的故障。
14
基于人工智能的诊断方法
近年来，人工智能及计算机技术的迅猛发展为故障诊断技术提供了新的理论基础，出现了基于知识、不需要对象精确数学模型的故障诊断方法。141基于神经网络的诊断方法神经网络是一种通过模拟人脑而建立起来的自适应非线性动力学系统，它具有自学性和并行计算能力，可以实现分类、优化、自组织、联想记忆和非线性映射等功能。它以分布式的方式储存信息，利用网络的拓扑结构和权值分布实现非线性的映射，并利用全局并行处理实现从输入空间到输出空间的非线性信息变换。它在故障诊断中的具体应用方式有：1神经网络诊断系统。对特定问题建立适当的神经网络故障诊断系统，可以从其输入数据代表故障症状直接推出输出数据代表故障原因，从而实现故障检测与诊断；2采用神经网络产生或评价残差，并做进一步诊断；3采用神经网络做自适应误差补偿。但是，神经网络在故障诊断应用也存在一些局限性，比如无法融入经验性的知识，且需要足够的学习样本才能保障诊断的可靠性，其“黑箱”结构难以了解系统的行为，在对复杂系统进行诊断时，往往由于网络规模过于庞大和学习训练时间太长等问题，降低了神经网络的实用性等。目前的神经网络诊断方法主要运用于提取稳态特征参数。142基于粗糙集的诊断方法粗糙集理论是Pawlak教授于1982年提出的一种刻画不完整性和不确定性的数学工具，能有效地分析和处理不精确、不一致及不完整等各种不完备信息，并从中发现隐含的知识，揭示潜在的规律。它最主要的优点是无需提供所需处理的数据集合之外的任何先验信息，对问题不确定性的描述和处理比较客观。基于粗糙集的故障诊断基本思想是把观察或测量到的故障征兆，作为对故障分类的条件属性，实际存在的故障作为决策属性，建立决策表，利用RS理论强大的约简能力对原始决策表进行化简而得到多个与原始决策表等价的约简，然后对约简进一步化简，化简决策表删除多余的属性后就可以得到故障诊断规则。单一RS理论要求采集的信息是准确完整的。但实际上得到的采集信息不可能永远是完备的，它会遇到噪声、数据丢失及海量数据等问题，且传统RS不适合处理连续属性，因而实际应用过程中，RS通常与其他智能技术融合起来使用。143遗传算法20世纪60年代中期，美国学者Joh
Holla
d在Fraser等人提出了位串编码技术，并将该技术应用于自然和人工系统的自适应行为的研究。于1975年出版了专著《Adaptatio
i
Naturala
dArtificialSystr