【導(dǎo)讀】式，最終達(dá)到提高設(shè)備可靠性、降低發(fā)電成本的目的。對不同的設(shè)備，選擇哪一種維修方式，通過對設(shè)備進(jìn)行定期或連續(xù)的檢測與監(jiān)控，從而評估和診斷設(shè)。備狀態(tài)，并依據(jù)設(shè)備的狀態(tài)特點(diǎn)安排適當(dāng)?shù)木S修活動。狀態(tài)維修采用先進(jìn)的監(jiān)測、分析和診。備進(jìn)行巡回檢查；中間級，設(shè)備介于二者之間。狀態(tài)的劣化是由被監(jiān)測機(jī)器的狀態(tài)參數(shù)變化反映出來的，只有數(shù)據(jù)表明必須進(jìn)行維。的提前期發(fā)出警報，采取適當(dāng)?shù)木S修措施。狀態(tài)監(jiān)測與故障診斷技術(shù)的研究始于60年代航天部門對機(jī)械設(shè)備與系統(tǒng)的故障預(yù)防?！氨O(jiān)測”一詞本身的含義是指為了特殊的目的而進(jìn)行的注視、觀察與校核。經(jīng)過多年的發(fā)展，狀態(tài)監(jiān)測所用的傳感器已有多種多樣，包括電、用的傳感器一般都是所謂的非侵入式的，即所用的傳感器并不干擾被監(jiān)測對象的正常運(yùn)行。對設(shè)備的故障進(jìn)行診斷，是專家根據(jù)狀態(tài)監(jiān)測所得到的反映設(shè)備狀態(tài)的。目前，狀態(tài)監(jiān)測與故障診斷技術(shù)還處在快速發(fā)展之中，盡管從。先進(jìn)的狀態(tài)監(jiān)測與故障診斷

　　

【正文】 技術(shù)已用來監(jiān)測旋轉(zhuǎn)刀具以及用來診斷軸承、齒輪的故障。此外，類似于時－頻分布分析，在自動狀態(tài)監(jiān)測中，高階譜分析可與經(jīng)典假設(shè)檢驗(yàn)綜合運(yùn)用。 分形與混沌特征量 對復(fù)雜機(jī)械系統(tǒng)的監(jiān)測，往往是針對某一時間變量進(jìn)行觀測。這是因?yàn)樵趯?shí)際問題中，有一些變量是難于直接觀測倒的，而在有些極端情況下，甚至不知道系統(tǒng)獨(dú)立變量有幾個，也不知道哪些是系統(tǒng)變量。根據(jù)動力學(xué)系統(tǒng)方法，系統(tǒng)某個變量的時間序列包含著非常豐富的信息，它蘊(yùn)涵著參與動態(tài)的全部變量的痕跡，這是因?yàn)楦鱾€變量之間存在關(guān)聯(lián)作用?？梢杂梅中魏突煦缣卣髁縼砻?述其間的非線性特性，如，如分形維數(shù)、分形譜維數(shù)、時序關(guān)聯(lián)維數(shù)、 Hurst 指數(shù)、柯爾莫哥洛夫熵、李雅譜洛夫指數(shù)等。這些特征量都可適當(dāng)選作監(jiān)測指數(shù)，進(jìn)一步的結(jié)論在研究中。 下面簡述一下關(guān)聯(lián)維數(shù)的 G－ P(Grassberger－ Procaccia) 算法： 設(shè) },2,1=:{ Nkxk ? 是觀測某一系統(tǒng)得到的時間序列，將其嵌入到 m 維歐氏空間 中，得到一個點(diǎn)（或向量）集 )(mJ ，其元素記作 mmnnnn NnxxxmX ,2,1),(),( )1(1 ?? ?? ??? ?? （ 23） 式中： tk??? 是固定時間間隔，即時間延遲， t? 是兩次相鄰采樣間隔， k 是式中整數(shù)； ?)1( ??? mNN m 從這 mN 個點(diǎn)中任意選定一個參考點(diǎn) iX ，計算其余 1?mN 個點(diǎn)到 iX 的距離 2/110 2 ])([),( ??? ?? ??? ml ljlijiij xxXXdr ?? （ 24） 對所有 ),2,1( mi NiX ?? 重復(fù)這一過程，得到關(guān)聯(lián)積分函數(shù) ?? ??? mNji ijmmm rrHNNrC 1, )()1( 2)( （ 25） 式中 H 是 Heaviside 函數(shù)。 對充分小的 r ，關(guān)聯(lián)積分逼近下式 rmDCrC m ln)(ln)(ln ?? （ 26） 17 因此， mR 中子集 )(mJ 的關(guān)聯(lián)維 )ln/)(ln(lim)( 0 rrCmD mr ??? ? （ 27） 當(dāng) )(mD 不隨相空間維數(shù) m 升高而改變時， )(lim2 mDD m ??? （ 28） 它就是動力系統(tǒng)吸引子的關(guān)聯(lián)維數(shù)。 基于分形與混 沌特征量的處理技術(shù)獲取了設(shè)備及過程的監(jiān)測指數(shù)后，可與有關(guān)的監(jiān)測方法結(jié)合運(yùn)用。 傳感器信息融合技術(shù) 多傳感信息融合的基本原理或出發(fā)點(diǎn)就是充分地利用多個傳感器資源，通過對這些傳感器及其觀測信息的合理支配和使用，把多個傳感器在空間或時間上的冗余或互補(bǔ)信息依據(jù)某種準(zhǔn)則來進(jìn)行組合，以獲得被監(jiān)測設(shè)備及過程的一致性解釋或描述，使該信息由此而得到比它的各組成部分的子集所構(gòu)成的系統(tǒng)更優(yōu)越的性能。 傳感器信息融合一般分?jǐn)?shù)據(jù)層融合、特征層融合和決策層融合。 一些諸如貝葉斯推斷、 D－ S（ Dempster－ Shafter）證據(jù)理論、模糊系統(tǒng)、專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)等技術(shù)都可以用于或組合地用于傳感器信息融合。傳感器信息融合已經(jīng)開始用于設(shè)備及過程特別是制造過程的監(jiān)測與故障診斷中。 監(jiān)測與決策方法簡述 經(jīng)典統(tǒng)計模式識別 經(jīng)典統(tǒng)計模式識別方法已廣泛應(yīng)用于設(shè)備及過程的狀態(tài)監(jiān)測中，通常用于狀態(tài)監(jiān)測的模式識別方法可以分為兩大類：統(tǒng)計方法（也稱非確定性分類方法）和自由分布方法（也稱確定性分類方法）。 統(tǒng)計模式識別方法基于貝葉斯估計，它分為最小錯誤分類估計和最小風(fēng)險分類估計，且在一定條件下兩者等價。假設(shè)一個樣本 x 屬于過程狀態(tài) j? 的概率密度為 p( |x j? )；還有，假設(shè) P( j? )是過程狀態(tài)為 j? 的先驗(yàn)概率， ajC 是錯分類損失（把 x 分為 a? 而實(shí)際上它屬于 j? ），? ?xp 是樣本的總體概率密度。于是，將 x 決策為 a? 類的貝葉斯風(fēng)險估計為 ??? ca jajjj xpxpCPxq 1 )](/)|()([)( ?? （ 29） 特別地，如果概率密度 )|( jxp ? 是已知均值為 j? 和方差為 ?j 的高斯 分布，并假設(shè)損失 ajC 是均等的，則方程（ 1－ 29）可做如下簡化： 2/1111 ||lnln2121)( ??????? ???jjjjtjjjtjtj Pxxxxq ??? （ 30） 其中 上標(biāo)“ t”表示矩陣轉(zhuǎn)置。葉貝斯風(fēng)險估計的修正型是最近鄰方法，它使用的判別函數(shù)定義如下： ??? ca aa jjj PpPpxq 1 )( )()( ?? （ 31） 18 其中： jp 是 x 分為 j? 的最近鄰，其定義有許多方法，例如可用 Mahalanobis 距離 ??1jt xx，將導(dǎo)出最近鄰： xp tjj )( 2/1??? （ 32） 在學(xué)習(xí)階段，損失 ajC 和先驗(yàn)概率 )( jP? 事先已定義或給出。于是，概率密度函數(shù)p ( |x j? )（或?yàn)樽罱彛┑膮?shù)可依據(jù)學(xué)習(xí)樣本進(jìn)行估計： kNk jkjj xN ?? ?11 ?? （ 33） ?? ? ???? Nk jktjkjkjj xxN 12 )()(11 ??? （ 34） 其中： jN 是屬于第 j 個過程狀態(tài)的樣本數(shù)目（即 jkx ?? ?)( ）；而 jk? 是按如下定義的 delta函數(shù)： jkjkjk xif xif ?? ??? ?????? )( )(...........01 （ 35） 在分類階段，對一新樣本 x ， ),...,2,1)(( njxq j ? 是首次進(jìn)行計算的。因此，所估計的過程狀態(tài) *j? 可由下式確定： *j? ＝ argmin{ )(xqj } （ 36） 統(tǒng)計模式識別的性能依賴于概率分布 )|( jxp ? 。已經(jīng)證明：如果概率分布是高斯型的，則貝葉斯最小錯誤分類是最優(yōu)的分類。然而，在對設(shè)備及過程的監(jiān)測中，概率分布往往是未知的，其分布不可能接近于高斯型。因此，有時更優(yōu)先地采用自由分布方法。 自由分布的模式識別方法是以樣本 x 和描述過程狀態(tài)的模式之間的相似性為基礎(chǔ)的。從幾何觀點(diǎn)來看，監(jiān)測指數(shù)跨越 m 維空間 S。在這一空間中，每一過程狀態(tài) j? 是由模式矢量 ],...,[ 21 jmjjj pppp ? 來描述的。另一方面，樣本 x 也是空間中的一個矢量。樣本和模式之間的相似性可以由兩個矢量之間的距離來測量。圖 8 示范了一個簡單的例子，其中監(jiān)測指數(shù)是 321 , xxx ，而三個過程狀態(tài)是由模式 321 , ppp 來描述的，給定一個樣本 x ，樣本與 模式之間的距離各自定義為 321 , ddd ，因?yàn)?1d 是最小的，因此決策 x 是狀態(tài) 1? 。 有許多方法可用來定義模式和距離，這將導(dǎo)致各種各樣的分布自由的模式識別方法。已使用的一些方法包括 Mahalanobis 算法、線性判別算法和 Fisher 算法。在 Mahalanobis 算法中，模式是學(xué)習(xí)樣本的均值（即 njp jj ,...,2,1, ?? ? ），其距離定義為： x2 x1 x3 p2 p3 p1 xc d1 d2 d3 圖 8 自由分布模式識別 19 ? ??? j jtjj pxpxxq )()()( （ 37） 線性判別算法也稱為 C－均值算法，使用與上一算法相同的模式，但是距離定義為： ?? ?mi ijijkj cikxwxq 1 2)),(()( （ nj ,.....,2,1? ） （ 38） 其中：ijij cw,分別為權(quán)值和中心值。 在學(xué)習(xí)階段，使用迭代程序，權(quán)值和中心值的最小化由下式來確定： ?? ??? nj kjjkNk xqJ 11 )(? （ 39） 相似地， Fisher 算法使用的模式同上，但距離定義為： xxq tjj ??)( （ 40） 其中 j? 由極大化下式來確定： ? ??? nj j jtjJ 1 ?? （ 41） 通常，二類問題模式識別可以由圖 9 所示來簡潔地描述。模式識別的有效性不僅依賴于判別函數(shù)，而且還依賴于學(xué)習(xí)樣本的分布和過程狀態(tài)的定 義。正如已經(jīng)指出的，實(shí)際中的許多監(jiān)測問題在性質(zhì)上是模糊的。例如，切削過程的刀具磨損可以表示成許多形式，每一個都可能導(dǎo)出不同的結(jié) 果。因此，監(jiān)測決策常 常不是決定于過程狀態(tài)是什么，而是過程在那種狀態(tài)下的程度，這一問題可由模糊識別系統(tǒng)得到更好的回答。 模糊識別系統(tǒng) 模糊系統(tǒng)的概念是由 Zadeh 于 1973 年首次引入的。在這一方法中，不確定事件是由模糊度（也稱之為關(guān)聯(lián)函數(shù)、可能性函數(shù)或隸屬度函數(shù)）來描述的。簡言之，如果 ~A 是一個模糊概念（或不確定事件），而且是 全集 U 的子集，則~A可描述為： ~A＝ )}(μ|{~ xx A （ 42） 其中： Ux? ―~A的取值； )(μ~Ax—~A的模糊度。 模糊度是一個單調(diào)函數(shù)， ?0 )(μ~Ax1? ，“ 0”意指確定的“ no”，而“ 1”隱含確定的“ yes”。圖 10 說明了模糊分類的概念。與普通分類概念相比較，常易混淆的問題是模糊度與概率有何不同點(diǎn)。模糊度表示事件的 圖 10 模糊分類 X2 X1 模糊度 普通分類 模糊分類 1? 2ω 3ω 圖 9 模式識別判別函數(shù) x1 x2 0)()( 21 xqxq jj 0)()( 21 xqxq jj 多項式判別函數(shù) 二次判別函數(shù) 線性判別函數(shù) 20 不精確性（如~A如何接近于~B)，而概率描述的是事件~A出現(xiàn)的頻率（如~A何時可能出現(xiàn) )。許多專著系統(tǒng)地討論 了模糊系統(tǒng)，已開發(fā)了許多基于模糊系統(tǒng)的識別算法，這些方法包括模糊C－均值方法和模糊線性方程方法等。為了處理金屬切削過程中固有的不確定性，使用模糊系統(tǒng)具有一定的優(yōu)勢，它在描述刀具狀態(tài)與各種過程特征之間的關(guān)系方面提供了系統(tǒng)化的手段。 模糊系統(tǒng)方法和識別方法都是基于監(jiān)測指數(shù)的一些排序方法。例如在模糊線性方法中，監(jiān)測指數(shù)在每個均勻分布子區(qū)間中都是相等的加權(quán)。如圖 11 所示，模式識別中的監(jiān)測指數(shù)根據(jù)判別函數(shù)而加權(quán)。盡管如此，實(shí)際上一個監(jiān)測指數(shù)在特定的范圍里，對特定過程狀態(tài)可能尤其敏感。這說明通過把監(jiān)測指數(shù)空間分解成 許多區(qū)域就有可能更有效地利用監(jiān)測指數(shù)。與圖 10 相比較，圖 11 的分解更具柔性，分解的概念引出下面即將討論的決策樹方法。 決策樹 通常，決策樹可以表示成如下的形式： ???????MM DCDCDC......::2211 （ 43） 其中： ),...,2,1( MaCa ? 是相互排斥和完備的邏輯條件； aD 可以是決策樹本身，或樹的一葉，它表示一個過程狀態(tài)（如過程狀態(tài)＝ i? ）。 邏輯條件 aC 表示分類規(guī)則，它通常只包含監(jiān)測指數(shù)中的一個。對一個連續(xù)的監(jiān)測指數(shù) jx ，它可寫為： aC ： = ?ix xit （ or ix xit ） （ 44） 其中： xit 是一閾值。 對離散監(jiān)控指數(shù)，它是： aC ： = ix =d （ or ?Dxi? ） （ 45） 其中 Dd? （ D 是所有可行離散事件的集合），而 ?D 是 D 的子集。 建立決策樹的過程稱為學(xué)習(xí)或訓(xùn)練。有兩類學(xué)習(xí)方法：從指令中學(xué)習(xí)和從樣本中學(xué)習(xí)。對設(shè)備及過程的監(jiān)測，判決決策的指令常常是不完全、不精確和主觀的；另一方面，樣本是從系統(tǒng)化的試驗(yàn)中獲取的，且獨(dú)立于監(jiān)測任務(wù)的。因此，常常首選從樣本中學(xué)習(xí)的方法。 從樣本中學(xué)習(xí)的基本思想是劃分如表 1 所示的樣本，一明顯的劃分是使用每個學(xué)習(xí)樣本作為決策樹（一條分類規(guī)則）的一個分支，這將導(dǎo)致一個大型的決策樹，但它幾乎不能處理新樣本的變化。最好的方式是把相似的樣本組合成決策樹的分支。若找出了 所有可能的組或劃分，最優(yōu)的決策樹就找到了（最優(yōu)決策樹可以類似模式識別的方法，用很多種方式來定義），但這時的計算量成指數(shù)增長，如果樣本數(shù)量很多的話，這是行不通的。因此，有必要開發(fā)用圖 11 決策樹分解監(jiān)測指數(shù)空間 X1 X2 1? 2ω 21