CN101833324B - 胎面挤出过程智能故障诊断系统及其诊断方法 - Google Patents

Abstract

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。

Description

胎面挤出过程智能故障诊断系统及其诊断方法

技术领域

本发明涉及轮胎工业胎面制造设备故障诊断方法，尤其是胎面挤出过程中生产线运行智能故障诊断方法。

背景技术

汽车工业持续快速增长，极大的带动了轮胎制造行业的高速发展。轮胎作为汽车必不可少的部件对于整车的性能、质量和安全起着重要的作用。要确保轮胎生产的质量、产量和设备人员安全，对其制造设备进行状态监测和故障诊断，是一个非常重要的环节。对胎面挤出设备状态的监测与故障诊断，是为了掌握设备在运行过程中的状态，评价、预测设备的可靠性，早期发现故障，并对其原因、部位、危险程度等进行识别，预报故障的发展趋势，并针对具体情况做出决策。PLC(可编程逻辑控制器)具有体积小、功能强、灵活通用和维护方便等优点，特别是它的高可靠性和较强的适应恶劣环境的能力，在轮胎制造的胎面挤出生产过程中得到大量采用。计算机则成为快速、高效、普遍的信息传递媒介。PLC控制系统因而成为故障诊断的一个重要环节。

现有的胎面挤出过程通过PLC操作系统自动调用错误处理OB(组织块)可以诊断出一些故障，但仍然有许多故障难以诊断出来，如DI/DO(数字量输入/输出)模块与设备间的连线故障，DO模块掉电，PLC外接的输入、输出元件故障(如行程开关、电磁阀、接触器故障等)。这些故障不能引起操作系统调用错误处理OB。当出现上述故障时PLC不会自动停机，直到故障造成的后果如机械顶死、电控系统常规保护动作之后才被发觉。停机后，查找故障也要花费很多时间。为了提高维修工作效率，特别是为了及时发现元件故障，在还没有酿成设备事故之前使PLC先自动停机、报警，应该将故障监测措施作为电控系统设计的一个必要的组成部分，以提高整个设备的可维修性。

发明内容

本发明所要解决的技术问题是：提供一种胎面挤出过程智能故障诊断系统及其诊断方法，本发明能提高胎面挤出生产线的自动化程度。

本发明所采用的技术方案是：胎面挤出过程智能故障诊断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；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；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。

本发明的优点：本发明故障诊断系统结构实用，针对性强，针对胎面挤出过程不同的故障类型采用不同的诊断方法，可提高现场设备的可靠性、安全性和生产线的生产效率及产品的质量，提高了胎面挤出生产线的自动化程度，提高胎面产品质量，减少了操作人员的劳动强度，提高了工作效率。

附图说明

图1是胎面挤出联动线故障树形模型示意图。

图2是人机交互问答剪枝后的故障树。

图3是胎面螺杆挤出机故障诊断子系统功能结构框图。

具体实施方式

本发明的故障诊断系统通过PLC控制网络，与现场设备实现连接；利用数字技术将物理制造系统结合起来，成为基于信息的系统，使之有效的运作；同时借助多媒体声像技术，实现设备状态监测，从而进行诊断和控制。因此故障诊断对于胎面挤出生产过程的可靠、持续、安全生产具有现实意义。

本发明针对胎面挤出生产线控制系统的外部设备故障、智能从站故障、PLC系统故障、总线故障建立树形故障模型，将上述故障作为上端事件一树的根节点，将产生系统故障的直接原因作为下端事件(中间事件)-树的支节点，并用逻辑符号与上端事件连接起来，在对中间事件进行分析，产生树的支节点，直到最基本的事件-数的叶节点为止。本发明通过推理机搜索推理的深度较浅，实现迅速的剪枝。本故障诊断系统还通过人机交互对话实现多选一的问答方式和给用户做一些操作提示来实现迅速的剪枝。本发明还建立了具有故障诊断能力的现场监控工作站。本发明采用故障树分析结合专家系统的诊断方法实现胎面联动线PLC控制网络的智能故障诊断系统。本发明完成了智能故障诊断系统的结构、功能设计，包括规则库、知识库和数据库的设计及相关功能模块的实现。本发明针对螺杆挤出机故障，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，以及两种分类算法实现胎面螺杆挤出机的故障诊断。

胎面挤出过程智能故障诊断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；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；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。

系统建成的时候，知识库的信息不可能是完整的，必须在应用的过程中不断扩充。知识库管理模块根据胎面挤出联动线故障树形模型，以增加节点的方式不断完善和扩充故障信息；增加节点时须提供该节点的父故障代号、节点类型、故障现象、与其他分支的逻辑关系，该模块据此修改相关规则，并将其添加到相应故障树。

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。

故障树及其对应规则的信息均以表的形式存贮在数据库中；数据库包含故障表、故障现象表和规则表；故障表给出故障代号、故障名称、节点类型，并给出处理建议；故障现象表包含的字段有故障现象代号、故障现象名称、交互信息；规则表包含的字段有规则代号、父故障代号、子故障代号集、故障现象、故障发生率及树枝间逻辑关系；规则表中的一条规则对应故障树的一条分支，故障表、故障现象表和规则表的信息结合起来完整的表示故障树的信息。本系统根据专家经验来确定故障发生率，子故障代号集是若干子故障代号的与或表达式，如(F1/F2/F3)&(F3/F4)，其中“/”、“&”分别表示逻辑或和逻辑与，F1～F4表示子故障代号。本系统运用动态数据库进行各种数据库的管理操作，程序执行期间对动态数据库进行浏览、增删等操作。

胎面挤出联动线故障诊断子系统的诊断方法为：

1)读取故障信息：当联动线电气设备处于正常工作运行过程中，该故障诊断子系统就进入读故障信息工作状态；若无故障信息，则该系统处于等待状态，一旦有了故障信息，故障诊断系统立即自动进行推理，并将推理过程、推理结论和解释内容全部存在一个数据文件中，同时也在屏幕上显示出来；

2)发送控制信息：当出现的故障被诊断以后，故障诊断子系统发出命令，使电气设备试图恢复正常运行或者停止运行，这些故障诊断信息通过选择工作状态并通过人机交互系统显示给客户，再由客户将命令传到控制计算机，控制计算机根据相应的命令来完成响应的操作。

系统建模模块针对胎面挤出联动线的恶性故障、质量故障、机械液压故障、循环水、汽故障、温控加热故障、电气故障、PLC模块故障、电源故障、总线故障、智能从站故障、外部设备故障、总线电源故障、信号干扰、总线连接器故障、波特率设置问题、从站通讯故障、通讯板故障、总线电缆故障、总线连接器接触不良、总线连接器终端电阻设置不对、总线连接器已坏故障建立树形故障模型；该模块将上述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中间事件树的支节点，并用逻辑符号与上端事件树连接起来，然后再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；本系统通过推理机搜索推理的深度较浅，实现剪枝；智能故障诊断模块和数据管理与报告模块还通过人机交互对话，以多选一的问答方式和用户操作提示来实现剪枝。

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。

螺杆挤出机故障诊断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：

${\stackrel{\‾}{x}}_i=2\frac{x_i-\min \left(x_i\right)}{\max \left(x_i\right)-\min \left(x_i\right)}-1---\left(1\right)$

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。

下面结合附图，进一步详细阐述本发明。

如图1针对胎面挤出联动线故障类型为：恶性故障、质量故障、机械液压故障、循环水/汽故障、温控加热故障、电气故障为根节点，PLC模块故障、电源故障、总线故障、智能从站故障、外部设备故障为电气故障的支节点，总线电源故障、信号干扰、总线连接器故障、波特率设置问题、从站通讯故障、通讯板故障、总线电缆故障为总线故障的支节点，总线连接器接触不良、总线连接器终端电阻设置不对、总线连接器已坏故障为总线连接器故障的叶节点。本发明建立胎面挤出联动线故障树形模型，将故障诊断系统出现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(中间事件)-树的支节点，并用逻辑符号与上端事件连接起来，在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。

故障诊断的具体步骤：

Step1建立规则库、故障树和事实库

(1)故障树和规则库的建立

在建立控制网络的故障树之后，选择知识表达，将故障树中的专家知识用计算机能够接受的形式表示。采用符合人们的思维习惯产生式规则表示法，规则具有模块性，易于增加、删除和修改。故障诊断专家系统采用框架结构结合产生式规则的知识表达方法。根据故障树的不同结构，最基本的规则形式有AND(逻辑与)和OR(逻辑或)两种。对于某一具体的故障树，首先根据节点的不同层次对其进行编号，如F、Fi、Fij等，其中F表示结点，i和j表示序号。然后自顶向下根据逻辑关系的不同运用AND和OR两种规则完成知识表示。

故障树的层次结构较强。规则库的建立采用了多选一的问答方式，利用该故障树的特征，缩小了搜索空间，加快了推理目标的逼近，当搜索到故障树的叶节点时，由于产生原因可能有几个，所以这里采用了用户提示和问答的方式来确切地判断产生故障的原因。故障诊断系统实现自动推理的规则也根据类似的方式建立，只是将用户的选项换成由工控机送来的检测信号确定。

规则库中包括多条规则，每条规则又分为多条分规则。相同故障类型的基本原因可能不同，因而解决问题的办法也就不相同。在某条规则下根据产生原因的不同再细分成分规则，既便于分类和推理，也便于对规则进行查错和修改。

(2)事实库的建立

建立用于存放故障的类型及其代码的事实库，它既可以当作推理过程中的条件使用，也可以做解释结论来使用。表1为事实库中的一些故障类型。

表1事实库

(3)知识库的更新

系统建成的时候，知识库的信息不可能是完整的，必须在应用的过程中不断扩充。知识库管理系统完成这项工作。要增加节点，须提供该节点的父故障代号、节点类型、故障现象、与其他分支的逻辑关系等，系统据此修改相关规则，并将其添加到相应故障树；当用户要删除某一分支时，用户只需提供其故障名称及其父故障代号综合数据库的建立

Step 2综合数据库

在数据库中，故障树及其对应规则的信息均以表的形式存贮。数据库中包含故障表、故障现象表和规则表。故障表给出故障代号、故障名称、节点类型，并给出处理建议；故障现象表包含故障现象代号、故障现象名称、交互信息等字段；规则表包含的字段有规则代号、父故障代号、子故障代号集、故障现象、故障发生率及树枝间逻辑关系。故障发生率主要是根据专家经验来确定的，不同故障事件的发生率只具有相对的意义；子故障代号集是若干子故障代号的与或表达式，如(F1/F2/F3)&(F3/F4)，其中“/”、“&”分别表示逻辑或和逻辑与。规则表中的一条规则对应故障树的一条分支；故障表、故障现象表和规则表的信息结合起来完整的表示故障树的信息。运用动态数据库对数据库进行各种管理操作，如在程序执行期间可以对它进行浏览、增删等操作。系统利用动态数据库实现了两种功能：一是对规则使用的可信度进行统计和判断，二是对推理过程中产生的信息进行动态的存储和管理，使故障诊断系统能够在运行时迅速地逼近目标。

Step 3解释模块功能及其实现

解释功能作为本胎面联动线PLC控制网络电气故障诊断系统的重要功能之一，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也是故障诊断系统功能的标准之一。故障诊断系统采用预制文本和执行追踪两种解释方法向远程用户和领域专家提供有效的解释，故障诊断系统对故障结论的解释采用预制文本方法，即预先根据各种故障类型，将其产生原因、解决办法和防止措施写成文本形式存入库中，当推理机推理出结论时，故障诊断系统根据结论给出解释内容，回答胎面挤出过程用户提出的问题。

表2解释模块

故障结论：变频器过电流
	故障原因：1电动机的功率与变频器的功率不对应
2电动机导线短路
	3有接地故障
维修建议：1检查电动机的功率与变频器的功率是否对应
	2检查电缆的长度是否超过了允许的最大值
3检查电动机的电缆和电动机的内部是否有短路
	4检查输入变频器的参数与实际使用的电动机的参数是否一致
5检查输入变频器的定子电阻值是否无误
	6检查电动机的冷却风道是否通畅

故障结论：变频器过电压
	故障原因：1直流回路的电压超过了跳闸电平
2由于供电电压过高或者电动机处于再生制动方式下引起过电压
	3斜坡下降过快或者电动机由大惯量负载带动旋转处于再生制动状态下
维修建议：1检查电源电压是否在铭牌规定的范围内
	2检查直流回落电压控制器是否有效且是否正确进行了参数化
3检查斜坡下降时间是否与负载的惯量相匹配

故障诊断系统对推理过程和规则的可信度的解释采用了执行追踪的方法，即对系统的执行过程进行追踪，将跟踪的过程和结构向用户解释。

Step 4推理机的实现

胎面联动线PLC控制网络故障诊断的推理机根据诊断类型故障诊断专家系统的特点和求解策略设计。从图1可以看出，故障树是层次结构性很强、树长得不高，但树的叶子茂盛，所以推理机搜索推理的深度较浅，关键是实现迅速的剪枝。本故障诊断系统通过人机交互对话实现多选一的问答方式和给用户做一些操作提示来实现迅速的剪枝。规则库中的规则用来描述图所示故障中的各种故障的原因和结果的关系，推理时对规则的条件部分的执行也就是多次执行的动态数据库模块中数据，当规则的条件部分得到满足时，故障结论也就是验证。如图2经过剪枝后的故障树，即至顶向下依次为总线连接器接触不良、总线连接器故障、总线故障、电气故障、胎面线系统故障。

读取故障信息。当联动线电气设备处于正常工作运行过程中，该故障诊断系统就进入读故障信息工作状态，若无故障信息，则该系统处于等待状态。一旦有了故障信息，故障诊断系统立即自动进行推理，并将推理过程、推理结论和解释内容全部存在一个数据文件中，同时也在屏幕上显示出来。

发送控制信息。当出现的故障被诊断以后，故障诊断系统要发出命令，使电气设备试图恢复正常运行或者停止运行，这些故障诊断信息是通过选择工作状态并通过人机交互系统显示给客户，再由客户将命令传到控制计算机的，控制计算机再根据相应的命令来完成响应的操作。

Step5规则的可信度统计和判别

在该故障诊断系统中设计了规则的可信度统计判别模块，以便根据实际使用情况，不断地向故障系统扩展新的规则、修正有错误和不确切的规则、删除无用的规则，提高故障诊断系统的实用性和水平。该故障诊断系统对规则的可信度进行统计是通过动态数据库来实现的，在动态数据库内存放所有的规则的使用情况统计值，由于动态数据库的动态特性，使得在故障诊断系统的运行过程中可以随意对所有的可信度进行统计，并将新的统计值存入库内，待系统运行一段时间后，就可以根据统计值决定是否修改相应的规则。

某条规则是否修改不能只根据R(可信度)的值来决定，而是根据Z1(规则的正确使用的次数)、X1(规则总的使用次数)和R这三个值来决定。设A、B分别表示规则需要修改时的最少使用次数和最大可信度值，则规则要修改的条件为：X1≥A and R≤B。A和B的确定应由领域专家根据专业领域和重要程度确定，并要在实际使用中加以修正。

在故障诊断系统中，当确定某条规则需要修改时，是由领域专家来修改的，领域专家根据系统提供的信息、运行结果、使用情况和自己的实际的经验进行修改，修改后再存入规则库中使用。

如图3针对螺杆挤出机故障，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，以及综合两种分类算法实现胎面螺杆挤出机的故障诊断。

多分类故障模型的建立：

以螺杆挤出机的正常工作状态和3种故障状态共4种状态建立多故障分类器。取每种状态18个样本共72个样本数据作为训练样本，所有分类器均采用高斯径向基核函数，分别采用“成对分类”和“一类对余类”的多类分类算法。

“1对1”分类：将两种状态各18个样本作为分类器的两类输入，分别标识为+1和-1，对应4种工作状态共建立6个两类分类器SVM01、SVM02、SVM03、SVM12、SVM13、SVM23，其中SVMmn代表m类与n类样本之间建立的两类支持向量机。

“1对多”分类：将一种状态的18个样本和其余3种状态的18×3＝54种状态作为分类器的两类输入，分别标识为+1和-1，对应4种工作状态，共建立4个两类分类器SVM0、SVM1、SVM2、SVM3，其中SVMn代表n类与余类样本之间建立的两类支持向量机。

螺杆挤出故障诊断步骤，分为六个步骤：

Step1整理数据：使故障数据满足诊断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，从现场采集的挤出机的转速、电流和压力等数据，存放在数据库中，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监督管理层与估计参数模块处理，在机界面交互系统中监督管理层将其导入到EXCEL表(微软公司的算表软件)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；

Step2分类好的数据传至估计参数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：

${\stackrel{\‾}{x}}_i=2\frac{x_i-\min \left(x_i\right)}{\max \left(x_i\right)-\min \left(x_i\right)}-1---\left(1\right)$

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；

Step3训练模型，通过对学习样本数据进行训练，得到模型；

通过LS-SVMlab(一种支持向量机软件)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；

Step4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，

Step5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；

Step6得出结论：判断分类器对测试样本是否正确识别。

Claims (5)

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：

${\stackrel{\‾}{x}}_i=2\frac{x_i-\min \left(x_i\right)}{\max \left(x_i\right)-\min \left(x_i\right)}-1---\left(1\right)$

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。

2.根据权利要求1所述的诊断系统，其特征在于：知识库管理模块根据胎面挤出联动线故障树形模型，以增加节点的方式不断完善和扩充故障信息；增加节点时须提供该节点的父故障代号、节点类型、故障现象、与其他分支的逻辑关系，该模块据此修改相关规则，并将其添加到相应故障树。

3.根据权利要求1或2所述的诊断系统，其特征在于：故障树及其对应规则的信息均以表的形式存贮在数据库中；数据库包含故障表、故障现象表和规则表；故障表给出故障代号、故障名称、节点类型，并给出处理建议；故障现象表包含的字段有故障现象代号、故障现象名称、交互信息；规则表包含的字段有规则代号、父故障代号、子故障代号集、故障现象、故障发生率及树枝间逻辑关系；规则表中的一条规则对应故障树的一条分支，故障表、故障现象表和规则表的信息结合起来完整的表示故障树的信息。

4.根据权利要求1或2所述的诊断系统，其特征在于胎面挤出联动线故障诊断子系统的诊断方法为：

1)读取故障信息：当联动线电气设备处于正常工作运行过程中，该故障诊断子系统就进入读故障信息工作状态；若无故障信息，则该系统处于等待状态，一旦有了故障信息，故障诊断系统立即自动进行推理，并将推理过程、推理结论和解释内容全部存在一个数据文件中，同时也在屏幕上显示出来；

2)发送控制信息：当出现的故障被诊断以后，故障诊断子系统发出命令，使电气设备试图恢复正常运行或者停止运行，这些故障诊断信息通过选择工作状态并通过人机交互系统显示给客户，再由客户将命令传到控制计算机，控制计算机根据相应的命令来完成响应的操作。

5.根据权利要求1或2所述的诊断系统，其特征在于：系统建模模块针对胎面挤出联动线的恶性故障、质量故障、机械液压故障、循环水、汽故障、温控加热故障、电气故障、PLC模块故障、电源故障、总线故障、智能从站故障、外部设备故障、总线电源故障、信号干扰、总线连接器故障、波特率设置问题、从站通讯故障、通讯板故障、总线电缆故障、总线连接器接触不良、总线连接器终端电阻设置不对、总线连接器已坏故障建立树形故障模型；该模块将上述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中间事件树的支节点，并用逻辑符号与上端事件树连接起来，然后再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；本系统通过推理机搜索推理的深度较浅，实现剪枝；智能故障诊断模块和数据管理与报告模块还通过人机交互对话，以多选一的问答方式和用户操作提示来实现剪枝。

Images