资料.docx

资料.docx

《资料.docx》由会员分享，可在线阅读，更多相关《资料.docx（8页珍藏版）》请在冰豆网上搜索。

资料

此系统由软、硬件实现，主要是有目的地采集相关信息，用适当的分析方法提取有意义的特征；并应用诊断知识与合适的分析策略，分析出系统中故障的部位及原因，并加以定量描述；最后作出诊断决策和状态预测，实现采用了面向对象的分析和编程方法。

主要包括数据采集、信号分析、诊断对象建模、神经网络建模、诊断等模块。

   １面向对象的基本特征[1][3][5][6]

    １．１层次性

   面向对象方法学认为对象都可由相对简单的对象经层层组合而成，因此复杂对象可按其结构抽象分解关系组成层次结构，这样可把复杂系统看成是一个由有限的结构元素按一定规律聚合而成的系统，系统的元素是子系统，子系统的元素可以是更深层次的子系统，如此类推，直至把元素表示为某一具体的物理零件。

现以CE6140型车床的结构分解来说明这种层次结构，示意图如图1所示。

同样，复杂系统的故障也具有层次关系，这样可深入到基本结构元素，找到引起故障的最终原因，如图２所示。

因此，基于机床这一复杂诊断对象的层次特性，可对其进行结构分解和故障分解，以逐步细化缩小故障范围，降低诊断问题求解的复杂性，提高诊断的准确性和灵活性。

   由于机械设备机构和故障的层次性与面向对象技术中的对象的继承性和层次性相对应，因此设备诊断对象的构成适合采用面向对象的方法。

在机械设备中，如果设备的元素或系统有故障，则所有包含这个元素的上级设备子系统直至设备本身也有故障。

而当上一级设备元素有故障，则此故障必源于下一级相应的元素或联系的故障[2]。

   １．２类和实例

   在面向对象方法学中，所有对象都是类的实例。

对象类是建立在对象概念基础上，由类所描述的对象即称为类的实例。

类是实例的模板，也是数据的抽象；实例是类的一个个体。

设备的基本元件有齿轮、轴、轴承等。

可分别设计类，包含其属性描述和功能描述。

如齿轮类声明如下：

TGearTool：

publicTBoxTool{／／从TboxTool继承

public:



TGearTool（）:

TBoxTool（″″）;　

 TGearTool（char*name）:

TBoxTool（name）;／／运用多态性技术

 ～TGearTool（）;            ／／析构函数

 virtualvoidDrawObject（TDC＆）;　／／画齿轮

 booloprrator＝＝（constTGearTool＆other）const;

 GearParamgearparam;／／齿轮属性

protected:

 friendostream＆operator＜＜（ostream＆os,constTGearTool＆tool）;／／运用流类的输入来保存永久对象

friendistream＆operator＞＞（istream＆is,TGearTool＆tool）;／／运用流类的输出打开永久对象

．．．．．．

};

   类与类之间的继承关系也即子类－父类的关系。

上面三个类分别从零部件类Component继承特性，因为齿轮、轴、轴承等可进一步抽取其共性如型号、材料、特征故障频率等，形成零部件类。

齿轮类、轴类等也可进一步派生其它类，如图3所示。

   在软件系统中，这种面向对象程序设计提供的继承机制，可以避免对象的数据和操作的大量重复，实现代码重用，大大地减少了对象、对象类的创建工作量。

这种继承性使所建的软件系统具有开放性，要建立的系统并非从空白开始，而是尽可能利用已建立的系统或已建立的类，以它们为基础进行扩充，考虑向上或向下的接口方法[3]。

   １．３消息传递

   对象间除了通过消息传递完成通信外，不再有任何其它的联系。

消息中可以包含运算参数，也可有对象名。

向某对象发送消息就是要求它根据目前状态和处理能力执行某个操作。

在消息传递过程中，消息发送者只是知道消息接受者具有某种功能，而不知道它的内部结构以及如何实现这种功能，从而支撑了数据的抽象和封装。

诊断系统，主要由齿轮、轴、轴承等零部件对象通过一定的传动关系有序组成，当此传动链上的某根轴接受到赋予其转速的消息时，则根据对象内所提供的操作计算出该轴的特征频率，同时发送消息给此传动链上相关对象。

这些对象接受到消息后，分别在其内部根据一定的传动信息计算出对象的特征频率。

诊断过程也是用消息来触发，例如对于齿轮故障诊断，当齿轮对象接受到其它对象所发出的诊断消息时，它会根据其当时的状态如故障特征频率、故障特征频率处的相对幅值比、归一化值等信息，发送消息给相应的模糊神经网络自动进行推理、诊断，而不需要外部的干涉，并且其它对象也不知道它的内部实现过程。

对象间的发送消息实现了机械设备的诊断，如图4所示，图中FNN（FuzzyNeuralNetwork）表示模糊神经网络模型。

   ２知识的面向对象表示

   复杂系统诊断问题求解中涉及到的诊断知识很多，不仅包括诊断对象的结构与功能方面的知识，还包括各种因果知识、启发性知识经验等，因此需把各种知识有机地结合起来。

面向对象的方法可以将故障诊断知识组成一种混合知识表达形式，即以对象为中心，将对象的属性动态行为特征、相关领域知识库和处理方法等有关知识封装在表达对象的结构中，使故障诊断知识库或文档具有良好的体系结构；通过对象类的知识表达，实现数据抽象与信息共享。

   ２．１机械设备的面向对象表示

   由前面叙述可知，诊断对象可分离出各个零部件对象，同时以对象的形式写出其功能描述和行为描述。

每个对象以知识的载体独立于其它对象，每个子对象可写出其功能和结构接口描述，以便零部件对象出现在某一特定子对象中，建立与其它零部件对象的功能和接口联系。

诊断对象的知识库可由这些零部件知识对象有机地“堆”在一起组成，我们所开发的面向对象的“机械设备建模工具”把此特性提高到了新的高度。

工程师可方便地根据机械设备的传动关系，利用系统所提供的轴、轴承、齿轮、离合器等建模工具方便地作出设备的机械构造示意图，并可通过友好的人机接口赋予零部件对象一定的信息，如轴承滚动体的个数、接触角、节径等。

此诊断对象可方便地修改、查询，当此传动链上的任意一根轴被赋予一定的转速后，诊断对象能根据对象间的消息传递自动搜索其传动链关系并计算工作频率等参数，搜索后的信息保存在各零部件对象中。

诊断设备的面向对象的知识表示和建模方法增加了知识的可重用性和通用性，减轻了工作人员的计算任务。

   ２．２诊断知识的面向对象表示

   不同零部件对象的故障模式对应不同的故障文档库，为此可分别对轴、轴承、齿轮、离合器等建立故障文档库，文档库的知识应可方便地修改、增加、删除等。

每个文档库包含的知识可分为两部分，一部分为故障知识的模糊规则表示；另一部分为储存模糊诊断知识的神经网络。

之所以用神经网络来储存模糊规则，是因为神经网络的学习机制可对原有规则进行修改、加入新规则、对修改的规则和新加入的规则进行检查等，且可避免在模糊推理过程中增加模糊性的缺点。

在具体实现中，可采用五层FNN保存诊断知识，用神经网络实现模糊推理[7]；而模糊规则则用网络的节点对象、连接权对象、连接结构等来翻译解释。

网络对象可由开发的“神经网络建模工具”来实现，根据不同的故障规则知识表示可建立不同的网络对象。

   对于具体网络，可通过网络对象所提供的初始化方法完成信息的搜寻，如：

网络的最大层数，网络的输入节点、输出节点及隐层节点，每个节点对应的网络层号，与每个节点相连的前层所有的节点、连线，与每个节点相连的下一层所有的节点、连线，以及每个节点对象的所选函数、阈值等。

所以网络的节点对象和连线对象通过初始化根据不同的诊断知识保存了不同的信息。

这符合面向对象的知识表达，即以对象为中心，包含与其相关的完成特定任务的所有知识。

   ３面向对象的诊断推理

   面向对象的表达机制在诊断推理中起着重要的作用，因为面向对象表达的结构特征有助于有效地组织和控制推理行为，同时其本身具有自动推理机制[2]。

诊断推理过程以五层模糊神经网络为例。

它能根据网络中各个输入节点对象的输入值、阈值、输入输出函数，连线对象的权值，隐层节点对象的输入值、阈值、输入输出函数等一层层地前向推理，最终得到输出节点对象所存储的诊断值，如图5所示。

之所以能自动地前向推理，是因为每层的节点对象及连线对象不仅存储了一定的故障规则知识，还存储了对象间的接口连接信息。

这种诊断推理算法迅速、可靠。

它不仅仅适用于某一特定网络，而且适用于其它具体网络，网络的层数及节点函数等网络信息均未定死。

前面提到的网络对象的建模使它可对故障知识的更新适应得非常快，而故障知识的及时更新又保证了诊断的可靠、准确。

所以这种面向对象的诊断推理方法可用于动态变化的系统，系统变化时，只要非常简单地操作即可更新故障信息。

因此，当设备故障发生时，诊断网络会用最新的信息去进行诊断工作。

   ４多态性及动态链接

   多态性指相同的操作（或函数、过程）为不同的对象所接受时，可导致不同的行为，即同一操作有不同的实现方法。

主要表现在：

运算符重载、虚函数与动态链接。

在图3所示的零部件类中，有一个画图函数DrawObject（）就应用了多态性技术，它能根据不同的对象执行不同的动作。

其声明如下：

 classParts{

 ．．．．．．

 virtualvoidDrawObject（）{}　

 };

 齿轮类的声名为：

 classGear:

publicparts{

 ．．．．．．

 virtualvoidDrawObject（）{DrawGear（）;}　

};

   可以看出零部件类的DrawObject（）函数什么也没有做，但是当用齿轮来产生一个具体对象时，则调用零部件类的DrawObject（）函数，它能根据具体对象作出齿轮图形。

也就是当这个基类Parts接受到图形消息时，能根据不同的具体对象如齿轮、轴承等调用不同的方法作出合适的动作，画出齿轮、轴承等不同的图形。

动态链接主要指调用操作的机制。

由于面向对象的程序设计中所有操作都与某个对象有关，因此可以在程序执行时根据对象特性具体确定操作。

采用动态链接使程序设计具有良好的灵活性，程序段的功能可进行单纯的功能增减，而不必修改原有的程序。

引言

该系统通过工业以太网实现上位监控机和可编程控制器PLC通讯和数据交换，上位机从PLC采集现场生产数据，作为故障判断和定位的基础，在上位机上以RSVIEW工业监控软件作平台，制作适宜于项目的画面，上位机对采集的数据进行处理，判断现场各设备工作状态，状态的正误以不同的形式在项目画面上显示出来。

2系统配置

系统是基于WINDOWSNTSEVER4.0操作系统和RSVIEW32工业监控软件为平台进行开发的。

系统硬件采用IPC610研华工控机，主频800Hz，40G硬盘。

系统不另配主机，与原监控画面并行运行，系统同时在4台监控机上运行，与原MMI由身份识别程序进行窗口切换。

采用工业以太网，将现场5套AB5/40E工业控制器PLC和4台上位监控机进行连接，实现数据通讯。

在该系统中，以4套ABPLC-5/40E作为主控制器，分别用于连铸机的公用系统及3套铸流系统的自动控制。

共25台变频器则各自作为远程站与PLC进行通讯:

其启动、停止、调速等指令均由PLC以数据通讯形式下达给变频器，同时变频器的各种状态数据以同样形式反馈给PLC。

用于公用控制的PLC系统中，主机架通过CPU外挂5个扩展机架，2块远程输入/输出模板（RIO）及4台变频器。

用于铸流控制的3套PLC系统的配置完全相同，均是:

主机架通过CPU外挂2个扩展机架，3块RIO及7台变频器。

硬件和网络配置图如图1所示。

图1融合技术诊断总体构架图

3.2锅炉故障特点

锅炉设备是一个复杂的系统，它是由一系列子系统和部件组成的多层次系统。

同一层次的不同系统之间通过进出口相连接，每一个子系统和部件都具有其固有的结构和功能，而且相互之间密切配合，不同层次之间也相互联系，整个系统的特性就是由这些子系统和部件的特性以及它们之间的联系决定。

如果某一系统的输出或约束条件偏离了预期目标，则认为该系统发生异常，它可能是由于本系统发生的故障引起的，也可能是由于该系统的异常输入引起的异常输出，而这些异常输出又会引起与之有联系的更上一层系统的状态变化。

所以，故障的传播过程实质上是异常输出的传播过程。

例如，对于减温水调节系统，当给水泵故障作为原发性故障又会使喷水流量减少引起主蒸汽温度过高，这样就形成了一个故障链。

通过对锅炉系统的故障及其传播机理的分析，可以看出锅炉故障具有以下特点:

（1）层次性:

这是电站锅炉设备故障的最基本特性，是由于设备结构的层次性所决定的。

任何故障都是与设备的某一层次相联系的，高层次的故障是由低层次的故障引起的，而低层次的故障必定引起高层次的故障;

（2）相关性:

这就是电站锅炉设备的故障诊断的“横向性”，是由系统各个参数之间的联系所决定的。

当一个参数或联系发生变化，势必导致同它相关的参数或联系的状态也发生变化，进而导致这些参数或联系自身也发生故障，这就带来了同一层次系统中多个故障同时存在的现实。

任何一个原发性故障都存在多条潜在的故障传播途径，因而可能引起多个故障同时存在;

（3）延时性:

锅炉故障的传播机理表明，从原发性故障到系统级故障的发生、发展与形成，是一个由量变到质变的过程，即故障具有延时性。

这一特性提供了一个极为重要的事实，那就是故障可以早期诊断，也可以预测，从而可以达到“防患于未然”的目的。

只要在系统内相应的输出、特征信号或征兆尚未超出允许的范围之前，测出这些变化，并且获得这些变化的规律，就可能由此作出有关系统、参数或联系的当前状态、状态趋势与未来状态的判断。

故障的延时性是实现故障诊断的预测与早期诊断的基础。

4故障的多技术融合诊断

鉴于锅炉设备是一个复杂大系统，单一诊断方法的诊断系统很难实现对故障的准确定位等，可供选择的是多技术于一体，发挥各自优势，注意多技术的结合。

（1）模糊逻辑技术和神经网络技术相结合

在实际应用中，锅炉故障和征兆之间绝非二值逻辑，存在程度上的差异，如不考虑这种差异，就必然使故障诊断的结论的可信度很低，如阈值低，稍有越限就判定为故障发生，若阈值过高，则许多故障征兆，或轻微故障都被认为是正常的，而不予报警。

而经典逻辑和经典集合论都有明确的界限:

非“0”即“1”，非“T”即“F”，这给故障诊断知识的表示和算法以及由此产生的推理规则和数学模型都带来很大的误差和明显的失真。

采用模糊逻辑算法可克服上述的不足。

但是在模糊系统中，模糊规则的总结和模糊隶属函数的调节主要依靠经验，存在着类似于人类专家系统的“瓶颈问题”，而且具有较大的主观性。

人工神经网络具有自学能力，可以实现函数模拟、模式分类等功能，为此，采用模糊系统和人工神经网络结合的办法来解决上述问题。

模糊神经网络继承了人工神经网络的学习能力，通过对数据样本的学习，可以自动总结模糊规则，自动调整隶属度函数。

通过在锅炉热力参数征兆提取和神经网络输入数据预处理阶段采用模糊数学处理方法来实现模糊逻辑技术与神经网络技术的结合。

（2）专家系统技术和神经网络技术相结合

将模糊神经网络技术和基于知识的故障诊断专家系统技术相结合起来应用于电站锅炉故障诊断过程，能实现符号推理于神经网络推理的有机结合，具有层次清晰、容易理解、推理效率高等优点，该锅炉诊断系统能够较好的模拟人类专家的逻辑思维和形象思维能力。

专家系统技术和神经网路技术相结合的方式主要体现在知识获取和知识表示这两个方面。

知识获取方面，采用2种机制:

在神经网络中采用机器学习来获取;在外层采用传统方法。

采用机器学习的方法主要是为了解决知识获取的瓶颈问题。

知识处理方面，采取一种“结合型”的知识表示，即在需要表达复杂启发性、时序性专家知识的情况下，沿用专家的知识表达方式，使用规则集表达专家知识;否则，很难找到合适的领域专家且获取规则集比较困难，而实例数据丰富、可靠的情况下，采用样本实例表达外部知识。

采取多种知识表示方法可提高系统的灵活性。

（3）专家系统技术和神经网络技术相结合

系统采用整体结构分散化与子网络并行集中相结合来完成故障诊断，结构分散化主要是指计算各故障类型的网络分散化，子网络并行集中化是指各网络之间的关系是并联的。

一方面，分层后的网络一般比不分层的网络规模小得多，从而使训练的时间大为减少;另一方面，相互无关的故障和原因之间除去没有必要的连接减小了规模，而且由于各故障诊断采用并联的组合式，仍然具备神经网络大规模并行处理的特征，这样既可以提高诊断速度和准确度，又可以同时诊断多个故障。

（4）分层次的融合诊断方法

在系统中，诊断方法体现在诊断过程的不同阶段采用了相应的处理与诊断方法，如数据和征兆预处理与诊断方法，如在数据和征兆预处理阶段采用了模糊数学处理方法;在故障诊断知识库的阶段以面向对象的方法为前提，结合基于知识和基于模糊神经元网络混合的方式;在寻找故障与原因阶段采用以模糊神经元网络作为推理机制的诊断方法;在进行故障验证阶段采用了基于规则的推理方法，也就是利用规则知识推理出处理对策及诊断过程解释，利用模型知识推理验证。

（5）故障融合诊断的工程实践

工程实现主要涉及软件系统研制，难点在于软件信息平台的选取，最好选用美国Wonderware公司的工业自动化软件套件FactorySuit，因为它为绝大数的工厂应用提供了核心技术，包含了建立、测试、运行和验证程序的强大工具。

FactorySuit套件包含的核心组件:

IndustrialApplicationsever:

基于ArchestrA技术的新一代分布式工业自动化平台软件

Intouch:

过程可视化模块

IndustrialSQLServer:

实时关系型工厂数据信息库

I/O和OPC程序库:

有近1000个I/O通信程序（即I/OServer），和OPC程序库，通过该

由于FactorySuit本身的组体之间是无缝集成的，开发周期短，工作量小，可以把主要精力放在诊断方法研究改进上，这有利于故障诊断系统的快速组态与修改。

选用Wonderware信息平台的最大优点是各种工控异构系统的数据、信息等都可方便地通过FactorySuit套件I/OServer进入实时关系型数据库IndustrialSQLServer内，以此为基础进行诊断系统的无缝集成绝非难事。

5结束语

复杂系统的故障诊断涉及诸多方面，如硬件环境建设、软件平台的选取、诊断方法和技术研究等，本文仅就诊断技术融合和软件平台选取作了初步分析，从初步实践看上述方法是可行的。