基于AIS的故障診斷專家系統(tǒng)研究與應(yīng)用.pdf

1、現(xiàn)代機(jī)械行業(yè)的自動化程度越來越高，相應(yīng)其結(jié)構(gòu)也更為復(fù)雜，現(xiàn)有的故障診斷技術(shù)已經(jīng)不能滿足復(fù)雜設(shè)備的故障診斷要求。本文的主要目的是研究一種針對復(fù)雜設(shè)備故障的故障診斷方法，克服復(fù)雜設(shè)備故障樣本難以獲取的問題。
　　 本文主要研究的是故障診斷專家系統(tǒng)，在傳統(tǒng)故障診斷專家系統(tǒng)已有的研究成果基礎(chǔ)上，本文引入了人工智能的研究熱點：人工免疫系統(tǒng)，對故障診斷專家系統(tǒng)進(jìn)行改進(jìn)，形成一種混合智能故障診斷方法。
　　 針對復(fù)雜設(shè)備故障數(shù)據(jù)難以獲

2、取的問題，本文采用人工免疫系統(tǒng)中的陰性選擇方法。根據(jù)大量的正常運行數(shù)據(jù)和部分故障數(shù)據(jù)產(chǎn)生初始檢測器，并將其存入知識庫中，從而解決故障樣本不足所帶來的知識庫覆蓋不足的問題。但是由于基于實值陰性選擇算法產(chǎn)生的檢測器會發(fā)生交迭，所以本文使用了一種改進(jìn)的陰性選擇算法--基于混沌的陰性選擇算法。由于混沌算法良好的遍歷性和不重復(fù)性，解決了檢測器交迭的問題。采用Iris數(shù)據(jù)進(jìn)行仿真對比，改進(jìn)的陰性選擇算法的檢測效果優(yōu)于實值陰性選擇算法。
　　

3、 在檢測器訓(xùn)練過程中，采用了基于K鄰近算法與克隆選擇相結(jié)合的方法動態(tài)更新知識庫，實現(xiàn)了專家系統(tǒng)的自學(xué)習(xí)功能。知識庫的動態(tài)更新增加了檢測器的覆蓋率，提高整個故障診斷專家系統(tǒng)的正確性和自適應(yīng)性。專家系統(tǒng)的推理機(jī)制主要采用抗原抗體對結(jié)合能量計算進(jìn)行樣本匹配，測試樣本和檢測器的結(jié)合能量越小則表示樣本匹配程度越高，測試樣本歸屬為結(jié)合能量最小的檢測器所屬故障類別。
　　 本文基于以上方法，研究了一種基于AIS的故障診斷專家系統(tǒng)，并將其應(yīng)用于