学位论文 > 优秀研究生学位论文题录展示

基于软计算的故障诊断机理及其应用研究

作　者: 师黎
导　师: 费敏锐
学　校: 上海大学
专　业: 控制理论与控制工程
关键词: 故障诊断(FD) 软计算(SC) 模糊神经网络 自适应模糊推理系统(ANFIS) 模糊自适应谐振映射理论(ARTMAP)网络 T-S模糊模型 小波变换 气动执行器 心电图(ECG) 遗传算法(GA)
分类号: TP18
类　型: 博士论文
年　份: 2007年
下　载: 662次
引　用: 2次
阅　读: 论文下载
 

内容摘要


系统的安全性和可靠性问题已引起人们愈来愈多的重视，正在逐步成为设计和评价系统的重要指标。故障诊断研究的意义在于避免事故发生或者降低事故的危害程度，这无论是对于工业生产，还是生物医学、航空、航天和国防领域都有着非常重要的经济意义和社会意义。基于软计算的故障诊断是将软计算与可靠性理论、控制论、人工智能和系统论相结合，以现代测试仪器和计算机为技术手段，实现系统的故障诊断。本文针对非线性系统故障诊断问题，研究和探索基于软计算的故障诊断机理及应用。主要成果如下：（1）将自适应模糊推理系统ANFIS用于非线性系统建模，将ANFIS和LVQ结合，研究了一种基于模型的故障诊断机理。从ANFIS模型中抽取特征参数作为LVQ网络的输入向量是诊断的关键。将包含故障主要信息的输出部分的参数作为LVQ网络输入向量的主要部分，通过对输出部分参数、输入部分隶属函数参数以及值域加权构成LVQ的输入向量，从而实现故障诊断。（2）考虑故障在线诊断的需要，提出了一种基于ANFIS多模型的在线智能故障诊断机理。通过同时在线运行多个ANFIS模型来表示不同的工作状况或不同的故障，产生偏差信号。诊断机理综合考虑系统的动态特性、鲁棒性和灵敏度，用偏差绝对值的累加和来探测故障的发生，特别是还引入一个独特的故障指数FI（Fault Index）来指示故障的发生和类型。（3）选用了具有紧支集且有广义线性相位的二次样条小波对ECG信号进行二进小波变换，采用相应策略完成心电信号ECG信号ST段提取。（4）针对多输入多输出（MIMO）ANFIS学习过程复杂的问题，为了提高诊断系统的准确度，研究了一个由训练系统和诊断系统构成的诊断机理。训练系统对应于，n种故障分别建立，n个ANFIS子模型。诊断系统则是把测试数据分别输入n个ANFIS系统，计算各子推理系统得到的输出yi（i=l，…，n，i代表子系统的序号）与标准输出1之间误差ei=|1-y（?）i|，令ek=min{e1，e2，…，en}以诊断第κ种故障的发生。（5）研究了基于模糊自适应谐振映射理论（ARTMAP）神经网络的故障诊断机理，推导出诊断网络的训练和分类算法。该网络具有对未知故障进行分类的能力。（6）针对BP网络的缺陷，研究了基于遗传算法的BP神经网络故障诊断机理，给出了三层BP网络的遗传算法学习网络权值和阈值的方法和步骤。（7）为了将模糊神经网络应用于动态故障诊断，构造了一种基于T-S模糊模型的递归神经网络，采用在反馈环节添加记忆元件来实现输入输出的动态映射。理论证明和仿真结果表明该网络可以逼近任意定义在一个封闭且有界集合上的函数。本文首次提出（1），（2），（4-7）六种基于软计算的故障诊断机理。（1）和（2）已成功实现了气动执行器的故障诊断，（3-6）在冠心病早期诊断上作了大胆的尝试，取得了很好的结果。由此可见，相对传统故障诊断，基于软计算的故障诊断在进行复杂非线性系统的故障诊断方面，具有获取信息更广、更方便，诊断更灵活，诊断的灵敏性更高和鲁帮性更强等突出优点。将其拓展应用于ECG信号分析上，提高了生物电信号的分析和处理能力，增加了故障诊断的研究内容和应用范围。生物医学信号的分析处理将成为故障诊断的一个重要研究领域。

全文目录


中文摘要  6-8
Abstract  8-16
第一章.绪论  16-34
  §1.1.引言  16
  §1.2.故障诊断技术及其发展趋势  16-19
    §1.2.1.故障诊断的基本问题  16-18
    §1.2.2.故障诊断研究的难点问题和发展趋势  18-19
  §1.3.基于软计算故障诊断的主要方法及研究现状  19-25
    §1.3.1.基于神经网络的故障诊断  21-23
    §1.3.2.基于模糊理论的故障诊断  23-24
    §1.3.3.基于进化计算的故障诊断  24-25
    §1.3.4.基于粗糙集理论的故障诊断  25
  §1.4.气动执行器及其故障诊断现状  25-26
    §1.4.1.气动执行器装置  25-26
    §1.4.2.气动执行器故障诊断研究的意义和现状  26
  §1.5.冠心病早期诊断与心电图ECG的ST段提取的研究现状  26-30
    §1.5.1.冠心病及其诊断  27
    §1.5.2.ECG特征点提取及其有关诊断的研究现状  27-29
    §1.5.3.心电信号的数据来源  29-30
  §1.6.课题来源及研究意义  30-31
    §1.6.1.课题来源  30
    §1.6.2.研究意义  30-31
  §1.7.本文主要的工作及内容安排  31-34
第二章.模糊神经网络  34-59
  §2.1.引言  34
  §2.2.神经网络的非线性逼近能力  34-37
  §2.3.模糊模型的类型及分割形式  37-41
    §2.3.1.Mamdani模糊模型  37-38
    §2.3.2.Takagi-Sugeno模糊系统  38-40
    §2.3.3.Tsukamoto模糊模型  40
    §2.3.4.模糊模型的分割形式  40-41
  §2.4.模糊系统的通用近似特性  41-45
    §2.4.1.模糊基函数  41-42
    §2.4.2.模糊系统的通用逼近性  42-45
  §2.5.模糊神经网络的融合方式  45-47
  §2.6.模糊神经网络的故障诊断方法  47-49
  §2.7.模糊神经网络学习算法研究  49
  §2.8.基于T-S模糊模型的递归神经网络  49-51
    §2.8.1.基于T-S模糊模型的递归神经网络结构  50-51
    §2.8.2.基于T-S模糊模型的递归神经网络的通用逼近特性  51
  §2.9.基于T-S模糊模型的递归神经网络在系统辨识中的应用  51-53
    §2.9.1.结构辨识  51-52
    §2.9.2.参数辨识  52-53
  §2.10.仿真分析  53-58
    §2.10.1.仿真实例  53-57
    §2.10.2.结论  57-58
  §2.11.本章小结  58-59
第三章.自适应神经网络模糊推理系统(ANFIS)  59-82
  §3.1.自适应网络  59-72
    §3.1.1.自适应神经网络的结构  59-61
    §3.1.2.反向传播学习规则  61-65
    §3.1.3.复合(Hybrid)学习算法  65-68
    §3.1.4.自适应网络的特例:神经网络  68-72
  §3.2.自适应神经-模糊推理系统ANFIS  72-76
    §3.2.1.ANFIS结构  72-75
    §3.2.2.复合(Hybrid)学习算法  75-76
  §3.3.气动执行器的ANFIS建模  76-80
    §3.3.1.气动执行器的ANFIS模型  77
    §3.3.2.实验结果  77-80
  §3.4.本章小结  80-82
第四章.基于ANFIS模型和学习向量(LVQ)神经网络的故障诊断  82-89
  §4.1.引言  82
  §4.2.学习向量(LVQ)神经网络  82-84
  §4.3.用LVQ神经网络实现故障诊断的机理  84-86
    §4.3.1.ANFIS模型特征的抽取  84-85
    §4.3.2.用ANFIS模型和LVQ网络进行故障诊断  85-86
  §4.4.气动执行器故障诊断实验结果及分析  86-88
  §4.5.本章小结  88-89
第五章.基于ANFIS的多模型在线故障诊断  89-96
  §5.1.引言  89
  §5.2.多模型的建立  89
  §5.3.多模型故障诊断的机理  89-91
  §5.4.故障诊断的灵敏度和鲁棒性分析  91
  §5.5.基于ANFIS多模型的气动执行器故障诊断  91-95
    §5.5.1.实验结果  91-92
    §5.5.2.结果分析  92-95
  §5.6.本章小结  95-96
第六章.基于软计算故障诊断及其在冠心病早期诊断中的应用  96-137
  §6.1.引言  96
  §6.2.典型心电信号的组成及其生理意义  96-98
  §6.3.小波变换与心电信号ST段的提取原理  98-103
    §6.3.1.小波变换原理与基函数的选取  98-99
    §6.3.2.信号奇异值的小波变换检测原理  99-103
  §6.4.心电信号特征点的小波变换检测方法  103-110
    §6.4.1.波峰值点的检测  105-108
    §6.4.2.T波特征点的检测  108-109
    §6.4.3.ST段特征点的检测  109-110
  §6.5.ECG特征提取的实验结果及分析  110-115
    §6.5.1.采用华南医电的心电数据的实验结果  110-111
    §6.5.2.采用郑州大学一附院的运动平板系统心电数据的实验结果  111-112
    §6.5.3.美国MIT/BIH标准数据库数据进行实验  112-115
  §6.6.ST段分析  115-117
  §6.7.斜率法和函数拟合相结合的方法实现ST形态识别  117-121
    §6.7.1.斜率法和函数拟合相结合的诊断机理  117-118
    §6.7.2.实验结果  118-121
  §6.8.基于ANFIS的故障诊断及其应用  121-126
    §6.8.1.基于ANFIS的智能故障诊断机理  121-123
    §6.8.2.基于ANFIS的心电图ST段诊断  123-125
    §6.8.3.结果分析  125-126
    §6.8.4 结论  126
  §6.9.基于模糊自适应谐振映射理论的神经网络的故障诊断及应用  126-131
    §6.9.1.基于模糊自适应谐振映射理论神经网络的故障诊断机理  126-130
    §6.9.2.基于模糊自适应谐振映射理论神经网络的ST段形态识别机理  130-131
    §6.9.3.实验结果及分析  131
  §6.10.基于遗传算法BP神经网络的故障诊断  131-135
    §6.10.1.基于遗传算法BP神经网络的故障诊断机理  132-134
    §6.10.2.基于遗传算法BP神经网络在冠心病早期诊断上的应用  134-135
  §6.11.本章小结  135-137
第七章.总结与展望  137-140
  §7.1.本文总结  137-138
  §7.2.展望  138-140
致谢  140-141
攻读博士学位期间发表的学术论文及参加的科研项目  141-143
参考文献  143-152

相似论文

  1. 基于TMS320C6713的SPIHT图像压缩算法研究及实现,TP391.41
  2. 图像的稀疏表示及编码模型研究,TP391.41
  3. 唇读中的特征提取、选择与融合,TP391.41
  4. 三容水箱系统故障诊断算法研究,TP277
  5. 羊绒与羊毛纤维鉴别系统的研究,TS101.921
  6. 感觉刺激诱发脑电特征研究,R318.0
  7. 网络传输中的ROI图像编码算法研究,TN919.81
  8. 基于多尺度分析的图像融合算法研究,TP391.41
  9. 基于小波变换的三维模型特征提取技术的研究与实现,TP391.41
  10. 轮廓波变换及其在图像处理中的应用,TP391.41
  11. 基于小波的雷达视频压缩方法研究,TN957.52
  12. 脊波变换在全色图像和多光谱图像融合中的应用研究,TP391.41
  13. 模糊预测函数控制改进算法的研究及应用,TP273
  14. 一种多数据流聚类异常检测算法,TP311.13
  15. 基于图像的信息隐藏技术研究,TP309.7
  16. 基于DM6446与小波的图像压缩系统设计与实现,TP391.41
  17. 信息融合技术在嵌入式驾驶疲劳检测中的应用研究,TP368.12
  18. 结合DWT的动态数据校正研究及应用,TP274
  19. 基于小波变换和马尔可夫链的流量预测模型,TP393.06
  20. 空间信息处理中基于模糊技术的数学模型的改进,O159
  21. 智能型太阳能路灯控制器的应用研究,TM923.5

中图分类: > 工业技术 > 自动化技术、计算机技术 > 自动化基础理论 > 人工智能理论
© 2012 www.xueweilunwen.com