大型復雜機械設(shè)備的故障往往表現(xiàn)為復雜性、不確定性、多故障并發(fā)性等,運用單一的智能故障診斷技術(shù),存在精度不高、泛化能力弱等問題,難以獲得滿意的診斷效果,故急需一種新的思路和方法來解決這些工程實際問題。利用人工神經(jīng)網(wǎng)絡(luò)、模糊邏輯、遺傳算法等單一智能技術(shù)之間的差異性和互補性,揚長避短,優(yōu)勢互補,并結(jié)合不同的現(xiàn)代信號處理技術(shù)和特征提取方法,將它們以某種方式綜合、集成或融合,提出混合智能診斷技術(shù),能夠有效地提高診斷系統(tǒng)的敏感性、魯棒性、精確性,降低它的不確定性,準確定位故障發(fā)生的位置,估計其嚴重程度。因此,研究混合智能技術(shù)及其在故障診斷中的應(yīng)用,具有重要的科學理論意義和工程應(yīng)用價值。論文正是圍繞這一艱難而又誘人的主題,以機械設(shè)備的早期、微弱和復合故障的診斷為目的,對混合智能故障診斷技術(shù)的基本原理和工程應(yīng)用進行了深入的研究。論文介紹了模糊邏輯、神經(jīng)網(wǎng)絡(luò)、聚類算法和遺傳算法等技術(shù)的基本概念和原理,針對每種技術(shù)各舉一例,說明其使用方法和有效性。描述了兩種適合于處理非平穩(wěn)、非線性信號的現(xiàn)代信號處理技術(shù):小波包分析和經(jīng)驗?zāi)Ｊ椒纸�。小波包分析是小波變換的延伸,以不同的尺度將動態(tài)信號正交地分解到相互獨立的頻帶... 

【文章來源】：西安交通大學陜西省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：182 頁

【學位級別】：博士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 設(shè)備狀態(tài)監(jiān)測和故障診斷的意義
    1.2 設(shè)備智能診斷的研究現(xiàn)狀
        1.2.1 故障診斷技術(shù)的研究內(nèi)容和發(fā)展概述
        1.2.2 智能故障診斷技術(shù)的研究現(xiàn)狀
        1.2.3 智能故障診斷技術(shù)存在的問題
    1.3 設(shè)備混合智能診斷技術(shù)的提出和研究進展
        1.3.1 混合智能技術(shù)的發(fā)展概況
        1.3.2 混合智能診斷技術(shù)的提出及其研究進展
        1.3.3 研究現(xiàn)狀總結(jié)分析
    1.4 課題的研究意義和來源
        1.4.1 課題的研究意義
        1.4.2 課題的來源
    1.5 論文的主要內(nèi)容和章節(jié)安排
2 本文研究的技術(shù)背景
    2.1 引言
    2.2 模糊集理論
        2.2.1 模糊集概念
        2.2.2 隸屬度函數(shù)
        2.2.3 應(yīng)用舉例
    2.3 人工神經(jīng)網(wǎng)絡(luò)
        2.3.1 神經(jīng)元模型
        2.3.2 BP 神經(jīng)網(wǎng)絡(luò)
        2.3.3 模糊神經(jīng)網(wǎng)絡(luò)
        2.3.4 應(yīng)用舉例
    2.4 聚類算法
        2.4.1 聚類算法概述
        2.4.2 模糊C 均值聚類
        2.4.3 聚類評價指標
        2.4.4 應(yīng)用舉例
    2.5 遺傳算法
        2.5.1 遺傳算法基本原理
        2.5.2 遺傳算法特點
        2.5.3 應(yīng)用舉例
    2.6 現(xiàn)代信號處理技術(shù)
        2.6.1 小波變換及小波包分析
        2.6.2 經(jīng)驗?zāi)Ｊ椒纸?br>    2.7 本章小結(jié)
3 基于特征評估和神經(jīng)網(wǎng)絡(luò)的智能故障診斷模型
    3.1 引言
    3.2 特征參數(shù)的定義與提取
        3.2.1 特征參數(shù)的定義
        3.2.2 特征提取
    3.3 基于距離的特征評估技術(shù)
        3.3.1 特征選擇技術(shù)概述
        3.3.2 基于距離的特征評估及選擇技術(shù)
    3.4 基于特征評估和神經(jīng)網(wǎng)絡(luò)的智能故障診斷模型
        3.4.1 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)
        3.4.2 診斷模型
    3.5 實驗及應(yīng)用研究
        3.5.1 實驗臺滾動軸承單一損傷故障診斷
        3.5.2 煙氣輪機輕微摩擦故障診斷
        3.5.3 電力機車滾動軸承早期故障和復合故障診斷
    3.6 本章小結(jié)
4 基于組合模糊神經(jīng)網(wǎng)絡(luò)的混合智能診斷模型
    4.1 引言
    4.2 多分類器組合
        4.2.1 基本思想
        4.2.2 實現(xiàn)的框架
    4.3 特征提取與選擇
        4.3.1 時域和頻域特征提取
        4.3.2 特征選擇
    4.4 混合智能診斷模型
        4.4.1 ANFIS 概述
        4.4.2 利用GA 組合ANFIS 的混合智能診斷模型
    4.5 實驗及應(yīng)用研究
        4.5.1 實驗臺滾動球軸承早期故障診斷
        4.5.2 電力機車滾動軸承早期故障和復合故障診斷
    4.6 本章小結(jié)
5 基于混合智能聚類算法的故障診斷方法研究
    5.1 引言
    5.2 聚類特征權(quán)值的學習和樣本權(quán)值的計算
        5.2.1 基于3 層前饋神經(jīng)網(wǎng)絡(luò)的特征權(quán)值的學習
        5.2.2 聚類樣本權(quán)值的計算
    5.3 聚類評價指標的選擇
    5.4 混合智能聚類算法
    5.5 實驗及應(yīng)用研究
        5.5.1 標準聚類問題驗證
        5.5.2 電力機車滾動軸承輕微故障診斷
        5.5.3 電力機車滾動軸承早期故障和復合故障診斷
    5.6 本章小結(jié)
6 混合智能技術(shù)在遠程診斷系統(tǒng)中的應(yīng)用
    6.1 引言
    6.2 潛艇模型振動監(jiān)測與分析系統(tǒng)
        6.2.1 系統(tǒng)總體結(jié)構(gòu)
        6.2.2 系統(tǒng)主要功能
        6.2.3 混合智能技術(shù)在該系統(tǒng)中的應(yīng)用研究
    6.3 皮帶輸送機軸承狀態(tài)檢測與故障診斷系統(tǒng)
        6.3.1 系統(tǒng)總體框架
        6.3.2 系統(tǒng)分析功能
        6.3.3 混合智能技術(shù)在該系統(tǒng)中的應(yīng)用研究
    6.4 本章小結(jié)
7 結(jié)論與展望
    7.1 論文結(jié)論
    7.2 研究展望
致謝
參考文獻
攻讀博士學位期間所發(fā)表論文及科研成果


【參考文獻】：
期刊論文
[1]潛艇主要噪聲源識別方法研究[J]. 章林柯,何琳,朱石堅.  噪聲與振動控制. 2006(04)
[2]一種新的分類方法——屬性均值聚類屬性支持向量機（AMC-ASVM）[J]. 孫喜晨,賀仁亞,封舉富.  北京大學學報(自然科學版)網(wǎng)絡(luò)版(預(yù)印本). 2006(02)
[3]基于特征評估和神經(jīng)網(wǎng)絡(luò)的機械故障診斷模型[J]. 雷亞國,何正嘉,訾艷陽,胡橋.  西安交通大學學報. 2006(05)
[4]基于主成分分析和集成神經(jīng)網(wǎng)絡(luò)的發(fā)動機故障診斷模型研究[J]. 李增芳,何勇,宋海燕.  農(nóng)業(yè)工程學報. 2006(04)
[5]基于模糊神經(jīng)網(wǎng)絡(luò)的薄板不同指標裂紋診斷[J]. 張敬芬,孟光,趙德有.  機械工程學報. 2006(03)
[6]柴油機燃燒系統(tǒng)故障的小波包神經(jīng)網(wǎng)絡(luò)模糊診斷法[J]. 段禮祥,張來斌,王朝暉.  機械強度. 2006(01)
[7]一種基于油中溶解氣體分析的變壓器絕緣故障診斷新方法[J]. 董立新,肖登明,呂干云,劉奕路.  上海交通大學學報. 2005(S1)
[8]諧小波模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用于旋轉(zhuǎn)機械的故障診斷[J]. 彭斌,劉振全.  動力工程. 2005(05)
[9]一種新的機電設(shè)備狀態(tài)趨勢智能混合預(yù)測模型[J]. 胡橋,何正嘉,訾艷陽,雷亞國,劉京科.  機械強度. 2005(04)
[10]基于小波神經(jīng)網(wǎng)絡(luò)的電力電子電路故障模式識別[J]. 李微,譚陽紅,彭永進.  繼電器. 2005(14)

博士論文
[1]基于支持向量機的故障智能診斷理論與方法研究[D]. 何學文.中南大學 2004
[2]分布式智能化狀態(tài)監(jiān)測與故障診斷系統(tǒng)的設(shè)計與研究[D]. 許雪琦.天津大學 2004
[3]基于模式識別的柴油機故障診斷技術(shù)研究[D]. 王志華.武漢理工大學 2004
[4]基于小波和神經(jīng)網(wǎng)絡(luò)的大規(guī)模模擬電路故障診斷研究[D]. 譚陽紅.湖南大學 2005
[5]非平穩(wěn)信號故障特征提取與智能診斷方法的研究及應(yīng)用[D]. 王奉濤.大連理工大學 2003
[6]復雜過程的智能故障診斷技術(shù)及其在大型工業(yè)窯爐中的應(yīng)用研究[D]. 劉曉穎.中南大學 2003
[7]計算智能在機械設(shè)備故障診斷中的應(yīng)用研究[D]. 馮志鵬.大連理工大學 2003
[8]非平穩(wěn)非高斯信號特征提取與故障診斷技術(shù)研究[D]. 鄭海波.合肥工業(yè)大學 2002
[9]基于神經(jīng)網(wǎng)絡(luò)與模糊技術(shù)的內(nèi)燃機熱工故障在線診斷的研究[D]. 薛勝軍.武漢理工大學 2001
[10]轉(zhuǎn)子碰摩非線性行為與故障辨識的研究[D]. 胡蔦慶.國防科學技術(shù)大學 2001



本文編號：3400658