利用故障因果信息的汽轮机故障智能诊断研究

汽轮机结构的高度耦合导致一些故障模式在轴系振动形式上具有相似的特征,难以区分。为了更加精确诊断故障模式,提出将故障原因信息融入诊断模型中,实现与维护工作有机结合的故障因果链推理。首先,基于FTA和FMEA分析提出将机理因果网用于总结诊断知识的方法。然后,采用Leaky Noisy-Or/And模型将机理因果网转化为贝叶斯网络模型,并分析模型中不确定性关系的物理含义。最终,将故障机理分析结果转化为3层贝叶斯网络推理模型。在碰磨故障的2个诊断案例中,根据故障原因的排查结果,将模型进行反复推理,获得更准确的故障因果链,同时,可为维修工作反馈排查建议。在故障诊断研究中创新性地提出一种网络化的知识表达形式与智能化过程,为汽轮机故障诊断这类主要依赖经验知识、缺乏故障样本的诊断问题,提供了一种新的思路。     

模糊专家系统在包装机械故障诊断中的应用

阐述包装机械故障诊断中运用模糊专家系统的必要性,介绍模糊专家系统的基本结构、知识表示和推理机制.通过实例介绍模糊专家系统在包装机械故障诊断中的应用.     

多层抽象混合推理的智能诊断模型与应用

针对设备故障智能诊断问题，提出了一种多层抽象混合推理的智能诊断模型。该模型把设备故障智能诊断问题分成四个静态层和三个动态层，对诊断知识进行了比较合理的分层与分类，并把领域“深知识”、经验“浅知识”和算法知识有机地结合起来加以运用，文中给出了该模型在设备故障诊断知识表示和推理的具体应用方法。     

基于提升小波和溯因推理网络实时故障诊断

对于复杂故障,溯因推理网络(abductive reasoning network,ARN)与相同结构的神经网络相比,具有优越的诊断准确性和更简单的结构。对于非线性多故障的化工系统故障,采用溯因推理网络对故障进行分类,能有效实现实时故障诊断,提高诊断精度。通过T-E过程(Tennessee-Eastman)仿真,结果表明所提出的方法优于小波神经网络方法。     

基于知识的卫星故障诊断与预测方法

卫星结构的复杂性、运行环境的独特性和诱发故障的多源性，使得卫星故障的诊断与预测较一般设备困难。通常，一种形式的推理只能诊断和预测卫星的一类故障。文章提出了同时应用多种形式推理进行卫星故障诊断和预测的新方法，此方法已成功地应用于基于知识的卫星故障诊断与恢复系统的开发，并取得了显著的效果。     

BP神经网络在机械故障诊断中的应用

随着现代化生产的进行,机械设备的故障诊断技术日益受到重视.介绍BP算法神经网络模型,给出BP神经网络应用于机械故障诊断的基本步骤.阐述三层BP神经网络采用数据驱动正向推理的故障诊断策略.即从初始状态出发,向前推理到达目标状态为止.介绍BP神经网络在机械故障诊断中的应用及实例,对某型号拖拉机变速箱中的主要零件——齿轮和轴承进行故障诊断振动测试,对部分齿轮和轴承发生故障时的振动信号进行测量.虽然BP网络在机械故障诊断中已得到广泛的应用,但由于神经网络本身还处于发展之中,还有不少问题需要进一步深入研究.     

空气源热泵冷热水机组的故障珍断

研究了基于BP模型神经网络的故障诊断方法，它只需来自生产实际的大量样板实例或领域专家的知识训练神经网络。由于其具有容错性，训练好神经网络不仅能诊断出已经出现过的故障，还能在一定范围内诊断出从未出现过的故障；仿真结果表明，基于人工神经网络的空气源热泵冷热水机组的故障诊断是行之有效的。     

通用雷达故障诊断专家系统的设计

目的：为了提高雷达装备故障诊断的效率和可靠性。方法：通过对雷达装备综合测试和故障诊断要求和方法的分析。介绍一种适用于雷达装备的故障智能诊断专家模型，探讨了该模型的基本结构和相应的推理机制及故障诊断策略。结果：结论雷达故障诊断的特点，研究了该模型及诊断方法在雷达装备中的具体应用，证实了该方法是有效的。结论：将自动测试技术和专家系统相结合，可以提高故障诊断的效率和可靠性。     

局域波近似熵及其在机械故障诊断中的应用

根据信号经局域波分解后所得各基本模式分量的特性，提出了用各分量的近似熵来描述各模式分量的复杂程度，从而量化故障特征。分析结果表明：在相同故障状态下，同一模式分量有相近的近似熵，而在不同故障下，近似熵明显不同，因此近似熵可用于故障的特征提取。转子故障诊断结果表明了该方法的有效性和工程实用性，从而为机械状态监测与故障诊断提供了一种有效途径。     

生产制造过程故障诊断Petri建模研究与实现

应用Petri网的故障诊断方法,将知识表示和诊断推理融合为一体,将反映故障的征兆库所作为初始库所和引发故障的故障库所作为目标库所,通过深度优先及可信度最大的搜索策略,得到了初始库所集合到目标库所集合的最佳路径。在推理过程中,经过一系列状态向量递推的矩阵计算,可以快速获得诊断结果。Petri网推理得出的结论与事实相一致,故而适用于现代生产制造复杂过程和系统的状态监控和故障诊断。     

基于概念漂移检测的制冷系统故障诊断模型自适应

制冷系统实际运行中,故障诊断模型可能出现诊断性能波动或下降等情况,需具备再学习能力以适应现场数据。本文设计了一种基于正确率阈值的概念漂移检测机制及支持向量机增量学习的故障诊断自适应模型,并将其应用于制冷剂过量故障的再学习。该算法通过两次优化选择、过滤数据信息,保留原有诊断知识,仅学习未知样本信息,可极大地节约模型学习时间,快速适应新环境。结果表明,新的故障种类出现时,诊断模型检测到概念漂移,进而通过增量学习进行自我更新,实现对新故障的学习与诊断。1 400个过量故障样本中诊断模型只需要学习600个,且保证最终模型对后续数据流具有较佳诊断性能,正确率高达99%。在现场制冷系统故障诊断应用中,诊断模型的再学习和自适应体现出良好的应用前景。     

Online monitoring and diagnosis of batch processes: empirical model-based framework and a case study

An empirical model-based framework for monitoring and diagnosing batch processes is proposed. With the input of past successful and unsuccessful batches, the off-line portion of the framework constructs empirical models. Using online process data of a new batch, the online portion of the framework makes monitoring and diagnostic decisions in a real-time basis. The proposed framework consists of three phases: monitoring, diagnostic screening, and diagnosis. For monitoring and diagnosis purposes, the multiway principal-component analysis (MPCA) model and discriminant model are adopted as reference models. As an intermediate step, the diagnostic screening phase narrows down the possible cause candidates of the fault in question. By analysing the MPCA monitoring model, the diagnostic screening phase constructs a variable influence model to screen out unlikely cause candidates. The performance of the proposed framework is tested using a real dataset from a PVC batch process. It has been shown that the proposed framework produces reliable diagnosis results. Moreover, the inclusion of the diagnostic screening phase as a pre-diagnostic step has improved the diagnosis performance of the proposed framework, especially in the early time intervals.     

人工神经网络和机械故障诊断

智能化诊断是现代故障诊断技术发展的主要趋势,人工神经网络技术的出现为这种智能化提供了一个全新的途径。本文首先简单介绍了人工神经网络的基本性能及几个重要模型,着重探讨了人工神经网络技术在机械故障诊断领域中预测与控制、工况监测与故障分类诊断、模糊诊断和基于专家系统的故障诊断等几个主要方面的应用,指出人工神经网络技术与现有的信号处理、模式识别、模糊逻辑、专家系统等技术相结合,以解决故障信号分析与处理、故障模式识别以及故障论域专家知识的组织和推理等问题,必将加快智能化诊断发展的进程。可以预料:基于人工神经网络的故障诊断技术将具有广阔的发展与应用前景,并且随着VLsI 技术的发展,这一新技术必将广泛地应用于各种诊断实例。最后讨论了进一步值得研究的方向。     

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。     

基于一维卷积神经网络的房颤智能诊断方法研究

针对“大数据”时代如何利用数据对房颤进行智能、高效的诊断问题,提出了基于一维卷积神经网络的智能诊断方法,以避免传统算法依赖人工特征提取和先验知识的问题。首先,分别构建一维LeNet-5和AlexNet神经网络模型,合理设置网络结构参数;然后,在采集的实验数据基础上针对心电信号的特点进行一系列的数据处理,随机构建训练样本和测试样本;最后,将训练样本分别输入上述2个神经网络模型中训练学习,再将训练好的模型用于房颤的诊断。实验结果表明:一维LeNet-5网络模型存在“过拟合”现象,而一维AlexNet网络模型在避免了上述现象的同时,诊断精度达到了95.34%,较传统方法有了较大提升,为房颤诊断提供了有效的手段。     

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。     

旋转机械故障诊断的神经网络方法研究

BP神经网络具有较好的非线性映射能力,可以描述频率特征和故障之间的关系,而概率神经网络学习规则简单、训练速度快、避免局部极小和反复训练的问题。根据两种神经网络的原理选择合适的参数建立两个旋转机械故障诊断模型,并利用模型对某旋转机械的故障数据进行处理,结果显示两种网络在故障诊断方面的实用价值。通过对故障数据的结果对比可以看到PNN网络比BP网络具有更好的容错能力。     

一种针对水泥回转窑故障诊断的贝叶斯网络模型

为了实现水泥回转窑的故障诊断,采用贝叶斯网络建立了水泥回转窑故障智能诊断模型。在模型建立 过程中,提出了一种基于数据样本、不依赖先验知识的贝叶斯网络结构学习改进算法。在利用改进结构学习算法 建立诊断模型贝叶斯网络的基础上,利用MLE算法和变量消除法完成了模型的参数学习和诊断推理。为了验证 水泥回转窑故障诊断贝叶斯网络模型的准确率以及可行性,利用现场数据进行了大量的测试实验。     

Grey GM(1,1) Model with Function-Transfer Method for Wear Trend Prediction and its Application

1　ＩｎｔｒｏｄｕｃｔｉｏｎＯｉｌｓｕｐｅｒｖｉｓｉｏｎｔｅｃｈｎｏｌｏｇｙ ,ｗｈｉｃｈｗａｓｄｉｒｅｃｔｅｄｉｎｔｈｅｓｙｓｔｅｍｉｃｃｏｎｃｅｐｔｏｆｔｒｉｂｏｌｏｇｙａｎｄｗｈｏｓｅｍａｉｎｍｅａｎｓｗａｓｔｏｃｈｅｃｋｏｉｌｐｒｏｐｅｒｔｙａｎｄａｎａｌｙｚｅａｂｒａｓｉｏｎｇｒａｉｎｓ ,ｗａｓｅｘｔｅｎｓｉｖｅｌｙａｐｐｌｉｅｄｉｎｗｏｒｋｉｎｇｓｕｐｅｒｖｉｓｉｏｎａｎｄｆａｕｌｔａｎａｌｙｓｉｓｏｆｔｈｅｅｑｕｉｐｍｅｎｔｏｐｅｒａｔｅｄｉｎｗｏｒｋｉｎｇｖａｒｉａｔｉｏｎ ,ｌｏｗ…     

基于仿真的电子元器件故障模型研究

  故障知识获取是基于知识的电路故障诊断方法的瓶颈问题,严重限制了电子设备智能诊断系统的发展.提出了基于仿真获得故障知识的方法,介绍了数字/模拟电子元器件的故障模式仿真模型的建立方法.采用FMECA分析法选择仿真对象,有效地减少了故障注入的次数.建立故障仿真模型库,降低了编写仿真文件的难度.通过数模混合电路验证了故障模型的有效性.