混合智能技術(shù)及其在故障診斷中的應(yīng)用研究.pdf

1、大型復(fù)雜機(jī)械設(shè)備的故障往往表現(xiàn)為復(fù)雜性、不確定性、多故障并發(fā)性等，運(yùn)用單一的智能故障診斷技術(shù)，存在精度不高、泛化能力弱等問題，難以獲得滿意的診斷效果，故急需一種新的思路和方法來解決這些工程實(shí)際問題。
　　利用人工神經(jīng)網(wǎng)絡(luò)、模糊邏輯、遺傳算法等單一智能技術(shù)之間的差異性和互補(bǔ)性，揚(yáng)長避短，優(yōu)勢互補(bǔ)，并結(jié)合不同的現(xiàn)代信號處理技術(shù)和特征提取方法，將它們以某種方式綜合、集成或融合，提出混合智能診斷技術(shù)，能夠有效地提高診斷系統(tǒng)的敏感性、魯棒性

2、、精確性，降低它的不確定性，準(zhǔn)確定位故障發(fā)生的位置，估計(jì)其嚴(yán)重程度。因此，研究混合智能技術(shù)及其在故障診斷中的應(yīng)用，具有重要的科學(xué)理論意義和工程應(yīng)用價(jià)值。論文正是圍繞這一艱難而又誘人的主題，以機(jī)械設(shè)備的早期、微弱和復(fù)合故障的診斷為目的，對混合智能故障診斷技術(shù)的基本原理和工程應(yīng)用進(jìn)行了深入的研究。
　　論文介紹了模糊邏輯、神經(jīng)網(wǎng)絡(luò)、聚類算法和遺傳算法等技術(shù)的基本概念和原理，針對每種技術(shù)各舉一例，說明其使用方法和有效性。描述了兩種適合于

3、處理非平穩(wěn)、非線性信號的現(xiàn)代信號處理技術(shù)：小波包分析和經(jīng)驗(yàn)?zāi)Ｊ椒纸?。小波包分析是小波變換的延伸，以不同的尺度將動態(tài)信號正交地分解到相互獨(dú)立的頻帶中，提供無冗余、不疏漏的獨(dú)立頻帶分解信號的特征信息；經(jīng)驗(yàn)?zāi)Ｊ椒纸夥椒ɑ谛盘柕木植刻卣鲿r(shí)間尺度，把動態(tài)信號分解為若干個(gè)本征模式分量，正交地給出分解信號的本征信息。所以二者分別從不同角度來分析信號，各具特色。
　　為了提高機(jī)械故障診斷的準(zhǔn)確性，結(jié)合小波包分解和經(jīng)驗(yàn)?zāi)Ｊ椒纸夥椒ㄔ诜治鰟討B(tài)信號上

4、的優(yōu)勢，特征評估方法在選取敏感特征方面的特點(diǎn)，以及徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)分類能力強(qiáng)的優(yōu)點(diǎn)，提出了一種基于特征評估和神經(jīng)網(wǎng)絡(luò)智能故障診斷模型。該模型能夠針對不同診斷問題選擇其相應(yīng)的敏感特征，克服了傳統(tǒng)方法在特征選擇上的盲目性。通過對滾動軸承局部損傷故障和煙氣輪機(jī)轉(zhuǎn)子輕微摩擦故障的診斷研究，應(yīng)用結(jié)果表明：利用小波包分析和經(jīng)驗(yàn)?zāi)Ｊ椒纸夥椒軓膭討B(tài)信號中精細(xì)地獲得更多的故障特征信息；利用特征評估方法能夠從原始特征集中評選出敏感特征，從而大大提高了徑

5、向基函數(shù)神經(jīng)網(wǎng)絡(luò)診斷的準(zhǔn)確率。
　　針對機(jī)械設(shè)備中早期故障和復(fù)合故障并發(fā)的復(fù)雜診斷問題，利用統(tǒng)計(jì)分析、經(jīng)驗(yàn)?zāi)Ｊ椒纸狻⒏倪M(jìn)的距離評估技術(shù)、自適應(yīng)神經(jīng)模糊網(wǎng)絡(luò)和遺傳算法等技術(shù)，提出了一種綜合多征兆域特征集和多個(gè)分類器組合的混合智能診斷模型。該模型運(yùn)用多種信號預(yù)處理方法挖掘潛藏在動態(tài)信號中的故障信息，并綜合利用從不同側(cè)面表征機(jī)械設(shè)備運(yùn)行狀態(tài)的時(shí)域和頻域統(tǒng)計(jì)特征，構(gòu)成多元征兆域特征集來全面反映故障特性；利用基于不同輸入特征集的多個(gè)自適應(yīng)神

6、經(jīng)模糊網(wǎng)絡(luò)之間的獨(dú)立性和互補(bǔ)性，將其組合成混合智能模型?；旌现悄苣Ｐ驮跈C(jī)車輪對軸承的故障診斷中實(shí)現(xiàn)了軸承不同故障類型，不同故障程度，以及復(fù)合故障的可靠識別，獲得了非常滿意的診斷結(jié)果。同時(shí)，診斷結(jié)果也驗(yàn)證了提出的基于改進(jìn)距離評估技術(shù)的特征選擇方法的有效性。
　　針對故障診斷中應(yīng)用最多的無監(jiān)督聚類算法——模糊C均值算法存在的問題，提出了一種新的混合智能聚類算法。該算法使用聚類評價(jià)指標(biāo)自動確定聚類數(shù)；利用基于梯度下降的3層前饋神經(jīng)網(wǎng)絡(luò)通

7、過無監(jiān)督訓(xùn)練來自適應(yīng)學(xué)習(xí)特征權(quán)值；運(yùn)用基于點(diǎn)密度函數(shù)的算法計(jì)算樣本權(quán)值。賦予特征和樣本以相應(yīng)的權(quán)重，強(qiáng)調(diào)敏感特征和典型樣本對聚類的貢獻(xiàn)，削弱無關(guān)特征和模棱兩可樣本對聚類的干擾，以提高聚類的性能。采用國際公認(rèn)比較聚類算法性能的典型數(shù)據(jù)IRIS驗(yàn)證了混合智能聚類算法的有效性。在電力機(jī)車輪對軸承單一故障、早期故障和復(fù)合故障并發(fā)的診斷問題中，進(jìn)一步驗(yàn)證了該算法不僅能正確地確定聚類數(shù)，而且聚類性能優(yōu)于模糊C均值聚類算法，具有更好實(shí)用性和推廣性能。