人工神经网络在设备故障诊断中的应用
基于神经网络算法的智能设备故障诊断系统的设计
基于神经网络算法的智能设备故障诊断系统的设计随着智能设备的普及和广泛应用，智能设备故障诊断系统的需求也越来越重要。
传统的故障诊断方法，主要是基于人工经验和专业知识，但由于设备结构复杂，标准化程度低，人工诊断准确率低，效率低，成本高，无法满足快速、准确的故障诊断需求。
因此，基于神经网络算法的智能设备故障诊断系统应运而生。
一、神经网络算法介绍神经网络是一种结构类似人脑的算法，是一种模仿人类神经系统模式的算法。
它可以从数据中学习，并基于数据进行推理、决策。
对于智能设备故障诊断系统来说，神经网络算法可以通过对设备的信号和表现进行学习、分析、预测，并识别设备的故障类型。
二、神经网络的应用在实际应用中，神经网络算法可以应用于多个领域。
例如，在工业领域中，神经网络可以对设备故障进行智能诊断和预测。
在医学领域中，神经网络可以应用于医学图像识别和疾病预测。
在金融领域中，神经网络可以应用于风险评估和市场预测。
在物联网领域中，神经网络可以应用于智能交通、智能家居、智能制造等多个方面。
三、智能设备故障诊断系统的设计针对智能设备故障诊断系统的需求，该系统的设计流程如下：1. 数据采集：通过传感器或其他检测设备采集设备的状态数据，包括工作电压、工作温度、工作时间、运行频率等。
2. 数据预处理：将采集到的原始数据进行预处理、清洗、去噪、降维等操作，以提高数据的质量和减小数据集规模。
3. 特征提取：通过特征提取技术，从预处理的数据中提取出与故障相关的特征，例如时间序列分析、频域分析、小波分析等。
4. 模型建立和训练：利用神经网络算法，进行模型的建立和训练，并对模型进行优化，使得模型的泛化能力和预测准确率更高。
5. 故障诊断和预测：将实时采集到的状态数据输入已训练好的神经网络模型中，进行故障的诊断和预测，并输出故障种类、位置和程度等信息。
6. 诊断反馈和维护：将诊断结果反馈给操作员，并进行故障的修复和维护。
四、智能设备故障诊断系统的优点相比传统的故障诊断方法，基于神经网络算法的智能设备故障诊断系统有以下优点：1. 自适应性和灵活性较强：由于神经网络算法可以从数据中学习和推理，因此具有自适应性和灵活性，可以适应不同设备和环境的变化。
人工神经网络在战车电气设备故障诊断中的应用
收稿日期5225作者简介刘俊琦(2 ),男,湖南人,硕士研究生,主要从事战车故障诊断技术的研究。
文章编号:1002206402(2006)增刊20022203人工神经网络在战车电气设备故障诊断中的应用刘俊琦,汤霞清,杨国振(装甲兵工程学院,北京 100072) 摘 要:针对现代战车电气设备日益复杂、精密程度逐步提高的趋势,将人工神经网络技术引入故障诊断,结合其自主学习、自适应能力强的优势,能帮助维修人员迅速定位故障,具备了高精度、多故障同时实时诊断的能力。
关键词:人工神经网络,电气设备,智能诊断中图分类号:TG 115 文献标识码:AApp lica t ion of Ar tif ic i a l Neura l Networ k i n theFa ult D i agn os is of Veh icle E lectr ic In str um en tL I U Jun 2qi ,TAN G X ia 2qing ,YAN G Guo 2zhen(A ca demy of A rm ored F orce E ng ineer ing ,B e ijing 100072,China ) Abstra ct :For t he elect ric inst rum en t ’s becom ing m o re and m o re com p lica ted in the m odern veh icle ,thea rt ific ial 2neural 2ne t w o rk po ssessing the pow e rful se lf 2study and adap ting ability is adop t ed to i m p rove the t radit i ona l fault diagnosis technology .W ith it the engineer can f ind and repa ir severa l fau lts qu ick ly,exact lyand convenien tly one t i m e.Key words :a rt ificia l neural netw ork ,elect ric inst rum ent ,in telligent diagnosis引 言诊断技术发展至今已经历了三个阶段。
基于人工神经网络的电力系统故障诊断技术研究
基于人工神经网络的电力系统故障诊断技术研究人工神经网络技术在电力系统的应用中具有广泛的应用前景。
其中，电力系统故障诊断技术是电力系统运行中最为重要的技术之一。
本文将探讨基于人工神经网络的电力系统故障诊断技术研究，以及在电力系统故障诊断方面进行改进的方法。
一、人工神经网络人工神经网络(简称ANN)是模拟人脑神经元之间相互连接的计算系统，以实现信息处理和知识存储，并能自适应地从经验中学习。
ANN的结构与人脑的结构相似，包括输入层、隐含层和输出层。
一般采用BP神经网络进行模型训练，训练完成后可以用于诊断设备故障。
二、基于ANN的电力系统故障诊断方法在电力系统的诊断过程中，ANN具有很好的特征提取和模式识别能力，可以有效地解决复杂设备故障的问题。
目前基于ANN的电力系统故障诊断方法主要分为以下几种：1. BP神经网络模型BP神经网络是一种典型的ANN模型，其训练和预测过程都比较简单。
在电力系统故障诊断方面，BP神经网络可以处理包括高压开关、变压器、发电机等在内的多种设备的故障。
2. RBF神经网络模型RBF神经网络是一种具有高度非线性特征的ANN模型。
在电力系统故障诊断中，RBF神经网络可以有效地处理低压电力设备的故障。
并且，该模型具有很强的学习能力和泛化能力，可以在复杂环境下进行预测和诊断。
3. SOM神经网络模型SOM神经网络是一种具有很强的自组织特征的ANN模型。
在电力系统故障诊断中，SOM神经网络主要用于电力监控系统中，可以对设备的状态进行实时监测和处理。
三、改进基于ANN的电力系统故障诊断方法无论是BP神经网络、RBF神经网络还是SOM神经网络，都存在着一些缺点和不足。
为了使其在电力系统故障诊断方面发挥更大的作用，需要进行改进。
当前，主要有如下改进方法：1. 搭建深度神经网络模型深度神经网络(Deep Neural Network)可以通过多层隐藏层来提高模型的非线性拟合能力。
在应用于电力系统故障诊断时，搭建深度神经网络模型可以提高模型的准确率和诊断精度。
浅谈网络故障诊断技术中人工智能技术的应用
浅谈网络故障诊断技术中人工智能技术的应用网络故障是面向互联网服务的重要问题之一，而人工智能技术则被广泛应用于现代网络故障诊断中。
本文将从网络故障诊断的定义、人工智能技术的发展和应用、以及案例分析等方面，探讨人工智能技术在网络故障诊断中的应用。
一、网络故障诊断的定义网络故障是指网络中某个或某些节点、链接、传输介质等故障，导致网络中断或者网络性能下降的情况。
网络故障诊断就是在出现网络故障时，通过分析网络中各种节点、链接、传输介质等信息，确定故障的位置、性质和原因，以便及时解决问题。
二、人工智能技术的发展和应用人工智能技术是指利用计算机模拟、拓展和扩展人类的智能或产生出一种新的智能。
人工智能技术的发展日新月异，特别是近年来深度学习等技术的广泛应用，极大地推动了人工智能技术的发展。
在网络故障诊断中，人工智能技术主要应用于以下几个方面：1. 数据分析和挖掘方面：利用人工智能技术对网络故障相关数据进行分析和挖掘，帮助诊断网络故障。
2. 自动化故障处理方面：依据先前的配置信息和故障数据，自主制定应对策略。
3. 模式识别方面：利用人工智能技术识别网络故障模式，以达到快速准确地诊断网络故障。
三、案例分析1. 谷歌使用人工神经网络诊断YouTube故障2018年10月，YouTube出现故障，大批用户无法访问。
谷歌随即使用人工神经网络对服务器进行了分析，并对YouTube故障进行了更快的处理。
人工神经网络利用了机器学习和大规模并行计算等技术，帮助谷歌诊断和处理网络故障，缩短了故障处理时间。
2. 阿里巴巴使用自然语言处理技术诊断云服务器故障2018年4月，阿里巴巴云出现了断电突发事故，导致部分用户无法正常使用云服务器。
阿里巴巴利用自然语言处理技术对大量的用户反馈进行分析，并利用人工智能技术确定断电原因和处理措施。
四、总结人工智能技术在网络故障诊断中的应用，可以帮助解决网络故障的诊断问题。
但在实际应用中，仍需考虑技术的可靠性和适用性，同时加强对于安全和隐私方面的保护措施。
人工神经网络在设备故障监测与诊断中的应用
（ 连理 工 大学 化 工学 院 ， 连 １６ １ ） 大 大 １ ０ ２
摘
‘
要 ：文 章 综 述 了 神 经 网 络 技 术 在 设 备 腐 蚀 、 料 失 效 、 露 、 垢 、 塞 及 其 它 故 障 监 测 和 诊 断 中 的 应 用 ， 材 泄 结 堵
探 讨 了其 优 缺 点 、 用 原 理 及 发 展 前 景 。 作
维普资讯
第 ２ 卷第 ７ ３ 期
２０ ０ ２年 ７月
腐 蚀 与 防 护
ＣＯＲＲＯＳ ＯＮ ＆ ＰＲＯＴＥＣＴＩ Ｉ ＯＮ
Ｖｏ ． ２ ＮＯ ７ １ ３ ．
Ｊ ｌ ０ ２ ｕｙ２ ０
’。
； 综述 ？
ｏ ｏ （ × ×
人 工 神 经 网 络 在 设 备 故 障 监 测 与 诊 断 中 的 应 用
ｔ ｃ ｉ ｎ ａ ｄ ｄ ａ ｎ ｓｓ ｅ ｔ ｎ ｉｇ ｏ ｉ ，ｗｈ ｃ ｒ ｈ ｅ ｏ ｅ ｓ ｒ ｈ ｑ ｉ ｍ ｅ ｔｗｏ ｋ ｎ ａ ｅ ｙ ｉ ｎ ｕ ｔ ｉ ｌｓ ｓ ｅ ． Ｔｈ ｐ ｌ ａ ｏ ｉ ｈ ａ ｅ ｔ ｅ ｋ ｙ ｔ ｎ ｕ ｅ ｔ ｅ ｅ ｕ ｐ ｎ ｒ ｉ ｇ ｓ ｆ ｌ ｎ ｉ ｄ ｓ ｒ ｙ ｔ ｍｓ ａ ｅａ ｐｉ — ｃ ｔ ｎ ｆａ ｔｆ ｉ ｌｎ ｕ ａ ｅ ｗｏ ｋ ｏ ｄ ｔ ｃ ｉ ｎ ａ ｄ ｄ ａ ｎ ｓ ｓ ｏ ｑ ｉ ｍ ｅ ｔｆ ｕ ｔ ｕ ｏ ｃ ｒ ｏ ｉ ｎ，ｍ ａ ｅ ｉ ｌ ａ ｌ ｒ ， ｉ ｓ ｏ ｒ ｉｉ ａ ｅ ｒ ｌｎ ｔ ｒ ｓ ｔ ｅ ｅ ｔ ｎ ｉ ｇ ｏ ｉ ｆｅ ｕ ｐ ｎ ａ ｌｓ ｄ ｅ ｔ ｏ ｒ ｓ ｏ ｏ ｃ ｏ ｔ ｒａ ｓ ｆ ｉ ｅ ｕ
人工神经网络在机械故障诊断中的应用
・
机 械 研 究 与应 用 ・
人 工 神 经 网 络 在 机 械 故 障 诊 断 中 的 应 用
薛 小 兰
（ 中学 院 机 械 学 院 ， 西 晋 中 ０ ００ ） 晋 山 ３６ ０
摘
要 ： 对 传 统 的 机 械 故 障 诊 断 方 法 的局 限性 ， 出将 人 工神 经 网络 应 用 于机 械 故 障 诊 断 中。 由 于 Ｂ 针 提 Ｐ算 法存 在 收 敛 速 度 慢及 易 陷入 局 部 极 小等 缺 陷 ， 用 实 数 编码 改进 遗 传 算 法 对 神 经 网 络 的 权 值 和 阚 值 进 行 优 化 训 练 ， 利 并
ｎｌ ｐｐ ａｆｏ ｏ ｒ ｉ ｃａ ｕｒ ｌｎｅｗｏ ｋ ｎ ｔ ｅ ｈ ｉａ ａ ｌ ａ ｎｏ ｉ ｅ ａ Ｈｃ ｉ ｎ ｆａ ｔ ｉ ｌｎｅ ａ ｔ ｒ ｉ ｈｅ ｍ ｃ ａｎ ｃ ｌｆ ｕ ｔｄｉ ｇ ｓｓ ｉ ｆ
Ｘｕ ａ －ｌｎ ｅ Ｘｉ ｏ ａ
（ ｃａ ｉ ｌ ｎ ｉ ｅ ｎ ｂ ｈｎ ｎｖｒｔ， ｎｈｎ ｈｎ ｉ ０ ０ ０ ，Ｃ ｉ ） Ｍｅｈ ｎ ａ ｅｇｎ ｒ ｇｏ ＝ ｏｇｕ ｉ ｓｙ ｆ ｚｏｇＳ ａｘ， ３６ ０ ｈｎ ｃ ｅ ｉ ｆＪ ｅｉ ｉ ａ
随着科 学 技术 的发 展 ， 代化 机械设 备 的工作 强 现 度 不 断增 大 ， 产效 率 、 生 自动化 程度 也越 来越 高 ， 备 设 更 加 复杂 的 同时 ， 各部 分 的关 联 也 愈加 紧密 ， 处 微 某
小故 障可 能会 导致 整 台设 备 甚 至 与 设 备 有关 的环 境 遭受 灾难 性 的毁坏 。近 年来 ， 设定 通用 性 。振 动是 机 械 设 备 在运行 过程 中（ 常运 行 与异 常 运 行 ） 表 现 出来 正 所
基于神经网络的电力设备故障检测与诊断
基于神经网络的电力设备故障检测与诊断随着电力系统的规模不断扩大和设备的复杂性不断增加，电力设备故障不可避免地会发生。
及时准确地检测和诊断电力设备的故障对于保障电网的安全稳定运行至关重要。
近年来，基于神经网络的故障检测与诊断技术逐渐受到研究者的关注并取得了一定的进展。
一、神经网络在电力设备故障检测与诊断中的应用神经网络是一种模拟人脑神经元网络结构和信号传递机制的数学模型，它具有自适应性、并行处理能力和非线性映射能力等特点，适用于处理复杂的非线性问题。
在电力设备故障检测与诊断中，神经网络可以利用其优势来实现高效准确的故障检测和诊断。
1. 神经网络在电力设备故障类型识别方面的应用故障类型识别是电力设备故障检测与诊断的基础环节，其目的是通过分析设备的工作状态来确定故障的类型。
传统的故障类型识别方法通常使用规则或模型匹配的方式，需要依赖专家经验和大量的先验知识。
而基于神经网络的故障类型识别方法则能够自动地从数据中学习特征，并根据这些特征进行分类。
通过使用神经网络，可以大大提高故障类型识别的准确性和效率。
2. 神经网络在电力设备故障定位方面的应用故障定位是电力设备故障检测与诊断中的另一个重要环节，其目的是确定设备故障的具体位置。
传统的故障定位方法通常使用等效电路模型或电磁波反射法进行推断，需要对电力设备的拓扑结构和工作特性有较深入的了解。
而基于神经网络的故障定位方法则能够通过分析设备的输入-输出关系来推断故障位置，无需对设备的拓扑结构和工作特性进行详细分析。
神经网络具有强大的非线性映射能力，能够从输入数据中学习到设备工作状态与故障位置之间的关系，从而实现准确的故障定位。
二、基于神经网络的电力设备故障检测与诊断的关键技术神经网络在电力设备故障检测与诊断中的应用需要解决一些关键技术问题，以下是其中的几个关键技术。
1. 数据采集与预处理神经网络需要大量的输入数据来进行训练和推断，在电力设备故障检测与诊断中，这些数据可以来自传感器或监测设备。
神经网络理论在故障诊断中的应用
一
②人工智 能。神 经网络 的问世为人工 智能开辟 了
条 崭 新 的 途 径 ，成 为 人 工 智 能 研 究 领 域 中 的 后 起 之
第 １期 ０
赵欣 欣 ， ： 等 神经 网络理论在故 障诊断 中的应用
４ ９
秀。神经 网络技术能对不完整 的信息进行补全 ， 根据 已 学会 的知识 处理 问题且对 复杂 问题 能够作 出合 理的判 断 ， 出较满 意的解答结果 ， 以其 在人工智 能领域得 给 所 到了广泛 的应用 。 ③过程 控制 。基 于传 统数字计 算机 的离散控制 方
推广应用
神经网络理论在故障诊断中的应用
赵欣 欣 ， 王 秋 勤
（ 尔滨商业大学广厦学院汽 车与机 电工程 系， 哈 黑龙江 哈 尔滨 １０ ２ ） ５０ ５
摘 要： 分析 了人 工神 经网络的特性及应 用领域 ， 重点 阐述 了神经 网络在 故障诊 断 中的应 用 ， 介绍 了人工神经
网络在故障诊 断方面的应用现状
管 理 、 识 程等 领 域 。 知
识 。另外 ， 神经 网络还可以进 行在线训练 。 ④数据融合 。神经网络可 以同时针对定性 、 定量的 数据进行操作 。 ⑤多变量系统 。神经 网络能处理多输入信号 ， 且具
有 多个 输 出 ， 适 用 于 多 变量 系统 。 故 ２ 人 工 神 经 网 络 的应 用领 域
神经 网络开始更 广泛地应用 于故障诊断领域 。 ａ ｉ ． Ｄｌ ｍ Ｉ
１ 人 工神 经 网络 的特 性
人工神经 网络的应 用领域极其广泛 ，其 主要 的应
用 领 域 如 下 ： ］
与传统控制技术相 比 ，人』 神经 网络具有 以下特
- 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)。
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
函数为非线性变换函数,网络的训练可采用最小二乘(L S )递推学习算法。
因网络结构简单,算法收敛性好,与BP 网相比,RBF 网的学习算法虽较复杂,但训练速度却大大提高。
从已有研究结果看,有监督学习模型有很好的推广能力,用于故障模式识别效果较好;训练好的B P 网和RBF 网计算速度快,消耗内存少,可用于实时监测与诊断。
但是这类模型对学习样本有一定的要求,要求学习样本具有一定的致密性、遍历性和相容性,工程实际中要获得这样的样本有时还很困难。
1.2.2 无监督学习模型
ART 网和SOM 网均属于无监督竞争学习的自组织模型,ART 网可以在线学习,边学习边记忆,给网络一批输入样本,它自动形成一组分类模式。
当一个新的输入不能归入已形成的模式类时,网络又自动形成一个新的模式类;若新的输入在已形成的模式类中可以找到一个相似的类,则这个输入划入该模式类,同时网络向更接近这个输入的方向作调整。
SOM 网采用离线方式学习,能很好地进行特征提取,适用于作最邻近分类器。
目前,自组织模型应用于故障诊断的研究尚少,这类模型是一类次优的模式分类器,其推广性能虽不如有监督学习模型的好,但它具有的自组织和自适应特性正引起人们的广泛关注。
2 神经网络与诊断专家系统
专家系统作为人工智能应用的一个成功典范,在故障诊断领域受到高度重视,诊断专家系统利用专家的知识进行推理,是解决复杂设备故障诊断问题的一种有效方法〔1〕。
但是,传统基于符号的诊断专家系统还存在知识获取困难,知识存储容量与系统运行速度的矛盾及知识的窄台阶效应等问题。
近年来,在人工智能领域发展了基于连接主义机制的专家系统,这类系统利用ANN 的自学习能力和并行推理机制,一定程度上克服了符号专家系统遇到的困难。
2.1 神经网络知识表示及推理机制
ANN 的知识表示方式有2种:局部表示方式和分布式表示方式。
局部知识表示方式中,ANN 的每一个神经元代表一个概念,神经元之间的连接表示概念与概念间的关系,可以根据问题的需要将关系解释成一个概念对另一个概念的关联程度,或问题求解中的推理规则。
通常这些关系是不确定的,特别是对于诊断问题,在知识表示和诊断推理过程中存在许多不确定因素,而不确定知识的获取是相当困难的。
将符号知识转换成ANN 的表示,通过ANN 的学习来获得不确定知识,是研究这种知识表示方式的主要内容。
目前,关于局部知识表示的研究进展比较缓慢。
分布式知识表示是目前研究得比较多的一类ANN 知识表示方法,在这一表示方法中,不论什么知识,ANN 都将它转换为网络的权值和阈值,分布存储在整个网络中,因此这是一种隐含的知识表示方式。
采用这种知识表示方式主要是为利用ANN 的并行计算机制,提高专家系统的推理速度,克服符号系统可能产生的“组合爆炸”及推理复杂性等困难。
知识表示与知识获取和知识利用密切相关,用ANN 表示知识的系统,知识获取是通过一定的学习算法确定网络的结构和参数,推理是对给定的输入通过数值计算求网络的输出;知识获取与推理过程中,根据具体的诊断问题,对网络的输入和输出可能要作一些相应的变换。
可用于知识处理的ANN 模型主要有BP 网、联想记忆(AM )网和模糊认知(FC M )网。
2.2 神经网络/专家系统集成系统
ANN 的知识表示与推理具有知识分布表达和自动获取,以及大规模并行处理及联想记忆等优点,一定程度上模拟了人类的形象思维方式。
但是,在模拟人类复杂层次的思维方面,如基于目标的管理、综合判断和因果分析等,都还远不及传统的符号专家系统。
因此,ANN 对传统的专家系统不应是替代,而应该是互补。
研究符号推理与非符号推理相结合,生成既具有形象思维又具有逻辑推理能力的集成专家系统,是人工智能研究的一个必然方向〔2〕。
神经网络/专家系统的集成方式有串行、并行和混合方式,选择哪种集成方式要根据问题域的特点,进行两者的有机结合。
在大型复杂设备的故障诊断中,通常要涉及到不同的知识源、信息源,这就要求有不同的知识表达方式,不同的知识组织模型和不同的诊断推理策略。
可以认为,对于集成诊断系统的研究目前还有许多问题需要进一步探讨。
3 结束语
故障诊断技术的研究总是在不断吸取其它领域和学科新成果的基础上向前发展的,智能化诊断技术已成为故障诊断领域一个新的研究方向。
国内外许多研究工作证实,ANN 在故障诊断中的应用是可行的和有前途的。
本文作者把ANN 应用的主要方法和特点介绍给从事故障诊断研究与应用的技术人员,目的是使ANN 理论能与实际更好地结合,真正能解决工程实际中设备状态监测与故障诊断问题。
参考文献
1 屈梁生.人工神经网络与机械工程中的智能化问题.中国机械工
程,1997(2):1～4
2 钟秉林,颜廷虎.智能化故障诊断理论与方法的研究现状与展望.
东南大学学报,1993(11):1～11
(收稿日期:1998-05-18)
·
14·Vol 12No .1 1999
《机械研究与应用》
ME CHANICAL RESE AR CH &APPLI CATION 第12卷第1期。