論高速公路機電系統故障的智能診斷

焦卜四

摘 要：本文通過對幾種主要智能診斷技術的介紹，結合現有高速公路機電系統的特點，提出相應的診斷策略。

關鍵詞：高速公路； 機電系統 ；智能 ；故障診斷

隨著高速公路機電工程建設的迅速發展，規模不斷擴大，如何做好機電系統的運行管理和維護成為人們關注的焦點。高速公路機電設備有著不間斷運行、工作負荷大、工作環境惡劣等特點，在日常維護工作中會碰到很多棘手的故障，所以只有查明原因及時排除故障，才能保障設備正常運行。目前，智能故障診斷技術已成為一個十分活躍的研究領域。高速公路機電系統的運行和維護是當前高速公路管理中的一個重要課題，通過對智能故障技術的研究和當前機電系統故障處理的分析，提出一種適用于高速公路機電系統故障的智能診斷系統。

一、 基于專家系統的方法

專家系統故障診斷方法，主要用于那些沒有精確數學模型或很難建立數學模型的復雜系統。其診斷過程是當計算機接收到故障信息后，綜合運用各種規則（專家經驗），進行一系列的推理，快速找到最終故障或最有可能的故障。故障診斷專家系統是診斷領域引人注目的發展方向之一，也是研究最多、應用最廣的一類智能故障診斷技術。

這種方法不依賴于系統的數學模型，而是根據人們長期的實踐經驗和大量的故障信息知識設計出的一套智能計算機程序，以此來解決復雜系統的故障診斷問題。對于復雜系統的故障診斷，這種基于專家系統的故障診斷方法尤其有效。

專家系統主要具有以下特點：具有豐富的經驗和高水平的技術及專家水平的專門知識；能夠進行符號操作；能夠根據不確定的知識進行推理；具有自我知識；知識庫和推理機明顯分離，這種設計方法使系統易于擴充；具有獲取知識的能力；具有靈活性、透明性及交互性；具有一定的復雜性和難度。但由于客觀現實的復雜多樣性，使得專家的領域知識，有時很難提煉到規則這一地步，這使專家系統的發展受到了一定的限制。

二、故障樹故障診斷方法

故障樹分析法（Fault Tree Analysis）簡稱FTA，是系統安全分析中廣泛應用的一種方法，它采用邏輯方法，形象地進行故障分析工作，體現了以系統工程方法研究安全問題的系統性、準確性和預測性。由美國貝爾電話實驗室的H.A.Walson首先提出，它是一種系統可靠性分析方法。利用故障樹分析法不僅可以尋找潛在故障或進行故障診斷，而且可以進一步預測系統故障發生的概率。故障樹分析法是一種由果到因、自上而下的邏輯分析方法，其過程可概括為：從結果（即某一故障事件）開始，找出導致該事件發生的直接因素。然后對諸因素分別尋找其各自的直接原因，重復執行該過程，直至把形成設備故障的基本事件分析出來為止。依照此方法分析系統發生故障的各種途徑和可靠性特征量，然后對各基本事件賦予先驗概率值，就可以應用故障樹模型進行可靠性分析以及診斷決策。故障樹由3種符號構成：事件符號、邏輯門符號、轉移符號。事件符號用于表示各種頂事件、中間事件和底事件；邏輯門符號用于表示各事件之間的邏輯關系；轉移符號則主要是為使圖形簡明、避免重復繪圖而設置的符號。

三、基于模糊推理的方法

模糊邏輯的引入主要是為了克服由于過程本身的不確定性、不精確性以及噪聲等所帶來的困難，因而在處理復雜系統的大時滯、時變及非線性方面，顯示出它的優越性。在模糊理論中引入了“部分真”，“部分假”的概念，這是與傳統的要么真（1）要么假（0）的認識最大的區別與進步。在模糊集理論中，對模糊集定義了一系列的操作，這與傳統集合的操作是相似的。模糊推理是利用模糊推理規則對有條件的和無條件的模糊命題或規則進行操作。

故障檢測時，特征信號有時是連續變化的，這種變化易導致測量誤差和噪聲，因此，很難定義可靠的測量閾值。模糊邏輯通過使用部分重疊的語言變量給這個問題提供了很好的解決方法。故障診斷時，由于測量到的特征信號值不完全精確，因此，該過程的診斷也只是近似的。基于模糊規則的模糊推理系統對該問題提供了一種解決方法。

四、 基于神經網絡的方法

人工神經網絡（Artificial Neural Network，ANN）是由大量神經元廣泛互連而成的復雜網絡系統。ANN是對人類大腦神經細胞結構和功能的模仿，具有與人腦類似的記憶、學習、聯想等能力。在ANN中，信息處理是通過神經元之間的相互作用來實現的，知識與信息的存儲表現為分布式網絡元件之間的關聯，網絡的學習和識別取決于各神經元連接權值的動態演化過程。ANN是大規模并行結構，信息可以分存儲，并且具有良好的自適應性、自組織性和容錯性，因此，ANN在故障診斷領域已經得到廣泛的應用。隨著神經網絡理論的發展，到目前為止也形成了許多種神經網絡系統與算法，例如多層感知器網絡中經典的BP網及算法，徑向基函數神經網絡中RBF網及其算法，Hopfield網及其算法，自組織特征映射中SOFM結構及其算法等。

五、基于案例的推理方法

基于案例推理（Case-based Reasoning，簡稱CBR）是近年來人工智能領域中興起的一項重要的推理技術。它通過訪問案例庫中的同類案例（源案例）的求解，從而獲得當前問題（目標案例）的解決方法。CBR的基本過程是：當遇到一個新的問題時，系統根據關鍵的特征在原始的案例庫中進行檢索，找出一個與待求問題最相近的候選案例，重用此候選案例的解決方法。如果對此候選案例的解決方法不滿意，可以對它進行修改以適應待求問題，最后把修改過的案例作為一個新的案例保存在庫中，以便下次遇到類似的問題時作為參考。CBR以案例作為知識元，知識獲取和表示自然直接，并且具有自學習功能。基于案例推理能通過修改相似問題的成功結果來求解新問題。它將獲取新知識作為案例來進行學習，不需要詳細的應用領域模型。CBR的主要技術包括案例表達和索引、案例檢索、案例修訂和案例學習等。

六、結語

故障診斷是一門實用性很強的技術，因此只有在實際應用中才能體現它的價值。目前在理論研究方面雖有不少進展，但真正在工程實踐中成功應用的實例還較少，因此，如何將先進的故障診斷理論與方法應用到實際中去還有待深入的研究。故障定位與處理是一門科學，它對維護人員是的知識水平要求很高，維護人員不僅要了解系統的工作原理，而且要具有一定處理故障的思維方法，只有在工程中不斷積累經驗，維護人員經常交流故障處理方法，才能不斷提高維護水平，保障高速公路快速、安全、高效運營。基于故障樹的專家系統建立為故障的快速查找定位和處理提供一個有效的平臺，有助于高速公路的機電系統管理實現智能化。