基于神经网络的装备故障诊断研究

《基于神经网络的装备故障诊断研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于神经网络的装备故障诊断研究第1章绪论—*、装备故障诊断1、装备故障诊断技术对避免事故的发生和降低维护成木具有重要意义。状态监控与故障诊断，是指借助于一定的有效方式与部件工作状态紧密相关的各种参数实施监测根据监测的数据对各部件工作状态的未来趋势进行判断，即对所发生的故障做出诊断结论或预报即将发生的故障，即时提出维修的具体技术内容,保证装备运转安全、提高维修经济效益的目的。当今故障诊断方法繁多，各种方法都有各自的优点，对某一故障诊断问题，使得诊断方法使用比较混乱，诊断效率降低。如何选取一或两种诊断方法进行高效的故障诊断已是研究的重点。2、故障诊断方法分类故障

2、诊断技术是建立在检测技术、信号处理、识别理论预报决策以及计算机技术等多种学科技术基础上的一门新兴的综合性技术学科。目前故障诊断技术发展至今，大致可分为基于解析模型、基于知识和基于信号处理的方法。下图是各种故障诊断方法分类。较好地阐明了其中的关系。图1故障诊断方法分类2.1基于知识的方法很多控制系统非常复杂，难获得精确的数学模型，同吋由于系统的故障类型很多，与故障征兆也不能简单的一一对应起来，而基于知识的方法不需要定量数学模型，通过分析系统丿力史运行数据，利用故障信息、系统对象的知识和专家知识实现定量和定性知识的有机结合。2.2基于解析模型的方法基于解析模型的

3、非线性系统故障诊断主要可以分为两类：一类方法是线性化技术，将非线性系统在一个或儿个工作点H线性化，用一个线性模型表示系统，建模误差、扰动、噪声当作未知输入，对未知输入设计矩阵解耦的方法来构造残弟进行诊断工作点线性化。另一类方法是直接建立非线性模型，用非线性观测器、滤波器或非线性参数估让的方法来设计诊断算法，这些方法往往都是针对某种特定的非线性系统。2.3基于信号处理的方法基于信号处理的方法不需要对象的准确模型，常用的冇基于小波变换的方法。它是一种时间一尺寸分析的方法，具有多分辨率分析的特点。利用连续小波变换可以检测信号的奇异性，因为噪声的小波变换的模极大值随

4、尺度的增大而迅速衰减，而信号的小波变换在突变点的模随尺度增大而增大，所以可以用连续小波变换区分信号突变点和噪声。离散小波可以用来检测频率结构的突变。人工神经网络的丿力史发展二、人工神经网络2.1人工神经网络的历史发展人工神经网络简称为神经网络(NeuralNetwork),是生物神经网络的一种模拟和近似，它从结构、实现机理和功能上模拟了生物神经网络。从系统观点看，人工神经网络是出人量神经元通过极其复杂和冇秩序的连接而构成的自适应非线性动力系统。其具有许多优点，如：能够大规模并行处理一些复杂的非线性问题；有较强的鲁棒性和容错能力；有较好的自学习、自组织、自适应

5、性；具有很强的信息综合能力，能同时处理定量和定性的信息，能很好的I办调多种输入信息关系，适用丁•处理复杂的和不确定的对象。由于神经网络独特的结构和处理信息的方法，目而在许多实际领域已经得到了广泛地应用，如：口动控制、组合优化、模式识别、图像处理、机器人控制、信号传输等领域中都取得了显著的成效。神经网络的发展历史可以追溯至20世际40年代初。美国神经生物学家麦卡洛克(W.S.Mcculloch)和数理逻辑学家皮茨(W・Pitts)首次提出了神经元的数学模型即M-P模型，迈出了神经网络研究的第一步。这种模型虽然简单，但是它为以后神经网络模型的建立以及理论研究奠定

6、了基础。1949年，心理学家D.0.Hebb根据心理学中条件反射机理提出了Hebb学习规则，它是最早建立的神经元学习规则，也是口前神经网络研究屮的一个极为重要的学习算法。1957年，美国计算机学家罗森布拉特(F・Rosenblatt)提出了著名的感知器(percepron)模型，这是第一个完整的神经网络模型。1959年，美国工程师威徳罗(B.Widrow)和霍夫(M.Hoff)提出了自适应线性元件(Adalinc)网络。它可用于自适应滤波、预测和模式识别。他们还提出了Widrow-Hoff算法，后來这个算法被称为LMS(leastmeansquare)算法，

7、在数学上就是所谓的最速下降法。这种算法在后来的误差反向传播算法及自适应信号处理系统中有着广泛的应用。然而,1969年，人工智能创始人之一明斯基(M・Minsky)和帕伯特(S.Papert)在合著的《感知器》一书中对以单层感知器为代表的简单人工神经网络的功能及其局限性从数学上进行了深入分析，他们指出单层感知器只能进行线性分类，对线性不可分的输入模式，哪怕是简单的“异或(X0R)”问题也是无能为力的。这一结论使得当时许多神经网络研究者感到前途渺茫，从这时起，人们对感知器的兴趣逐渐减弱，神经网络理论的研究进入了低潮。然而更主要的原因是传统的冯•诺依曼(VonNe

8、umann)it算机进入了发展的全盛时期，人丄智能得