基于概率神经网络的液氨汽车罐车复合故障诊断
基于神经网络的工业设备故障诊断方法研究
基于神经网络的工业设备故障诊断方法研究随着工业化的不断深入，越来越多的工业设备被广泛应用于各行各业中。
然而，随着设备的使用时间的增加，故障的发生也不可避免。
为了保证设备的正常运行，提高工业生产效率和安全性，基于神经网络的工业设备故障诊断方法成为了研究的热点。
一、神经网络在工业设备故障诊断中的应用在工业设备故障诊断中，神经网络具有很大的应用价值。
因为神经网络具有自适应性、非线性、模糊性、并行性等特点，这些特点可以帮助神经网络通过学习和训练从而得出准确的诊断结果。
在工业设备故障诊断中，神经网络通常被用作分类器，将工业设备故障分为各种不同的类型，从而提供必要的修复方案。
二、神经网络模型的构建构建一个可靠的神经网络模型是关键因素之一，这需要合适的数据集和神经网络算法。
在选择数据集时，应确保包含足够的数据，而且数据集应该包括各种不同类型的故障。
为了训练神经网络，可以采用适当的算法，如BP神经网络、RBF神经网络、SVM神经网络等，以获得更好的诊断结果。
三、具体的工业设备故障诊断案例工业设备故障诊断应用非常广泛，并且在许多行业中都应用到了。
下面，我们以电力行业为例，介绍其中一个具体的案例。
某电力厂的双机组汽轮发电机组，工作5年后出现了频繁的故障，导致发电机的正常运行一度受到了影响。
由于故障原因不明，经过多方的调查和检测，仍未找到明显的原因。
为了解决这个问题，研究人员使用神经网络方法进行了故障诊断。
首先，收集了大量的运行数据和历史故障数据，并对数据进行预处理，包括数据过滤、数据去重、数据归一化等处理。
然后，使用BP神经网络对数据进行训练，得出了准确的故障诊断结果。
经过多次实验和验证，研究人员终于找到了故障的根本原因，进而采取相应的措施，维护了发电机的正常运行。
四、神经网络方法在工业设备故障诊断中的优势与传统的故障诊断方法相比，神经网络方法具有以下优势：1. 自适应性：神经网络具有自适应学习的能力，能够快速适应不同的工业设备类型和故障类型，提供更准确的诊断结果。
基于概率神经网络的汽车防抱死控制系统故障诊断方法研究
Internal Combustion Engine &Parts0引言随着汽车的快速普及，汽车行驶的安全性能也成为重要的评价指标之一。
汽车防抱死控制系统作为主动安全装置能够有效的控制车辆在制动时的运动状态，提高汽车的安全性能。
防抱死控制系统已成为现代车辆不可缺少的安全装置，因此对其故障诊断方法的研究也越来越重要。
汽车防抱死控制系统其技术状况和工作能力可由下述两方面进行表征：ABS 传感器的工作状况、ABS 对于制动力握力损失与恢复的调节。
所以，对于ABS 故障的诊断实际上是对其调节器和传感器的状况评判[2]。
文献[8][9]指出新型PNN 神经网络可以对发动机系统进行故障诊断且具有速度快和准确率高等优点。
本文依据汽车制动时6个速度的参数作为PNN 神经网络的输入，并将ABS 系统中传感器和调节器的故障点作为输出，设计出一种基于概率神经网络的ABS 故障诊断方法。
1防抱死控制系统简介1.1防抱死控制系统的工作原理汽车电控防抱死控制系统（Anti-Lock Brake System ，ABS ）是现在汽车必备的主动安全装置，当汽车出现过度制动车轮有抱死倾向时，ABS 将控制制动压力调节器，提高制动时汽车的稳定性，确保制动距离保证行驶时的安全性。
防抱死制动系统主要由轮速传感器、加速度传感器、电子控制单元、制动压力调节器组成。
每个车轮上的轮速传感器检测其速度并将速度的大小传递给ECU 。
在一般的制动情况下，制动力较小，车轮不会出现抱死的情况，ABS 也不会工作。
但是当车轮出现紧急制动，车轮趋于抱死时，ECU 发出指令，制动压力调节器实施增压、保压和减压相应工作，确保滑移率在最佳的范围内，确保汽车的行车安全。
1.2防抱死控制系统故障诊断通过对ABS 系统的功用及工作原理的分析，可以看出ABS 的工作时间，如何控制车轮的制动力是其技术状况和工作性能的评判标准。
所以对于ABS 故障的诊断就是对轮速传感器以及执行器制动压力调节器的故障诊断。
一种基于神经网络的汽车故障诊断方法
喷 油 器 高压 油 管 振 动 减 弱 ，波 形 幅 开 启 压 力 降 低 ， 大 油 压 也 最
弹簧折断 值明显减小 ， 变化平缓。
２信 号 特 征 提取 ．
降低 。
如 表 １所示
ｎｔｎｗ （１ ｍ ｘｐ，１， ｔ ｓ ＇ｏｓ ’ａｎｄ ’ ｅ ｅ ｆ 『ｉ ａ （） ３４ ａ ｉ ， ｇｉ ） ｒｉｇｘ； ＝ ｌｎ ［ ｎ ｇ＇ ｇ ， ｌ ｔ ） ％定 义神 经 网
络
表 １故 障名称及其对应的特征
振 动 波 形 油 压 波 形
针 阀磨损 高压油管压力减弱 ，波形振 最大油压降低 ， 喷射 时间缩 动减 弱， 幅值减小 。 短。
喷 油 嘴 高 压 油 管 压 力 升 高 ，波 形 幅 总 喷 射 面 积 减 小 ， 大 油 压 最 积碳 值 明 显增 大 ， 形 振 动 频 繁 。 上 升 ， 射 时 间 延 长 。 波 喷
ｎｔｒｉＰ ｒｍ． ｏｈ＝ ５ ０％最 大训练次数 ｅｔ ｎ ａａ ｅ ｃ ｓ １０ ； ．ａ ｐ ｎｔｒｉＰ ｒｍ． ａ＝ ．１ ）练要求精度 ｅｔ ｎ ａａ ｇ ｌ００ ； ｌ ．ａ ｏ ％ｉｌ ｎｔｒｉＰ ｒｍ．＝ ．１％学 习率 ｅｔ ｎ ａａ １ ００ ； ．ａ ｒ ｎ ｔ ｒ ｉ Ｐａ ａ １ ｉ ＝ ． ； ｅ． ａｎ ｒ ｍ． ｎ １ ５ ｔ ｒ ｅ ０ ％学习率 ｌ增长 比 ｒ ｎｔｒｉＰ ｒｍ． ｅ＝ ．； ｅｔ ｎ ａａ １ ｄ ｃ０７％学习率 ｌ下降 比 ．ａ ｒ ｒ ｎｔｒｉＰ ｒｍ．ｅ ０９％动 量 因子 ｅｔ ｎ ａａ ｍ ＝ ．： ．ａ ｎｔｔ ｉ（ｅ，ｔ％对 网格进行训练 ｅ ｒ ｎｎｔ ，； ＝ａ Ｐ） 可调用 ｓ （ｅ，１命令查看对样本 ｐ ｉ ｎｔ ） ａ ｒ ｐ １的诊断决策情况。 可调用 ｇ ｓ （ ｔ １ ｅｉｎ，） ｎ ｍ ｅ 一 命令查看网格结构。 源程序设 置训 练次数为 ｌＯ ＯＯ次 ， 但网格在不到 ２ ０次的时候就收 ５ 敛， 达到设 定的精度要求 。整个训练过程的误差变化如图 ２ 所示 。
《基于CNN-SVM的TE化工过程故障诊断研究》
《基于CNN-SVM的TE化工过程故障诊断研究》一、引言在TE（Tennessee Eastman）化工过程中，故障诊断是确保生产过程稳定、高效运行的关键环节。
随着大数据和人工智能技术的快速发展，基于机器学习的故障诊断方法在TE化工过程中得到了广泛应用。
本文提出了一种基于CNN（卷积神经网络）和SVM（支持向量机）的混合模型，用于TE化工过程的故障诊断研究。
二、相关工作近年来，深度学习和机器学习在故障诊断领域取得了显著成果。
CNN因其强大的特征提取能力，在图像处理和模式识别方面具有优异表现。
SVM则以其优秀的分类性能，在各类故障诊断问题中得到了广泛应用。
然而，单一模型的性能往往受限于数据集的复杂性和多样性。
因此，结合CNN和SVM的混合模型成为了一个值得研究的方向。
三、方法本文提出的基于CNN-SVM的TE化工过程故障诊断模型，主要包括以下步骤：1. 数据预处理：对TE化工过程的数据进行清洗、标准化和归一化处理，以适应模型输入。
2. CNN特征提取：利用CNN模型从原始数据中提取有用的特征信息。
3. 特征降维：对提取的特征进行降维处理，以减少模型的复杂性和计算量。
4. SVM分类器：将降维后的特征输入SVM分类器，进行故障类型的分类和诊断。
四、实验与分析1. 数据集与实验环境本文使用TE化工过程的标准数据集进行实验。
实验环境包括高性能计算机、深度学习框架（如TensorFlow）和机器学习库（如Scikit-learn）。
2. 模型训练与调参通过交叉验证和网格搜索等方法，对CNN和SVM的参数进行优化。
在训练过程中，采用早停法和动量优化器等技术，以防止过拟合并加速模型收敛。
3. 实验结果与分析本文对比了基于CNN、SVM以及本文提出的CNN-SVM混合模型的故障诊断性能。
实验结果表明，基于CNN-SVM的模型在故障诊断准确率、召回率和F1分数等指标上均取得了显著提升。
此外，本文还对不同故障类型进行了详细分析，探讨了模型在不同故障类型上的诊断性能。
基于神经网络和支持向量机的复合故障诊断技术
对于非线性问题, 可以通过非线性变换将其
转化为某个高维空间中的线性问题, 在变换空间
中求得最优分类面。在上面的问题中, 只涉及了 训练样本之间的内积运算。这样, 在高维空间实
际上只需进行内积运算, 而这种内积运算是可以
用原空间中的核函数实现的。根据泛函的有关理
论, 只要 有一种核 函数 K ( x i, yj )满足 M ercer条 件, 它就对应着某一变换空间中的内积。因此, 在
束条件:
y i (wx i + b ) - 1∀ 0 i= 1, !, n
( 1)
下求函数:
(w ) = 1 #w # 2 = 1 (w ∃ w )
( 2)
2
2
的最小值的优化问题。
把这个问题转化为如下的对偶问题: 即在约
束条件:
n
i=
y
1
iai
=
0
ai ∀ 0
i= 1, !, n ( 3)
下对 ai 求下列函数的最大值:
ZHAO H a i yang, W ANG Jin dong, L IU Shu lin, CH EN Gu i juan ( D aqing Petro leum Institute, Daq ing 163318, Ch ina)
Abstrac t: A ccording to diffe rent advantages o fA rtific ia l N eura lN e tw ork and Suppo rt V ector M ach ine, a compound fau lt d iag nosis techn ique based on A rtific ia l N eura lN e tw ork and Suppo rt V ector M ach ine is introduced for different stages of application. T h is techn ique can not only am algam ate new fau lt in fo rm ation, but also keep the fault diagnosism ode l on the optim ized identifica tion sta te. T ake the fau lt diagnosis o f rec iproca ting com pressor cy linde r system as an ex am ple, effectiveness o f the techn ique is va lidated. K ey word s: a rtific ia l neura l netw ork; support vecto r m ach ine; fau lt diagnosis; reciprocating com pressor
基于神经网络的汽车发动机故障诊断研究
第19卷第1期2011年3月山东交通学院学报JOURNAL OF SHANDONG JIAOTONG UNIVERSITY Vol．19No．1Mar．2011收稿日期:2011－01－07作者简介:郭荣春(1977—)，女，山东临沂人，山东交通学院讲师，工学硕士，主要研究方向为汽车构造与故障诊断．DOI :10．3969/j．issn．1672－0032．2011．01．004基于神经网络的汽车发动机故障诊断研究郭荣春，高树文(山东交通学院汽车工程系，山东济南250023)摘要:将BP 神经网络应用于汽车发动机故障诊断。
利用实际测试的怠速不稳故障样本训练网络并进行测试。
结果证明，BP 神经网络应用于汽车发动机故障诊断，效果良好，具有较高的诊断效率和准确度。
关键词:BP 神经网络;发动机;怠速不稳;故障诊断中图分类号:U472．9文献标志码:A文章编号:1672－0032(2011)01－0014－04汽车发动机运行状况十分复杂，其故障呈现多部位、多现象、非线性等特点，因此故障诊断较为困难。
目前人们还未能准确了解故障发生的机理，也不能通过足够精确的模型来描述发动机故障系统。
因此要求我们构造一个能够像现场诊断专家一样具有智能、能对故障实例进行学习、从大量的样本中提取故障特征并从中获得判断及预测能力的系统。
人工神经网络理论的发展为解决这类问题提供了途径，利用它的自适应学习能力，将大大提高系统的识别能力和智能程度。
本文将神经网络应用于汽车发动机故障诊断，以提高故障诊断的准确度。
1BP 神经网络人们常把按误差逆传播算法训练的多层前馈网络，称为BP 网络。
BP 算法的基本思想是:学习过程由信号的正向传播与误差的逆向传播2个过程组成。
正向传播时，模式作用于输入层，经隐层处理后，传向输出层。
若输出层未能得到期望的输出，则转入误差的逆向传播阶段，将输出误差按某种形式，通过隐层向输入层逐层返回，并“分摊”给各层的所有单元，从而获得各层单元的参考误差(误差信号)，以作为修改各单元权值的依据。
基于神经网络的汽车故障诊断分析
Internal Combustion Engine&Parts0引言汽车作为当今社会重要的交通工具，已经成为人们生活的一部分，而随之带来的汽车故障问题也成为人们面对的困惑之一。
凭借经验和技巧诊断汽车故障的方法并不适合非专业驾驶员，人工智能的出现为汽车故障诊断提供了一种新的方法。
目前广泛应用的故障诊断专家系统是一种基于知识和规划的推理系统，在此基础上的人工神经网络克服了基于逻辑与符号处理的专家系统的局限性，使汽车故障诊断的准确性与可行性大大提升。
1BP神经网络预测模型BP神经网络是一个具有高度非线性的超大规模连续时间动力系统，是由大量的处理单元（神经元）广泛互连形成的网络。
本运算单元，每个神经元都存在其相应的阈值，各神经元的输出信号是其净输入信号的非线性函数，输入信号即为与其相连的神经元的输出信号和加权后的和。
若输入信号的加权集合比其阈值大，可激活该神经元并输出相应的值。
多层BP神经网络结构中，输入矢量为Χ∈R n，Χ=（x0，x1，x2，…，x n-1）T，隐含层有q个神经元，Z∈R q（z0，z1，z2，…，z n-1）T，输出层有m个神经元，y∈R m，T=（y0，y1，y2，…，y m-1）T，输出层和隐含层之间的权为ωji，阈值为θj，隐含层和输出层之间的权为γtk，阈值为θ1t，各层神经元输出符合下列公式：转换函数采用Sigmoid函数f u=11-e-u，其中，u为各层输出加权求的值。
BP算法实际上是一种有教师的学习算法，若设输入学习样本为P个，Χ1，Χ2，…，Χp，教师为t1，t2，…，t p。
在BP 神经网络模型中，将输入层与隐含层的阈值写入连接权中，即θj=ωjn，θ’t=γtp，x n=-1，z q=-1，则有：将第i个样本输入到BP神经网络模型中，得到输出y t，t=0，1，…，m-1，其误差为各神经元误差之和，表示为：对于P个样本，其误差为：2神经网络训练本文以汽车电气系统故障诊断为例进行分析。
神经网络在液体火箭发动机故障检测中的应用(ⅱ)模式识别技术
神经网络在液体火箭发动机故障检测中的应用(ⅱ)模式识别技术摘要：本文旨在介绍神经网络（NN）在液体火箭发动机故障检测中的应用，并探讨其与传统模式识别技术（PAT）的比较。
首先，本文提供了液体火箭发动机故障检测技术和模式识别技术的背景知识，包括高压电气声学技术（HPET）和特征提取方法。
其次，本文将讨论NN在液体火箭发动机故障检测中的应用，旨在提高检测的准确性，以减少故障的情况。
本文还尝试比较了利用NN和PAT的结果，由此可以证明NN 在液体火箭发动机故障检测中表现出优越的性能。
关键词：神经网络，液体火箭发动机故障检测，高压电气声学技术，模式识别技术正文：1. 引言本文旨在介绍神经网络（NN）在液体火箭发动机故障检测中的应用，并探讨其与传统模式识别技术（PAT）的比较。
液体火箭发动机（LRE）是宇宙立体平台技术的重要组成部分，其可靠性对宇宙飞行任务至关重要[1]。
随着太空航天技术的发展，对LRE的可靠性寿命和可靠性要求显著提高。
因此，必须检测和检测LRE中的故障，以减少造成的损失。
2. 技术背景2.1 液体火箭发动机故障检测液体火箭发动机（LRE）故障检测是一项关键任务，旨在及早识别和检测LRE中可能发生的故障，以减少由故障造成的损害。
目前，已经开发出了许多基于传感器的检测方法，如高压电气声学技术（HPET）[2]、声纳（SNA）[3]和光学检测技术（ODT）[4]。
其中，HPET是一种常用的技术，可以检测微小的振动，从而进行故障检测。
2.2 模式识别技术模式识别技术（PAT）是一类常用的故障检测技术，以及识别信号中的特征，从而将其分类成正常状态和故障状态。
常用的PAT方法包括小波变换（WT）[5]，统计特征提取（STEF）[6]，聚类方法（Clustering）[7]等。
其中，小波变换（WT）是一种常用的特征提取方法，可以有效的提取LRE振动信号的特征，用以进行故障诊断。
3. 神经网络在LRE故障检测中的应用随着神经网络技术的发展，神经网络也被用于故障检测，能够更好地提取振动信号中的特征，实现更高准确度的故障检测。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于贝叶斯决策准则来判断状态描述为ｍ１：
ｄ（ｘ）∈吼（＾，坼（ｘ））
则正（ｘ）属于口；
（１）
应急救援系统，部分地区已实现了危险品道路运输 实时监控。但我国的危险品道路运输安全研究起步
较晚，研究也多集中在风险评价与线路优化及应急 救援方面。这方面的研究主要有任常兴、吴宗之等
（１）若以（＾。ＺＺ（Ｘ））＞以（＾６Ｚ以（Ｘ）），口≠６）， （２）若以（＾。Ｚ√：（Ｘ））＜ｐ。（＾６Ｚ以（Ｘ）），ｏ≠６）， 则正（Ｘ）属于６；
ｐｍｂａｂｉｌｉｓｔｉｃ肿ｕ同ｎｅｔｗｏｒｋ．Ｕｓｉｎｇ
ｉｎｄｅｘ
ｐａｒ锄ｅｔｅ璐船ｔｈｅ
ｔｏ
锄ｐｌｅｓ，ｔＩｌｅ
ｎｉａ
ｓｅｎｓｅ
ｕｎｋｎｏｗｎ ｆ越ｌｕｒｅ ｍｏｄｅｓ ｗｅｒｅ ｄｉａｇｎｏｓｅｄ．Ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｌｌｏｄ
ｗ鹊印ｐｌｉｅｄ
ｐｍｖｅ ｔｈｅ ｌｉｑｕｉｄ ａｍｎｌｏ—
ｄａ扭ｗｈｉｃｈ ｐｒｏｖｉｄｅｄ ｂｙ ｐｒｅｓｓｕ陀ｖｅｓ∞ｌ ｉｎｓｐｅｃｔｉｏｎ ｏｆ
Ｇ啪ｍ鲥ａｒｅａ．Ｔｈｅ
ｃｏｍｐｏｕｎｄ
ｒｅｓＩｌｌｔ ｉｎｄｉｃａｔｅｄ ｔｈａｔ ｔ王ｌｅ ｍｏｄｅｌ
ｈ躺ｔｌｌｅ ａｄｖ粕ｔａｇｅｓ ０ｆ ｔｈｅ
Ｔｈｅ ｗｏｒｋ ｓｐｅｃｉｆｉｅｄ ｔａｎｋ
ｃａｒ．
Ａｂｓｔ瑚旺＝ｔ：ＦａＩｌｌｔ ｄｉａｇｎ０８ｉｓ ｉｓ ｉｍ舯ｆ吨ｍｔ
陀ｑｕｉｒｅｍｅｎｔｓ ｏｆ
ｔ０
ＥｃｏｎｏＩＩｌｉｃ
Ｍａ啮ｇｅｒ眦ｎｔ，Ｌｉ啦ｈｏｕ ５４５００ｒ７，Ｃｈｉ眦）
ｅｍｕｒｅ ｔｌＩｅ ｓａｆ音ｔ）ｒ ｏｆ ｈａ嬲一ｏｕｓ ｃｈｅｍｉｃａｌ ｔａｎｋ ｃａｒ’ｔｒ肌ｓｐｏｒｔａｔｉｏｎ．Ｆｍｍ ｔＩＩｅ
安全承压附件下分为安全阀、爆破片、紧急切断装
动轴、回转部分、可动部分之间的间隙（ＰＤ），罐体标 准常温下屈服强度与抗拉强度之比（Ｙｓ），单车空载、 静止状态下最大侧倾稳定角（ｓＡ），罐体腐蚀裕量 （ｃＡ），罐体错边量（ＡＴ）这９项指标参数作为引起液 氨汽车罐车复合故障的输入变量。
３．２
ＰＮＮ的创建
ＰＮＮ输入层有９个结点，分别对应上节所建立
万方数据
第３期
中国安全生产科学技术
・１１５・
自动形成所要求的决策区域，充分利用状态信息，对
１
引言
随着我国交通运输基础设施的不断完善，覆盖
来自不同状态的信息逐一进行训练而获得映射关系。
其中概率神经网络ＰＮＮ的优势在于利用线性学习算 法来完成以往非线性学习算法所做的工作，同时又能
城乡、高速公路的现代物流网已经初具规模，汽车运 输业得到大力发展。道路运输因其机动灵活、快速
２概率神经网络理论 概率神经网络（Ｐｍｂａｂｉｌｉｓｔｉｃ
Ｎｅｕｒａｌ Ｎｅ舢ｏｒｋｓ，
ＰＮＮ）由ｓｐｅｃｈｔ根据贝叶斯分类规则与Ｐａｍｎ概率
密度函数提出。这种网络对应的权值就是模式样本
的分布，网络只需要对平滑因子进行经验式估计，将 待测样本Ｘ由输入层直接送到模式层各个类别单
运输事故率相对较低，但由于运输路线常常经过城 镇或高密集人群区，且本身具有强腐蚀性和毒性，一 旦运输液氨的汽车罐车发生事故，将对区域安全健
人提出的危险品道路安全运输路径优化方法以及风 险管理体系；杨琳、吴宗之提出的危险品运输选线定 量风险评价模型；王艳华、佟淑娇、陈宝智等提出的 危险化学品道路运输系统危险性分析等［２引。
运输系统的定量风险评价更多地要求对人机系 统的可靠性进行研究，即既要考虑操作人员的操作可
式中：ｄ（ｘ）为检验矢量ｘ的决策；＾。＾。分别是 以和仇类的先验概率；ｚ。、屯分别是对优和巩类故 障诊断代价因子以（ｘ）以（ｘ）分别是以和巩类的
ｍｅｎｔｓ ｏｆ ｌａｗｓ ｉｎ ｄｏｍｅｓｔｉｃ８，ｔｈｅ ｆａｕｌｔ ８ｉｇｎａｔｕｒｅ Ｔｈｅ
ｐ猢ｅｔｅｒｓ
ｗｅｒｅ
ｅｓｔａｂｌｉｓｈｅｄ鹪ｉｎｐｕｔ ｎｏｄｅｓ ｏｆ ｐｍｂａｂｉｌｉｓｔｉｃ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ．Ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｆａｕｌｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ
７６．４
（３）加强安全管理，齐备相应手续和资质，制定
安全操作规程和管理制度，定期开展针对操作、押 运、驾驶等有关人员的安全技术教育，使其懂得如何
在汽车罐车出现意外情况下采取必要的应急措施， 进行简要诊断和维修。随车运输时，配备足够的干
ｃＴ
ＰＤ
ＹＳ
ＳＡ
ＣＡ
ＡＴ
粉灭火器。如遇雷雨等极端恶劣气候，或罐车及管
０ Ｏ
利用归一化后的故障特征指标数据作为网络训 练样本，创建ＰＮＮ用于故障诊断，创建格式为：ｎｅ￡
＝ｎｅｗｐｎｎ（Ｐ，Ｔ，Ｓｐｒｅａｄ）
筒体倾覆
贯穿性裂纹 安伞附件失效导致泄漏 安全附件锁死导致超压 局部腐蚀老化
０ ＯＯＯ ０
Ｏ Ｏ ｌ Ｏ Ｏ
０ Ｏ Ｏ ｌ Ｏ Ｏ ＯＯ ＯＯ ｌ
其中，Ｐ和Ｔ分别为输入向量和目标向量， Ｓｐｒｅａｄ为平滑因子，取默认值ｏ．１。这是因为当平 滑因子为０．１时，无论逼近性能还是诊断性能，误差
第７卷第３期
２０１１年３月
中国安全生产科学技术
Ｊ伽ｍａｌ
ｏｆ Ｓａｆｅｔ）ｒ ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏ舒
Ｖ０１．７ Ｎｏ．３ Ｍａｒ．２０１ｌ
文章编号：１６７３一１９３Ｘ（２０“Ｊ—０３—０１１４—０５
基于概率神经网络的液氨汽车罐车复合故障诊断宰
马成正
（柳州铁道职业技术学院运输与经济管理系，柳州５４５０ｃｒ７）
摘要：故障诊断在保证危险化学品汽车罐车运输安全方面具有重要意义。从国内交通运输安全 的实际要求出发，依据液氨汽车罐车的结构特点及国家法律法规的要求，比较全面、系统地分析了 液氨汽车罐车故障特征的相关参数，并将其作为概率神经网络的输入结点。根据实际町能发牛的 故障分类模式，考虑到故障诊断的容错能力和自适应能力，提出了基于概率神经网络的复合故障 诊断模型。利用指标参数作为网络训练样本，对未知故障模式进行诊断，并以广西地区压力容器 检验所液氨检测数据为例进行说明。理论分析和实例计算表明，该模型物理概念清晰，计算结果 合理，精度较高，在危险化学品汽车罐车故障诊断中有很好的适用性。该项工作可为我国危险化 学品汽车罐车故障智能诊断的深入开展提供参考依据。 关键词：概率神经网络；液氨汽车罐车；故障诊断；测试样本 中图分类号：Ｕ４９２．８ 文献标识码：Ａ
预处理Ｈ特征选取Ｈ叫学习训练
图１基于ＰＮＮ的系统诊断结构
制药集团液氨罐车泄漏事故等均造成了不同程度的
人员伤亡和环境破坏。 鉴于危险化学品运输事故的严重后果，近年来 我国加强了对危险品道路运输系统的安全管理，正 在建立和完善基于３Ｇ技术的事故预测预警系统和
对于具有吼，如，…，以，…，ｐ，的多类问题而言， 一个ｐ维矢量．）｜ｆ＝｛戈，，算：，…，并ｉ，．一，％｝７的测量集，
加上正常状态，可以认为一共有６种故障模式，这６
种故障模式作为输出层的结点。
表１故障特征指标数据
利用二进制数格式描述这６种故障模式，如表
２所示。
表２故障模式分类 故障模式 正常 对应描述
ｌ Ｏ ＯＯ ０ ｌ
８
９］；Ｐ＝ｐ；ｆｏｒ
ｉ＝１：８
Ｐ（ａ（ｉ），：）＝（ｐ（ａ（ｉ），：）一ｍｉｎ（ｐ（ａ （ｉ），：）））／（ｍａｘ（ｐ（ａ（ｉ），：））一ｍｉｎ（ｐ（ａ （ｉ），：）））；ｅｎｄ
都比较小。 ３．３故障诊断分析
０ Ｏ Ｏ Ｏ ０ Ｏ●
输入层数据之间具有不同的单位和量级，相差 较大，所以在输入ＰＮＮ之前应该进行归一化以加快 训练网络的收敛性。对于已经位于区间［０，１］的数 据则无须进行归一化处理。代码为：ａ＝［１
２ ３ ４ ５ ７
首先对建立的网络对训练数据进行分类，代码
为：ｙ＝ｓｉｍ（ｎｅｔ，Ｐ）；ｚｄ＝ｖｅｃ２ｉｎｄ（ｙ）。在Ｍａｕａｂ
ａｎｄ ｌｉｑｕｉｄ啪ｍｏｎｉａ ｔａｎｋ ｗｅｒｅ ａｎａｌｙｚｅｄ ｐ锄锄ｅｔｅ璐ｏｆ ｌｉｑｕｉｄ锄ｍｏｒＩｉａ ｔａｎｋ ｆｅａｔｌｌｒｅ８ ｏｆ
ｃａｒ ｃａｒ
ｔｒ舭ｓｐｏｒｔａｔｉｏｎ∞ｃｕｒｉｔｙ，ｂ鹊ｅｄ ｏｎ山ｅ ｓｔｍｃｔｕｒａｌ
ｔｌｌｅ ｒｅｑｕｉｒｅ－ ａｌｌ ｓｉｄｅｄｌｙ．
Ｃｏｍｐｏ蚰ｄ
ｆａｕｎ ｍａｇｎｏｓｉｓ ｏｆ
ｌｉｑｌｌｉｄ锄蚰ｏＩｌｉａ ｔａｎｌ【翰ｒ ｂ鹊ｅｄ蚰ｐｍｂａｂｍｓｔｉｃ眦ｕｒａｌ耻ｔｗｏｒｋ
ＭＡ Ｃｈｅｎｇ—ｚｈｅｎｇ
（Ｕ眦ｈ叫Ｒ丑ｉｌｗａｙ Ｖｏｃａｔｉｏｎａｌ １ｋｈｎｉｃａｌ Ｃｏｌｌｅｇｅ，Ｄ印姐ｍｅｎｔ ０ｆ
Ｔｒ蛐ｐｏｒｔａｃｉ彻鲫ｄ
ｃｌｅ盯ｐｈｙｓｉｃａｌ
ｃｏｎｃｅｐｔｓ ａｎｄ
ｈｉｇ｝Ｉ ｐｒｅｃｉｓｉｏｎ，的ｔｈｅ ｕ舱ｄ ｍｅｔｈｏｄ ｉｓ ｆｅａＳｉｂｌｅ ａｎｄ ｒａｔｉｏｎａｌ．
ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｏｆ ｈ御ａｒｄｏｕｓ ｃｈｅｍｉｃａｌ
ｉｌＩ ｔｌｌｉｓ
ｐ印ｅｒ ｃ锄ｂｅ舾ｒｅｆｅｒｅｎｃｅ ｔｏ出ｅ
概率密度函数。
工（ｘ）。南×；ｅｘｐ
【一坠≮芋型】
（２）
靠性，又要考虑车辆运行的可靠性。通过可靠度理 论，可以计算设备的安全系数和可靠指标№Ｊ。神经网 络作为一种自适应的模式识别技术，在故障模式识别 领域具有广泛的应用前景。它通过自身的学习机制
式中：ｘ是待分类的检验矢量派（ｘ）是ｐ。类在 ｘ点的概率密度函数值；‰是故障模式中的训练样
康构成巨大威胁，并造成严重的社会影响。如２００２
元中，完成非线性处理后，再送人求和层。ＰＮＮ故 障诊断系统结构如图ｌ。
诊断原始数据 训练样本数据
年７月８日聊城市莘县化肥有限责任公司发生液氨
泄漏事故。２００５年１２月２２日，一辆装载１８．８吨液 氨的槽罐车在贵新公路翻下３０米左右的深沟，造成 槽罐内液氨泄漏。２００８年６月１６日安徽淮南液氨 槽罐车爆胎引起火灾事故。２００９年８月５日赤峰