基于自組織神經(jīng)網(wǎng)絡(luò)的遠(yuǎn)程故障診斷技術(shù)研究.pdf

1、遠(yuǎn)程故障診斷技術(shù)在機(jī)器設(shè)備運(yùn)行管理與故障維修支持中起著重要作用。它能即時(shí)發(fā)現(xiàn)機(jī)器設(shè)備故障并進(jìn)行有效的處理,提高機(jī)器設(shè)備的工作效率;能降低維修成本,避免“過度維修”造成的不經(jīng)濟(jì)、不合理現(xiàn)象。隨著機(jī)器設(shè)備日趨大型化、復(fù)雜化、自動(dòng)化、智能化及機(jī)電一體化,診斷技術(shù)正向智能化方向發(fā)展。以神經(jīng)網(wǎng)絡(luò)為代表的計(jì)算智能技術(shù)為遠(yuǎn)程智能故障診斷提供了一條有效途徑。本文以提高故障模式識(shí)別正確率為目的,以故障診斷中數(shù)據(jù)的處理過程為主線,基于SOM神經(jīng)網(wǎng)絡(luò)的并行性

2、、容錯(cuò)性和自組織學(xué)習(xí)能力,使用了信息集成技術(shù),對(duì)遠(yuǎn)程故障診斷技術(shù)進(jìn)行了研究。主要內(nèi)容如下:1.基于故障診斷數(shù)據(jù)預(yù)處理的多層SOM遠(yuǎn)程故障診斷。對(duì)故障信息數(shù)據(jù)使用平均值方法進(jìn)行降噪處理;對(duì)比分析了PCA、ICA進(jìn)行故障數(shù)據(jù)降維處理的效果并結(jié)合其優(yōu)點(diǎn)進(jìn)行數(shù)據(jù)降維處理;使用多層SOM使模式聚類區(qū)域收斂以提高故障模式識(shí)別率。2.基于SOM特征映射圖的同步區(qū)域生長故障模式識(shí)別。使用SOM神經(jīng)網(wǎng)絡(luò)對(duì)輸入數(shù)據(jù)進(jìn)行聚類分析,在SOM特征圖上生成種子區(qū)域

3、,同步生長各種子區(qū)域完成模式聚類區(qū)域的劃分并進(jìn)行故障模式識(shí)別。3.SOM特征映射圖上向量場(chǎng)故障模式識(shí)別方法。使用SOM神經(jīng)網(wǎng)絡(luò)對(duì)輸入數(shù)據(jù)進(jìn)行聚類分析,在SOM特征圖中生成種子區(qū)域,以種子區(qū)域?yàn)橐υ礃?gòu)造SOM特征圖上的引力場(chǎng),根據(jù)特征圖中的點(diǎn)沿引力運(yùn)動(dòng)的收斂情況進(jìn)行故障模式識(shí)別。4.層次分析法故障診斷信息融合。根據(jù)信息融合基本原理,計(jì)算輸入故障模式到典型故障模式的多種度量并進(jìn)行兩兩成對(duì)比較,使用層次分析法集成不同的神經(jīng)網(wǎng)絡(luò)故障診斷子系統(tǒng)