火电厂生产过程故障诊断神经网络专家系统

将人工神经网络和专家系统结合地火电厂生产过程的故障诊断，提出并设计了热工过程故障诊断系统。同时对常规ＢＰ算法做了改进，神经网络则采用分层化与并联运用相结合的结构，从而使系统诊断速度和准确率得到提高。仿真结果表明了该系统设计的合理性和可行性。     

基于模糊神经网络的船用柴油机智能故障诊断

船用柴油机是整个船舶的动力装置,如果发生故障就会对船舶的安全性造成很大的威胁,因此,如何迅速判断故障发生的原因,进而有效排除故障,对保证船舶的正常航行具有特别重要的意义.针对船用柴油机故障多,且具有复杂性和模糊性的特点,以及模糊神经网络在解决非线性复杂问题方面具有的独特优势,提出了一种基于模糊神经网络的船用发动机智能故障诊断专家系统.该系统结合了模糊逻辑理论、人工神经网络以及专家系统的优点,推理速度快,容错能力强,且具有简单实用的人机界面.仿真结果表明,该系统不仅操作使用方便,而且故障诊断结果准确,具有广泛的应用价值.     

混合神经网络专家系统在故障诊断中的应用

本文探讨了混合神经网络专家系统的基本结构和工作原理。     

基于模糊神经网络的导弹故障诊断专家系统

为了实现对导弹测发控系统的故障诊断,研究了模糊神经网络理论与算法,以及和专家系统的结合方式;综合神经网络、专家系统和模糊逻辑的各自优点和特点,提出了构建基于模糊神经网络的故障诊断专家系统的基本原则,并给出了一种构建方法;通过将传统的专家系统技术与模糊神经网络技术相融合,文中构造了某型导弹测发控系统智能故障诊断系统,验证了方案的可行性,为类似系统的进一步实现进行了有益的探索。     

神经网络和模糊系统在故障诊断中的应用

本文提出了一种神经网络和模糊系统相结合的分级式故障诊断方法。神经网络通过对部分测量数据的处理,实现系统的回路级故障诊断,输出各回路故障出现的可信度。模糊系统通过对神经网络得到的初步诊断结果和其他测量值的处理,实现系统的元件级故障诊断,并对最终诊断结果作出解释。该方法融合了神经网络自适应学习能力强和模糊系统知识表达明确的优点,简化了神经网络学习数据获取及模糊推理规则建立的过程。通过对热硝酸冷却系统故障诊断的仿真,证明了该故障诊断方法的有效性。     

模糊神经网络推理的实时故障诊断专家系统

将模糊神经网络推理引入专家系统,采用修正的RLS算法训练网络的权系数,以此开发了模糊神经网络实时故障诊断专家系统,并将其成功应用于某化工厂大型PTA装置。文章介绍了系统的总体结构和主要特点,并以溶剂脱水塔釜水浓度高事件为例阐述了系统的具体实现。现场运行表明:该系统预报准确,界面友好,能满足工厂的实际需求,具有良好的易维护性和可扩充性。     

ANFIS模糊神经推理机在故障诊断中的应用

传统的故障诊断专家系统大多是基于知识的故障诊断系统，有一定的局限性。模糊神经网络技术的引入，给故障诊断专家系统带来了新的思路，将模糊理论与神经网络融合，利用神经网络来实现系统的模糊逻辑推理，建立了一种基于模糊系统（FS）与神经网络（NN）融合的系统故障诊断方法，并利用MATLAB中的ANFIS模糊工具来实现其模糊神经推理过程，通过对系统进行仿真，得到了比较满意的结果，实例表明，该工具用于故障诊断的模糊推理是高效可行的     

基于故障树的模糊神经网络的应用研究

过程系统比较复杂,故障征兆和故障原因之间存在许多不确定因素,对这类系统进行故障诊断存在许多困难,针对这类系统本文提出了基于故障树信息,利用模糊逻辑与神经网络结合建立故障诊断系统的方法,并以某高温硝酸冷却系统为研究对象介绍了具体的实现过程,对该方法作了验证,结果表明,该方法是可行和有效的。     

基于神经网络的化工聚合过程故障诊断方法

针对化工聚合反应的特点,结合BP神经网络和专家系统各自在在故障诊断中的优点,利用神经网络的自学习能力和专家系统的解释机能,构建了基于专家经验的神经网络故障诊断系统,用于解决在生产过程中出现异常情况的故障诊断。仿真结果表明,该诊断系统不仅提高了系统运行的可靠性和准确性,而且运用神经网络的并行处理能力来完成推理过程,大大提高了故障诊断的速度。     

神经网络在化工过程故障诊断中的应用

针对现代复杂的化工生产过程,提出一种基于神经网络的故障诊断方法。并分别将典型的BP算法和改进后的BP算法用于TE（Tennessee Eastman）模型的故障诊断中。经过诊断结果的比较,得出标准的BP算法在实际应用中具有收敛速度慢等缺点;自适应学习速率动量梯度下降的BP算法以及用L-M（Levenberg-Marquardt）法先对BP网络进行优化的BP算法具有收敛速度快、不易陷入局部极小值等优点,其中又以L-M优化BP算法效果最好。结合rIE模型的仿真结果可以看出,L-M优化BP算法在工业实际中具有很大的优势。     

An expert system for real-time fault diagnosis of complex chemical processes

This paper presents the development and implementation of an expert system for real-time fault diagnosis of chemical processes. The expert system is applied as a real-time computer aided decision support system, providing operation suggestions to help field operators when abnormal situations occur. The knowledge base structure, representation of knowledge, and access to expertise are technically considered. Industrial applications to the fluid catalystic cracking process in refinery indicate that the expert system diagnoses abnormal events efficiently and promptly.     

基于模糊神经网络的连铸机故障诊断研究

针对连铸机结晶器液压振动系统故障特点,采用模糊理论与神经网络相结合的方法对其进行故障诊断,用模糊信息处理方法对输入信号进行处理,然后采用神经网络的逼近能力实现连铸机结晶器液压系统振动故障诊断,利用现场数据进行了仿真实验,仿真结果表明该系统具有很好的识别能力,可以对不确定行知识进行很好的处理,提高故障诊断的精度。     

构造型神经网络在故障诊断中的应用研究

提出一种新的故障诊断方法,以便更加有效地解决具有先验知识的故障分类问题。以先验样本点为中心,利用内积判断样本数据的相似度,从而进行聚类分析,在特征空间里作超平面与球面相交,得到一个球面覆盖领域,从而将神经网络训练问题转化为点集的覆盖问题。该算法以构造型神经网络为基础,其特点是直接对故障样本数据进行处理,由于覆盖中心确定,该算法构造出的是隐层元最少的网络结构,有效地克服了传统神经网络训练时间长、学习复杂的问题。计算机仿真实验结果证实了该算法的有效性。     

A hybrid fault diagnosis approach using neural networks

A hybrid fault diagnosis method is proposed in this paper which is based on the parity equations and neural networks. Analytical redundancy is employed by using parity equations. Neural networks then are used to maximise the signal- to- noise ratio of the residual and to isolate different faults. Effectiveness of the method is demonstrated by applying it to fault detection and isolation for a hydraulic test rig. Real data simulation shows that the sensitivity of the residual to the faults is maximised, whilst that to the unknown input is minimised. The simulated faults are successfully isolated by a bank of neural nets.     

Reversed fuzzy Petri nets and their application for fault diagnosis

An alterative approach to the backward reasoning is presented. In classical reasoning, both users and developers of many expert systems are dedicated to the forward reasoning. However, in many newly arising expert systems such as various diagnosis systems, the backward reasoning is of special interest and often preferable. In this paper, the fuzzy Petri nets are used to analytically represent the knowledge of fault diagnosis in manufacturing systems and an iterative algorithm based on max-algebra is used to deduce the consequence–antecedent relationship between their manifestation and antecedent. Finally, the legitimacy and efficiency of the proposed approach are proved and validated by an illustrative example.     

基于神经网络专家系统的钻井事故诊断

结合石油钻井工程的实际情况,依据钻井过程的监测参数,设计了利用神经网络进行知识获取、专家系统进行事故诊断的钻井工程事故智能诊断系统。通过神经网络对钻井复杂问题实例的不断学习训练,获得用于智能诊断的知识,完成对事故发生可能性的初步诊断。经过专家系统的进一步启发式反向推理验证事故是否存在,给出最后确诊,以此监控钻井参数,指导钻井参数调整的实施。应用实例结果表明,该智能诊断系统应用于钻井事故诊断是有效的,对减少钻井事故的发生与发展具有重大的实际应用价值。     

Nonsmooth training of fuzzy neural networks

The integration of fuzzy methods and neural networks often leads to nonsmoothness of the neural network and, consequently, to a nonsmooth training problem. It is shown, that smooth training methods as e.g. backpropagation fail to converge in this case. Thus a method – based on so called bundle-methods – for training of nonsmooth neural network is presented. Numerical results obtained from a character recognition problem show, that this method still converges where backpropagation fails.     

基于模糊神经网络和证据理论的列车智能控制系统多信息融合故障诊断研究

针对列车智能控制系统故障诊断中的多故障特征信息输入时的时变、冗余、不确定性和空间分布性,给出了一种列车智能控制系统多信息融合故障诊断的系统结构。讨论了采用模糊神经网络进行特征层融合和证据理论进行决策层融合相结合的列车智能控制系统多信息融合故障诊断方法。故障诊断实例的结果表明:该方法能够有效地提高诊断的可信度,减小诊断的不确定性。     

Human-like fault diagnosis using a neural network implementation of plausibility and relevance

In real systems, fault diagnosis is performed by a human diagnostician, and it encounters complex knowledge associations, both for normal and faulty behaviour of the target system. The human diagnostician relies on deep knowledge about the structure and the behaviour of the system, along with shallow knowledge on fault-to-manifestation patterns acquired from practice. This paper proposes a general approach to embed deep and shallow knowledge in neural network models for fault diagnosis by abduction, using neural sites for logical aggregation of manifestations and faults. All types of abduction problems were considered. The abduction proceeds by plausibility and relevance criteria multiply applied. The neural network implements plausibility by feed-forward links between manifestations and faults, and relevance by competition links between faults. Abduction by plausibility and relevance is also used for decision on the next best test along the diagnostic refinement. A case study on an installation in a rolling mill plant is presented.     

火电厂静电除尘器故障诊断专家系统软件开发

本文开发的专家系统软件针对火电厂静电除尘器的实际对象，采用启发式推理规则，结合基于模型的智能诊断方法，利用Arnzi Prolog设计推理机，用以诊断静电除尘器的设备状态。该系统以VisualC 软件开发平台，采用以模糊数作为不确定性推理的不确定性因子的设计方案，为火电厂辅机优化运行提供了一种实用的数据采集、处理和分析的方法和工具。