摘 要：隨著社會的發(fā)展，人工智能化技術(shù)逐步的成熟起來，在企業(yè)生產(chǎn)中設(shè)備的人工智能檢測技術(shù)也開始逐步的應(yīng)用與完善化。但是在其具體實施的過程中還存在著一些問題，面對當(dāng)前的形式，人工智能研發(fā)基于專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、模糊邏輯等的混合智能設(shè)計、控制、監(jiān)測、診斷系統(tǒng)將成為一大研究熱點。雖然智能技術(shù)已應(yīng)用于設(shè)備檢測的各個方面，如何將現(xiàn)有的先進(jìn)設(shè)備檢測和技術(shù)進(jìn)一步推廣應(yīng)用、如何實現(xiàn)低成本、高精度、高效率的檢測系統(tǒng)則成為亟待解決的問題。

關(guān)鍵詞：人工智能；設(shè)備故障；檢測應(yīng)用

前言

對于當(dāng)今的社會化生產(chǎn)而言，企業(yè)正朝著科技、規(guī)模、復(fù)雜化方向發(fā)展，所以企業(yè)面對這些高精度、大規(guī)模生產(chǎn)工作的設(shè)備，需要加強監(jiān)測與維護(hù)。如果設(shè)備發(fā)生故障將對企業(yè)和集體帶了不可估量的損失。因此，保障設(shè)備的正常運轉(zhuǎn)，提高設(shè)備的安全性與可靠性的意義非凡。隨著當(dāng)前科技的發(fā)展，對于設(shè)備故障的檢測與應(yīng)用被提到日常的實際中來。人工智能系統(tǒng)對于設(shè)備故障的檢測具有一定的可靠性，這也為設(shè)備檢測工作開辟了一條新途徑。在實際的應(yīng)用中人工智能化效果很好，但是在設(shè)備不斷的更新域升級的過程中，其人工智能方法也需要一定的更新域完善，以便與時俱進(jìn)。

1 人工智能在設(shè)備故障檢測中的必要性

隨著科技的發(fā)展和企業(yè)的需求，一些高自動化設(shè)備被大量投入到了企業(yè)的生產(chǎn)中來。然而這些高自動化設(shè)備大多都過于精密、并且設(shè)備之間環(huán)環(huán)相連，如果在生產(chǎn)過程中某一部分出現(xiàn)突發(fā)故障其必將影響整個生產(chǎn)的進(jìn)行，進(jìn)而給企業(yè)的生產(chǎn)帶來不必要的損失。因此如果能夠及時對設(shè)備的故障進(jìn)行檢測和診斷并及時排除故障在實際生產(chǎn)中就顯得尤為重要?，F(xiàn)今已有的傳統(tǒng)檢測和診斷方法大多是針對設(shè)備單一故障和漸發(fā)性故障進(jìn)行簡單的檢測，對于多故障、多過程和現(xiàn)有的突發(fā)性故障以及高度自動化的設(shè)備和系統(tǒng)故障的檢測將具有較大的局限性。而且當(dāng)前，交流伺服驅(qū)動、數(shù)控機床等裝置的出現(xiàn)使設(shè)備的研究正在向著小型化、數(shù)字化和高精度化的方向發(fā)展，在設(shè)備提升的同時也為設(shè)備故障檢測帶來新的挑戰(zhàn)，因此對設(shè)備故障的檢測如果能夠更加便捷和智能化將是未來設(shè)備故障檢測的發(fā)展目標(biāo)。與此同時我們也看到，隨著與檢測相關(guān)技術(shù)的進(jìn)一步發(fā)展，如計算機技術(shù)和數(shù)字信號處理等技術(shù)的發(fā)展，相應(yīng)出現(xiàn)的數(shù)字振動監(jiān)測技術(shù)已被廣泛應(yīng)用于石油化工、電力、冶金等行業(yè)的設(shè)備檢測中來，實踐表明，這些以計算機技術(shù)和數(shù)字信號技術(shù)為依托的人工智能技術(shù)，為高自動化設(shè)備的故障檢測節(jié)約了大量的時間和維修費用，而且其在保證設(shè)備安全運行方面和預(yù)防減少設(shè)備惡性事故等方面都有著突出的表現(xiàn)，并且相繼出現(xiàn)的具體人工智能檢測方法也是多種多樣，這都為未來高精密設(shè)備的檢測帶來了曙光。

2 人工智能對故障檢測的具體方法

在對人工智能的研究中，人們用現(xiàn)有的人工方法和特定的技術(shù)來模仿和進(jìn)一步延伸及深度擴(kuò)展人的智能，進(jìn)而對設(shè)備故障進(jìn)行檢測。在實際應(yīng)用中人工智能的種類也有很多中，而針對設(shè)備故障檢測的系統(tǒng)實際主要有三大類，他們分別是專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)和模糊集理論。

2.1 專家系統(tǒng)

其中專家系統(tǒng)即Expert System（簡稱ES）是二十世紀(jì)六十年代就有其學(xué)科研究，算是老牌人工智能系統(tǒng)，雖然時間已經(jīng)很久，但是在目前故障檢測中應(yīng)用仍然是比較活躍和成功的一種。而且這個檢測方法實為一個計算機系統(tǒng)，其內(nèi)部是由知識總庫、推理模擬機和人機智能接口等部分組成。其知識的表達(dá)方面是運用產(chǎn)生式的規(guī)則進(jìn)行的，這就使得其語言在表達(dá)上有利于人工智能語言的開發(fā)，而且在接受能力上似乎更加合乎常人的心理，從而使的操作者在應(yīng)用時更加容易接受，這也是其在人工智能上能夠不斷被應(yīng)用的一個原因。在實際故障診斷中，人們可以運用它的推理方面的優(yōu)勢，對推理邏輯以及推理模型進(jìn)行廣泛的研究。如在設(shè)備發(fā)生故障時，其擁有的設(shè)備專家知識庫以及運用其推理機制就可以對故障進(jìn)行模糊處理從而降低故障復(fù)雜性。可是由于其構(gòu)建的體系的原因，使其在發(fā)展中不斷的暴露出一系列的問題，如實際應(yīng)用中智能水平低、知識臺階過于狹窄、整個系統(tǒng)層次較少、在線實用性較差等等。雖然es在實際操作中有諸多的問題和瓶頸，但是隨著人工智能技術(shù)的不斷發(fā)展，和一系列成果的不斷更新，其為人類在設(shè)備故障檢測的貢獻(xiàn)還會不斷增強。

2.2 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)即Artificial Neural Network（簡稱ANN）是由數(shù)量眾多的神經(jīng)元即簡單的數(shù)據(jù)處理單元經(jīng)過廣泛的復(fù)雜的相互連接和組合而構(gòu)成的網(wǎng)絡(luò)，探究它的設(shè)計原理可以看出，它更是對自然生物神經(jīng)系統(tǒng)的廣泛模擬之后而構(gòu)成的。在對信息的處理方面，其功能的處理主要是由網(wǎng)絡(luò)單元的激活特性即輸入輸出特性和神經(jīng)元的具體連接方式即網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)所決定的。而在實際運用中，為了使系統(tǒng)在運行中擁有更加良好的透明性，設(shè)計者在神經(jīng)網(wǎng)絡(luò)整個推理中適當(dāng)?shù)囊昧四：囊?guī)則，因此為人工神經(jīng)乃至整個網(wǎng)絡(luò)建立了更加良好的解釋機制，使其能夠更加方便的運用于設(shè)備故障的檢測中來。另外，由于神經(jīng)網(wǎng)絡(luò)在應(yīng)用中還具有容錯、推測、聯(lián)想、記憶、自學(xué)習(xí)、并行、自適應(yīng)和針對復(fù)雜進(jìn)行處理的模式和功能，使其對設(shè)備存在的多過程、多故障、突發(fā)性故障、針對龐大復(fù)雜機器和設(shè)備系統(tǒng)的監(jiān)測以及及時診斷中發(fā)揮著突出的作用。在實際的設(shè)備故障診斷中人們發(fā)現(xiàn)，一般系統(tǒng)的故障都具有層次性、延時性、相關(guān)性和不確定性，這樣就給設(shè)備的故障診斷帶來了困難和不便，而這時如果僅僅使用單個神經(jīng)網(wǎng)絡(luò)對問題進(jìn)行檢測和診斷，就會出現(xiàn)針對問題的故障樣本過多，從而難以確定診斷的網(wǎng)絡(luò)結(jié)構(gòu)，對整個設(shè)備的檢測和診斷造成麻煩，即便是確定了網(wǎng)絡(luò)機構(gòu)，也容易陷入診斷的局部性，同時還沒有對自適應(yīng)的調(diào)整及針對誤差函數(shù)的改進(jìn)。而人工神經(jīng)網(wǎng)絡(luò)就可以避免上述問題，所以說人工神經(jīng)網(wǎng)絡(luò)在設(shè)備故障診斷方面是擁有它的優(yōu)越性的。其具體的檢測和診斷的方式有，以模式識別角度出發(fā)，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)作為人工分類器進(jìn)行設(shè)備故障檢測，還有以預(yù)測角度出發(fā)，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)作為實際動態(tài)預(yù)測模型的形式而進(jìn)行故障預(yù)測或者是利用神經(jīng)網(wǎng)絡(luò)自身所擁有的極強的非線性原理進(jìn)行動態(tài)跟蹤能力進(jìn)而進(jìn)行結(jié)構(gòu)映射的故障檢測，另外這個系統(tǒng)還可以源于對知識處理的角度建立神經(jīng)網(wǎng)絡(luò)的診斷等等?；谌斯ど窠?jīng)網(wǎng)絡(luò)的優(yōu)越性，個方面對其的研究也在不斷的深入中，而目前的研究多是從網(wǎng)絡(luò)模型本身和模塊化模型及模糊邏輯性結(jié)合進(jìn)行研究，并且后者已成為研究的熱點。

2.3 模糊集理論

模糊集理論即fuzzy sets theory（簡稱fst）是一個比較特殊的檢測方法，我們知道在設(shè)備檢測中很多設(shè)備的故障都具有不完整性以及不確定性等特性，這就需要設(shè)立一個針對這一特性的處理辦法，而模糊理論的出現(xiàn)就對這些特性的處理和解決上有了好的辦法。而且基于模糊理論對多值邏輯進(jìn)行的擴(kuò)展，使其進(jìn)而能夠解決傳統(tǒng)數(shù)學(xué)方法沒有能力解決的近似推理等問題，所以它可以對多類電量等設(shè)備的測試信息進(jìn)行模糊融合從而可以模擬電路故障檢測，而且其還可以對k故障節(jié)點進(jìn)行檢測并且將因最小標(biāo)準(zhǔn)差法造成的元件故障進(jìn)行隸屬函數(shù)構(gòu)造等等，而且其最大的特點就是能將得到的檢測診斷結(jié)果進(jìn)行故障結(jié)果的融合，進(jìn)而給出最終檢測結(jié)果，而且通過模擬實驗可知，其方法可以更加提高設(shè)備故障的準(zhǔn)確性。

3 人工智能在設(shè)備故障檢測中所面臨的問題與未來發(fā)展趨勢

人工智能在設(shè)備檢測中主要依靠于專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)、模糊集理論。

專家系統(tǒng)檢測在很多的領(lǐng)域運用廣泛，但是由于在檢測的過程中，其對數(shù)據(jù)的獲取有一定的制約性，增加了數(shù)據(jù)的維護(hù)難度。同時在相對的應(yīng)用面較窄，其檢測能力來有待提高。對此，人工智能領(lǐng)域?qū)τ趯＜蚁到y(tǒng)檢測進(jìn)行評估，在隨著科學(xué)技術(shù)的發(fā)展與應(yīng)用，專家系統(tǒng)理論將在很大層次上需要改良。在運用方法上需要得到大幅度的提升，從而最大限度的提升運用能力。在實踐與應(yīng)用中將注重與模糊邏輯、故障樹、設(shè)備學(xué)習(xí)等方法進(jìn)行有效的結(jié)合。

人工神經(jīng)網(wǎng)絡(luò)具有一定較強的自組織、自學(xué)習(xí)的能力，其推理速度與規(guī)模大小無明顯關(guān)系，所以針對這些優(yōu)點，使得很多人開始運用這一方法。并且利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)可以最大限度的彌補傳統(tǒng)的專家系統(tǒng)在實際操作中遇到的問題。但是面對實際應(yīng)用，人工神經(jīng)網(wǎng)絡(luò)還是存在著一定的局限性。首先，人工神經(jīng)網(wǎng)絡(luò)在外推時的數(shù)據(jù)分析會出現(xiàn)一定額誤差，所以在誤差的出現(xiàn)的過程中就很難確保其結(jié)果的準(zhǔn)確性與限制性的把握。其次，在設(shè)備中如果其系統(tǒng)結(jié)構(gòu)發(fā)生了改變，那么在很大程度上也需要對人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行一定的重組與更新，或者增加新的樣本，重新學(xué)習(xí)獲得數(shù)據(jù)分析。再次，人工神經(jīng)網(wǎng)絡(luò)在實踐的過程中，很難達(dá)到與結(jié)構(gòu)化的數(shù)據(jù)進(jìn)行相應(yīng)的邏輯推理，所以在結(jié)構(gòu)化中很難將設(shè)備中的檢測數(shù)據(jù)進(jìn)行合理化的分析。最后，在對設(shè)備進(jìn)行檢測的過程中，因為缺乏相應(yīng)的解釋能力，從而對于其檢測的結(jié)果不利于人員的理解與維護(hù)。此外，面對人工神經(jīng)網(wǎng)絡(luò)的缺陷，在如何保證在訓(xùn)練時手機數(shù)據(jù)的速度與成效的過程，避免將數(shù)據(jù)的范圍縮小也是在實際應(yīng)用的一個突出的問題。

模糊集理論的出現(xiàn)與應(yīng)用，使得很多設(shè)備檢查的分析性在很大程度上提高了其確定性與成熟性。其技術(shù)的穩(wěn)定性更高，相應(yīng)的數(shù)據(jù)分析能夠更完善。但是在其可維護(hù)的過程中，對不確定因素的分析還存在著一定的局限性，需要在未來實踐應(yīng)用中進(jìn)一步的得到改進(jìn)與完善。

對于傳統(tǒng)的檢測方法而言，還是缺少普遍有效的應(yīng)用方法。但是現(xiàn)在對于這一領(lǐng)域開始實施測試與評估，對于多樣性的方法進(jìn)行整合，采用混合智能，將上述的多種智能技術(shù)進(jìn)行有效的互補，這是人工智能在設(shè)備檢查中的一個重要發(fā)展方向。將多樣化的智能技術(shù)集合起來，運用設(shè)計、控制、檢查設(shè)備系統(tǒng)將成為最有利的實施方案。在實現(xiàn)這一發(fā)法的過程中，需要依據(jù)人工智能的特點，對數(shù)據(jù)源進(jìn)行分析，基于專家系統(tǒng)與人工神經(jīng)網(wǎng)絡(luò)的規(guī)則基礎(chǔ)來實現(xiàn)初步的集合，其中模糊邏輯與人工神經(jīng)網(wǎng)絡(luò)的結(jié)合是最有發(fā)展前景的。同時在結(jié)合的過程中依據(jù)不同的特點進(jìn)行合理的組合，在檢測與分析數(shù)據(jù)的過程中要本著穩(wěn)定性與確定性為主要依據(jù)。在當(dāng)前的實驗過程中，模糊邏輯與人工神經(jīng)網(wǎng)絡(luò)的組合機理、組合后的算法、便于神經(jīng)網(wǎng)絡(luò)處理的模糊知識表達(dá)方式等?；旌现悄茉谠O(shè)備檢測中的運用將在很大程度上改善傳統(tǒng)檢測方法的缺陷。

4 結(jié)束語

隨著社會科學(xué)技術(shù)的發(fā)展，計算機網(wǎng)絡(luò)尤其是Internet的興起與應(yīng)用，加上多媒體技術(shù)分布式及人工智能的完善，使得人工智能在運用到設(shè)備檢測成為一種廣泛的方法。面對當(dāng)前市場經(jīng)濟(jì)的激烈競爭，研發(fā)基于專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、模糊邏輯等的混合智能設(shè)計、控制、監(jiān)測、系統(tǒng)成為很多公司企業(yè)的一項競爭能力。在多方位的探索與實踐當(dāng)中找到一條適合自己的人工智能檢測方法對于企業(yè)自身而言是十分必要的，因為在某種角度上是在解決降低生產(chǎn)成本、高效率的生產(chǎn)，對于企業(yè)的發(fā)展有一定的促進(jìn)作用。

參考文獻(xiàn)

[1]李建林，曹鳴.多變量統(tǒng)計過程控制技術(shù)在火電廠設(shè)備故障檢測中的應(yīng)用[J].東南大學(xué)學(xué)報（自然科學(xué)版），2005，2（11）：36-39.

[2]馮志鵬，宋希庚，馮志鴻，等.計算智能在機械設(shè)備故障診斷中的應(yīng)用[J].汽輪機技術(shù)，2002，6（20）：13-16.

[3]黃鳳萍.非接觸式紅外測溫儀在變電站設(shè)備故障檢測中的應(yīng)用研究[J].機電信息，2011，5（19）：29-40.

[4]魏國，周德新，樊智勇，等.基于免疫危險理論的機載電子設(shè)備故障檢測算法研究[J].計算機測量與控制，2012，11（25）：60-70.

[5]曾祥君，尹項根，唐忠，等.人工智能在電力系統(tǒng)暫態(tài)保護(hù)中的應(yīng)用[J].長沙電力學(xué)院學(xué)報（自然科學(xué)版），1999，2（16）：25-29.

[6]牛美英，渠基磊，吳志鵬.人工智能在電氣工程自動化中的應(yīng)用[J].價值工程，2013，3（20）：39-45.

[7]戚曉耀，盛成玉，孫振權(quán)，等.智能電網(wǎng)分代研究[J].物聯(lián)網(wǎng)技術(shù)，2013，4（13）：29-36.

[8]張園，李明福，李玉林，等.人工智能在胡椒機械加工裝備技術(shù)升級中的研究進(jìn)展[J].現(xiàn)代農(nóng)業(yè)裝備，2014，4（23）：29-36.

[9]韓禎祥，文福拴，張琦.人工智能在電力系統(tǒng)中的應(yīng)用[J].電力系統(tǒng)自動化，2000，4（25）：30-39.

[10]陳麗安，張培銘，雷德森.人工智能在電氣設(shè)備中的應(yīng)用現(xiàn)狀與前景展望[J].電網(wǎng)技術(shù)，2007，5（20）：39-36.

作者簡介：王志偉（1984，5-），男，漢，籍貫：江蘇揚州，職稱：助教，學(xué)位：碩士，研究方向：主要從事設(shè)備監(jiān)控和控制方面的教學(xué)和研究工作。