返回
本文节选自百度百科
其实设备故障诊断是一种给设备“看病”的技术，是了解和掌握设备在使用过程中的状态，确定其整体或局部是正常或异常，早期发现故障及其原因并能预报故障发展趋势的技术。而它的主要任务有：故障检测、故障类型判断、故障定位及故障恢复等。
性能指标
评价故障诊断系统性能的指标大体上可分为以下三个方面。
检测性能指标
- 早期检测的灵敏度。是指一个故障检测系统对“小”故障信号的检测能力。检测系统早期检测的灵敏度越高，表明它能检测到的最小故障信号越小。
- 故障检测的及时性。是指当诊断对象发生故障后，检测系统在尽可能短的时间内检测到故障发生的能力。故障检测的及时性越好，说明从故障发生到被正确检测出来之间的时间间隔越短。
- 故障的误报率和漏报率。误报率是指系统没有发生故障却被错误地判定出现了故障；漏报则是指系统中出现了故障却没有被检测出来的情形。一个可靠的故障检测系统应当保持尽可能低的误报率和漏报率。
诊断性能指标
- 故障分离能力。是指诊断系统对不同故障的区分能力。这种能力的强弱取决于对象的物理特性、故障大小、噪声、干扰、建模误差以及所设计的诊断算法。分离能力越强，表明诊断系统对于不同故障的区分能力越强，那么对故障的定位也就越准确。
- 故障辨识的准确性。是指诊断系统对故障的大小及其时变特性估计的准确程度。故障辨识的准确性越高，表明诊断系统对故障的估计就越准确，也就越有利于故障的评价与决策。
综合性能指标
- 鲁棒性。是指故障诊断系统在存在噪声、干扰、建模误差的情况下正确完成故障诊断任务，同时保持满意的误报率和漏报率的能力。一个故障诊断系统的鲁棒性越强，表明它受噪声、干扰、建模误差的影响越小，其可靠性也就越高。
- 自适应能力。是指故障诊断系统对于变化的被诊断对象具有自适应能力，并且能够充分利用由于变化产生的新信息来改善自身。引起这些变化的原因可以是被诊断对象的外部输入的变化、结构的变化或由诸如生产数量、原材料质量等问题引起的工作条件的变化 。
诊断方法
基于专家系统
基于专家系统的诊断方法是故障诊断领域中最为引人注目的发展方向之一，也是研究最多、应用最广的一类智能型诊断技术。它大致经历了两个发展阶段：基于浅知识领域专家的经验知识的故障诊断系统、基于深知识诊断对象的模型知识的故障诊断系统。
- 基于浅知识的智能型专家诊断方法
浅知识是指领域专家的经验知识。基于浅知识的故障诊断系统通过演绎推理或产生式推理来获取诊断结果，其目的是寻找一个故障集合使之能对一个给定的征兆（包括存在的和缺席的）集合产生的原因作出最佳解释。基于浅知识的故障诊断方法具有知识直接表达、形式统一、高模组性、推理速度快等优点。但也有局限性，如知识集不完备，对没有考虑到的问题系统容易陷入困境；对诊断结果的解释能力弱等缺点。
- 基于深知识的智能型专家诊断方法
深知识则是指有关诊断对象的结构、性能和功能的知识。基于深知识的故障诊断系统，要求诊断对象的每一个环境具有明显的输入输出表达关系，诊断时首先通过诊断对象实际输出与期望输出之间的不一致，生成引起这种不一致的原因集合，然后根据诊断对象领（域中的第一定律知识）及其具有明确科学依据的知识他内部特定的约束联系，采用一定的算法，找出可能的故障源。
基于深知识的智能型专家诊断方法具有知识获取方便、维护简单、完备性强等优点，但缺点是搜索空间大，推理速度慢。
- 基于浅知识和深知识的智能型专家混合诊断方法
基于复杂设备系统而言，无论单独使用浅知识或深知识，都难以妥善地完成诊断任务，只有将两者结合起来，才能使诊断系统的性能得到优化。因此，为了使故障智能型诊断系统具备与人类专家能力相近的知识，研发者在建造智能型诊断系统时，越来越强调不仅要重视领域专家的经验知识，更要注重诊断对象的结构、功能、原理等知识，研究的重点是浅知识与深知识的整合表示方法和使用方法。事实上，一个高水平的领域专家在进行诊断问题求解时，总是将他具有的深知识和浅知识结合起来，完成诊断任务。一般优先使用浅知识，找到诊断问题的解或者是近似解，必要时用深知识获得诊断问题的精确解。
基于人工神经网
知识获取上，神经网络的知识不需要由知识工程师进行整理、总结以及消化领域专家的知识，只需要用领域专家解决问题的实例或范例来训练神经网络；在知识表示方面，神经网络采取隐式表示，并将某一问题的若干知识表示在同一网络中，通用性高、便于实现知识的总动获取和并行联想推理。在知识推理方面，神经网络通过神经元之间的相互作用来实现推理。
前在许多领域的故障诊断系统中已开始应用，如在化工设备、核反应器、汽轮机、旋转机械和电动机等领域都取得了较好的效果。由于神经网络从故障事例中学到的知识只是一些分布权重，而不是类似领域专家逻辑思维的产生式规则，因此诊断推理过程不能够解释，缺乏透明度 。
基于模糊数学
许多诊断对象的故障状态是模糊的，诊断这类故障的一个有效的方法是应用模糊数学的理论。基于模糊数学的诊断方法，不需要建立精确的数学模型，适当的运用局部函数和模糊规则，进行模糊推理就可以实现模糊诊断的智能化。
基于故障树
故障树方法是由电脑依据故障与原因的先验知识和故障率知识自动辅助生成故障树，并自动生成故障树的搜索过程。诊断过程从系统的某一故障“为什么出现这种显现”开始，沿着故障树不断提问而逐级构成一个梯阶故障树，透过对此故障树的启发式搜索，最终查出故障的根本原因。在提问过程中，有效合理地使用系统的及时动态数据，将有助于诊断过程的进行。于故障树的诊断方法，类似于人类的思维方式，易于理解，在实际情况应用较多，但大多与其他方法结合使用。
案例分享
案例中的客户是开发、设计、制造、销售汽车及汽车零部件（包括新能源汽车及其电池、电机、整车控制技术）、电子电器、金属机械、铸金锻件、粉末冶金、设备、工具和模具的一家汽车制造商公司。在整车生产过程中，需要利用冲压设备将钢板锻造成型，冲压设备故障会对生产过程带来不必要的损失，并存在以下三个痛点：
- 传统的设备运维运维人员需要积累丰富的运维经验，时间、人力成本高；
- 对于设备故障的类型和程度等级难以做出准确的判断；
- 对故障的发生时间以及可能性无法做出精准的预测。
慧都大数据团队对数据进行处理，选择最优的预测模型，对传感器的数据进行相关性探索，找到故障发生的所有相关数据特征（如图方框选择的数据区域所示），从而预测出故障会在接下来的某个时间点出现故障（如图椭圆形区域）。我们的预测模型准确度在90%以上。
模型效果
冲压设备故障5分钟的预测状况
冲压设备故障10分钟的预测状况
效果界面
慧都设备故障预测解决方案项目团队在实施完成后，为客户进行了一个月的项目运行维护，做到了三分钟响应，半小时处理，能够完美融入客户现场生产过程，客户非常满意。最终实现：
- 故障预测准确率93%以上；
- 预测时间只需要100毫秒；
- 节省人工成本现在只需要1个运维人员；
- 方案线上全自动预测，实现了完全的自动化。
如您的企业目前也希望改善设备故障问题，减少设备故障给生产带来的损失，欢迎访问慧都网咨询在线客服，我们将针对性的提供解决方案并发送相关案例给您。
发表评论