基于征兆分析的多故障智能诊断方法研究和应用

摘要

随着现代工业及科学技术的迅速发展，机械设备和工业系统日趋大型化、网络化和自动化，功能不断增多，结构愈加复杂，设备系统故障的相互耦合和影响以及多故障特性，对传统的故障诊断技术如何适应复杂设备系统实际安全运行的需要提出了挑战。
　　 由于多故障自身的复杂性和不确定性，一种故障可能由多个原因引起，而一个原因又可能引发多种故障，从而成为一种多对多的复杂映射关系。不同的故障和征兆构成了不同的集合或关联域，使得多故障的诊断成为了一个复杂的问题。在一般以单故障诊断方法应用于多故障的系统中，诊断结果与实际故障存在着较大的差异。因此，需要深入分析征兆和多故障的描述和映射关系，研究多故障及其征兆的智能故障诊断方法。
　　 论文分析了当前多种故障诊断方法，以及在单一故障和多故障诊断中的应用。指出了当前多故障诊断存在的不足、已有方法在多故障诊断中的局限性、以及研究多故障诊断的意义。讨论了故障征兆的描述和多故障的模型描述，根据实际故障体系中故障和征兆多对多的复杂对应关系，研究适用于多故障诊断的故障征兆矢量及其描述，构建了“征兆-故障”映射关系。同时通过不同故障体系中征兆对于多故障的表现，将多故障可由组成其的单一故障的征兆表示的，定义为可分离型多故障；而组成多故障的征兆相互耦合，难以按一般数学方法解耦的成单一故障的，定义为征兆-故障耦合型的多故障，对于这种多故障，本文基于人工神经网络进行了诊断的研究。
　　 论文按照多故障的征兆特征表现，建立了故障征兆矢量的空间描述，以空间欧氏距离、相似程度、匹配度等指标来作为诊断的依据，同时讨论了归一化和模糊控制在故障征兆矢量取值中的应用。对于“可分离型”多故障，分别讨论了基于逻辑运算、相关系数、征兆的故障概率的多故障诊断方法，该三种方法均是通过数学计算，对征兆进行分析，直观的将待诊断故障与已知故障之间的关系和差异用数值表示出来，以此作为多故障诊断的重要依据和参考.
　　 针对多故障复合发生诊断的问题，提出了一种基于征兆邻搜索优化聚类的自组织映射多故障诊断算法，建立了具有三级分析结构的SOM网络的多故障诊断模型；给出了一种基于半径搜索的优化算法，以空间最小距离对故障征兆索引集的邻搜索进行了优化和改进，减小了聚类偏差，使得优化后聚类结果的准确率得到较大的提升，突出了SOM网络自组织映射的能力。仿真及应用结果表明优化后提高了多故障诊断的准确率。
　　 针对离散型征兆的多故障，提出了基于径向基函数与自联想记忆神经网络结合的诊断算法，利用Hopfield网络将征兆与神经元映射记忆样本故障，使网络状态与故障空间对应；根据Hopfield网络的联想记忆能力，建立故障征兆组合和故障间的映射关系并进行辨识，通过网络的反馈将待诊断故障进行联想匹配，利用RBF网络将匹配后的征兆与故障映射，结果表明有效的实现多故障诊断。
　　 提出了一种改进Hopfield网络的异联想记忆多故障诊断算法，将故障及其征兆分别对应到网络输出和输入，构造联想记忆权值矩阵，并建立网络最小偏差的优化求解方法，使网络输出趋向能量最小的顶点，实现单一故障或多故障的诊断。算法对于输入错误的状态数据有一定的容错性，同时可以方便的对方法进行扩展运算速度快，仿真及应用结果表明该算法对于多故障诊断具有较高的准确性。
　　 在实际获取到的数据基础上，分析了故障诊断和病害诊断的区别和联系。验证了本文所提出的多种方法的通用性。仿真结果显示本文提出的几种多故障诊断方法能够模拟人的思维模式，较为有效的识别汽轮发电机组故障体系和番茄病害体系中的单一故障(病害)和多故障(病害)，提供诊断策略支持，符合故障诊断的需求。
　　 最后讨论了本文提出的各个方法的优缺点和适用范围，对全文的研究工作进行了总结，并进一步指出了工作的研究方向。

目录

文摘

英文文摘

1 绪论

1.1 前言

1.2 智能故障诊断的国内外研究现状

1.3 面向多故障的诊断

1.3.1 多故障的定义

1.3.2 问题的提出

1.3.3 研究的内容和意义

1.4 本章小结

2 故障征兆及多故障描述

2.1 一种已有的多故障诊断方法

2.2 故障描述和故障征兆

2.3 单一故障征兆的描述

2.4 故障-征兆体系的空间描述

2.5 多故障征兆的表现及其描述

2.5.1 多故障与单一故障间的关系

2.5.2 多故障与征兆间的关系

2.5.3 多故障诊断分析

2.5.4 多故障的故障空间表示

2.6 故障征兆点的选取

2.7 故障征兆矢量的取值

2.8 多故障及其征兆描述范例

2.9 本章小结

3 征兆数据直接推理的多故障诊断

3.1 基于逻辑运算的多故障诊断

3.2 基于相关系数的多故障诊断

3.2.1 相关度计算分析

3.2.2 诊断实例

3.3 基于征兆的故障概率的多故障诊断

3.3.1 故障征兆对于故障的概率分析

3.3.2 多个故障征兆对于单个故障的概率分析

3.3.3 诊断实例

3.3.4 算法总结

3.4 本章小结

4 基于征兆邻搜索优化聚类的自组织映射的多故障诊断

4.1 引言

4.2 基于SOM神经网络的诊断算法推导

4.3 故障征兆索引的建立

4.4 诊断SOM神经网络的构建

4.5 邻搜索算法优化

4.6 另一种基于SOM神经网络的多故障诊断方法

4.7 诊断实例

4.8 本章小结

5 基于径向基函数和自联想记忆神经网络的多故障诊断

5.1 离散型征兆在故障空间中的表示

5.2 联想记忆的性质

5.3 Hopfield神经网络的自联想记忆特性分析

5.4 故障样本的建立

5.5 自联想记忆诊断模型

5.6 RBF神经网络在故障诊断中的应用

5.7 RBF神经网络特性分析

5.8 基于RBF神经网络的故障诊断模型

5.9 RBF神经网络的参数设置

5.10 基于RBF神经网络和Hopfield神经网络的多故障诊断模型

5.11 诊断实例

5.12 本章小结

6 改进Hopfield网络的异联想记忆多故障诊断

6.1 异联想记忆Hopfield网络用于多故障诊断的思想

6.2 异联想记忆权值矩阵的构造

6.2.1 外积法构造权值矩阵

6.2.2 伪逆法构造权值矩阵

6.2.3 广义逆法构造权值矩阵

6.2.4 双向联想记忆法构造权值矩阵

6.2.5 权值矩阵构造方法的选取

6.3 基于异联想记忆Hopfield神经网络的多故障诊断算法

6.4 实例分析

6.5 本章小结

7 多故障诊断在农作物病害诊断中的应用

7.1 引言

7.2 番茄病害征兆体系

7.3 使用逻辑运算的多病害诊断

7.4 使用相关系数计算相似程度的多病害诊断

7.5 使用征兆的故障概率的多病害诊断

7.6 使用自组织映射神经网络和邻搜索优化的多病害诊断

7.7 使用径向基函数和自联想记忆神经网络的多病害诊断

7.8 使用异联想记忆神经网络的多病害诊断

7.9 本文提出的多故障诊断方法总结

7.10 本章小结

8 结论和展望

8.1 本文所作的主要工作

8.2 本文的创新点

8.3 需要进一步研究的问题

致谢

参考文献

附 录

A.作者在攻读博士学位期间撰写论文的日录

B.作者在攻读博士学位期间参加的科研工作