基于征兆分析的多故障智能診斷方法研究和應(yīng)用.pdf

1、隨著現(xiàn)代工業(yè)及科學(xué)技術(shù)的迅速發(fā)展，機(jī)械設(shè)備和工業(yè)系統(tǒng)日趨大型化、網(wǎng)絡(luò)化和自動化，功能不斷增多，結(jié)構(gòu)愈加復(fù)雜，設(shè)備系統(tǒng)故障的相互耦合和影響以及多故障特性，對傳統(tǒng)的故障診斷技術(shù)如何適應(yīng)復(fù)雜設(shè)備系統(tǒng)實際安全運行的需要提出了挑戰(zhàn)。
　　 由于多故障自身的復(fù)雜性和不確定性，一種故障可能由多個原因引起，而一個原因又可能引發(fā)多種故障，從而成為一種多對多的復(fù)雜映射關(guān)系。不同的故障和征兆構(gòu)成了不同的集合或關(guān)聯(lián)域，使得多故障的診斷成為了一個復(fù)雜的問

2、題。在一般以單故障診斷方法應(yīng)用于多故障的系統(tǒng)中，診斷結(jié)果與實際故障存在著較大的差異。因此，需要深入分析征兆和多故障的描述和映射關(guān)系，研究多故障及其征兆的智能故障診斷方法。
　　 論文分析了當(dāng)前多種故障診斷方法，以及在單一故障和多故障診斷中的應(yīng)用。指出了當(dāng)前多故障診斷存在的不足、已有方法在多故障診斷中的局限性、以及研究多故障診斷的意義。討論了故障征兆的描述和多故障的模型描述，根據(jù)實際故障體系中故障和征兆多對多的復(fù)雜對應(yīng)關(guān)系，研究適

3、用于多故障診斷的故障征兆矢量及其描述，構(gòu)建了“征兆-故障”映射關(guān)系。同時通過不同故障體系中征兆對于多故障的表現(xiàn)，將多故障可由組成其的單一故障的征兆表示的，定義為可分離型多故障；而組成多故障的征兆相互耦合，難以按一般數(shù)學(xué)方法解耦的成單一故障的，定義為征兆-故障耦合型的多故障，對于這種多故障，本文基于人工神經(jīng)網(wǎng)絡(luò)進(jìn)行了診斷的研究。
　　 論文按照多故障的征兆特征表現(xiàn)，建立了故障征兆矢量的空間描述，以空間歐氏距離、相似程度、匹配度等指

4、標(biāo)來作為診斷的依據(jù)，同時討論了歸一化和模糊控制在故障征兆矢量取值中的應(yīng)用。對于“可分離型”多故障，分別討論了基于邏輯運算、相關(guān)系數(shù)、征兆的故障概率的多故障診斷方法，該三種方法均是通過數(shù)學(xué)計算，對征兆進(jìn)行分析，直觀的將待診斷故障與已知故障之間的關(guān)系和差異用數(shù)值表示出來，以此作為多故障診斷的重要依據(jù)和參考.
　　 針對多故障復(fù)合發(fā)生診斷的問題，提出了一種基于征兆鄰搜索優(yōu)化聚類的自組織映射多故障診斷算法，建立了具有三級分析結(jié)構(gòu)的SOM

5、網(wǎng)絡(luò)的多故障診斷模型；給出了一種基于半徑搜索的優(yōu)化算法，以空間最小距離對故障征兆索引集的鄰搜索進(jìn)行了優(yōu)化和改進(jìn)，減小了聚類偏差，使得優(yōu)化后聚類結(jié)果的準(zhǔn)確率得到較大的提升，突出了SOM網(wǎng)絡(luò)自組織映射的能力。仿真及應(yīng)用結(jié)果表明優(yōu)化后提高了多故障診斷的準(zhǔn)確率。
　　 針對離散型征兆的多故障，提出了基于徑向基函數(shù)與自聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)結(jié)合的診斷算法，利用Hopfield網(wǎng)絡(luò)將征兆與神經(jīng)元映射記憶樣本故障，使網(wǎng)絡(luò)狀態(tài)與故障空間對應(yīng)；根據(jù)Ho

6、pfield網(wǎng)絡(luò)的聯(lián)想記憶能力，建立故障征兆組合和故障間的映射關(guān)系并進(jìn)行辨識，通過網(wǎng)絡(luò)的反饋將待診斷故障進(jìn)行聯(lián)想匹配，利用RBF網(wǎng)絡(luò)將匹配后的征兆與故障映射，結(jié)果表明有效的實現(xiàn)多故障診斷。
　　 提出了一種改進(jìn)Hopfield網(wǎng)絡(luò)的異聯(lián)想記憶多故障診斷算法，將故障及其征兆分別對應(yīng)到網(wǎng)絡(luò)輸出和輸入，構(gòu)造聯(lián)想記憶權(quán)值矩陣，并建立網(wǎng)絡(luò)最小偏差的優(yōu)化求解方法，使網(wǎng)絡(luò)輸出趨向能量最小的頂點，實現(xiàn)單一故障或多故障的診斷。算法對于輸入錯誤的狀

7、態(tài)數(shù)據(jù)有一定的容錯性，同時可以方便的對方法進(jìn)行擴(kuò)展運算速度快，仿真及應(yīng)用結(jié)果表明該算法對于多故障診斷具有較高的準(zhǔn)確性。
　　 在實際獲取到的數(shù)據(jù)基礎(chǔ)上，分析了故障診斷和病害診斷的區(qū)別和聯(lián)系。驗證了本文所提出的多種方法的通用性。仿真結(jié)果顯示本文提出的幾種多故障診斷方法能夠模擬人的思維模式，較為有效的識別汽輪發(fā)電機(jī)組故障體系和番茄病害體系中的單一故障(病害)和多故障(病害)，提供診斷策略支持，符合故障診斷的需求。
　　 最后