基于人工智能的钻机故障诊断方法

由于地层的复杂性和隐蔽性,很难用精确的数学模型模拟钻机的工作过程。目前钻机故障只能凭人的经验进行识别和处理,不能充分利用检测数据对设备运行优劣的趋势、故障发生的原因、部位及程度进行预估,也不能给出相应专家治理意见。在对钻机故障进行研究的基础上,将人工智能和神经网络应用于石油钻井中,研究钻机系统故障智能诊断的理论和方法,建立了钻机常见故障图形化模糊神经网络专家知识库,提出了由模糊逻辑、神经网络有机结合构成的智能推理机,使钻机故障诊断系统适用于多变量、多参数、多过程的复杂系统。     

基于神经网络模糊推理的PVC片材压延厚度控制

针对PVC片材压延过程是一个复杂的非线性过程、难以建立精确数学模型的特点,提出了厚度自动控制神经网络模糊智能方法,设计了输入为"编码"的神经网络模糊控制器。通过仿真证明了神经网络模糊控制的可行性,其控制精度优于常规方法。     

基于统计信号重构的传感器故障诊断

主元分析、偏最小二层等数据驱动的多元统计监控方法由于不依赖于精确的数学模型,在化工过程监控与故障检测方面取得了广泛应用.通过研究基于统计信号重构的传感器故障诊断算法,给出了统计信号重构算法的一般形式,并推导了基于统计信号重构算法进行传感器故障诊断的可检测与可分离性条件,定义了模型空间和余差空间的故障识别指标.通过CSTR仿真对象的应用比较了不同统计信号重构算法间的差异,验证了故障诊断算法的有效性.     

基于模糊神经网络的发动机故障诊断研究

基于模糊神经网络理论,对发动机涡轮增压系统、冷却系统以及润滑系统常见故障进行了研究,在MATLAB环境中,利用常见的故障案例样本,训练BP神经网络,建立涡轮增压系统、冷却系统及润滑系统三大系统的模糊神经网络模型,并通过未参与训练的故障案例样本对模型进行验证,经验证模型的预测误差均在5%以内,可以满足故障诊断的要求。另外,针对各系统的模糊神经网络模型,利用MATLAB GUI建立发动机故障诊断系统,该系统可以根据故障现象,诊断故障原因,并通过实际故障案例验证,诊断结果与实际故障原因相符,说明故障诊断系统具有指导性。     

基于关联规则的条件状态模糊Petri网及其在故障诊断中的应用

模糊Petri网作为一种知识表达模型,能够用于工业过程系统故障推理和诊断。然而,模糊Petri网的建立大多需要先验知识,为此限制了其广泛应用。为了能够有效利用工业生产过程数据,提出了一种基于关联规则的条件状态模糊Petri网,并将其用于工业过程故障推理与诊断。采用数据挖掘的关联规则方法提取模糊Petri网的模糊规则及置信度,通过变量间的关联分析,将影响置信度的关键主元(条件量)提取出来,建立条件状态模糊Petri网;基于极大代数的迭代算法进行动态置信度逆向推理,可以获得工业过程的故障发生概率。该方法实现了故障诊断网络的数据驱动,从而提高故障诊断的快速性与准确性,某化学反应研究表明所提方法的有效性。     

基于关联规则的条件状态模糊Petri网及其在故障诊断中的应用

模糊Petri网作为一种知识表达模型,能够用于工业过程系统故障推理和诊断。然而,模糊Petri网的建立大多需要先验知识,为此限制了其广泛应用。为了能够有效利用工业生产过程数据,提出了一种基于关联规则的条件状态模糊Petri网,并将其用于工业过程故障推理与诊断。采用数据挖掘的关联规则方法提取模糊Petri网的模糊规则及置信度,通过变量间的关联分析,将影响置信度的关键主元（条件量）提取出来,建立条件状态模糊Petri网;基于极大代数的迭代算法进行动态置信度逆向推理,可以获得工业过程的故障发生概率。该方法实现了故障诊断网络的数据驱动,从而提高故障诊断的快速性与准确性,某化学反应研究表明所提方法的有效性。     

基于自适应小波神经网络的往复泵故障诊断

为了对往复泵的故障进行正确诊断,提出了基于自适应小波神经网络的往复泵故障诊断方法.以往复泵单个泵缸内的压力信号作为系统特征信号采用小波变换来提取故障特征向量,同时将此特征向量作为小波神经网络的输入,利用小波神经网络对故障做进一步的精确实时诊断.通过对往复泵液力端多故障诊断实例的检验表明：该系统故障诊断正确率达到了93％以上.     

基于模糊RBF网络高频感应加热电源控制的研究

由于高频感应加热电源负载阻抗是一个多变量、复杂且非线性的控制对象,无法建立精确的数学模型。因此将基于模糊RBF神经网络的PID控制器应用到高频感应加热电源的控制中,它结合了传统PID、神经网络和模糊控制的优点,同时克服了传统PID控制器的不足,实现参数的自动实时调节。并通过仿真验证了该控制方法具有较好的鲁棒性和适应性。     

基于D-S证据理论的直接空冷凝汽器故障诊断方法研究

提出一种基于Elman神经网络和RBF神经网络通过D-S证据理论融合的故障诊断方法,把该方法应用在直接空冷凝汽器的故障诊断中。首先对故障进行神经网络初步诊断,得到属于不同故障状态的隶属度,然后采用D-S证据理论融合的方法进行决策诊断,得到最终结果。研究了直接空冷凝汽器的故障特征提取、样本选择、诊断系统结构和学习算法,并通过诊断实例阐述了该方法的具体实现过程,验证了所提方法的可行性,结果表明:该方法适用于直接空冷凝汽器故障诊断,故障定位准确率高。     

概率神经网络在电机故障诊断中的应用

针对传统故障诊断方法的局限性,提出一种基于概率神经网络的诊断方法。以异步电机转子故障为例进行了故障诊断研究,通过选择故障样本来训练神经网络,将代表故障的信息输入训练好的神经网络后,由输出结果就可以判断发生的故障种类。仿真实验结果表明了基于概率神经网络的电机故障诊断方法的正确性。     

面向系统层级的复杂工业过程全息故障诊断

复杂工业过程具有长流程、系统层级多、故障潜在分布空间范围较广的特点，是当前故障诊断领域的热门研究方向。首先，对主流故障诊断技术进行了分类和概述；其次，采用定量与定性相结合思路，提出了面向系统层级的复杂工业过程全息故障诊断框架，为复杂工业全流程的过程监测提供一整套技术和解决方案。相比于目前的故障诊断方法，该框架不仅包括故障检测和故障辨识，还包括故障根源诊断、故障传播路径识别、故障的定量诊断与评估，可有效解决复杂工业过程系统的综合故障诊断问题，实用性强，能够有效地减少或避免故障发生、保证产品的质量、提高企业的生产效率与生产安全；最后对故障诊断技术的发展趋势和亟待解决的问题进行了展望。     

基于模糊神经网络的环管反应器故障诊断

环管反应器是丙烯聚合工艺中的主要反应设备之一.环管反应器运行过程中故障产生原因与征兆参数之间的影响关系比较模糊、复杂,不能准确地用数学关系式表述.针对此种情况,总结出环管反应器温度升高时可能的故障原因及征兆参数,并用模糊理论进行处理,再运用神经网络建立了环管反应器故障诊断系统.故障诊断实例表明,该系统具有较高的可靠性.     

On-line process fault detection and diagnosis in plants with recycle

A process fault detection and diagnosis system is performed for the complex case of plant-wide control in processes with recycle in which the control system is the inventory control. It is considered an artificial neural network based supplement of a fuzzy system in a block oriented configuration. A methodology to design the system is described. As a case study, a chemical plant with a recycle stream is considered. Faults in supply of raw materials and in controllers are simulated. Performance of the system to handle simultaneous faults is also analysed. A comparison is made against a classification method (artificial neural networks) and an inference method (knowledge — based system).     

线性分类-重构网及其在化工过程早期故障诊断中的应用

提出了一种以线性递推学习为基础的分类-重构神经网络。网络具有学习算法简单、速度快、学习与分类并行,以及可自动积累知识等基本功能,尤其适用于生产过程的早期故障诊断一类实时系统。给出了化工过程早期故障诊断的应用实例,研究结果证明了网络的有效性。     

基于模糊神经网络的变压器局部放电小波奇异性故障诊断

变压器故障中除油变质劣化之外,另一种重要故障即为局部放电。将小波奇异性检测理论与模糊神经网络结合起来,对变压器局部放电时的信号先利用小波奇异性检测理论求出奇异性指数作为故障诊断的特征参数,然后将其模糊化作为神经网络的输入,输出为各种故障的隶属度,进而判断变压器存在何种故障的可能性。仿真结果表明此方法用于变压器局部放电故障诊断是行之有效的。     

基于EEMD和模糊BP神经网络的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出一种基于总体经验模态分解(EEMD)和模糊BP神经网络的故障诊断方法。首先对滚动轴承的振动信号采用总体经验模态分解方法进行分解,得到若干个本征模态函数分量(IMF);然后提取各分量的均方差、峭度和能量,把这些特征参数作为学习集和训练集,将学习集输入到模糊BP神经网络中进行学习;最后把训练集输入到特征参数经过学习训练后的模糊BP神经网络中进行故障类型识别,并与BP神经网络进行比较。实验结果表明:所提方法能有效地应用于滚动轴承故障诊断,而且比BP神经网络具有更高的精确度。     

基于深度置信网络的炼化空压机故障诊断方法

针对炼化空压机故障诊断中故障机理复杂、先验知识欠缺，且传统浅层神经网络诊断精度不高等问题，结合深度置信网络（DBN）在特征提取和处理非线性数据等方面的优势，提出一种基于DBN的炼化空压机故障诊断方法。该方法利用空压机状态监测实测数据，实现训练网络的无监督特征学习和有监督微调，构建空压机故障的深层网络模型，从而实现对空压机故障类型的有效智能诊断。为评估该方法的有效性，与传统的故障诊断方法进行了比较研究，结果表明，该方法的诊断精度优于传统的故障诊断方法，且稳定性更好。     

基于决策分类方法的水泥回转窑故障诊断方法

提出了一种基于决策分类的水泥回转窑故障诊断方法。该方法利用水泥生产过程中产生的回转窑历史数据结合模糊决策树算法生成故障诊断模糊推理规则库,利用在线数据可对模糊规则库进行增量学习,不断完善故障诊断规则库。故障诊断阶段,将在线数据形成的特征向量与故障诊断规则库进行匹配,判断是否发生故障以及相应的故障类型。该方法对故障数据进行模糊化处理,提高了故障诊断结果的可解释性以及泛化性能,适用于实际的水泥生产过程。