高浓度转子泵神经网络故障识别方法

2013/12/29 10:02:01      点击:

神经网络具有非线性适应性处理信息的能力,克服了传统人工智能方法过于直觉的缺陷,它不需要预先给出有关模式的经验知识和判别函数,而是通过自身的学习机制形成所要求决策区域。它可以对来自不同状态的信息逐一进行训练而获得一种映射关系,而且如果环境改变,还可以自适应地调制这种映射关系。由于自身的这些特性,神经网络在故障模式识别领域得到了越来越广泛的应用。
利用神经网络进行故障模式识别具有以下特点:
(1)可用于离线诊断,也能适应实时监测的要求。
(2)可用于复杂多模式的故障诊断。
(3)兼有故障信号的模式变换和特征提取功能。
(4)对系统含有不确定因素、噪声及输入模式不完备的情况下不太敏感。
(5)可用于系统模型未知或系统模型较为复杂,以及非线性系统的故障模式识别。
典型的基于神经网络模式识别功能的诊断系统结构如图所示。
由图可以看出,基于神经网络的诊断过程分为两步。
第一步,用一定数量的征兆。
故障训练样本集训练神经网络,得到诊断网络模型;
第二步,应用训练好的网络诊断模型来诊断当前的数据,判断系统是否有故障。通常对训练样本和诊断原始数据进行预处理和特征选取/提取等来为诊断网络提供合适的训练样本和诊断输入。经常用的是用小波(包)变换对数据进行处理,以为神经网络诊断模型提供可用的特征参量。
人工神经网络的基本单元是神经元,单个神经元处理信息的能力很有限,但是多个神经元连成网状结构后具有很强的处理功能,按照不同的神经元连接方式,神经网络可以分为不含反馈的前向网络、反馈网络两种结构形式。人工神经网络的学习规则包括以下几种:相关规则、纠错规则、竞争学习规则、随机学习规则。

                       基于神经网络模式识别功能的诊断系统结构
目前在高浓度泵高粘度泵故障模式识别中应用较多的是多层前向(BP)网络和径向基函数(RBF)网络。这两种算法是有教师型的,有计算速度快、内存消耗低的优点,可用于实时监测和诊断。并且这两种算法模型具有很好的推广性,用于转子泵故障模式识别效果较好。

 

////////////////////////////////////////////////////////////
力华转子泵网www.lihuabengye.com
电话:0575-83539901
传真:0575-83534469



友情链接:    123彩票开户   分分彩   彩票登陆   新二彩票手机app下载   四季彩票