大型隔膜泵故障诊断专家系统推理算法的研究

论文摘要

本文是东北大学设备诊断工程中心与东鞍山烧结厂针对大功率隔膜泵状态监测及故障诊断的实际需求,联合研发的一个实际项目。往复式活塞隔膜泵是工业生产领域的重要机械设备之一,其运行状态的好坏直接关系着生产效率。因此,对其运行状态进行在线监测,实现设备的趋势预报与及时维修,避免过剩维修和维修不足是十分必要的。随着计算机技术不断发展,将人工智能的理论和方法应用于故障诊断,发展智能化的故障诊断技术,是设备故障诊断的一条新的途径。智能化的故障诊断专家系统现在已经得到广泛应用,成为设备故障诊断技术的一个主要方向。推进液系统和进出料泵阀作为隔膜泵的重要组成部分,其故障时有发生,给生产带来了很大损失。因此,本文针对隔膜泵推进液系统的故障以及泵阀的卡阀故障展开了研究,给出了诊断结果。这项技术在国内大型隔膜泵研究中还寥寥无几,而且具有一定的经济意义。本文主要研究内容和成果如下：(1)在参考有关文献的基础上,结合隔膜泵故障的领域知识的形式,确定了面向对象的知识表示形式为本专家系统的知识表示形式。以此为基础建立了知识库及其管理系统。(2)根据隔膜泵故障领域知识的特点,确定了以不确定性推理作为本专家系统的推理方式。此外,在参考有关文献的基础上,建立了隔膜泵推进液系统的故障树,并利用可转移信度模型对不确定性参数进行计算。这是本论文的创新点。(3)讨论了人工神经网络的五种训练函数,并考虑本专家系统的可移植性和可行性等问题,针对不同训练函数采用不同的接口技术。根据领域知识具有不确定性的特点,结合模糊数学知识,对人工神经网络的输出结果提出了模糊评判的方法。(4)综合考虑隔膜泵故障的领域知识的形式,提出了推理机的工作流程。此外,提出了具有可扩充性的专家系统的整体构成形式,对具体接口形式进行了讨论。(5)结合隔膜泵泵阀诊断的领域知识,给出了隔膜泵泵阀诊断实例。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题的来源和意义
• 1.2 设备故障诊断的三类方法
• 1.3 隔膜泵概述
• 1.3.1 隔膜泵的工作原理
• 1.3.2 泵阀的工作原理与诊断的意义
• 1.3.3 推进液系统的工作原理与诊断的意义
• 1.4 专家系统
• 1.4.1 人工智能概述
• 1.4.2 专家系统概述
• 1.4.3 传统专家系统的基本构成
• 1.4.4 神经网络与传统专家系统的互补性
• 1.5 隔膜泵故障诊断的研究现状
• 1.6 本文的主要研究工作
• 第2章 知识的表示与组织
• 2.1 专家系统中的知识表示
• 2.1.1 专家系统中知识表示
• 2.1.2 知识的定义与知识的层次结构
• 2.1.3 知识的分类
• 2.1.4 知识表示的定义
• 2.2 专家系统中不同知识表示形式的比较
• 2.2.1 知识的产生式规则的形式及优缺点
• 2.2.2 知识的框架表式的形式及优缺点
• 2.2.3 面向对象的知识表示
• 2.2.4 本节小结
• 2.3 基于面向对象知识表示的知识库与其管理系统的实现
• 2.3.1 SQL语言
• 2.3.2 SQL的特点
• 2.3.3 关系型数据库Access
• 2.3.4 知识库及管理系统的实现
• 2.4 本章小结
• 第3章 不确定性推理与知识获取
• 3.1 不确定性推理与分类
• 3.2 不确定性推理的三种方法概述
• 3.3 知识获取
• 3.3.1 知识的获取方法
• 3.3.2 本节小结
• 3.4 可转移信度模型
• 3.5 基于可转移信度模型的隔膜泵故障树分析
• 3.5.1 故障树分析
• 3.5.2 隔膜泵故障树建立
• 3.5.3 基于可转移信度模型的不确定参数计算
• 3.5.4 基本信度分配的获取算法
• 3.6 计算实例
• 3.7 本章小结
• 第4章 人工神经网络技术与模糊评判
• 4.1 人工神经网络概述
• 4.2 神经网络应用于专家系统的必要性与不足
• 4.3 BP神经网络概述与不同训练函数下的网络性能比较
• 4.3.1 加入动量项
• 4.3.2 共轭梯度法
• 4.3.3 拟牛顿算法
• 4.3.4 Levenberg-Marquart算法
• 4.4 网络输出的模糊评判
• 4.4.1 模糊模式识别
• 4.4.2 模糊度
• 4.4.3 闵可夫斯基距离
• 4.4.4 算例
• 4.5 本章小结
• 第5章 本专家系统的总体构成研究
• 5.1 推理机
• 5.2 隔膜泵故障诊断专家系统的整体结构与接口技术
• 5.2.1 隔膜泵故障诊断专家系统的整体结构
• 5.2.2 接口技术
• 5.2.3 MATLAB7.0与VB混合编程的方法
• 5.3 本章小结
• 第6章 诊断实例
• 6.1 隔膜泵进出料泵阀的故障诊断
• 6.1.1 泵阀的破坏机理概述
• 6.1.2 振动信号时域统计分析
• 6.1.3 数据预处理
• 6.1.4 振动信号的小波包提取
• 6.1.5 泵阀振动信号的小波包提取
• 6.1.6 人工神经网络训练、仿真与实际信号诊断
• 6.2 本章小结
• 第7章 结论与展望
• 7.1 结论
• 7.2 展望
• 参考文献
• 致谢