故障诊断总结.docx
- 文档编号:26824306
- 上传时间:2023-06-23
- 格式:DOCX
- 页数:19
- 大小:219.06KB
故障诊断总结.docx
《故障诊断总结.docx》由会员分享,可在线阅读,更多相关《故障诊断总结.docx(19页珍藏版)》请在冰豆网上搜索。
故障诊断总结
故障诊断总结
国内外的研究现状
故障诊断方法经过一段时期的发展,到目前为止已有专家系统、模糊数学、灰色系统、神经网络、数据融合和范例推理等多种诊断推理方法,这些方法中专家系统作为常规诊断的推理方法,通常被视为其它故障诊断推理方法的基础,而神经网络技术在最近几年的发展非常迅速,出现了BP神经网络、ART神经网络、RBF神经网络和SOM神经网络等多种网络模型。
同时为提高神经网络训练样本质量,又相继出现了神经网训练样本前期处理方法,如主成分分析、聚类分析方法和粗糙集理论等技术方法。
这些智能化故障诊断技术理论的不断完善极大地促进了设备机械故障诊断系统研究水平的提高。
目前,国内外故障理论的应用研究已比较成熟,如以专家系统为基础的神经网络故障诊断系统研究己有很多报道,它们详细阐述了基于神经网络的专家系统在机电设备中各组成部分故障诊断中成功的应用设计,表明神经网络的应用提高了故障诊断效果。
神经网络与专家系统的结合,充分运用两者的优点,使设备故障诊断更可靠,更实际。
1.专家系统与神经网络联合诊断
专家系统能够存贮大量专家经验知识及典型实例,解释推理路径和推理依据,且结构简单易于实现,但存在知识“瓶颈”,缺乏有效的知识表达方式等局限性;神经网络具有大规模并行、分布式存储和处理、自组织、自适应和学习能力等特点,特别适用于处理需要同时考虑许多因素和条件的、不精确和模糊的信息,但其处理的知识属于隐式表达,无法直接解释。
通过神经网络和专家系统的有效集成,神经网络的知识处理方法能有效弥补专家系统符号知识处理过程中难以表达的设备故障形式,实现类似故障的联想和自适应功能,提高了整体的执行效率,而专家系统在原有知识库的基础上能不断存储诊断过程中的有用知识,其解释器能够对推理机和神经网络的推理结果进行解释,并给出相应的维修策略。
其集成的方式主要有以下三种模式:
(1)神经网络支持专家系统,以专家系统为主,通过神经网络获取知识提高推理效率。
(2)专家系统支持神经网络,以神经网络为核心,采用专家系统完成解释方面的工作。
(3)协同式神经网络专家系统,针对复杂问题选择神经网络或专家系统,建立耦合关系。
根据流程工业关键设备结构复杂、故障多样的实际情况,应针对设备的具体故障征兆,选择合适的推理诊断方式进行故障诊断,充分发挥集成系统的优势,其结构图如图1。
图1集成系统结构图[f]
(1)人机界面部分:
提供一个友好的人机接口,以便与专家进行交流,维护知识库和报告故障检测的结果。
(2)专家系统推理:
根据知识库中的专家规则,案例等知识进行诊断推理,将结果反馈给操作者。
(3)神经网络群推理:
将采集的数据通过神经网络诊断得到推理结果,将结果传送到解释机制,告诉用户。
(4)解释机制:
回答诊断过程中用户的提问,对诊断结果进行解释,使用户清楚明了。
(5)知识获取维护:
由知识工程师将专家的经验知识进行整理以规则的形式写入知识数据库中,并加入已有典型案例,同时当推理机遇到不确定的推理因素时,向知识工程师进行询问,将解决后的知识写入知识库中,增加知识含量,以方便下一次的诊断推理。
(6)数据采集和数据预处理:
传感器测得的实时数据传入计算机对各类数据进行数据整理、清洗以符合诊断需要,将处理后的数据写入综合数据库。
1.1专家系统方法
专家系统包括确定推理与不确定推理,其中确定推理包括规则推理和案例推理,不确定推理主要是指基于可靠度的推理。
在流程工业设备故障诊断过程中,主要对设备提供的状态信息应用规则推理与实例推理,如图2所示。
图2规则推理与案例推理流程
1.1.1基于案例推理的诊断方法[i]
CBR(Case-BasedReasoning)是目前逐渐兴起的一种人工智能方法学,其实质是利用过去的实例来引导类推出所求问题的解,它采取以前成功的解决方法来解决类似的新问题。
这种方法无需显式的领域知识模型,避免了知识获取瓶颈,而且系统开放、易于维护、推理速度快,同时增量式的学习使实例库的覆盖度随系统使用逐渐增大、诊断效果愈来愈好。
CBR系统包含两个最重要的组成部分:
案例和推理机。
案例指一个问题的状态描述,并按一定的模式组织并存储在案例库中。
案例的表示,相似度的定义,案例的检索和修正是相互依赖的。
案例的表示应该方便案例的检索和修正,而案例检索是为了找到对当前故障问题有指导意义的案例。
相似度的定义不仅要能够明确找到“合适”的案例,还要容易被案例检索模块所使用。
推理机,根据索引策略、匹配方法和相似度计算等因素,从过去同类案例集中检索最相似的案例集,再由适配策略进行修正,达到适合当前问题的求解要求。
案例检索的根本目的是通过案例库中的案例与求解问题之间的相似度比较,找到最相似的案例。
因此,案例相似性是案例检索的基础,对案例检索过程和检索结果,以及整个问题求解都有很大的影响。
CBR推理的过程归纳为以下四个步骤:
检索、重用、修正、存储,如图3所示。
图3 CBR诊断系统的推理过程
1)案例框架[j]
对于案例推理的案例在结构上具有相似性,通过设定一个案例模板,各案例可运用继承简单明了地表示专家经验。
框架表示法具有结构性、继承性等特点,且善于处理模式匹配问题。
因此,采用框架表示法表示应对知识。
具体表示如下:
框架名:
<案例>
ID:
数值
属性ID:
范围(1,2,…,n)
方案描述:
字符串
状态:
范围(可操作,不可操作)
框架名:
<案例1>
ISA:
<案例>
ID:
1
属性ID:
1
方案描述:
状态:
可操作
框架名:
<案例n>
ISA:
<案例>
ID:
n
属性ID:
n
方案描述:
状态:
可操作
2)匹配算法
在案例检索过程时,采用基于不同的索引策略,在案例索引后,缩小案例匹配的空间,而不是盲目搜索;在案例匹配阶段,采用加重平均匹配方法,进行案例匹配。
相似度计算公式[i]为:
最近邻法[j]是指用户从案例库中找出与目标案例最近的匹配案例的方法,最近邻法的通常用公式表示为:
—目标案例;
—知识库中的源案例;
—每一个案例所包含的特征个数;
—表示知识库中第
个案例的第
个属性的值;
—目标案例A的第j个属性的值;
—第
个属性的权重,且
。
如果计算所得到相似度越高,表示这两个案例的匹配度越高。
1.1.2基于规则推理的故障诊断方法[k]
1)规则推理工作模型
规则推理(RBR)技术是专家系统诊断的一种,也是在故障诊断研究中普遍采用的基本方法。
基于规则推理的诊断技术具有逻辑清楚、解释性好、误诊率低等优点,在故障诊断分析中占有重要的地位。
RBR诊断技术主要是根据系统参数的变化情况和是否超过限值情况作为依据来判断系统状态、辨别故障类型。
在诊断时,系统将根据参数的异常情况按知识(规则)库中的规则进行推理,确定可能的故障,其工作模型如图4所示。
图4基于规则推理的工作模型
其中,知识库、推理机和工作存储器是构成专家系统的核心。
系统的主要部分是知识库和推理机,知识库是整个系统的基础,由可验证的规则等领域知识所构成,知识库中规则的获取是规则推理一个关键点。
系统中由推理机决定哪些规则的条件被事实满足,推理机选择合适的推理策略并从知识库中读取合适的规则,根据规则中的条件项读取相应现场数据的系统参数,判断事实和规则的条件是否匹配,从而判断规则结论是否成立。
2)规则表示
规则需要用适当的形式表示出来才能被应用。
规则有很多表示方法,本文采用产生式表示方法,产生式规则是专家系统中使用最多的知识表示方法,具有如下的特点:
1、类似人类的认知过程。
规则是模拟人类怎样解决问题的一个自然方法,规则的简单表示方式“if…then…”使得容易向获取它们的专家解释知识的结构;
2、模块化。
规则使得知识容易封装并不断扩充;
3、解释机制。
通过追踪触发的规则,推理机可以得到推出某个结论的推理链。
在多数情况下,规则都由条件和决策两个部分组成,其通用形式如下所示:
Ifcond1⊕cond2……⊕condnThenConclusion=C
对于诊断规则通常采用产生式规则来表示,其一般形式为:
IfSthenFwithCF(F,S)
其中,S为规则的前提条件,是一组相关征兆的逻辑组合;F为规则的结论部分,表示故障;CF(F,S)为规则强度(-1≤CF(F,S)≤1),用于描述诊断规则的不确定性。
它表示当条件S为真时,对故障F为真的程度。
CF(F,S)是用条件概率和先验概率来定义的,但在实际建造专家系统时,它通常是由领域专家根据实际经验主观给出的。
1.2神经网络方法
1.2.1知识模糊[a]
(1)设由系统测试信号构成的征兆域向量K=[K1,K2,…,Kn],考虑征兆域向量中各分量Kq(q=1,2,…,n)的具体变化趋势和极限值,应用模糊理论,确定隶属函数为哥西分布函数,描述Kq的语义值的模糊集为{低(L),中(M),高(H)}.哥西分布函数如图5所示。
图5哥西分布函数
根据经验,上述3个分布公式中的β均取值为2;a,b,c分别为上述分布函数图形中具有特殊几何意义的点,因此三者的取值可根据其在隶属函数图形中的特殊几何含义针对征兆域中的不同分量的具体范围分别予以确定,但应注意α1,α2,α3的值一定要按图中所示纵轴坐标均为0.5时通过联立方程求解来确定.取0.5进行运算的目的是确保测量的任一数据分量Kq的μL(Kq),μM(Kq)和μH(Kq)中至少有1个必大于0.5(其中,μL(Kq),μM(Kq)和μH(Kq)分别表示该分量隶属于“低”、“中”、“高”的隶属度),K经模糊量化[2]为X=[x1,x2,…,xm]=[μL(K1),μM(K1),μH(K1),…,μL(Kn),μM(Kn),μH(Kn)]式中:
m=3n.
(2)模糊处理模块[g]采用分段线性化方法对表中参数进行模糊处理,将参数值映射到区间[0,1],0.1表示降低,0.5表示不变,0.9表示升高。
采用的分段线性函数形式如下式:
式中:
a,b,c,d,e根据运行规程和实际运行数据取值。
(3)反模糊[h]
利用隶属函数对各个征兆参数进行模糊化,然后利用神经网络进行学习,即调用知识库中的权值和式得到量化输出,最后以一定的反模糊化原则得出模糊输出。
反模糊化原则举例如下:
过热1.00≥out_t≥0.75
向热0.75>out_t≥0.65
正常0.65>out_t>0.35
向冷0.35≥out_t>0.25
剧冷0.25≥out_t≥0.00
1.2.2遗传优化[b]
(1)确定被优化变量和变量约束条件:
设BP神经网络输入层神经元数为Sin,隐层神经元数为Shid,输出层神经元数为Sout。
则需优化的变量W1(隐层连接权值矩阵)的大小为Shid·Sin维,B1(隐层阈值矩阵)的大小为Shid·1维,W2(输出层连接权值矩阵)的大小为Sout·Shid维,B2(输出层阈值矩阵)的大小为Sout·1维。
因此,需优化的变量数为(Shid·Sin+Shid·1+Sout·Shid+Sout·1)个。
设定连接权值矩阵中权值的约束条件为[Wmin,Wmax],设定阈值矩阵中阈值的约束条件为[Bmin,Bmax]。
(2)确定编码方法:
本文采用二进制编码方式,每一个变量对应编码长度为10位。
(3)确定解码方法:
权值矩阵和阈值矩阵中参数的解码函数。
(4)确定个体评价方法:
BP神经网络误差性能函数为均方根误差函数。
(5)设计遗传算子:
选择运算采用比例选择算子,交叉运算使用单点交叉算子,变异运算使用基本位变异算子。
(6)确定遗传算子的运行参数:
确定群体大小,终止进化代数、交叉概率、变异概率等运行参数。
2.轧机应用[d]
1550mm冷轧作为宝钢三期建设中投资额最大的项目,主要产品为高品质汽车板和冷轧电工钢板。
酸洗轧机联合机组作为1550mm冷轧的重要组成部分,设计年产量为106万t。
酸轧机组的运行状态将直接影响1550mm冷轧的经济效益。
1550mm冷轧机由日立制作所设计,5个机架采用日立独有的UCMW形式轧机,工作辊双传动,1#机架电机功率为2×1500KW,2#~5#机架电机功率为2×2200KW,1#~2#机架使用齿形轴传动,3#~5#机架使用万向轴传动。
为了便于大电机的布置,下工作辊的传动配合使用了中间轴。
2.1振动等级判断[d]
按《ISO10816-3—机械振动(对于评估非旋转部位机械振动的测量)》第三部:
“对于最低功率在15kw且最低转速在120~1500r/min的工业机械固定位置的测量”,将振动按机械型号、额定功率、轴高分为三组。
1550mm冷轧机主传动的情况与之对比,可以看出,1550mm冷轧机主传动属于第一组,即额定功率在300kw以上(实为2000、2200kW)、电机轴高H>315mm(1395mm)。
对于机械振动值,按其所造成的机械影响分为四类:
第一类,最新投入运行的机械振动;第二类,振动的机械通常被认为可不受限制长期运行;第三类,振动的机械通常被认为不具备长期运行的安全性,如果不进行纠正,只能进行有限的运转;第四类,振动的机械通常被认为会引起机械发生损坏。
2.2冷连轧机主要机械故障[l]
1)电机与齿轮箱间鼓型齿联轴器故障连轧机电机与齿轮箱之间采用鼓型齿式联轴器。
联轴器齿面因长期运转会产生磨损,磨损后联轴器调心能力减弱,在运转中会产生附加力。
由于齿轮箱整体刚性好,所以同样的力在齿轮箱和电机轴瓦上产生的振动有很大的差别。
通常在电机轴瓦上会测到较高的振动,而在齿轮箱上却没有明显的变化。
2)齿轮箱故障主要包括轴承故障和齿轮故障
3)传动轴故障
1.扁头套故障传动轴扁头套里衬板磨损是常见故障。
因为扁头套衬板与轧辊的扁头接触,传递扭矩,扁头材质硬度高,衬板的材质硬度低,所以扁头套筒里衬板先磨损。
2.传动轴中万向联轴器的滚针轴承故障轧制部分的工作状态直接影响钢板的表面质量,是重点诊断部分。
这部分设备故障的直接表现是机架振动大。
轧制部分机械配合间隙不当造成支承松动是连轧机危害很大的故障。
上述内容可用下表表示出来:
表1轧机功能、功能故障及故障模式描述[n]
功能
功能故障
故障模式(故障起因)
1
2
3
4
5
6
7
将前面机架轧制的坯料轧制成成品输出
保证轧制成品的合格率不低于98%
如果润滑油油温超过70℃,则发出一个警告信号。
如果超出90℃,则发出关机信号。
如果振动加速度超过35m/s2,则发出一个警告信号。
如果超过50m/s2,则发出关机信号。
冷却水不开不能开车。
润滑油压力低于不能开车。
如果大盖未关闭不能开车。
A.210轧机轴承、齿轮严重损坏,不能工作。
B.210轧机不能正常工作。
C.210轧机轧辊轴断。
D.210轧机辊环开裂。
E.210轧机导卫损坏。
A.成品合格率低于98%。
A.润滑油油温超过70℃不发出报警信号。
B.润滑油油温超过90℃不发出停机信号。
A.振动加速度超过不发出报警信号。
B.振动加速度超过50m/s2不发出停机信号。
A.冷却水未开启动210轧机。
A.润滑油压力低于3.5kg启动210轧机。
A.大盖处于打开状态启动210轧机
1.210轧机锥箱齿轮严重剥落
2.210轧机辊箱齿轮严重剥落
3.210轧机锥箱滚动轴承严重变形,卡住
4.210轧机辊箱滚动轴承严重变形,卡住
5.210轧机锥箱油膜轴承严重损坏
6.210轧机辊箱油膜轴承严重损坏
7.210轧机由于缺润滑油而引起的故障
8.210轧机润滑油含水、含杂质过多,油质低而引起的故障
9.210轧机紧固螺栓松动而引起的故障
10.210轧机伞齿轮、斜齿轮侧隙、位置不合适而引起的故障
11.齿轮、轴等备件硬度不合适而引起的故障
1.210轧机齿轮点蚀、胶合严重。
2.210轧机滚动轴承滚道、珠粒点蚀、磨损,串量增大。
3.210轧机地脚螺栓、合箱螺栓松动造成的故障。
4.210轧机装配不合理,振动过大。
1.210轧机右旋轧辊轴轴断。
2.210轧机左旋轧辊轴轴断。
1.辊环使用时间过长,疲劳断裂。
2.冷却水水管堵塞。
3.冷却水水压低。
1.导卫辊轴承损坏。
2.210轧机导卫油气润滑管路堵塞。
3.210轧机导卫油气润滑管路空气压力低。
4.210轧机导卫导板磨损严重。
1.两轧辊轴轴错过大。
2.辊环磨损过大。
1.油温传感器损坏。
2.报警器损坏。
1.油温传感器损坏。
2.信号传输线路折断。
3.信号干扰过大。
1.振动传感器损坏。
2.警报器损坏。
1.振动传感器损坏。
2.信号传输线路折断。
3.信号干扰过大。
1.控制程序紊乱。
2.控制线路折断。
1.控制程序紊乱。
2.控制信号错误。
1.控制程序紊乱。
2.控制信号错误。
2.3油液应用[e]
目前对设备进行状态监测已成为一种行之有效的方法,被广泛应用到设备预知性维修中,而油样分析是设备状态监测的主要手段之一。
设备运行状态的许多信息都反映在它所使用的润滑油中,因此通过对设备润滑油的污染、变质程度的检测,可以预知设备磨损状况的发展变化趋势,掌握零件使用的程度,及时了解机械潜在问题,在故障发生前适时修理,以降低机械维修成本和误工时间,提高设备利用率和安全性能。
油样分析的主要内容包括以下两方面:
(1)润滑油性能的测试:
包括润滑油的质量指标、油品污染度、基础油与添加剂组分性能的变化趋势等,主要针对油品本身的质量,指导设备正确选油,视情换油,查询故障隐患与油样之间的关系,即监测设备的润滑状态。
(2)润滑油中污染物质及磨损颗粒的定性与定量分析:
包括污染物质的种类、数量及磨损颗粒的数量、尺寸、颜色、成分、形状及其在油中的分布等。
主要是针对设备当前的磨损状态,确认存在的故障隐患及其来源、部位、原因、程度及相应的解决措施,即监测设备的磨损状态。
对润滑油监测所采用的具体手段有理化分析、污染度测试、发射光谱分析、红外光谱分析、铁谱分析等。
1.理化分析
(1)油液粘度油液40℃是流动性测得,是油液的标志指标,反应油液老化现象。
(2)油液酸值通过回流法取得,测得油液的PH值,反应油液老化的主要指标。
(3)油液比色通过油色板对比,评定油液等级,对比新旧油液等级,反应油液老化情况(附加指标)。
(4)油液腐蚀通过测试油液对电解铜的腐蚀性,观察铜片颜色变化得到相应等级,反应油液抗磨剂含量的情况。
(5)油液机械杂质通过过滤油液得到杂质,进行称重,反应设备的磨损境况。
(6)油液水分通过蒸馏法测得油液水分含量,反应油液内含水量,进一步测试油液水分的分离性能,用作维护建议判别。
2.污染度分析
通过油压式分析仪,用于监测液压油和润滑油中固体颗粒的污染程度,用NASA或ISO标准进行评级。
其工作原理利用流量衰减原理来确定液体试样某些特定尺寸颗粒的浓度。
油品在使用过程中不可避免地受到污染的影响。
在这些污染因素中,以固体颗粒产生的影响最大,约占污染失效的90%以上。
污染度测试方法很多,大多情况下采用的是根各项测试结果的综合分析,特别是结合光谱定量分结果和铁谱显微镜直接观测的结果,划定污染度界等级,根据每次测试值作出污染度变化趋势图。
3.发射光谱分析
发射光谱分析用于分析油中所含金属的种类和数量。
油中的金属来自三方面:
油品添加剂自身带来的元素如Ca、Ba、P等,这类金属来源于油中极压或清净分散剂及抗磨剂等;外界污染物携入的,如V、Na、Si等;摩擦副表面产生的磨损颗粒混入油中使油中Fe、Al、Pb、Cr、Cu等元素明显增加。
新油的金属含量是一定的,当污染或磨损出现时,就会使油中某些金属元素含量明显上升,因此经常监测油中金属元素含量是设备状态监测的必需而重要的手段之一。
由于发射光谱主要是测定油中的小尺寸颗粒,对大尺寸颗粒的测试误差较大,因此它适用于监测设备的正常磨损及磨损趋势的变化,以及初期较轻微的异常磨损。
4.铁谱分析
利用铁谱分析可直接分析油中金属颗粒的尺寸、形态、颜色、数量及分布状况等。
实际应用中经常将发射光谱和铁谱两种方法结合在一起使用。
这样既可定性又可定量分析油中金属元素含量;既可分析小颗粒又可分析大颗粒;既可监测以小尺寸颗粒为主的正常磨损状态,又可监测以大尺寸颗粒为主要特征的异常磨损状态。
5.红外光谱分析[m]
红外光谱分析主要是从分子层次上分析油品的内部组成与添加剂的含量。
项目包括氧化值、硝碱值、总碱值、水分、积碳、燃油等十几项,油品的衰变、失效、更换等更是取决于各组分的变化程度。
原理:
由于不同的分子与原子在电磁辐射的前提下,都要激发产生光谱,又因波长出现在红外线区段,就成为红外光谱。
当一束具有连续波长的红外光线照射一物质时,该物质的分子就要吸收一部分能量转化为分子的振动与转化内能,因此将透过物质的光进行色散就可以得到红外谱带,以波长或者波数为横坐标,以透过率或吸光度为纵坐标,就可以得到一份该物质的红外吸收光谱图。
不同的分子具有不同的振动与转化内能,故而吸收峰的位置与峰高均有所不同。
由此可以判断物质的存在和含量。
利用上述原理,当不同的波长的红外辐射依次照射油样时,某些波长的辐射将被样品选择吸收而形成红外吸收光谱,由此可以对油品的红外光谱进行分析。
根据不同物质的特征吸收峰位置、数目和相对强度,可推断出油样中存在的官能团并确定其分子结构。
6.色谱分析
主要针对变压器绝缘油。
原理:
根据变压器油中甲烷,氢气,乙炔等各个成分的浓度,与所设定各个成分的警戒值相比较,从而对绝缘油的性能以及变压器的状态进行评价。
主要设备:
脱气振荡仪,气相色谱分析仪及相关配套分析系统。
常规分析项目:
色谱,酸值(溶剂95%酒精),微水,闭口闪点,水溶酸值(溶剂为蒸馏水)。
图6色谱分析流程图
润滑油起到润滑、散热、抗磨等多方面的作用。
所以用润滑油理化指标的变化来监测油品性能,以及机械、运行方面的故障状况;采用铁谱分析和光谱分析技术对设备在用油中磨损金属的数量、成分和形状进行监测,从而诊断压缩机的磨损状况。
图7为油液分析监测方案示意图。
图7油液分析监测方案示意图
由于油液分析中所使用的知识大多具有多层、复杂和无规律的特点,而且,油液分析专家系统通常又是为没有多少理论知识的部队基层人员使用设计的,因而最好能使用自然语言形式来进行知识库的建立、维护和完善。
显然针对这些特点,采用传统人工智能技术构成的产生式系统更为方便。
油液分析诊断知识通常由如下几个方面组成(图8)。
图8知识库组成[c]
参考文献
[f]巩文科,李心广,赵洁.基于BP神经网络与专家系统的故障诊断系统[J].计算机工程.2007,33(8):
199-204
[i]张建宇,高立新,崔玲丽,孙志宏.高线轧机齿轮箱故障诊断案例库的设计与应用[J].冶金设备.2006
(2):
19-21
[j]彭世春,高立新,张建宇,叶辉,寇小北.基于案例推理的轧机齿轮故障智能诊断系统[J].机械设计与制造.2008(7):
196-197
[k]李宏娟.基于规则和案例的压缩机集成故障诊断专家系统研究[D].湖南大学.2008
[a]杨昆,欧阳光耀.模糊神经网络在专家系统中的应用研究[J].武汉理工大学学报(交通科学与工程版).2008,32(3):
510-513
[g]于刚,高正平,徐治皋,姚学忠.基于神经网络与专家系统的汽轮发电机组故障诊断系统[J].电力系统自动化.2004,28(4):
67-70
[h]王雅娣,曹长修,任江洪,叶仲泉.模糊RBF神经网络在专家系统知识库建立中的应用[J].计算机工程.2005,31(3):
175-177
[b]蔡猛,张大发,张宇声.基于遗传算法的核动力设备实时故障诊断系统[J].核动力工程.2009,
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 故障诊断 总结