往復(fù)式壓縮機(jī)因其機(jī)構(gòu)和運(yùn)動(dòng)復(fù)雜導(dǎo)致其故障形式繁多,給人工的診斷過(guò)程帶來(lái)了困難。本文較為全面地綜述了人工智能用于故障診斷的現(xiàn)狀和發(fā)展趨勢(shì),分析了各種人工智能技術(shù)的特點(diǎn)及適用性,提出了今后往復(fù)式壓縮機(jī)故障診斷和人工智能方法結(jié)合的發(fā)展方向。對(duì)于壓縮機(jī)人工智能診斷方法選擇,促進(jìn)壓縮機(jī)智能化發(fā)展有重要意義。 

【文章來(lái)源】：流體機(jī)械. 2020,48(09)北大核心

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

神經(jīng)元模型

支持向量機(jī)是一種監(jiān)督式機(jī)器學(xué)習(xí)方法,它依賴于統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理,并可以對(duì)樣本按照不同的類別標(biāo)記進(jìn)行分類。支持向量機(jī)的分類思想是基于該樣本訓(xùn)練集,在其樣本空間中找到一個(gè)劃分超平面,能夠?qū)⒉煌悇e的樣本劃分開(kāi),使得異側(cè)的支持向量到這個(gè)平面的距離相等且最大。以二維空間為例,其劃分規(guī)則如圖2所示。當(dāng)訓(xùn)練樣本是線性不可分的時(shí)候,就需要引入核函數(shù),將原始空間映射到一個(gè)更高維的特征空間中,使得樣本在這個(gè)空間中變的線性可分,再構(gòu)造出最優(yōu)超平面。統(tǒng)計(jì)學(xué)習(xí)理論是一套針對(duì)小樣本統(tǒng)計(jì)問(wèn)題的學(xué)習(xí)體系,因此使得支持向量機(jī)在非線性和小樣本的分類問(wèn)題上表現(xiàn)優(yōu)異。往復(fù)式壓縮機(jī)的故障診斷模型的訓(xùn)練樣本量少,問(wèn)題復(fù)雜非線性高,正是這一類問(wèn)題。當(dāng)然支持向量機(jī)也有弊端,在線性不可分問(wèn)題上,支持向量機(jī)的構(gòu)造依賴于核函數(shù)的選擇,因此,其分類功能的泛化能力主要也依賴于核函數(shù)。而在支持向量機(jī)的應(yīng)用中,核函數(shù)如何高效準(zhǔn)確的選擇是一個(gè)尚未解決的問(wèn)題[16-18]。

貝葉斯網(wǎng)絡(luò),又被稱為信念網(wǎng)絡(luò),是基于概率論和圖論的一種有向無(wú)環(huán)圖[19],如圖3所示。它主要由兩部分組成:(1)節(jié)點(diǎn),節(jié)點(diǎn)代表隨機(jī)變量;(2)有向弧,有向弧是帶有權(quán)值的箭頭,箭頭的起始端代表“因”,終端代表“果”,權(quán)值代表兩變量之間的依賴關(guān)系,即條件概率[13]。在研究某一問(wèn)題時(shí),所有變量和變量之間的依賴關(guān)系在一個(gè)有向無(wú)環(huán)圖中描述,便是一個(gè)貝葉斯網(wǎng)絡(luò)。貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)可以通過(guò)結(jié)合先驗(yàn)知識(shí)和對(duì)觀測(cè)數(shù)據(jù)的學(xué)習(xí)來(lái)構(gòu)建。貝葉斯網(wǎng)絡(luò)具有很多優(yōu)點(diǎn):(1)在某些領(lǐng)域中,專家的知識(shí)可以分解成因果相關(guān)的依賴關(guān)系直觀的表示在網(wǎng)絡(luò)中,并且以往積累的統(tǒng)計(jì)數(shù)據(jù)可以轉(zhuǎn)換成條件概率融入到模型當(dāng)中,這就使得模型具備了知識(shí);(2)模型可以表示隨機(jī)變量之間的條件概率,這就使得貝葉斯網(wǎng)絡(luò)在不確定推理方面表現(xiàn)優(yōu)異;(3)因?yàn)樨惾~斯網(wǎng)絡(luò)是基于貝葉斯理論進(jìn)行推理的,本質(zhì)上是概率計(jì)算,因此不再需要額外的推理規(guī)則。往復(fù)壓縮機(jī)的故障原因和表象之間具有復(fù)雜的相關(guān)性,并且診斷經(jīng)驗(yàn)具有不確定性,相比于人類貝葉斯網(wǎng)絡(luò)可以發(fā)揮其優(yōu)勢(shì),系統(tǒng)快速精準(zhǔn)地做出診斷[20]。

【參考文獻(xiàn)】：
期刊論文
[1]基于超聲波檢測(cè)的BP神經(jīng)網(wǎng)絡(luò)缺陷識(shí)別方法設(shè)計(jì)[J]. 劉松,顧繼俊,汪穎,陳磊磊,李云龍,李巖.  壓力容器. 2019(08)
[2]往復(fù)壓縮機(jī)變負(fù)荷工況閥片運(yùn)動(dòng)規(guī)律及氣缸內(nèi)狀態(tài)仿真研究[J]. 趙夢(mèng)蕓,程貴健,李強(qiáng),于鐵男,王瑤.  機(jī)電工程. 2019(05)
[3]現(xiàn)代故障診斷技術(shù)研究現(xiàn)狀與趨勢(shì)[J]. 趙慶海,趙瑋,石玉霞.  包裝工程. 2018(15)
[4]藥品智能包裝的模糊灰色故障樹(shù)分析[J]. 鄭明亮.  包裝工程. 2018(07)
[5]基于示功圖幾何性質(zhì)與神經(jīng)網(wǎng)絡(luò)的往復(fù)壓縮機(jī)氣閥故障診斷[J]. 唐友福,王磊,劉樹(shù)林.  壓縮機(jī)技術(shù). 2018(01)
[6]我國(guó)壓力容器設(shè)計(jì)制造與維護(hù)的綠色化與智能化[J]. 陳學(xué)東,范志超,陳永東,崔軍,章小滸,王冰,艾志斌.  壓力容器. 2017(11)
[7]基于互信息的VMD算法在管道泄漏檢測(cè)中的應(yīng)用[J]. 王秀芳,檀麗麗,姜春雷,畢洪波,王冬梅,梁洪衛(wèi).  壓力容器. 2017(08)
[8]燃?xì)釶E管道安全狀況等級(jí)評(píng)定初探[J]. 孟曉麗,郭巖寶,孟濤,王德國(guó),劉柯,陳秋雄.  壓力容器. 2017(05)
[9]基于多源信息融合的往復(fù)式壓縮機(jī)故障診斷方法[J]. 張明,江志農(nóng).  機(jī)械工程學(xué)報(bào). 2017(23)
[10]貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)綜述[J]. 李碩豪,張軍.  計(jì)算機(jī)應(yīng)用研究. 2015(03)

博士論文
[1]往復(fù)活塞式壓縮機(jī)關(guān)鍵部件的故障診斷方法研究及應(yīng)用[D]. 苗剛.大連理工大學(xué) 2006

碩士論文
[1]基于貝葉斯網(wǎng)絡(luò)的氣閥故障診斷研究[D]. 楊瑞.電子科技大學(xué) 2017
[2]基于案例推理的往復(fù)壓縮機(jī)故障診斷專家系統(tǒng)研究[D]. 申大鵬.北京化工大學(xué) 2012
[3]往復(fù)壓縮機(jī)故障診斷專家系統(tǒng)的研究與應(yīng)用[D]. 趙心怡.北京化工大學(xué) 2012
[4]往復(fù)式壓縮機(jī)故障診斷專家系統(tǒng)知識(shí)庫(kù)構(gòu)建與系統(tǒng)實(shí)現(xiàn)[D]. 姚華堂.浙江工業(yè)大學(xué) 2004



本文編號(hào)：2967117