许琦[1]2003年在《粗糙集理论在旋转机械故障诊断技术上应用的研究》文中研究指明粗糙集理论是近年来国际上研究智能决策技术的一个新成果，是对不完整、不精确、不确定信息的表达、学习、归纳的理论。它可以将测量所得的数据信息进行分类、约简、挖掘和形成规则。其重要特点在于其具有很强的定性分析能力，即不需要预先给定某些特征或属性的数量描述，而直接从给定问题的描述集合出发，通过不可分辨关系和不可分辨类确定给定问题的近似域，从而找出该问题的内在规律。旋转机械是机械设备的重要组成部分，它们以转子及其回转部件为工作的主体，一旦发生故障，将造成巨大损失。同时现代设备管理要求采用“故障维修”策略，消除“过剩维修”。因此世界各国都非常重视旋转机械故障诊断研究。目前，国内外故障诊断技术已取得了重大的进展，诊断方法由简易型向智能化、集成化方向发展，出现了遗传算法、模糊数学、神经网络等智能决策系统。但是，这些决策系统数学模型难以建立，物理意义不明确，需专家参与，且数据处理和学习时间过长而失去它在线控制的意义。目前，国内外学者对粗糙集的研究主要集中在如何应用它的方法，处理一些简单的故障诊断信息表，探讨这种方法的可行性。而从机械故障的数据采集，信号处理，知识库和决策表的形成，直到应用粗糙集理论对决策表进行约简，形成决策规则，这方面的报导还很少见。因此，如何将粗糙集理论应用到处理旋转机械故障的工程实际中，已成为大家十分关心的课题。本课题组在2001年得到了江苏省自然科学基金的立项资助（BK2001095），为深入地开展研究提供了良好的基础。本文的主要工作体现在：1、确定了基于粗糙集理论的旋转机械故障在线诊断的技术路线。以旋转机械为对象，侧重研究转子不对中、转子不平衡、油膜涡动和转轴的局部摩擦四种典型的旋转机械故障,分析了这几种故障的机理及其特征表现。在旋转机械故障诊断方法中，振动分析法是成熟的方法之一。本研究通过速度传感器、加速度传感器和位移传感器采集特征信息和敏感性参数，同时通过时域分析、频域分析、时间序列分析得到不同故障的特征信息，构成了故障信息的知识库。通过对图形的语义化和对数据的数学处理，形成决策表。通过粗糙集理论对决策表进行约简，并优选出最简决策表，形成标准特征库。从运行中的旋转设备，检测出状态信号，与标准信息库相比较，确定状态模式，作出故障诊断决策。2、提出了模拟四种故障的力学模型和实现的方法。在模拟实验中，转子不对中<WP=7>故障是通过提高轴承支座的高度，产生轴线角度不对中；转子不平衡故障的模拟，是在对经过动平衡试验转子上，配载一定质量的偏心载荷；油膜涡动故障是用带有油杯的轴承座，轴和轴颈之间有较大的配合间隙；转轴的碰摩故障是通过远离动力源端，靠近支座处，安装摩擦螺钉。在模拟实验时，应用CRAS5.1数据采集系统，对实验数据采集、信号与系统分析和时间与振动趋势测定。3、建立了故障诊断的决策表。从转子故障实验图表及其相关数据中，根据不同的条件属性和决策属性的对应关系，结合机械故障诊断的专业知识，对图表进行语义化，和实验数据一起，按照粗糙集理论的要求，建立旋转机械故障诊断的数据库。论文中，根据实验处理软件所提供的数据和图形，提出了六大类，十七个条件属性，一个决策属性。六大类条件属性分别是特征频率、时间-振动曲线特性、轴心轨迹、振动随转速的变化规则、振动的稳定性以及峭度特性；一个决策属性是联轴节的不对中、转子的不平衡、转轴的碰摩和轴承的油膜振荡。用语义法描述了图形库的知识，实现了将知识库向决策表的过渡。为了应用粗糙集理论对数据库进行约简，就必须按某种数学模型或计算方法，对采集的连续数据离散化，对图形语义化，并用符号代替语义定义，构造符合粗糙集理论要求的决策表，4、形成了旋转机械故障诊断的决策规则。由于在故障诊断的决策表中，有些特征信息是相关的，有些是独立的。独立的特征能提供互补信息，因而加以保留，相关性特征产生冗余信息。在对决策表约简时，首先进行条件属性的简化，消去重复列，然后对每一决策规则进行冗余属性值的简化，合并重复行，导出简化决策表，形成旋转机械故障诊断的决策规则，并对决策规则进行可信度研究。5、确定了决策表的核和最小解。通过区分矩阵和区分方程寻找决策表的约简和核。对于一个决策表有可能有多种约简形式，属性子集可以不只是一种简化，一个知识表达系统的决策表的简化不是唯一，问题的最小解不是唯一的，通过优化方法，鳞选得出决策表的最小的约简形式。应用粗糙集理论对四种典型的旋转机械故障形成的决策表的约简，从十七个条件属性简化成叁个条件属性，极大地减少数据库中数据的数量。对四种故障的决策规则和相关的设备故障诊断标准规则相一致。验证了应用粗糙集理论对数据库约简的有效性，证明了基于粗糙集理论的旋转机械故障诊断是可行的。
赵江稳[2]2008年在《粗糙集理论在火电厂风机故障诊断中的应用》文中提出随着现代社会化大生产的发展和科学技术的进步,现代设备的结构越来越复杂,功能越来越完善,自动化程度也越来越高。而且设备发展的一个明显的趋势是不断朝大型、高速、强载、连续运转和自动化的方向发展。因此,设备的组成结构越来越复杂,功能越来越强大,性能指标、自动化程度和可靠性也越来越高。一台设备从设计、制造到安装、运行有诸多环节,任何不应有的偏差都可能导致设备的“先天不足”造成带病运行。在运行过程中,设备可能处于各种各样的环境之中,其内部可能受到力、热、摩擦、电磁干扰、腐蚀、电解、氧化等多种物理、化学作用,使其性能劣化,造成“后天故障”。故障的产生可能使得设备降低或失去其预定的功能、使得生产系统紊乱,设备遭受损失,甚至全线停工,同时还可能破坏环境,危及人身安全,带来严重的、灾难性的事故,更有甚者造成社会问题。基于粗糙集理论的风机状态检修研究是近年来火电厂风机状态监测和故障诊断领域研究的前沿课题。其核心思想是充分利用粗糙集理论的数据挖掘和知识发现功能,对风机运行监测数据进行分析,从中获得运行状态、故障诊断、检修建议等决策的专家决策系统。本课题正是围绕这样一个主题来展开研究工作。课题的研究得到了山西省自然科学基金项目(20051037)、太原理工大学校科技发展基金资助项目(190-12901244)的资助。本论文深入研究和分析了课题内容涉及的粗糙集理论和风机故障诊断技术的相关理论和技术以及它们的现状和发展,并对两个系统的相似性做了论证。在基于粗糙集理论的风机故障诊断技术的研究中,论文重点分析了粗糙集理论的基本概念、思路、理念,尤其是粗糙集理论在属性约简方面的应用等问题,提出了新的属性约简算法,通过实验验证了新规则和新算法的有效性。通过总结前人的研究工作,并对相关技术进行创新和改造的基础上,论文提出了一种可以实现的基于粗糙集理论的风机故障诊断技术的系统模型,并对模型做了实验分析,实验结果表明,该模型在风机故障诊断方面表现良好。论文最后对本课题今后发展方向做了预测。
彭文季[3]2007年在《水电机组振动故障的智能诊断方法研究》文中指出随着水电机组单机容量的提高以及在电力系统中所占的比重越来越大,如何确保机组的可靠和稳定运行,已成为电力行业一个极为关注的问题。振动是水电机组运行中最为常见的故障之一,强烈的振动将直接危及到机组乃至电力系统的安全运行。因此,对机组振动故障进行诊断,及时发现和排除系统故障,对保障水电机组稳定运行十分重要。本文系统开展了水电机组振动故障诊断的方法研究,完成了以下几个方面的工作:进行了水电机组振动信号的信噪分离研究,提出利用第二代小波对水电机组振动信号进行消噪的方法。通过设计预测系数和提升系数获得具有某种特性的小波基函数,使得针对不同类型的故障特征能够构造出相应的小波基函数。所完成的水电机组振动信号消噪处理结果合理,计算速度快。该方法解决了小波消噪需要选择小波基函数的难题,进一步完善了信号消噪的理论。开展了水电机组振动故障特征提取的研究,基于Parseval能量积分等式,提出利用小波包分解方法提取水电机组振动频谱的能量特征。建立了能量变化到各故障类别之间的映射关系,利于形成一种基于“能量-故障”的故障诊断方法。解决了传统的频谱分析方法缺乏对信号的局部特性分析的问题。在故障特征提取研究的基础上,将遗传算法与BP网络结合起来,开展了水电机组振动故障的神经网络诊断研究,提出了一种应用遗传算法优化神经网络权值的遗传神经网络故障诊断方法。所提出的遗传神经网络故障诊断方法不仅能发挥神经网络的泛化和映射能力,而且能使神经网络具有很快的收敛速度和较强的学习能力,解决了BP网络收敛性较差和容易收敛到局部最小点的难题,使BP网络能在短时间内以很大的概率找到全局最优解。最后,进一步研究了水电机组振动故障的支持向量机诊断法,将粗糙集与支持向量机相结合,先利用粗糙集对决策表进行离散化及约简,再用支持向量机进行故障分类,提出了一种基于粗糙集理论的支持向量机故障诊断方法。该方法具有良好的鲁棒性,达到了对故障进行快速诊断的目的,可以满足在线故障诊断的要求。
耿俊豹[4]2007年在《基于信息融合的舰船动力装置技术状态综合评估研究》文中认为本文以国家自然科学基金资助项目“定量评价旋转机械振动状态的融合信息熵方法研究”和海军青年科研基金项目“旋转机械振动状态的融合信息熵方法研究”为课题背景,以舰船动力装置为研究对象,对舰船动力装置技术状态综合评估技术进行了研究,提出将信息融合技术有机地嵌入到舰船动力装置技术状态综合评估中,构建了基于信息融合的舰船动力装置技术状态评估模型,并在理论和应用两个方面进行了研究。在综述设备状态监测和故障诊断技术,船舶技术状态评估技术、信息融合技术的基础上,指出了船舶技术状态评估存在的问题,提出将信息融合技术应用于船舶技术状态评估的思路。在阐述技术状态管理的概念和发展的基础上,论述了本文所研究的技术状态评估的含义。创建了基于信息融合的舰船动力装置技术状态评估模型,将信息融合技术有机地嵌入到舰船动力装置技术状态评估的相应环节。根据舰船动力装置的特点,建立了舰船动力装置技术状态评估的部分顶层指标体系。提出采用粗糙集理论的知识约简来优化技术状态评估中的特征指标。以QGF-1汽轮鼓风机为对象,利用粗糙集理论建立了QGF-1汽轮鼓风机技术状态评估的特征指标、决策规则。考虑到综合评估中证据的不确定性,提出了采用Dempster-Shafter(D-S)证据理论来对各证据进行组合,以便达到降低不确定性的目的。为此,首先描述了D-S证据理论的国内外发展情况,其次研究了D-S证据理论的基本方法,不足之处,以及某些改进措施,总结了3种基于证据理论的决策方法,最后,建立了基于D-S证据理论的舰船动力装置技术状态评估方法。考虑到动力装置的许多设备是旋转机械类,本文研究了基于信息熵的旋转机械故障诊断方法。首先利用试验建立4种信息熵特征(奇异谱熵、功率谱熵、小波空间状态特征谱熵和小波能谱熵)在旋转机械典型故障下的期望值,即获得基于信息熵的旋转机械故障诊断标准特征向量。在此基础上,根据越相似模式间的距离越短的思路,建立了基于信息熵贴近度的旋转机械故障诊断。考虑到D-S证据理论的功能,建立了基于信息熵贴近度和D-S证据理论的旋转机械故障诊断。通过实例计算描述了两种方法的适用性。从工程应用的角度上,提出一种基于任务剖面的复杂系统技术状态综合评估方法。将粗糙集理论、D-S证据理论、设备群和模糊理论等有机地嵌入到综合评估方法中。先由任务剖面和设备群概念确定需要评估的设备和设备群;其次采用粗糙集理论来优化单设备技术状态评估指标,然后采用基于D-S证据理论的单设备技术状态评估或基于指标分级的单设备技术状态评估来获得单设备的技术状态;通过各设备技术状态及在设备群中的权重综合评估获得设备群的技术状态;最后根据设备群的技术状态,采用D-S证据理论或基于设备群权重的综合评估方法,获得整个系统的技术状态。文中提出了基于专家模糊打分法的权重模型,使得评估易于操作,评估结果符合工程实际情况。
冯志鹏[5]2003年在《计算智能在机械设备故障诊断中的应用研究》文中研究指明在理论方面，重点研究了计算智能理论与方法在机械设备振动故障诊断中的应用，在实践方面，针对石化企业中的旋转机械开发了具有实用价值的基于Intranet的大型机组在线状态监测与故障诊断系统。 在机械设备状态预测方面，研究了基于神经网络的时间序列预测。 针对生产实践中设备运行的非平稳性，基于动态预测思想，研究了非平稳时间序列的自适应线性单元(Adaline)神经网络预测，讨论了Adaline和自回归(AR)模型之间的关系，提出根据AR模型定阶方法确定Adaline预测模型的输入神经元数目，分析了自适应学习率对预测性能的影响，为机械设备状态预测提供了一种方法。 研究了基于广义回归神经网络(GRNN)的大型旋转机械振动状态预测，提出了应用BIC准则确定GRNN预测模型输入神经元数目的方法，将GRNN用于大型机组振动峰—峰值时间序列的预测，与采用误差反向传播学习算法的叁层前馈感知器网络(BPNN)的预测结果对比表明，GRNN的预测性能优于BPNN，而且，即使样本数据稀少，也能获得满意的预测结果。 在故障诊断方面，提出了计算智能理论和方法集成的诊断方案。该方案的基本思想是利用粗糙集理论对数据不完整性和不确定性的分析处理能力实现故障诊断知识发现，即从监测诊断数据或诊断案例中发现关键诊断条件，提取或优化诊断规则，在最优诊断决策系统的基础上，设计神经网络或模糊神经网络，利用其模式识别能力实现故障诊断。该方案通过将计算智能领域中各种理论和方法有机结合，互相取长补短的方式，达到降低诊断成本，提高诊断效率的目的。 对于连续的定量故障诊断数据(监测数据)，以4135柴油机为例，提出了自组织映射(SOM)／模糊c-均值(FCM)—粗糙集—自适应模糊神经网络推理系统(ANFIS)集成的具体故障诊断实施方案：首先，应用SOM或FCM离散故障诊断数据中的连续属性值；然后，基于粗糙集理论应用遗传算法计算诊断决策系统的约简，按照实际需要确定诊断条件；最后，根据系统约简设计ANFIS进行故障诊断。约简前后ANFIS的训练过程表明，基于粗糙集理论的约简处理减少了ANFIS的输入变量数目，避免了“维数灾难”问题。ANFIS与BP神经网络的训练和诊断结果对比显示，ANFIS的训练时间短，诊断精度高。 对于离散的定性故障诊断数据(专家经验或诊断案例)，以大型旋转机械为例，提出了广义粗糙集理论与神经网络集成的具体故障诊断实施方案：首先应用基于相似关系的广义粗糙集理论对旋转机械振动故障诊断的非完备决策系统进行约简，得到更为简明的最优诊断规则；然后根据最优决策系统建立BP神经网络进行故障诊断。约简前后网络的训练过程表明，基于粗糙集理论的约简处理简化了网络结构，提高了训练效率。 在故障诊断的实践方面，根据课题要求，在理论研究的基础上，以Microsoft Visual C++ 6.0为基本开发工具，综合利用数据库、Matlab C／C++数学函数库、多线程和Windows Sockets网络编程等技术开发了基于Intranet的大型机组在线状态监测与故障诊断系统。系统通过企业内部局域网，采用客户机／服务器模式，实现了远程监测诊断，企业管理和检修人员可以方便地了解机组的运行状态，及时地做出相关决策。针对旋转机械的振动特点，系统提供了功能比较完善的信号分析方法，在研究总结大量文献资料的基础上，研制了故障种类比较齐全的自动诊断和人机交互诊断模块，在这些功能的支持下，可以方便地识别一些常见故障。目前该系统在企业中运行稳定，用户反馈意见良好。
侯捷[6]2007年在《数据挖掘在旋转机械故障诊断中的应用研究》文中进行了进一步梳理在计算机技术和信息技术的推动下，现代工业逐渐向生产设备大型化、高速化和自动化方向发展。可是由于机械设备的结构越来越复杂，故障诊断也变得越来越困难。无法及时发现并解决设备故障而造成的停机，给企业带来了巨大的经济损失和维修难度。因此有必要开发一套可以实现远程实时监测设备工作状态、自动识别设备故障类型的系统。设备故障诊断其实就是一种归纳分类的过程。提取故障信号的几个特征频率，根据特征频率的不同排列组合，分类出不同的故障类别。数据挖掘的决策树可以很好的解决这个问题。本文确定了基于数据挖据理论的旋转机械故障在线诊断的技术路线。以旋转机械为对象，侧重研究转子不对中、转子不平衡、油膜涡动和转轴的局部摩擦四种典型的旋转机械故障，分析了这几种故障的机理及其特征表现。在旋转机械故障诊断方法中，振动分析法是成熟的方法之一。本研究通过时域分析、频域分析得到不同故障的特征信息构成了故障样本库。从运行中的旋转设备检测出状态信号，与决策树相匹配确定状态模式，做出故障诊断决策。在Window XP平台下，应用Eclipse开发工具、Java、Oracle 8i数据库管理系统，采用面向对象程序设计思想，设计实现知识发现与决策树的构建。对于本系统的Web应用，采用Java Applet／Servlet框架。模型层通过JDBC访问数据库获得决策树并根据提交数据做模式匹配，同时返回给用户查询的故障诊断结果。本系统交付燕山石化使用，对于大型旋转机械的几个典型故障，可以做出比较准确的判断，具有一定的使用价值。为减少生产检测成本、提高生产的稳定性起到了积极作用。
冯长建[7]2002年在《HMM动态模式识别理论、方法以及在旋转机械故障诊断中的应用》文中研究说明本文以国家自然科学基金项目“基于隐Markov模型的旋转机械故障诊断新方法的研究”(编号：50075079)为基础，提出的博士学位论文题目为“HMM动态模式识别理论、方法以及在旋转机械故障诊断中的应用”。本文以大型旋转机械为研究对象，研究了HMM动态模式识别理论与方法在旋转机械故障诊断中的应用，开辟了旋转机械计算机辅助故障诊断的新途径。全文主要研究内容如下： 第一章：介绍了旋转机械振动监测和诊断的概况；综述了多变量动态模式识别理论的发展和研究现状；结合国家自然科学基金提出了本文的研究内容；最后，给出了本文的总体框架和创新之处。 第二章：介绍了Markov链基本理论，并通过一个简单的实例把它扩展到了隐Markov模型(HMM)；然后重点介绍离散HMM的基本理论、算法以及在实际应用中的改进措施。 第叁章：根据离散HMM(DHMM)的基本理论，提出了旋转机械振动幅值谱矢量的标量量化方法，并在此基础上提出了基于DHMM的故障诊断方法；利用转子升速过程的振动模式验证了DHMM故障诊断方法的有效性。 第四章：在连续隐Markov模型(CHMM)的基本理论基础上，提出了直接利用振动信号AR系数特征矢量序列建立混合密度CHMM的故障诊断新方法，并对转子升速过程的振动模式进行了成功的识别；对DHMM和CHMM故障诊断方法进行了对比分析，指出DHMM方法具有算法稳定、计算速度快、识别精度高等特点，对于CHMM方法只要通过合理选择特征参数也能得到高的识别精度。 第五章：利用SOM神经网络对多传感器的振动信息特征进行降维、压缩与编码，首次提出了基于多通道振动信息融合的HMM故障诊断方法，拓展了监测对象的观测范围，从而能够对旋转机械的整体运行状态做出综合识别，并对提出的方法进行了实验研究。 第六章：首次把AR系数矢量引入到Kalman滤波器和HMM中，得到了两种自适应描述非平稳动态时间序列的在线模型—Kalman-AR和HMM-AR模型；描述连续状态变化的Kalman-AR滤波模型为描述离散状态变化的HMM-AR模型提供了一个良好的初始化方法和给出过程状态转移点的先验信息，从而使HMM-AR模型能够对非平稳过程进行状态分割和分类；仿真和实验结果表明，提出的该旋转机械运行状态在线监测方法，能够实现对旋转机械运行的状态进行成功地分割和分类。 第七章：基于多变量动态模式识别的理论和方法，在混合编程环境下开发了HMM的旋转机械故障诊断应用软件;介绍了软件系统的开发环境、开发工具以及Matlab和C++混合编程的接口实现方法;介绍了整个软件系统的基本组成和功能。 第八章:给出了全文研究内容的总结;并对HMM理论在旋转机械故障诊断方面的进一步应用提出了展望。
董晓峰[8]2012年在《基于RCM分析的智能化汽轮机组故障诊断系统研究》文中提出故障诊断在汽轮机组状态维修中具有重要的地位,故障诊断系统应该作为状态维修决策支持系统的一部分,为维修决策提供技术支持,如何将RCM()分析结果应用到故障诊断过程中,使故障诊断为状态维修提供更有价值的信息；如何将不断发展的智能故障诊断技术应用于汽轮机组故障诊断,以提高汽轮机组故障诊断的准确性和可靠性,都是需要进一步研究的问题。对汽轮机组振动故障和通流部分故障进行RCM分析,充分了解这些故障产生的原因,造成的影响,需要采取的故障处理措施,故障发生时都有哪些故障特征以及如何进行监测以获取这些故障特征。应用RCM分析结果,建立故障诊断模型和故障诊断流程,应用故障诊断流程调用故障诊断模型对故障进行诊断,得到故障的故障模式、故障原因、故障位置、故障影响和故障处理措施等诊断结论,形成故障诊断报告,为维修决策提供技术支持。应用故障特征对故障模式进行聚类分析,形成故障模式类,从而可以在故障模式类层次区分开属于不同性质的故障模式,解决类间的识别问题,进而缩小故障诊断的识别范围。在故障模式类中使用粗糙集方法从故障特征中提取对故障诊断有贡献的故障特征,排除冗余的故障特征,减少冗余故障特征对故障识别的干扰,优化故障诊断规则。在诊断推理过程中,需要给诊断规则中的前提条件赋予相应的权重,由专家凭经验给出权重的方法因其具有一定的主观性而影响了权重对客观实际的反映,从而增加了诊断结果的不确定性,应用粗糙集理论中知识依赖度得到的权重,克服了主观分配权重存在的不足,使权重分配结果更符合客观实际。应用统计分析方法来求取故障监测参数的正常工作范围,结合运行规程的规定确定故障监测参数各段工作范围的隶属度,选择合适的函数作为故障征兆的隶属度函数。计算多个工况下汽轮机通流部分故障监测参数的正常工作范围,运用曲线拟合得到工况与故障监测参数正常工作范围的映射,解决了变工况下故障征兆隶属度函数的自动获取问题。以现场应用为目的,利用最新的软、硬件技术,参与设计并开发适用于状态维修要求的智能化汽轮机组故障诊断系统。
胡友林[9]2006年在《基于粗糙集的风机故障诊断专家系统研究》文中进行了进一步梳理风机作为很多行业尤其是烧结厂的关键设备,对正常生产有很重要的作用。因此,通过各种手段对风机进行状态监测和故障诊断,具有极其重要的意义。本文探讨了利用智能技术特别是专家系统来进行风机故障诊断的方法和途径。主要内容如下:首先分析了设备故障诊断技术的需求、国内外发展现状和任务。以风机为研究对象,介绍了风机故障诊断的现状、故障的来源及主要原因,并对其进行了简要的振动分析,提出了风机状态监测与故障诊断实施的具体环节和系统结构。通过数据采集系统对信号进行采集与处理,利用监测软件实现风机状态监测,建立常规数据库和故障数据库以及调用常规分析子系统进行故障诊断等手段,观察设备运行状态,找到故障的类型和原因,作为决策的依据,从而提高了设备的经济性和安全性。然后着重论述了专家系统的基本概念和一般结构,介绍了粗糙集理论的研究基础以及在故障诊断中的应用,深入分析了几种算法的优缺点,在此基础上结合现场实际构建了基于粗糙集的风机故障诊断专家系统的体系结构。利用风机征兆和故障之间的关系构造了征兆故障对照表,关系简单明了。结合粗糙集理论约简知识库,采用正向推理建立推理规则,把模糊理论与粗糙集结合起来克服了专家系统在知识获取方面的“瓶颈”问题。最后在Borland C++ Builder平台下开发了一套风机故障诊断专家系统软件,并给出了系统主画面,通过对一个具体实例测试了系统的运行结果,验证了系统的实用性和准确性。将粗糙集理论应用在专家系统中进行故障诊断有着良好的性能和发展前景。由面向对象的语言开发的风机故障诊断专家系统界面友好、实用性强,可以推广到风机类旋转机械的故障诊断中,具有重要的工程应用价值。
刘永阔[10]2006年在《核动力装置故障诊断智能技术的研究》文中认为核动力装置运行状态的监测与诊断直接关系到装置运行的安全性与可靠性。目前我国核动力装置主要采用传统的阈值监测方法。阈值方法能够给操作人员提供核动力装置重要参数偏离正常运行的状态，却难以提供故障发生的根本原因和异常发展趋势方面的信息。开展优于传统方法而基于人工神经网络、专家系统(规则推理)、模糊逻辑等智能技术在核动力装置早期故障诊断与状态监测中的应用研究，对进一步提高核动力装置运行的安全性、可靠性以及核动力装置的整体效能具有重大的工程意义和现实意义。本文以“十五”×××重点预研攻关项目为背景，以核动力装置一回路典型故障为对象，对核动力装置智能故障诊断系统实现的部分技术、方法及基本结构进行了深入的研究。本文研究的主要内容和取得的主要成果如下：1．设计了先进的诊断算法。先进的诊断算法是实现实时故障诊断的关．键，本文提出基于神经网络诊断子系统(该系统内包括FNN网络诊断子系统、BP网数据融合诊断子系统和RBF网络诊断子系统)和基于规则推理诊断子系统相结合的综合诊断方法。利用神经网络处理速度快、漏诊率低的优点进行预诊，如果诊断可信度不高，再利用规则推理诊断子系统误诊率低的优点对预诊结果进行验证和解释；2．确定了基于智能技术的核动力装置故障诊断系统的基本结构，利用Visual Basic 6.0成功开发了该系统，实现了系统的各种基本功能；3．在系统中设计了各种辅助功能系统和友好的人机界面，重点解决了系统的可扩充性和可操作性问题。规则推理诊断子系统的知识库(规则库)和神经网络子系统可以随着对核动力装置安全特性认识的加深和事故数据的积累由用户通过人机交互方便地进行扩充修改，使系统的诊断功能不断完善；4．开发的系统成功地实现了自动诊断、报警的功能，当核动力装置运行时，故障诊断系统在后台实时运行，对运行各参量进行实时监控，当有故障发生时，能对故障进行自动诊断，提醒操作人员采取相应的处理措施；5．通过编写通讯协议，在核动力装置仿真机上对开发的诊断系统进行了测试实验研究，测试结果证实该诊断系统完全可以适用于核动力装置的实时故障诊断，进而也验证了根据征兆进行故障分析与故障诊断的可行性与有效性，以及所设计的状态监测及故障诊断系统运行的正确性。
参考文献：
[1]. 粗糙集理论在旋转机械故障诊断技术上应用的研究[D]. 许琦. 南京工业大学. 2003
[2]. 粗糙集理论在火电厂风机故障诊断中的应用[D]. 赵江稳. 太原理工大学. 2008
[3]. 水电机组振动故障的智能诊断方法研究[D]. 彭文季. 西安理工大学. 2007
[4]. 基于信息融合的舰船动力装置技术状态综合评估研究[D]. 耿俊豹. 华中科技大学. 2007
[5]. 计算智能在机械设备故障诊断中的应用研究[D]. 冯志鹏. 大连理工大学. 2003
[6]. 数据挖掘在旋转机械故障诊断中的应用研究[D]. 侯捷. 大连理工大学. 2007
[7]. HMM动态模式识别理论、方法以及在旋转机械故障诊断中的应用[D]. 冯长建. 浙江大学. 2002
[8]. 基于RCM分析的智能化汽轮机组故障诊断系统研究[D]. 董晓峰. 华北电力大学. 2012
[9]. 基于粗糙集的风机故障诊断专家系统研究[D]. 胡友林. 武汉科技大学. 2006
[10]. 核动力装置故障诊断智能技术的研究[D]. 刘永阔. 哈尔滨工程大学. 2006