基于概率神经网络的液氨汽车罐车复合故障诊断
基于神经网络的工业设备故障诊断方法研究
基于神经网络的工业设备故障诊断方法研究随着工业化的不断深入，越来越多的工业设备被广泛应用于各行各业中。
然而，随着设备的使用时间的增加，故障的发生也不可避免。
为了保证设备的正常运行，提高工业生产效率和安全性，基于神经网络的工业设备故障诊断方法成为了研究的热点。
一、神经网络在工业设备故障诊断中的应用在工业设备故障诊断中，神经网络具有很大的应用价值。
因为神经网络具有自适应性、非线性、模糊性、并行性等特点，这些特点可以帮助神经网络通过学习和训练从而得出准确的诊断结果。
在工业设备故障诊断中，神经网络通常被用作分类器，将工业设备故障分为各种不同的类型，从而提供必要的修复方案。
二、神经网络模型的构建构建一个可靠的神经网络模型是关键因素之一，这需要合适的数据集和神经网络算法。
在选择数据集时，应确保包含足够的数据，而且数据集应该包括各种不同类型的故障。
为了训练神经网络，可以采用适当的算法，如BP神经网络、RBF神经网络、SVM神经网络等，以获得更好的诊断结果。
三、具体的工业设备故障诊断案例工业设备故障诊断应用非常广泛，并且在许多行业中都应用到了。
下面，我们以电力行业为例，介绍其中一个具体的案例。
某电力厂的双机组汽轮发电机组，工作5年后出现了频繁的故障，导致发电机的正常运行一度受到了影响。
由于故障原因不明，经过多方的调查和检测，仍未找到明显的原因。
为了解决这个问题，研究人员使用神经网络方法进行了故障诊断。
首先，收集了大量的运行数据和历史故障数据，并对数据进行预处理，包括数据过滤、数据去重、数据归一化等处理。
然后，使用BP神经网络对数据进行训练，得出了准确的故障诊断结果。
经过多次实验和验证，研究人员终于找到了故障的根本原因，进而采取相应的措施，维护了发电机的正常运行。
四、神经网络方法在工业设备故障诊断中的优势与传统的故障诊断方法相比，神经网络方法具有以下优势：1. 自适应性：神经网络具有自适应学习的能力，能够快速适应不同的工业设备类型和故障类型，提供更准确的诊断结果。
基于概率神经网络的汽车防抱死控制系统故障诊断方法研究
Internal Combustion Engine &Parts0引言随着汽车的快速普及，汽车行驶的安全性能也成为重要的评价指标之一。
汽车防抱死控制系统作为主动安全装置能够有效的控制车辆在制动时的运动状态，提高汽车的安全性能。
防抱死控制系统已成为现代车辆不可缺少的安全装置，因此对其故障诊断方法的研究也越来越重要。
汽车防抱死控制系统其技术状况和工作能力可由下述两方面进行表征：ABS 传感器的工作状况、ABS 对于制动力握力损失与恢复的调节。
所以，对于ABS 故障的诊断实际上是对其调节器和传感器的状况评判[2]。
文献[8][9]指出新型PNN 神经网络可以对发动机系统进行故障诊断且具有速度快和准确率高等优点。
本文依据汽车制动时6个速度的参数作为PNN 神经网络的输入，并将ABS 系统中传感器和调节器的故障点作为输出，设计出一种基于概率神经网络的ABS 故障诊断方法。
1防抱死控制系统简介1.1防抱死控制系统的工作原理汽车电控防抱死控制系统（Anti-Lock Brake System ，ABS ）是现在汽车必备的主动安全装置，当汽车出现过度制动车轮有抱死倾向时，ABS 将控制制动压力调节器，提高制动时汽车的稳定性，确保制动距离保证行驶时的安全性。
防抱死制动系统主要由轮速传感器、加速度传感器、电子控制单元、制动压力调节器组成。
每个车轮上的轮速传感器检测其速度并将速度的大小传递给ECU 。
在一般的制动情况下，制动力较小，车轮不会出现抱死的情况，ABS 也不会工作。
但是当车轮出现紧急制动，车轮趋于抱死时，ECU 发出指令，制动压力调节器实施增压、保压和减压相应工作，确保滑移率在最佳的范围内，确保汽车的行车安全。
1.2防抱死控制系统故障诊断通过对ABS 系统的功用及工作原理的分析，可以看出ABS 的工作时间，如何控制车轮的制动力是其技术状况和工作性能的评判标准。
所以对于ABS 故障的诊断就是对轮速传感器以及执行器制动压力调节器的故障诊断。
一种基于神经网络的汽车故障诊断方法
喷 油 器 高压 油 管 振 动 减 弱 ，波 形 幅 开 启 压 力 降 低 ， 大 油 压 也 最
弹簧折断 值明显减小 ， 变化平缓。
２信 号 特 征 提取 ．
降低 。
如 表 １所示
ｎｔｎｗ （１ ｍ ｘｐ，１， ｔ ｓ ＇ｏｓ ’ａｎｄ ’ ｅ ｅ ｆ 『ｉ ａ （） ３４ ａ ｉ ， ｇｉ ） ｒｉｇｘ； ＝ ｌｎ ［ ｎ ｇ＇ ｇ ， ｌ ｔ ） ％定 义神 经 网
络
表 １故 障名称及其对应的特征
振 动 波 形 油 压 波 形
针 阀磨损 高压油管压力减弱 ，波形振 最大油压降低 ， 喷射 时间缩 动减 弱， 幅值减小 。 短。
喷 油 嘴 高 压 油 管 压 力 升 高 ，波 形 幅 总 喷 射 面 积 减 小 ， 大 油 压 最 积碳 值 明 显增 大 ， 形 振 动 频 繁 。 上 升 ， 射 时 间 延 长 。 波 喷
ｎｔｒｉＰ ｒｍ． ｏｈ＝ ５ ０％最 大训练次数 ｅｔ ｎ ａａ ｅ ｃ ｓ １０ ； ．ａ ｐ ｎｔｒｉＰ ｒｍ． ａ＝ ．１ ）练要求精度 ｅｔ ｎ ａａ ｇ ｌ００ ； ｌ ．ａ ｏ ％ｉｌ ｎｔｒｉＰ ｒｍ．＝ ．１％学 习率 ｅｔ ｎ ａａ １ ００ ； ．ａ ｒ ｎ ｔ ｒ ｉ Ｐａ ａ １ ｉ ＝ ． ； ｅ． ａｎ ｒ ｍ． ｎ １ ５ ｔ ｒ ｅ ０ ％学习率 ｌ增长 比 ｒ ｎｔｒｉＰ ｒｍ． ｅ＝ ．； ｅｔ ｎ ａａ １ ｄ ｃ０７％学习率 ｌ下降 比 ．ａ ｒ ｒ ｎｔｒｉＰ ｒｍ．ｅ ０９％动 量 因子 ｅｔ ｎ ａａ ｍ ＝ ．： ．ａ ｎｔｔ ｉ（ｅ，ｔ％对 网格进行训练 ｅ ｒ ｎｎｔ ，； ＝ａ Ｐ） 可调用 ｓ （ｅ，１命令查看对样本 ｐ ｉ ｎｔ ） ａ ｒ ｐ １的诊断决策情况。 可调用 ｇ ｓ （ ｔ １ ｅｉｎ，） ｎ ｍ ｅ 一 命令查看网格结构。 源程序设 置训 练次数为 ｌＯ ＯＯ次 ， 但网格在不到 ２ ０次的时候就收 ５ 敛， 达到设 定的精度要求 。整个训练过程的误差变化如图 ２ 所示 。
《基于CNN-SVM的TE化工过程故障诊断研究》
《基于CNN-SVM的TE化工过程故障诊断研究》一、引言在TE（Tennessee Eastman）化工过程中，故障诊断是确保生产过程稳定、高效运行的关键环节。
随着大数据和人工智能技术的快速发展，基于机器学习的故障诊断方法在TE化工过程中得到了广泛应用。
本文提出了一种基于CNN（卷积神经网络）和SVM（支持向量机）的混合模型，用于TE化工过程的故障诊断研究。
二、相关工作近年来，深度学习和机器学习在故障诊断领域取得了显著成果。
CNN因其强大的特征提取能力，在图像处理和模式识别方面具有优异表现。
SVM则以其优秀的分类性能，在各类故障诊断问题中得到了广泛应用。
然而，单一模型的性能往往受限于数据集的复杂性和多样性。
因此，结合CNN和SVM的混合模型成为了一个值得研究的方向。
三、方法本文提出的基于CNN-SVM的TE化工过程故障诊断模型，主要包括以下步骤：1. 数据预处理：对TE化工过程的数据进行清洗、标准化和归一化处理，以适应模型输入。
2. CNN特征提取：利用CNN模型从原始数据中提取有用的特征信息。
3. 特征降维：对提取的特征进行降维处理，以减少模型的复杂性和计算量。
4. SVM分类器：将降维后的特征输入SVM分类器，进行故障类型的分类和诊断。
四、实验与分析1. 数据集与实验环境本文使用TE化工过程的标准数据集进行实验。
实验环境包括高性能计算机、深度学习框架（如TensorFlow）和机器学习库（如Scikit-learn）。
2. 模型训练与调参通过交叉验证和网格搜索等方法，对CNN和SVM的参数进行优化。
在训练过程中，采用早停法和动量优化器等技术，以防止过拟合并加速模型收敛。
3. 实验结果与分析本文对比了基于CNN、SVM以及本文提出的CNN-SVM混合模型的故障诊断性能。
实验结果表明，基于CNN-SVM的模型在故障诊断准确率、召回率和F1分数等指标上均取得了显著提升。
此外，本文还对不同故障类型进行了详细分析，探讨了模型在不同故障类型上的诊断性能。
基于神经网络和支持向量机的复合故障诊断技术
对于非线性问题, 可以通过非线性变换将其
转化为某个高维空间中的线性问题, 在变换空间
中求得最优分类面。在上面的问题中, 只涉及了 训练样本之间的内积运算。这样, 在高维空间实
际上只需进行内积运算, 而这种内积运算是可以
用原空间中的核函数实现的。根据泛函的有关理
论, 只要 有一种核 函数 K ( x i, yj )满足 M ercer条 件, 它就对应着某一变换空间中的内积。因此, 在
束条件:
y i (wx i + b ) - 1∀ 0 i= 1, !, n
( 1)
下求函数:
(w ) = 1 #w # 2 = 1 (w ∃ w )
( 2)
2
2
的最小值的优化问题。
把这个问题转化为如下的对偶问题: 即在约
束条件:
n
i=
y
1
iai
=
0
ai ∀ 0
i= 1, !, n ( 3)
下对 ai 求下列函数的最大值:
ZHAO H a i yang, W ANG Jin dong, L IU Shu lin, CH EN Gu i juan ( D aqing Petro leum Institute, Daq ing 163318, Ch ina)
Abstrac t: A ccording to diffe rent advantages o fA rtific ia l N eura lN e tw ork and Suppo rt V ector M ach ine, a compound fau lt d iag nosis techn ique based on A rtific ia l N eura lN e tw ork and Suppo rt V ector M ach ine is introduced for different stages of application. T h is techn ique can not only am algam ate new fau lt in fo rm ation, but also keep the fault diagnosism ode l on the optim ized identifica tion sta te. T ake the fau lt diagnosis o f rec iproca ting com pressor cy linde r system as an ex am ple, effectiveness o f the techn ique is va lidated. K ey word s: a rtific ia l neura l netw ork; support vecto r m ach ine; fau lt diagnosis; reciprocating com pressor
基于神经网络的汽车发动机故障诊断研究
第19卷第1期2011年3月山东交通学院学报JOURNAL OF SHANDONG JIAOTONG UNIVERSITY Vol．19No．1Mar．2011收稿日期:2011－01－07作者简介:郭荣春(1977—)，女，山东临沂人，山东交通学院讲师，工学硕士，主要研究方向为汽车构造与故障诊断．DOI :10．3969/j．issn．1672－0032．2011．01．004基于神经网络的汽车发动机故障诊断研究郭荣春，高树文(山东交通学院汽车工程系，山东济南250023)摘要:将BP 神经网络应用于汽车发动机故障诊断。
利用实际测试的怠速不稳故障样本训练网络并进行测试。
结果证明，BP 神经网络应用于汽车发动机故障诊断，效果良好，具有较高的诊断效率和准确度。
关键词:BP 神经网络;发动机;怠速不稳;故障诊断中图分类号:U472．9文献标志码:A文章编号:1672－0032(2011)01－0014－04汽车发动机运行状况十分复杂，其故障呈现多部位、多现象、非线性等特点，因此故障诊断较为困难。
目前人们还未能准确了解故障发生的机理，也不能通过足够精确的模型来描述发动机故障系统。
因此要求我们构造一个能够像现场诊断专家一样具有智能、能对故障实例进行学习、从大量的样本中提取故障特征并从中获得判断及预测能力的系统。
人工神经网络理论的发展为解决这类问题提供了途径，利用它的自适应学习能力，将大大提高系统的识别能力和智能程度。
本文将神经网络应用于汽车发动机故障诊断，以提高故障诊断的准确度。
1BP 神经网络人们常把按误差逆传播算法训练的多层前馈网络，称为BP 网络。
BP 算法的基本思想是:学习过程由信号的正向传播与误差的逆向传播2个过程组成。
正向传播时，模式作用于输入层，经隐层处理后，传向输出层。
若输出层未能得到期望的输出，则转入误差的逆向传播阶段，将输出误差按某种形式，通过隐层向输入层逐层返回，并“分摊”给各层的所有单元，从而获得各层单元的参考误差(误差信号)，以作为修改各单元权值的依据。
基于神经网络的汽车故障诊断分析
Internal Combustion Engine&Parts0引言汽车作为当今社会重要的交通工具，已经成为人们生活的一部分，而随之带来的汽车故障问题也成为人们面对的困惑之一。
凭借经验和技巧诊断汽车故障的方法并不适合非专业驾驶员，人工智能的出现为汽车故障诊断提供了一种新的方法。
目前广泛应用的故障诊断专家系统是一种基于知识和规划的推理系统，在此基础上的人工神经网络克服了基于逻辑与符号处理的专家系统的局限性，使汽车故障诊断的准确性与可行性大大提升。
1BP神经网络预测模型BP神经网络是一个具有高度非线性的超大规模连续时间动力系统，是由大量的处理单元（神经元）广泛互连形成的网络。
本运算单元，每个神经元都存在其相应的阈值，各神经元的输出信号是其净输入信号的非线性函数，输入信号即为与其相连的神经元的输出信号和加权后的和。
若输入信号的加权集合比其阈值大，可激活该神经元并输出相应的值。
多层BP神经网络结构中，输入矢量为Χ∈R n，Χ=（x0，x1，x2，…，x n-1）T，隐含层有q个神经元，Z∈R q（z0，z1，z2，…，z n-1）T，输出层有m个神经元，y∈R m，T=（y0，y1，y2，…，y m-1）T，输出层和隐含层之间的权为ωji，阈值为θj，隐含层和输出层之间的权为γtk，阈值为θ1t，各层神经元输出符合下列公式：转换函数采用Sigmoid函数f u=11-e-u，其中，u为各层输出加权求的值。
BP算法实际上是一种有教师的学习算法，若设输入学习样本为P个，Χ1，Χ2，…，Χp，教师为t1，t2，…，t p。
在BP 神经网络模型中，将输入层与隐含层的阈值写入连接权中，即θj=ωjn，θ’t=γtp，x n=-1，z q=-1，则有：将第i个样本输入到BP神经网络模型中，得到输出y t，t=0，1，…，m-1，其误差为各神经元误差之和，表示为：对于P个样本，其误差为：2神经网络训练本文以汽车电气系统故障诊断为例进行分析。
神经网络在液体火箭发动机故障检测中的应用(ⅱ)模式识别技术
神经网络在液体火箭发动机故障检测中的应用(ⅱ)模式识别技术摘要：本文旨在介绍神经网络（NN）在液体火箭发动机故障检测中的应用，并探讨其与传统模式识别技术（PAT）的比较。
首先，本文提供了液体火箭发动机故障检测技术和模式识别技术的背景知识，包括高压电气声学技术（HPET）和特征提取方法。
其次，本文将讨论NN在液体火箭发动机故障检测中的应用，旨在提高检测的准确性，以减少故障的情况。
本文还尝试比较了利用NN和PAT的结果，由此可以证明NN 在液体火箭发动机故障检测中表现出优越的性能。
关键词：神经网络，液体火箭发动机故障检测，高压电气声学技术，模式识别技术正文：1. 引言本文旨在介绍神经网络（NN）在液体火箭发动机故障检测中的应用，并探讨其与传统模式识别技术（PAT）的比较。
液体火箭发动机（LRE）是宇宙立体平台技术的重要组成部分，其可靠性对宇宙飞行任务至关重要[1]。
随着太空航天技术的发展，对LRE的可靠性寿命和可靠性要求显著提高。
因此，必须检测和检测LRE中的故障，以减少造成的损失。
2. 技术背景2.1 液体火箭发动机故障检测液体火箭发动机（LRE）故障检测是一项关键任务，旨在及早识别和检测LRE中可能发生的故障，以减少由故障造成的损害。
目前，已经开发出了许多基于传感器的检测方法，如高压电气声学技术（HPET）[2]、声纳（SNA）[3]和光学检测技术（ODT）[4]。
其中，HPET是一种常用的技术，可以检测微小的振动，从而进行故障检测。
2.2 模式识别技术模式识别技术（PAT）是一类常用的故障检测技术，以及识别信号中的特征，从而将其分类成正常状态和故障状态。
常用的PAT方法包括小波变换（WT）[5]，统计特征提取（STEF）[6]，聚类方法（Clustering）[7]等。
其中，小波变换（WT）是一种常用的特征提取方法，可以有效的提取LRE振动信号的特征，用以进行故障诊断。
3. 神经网络在LRE故障检测中的应用随着神经网络技术的发展，神经网络也被用于故障检测，能够更好地提取振动信号中的特征，实现更高准确度的故障检测。
基于神经网络的汽车故障诊断专家系统的研究
基于神经网络的汽车故障诊断专家系统的研究近年来，随着智能化与自动化技术的飞速发展，汽车行业也逐渐向着智能化、高可靠性与低故障率方向发展。
对于汽车行业，汽车故障诊断是非常重要的一环，它关系着汽车的稳定性、安全性和经济性。
因此，汽车故障诊断的研究与实践一直是汽车行业的热点。
本文旨在通过研究神经网络技术在汽车故障诊断中的应用，构建一种基于神经网络的汽车故障诊断专家系统，提高汽车故障诊断的准确性、效率和可靠性。
1、汽车故障诊断的特点分析汽车故障诊断是指在汽车出现故障时，通过故障现象的表现、车辆传感器的数据、用户反馈等多方面的信息，排除出故障的原因，并对故障进行修复和处理的过程。
汽车故障诊断具有以下几个特点：首先，汽车的故障种类繁多，涉及目标复杂，往往需要进行多方面的分析和判断。
其次，汽车故障涉及到多种因素，例如环境因素、车辆使用状态以及人为因素等，这些都需要进行全面性的诊断和处理。
其三，汽车故障诊断需要具有一定的技术水平和专业知识，需要对汽车结构、工作原理、故障模式等有深入了解。
其四，汽车故障诊断还需要考虑时间、成本等方面的因素，针对性地制定故障处理计划。
2、神经网络技术在汽车故障诊断中的应用神经网络是一种基于大规模并行处理的模式识别技术，它模拟人脑的学习和记忆过程。
神经网络模型由神经元节点组成，每个节点都有多个输入和一个输出，这些输入通过连接的方式与其他节点传递信息，从而形成了神经网络。
神经网络可以自适应地学习和处理具有复杂特征的信息，其具有亲和力、容错性和并行处理能力等特点。
因此，神经网络技术可以用于汽车故障诊断中，提高汽车故障诊断的准确性和效率。
具体应用方案如下：（1）预处理数据，采集汽车故障数据，对数据进行处理。
为了提高汽车故障诊断的准确性，需要对采集的数据进行预处理，在原始数据的基础上，进行数据清理、数据丰富和数据筛选等。
同时，将筛选出的数据按照一定的比例划分为训练集、验证集和测试集。
（2）建立神经网络模型。
基于云_神经网络的液体火箭发动机故障检测方法
国防科技大学学报第32卷第1期J OUR NAL OF NA TIONA L UNIVERSI TY OF DEFENSE TECHNO LO GY Vol.32No.12010文章编号:1001-2486(2010)01-0011-05基于云-神经网络的液体火箭发动机故障检测方法X黄强,吴建军(国防科技大学航天与材料工程学院,湖南长沙410073)摘要:根据故障检测原理,研究和实现了基于云-神经网络的液体火箭发动机故障检测方法。
根据训练结果、测试结果和故障检测结果可以看出,云-神经网络用于液体火箭发动机的故障检测是可行的,经过历次试车数据验证,该方法没有误报警和漏报警。
关键词:云模型;云-神经网络;液体火箭发动机;故障检测中图分类号:V434文献标识码:AFault Detection Method Based on Cloud-neural Networkof Liquid-propellant Rocket EngineHUANG Qiang,WU Jian-jun(College of Aerospace and M ateri al Engineering,National Univ.of Defense Technology,Changsha410073,China) Abstract:The fault detection method based on cloud-neural network of LRE(liquid-propellant rocket engine)is studied and realized with fault detection principle.The training results,testing resul ts and fault detection resul ts of the method are given.The method is validated by historical test data.There is no false alarm and missing alarm during tes ting and validation.Key words:cloud model;cloud-neural network;liquid-propellant rocket engine;fault detection液体火箭发动机的故障检测具有一定的模糊性,而表征发动机性能的各参数在测量采集过程中由于测量环境和测量设备的影响,总是存在随机性的采集误差。
基于概率神经网络的液氨汽车罐车复合故障诊断
ｐ ｕ ｄ ｆｕ ｔｄ ａ ｎ ｓ ｄ ｌｂ ｓ ｄ ｏ ｒ ｂ ｂ ｌ ｔ ｅ ｒ ｌ ｅｗ ｒ ．Ｕｓ ｇ ｉ ｄ ｘ ｐ ｒ ｍｅｅ ｓａ ｈ ｅｗｏｋ ｔ ｉ ｉｇ ｏ ｎ ａ ｌ ｉｇ ｏ ｉ ｍｏ ｅ ａ ｅ ｎ ｐ ｏ ａ ｉ ｓ ｃ ｎ ｕ ａ ｎ ｔ ｏ ｋ ｓ ｉｉ ｉ ｎ ｅ ａ ａ ｔ ｒ ｓｔ ｅ ｎ ｔ ｒ ｒ ｎｎ ｎ ａ
基 于 概 率 神 经 网 络 的 液 氨 汽 车 罐 车 复 合 故 障 诊 断
马 成 正
（ 柳州铁道职业技术 学院 运输与经济管理系 ， 柳州 ５ ５０ ） ４０ ７ 摘 要 ： 障诊断在保证危险化学 品汽车罐车运输安全方 面具 有重要意义 。从 国内交 通运输安全 故
的实际要求 出发 ， 依据液氨汽 车罐 车的结构特点及国家法律法 规的要求 ， 比较全面 、 系统地分析 了
第 ７卷 第 ３期 ２１ 年 ３ ０１ 月
Hale Waihona Puke 中 国 安 全 生 产 科 学 技 术
Ｊ ｕｎ ｌ ｆ ａｅｙＳ ｉｎ ｅａ ｄＴ ｃ ｎ ｌｇ ｏ ｒａ ｆｔ ｃｅ ｃ ｎ ｅ ｈ ｏｏ ｙ ｏＳ
Ｖ０ ． ． １７ Ｎｏ ３
Ｍａ ． ｒ ２０１ １
文章编号 ：６ ３—１３ ２ １ ）一 ３一 ｌ Ｏ １７ ９ Ｘ（０ １ ｏ 叭 ４一 ５
Ａｂ ｔ ａ ｔ Ｆ ｕ ｔｄ ａ ｎ ｓｓ ｉ ｍｐ ｒａ ｔｔ ｎ ｕ ｅ ｔ ｅ ｓ ｆ ｔ ｆｈ ｚ ｒ ｏ ｓｃ ｅ ｃ ｌｔｎ ａ ’ｔａ ｓ ｏ ｔ ｔ ｎ Ｆ ｏ ｔ ｅ ｓ ｒ ｃ ： ａ ｌ ｉ ｇ ｏ ｉ ｓｉ ｏ ｔｎ ｏ ｅ ｓ ｒ ｈ ａｅ ｙ ｏ ａ ａ ｄ ｕ ｈ ｍｉａ ａ ｋ ｃ ｒ ｒ ｎ ｐ ｒａｉ ． ｒ ｍ ｈ ｏ ｒ ｑ ｒ ｍｅ ｔ ｆｔａ ｓ ｏｔ ｔ ｎ ｓ ｃ ｒｔ ｅ ｕｉｅ ｎ ｓ ｏ ｒ ｎ ｐ ｒａ ｉ ｅ ｕ ｉｙ，ｂ ｓ ｄ ｏ ｈ ｔｕ ｔ ｒｌｆ ａｕ ｅ ｆｌｑ ｉ ｍｍｏ ｉ ａ ｋ ｃ ｒａ ｄ ｔ ｅｒ ｑ ｉｅ ｏ ａ ｅ ｎ ｔ ｅ ｓｒ ｃ ｕ ａ ｅ ｔ ｒ ｓｏ ｉ ｕ ｄ ａ ｎ ａｔ ｎ ａ ｎ ｈ ｅ ｕ ｒ — ｍｅ ｔ ｆｌｗｓ ｉ ｏ ｓｉ ｓ ｈ ａ ｌ ｓｇ ａｕ ｅ ｐ ｒ ｍｅｅ ｓ ｏ ｉ ｕ ｄ ａ ｎ ｓ ｏ ａ ｎ ｄ ｍｅ ｔｃ ，ｔ ｅ ｆ ｕ ｔ ｉ ｔ ｒ ａａ ｔｒ ｆｌｑ ｉ ｍｍｏ ｉ ａ ｋ ｃ ｒ ｗｅ ｅ ａ ｌｚ ｄ ａｌｓｄ ｄ ｙ ｎ ｎ ａ ｔ ｎ ａ ｒ ｎａｙ ｅ ｌ ｉ ｅ ｌ ． Ｔｈ ａ ａ ｔｒ ｒ ｓａ ｌｓ ｅ ｓｉ ｐ ｔｎ ｄ ｓｏ ｒ ｂ ｂｌｓｉ ｅ ｒ ｌｎｅｗｏ ｋ．Ａｃ ｏ ｄ ｎ ｏ ｔ ｅ ｆｕ ｔｃａ ｓｆｃ ｔ ｎ ｅ ｐ ｒ ｍｅｅ ｗｅ ｅ ｅ ｔｂ ｉｈ ｄ ａ ｎ ｕ ｏ ｅ ｆｐ ｏ ａ ｉ ｔｃ ｎ ｕ ａ ｔ ｒ ｓ ｉ ｃ ｒ ｉ ｇ ｔ ｈ ａ ｌ ｌｓｉ ａ ｉ ｉ ｏ ｉ ｉｗ ｆｔ ｅ ｆ ｃｓ，ｔ ｅｆ ｕ ｔｔｌ ｒｎｔａ ｄ ａ ａ ｔｖ ｂｌｔ ｓｏ ａ ｌ ａ ｏ ｉ ｒ ｏ ｓｄ ｒ ｄ ｔ ｔ ｃｕ ｅ ｔ ｅ ｅ ｍ－ ｎ ｖ ｅ ｏ ｈ ａ ｔ ｈ ａ ｌ ｏｅ ａ ｎ ｄ ｐ ｉｅ ａ ｉ ｉ ｆｆ ｕｔｄｉｇ ｓｓｗｅ ｅ ｃ ｎ ｉ ｅ ｅ ｏ ｓｒ ｔ ｒ ｈ ｏ ｉｅ ｎ ｕ
采用概率神经网络的汽轮机故障诊断方法
第25卷第5期 2005年10月动 力 工 程V ol.25N o.5 Oct.2005 文章编号:100026761(2005)0520698204采用概率神经网络的汽轮机故障诊断方法张建华, 侯国莲, 孙晓刚, 袁桂丽(华北电力大学(北京)自动化系,北京102206)摘 要:针对反向传播神经网络(BPNN )学习收敛速度慢、易陷入局部极小值等问题,提出了采用概率神经网络(PNN )的汽轮发电机组故障诊断方法。
由于PNN 学习算法简单、训练和泛化速度快,因此可以满足实时处理要求。
此外,很容易把新的训练样本添加到以前训练好的分类器中,便于提高故障诊断结果的准确性。
仿真结果表明:该诊断方法快速、准确且易于工程实现。
图1表2参9关键词:动力机械工程;汽轮机;故障诊断;概率神经网络中图分类号:TK 267 文献标识码:ARe search on Turbo 2generator Fault Diagno sis Using ProbabilisticNeural NetworksZH ANG Jian 2hua , HOU Guo 2lian , SUN Xiao 2gang , YUAN Gui 2li(Department of Automation ,N orth China University of E lectric P ower ,Beijing 102206,China )Abstract :Based on probabilistic neural netw orks (PNN ),a new way of fault diagnosis of steam turbine units is suggested to overcome problems met with back propagation neural netw orks (BPNN )like slow convergence of learning and liability of dropping into local minima.PNN can meet the needs of real 2time requirements due to its sim ple learning alg orithm ,and quick training and generalizing property.In addition ,newly trained patterns can easily be supplemented to the already trained classifier ,thus facilitating the im provement of the accuracy of diagnosis results.Simulation results show that the proposed method is featured by swiftness ,accuracy and ease of practical application.Fig 1,tables 2and refs 9.K ey words :power and mechanical engineering ;steam turbine ;fault diagnosis ;probabilistic neural netw ork收稿日期:2005202210 修订日期:2005204213基金项目:电力行业青年促进资助项目(SPQK J015)、国家留学基金委资助(99330021)作者简介:张建华(19692),女,山西忻州人,博士,教授。
基于概率神经网络(PNN)的故障诊断
基于概率神经网络（PNN）的故障诊断概率神经网络PNN是一种结构简单、训练简洁、应用相当广泛的人工神经网络，在实际应用中，尤其是在解决分类问题的应用中，它的优势在于线性学习算法来完成以往非线性学习算法所做的工作，同时又能保持非线性算法的高精度等特性。
基于概率神经网络的故障诊断方法实质上是利用概率神经网络模型的强大的非线性分类能力，将故障样本空间映射到故障模式空间中，从而形成一个具有较强容错能力和结构自适应能力的诊断网络系统。
1 概述概率神经网络是一种可以用于模式分类的神经网络，其实只是基于贝叶斯最小风险准则发展而来的一种并行算法，目前已经在雷达、心电图仪等电子设备中获得了广泛的应用。
PNN与BP网络相比较，其主要优点为：快速训练，其训练时间仅仅大于读取数据的时间。
无论分类问题多么复杂，只要有足够多的训练数据，就可以保证获得贝叶斯准则下的最优解。
允许增加或减少训练数据而无需重新进行长时间的训练。
PNN层次模型是Specht根据贝叶斯分类规则与Parzen的概率密度函数提出的。
在进行故障诊断的过程中，求和层对模式层中间同一模式的输出求和，并乘以代价因子；决策层则选择求和层中输出最大者对应的故障模式为诊断结果。
当故障样本的数量增加时，模式层的神经元将随之增加。
而当故障模式多余两种时，则求和层神经元将增加。
所以，随着故障经验知识的积累，概率神经网络可以不断横向扩展，故障诊断的能力也将不断提高。
2基于PNN的故障诊断1.问题描述发动机运行过程中，油路和气路出现故障是最多的。
由于发动机结构复杂，很难分清故障产生的原因，所以接下来尝试利用PNN来实现对发动机的故障诊断。
在发动机运行中常选用的6种特征参数：AI、MA、DI、MD、TR和PR。
其中，AI为最大加速度指标；MA为平均加速度指标；DI为最大减速度指标；MD为平均减速度指标；TR为扭矩谐波分量比；PR为燃爆时的上升速度。
进行诊断时，首先要提取有关的特征参数，然后利用PNN进行诊断，诊断模型如图1所示。
基于人工智能神经网络技术的汽车故障诊断
基于人工智能神经网络技术的汽车故障诊断唐风敏(中国汽车技术研究中心有限公司,天津300300)摘要:随着汽车电子技术的突飞猛进,汽车内部结构及相互通信关系越发复杂化,同时用户对汽车故障诊断的及时性和准确性要求也越来越高,这就增加了汽车故障诊断过程中的困难程度和不确定性。
通过建立以人工智能神经网络为核心的汽车故障聚类融合系统来对故障进行诊断,既满足远程诊断的实时性,又使诊断售后服务智能化,人性化,将有良好的发展前景。
关键词:人工智能;神经网络;汽车故障;聚类融合中图分类号:U469.7文献标志码:A 文章编号:1003-8639(2019)11-0004-03Automotive Fault Diagnosis Using the Technology of Artificial Intelligence Neural NetworkTANG Feng-min(China Automotive Technology and Research Center Co.,Ltd.,Tianjin 300300,China )Abstract:With the rapid development of automobile electronic technology ,automotive interior structure and mutual communication relations are becoming increasingly complex.Meanwhile ,users'requirements for timeliness and accuracy in automobile fault diagnosis are also getting higher ,thus increasing the difficulty and uncertainty of automobile fault diagnosis process.The automobile fault clustering integration system with artificial intelligent neural network as the core is established for fault diagnosis ,which not only meets the requirement for timeliness ,but also makes after-sale diagnosis service intelligent and user-friendly.This system will have a promising development in future.Key words:artificial intelligence ;neural network ;automobile fault ;clustering integration1前言汽车远程故障诊断系统是指在汽车工作时，实时获取汽车各种状态数据，通过分析处理获得汽车的故障信息，并上传至数据处理中心，系统会根据这些信息对汽车的故障进行诊断，并反馈出最佳的解决方案。
基于RBF神经网络的汽车传感器故障诊断方法研究
基于RBF神经网络的汽车传感器故障诊断方法研究随着汽车智能化的发展，汽车传感器在汽车系统中扮演着越来越重要的角色。
传感器的正常工作对于汽车系统的性能和安全性至关重要。
然而，传感器在长时间使用过程中可能会出现故障，导致汽车性能下降甚至发生事故。
因此，及时准确地诊断和修复传感器故障对于保障行车安全和提高汽车系统稳定性至关重要。
基于RBF神经网络的汽车传感器故障诊断方法具有很好的性能和鲁棒性，在汽车故障诊断领域有较好的应用前景。
RBF神经网络是一种特殊的神经网络结构，由输入层、隐层和输出层组成，其中隐层使用径向基函数进行激活。
RBF神经网络具有快速收敛、泛化能力强、适应性好等优点，适合用于汽车传感器故障诊断。
在汽车传感器故障诊断中，通常使用的方法有基于规则、基于模型和基于数据的方法。
基于规则的方法需要先验知识，难以覆盖所有可能出现的故障情况；基于模型的方法需要建立精确的数学模型，对于非线性和复杂的汽车系统来说难度较大；而基于数据的方法则可以利用实际数据进行学习和训练，具有较强的实用性和适应性。
具体而言，基于RBF神经网络的汽车传感器故障诊断方法主要包括以下几个步骤：第一步，数据采集：首先需要采集汽车传感器的工作数据，包括传感器输出值、环境变量等信息。
第二步，数据预处理：对采集到的数据进行预处理，包括数据清洗、特征选择、特征提取等操作，以便于后续的模型训练。
第三步，模型训练：利用RBF神经网络对预处理后的数据进行训练，学习传感器的正常工作模式，建立故障诊断模型。
第四步，故障诊断：当传感器工作出现异常时，将实时采集到的传感器数据输入到训练好的RBF神经网络模型中，通过模型输出的诊断结果来判断传感器是否发生故障。
第五步，故障修复：根据诊断结果来及时修复或更换出现故障的传感器，确保汽车系统的正常运行。
基于RBF神经网络的汽车传感器故障诊断方法具有准确性高、适应性强、实时性好等优点，在实际汽车故障诊断应用中具有广泛的应用前景。
《基于CNN-SVM的TE化工过程故障诊断研究》
《基于CNN-SVM的TE化工过程故障诊断研究》一、引言在当今的工业环境中，尤其是对于复杂的TE（Test Process Control）化工过程，故障诊断的重要性日益凸显。
随着数据科学和人工智能的飞速发展，传统的故障诊断方法已难以满足日益增长的精确性和效率需求。
因此，本文提出了一种基于CNN（卷积神经网络）和SVM（支持向量机）的混合模型，用于TE化工过程的故障诊断。
这种方法不仅能够从高维数据中提取出有意义的特征，而且能以较高的精度识别出不同类型的故障。
二、相关研究综述近年来，深度学习和机器学习在故障诊断领域的应用得到了广泛的研究。
其中，CNN因其强大的特征提取能力，被广泛应用于图像处理和模式识别。
而SVM则以其出色的分类性能，被广泛用于分类问题。
虽然这些方法在某些领域取得了显著的成果，但在TE化工过程的故障诊断中仍存在一些挑战，如高维数据的有效处理、噪声的抑制等。
因此，基于CNN和SVM的混合模型成为了我们的研究方向。
三、基于CNN-SVM的TE化工过程故障诊断模型本文提出的模型主要由两部分组成：卷积神经网络（CNN）和支持向量机（SVM）。
首先，CNN用于从原始的高维数据中提取出有意义的特征。
然后，这些特征被输入到SVM中进行分类和故障诊断。
具体步骤如下：1. 数据预处理：首先对原始数据进行清洗和标准化处理，以消除噪声和异常值的影响。
2. CNN特征提取：利用CNN从预处理后的数据中提取出有意义的特征。
在这个过程中，我们可以通过调整CNN的参数来优化特征的提取效果。
3. 特征输入SVM：将CNN提取出的特征输入到SVM中，进行分类和故障诊断。
在SVM中，我们使用核函数（如RBF核）来处理非线性分类问题。
4. 模型优化：我们通过交叉验证和参数优化来进一步提高模型的性能。
此外，我们还使用过拟合技术来避免模型的过拟合问题。
四、实验结果与分析我们在TE化工过程的实际数据上进行了实验，并与其他方法进行了比较。
基于神经网络的故障诊断
神经网络工具箱应用于故障诊断1.问题描述电力系统的安全运行具有十分重要的意义。
当高压变压器或其他类似设备在运行中出现局部过热、不完全放电或电弧放电等故障时，其内部绝缘油、绝缘纸等绝缘材料将分解产生多种气体，包括短链烃类气体（C2H2、CH4等）和H2、CO2等，这些气体称作特征气体。
而特征气体的含量与故障的严重程度有着很密切的关系，如下图1所示。
将BP神经网络应用于变压器故障诊断对大型变压器的运行有着非常重要的意义。
2.神经网络设计（1）输入特征向量的确定变压器的故障主要与甲烷（CH4）、氢气（H2）、总烃（C1 + C2）以及乙炔（C2H2）4种气体的浓度有关，据此可以设定特征向量由这4 种气体的浓度组成，即CH4、H2、C1 + C2 （总烃）和C2H2,同时也设定了网络输入层的节点数为4个。
（2）输出特征向量的确定输出量代表系统要实现的功能目标，其选择确定相对容易一些。
只要问题确定了，一般输出量也就确定了。
在故障诊断问题中，输出量就代表可能的故障类型。
变压器的典型故障类型有：一般过热故障、严重过热故障、局部放电故障、火花放电故障以及电弧放电故障等5种类型，因此这里选择5 个向量作为网络的输出向量，即网络输出节点确定为 5 个。
根据Sigmoid 函数输出值在0 到1 之间的特点，这里设定以0 到1 之间的数值大小表示对应的故障程度，也可以理解为发生此类故障的概率，数值越接近1 表示发生此类故障的几率越大或说对应的故障程度越大。
针对本系统，设定输出值大于等于0． 5 时认为有此类故障，小于0． 5 时认为无此类故障。
(3)样本的收集输入、输出向量确定好以后就可以进行样本的收集。
数据归一化处理时，注意：在归一化处理的时候，因考虑到各气体浓度值相差较大，如总烃的浓度比H2的浓度值高出几个数量级，因此在归一化处理的时候，分别对各个气体浓度值进行处理，即最大值和最小值取的是各气体的最值，而不是所有样本值中的最值。
基于神经网络的汽车故障诊断
基于神经网络的汽车故障诊断1.问题描述这里，我选取了汽车变速箱作为本次故障诊断作为研究对象。
在汽车变速箱的故障诊断中，是以不同振动信号下齿轮啮合次数作为故障诊断的参数。
这里我们以啮合次数和故障的对应关系通过神经网络的方法进行训练：正常运行状态时啮合次数约为0-70万次、磨损运行状态时啮合次数为70-420万次、故障运行状态(断齿)时啮合次数为420万次以上。
为此，通过汽车齿轮箱的振动信号经小波包分解，在各频带能量序列作为诊断的依据。
2.神经网络设计学习样本与试验中，样本数量的选择应尽可能多，以包含尽可能多的故障类型。
现选正常运行状态的特征向量5个，因整个磨损状态所经历的运行时间比较长，故磨损运行状态的特征向量样本多一些，定为11个，断齿状态的特征向量样本5个。
因此决策属性有三类，“0”表示正常运行状态，“1”表示磨损运行状态，“2”表示断齿状态。
所用数据集见表1：表1 学习样本U频率范围(Hz)D 0~188(a)188~375(b)375~563(c)563~750(d)750~38(e)938~1125(f)1125~1313(g)1313~2500(h)1 61.022 89.593 71.756 150.805 8.516 20.305 33.277 51.463 02 85.118 91.616 68.181 165.734 11.592 21.790 35.276 54.154 03 55.124 95.449 67.286 159.607 8.493 21.543 32.754 53.401 04 85.376 113.499 66.016 169.410 10.653 22.283 39.527 56.422 05 77.922 101.105 69.232 157.287 9.737 20.664 34.843 53.807 06 72.1360 168.310 41.234 109.114 3.867 18.659 19.928 27.081 17 147.527 146.784 59.772 105.212 17.205 19.019 38.907 32.893 18 95.492 197.015 93.170 182.344 11.651 27.736 46.669 59.434 19 103.998 167.362 73.005 177.894 12.806 29.122 43.575 51.336 110 120.500 168.110 69.048 140.139 13.114 25.827 38.802 43.172 111 163.397 152.313 79.554 163.811 23.126 30.756 46.080 56.873 112 123.182 166.600 67.123 115.267 20.877 19.250 42.203 41.980 113 71.945 211.171 72.588 137.730 22.671 22.112 43.315 45.104 114 164.045 194.629 68.603 127.541 16.127 22.286 41.454 30.387 115 172.501 308.049 94.592 177.904 32.569 36.064 47.803 52.628 116 100.973 272.339 80.250 174.414 22.561 43.803 50.033 47.686 117 128.261 294.431 108.704 255.536 27.977 35.220 59.055 71.603 218 133.521 356.309 111.461 230.050 29.392 43.088 56.883 76.239 219 142.032 338.226 93.684 287.425 24.969 38.716 55.256 73.801 220 171.641 270.335 103.851 240.083 31.789 39.004 54.773 75.723 221 216.891 371.829 117.591 285.673 35.077 39.504 67.191 79.991 2 此外还设计了三组样本数据（见表2）用于测试，以验证神经网络的训练效果。
概率神经网络在发动机故障诊断中的应用
动 机运 行系统 的故 障诊断 。Ｐ Ｎ是 一种 训练 速度快 、 构简单 和应 用广 泛 的人 工神 经 网络 ， Ｎ 结 它采 用 贝 叶斯 分 类决 策理 论 建 立系 统 的 数学 模 型 ； 以高 斯 函数作为 激励 函数 ， 有 非线性 处理 和抗 干扰能 力强 等特点 。Ｍａ ａ 真结 果表 明 ， 具 ｔ ｂ仿 ｌ 该诊 断方 法 快速 准确 且易 于 工
ｔｅ ｒ ｏ ｅｔｂ ｉｈ ｔｅ ｍａｈ ｍａｉａ ｄ ｌ ｗｉ ｕ ｓｆｎ ｔ ｎ ａ ｈ ｎ ｒｉｉ ｇｆ ｎ ｔ ｎ，ｔ ｓｎ ｔ ｒ ｅ ｔｒ ｓｐ ｗｅ ｕ ｏ ｌ ｅ ｒｐ ｏ ｅｓｎ ｈ ｏｙ ｔ ｓａ ｌｓ ｈ ｔｅ ｔｃ ｌｍｏ ｅ ； ｔ Ｇａ ｓ ｕ ｃｉ ｓｔｅ ｅ ｅｇｚｎ ｕ ｃｉ ｈ ｏ ｏ ｈｉ ｅｗｏｋ ｆａｕ ｅ ｏ ｒ ｌｎ ｎｉ ａ ｒ ｃ ｓｉ ｇ ｆ ｎ
Ｋｅ ｗｏｄ ： Ｐｏ ａ ｉｓｃｎ ｕａ ｅｗ ｒ （ Ｎ Ｅ ｇｎ Ｆ ｕｔ ｉｇｏｉ Ｍａｌｂ Ｎｏｌ ｅｒ ｙ ｒｓ ｒｂ ｂｌ ｔ ｅ ｒｌ ｔｏｋ Ｐ Ｎ） ｎ ｉｅ ａｌ ｄａ ｎｓｓ ｉｉ ｎ ｔ ａ ｎｉ ａ ｎ
Ｏ 引 言
随着发 动 机 在我 国经济 领 域 的广 泛 应 用 ， 行 发 动 进 机 运 行 系统 故 障 诊 断 的 研 究 对 早 期 发 现 故 障原 因 和 部 位、 提高 系 统 的运 行 可 靠 性 ， 以及 指 定 科 学 的维 修 制 度 具 有 现实 意 义 。近 年来 ， 障检 测 诊 断方 面 的研 究 成 果 故 大 量 涌现 ， 其大 体 可 以分 为基 于 解 析 模 型 的方 法 、 于 基 定 性模 型 和 搜索 策 略 的 方 法 以 及 基 于 历 史 过 程 数 据 的
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于贝叶斯决策准则来判断状态描述为ｍ１：
ｄ（ｘ）∈吼（＾，坼（ｘ））
则正（ｘ）属于口；
（１）
应急救援系统，部分地区已实现了危险品道路运输 实时监控。但我国的危险品道路运输安全研究起步
较晚，研究也多集中在风险评价与线路优化及应急 救援方面。这方面的研究主要有任常兴、吴宗之等
（１）若以（＾。ＺＺ（Ｘ））＞以（＾６Ｚ以（Ｘ）），口≠６）， （２）若以（＾。Ｚ√：（Ｘ））＜ｐ。（＾６Ｚ以（Ｘ）），ｏ≠６）， 则正（Ｘ）属于６；
ｐｍｂａｂｉｌｉｓｔｉｃ肿ｕ同ｎｅｔｗｏｒｋ．Ｕｓｉｎｇ
ｉｎｄｅｘ
ｐａｒ锄ｅｔｅ璐船ｔｈｅ
ｔｏ
锄ｐｌｅｓ，ｔＩｌｅ
ｎｉａ
ｓｅｎｓｅ
ｕｎｋｎｏｗｎ ｆ越ｌｕｒｅ ｍｏｄｅｓ ｗｅｒｅ ｄｉａｇｎｏｓｅｄ．Ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｌｌｏｄ
ｗ鹊印ｐｌｉｅｄ
ｐｍｖｅ ｔｈｅ ｌｉｑｕｉｄ ａｍｎｌｏ—
ｄａ扭ｗｈｉｃｈ ｐｒｏｖｉｄｅｄ ｂｙ ｐｒｅｓｓｕ陀ｖｅｓ∞ｌ ｉｎｓｐｅｃｔｉｏｎ ｏｆ
Ｇ啪ｍ鲥ａｒｅａ．Ｔｈｅ
ｃｏｍｐｏｕｎｄ
ｒｅｓＩｌｌｔ ｉｎｄｉｃａｔｅｄ ｔｈａｔ ｔ王ｌｅ ｍｏｄｅｌ
ｈ躺ｔｌｌｅ ａｄｖ粕ｔａｇｅｓ ０ｆ ｔｈｅ
Ｔｈｅ ｗｏｒｋ ｓｐｅｃｉｆｉｅｄ ｔａｎｋ
ｃａｒ．
Ａｂｓｔ瑚旺＝ｔ：ＦａＩｌｌｔ ｄｉａｇｎ０８ｉｓ ｉｓ ｉｍ舯ｆ吨ｍｔ
陀ｑｕｉｒｅｍｅｎｔｓ ｏｆ
ｔ０
ＥｃｏｎｏＩＩｌｉｃ
Ｍａ啮ｇｅｒ眦ｎｔ，Ｌｉ啦ｈｏｕ ５４５００ｒ７，Ｃｈｉ眦）
ｅｍｕｒｅ ｔｌＩｅ ｓａｆ音ｔ）ｒ ｏｆ ｈａ嬲一ｏｕｓ ｃｈｅｍｉｃａｌ ｔａｎｋ ｃａｒ’ｔｒ肌ｓｐｏｒｔａｔｉｏｎ．Ｆｍｍ ｔＩＩｅ
安全承压附件下分为安全阀、爆破片、紧急切断装
动轴、回转部分、可动部分之间的间隙（ＰＤ），罐体标 准常温下屈服强度与抗拉强度之比（Ｙｓ），单车空载、 静止状态下最大侧倾稳定角（ｓＡ），罐体腐蚀裕量 （ｃＡ），罐体错边量（ＡＴ）这９项指标参数作为引起液 氨汽车罐车复合故障的输入变量。
３．２
ＰＮＮ的创建
ＰＮＮ输入层有９个结点，分别对应上节所建立
万方数据
第３期
中国安全生产科学技术
・１１５・
自动形成所要求的决策区域，充分利用状态信息，对
１
引言
随着我国交通运输基础设施的不断完善，覆盖
来自不同状态的信息逐一进行训练而获得映射关系。
其中概率神经网络ＰＮＮ的优势在于利用线性学习算 法来完成以往非线性学习算法所做的工作，同时又能
城乡、高速公路的现代物流网已经初具规模，汽车运 输业得到大力发展。道路运输因其机动灵活、快速
２概率神经网络理论 概率神经网络（Ｐｍｂａｂｉｌｉｓｔｉｃ
Ｎｅｕｒａｌ Ｎｅ舢ｏｒｋｓ，
ＰＮＮ）由ｓｐｅｃｈｔ根据贝叶斯分类规则与Ｐａｍｎ概率
密度函数提出。这种网络对应的权值就是模式样本
的分布，网络只需要对平滑因子进行经验式估计，将 待测样本Ｘ由输入层直接送到模式层各个类别单
运输事故率相对较低，但由于运输路线常常经过城 镇或高密集人群区，且本身具有强腐蚀性和毒性，一 旦运输液氨的汽车罐车发生事故，将对区域安全健
人提出的危险品道路安全运输路径优化方法以及风 险管理体系；杨琳、吴宗之提出的危险品运输选线定 量风险评价模型；王艳华、佟淑娇、陈宝智等提出的 危险化学品道路运输系统危险性分析等［２引。
运输系统的定量风险评价更多地要求对人机系 统的可靠性进行研究，即既要考虑操作人员的操作可
式中：ｄ（ｘ）为检验矢量ｘ的决策；＾。＾。分别是 以和仇类的先验概率；ｚ。、屯分别是对优和巩类故 障诊断代价因子以（ｘ）以（ｘ）分别是以和巩类的
ｍｅｎｔｓ ｏｆ ｌａｗｓ ｉｎ ｄｏｍｅｓｔｉｃ８，ｔｈｅ ｆａｕｌｔ ８ｉｇｎａｔｕｒｅ Ｔｈｅ
ｐ猢ｅｔｅｒｓ
ｗｅｒｅ
ｅｓｔａｂｌｉｓｈｅｄ鹪ｉｎｐｕｔ ｎｏｄｅｓ ｏｆ ｐｍｂａｂｉｌｉｓｔｉｃ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ．Ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｆａｕｌｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ
７６．４
（３）加强安全管理，齐备相应手续和资质，制定
安全操作规程和管理制度，定期开展针对操作、押 运、驾驶等有关人员的安全技术教育，使其懂得如何
在汽车罐车出现意外情况下采取必要的应急措施， 进行简要诊断和维修。随车运输时，配备足够的干
ｃＴ
ＰＤ
ＹＳ
ＳＡ
ＣＡ
ＡＴ
粉灭火器。如遇雷雨等极端恶劣气候，或罐车及管
０ Ｏ
利用归一化后的故障特征指标数据作为网络训 练样本，创建ＰＮＮ用于故障诊断，创建格式为：ｎｅ￡
＝ｎｅｗｐｎｎ（Ｐ，Ｔ，Ｓｐｒｅａｄ）
筒体倾覆
贯穿性裂纹 安伞附件失效导致泄漏 安全附件锁死导致超压 局部腐蚀老化
０ ＯＯＯ ０
Ｏ Ｏ ｌ Ｏ Ｏ
０ Ｏ Ｏ ｌ Ｏ Ｏ ＯＯ ＯＯ ｌ
其中，Ｐ和Ｔ分别为输入向量和目标向量， Ｓｐｒｅａｄ为平滑因子，取默认值ｏ．１。这是因为当平 滑因子为０．１时，无论逼近性能还是诊断性能，误差
第７卷第３期
２０１１年３月
中国安全生产科学技术
Ｊ伽ｍａｌ
ｏｆ Ｓａｆｅｔ）ｒ ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏ舒
Ｖ０１．７ Ｎｏ．３ Ｍａｒ．２０１ｌ
文章编号：１６７３一１９３Ｘ（２０“Ｊ—０３—０１１４—０５
基于概率神经网络的液氨汽车罐车复合故障诊断宰
马成正
（柳州铁道职业技术学院运输与经济管理系，柳州５４５０ｃｒ７）
摘要：故障诊断在保证危险化学品汽车罐车运输安全方面具有重要意义。从国内交通运输安全 的实际要求出发，依据液氨汽车罐车的结构特点及国家法律法规的要求，比较全面、系统地分析了 液氨汽车罐车故障特征的相关参数，并将其作为概率神经网络的输入结点。根据实际町能发牛的 故障分类模式，考虑到故障诊断的容错能力和自适应能力，提出了基于概率神经网络的复合故障 诊断模型。利用指标参数作为网络训练样本，对未知故障模式进行诊断，并以广西地区压力容器 检验所液氨检测数据为例进行说明。理论分析和实例计算表明，该模型物理概念清晰，计算结果 合理，精度较高，在危险化学品汽车罐车故障诊断中有很好的适用性。该项工作可为我国危险化 学品汽车罐车故障智能诊断的深入开展提供参考依据。 关键词：概率神经网络；液氨汽车罐车；故障诊断；测试样本 中图分类号：Ｕ４９２．８ 文献标识码：Ａ
预处理Ｈ特征选取Ｈ叫学习训练
图１基于ＰＮＮ的系统诊断结构
制药集团液氨罐车泄漏事故等均造成了不同程度的
人员伤亡和环境破坏。 鉴于危险化学品运输事故的严重后果，近年来 我国加强了对危险品道路运输系统的安全管理，正 在建立和完善基于３Ｇ技术的事故预测预警系统和
对于具有吼，如，…，以，…，ｐ，的多类问题而言， 一个ｐ维矢量．）｜ｆ＝｛戈，，算：，…，并ｉ，．一，％｝７的测量集，
加上正常状态，可以认为一共有６种故障模式，这６
种故障模式作为输出层的结点。
表１故障特征指标数据
利用二进制数格式描述这６种故障模式，如表
２所示。
表２故障模式分类 故障模式 正常 对应描述
ｌ Ｏ ＯＯ ０ ｌ
８
９］；Ｐ＝ｐ；ｆｏｒ
ｉ＝１：８
Ｐ（ａ（ｉ），：）＝（ｐ（ａ（ｉ），：）一ｍｉｎ（ｐ（ａ （ｉ），：）））／（ｍａｘ（ｐ（ａ（ｉ），：））一ｍｉｎ（ｐ（ａ （ｉ），：）））；ｅｎｄ
都比较小。 ３．３故障诊断分析
０ Ｏ Ｏ Ｏ ０ Ｏ●
输入层数据之间具有不同的单位和量级，相差 较大，所以在输入ＰＮＮ之前应该进行归一化以加快 训练网络的收敛性。对于已经位于区间［０，１］的数 据则无须进行归一化处理。代码为：ａ＝［１
２ ３ ４ ５ ７
首先对建立的网络对训练数据进行分类，代码
为：ｙ＝ｓｉｍ（ｎｅｔ，Ｐ）；ｚｄ＝ｖｅｃ２ｉｎｄ（ｙ）。在Ｍａｕａｂ
ａｎｄ ｌｉｑｕｉｄ啪ｍｏｎｉａ ｔａｎｋ ｗｅｒｅ ａｎａｌｙｚｅｄ ｐ锄锄ｅｔｅ璐ｏｆ ｌｉｑｕｉｄ锄ｍｏｒＩｉａ ｔａｎｋ ｆｅａｔｌｌｒｅ８ ｏｆ
ｃａｒ ｃａｒ
ｔｒ舭ｓｐｏｒｔａｔｉｏｎ∞ｃｕｒｉｔｙ，ｂ鹊ｅｄ ｏｎ山ｅ ｓｔｍｃｔｕｒａｌ
ｔｌｌｅ ｒｅｑｕｉｒｅ－ ａｌｌ ｓｉｄｅｄｌｙ．
Ｃｏｍｐｏ蚰ｄ
ｆａｕｎ ｍａｇｎｏｓｉｓ ｏｆ
ｌｉｑｌｌｉｄ锄蚰ｏＩｌｉａ ｔａｎｌ【翰ｒ ｂ鹊ｅｄ蚰ｐｍｂａｂｍｓｔｉｃ眦ｕｒａｌ耻ｔｗｏｒｋ
ＭＡ Ｃｈｅｎｇ—ｚｈｅｎｇ
（Ｕ眦ｈ叫Ｒ丑ｉｌｗａｙ Ｖｏｃａｔｉｏｎａｌ １ｋｈｎｉｃａｌ Ｃｏｌｌｅｇｅ，Ｄ印姐ｍｅｎｔ ０ｆ
Ｔｒ蛐ｐｏｒｔａｃｉ彻鲫ｄ
ｃｌｅ盯ｐｈｙｓｉｃａｌ
ｃｏｎｃｅｐｔｓ ａｎｄ
ｈｉｇ｝Ｉ ｐｒｅｃｉｓｉｏｎ，的ｔｈｅ ｕ舱ｄ ｍｅｔｈｏｄ ｉｓ ｆｅａＳｉｂｌｅ ａｎｄ ｒａｔｉｏｎａｌ．
ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｏｆ ｈ御ａｒｄｏｕｓ ｃｈｅｍｉｃａｌ
ｉｌＩ ｔｌｌｉｓ
ｐ印ｅｒ ｃ锄ｂｅ舾ｒｅｆｅｒｅｎｃｅ ｔｏ出ｅ
概率密度函数。
工（ｘ）。南×；ｅｘｐ
【一坠≮芋型】
（２）
靠性，又要考虑车辆运行的可靠性。通过可靠度理 论，可以计算设备的安全系数和可靠指标№Ｊ。神经网 络作为一种自适应的模式识别技术，在故障模式识别 领域具有广泛的应用前景。它通过自身的学习机制
式中：ｘ是待分类的检验矢量派（ｘ）是ｐ。类在 ｘ点的概率密度函数值；‰是故障模式中的训练样
康构成巨大威胁，并造成严重的社会影响。如２００２
元中，完成非线性处理后，再送人求和层。ＰＮＮ故 障诊断系统结构如图ｌ。
诊断原始数据 训练样本数据
年７月８日聊城市莘县化肥有限责任公司发生液氨
泄漏事故。２００５年１２月２２日，一辆装载１８．８吨液 氨的槽罐车在贵新公路翻下３０米左右的深沟，造成 槽罐内液氨泄漏。２００８年６月１６日安徽淮南液氨 槽罐车爆胎引起火灾事故。２００９年８月５日赤峰