旋转机械在线故障诊断专家系统的设计与实现

本文介绍一种借助于ＸＩＰＬＵＳ专家系统开发工具研制的旋转机械在线故障诊断专家系统。讨论了该系统的组成与实现方法，着重介绍其知识库及动态数据库的建立。该系统可对旋转机械的运行状态进行在线监测并对其常见故障进行自动诊断。     

基于旋转机械的多故障诊断专家系统的实现

根据实际项目的开发，重点介绍了基于旋转机械的多故障诊断专家系统的功能结构、系统设计、知识表达法、数字信号的处理以及专家系统推理机制等。提出一种新型的基于产生式规则的推理机制，结合数据挖掘的思想，能够快速有效地解决多故障诊断专家系统中的推理问题。     

采用关系数据库构造旋转机械故障诊断专家系统的一种方法

本文将关系数据库技术与传统的专家系统产生式推理规则相结合，在已有实现方法的基础上提出了种采用关系数据库技术构造故障诊断专家系统的方法，采用启发式的搜索策略，在针对旋转机械的故障诊断专家系统中证明了该方法的有效性。     

大型旋转机械振动监测与故障诊断的数据采集系统

本系统是利用微机对大型旋转机械进行振动监测与故障诊断的数据采集系统,具有实时整周期、时速同步控制的功能。它由采样控制板与数据采集器两部分组成,以硬中断的前后台工作方式、采用汇编语言与高级语言相结合,既提高了采样速度又充分发挥了主机的工作效率。该系统在20万千瓦汽轮发电机组的振动监测与故障诊断中应用,取得了良好的效果。     

基于故障树的旋转输弹机故障诊断专家系统

自动装填系统旋转输弹机的性能和工作可靠性直接影响着坦克的总体战斗性能,其故障的判断、查找非常困难;针对这个问题,提出了一种基于故障树的专家系统的搜索算法,建立旋转输弹机故障树,并对其故障树进行了定性分析,然后建立旋转输弹机故障诊断知识库,设计旋转输弹机故障诊断推理机,以旋转输弹机不旋转的试验结果表明该算法具有快速准确、可靠永久性、智能化的优点。     

小波分析在旋转机械故障诊断中的应用

通过对相关理论的分析证实了旋转机械的故障振动信号基本上是一个复合信号。该复合信号包含多个信号分量，每个信号分量都具有一个单一的频率，每个单一频率都是由旋转机械的旋转频率决定的。如果知道旋转机械的旋转频率，就可以知道这些单一频率。通过对小波理论的分析，证明了在一定的情况下小波分解的频率范围由离散信号的采样频率决定。结合以上理论，提出了一种新的信号检测和分析方法。     

旋转机械的混合智能故障诊断技术

首先在介绍旋转机械故障振动信号的时域、频域和时频域分析的基础上,简单介绍了单一智能故障诊断技术,其次详细介绍了混合智能故障诊断技术的一些典型应用,最后指出了智能故障诊断领域中有待进一步研究的若干问题和发展趋势.     

裁断机实时监控与故障诊断专家系统

针对轮胎帘布裁断机监控系统功能单一、集成化和智能化程序低的现状,采用虚拟仪器开发平台LabVIEW,在IPC+PLC硬件架构上开发了实时EtherNet/IP工业以太网通信的监控与故障诊断专家系统.通过故障树分析,建立裁断机故障树模型并计算最小割集以及相应重要度,建立了专家系统知识库,解决了专家系统知识库获取难的问题.基于故障树割集重要度的推理机推理过程简洁直观,灵活通用.设计的裁断机监控系统交互界面简明清晰,故障诊断快速准确,在厂测试和设备交付后的反馈情况表明,系统能有效缩短设备故障停机检修时间,提高了设备利用率.     

基于逻辑推理的转子故障诊断专家系统

采用人工智能专家系统计算机技术模拟故障诊断领域专家的推理思维方式,对机械设备发生的故障实现迅速准确的诊断,同时缩短故障停机时间具有重大意义。本文应用Visual prolog语言,构造了转子系统故障诊断专家系统,提出了一阶谓词逻辑子句表达知识的方法,建立了专家知识库。系统的推理机采用深度优先的推理策略。应用表明系统有效完成旋转机械常出现的十多种故障的诊断,并运行可靠。     

旋转机械振动测试脉冲干扰的幅值倾角双判据滤波法

针对旋转机械振动测试过程中经常出现的脉冲干扰信号,在限幅滤波法的基础上设计了基于幅值与倾角双判据的滤波算法,并将其嵌入已开发的旋转机械状态监测与故障诊断系统中。通过测试,该算法弥补了原有各种剔除脉冲干扰方法的缺陷,具有很强的工程应用价值。     

采用Jess引擎的机械设备故障诊断专家系统设计

介绍一种在J2EE环境下构建机械设备故障诊断专家系统的方案,使用Jess引擎作为核心推理模块,通过WebService和OPC技术等多途径获取事实,采用数据库管理事实和规则,实现基于Web的机械设备故障诊断专家系统,使机械设备故障诊断系统融合领域专家的经验、智慧和方法,这对于保证设备安全运行具有重大意义。     

基于案例与规则推理的故障诊断专家系统

设计并实现基于案例的推理(CBR)与基于规则的推理(RBR)的故障旋转机械诊断专家系统。采用CBR与RBR串行方式进行推理,优先通过案例匹配方式寻求诊断结果,在不适用情况下转入通用性规则推理,并将诊断结果反馈给知识库进行优化。应用结果表明,该系统诊断结果与实际相符合,且诊断速度快、针对性强。     

小波阈值函数旋转机械振动信号去噪方法研究

从强背景噪声中提取出微弱的旋转机械振动故障特征信号一直是技术性难题。针对传统全局阈值函数去噪在阈值处不连续和存在恒定偏差的问题,提出一种改进的小波阈值函数分层去噪方法。首先对旋转机械故障信号去噪中的小波参数进行了筛选,然后采用改进的阈值函数,利用最优小波参数对振动信号进行分层阈值降噪处理。理论仿真和实测结果表明,对比传统阈值去噪方法,该方法能有效去除背景噪声,保留振动信号原貌特征信息,提高信噪比和减小均方根误差,适合非平稳振动信号去噪,为旋转机械故障诊断奠定了信号预处理的基础。     

基于空洞卷积神经网络的旋转机械故障诊断方法

由于旋转机械的振动信号具有非平稳、复杂多样、数据量大的特点,传统的方法难以较好地实现旋转机械故障诊断。近年来,基于深度学习的故障诊断算法发展迅速,其中,卷积神经网络(Convolutional Neural Network,CNN)由于可实现自动提取特征、运算效率高等优点受到广泛关注,但在识别准确率等方面仍然存在部分问题。为实现多传感器监测状态下的旋转机械故障诊断,在经典卷积神经网络结构的基础上,引入了多通道数据融合处理、空洞卷积层、批标准化处理、PReLU激活函数、全局平均池化层等改进方法,构造了一种新型的、高效的空洞卷积神经网络(Atrous Convolution-Convolutional Neural Network,AC-CNN),并基于该模型进行了旋转机械故障诊断实验。实验结果表明,提出的故障诊断模型分类准确率可达99%以上,对比其他神经网络方法具有明显优势。     

基于深度学习的旋转机械故障诊断研究综述

在现代化生产中,旋转机械的精密性和重要性越来越高,朝着大型、高速和自动化方向发展,以至传统故障诊断方法不足以处理海量、多源、高维的测量数据,不能满足安全性和可靠性的要求;因此,首先简要介绍几种典型的深度学习模型,并结合深度学习强大的特征提取能力和聚类分析的优势,对其近些年来在转子系统、齿轮箱和滚动轴承故障诊断的应用情况进行了对比分析;最后总结深度学习模型的优缺点,并从工程实际出发对旋转机械的故障诊断方法进行总结与展望。