计算智能在机械设备故障诊断中的应用研究

在理论方面，重点研究了计算智能理论与方法在机械设备振动故障诊断中的应用，在实践方面，针对石化企业中的旋转机械开发了具有实用价值的基于Intranet的大型机组在线状态监测与故障诊断系统。 在机械设备状态预测方面，研究了基于神经网络的时间序列预测。 针对生产实践中设备运行的非平稳性，基于动态预测思想，研究了非平稳时间序列的自适应线性单元(Adaline)神经网络预测，讨论了Adaline和自回归(AR)模型之间的关系，提出根据AR模型定阶方法确定Adaline预测模型的输入神经元数目，分析了自适应学习率对预测性能的影响，为机械设备状态预测提供了一种方法。 研究了基于广义回归神经网络(GRNN)的大型旋转机械振动状态预测，提出了应用BIC准则确定GRNN预测模型输入神经元数目的方法，将GRNN用于大型机组振动峰—峰值时间序列的预测，与采用误差反向传播学习算法的三层前馈感知器网络(BPNN)的预测结果对比表明，GRNN的预测性能优于BPNN，而且，即使样本数据稀少，也能获得满意的预测结果。 在故障诊断方面，提出了计算智能理论和方法集成的诊断方案。该方案的基本思想是利用粗糙集理论对数据不完整性和不确定性的分析处理能力实现故障诊断知识发现，即从监测诊断数据或诊断案例中发现关键诊断条件，提取或优化诊断规则，在最优诊断决策系统的基础上，设计神经网络或模糊神经网络，利用其模式识别能力实现故障诊断。该方案通过将计算智能领域中各种理论和方法有机结合，互相取长补短的方式，达到降低诊断成本，提高诊断效率的目的。 对于连续的定量故障诊断数据(监测数据)，以4135柴油机为例，提出了自组织映射(SOM)／模糊c-均值(FCM)—粗糙集—自适应模糊神经网络推理系统(ANFIS)集成的具体故障诊断实施方案：首先，应用SOM或FCM离散故障诊断数据中的连续属性值；然后，基于粗糙集理论应用遗传算法计算诊断决策系统的约简，按照实际需要确定诊断条件；最后，根据系统约简设计ANFIS进行故障诊断。约简前后ANFIS的训练过程表明，基于粗糙集理论的约简处理减少了ANFIS的输入变量数目，避免了“维数灾难”问题。ANFIS与BP神经网络的训练和诊断结果对比显示，ANFIS的训练时间短，诊断精度高。 对于离散的定性故障诊断数据(专家经验或诊断案例)，以大型旋转机械为例，提出了广义粗糙集理论与神经网络集成的具体故障诊断实施方案：首先应用基于相似关系的广义粗糙集理论对旋转机械振动故障诊断的非完备决策系统进行约简，得到更为简明的最优诊断规则；然后根据最优决策系统建立BP神经网络进行故障诊断。约简前后网络的训练过程表明，基于粗糙集理论的约简处理简化了网络结构，提高了训练效率。 在故障诊断的实践方面，根据课题要求，在理论研究的基础上，以Microsoft Visual C++ 6.0为基本开发工具，综合利用数据库、Matlab C／C++数学函数库、多线程和Windows Sockets网络编程等技术开发了基于Intranet的大型机组在线状态监测与故障诊断系统。系统通过企业内部局域网，采用客户机／服务器模式，实现了远程监测诊断，企业管理和检修人员可以方便地了解机组的运行状态，及时地做出相关决策。针对旋转机械的振动特点，系统提供了功能比较完善的信号分析方法，在研究总结大量文献资料的基础上，研制了故障种类比较齐全的自动诊断和人机交互诊断模块，在这些功能的支持下，可以方便地识别一些常见故障。目前该系统在企业中运行稳定，用户反馈意见良好。