[01266623]设备故障诊断网络化虚拟仪器系统开发

本项目主要研究成果和创造性技术说明如下：

1．建立了CNCRDS中的知识模型。针对诊断知识来源的不同，把数控机床设备的知识概括为浅层知识、深层知识。根据机械部件和电气部件不同特点，提出了在对数控机床进行故障诊断时，将机械部件的故障定位到零部件级或功能部件级；而电气故障定位到板卡级，简化了知识库的结构。对于机床侧故障的诊断，以CNC和机床本体的接口部件PLC作为突破口，提出了将梯形图逻辑转化为规则的知识表示方法，并验证了系统中知识表示方法的有效性。

2．在CNCRDS中，采用将浅层推理和深层推理相结合的混合推理模型，混合推理可以克服浅层推理和深层推理的弱点，发挥更强大的威力。浅层模型可以诊断简单故障，并为深层模型提供搜索边界。在深层模型中，当测试过程比较困难或测试所需的时间较长时，为了减少测试的次数，可以利用启发式规则寻找故障的边界。混合推理的使用即可保证了推理效率，又能保证推理的准确性和有效性。

3．构建了基于多Agent的CNCRDS系统总体框架。

课题在对现有Agent及多Agent系统概念研究的基础上，结合数控机床设备智能诊断知识体系，分析了数控机床远程故障诊断任务的分解方式，指出了多Agent框架结构非常适合构建CNCRDS智能系统在此基础上，对CNCRDS中多Agent系统的体系结构、Agent的形式描述和功能结构、各组成部分的功能及与多Agent系统的关系进行了研究；在现有多Agent系统的协商理论与方法基础上，研究了多个Agent之间基于效用评估的诊断任务协商策略，提出了基于诊断准确率和诊断时间的效用评估算法；研究了多Agent系统的通讯理论与方法，建立了黑板和消息传递相结合的多个Agent之间的通讯机制和基于XML的通信框架。

为了给故障精确定位，迅速提取特征信号，研发了基于虚拟仪器的机械故障信号工具箱，通过时域、和频域以及时频分析，能对机械故障源进行精确定位。主要针对振动信号的采集、征兆的分析提取以及征兆与故障的对应关系等方面进行了研究，开发了较完善的机械故障信号处理工具箱。在CNCRDS中，与之相对应的是机械故障信号处理Agent。

课题重点研究了经验模态分解EMD方法并提出了一种改进算法。

应用改进的EMD算法，对齿轮箱齿轮裂纹故障进行了分析，试验结果表明改进的EMD方法对机械故障的早期预测非常有效。

5．研究了CNCRDS系统中的学习机制，使系统知识库中的知识能够不断积累、不断完善，而且连接到系统中的所有企业级站点都能共享系统级知识。针对CNCRDS系统中的知识模型，本文提出了规则式定性知识的学习机制；并在分析研究人工免疫网络的发展现状基础上，针对机械故障特点，提出了基于人工免疫网络的故障模式学习算法，结合轴承故障实例进行了算法验证，实验结果与神经网络进行了对比分析，结果证明该算法学习效率高。

6．选用Java技术及性能优异的JADE3.5作为系统的开发平台，设计并实现了基于Multi-Agent的CNCRDS的原型系统。并通过“机床爬行与振动”故障诊断为例，说明CNCRDS系统的运行过程，验证基于多Agent的数控机床远程故障诊断的研究成果。为成功构建异质网络下复杂系统奠定了实验和技术基础。

该项目开发了网络化虚拟仪器系统，实现了远程设备故障诊断，可以为设备提供商、企业技术人员和行业专家提供异地协同工作环境，实现及时、准确地预防和诊断设备故障，“移动的是数据而不是人”，具有非常重要的现实意义和广泛的应用前景。