第六章 故障诊断新技术一 故障诊断专家系统简介二 人工神经元网络故障诊断专家系统简介
6.1.1 专家系统概述
6.1.2 知识表示
6.1.3 知识获取
6.1.4 推理机制
6.1.5 专家系统在故障诊断中应用专家系统概述随着 检测技术，计算技术，数据处理技术以及计算机技术 的发展，人工智能的一个重要贡献就是保存专家们的知识和经验，研制出集任何领域几十位第一流权威专家的专门知识和经验之大成的程序。由于计算机运算的 准确性，
高速性 何止是地完整性，克服了专家们工作中的不足之处,
因此,在一些大型的，重要的设备上安装具有专家功能的仪器和计算机系统，对故障形成的 部位，性质，发展趋势和处理方法作出实时的，准确的判断，并予以现实，报警和实时控制 。这种具有专家功能的仪器和计算机系统称为专家系统。
知识表示知识获取推理机制专家系统在故障诊断中应用专家系统可以用于各个方面，工程和设备的设计，设备的制造过程，设备状态监测于诊断，事物的规划于决策，事物反展趋势的预测等。在设备的故障诊断中应用较为广泛。
在电厂的故障诊断 中，美国西屋公司开发和应用较好。他从开气轮发电机专家系统 GenAID开始。
现在已在佛罗里达洲奥兰多发电设备本部建立了一个自动诊断中心，对各地西屋公司制造的气轮发电机进行远距离自动诊断。诊断对象也从气轮发电机逐步扩大到气轮机锅炉和辅机。
在汽车中,发动机电子控制越来越多，七关键部件借助于汽车内的 计算机和电控模块 (ECM)的嗲呢子控制组件来实施控制。 ECM从氧气传感器，
节气门传感器和冷却温度传感器得到输入信息。为了使汽车排污,燃料经济性和动力性最佳,ECM
根据输入信息,调节化油器和燃油喷射系统,获得最佳混合比。 ECM也以同样的方式 控制点火提前角。
2 人工神经元网络
6.2.1 人工神经元网络概述
6.2.2 ANN的基本原理
6.2.3 ANN在机械故障诊断中的应用人工神经元网络概述人工神经网络 〈 Artificial Neural Network〉
是人工智能 (Artificial Intelligence)的一个重要分支,是在现代神 x经生理学和心理学研究的基础上,模拟人的大脑的神经元结构特性而建立的一种非线性动力学系统 。 进入九十年代,机械故障诊断的重要发展方向是智能化诊断,而人工神经网络的理论和方法则为智能化诊断开辟了一条崭新的途径 。
ANN的基本原理
1,人工神经元模型图 5-43为一个含有几个加权输入和一个非线性输出的典型人工神经元模型,当权系数为正时,称为兴奋型输入,当权系数为负时,称为抑制性输入 。
神经元的特性是由一个内部阈值或偏置（及一种非线性作用函数 f所确定的。 图 5-44为常用的三种非线性作用函数，神经元的输出为
)(
1
i
n
i
i xWfy
式中,y,i —— 神经元输出、神经元输入
Wi,—— 权系数、偏置（阈值）
f(x)—— 非线性作用函数
2,神经网络模型机械故障诊断中常用的人工神经网络模型为前向式 （ 亦称多层感知器或 BP） 网络模型,模型中神经网络由各神经元按一定的拓扑结构相互联结而成,
如图 5-45所示,它通过对连续的或间断的输入作出状态反馈而完成信息的加工处理或故障的诊断与识别,模型中,输入层节点数为 n,隐层节点数为 l、
输出层节点数为 m。
ANN在机械故障诊断中的应用转子不平衡,碰摩,联轴节不对中和油膜振荡是大型旋转机械工作中常见的故障 。 下面的计算过程中用振动信号的频谱分布特征,
时域波形特征,轴心轨迹特性和振动特性等几方面共二十个征兆来描述上述的四种故障,
用图 5-45所示的神经网络模型对仿真数据进行训练和测试,输入层节点 n=20,输出节点 m=4,中间层分别取 5,9,15和 19,训练误差 E=5× 10-4。
图 5-47为训练过程中不同中间层 (隐层 )
节点,网络误差随迭代次数的变化规律,由图中可见误差变化基本一致 。 在实际应用中,
隐节点数的选取与网络处理问题的复杂程度有关 。
6.1.1 专家系统概述
6.1.2 知识表示
6.1.3 知识获取
6.1.4 推理机制
6.1.5 专家系统在故障诊断中应用专家系统概述随着 检测技术，计算技术，数据处理技术以及计算机技术 的发展，人工智能的一个重要贡献就是保存专家们的知识和经验，研制出集任何领域几十位第一流权威专家的专门知识和经验之大成的程序。由于计算机运算的 准确性，
高速性 何止是地完整性，克服了专家们工作中的不足之处,
因此,在一些大型的，重要的设备上安装具有专家功能的仪器和计算机系统，对故障形成的 部位，性质，发展趋势和处理方法作出实时的，准确的判断，并予以现实，报警和实时控制 。这种具有专家功能的仪器和计算机系统称为专家系统。
知识表示知识获取推理机制专家系统在故障诊断中应用专家系统可以用于各个方面，工程和设备的设计，设备的制造过程，设备状态监测于诊断，事物的规划于决策，事物反展趋势的预测等。在设备的故障诊断中应用较为广泛。
在电厂的故障诊断 中，美国西屋公司开发和应用较好。他从开气轮发电机专家系统 GenAID开始。
现在已在佛罗里达洲奥兰多发电设备本部建立了一个自动诊断中心，对各地西屋公司制造的气轮发电机进行远距离自动诊断。诊断对象也从气轮发电机逐步扩大到气轮机锅炉和辅机。
在汽车中,发动机电子控制越来越多，七关键部件借助于汽车内的 计算机和电控模块 (ECM)的嗲呢子控制组件来实施控制。 ECM从氧气传感器，
节气门传感器和冷却温度传感器得到输入信息。为了使汽车排污,燃料经济性和动力性最佳,ECM
根据输入信息,调节化油器和燃油喷射系统,获得最佳混合比。 ECM也以同样的方式 控制点火提前角。
2 人工神经元网络
6.2.1 人工神经元网络概述
6.2.2 ANN的基本原理
6.2.3 ANN在机械故障诊断中的应用人工神经元网络概述人工神经网络 〈 Artificial Neural Network〉
是人工智能 (Artificial Intelligence)的一个重要分支,是在现代神 x经生理学和心理学研究的基础上,模拟人的大脑的神经元结构特性而建立的一种非线性动力学系统 。 进入九十年代,机械故障诊断的重要发展方向是智能化诊断,而人工神经网络的理论和方法则为智能化诊断开辟了一条崭新的途径 。
ANN的基本原理
1,人工神经元模型图 5-43为一个含有几个加权输入和一个非线性输出的典型人工神经元模型,当权系数为正时,称为兴奋型输入,当权系数为负时,称为抑制性输入 。
神经元的特性是由一个内部阈值或偏置（及一种非线性作用函数 f所确定的。 图 5-44为常用的三种非线性作用函数，神经元的输出为
)(
1
i
n
i
i xWfy
式中,y,i —— 神经元输出、神经元输入
Wi,—— 权系数、偏置（阈值）
f(x)—— 非线性作用函数
2,神经网络模型机械故障诊断中常用的人工神经网络模型为前向式 （ 亦称多层感知器或 BP） 网络模型,模型中神经网络由各神经元按一定的拓扑结构相互联结而成,
如图 5-45所示,它通过对连续的或间断的输入作出状态反馈而完成信息的加工处理或故障的诊断与识别,模型中,输入层节点数为 n,隐层节点数为 l、
输出层节点数为 m。
ANN在机械故障诊断中的应用转子不平衡,碰摩,联轴节不对中和油膜振荡是大型旋转机械工作中常见的故障 。 下面的计算过程中用振动信号的频谱分布特征,
时域波形特征,轴心轨迹特性和振动特性等几方面共二十个征兆来描述上述的四种故障,
用图 5-45所示的神经网络模型对仿真数据进行训练和测试,输入层节点 n=20,输出节点 m=4,中间层分别取 5,9,15和 19,训练误差 E=5× 10-4。
图 5-47为训练过程中不同中间层 (隐层 )
节点,网络误差随迭代次数的变化规律,由图中可见误差变化基本一致 。 在实际应用中,
隐节点数的选取与网络处理问题的复杂程度有关 。
