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是否正常,確定故障的性質與部位,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。一般的機械系統故障診斷系統從物理上劃分為機械測量、監視與保護、數據采集、振動狀態分析、網絡數據傳輸五個部分;從功能上,機械系統狀態監測與故障診斷系統又可分成數據采集、狀態監測、故障診斷三個部分。

隨著現代工業設備和系統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字信號處理技術的迅速發展,機械設備振動監測與機械故障診斷技術被廣泛應用于電力、石油化工、冶金等行業的大型、高速旋轉機械中。目前這種技術己成為設備現代化管理和提高企業綜合效益的技術基礎。國內外實踐表明,以振動監測與機械故障診斷技術為基礎的設備預知維修能節省大量的維修費用,取得顯著的經濟效益,而且還能保證設備的安全運行,預防和減少惡性事故的發生,消除故障隱患,保障人身和設備安全,提高生產率。

傳統的機械故障診斷方法和理論對單過程、單故障和漸發性故障的簡單系統可以發揮較好的作用,對于多過程、多故障和突發性故障以及復雜龐大、高度自動化的大型設備和系統,例如汽輪發動機組等,就具有較大的局限性。當前,典型的機電一體化產品——數控機床、交流伺服驅動裝置等正在向數字化、小型化、高精度等方向發展,為監控帶來新的挑戰,由于模糊神經網絡控制不依賴控制對象和數學模型,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勢。而專家系統主要用于復雜的機械系統,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。而人工神經網絡對于故障的模式識別具有獨特的優點。將人工智能的理論和方法應用于機械故障診斷,發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現已得到廣泛的應用,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,從而實現機器智能。應用機械故障診斷系統的ai技術傳統上可以分為專家系統(es)、人工神經網絡(ann)、模糊集理論(fst)三大類。

01. 專家系統(expertsystem.es)

專家系統(expertsystem,簡稱es)是20世紀60年代初產生的一門實用學科,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,在知識表達方面,利用產生式規則進行知識表達,一方面得有益于現有人工智能語言,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,在專家系統中廣泛使用模糊推理邏輯降低系統復雜性,在機械故障診斷上能產生很好的效果。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構之上,專家系統在其發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、系統層次少和在線實用性差等。

機械故障診斷專家系統的研究與開發機械故障診斷專家系統的出現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驗知識,從而為專家系統提供了廣闊的應用前景。

02. 人工神經網絡(artificialneuralnetwork.ann)

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

由于神經網絡具有原則上容錯、結構拓撲魯棒、聯想、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、突發性故障、龐大復雜機器和系統的監測及診斷中發揮著較大作用。系統故障有層次性、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,利用單個子神經網絡解決問題需要大量的故障樣本、適于診斷多類故障的網絡結構難以確定,即使確定,也易陷入局部極小,自適應調整和誤差函數的改進、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網絡作為分類器進行機械故障診斷;從預測角度應用神經網絡作為動態預測模型進行故障預測;利用神經網絡極強的非線性動態跟蹤能力進行基于結構映射的機械故障診斷;從知識處理角度建立基于神經網絡的診斷專家系統等。目前,為提高神經網絡在實用中的學習和診斷性能,主要從神經網絡模型本身改進和模塊化模型診斷策略兩方面開展研究。