水质监控设备故障智能诊断方法与系统研究

发布时间：2021-04-18 05:25

　　水质监控设备是应用于集约化水产养殖过程中的先进物联网系统设施,作为世界第一水产养殖大国、世界唯一水产养殖量远远超过捕捞量的国家,针对集约化水产养殖、工厂化水产养殖而展开的水产物联网装备相关的学术研究、技术积累,对我国实现水产物联网、集约化水产养殖具有重要意义。为提高水产物联网系统运行的稳定性,针对水质监控设备故障,本文通过构建贝叶斯诊断知识网络、原因搜素算法、反馈算法,并设计实验程序加以验证,对水质监控设备故障的智能诊断方法进行研究,并在此基础上实现故障诊断系统、利用双房室评估模型对该诊断系统的效果进行定量评估。为实现对大量设备的故障信息处理,作者将症状的识别作为独立于故障诊断的研究模块。症状作为故障的表征,其实质是数据；故障作为设备异常的表现,其实质是信息。症状的识别与故障的诊断都在诊断模型的框架内进行。以贝叶斯网络为基础,构建诊断知识库,支持率作为节点间的逻辑参数,是故障诊断过程中的逻辑基础,贝叶斯网络的易扩展性使得诊断模型对知识的学习与积累性较强,同时可以通过修改节点间支持率优化诊断过程。症状的识别分为简单阂值识别、无确定阈值故障的识别,症状的识别基于结构模式识别框架。设备采集的... 

【文章来源】：山东农业大学山东省

【文章页数】：72 页

【学位级别】：硕士

【部分图文】：

技术路线图

定量知识表示，定量描述节点与其父节点集之间的概率依赖程度，是网络节点间不确定性的数量度量。图2.1介绍了故障诊断Bayes网络的组成。\ 变量集 y Sapport= P(^)I有向无环图G(V，E)丨 I概率分布沒={沒,，沒故障诊断Bayes网络V J图2.1故障诊断Bayes网络组成Fig 2.1 Constituent of fault diagnosis' Bayesian Network9

所得结果与故障样本数据，即可得出诊断准确率。且准确率+误判率=1图3.4为该组实验结果折线图：推确芊(%}96.00% -| 94.00% ~ ^92.00% ^‘ ——? ?90.00% 88.00% ?—1—J—I—I 1—I—1 i—！iftkl七率-(%)图3.4准确率与故障样本比率关系折线图Fig 3.4 Line chart of relationship between accuracy and fault samples由折线图定性的分析，可得知，在一定量的样本条件下，系统诊断的准确率与故障样本比率呈正相关。且故障样本比率在大于35%时，准确率提升幅度明显增加。本章小结本章对症状识别与预处理方法进行了详尽的叙述，症状的识别方法基于作者两年运维经历中对水质监控设备故障的认识，以及故障诊断经验。文中的实验是以实际的故障样本为基础展开的。本章首先提出了症状识别与预处理的概念，即必须将症状与故障区分出来，症状是数据的表征，是数据；故障是基于数据的信息。信息可以是数据，但是数据不一定就是信息。因此，将症状的识别独立出来，有助于故障诊断从以前模糊的模块，转变22

【参考文献】：
期刊论文
[1]基于支持向量机方法的水电机组状态识别[J]. 杜洪斌,张雷,李明桥,侯纪坤,白亮.  西北水电. 2013(03)
[2]GM（1,N）和QSIM结合的复杂系统的定性仿真建模方法[J]. 王洪利.  智能系统学报. 2013(04)
[3]基于粗糙集和图论的电力系统故障诊断方法[J]. 卢鹏,王锡淮,肖健梅.  控制与决策. 2013(04)
[4]基于融合神经网络的传感器故障诊断专家系统[J]. 魏红娟.  计算机测量与控制. 2013(02)
[5]机械故障诊断的信号处理方法:频域分析[J]. 王金福,李富才.  噪声与振动控制. 2013(01)
[6]基于神经网络和证据理论的信息融合在故障诊断中的应用[J]. 李伟,梁玉英,朱赛.  计算机测量与控制. 2012(11)
[7]现代模式识别发展的研究与探索[J]. 霍桂利.  河北广播电视大学学报. 2012(05)
[8]Nature Reviews Immunology2001～2010年度“亮点”（一）[J]. 刘蓉蓉,陈丽华.  细胞与分子免疫学杂志. 2012(05)
[9]模糊模式识别理论在土地利用规划环境影响评价中的应用[J]. 周鑫,刘志斌.  山西农业科学. 2012(03)
[10]运用模式识别与遗传算法的复合磨床干涉检测方法[J]. 刘福群,赵高晖,蒋丽琳,王姗姗,刘世红.  现代制造工程. 2012(03)



本文编号：3144894