稱ES）是二十世紀六十年代就有其學科研究，算是老牌人工智能系統，雖然時間已經很久，但是在目前故障檢測中應用仍然是比較活躍和成功的一種。而且這個檢測方法實為一個計算機系統，其內部是由知識總庫、推理模擬機和人機智能接口等部分組成。其知識的表達方面是運用產生式的規則進行的，這就使得其語言在表達上有利于人工智能語言的開發，而且在接受能力上似乎更加合乎常人的心理，從而使的操作者在應用時更加容易接受，這也是其在人工智能上能夠不斷被應用的一個原因。在實際故障診斷中，人們可以運用它的推理方面的優勢，對推理邏輯以及推理模型進行廣泛的研究。如在設備發生故障時，其擁有的設備專家知識庫以及運用其推理機制就可以對故障進行模糊處理從而降低故障復雜性。可是由于其構建的體系的原因，使其在發展中不斷的暴露出一系列的問題，如實際應用中智能水平低、知識臺階過于狹窄、整個系統層次較少、在線實用性較差等等。雖然es在實際操作中有諸多的問題和瓶頸，但是隨著人工智能技術的不斷發展，和一系列成果的不斷更新，其為人類在設備故障檢測的貢獻還會不斷增強。

2.2 人工神經網絡

人工神經網絡即Artificial Neural Network（簡稱ANN）是由數量眾多的神經元即簡單的數據處理單元經過廣泛的復雜的相互連接和組合而構成的網絡，探究它的設計原理可以看出，它更是對自然生物神經系統的廣泛模擬之后而構成的。在對信息的處理方面，其功能的處理主要是由網絡單元的激活特性即輸入輸出特性和神經元的具體連接方式即網絡的拓撲結構所決定的。而在實際運用中，為了使系統在運行中擁有更加良好的透明性，設計者在神經網絡整個推理中適當的引用了模糊的規則，因此為人工神經乃至整個網絡建立了更加良好的解釋機制，使其能夠更加方便的運用于設備故障的檢測中來。另外，由于神經網絡在應用中還具有容錯、推測、聯想、記憶、自學習、并行、自適應和針對復雜進行處理的模式和功能，使其對設備存在的多過程、多故障、突發性故障、針對龐大復雜機器和設備系統的監測以及及時診斷中發揮著突出的作用。在實際的設備故障診斷中人們發現，一般系統的故障都具有層次性、延時性、相關性和不確定性，這樣就給設備的故障診斷帶來了困難和不便，而這時如果僅僅使用單個神經網絡對問題進行檢測和診斷，就會出現針對問題的故障樣本過多，從而難以確定診斷的網絡結構，對整個設備的檢測和診斷造成麻煩，即便是確定了網絡機構，也容易陷入診斷的局部性，同時還沒有對自適應的調整及針對誤差函數的改進。而人工神經網絡就可以避免上述問題，所以說人工神經網絡在設備故障診斷方面是擁有它的優越性的。其具體的檢測和診斷的方式有，以模式識別角度出發，應用人工神經網絡作為人工分類器進行設備故障檢測，還有以預測角度出發，應用人工神經網絡作為實際動態預測模型的形式而進行故障預測或者是利用神經網絡自身所擁有的極強的非線性原理進行動態跟蹤能力進而進行結構映射的故障檢測，另外這個系統還可以源于對知識處理的角度建立神經網絡的診斷等等。基于人工神經網絡的優越性，個方面對其的研究也在不斷的深入中，而目前的研究多是從網絡模型本身和模塊化模型及模糊邏輯性結合進行研究，并且后者已成為研究的熱點。

2.3 模糊集理論

模糊集理論即fuzzy sets theory（簡稱fst）是一個比較特殊的檢測方法，我們知道在設備檢測中很多設備的故障都具有不完整性以及不確定性等特性，這就需要設立一個針對這一特性的處理辦法，而模糊理論的出現就對這些特性的處理和解決上有了好的辦法。而且基于模糊理論對多值邏輯進行的擴展，使其進而能夠解決傳統數學方法沒有能力解決的近似推理等問題，所以它可以對多類電量等設備的測試信息進行模糊融合從而可以模擬電路故障檢測，而且其還可以對k故障節點進行檢測并且將因最小標準差法造成的元件故障進行隸屬函數構造等等，而且其最大的特點就是能將得到的檢測診斷結果進行故障結果的融合，進而給出最終檢測結果，而且通過模擬實驗可知，其方法可以更加提高設備故障的準確性。

3 人工智能在設備故障檢測中所面臨的問題與未來發展趨勢

人工智能在設備檢測中主要依靠于專家系統、人工神經網絡、模糊集理論。

專家系統檢測在很多的領域運用廣泛，但是由于在檢測的過程中，其對數據的獲取有一定的制約性，增加了數據的維護難度。同時在相對的應用面較窄，其檢測能力來有待提高。對此，人工智能領域對于專家系統檢測進行評估，在隨著科學技術的發展與應用，專家系統理論將在很大層次上需要改良。在運用方法上需要得到大幅度的提升，從而最大限度的提升運用能力。在實踐與應用中將注重與模糊邏輯、故障樹、設備學習等方法進行有效的結合。

人工神經網絡具有一定較強的自組織、自學習的能力，其推理速度與規模大小無明顯關系，所以針對這些優點，使得很多人開始運用這一方法。并且利用人工神經網絡技術可以最大限度的彌補傳統的專家系統在實際操作中遇到的問題。但是面對實際應用，人工神經網絡還是存在著一定的局限性。首先，人工神經網絡在外推時的數據分析會出現一定額誤差，所以在誤差的出現的過程中就很難確保其結果的準確性與限制性的把握。其次，在設備中如果其系統結構發生了改變，那么在很大程度上也需要對人工神經網絡結構進行一定的重組與更新，或者增加新的樣本，重新學習獲得數據分析。再次，人工神經網絡在實踐的過程中，很難達到與結構化的數據進行相應的邏輯推理，所以在結構化中很難將設備中的檢測數據進行合理化的分析。最后，在對設備進行檢測的過程中，因為缺乏相應的解釋能力，從而對于其檢測的結果不利于人員的理解與維護。此外，面對人工神經網絡的缺陷，在如何保證在訓練時手機數據的速度與成效的過程，避免將數據的范圍縮小也是在實際應用的一個突出的問題。

模糊集理論的出現與應用，使得很多設備檢查的分析性在很大程度上提高了其確定性與成熟性。其技術的穩定性更高，相應的數據分析能夠更完善。但是在其可維護的過程中，對不確定因素的分析還存在著一定的局限性，需要在未來實踐應用中進一步的得到改進與完善。

對于傳統的檢測方法而言，還是缺少普遍有效的應用方法。但是現在對于這一領域開始實施測試與評估，對于多樣性的方法進行整合，采用混合智能，將上述的多種智能技術進行有效的互補，這是人工智能在設備檢查中的一個重要發展方向。將多樣化的智能技術集合起來，運用設計、控制、檢查設備系統將成為最有利的實施方案。在實現這一發法的過程中，需要依據人工智能的特點，對數據源進行分析，基于專家系統與人工神經網絡的規則基礎來實現初步的集合，其中模糊邏輯與人工神經網絡的結合是最有發展前景的。同時在結合的過程中依據不同的特點進行合理的組合，在檢測與分析數據的過程中要本著穩定性與確定性為主要依據。在當前的實驗過程中，模糊邏輯與人工神經網絡的組合機理、組合后的算法、便于神經網絡處理的模糊知識表達方式等。混合智能在設備檢測中的運用將在很大程度上改善傳統檢測方法的缺陷。

4 結束語

隨著社會科學技術的發展，計算機網絡尤其是Internet的興起與應用，加上多媒體技術分布式及人工智能的完善，使得人工智能在運用到設備檢測成為一種廣泛的方法。面對當前市場經濟的激烈競爭，研發基于專家系統、神經網絡、模糊邏輯等的混合智能設計、控制、監測、系統成為很多公司企業的一項競爭能力。在多方位的探索與實踐當中找到一條適合自己的人工智能檢測方法對于企業自身而言是十分必要的，因為在某種角度上是在解決降低生產成本、高效率的生產，對于企業的發展有一定的促進作用。

參考文獻

[1]李建林，曹鳴.多變量統計過程控制技術在火電廠設備故障檢測中的應用[J].東南大學學報（自然科學版），2005，2（11）：36-39.

[2]馮志鵬，宋希庚，馮志鴻，等.計算智能在機械設備故障診斷中的應用[J].汽輪機技術，2002，6（20）：13-16.

[3]黃鳳萍.非接觸式紅外測溫儀在變電站設備故障檢測中的應用研究[J].機電信息，2011，5（19）：29-40.

[4]魏國，周德新，樊智勇，等.基于免疫危險理論的機載電子設備故障檢測算法研究[J].計算機測量與控制，2012，11（25）：60-70.

[5]曾祥君，尹項根，唐忠，等.人工智能在電力系統暫態保護中的應用[J].長沙電力學院學報（自然科學版），1999，2（16）：25-29.

[6]牛美英，渠基磊，吳志鵬.人工智能在電氣工程自動化中的應用[J].價值工程，2013，3（20）：39-45.

[7]戚曉耀，盛成玉，孫振權，等.智能電網分代研究[J].物聯網技術，2013，4（13）：29-36.

[8]張園，李明福，李玉林，等.人工智能在胡椒機械加工裝備技術升級中的研究進展[J].現代農業裝備，2014，4（23）：29-36.

[9]韓禎祥，文福拴，張琦.人工智能在電力系統中的應用[J].電力系統自動化，2000，4（25）：30-39.

[10]陳麗安，張培銘，雷德森.人工智能在電氣設備中的應用現狀與前景展望[J].電網技術，2007，5（20）：39-36.

作者簡介：王志偉（1984，5-），男，漢，籍貫：江蘇揚州，職稱：助教，學位：碩士，研究方向：主要從事設備監控和控制方面的教學和研究工作。