計算智能在機械設備故障診斷中的應用研究.pdf

1、在理論方面,重點研究了計算智能理論與方法在機械設備振動故障診斷中的應用,在實踐方面,針對石化企業(yè)中的旋轉機械開發(fā)了具有實用價值的基于Intranet的大型機組在線狀態(tài)監(jiān)測與故障診斷系統.在機械設備狀態(tài)預測方面,研究了基于神經網絡的時間序列預測.針對生產實踐中設備運行的非平穩(wěn)性,基于動態(tài)預測思想,研究了非平穩(wěn)時間序列的自適應線性單元(Adaline)神經網絡預測,討論了Adaline和自回歸(AR)模型之間的關系,提出根據AR模型定階方法

2、確定Adaline預測模型的輸入神經元數目,分析了自適應學習率對預測性能的影響,為機械設備狀態(tài)預測提供了一種方法.研究了基于廣義回歸神經網絡(GRNN)的大型旋轉機械振動狀態(tài)預測,提出了應用BIC準則確定GRNN預測模型輸入神經元數目的方法,將GRNN用于大型機組振動峰—峰值時間序列的預測,與采用誤差反向傳播學習算法的三層前饋感知器網絡(BPNN)的預測結果對比表明,GRNN的預測性能優(yōu)于BPNN,而且,即使樣本數據稀少,也能獲得滿意的

3、預測結果.在故障診斷方面,提出了計算智能理論和方法集成的診斷方案.該方案的基本思想是利用粗糙集理論對數據不完整性和不確定性的分析處理能力實現故障診斷知識發(fā)現,即從監(jiān)測診斷數據或診斷案例中發(fā)現關鍵診斷條件,提取或優(yōu)化診斷規(guī)則,在最優(yōu)診斷決策系統的基礎上,設計神經網絡或模糊神經網絡,利用其模式識別能力實現故障診斷.該方案通過將計算智能領域中各種理論和方法有機結合,互相取長補短的方式,達到降低診斷成本,提高診斷效率的目的.對于連續(xù)的定量故障診

4、斷數據(監(jiān)測數據),以4135柴油機為例,提出了自組織映射(SOM)/模糊c-均值(FCM)—粗糙集—自適應模糊神經網絡推理系統(ANFIS)集成的具體故障診斷實施方案:首先,應用SOM或FCM離散故障診斷數據中的連續(xù)屬性值;然后,基于粗糙集理論應用遺傳算法計算診斷決策系統的約簡,按照實際需要確定診斷條件;最后,根據系統約簡設計ANFIS進行故障診斷.約簡前后ANFIS的訓練過程表明,基于粗糙集理論的約簡處理減少了ANFIS的輸入變量數

5、目,避免了"維數災難"問題.ANFIS與BP神經網絡的訓練和診斷結果對比顯示,ANFIS的訓練時間短,診斷精度高.對于離散的定性故障診斷數據(專家經驗或診斷案例),以大型旋轉機械為例,提出了廣義粗糙集理論與神經網絡集成的具體故障診斷實施方案:首先應用基于相似關系的廣義粗糙集理論對旋轉機械振動故障診斷的非完備決策系統進行約簡,得到更為簡明的最優(yōu)診斷規(guī)則;然后根據最優(yōu)決策系統建立BP神經網絡進行故障診斷.約簡前后網絡的訓練過程表明,基于粗糙

6、集理論的約簡處理簡化了網絡結構,提高了訓練效率.在故障診斷的實踐方面,根據課題要求,在理論研究的基礎上,以Microsoft VisualC++ 6.0為基本開發(fā)工具,綜合利用數據庫、Matlab C/C++數學函數庫、多線程和Windows Sockets網絡編程等技術開發(fā)了基于Intranet的大型機組在線狀態(tài)監(jiān)測與故障診斷系統.系統通過企業(yè)內部局域網,采用客戶機/服務器模式,實現了遠程監(jiān)測診斷,企業(yè)管理和檢修人員可以方便地了解機組