胎面挤出过程智能故障诊断系统及其诊断方法

摘要

本发明提供了一种胎面挤出过程智能故障诊断系统，其包括胎面挤出联动线故障诊断子系统和螺杆挤出机故障诊断子系统；胎面挤出联动线故障诊断子系统包括系统建模模块、知识管理模块、智能诊断模块、协同管理与调度模块、数据管理与报告模块和诊断专家管理模块；螺杆挤出机故障诊断子系统包括数据采集与检测模块、人机界面交互系统和常规控制层，人机界面交互系统又包括监督管理层和参数估计模块。本发明能提高胎面挤出生产线的自动化程度。

主权项

1.胎面挤出过程智能故障诊断系统，其特征在于：本系统包括胎面挤出联动线故障诊断子系统和螺杆挤出机故障诊断子系统；胎面挤出联动线故障诊断子系统包括系统建模模块、知识管理模块、智能诊断模块、协同管理与调度模块、数据管理与报告模块和诊断专家管理模块；系统建模模块采用故障树模型表达故障及故障相互间的逻辑关系；所述系统建模模块建立胎面挤出联动线故障树形模型的方法是将胎面挤出联动线可能出现的系统故障作为上端事件树的根节点，将产生系统故障的直接原因作为下端事件树的支节点，并用逻辑符号与上端事件连接起来；然后该模块对中间事件进行分析，产生树的支节点，直到最基本的事件树的叶节点为止；知识管理模块在应用的过程中不断完善和扩充故障信息；智能诊断模块判明基本故障，确定故障原因、影响和发生概率，对故障进行定性与定量分析；智能诊断模块判明基本故障，确定故障原因的方法是将胎面挤出联动线不希望出现的事件作为故障树的顶事件，用规定的逻辑符号自上而下地分析导致顶事件发生的所有可能的直接因素，及其相互间的逻辑关系，并由此逐步深入分析，直到找出事故的基本原因，即故障树的底事件为止；该模块确定故障影响和发生概率，对故障进行定性与定量分析的方法是：定性分析造成故障各种因素的因果关系，找出系统的薄弱环节，采取相应措施加以改善，以提高整体工作性能；定量分析在一定条件下某种故障发生的概率，找出引出故障的主要因素，通过故障树分析法将系统故障形成的原因由总体至部分按树枝状逐级细化分析；协同管理与调度模块对规则使用的可信度进行统计和判断，对推理过程中产生的信息进行动态的存储和管理；数据管理与报告模块向客户、领域专家和知识工程师提供完整的、清楚的和易于理解的解释及报告；诊断专家管理模块提供广域范围内的共享诊断资源平台，为客户提供共享资源和多种智能诊断手段，并与客户进行交互；螺杆挤出机故障诊断子系统包括数据采集与检测模块、人机界面交互系统和常规控制层，人机界面交互系统又包括监督管理层和参数估计模块；所述螺杆挤出机故障诊断子系统建立多类分类故障模型，采用一对一分类算法和一类对余类的分类算法，以及两种分类算法的结合实现胎面螺杆挤出机的故障诊断，该子系统的诊断过程包括以下步骤：S1)整理数据，使故障数据满足诊断子系统对数据格式的要求：通过数据采集与检测模块的数据整理层进行数据校正，从现场采集挤出机的转速、电流和压力，将这些数据存放在数据库中，再将校正好的数据由调试专家对有用数据分好类别，分别传至人机界面交互系统中的监督管理层与参数估计模块处理，通过监督管理层将处理好的数据导入到EXCEL表格中，剔除不相关的数据，然后通过EXCEL的xlsread函数读取EXCEL中所需要的行和列中的数据以便操作工查看；S2)将分类好的数据传至参数估计模块，通过归一化消除量纲的影响，同时加快诊断的速度：根据下式(1)对数据进行[-1，1]归一化处理：${\bar{x}}_i=2\frac{x_i-\min \left(x_i\right)}{\max \left(x_i\right)-\min \left(x_i\right)}-1---\left(1\right)$其中，x_i为采集到的数据，min(x_i)为其最小值，max(x_i)为其最大值；归一化后的属性值训练样本与测试样本采用相同的归一化方法；S3)训练模型，即通过对学习样本数据进行训练，得到模型：通过LS-SVMlab工具箱中的训练样本函数trainlssvm()进行训练，在训练中使用径向基和函数，并通过网格搜索和交叉验证的策略进行参数的选择，训练后得到一组支持向量；S4)将测试样本输入训练好的模型进行测试，通过LS-SVMlab工具箱中的测试样本数据分类函数simlssvm()实现，得到测试结果，同常规控制层数据进行测试比较，S5)整理结果：对于多故障情况的测试时，需要将测试数据依次输入每个模型，然后整理每个模型的诊断结果，最终得到多故障分类器对测试样本的识别结果；S6)得出结论：判断分类器对测试样本是否正确识别。