胎面擠出過程智能故障診斷系統及其診斷方法

2023-10-10 02:42:04

專利名稱：：胎面擠出過程智能故障診斷系統及其診斷方法
技術領域：
：本發明涉及輪胎工業胎面製造設備故障診斷方法，尤其是胎面擠出過程中生產線運行智能故障診斷方法。
背景技術：
：汽車工業持續快速增長，極大的帶動了輪胎製造行業的高速發展。輪胎作為汽車必不可少的部件對於整車的性能、質量和安全起著重要的作用。要確保輪胎生產的質量、產量和設備人員安全，對其製造設備進行狀態監測和故障診斷，是一個非常重要的環節。對胎面擠出設備狀態的監測與故障診斷，是為了掌握設備在運行過程中的狀態，評價、預測設備的可靠性，早期發現故障，並對其原因、部位、危險程度等進行識別，預報故障的發展趨勢，並針對具體情況做出決策。PLC(可編程邏輯控制器)具有體積小、功能強、靈活通用和維護方便等優點，特別是它的高可靠性和較強的適應惡劣環境的能力，在輪胎製造的胎面擠出生產過程中得到大量採用。計算機則成為快速、高效、普遍的信息傳遞媒介。PLC控制系統因而成為故障診斷的一個重要環節。現有的胎面擠出過程通過PLC作業系統自動調用錯誤處理OB(組織塊)可以診斷出一些故障，但仍然有許多故障難以診斷出來，如DI/D0(數字量輸入/輸出)模塊與設備間的連線故障，DO模塊掉電，PLC外接的輸入、輸出元件故障(如行程開關、電磁閥、接觸器故障等)。這些故障不能引起作業系統調用錯誤處理0B。當出現上述故障時PLC不會自動停機，直到故障造成的後果如機械頂死、電控系統常規保護動作之後才被發覺。停機後，查找故障也要花費很多時間。為了提高維修工作效率，特別是為了及時發現元件故障，在還沒有釀成設備事故之前使PLC先自動停機、報警，應該將故障監測措施作為電控系統設計的一個必要的組成部分，以提高整個設備的可維修性。
發明內容本發明所要解決的技術問題是提供一種胎面擠出過程智能故障診斷系統及其診斷方法，本發明能提高胎面擠出生產線的自動化程度。本發明所採用的技術方案是胎面擠出過程智能故障診斷系統包括胎面擠出聯動線故障診斷子系統和螺杆擠出機故障診斷子系統；胎面擠出聯動線故障診斷子系統包括系統建模模塊、知識管理模塊、智能診斷模塊、協同管理與調度模塊、數據管理與報告模塊和診斷專家管理模塊；系統建模模塊採用故障樹模型表達故障及故障相互間的邏輯關係；知識管理模塊在應用的過程中不斷完善和擴充故障信息；智能診斷模塊判明基本故障，確定故障原因、影響和發生概率，對故障進行定性與定量分析；協同管理與調度模塊對規則使用的可信度進行統計和判斷，對推理過程中產生的信息進行動態的存儲和管理；數據管理與報告模塊向客戶、領域專家和知識工程師提供完整的、清楚的和易於理解的解釋及報告；診斷專家管理模塊提供廣域範圍內的共享診斷資源平臺，為客戶提供共享資源和多種智能診斷手段，並與客戶進行交互；螺杆擠出機故障診斷子系統包括數據採集與檢測模塊、人機界面交互系統和常規控制層，人機界面交互系統又包括監督管理層和參數估計模塊。本發明的優點本發明故障診斷系統結構實用，針對性強，針對胎面擠出過程不同的故障類型採用不同的診斷方法，可提高現場設備的可靠性、安全性和生產線的生產效率及產品的質量，提高了胎面擠出生產線的自動化程度，提高胎面產品質量，減少了操作人員的勞動強度，提高了工作效率。圖1是胎面擠出聯動線故障樹形模型示意圖。圖2是人機互動問答剪枝後的故障樹。圖3是胎面螺杆擠出機故障診斷子系統功能結構框圖。具體實施例方式本發明的故障診斷系統通過PLC控制網絡，與現場設備實現連接；利用數位技術將物理製造系統結合起來，成為基於信息的系統，使之有效的運作；同時藉助多媒體聲像技術，實現設備狀態監測，從而進行診斷和控制。因此故障診斷對於胎面擠出生產過程的可靠、持續、安全生產具有現實意義。本發明針對胎面擠出生產線控制系統的外部設備故障、智能從站故障、PLC系統故障、總線故障建立樹形故障模型，將上述故障作為上端事件一樹的根節點，將產生系統故障的直接原因作為下端事件(中間事件)_樹的支節點，並用邏輯符號與上端事件連接起來，在對中間事件進行分析，產生樹的支節點，直到最基本的事件-數的葉節點為止。本發明通過推理機搜索推理的深度較淺，實現迅速的剪枝。本故障診斷系統還通過人機互動對話實現多選一的問答方式和給用戶做一些操作提示來實現迅速的剪枝。本發明還建立了具有故障診斷能力的現場監控工作站。本發明採用故障樹分析結合專家系統的診斷方法實現胎面聯動線PLC控制網絡的智能故障診斷系統。本發明完成了智能故障診斷系統的結構、功能設計，包括規則庫、知識庫和資料庫的設計及相關功能模塊的實現。本發明針對螺杆擠出機故障，建立多類分類故障模型，採用一對一分類算法和一類對餘類的分類算法，以及兩種分類算法實現胎面螺杆擠出機的故障診斷。胎面擠出過程智能故障診斷系統包括胎面擠出聯動線故障診斷子系統和螺杆擠出機故障診斷子系統；胎面擠出聯動線故障診斷子系統包括系統建模模塊、知識管理模塊、智能診斷模塊、協同管理與調度模塊、數據管理與報告模塊和診斷專家管理模塊；系統建模模塊採用故障樹模型表達故障及故障相互間的邏輯關係；知識管理模塊在應用的過程中不斷完善和擴充故障信息；智能診斷模塊判明基本故障，確定故障原因、影響和發生概率，對故障進行定性與定量分析；協同管理與調度模塊對規則使用的可信度進行統計和判斷，對推理過程中產生的信息進行動態的存儲和管理；數據管理與報告模塊向客戶、領域專家和知識工程師提供完整的、清楚的和易於理解的解釋及報告；診斷專家管理模塊提供廣域範圍內的共享診斷資源平臺，為客戶提供共享資源和多種智能診斷手段，並與客戶進行交互；螺杆擠出機故障診斷子系統包括數據採集與檢測模塊、人機界面交互系統和常規控制層，人機界面交互系統又包括監督管理層和參數估計模塊。所述系統建模模塊建立胎面擠出聯動線故障樹形模型的方法是將胎面擠出聯動線可能出現的系統故障作為上端事件樹的根節點，將產生系統故障的直接原因作為下端事件樹的支節點，並用邏輯符號與上端事件連接起來；然後該模塊對中間事件進行分析，產生樹的支節點，直到最基本的事件樹的葉節點為止。系統建成的時候，知識庫的信息不可能是完整的，必須在應用的過程中不斷擴充。知識庫管理模塊根據胎面擠出聯動線故障樹形模型，以增加節點的方式不斷完善和擴充故障信息；增加節點時須提供該節點的父故障代號、節點類型、故障現象、與其他分支的邏輯關係，該模塊據此修改相關規則，並將其添加到相應故障樹。智能診斷模塊判明基本故障，確定故障原因的方法是將胎面擠出聯動線不希望出現的事件作為故障樹的頂事件，用規定的邏輯符號自上而下地分析導致頂事件發生的所有可能的直接因素，及其相互間的邏輯關係，並由此逐步深入分析，直到找出事故的基本原因，即故障樹的底事件為止；該模塊確定故障影響和發生概率，對故障進行定性與定量分析的方法是定性分析造成故障各種因素的因果關係，找出系統的薄弱環節，採取相應措施加以改善，以提高整體工作性能；定量分析在一定條件下某種故障發生的概率，找出引出故障的主要因素，通過故障樹分析法將系統故障形成的原因由總體至部分按樹枝狀逐級細化分析。故障樹及其對應規則的信息均以表的形式存貯在資料庫中；資料庫包含故障表、故障現象表和規則表；故障表給出故障代號、故障名稱、節點類型，並給出處理建議；故障現象表包含的欄位有故障現象代號、故障現象名稱、交互信息；規則表包含的欄位有規則代號、父故障代號、子故障代號集、故障現象、故障發生率及樹枝間邏輯關係；規則表中的一條規則對應故障樹的一條分支，故障表、故障現象表和規則表的信息結合起來完整的表示故障樹的信息。本系統根據專家經驗來確定故障發生率，子故障代號集是若干子故障代號的與或表達式，如(F1/F2/F3)&(F3/F4)，其中「/」、「&」分別表示邏輯或和邏輯與，FlF4表示子故障代號。本系統運用動態資料庫進行各種資料庫的管理操作，程序執行期間對動態資料庫進行瀏覽、增刪等操作。胎面擠出聯動線故障診斷子系統的診斷方法為1)讀取故障信息當聯動線電氣設備處於正常工作運行過程中，該故障診斷子系統就進入讀故障信息工作狀態；若無故障信息，則該系統處於等待狀態，一旦有了故障信息，故障診斷系統立即自動進行推理，並將推理過程、推理結論和解釋內容全部存在一個數據文件中，同時也在屏幕上顯示出來；2)發送控制信息當出現的故障被診斷以後，故障診斷子系統發出命令，使電氣設備試圖恢復正常運行或者停止運行，這些故障診斷信息通過選擇工作狀態並通過人機互動系統顯示給客戶，再由客戶將命令傳到控制計算機，控制計算機根據相應的命令來完成響應的操作。系統建模模塊針對胎面擠出聯動線的惡性故障、質量故障、機械液壓故障、循環水、汽故障、溫控加熱故障、電氣故障、PLC模塊故障、電源故障、總線故障、智能從站故障、夕卜部設備故障、總線電源故障、信號幹擾、總線連接器故障、波特率設置問題、從站通訊故障、通訊板故障、總線電纜故障、總線連接器接觸不良、總線連接器終端電阻設置不對、總線連接器已壞故障建立樹形故障模型；該模塊將上述故障作為上端事件樹的根節點，將產生系統故障的直接原因作為中間事件樹的支節點，並用邏輯符號與上端事件樹連接起來，然後再對中間事件進行分析，產生樹的支節點，直到最基本的事件樹的葉節點為止；本系統通過推理機搜索推理的深度較淺，實現剪枝；智能故障診斷模塊和數據管理與報告模塊還通過人機互動對話，以多選一的問答方式和用戶操作提示來實現剪枝。螺杆擠出機故障診斷子系統建立多類分類故障模型，採用一對一分類算法和一類對餘類的分類算法，以及兩種分類算法的結合實現胎面螺杆擠出機的故障診斷。螺杆擠出機故障診斷子系統的診斷過程包括以下步驟Si)整理數據，使故障數據滿足診斷子系統對數據格式的要求通過數據採集與檢測模塊的數據整理層進行數據校正，從現場採集擠出機的轉速、電流和壓力，將這些數據存放在資料庫中，再將校正好的數據由調試專家對有用數據分好類別，分別傳至人機界面交互系統中的監督管理層與參數估計模塊處理，通過監督管理層將處理好的數據導入到EXCEL表格中，剔除不相關的數據，然後通過EXCEL的xlsread函數讀取EXCEL中所需要的行和列中的數據以便操作工查看；S2)將分類好的數據傳至參數估計模塊，通過歸一化消除量綱的影響，同時加快診斷的速度根據下式(1)對數據進行[-1，1]歸一化處理χ.=2^l,、-1(1)1max(xz·)-min(xz·)其中，Xi為採集到的數據，Hiin(Xi)為其最小值，max(χ,)為其最大值；歸一化後的屬性值e[-1'+1]，訓練樣本與測試樣本採用相同的歸一化方法；S3)訓練模型，即通過對學習樣本數據進行訓練，得到模型通過LS-SVMlab工具箱中的訓練樣本函數trainlssvmO進行訓練，在訓練中使用徑向基和函數，並通過網格搜索和交叉驗證的策略進行參數的選擇，訓練後得到一組支持向量；S4)將測試樣本輸入訓練好的模型進行測試，通過LS-SVMlab工具箱中的測試樣本數據分類函數simlssvmO實現，得到測試結果，同常規控制層數據進行測試比較，S5)整理結果對於多故障情況的測試時，需要將測試數據依次輸入每個模型，然後整理每個模型的診斷結果，最終得到多故障分類器對測試樣本的識別結果；S6)得出結論判斷分類器對測試樣本是否正確識別。下面結合附圖，進一步詳細闡述本發明。如圖1針對胎面擠出聯動線故障類型為惡性故障、質量故障、機械液壓故障、循環水/汽故障、溫控加熱故障、電氣故障為根節點，PLC模塊故障、電源故障、總線故障、智能從站故障、外部設備故障為電氣故障的支節點，總線電源故障、信號幹擾、總線連接器故障、波特率設置問題、從站通訊故障、通訊板故障、總線電纜故障為總線故障的支節點，總線連接器接觸不良、總線連接器終端電阻設置不對、總線連接器已壞故障為總線連接器故障的葉節點。本發明建立胎面擠出聯動線故障樹形模型，將故障診斷系統出現系統故障作為上端事件_樹的根節點，將產生系統故障的直接原因作為下端事件(中間事件)_樹的支節點，並用邏輯符號與上端事件連接起來，在對中間事件進行分析，產生樹的支節點，直到最基本的事件-樹的葉節點為止。故障診斷的具體步驟Stepl建立規則庫、故障樹和事實庫(1)故障樹和規則庫的建立在建立控制網絡的故障樹之後，選擇知識表達，將故障樹中的專家知識用計算機能夠接受的形式表示。採用符合人們的思維習慣產生式規則表示法，規則具有模塊性，易於增加、刪除和修改。故障診斷專家系統採用框架結構結合產生式規則的知識表達方法。根據故障樹的不同結構，最基本的規則形式有AND(邏輯與)和OR(邏輯或)兩種。對於某一具體的故障樹，首先根據節點的不同層次對其進行編號，如F、Fi、Fij等，其中F表示結點，i和j表示序號。然後自頂向下根據邏輯關係的不同運用AND和OR兩種規則完成知識表7J\ο故障樹的層次結構較強。規則庫的建立採用了多選一的問答方式，利用該故障樹的特徵，縮小了搜索空間，加快了推理目標的逼近，當搜索到故障樹的葉節點時，由於產生原因可能有幾個，所以這裡採用了用戶提示和問答的方式來確切地判斷產生故障的原因。故障診斷系統實現自動推理的規則也根據類似的方式建立，只是將用戶的選項換成由工控機送來的檢測信號確定。規則庫中包括多條規則，每條規則又分為多條分規則。相同故障類型的基本原因可能不同，因而解決問題的辦法也就不相同。在某條規則下根據產生原因的不同再細分成分規則，既便於分類和推理，也便於對規則進行查錯和修改。(2)事實庫的建立建立用於存放故障的類型及其代碼的事實庫，它既可以當作推理過程中的條件使用，也可以做解釋結論來使用。表1為事實庫中的一些故障類型。表1事實庫故障代碼故障類型100直流調速器電子板電源故障_tableseeoriginaldocumentpage9107直流調速器擴展板EBl硬體故障_tableseeoriginaldocumentpage9(3)知識庫的更新系統建成的時候，知識庫的信息不可能是完整的，必須在應用的過程中不斷擴充。知識庫管理系統完成這項工作。要增加節點，須提供該節點的父故障代號、節點類型、故障現象、與其他分支的邏輯關係等，系統據此修改相關規則，並將其添加到相應故障樹；當用戶要刪除某一分支時，用戶只需提供其故障名稱及其父故障代號綜合資料庫的建立Step2綜合資料庫在資料庫中，故障樹及其對應規則的信息均以表的形式存貯。資料庫中包含故障表、故障現象表和規則表。故障表給出故障代號、故障名稱、節點類型，並給出處理建議；故障現象表包含故障現象代號、故障現象名稱、交互信息等欄位；規則表包含的欄位有規則代號、父故障代號、子故障代號集、故障現象、故障發生率及樹枝間邏輯關係。故障發生率主要是根據專家經驗來確定的，不同故障事件的發生率只具有相對的意義；子故障代號集是若干子故障代號的與或表達式，如(F1/F2/F3)&(F3/F4)，其中「/」、「&」分別表示邏輯或和邏輯與。規則表中的一條規則對應故障樹的一條分支；故障表、故障現象表和規則表的信息結合起來完整的表示故障樹的信息。運用動態資料庫對資料庫進行各種管理操作，如在程序執行期間可以對它進行瀏覽、增刪等操作。系統利用動態資料庫實現了兩種功能一是對規則使用的可信度進行統計和判斷，二是對推理過程中產生的信息進行動態的存儲和管理，使故障診斷系統能夠在運行時迅速地逼近目標。Step3解釋模塊功能及其實現解釋功能作為本胎面聯動線PLC控制網絡電氣故障診斷系統的重要功能之一，向客戶、領域專家和知識工程師提供完整的、清楚的和易於理解的解釋也是故障診斷系統功能的標準之一。故障診斷系統採用預製文本和執行追蹤兩種解釋方法向遠程用戶和領域專家提供有效的解釋，故障診斷系統對故障結論的解釋採用預製文本方法，即預先根據各種故障類型，將其產生原因、解決辦法和防止措施寫成文本形式存入庫中，當推理機推理出結論時，故障診斷系統根據結論給出解釋內容，回答胎面擠出過程用戶提出的問題。表2解釋模塊故障結論變頻器過電流故障原因1電動機的功率與變頻器的功率不對應2電動機導線短路3有接地故障維修建議1檢查電動機的功率與變頻器的功率是否對應2檢查電纜的長度是否超過了允許的最大值3檢查電動機的電纜和電動機的內部是否有短路4檢查輸入變頻器的參數與實際使用的電動機的參數是否一致故障結論變頻器過電流5檢查輸入變頻器的定子電阻值是否無誤6檢查電動機的冷卻風道是否通暢故障結論變頻器過電壓故障原因1直流迴路的電壓超過了跳閘電平2由於供電電壓過高或者電動機處於再生制動方式下引起過電壓3斜坡下降過快或者電動機由大慣量負載帶動旋轉處於再生制動狀態下維修建議1檢查電源電壓是否在銘牌規定的範圍內2檢查直流回落電壓控制器是否有效且是否正確進行了參數化3檢查斜坡下降時間是否與負載的慣量相匹配故障診斷系統對推理過程和規則的可信度的解釋採用了執行追蹤的方法，即對系統的執行過程進行追蹤，將跟蹤的過程和結構向用戶解釋。Step4推理機的實現胎面聯動線PLC控制網絡故障診斷的推理機根據診斷類型故障診斷專家系統的特點和求解策略設計。從圖1可以看出，故障樹是層次結構性很強、樹長得不高，但樹的葉子茂盛，所以推理機搜索推理的深度較淺，關鍵是實現迅速的剪枝。本故障診斷系統通過人機互動對話實現多選一的問答方式和給用戶做一些操作提示來實現迅速的剪枝。規則庫中的規則用來描述圖所示故障中的各種故障的原因和結果的關係，推理時對規則的條件部分的執行也就是多次執行的動態資料庫模塊中數據，當規則的條件部分得到滿足時，故障結論也就是驗證。如圖2經過剪枝後的故障樹，即至頂向下依次為總線連接器接觸不良、總線連接器故障、總線故障、電氣故障、胎面線系統故障。讀取故障信息。當聯動線電氣設備處於正常工作運行過程中，該故障診斷系統就進入讀故障信息工作狀態，若無故障信息，則該系統處於等待狀態。一旦有了故障信息，故障診斷系統立即自動進行推理，並將推理過程、推理結論和解釋內容全部存在一個數據文件中，同時也在屏幕上顯示出來。發送控制信息。當出現的故障被診斷以後，故障診斷系統要發出命令，使電氣設備試圖恢復正常運行或者停止運行，這些故障診斷信息是通過選擇工作狀態並通過人機互動系統顯示給客戶，再由客戶將命令傳到控制計算機的，控制計算機再根據相應的命令來完成響應的操作。St印5規則的可信度統計和判別在該故障診斷系統中設計了規則的可信度統計判別模塊，以便根據實際使用情況，不斷地向故障系統擴展新的規則、修正有錯誤和不確切的規則、刪除無用的規則，提高故障診斷系統的實用性和水平。該故障診斷系統對規則的可信度進行統計是通過動態資料庫來實現的，在動態資料庫內存放所有的規則的使用情況統計值，由於動態資料庫的動態特性，使得在故障診斷系統的運行過程中可以隨意對所有的可信度進行統計，並將新的統計值存入庫內，待系統運行一段時間後，就可以根據統計值決定是否修改相應的規則。某條規則是否修改不能只根據R(可信度)的值來決定，而是根據Zl(規則的正確使用的次數)、X1(規則總的使用次數)和R這三個值來決定。設A、B分別表示規則需要修改時的最少使用次數和最大可信度值，則規則要修改的條件為X1彡AandR彡B。A和B的確定應由領域專家根據專業領域和重要程度確定，並要在實際使用中加以修正。在故障診斷系統中，當確定某條規則需要修改時，是由領域專家來修改的，領域專家根據系統提供的信息、運行結果、使用情況和自己的實際的經驗進行修改，修改後再存入規則庫中使用。如圖3針對螺杆擠出機故障，建立多類分類故障模型，採用一對一分類算法和一類對餘類的分類算法，以及綜合兩種分類算法實現胎面螺杆擠出機的故障診斷。多分類故障模型的建立以螺杆擠出機的正常工作狀態和3種故障狀態共4種狀態建立多故障分類器。取每種狀態18個樣本共72個樣本數據作為訓練樣本，所有分類器均採用高斯徑向基核函數，分別採用「成對分類」和「一類對餘類」的多類分類算法。「1對1」分類將兩種狀態各18個樣本作為分類器的兩類輸入，分別標識為+1禾口-1，對應4種工作狀態共建立6個兩類分類器SVMO1、SVM02、SVM03、SVMl2、SVMl3、SVM23,其中SVMmn代表m類與η類樣本之間建立的兩類支持向量機。「1對多」分類將一種狀態的18個樣本和其餘3種狀態的18X3=54種狀態作為分類器的兩類輸入，分別標識為+1和-1，對應4種工作狀態，共建立4個兩類分類器SVM0、SVM1、SVM2、SVM3，其中SVMn代表η類與餘類樣本之間建立的兩類支持向量機。螺杆擠出故障診斷步驟，分為六個步驟Stepl整理數據使故障數據滿足診斷系統對數據格式的要求通過數據採集與檢測模塊的數據整理層進行數據校正，從現場採集的擠出機的轉速、電流和壓力等數據，存放在資料庫中，將校正好的數據由調試專家對有用數據分好類另IJ，分別傳至人機界面交互系統中監督管理層與估計參數模塊處理，在機界面交互系統中監督管理層將其導入到EXCEL表(微軟公司的算表軟體)格中，剔除不相關的數據，然後通過EXCEL的xlsread函數讀取EXCEL中所需要的行和列中的數據以便操作工查看；Step2分類好的數據傳至估計參數模塊通過歸一化消除量綱的影響，同時加快診斷的速度根據下式(1)對數據進行[-1，1]歸一化處理-0X廣minOz)X/=2^~T1--I(1)max(xz)-min(xz)其中，Xi為採集到的數據，Hiin(Xi)為其最小值，max(χ,)為其最大值；歸一化後的屬性值e[一1，+1]，訓練樣本與測試樣本採用相同的歸一化方法；Step3訓練模型，通過對學習樣本數據進行訓練，得到模型；通過LS-SVMlab(一種支持向量機軟體)工具箱中的訓練樣本函數trainlssvmO進行訓練，在訓練中使用徑向基和函數，並通過網格搜索和交叉驗證的策略進行參數的選擇，訓練後得到一組支持向量；St印4將測試樣本輸入訓練好的模型進行測試，通過LS-SVMlab工具箱中測試樣本數據分類函數simlssvmO實現，得到測試結果，同常規控制層數據進行測試比較，St印5整理結果對於多故障情況的測試時，需要將測試數據依次輸入每個模型，然後整理每個模型的診斷結果，最終得到多故障分類器對測試樣本的識別結果；St印6得出結論判斷分類器對測試樣本是否正確識別。權利要求胎面擠出過程智能故障診斷系統，其特徵在於本系統包括胎面擠出聯動線故障診斷子系統和螺杆擠出機故障診斷子系統；胎面擠出聯動線故障診斷子系統包括系統建模模塊、知識管理模塊、智能診斷模塊、協同管理與調度模塊、數據管理與報告模塊和診斷專家管理模塊；系統建模模塊採用故障樹模型表達故障及故障相互間的邏輯關係；知識管理模塊在應用的過程中不斷完善和擴充故障信息；智能診斷模塊判明基本故障，確定故障原因、影響和發生概率，對故障進行定性與定量分析；協同管理與調度模塊對規則使用的可信度進行統計和判斷，對推理過程中產生的信息進行動態的存儲和管理；數據管理與報告模塊向客戶、領域專家和知識工程師提供完整的、清楚的和易於理解的解釋及報告；診斷專家管理模塊提供廣域範圍內的共享診斷資源平臺，為客戶提供共享資源和多種智能診斷手段，並與客戶進行交互；螺杆擠出機故障診斷子系統包括數據採集與檢測模塊、人機界面交互系統和常規控制層，人機界面交互系統又包括監督管理層和參數估計模塊。2.根據權利要求1所述的診斷系統，其特徵在於所述系統建模模塊建立胎面擠出聯動線故障樹形模型的方法是將胎面擠出聯動線可能出現的系統故障作為上端事件樹的根節點，將產生系統故障的直接原因作為下端事件樹的支節點，並用邏輯符號與上端事件連接起來；然後該模塊對中間事件進行分析，產生樹的支節點，直到最基本的事件樹的葉節點為止。3.根據權利要求2所述的診斷系統，其特徵在於知識庫管理模塊根據胎面擠出聯動線故障樹形模型，以增加節點的方式不斷完善和擴充故障信息；增加節點時須提供該節點的父故障代號、節點類型、故障現象、與其他分支的邏輯關係，該模塊據此修改相關規則，並將其添加到相應故障樹。4.根據權利要求2所述的診斷系統，其特徵在於智能診斷模塊判明基本故障，確定故障原因的方法是將胎面擠出聯動線不希望出現的事件作為故障樹的頂事件，用規定的邏輯符號自上而下地分析導致頂事件發生的所有可能的直接因素，及其相互間的邏輯關係，並由此逐步深入分析，直到找出事故的基本原因，即故障樹的底事件為止；該模塊確定故障影響和發生概率，對故障進行定性與定量分析的方法是定性分析造成故障各種因素的因果關係，找出系統的薄弱環節，採取相應措施加以改善，以提高整體工作性能；定量分析在一定條件下某種故障發生的概率，找出引出故障的主要因素，通過故障樹分析法將系統故障形成的原因由總體至部分按樹枝狀逐級細化分析。5.根據權利要求14中任一項所述的診斷系統，其特徵在於故障樹及其對應規則的信息均以表的形式存貯在資料庫中；資料庫包含故障表、故障現象表和規則表；故障表給出故障代號、故障名稱、節點類型，並給出處理建議；故障現象表包含的欄位有故障現象代號、故障現象名稱、交互信息；規則表包含的欄位有規則代號、父故障代號、子故障代號集、故障現象、故障發生率及樹枝間邏輯關係；規則表中的一條規則對應故障樹的一條分支，故障表、故障現象表和規則表的信息結合起來完整的表示故障樹的信息。6.根據權利要求14中任一項所述的診斷系統，其特徵在於胎面擠出聯動線故障診斷子系統的診斷方法為1)讀取故障信息當聯動線電氣設備處於正常工作運行過程中，該故障診斷子系統就進入讀故障信息工作狀態；若無故障信息，則該系統處於等待狀態，一旦有了故障信息，故障診斷系統立即自動進行推理，並將推理過程、推理結論和解釋內容全部存在一個數據文件中，同時也在屏幕上顯示出來；2)發送控制信息當出現的故障被診斷以後，故障診斷子系統發出命令，使電氣設備試圖恢復正常運行或者停止運行，這些故障診斷信息通過選擇工作狀態並通過人機互動系統顯示給客戶，再由客戶將命令傳到控制計算機，控制計算機根據相應的命令來完成響應的操作。7.根據權利要求14中任一項所述的診斷系統，其特徵在於系統建模模塊針對胎面擠出聯動線的惡性故障、質量故障、機械液壓故障、循環水、汽故障、溫控加熱故障、電氣故障、PLC模塊故障、電源故障、總線故障、智能從站故障、外部設備故障、總線電源故障、信號幹擾、總線連接器故障、波特率設置問題、從站通訊故障、通訊板故障、總線電纜故障、總線連接器接觸不良、總線連接器終端電阻設置不對、總線連接器已壞故障建立樹形故障模型；該模塊將上述故障作為上端事件樹的根節點，將產生系統故障的直接原因作為中間事件樹的支節點，並用邏輯符號與上端事件樹連接起來，然後再對中間事件進行分析，產生樹的支節點，直到最基本的事件樹的葉節點為止；本系統通過推理機搜索推理的深度較淺，實現剪枝；智能故障診斷模塊和數據管理與報告模塊還通過人機互動對話，以多選一的問答方式和用戶操作提示來實現剪枝。8.根據權利要求1所述的診斷系統，其特徵在於螺杆擠出機故障診斷子系統建立多類分類故障模型，採用一對一分類算法和一類對餘類的分類算法，以及兩種分類算法的結合實現胎面螺杆擠出機的故障診斷。9.根據權利要求8所述的診斷系統，其特徵在於螺杆擠出機故障診斷子系統的診斷過程包括以下步驟S1)整理數據，使故障數據滿足診斷子系統對數據格式的要求通過數據採集與檢測模塊的數據整理層進行數據校正，從現場採集擠出機的轉速、電流和壓力，將這些數據存放在資料庫中，再將校正好的數據由調試專家對有用數據分好類別，分別傳至人機界面交互系統中的監督管理層與參數估計模塊處理，通過監督管理層將處理好的數據導入到EXCEL表格中，剔除不相關的數據，然後通過EXCEL的xlsread函數讀取EXCEL中所需要的行和列中的數據以便操作工查看；S2)將分類好的數據傳至參數估計模塊，通過歸一化消除量綱的影響，同時加快診斷的速度根據下式(1)對數據進行[_1，1]歸一化處理formulaseeoriginaldocumentpage3其中，x,為採集到的數據，min(Xi)為其最小值，max(xi)為其最大值；歸一化後的屬性值巧e[_1，+1]，訓練樣本與測試樣本採用相同的歸一化方法；53)訓練模型，即通過對學習樣本數據進行訓練，得到模型通過LS-SVMlab工具箱中的訓練樣本函數trainlssvmO進行訓練，在訓練中使用徑向基和函數，並通過網格搜索和交叉驗證的策略進行參數的選擇，訓練後得到一組支持向量；54)將測試樣本輸入訓練好的模型進行測試，通過LS-SVMlab工具箱中的測試樣本數據分類函數simlssvmO實現，得到測試結果，同常規控制層數據進行測試比較，55)整理結果對於多故障情況的測試時，需要將測試數據依次輸入每個模型，然後整理每個模型的診斷結果，最終得到多故障分類器對測試樣本的識別結果；56)得出結論判斷分類器對測試樣本是否正確識別。全文摘要本發明提供了一種胎面擠出過程智能故障診斷系統，其包括胎面擠出聯動線故障診斷子系統和螺杆擠出機故障診斷子系統；胎面擠出聯動線故障診斷子系統包括系統建模模塊、知識管理模塊、智能診斷模塊、協同管理與調度模塊、數據管理與報告模塊和診斷專家管理模塊；螺杆擠出機故障診斷子系統包括數據採集與檢測模塊、人機界面交互系統和常規控制層，人機界面交互系統又包括監督管理層和參數估計模塊。本發明能提高胎面擠出生產線的自動化程度。文檔編號G05B19/418GK101833324SQ201010179109公開日2010年9月15日申請日期2010年5月14日優先權日2010年5月14日發明者劉小珠,劉芙蓉,徐華中,曾春年,李向舜,薛麗娟,鄧燕妮,陳躍鵬申請人:武漢理工大學