基于自组织神经网络的远程故障诊断技术研究

论文摘要

远程故障诊断技术在机器设备运行管理与故障维修支持中起着重要作用。它能即时发现机器设备故障并进行有效的处理,提高机器设备的工作效率;能降低维修成本,避免“过度维修”造成的不经济、不合理现象。随着机器设备日趋大型化、复杂化、自动化、智能化及机电一体化,诊断技术正向智能化方向发展。以神经网络为代表的计算智能技术为远程智能故障诊断提供了一条有效途径。本文以提高故障模式识别正确率为目的,以故障诊断中数据的处理过程为主线,基于SOM神经网络的并行性、容错性和自组织学习能力,使用了信息集成技术,对远程故障诊断技术进行了研究。主要内容如下:1.基于故障诊断数据预处理的多层SOM远程故障诊断。对故障信息数据使用平均值方法进行降噪处理;对比分析了PCA、ICA进行故障数据降维处理的效果并结合其优点进行数据降维处理;使用多层SOM使模式聚类区域收敛以提高故障模式识别率。2.基于SOM特征映射图的同步区域生长故障模式识别。使用SOM神经网络对输入数据进行聚类分析,在SOM特征图上生成种子区域,同步生长各种子区域完成模式聚类区域的划分并进行故障模式识别。3.SOM特征映射图上向量场故障模式识别方法。使用SOM神经网络对输入数据进行聚类分析,在SOM特征图中生成种子区域,以种子区域为引力源构造SOM特征图上的引力场,根据特征图中的点沿引力运动的收敛情况进行故障模式识别。4.层次分析法故障诊断信息融合。根据信息融合基本原理,计算输入故障模式到典型故障模式的多种度量并进行两两成对比较,使用层次分析法集成不同的神经网络故障诊断子系统的识别结果,提高故障模式正确识别率。在以上研究中,使用matlab工具对某型飞机起落架故障进行故障诊断仿真,取得了较好的效果。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究的目的与意义
• 1.2 研究的背景与现状
• 1.2.1 故障诊断技术的发展
• 1.2.2 故障诊断技术分类
• 1.2.3 基于人工神经网络的智能诊断方法
• 1.3 本文的主要研究内容
• 第二章 神经网络理论基础
• 2.1 人工神经网络发展史
• 2.2 神经元的结构
• 2.2.1 神经元的生物学解剖
• 2.2.2 神经元的信息处理与传递
• 2.2.3 神经元的数学模型
• 2.3 神经网络结构及功能
• 2.3.1 神经网络模型结构
• 2.3.2 神经网络数据计算处理过程
• 2.3.3 神经网络的学习算法
• 2.4 本文使用的人工神经网络
• 2.4.1 SOM自组织人工神经网络
• 2.4.2 LVQ人工神经网络简介
• 2.4.3 RBF人工神经网络简介
• 2.4.4 概率神经网络（PNN）
• 第三章 基于数据预处理、多层SOM的远程故障诊断方法
• 3.1 远程故障诊断
• 3.2 数据预处理
• 3.3 平均值数据降噪方法
• 3.4 PCA数据降维方法
• 3.4.1 主成分分析（PCA）
• 3.4.2 主成分分析的特点
• 3.4.3 主成份分析计算方法
• 3.5 ICA数据降维方法
• 3.5.1 ICA及其模型
• 3.5.2 ICA中数据的预处理
• 3.5.3 FastICA计算
• 3.6 ICA与PCA的比较
• 3.7 集成PCA、ICA数据预处理的多层SOM远程故障诊断
• 3.8 仿真实验
• 3.9 结语
• 第四章 基于SOM特征映射图同步区域生长的故障诊断方法
• 4.1 引言
• 4.2 区域生长法
• 4.2.1 区域生长基本原理
• 4.2.2 区域生长准则
• 4.3 同步区域生长（RSE）的区域划分方法
• 4.4 基于SOM特征映射图的同步区域生长远程故障诊断方法
• 4.5 试验
• 4.6 结语
• 第五章 基于SOM特征映射图的动态向量场远程故障诊断方法
• 5.1 向量场理论
• 5.2 向量场区域划分方法
• 5.3 基于SOM神经网络、动态引力场的远程故障诊断
• 5.4 试验
• 5.5 结语
• 第六章 基于层次分析法的神经网络故障诊断集成技术
• 6.1 信息集成
• 6.2 层次分析法基本原理
• 6.2.1 成对比较判断矩阵和正互反矩阵
• 6.2.2 一致性检验
• 6.3 层次分析集成系统模型
• 6.3.1 层次分析集成系统结构
• 6.3.2 层次分析模型
• 6.3.3 集成系统计算过程
• 6.4 实验
• 6.5 结语
• 第七章 总结与展望
• 7.1 总结
• 7.2 下一步工作
• 致谢
• 参考文献
• 攻硕期间取得的研究成果