基于人工智能的往复式压缩机故障诊断研究综述
发布时间：2021-01-09 17:47
往复式压缩机因其机构和运动复杂导致其故障形式繁多,给人工的诊断过程带来了困难。本文较为全面地综述了人工智能用于故障诊断的现状和发展趋势,分析了各种人工智能技术的特点及适用性,提出了今后往复式压缩机故障诊断和人工智能方法结合的发展方向。对于压缩机人工智能诊断方法选择,促进压缩机智能化发展有重要意义。
【文章来源】：流体机械. 2020,48(09)北大核心
【文章页数】：7 页
【部分图文】：
神经元模型
支持向量机是一种监督式机器学习方法,它依赖于统计学习理论和结构风险最小化原理,并可以对样本按照不同的类别标记进行分类。支持向量机的分类思想是基于该样本训练集,在其样本空间中找到一个划分超平面,能够将不同类别的样本划分开,使得异侧的支持向量到这个平面的距离相等且最大。以二维空间为例,其划分规则如图2所示。当训练样本是线性不可分的时候,就需要引入核函数,将原始空间映射到一个更高维的特征空间中,使得样本在这个空间中变的线性可分,再构造出最优超平面。统计学习理论是一套针对小样本统计问题的学习体系,因此使得支持向量机在非线性和小样本的分类问题上表现优异。往复式压缩机的故障诊断模型的训练样本量少,问题复杂非线性高,正是这一类问题。当然支持向量机也有弊端,在线性不可分问题上,支持向量机的构造依赖于核函数的选择,因此,其分类功能的泛化能力主要也依赖于核函数。而在支持向量机的应用中,核函数如何高效准确的选择是一个尚未解决的问题[16-18]。
贝叶斯网络,又被称为信念网络,是基于概率论和图论的一种有向无环图[19],如图3所示。它主要由两部分组成:(1)节点,节点代表随机变量;(2)有向弧,有向弧是带有权值的箭头,箭头的起始端代表“因”,终端代表“果”,权值代表两变量之间的依赖关系,即条件概率[13]。在研究某一问题时,所有变量和变量之间的依赖关系在一个有向无环图中描述,便是一个贝叶斯网络。贝叶斯网络结构可以通过结合先验知识和对观测数据的学习来构建。贝叶斯网络具有很多优点:(1)在某些领域中,专家的知识可以分解成因果相关的依赖关系直观的表示在网络中,并且以往积累的统计数据可以转换成条件概率融入到模型当中,这就使得模型具备了知识;(2)模型可以表示随机变量之间的条件概率,这就使得贝叶斯网络在不确定推理方面表现优异;(3)因为贝叶斯网络是基于贝叶斯理论进行推理的,本质上是概率计算,因此不再需要额外的推理规则。往复压缩机的故障原因和表象之间具有复杂的相关性,并且诊断经验具有不确定性,相比于人类贝叶斯网络可以发挥其优势,系统快速精准地做出诊断[20]。
【参考文献】：
期刊论文
[1]基于超声波检测的BP神经网络缺陷识别方法设计[J]. 刘松,顾继俊,汪颖,陈磊磊,李云龙,李岩. 压力容器. 2019(08)
[2]往复压缩机变负荷工况阀片运动规律及气缸内状态仿真研究[J]. 赵梦芸,程贵健,李强,于铁男,王瑶. 机电工程. 2019(05)
[3]现代故障诊断技术研究现状与趋势[J]. 赵庆海,赵玮,石玉霞. 包装工程. 2018(15)
[4]药品智能包装的模糊灰色故障树分析[J]. 郑明亮. 包装工程. 2018(07)
[5]基于示功图几何性质与神经网络的往复压缩机气阀故障诊断[J]. 唐友福,王磊,刘树林. 压缩机技术. 2018(01)
[6]我国压力容器设计制造与维护的绿色化与智能化[J]. 陈学东,范志超,陈永东,崔军,章小浒,王冰,艾志斌. 压力容器. 2017(11)
[7]基于互信息的VMD算法在管道泄漏检测中的应用[J]. 王秀芳,檀丽丽,姜春雷,毕洪波,王冬梅,梁洪卫. 压力容器. 2017(08)
[8]燃气PE管道安全状况等级评定初探[J]. 孟晓丽,郭岩宝,孟涛,王德国,刘柯,陈秋雄. 压力容器. 2017(05)
[9]基于多源信息融合的往复式压缩机故障诊断方法[J]. 张明,江志农. 机械工程学报. 2017(23)
[10]贝叶斯网络结构学习综述[J]. 李硕豪,张军. 计算机应用研究. 2015(03)
博士论文
[1]往复活塞式压缩机关键部件的故障诊断方法研究及应用[D]. 苗刚.大连理工大学 2006
硕士论文
[1]基于贝叶斯网络的气阀故障诊断研究[D]. 杨瑞.电子科技大学 2017
[2]基于案例推理的往复压缩机故障诊断专家系统研究[D]. 申大鹏.北京化工大学 2012
[3]往复压缩机故障诊断专家系统的研究与应用[D]. 赵心怡.北京化工大学 2012
[4]往复式压缩机故障诊断专家系统知识库构建与系统实现[D]. 姚华堂.浙江工业大学 2004
本文编号：2967117
【文章来源】：流体机械. 2020,48(09)北大核心
【文章页数】：7 页
【部分图文】：
神经元模型
支持向量机是一种监督式机器学习方法,它依赖于统计学习理论和结构风险最小化原理,并可以对样本按照不同的类别标记进行分类。支持向量机的分类思想是基于该样本训练集,在其样本空间中找到一个划分超平面,能够将不同类别的样本划分开,使得异侧的支持向量到这个平面的距离相等且最大。以二维空间为例,其划分规则如图2所示。当训练样本是线性不可分的时候,就需要引入核函数,将原始空间映射到一个更高维的特征空间中,使得样本在这个空间中变的线性可分,再构造出最优超平面。统计学习理论是一套针对小样本统计问题的学习体系,因此使得支持向量机在非线性和小样本的分类问题上表现优异。往复式压缩机的故障诊断模型的训练样本量少,问题复杂非线性高,正是这一类问题。当然支持向量机也有弊端,在线性不可分问题上,支持向量机的构造依赖于核函数的选择,因此,其分类功能的泛化能力主要也依赖于核函数。而在支持向量机的应用中,核函数如何高效准确的选择是一个尚未解决的问题[16-18]。
贝叶斯网络,又被称为信念网络,是基于概率论和图论的一种有向无环图[19],如图3所示。它主要由两部分组成:(1)节点,节点代表随机变量;(2)有向弧,有向弧是带有权值的箭头,箭头的起始端代表“因”,终端代表“果”,权值代表两变量之间的依赖关系,即条件概率[13]。在研究某一问题时,所有变量和变量之间的依赖关系在一个有向无环图中描述,便是一个贝叶斯网络。贝叶斯网络结构可以通过结合先验知识和对观测数据的学习来构建。贝叶斯网络具有很多优点:(1)在某些领域中,专家的知识可以分解成因果相关的依赖关系直观的表示在网络中,并且以往积累的统计数据可以转换成条件概率融入到模型当中,这就使得模型具备了知识;(2)模型可以表示随机变量之间的条件概率,这就使得贝叶斯网络在不确定推理方面表现优异;(3)因为贝叶斯网络是基于贝叶斯理论进行推理的,本质上是概率计算,因此不再需要额外的推理规则。往复压缩机的故障原因和表象之间具有复杂的相关性,并且诊断经验具有不确定性,相比于人类贝叶斯网络可以发挥其优势,系统快速精准地做出诊断[20]。
【参考文献】：
期刊论文
[1]基于超声波检测的BP神经网络缺陷识别方法设计[J]. 刘松,顾继俊,汪颖,陈磊磊,李云龙,李岩. 压力容器. 2019(08)
[2]往复压缩机变负荷工况阀片运动规律及气缸内状态仿真研究[J]. 赵梦芸,程贵健,李强,于铁男,王瑶. 机电工程. 2019(05)
[3]现代故障诊断技术研究现状与趋势[J]. 赵庆海,赵玮,石玉霞. 包装工程. 2018(15)
[4]药品智能包装的模糊灰色故障树分析[J]. 郑明亮. 包装工程. 2018(07)
[5]基于示功图几何性质与神经网络的往复压缩机气阀故障诊断[J]. 唐友福,王磊,刘树林. 压缩机技术. 2018(01)
[6]我国压力容器设计制造与维护的绿色化与智能化[J]. 陈学东,范志超,陈永东,崔军,章小浒,王冰,艾志斌. 压力容器. 2017(11)
[7]基于互信息的VMD算法在管道泄漏检测中的应用[J]. 王秀芳,檀丽丽,姜春雷,毕洪波,王冬梅,梁洪卫. 压力容器. 2017(08)
[8]燃气PE管道安全状况等级评定初探[J]. 孟晓丽,郭岩宝,孟涛,王德国,刘柯,陈秋雄. 压力容器. 2017(05)
[9]基于多源信息融合的往复式压缩机故障诊断方法[J]. 张明,江志农. 机械工程学报. 2017(23)
[10]贝叶斯网络结构学习综述[J]. 李硕豪,张军. 计算机应用研究. 2015(03)
博士论文
[1]往复活塞式压缩机关键部件的故障诊断方法研究及应用[D]. 苗刚.大连理工大学 2006
硕士论文
[1]基于贝叶斯网络的气阀故障诊断研究[D]. 杨瑞.电子科技大学 2017
[2]基于案例推理的往复压缩机故障诊断专家系统研究[D]. 申大鹏.北京化工大学 2012
[3]往复压缩机故障诊断专家系统的研究与应用[D]. 赵心怡.北京化工大学 2012
[4]往复式压缩机故障诊断专家系统知识库构建与系统实现[D]. 姚华堂.浙江工业大学 2004
本文编号：2967117
本文链接：https://www.wllwen.com/kejilunwen/shiyounenyuanlunwen/2967117.html
