没有合适的资源?快使用搜索试试~ 我知道了~
为解决在设备状态监测应用中建立智能诊断模型经常面临的历史样本数据空间有限的问题,研究了智能诊断模型的自更新机制,并采用统一建模语言进行进行了分析建模。在此基础上,表示了该机制的实施架构。该机制的基本思想是用实际设备状态监测过程中的监测数据来更新智能诊断模型。在此机制作用下,通过在设备状态监测过程中跟踪设备状态的变化,一个基于有限的设备状态样本空间训练的智能诊断模型能够在模型失效的情况下,通过学习新设备状态下的监测数据不断提升其诊断能力。验证。
资源推荐
资源详情
资源评论
高技术通讯201
1年第21卷第12期:1305~1311
doi:lO.3772/j.is8n.1002.I)470.2011.12.014
设备状态智能诊断模型的自更新机制及其UML建模①
刘海宁②’
段斌华”
李楠+
刘成良③。
(’上海交通大学机械系统与振动国家重点实验室
上海200240)
(”上海机床厂有限公司
上海200093)
摘要为解决在设备状态监测应用中建立智能诊断模型经常面临历史样本数据空间有
限的问题,研究了智能诊断模型的自更新机制,并采用统一建模语言对其进行了分析建
模。在此基础上,给出了该机制的实施架构。该机制的基本思想是用实际设备状态监测
过程中的监测数据来更新智能诊断模型。在此机制作用下,通过在设备状态监测过程中
跟踪设备状态的变化,一个基于有限的设备状态样本空间训练的智能诊断模型能够在模
型失效的情况下。通过学习新设备状态下的监测数据不断提升其诊断能力。该机制的可
行性和有效性通过实例应用得到了验证。
关键词设备状态监测,基于状态的维护(CBM),故障诊断,智能诊断模型,自更新
O
引言
在认知设备健康状态的基础上对设备实施恰当
的维护,以避免设备故障发生和降低维护成本,被认
为是目前最有效的维护策略,称为基于状态的维护
(condition-b鹊ed
maintenance,CBM)策略。CBM策
略面临的最主要的挑战是如何有效地诊断设备状
态。
设备状态诊断问题的本质是模式识别,模式识
别的一般技术路径是特征提取(feature
extraction,
FE)一特征降维(dimension
reduction,DR)一分类
(cl鹪sification,C),缩写为FE—DR—C流程,其具体实
施又包括学习训练过程和识别过程【l
J。目前,统计
学习或人工智能中基于特征的模式识别方法被广泛
应用于设备状态诊断。文献[1.3]从模式识别角度
深入探讨了设备状态诊断问题,文献[4—6]较详细地
总结了基于特征的设备状态诊断在FE—DR—C流程
各步骤常用的方法。按照基于特征的模式识别方法
构建智能诊断模型,通过学习不同设备状态下的监
测数据建立对设备状态的诊断能力。可避免对设备
的复杂动态系统建模…,但其本身也存在固有的缺
陷。对于某台设备,能够事先获取的设备状态样本
空间往往是有限的,特别是一些大型基础制造装备,
由于其本身造价昂贵,更无法通过模拟各种故障的
方式获取其故障样本。此外,设备种类繁多,无法定
义一个统一的智能诊断模型。从理论上讲,一些智
能诊断模型本身在算法上具备自更新能力,如文
献[7]借助于适应谐振型神经网络的记忆能力,在
学习新设备状态的同时仍保持对已学习状态的记
忆,但缺乏相应的技术实施细节,并且学习过程计算
量大,不能满足在线监测中对设备状态识别实时性
的要求。此时智能诊断模型自更新机制需要在满足
在线监测实时性要求的基础上,克服基于特征的智
能诊断方法在有限设备状态样本空间条件下的局限
性,兼顾不同监测对象对智能诊断模型的个性化需
求。本文从技术角度研究了智能诊断模型的自更新
机制,将智能诊断技术与网络技术、信息技术相结
合,通过远程监控中心与现场诊断仪的协作,在设备
状态监测过程中跟踪设备状态的变化,基于实时监
测数据对智能诊断模型进行更新从而实现其诊断能
力的提升。
①国家科技重大专项(2009zx04014-103)。国家自然科学基金项目(6“75038),机械系统与振动国家重点实验室课题(MsVMs201103)
及上海市科委项目(1lJcl405800.1ld21121500)资助。
②男,1983年生.博士生;研究方向:智能监控;E—mil:hllliu@8jtu.edu.cn
③通讯作者,E.mil:chlliu@sjtu.edu.cn
(收稿日期:20lOJD6-22)
~1305一
万方数据
高技术通讯2011年12月第21卷第12期
l
系统架构
l
1系统概述
基于特征的设备状态智能诊断共性流程(FE-
DR—c)为智能诊断模型白更新提供了基础。如图】
所示,通过规范特征提取、特征降维、分类算法应用
芝蚤1'
·g‘
f'.
、!苎!!J·j
▲
接口,建立相应的工具包,可构建智能诊断模型组件
库,从而能够针对不同监测对象和监测数据类型
“自定义组装”智能诊断模型,将智能诊断模型的学
习训练过程与识别过程分别执行在远程监控中心与
现场诊断仪,从而满足这两个过程在计算资源、数据
容量、处理实时性等方面的不同需求。
‰乏塌;
[圈[蜀固
==………===妻。
智能博新模型下鼎
j
,——
t——上——
删-啼嚣一姚卜篡一瑟k斗2;
t
二:…。,‘一j二—二l’
圈l设备状态智能监测系统中智能诊断模型自更新示意图
系统工作的大致过程如下:首先,在远程监控中
心,基于智能模型组件库构建一个智能诊断模型;然
后,基于设备状态历史样本数据执行FE-DR.c学习
训练过程,建立智能诊断模型的初始诊断能力;继
而,在现场诊断仪上基于FE-DR-c流程,应用智能
诊断模型基于实时监测数据识别设备状态,同时进
行该模型的失效检测;在模型失效的情况下,上传当
前设备状态下的监测数据到远程监控中心重新训练
智能诊断模型使其建立对当前设备状态的识别能
力。
1.2系统关键要素
上述智能诊断模型自更新技术路线包括以下关
键要素:
(1)智能诊断模型组件库。一个合理的智能诊
断模型应当针对监测对象的工作特性、数据特征建
立,同时要兼顾经济的计算复杂度、清晰的设备状态
空间可分性、良好的泛化能力等。近些年来,国内外
学者就基于FE.DR.c流程的智能诊断模型及其各
步骤的方法做了深入的研究“”1。如图l所示,通
过抽象定义FE.DR.c各步骤的接口,可实现不同工
具方法的自由扩展及智能诊断模型的灵活组装。
(2)模型失效检测。在设备状态监测过程中,
一1
306一
如果当前智能诊断模型不能正确地识别实际的设备
状态,则被认为是失效的。在有效的特征提取与降
维前提下,图1中设备状态监测过程中的分类特征,
在新的未知设备状态出现时,其统计分布将呈现出
背离其他设备状态下分类特征的统计分布的趋势。
因此,各种统计方法可用于模型失效检测,如本文作
者在文献[8]中基于无监督聚类方式检测分类特征
聚类中心的变化来判断是否出现新的设备状态。另
外,根据分类算法的计算特点,通过限定其有效输出
也可进行模型失效检测,如本文第3节实例中基于
阈值检测基于人工神经网络的智能诊断模型是否失
效。
(3)数据存储机制。大量的历史样本数据、智能
诊断模型学习训练过程、多设备或群设备状态监测场
合中的设备信息等不同数据类型需要高效的数据存
储机制对其进行柔性的检索和快速的数据吞吐。
(4)网络通信。网络通信为远程监测中心与现
场诊断仪的协作提供物理路径。
2
系统uML建模
作为智能诊断模型自更新机制的示意性表述
一一一一一一一一一_萋一一一一
万方数据
剩余7页未读,继续阅读
资源评论
weixin_38629391
- 粉丝: 4
- 资源: 928
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 基于Jupyter扩展的jupylet-cn项目中文翻译设计源码
- 基于Java语言的校园跳蚤市场后台管理系统设计源码
- 基于Jupyter Notebook的PYTHON项目——周某年度最骄傲之作:零挂科挑战成功设计源码
- 基于Html与Java的综合技术,打造电脑商城网站设计源码
- 基于Java语言的前后端分离投票系统设计源码
- 基于Python全栈技术的B2C在线教育商城天宫设计源码
- ubuntu20.04安装教程-ubuntu20.04安装指南:涵盖物理机和虚拟环境下的详细流程
- 基于Java注解的Emqx消息监听器设计源码及后台访问控制API
- 基于Java语言的dormitory-backend学生宿舍管理系统设计源码
- 基于Dart语言的Flutter框架设计源码镜像仓库
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功