四、基于神经网络的智能故障诊断方法
四、基于神经网络的智能故障诊断方法
故障诊断就是根据所获取的故障信息特征(故障征兆)来判断故障的原因(故障模式)。故障诊断的过程是故障诊断专家进行诊断思维的一种运作方式，它是故障诊断专家利用人类知识通过人类推理来分析故障问题，并作出诊断判断，从而达到解决系统故障的目的。模仿人类问题求解的能力，是人工智能最基本最重要的一项任务，专家系统则是一种特殊的人工智能求解系统。人工智能故障诊断专家系统则是模仿某一领域的人类故障诊断专家进行故障诊断的逻辑思维的过程。
近年来，由于计算机技术、现代测试技术和信号处理技术的迅速发展，故障诊断技术取得了很大的进步。人们已经研究和开发了一些较成熟的诊断技术及理论方法，可以对在多种工作环境条件及运行状态下的机器或工程系统的许多故障模式进行监测、识别、诊断。然而，在工程实际中存在着大量的多故障、多过程、突发性故障及需要对庞大机器或工程系统进行监测和诊断，这些技术手段和理论方法往往显示出较大的局限性，表现在，(1) 不能有效地利用专家的知识和经验；(2) 缺乏推理能力，只能向前推理，不能像专家一样既能向前推理，又能向后推理；(3) 不具备学习机制；(4) 对测试诊断结果缺乏解释，测试诊断程序的修改和维护性差。
随着人工智能技术的迅速发展，特别是知识工程、专家系统和人工神经网络在诊断领域中的进一步应用，迫使人们对智能诊断问题进行更加深入与系统的研究。人们要求智能诊断系统能够有效地获取、传递、处理、再生和利用诊断信息，从而具有对给定环境下的诊断对象进行成功的状态识别和状态预测的能力。智能诊断系统中的知识处理是关键，它包括三个主要步骤，即知识获取、知识存储和知识利用(推理、解释)。根据智能诊断系统在知识处理方法的不同，智能诊断系统分为两大类，即基于符号推理的传统的人工智能诊断系统，和基于人工神经网络的智能故障诊断系统。
对于设备故障来说，每一故障模式都有与其对应的故障征兆，因此故障诊断实
质上属于模式识别领域，可以用人工神经网络（ANN）来解决。将ANN用于机电系统故障诊断问题，国内外研究者已经进行了大量的研究工作。ANN是近年来迅速发展起来的十分热门的交叉学科，涉及生物、电子、计算机、数学和物理等学科，具有广泛的应用前景，将极大地影响未来科学技术的发展。ANN是一种大型的并行分布处理系统，具有鲁棒性好、学习功能强等特点，它模拟人的形象思维能力，适合解决非线性优化、模式识别等问题。
4.1 神经网络理论
人工神经网络是采用物理可实现的系统来模仿人类大脑神经系统的结构和功能的系统。人工神经网络是由十分简单的计算单元广泛互联而形成的大规模并行分布处理网络。ANN是由大量人工神经元按特定方式相互连接而成的大规模网络，每个神经元根据各自的输入不同而决定自己的状态，大量神经元状态改变的集体行为决定了网络的动态行为。
神经网络模型可以从十个方面来描述：处理单元(神经元)、神经网络状态、传播规则、活跃规则、输出函数、学习算法、互连模式、环境、稳定状态以及操作模式。目前，人们已经提出近百种神经网络模型，常用的ANN模型如图4-1所示。
ANN模型
前馈型反馈型
BP网络Kohonen网络自适应共振网络Hopfield网络
有导师学习无导师学习不需要学习
图4-1 常用的人工神经网络模型
在各种神经网络模型中，BP模型是比较成熟和应用比较广泛的一种模型。BP 网络是Rumelhart等人在1985年提出的，它是基于多层前向网络，采用误差反向传播算法(Error Back Propagation，EBP)进行学习训练的一种网络，图4-2为典型的含有一个隐层的三层BP网络模型。
输入层(i ) 隐层(j ) 输出层(k )
x 1
x 2
x n-x n
y 1 y 2
y m
图4-2 三层BP 网络模型
BP 网络是一种多层前向网络，它由输入层、隐层和输出层组成，隐层可以是一层也可以是多层。BP 网络采用的误差反向传播算法是一种有导师学习算法，简称BP 算法。它的基本思想是：对于一个训练样本，将其特征向量输入ANN ，经过ANN 的前向传播计算，得到一个输出，然后将该输出与期望的样本输出相比较，若有偏差，则将该偏差从输出层往回反向传播，调整连接的网络权值和阈值，使网络的期望输出与样本的输出尽量一致。因此，学习训练过程包括输入向量的前向传播和误差的反向传播两个过程。
一般地，BP 网络的隐层较多，则较少次数的权值调整就可以使网络学到样本的知识，并以权值分布的形式存储起来，但是，隐层过多，需要调整的权值个数也大幅度增加，因而网络的学习也会占有较多的时间。在理论上，含有一个隐层的三层BP 神经网络在隐层神经元(节点)数可以任意设定的情况下，可以以任意精度逼近任意连续函数。所以，在大多数应用情况下，都采用仅含有一个隐层的三层BP 神经网络。
对于一个三层BP 网络，设输入层有n 个节点，输出层有m 个节点，隐层有l 个节点，样本数为N ，输入向量为[x 1, x 2, …, x n ]，w ji 为隐层节点与输入层节点的连接权值，则隐层节点的输入和输出为
NET x w j i ji i n
==∑(*)
1 (4-1)
O f NET j j =()
(4-2)
节点的作用函数f 通常选取S 型函数
f x e x
()=+?1
1
(4-3)
设输出层节点k 与隐层节点j 的连接权值为w kj ，则输出层节点k 的输出为
y f w O k kj j j l
==∑((*))1 (4-4)
误差函数采用平方型误差函数，对所有样本，总误差为
E y y
kp kp k m
p N =?==∑∑1221
1($) (4-5) 式中，y kp 为第p 个样本时，输出层第k 个神经元的实际输出，$y
kp 为该样本的期望输出。可以看出，BP 算法使用了非线性优化中的梯度下降法。
BP 学习算法的步骤如下：
(1) 将所有的网络权值和神经元的阈值置一小的随机初始值；
(2) 将第p 个样本输入向量[x 1p , x 2p , …, x np ]输入ANN ，计算该样本的实际输出向量
[y 1p , y 2p , …, y mp ]，重复该计算，从p =1到p =N ；
(3) 按式(5-5)计算误差E ，如果E <ε(给定误差限值)，则转(6)，否则进行权值修正； (4) 按下式改变连接权值：
w t w t x w t ji ji jp p N
ip ji ()()()+=++?=∑111ηδαΔ (4-6)
)1()()1(1
?Δ++=+∑=t w x t w t w kj jp N
p kp kj kj αδη (4-7)
式中，t 为学习迭代步数，Δw t ji ()?1和Δw t kj ()?1分别为上次调整的权值改变量。
(5) 转(2)； (6) 训练结束。
其中，δkp 和δjp 分别为样本p 输入时，输出层节点k 和隐层节点j 的误差项，计算公式为
δkp kp kp kp kp y y y
y =??*()*($)1 (4-8) δδjp jp jp kp k m
kj O O w =?=∑*()*11 (4-9)
η为学习因子，它决定了每次权值修正的量。为了使训练更容易收敛，在权值修正公
式(4-6)和(4-7)中引入了动量项)1(?Δt w ji α和αΔw t kj ()?1，其中称为动量因子。
上述BP 网络的学习算法，实际上是一种批处理方法。
BP 网络的特点是进行非线性映射，它将输入的样本空间通过非线性映射进行分类，擅长解决模式识别和分类问题。因此，比较适用于故障诊断。目前研究的故障诊断的人工神经网络方法多数是基于BP 网络模型的。
4.2 旋转机械振动故障诊断神经网络
以网络联接为主的人工神经网络方法是一种非符号处理方法，是一种自下而上的人工智能方法。人工神经网络故障诊断方法具有学习能力、联想记忆功能、分布式并行信息处理功能，能够克服上述基于符号推理的人工智能方法的局限性。基于符号推理的人工智能故障诊断方法与神经网络故障诊断方法两者在知识处理上特点如表4-1所示。
4.2.1 神经网络的建立
通过分析将旋转机械的故障征兆按照其特征分成5类如图5-3所示，对每类征兆应用一个BP 神经网络来进行映射，并用一个综合神经网络来建立各类征兆与故障的映射关系，如图5-4所示。表4-2为各征兆特征参数，表5-3为各神经网络的参数。
表4-1 人工智能与神经网络知识处理方法的比较
知识处理方法 人工智能(AI) 神经网络(NN)
知识表示 规则式表示体系 权系数矩阵隐式内部表示形式 知识获取
知识库形式
存在知识获取“瓶颈”问题自适应学习方法
便于克服知识获取“瓶颈”问题知识利用
搜索求解和无穷递归 存在“组合爆炸”等问题
联想、记忆推理
便于克服“组合爆炸”等问题
频谱幅值征兆 轴心轨迹形状征兆 升速特性征兆 降速特性征兆 振幅与负荷征兆
旋转机械故障诊断
频谱幅值征兆神经网络 轴心轨迹形状征兆神经网络升速特性征兆神经网络 降速特性征兆神经网络 振幅与负荷征兆神经网络
旋转机械故障诊断神经网络
图4-3 旋转机械故障的主要征兆分类 图4-4 旋转机械故障诊断神经网络结构
表4-2 旋转机械故障诊断神经网络的组成
征兆类 征兆参数 频谱构成征
兆 (0.01~0.39)
f (0.40~0.49)f 0.5
f
(0.51~0.99)
f
1f
2f (3~5)f 奇数f
高频
轴心轨迹征
兆 椭 圆
发散螺旋线 外8字形内8字形
紊 乱
升速特性征
兆 不变化 随转速增加 随转速下降 振幅突然上
升 振幅突然下
降 出现峰值
降速特性征
兆 不变化 随转速增加 随转速下降 振幅突然上
升 振幅突然下
降
振幅负荷征
兆
无影响
再现性强
再现性不强
随负荷增加
注：表中，f 为转子转动频率，下同。
表4-3 旋转机械故障诊断神经网络参数
征兆网络 输入层 节点数 隐 层 节点数 输出层 节点数权重个数
阈值个
数
学习率 动量因子
频谱征兆网 9 10 1 100 11 0.9 0.5 轨迹征兆网 5 6 1 36 7 2.0 0.2 升速征兆网
6 7 1 49 8 5.0 0.8
降速征兆网 5 6 1 36 7 3.0 0.8 负荷征兆网 4 5 1 25 6 0.9 0.5 综合诊断网
5 10 12 170 22 1.0 0.2
4.2.2 样本建立与神经网络训练
以旋转机械的12种典型故障为例，各个征兆对象与对象成员(特征数据)间关系如表5-4所示。将每个征兆对象对应于上述12种故障的征兆进行归类，组成对应对象的神经网络的输入样本，通过每个对象的神经网络，将其映射为一维特征量(特征压缩)，再由每个对象映射获得的一维特征量组成最后的诊断网络的输入向量。通过上述过程，可以得到各个对象的神经网络的结构及其训练样本，如表4-5和表4-6所示。
对于并发多故障是大型复杂机电系统运行中时常出现的，因此故障诊断必须能够对此进行正确的诊断。当对应的故障出现时，综合诊断神经网络输出层对应节点的值为1；反之，当对应的故障不出现时，对应节点输出值为0。一般地，而由神经元作用函数定义可知，诊断神经网络输出层节点的值在[0,1]，因而，输出节点值的大小也表明了该故障发生的一种可能性，即为置信度。这为并发多故障的诊断提供了一条途径，即当诊断网络输出节点的值接近1时，就意味着该故障的出现，所以，当有多个输出节点的值满足这一要求时，就意味着对应于这些节点的故障并发出现，而各个故障发生的程度由对应的节点值表示(置信度)。这样，可以对输出层的每个节点用下面的判定法则，确定对应的故障发生情况
??
?
??<=<≤≥=5.0,12,,2,1,75.05.0,75.0,
][Fault i i i y i y y i 正常状况一般故障严重故障L (4-10)
表4-4 旋转机械典型故障征兆表
征兆类
故障类型号
1 2 3 4 5 6 7 8 9 10 11 12
频谱征兆(0.01~0.39)f 0 0 0 0.10 0 0 0.10 0 0 0 (0.40~0.49)f 0 0 0 0.10 0 0 0.20 1 1 0.7
0.5f 0 0 0 0.10 0 0 0 0 0 0 0.2 (0.51~0.99)f 0 0 0 0.10 0 0 0.1 1 0 0 0
1f 0.9 0.90.90.20.40.80.40.20 0 0 0 2f 0.05
0.050.050.10.50.20.60.30 0 0 0
(3~5)f 0.05
0.050.050.10.10 0 0.10 0 0 0 奇数f 0 0 0 0.10 0 0 0 0 0 0 0.1高频0 0 0 0.10 0 0 0 0 0 0 0
轴心轨迹
椭圆 1 1 1 0 0 0 0 0 发散螺旋线0 0 0 0 0 0 1 0 外8字0 0 0 0 1 0 0 0 内8字0 0 0 0 0 0 0 1 紊乱0 0 0 1 0 1 0 0
升速特性
不变化0 0.30 0.10.20.40.10 0 0 0 随转速增加 1 0.6 1 0.70.30.50.20.2 0 0 0 随转速下降0 0.050 0 0.10.10 0 0 0 0 振幅突然上升0 0.050 0.10.20 0.40.3 0.8 1 0.9
振幅突然下降0 0 0 0.10.20 0.10.3 0.2 0 0.1出现峰值0 0 0 0 0 0 0.20.2 0 0 0
降速特性
不变化0 0.3 0.10.20.4 0.10 0 0 0 随转速增加0 0.050 0 0.10 0 0 0 0 随转速下降 1 0.5 0.70.40.5 0.20.2 0 0 0 振幅突然上升0 0.05 0.10.20 0.10.3 0.2 0 0.1
振幅突然下降0 0.1 0.10.20 0.40.3 0.8 1 0.9
负荷特性
无影响 1 0 0 0 1 1 1 1 1 1 1 再现性强0 1 0 0 0 0 0 0 0 0 0 再现性不强0 0 1 0 0 0 0 0 0 0 0 随负荷增加0 0 0 1 0 0 0 0 0 0 0
表4-5 综合诊断神经网络标准样本
样本号故障名称
输入征兆类
1.频谱征
兆
2.轨迹征
兆
3.升速特
性
4.降速特
性
5.负荷特
性
1 初始不平衡0.1 0.
2 0.1 0.1 0.2
2 临时热弯曲0.1 0.2 0.2 0.2 0.4
3 永久弯曲 0.1 0.2 0.1 -1.0 0.6
4 碰磨0.2 1.0 0.3 0.3 -1.0
5 不对中0.3 0.
6 0.4 0.4 0.8
6 轴承与轴颈偏心0.4 -1.0 0.5 0.5 0.2
7 转子裂纹0.5 -1.0 -1.0 -1.0 0.2
8 联轴器故障0.6 1.0 0.6 0.6 0.2
9 结构共振 0.7 -1.0 0.7 0.7 0.2
10 油膜振荡0.8 0.4 0.8 0.8 0.2
11 油膜涡动0.8 0.8 1.0 1.0 0.2
12 松动 0.9
-1.0
0.9
0.9
0.2
表4-6 综合诊断神经网络标准样本的训练输出
样本号
输出节点号
1 2 3 4 5 6 7 8 9 10 11 12
1 0.993 0.0080.007 0.0000.0000.0000.0000.0000.0000.000 0.000 0.000
2 0.002 0.9920.000 0.0000.0000.0000.0000.0010.0000.000 0.000 0.000
3 0.005 0.0010.998 0.0000.0000.0000.0000.0000.0000.000 0.000 0.000
4 0.000 0.0000.000 0.9980.0010.0000.0000.0000.0000.000 0.000 0.000
5 0.000 0.0040.000 0.0000.9930.0000.0000.0000.0000.000 0.000 0.000
6 0.000 0.0010.001 0.0000.0000.9970.0040.0000.0000.000 0.000 0.000
7 0.000 0.0000.000 0.0000.0000.000 1.0000.0080.0000.000 0.000 0.000
8 0.000 0.0020.000 0.0000.0000.0000.0000.9960.0030.000 0.000 0.000
9 0.000 0.0000.000 0.0000.0000.0000.0000.0050.9990.000 0.000 0.008
10 0.000 0.0000.000 0.0000.0000.0000.0000.0000.0000.996 0.003 0.005
11 0.000 0.0000.000 0.0000.0040.0000.0000.0000.0000.003 1.000 0.000
12 0.000 0.0000.000 0.0000.0000.0000.0000.0000.0020.003 0.001 0.996
4.3 感应电机断条故障诊断神经网络
感应电机是一种将电能转换成机械能或将机械能转化成电能的设备。将机械能变为电能的为发电机；将电能变为机械能的为电动机。
感应电机的故障分析、诊断是设备诊断技术的一个重要部分。由于电机的工作原理和结构上的种种特点，其诊断方法和采用的检测技术也有许多特点。在电机上一个故障常常表现出多种故障征兆，例如，笼型异步电机因笼条断裂或开焊时，就会出现振动增加，启动时间延长，定子电流摆动，电机滑差增加，转速、转矩波动，温升增高等故障征兆，而且它们往往相互关联。断条故障发生后，如电动机继续运行，随着劣化过程断条数量也将越来越多，征兆越来越显著，故障越来越严重，最终使电机失效报废。另一方面，多个故障起因也会同时表现出同一个故障征兆。例如，直流电机由于过载、机械振动、换向器变形、维护不当、温度过低等诸原因，造成换向恶化故障，这些因素往往同时反映出火花加大这一相同征兆。另外，电机运行中由于负载条件、环境条件、或其它运行条件改变等原因，会导致电机出现各种故障，并以各种不同征兆表现出来，其关系是十分错综复杂的。因此，对电机进行故障诊断是十分困难。长期以来，人们进行了大量的研究工作，提出了多种诊断技术和方法，以期能够有效地解决这一问题。如电流分析法、振动诊断、温度诊断，直流电机的换向诊断，振声诊断技术等等
这里在电流频谱分析法的原理基础上，采用神经网络方法对笼型感应电动机转子断条数的诊断。
4.3.1 感应电机断条诊断原理
定子电流的频谱分析是诊断和监测交流电机故障的有效方法，它可以诊断交流电机笼型绕组的断条、静态气隙偏心、动态气隙偏心、机械不平衡等故障。
(1) 转子断条诊断原理
在冷却效果较差时，启动电流产生的热应力和机械应力较大，在重载和频繁启动情况，笼条与端环焊接处是经常发生开焊和断裂的部位。在即将断裂的部位经常出现过热、很高的热应力或机械应力，当达到疲劳极限时笼条断裂，并产生电弧，
在继续启动时，相邻笼条通过更大的电流，并承受更大的机械应力和热应力，造成更多的笼条断裂，故障更加扩大，产生较大的单边磁拉力，使电机产生振动、噪声、定子电流摆动和温升增大、转速波动。
理想的异步电动机定子电流的频率是单一的，即电流频率。但当转子回路出现故障时，定子电流频谱上在与电源频率相差二倍转差频率(±2sf )位置上将各出现一个边频带。设双极异步电动机(p =1)，电流频率为f ，工作时定子绕组产生磁动势m 1为
m K N I t r 11110=??sin[()]ωωφ (4-11)
式中，K 1为与极对数、绕组系数有关常数，N 1为定子绕组每相匝数，I 1为定子电流，
ω为电网角频率ωπ=2f ，φ为转子绕组相位角φθω=?r t ，θ为以机械角度表示的初相
角，ωr 为转子旋转角速度。
当转子绕组存在故障时，转子电流的磁动势被sin 2φ调制，这时定子绕组的磁动势成为
m K N I s t s t 1222
2
32312=
?????{cos[()]cos[()]}ωθωθ (4-12) 式中，s r
=?ωωω
为转差率；K 2为与极对数、转子绕组系数有关常数；N 2为转子绕组
匝数；I 2为转子电流。
式(4-12)中第一项磁动势分量含有3ωt 和3θ，将在三相定子绕组中产生零序电动势，而对电源电流无影响。第二项磁动势分量中含有一个比电源角频率低2s ω的分量，使定子绕组中出现比电源电流角频率低2s ω的三相电流分量，
且与电源电流频率十分接近(因为s 一般在5～10%)，该调制作用使定子电流出现节拍性变化(拍波)，从而也使转子转速按2倍滑差频率波动。转速波动降低了ω()12?s 处的下单边带和电流摇摆幅度，同时又产生了ω()12+s 处的上单边带，并被定子中的三次谐波磁通的调制增强。由此可见下单边带的幅值对电网频率分量之比可以直接反映转子损坏程度。这正是利用异步电机定子电流频谱来诊断断条的原理。
(2) 气隙偏心诊断原理
气隙偏心将导致沿气隙圆周方向的磁导不均匀，造成气隙磁场不对称分布，这种
不对称磁场分布在定子电流中以谐波形式反映出来，这些频率分量为
f n Z n s p
n f ag rt d ws =±?±{()
()
}211 (4-13) 式中，f 1为电源频率，Hz ；n rt 为一整数；Z 2为转子槽数；n d 为任意整数(n d =0，用于
静态偏心；n d =12,L 用于动态偏心)；
p 为极对数；s 为转差率；n s ω为奇整数(1, 3, 5, ……)。 由此可见，气隙偏心频率分布是从低频至高频都存在的。根据这些频率分量大小和变化可以估计转子在气隙中的动态位移值。
(3) 电流分析法诊断方法
以上分析了电流信号频谱成分与电机故障的关系。事实上频谱成分的大小反映了故障的严重程度。因而可以定义电机异常的严重程度SF ：
SF P f sf P f sf P f =
?++()()
()
22 (4-14)
式中，P f ()为电流频率分量的频谱幅值；P f sf ()±2为边频分量的频谱幅值。 不同规格的电机，不同工作条件下，SF 的大小与故障严重程度也是不一样的。如图5-5为转子断条率与严重程度SF 和负载的关系。
由图4-5可以看出，转子断条数与严重程度SF 的关系还与负荷等运行条件有关，因此实际诊断时不能仅仅只用一组严重度值的大小判定电机状态是良好，还是危险。如图4-6为一根断条时定子电流频谱幅值级差与电机负载关系。
转子断条率[%]
严重度（d B ）
图4-5 转子断条率与严重度和负载的关系（把基频成分设为0dB ）
图4-6 一根断条时电流频谱幅值级差与负载电流的关系
4.3.2 感应电机断条诊断神经网络
由(4-12)式可以看出转子断条故障会引起定子绕组电流中出现()12?s f 边频成分。因此，电流频谱中()12?s f 分量大小与断条数有关。但由于负载等运行工况不一样，导致SF 与断条数之间关系变为复杂。为此本节研究采用人工神经网络来诊断转子断条数方法。
用电流频谱中边频幅值大小来诊断电机转子断条数，是一个多维非线性函数映射问题。BP 网络具有很好的非线性映射能力。因此，我们采用三层BP 网络来逼近转子断条数与电机电流频谱分量大小以及其它运行工况参数间的非线性函数关系。 由上面分析可以明确神经网络的输出应反映转子断条数。一般地，大中型笼型电机转子铜条数多在100以内，令N m =100为转子最大总条数，转子断条数为n ，则定义断条指数
y n N m
=
+101()
(4-15) 作为网络输出。从而，无断条时n =0，网络输出y =0.1；一根断条时n =1，网络输出y =0.2。这样就可以将断条数与网络输出值一一对应起来。
网络输出结果与断条数的转换关系为
n yN b m
=?INT(
10
05.) (4-16) 式中，n b 为断条数；y 为网络输出值，断条指数；INT 为取整运算。
40455055606512
14
16
1820222426
负载电流(A)
电流频谱幅值级差(d B )
网络的输入节点选择电流频谱参数，运行工况等参数，并进行归一化处理。确定下面5个量作为网络的输入：
(1) 转差率
x s
1
=
式中，s为实际转差率。
(2) 转差率比
x
s
s
r 2
=
式中，s
r
为额定转差率。
(3) 电流频谱幅值级差：
x
I
I
3
20100 =lg()/
*
式中，I*为下单边频分量频谱幅值；I
为电源频率分量频谱幅值。
(4) 笼条数
x
N
N
m 4
=
式中，N为电机笼条总数；N m为最大笼条总数，N m=100。
(5) 输入电流比
x
I
I
r 5
=
式中，I为实际负载电流；I r为额定电流。
(6) 额定功率比
x
P
P
r
b 6
=
式中，P r为电机额定功率；P b为最大电机功率，P b=2000kW。
由此建立转子断条诊断BP网络结构如图4-7所示。
输入层(i)
隐层(j) 输出层(k)
x 1 x 2
x 4 x 5
y
x 3
x 6
图4-7 笼型感应电机断条数诊断BP 网络模型
4.3.3 网络的训练与测试
以文献上提供的数据如表5-7作为依据，构成网络样本如表4-8所示。用前8个作为训练样本，用后3个作为测试样本，训练及测试诊断结果见表4-8和表4-9。
网络训练时误差控制值设为ε=0.00001，经过18671次学习网络收敛到给定的误差限，训练过程如图4-8所示。由表4-8可以看出，训练结束后所有训练样本的网络输出与样本的目标输出(断条指数)绝对误差均小于0.015。
图4-8 断条数诊断网络训练迭代过程
表4-7 断条数与运行参数的关系
样本号断条情况额定电压
(V)
额定电流
(A)
负载电流
(A)
转速
(r/min)
电源频率
分量(dB)
边频分量
(dB)
电流频谱
级差(dB)
1 无断条380 21.8 21.8 1430115.6 51.6 64.0
2 1根断条380 21.8 21.8 1430115.6 71.0 44.6
3 2根断条380 21.8 21.8 1430115.6 78.
4 37.2
4 3根断条380 15.1 15.1 145049.3 28.4 20.9
5 1根断条380 21.8 24.2 1420116.4 72.0 44.4
6 1根断条380 21.8 19.5 1440114.
7 69.0 45.7
7 1根断条380 21.8 17.4 1450113.7 66.0 47.7
8 1根断条380 21.8 15.8 1460112.8 63.9 48.9
9 1根断条380 21.8 14.5 1470111.9 60.5 51.4
10 1根断条380 21.8 13.4 1480110.2 56.7 53.5
11 1根断条380 21.8 13.0 1490110.9 49.6 61.3
表4-8 训练样本
样本号转差率
x1
转差率比
x2
电流频谱级差
x3
笼条数
x4
负载电流
x5
功率
x6
断条指数y
目标输出网络输出
1 0.0467 1.0000 0.640 0.51 1.0000 0.012430.1 0.101
2 0.0467 1.0000 0.446 0.51 1.0000 0.012430.2 0.215
3 0.0467 1.0000 0.372 0.51 1.0000 0.012430.3 0.303
4 0.0333 1.0000 0.209 0.26 1.0000 0.008600.4 0.412
5 0.0533 1.1429 0.444 0.51 1.1101 0.012430.2 0.211
6 0.0400 0.8571 0.45
7 0.51 0.8945 0.012430.2 0.213
7 0.0267 0.5714 0.489 0.51 0.7248 0.012430.2 0.209
8 0.0133 0.2587 0.535 0.51 0.6147 0.012430.2 0.208
表4-9 测试样本
样本号转差率
x1
转差率比
x2
电流频谱级差
x3
笼条数
x4
负载电
流x5
功率
x6
断条数
实际诊断结果n b(y)
9 0.0333 0.7143 0.477 0.51 0.79820.01243 1 1
(0.195) 10 0.0200 0.4286 0.514 0.51 0.66510.01243 1 1
(0.205) 11 0.0133 0.2857 0.613 0.51 0.59630.01243 1 1
(0.181)
基于神经网络的故障诊断
神经网络工具箱应用于故障诊断 1.问题描述 电力系统的安全运行具有十分重要的意义。当高压变压器或其他类似设备在运行中出现局部过热、不完全放电或电弧放电等故障时，其内部绝缘油、绝缘纸等绝缘材料将分解产生多种气体，包括短链烃类气体（C2H2、CH4等）和H2、CO2等，这些气体称作特征气体。而特征气体的含量与故障的严重程度有着很密切的关系，如下图1所示。将BP神经网络应用于变压器故障诊断对大型变压器的运行有着非常重要的意义。 2.神经网络设计 (1)输入特征向量的确定 变压器的故障主要与甲烷（CH4）、氢气（H2）、总烃（C1＋C2）以及乙炔（C2H2）4 种气体的浓度有关，据此可以设定特征向量由这 4 种气体的浓度组成，即CH4、H2、C1＋C2（总烃）和C2H2，同时也设定了网络输入层的节点数为4个。 (2) 输出特征向量的确定 输出量代表系统要实现的功能目标，其选择确定相对容易一些。只要问题确定了，一般输出量也就确定了。在故障诊断问题中，输出量就代表可能的故障类型。变压器的典型故障类型有：一般过热故障、严重过热故障、局部放电故障、火花放电故障以及电弧放电故障等5种类型，因此这里选择 5 个向量作为网络的输出向量，即网络输出节点确定为 5 个。根据Sigmoid 函数输出值在0 到1 之间的特点，这里设定以0 到1 之间的数值大小表示对应的故障程度，也可以理解为发生此类故障的概率，数值越接近 1 表示发生此类故障的几率越大或说对应的故障程度越大。针对本系统，
设定输出值大于等于0．5 时认为有此类故障，小于0．5 时认为无此类故障。 (3)样本的收集 输入、输出向量确定好以后就可以进行样本的收集。 数据归一化处理时，注意：在归一化处理的时候，因考虑到各气体浓度值相差较大，如总烃的浓度比H2的浓度值高出几个数量级，因此在归一化处理的时候，分别对各个气体浓度值进行处理，即最大值和最小值取的是各气体的最值，而不是所有样本值中的最值。 在本实例中采用：MATLAB利用归一化公式 u=(x-min(min(x)))./(max(max(x))-min(min(x))) （1） 在公式1中x表示所需归一化处理的数据，u表示归一化后的结果 处理结果如下：
智能仪表的远程诊断系统设计概述
智能仪表的远程诊断系统设计概述 智能儀表涉及数据采样和设备执行，一旦发生故障，会对工厂生产过程造成较大的影响，所以工厂希望在仪表发生故障时，能快速地解决存在的问题。由于电动执行机构的复杂性和多样性，用户往往对仪表不熟悉，无法快速排除，而在寻求仪表厂家帮助时，很多时候信息交流不顺畅，厂家无法得到真实的使用情况，造成维修时间较长，对生产造成较大影响。特别是在一些化工、电力、核工业设施等大型工程中更明显，这些部门都要求生产的稳定性，一旦故障长时间不能排除，将导致灾难性的后果。相比之下，通过智能能仪表的远程诊断系统，将仪表生产厂家和应用厂家之间建立了一个充分沟通的渠道，为新型智能仪表的选型指导、现场人机交互、可视化监控、远程专家协同故障诊断、基于大数据的预防性维护等提供了新的技术手段，实现了实时用户APP、远程专家APP多屏同步、远程设置、快速解决仪表使用过程中突发问题，提升售后服务效率，监测产品全生命周期，降低产品运行维护成本、促进企业升级转型。 1 系统总体方案设计 该智能仪表的远程诊断系统主要由新型智能仪表研制和综合服务APP两部分组成。①新型智能仪表研制。针对公司现有电动执行机构和流量计等新型智能仪表系列产品，采用蓝牙4.0高速通信技术，实现智能仪表与手机APP数据交互。开发嵌入式应用软件，扩展仪表自诊断和远程专家协同诊断技术;②综合服务APP开发。开发基于云平台的工业自动化仪表综合服务手机APP，涵盖技术咨询、安装指导、可视化监控、运行优化、服务报修、实时故障诊断、产品健康评估、预防性维护等应用模块。 2 智能手机APP设计 智能手机APP使用成熟的商用操作系统Android/IOS开发，集成了蓝牙技术、云技术，实现了业务层、存储层和感知层的智能互联。
人工神经网络在设备故障诊断中的应用
人工神经网络在设备故障诊断中的应用 程瑞琪 (西南交通大学 成都 610031) 摘 要 介绍了神经网络技术在设备故障诊断中应用的2个主要方向———故障模式识别和诊断专家系统,对应用的方法、特点及存在的问题也 作了概略分析。 关键词 神经网络 故障诊断 模式识别 专家系统中图分类号 TP 18 近年来人工神经网络(Artificial neural network -ANN )的研究发展迅速,ANN 以其诸多优点在设备状态监测与故障诊断中受到了愈来愈广泛的重视,为设备故障诊断的研究开辟了一条新途径。 ANN 具有以下主要特征:①实现了并行处理机制,可提供高速的信息处理能力;②分布式信息存储,可提供联想与全息记忆的能力;③网络的拓扑结构具有非常大的可塑性,使系统有很高的自适应和自学习能力;④具有超巨量的联接关系,形成高度冗余,使系统具有很强的容错能力;⑤是一类大规模非线性系统,提供了系统自组织与协同的潜力。本文作者仅就ANN 用于故障模式识别及诊断专家系统这两个方面应用的主要方法、特点及存在的问题作概括介绍。 1 神经网络与故障模式识别 模式识别是ANN 应用的一个较成功的领域,诊断问题实质上就是一种模式分类,是将系统的状态区分为正常状态或某一种故障状态的问题。通常故障模式的分布是非常不规则的,故要求所用模式分类方法能在模式空间里形成各种非线性分割平面,ANN 的特性使其可以作为一类性能良好的非线性分类器。1.1 方法及特点 ANN 故障模式识别可用图1所示BP 模型来说明 。 图1 BP 网模型 其中网络输入节点对应故障征兆,输出节点对应故障原因。进行故障模式识别时,先用一批故障样本 对模型进行训练,以确定网络结构(隐层及其节点数)和参数(节点间的联接权);网络训练好后,故障的模式分类就是根据给定的一组征兆,实现征兆集到故障集之间非线性映射的过程。 用ANN 作故障模式识别的特点有:①可用于系统模型未知或系统模型较复杂及非线性系统的故障模式识别;②兼有故障信号的模式变换与特征提取功能;③对系统含有不确定因素、噪声及输入模式不完备的情况不太敏感;④可用于复杂多模式的故障诊断;⑤可用于离线诊断,也能适应实时监测的要求。1.2 模型 用于故障模式识别的ANN 模型按学习方式可分有监督学习模型和无监督学习模型两大类,前者主要包括B P 网和径向基函数(RB F )网;后者主要包括自适应共振(ART )网和自组织特征映射(SOM )网。1.2.1 有监督学习模型 BP 网是目前故障诊断中应用最多且较成熟的一种模型,其神经元的非线性映射函数采用Sigmoid 函数,网络训练采用误差反向传播(Back pr opagation )学习算法。BP 网的结构及学习算法简单,但应用中还存在2个问题:一是关于网络的学习,因BP 算法是自适应最小均方(LMS )算法的推广,故网络的学习速度较慢,且可能陷入局部极小值点,针对这一问题已有许多改进的BP 算法;二是关于网络的结构设计,即如何选取隐层及隐层节点数,目前尚无确定的理论和方法。根据Hecht -Nilson 的映射定理:对任何闭区间上的一个连续函数,总可以用含一层隐单元的感知器网来映射;目前应用中多采用含一层隐单元的BP 网。关于隐层节点下限的确定已有一些研究结果,鉴于问题的复杂性,此处不作说明。选择较多的隐层及隐层节点虽可加快学习速度,但使网络的结构变得复杂,网络的推广能力也会变差。实际应用中,通常用对测试样本与学习样本的误差进行交叉评价的试错 法来选择隐层及隐层节点数。 RB F 网是一种较新颖的ANN 模型,只有一层隐含层,输出节点是线性的,隐单元采用对称的高斯基 · 13·第12卷第1期 《机械研究与应用》 ME CHANICAL RESE ARCH &APPLICATION Vol 12No .1 1999
智能健康管理系统方案可行性研究报告(综合版)
智能健康管理系统方案可行性研究报告 （综合版） 目录 一、智能健康管理系统方案介绍 二、智能健康管理系统方案优势与价值 三、智能健康管理系统设计原则 四、智能健康管理系统功能介绍 五、智能健康管理系统客户端APP开发 六、智能健康管理系统子系统组成 七、智能健康管理系统子系统功能 八、智能健康管理系统特点 九、智能健康管理系统服务流程 十、智能健康管理系统应用人群 十一、智能健康管理系统检测设备 十二、智能健康管理系统发展前景 前言 随着人们对健康管理意识的提高及老龄化社会的到来，医院仅仅为患者提供疾病治疗的服务已不能满足大众对健康的需求，这就要医院将智能健康管理系统融入到医疗卫生服务体系中，对居民人体健康状况进行长时间监护管理，并通过相关的健康信息进行疾病的预分析诊断，为居民提供更深层次的健康管理服务。健康管理服务包括健康人群、亚健康人群、疾病人群，以控制健康危险因素为核
心，通过病因预防、临床前期预防、临床预防三级预防并举，实现良性环形运转循环，为居民提供更加系统的健康管理。 正文 一、智能健康管理系统方案介绍 健康管理是一个连续的、长期的、循环往复、始终贯穿的过程，依托互联网+实时健康监测智能穿戴设备+云数据为基础，利用智能健康检测设备、无线通讯、互联网+实体、云计算+人工智能等诸多领域的前沿技术，智能健康管理系统通过对健康大数据的科学运用，为国人提供精准智能健康管理和个体化健康方案，让每个人都享受到带来的健康生活。为老年人群体、亚健康人群、慢性病患者(高血压、心脏病等)。实现院外监测，对亚健康人群和社区居民健康状况进行集中有效的管理(评估、预测和控制)，实现个人对慢性病的早监测、早发现、早诊断和早治疗，实现对老年人和特殊人群的长期有效的病情监控和护理，同时智能健康管理平台为病人建立终身动态电子健康档案。通过物联网和云计算的应用促进健康保健水平的提升，促进资源的高度共享，完善健康保障体系，为医疗改革提供新型的网络化的支撑平台。 二、智能健康管理系统方案优势与价值 健康管理是一种对个人及人群的健康危险因素进行全面管理的过程，提供科学的健康指导、健康生活方式的干预，调动其自觉性和主动性，有效地利用有限的资源来达到最大的健康改善效果，保护和促进人类的健康，真正达到防治疾病的发生，提高生命质量、降低医疗费用的目的。
健康状态监测诊断与远程服务
中国煤科 C C T E G 机电设备健康状态监测诊断与远程服务系统 中国煤炭科工集团信息服务中心 北京天地龙跃科技有限公司
汇报提纲公司介绍 1 系统概述 2 系统架构 3 系统功能与技术实现 4 典型应用案例 5
一、公司介绍 北京天地龙跃科技有限公司（简称“天地龙跃”）是隶属于中国煤炭科工集团有限公司的全资子企业，成立于2004年9月，2016年挂牌成立集团公司信息化服务中心。公司现有职工将近60人，从事软硬件产品开发的工程技术人员达到员工总数的85％以上，其中拥有硕士和博士学历的技术人员高达90%。 煤机电子商务平台在线监测与远程诊断 一体化云服务平台3DGIS智慧矿山技术平台 集团级管理信息化平台
公司介绍 系统概述 1 系统架构 3 系统功能与技术实现 4 典型应用案例 5 汇 报 提 纲 2
?以经验为主，优化设计缺乏数据支撑 ?产品缺陷缺乏问题追溯手段 ?备件生产供应缺乏设备使用状况统计 ?没有稳定的专家团队 作为技术支撑，没有 专业分析诊断系统作为手段；运维人员成为“救火队员”，疲于应付各类设备问题 1 2 3 4 ?不能及时掌握设备运行状态信息 ?非计划停机多,维修资源消耗在故障抢修 设计 生产 使用 运维 存在问题：缺乏统一的设备运行数据共享与应用平台
促进企业从制造向“制造+服务”的转型升级 用户精准服务 成本精准控制 提升产品品牌形象 业务拓展提供数据支撑 ?提高为用户的服务质量 ?提高设备的生产效率和使用可靠性 - 预测性维护指导 - 维护人员及时了解设备故障与提供处理方案 - 被动服务--主动服务 ?有计划的安排设备停机维护时间 ? 大幅度缩短维修时间，降低维护成本 -售后服务、配件销售、大修、再制造、融资租赁等业务 设备监测诊断与远程服务 系统提供强大的信息采集与数据应用平台，为异地服务、设备健康诊断与评估、配件销售与配送、服务人员维护以及客户咨询提供有效的远程支持手段。
基于BP神经网络的故障诊断方法
基于BP神经网络的故障诊断方法
《智能控制基础》 研究生课程设计报告 题目基于BP神经网络的故障诊断方法学院机械与汽车工程学院 专业班级车辆工程 学号221601852020 学生姓名李跃轩 指导教师武晓莉 完成日期2016年12月10日
目录 1 设计概述 (2) 1.1研究对象介绍 (2) 1.2设计内容及目标 (2) 2 设计原理、方法及步骤 (3) 2.1基于BP算法的神经网络模型 (3) 2.2 神经网络信息融合故障诊断步骤 (4) 3 结果及分析 (6) 3.1数据仿真 (6) 3.2 结果分析 (9) 4 设计小结 (10) 参考文献 (10) 附录程序 (11)
1 设计概述 1.1研究对象介绍 信息融合是多源信息综合处理的一项新技术，是将来自某一目标(或状态)的多源信息加以智能化合成，产生比单一信息源更精确、更完全的估计和判决。信息融合所处理的多传感器信息具有更为复杂的形式，可以在不同的信息层次上出现。多传感器信息融合的优点突出地表现在信息的冗余性、容错性、互补性、实时性和低成本性。 神经网络是由大量互联的处理单元连接而成，它是基于现代神经生物学以及认知科学在信息处理领域应用的研究成果。它具有大规模并行模拟处理、连续时间动力学和网络全局作用等特点，有很强的自适应学习和非线性拟合能力，从而可以替代复杂耗时的传统算法，使信号处理过程更接近人类思维活动。 柴油机故障具有相似性，故障与征兆的关系不明确，具有较强的模糊性，故障特征相互交织，柴油机故障诊断是一个复杂的问题。综合柴油机故障的特点以及神经网络的优势，采用基于BP神经网络的多传感器信息融合技术对柴油机机械故障进行诊断。 1.2设计内容及目标 设计内容：针对传统故障诊断方法存在的诊断准确性不高的问题，提出了BP神经网络信息融合的方法，实现对柴油机的机械故障诊断。由多个传感器采
神经网络的电网故障诊断资料
基于新型神经网络的电网故障诊断方法 1引言 快速事故后恢复系统正常运行是减少电能中断时间和增强供电可靠性的必要条件。作为事故恢复的第一步,应实现快速、准确的故障诊断以隔离故障元件并采取相应措施以恢复电能供应。然而在线快速、准确地故障诊断仍是一个悬而未决的难题,尤其在保护和断路器不正常动作或多重故障的情况下,故障诊断更为困难。 故障诊断一般基于SCADA系统所提供的保护和断路器信息来判别电力系统中的故障元件。多种人工智能技术已用于解决此问题,如专家系统[1~4],随机优化技术[5~10]和人工神经网络[11~14]等等。其中基于专家系统的方法得到了广泛的注意和研究。这种方法能够提供强有力的推理并具解释能力,然而专家系统中知识的获取、组织、校核和维护等都非常困难,并成为其应用的瓶颈。而且,专家系统必须搜索庞大的知识库以得到最终的诊断结论,这使得它不能满足故障诊断实时的要求。另外,当系统中存在保护和断路器不正常动作时,专家系统可能会因缺乏识别错误信息的能力而导致错误的诊断结论。 用于故障诊断的另一种较有潜力的方法是基于工程随机优化的方法。这种方法的主要原则是将故障诊断表述为一个整数优化问题,随后使用全局优化方法,如波尔兹曼机[5]、遗传算法[6~8]、仿蚂蚁系统[9]或tabu搜索[10]等,去求解该优化问题。这种方法在实际应用过程中也出现了一些问题:如何确定这些随机优化方法的参数以实现快速正确的故障诊断;如何使这些方法适用于保护和断路器不正常动作的情况等等。 近年来,人工神经网络[11~14]引起了研究工作者的兴趣,因为它具有学习、泛化和容错能力。并且神经元的计算是并行的,这有利于实现实时应用。在神经网络的各种模型中,应用得最为广泛的模型就是BP(Back-Propagation)神经网络。标准的BP模型使用梯度下降算法训练,因此BP神经网络的结构必须是事先已知的,而且该学习算法收敛速度很慢,并有可能收敛于局部最小点。这些不利因素限制了BP模型在故障诊断中的应用。 本文提出使用径向基函数(Radial basis function,RBF)神经网络[15~16]解决电力系统中的故障诊断问题。理论上讲RBF神经网络具有任意函数逼近能力[17]。
电动机健康诊断管理系统
电动机健康诊断管理系统(PPT)目录 一、 GEMS系统核心优势 1、安装简单方便，不需要在现场设备上添加额外装置；ＴＣＰ/ＩＰ通信方式，组网灵活，扩充方便，管理地点不受限制。 2、领先的用电设备的诊断、分析、预测系统。可以学习各种设备的正常用电状态和故障状态，结合系统积累的特征数据库，通过系统内专有的数据模型和算法进行对比分析，对设备的故障隐患进行诊断、分析和预警，并提出解决方案。 3、强大的用户用电系统能效分析体系，简单高效低成本地进行用电管理，全方位地找出节能减排方法，达到杜绝浪费的目的。 4、GEMS和同行业的区别我们不仅仅为节约能源而监测，我们通过领先的专家系统，为用户提供全方位的用电设备诊断维护维修建议和节电解决方案。 二、为企业解决的问题（功能） 1、提高电机及设备运行的可靠性，如果能预测马达的潜在故障就能提前做好维修工作安排，减少的维修时间，使工厂的运转率得到提高，从而达到提高生产效率的作用。（诊断、分析） 2、提高电机及设备管理的效率，降低设备的运行及管理成本（无纸化、联网集中管理） 3、通过监测并诊断出马达的潜在隐患就能更精准合理的管理马达的使用，排除隐患、减少马达的负担，做到节能减排的作用。（实时监测） 4、制定节能运行的精确标准，实现合理用能，减少综合因素造成的不必要能源浪费。（统计分析，用电计划制定） 5、通过预测马达的状态数据就能分析出马达未来的消耗倾向并通过这些数据做好维修材料的采购计划，减少采购材料的积压。减少工厂的库存。(预测) 三、预期效益 1、实现生产环节数字化，使决策更科学 2、实现节能控制智能化 , 使管理更效率 3、实现能耗运营可视化，使运营更直观 4、实现管理调度信息化，使管理更快捷 5、提高了供热品质，打造智慧供热企业的核心价值链 6、降低故障成本 7、降低库存 8、缩短设备早期失效期，提前进入稳定期 9、通过提高设备运行率，增加产能，提高投资回报率 10、综合节能达到30% 四、GESM电机健康管理系统实施方案 1、GEMS系统简介 GEMS 5000系列是一款由电流电压信号分析技术与电动机保护技术相结合的继电器.该继电器不仅可以检测出电动机及与其类似的电力驱动回转设备中通过的电流与电压信号,通过波普分析的处理,对电器部分及机械部分的状态和故障进行综合的分析-诊断-及倾向管理,而且也发挥着继电器保护电动机应有的
土木工程智能健康监测与诊断系统
土木工程智能健康监测与诊断系统 发表时间：2019-07-16T09:14:19.290Z 来源：《工程管理前沿》2019年第08期作者：应继权 [导读] 探究了土木工程智能健康监测与诊断系统，分析了目前需要解决的有关问题，期望经过本研究为未来的有关研究提供相应的参考。武汉中原鹏飞电力工程有限责任公司湖北省武汉市 430000 摘要：在现代化社会当中，我国建筑事业得以快速发展，而土木工程项目的数量不断增多，在这样的情况下，需要构建完善且健全的智能健康监测与诊断系统，进而保证土木工程结构的可靠性以及完整性，提高土木工程项目的抵抗力。基于此，本文探究了土木工程智能健康监测与诊断系统，分析了目前需要解决的有关问题，期望经过本研究为未来的有关研究提供相应的参考。 关键词：土木工程；智能健康监测；诊断系统 随着时代进步与社会发展，我国建筑行业不断发展，这使土木工程项目的数量逐步提高，在这样的大环境下，要加强土木工程智能健康监测与诊断系统方面的研究以及分析，只有这样将此系统运用在土木工程项目当中，才可以提高土木工程项目的整体质量，保证土木工程项目施工作业的正常展开。 一、智能传感元件 在土木工程项目健康监测过程当中，主要是把性能较为稳定的传感元件放入到土木工程结构当中，进而对土木工程项目的结构情况进行全面且实时性监测，这样可以得到更加充分且精确的火速局信息，有效评估土木工程项目结果的可靠性以及安全性。一般情况下，土木工程项目结构主要在比较恶劣的环境当中，所以就传感元件而言，应具备非常充足的可靠性以及稳定性，对监测情况应拥有很大程度上的兼容性，只有这样，才可以和监测需求相符。现阶段，根据智能传感材料情况分析表明，可以为土木工程项目的健康监测奠定良好的基础条件。在现代化社会当中，这样的智能材料应被广泛运用在机械以及航空等多个行业，并且获得了十分明显的成效。在土木工程项目短期监测过程当中，可以使用智能材料完成，在这些技术当中最为成熟的主要是电阻应变丝，此技术对使用设施设备的要求非常低，但是其稳定性与可靠性比较差，非常容易被外部某些条件所影响以及干扰。为了保证土木工程项目的长时间监测，光纤材料属于最佳材料。虽然其对外部设施设备的要求比较高，但是在具体使用的时候具备比较高的稳定性，进而此材料被广泛运用在土木工程领域当中。而疲劳寿命丝可以对土木工程结构的实际寿命展开全面评估，由于其可以对损伤情况进行记录。要想在健康监测过程当中获得更好的成效，应该施加相应的压力，在这样的现象下，广泛运用形状记忆合金非常重要，其一方面可以发挥自身的传感作用以及功能，另一方面也可以充分发挥自身的驱动作用。 二、信号智能处理 随着我国建筑行业的健康可持续发展，土木工程项目的数量逐步增多，在当前的土木工程健康实际监测过程当中，其结构参数非常多，比如，温度、应变以及位移等。与此同时，对于大型的土木工程结构而言，多自由度特征要求的相应监测点非常多，进而需要使用科学合理的传感设备，并且各个参数测量使用的原理存在一定程度上的差异性，特别是在智能传感设备崛起之后，让信号测量存在的差异性非常明显。多传感设备的运用会带来许多问题。首先，多传感设备让各个通道的信号并不一样；其次，相同信号的特征存在一定程度上的差异性；其次，差异性诊断渠道与手段得到偏差性结论；最后，来源多传感设备的诊断决策信息以及检测信息具备非常明显的不确定行。怎样运用多传感设备所具备的不明确信息，逐步提高其确诊的质量以及实际成效，这已经变成了土木工程项目健康监测与诊断系统需要解决的主要问题。 三、健康诊断与安全评定 在土木工程项目实际建设过程当中，要建设完善且健全的智能健康监测与诊断系统，做好健康诊断工作，并且保证其评定工作的可靠性、安全性以及稳定性。健康诊断以及安全评定主要分为两个方面，一个是局部诊断评定，另一个是整体诊断评定。局部诊断评定主要是可疑的土木工程结构构件，也就是说，一般情况下，对土木工程结构构件展开无损检测以及评价，此技术非常成熟，并且关联了当前科学技术的各个分支，比如，检测射线、检测超声以及检测电学等。总而言之，其使用的方法非常多，包含测试硬度方法、超声回弹方法以及磁粉方法等。然而这些方法所花费的费用非常高，某些位置很难接近，对土木工程项目的大型结构难以预测出现损伤现象的部位，并且没有办法做好准备工作。也是因为这样，人们是否可以经过结构特征对损伤情况进行诊断以及评估，表明此方法的可行性。而整体诊断评价主要是对土木工程结构特性情况展开全面测量，经过对这些量的改变情况对土木工程项目结构展开诊断以及评估。四、引入3S系统和虚拟系统 3S系统属于定位系统、遥感系统与地理信息系统整合之后的简称。由于土木工程项目的分布非常广泛，并且其结构个性化特征非常明显。如若仅仅单纯依赖较为独立的健康监测系统难以保证土木工程项目的安全情况，并且在重复设置的时候会出现很大程度上的浪费现象。将GIS系统将运用在土木工程智能健康监测与诊断系统当中，能够将各种类型的结构与检测系统整合成一个比较大的系统，这样能够建设完善的土木工程智能健康监测与诊断系统。现阶段，GPS系统的可靠性以及精准程度逐步提高，并且被广泛运用在我国土木工程项目当中。尤其是RS系统，此系统能够被广泛应用在较为恶劣的灾害条件当中。由于有线传感传输使用的监测系统具备比较低的破坏性，如若使用监测系统可以将其作用全面发挥出来，能够把无线传输科学技术以及通信遥感技术广泛运用在土木工程项目健康监测过程当中。因此，在土木工程智能健康监测与诊断系统当中将3S系统运用其中非常重要。 结束语 总而言之，随着社会进步与经济发展，我国城市化进程不断加快，这使土木工程项目数量逐步增多，与此同时，人们越来越重视土木工程项目的整体质量以及土木结构的可靠性与安全性。在这样的情况下，应建设完善且健全的土木工程智能健康监测与诊断系统，对土木工程项目的健康情况以及安全情况进行判断，并且采取科学合理的措施进行处理，这样可以保证土木工程项目的整体质量。因此，加强土木工程智能健康监测与诊断系统研究非常重要。 参考文献： ［1］李景宏.土木工程结构安全性评估、健康监测及诊断述评［J］.科技传播，2017（19）：63. ［2］林宁.土木工程结构用智能感知材料、传感器与健康监测系统的研发现状［J］.功能材料信息,2017(05):12-22.
心理健康指数智能监控系统
慢病及其高危人群 心身评估诊断 认知行为矫正 智能工具的应用 案例公式化（模式化）方法 心理健康指数智能监控系统 发明专利号：27 创造发明专利人 中科院心理所医学心理学& 天坛医院临床神经心理 博士研究生 中华预防医学会健康风险评估与控制专业委员会委员 全国社区体检人群慢病心身风险评估控制标准化建设 &中国科协健康管理在线项目 聂聪 1 / 35
慢病及其高危人群 慢病人群 糖尿病 心脑血管疾病 COPD 恶性肿瘤 心理精神障碍发病率：17% （2001～2010第三次全国精神卫生流行病学调查） 2 / 35
慢病及其高危人群 慢性病及其高危人群定义 表1-1 慢病机器轧品味人群分类标准 1 慢病患者根据相关标准，可被明确诊断的高血压、糖尿病、冠心 病、脑卒中、慢性阻塞性肺部疾病及其他慢病 2 慢病高危人群满足以下情况之一者 ①超重加中心型肥胖：BMI≥24kg/m2和腰围男性≥90cm，女性≥85cm ②正常高值血压：SBP:130-139或DBP:85-89mmHg ③血脂异常: TC边缘升高≥5.18或TG升高≥2.26 mmol/L ④空腹血糖受损：6.1 mmol/L≤FBG<7.0 mmol/L） ⑤代谢综合征人群：MS诊断标准见附表1-4 ⑥高尿酸血症：诊断标准与指南见附表1-5 3 一般人群除以上情况的人群 3 / 35
慢病及其高危人群 精神疾病（心理异常）人群 神经发育障碍 精神分裂症谱系及其他精神病性障碍 双向障碍 焦虑障碍 应激障碍 躯体症状及相关障碍等等 4 / 35
慢病及其高危人群 精神疾病及其高危人群定义 表1-2 精神疾病及其高危人群分类标准 1 精神疾病患者心理异常、符合相关床诊 断标准 2 高危人群心理正常、符合心理健康 评估预警 3 暂时高危人群 一般人群心理正常、暂时符合心理 健康评估预警诊断标准 诊断临床标注或 提示：暂时性、 一过性或进1~2天 4 除以上情况的人群 5 / 35
智能亚健康检测评估系统企业技术标准2020版
ICS: 备案号： 企业标准 Q/320322JF01-2018智能亚健康检测评估系统 2018-11-01发布2018-11-02实施 发布
智能亚健康检测评估系统 1范围 本标准规定了智能亚健康检测评估系统的分类和命名、要求、试验方法、检验规则、标志、使用说明书、包装、运输和储存。 本标准适用于智能亚健康检测评估系统。 2规范性引用文件 下列文件中的条款通过本标准的引用而成为本标准的条款。凡是注日期的引用文件，其随后所有的修改单（不包括勘误的内容）或修订版均不适用于本标准，然而，鼓励根据本标准达成协议的各方研究是否可使用这些文件的最新版本。凡是不注日期的引用文件，其最新版本适用于本标准。 GB/T191—2008包装储运图示标志 GB/T9969—2008工业产品使用说明书总则 GB9706.1—2007医用电气设备第1部分：安全通用要求 GB/T1.1—2009标准化工作导则第1部分：标准的结构和编写 GB/T14710—2009医用电气设备环境要求及试验方法 3分类与命名 3.1分类 智能亚健康检测评估系统电击防护类型属于Ⅰ类。 智能亚健康检测评估系统应具有适当的防水等级。 3.2型号标记 JF— 产品型号（4025，YYJC） 企业名称的简称 3.3产品结构及组成 本产品由主机、电源线、电极线组成。 4要求 4.1基本要求 4.1.1智能亚健康检测评估系统应符合本标准的要求，并应按照经规定程序批准的图样及技术文件制造。 4.1.2智能亚健康检测评估系统所用原材料应附有质保书，必要时应进行抽检，确认合格后方可使用。 4.1.3智能亚健康检测评估系统所用外购件、外协件，应有质量检验合格证，必要时进行抽检，确认合格后方可装配。 4.1.4正常工作条件 ––环境温度：10℃～40℃；
基于某BP神经网络的故障诊断方法
《智能控制基础》 研究生课程设计报告 题目基于BP神经网络的故障诊断方法学院机械与汽车工程学院 专业班级车辆工程 学号221601852020 学生姓名李跃轩 指导教师武晓莉 完成日期2016年12月10日
目录 1 设计概述 (2) 1.1研究对象介绍 (2) 1.2设计内容及目标 (2) 2 设计原理、方法及步骤 (3) 2.1基于BP算法的神经网络模型 (3) 2.2 神经网络信息融合故障诊断步骤 (4) 3 结果及分析 (6) 3.1数据仿真 (6) 3.2 结果分析 (8) 4 设计小结 (9) 参考文献 (10) 附录程序 (11)
1 设计概述 1.1研究对象介绍 信息融合是多源信息综合处理的一项新技术，是将来自某一目标(或状态)的多源信息加以智能化合成，产生比单一信息源更精确、更完全的估计和判决。信息融合所处理的多传感器信息具有更为复杂的形式，可以在不同的信息层次上出现。多传感器信息融合的优点突出地表现在信息的冗余性、容错性、互补性、实时性和低成本性。 神经网络是由大量互联的处理单元连接而成，它是基于现代神经生物学以及认知科学在信息处理领域应用的研究成果。它具有大规模并行模拟处理、连续时间动力学和网络全局作用等特点，有很强的自适应学习和非线性拟合能力，从而可以替代复杂耗时的传统算法，使信号处理过程更接近人类思维活动。 柴油机故障具有相似性，故障与征兆的关系不明确，具有较强的模糊性，故障特征相互交织，柴油机故障诊断是一个复杂的问题。综合柴油机故障的特点以及神经网络的优势，采用基于BP神经网络的多传感器信息融合技术对柴油机机械故障进行诊断。 1.2设计内容及目标 设计内容：针对传统故障诊断方法存在的诊断准确性不高的问题，提出了BP神经网络信息融合的方法，实现对柴油机的机械故障诊断。由多个传感器采集信号，分别经过快速傅里叶变换后获得故障频域特征值，再经BP神经网络对柴油机进行故障局部诊断，能够对相应传感器的不同故障类型做出一个准确地分类，最终完成对汽轮机机械故障的准确诊断。实验结果表明，该方法克服了单个传感器的局限性和不确定性，是一种有效的故障诊断方法。 采用方法：通过BP神经网络进行局部诊断，最终判定故障及故障类型。基于BP神经网络多传感器信息融合，故障诊断方法是特征层状态属性融合，并利用MATLAB仿真。
2019年人工智能与健康试题(附答案)
一、单选 1.在高血压诊断标准的变迁史上，（）将高血压的诊断标准定为120/80mmHg 以下更受益。（ 2.0分） A.1949年 B.1984年 C.1993年 D.2016年 我的答案：D√答对 2.我国在语音语义识别领域的领军企业是（）。（2.0分） A.科大讯飞 B.图谱科技 C.阿里巴巴 D.华为 我的答案：A√答对 3.中国人工智能产业初步呈现集聚态势,人工智能企业主要集聚在经济发达的一二线城市及沿海地区，排名第一的城市是（）。（2.0分） A.上海 B.北京 C.深圳 D.杭州
4.MIT教授Tomaso Poggio明确指出，过去15年人工智能取得的成功，主要是因为（）。（2.0分） A.计算机视觉 B.语音识别 C.博弈论 D.机器学习 我的答案：D√答对 5.1997年，Hochreiter&Schmidhuber提出（）。（2.0分） A.反向传播算法 B.深度学习 C.博弈论 D.长短期记忆模型 我的答案：D√答对 6.（），中共中央政治局就人工智能发展现状和趋势举行第九次集体学习。（2.0分） A.2018年3月15日 B.2018年10月31日 C.2018年12月31日 D.2019年1月31日
7.（）是指能够自己找出问题、思考问题、解决问题的人工智能。（2.0分） A.超人工智能 B.强人工智能 C.弱人工智能 D.人工智能 我的答案：B√答对 8.据清华原副校长施一公教授研究，中国每年有265万人死于（），占死亡人数的28%。（2.0分） A.癌症 B.心脑血管疾病 C.神经退行性疾病 D.交通事故 我的答案：A√答对 9.2005年，美国一份癌症统计报告表明：在所有死亡原因中，癌症占（）。（2.0分） A.1/4 B.1/3 C.2/3 D.3/4
基于人工神经网络的故障诊断
基于人工神经网络的故障诊断 基于人工神经网络的故障诊断 【摘要】随着高新技术的发展，人工神经网络的模式识别在设备的故障诊断上得以广泛地应用。机器设备或者系统的故障诊断实质是一个模式识别过程。把对经过处理后的信号数据的有效时、频特征值作为神经网络的输入层，利用Matlab软件，便可得到不同的模式输出，进而可以辨别设备是否有故障。 【关键词】人工神经网络；故障诊断；模式识别；Matlab软件 一、人工神经网络综述 BP神经网络是目前应用最为广泛和成功的神经网络之一，它是由一个输入层，一个或多个隐层以及一个输出层组成，上下层之间实现全连接，而每层神经元之间没有连接。网络的学习过程包括信号正向传播和误差反向传播。在正向传播进程中，输入信息从输入层经隐层加权处理传向输出层，经功能函数运算后得到的输出值与期望值进行比较，若有误差，则误差反向传播，沿原先的连接通道返回，通过逐层修改各层的权重系数，减小误差。随着这种误差逆向传播修正的不断进行，网络对输入模式响应的正确率也不断上升。 二、人工神经网络的识别、诊断过程 滚动轴承在设备中是比较典型的，本文以滚动轴承的故障识别、诊断为例。进行模式识别的大体步骤为：首先对经过零均值化后的振动信号数据进行时域、频域分析，将筛选后的有效时域、频域特征值作为人工神经网络输入层的输入，经Matlab软件进行神经网络的训练，最后可得出一个可以识别轴承工作状态的神经网络，进而可以对滚动轴承进行模式识别。可见采用振动信号检测法对机器设备进行故障诊断的过程包含信号采集、特征提取、状态识别、故障分析和决策干预等五个基本环节，在滚动轴承故障诊断中，振动信号的采集是关键，保证信号采集的准确性、合理性和实时性是正确实现故障诊断的前提。（1）信号采集。每台机器设备都有自身的固有频率，若设备发生故障，其频率变化，其振动信号也会发生变化。因此，振动信号可
几种人工神经网络在化工故障诊断中的应用 -王波-201420120310
几种人工神经网络在化工故障诊断中的应用 摘要：人工神经网络是由大量同时也是很简单的处理单元广泛连接构成的复杂网络系统。它具有自学习、高容错和高度非线性描述能力等优点，使其在化工领域得到了广泛的应用。本文简要介绍了几种人工神经网络在化工故障检测与诊断中的应用 关键字：神经网络化工故障诊断 The application of several artificial neural network in fault diagnosis in chemical (School of Chem & Energy Eng, South China Univ of Technol, Canton 510640, China) Abstract: Artificial neural network is a complicated network system with large amount but simple units. It has the ability of self-learning fault diagnosis and high description of non-linear problem. So it was widely used in the field of chemical industry. This paper report the application of several artificial neural network in fault detection and diagnosis in chemical. Keywords: artificial neural network chemical fault diagnosis 1．人工神经网络 人工神经网络（Artificial Neural Network ,ANN),亦称为神经网络
基于某RBF神经网络地故障诊断 - 副本
基于RBF神经网络的故障诊断 摘要: RBF 神经网络即径向基函数神经网络（Radical Basis Function）。径向基函数神经网络是一种高效的前馈式神经网络，它具有其他前向网络所不具有的最佳逼近性能和全局最优特性，并且结构简单，训练速度快。同时，它也是一种可以广泛应用于模式识别、非线性函数逼近等领域的神经网络模型。利用Matlab 神经网络工具箱对变速箱齿轮进行故障诊断仿真,并创建RBF神经网络与BP神经网络来进行故障诊断。通过对比诊断结果，证明RBF网络在诊断精度，诊断速度上均优于BP网络，说明RBF网络应用于齿轮的故障诊断准确、可靠,在机械故障诊断方面具有广泛的应用前景。 关键词:神经网络；故障诊断；Matlab神经网络工具箱；RBF网络； 引言 由于汽车的特殊运行条件和运行环境,以及汽车行驶过程中经常性换档,使得变速箱常发生故障.具体有: 1.(1)异响的原因:①齿轮间隙过大;②轴承磨损松旷，③挂挡齿轮滑键槽与滑键轴磨损松旷;④轴承漏油或壳体漏油以致滑油减少，或变速箱底部放油堵脱落，以致滑油全部漏完，⑤金属小铁件混入变速箱体;⑥滑油粘度不适当或品质不佳，⑦齿轮与轴的间隙过大以致松旷，⑧变速器与飞轮壳连接螺栓松动;⑨发动机与飞轮壳连接螺栓松动。 2. ①挂挡齿轮与被挂齿轮、套牙同套齿都在齿长方向磨成锥形或短缺;②闸叉锁止螺钉松脱，闸叉变形，叉部磨损;③闸轨凹槽磨损，定位钢球磨损，弹簧弹力减弱或折断，④轴承磨损松旷，⑤齿轮间隙过大。 3. ①滑油不够或不适当，致使齿轮磨损，②变速箱混有泥砂污物，致使齿轮磨损，③中间轴变形;④中间轴轴承松旷，致使啮合各齿发生拢击，⑥第二轴常啮合齿轮滚针轴承碎裂或定位圈卡簧破碎，甚至被轧入两啮合齿轮之间。 据统计由齿轮失效引起的汽车变速箱故障占全部原因的10%。在这里齿轮失效的主要形式有齿根裂痕和弯曲疲劳引起的断齿等,因而随着汽车技术的发展,对变速箱实施故障诊断、特别是对齿轮的诊断变得尤为重要。 齿轮是汽车行业主要的基础传动元件，通常每辆汽车中有18~30个齿部，齿
神经网络用于故障诊断的实现方法
神经网络用于故障诊断的实现方法 摘要 通过深入研究人工神经网络理论，探索神经网络技术在某型飞机自动飞行控制系统（CAY）故障诊断中的应用；建立由多个子模块组成的神经网络诊断系统模型，并选择其中一个模块进行设计与训练；训练后的神经网络能很好地对自动飞行控制系统已知故障模式进行识别，实现故障诊断。 关键词：神经网络；自动飞行控制系统；故障诊断
目录 1. 人工神经元模型...................................................................................................... - 1 - 2. BP网络模型............................................................................................................. - 1 - 3. BP网络的设计与训练............................................................................................. - 2 - 4. CAY故障诊断神经网络模型的实现....................................................................... - 3 - 4.1. CAY故障诊断神经网络模型的建立.................................................................... - 3 - 4.2. CAY故障诊断系统神经网络设计与训练............................................................. - 3 - 参考文献........................................................................................................................ - 5 -
基于神经网络的汽车故障诊断
基于神经网络的汽车故障诊断 1.问题描述 这里，我选取了汽车变速箱作为本次故障诊断作为研究对象。在汽车变速箱的故障诊断中，是以不同振动信号下齿轮啮合次数作为故障诊断的参数。这里我们以啮合次数和故障的对应关系通过神经网络的方法进行训练：正常运行状态时啮合次数约为0-70万次、磨损运行状态时啮合次数为70-420万次、故障运行状态(断齿)时啮合次数为420万次以上。为此，通过汽车齿轮箱的振动信号经小波包分解，在各频带能量序列作为诊断的依据。 2.神经网络设计 学习样本与试验中，样本数量的选择应尽可能多，以包含尽可能多的故障类型。现选正常运行状态的特征向量5个，因整个磨损状态所经历的运行时间比较长，故磨损运行状态的特征向量样本多一些，定为11个，断齿状态的特征向量样本5个。因此决策属性有三类，“0”表示正常运行状态，“1”表示磨损运行状态，“2”表示断齿状态。所用数据集见表1： 表1 学习样本 U 频率范围(Hz) D 0~188(a ) 188~37 5(b) 375~56 3(c) 563~75 0(d) 750~ 38(e) 938~112 5(f) 1125~13 13(g) 1313~2 500(h) 1 61.02 2 89.59 3 71.756 150.805 8.516 20.305 33.277 51.463 0 2 85.118 91.616 68.181 165.734 11.592 21.790 35.276 54.154 0 3 55.12 4 95.449 67.286 159.607 8.493 21.543 32.754 53.401 0 4 85.376 113.499 66.016 169.410 10.653 22.283 39.527 56.422 0 5 77.922 101.105 69.232 157.287 9.737 20.664 34.843 53.807 0 6 72.1360 168.310 41.234 109.114 3.86 7 18.659 19.92 8 27.081 1 7 147.527 146.784 59.772 105.212 17.205 19.019 38.907 32.893 1