1. 基于案例推理的故障诊断
基于CBR的故障诊断系统
基于案例的推理简介（Case Based Reasoning,CBR）
设备在应用过程中由于各种因素的影响难免出现故障，如何判断设备的故障类型和故障部位并给出正确的处理办法就显得尤为重要，为了保证设备性能良好，维持正常的运转，降低维修成本，提高经济效益，增强企业竞争能力等，对设备进行故障诊断和预防是重要的和必需的，尤其是使用同类型批量设备的单位和部门，如环保行业的在线监测仪、除尘仪；钢铁行业的锅炉、轧机机械等。但是，目前对于这些复杂系统和设备，建立系统数学模型和故障过程模型是非常困难的。当前，用于这类对象的故障诊断方法主要有专家系统和智能的人工神经网络；但是应用时，又有其明显的缺点，见下表：
表1专家系统和神经网络系统的缺点
诊断方法 缺点
专家系统 1)诊断的效果与知识库的完善程度以及知识表示方法直接相关
2)知识的抽取和推理规则的建立是一项非常艰巨而且困难的任务
3)故障的多样性和不可预测性，一次性构建完善的知识库和推理库是不可能的
4)知识推理系统的可扩充性和灵活性不够，限制了它的应用范围
5)存在“知识获取”瓶颈
神经网络 1)结构和训练算法的确定需要得到大量试验资料
2)对于未经训练过的新故障难以进行诊断
案例推理(CBR)是人工智能领域新兴的一种问题求解方法，它通过目标案例的提示得到历史记忆中结构化存储的源案例，并由源案例进行相应的判断与推理来指导目标案例求解。所以CBR有以下优点:
1)、 利用案例中隐含的难以规则化的知识，以辅助规则推理的不足。
2)、 案例的获取比规则获取要容易，较好解决“知识获取”的瓶颈问题。
3)、 对过去的求解结果进行复用，提高对新问题的求解效率。
4)、 有持续不断的学习能力。
安可AKCBR介绍
一、安可AKCBRS简介
AKCBRS是安可科技研发的基于案例推理的故障诊断系统,是应用于各行业设备的一项现代故障智能诊断技术。
基于案例的推理（Case Based Reasoning,CBR）技术是人工智能中新崛起的一项重要推理技术，在很大程度上符合领域专家求解新问题的过程，利用CBR技术解决故障诊断问题是当今人工智能故障诊断领域的研究热点，作为专家系统中的一个分支，其研究得到了学术界和工程界的高度重视，并相继在各行各业中得到成功应用。不过在这些已报道的基于案例推理的故障诊断系统中，大多数都是针对某一具体设备的专用专家系统，虽然其对具体设备故障诊断比较实用，但其缺陷是通用性不强，因为不同问题领域，设备种类不同，其专家知识及推理机制也不相同；即使同一问题领域，也有各种功能不同的设备，这样一来给通用基于案例推理的故障诊断系统的设计开发增加了较多的困难。AKCBRS是以用户为中心的通用性基于案例推理的故障诊断系统，只要领域专家设置好必要的知识模块，就可自行生成专用于同种功能设备的基于案例推理的故障诊断系统。
二、系统特点：
图形化的参数层次结构建模
提供图形化的工具配置案例集，使得领域专家通过鼠标操作即可完成案例集和状态向量、特征向量关联；特征向量权重关系设置。如下图：
优化的检索策略
案例检索是CBR的核心技术，从源案例库中检索出与新问题的目标案例最相似的历史案例，将直接决定CBR的速度和精度。在基于案例推理的故障诊断系统中，由于故障可以根据其内部机理进行分类，且各案例的特征包括故障状态和故障数据两种故障信息，因此通过领域专家对案例进行合理分类的基础上，利用案例的故障状态信息和改进的灰色关联度计算方法，针对故障诊断系统，提出了一种类选、粗选、精选、择优“四步走”的检索策略。如下图：
应用领域的广泛性
在已报道的基于案例推理的故障诊断系统中，大多数都是针对某一具体设备的专用专家系统，虽然其对具体设备故障诊断比较实用，但其缺陷是通用性不强，因为不同问题领域，设备种类不同，其专家知识及推理机制也不相同；即使同一问题领域，也有各种功能不同的设备，这样一来给通用基于案例推理的故障诊断系统的设计开发增加了较多的困难。AKCBRS是以用户为中心的通用性基于案例推理的故障诊断系统，只要领域专家设置好必要的知识模块，就可自行生成专用于同种功能设备的基于案例推理的故障诊断系统。
基于WEB的故障检索访问
方便用户通过网络，对故障记录进行检索。
方便的数据导出功能
可以选择四种数据导出格式，PDF文件、Word文件、Excel文件及文本文件。
三、系统设计思路：
依据专家系统的特点和CBR的工作原理，AKCBRS设计思路分为以下几个部分：
1)案例集配置。领域专家根据设备的情况，划分案例类别，并设置案例集的状态参数，关键指标状态参数的值；特征参数及特征参数的权重，系统通过层次分析法计算特征参数的权重向量，并进行一致性检查。案例集配置好以后领域专家根据以往处理设备故障的经验或类似的经历,按照案例集的组织结构和属性输入各案例集中的案例，形成案例库。
2)设备故障产生。设备故障产生后,记录故障产生的经过、现象等。依据优化的案例检索策略进行案例检索。
3)设备故障匹配。对于有大于相似度预设阀值的案例按相似度大小和故障发生频率给出故障处理报告。
4)案例库学习、调整、扩充。对于匹配结果没有大于相似度阀值的情况系统给出提示，由用户对故障信息处理后并给出处理结论，然后由领域专家验证是否扩充到案例库中；领域专家也可以对一下案例集中的案例处理结论进行修正，也可以对一些无效案例进行删除。
四、系统模块：
2. AI(人工智能)在机械领域有哪些应用
1.机械领域的主要应用：1.1 机械设计 机械设计实际上是一个模型的综合和分析的过程，它不仅包括大量的计算、分析、绘图等数值计算型工作；还包括拟定初始方案，选择最优方案，制定合理结构等方案设计工作。 目前， 有些企业已引入CAD/CAM 系统， 由于CAD/CAM系统对符号推理工作需要综合运用多种科学的专门知识和丰富的实践经验才能解决，这需要CAD/CAM系统具有智能性，因此，设计智能化已成为机械设计中一个很热门的研究课题之一，它把计算机从数值处理扩展到非数值处理，包括知识与经验的集成、推理和决策，力图使机械设计过程自动化，减少人类专家在设计过程中由于个人因素造成的不足。此外，与传统设计方法相比，专家系统在机械设计中有着不可比拟的优势，它不仅可以长期稳定工作、节省成本，还可以为专家知识特别是启发式知识提供存储手段和传授途径、易于继承。1.2 机械制造 在机械生产制造过程中，需要为工厂中所有的装配机器供应零件。目标可能由监控者提供，也可能由系统对当时状态做出评估而产生。智能系统怎样推断出适当的目标，然后构造试图达到目标的动作序列，这个过程通常称为规划(planning), 它是自动问题求解的特例，是人工智能研究的重要子领域。 此外，计算机集成加工系统（CIMS）和柔性加工系统（FMS）在近年来获得迅速发展。在一个复杂的加工过程中，不同条件下的多种操作是必要的。环境的不确定性以及系统软硬件的复杂性，向当代工程师们设计和实现有效的集成控制系统提出了挑战。为了把现有的Petri 网技术用于现代加工系统，需要开发一种新技术，把机器智能技术和Petri 网理论以及智能离散事件控制器连接起来。1.3 机械电子工程 在许多工程系统中，往往由于内部结构复杂，存在着对加工过程控制及故障诊断等方面的困难，一般的PID 等典型控制方法虽然能解决一些问题，但在一些场合已不能满足生产的要求，当前，典型的机电一体化产品- 数控机床、交流伺服驱动装置等正在向数字化、小型化、高精度等方向发展，为监控带来新的挑战，由于模糊神经网络控制不依赖控制对象和数学模型，具有较强的鲁棒性，是一种非线性的控制方法，在解决此类问题中有很好的优势。而专家系统主要用于复杂的机械系统，能够克服基于模型的故障诊断方法对模型的过分依赖性。1.4 机械系统故障诊断 对机械设备进行故障诊断主要是通过对设备敏感部位的信号利用传感器进行数据采集和特征提取，根据不同机械部件在不同时间和状态下具有不同的特征，来判断是否工作正常。它包含两方面的内容，即对系统运行状态进行监测和发现异常情况后对故障进行分析、诊断。在系统运行过程中，若某一时刻系统发生故障，领域专家可以凭借视觉、听觉、嗅觉、触觉或测量设备得到一些客观数据，并根据对系统结构和系统故障历史的深刻了解很快做出判断，确定故障的原因和部位。对于较为复杂的系统，这种基于专家系统的故障诊断方法尤为有效。2 人工智能在机械系统中的应用方法 应用机械系统的AI 技术传统上可以分为专家系统（ES）、人工神经网络(ANN)、模糊集理论(FST)和启发式搜索(GA)四类。2.1 专家系统（Expert System .ES） 专家系统是人工智能的主要分支之一。一个典型的专家系统由四部分组成：知识库、推理机、知识获取机制和人机界面。专家系统按其知识表达方式不同，可分为基于规则和基于框架的专家系统；按其推理方式不同可分为正向推理和逆向推理。在知识表达方面，利用产生式规则进行知识表达，一方面得有益于现有人工智能语言，另一方面，它的表达合乎人的心理逻辑，便于进行知识获取，利于人们接受，利用框架进行知识表达得到了越来越多的应用。在诊断推理方面，主要表现在对推理逻辑和推理模型的研究，在人工智能领域，存在着许多推理逻辑，在专家系统中广泛使用模糊推理逻辑降低系统复杂性，在机械系统故障诊断上能产生很好的效果。专家系统技术的研究和应用正以前所未有的速度在故障诊断、模拟仿真、自动控制、工艺编程、生产规划、产品设计等许多机械工程领域不断发展。随着研究工作的不断深入，一些新的技术方法和先进制造技术正融入机械工程专家系统技术的研究和应用中，不仅使知识表示、知识库构建、知识获取和推理模式等关键技术的研究取得了一定成果，还出现了一些集成式的新型专家系统，如神经网络专家系统、模糊专家系统、基于Internet 的专家系统、CAD 专家系统、CAPP 专家系统等。他们综合利用了专家系统启发性、透明性、灵活性以及具有处理不确定知识能力的特点，使机械工程专家系统的应用领域不断拓宽。2.2 人工神经网络（artificial neural network. ANN） 人工神经网络是模拟的生物激励系统，将一系列输入通过神经网络产生输出。这里输出、输入都是标准化的量，输出是输入的非线性函数，其值可由连接各神经元的权重改变，以获得期望的输出值，即所谓的训练过程。基于数值计算方法的神经网络，将已有数据和已知系统模式作样本，通过学习获得两者的映射关系，实现了对人类经验思维的模拟。 由于神经网络具有原则上容错、结构拓扑鲁棒、联想、推测、记忆、自适应、自学习、并行和处理复杂模式的功能，使其在工程实际存在着大量的多故障、多过程、突发性故障、庞大复杂机器和系统的监测及诊断中发挥着较大作用。 在机械系统的应用方式有：从模式识别角度应用神经网络作为分类器进行故障诊断；从预测角度应用神经网络作为动态预测模型进行故障预测；利用神经网络极强的非线性动态跟踪能力进行基于结构映射的故障诊断；从知识处理角度建立基于神经网络的诊断专家系统等。目前，为提高神经网络在实用中的学习和诊断性能，主要从神经网络模型本身改进和模块化模型诊断策略两方面开展研究；同时，与模糊逻辑的结合研究也是一个研究热点。2.3 模糊集理论（Fuzzy Sets Theory. FSN） 人的认知世界包含大量的不确定之时，需要对所获信息进行一定的模糊化处理，以减少问题的复杂度。1965 年Zadeh 创立的模糊集理论是处理不确定性的一种很好的方法。模糊逻辑可认为是多值逻辑的扩展，能够完成传统数学方法难以做到的近似推理。目前基于多类电量测试信息模糊融合的模拟电路故障诊断方法已经提出。基于K故障节点诊断法和最小标准差法的元件故障隶属函数构造方法,以及基于可测点电压与不同测试频率下电路增益的模糊信息融合诊断算法也已阐述。分别利用此两类测试信息及K 故障诊断法和最小标准差法,对电路进行初步诊断,再运用模糊变换及故障定位规则, 得到融合的故障诊断结果。模拟实验结果表明,所提方法大大提高了机械系统故障定位的准确率。2.4 启发式搜索（Heuristic Search. HS） 遗传算法（Genetic Algorithms ,GA）和模拟退火（Simulated Annealing ,SA）算法是近年来逐渐兴起的两种启发式搜索，通过随机产生新的解并保留其中较好的结果，并避免陷入局部最小，以求得全局最优解或近似最优解。GA是由数字串的集合表示优化问题的解，通过遗传算子，即选择、杂交和变异的操作对数字串寻优。SA 在已知解的邻近区产生新的解，并逐渐缩小邻近区域的大小，直到逼近全局的最优解。两种方法都可以用来求解任意目标函数和约束的最优化问题。 在交流伺服系统中采用遗传算法的模糊神经网络控制较之传统的PID 控制方式具有响应速度快、误差小、无震荡、伺服性能强等优点，仿真结果表明，将遗传算法融入模糊神经网络控制器来控制交流伺服系统，其系统的响应超调量明显减少，具有较好的抗干扰性、伺服性。3 人工智能在机械系统中的发展趋势 人工智能中的四种主要工具， 即ES、ANN、FST 和GA，虽然在机械领域有不同程度的应用，但各自都存在一些局限：ES 存在知识获取的“瓶颈”、知识难以维护、应用面窄、诊断能力弱等问题。ANN 在外推时误差较大、系统结构变化时ANN 的组成结构也要变化、难以实现基于结构化知识的逻辑推理、缺乏解释能力等。FST 存在可维护性问题。GA 在依据的信息发生畸变时，难以保证可靠性等。 目前，缺少一种普遍有效的方法应用于机械系统的各个领域。混合智能，即综合多种智能技术用以设计、控制、监测机械系统成为新的发展趋势。结合的方式主要有基于规则的专家系统与神经网络相结合，CBR 与基于规则系统和神经网络的结合，模糊逻辑、神经网络与专家系统的结合等。其中模糊逻辑、神经网络与专家系统结合的诊断模型是最具发展前景的，也是目前人工智能领域的研究热点之一。混合智能在机械系统的应用中有如下发展趋势：由基于规则的系统到混合模型的系统，由领域专家提供知识到机器学习、由非实时诊断到实时诊断、由单一推理控制到混合推理控制策略等。4 人工智能在机械系统中的应用实例 智能技术在机械领域已经有了许多成功的应用。在工程中，典型的专家系统有帮助工程师发现结构分析问题的分析策略的SACON 系统；帮助识别和排除机车故障的DELTA 系统；帮助操作人员检测和处理核反应堆事故的REACTOR 系统。 在故障诊断方面,1967 年在美国航天局（NASA）倡导下，由美国海军研究室（ONR）主持美国机械故障预防小组（MFPG），积极从事故障诊断技术研究和开发。目前各种类型的故障诊断和维修专家系统已用于美国F- 15 战斗机、B- 1B 轰炸机、海军舰艇、陆军军械装置等现役装备的故障诊断和维修中。在我国，华中理工大学研制了用于汽轮机组工况监测和故障诊断的智能系统DEST；哈尔滨工业大学和上海发电设备成套设计研究所联合研制了汽轮发电机组故障诊断专家系统MMMD- ；清华大学研制了用于锅炉设备故障诊断的专家系统等等。 在电路和数字电子设备方面，MIT 研制用于模拟电路操作并演绎出故障可能原因的EI 系统；美国海军人工智能中心开发了用于诊断电子设备故障的IN- ATE 系统;波音航空公司研制了诊断微波模拟接口MSI 的IMA 系统；意大利米兰工业大学研制用于汽车启动器电路故障诊断的系统。 2006 年初，上海交通大学机电控制研究所、上海市农业机械研究所成功研制了适用于我国数字农业特点的两种主要智能型农业机械：中、小型收割机智能测产系统及其配套软件；智能变量施肥、播种机及其配套软件。虽然相关的应用实例还有很多，但它们大都处于实验室或小范围试验状态，限于成本、技术等问题，不能得到普及应用，这将成为智能技术在机械领域应用的“瓶颈”。引用： http://teardown.eefocus.com/xuweitao/blog/08-01/141923_aa9c4.html
3. 格灵深瞳的列车故障诊断人工智能算法引擎性能怎么样
有数据显示，格灵深瞳磨兆搏自研列车故障诊断人工智能算法引擎，关键性故障检出率99%，测量类项点精度达到亚毫米级，随机猜枯变形类项点精度达到毫米级，达到行业领先水平，也瞎祥得到了业内人士和行业的高度认可。可以网络搜索，获得更多相关信息。