基于模糊神经网络的智能故障诊断专家系统

发动机是车辆的核心部件,及时有效地发现并排除故障,对降低维修费用,减少经济损失,增加发动机工作时的可靠性,避免事故发生具有重大的意义。以某型号发动机为研究对象,运用测试技术、信号处理、小波分析、神经网络和模糊控制理论,提出了基于模糊神经网络的智能故障诊断系统。建立了发动机故障信号采集试验台,在试验台上人工模拟3种转速下6种工况,通过加速度传感器采集正常工况和异常工况的振动信号,之后利用小波包技术进行消噪处理,并提取出故障信号的特征值,作为网络训练和测试的样本数据。用样本数据训练和检测自适应模糊神经网络,完成对信号的离线模式识别,之后以测试样本数据实现在线故障诊断,通过仿真分析,取得了很好的诊断效果。与传统的BP神经网络故障诊断方法进行对比,无论在诊断精度上还是学习速度上,模糊神经网络在故障诊断中更具有优势。同时,在专家系统的理论基础上,将模糊神经网络与专家系统进行信息融合,实现数据接口通信,利用网络的自学习能力建立智能故障诊断数据库和诊断规则库,通过程序语言快速高效的设计出智能诊断系统。最后,通过发动机故障诊断实例仿真分析,验证了基于模糊神经网络的智能故障诊断专家系统的可行性。     

神经网络在电路诊断中的应用

目的：阐述了目前电路基于数据库技术和人工智能专家系统及神经网络原理的故障诊断系统。方法：将所记录的模糊症状输入到系统中，通过模糊运算后，运用神经网络学习算法来寻找故障类型。结果：介绍了人工神经网络技术在电路诊断中的应用，并给出系统故障诊断软件的设计，结论：所用专家系统和神经网络相结合的方法改进电子电路故障诊断是可行的。     

汽车故障诊断技术发展趋势

汽车故障诊断技术不断发展,从上世纪60年代的车外诊断设备到具有诊断复杂故障能力的专家系统所构成的新车外诊断系统。目前,汽车故障的诊断技术的发展趋势主要体现在故障诊断系统智能化、诊断推理方法多样化、故障诊断信息网络化等方面。     

基于模糊算法的配电网故障诊断研究

通过分析配电网的特点，针对电网故障的不确定性因素，采用模糊算法的专家系统进行故障诊断，先研究专家系统的主要结构，然后将数据库理论以及横糊理论进，行综合应用，对电网故障诊断问题进行充分的研究，将模糊识别技术与故障诊断专家系统结合起来，并最终设计并实现了基于模糊识别的电网故障诊断专家系统。     

模糊数学在制冷故障诊断专家系统中的应用

基于专家系统的诊断方法是故障诊断领域中最为引人注目的发展方向之之一。在故障诊断专家系统中，无论从现象的获得或现象到故障的推理，甚至故障诊断的基本原理三个方面都存在着模糊性。本文将模糊数学引入制冷系统故障诊断技术中，较好地解决了这一问题。     

矿井提升机智能故障诊断技术的研究

针对目前矿井提升机智能故障诊断技术的研究现状,归纳总结了矿井提升机发生故障的主要原因,分析了矿井提升机故障诊断存在的问题,并简要概述了模糊理论、人工神经网络、小波变化以及其他几种人工智能方法在矿井提升机智能诊断技术方面的应用。     

基于分块特征提取的近场声全息故障诊断方法在相干故障下的应用

通过引入近场声全息和分块特征提取技术,改进了基于声像的故障诊断方法,发展了基于近场声全息模式识别的故障诊断技术.针对多个机械部件对应相同故障频率,并产生相干声场的故障情形进行了加肋板激振的模拟实验,使用传声器阵列扫描技术测取各种状态下声信号,在利用近场声全息技术得到声像进行噪声源识别与定位的基础上,对声像进行整体和分块相结合的奇异值特征,提取方式构造识别向量,然后采用多分类支持向量机进行训练分类,进而用于机械工作状态的诊断.实验结果表明,根据声像的物理特征使用整体和分块相结合的特征提取技巧能够较好改善诊断效果,同时进一步验证了声成像方法在故障诊断领域应用的可行性,并与常规的基于单点或几个孤立测点测试的声学故障诊断方法相比具有优越性,拓展了声学故障诊断技术的应用范围.     

模糊理论在故障诊断专家系统中的应用

针对传统专家系统的故障知识表示及获取难、故障诊断推理效率不高的问题,将模糊理论运用于故障征兆的提取和故障知识的表示、用面向对象的技术对故障知识进行维护,采用正反向混合推理、带回溯的搜索策略构建故障推理机,建立一种基于模糊规则的专家系统.将这种模糊规则的专家系统应用于航空电子系统的故障诊断中,表明基于模糊规则专家系统解决了故障知识表示及获取难的问题,故障的推理效率得到了提高.     

基于自适应模糊神经网络的发动机故障诊断

发动机是车辆的核心部件,及时有效地发现并排除故障,对降低维修费用,减少经济损失,增加发动机工作时的可靠性,避免事故发生具有重大的意义。以某型号发动机为研究对象,运用测试技术、信号处理、小波分析、神经网络和模糊控制理论,提出了自适应模糊神经网络发动机故障诊断。首先建立了发动机故障信号采集试验台,在试验台上人工模拟四种工况,通过加速度传感器采集正常工况和异常工况的振动信号。再利用小波理论对采集到的振动信号进行消噪处理,提高信噪比,并提取出故障信号的特征值,作为网络训练和测试的样本数据。用样本数据训练和检测自适应模糊神经网络,即对发动机故障进行模式识别。通过仿真分析,取得了很好的诊断效果;同时与传统的BP神经网络故障诊断方法进行对比,无论在诊断精度上还是学习速度上,模糊神经网络在故障诊断中更具有优势。     

基于ANN的单、双级耦合热泵分布式故障诊断专家系统的构建

针对单、双级耦合热泵系统结构的复杂性和运行模式的多样性，本文将分布式人工智能技术引入到该热泵系统的故障诊断技术研究中，提出一种适用于单、双级耦合热泵系统的分布式故障诊断专家系统，并深入研究该故障诊断专家系统的任务分解、各子任务的求解和各子任务的综合等关键问题。在此基础上，利用人工神经网络，实现专家系统内部各诊断模块的运行状态实时监测和故障快速推理，构建出单、双级耦合热泵分布式故障诊断专家系统的模型，为开发基于ANN的单、双级耦合热泵分布式故障诊断专家系统奠定研究基础。     

印刷机设备状态监测与故障诊断研究进展

通过对国内外印刷机状态监测与故障诊断研究情况和发展趋势的分析,认为当前对印刷机监测的研究主要集中在振动信号的测试研究、专家经验知识的应用、模式识别算法引入等几个方面,并论述了当前基于印刷图像处理的印刷机故障诊断这一新方向的研究情况。由于印刷机不断朝着高速度、高精度、高自动化程度方向发展,传统故障诊断方法在印刷机系统中的应用已受到很大限制,研究认为,兼顾多元信息实现全面状态监测,融合经验知识与先进识别算法建立故障决策体系,从印刷画面信息中提取设备参数,将是今后印刷机故障诊断研究的重点。     

基于模糊神经网络的机载设备智能故障诊断系统

针对某型飞机机载设备故障多,且具有模糊性、复杂性的特点,本文将模糊逻辑和神经网络相结合,采用模糊隶属函数来描述这些故障的程度,建立了模糊神经网络故障诊断模型.采用图形化编程技术,开发了一种故障诊断推理流程图,方便了用户的开发.该系统依据专家知识和测试数据,可将故障隔离到内场可更换单元(SRU)或某个功能电路.实践证明该诊断系统是有效的,具有推广应用价值.     

现代故障诊断技术研究现状与趋势

目的为了能更有效、准确地对复杂设备进行状态监测和故障诊断。方法综述近年故障诊断技术中重要方法的基本原理、特点、局限性和研究现状。在大量文献的基础上,基于计算机技术、信号处理技术、人工智能技术和互联网技术讨论现代故障诊断技术的发展趋势。结果故障诊断技术主要研究机器或机组运行状态的变化在诊断信息中的反映,分为基于模型、基于信号和基于人工智能等3类。结论随着基础学科和前沿学科的不断发展和交叉渗透,故障诊断技术也在不断创新,未来的发展趋势主要集中于将不同人工智能技术以某种方式结合、集成或融合以及开放式远程协作诊断技术。     

基于小波包特征提取和模糊熵特征选择的柴油机故障分析

船舶动力设备因故障监测信号样本少、变化缓慢、数据特征呈非线性,使得设备故障模式的准确识别和状态预测比较难。尤其是柴油机振动信号的故障诊断,由于柴油机振动信号噪声多,诊断信号难以进行特征选择的问题,提出了基于小波包能量谱特征提取和模糊熵特征择的柴油机故障诊断方法。利用模糊熵对小波包能量谱提取出的特征集进行特征选择,将选择后的特征参数输入LS-SVM进行故障模式识别。试验结果表明,该方法可以提高故障识别准确率。在该试验中,故障识别准确率达到了99.36%,相比于未进行特征选择的特征集,识别准确率提高了0.72%。     

神经网络专家系统在数控机床机械故障诊断中的应用

依据单一的专家系统或神经网络在处理故障诊断中各自存在着局限性,提出将神经网络技术与专家系统融合的集成式故障诊断专家系统,并用于数控机床的机械故障诊断中。介绍神经网络专家系统结构、特点及诊断方法,利用获得的机床机械故障知识、故障样本数据对系统进行验证。结果表明该系统人机界面友好,操作简单,有效地提高数控机床机械故障诊断的水平和效率。     

基于专家系统与神经网络集成的故障诊断的应用研究

本文针对工业生产中使用的直流电动机,应用人工智能的相关理论对其故障进行了广泛深入地研究。在此基础上,探讨了专家系统与人工神经网络相集成的电动机故障智能诊断方法并加以实现。实践证明,网络的学习时间显著缩短,整个系统的推理效率明显提高,并验证了集成式专家系统的诊断效果比传统的专家系统或神经网络更为全面、准确和迅速。电动机故障的集成式智能诊断方法是一个既有理论研究意义又有实际使用价值的课题与方向。     

Cause and effect analysis by fuzzy relational equations and a genetic algorithm

This paper proposes using a genetic algorithm as a tool to solve the fault diagnosis problem. The fault diagnosis problem is based on a cause and effect analysis which is formally described by fuzzy relations. Fuzzy relations are formed on the basis of expert assessments. Application of expert fuzzy relations to restore and identify the causes through the observed effects requires the solution to a system of fuzzy relational equations. In this study this search for a solution amounts to solving a corresponding optimization problem. An optimization algorithm is based on the application of genetic operations of crossover, mutation and selection. The genetic algorithm suggested here represents an application in expert systems of fault diagnosis and quality control.     

Fault diagnosis in injection moulding via cavity pressure signals

In this paper we demonstrate the feasibility of applying pattern recognition techniques for monitoring and diagnosis to an injection moulding process. Mould cavity pressure signals collected during the process are utilized for monitoring and diagnosis. Principal component analysis is applied to reduce the dimensionality of multivariate signals to a univariate representative signal, while preserving the characteristics of the original signals. Process ‘fingerprints’ are gleaned through wavelet decomposition and multi-resolution analysis of the ‘reduced’ signal. Feature elements defined from these fingerprints are interpreted by an artificial neural network for process condition monitoring and fault diagnosis. The experimental results indicate that this approach is effective for ‘run to run’ process monitoring, diagnostics and control. The diagnostic system can be updated adaptively as new process faults are identified.