专家系统在制袋机故障诊断中的应用

分析了制袋机故障诊断的技术现状,阐述了专家系统在制袋机故障诊断中的应用前景,并提出了一个用于制袋机故障诊断的专家系统,介绍了该专家系统的结构及知识库的构建方法,提供了制袋机智能故障诊断的有效技术途径。     

基于模糊决策树的神经网络及其在故障诊断中的应用

本文提出一种基于模糊决策树的神经网络拓扑结构的选取以及权系数，阈值的初始化方法。经理论分析该方法适用于处理不确定，噪声干扰，界限模糊的数据，经计算机仿真实验和论断实例分析，证明该方法能有效地提高神经网络训练收敛速度和分类精度。     

故障诊断专家系统的开发及其在压缩机故障诊断中的应用

从专家系统推理与控制、总体结构及系统的特点等四个方面 ,介绍了基于矩阵判别筛选法的机械故障诊断专家系统的主要内容。列举了应用该专家系统对 DH型离心压缩机进行旋转失速故障诊断的实例 ,并提出了解决措施     

故障诊断技术在设备维修中的应用

设备故障诊断技术,借助仪器测取设备的状态信号或参数,并进行分析处理,提取特征信息,与诊断标准进行比较。可对存在异常的设备比较准确地诊断出故障原因、部位和程度,采取恰当的维修决策。这种以设备故障诊断技术为基础的维修方式称状态维修,可节约设备维修成本25～50％,减少事故75％,节约维修工时30％。     

故障诊断在高温风机中的应用

通过故障诊断检测三胺装置高温风机的故障部位，有目的地进行设备维修，减少检修的盲目性，提高设备检修的科学性。     

参数设置在数控机床故障诊断中的应用

该文结合实践中的具体实例，对参数设置在数控机床故障维修中的重要性及其应用进行了介绍。     

数据库及其相关技术在故障诊断专家系统中的应用

结合开发智能故障诊断系统的经验,讨论了数据库及其相关技术在知识获取和推理机设计方面的应用,以及简单介绍了软件实现方面的问题。     

粗网络专家系统在往复式空压机故障诊断中的应用

基于智能互补融合观点，针对往复式空压机故障信息系统的不准确性和不完整性，设计了用于空压机故障分类的粗网络专家系统，对空压机系统故障做出准确的诊断。通过对某型空压机振动故障实际故障诊断，证明了该系统的有效性，为往复式空压机故障诊断提供了一条新思路。     

专家系统在采煤机液压系统故障诊断中的应用探讨

对采煤机液压系统产生故障的原因和诊断中存在的问题进行了总结分析;根据人工智能专家系统的原理,论述了专家系统用于故障诊断的意义,为液压系统故障诊断提供了一种科学有效的方法.     

故障诊断技术在矿车发动机维修中的应用

现代电控柴油发动机是矿用卡车的核心部件。发动机的完好情况直接关系矿车的出勤率。论文介绍了发动机故障诊断技术原理,并以个人便携式电脑为核心的故障诊断技术为例,分析了故障诊断技术在矿用发动机维修领域中的应用。     

基于特征参数的旋转机械智能故障诊断方法

为了对轴心轨迹进行特征提取和自动识别,使用了分形维数中的盒维数、信息维数、关联维数3个参量来描述轴心轨迹的分形特征;还引入紧密度和丰度两个量,从几何方面对轴心轨迹进行分析;最后,采用神经网络技术对3种状态下的轴心轨迹进行分类识别。试验结果表明,通过对轴心轨迹的分形特征和几何特征联合对转子的运行状态进行评定,有良好的区分度。     

基于振动谱图像识别的智能故障诊断

以滚动轴承为对象,提出了基于Hilbert包络分析和双谱分析的组合方法来提取振动信号的故障频率特征,进而生成双谱灰度图,利用双谱灰度图的灰度共生矩阵及其特征统计量来表征谱图特征.对该特征统计量进行主成分分析而得到的主分量,作为故障模式识别的输入向量.将用于故障模式分类的人工免疫网络分类算法,通过人工免疫网络对训练抗原进行学习形成记忆抗体网络,并计算检验抗原与记忆抗体的亲和力,按照正面选择的原理实现分类.在故障特征信号干扰严重的情况下,取得了较好的诊断准确率,验证了基于振动谱图识别的智能故障诊断方法的可行性.     

基于CBR的数控机床故障诊断学习系统

将CBR引入到数控机床故障诊断学习系统中,提出了基于CBR的数控机床故障诊断学习系统的架构,研究了实现该系统的若干关键技术.该系统能有效缩短故障诊断时间,提高检修质量,对学校企业提高数控机床故障诊断与维修培训水平有着较好的推动作用,拓展了CBR的应用领域.     

基于ICPSO优化的极限学习机在故障诊断中的应用

极限学习机(extreme learning machine,ELM)的分类性能受随机产生的输入权值和隐层阈值的影响,为此,提出一种改进的混沌粒子群算法(ICPSO),用以优化输入权值和阈值,得到基于ICPSO优化的ELM故障诊断模型。仿真和实验结果表明,ICPSO算法改善了ELM网络的学习效率和诊断精度,可有效应用于故障诊断。     

优化支持向量机及其在智能故障诊断中的应用

单一支持向量机在轴承齿轮故障诊断中精度较低,为了提高支持向量机在轴承齿轮故障诊断中的精度,对支持向量机的样本特征提取方法以及支持向量机参数优化的方法进行了研究。首先,通过核主成分分析方法构造支持向量机的输入样本,可以减少数据间的冗余,提取数据的高维信息;其次,通过粒子群优化算法优化支持向量机核函数参数和惩罚因子;最后,使用优化后的支持向量机模型进行故障诊断。通过实际轴承齿轮故障诊断对比实验,结果表明,所提方法相比一般的支持向量机诊断方法诊断精度大幅提高,验证了该混合智能诊断方法的有效性和优势。     

多尺度高阶奇异谱熵和GA-VPMCD方法在转子故障智能诊断中的应用

首先,针对转子故障振动信号的非高斯、非线性特征,提出了多尺度高阶奇异谱熵的概念,并将其用于转子故障特征提取;然后,针对新的小样本多分类识别方法——基于变量预测模型分类识别的模型选择问题,结合融合诊断思想和遗传算法,提出了GA-VPMCD分类识别方法。最后提出了基于多尺度高阶奇异谱熵和GA-VPMCD的转子故障诊断方法。试验结果验证了该方法的有效性和优越性。     

Intelligent Fault Diagnosis of Rotary Machinery Based on Unsupervised Multiscale Representation Learning

The performance of traditional vibration based fault diagnosis methods greatly depends on those handcrafted features extracted using signal processing algorithms, which require significant amounts of domain knowledge and human labor, and do not generalize well to new diagnosis domains. Recently, unsupervised representation learning provides an alternative promising solution to feature extraction in traditional fault diagnosis due to its superior learning ability from unlabeled data. Given that vibration signals usually contain multiple temporal structures, this paper proposes a multiscale representation learning (MSRL) framework to learn useful features directly from raw vibration signals, with the aim to capture rich and complementary fault pattern information at different scales. In our proposed approach, a coarse-grained procedure is first employed to obtain multiple scale signals from an original vibration signal. Then, sparse filtering, a newly developed unsupervised learning algorithm, is applied to automatically learn useful features from each scale signal, respectively, and then the learned features at each scale to be concatenated one by one to obtain multiscale representations. Finally, the multiscale representations are fed into a supervised classifier to achieve diagnosis results. Our proposed approach is evaluated using two different case studies: motor bearing and wind turbine gearbox fault diagnosis. Experimental results show that the proposed MSRL approach can take full advantages of the availability of unlabeled data to learn discriminative features and achieved better performance with higher accuracy and stability compared to the traditional approaches.     

采用多层核学习机的柴油机气门机构故障诊断

针对柴油机缸盖振动信号的非平稳性以及多种气门故障的线性不可分问题,提出了一种组合核主元分析和支持向量机的多层核学习机方法。该方法使用核主元分析技术从原始特征中提取非线性主元,将其输入到由"一对多"算法构建的支持向量机多分类器中,实现了多种气门故障的定量诊断。试验结果表明,在小样本条件下,该方法能准确识别气门机构的6种状态,且识别精度及测试速度均优于单独使用多类支持向量机方法。     

数控机床主轴的多传感器迁移学习故障诊断

针对数控机床主轴故障诊断中标记样本量小的问题,提出了一种基于多传感器的迁移学习的故障诊断方法.首先,采集安装在数控机床主轴上的多个三轴加速度传感器采集的原始振动信号,并将信号转换成图像的变换方法得到输入.其次,比较了TrAdaBoost迁移算法和基于CNN网络迁移模型算法.最后,针对CNN网络迁移模型,用目标类替换输出层,并用最优网络提取较低层次的特征,对更高层次的神经网络进行微调.实验结果表明,该方法能够正确识别机床主轴状态,具有很好的故障检测能力.     

云边端协同的机床刀具故障智能诊断系统研究

为提高机床刀具磨损故障诊断精度,借助三轴加速度传感器采集机床刀具磨损振动数据,并以此为基础,提出一种基于长短时记忆网络与多尺度卷积神经网络集成的机床刀具故障诊断算法,挖掘机床刀具在不同故障模式下的空时域多尺度特征,实现机床刀具磨损状态的精准识别。同时,为满足实际产线对故障诊断的高实时性要求,设计一种适用于机床刀具故障诊断的云边端协同架构,通过底层产线、边缘节点与工业云平台的高效协同,实现机床刀具故障的及时预警。研究结果表明,所提云边端协同的机床刀具故障智能诊断系统可实现机床刀具磨损状态的精准识别,同时可缩短故障诊断任务的完成时间。