[发明专利]基于知识的故障诊断方法

说明书

本发明公开了一种基于知识的故障诊断方法，包括以下步骤：建立典型故障案例数据库；采用信号处理技术及主要成分分析方法，完成故障特征信息的提取及主要数据变量的选取；利用改进的神经网络算法，对故障样本进行学习；采用产生式规则和框架相结合的方式，实现诊断知识的综合表示；通过数据分析和系统中各设备之间的关系构建系统故障传播模型，明确系统故障传播路径；基于获取的故障知识，构建知识图，利用路代数理论给出推理规则，实现基于知识推理的故障定位。本发明通过改进的神经网络算法及知识推理理论，实现了知识的自动获取及故障的精确定位，提高了诊断精度，为工业控制系统故障诊断提供了依据。

技术领域

本发明涉及一种工业控制系统故障诊断方法，尤其涉及一种基于知识的故障诊断方法。

背景技术

随着两化融合、工业4.0、中国制造2025概念的落地，传统的工厂和工业控制系统必然走向互联、融合，随之而来的是设备的维修费用越来越高，如何提高设备的可靠性，保障设备安全、稳定、长周期的运行已成为智能生产设备故障诊断领域亟待解决的问题。故障诊断技术贯穿于工业设备的设计、研制、生产制造、试验和使用维护的全寿命过程，故障诊断软件已成为工业设备设计与研制的重要手段、产品制造的质量保证工具、工业设备维修体系主要的要素，其水平已成为衡量一个国家现代工业发展能力和生产制造水平的重要标志之一。

国外方面，美国是世界上研究故障诊断技术最早的国家，1967年，机械故障预防小组(MFPG)在美国成立，开始对故障诊断技术的各个专题分别进行研究。Muhammet Unal等人采用遗传算法优化了神经网络的拓扑结构，以滚动轴承的故障诊断为例，验证了故障诊断方案的可行性。Angeli等人提出了基于多模型结合分布式实时诊断的专家系统，以实现工业过程中的故障诊断。Bagheri等人基于参数估计的方法，根据系统模型中的各参数变化的统计学特征来对系统进行故障诊断。

国内方面，我国的故障诊断技术发展较晚，大致开始于上世纪80年代初期，至今也取得了不少突出的成果。潘翀，陈伟根等人将遗传算法与小波神经网络相结合，利用遗传算法优化神经网络的结构和权值，使得网络的训练过程加快，令网络获得了较好的泛华能力，并将该算法应用于变压器的故障诊断中，验证了其可行性。张华强、赵剡等人利用高斯函数替换神经网络的激励函数，提出了一种基于自适应概率神经网络的故障诊断方案，该方案使网络具有较好的泛化能力。此外，徐敏等主编了专著《设备故障诊断手册》，黄文虎等主编了《设备故障诊断原理、技术及应用》，提出了用模糊诊断模型，可信度因子模型，产生式规则等建立故障诊断专家系统的方法。

现代的大多数故障诊断与预测系统虽然能以很快的速度对被测对象自动地进行故障诊断，但是随着设备智能化、网络化以及复杂程度的提高，现有系统容易造成故障诊断的模糊性和不确定性，且对故障知识获取的自动性较差。因此，需要基于历史案例及领域专家知识，充分利用数据分析及人工智能技术，有效解决故障知识获取及故障定位需求，提高故障诊断的效率和可靠性，从而有力保障工业控制系统稳定运行。

发明内容

本发明的目的在于提供一种基于知识的故障诊断方法，通过充分考虑工业控制系统的故障特点，完成故障特征信息的提取，利用神经网络算法实现故障知识的获取，然后利用知识推理完成故障精确定位。

实现本发明目的的技术解决方案为：一种基于知识的故障诊断方法，包括以下步骤：

第一步，典型故障数据库建立：针对工业控制系统，建立典型故障案例数据库；

第二步，故障特征信息提取：基于建立的典型故障数据库，利用信号处理技术，提取得到时域特征参数、时-频域特征参数；

第三步，特征选取：根据特征参数组成的数据集，采取主要成分分析方法，将数据集的主要数据属性变量提取出来；

第四步，神经网络算法训练学习：利用神经网络算法，对系统故障样本集合进行学习训练，完成故障知识的获取；