基于粗糙集对旋转机械故障诊断系统的研究

针对机电设备故障诊断中存在的知识冗余和不确定性,从原始数据出发,利用决策表约简算法进行属性和属性值的约简,建立了故障诊断的规则库.给出了基于粗糙集的故障诊断和知识获取模型的一般结构.通过对旋转机械典型故障的分析,建立了决策表,通过对决策表的约简,减少了数据库中数据的数量,解决了故障诊断中知识获取的瓶颈问题.提出了决策表的属性值约简的一种简化算法.实验证明该方法是可行的.     

弹性BP神经网络的旋转机械故障诊断

针对BP神经网络存在局部极小值和收敛速度慢等问题，提出了一种resilient backpropagation（RPROP）的改进BP网络。RPROP神经网络具有优良的非线性映射能力，可以很好地描述频率特征和诊断结果之间的关系，经改进算法训练的网络适合旋转机械故障诊断。     

旋转机械状态监测及预测技术的发展与研究

旋转机械是工业上应用最广泛的机械,为了对其进行安全生产和实行科学维护,需要研究旋转机械在线监及预测技术。采用了综述该技术发展趋势与介绍该技术研究工作相结合的方法。在大型机组上施行的实践验证结果表明：所研究的技术是有效的,分析手段是适用的。     

机器振动级值趋势预示的方法

机器振动级值趋势预示是在状态监测和故障诊断的基础上，通过空间和时间的综合分析，进一步对机器工作状态的现状和发展进行分析和预测。文章叙述了机器振动级值趋势预示的基本概念，介绍了趋势预示的判据和评定方法，提供了机器振动级值趋势预示的一种设计方法。本项技术已在工业现场的大型机组上获得了实际应用。     

基于LM神经网络的旋转机械故障诊断

BP神经网络具有优良的非线性映射能力,可以很好地描述频率特征和诊断结果之间的关系.针对BP神经网络存在局部极小值和收敛速度慢等问题,提出了一种基于Levenberg-Marquardt(LM)的改进的BP网络.经改进算法训练的网络能大大提高诊断的能力,具有广泛的应用前景和应用价值.     

旋转机械的新息加权神经网络工作状态趋势预测研究

在面向旋转机械的神经网络工作状态预测中,存在着对新数据强调不足的缺陷,为了弥补原有的神经网络存在的缺陷,提出一种新的神经网络预测方法,即基于均值函数新息加权的神经网络预测方法.依据时间序列数据的新旧程度对预测值贡献的大小,通过均值函数赋给输入数据不同的权值系数,提高神经网络的预测精度.在旋转机械工作状态预测中取得较为理想的预测效果.     

基于风电机组行星轮系的模型与分析

以风力发电机组传动系统为研究对象,运用非线性动力学分析方法,进行其系统运行状态特性分析。建立了基于行星轮系平移-扭转振动的12自由度的非线性动力学模型,进行了输入转速在100~3000 rad/s下的系统响应计算,然后运用非线性分析方法对其进行响应分析。结果表明:该模型有利于揭示风力发电机组传动系统在正常运转时的动态响应。     

基于免疫算法的故障诊断技术研究

针对故障先验知识和特征信息缺乏的情况,提出将免疫算法应用于机电系统的故障诊断的新方法.利用基于生物免疫学原理的负选择原理,给出了改进的免疫算法及其匹配规则和算法流程,建立了将改进的免疫故障诊断方法应用于机电系统的故障诊断体系.免疫算法实现故障诊断的过程分为二个阶段:免疫系统建立阶段和免疫功能执行阶段.在转子实验台上进行了原理性验证实验,进行实例验证.结果表明新方法可实现故障诊断基本功能.     

神经网络模糊聚类方法在故障诊断中的应用

在旋转机械故障诊断研究中,对大量样本的有效分类至关重要。传统的贴近度法计算繁锁,分辨率低,且领带于大量实验测试和经验案例的总结。根据故障诊断中样本数据无须精确要求的特点,可以对样本数据作模糊化处理,进一步采用自组织竞争神经网络对样本进行自动聚类,速度快,准确性好,具有较高的智能特性。实际应用表明,这种模糊神经网络完全满足使用要求。     

粗糙集合理论在旋转机械故障诊断技术中的应用

粗糙集合理论基于严格的集合分析方法,通过对数据集合进行等价关系、近似空间、分类等运算,发现隐含在数据中的规律与性质,从而完成知识发现。在人工智能机器故障诊断系统中,如何获得故障诊断等知识成为关键技术。论文提出将粗糙集合理论应用于加工中心故障诊断技术,使得故障诊断技术中的知识获取瓶颈问题得以有效解决。