2021国内自拍视频在线播放,无码名模视频在线观看,2021自拍视频不卡,亚洲春色AV福利在线播放,免费韩国乱理伦片在线观看2025,大陆午夜理伦三级2024

隨著科學(xué)技術(shù)的發(fā)展，機械設(shè)備正朝著大型化、復(fù)雜化、高速化、自動化及大功率方向發(fā)展。機械設(shè)備 在現(xiàn)代工業(yè)生產(chǎn)中的作用和影響越來越大，其復(fù)雜程度、各設(shè)備間的關(guān)聯(lián)程度也越來越高，一個零部件出現(xiàn) 故障，可導(dǎo)致整個系統(tǒng)失效。這些故障或失效不僅會造成重大的經(jīng)濟損失，因 此，對機械設(shè)備進行可靠、準確的故障診斷具有非常重要的意義。 旋轉(zhuǎn)機械等大型設(shè)備結(jié)構(gòu)具有復(fù)雜性和耦合性，很難用傳統(tǒng)的模式分類技術(shù)將其故障截然分開。多 故障并發(fā)時，不同故障特征相互混雜呈現(xiàn)出耦合性、模糊性、隨機性等復(fù)雜征兆，并非多個單故障的簡單疊 加，很難用準確的數(shù)學(xué)模型加以描述，也難以完全依靠確定性判據(jù)進行故障診斷。大型機械設(shè)備的故障 診斷已經(jīng)成為一門熱門學(xué)科并得到迅速發(fā)展。在傳統(tǒng)診斷技術(shù)的基礎(chǔ)上，人們把計算機技術(shù)、傳感器技 術(shù)、小波分析、人工智能、識別技術(shù)進行結(jié)合并應(yīng)用于機械系統(tǒng)，形成了很多新的機械故障診斷方法。智能 診斷技術(shù)在知識層次上實現(xiàn)了辯證邏輯與數(shù)理邏輯的集成、符號邏輯與數(shù)值處理的統(tǒng)一、推理過程與算法 過程的統(tǒng)一、知識庫與數(shù)據(jù)庫的交互等功能，為構(gòu)建智能化的機械設(shè)備故障診斷系統(tǒng)提供了堅實的基 礎(chǔ)。目前，基于人工智能的故障診斷方法主要有：基于模糊理論的診斷法，基于人工神經(jīng)網(wǎng)絡(luò)的診斷法，基 于灰色系統(tǒng)理論的診斷法，基于支持向量機的診斷法，集成技術(shù)故障診斷法等。

1 基于模糊理論的診斷法

模糊（Fuzzy）理論是由Zadeh在1965年提出的，其目的是為描述與處理廣泛存在的不精確的、模糊的 事件和概念提供相應(yīng)的理論工具。此診斷法是借助模糊數(shù)學(xué)中的模糊隸屬關(guān)系提出的一種新的診斷方 法，它將各種故障及其癥狀視為兩類不同的模糊集合，集合之間的關(guān)系用一個模糊關(guān)系矩陣來描述。由于 機械系統(tǒng)故障既有確定性的，也有模糊性的，表現(xiàn)為同一故障可能由不同的原因造成，同一故障可能會產(chǎn) 生不同的故障癥狀，不同的故障也可能引起同樣的故障癥狀，多故障并發(fā)時故障癥狀更加復(fù)雜。當確定性 故障和模糊性故障相互交織、密切相連時，就需要通過探討機械系統(tǒng)故障的模糊性，尋找與之相適應(yīng)的診 斷方法，才能有利于正確描述故障的真實狀態(tài)，揭示其本質(zhì)特征。

在機械設(shè)備的智能故障診斷研究中，診斷知識的獲取是困擾機器智能診斷技術(shù)發(fā)展的“瓶頸” ［4-6］。盡 管該難題一直受到國內(nèi)外的關(guān)注，但目前仍未獲得突破性的進展［7-9］。因此，發(fā)展基于模糊理論的故障診 斷法具有重要的意義。 機械系統(tǒng)狀態(tài)和癥狀之間存在較為復(fù)雜的關(guān)系，必須盡可能利用多種癥狀進行綜合才能正確診斷出 系統(tǒng)所處的狀態(tài)：模糊綜合診斷。許寶杰等［10］將模糊粗糙集合理論應(yīng)用于加工中心故障診斷技術(shù)，獲得故 障診斷等知識，發(fā)揮其“有效地分析和處理不精確、不完整等不完備信息，并從數(shù)據(jù)中發(fā)現(xiàn)隱含的知識”的 特點，使機器故障診斷系統(tǒng)的知識獲取瓶頸問題得以有效解決，并使知識的自動獲取成為可能。高曉康等 ［11］首次將小波包分析（WPA）與模糊粗糙集理論的決策模型相結(jié)合，提出了適應(yīng)于現(xiàn)代機械設(shè)備在線診斷 的故障分析模型WRS。王勝春等［12］結(jié)合全矢譜技術(shù)與模糊函數(shù)，提出了一種矢模糊函數(shù)的新概念；矢模糊 函數(shù)在旋轉(zhuǎn)機械故障診斷中是非常有效的。 模糊診斷由于模糊集合論尚未成熟，諸如模糊集合論中元素隸屬度的確定和兩模糊集合之間的映射 關(guān)系規(guī)律的確定都還沒有統(tǒng)一的方法可循，通常只能憑經(jīng)驗和大量試驗來確定。另外因系統(tǒng)本身不確定 的和模糊的信息，以及要對每一個征兆和特征參數(shù)確定其上下限和合適的隸屬度函數(shù)，而使其應(yīng)用有局限 性。模糊故障診斷方法的優(yōu)點在于計算簡便、應(yīng)用方便、結(jié)論明確直觀，但用來進行趨勢預(yù)測存在一定難 度。特別是隸屬度函數(shù)的構(gòu)造、隸屬度矩陣的建立都是根據(jù)經(jīng)驗、統(tǒng)計得來的，會有一定的主觀因素，對特 征參量的選擇也是人為的，如果選擇不當，就會造成診斷失敗。

2 基于人工神經(jīng)網(wǎng)絡(luò)的診斷法

神經(jīng)網(wǎng)絡(luò)故障診斷法在20世紀80年代末90年代初才真正具有實用性。由于神經(jīng)網(wǎng)絡(luò)具有原則上容 錯、結(jié)構(gòu)拓撲魯棒、聯(lián)想、推測、記憶、自適應(yīng)、自學(xué)習(xí)、并行和處理復(fù)雜模式的功能，使其在工程實際存在著 大量的多故障、多過程、突發(fā)性故障、龐大復(fù)雜機器和系統(tǒng)的監(jiān)測及診斷中發(fā)揮較大作用。人工神經(jīng)網(wǎng) 絡(luò)在故障診斷領(lǐng)域的應(yīng)用主要集中于3方面：

1 從模式識別角度應(yīng)用神經(jīng)網(wǎng)絡(luò)作為分類器進行故障診斷；

2 從預(yù)測角度應(yīng)用神經(jīng)網(wǎng)絡(luò)作為動態(tài)預(yù)測模型進行故障預(yù)測；

3 從知識處理角度建立基于神經(jīng)網(wǎng)絡(luò)的診 斷專家系統(tǒng)。但其缺點也是明顯的，訓(xùn)練需要大量的樣本，當樣本較少時，效果不理想，忽視了領(lǐng)域?qū)＜业?經(jīng)驗知識，網(wǎng)絡(luò)權(quán)值表達方式也難以理解，及訓(xùn)練時間較長和識別精度不高等不足，因而需要對該診斷法 進行改進或結(jié)合其他診斷法，構(gòu)造新的診斷方法，來克服傳統(tǒng)神經(jīng)網(wǎng)絡(luò)診斷的缺點。 很多學(xué)者對基于人工神經(jīng)網(wǎng)絡(luò)的診斷法進行了研究。王璐等提出可將RBF函數(shù)中心參數(shù)和網(wǎng)絡(luò)權(quán) 重的訓(xùn)練作為系統(tǒng)參數(shù)，進行故障辨識，用擴展Kalman濾波算法（EKF）進行參數(shù)估計，Kalman算法訓(xùn)練的 RBF網(wǎng)絡(luò)，不僅具有較好的精度，而且提高網(wǎng)絡(luò)的收斂速度。張大志等為確定多層人工神經(jīng)網(wǎng)絡(luò)的權(quán)值 和閾值建立了混合求解方法，即迭代前期采用BP算法，而迭代后期采用梯度優(yōu)化法進行計算。彭斌等 根據(jù)旋轉(zhuǎn)機械復(fù)雜的故障特點，提出了結(jié)合第2代小波分析、模糊理論和神經(jīng)網(wǎng)絡(luò)形成的改進小波神經(jīng)網(wǎng) 絡(luò)。王光研等論述了RBF神經(jīng)網(wǎng)絡(luò)的基本網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)的學(xué)習(xí)及運行過程，結(jié)果表明：RBF神經(jīng)網(wǎng)絡(luò) 具有極快的學(xué)習(xí)收斂速度。張新海等研究了BP神經(jīng)網(wǎng)絡(luò)在機械故障診斷中的應(yīng)用，理論分析和測試結(jié) 果表明，應(yīng)用神經(jīng)網(wǎng)絡(luò)技術(shù)確定并進行齒輪故障診斷判據(jù)是切實可行的。姜萬錄提出了神經(jīng)網(wǎng)絡(luò)和證 據(jù)理論融合的故障診斷方法，提高了故障診斷的準確率。張忠奎等提出了一種基于最近鄰聚類學(xué)習(xí)算 法的改進型RBF神經(jīng)網(wǎng)絡(luò)模型，并將該模型應(yīng)用于旋轉(zhuǎn)機械的故障診斷中。應(yīng)用結(jié)果表明，改進型RBF網(wǎng) 絡(luò)訓(xùn)練速度快、分類性能良好，在設(shè)備故障診斷領(lǐng)域具有很好的實用性。彭滔等提出一種基于L-M算法 的神經(jīng)網(wǎng)絡(luò)應(yīng)用于機械設(shè)備故障診斷的專家系統(tǒng)，基于該算法的故障診斷模型顯著縮短了訓(xùn)練時間，具有 較高的準確性。

3 基于灰色系統(tǒng)理論的診斷法

灰色系統(tǒng)理論是鄧聚龍教授于1982 年創(chuàng)立的，并在社會經(jīng)濟系統(tǒng)中已得到廣泛的應(yīng)用，取得了較好的成果。由于其理論上的簡潔和思想方法的新穎，灰色理論中的灰色預(yù)測、灰色關(guān)聯(lián)度分析、灰色聚類和 灰色決策都成為設(shè)備故障診斷的有力工具。故障診斷過程是利用有限的已知信息，通過信息處理對含有 不可知信息的設(shè)備進行診斷、預(yù)測、決策的過程?；疑P(guān)聯(lián)分析方法可在不完全的、隨機的因素序列中， 對所要分析研究的各因素，通過一定的數(shù)據(jù)處理，找出它們的關(guān)聯(lián)性，發(fā)現(xiàn)主要矛盾，找到主要特性和主要 影響因素，在故障診斷中主要用于多參數(shù)診斷，用表征設(shè)備狀態(tài)的多個參數(shù)組成該設(shè)備的狀態(tài)模式向量； 建立標準狀態(tài)模式向量；通過比較各待檢狀態(tài)模式向量與各標準狀態(tài)模式向量之間的關(guān)聯(lián)度判斷所屬的 狀態(tài)。

諸多學(xué)者對傳統(tǒng)灰色關(guān)聯(lián)分析進行了多種不同的改進研究。由于故障征兆和故障類型之間存在的非 線性關(guān)系，王啟志等提出一種改進面積廣義灰色關(guān)聯(lián)度來分析序列之間的相似性與相近性，用于診斷冷 凍壓縮機的故障類型，取得較好效果。東亞斌等根據(jù)灰色關(guān)聯(lián)分析的基本思想，提出一種改進的灰色關(guān) 聯(lián)度量化模型，并將其應(yīng)用于機械故障診斷中，并以國內(nèi)某著名汽車廠離心式風機為例進行故障診斷，結(jié) 果表明改進關(guān)聯(lián)度可提高故障診斷精度；在改進關(guān)聯(lián)度計算中，避免了常規(guī)關(guān)聯(lián)度計算中分辨系數(shù)難以確 定的問題，這也為灰色診斷在在線診斷中的應(yīng)用提供了方便。吳冉灰色系統(tǒng)理論中的灰色關(guān)聯(lián)分析 方法引入到機械故障診斷模式識別中，判斷各種故障模式出現(xiàn)的可能性，在分析吊車常見的故障實踐中的 應(yīng)用，大大減少了事故的發(fā)生率。林云等結(jié)合信息熵和灰色關(guān)聯(lián)算法，從信息融合的思想出發(fā)，提出基 于灰色關(guān)聯(lián)和證據(jù)理論的機械故障診斷方法，通過旋轉(zhuǎn)機械故障的典型實例證明，是故障模式定量識別的 一種可行的新方法。 灰色診斷法的難點，在于要先建立典型故障參考模式，然后計算待識別故障模式與典型故障參考模式 的關(guān)聯(lián)度。一旦參考模式的特征矩陣不準確，診斷就會失敗。

4 基于支持向量機的診斷法

統(tǒng)計學(xué)習(xí)理論是一種專門研究小樣情況下機器學(xué)習(xí)規(guī)律的理論。由CORTES等人在統(tǒng)計學(xué)習(xí)理論的 VC維理論和結(jié)構(gòu)風險最小原理基礎(chǔ)上建立起來的一種機器學(xué)習(xí)新方法：支持向量機（support vector machine，SVM），已表現(xiàn)出許多優(yōu)于現(xiàn)有模式分類方法的性能。SVM是從線性可分情況下的最優(yōu)分類面發(fā)展 而來的，為解決二類分類問題而提出來的，不能直接運用于多類分類。將SVM算法應(yīng)用于機械故障診 斷領(lǐng)域的研究也已經(jīng)引起了工程界的關(guān)注。SVM方法具有利用小樣本數(shù)據(jù)集就可進行故障診斷、采用結(jié) 構(gòu)風險最小原理、易于實現(xiàn)模型結(jié)構(gòu)和參數(shù)都接近最優(yōu)的故障診斷模型等優(yōu)點。SVM是依靠特征參量描 述的相似度來進行故障分類的方法，特征參量對故障描述得越準確，其分類性能就越好，泛化能力也就越 強。其缺點也是明顯的，SVM不能診斷出沒有學(xué)習(xí)過的故障，因此對故障分類時參數(shù)的選擇非常重要。 有學(xué)者進行了SVM相關(guān)的研究。李凌均等以滾動軸承的故障分類為例，研究了SVM分類算法在故 障診斷領(lǐng)域中的應(yīng)用，并與BP神經(jīng)網(wǎng)絡(luò)分類方法進行了對比研究，結(jié)果表明SVM方法在少樣本情況下的 分類效果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。張龍等針對存在非平穩(wěn)性的振動信號和已有的故障樣本非常有限等問題， 提出一種基于時變參數(shù)自回歸模型和SVM相結(jié)合的旋轉(zhuǎn)機械故障診斷方法。曹沖鋒等利用超參數(shù)相 關(guān)理論和先驗知識界定模型超參數(shù)選擇區(qū)間，改進了SVM模型，提高了故障診斷的精度。張金敏等提 出了一種基于小波分解和最小二乘支持向量機（LS-SVM）相結(jié)合的齒輪箱故障診斷方法，實驗結(jié)果表明， 該方法能夠準確地識別故障類型。王晴晴等提出了SVM和一種根據(jù)故障數(shù)據(jù)的空間分布來優(yōu)化結(jié)點 排部的方法，它能夠提高SVM診斷的正確率，在故障診斷中取得良好的效果.等提出了一種 基于SVM的全新的故障診斷方法，具有參數(shù)優(yōu)化問題的蟻群算法，為了達到一個理想的故障診斷結(jié)果，進 行了機車滾子軸承實驗，驗證了其可行性和準確性。實驗表明該算法與蟻群優(yōu)化相結(jié)合，取得良好的故障 診斷結(jié)果。

5 集成技術(shù)故障診斷法

集成技術(shù)故障診斷法是一種集成多種故障診斷方法策略，對復(fù)雜故障進行診斷和監(jiān)控的有效方法。 盡管基于傳統(tǒng)結(jié)構(gòu)框架和組織策略下的智能故障診斷系統(tǒng)能夠?qū)υO(shè)備某些特定部位發(fā)生的故障進行有效 診斷，但面對故障征兆多樣、誘因復(fù)雜的診斷問題，有時用單一方法很難做出全面正確的判斷，這就需要將 多種診斷信息、診斷知識、診斷方法等進行集成，由于各個診斷方法各有特點和優(yōu)勢，也存在各自的缺點和 不足，可以綜合各方法的優(yōu)點，克服其局限性，更有利于提高故障診斷的可靠性和診斷效率。因此，集成技 術(shù)為解決復(fù)雜設(shè)備故障診斷提供了一條新的途徑。 集成技術(shù)的瓶頸就是怎樣找到各種診斷方法的融合點，實現(xiàn)更精確的故障診斷。提出了一 種基于智能互補融合的智能診斷方法，即采用蟻群算法（ACA）對反映運行工況的特征參數(shù)進行屬性約簡， 剔除不必要的屬性。根據(jù)約簡結(jié)果，建立基于徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)的故障診斷系統(tǒng)。網(wǎng)絡(luò)的訓(xùn)練 對比結(jié)果表明，基于蟻群算法的約簡處理簡化了輸入神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)維數(shù)，提高了網(wǎng)絡(luò)的訓(xùn)練效率和故障 分類準確性。結(jié)合矢功率譜和徑向基函數(shù)網(wǎng)絡(luò)，提出一種新的故障識別方法，該方法以矢功率 譜為特征向量，徑向基函數(shù)網(wǎng)絡(luò)為分類器。結(jié)合多傳感器融合技術(shù)和在數(shù)據(jù)融合處理中利用模 糊神經(jīng)網(wǎng)絡(luò)，表明診斷結(jié)果更精確。利用小波分析和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法對旋轉(zhuǎn)機械的 故障進行識別。實驗表明，該方法在旋轉(zhuǎn)機械故障診斷中切實可行，提高了故障診斷的準確率。結(jié)合單子神經(jīng)網(wǎng)絡(luò)信息融合在故障診斷中的不足不之處，提出了集成神經(jīng)網(wǎng)絡(luò)信息融合，結(jié)果表明，集成 神經(jīng)網(wǎng)絡(luò)信息融合使系統(tǒng)信息具有更高的精度和可靠性，進而能夠獲得對故障狀態(tài)的最優(yōu)估計與判決。采用廣義粗糙集理論對旋轉(zhuǎn)機械振動故障診斷的非完備決策系統(tǒng)進行了約簡，得到約簡結(jié)果， 建立了基于神經(jīng)網(wǎng)絡(luò)的故障診斷系統(tǒng)；網(wǎng)絡(luò)的訓(xùn)練對比結(jié)果表明，基于粗糙集理論的約簡處理簡化了神經(jīng) 網(wǎng)絡(luò)結(jié)構(gòu)，提高了網(wǎng)絡(luò)的訓(xùn)練效率，驗證了廣義粗糙集理論與神經(jīng)網(wǎng)絡(luò)集成進行故障診斷的可行性。設(shè)計一個模糊小腦模型，利用關(guān)節(jié)控制器的神經(jīng)網(wǎng)絡(luò)來檢測重要部件和識別故障，并將這種實時智能 故障診斷系統(tǒng)應(yīng)用于蒸汽輪機發(fā)電機組，結(jié)果表明，提出的實時故障診斷系統(tǒng)具有精度高、收斂速度快和 抑制高噪聲的能力。提出了一種故障診斷系統(tǒng)，有助于識別潛在的系統(tǒng)故障，該系統(tǒng)是一個以 互聯(lián)網(wǎng)為載體的，并根據(jù)先前的維修經(jīng)驗基于事例的推理，發(fā)展為注射成型機（IMM）。通過故障樹分析方 法和信息流向，來分析系統(tǒng)故障和識別可能發(fā)生的故障，取得了較好的效果與潛在的支持遠程IMM維護。