旋转机械的智能诊断方法研究

1 绪论 1

1.1 课题的背景和研究的意义 1

1.2 设备状态监测与故障诊断概述 4

1.3 旋转机械故障诊断国内外研究现状 6

1.3.1 国内研究现状 6

1.3.2 国外研究现状 8

1.4 本课题的研究内容 9

1.5 本章小结 10

2 旋转机械故障的特点及诊断方法 11

2.1 旋转机械典型故障的特点 11

2.2 旋转机械故障诊断方法综述 12

2.3 基于模式识别的诊断方法 14

2.4 神经网络方法 17

2.4.1 神经网络概述 17

2.4.2 神经网络的拓扑结构 18

2.4.3 神经网络的学习规则 19

2.5 BP网络故障诊断 21

2.5.1 BP网络发展 21

2.5.2 BP网络的设计 23

2.5.3 BP网络诊断结果 24

2.6 专家系统 25

2.7 自组织特征映射神经网络故障诊断 27

2.7.1 自组织特征映射神经网络模型 27

2.7.2 SOFM诊断结果分析 28

3 模糊脉冲神经网络模型 30

3.1 脉冲神经元模型 30

3.1.1 神经元及其行为机理 30

3.1.2 脉冲神经元模型 32

3.1.3 编码方式 34

3.2 模糊脉冲神经网络模型 36

3.3 模糊聚类分析 40

3.3.1 模糊聚类分析数学模型 40

3.3.2 模糊C均值聚类算法 41

3.4 脉冲神经网络与专家系统融合诊断模型 43

4 模糊脉冲神经网络在旋转机械故障诊断中的应用 45

4.1 故障特征提取 45

4.2 基于模糊脉冲神经网络的故障诊断 50

4.2.1 FSNN诊断算法 50

4.2.2 FSNN诊断结果 50

4.3 FSNN聚类有效性分析 55

4.4 本章小结 58

5 基于FSNN与专家系统的融合诊断模型 59

5.1 基于专家系统的故障诊断方法 59

5.2 人工神经网络与专家系统的融合方式 63

5.3 FSNN与专家系统融合诊断模型 65

5.4 实例分析 67

6 基于FSNN的旋转机械在线诊断网络化系统 71

6.1 引言 71

6.2 网络化系统总体结构 72

6.2.1 结构体系概述 72

6.2.2 系统的总体结构 73

6.2.3 网络化系统结构 76

6.3 系统的软件实现 77

6.3.1 系统功能模块 77

6.3.2 FSNN诊断算法实现 80

6.4 网络化系统的通信及实现 83

6.4.1 Socket套接字 83

6.4.2 FTP 84

6.5 本章小结 85

7 遗传算法及其应用 86

7.1 遗传算法的概述 86

7.2 遗传算法的思想 87

7.3 遗传算法的设计与实现 87

7.3.1 遗传算法的三个基本操作 87

7.3.2 遗传算法的实现 88

7.4 遗传算法的优点 95

8 遗传神经网络在旋转机械中的应用建模 97

8.1 基本思想 97

8.2 建模工具箱简介 99

8.3 BP网络算法建模 103

8.4 遗传神经网络建模 107

8.5 仿真结论 111

9 基于遗传算法的烧结抽烟机故障诊断系统 113

9.1 系统硬件实现 113

9.1.1 传感器选型及安装 113

9.1.2 数据采集仪 115

9.1.3 系统硬件布线图 115

9.2 系统软件开发的关键技术 117

9.2.1 软件功能设计 117

9.2.2 软件平台的选择 119

9.2.3 数据存储和管理 119

9.2.4 多线程技术的应用 120

9.2.5 用户主界面设计 120

9.2.6 智能诊断模块 122

10 模糊聚类算法研究 127

10.1 经典模糊理论 127

10.2 模糊聚类分析 128

10.2.1 数据集的C划分 129

10.2.2 聚类目标函数 129

10.3 模糊C均值聚类算法（FCM） 130

10.3.1 算法概述 130

10.3.2 FCM缺陷和不足 131

10.4 粒子群优化模糊聚类算法 132

10.4.1 粒子群优化算法 132

10.4.2 基于PSO的加权模糊聚类算法（PSO-WFCM） 133

10.5 PSO WFCM在故障诊断中的应用 134

11 结论与展望 137

11.1 结论 137

11.2 创新点 138

11.3 展望 138

致谢 140

附录 141

参考文献 142