關(guān)鍵詞：人工智能技術(shù)；設備檢測；故障診斷

中圖法分類號：TP393 文獻標識碼：A

1引言

設備檢測是分析設備運行狀態(tài)的重要一環(huán)，高質(zhì)量的設備檢測不僅能夠提前發(fā)現(xiàn)設備運行期間的潛在風險隱患，還能提高設備檢測結(jié)果的精確性，在增加設備運行壽命的同時保障設備能夠以穩(wěn)定且安全的狀態(tài)持續(xù)運行。借助人工智能技術(shù)能夠在一定程度上提高設備檢測質(zhì)量，而且人工智能技術(shù)作為發(fā)展智能化設備檢測不可缺少的重要組成部分，更是未來設備檢測技術(shù)發(fā)展的必然趨勢。因此，有必要對人工智能技術(shù)在設備檢測中的應用進行分析。

2人工智能技術(shù)在設備檢測中的重要性

人工智能的概念比較廣泛，人工智能技術(shù)的本質(zhì)就是采用信息程序?qū)θ诉M行模擬的一項技術(shù)，作為計算機學科中的重要分支技術(shù)，人工智能技術(shù)在應用過程中必然要依賴計算機來開展各項操作。人工智能技術(shù)能夠在運行期間最大限度地對人類行為進行模擬，而且通過智能化技術(shù)還能不斷完善人類的行為模式。人工智能技術(shù)可以通過智能分析與推算，不斷分析大量人類的行為案例來總結(jié)回顧知識框架，并通過知識應用來完善行為模式。在設備檢測期間，基于人工智能技術(shù)通過故障樹、模糊數(shù)學等方式來實現(xiàn)對設備運行狀態(tài)的深入分析，以此來找出設備運行期間的潛在風險隱患，以避免設備的風險隱患變成嚴重的設備故障。

設備檢測的核心目標就是通過分析設備運行狀態(tài)，識別設備是否存在異常情況，如果發(fā)現(xiàn)設備異常便要在第一時間明確設備的故障性質(zhì)與風險部位，通過及時找到設備故障起因，以此來實現(xiàn)對設備運行狀態(tài)的提前預警。在設備檢測中，只要能夠提前發(fā)現(xiàn)設備異常并針對性地提出設備異常的解決方案，就能最大限度地提高設備運行質(zhì)量，以避免設備在異常風險因素的影響下造成不可估量的損失。因此，對于設備檢測而言，人工智能技術(shù)的重要性毋庸置疑，只要借助人工智能技術(shù)對設備檢測工作進行全方位的優(yōu)化，就可以在提高設備檢測精度的同時提升設備檢測效率。相較于傳統(tǒng)的人工檢測技術(shù)，以人工智能技術(shù)為核心的設備檢測模式不僅能夠解決人工失誤問題，還可以借助計算機技術(shù)來實現(xiàn)海量數(shù)據(jù)管理并提升設備檢測數(shù)據(jù)的統(tǒng)計能力。因此，相較于傳統(tǒng)設備檢測技術(shù)，人工智能技術(shù)必然會成為設備檢測技術(shù)的未來發(fā)展趨勢。

3人工智能設備檢測技術(shù)的設備狀態(tài)診斷類別分析

人工智能設備檢測技術(shù)的核心要素就是人工智能技術(shù)，將人工智能技術(shù)與設備檢測相融合，借助人工智能實現(xiàn)對設備檢測水平的提升。從技術(shù)特征的角度出發(fā)，人工智能設備檢測的故障樹診斷往往需要借助故障邏輯結(jié)構(gòu)來實現(xiàn)對設備運行情況的邏輯分析與推理，通過錯誤輸出可以找出潛在的輸入錯誤，在設備檢測的編程中，需要利用嵌套算法來進行狀態(tài)分析，所以這種設備檢測方式更加適合在系統(tǒng)結(jié)構(gòu)簡單、耦合少的情況下運行。而在如今的設備檢測技術(shù)發(fā)展中，因為待檢測設備發(fā)展的復雜化，所以人工智能技術(shù)在設備檢測中的應用也在不斷優(yōu)化，智能設備診斷如今已經(jīng)成為開展設備檢測的核心診斷方式。

從智能診斷系統(tǒng)在運行期間對知識處理途徑的角度出發(fā)，智能設備診斷基本可以分為兩大類，其一是以符號推理為核心的智能診斷方式，如傳統(tǒng)人工智能診斷便是這種診斷方式的代表性技術(shù)。其二則是以數(shù)值計算為核心的診斷方式，人工神經(jīng)網(wǎng)絡診斷便是數(shù)字計算診斷不可缺少的重要技術(shù)，以數(shù)值計算為核心的設備診斷作為如今在智能診斷領域不可忽視的關(guān)鍵性技術(shù)，其具有更廣闊的發(fā)展空間。

在分析基于符號推理的診斷系統(tǒng)時，可以發(fā)現(xiàn)所有的知識都將按照既定規(guī)則，使用特定描述符號來表示特定內(nèi)容，無論是知識的存儲還是處理，都必然會將符號視為知識管理的核心要素。在此期間，知識處理系統(tǒng)可以結(jié)合知識庫與推理機制來實現(xiàn)邏輯分析，通過不斷開展邏輯分析能夠有效甄別設備運行狀態(tài)。同時，知識庫、推理設備各自具有一定程度的獨立性，所以基于符號推理的智能設備診斷在實際操作中需要面對較為復雜的操作環(huán)境，只有在設備檢測對實時檢測速度要求不高且檢測內(nèi)容簡單的情況下，才能最大限度地發(fā)揮出智能設備檢測應有的價值。

在分析基于數(shù)值計算的智能設備診斷系統(tǒng)時，可以發(fā)現(xiàn)所有的知識都將通過系統(tǒng)權(quán)系數(shù)矩陣來進行存儲，而知識獲取則需要結(jié)合學習規(guī)則，通過不斷進行智能學習來逐漸改變權(quán)系數(shù)矩陣。從知識處理角度出發(fā)，以數(shù)值計算為核心的設備診斷方式并不具備知識獲取限制等功能。在所有的設備診斷方法中，神經(jīng)網(wǎng)絡診斷以及模糊神經(jīng)網(wǎng)絡診斷是最為典型的診斷方式，這種以數(shù)值計算為核心的診斷方式對設備診斷硬件平臺的處理能力具有較高的要求。在借助人工智能技術(shù)開展人工智能設備檢測工作時，只有采用最為適合的人工智能技術(shù)，才可以在提高設備檢測水平的同時進一步優(yōu)化設備檢測質(zhì)量。

4設備檢測中人工智能技術(shù)的應用

人工智能技術(shù)可以應用在各行各業(yè)的經(jīng)營發(fā)展中，這也是人工智能技術(shù)適應性強的一種外在體現(xiàn)，通過分析人工智能技術(shù)在設備檢測中的應用方式，可以從多個角度借助人工智能技術(shù)來滿足設備檢測的實際需求，進而提升設備檢測效果。

4.1專家系統(tǒng)在設備檢測中的應用

很多企業(yè)在經(jīng)營發(fā)展中都離不開設備檢測技術(shù)的支持，因為設備檢測不僅能夠幫助企業(yè)分析設備當前的運行狀態(tài)，還可以幫助企業(yè)規(guī)避設備運行期間可能存在的潛在風險因素。借助人工智能技術(shù)開展設備檢測工作的核心目標就是進一步提高設備檢測結(jié)果的精確度，以及設備檢測質(zhì)量。專家系統(tǒng)作為人工智能技術(shù)中的重要組成部分，可以在實際應用期間模擬人類專家的思維模式來解決遇到的問題。即結(jié)合設備相關(guān)領域多位專家的設備檢測經(jīng)驗來分析、判斷設備檢測方法，這種設備檢測方式的本質(zhì)就是借助專家經(jīng)驗來優(yōu)化決策能力。

在設備檢測期間所使用的專家系統(tǒng)往往可以劃分為知識庫、推理機等多個相互關(guān)聯(lián)的組成部分，通過知識庫中總結(jié)出的知識往往更符合人們所使用的語言習慣，因此很多企業(yè)在條件允許的情況下更傾向使用專家系統(tǒng)來開展設備檢測。同時，借助知識庫中的推理機制開展模糊處理，還能進一步降低設備出現(xiàn)問題后的處理復雜性。就目前而言，很多企業(yè)所使用的專家系統(tǒng)往往存在智能水平偏低的情況，這也在一定程度上降低了專家系統(tǒng)在設備檢測中的應用質(zhì)量。從企業(yè)發(fā)展的角度出發(fā)，只有不斷創(chuàng)新并優(yōu)化數(shù)據(jù)推理機制，并持續(xù)加強專家系統(tǒng)管理，才能從真正意義上提高人工智能化設備檢測質(zhì)量，并讓專家系統(tǒng)設備檢測發(fā)揮出應有的作用。

4.2人工神經(jīng)網(wǎng)絡在設備檢測中的應用

在人工智能技術(shù)中，人工神經(jīng)網(wǎng)絡是借助簡單數(shù)據(jù)處理單元互聯(lián)所形成的一種網(wǎng)絡系統(tǒng)，各種簡單數(shù)據(jù)處理單元可以視為生物神經(jīng)系統(tǒng)中的細小神經(jīng)元。因此人工神經(jīng)網(wǎng)絡可以利用數(shù)據(jù)處理單元來實現(xiàn)激活數(shù)據(jù)的目的，然后可以利用網(wǎng)絡連接的方式來實現(xiàn)對數(shù)據(jù)信息的高效傳輸，因此人工神經(jīng)網(wǎng)絡在實際應用過程中具備數(shù)據(jù)處理速度快的優(yōu)勢。同時，由于人工神經(jīng)網(wǎng)絡的運行狀態(tài)更加透明化且具有明朗的解釋機制，因此在推理神經(jīng)網(wǎng)絡時還需要額外引入模糊規(guī)則，以模糊機制為核心來增加設備檢測期間的容錯率。在設備檢測期間，利用人工神經(jīng)網(wǎng)絡可以在各種復雜運算中對設備進行多維度檢測，從而提升設備檢測最終結(jié)果的精確性。

在利用人工神經(jīng)網(wǎng)絡進行設備檢測時，由于很多設備故障都具備層次性、延時性以及其他不確定性，因此采用單一的人工神經(jīng)網(wǎng)絡開展檢測作業(yè)很容易出現(xiàn)故障樣本過多的情況，并產(chǎn)生各種局部性問題。為了讓基于人工神經(jīng)網(wǎng)絡技術(shù)的設備檢測質(zhì)量得到更多保障，就應該對神經(jīng)網(wǎng)絡的誤差函數(shù)以及自適應情況進行調(diào)整與優(yōu)化，即從模式識別的視角出發(fā)，將整個人工神經(jīng)網(wǎng)絡看作是人工分類器，并在預測過程中建立切實可行的動態(tài)預測模型。只要能夠利用人工神經(jīng)網(wǎng)絡完善非線性跟蹤器，就可以進一步提高面對各種突發(fā)性問題的容錯率，并實現(xiàn)對各種大型設備運行狀態(tài)的動態(tài)監(jiān)管，進而保證設備檢測工作的檢測質(zhì)量。

4.3模糊理論在設備檢測中的應用

模糊理論是人工智能技術(shù)中的重要理論之一，其內(nèi)容包括模糊數(shù)學、模糊邏輯等多個分支。模糊理論在人工智能技術(shù)中經(jīng)常被用作診斷與決策，因此，在設備檢測過程中，模糊理論具有相對較高的實用性，可以將人類專家的思維以數(shù)理邏輯的形式呈現(xiàn)出來。而借助模糊推理獲得控制作用集，還可以通過被控對象進一步提高設備檢測精確度。在設備檢測過程中，由于很多設備故障都存在不確定性，因此為了提高設備檢測結(jié)果精確度，就必須針對不確定性完善相應的處理方法，而模糊理論則可以在一定程度上降低不確定性帶來的負面影響。模糊理論能利用多值邏輯解決傳統(tǒng)檢測中難以處理的問題，從而增加設備故障診斷結(jié)果的準確性。

需要注意的是，在設備檢測期間，因為信號參數(shù)與故障具有多邊性特征，所以設備檢測在實際應用環(huán)節(jié)即便發(fā)現(xiàn)了故障表現(xiàn)也很難及時找到引發(fā)設備故障的實際原因。而且在個別情況下，還會出現(xiàn)同一種設備故障同時產(chǎn)生多個設備故障部位的現(xiàn)象，或是因為單一設備故障原因而出現(xiàn)多種不同故障表現(xiàn)的現(xiàn)象。因此在設備檢測過程中，為了最大限度地提高檢測精確性，并解決設備檢測期間可能遇到的各種問題，就必須主動優(yōu)化傳統(tǒng)故障檢測模式，并結(jié)合模糊理論來融合諸如隸屬度函數(shù)等復雜數(shù)據(jù)理論，以提高設備檢測能力。但是，由于模糊理論在設備檢測中的應用難度相對較高，因此模糊理論在實際應用中必須提升技術(shù)人員能力，只有相關(guān)技術(shù)人員具有足夠的能力才能讓基于模糊理論的設備檢測發(fā)揮出應有的作用。

4.4遺傳算法在設備檢測中的應用

遺傳算法是一種以遺傳機理為核心的一種全局優(yōu)化算法，借助生物進化現(xiàn)象來進行設備模擬，可以對設備問題進行優(yōu)化。在全方位排查設備運行狀態(tài)時，可以借助設備元器件故障及保護動作來建立設備遺傳算法，通過采用差異性遺傳算法來處理故障，可以大幅降低設備故障帶來的負面影響。需要注意的是，在利用遺傳算法進行設備檢測時，必須從設備全局優(yōu)化的角度出發(fā)，一旦保護元器件、斷路器出現(xiàn)拒動，則意味著此時獲得的診斷結(jié)果為最優(yōu)結(jié)果。由于遺傳算法在設備檢測中的使用模式還不完善，所以遺傳算法應針對數(shù)學模型構(gòu)建以及差異確認等內(nèi)容進行深入分析，以此來確保遺傳算法在設備檢測中發(fā)揮其應有的作用。

4.5故障樹在設備檢測中的應用

故障樹作為人工智能技術(shù)中的重要技術(shù)之一，能夠以設備不希望發(fā)生的故障為核心來進行設備故障分析，在分析階段，可以按照自上而下的邏輯順序來完成深度推理。通過分析故障原因并借助邏輯門來實現(xiàn)故障原因與內(nèi)容的連接，可以在保證設備檢測結(jié)果精度的同時提高檢測效率。但是，相較于其他設備檢測方法，以故障樹為核心的設備檢測往往無法實現(xiàn)設備故障的預知性分析。除此之外，在設備檢測過程中，因為設備可能出現(xiàn)各種不同的故障，所以在利用故障樹進行設備檢測時，必須結(jié)合檢測需求來選定特定情況作為頂端事件，從而實現(xiàn)自上而下的持續(xù)性故障分析。

5結(jié)束語

人工智能技術(shù)在設備檢測中能夠發(fā)揮極其重要的作用。無論是人工神經(jīng)網(wǎng)絡診斷還是其他分支技術(shù)，都可以在不同情況下提高設備檢測質(zhì)量。隨著越來越多的人意識到人工智能技術(shù)的重要性，設備檢測中的人工智能技術(shù)將會變得更加完善。

作者簡介：

郭成雙（1981—），本科，助理實驗師，研究方向：電子信息技術(shù)。