摘 要:高速公路机电系统的运行和维护是当前高速公路管理中的一个重要课题,通过对智能故障技术的研究和当前机电系统故障处理的分析,提出一种适用于高速公路机电系统故障的智能诊断系统。
关键词:高速公路 机电系统 智能故障诊断 故障树 专家系统
中图分类号:U412文献标识码:A文章编号:1672-3791(2011)11(b)-0107-01
随着高速公路机电工程建设的迅速发展,规模不断扩大,如何做好机电系统的运行管理和维护成为人们关注的焦点。高速公路机电设备有着不间断运行、工作负荷大、工作环境恶劣等特点,在日常维护工作中会碰到很多棘手的故障,所以只有查明原因及时排除故障,才能保障设备正常运行。目前,智能故障诊断技术已成为一个十分活跃的研究领域。近几十年来,国内外故障诊断技术得到了广泛的研究与发展,提出了众多可行的方法。本文通过对几种主要智能诊断技术的介绍,结合现有高速公路机电系统的特点,提出相应的诊断策略。
1 基于专家系统的方法
专家系统故障诊断方法,主要用于那些没有精确数学模型或很难建立数学模型的复杂系统。其诊断过程是当计算机接收到故障信息后,综合运用各种规则(专家经验),进行一系列的推理,快速找到最终故障或最有可能的故障。故障诊断专家系统是诊断领域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故障诊断技术。
这种方法不依赖于系统的数学模型,而是根据人们长期的实践经验和大量的故障信息知识设计出的一套智能计算机程序,以此来解决复杂系统的故障诊断问题。对于复杂系统的故障诊断,这种基于专家系统的故障诊断方法尤其有效。
专家系统主要具有以下特点:具有丰富的经验和高水平的技术及专家水平的专门知识;能够进行符号操作;能够根据不确定的知识进行推理;具有自我知识;知识库和推理机明显分离,这种设计方法使系统易于扩充;具有获取知识的能力;具有灵活性、透明性及交互性;具有一定的复杂性和难度。但由于客观现实的复杂多样性,使得专家的领域知识,有时很难提炼到规则这一地步,这使专家系统的发展受到了一定的限制。
2 故障树故障诊断方法
故障树分析法(Fault Tree Analysis)简称FTA,是系统安全分析中广泛应用的一种方法,它采用逻辑方法,形象地进行故障分析工作,体现了以系统工程方法研究安全问题的系统性、准确性和预测性。由美国贝尔电话实验室的H．A．Walson首先提出,它是一种系统可靠性分析方法。利用故障树分析法不仅可以寻找潜在故障或进行故障诊断,而且可以进一步预测系统故障发生的概率。故障树分析法是一种由果到因、自上而下的逻辑分析方法,其过程可概括为:从结果(即某一故障事件)开始,找出导致该事件发生的直接因素。然后对诸因素分别寻找其各自的直接原因,重复执行该过程,直至把形成设备故障的基本事件分析出来为止。依照此方法分析系统发生故障的各种途径和可靠性特征量,然后对各基本事件赋予先验概率值,就可以应用故障树模型进行可靠性分析以及诊断决策。故障树由3种符号构成:事件符号、逻辑门符号、转移符号。事件符号用于表示各种顶事件、中间事件和底事件;逻辑门符号用于表示各事件之间的逻辑关系;转移符号则主要是为使图形简明、避免重复绘图而设置的符号。
3 基于模糊推理的方法
模糊逻辑的引入主要是为了克服由于过程本身的不确定性、不精确性以及噪声等所带来的困难,因而在处理复杂系统的大时滞、时变及非线性方面,显示出它的优越性。在模糊理论中引入了“部分真”,“部分假”的概念,这是与传统的要么真(1)要么假(0)的认识最大的区别与进步。在模糊集理论中,对模糊集定义了一系列的操作,这与传统集合的操作是相似的。模糊推理是利用模糊推理规则对有条件的和无条件的模糊命题或规则进行操作。
故障检测时,特征信号有时是连续变化的,这种变化易导致测量误差和噪声,因此,很难定义可靠的测量阈值。模糊逻辑通过使用部分重叠的语言变量给这个问题提供了很好的解决方法。故障诊断时,由于测量到的特征信号值不完全精确,因此,该过程的诊断也只是近似的。基于模糊规则的模糊推理系统对该问题提供了一种解决方法。
4 基于神经网络的方法
人工神经网络(Artificial Neural Network,ANN)是由大量神经元广泛互连而成的复杂网络系统。ANN是对人类大脑神经细胞结构和功能的模仿,具有与人脑类似的记忆、学习、联想等能力。在ANN中,信息处理是通过神经元之间的相互作用来实现的,知识与信息的存储表现为分布式网络元件之间的关联,网络的学习和识别取决于各神经元连接权值的动态演化过程。ANN是大规模并行结构,信息可以分存储,并且具有良好的自适应性、自组织性和容错性,因此,ANN在故障诊断领域已经得到广泛的应用。随着神经网络理论的发展,到目前为止也形成了许多种神经网络系统与算法,例如多层感知器网络中经典的BP网及算法,径向基函数神经网络中RBF网及其算法,Hopfield网及其算法,自组织特征映射中SOFM结构及其算法等。
5 基于案例的推理方法
基于案例推理(Case－based Reasoning,简称CBR)是近年来人工智能领域中兴起的一项重要的推理技术。它通过访问案例库中的同类案例(源案例)的求解,从而获得当前问题(目标案例)的解决方法。CBR的基本过程是:当遇到一个新的问题时,系统根据关键的特征在原始的案例库中进行检索,找出一个与待求问题最相近的候选案例,重用此候选案例的解决方法。如果对此候选案例的解决方法不满意,可以对它进行修改以适应待求问题,最后把修改过的案例作为一个新的案例保存在库中,以便下次遇到类似的问题时作为参考。CBR以案例作为知识元,知识获取和表示自然直接,并且具有自学习功能。基于案例推理能通过修改相似问题的成功结果来求解新问题。它将获取新知识作为案例来进行学习,不需要详细的应用领域模型。CBR的主要技术包括案例表达和索引、案例检索、案例修订和案例学习等。
总之,故障诊断是一门实用性很强的技术,因此只有在实际应用中才能体现它的价值。目前在理论研究方面虽有不少进展,但真正在工程实践中成功应用的实例还较少,因此,如何将先进的故障诊断理论与方法应用到实际中去还有待深入的研究。故障定位与处理是一门科学,它对维护人员是的知识水平要求很高,维护人员不仅要了解系统的工作原理,而且要具有一定处理故障的思维方法,只有在工程中不断积累经验,维护人员经常交流故障处理方法,才能不断提高维护水平,保障高速公路快速、安全、高效运营。基于故障树的专家系统建立为故障的快速查找定位和处理提供一个有效的平台,有助于高速公路的机电系统管理实现智能化。
参考文献
[1] 孔祥宏.收费系统的安全控制策略［J］.黑龙江交通科技,2009(9):158～160．
[2] 王万森.人工智能原理及其应用(第2版)［M］.北京:电子工业出版社,2007．
[3] 李海燕.如何做好高速公路机电系统维护管理［J］.山西交通科技,2009,6(3):71～72．