基于MFM的故障诊断模型的研究
航空发动机故障诊断技术的模型构建与优化
航空发动机故障诊断技术的模型构建与优化随着航空工业的发展和民航市场的不断扩大，航空发动机的安全性和可靠性对航空公司和乘客来说变得尤为重要。
航空发动机故障诊断技术的模型构建与优化成为了航空工业中的关键问题。
本文将介绍航空发动机故障诊断技术的模型构建与优化的方法与步骤。
首先，航空发动机故障诊断技术的模型构建与优化需要建立合适的故障诊断模型。
故障诊断模型是通过对航空发动机运行数据进行分析和模型构建，以实现对故障的检测、诊断与预测。
建立故障诊断模型的第一步是收集航空发动机的运行数据，包括传感器数据、参数数据等。
然后，对这些数据进行预处理，包括数据清洗、数据标准化等。
接下来，选择合适的故障诊断算法，例如基于统计学的方法、机器学习方法、人工智能算法等，并根据实际需求进行模型优化和调整。
其次，航空发动机故障诊断技术的模型构建与优化需要进行特征选择与提取。
特征选择是为了找到与故障相关的最重要的特征变量，以提高故障诊断的准确性和效率。
特征提取是将原始数据转换为更具代表性的特征向量，以减少数据维度和噪声的影响。
特征选择和提取的方法有很多，如相关系数分析、主成分分析、信息增益等。
选择合适的特征选择和提取方法，可以提高模型的分类性能和诊断准确性。
第三，航空发动机故障诊断技术的模型构建与优化需要进行模型训练和评估。
模型训练是使用已知的故障样本和正常样本进行模型参数的估计和学习，以建立故障诊断模型。
模型评估是对训练后的模型进行性能评估，以验证模型的准确性和鲁棒性。
常用的模型评估指标包括准确率、召回率、F1值等。
通过不断的训练和评估，可以优化模型的参数和结构，提高模型的预测能力和稳定性。
最后，航空发动机故障诊断技术的模型构建与优化需要进行实时监控和更新。
航空发动机故障诊断是一个持续的过程，需要实时地对发动机运行数据进行监控和诊断。
当发现异常情况或故障时，及时采取措施进行修复或更换，以保障航空发动机的安全运行。
同时，还需要不断对模型进行更新和优化，以适应不同型号和规格的航空发动机，提高故障诊断的普适性和可靠性。
柔性制造系统(FMS)故障诊断技术研究分析综述
柔性制造系统(FMS)故障诊断技术研究综述来源：开关柜无线测温 摘要：分析FMS地特点及其故障诊断地困难性.在综合大量文献地基础上，对国内外在该领域地主要研究内容、发展现状以及研究成果进行归纳和总结，指出当前研究工作地特点和已有研究存在地主要问题.对今后地发展进行了展望，指出集成诊断、多传感器信息融合、多方法综合应用地集成智能决策系统，以及网络化远程诊断服务是FMS诊断系统研究和发展地方向.b5E2R。
关键词：柔性制造系统；故障诊断；智能诊断系统市场环境决定着企业地生产方式，制造企业需要以最快地上市速度，最好地质量、最低地成本、最优地服务及最清洁地环境来满足不同客户对产品地需求和社会可持续发展地要求.在这一目标地驱动下，多种先进制造技术（advanced manufacturing technology，AMT）被提出，并受到重点研究和发展.柔性制造系统（flexible manufacturing system，FMS）是ATM发展地产物，受到了普遍地研究，并在制造企业得到大量应用.FMS通常包括若干数控设备、中央刀库、物料运输装置和计算机控制系统等子设备或子系统，由控制网络将多个设备有机联合，使各设备统一调度、相互协调共同完成生产加工任务，并可以根据制造任务或生产环境地变化进行灵活调整.这种灵活性即指系统地柔性，柔性是FMS地最大特点，其具有应变性好、生产率高，适应中、小批量生产等特点.1 FMS特点及其故障诊断地困难性柔性制造系统（FMS）作为一类复杂地机电系统，其复杂程度、行为状态和工作环境等都与传统地制造系统有很大不同，比较明显地是：（1）FMS是对多个异质系统在功能及结构上地有机集成，属于复杂大系统.（2）系统强调高度自动化，智能程度要求较高.（3）相对于自动化生产线，系统地动态行为更加复杂，刚性控制减弱，柔性更加明显.（4）系统具有容错控制，当某一子设备或子系统发生故障时，系统地运行过程控制（即调度）可以重构，以保证系统整体功能地不失性.（5）单一设备或系统地自身行为或故障不再局限于其自身范围内，常常会影响在功能或地域上相关、相连地设备或系统.FMS系统所具有地上述特点，导致其故障诊断不仅有一般设备诊断地特点，而且表现地更复杂、更特殊.（1）FMS地高度柔性，必然要求系统内部地高度灵活性和运行模式地多样性，负面地影响是增大了系统地不定因素和在模式转换过程中故障发生地高可能性.（2）系统设备多样、复杂，加工以柔性多任务为目标，加工类型、过程、工况多样，因此，难以全面搜集各种正常与异常状态地先验样本和模式样本，即诊断知识获取困难.（3）过程状态及故障地断续性、突发性、模糊性、关联性及时变性更加明显，致使故障征兆信息、设备状态信息地获取比较困难，故障地快速定位难度更大.（4）加工设备各部件间地动态联动性、离散性致使故障地传播性、故障源地分散性更加明显.（5）工件尺寸甚至误操作等随机干扰因素影响加大，使诊断系统地误诊、漏诊地可能性更大，诊断推理地精确性、结论地可信度都有所下降.（6）加工过程中信息量大而繁杂，适合于监控、诊断与预警地信息资源需要挖掘，对监控策略、故障特征提取、诊断知识库管理等环节提出了挑战.（7）FMS在运行过程中，更多情况下是缺乏人地现场监视，因此，故障难以早期发现；对现场故障地瞬时信息，特别是感官信息就往往无法捕捉，而此类信息对故障地快速定位（推理）是极有价值地.从实际地应用来看，诊断对象地复杂度增加，可能导致诊断系统地复杂度呈几何指数性增长.从多家FMS研究及应用单位地实际应用情况看，FMS地运行故障频发，且现有地诊断系统难以应付多种复杂地故障快速定位要求.2 当前地研究内容及发展状态作为FMS理论研究及实践应用地关键与瓶颈技术之一地故障诊断技术，受到了国内外制造领域地重点研究，并取得了一定地研究成果.分析和总结众多在不同研究方向上具有创新性地研究成果，归纳、分类形成如图1所示FMS诊断技术研究地基本方向.可以清楚地看出，围绕FMS这一具有复杂结构及组成地自动化制造系统，诊断技术地研究主要沿如下4个方向深入开展：（1）诊断系统架构研究.（2）智能诊断方法研究.（3）FMS故障机理及故障模型研究.（4）系统集成技术研究.基于上述4个大地研究方向，众多地研究又从不同地侧重点出发，最终形成了更细致地研究分支.整体而言，FMS诊断技术研究呈发散式向与诊断流程各个环节相关技术逐级深入.p1Ean。
FMS故障诊断的关键技术研究
FMS故障诊断的关键技术研究目录第一章绪论 (1)1.1 问题的提出背景及研究意义 (1)1.2 故障诊断概述 (3)1.2.1 故障诊断的基本概念 (3)1.2.2 故障诊断的分类 (3)1.3 FMS的故障诊断研究现状及发展趋势 (5) 1.3.1 FMS的故障诊断研究现状 (5)1.3.2 FMS的故障诊断发展趋势 (7)1.4 本文的主要研究内容及结构安排 (8)第二章FMS故障诊断集成系统架构研究 (10) 2.1 FMS故障特点 (10)2.1.1 FMS的定义、组成与分类 (10)2.1.2 FMS故障的特点 (13)2.2 FMS故障诊断系统框架 (14)2.2.1 FMS故障诊断系统的组成 (15)2.2.2 FMS故障诊断关键技术分析 (17)2.3 本章小结 (18)第三章FMS故障粗诊断 (19)3.1 物流系统故障诊断 (19)3.1.1 物流系统故障机理分析 (19)3.1.2 物流系统的故障诊断 (20)3.2 加工系统初级诊断的任务 (21)3.3 贝叶斯网络概述 (22)3.3.1 贝叶斯网络中的相关概率论知识 (22) 3.3.2 贝叶斯概率推理 (23)3.3.3 贝叶斯网络的概念及特点 (24)3.3.4 贝叶斯网络的建模 (25)3.3.5 贝叶斯网络的推理模式及算法 (26)3.3.6 贝叶斯网络的学习 (28)3.4 贝叶斯网络在加工系统初级诊断中的应用 (30)3.4.1 基于贝叶斯网络的FMS加工系统初级诊断步骤 (30) 3.4.2 诊断实例分析 (32)3.5 本章小结 (33)第四章基于支持向量机的FMS故障精诊断 (34)4.1 支持向量机概述 (34)4.1.1 支持向量机的概念 (34)4.1.2 支持向量机的多分类扩展 (37)4.2 基于支持向量机的FMS故障精诊断 (40)4.2.1 FMS设备层故障特点 (41)4.2.2 基于支持向量机的诊断步骤 (42)4.3 诊断实例分析 (43)4.3.1 BP神经网络分类器 (43)4.3.2 诊断数据集 (45)4.3.3 基于BP神经网络的故障诊断仿真 (45)4.3.4 基于SVM的故障诊断仿真 (46)4.4 本章小结 (47)第五章FMS故障诊断集成系统实现 (48)5.1 故障诊断系统的模式 (48)5.2 远程故障诊断系统的发展与研究现状 (49)5.3 远程故障诊断系统的网络模式选择 (49)5.3.1 客户机/服务器模式 (49)5.3.2 浏览器/服务器模式 (50)5.4 远程故障诊断系统拓扑结构 (52)5.5 FMS故障诊断系统的功能结构设计 (52)5.6 FMS远程故障诊断系统的实现 (53)5.7 本章小结 (55)总结与展望 (56)参考文献 (58)攻读学位期间取得的研究成果 (63)致谢 (64)第一章绪论第一章绪论1.1 问题的提出背景及研究意义随着新技术的不断出现，作为国民经济支柱的制造业也在不断进行技术革新，制造业逐渐向数字化、网络化和智能化方向发展。
多级流模型(MFM)在传感器故障诊断中的应用
随着现代工业、科学技术 的发展 ，许多机械装备正朝着大型化 、高速化 、连续化 、集中化 、自 动
化 方 向发展 ．生 产系统 中各 设备 之 间 的联系 也越 来越 紧 密． 由于各种 随机 因素 的影 响 ，这些 设备难 免
会出现一些异常故障现象 ，即设备降低或失去一定的功能．研究并应用先进的状态监测与故障诊断技 术 ，保证这些关键设备安全而高效地运行 ，具有重要意义．设备 的故障诊断是根据人类积累的经验和 数据 ， 采用一定的技术手段对设备所处的状态进行判断 ，对设备 的故 障及其发展变化进行诊断和估 计．在对设备进行诊断时 ，某些传感器有时候可能无法正确反映出部件的工作状态 ，如果不除去发生 故 障的传 感器 ，就 会对设 备 的运 行状 态做 出错 误 的诊 断 ．如何 获 得准 确 的结果 ，首 先 就要 对传 感器 测 量的结果进行检验 ，即对传感器 的健康状态进行诊断． 多级流模型 （ Ｆ Ｍ Ｍ，Ｍ ｌｌ ｅｆ ｗｍ ｄｌ）由丹麦技术大学的 Ｍ ｒ ｎＬ ｄ ｕ ｉｖｌ ｏ ｏｅ ｔｅ ｌ ｓ ｏｅ ｉ 首先提出， ｔ ｎ …并成功应
ｓ ｓｅ ｉ ｍｏ ｅ ｃ ｍｐ ｅｅ，ａ ｄ ｃ ｎ ｓｇ ｉ ｃ ｎｌ ｅ ｕ ｅ ｔ ｅ ａ ｕ ｔ ｆｃ ｍｐ ｔｔ ｎ，Ｓ ｔｈ ｓｏ ｖｏ ｓａ ｖ ｎ ａ ｅ ｎ ｔ ｅ ｙ ｔｍ ｓ ｒ ｏ ｌｔ ｎ ａ ｉｎ ｆ ａ ｔ ｒ ｄ ｃ ｈ ｍｏ ｎ ｏ ｕ ａ ｉ ｉ ｙ ｏ ｏ Ｏ ｉ ａ ｂ ｉｕ ｄ ａ ｔｇ ｓ ｉ ｈ
ｉ ｇ ｐ ｏ ｅ ｓ ｎ ｓ ｓ ｔｅ ＭＦ ａｇ ｒ ｈ ｔ ｅ ｌ ｅ ｔ ｅ ｏ ｌ ｅ ｄ ａ ｎ ｓｓｏ ｅ ｓ ｒｆ ｕｔｉ ｈ ｙ ｔｍ． ｎ ｒ ｃ ｓ ，ａ ｄ ｕ ｅ ｈ Ｍ ｏｉ ｍ ｏ ｒ ａｉ ｈ ｎ ｉ ｉ ｇ ｏ ｉ ｆｓ ｎ ｏ ａ ｌ ｎ ｔ ｅ ｓ ｓ ｌ ｔ ｚ ｎ ｅ
基于粗糙集理论和FCM的轨道电路故障诊断模型
基于粗糙集理论和FCM的轨道电路故障诊断模型ZPW-2000A作为目前铁路广泛运用的一种轨道电路设备，与人民生活密切相关，对其安全性和可靠性的要求较高。
当轨道电路发生故障时，就很有可能发生火车相撞等事故，损害人身安全。
轨道电路故障诊断是依据监测数据(包括正常和设备故障数据)，判断当前故障发生在何种设备上，以便维修人员可以快速找到故障点进行维修，提高维修效率。
近年来，国内外已经引入一些较为先进的故障诊断概念和算法来诊断轨道电路故障，用来提高故障自动智能诊断的效率和能力。
文献[1]提出一种基于模糊神经网络的轨道电路故障诊断模型，验证了4种常见故障。
文献[2]采用一种自适应最优核时频分布提取数据的时频分布信息的方法，该方法可以解决轨道电路补偿电容故障的定位问题。
文献[3]将轨道电路复杂网络分解成许多小的神经网络组态，并对常见的6种故障进行故障诊断。
文献[4]使用信息融合技术定位轨道电路故障，得到良好的效果。
然而这些方法都忽略了随机收集的监测数据，关联性高、数据量大且维数较高。
因此初选的特征之间存在冗余和相容性，并且需要大量的数据进行分析，对数据的需求较高。
1.2.1 DNA提取用含枸橼酸钠抗凝剂的真空采血管，分别采集患儿及其父母外周静脉血5ml，应用试剂盒(采用美国OMIGA公司E.Z.N.A Blood DNA试剂盒)提取DNA，提取步骤参照试剂盒说明；取适量DNA用紫外分光光度进行定量和纯度检测，其余保存于-20℃备用。
粗糙集理论(Rough Sets)是一种强有力的数据分析的理论工具，用于处理模糊、不完全和海量的数据，可对数据进行降维和特征选择[5]。
约简是粗糙集理论研究的核心，每个约简结果都拥有和原始数据类似的分类能力。
属性约简的作用是提取特征属性的有效信息，使知识处理的过程得以简化并提高数据的利用率。
本文采用主分量式的约简算法并结合相容度概念，使用相容度模型快速选定核集，主分量式选取要素属性，从而得到最优化或者较为优化的属性约简。
多级流模型_MFM_在传感器故障诊断中的应用
收稿日期:2008-04-07.作者简介:石浪涛(1977- ),男,江西乐平人,硕士研究生,主要研究方向为旋转机械状态监测与故障诊断.多级流模型(MFM )在传感器故障诊断中的应用石浪涛1,赵 云2(11江西理工大学机电工程学院,江西赣州341000;21嘉兴学院机电工程学院,浙江嘉兴314001)摘 要:多级流模型(MF M ,Multilevel fl ow models )是系统目标和功能的图形化模型,作为一种功能模型,MF M 通常比相应的面向事件的模型更简单,而对系统的描述更加完全,并能显著地减少计算量,因而在实时性要求很高的故障诊断中具有明显的优势.结合一个工程实例介绍M F M 及建模过程,并利用MF M 算法来实现系统中传感器故障的在线诊断.关键词:多级流模型;故障诊断;传感器故障 中图分类号:TP212Appli ca ti on of the M ultilevel Flow M odels to the Sen sor Fault D i a gnosisSH ILang -tao 1,Z HAO Yun 2(11School of Electromechanical Engineering,Jiangxi University of Science and Technology,Ganzhou,Jiangxi 341000;21School of Electr omechanical Engineering,Jiaxing University,Jiaxing,Zhejiang 314001)Abstract:Multilevel fl ow models (MF M )are graphical models of goals and functi ons of technical system s .A s a functi onal model,MF M is usually si m p ler than the corres ponding event -oriented model,while its descri p ti on of the syste m is more comp lete,and can significantly reduce the a mount of computati on,s o it has obvi ous advantages in the real -ti m e de manding fault diagnosis .By incor porating a p r oject exa mp le,this paper intr oducesMF M and the model 2ing p r ocess,and uses the M F M algorith m t o realize the online diagnosis of sens or fault in the syste m.Key words:multilevel fl ow models;fault diagnosis;sens or fault diagnosis文献标识码:A. 文章编号:1008-6781(2008)06-0087-04随着现代工业、科学技术的发展,许多机械装备正朝着大型化、高速化、连续化、集中化、自动化方向发展.生产系统中各设备之间的联系也越来越紧密.由于各种随机因素的影响,这些设备难免会出现一些异常故障现象,即设备降低或失去一定的功能.研究并应用先进的状态监测与故障诊断技术,保证这些关键设备安全而高效地运行,具有重要意义.设备的故障诊断是根据人类积累的经验和数据,采用一定的技术手段对设备所处的状态进行判断,对设备的故障及其发展变化进行诊断和估计.在对设备进行诊断时,某些传感器有时候可能无法正确反映出部件的工作状态,如果不除去发生故障的传感器,就会对设备的运行状态做出错误的诊断.如何获得准确的结果,首先就要对传感器测量的结果进行检验,即对传感器的健康状态进行诊断.多级流模型(MF M ,Multilevel fl ow models )由丹麦技术大学的Morten L ind 首先提出,[1]并成功应用于复杂系统的故障诊断,如用于核电站、超高温加工乳制品工艺、用于手术后重症监护患者的监测与诊断系统Guardian 计划等.MF M 建模方法认为系统是通过一系列的物质、能量、动力或者信息的流动来实现其目的,是基于流的思想而建立的模型.MF M 作为一种功能模型通常比相应的面向事件的模型更简单,而对系统的描述更加完全,并能显著地减少计算量,因而在实时性要求很高的故障诊断中具有明显优势.Larss on 归纳了利用MF M 进行故障诊断的三种基本算法:测量值有效算法、告警・78・第20卷第6期2008年11月Vol .20No .62008.11 嘉兴学院学报Jou rna l of J iaxing U n iversity分析算法和故障诊断算法[2].本文旨在对MF M建模技术做简单介绍并利用一个实际系统说明MF M 算法在传感器故障诊断中的应用.1 多级流模型MF M 是基于分析复杂系统的目标和功能以及相互关系的图形化模型,其中用目标这个概念描述一个系统或子系统的用途.系统和子系统的目标可以是生产目标、安全目标、经济或优化目标的模型目标.而功能概念描述关于物质流、能量流和信息流的系统性能,MF M 还描述了目标和实现这些目标的功能之间以及功能与为这些功能创造条件的子目标之间的关系[3].MF M 的定义中存在物质流、能量流、信息流这几种流结构,而流结构是由流功能组成的,在MF M 中流功能块的连接并不是随意的,而是按照一定的句法来连接.Larss on 提出了有关流功能的连接句法和一些规则.MF M 建模的关键在于是否有一种流变量贯穿于系统之中,并对系统目标的实现起着关键的作用,因而特别需要对系统的充分理解,并深知贯穿系统之中的流变量及它们之间的相互联系.它同时采用了两种分解策略:方法———结果(Means -End )和部分———整体(Part -W hole ).在MF M 模型中,对系统的描述是通过描述它的目标、功能(用来实现目标)和部件(用来实现功能)来完成的,这三个方面组成了方法———结果结构中的不同层次的知识流.2 MF M模型应用图1 某公司生产线循环冷却系统简图图1为某公司生产装备的循环水冷却系统,为保证生产线上运行设备的温度,必须保证该系统中水的正常循环.在这个系统中,冷却生产设备的水从热水池经由上行水泵驱动流向冷却塔,经冷却后的水流入冷水池经由下行水泵驱动通过阀门V2和V3返回到缓冲槽,这样生产线上的生产设备被循环水冷却.其中上行水泵和下行水泵分别配备一个变频器来控制水流量.为了保证冷却系统正常有效,充分发挥冷却塔的冷却效果,其循环水系统应保证两个目标:1)冷却塔中的水平面保持在某个特定的位置;2)冷水池中一定要保证有最小限度的水量.这一目标是通过物质流,即水的循环来实现的.这里,热水池在模型中既是物质的“源”又是物质的“宿”,两个水泵在物质流中是传输的功能,被冷却的设备在该物质流中是存储的功能.那么,根据物质流中各功能之间的相互关系,建立该系统的物质流模型如图2所示.同时,由于两个传输功能(水泵)的作用依赖于这样的一个子目标:为水泵的运行提供足够的电力,这一子目标又通过一电能流来实现.图2 某公司生产线循环水冷却系统简图的MF M 模型MF M 模型有三个分支,流路M1叙述了水从热水池到缓冲槽的流动,流路E1、E2描述了通过变频器从供应端到水泵的电能传输,因此,M1是物质流模型,而E1和E2是能量流模型.在流路M1中从左到右的功能是:1)作为源功能的热水池;2)通过上行水泵的传输;3)具备存储功能的冷却塔;4)因重力引起的水传输的导管;5)具备存储功能的冷水池;6)通过下行水泵的传输;7)通过分支导管连接的下行水泵与两个平行阀门V2和V3的平衡;8)实现阀门V2和V3的两路传输;9)通过导管部件实现的阀门V2和V3与缓冲槽的平衡;10)经由导管实现缓冲槽与生产设备的传输;11)带缓冲槽的热水池.E1-E2流路中包含了描述电能的能・88・ 嘉兴学院学报 第20卷第6期量流功能.3 传感器故障诊断在图1所示的冷却系统中,为了使控制系统能够有效地发挥作用,传感器是关键元件.系统中各传感器必须可靠,一旦传感器出现故障,必须及时诊断处理.以往采用的传感器故障诊断方法主要是各种各样的冗余法,如:直接冗余、解析冗余、时序冗余等.现利用MF M 模型的三种算法对传感器故障进行剖析.311 测量值有效算法该算法的基本原理是:系统中各功能的输入及输出流之间具有一定的关系.比如对于相连的源功能和传输功能,在正常时,它们的流值应该相一致.这种满足流值关系的多个功能是一个一致子群,如果有一个功能与它周围的一致子群相悖,很可能该测量值的传感器发生了错误.假设通过传感器所测量的数值如图3所示:[单位:10-6m 3/s ,存储功能上面的三个值(50,0,图3 MF M 模型中物质流的各测量值简图50),它们分别代表其输入流、存储器内水量的微分值及输出流]由于上述各测量的数据流值处于一个一致的子群里,根据MF M 测量值有效算法,在正常情况下,物质或者能量等不会无故消失,也不会无缘无故增加,故流在各个部件之间传播时,必然符合一定的规律.比如对于传输功能来说,其输入流值应等于输出流值.利用测量值有效算法的规则[4],我们可以判断出传输器6的传感器出现故障.312 告警分析算法告警分析算法将一系列的告警状态作为输入,比如:正常(nor mal )、流过小(l ow fl ow )、流过大(high fl ow )、容量过小(l ow volu me )以及容量过大(high v olume ).每一个告警都对应于MF M 模型中的一个部件,告警分析思想就是要根据征兆识别出那些初始告警,而其余的可能是初级告警,也图4 循环水冷却系统中物质流的MF M 模型及各功能的告警状态可能是初始告警影响的结果.利用循环冷却水系统为例,详细地说明告警分析的过程:在图4中,假设F1、F2、F3和F5都有测量值与它们的告警状态相连,而F4和F6没有,进一步假设F1、F2、F3和F5的状态分别是l ocap 、l ofl ow 、l ovol 、l ovol .应用上述思想分析可以得出这样的结论:Fl 的l ocap 告警一定是初始告警,而F2的l ofl ow 告警和F3的l ovol 告警则可能是后继告警.运用后效传播(Consequence Pr opagati on )思想可以分析出:若对F4和F6进行测量,则可能发现它们的告警状态都是l ofl ow .因此,假设F4的告警状态为l ofl ow,同样运用告警分析算法,可以得出结论:F5的l ovol 告警可能是后继告警.那么,对于这个例子来说,告警分析的结果就是:只有F1的l ocap 告警是初始告警,而所有其他的告警都可能是受它影响的结果.分析结果用图4来表示功能的故障状态.其中F1是热水池的源功能,分析结果说明了这个故障状态的唯一一种原因就是热水池中的水太少.313 故障诊断算法故障诊断算法利用MF M 模型来产生一种“反向链接”类型的诊断.其输入可能来自于用户回答的问题,也可能来自于被测量的信号,还可能来自于规则的触发.系统寻找故障,提供解释并给出补救措施,其诊断过程是沿着MF M 模型按照深度优先的方式来进行的.同样以循环水冷却系统为例,对故障诊断算法进行说明.假设热水池的水面不符合要求,即违背了总目标G1,那么用户需要找出为什么没能实现这一目标的原因.于是,故障诊断算法从目标G1开始,即从最顶层目标开始,然后沿着“达到”联系向下・98・石浪涛,赵云:多级流模型(MF M )在传感器故障诊断中的应用进入到描述物质流的那个网络,并对其中的各个功能依次检查.图5 MF M 模型的故障诊断算法搜索简图图5的故障诊断算法从总目标开始,沿着“达到”联系进入物质流的流结构中并到达了功能F1处,通过诊断搜索发现F1为初始故障,于是诊断转移到传输功能F2,算法通过提问得知F2处于故障状态,并调用告警分析算法,得出结论:F1为初始故障,F2处于后继故障.算法到达存储功能F3上,依次类推,算法结束了对物质流结构的搜索,由于传输功能F2出现故障,并且它还通过“条件”联系与一子目标相连,故算法通过这个联系继续向下搜索,算法在能量流E1沿着虚线箭头向下搜索,通过提问发现功能F12状态正常,于是算法到达功能F13,通过提问发现功能F13处于故障,并经过分析得知F13为初始故障,因而,功能F2也被设为初始故障,算法结束.综上所述,总的故障状态是由两个独立的原因引起的:1)热水池中本身水量不足;2)上行水泵未动作.利用MF M 算法,我们可以迅速追寻到故障的源头,并对传感器的布置做出合理分析.同理我们可以得知,要使这个系统正常运行,需要在3处布置传感器,即在图1的冷却塔3、冷水池5和平衡阀V2、V3与下行水泵之间分别布置液位传感器和压力传感器.4 结论MF M 模型具有实时性好、诊断速度快等优点,已广泛运用于各种故障诊断中.在绝大多数工业自动化系统中,传感器的测量值之间既互相独立又互相联系,利用MF M 模型可以有效地建立传感器之间的内在关系,并利用测量值有效算法来判别传感器的故障.但应该看到MF M 模型是一种定性模型,必须与其他模型很好地结合起来综合应用,而这,正是本课题继续研究的方向.参考文献:[1]M 1L ind 1Rep resenting goals and functi ons of comp lex syste m s -an intr oducti on t o multilevel fl ow modeling [R ].Copenhagen I nstituteof Aut omatic Contr ol Syste m s,Technical University of Denmark,1990.[2]J 1E 1Larss on .Knowledge -based methods f or contr ol syste m s [D ].Depart m ent of Aut omatic Contr ol,Lund I nstitute of Technol ogy,Lund,1992.[3]J 1E 1Larss on .D iagnostic reas oning strategies for means -end models [J ].Aut omatic 1994,30(5):775-787.[4]J 1E 1Larss on .D iagnosis based on exp licit means -end models [J ].A rtificial I ntelligence 1996,80(1):29-93.(责任编辑 李星)・09・ 嘉兴学院学报 第20卷第6期。
机械故障诊断的模型与算法研究
机械故障诊断的模型与算法研究引言:机械故障诊断是现代工业领域中十分重要的一个环节。
随着机械设备的复杂性增加，传统的手工诊断方法已经无法满足实际需求。
因此，研究机械故障诊断的模型与算法成为了一个热门的研究方向。
本文将探讨机械故障诊断的模型与算法研究的现状和未来发展方向。
一、背景介绍机械故障诊断是通过监测和分析机械设备的运行数据，确定机械故障的原因和位置。
传统的机械故障诊断方法主要依赖于经验和技术人员的直观判断，存在诊断结果不准确、效率低下等问题。
为了提高机械故障诊断的准确性和效率，学者们开始研究利用模型与算法进行机械故障诊断。
二、模型的研究在机械故障诊断的模型研究中，常用的模型包括神经网络模型、支持向量机模型和隐马尔可夫模型等。
神经网络模型是一种模拟人脑神经元网络的模型，其通过学习和调整模型参数，可以对机械故障进行准确的诊断。
支持向量机模型是一种基于统计学习理论的模型，它通过在高维特征空间中找到一个最优超平面，将样本进行分类。
隐马尔可夫模型是一种用于时间序列数据建模的模型，它可以对机械故障的状态进行建模。
这些模型在机械故障诊断中都取得了不错的效果。
三、算法的研究除了模型的研究外，机械故障诊断的算法也是研究的重点之一。
常用的算法包括遗传算法、粒子群算法和模拟退火算法等。
遗传算法是一种模拟生物进化的算法，通过模拟自然选择、交叉和变异的过程，搜索最优解。
粒子群算法是一种模拟鸟群觅食行为的算法，通过模拟粒子寻找最优解的过程，进行优化搜索。
模拟退火算法是一种模拟金属退火过程的算法，通过模拟固体退火过程，搜索最优解。
这些算法在机械故障诊断中也有广泛应用。
四、现状与挑战目前，机械故障诊断的模型与算法研究已经取得了不少成果。
然而，仍然存在着一些挑战。
一方面，机械故障诊断涉及的数据量庞大，如何高效地处理这些数据是一个亟待解决的问题。
另一方面，目前的模型和算法往往需要依赖于专家知识进行建模和调参，降低了模型和算法的普适性和灵活性。
轴承故障诊断中基于FEM的弹性振动特性分析
轴承故障诊断中基于FEM的弹性振动特性分析随着机械设备越来越复杂，轴承作为其中一个重要的部件，在机械运转中的重要性也越来越受到重视。
但是，轴承也会因为各种原因出现故障，除了一些表面故障可以通过简单的检查和更换来解决外，一些隐蔽的内部故障则需要更精细的诊断和分析。
目前，对于轴承的故障诊断，弹性振动特性分析是一种非常有效的方法。
基于有限元方法（FEM）的弹性振动特性分析可以准确地计算轴承在不同负载下的应力和变形情况，从而确定轴承的强度和刚度是否满足要求，进而分析轴承的故障原因。
为了深入探究基于FEM的弹性振动特性分析在轴承故障诊断中的应用，本文将从以下几个方面进行探讨。
1. FEM基本原理简介FEM是一种常用的数值分析方法，它将复杂的结构分割成许多小的单元，然后用数学方法来求解每个单元的受力情况，最终得出整个结构的应力和变形分布情况。
FEM方法具有高度的通用性和灵活性，可以快速处理各种类型的问题。
2. 轴承的弹性振动特性分析轴承的弹性振动特性是指轴承在受到某些外力作用时，由于本身的材料和结构特点，而产生的变形和振动情况。
弹性振动特性分析可以通过计算轴承的应变、应力等参数，来判断轴承的健康状态。
3. 基于FEM的轴承弹性振动特性分析方法基于FEM的轴承弹性振动特性分析方法包括以下几个步骤：（1）建立轴承的三维有限元模型。
将轴承分割成许多小的三维单元，确定每个单元的材料特性、截面面积等。
（2）定义边界条件和受力情况。
根据实际情况，确定模型的边界条件和受力情况。
（3）进行模型计算。
通过FEM软件进行计算，得出轴承在不同负载下的应力和变形情况。
（4）分析计算结果。
根据轴承所受负荷情况和计算结果，分析轴承的强度和刚度是否满足要求。
4. 基于FEM的弹性振动特性分析在轴承故障诊断中的应用基于FEM的弹性振动特性分析方法是一种与实际情况紧密结合的方法，其应用在轴承故障诊断中有以下几个优点：（1）高效性。
通过FEM软件进行计算，可以快速准确地计算轴承在不同负载下的应力和变形情况。
- 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MFM的故障诊断模型的研究
发表时间：2016-08-25T16:02:40.417Z 来源：《电力设备》2016年第12期作者： 1罗成 2牟春晓 3孙睿 4许潇 5曹东亮 6李雪
[导读] 多级流模型是一种基于目标的层次化、图形化的建模方法，它将真实的物理系统以物质流、能量流、信息流的形式进行抽象。
1罗成 2牟春晓 3孙睿 4许潇 5曹东亮 6李雪艳
（1、2、4、5、6国网山东省电力公司检修公司 264000 ; 国网山东省电力公司东营供电公司 257000）
摘要：多级流模型将复杂系统分解为不同的功能层，相互之间通过完成关系、实现关系和条件关系相连接。
本文通过研究MFM中流的基本属性、功能节点分组及MFM的建模方法，建立变电站的MFM模型。
关键字：MFM 故障诊断模型
1. MFM模型
基于多级流模型（Multilevel Flow Models, MFM）的故障诊断方法，是把整个生产过程抽象成广义的“流”，根据生产系统物质流、能量流以及信息流等变化推断故障源[1]。
目前，MFM已经成功应用于复杂系统的故障诊断。
2.MFM建模的理论基础
多级流模型是一种基于目标的层次化、图形化的建模方法，它将真实的物理系统以物质流、能量流、信息流的形式进行抽象，然后使用一些特定的图形符号来描述系统过程的目标、功能以及设备单元，从而对系统的生产、运行过程进行建模。
MFM对系统主要进行三个层次的描述：目标、功能、设备元件 [2]。
在电力系统中，应用较多的功能节点有：源、目标、传输、存储、平衡、汇、连接节点、观测者、决策者、管理者及操作者等，如图1所示。
图1 常用功能节点
每个功能模型通过流网络以特定的连接关系与一个或多个目标模型连在一起，以完成系统的目标。
同样，目标模型也能通过特定的条件关系与一个或多个功能模型连接起来，表明此目标为该功能实现的前提。
目标、功能和设备元件之间是多对多的关系，概括起来说，主要有：达成关系、条件关系、实现关系等。
多级流模型的建模思想是把生产过程抽象成广义的“流”，以系统目标与实现目标的功能为模型主体，建立复杂流程工业系统的抽象层次模型。
以 “流”作为建模的主线，它主要可分为：能量流、物质流、信息流[3]。
因为多级流建模是一种基于目标与功能的建模方法，子目标的实现是总目标实现的前提条件，所以，可以把大系统分解成若干个子系统。
子系统的目标即为子目标，子目标的实现要靠多种功能共同完成。
3.简单电力系统MFM简化模型分析
下面以一个简单电力系统的简化MFM模型为例，说明MFM建模的机理，对MFM的建模过程进行验证。
简单电力系统的示意图如图2所示。
图2 简单电力系统示意图
电力系统的供电过程是：发电机发出电能，通过母线输送到线路，然后再通过母线输送到负载。
系统主要由发电机C1、母线C2和C5、线路C4、负载C6和保护C3组成。
本文主要以其两个目标进行举例说明：G1是系统的主目标——维持负载正常供电；G2是系统的子目标——为线路提供保护。
电力系统的目标、功能节点及设备元件间的关系如上文分析的是多对多的关系。
它们之间的关系主要有：设备元件C1-C6和功能节点Fl-F10间的实现关系，目标G1与功能节点F1-F7间的达成关系，子目标G2与功能节点F4的条件关系以及功能节点间的连接关系。
考虑到实际电力系统的复杂性，可以将电力系统分模块建模，主要的模块有发电机、线路、母线、保护和负载。
各个模块的模型如图3所示，这些模块之间可以相互连接，其中母线模块可以根据母线上具体的出现调整出线的多少，保护可以具体到保护的类型。
用模块表示简单电力系统的模型比较繁琐，但是在复杂电力系统中，用模块表示就会比较规范并且模型容易搭建。
4.结论和展望
鉴于MFM故障诊断的规则一致、运行速度快，诊断深入、准确、可靠性较高，对于电力系统这类具有流特性，而可靠性要求较高的系统，具有很大的实用性。
参考文献：
[1]张健德, 杨明, 张志俭. 基于多层流模型的核电站警报分析系统的开发[J]. 核科学与工程, 2008, 28(1): 66-74
[2]刘仲宇. 基于多级流模型的故障诊断技术研究[D]. 杭州: 浙江大学. 2008
[3]石浪涛, 赵云. 多级流模型(MFM)在传感器故障诊断中的应用[J]. 嘉兴学院学报, 2008, 20(6): 87-90。