基于模糊神经网络的发动机故障诊断专家系统的研究

根据发动机的组成结构、功能原理及维修专家的实际经验,提出了一种基于模糊神经网络的故障诊断方法,将模糊逻辑和神经网络与传统的专家系统结合起来,开发出发动机故障诊断专家系统软件.该系统具有推理过程简单、快捷和准确等优点.     

基于神经网络的发动机故障多媒体诊断专家系统

提出了一种基于神经网络的汽油发动机智能故障诊断专家系统,该系统是专家系统与神经网络和多媒体技术相组合的智能化诊断系统。根据汽油发动机的组成结构、功能原理及维修专家的实际经验,用计算机模拟建立故障诊断权,由诊断提炼出训练样本,提供给神经网络学习,学习结束后生成的权值和阈值组成知识库。其的特色是专家系统与神经网络、模糊数学等有机结合,从不同角度、不同层次进行诊断推理,并以神经网络来完成自学习功能,大大提高了诊断的效率,克服了传统故障诊断的一些不足,并采用多媒体技术,使诊断过程和结果显示更加直观。     

分布式水电机组故障诊断集成专家系统的研究

针对水电机组故障诊断的多样性和复杂性，将分布式人工智能技术引入机组故障诊断技术的研究，提出一种适用于水电机组的分布式故障诊断专家系统结构和组织方法；并在此基础上，利用神经网络技术、可视化技术和模糊技术，提出了一种新的故障诊断集成知识表示方式和推理生策略，并已应用于某水电厂分布式故障诊断集成专家系统中。     

基于知识与模糊神经网络的故障诊断技术

论述了建立规则型模糊神经网络的理论和方法,针对大型旋转机械提出了一种采用多层规则库结构及智能推理机的故障诊断技术,该技术以Ｒｕｌｅ型模糊联想记忆器作为诊断系统的分类和综合算法,把基于知识的符号处理方法与模糊神经网络有机结合在一起,讨论了模糊神经网络输入和输出模糊化的问题,为电厂汽轮发电机组故障诊断专家系统提供了新的思路。     

基于模糊神经网络的凝汽器故障诊断系统

凝汽器是凝汽式汽轮机的主要辅助设备之一,凝汽器系统运行中出现的故障与故障征兆之间是非线性关系,具有复杂性、模糊性和随机性,难以用数学公式表示.针对此情况,结合模糊理论与神经网络两种故障诊断方法的优势,建立凝汽器故障诊断专家系统.系统采用模糊隶属度函数表示难以准确描述的领域专家知识,采用神经网络进行推理,使诊断结果具有较高的可靠性.     

火电厂真空系统的在线监测与故障诊断专家系统

为保证火电厂真空系统的安全经济优化运行，实现故障诊断和操作指导，开发了该真空系统在线监测与故障诊断专家系统。介绍了该系统的基本结构、主要功能和应用实例。系统中采用了多种故障诊断相结合的方法，如基于规则的专家系统和基于神经网络的故障诊断方法。     

汽车发动机故障诊断模糊专家系统研究

本文详细介绍了汽车发动机故障诊断模型专家系统的设计要点,模糊诊断知识的组织、模糊诊断推理、智能诊断程序结构,设计的诊断系统可根据模糊故障信号进行故障诊断,并由诊断结果获取相应维修方案。本系统使用模糊技术进行推理,能较好地处理诊断过程中的不确定性问题,该系统由Ｃ语言开发,在ＷＩＮＤＯＷＳ平台上运行。     

人工神经网络在汽轮发电机组故障诊断中的应用

论述了神经网络诊断方法与传统的诊断方法如Ｂａｙｅｓ统计诊断方法，模糊诊断方法及专家系统诊断方法等的差别，及神经网络在设备故障诊断中应用的优越性。然后通过对一实际汽轮发电机组的故障事例反复学习，最后建立起网络模型。通过实际验证该诊断模型具有很大的应用前景。     

燃油系统模糊神经网络故障诊断专家系统研究

专家系统前景广阔，前人在该领域的理论和实践方面已做了大量的工作，但传统的专家系统存在许多缺陷，因此欲使其得到进一步发展就必须引入其它先进技术。为解决传统专家系统知识获取和经验性知识的不确定性等“瓶颈”问题，提出将模糊神经网络技术引入到专家系统中。介绍了基于模糊神经网络的专家系统构成的原理、方法、结构和实现技术。将基于模糊多层感知器构成的专家系统应用于柴油机燃油系统故障的分类诊断中，收到了很好的效果。     

电喷发动机故障诊断专家系统

本文介绍了控制燃油喷射发动机故障诊断专家系统的基本结构和功能。此系统通过对采集到的冷却水温度、起动电流、起动电压、氧传感器信号、进气歧管压力、爆燃传感器信号及转速等参数和进行了数据分析，并且据此诊断电喷发动机的故障。还阐述了故障诊断专家系统的有效性和实用性。     

基于模糊神经网络的故障诊断方法的应用

针对大型机组的状态监测与故障诊断问题,为了克服单一故障诊断方法的局限性,对现有的大型设备故障诊断方法作了分析之后,提出一种基于区间值模糊神经网络的诊断方法。该方法根据设备故障诊断的不同阶段,利用基于规则库、区间值模糊集理论、模糊神经网络和模糊模式识别等方法。该方法在某炼油厂重催化机组故障诊断中得到了具体应用。     

人工神经网络在混合智能故障诊断技术中的应用研究

故障诊断的关键是寻找一种使诊断结果更为有效的方法。人工神经网络作为一种新兴的故障诊断方法，越来越受到人们的关注。然而，对于复杂的系统，单一的传统神经网络很难给出理想的结果。本文重点对神经网络与其它诊断方式融合的混合智能技术，即神经网络与专家系统、模糊控制、小波分析和遗传算法的结合以及集成神经网络等在故障诊断中的应用进行了综述。这些方法已应用到实践中，并取得了一定的成果。     

基于隶属度和规则的层次分类诊断模型

提出了一个基于模糊隶属度和规则的分类层次诊断模型。针对该模型,首先以汽轮机通流部分故障为对象,讨论了层次分类的方法,根据结构和故障分解的原则建立了故障诊断树;其次根据热力参数的实际情况,选择模糊隶属度函数并确定隶属度函数的算法;最后综合这两种方法的优点,设计了故障节点的知识组织结构,把每个故障节点的知识库分成工况参数、初始证据源、证据模式、神经网络信息、模糊规则库、索引知识等6个部分。该模型既减少了故障判断的搜索数量,又把诊断所需的各种模糊不确定的知识用模糊神经网络的权重来表示,知识的获取通过模糊神经网络的训练进行,解决了知识获取的"瓶颈"问题。经过实际故障诊断验证,该模型对于通流部分故障诊断具有很好的适用性。图2表4参2。     

基于模糊c-均值-粗糙集-自适应模糊神经网络推理系统集成的故障诊断

考虑模糊聚类的数据离散功能，粗糙集理论对决策系统的约简能力，以及模糊神经网络在模式识别方面具有的优势，提出了模糊c-均值(FCM)—粗糙集—白适应模糊神经网络推理系统(ANFIS)集成进行故障诊断的方案：首先，应用FCM聚类方法离散故障诊断数据中的连续属性值；然后，基于粗糙集理论计算诊断决策系统的约简，按照实际需要确定诊断条件；最后，根据系统约简设计ANFIS进行故障诊断。4135柴油机的实际诊断结果验证了文中提出集成故障诊断方案的可行性。在数据充分的条件下，该方案可以推广应用于其它机械设备。     

汽轮机组回热系统故障诊断知识的模糊处理及诊断研究

在建立火电机组回热系统常见故障的故障集和征兆集基础上,利用模糊数学知识和相关理论,针对回热系统故障征兆参数的不同变化方向和程度,采用不同的变化等级和阈值,建立了回热系统典型故障样本模式知识库及实时故障模式集。同时利用基于MATLAB环境下的径向基函数网络,建立了回热系统故障诊断模型。并利用电站仿真机模似典型故障进行了神经网络模型的验证。实践表明,这种方法可有效地进行回热加热器故障样本模式的模糊量化处理,极大地改善了神经网络训练的收敛性。有利于回热系统的故障诊断。     

谐小波模糊神经网络应用于旋转机械的故障诊断

根据旋转机械复杂的故障特点，提出了结合谐小波分析、模糊理论和神经网络形成的谐小波模糊神经网络方法，并将其应用于旋转机械的故障诊断，实现了模糊故障诊断。通过计算机实现了全部算法。仿真和试验的结果表明：谐小波模糊神经网络在处理多故障耦合的情况时优势明显，故障诊断正确率高，证明该方法行之有效，为旋转机械的故障诊断提供了理论支持和新方法。图2表3参7     

发动机点火系统模糊诊断方法的研究

本文对基于模糊理论的发动机点火系统故障诊断方法进行了初步的研究，给出了体现诊断专家经验知识的模糊诊断国，提出了诊断系统的组成结构以及模糊诊断的基本过程，并且针对东风EQ6100型汽车发动机点火系统的常见故障进行了实例诊断，结果表明，利用模糊理论对发动机的点火系统进行故障诊断，是一种行之有效的方法。     

计算智能在机械设备故障诊断中的应用

智能诊断是目前故障诊断领域研究的主要方向之一，阐述了传统人工智能与计算智能的基本概念以及分别应用二者进行故障诊断的基本原理和优缺点，介绍了计算智能理论，包括神经网络，模糊理论、模糊神经网络，遗传算法和粗糙集理论等，在机械设备故障诊断中的应用状况。     

柴油机模糊诊断专家系统的研究

介绍了一种以关系数据库为基础的机车柴油机多征兆模糊故障诊断专家系统,研究了多征兆模糊产生式规则的诊断知识表示和知识库的建立;利用ADO技术实现对知识库的访问和诊断管理。在柴油机故障诊断应用中,该数据库取得了良好的效果。     

Application of an adaptive neural network with symbolic rule extraction to fault detection and diagnosis in a power generation plant

Artificial neural networks have a good potential to be employed for fault diagnosis and condition monitoring problems in complex processes. In this paper, the applicability of the fuzzy ARTMAP (FAM) neural network as an intelligent learning system for fault detection and diagnosis in a power generation plant is described. The process under scrutiny is the circulating water (CW) system, with specific attention to the conditions of heat transfer and tube blockage in the CW system. A series of experiments has been conducted systematically to investigate the effectiveness of FAM in fault detection and diagnosis tasks. In addition, a set of domain rules has been extracted from the trained FAM network so that its predictions can be explained and justified. The outcomes demonstrate the benefits of employing FAM as an intelligent fault detection and diagnosis tool with an explanatory capability for monitoring and diagnosing complex processes in power generation plants.