基于奇异值分解、模糊聚类和粗糙集理论的旋转机械故障诊断

对含有重复和冲突对象的离散决策表,提出了一种基于粗糙集的规则获取方法,使得获得的规则能够涵盖所有的对象。对连续条件属性值和离散决策属性值的决策表,基于矩阵的奇异值分解、模糊C均值聚类和粗糙集属性约简技术,提出连续属性最佳离散数目确定方法。在上述方法的基础上,进行旋转机械故障诊断的规则获取,获得的诊断规则具有很好的知识归纳能力和知识泛化能力。利用获得的诊断规则进行旋转机械故障诊断,建立了待诊断对象和诊断规则的弹性匹配模式,使得诊断结论的获取取决于不同的诊断要求。     

一种基于软计算的转子故障诊断方法

提出了一种基于软计算的转子故障诊断方法。该方法充分利用软计算中的模糊集合理论,人工神经网 络,粗糙集理论和遗传算法等计算方法优势,弥补它们相互的不足,进行故障诊断。首先利用粗糙集理论对样本数据进 行初步规则获取,并计算规则的依赖度和条件覆盖度,然后根据这些规则进行网络设计,其中,网络隐层节点的数目等于 规则的数目,初始网络权重由规则的依赖度和条件覆盖度确定,最后用遗传算法对模糊神经网络参数进行优化。使用该 网络对转子类常见故障进行诊断。实验表明,和一般模糊神经网络相比,这种基于软计算的诊断方法具有训练时间短、 诊断准确率高的特点。     

旋转机械故障诊断的自学习方法研究

分析并介绍了旋转机械故障诊断的模糊数学与专家系统相结合的诊断方法，提出了一种实用的自学习策略，用这一诊断方法在实验室对一双跨转子进行了两种常见故障的学习及诊断。并将该学习模块装入现场一台５０ＭＷ汽轮发电机组的故障诊断专家系统中，经过多年运行，专家系统知识库得到不断完善。     

基于核极限学习机的旋转机械故障诊断方法

传统的旋转机械故障诊断存在需人工干预、诊断精度低等问题。为更好诊断旋转机械故障,提出基于核极限学习机的旋转机械故障诊断方法。首先在正常状态和转子不平衡、转子不对中、轴承座松动3种故障状态下采集旋转机械的振动信号,降噪后提取各频段小波能量作为故障特征,以此为基础建立基于核极限学习机的旋转机械故障诊断模型。在旋转机械故障模拟实验台上进行的应用实验表明,KELM方法比ELM有更高的稳定性,KELM的故障诊断准确率大于99%,诊断性能优于极限学习机和支持向量机。     

基于关联规则分类的冷水机组故障诊断研究

鉴于现有基于数据驱动的故障诊断方法多以黑箱模型为主,诊断过程和结果难以解释的问题,本文提出一种基于关联规则分类的冷水机组故障诊断和故障作用机理解释的方法,在保证较好故障诊断精度的前提下,利用故障诊断模型中的规则库对诊断过程进行逆向分析,解析故障作用机理和模型的诊断过程,提升了基于数据驱动的故障诊断方法的可靠性。通过ASHRAE研究项目1043的实验数据对该方法进行验证。结果表明,基于关联规则分类的冷水机组故障诊断方法可以有效地识别7种典型冷水机组故障,平均故障诊断准确率高达90.84％。此外,提取的规则能够较好地吻合制冷原理及热力学相关知识,可用于故障作用机理分析与故障诊断的进一步研究。     

基于中智KNN的齿轮箱故障诊断方法

齿轮箱在旋转机械设备中应用广泛,研究齿轮箱的故障诊断方法意义重大。为提高齿轮箱故障的预警诊断准确度,提出了基于中智KNN(Neutrosophic K-Nearest Neighbor,NKNN)的齿轮箱故障诊断方法。该方法利用小波包对信号特征进行提取,并构建出故障样本集,借助中智理论对样本的特征权重进行重新分配,建立起基于中智KNN决策规则下的故障诊断模型,并提出了中智划分的概念。实验表明,该方法有效地提升了分类精度和鲁棒性,弥补了传统KNN同贡献权重分配的缺陷,其中智划分的结果可以作为分析齿轮箱混合故障诊断的参考依据。     

故障诊断的模糊神经网络模型

论证了单症兆和多症兆诊断的模糊模型分别与一定条件的单层神经网络等价，从而建立了单症兆和多症兆诊断的模糊神经网络模型。基于模糊诊断原理，阐述了模糊神经网络模型是由若干独立单元组成的可扩充的组合式结构，进而提出一种修改或扩充子网络或子结点及其权重连线的可塑性学习方法。基于此模型建立了旋转机械故障诊断专家系统，以现场实际例子对模型的应用进行了说明。     

用数据流思想开发故障诊断知识库

本文分析了目前在故障诊断专家系统知识库构造方面存在的问题，研究了大型旋转机械故障诊断领域知识的构成特点和表达形式。为了保证故障诊断知识库的通用性、管理与维护的方便性和可靠性，引入了面向数据流的软件设计思想，并利用这种思想构造了一个汽轮发电机组故障诊断专家系统的知识库管理系统。     

基于小波包变换的径向基神经网络在故障诊断中的应用

提出了一种新的旋转机械故障诊断方法。基于小波包变换的频率划分特性，对旋转机械的振动信号进行小波包分解，建立旋转机械六种典型故障特征矢量，准确地提取了故障的特征信息，结合RBF神经网络训练速度快的优点，将RBF神经网络应用于故障特征的选择，最后，利用所确定特征及RBF分类器进行故障诊断。实验结果表明，该方法可实现典型故障的可靠诊断。而且由于利用小波包变换代替了传统的FFT，故本方法对于诊断频率分布范围较广而复杂且信号具有较强时变性的复杂故障有着良好的应用前景。     

大型旋转机械故障诊断专家系统ETHYLENE的理论研究

本文在模糊产生式规则的基础上引入了加权模糊连接算子的概念,并研究了征兆的类型。在此基础上,为旋转机械模糊诊断知识提出了一个灵活的知识表达方法——广义模糊产生式规则。在征兆类型的基础上引入了征兆认可因子的概念.利用这一概念来描述模糊蕴涵关系的语义,基于征兆认可因子提出了一个模糊推理算法。文中还给出了由基于这一广义模糊产生式规则和模糊推理算法建立的透平压缩机组故障诊断专家系统ETHYLENE得到的两个诊断结果。     

Fault Diagnosis of a Rotary Machine Based on Information Entropy and Rough Set

There exists some discord or contradiction of information during the process of fault diagnosis for rotary machine. But the traditional methods used in fault diagnosis can not dispose of the information. A model of fault diagnosis for a rotary machine based on information entropy theory and rough set theory is presented in this paper. The model has clear mathematical definition and can dispose both complete unification information and complete inconsistent information of vibration faults. By using the model, decision rules of six typical vibration faults of a steam turbine and electric generating set are deduced from experiment samples. Finally, the decision rules are validated by selected samples and good identification results are acquired.     

设备故障诊断的粗糙集方法研究

针对设备的各种故障,利用粗糙集优越的约简理论,对系统的量测数据进行诊断规则提取与简化,并通过对多个约简表关键信息的综合,形成一种混合策略的诊断规则,它充分利用冗余信息,在信息丢失、不完备的情况下,仍能对设备进行正确的诊断。     

Multiconcept classification of diagnostic knowledge to manufacturing systems: Analysis of incomplete data with continuous-valued attributes

The performance of a manufacturing system is largely dependent upon the condition of its system components. By closely monitoring the condition of critical system components and carrying out timely system diagnosis as soon as a fault symptom is detected would help to reduce system down time as well as improving overall productivity. To achieve this, an effective diagnostic system is absolutely necessary. In recent years, computerized diagnostic systems such as knowledge-based systems have been developed to assist engineers in performing system diagnosis. These computerized systems require sufficient knowledge to be acquired within a short time, which is not an easy task in reality, especially in the case of acquiring knowledge from imprecise/incomplete data. Consequently, there is a need to look into ways to extract diagnostic rules from the raw information/data gleaned from a manufacturing system in an efficient manner. The paper presents an approach that can extract diagnostic knowledge from incomplete data with continuous-valued attributes. It begins with a brief discussion on the treatment of continuous-valued attributes for both twin-concept and multiconcept classification. Subsequently, a detailed discussion on the treatment of incomplete information is presented. A case study is used to validate the application of the proposed approach. Results show that the rules induced are logical and quite consistent with those obtained from domain experts. The details of the case study and results are presented.     

基于数据挖掘的设备状态监测和故障诊断

从设备状态监测和故障诊断与数据挖掘技术之间的相互关系出发，在全面地介绍数据挖掘的起源、发展和相关产品的基础之上，重点讨论了它在特征提取、状态识别、诊断决策等与设备状态监测和故障诊断相关领域中的应用，指出将数据挖掘应用于设备状态监测和故障诊断领域具有重要的研究价值和实际应用意义。     

基于决策树算法的多联机气分插反故障诊断

本文将决策树算法应用于多联机气分插反故障诊断中,搭建了多联机实验平台采集数据,根据专家知识及数据变化模型验证选取了建模的特征变量,采用决策树C5.0算法构建气分插反故障诊断模型,进一步对由模型分类规则生成的最优变量即过冷器的EEV（电子膨胀阀）进行深入分析和验证。结果表明：将决策树算法应用于多联机气分插反故障诊断的方法,准确率为96%,有较高的准确性和可靠性,此诊断方法能满足多联机故障诊断实际运用的需要。由于多联机发生气分插反故障时,系统过热度降低,为保证多联机系统的制冷效果和能效比,可通过增大过冷器EXV开度调节。     

基于DS–PCA模型的包装设备滚动轴承故障诊断方法研究

目的 针对包装设备长期连续工作的工作特性,对其滚动轴承的常见失效故障进行分析,提出一种基于DS–PCA模型的滚动轴承故障诊断方法,构建滚动轴承DS–PCA故障诊断模型,实现包装设备中滚动轴承的在线故障诊断。方法 先运用DS证据理论对采集到的滚动轴承径向振动数据和轴向振动数据进行融合,使得信息具有整体完备性,同时对采集信号进行决策规则下的去噪处理,剔除干扰噪声信息;然后利用主成分分析法(PCA)将融合后的振动信号数据进行Q与T²的统计量计算,并通过对故障轴承振动信号的Q与T²统计量计算,确立故障时的经验阈值;最后,依据实时统计量与经验阈值对比,判断滚动轴承是否发生故障。结果 通过对西储大学公开的滚动轴承试验数据分析计算,得到滚动轴承故障诊断准确率达到94%。结论 该方法满足包装设备故障诊断的要求,其应用将有利于提升包装企业的生产质量和效率。     

Application of Multi-sensor Information Fusion in the Fault Diagnosis of Hydraulic System

Aiming at the problem of incomplete information and uncertainties in the diagnosis of complex system by using single parameter,a new method of multi-sensor information fusion fault diagnosis based on BP neural network and D-S evidence theory is proposed. In order to simplify the structure of BP neural network,two parallel BP neural networks are used to diagnose the fault data at first; and then,using the evidence theory to fuse the local diagnostic results,the accurate inference of the inaccurate information is realized,and the accurate diagnosis result is obtained. The method is applied to the fault diagnosis of the hydraulic driven servo system( HDSS) in a certain type of rocket launcher,which realizes the fault location and diagnosis of the main components of the hydraulic driven servo system,and effectively improves the reliability of the system.     

基于DSmT与小波网络的齿轮箱早期故障融合诊断

针对齿轮箱早期故障特征十分微弱难以有效辨识问题,提出基于DSmT理论与小波神经网络的齿轮箱早期故障融合诊断模型。利用多个振动传感器合理布置在齿轮箱的多个关键部位采集多源振动信息并进行特征提取;利用多个并联小波神经网络实现齿轮箱早期故障的初级诊断获得彼此独立的多个证据;利用DSmT理论对多个独立证据进行融合决策得出齿轮箱的最终诊断结论。DSmT理论克服了传统DST证据理论的局限性,小波神经网络实现多源证据信度分配的客观化。诊断实验结果表明,该方法能有效提高齿轮箱早期故障特征的辨识精度、降低诊断的不确定性。