基于征兆分析的多故障智能診斷方法研究和應用.pdf

1、隨著現(xiàn)代工業(yè)及科學技術的迅速發(fā)展，機械設備和工業(yè)系統(tǒng)日趨大型化、網(wǎng)絡化和自動化，功能不斷增多，結構愈加復雜，設備系統(tǒng)故障的相互耦合和影響以及多故障特性，對傳統(tǒng)的故障診斷技術如何適應復雜設備系統(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雜映射關系。不同的故障和征兆構成了不同的集合或關聯(lián)域，使得多故障的診斷成為了一個復雜的問

2、題。在一般以單故障診斷方法應用于多故障的系統(tǒng)中，診斷結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用。指出了當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雜對應關系，研究適

3、用于多故障診斷的故障征兆矢量及其描述，構建了“征兆-故障”映射關系。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)絡進行了診斷的研究。
　　 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用。對于“可分離型”多故障，分別討論了基于邏輯運算、相關系數(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)學計算，對征兆進行分析，直觀的將待診斷故障與已知故障之間的關系和差異用數(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構的SOM

5、網(wǎng)絡的多故障診斷模型；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行了優(yōu)化和改進，減小了聚類偏差，使得優(yōu)化后聚類結果的準確率得到較大的提升，突出了SOM網(wǎng)絡自組織映射的能力。仿真及應用結果表明優(yōu)化后提高了多故障診斷的準確率。
　　 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)絡結合的診斷算法，利用Hopfield網(wǎng)絡將征兆與神經(jīng)元映射記憶樣本故障，使網(wǎng)絡狀態(tài)與故障空間對應；根據(jù)Ho

6、pfield網(wǎng)絡的聯(lián)想記憶能力，建立故障征兆組合和故障間的映射關系并進行辨識，通過網(wǎng)絡的反饋將待診斷故障進行聯(lián)想匹配，利用RBF網(wǎng)絡將匹配后的征兆與故障映射，結果表明有效的實現(xiàn)多故障診斷。
　　 提出了一種改進Hopfield網(wǎng)絡的異聯(lián)想記憶多故障診斷算法，將故障及其征兆分別對應到網(wǎng)絡輸出和輸入，構造聯(lián)想記憶權值矩陣，并建立網(wǎng)絡最小偏差的優(yōu)化求解方法，使網(wǎng)絡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行擴展運算速度快，仿真及應用結果表明該算法對于多故障診斷具有較高的準確性。
　　 在實際獲取到的數(shù)據(jù)基礎上，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