【CN110705812A】一种基于模糊神经网络的工业故障分析系统【专利】

合集下载

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

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。

基于模糊神经网络的智能故障诊断专家系统

基于模糊神经网络的智能故障诊断专家系统

基于模糊神经网络的智能故障诊断专家系统司景萍;马继昌;牛家骅;王二毛【期刊名称】《振动与冲击》【年(卷),期】2017(036)004【摘要】发动机是车辆的核心部件,及时有效地发现并排除故障,对降低维修费用,减少经济损失,增加发动机工作时的可靠性,避免事故发生具有重大的意义。

以某型号发动机为研究对象,运用测试技术、信号处理、小波分析、神经网络和模糊控制理论,提出了基于模糊神经网络的智能故障诊断系统。

建立了发动机故障信号采集试验台,在试验台上人工模拟3种转速下6种工况,通过加速度传感器采集正常工况和异常工况的振动信号,之后利用小波包技术进行消噪处理,并提取出故障信号的特征值,作为网络训练和测试的样本数据。

用样本数据训练和检测自适应模糊神经网络,完成对信号的离线模式识别,之后以测试样本数据实现在线故障诊断,通过仿真分析,取得了很好的诊断效果。

与传统的 BP 神经网络故障诊断方法进行对比,无论在诊断精度上还是学习速度上,模糊神经网络在故障诊断中更具有优势。

同时,在专家系统的理论基础上,将模糊神经网络与专家系统进行信息融合,实现数据接口通信,利用网络的自学习能力建立智能故障诊断数据库和诊断规则库,通过程序语言快速高效的设计出智能诊断系统。

最后,通过发动机故障诊断实例仿真分析,验证了基于模糊神经网络的智能故障诊断专家系统的可行性。

【总页数】8页(P164-171)【作者】司景萍;马继昌;牛家骅;王二毛【作者单位】内蒙古工业大学能源与动力工程学院,呼和浩特 010051;内蒙古工业大学能源与动力工程学院,呼和浩特 010051;内蒙古工业大学能源与动力工程学院,呼和浩特 010051;内蒙古工业大学能源与动力工程学院,呼和浩特010051【正文语种】中文【中图分类】U472.42;U467.4【相关文献】1.基于故障树分析的核动力装置实时智能故障诊断专家系统设计 [J], 蔡猛;张大发;张宇声;金仁喜2.基于模糊神经网络的机载设备智能故障诊断系统 [J], 陈必然;霍立平;黄斌3.基于模糊神经网络的船用柴油机智能故障诊断 [J], 卫明社;李国勇4.基于FTA的水质微型站智能故障诊断专家系统研究 [J], 李新民; 罗学科; 李文; 刘鹏5.基于模糊神经网络的车用发动机智能故障诊断系统 [J], 李国勇;杨庆佛因版权原因,仅展示原文概要,查看原文内容请购买。

基于模糊神经网络的故障诊断系统研究

基于模糊神经网络的故障诊断系统研究

基于模糊神经网络的故障诊断系统研究作者:白殿达来源:《科技信息·中旬刊》2017年第02期摘要:随着科技的迅速发展,大型复杂系统的广泛应用,使得常规故障诊断技术越来越难以满足人们的要求,寻找高效的故障诊断方式和维修思路越来越重要,本文基于模糊推理和神经网络原理,提出构建一种模糊神经网络故障诊断专家系统,其充分地考虑了系统的通用性和灵活性,采用了恰当的推理方法和数据融合算法,提高了系统诊断的可靠性,为设备故障的智能诊断提供了一种新思路。

关键词:故障智能诊断;BP神经网络;模糊推理ABSTRACT:With the rapid development of science and technology,large-scale complex system are widely used,Looking for efficient fault diagnosis methods and maintenance ideas has become a key issue in repairs.The intelligent diagnosis based on the basic theory of fuzzy logic and ANN in this paper.Thesystem combines fuzzy logic with ANN is presented,thinkaboutfullytheuniversalityandagility.Itadoptsrightinducemethodsanddatafusearithmeticwhichimpr ovesthereliabilityofdiagnosis.It provides a new thought to the intelligent diagnosis of equipment fault.Keywords: fault intelligent diagnosis, BP ANN, Fuzzy induce引言故障诊断是指查明导致某种功能失效的原因或性质,判断劣化条件发生的部位或部件。

基于模糊神经网络的电动机的故障诊断

基于模糊神经网络的电动机的故障诊断
5 2. 3 Hz, 70 7. 8 Hz, 80 7. 9H z, 71 0. 6Hz,
同主要分 为定子绕 组故障 、转子绕组 故障 、 流 信号进 行频谱分析 可 以判 断出 电机 故障类 轴承故 障等几类 。根据 多年 经验研 究以及对 型 。而振 动信号 的故障分析 同上 ,只是采用 3 0 % 、1 0 % 、1 5 % 。根据 异步 电动机 的结 构特 点可 知 , 其系 统 主 要分 为 机械 系 统 和 电气 系统 ,机械 系统故 障包括偏 心故障及 轴承故
障,而 电气系统故 障包括定 子绕组和 转子绕 组 故障 。根 据异步 电动机 的常见故 障发生概 率 以及针对 性 ,故本文主要 是对定子 匝间短


电动机故 障的分析 ,其故 障发生概率 分别为 的是时域 的均方根特 征 ,因为它是振 动信号 个 数为 7 个 。 由于 本文 研究 的 电机 故障包 括











鲤筮展. . J
基 于模糊神 经网络的电动机的故 障诊断
中北大学 芦 斌 姚竹亭
【 摘要 】本 文以异步 电动机为研 究对象 ,提 出了一种 基于模糊神经 网络的故障诊断方 法,并进行 了验证 。将模糊逻辑 引进神经 网络,先对输入数据进行模 糊预处 理,然后将模糊化后 的数据导入神 经网络中,最后得出的结果满足实际需求 ,从而证 明了模 糊神经 网络在 异步电动机的故障诊断 中可行性。
【 关键 词】模糊神经 网络 ;异步 电动机 ;故 障诊 断
1 . 引言 路 、转子 断条 、转 子偏心 故障、轴承 内圈故 3 . 1 神经 网络 结构 、输 入和 输 出神经 异 步 电动 机作 为 人们 日常 生活 和 工业 障进行诊 断分析研 究 。 元个数 的确 定

一种基于模糊决策的变压器故障诊断方法及系统[发明专利]

一种基于模糊决策的变压器故障诊断方法及系统[发明专利]

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202010361325.8(22)申请日 2020.04.30(71)申请人 常州大学地址 213164 江苏省常州市武进区湖塘镇滆湖中路21号(72)发明人 张琳 唐瑞 毛国勇 单杰 (74)专利代理机构 常州市英诺创信专利代理事务所(普通合伙) 32258代理人 郑云(51)Int.Cl.G06K 9/62(2006.01)G01R 31/62(2020.01)(54)发明名称一种基于模糊决策的变压器故障诊断方法及系统(57)摘要本发明涉及一种基于模糊决策的变压器故障诊断方法及系统,诊断方法具体包括:获取基于变压器溶解气体比值的三个特征属性;根据特征属性利用决策树法对变压器故障分类;利用模糊数学法对分类的变压器故障建立模糊隶属函数,从而得到变压器故障诊断分析模型;将变压器溶解气体代入变压器故障诊断分析模型进行故障诊断。

本发明引入决策树算法将传统的三比值法中的编码组合去除,直接把比值所对应的数值进行分类,不仅去编码化而且将原本的三比值法从两步诊断变为一步诊断;同时利用模糊数学的方法来建立模糊隶属函数,处理在决策树算法运算过程中所出现的比值范围的边界归属问题,实现对数据的刚性化处理转换为柔性化处理。

权利要求书1页 说明书7页 附图6页CN 111476318 A 2020.07.31C N 111476318A1.一种基于模糊决策的变压器故障诊断方法,其特征在于,包括以下步骤:获取基于变压器溶解气体比值的三个特征属性;根据特征属性利用决策树法对变压器故障分类;利用模糊数学法对分类的变压器故障建立模糊隶属函数,从而得到变压器故障诊断分析模型;将变压器溶解气体代入变压器故障诊断分析模型进行故障诊断。

2.如权利要求1所述的一种基于模糊决策的变压器故障诊断方法,其特征在于,所述基于变压器溶解气体比值的三个特征属性具体包括:C 2H 2/C 2H 4、CH 4/H 2及C 2H 4/C 2H 6。

基于模糊化理论的网络故障分析系统的研究

基于模糊化理论的网络故障分析系统的研究

基于模糊化理论的网络故障分析系统的研究作者:胡凤彦;李天舒;孟明磊;祚禹来源:《价值工程》2010年第23期摘要: 随着网络规模不断扩大、网络设备不断更新、网络拓扑结构日趋复杂,现有网络管理系统已经很难高效准确地管理网络系统。

因此如何通过对网络性能数据的分析让网络管理员更有效的管理网络并快速排除故障显得格外重要。

本文采用与模糊化理论相融合的方式,提出了基于模糊化理论的网络故障分析系统的研究。

对采集的网络数据采取模糊化理论进行分析,来确定系统是否出现故障等。

Abstract: Network is becoming bigger and bigger, network devices keep updating, and netork topology is becoming more and more complex. The current network management systems can not manage network accurately. So, it is extremely important to analyze network performance data to detect and remove network error. The paper introduces a fuzzy-theory-based network error analyzing system. Collected network data is analyzed to determine error based on fuzzy theory.关键词: 网络故障;模糊化理论;网络管理;故障分析Key words: network error;fuzzy theory;network management;error analysis中图分类号:TP393 文献标识码:A文章编号:1006-4311(2010)23-0143-020引言随着计算机网络技术的蓬勃发展,网络在社会生活、工作、学习中变得越来越重要。

一种模糊神经网络模型的优化方法及系统[发明专利]

一种模糊神经网络模型的优化方法及系统[发明专利]

专利名称:一种模糊神经网络模型的优化方法及系统专利类型:发明专利
发明人:李红春,孙彦超
申请号:CN202011243105.1
申请日:20201105
公开号:CN112348155A
公开日:
20210209
专利内容由知识产权出版社提供
摘要:本发明属于模糊神经网络技术领域,公开了一种模糊神经网络模型的优化方法及系统,且所述方法包括:构建模糊神经网络,并初始化所述模糊神经网络的结构、基础权值和基础阈值;初始化粒子种群:设置种群规模为N和最大迭代次数T,并根据所述模糊神经网络的基础权值和基础阈值确定粒子初始位置;计算粒子适应度函数,并通过所述适应度函数计算各个粒子的适应度值;粒子位置、速度迭代更新,并获取每一代更新后粒子的个体极值和全局极值;根据适应度值小于设定值或达到最大迭代次数为原则,评价每一代粒子群中的所有个体,并从中筛选满足原则的粒子最优个体极值和全局极值作为个体最优位置P和全局最优位置P。

申请人:扬州工业职业技术学院
地址:225000 江苏省扬州市华扬西路199号
国籍:CN
更多信息请下载全文后查看。

一种基于模糊神经网络的WSN无线通信模块故障诊断方法[发明专利]

一种基于模糊神经网络的WSN无线通信模块故障诊断方法[发明专利]

专利名称:一种基于模糊神经网络的WSN无线通信模块故障诊断方法
专利类型:发明专利
发明人:薛善良,周奚,韦青燕,朱世照
申请号:CN201710076638.7
申请日:20170213
公开号:CN106912067A
公开日:
20170630
专利内容由知识产权出版社提供
摘要:本发明公开了一种基于模糊神经网络的WSN无线通信模块故障诊断方法,利用DHT11温湿度传感器在不同温度和电压下所对应的发射消耗参数,建立一个模糊神经网络电流模型,用于进行无线通信模块的故障诊断。

对于进行归一化处理后的数据,首先利用减法聚类自适应的确定模糊神经网络的初始结构和参数,然后利用粒子群优化算法和最小二乘法相结合的混合学习方法对模型进行参数优化和调整,最后用训练完毕的诊断模型对测试样本进行故障诊断。

本发明综合模糊推理和神经网络的优点,采用改进的学习算法,针对WSN的电流电压与故障之间的联系,建立无线通信模块的模糊神经网络电流模型,其模型的训练时间短、收敛速度快、故障诊断效率高。

申请人:南京航空航天大学
地址:210016 江苏省南京市秦淮区御道街29号
国籍:CN
代理机构:南京瑞弘专利商标事务所(普通合伙)
代理人:唐绍焜
更多信息请下载全文后查看。

  1. 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. 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. 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)。

(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910303394.0
(22)申请日 2019.04.15
(71)申请人 中国石油大学(华东)
地址 266580 山东省青岛市黄岛区长江西
路66号
(72)发明人 于强 张卫山 房凯 
(51)Int.Cl.
G06Q 10/06(2012.01)
G06N 3/04(2006.01)
G06N 5/04(2006.01)
G05B 19/418(2006.01)
(54)发明名称
一种基于模糊神经网络的工业故障分析系

(57)摘要
本发明提出了一种基于模糊神经网络
(Fuzzy network -FNN)的工业故障分析系统,包
括以下步骤:获取领域内专家经验知识、数据库
中所记载的历史故障数据以及相应故障模式解
释,并进行数据预处理消除异常和补全缺失值;
接下来进行知识数据模糊化;更新解释器,为新
增工业故障模式增加相应故障解释;使用模糊化
后的数据训练神经网络,动态更新神经网络连接
权值;基于神经网络正向推理方法对工业故障进
行诊断分析,
高效准确的判断数据或设备异常。

权利要求书2页 说明书4页 附图1页CN 110705812 A 2020.01.17
C N 110705812
A
1.一种基于模糊神经网络的工业故障分析系统。

其特征在于,知识获取与预处理模块、知识数据模糊处理模块、解释器更新模块、模糊神经网络训练模块、故障模糊推理模块,包括以下步骤:
步骤(1)、在知识获取与预处理模块,接收工作人员输入的与故障诊断分析相关的专家经验知识或是历史工业故障分析数据,经过清洗、筛选、和特征提取,形成有效的故障特征相关信息。

建立工业故障特征数据集C,
C={c 1,c 2,c 3,L ,c m },
元素c i (i=1,2,L ,m)代表各种故障数据,以及故障原因分析数据集F,即故障数据的解释集合
F={f 1,f 2,f 3,L ,f n }
其中,元素f i (i=1,2,L ,n)代表各种可能的故障原因解释集合。

步骤(2)、在知识数据模糊处理模块,对故障诊断分析相关的专家经验数据知识进行模糊化处理,根据隶属度函数从具体的输入故障数据得到对模糊集隶属度。

故障特征数据模
糊化后构成模糊向量:
是故障分析数据c i 的隶属度,同时将故障原因集合进行模糊处理后构
成故障原因模糊向量。

其中是故障原因f i 的隶属度,即可能性大小。

故障分析模糊向量对应着模糊神经网络的神经元域,作为神经网络神经元的输入。

步骤(3)、在解释器更新模块,将故障原因分析数据集F,即故障数据的解释集合F={f 1,f 2,f 3,L ,f n }(元素f i (i=1,2,L ,n)代表故障原因解释集合)更新到综合数据库中,为解释器中新增工业故障进行故障解释。

步骤(4)、模糊神经网络训练模块,使用模糊化的专家经验知识以及历史故障数据训练模糊神经网络。

模糊神经网络最上层为工业故障特征向量输入层,中间层网络为故障原因分析层,最下层网络为输出层。

建立工业故障向量与故障原因向量模糊矩阵,作为模糊神经
网络连接权值矩阵:
矩阵中连接权值代表了故障特征向量到原因的模糊关系。

其中r ij 表示故障数据中第i 个特征到第j种类故障的映射,即故障分析知识。

设定故障诊断模型为β为特征系数,模糊矩阵r ij 将通过模糊神经网络对故障分析样本学习得到。

通过实际故障样本不断对模糊神经网络进行训练,不断修正模糊矩阵r ij ,从而提高系统故障分析的准确性与可靠性。

权 利 要 求 书1/2页2CN 110705812 A。

相关文档
最新文档