旋轉機械故障診斷報告書-資料下載頁
2025-01-18 22:37本頁面
【正文】 協(xié)作求解。 基于人工神經(jīng)網(wǎng)絡的診斷方法與專家系統(tǒng)相比，基于人工神經(jīng)網(wǎng)絡（artificial neural network簡稱ANN）的故障診斷方法具有魯棒性好、容錯能力強和學習能力強等特點。目前主要有基于BP算法的前向神經(jīng)網(wǎng)絡和基于徑向基函數(shù)的神經(jīng)網(wǎng)絡兩種主要應用于旋轉機械的故障診斷。往往大型旋轉機械是多個故障一起發(fā)生的，對于并發(fā)的故障進行診斷是一個備受關注的問題。提出了用并行遺傳神經(jīng)網(wǎng)絡診斷并發(fā)的故障的新方法，與傳統(tǒng)的BP網(wǎng)絡用于故障診斷的方法相比較，該方法在訓練網(wǎng)絡過程中能夠避免網(wǎng)絡陷入局部極小, 加快網(wǎng)絡訓練的速度, 減少了診斷時間?；贏NN的診斷方法的主要特點是避免了專家系統(tǒng)故障所面臨的知識庫構造等難題，不需要推理機的構造。但其也有存在的問題：①其性能取決于樣本是否完備；②與符號數(shù)據(jù)庫交互的功能較弱；③不擅長處理啟發(fā)性的知識；④不知如何確保ANN訓練時收斂的快速性和避免陷入局部最??；⑤缺乏解釋自身行為和輸出結果的能力。由于需要采取相關措施優(yōu)化ANN系統(tǒng)，其研究的熱點及今后趨勢就顯現(xiàn)出來了，1）ANN與模糊集合論的結合用于故障診斷；2）ANN與遺傳算法、進化算法相集合，用于調整網(wǎng)絡結構和網(wǎng)絡參數(shù)，獲得優(yōu)化的ANN系統(tǒng)；3）分岔和混沌與ANN結合用于研究非線性系統(tǒng)的故障診斷；4）統(tǒng)計數(shù)學和傳統(tǒng)數(shù)學用于ANN；5）小波與分形和ANN的結合應用研究。 結 論 故障診斷技術是隨著現(xiàn)代科學技術的發(fā)展而發(fā)展起來的一個新的領域，是系統(tǒng)安全性、可靠性的重要保障技術，直接關系到社會效益和經(jīng)濟效益。故障診斷的方法多種多樣，各有各的優(yōu)缺點，只有能針對不同的故障類型選擇適合的故障診斷方法，才能及時、快速、準確地排除故障，確保系統(tǒng)的正常運行。近些年來, 由于計算機技術、信號處理、人工智能、模式識別技術的發(fā)展, 促進了故障診斷技術的發(fā)展。同時將幾種診斷方法集成的故障診斷研究也取得很大發(fā)展。故障診斷是實用性很強的技術, 只有在實際應用中才能體現(xiàn)它的價值。目前在理論研究方面雖有不少進展,但在工程實踐中真正成功應用的實例還較少。因此, 如何將先進的故障診斷理論與方法用到第 9 頁
范文總結相關推薦
鄂ICP備17016276號-1