本發(fā)明涉及人工智能、故障診斷，更具體地涉及一種機(jī)械設(shè)備故障診斷系統(tǒng)。
背景技術(shù)：
故障診斷技術(shù)是一門(mén)綜合技術(shù)，它涉及多門(mén)學(xué)科，如現(xiàn)代控制理論、可靠性理論、數(shù)理統(tǒng)計(jì)、信號(hào)處理、模式識(shí)別、人工智能等學(xué)科。故障理論由低級(jí)到高級(jí)，可分為四個(gè)主要方面的內(nèi)容：(1)故障建模。按照先驗(yàn)信息和輸入輸出的關(guān)系，建立系統(tǒng)故障的數(shù)學(xué)模型，作為故障檢測(cè)與診斷的依據(jù)；(2)從可測(cè)或不可測(cè)的估計(jì)變量中檢測(cè)故障；(3)故障的分離與估計(jì)。如系統(tǒng)發(fā)生了故障，給出故障源的位置，區(qū)別出故障的原因，確定故障的程度、大小、故障發(fā)生的時(shí)間及故障的時(shí)變特性；(4)故障的分類(lèi)、評(píng)價(jià)與決策。
從故障發(fā)生的部位來(lái)看，可分為儀表故障、執(zhí)行器故障和元件故障；根據(jù)故障性質(zhì)，可分為突變故障和緩慢故障；從建模角度可分為乘性故障和加性故障。至于故障診斷的方法，一般可分為硬件冗余方法和軟件冗余方法。硬件冗余方法需要增加測(cè)試設(shè)備，使系統(tǒng)復(fù)雜，成本高，所以多采用軟件冗余。軟件冗余方法可分為兩大類(lèi)：一是基于控制系統(tǒng)解析模型的診斷方法；二是不依賴(lài)于解析模型的診斷方法，它又可分為基于信號(hào)處理的診斷方法和基于知識(shí)的診斷方法。
機(jī)械故障診斷是一個(gè)典型的信息融合過(guò)程，需要對(duì)機(jī)器運(yùn)行過(guò)程中的多種信息進(jìn)行綜合處理和協(xié)同分析。在實(shí)際應(yīng)用中，機(jī)器特征信號(hào)(如振動(dòng)、噪聲)和機(jī)器運(yùn)行參數(shù)(如工作介質(zhì)壓力、溫度)很多，都能反映機(jī)器運(yùn)行的狀態(tài)。首先要對(duì)獲得的機(jī)器特征信號(hào)或機(jī)器運(yùn)行參數(shù)進(jìn)行特征提取，之后還需要對(duì)診斷特征進(jìn)行壓縮或約簡(jiǎn)，剔除不需要的特征，或?qū)Υ罅康奶卣鬟M(jìn)行簡(jiǎn)化，從而大大減少診斷信息融合過(guò)程的計(jì)算工作量，提高故障診斷的效率。
對(duì)機(jī)械故障診斷系統(tǒng)而言，由于故障產(chǎn)生的機(jī)理不清楚，故障的表現(xiàn)形式不惟一，有時(shí)是含糊的，在提取故障特征時(shí)也時(shí)常有盲目性，從而導(dǎo)致了實(shí)際描述的機(jī)器狀態(tài)之間是不分明的。描述機(jī)器狀態(tài)的特征往往很多，有些特征是相關(guān)的，有些是獨(dú)立的。獨(dú)立的特征能提供互補(bǔ)信息，因而應(yīng)加以保留；相關(guān)性特征產(chǎn)生冗余信息，同時(shí)會(huì)增加計(jì)算工作量，因而需要加以消除。
在現(xiàn)有的研究成果和公開(kāi)文獻(xiàn)中，尚未發(fā)現(xiàn)在保證診斷精度大致不變的情況下，減少不確定因素，減少特征維數(shù)，降低計(jì)算工作量的機(jī)械設(shè)備故障診斷系統(tǒng)。
技術(shù)實(shí)現(xiàn)要素：
發(fā)明目的。
本發(fā)明提出了一種機(jī)械設(shè)備故障診斷系統(tǒng)，保證診斷精度大致不變，減少不確定因素，減少特征維數(shù)，降低計(jì)算工作量。
本發(fā)明所采用的技術(shù)方案。
本發(fā)明提出的一種機(jī)械設(shè)備故障診斷系統(tǒng)，由感知元件、硬件/軟件系統(tǒng)、人機(jī)交互接口組成，感知元件與硬件/軟件系統(tǒng)相連，感知元件將信號(hào)傳輸給硬件/軟件系統(tǒng)，硬件/軟件系統(tǒng)與人機(jī)交互接口相連，人通過(guò)人機(jī)交互接口與硬件/軟件系統(tǒng)交互信息。
更進(jìn)一步，感知元件動(dòng)態(tài)檢測(cè)機(jī)械設(shè)備的特征信號(hào)，包括振動(dòng)、噪聲。
更進(jìn)一步，感知元件動(dòng)態(tài)檢測(cè)機(jī)械設(shè)備的運(yùn)行參數(shù)，包括工作介質(zhì)壓力、溫度。
更進(jìn)一步，硬件/軟件系統(tǒng)中的硬件部分完成信號(hào)處理，包括將模擬信號(hào)轉(zhuǎn)換為數(shù)字信號(hào)。
更進(jìn)一步，硬件/軟件系統(tǒng)中的軟件部分采用粗糙集理論中的屬性約簡(jiǎn)算法：
(1)構(gòu)造信息表;
(2)按決策屬性對(duì)對(duì)象集進(jìn)行分類(lèi)，產(chǎn)生意想集k;
(3)計(jì)算全體屬性集c的分類(lèi)質(zhì)量γc(k);
(4)計(jì)算組合屬性集q的分類(lèi)質(zhì)量γq(k)，q<c;
(5)r=min{q，q<c}，r就是原屬性集c的約簡(jiǎn)。
其中，由狀態(tài)屬性集p所確定的不可分辨對(duì)象集稱(chēng)為p單元集，由決策屬性集所確定的不可分辨對(duì)象集稱(chēng)為意想。單元集表示根據(jù)狀態(tài)屬性(如癥狀等)對(duì)對(duì)象所做的一種分類(lèi)結(jié)果，而意想則表示根據(jù)決策屬性對(duì)對(duì)象所做的分類(lèi)結(jié)果，單元集和意想不一定完全相同。
更進(jìn)一步，故障組成的對(duì)象集為u={e1,e2,e3,e4,e5…,e10},意想k={{e1,e2},{e3,e4},{e5,e6},{e7,e8},{e9,e10}},意想是根據(jù)故障類(lèi)型劃分的。
本發(fā)明所產(chǎn)生的技術(shù)效果。
本發(fā)明經(jīng)過(guò)多次實(shí)驗(yàn)，得出硬件/軟件系統(tǒng)中的屬性約簡(jiǎn)算法，減少不確定因素，減少特征維數(shù)，降低計(jì)算工作量，保證診斷精度大致不變。
附圖說(shuō)明
圖1為本發(fā)明的機(jī)械設(shè)備故障診斷系統(tǒng)示意圖。
具體實(shí)施方式
實(shí)施例
在實(shí)驗(yàn)汽車(chē)發(fā)動(dòng)機(jī)上模擬多種油路故障，并測(cè)量各種故障下的噴油壓力曲線(xiàn)，然后總結(jié)出油路系統(tǒng)故障與油管壓力波形信息間的關(guān)系。
故障診斷系統(tǒng)的感知元件為液體壓力傳感器。
粗糙集理論中的屬性約簡(jiǎn)算法：
(1)構(gòu)造信息表;
(2)按決策屬性對(duì)對(duì)象集進(jìn)行分類(lèi)，產(chǎn)生意想集k;
(3)計(jì)算全體屬性集c的分類(lèi)質(zhì)量γc(k);
(4)計(jì)算組合屬性集q的分類(lèi)質(zhì)量γq(k)，q<c;
(5)r=min{q，q<c}，r就是原屬性集c的約簡(jiǎn).
汽車(chē)發(fā)動(dòng)機(jī)供油系統(tǒng)故障組成的對(duì)象集為u={e1,e2,…,e10}，意想k={{e1,e2},{e3,e4},{e5,e6},{e7,e8},{e9,e10}}，意想是根據(jù)故障類(lèi)型劃分的。
計(jì)算得對(duì)應(yīng)屬性集{s1,s2,s3,s4,s5}，分類(lèi)質(zhì)量γp(k)=0.8;滿(mǎn)足r=min{q,q<p}的最小屬性集有{s1,s2,s5}、{s1,s4,s5}、和{s2,s3,s5}，主導(dǎo)屬性為{s5}。
在保證分類(lèi)質(zhì)量不變的情況下，原特征中有3個(gè)特征是主要的，3個(gè)特征集可能有4種情況，其中最核心的特征是噴油提前角。根據(jù)經(jīng)驗(yàn)，噴油提前角能夠決定汽車(chē)發(fā)動(dòng)機(jī)的燃燒狀況，是反映發(fā)動(dòng)機(jī)供油系統(tǒng)故障的一個(gè)主要指標(biāo)，驗(yàn)證了診斷結(jié)果是正確的。