来源：网络转载更新时间：2020-07-09 15:07:03点击次数：2313次
1引言
目前使用的包装机械设备，主要有裹包机、 充填机、多功能包装机等等、裹包机又分为半裹 式裹包机、全裹式裹包机、收缩包装机等等•就 如盒装饼干商标纸裹包机为例、它由被包装物 品（饼干盒）供送系统、包装材料（卷筒商标纸） 供送系统、主传送系统、裹包执行机构折纸板、 热封器、支承板等装置组成•饼干盒要被包装且 贴上商标的操作的工艺时间如许用速度、加速 度般认为这种间歇送纸的许用速度可取0. 5m/s .而执行构件的平均运动速度可达0. 45〜 0. 5m/s .如果速度过高•机器工作就不够稳定. 容易出故障.包装质量也要下降•甚至会造成事 故。如何对这样L个复杂机械设备在事故出现 前进行预报•或在故障出现后即时进行诊断"」• 而迅速的排除故障.恢复生产•就要配备一套相 应的诊断系统.过去一般采用的诊断方法有基 于直接测量系统输出输入及信号处理的方法. 基于状态估计的故障检测与诊断（FDD-Fault Detection and Diagnostics）和基于过程参数估 计.FDD方法等等.近几年来.正在兴起的人工 智能的专家系统方法•但人工智能的专家系统 存在着智能获取的“瓶颈”、推理能力弱等一系 列不足,人们开始将注意力集中到神经网絡专 家系统故障诊断方法.这种方法用于系统故障 诊断具有潜在巨大优越性。
2系统FDD的基本内容应用
故障检测对直接或间接影响系统输出的过 程参数、过程状态或特征量发生变化并超过预 定的范围时.诊断系统应尽可能及早地检测出 来，至少.当所关心的系统输出，不符合要求时. 诊断系统应能及时检测出来。其次是故障分离， 根据检测到的故障信息.寻找故障源.并确定故 障类型及大小.对于各种具体系统.故障源可以 是元件、组件或者是子系统.然后故障评价.根 据故障源的部位.故障信息及系统结构.将故障 对于系统性能指标功能的影响等.做岀判断或 估计•给出故障等级.这是人工智能专家系统故 障检测的基本过程.而神经冋络专家系统故障 诊断处理过程为：
（1） 根据长期的现场经验.总结出待诊断 系统可能岀现的各种故障；
（2） 按一定特征对故障类型进行数据编 码或故障数据样本；
（3） 以故障数据样本可对ART（自适应 共振理论）模型进行训练。
3各种传统诊断方法的共同局限性
目前•用于系统故障方法分为二类：一类是
完全基于检测数据处理的诊断方法.我们标为 传统诊断方法•另一类则是主要基于对系统故 障诊断的专家经验及知识处理的专家系统方 法•而传统的诊断方法主要有直接测量系统输 出输入的FDD方法.基于因果关系的信号处理 方法的谱分析法等•基于信息匹配的方法•基于 状态估计的FDD的递阶观测器法，基于过程参 数估计的FDD方法.这些传统诊断方法.尽管 可以通过对检测信号的处理.可能较早地发现 故障.甚至能予报故障.但当诊断对象变得庞大 而复杂时.一方面需增加检测手段•另一方面计 算量大大増加•从而诊断的时间较长•尤其是为 了较细致地分离多重故障.检测手段大大复杂• 诊断时间也大大延长了，且这些传统的诊断方 法只局限于某一具体系统的诊断.很难应用于 不同的诊断对象.领域专家在诊断故障时.往往 可以直接凭系统发生故障时，用视觉、触觉等得 到的一些难以由数据描述的事实以及专家对系 统发生故障历史系统的结构等做出判断，从而 可能很快地找到故障源.这种专家经验的应用 对于复杂大系统的故障诊断尤其见效•领域专 家还能在诊断中根据各种感觉得到的事实及专 家经验进行快速推理.又能应用于各种不同的 诊断对象。专家系统在故障诊断中除具有领域 专家系统在故障诊断中具有的优越性外.它还 克服了领域专家所存在的知识获取的“瓶颈”. 通常专家系统的知识获取由知识工程师将领域 专家的知识移植到计算机中•它是间接的•且效 率低。知识“窄台阶”、推理能力弱、智能水平低、 系统层次少、实用性差等缺点.神经网络故障诊 断专家系统方法不同于传统诊断方法和领域专 家系统.它具有崭新特点和极其显著的优越性.
4系统故障诊断的专家系统方法
4. 1什么是神经网络专家系统
专家系统是处理现实世界中提出的需要由 专家来分析和判断的复杂问题.而领域专家系 统是一种具有专家级水平求解问题的计算机程 序•神经冋络专家系统方法慎拟了人类的形象 思维.这是一种非逻辑、非语言、非静态、非局 域、非线性信息处理方法.它是以非线性大规模 连续时间模拟并行分布处理为主流的神经网络 理论为基础.它与传统AI（ Artificial Intelligece 人工智能）的关系•不是简单取代而是互为补充 辩证统一的关系.它的发展和应用对AI计算 机科学与信息科学有可能带来历史性的突破。
4. 2神经系统诊断故障的原理*
 |
|
对于盒装饼干商标纸裹包机这样的一个复 杂机械系统.根据其结构和功能的不同可粗略 分解为若干个简单的子神经网络系统。如图1 所示。每个子系统从结构和功能上都具有一定 的独立性和完整性.盒装饼干商标纸裹包机这
样复杂机械设备的整体的设计功能是将输入系 统的盒和商标纸.输出是包裹有商标的装有饼 干的盒.其功能是通过各个子系统的功能来完 成的•首先被包装的饼干盒由人工放在供送通 道上.装有推头的供送带作等速运动•装盒逐个 输送到工位I、然后卷筒商标纸供送子系统通 过一对送纸視作相同等速转动.当上下辗压紧 时.将商标纸送至工位I、待纸上商标图案到达 预定位置时 '自动控制装置立即提起上辗而停 止•然后由切纸刀将纸切断•此后，主传送系统 由主传送链带及上的推板由槽轮机构驱动作间 歇转位•将盒和纸由工位I逐次向前推移.最后 输出机外'裹包执行机构子系统通过托盒板等 机构驱动作垂直方向的往复移动.以便将盒和 纸夹持住由工位I降至工位I •折纸板也由凸 轮机构驱动沿水平方向做往复移动.完成腹部 折纸和两端折角操作.此外.还经过固定折纸 板、热封器、支承板等子系统完成整个裹包商标 纸的操作工序.盒装饼干商标纸寒包机诊断系 统分为若干逻辑上独立的诊断子网络.每个子 系统对应于一个诊断子网络 '当其中任何一个 子系统岀现故障时.则整个饼干商标纸裹包机 系统就出现故障.因此.对裹包机系统故障诊断 可通过对其每个子网络故障诊断来完成.神经 网络故障专家系统的基本结构如图2所示。
其中各个模块的功能如下：
|
图2神经冋络专家系统的基本结构 |
（1）自动知识获取模块研究如何获取专 家知识.知识获取包括提出所需神经网络的结 构（包括网络层数、输入、输出及隐结点个数）； 组织待训练的学习样本；使用神经冋络学习算 法.通过对裹包机故障样本的学习.得到所需权 值分布从而完成裹包机故障知识获取。如双并 联前向网络（D PFNN）可以视为一个多层前向 网络与一个单层前向网络的并联.它的前向网 络的运转功能可分成信息前向传播处理与误差 后向传播学习两个方面-DPFNN是一个分块 局域连接结构'非常有利于硬件实现和提高软 件实现的效率。上述过程中，信息是从输入层到 输出层的正向（前向）流动，因而称为信息前向 传播处理
（2）知识库由自动知识获取得到.它是专 家系统推理机制完成推理和问题求解的基础. 知识库可以不断创新.表现为在其基础上对应
图4 一个检测故障模式4的特殊MLFNN
（3） 神经网络专家系统的推理机制提出 使用知识去诊断裹包机出现的各种故障•并评 价故障的等级•提出解决故障的办法•推理机制 为一数值计算过程.主要由以下三个部分组成：
（4） 解释模块用于说明专家系统是根据 什么推理思路做出决策的.1/0系统是被诊断 对外界面，通过检测器检测信号,并获得故障种 类和程度等结果。目前包装机器人广泛活跃在 包装生产线上、如Romao线托盘裹包机器人, 它可在装袋线上同时处理两种不同的产品，机 器人可根据包装的尺寸预先编程序•并计算堆 放的形式和顺序.机器人现在也深入到带自推 进的拉伸包装机的浅托盘裹包机领域，所以必 须设计一个快速、准确诊断包装机器人的故障 诊断系统•保证包装机器人在包装生产线上高 速、高效率的工作•利用神经网络的自适应谐振 理论ART.设计了包装机器人故障诊断系统。
由于ART模型可对任意复杂的二维慎式 进行自组织自稳定的大规模并行处理• ART模 型的信息流有“从下而上的自适应滤波”和“自 上而下的模板匹配”的两个过程。包装机器人在 实际运行时.会产生数种故障•而以常见的“电 流波形异常”、“十字连轴折断”等七种故障为 例.来说明ART的故障诊断过程，首先输入这 7个样本编码证ART自学习.之后.再输入一 些已学习或未学习的样本编码以验证ART的 诊断正确性，仿真结果表明（见表1）.当输入第 —组样本时•由于此时ART不具备任何知识. 故每输入一个样本就产生一•个新样板.并存于 网络内；输入第二组样本时，对已学习过的样 本,ART能迅速准确地识别对未学习过的样本 则区别对待.若超过警戒线•则产生新的模板. 若在警戒线内，则认为其误差为噪声信号，该仿 真结果充分反映了 ART模型的自学习性和智 能性.故障类型如图5所示。
联想搜索网络故障诊断系统：
神经联想搜索网络（ASN）是两层网络.如 图6所示.我们把ASN应用于控制系统的故障 诊断,图中E是指控制系统的环境.ASN接受 从控制系统来的故障信息，通过反向传播算法， 可以对控制系统进行故障诊断.故障诊断的联 想搜索应用于供水控制装置的故障诊断.该供 水控制装置有二十个单元组成和在IBM PC/ AT实现仿真,故障诊断效果很好.该方法通过 调节权.ASN就可获得感知器和B-P算法 的想法.即使新的采样输入（不经过训练）也获 得满意的结果.如果采样的数目愈大，该方法使 用起来就会方便.即使我们不能得到所有的采 样,只要获得主要故障采样'神经网络通过自学习和自组织.就能获得良好的性能。
5 神经网络专家系统在包装机械故障诊断中的应用前景
图5故障类型
表1
|
|
故障样本数字编码 |
仿真结果 |
|||
|
故障类型 |
数字编码 |
组别 |
输入模式（样本） |
匹配模板 |
产生新模板 |
|
故障1 |
1100100 |
第 |
1100100 |
|
故障1 |
|
故障2 |
1101001 |
|
1101001 |
|
故障2 |
|
故障3 |
1101010 |
|
1101010 |
|
故障3 |
|
故障■! |
0001100 |
一， |
0001100 |
|
故障4 |
|
故障5 |
0010000 |
|
0010000 |
: |
故障5 |
|
故障6 |
0010100 |
|
0010100 |
|
故障6 |
|
故障7 |
0011000 |
组 |
0011000 |
|
故障7 |
|
|
|
第 |
1100100 |
故障1 |
|
|
|
|
|
0001100 |
故障4 |
|
|
|
|
二 |
0010100 |
故障6 |
|
|
|
|
|
1101001 |
故障2 |
|
|
|
|
组 |
1001001 |
故障2 |
|
|
|
|
|
0011111 |
|
故障8 |
采用神经网络专家系统方法建立的故障诊断系统.具有如下突出的优越性。
|
|
（I）釆用知识表示.自动获取与自适应并行推理的神经网络故障诊断专家系统方法.为图6 ASM的结构 解决现有专家系统和知识工程中存在的知识获 取“瓶颈”、“窄台阶”、“组合爆炸”、“推理复杂 性”等问题以及提高故障诊断系统的智能水平, 开辟了崭新的途径。
×
