动态技术测试包括什么_动态测试技术主要由_浅析智能诊断与动态测试技术课程论文

  本文关键词：动态测试技术课程，由笔耕文化传播整理发布。

浅析智能诊断与动态测试技术课程论文 导读： 天津大学 2014～2014 学年第一学期研究生课程论文试题 课程名称：智能诊断与动态测控技术 课程编号： S201E012
学院名称：
学号：
姓名：
成绩：
课程论文题目：1.神经网络技术在（ ）智能诊断中的应用现状及发展 2.小波分析在（ ）故障诊断中的应用现状及发展 3.支持向量机在（ ）智能诊断中的应用现状及发展
基本要求：1.
论文格式按照发表论文格式(题目，摘要，关键词，正文，参考文 献) 2.
对象自选，篇幅没有要求，但要围绕着某一类或一种部件或装备 来论述，不要泛泛而论 3.
主要参考文献为 2008 年后发表 4.
英文文献占 30%，且论文中要真正引用其内容 5.
论文要有条理性、逻辑性 6.
要有自己的观点和思考，不要简单复述参考文献
课程论文提交时间：2014 年 11 月 8 日
注：课程名称、课程编号、 课程题目、基本要求等项由任课 教师在印刷之前填写，研究生提 交的课程论文附后。

第
1
页 共
1
页
智能诊断与动态测控技术课程论文
神经网络技术在旋转机械智能诊断中的应 用现状及发展 娄金龙 天津大学机械学院机械工程专业 2014 级硕士生 摘要：利用人工神经网络理论和算法，设计出一种用于旋转机械的智能故障诊断和决策系统，是实际应用 中针对旋转机械最有效、最精确的故障诊断方法。
本文首先简要介绍机械故障诊断技术的发展状况，尤其 是在旋转机械方面设备诊断技术的主要进展，以及人工神经网络理论的主要内容；其次，主要针对一种具 有代表性的旋转机械——风机，详细介绍其基于神经网络技术的监测诊断系统；最后，本文还论述了基于 神经网络技术的智能诊断系统的发展趋势。
关键词：旋转机械 人工神经网络 智能诊断
0 前言 设备诊断的历史和人类对设备的维修 方式紧紧相联。
工业革命的发生使得机械设 备在工程实际中的应用逐步增加， 而设备故 障的分析和维修越来越被人们重视起来。
起 初，由于设备发展迅速，流水线作业方式普 及开来，定期故障检修成为有效方式，但是 到 60 年代，人们逐步意识到定期维修的一 些列弊病，开始变定期维修为预知维修，即 在设备运行过程中开始监测和维护， 不仅避 免了设备故障带来的损失， 而且避免了过生 维修，经济效益显著。
设备诊断技术由此发 展起来。
因此设备诊断在现今阶段的定义就在 于设备状态的在线监测和故障诊断， 并逐步 向智能化决策方向发展。
在世界范围内，美 国的设备诊断技术占有领先地位， 美国的许 多企业都开发出了具有完善监测功能和诊 断功能的产品，在宇航、军事、化工等方面 具有广泛应用， 而其他国家的设备诊断技术 发展也各具特色和优势， 如英国的摩擦诊断 方面，丹麦的振声诊断方面，日本的诊断技 [1] 术应用方面等 。
1
我国的诊断技术虽起步较晚， 但发展很 快。
目前我国在一些特定设备的诊断研究方 面成绩突出。
尤其是在旋转
上一篇论文：试论论文格式要求 下一篇论文：试论国贸课程论文

浅析智能诊断与动态测试技术课程论文 导读：有分辨原因及故 障类型的能力。 智能诊断与动态测控技术课程论文1 基于神经网络技术的旋转类机 械智能诊断概述 人 工 神 经 网 络 （ Artificial Neural Networks，简记作 ANN）是由具有适应性 的简单单元组成的广泛并行互连的网络， 它 的组织能够模拟生物神经系统对真实世界 物体所作出的交互反应。  人工神经网络的主 要哲学 机械方面，一些 高校已经开发出了自己的智能监测诊断系 统，如西安交通大学的“大型旋转机械计算 [2] 机状态监测与故障诊断系统” ，东北大学 [3] 的“风机工作状态监测诊断系统” 等。
从上世纪 80 年代开始，人工神经网络 技术开始被运用于机械设备诊断系统中， 并 发挥了非常好的效果， 主要有以下 3 个原因： （1）训练过的神经网络能够存储有关 过程的知识，能直接从定量的、历史故障信 息中学习。
可以根据对象的正常历史数据训 练网络， 然后将此信息与当前测量数据进行 比较，以确定故障。
（2）人工神经网络具有滤除噪声及在 有噪声情况下得出正确结论的能力， 可以训 练人工神经网络来识别故障信息， 使其能在 噪声环境中有效的工作， 这种滤除噪声的能 力使得人工神经网络适合在线故障检测和 诊断。
（3）人工神经网络具有分辨原因及故 障类型的能力。

智能诊断与动态测控技术课程论文
1 基于神经网络技术的旋转类机 械智能诊断概述 人 工 神 经 网 络 （ Artificial Neural Networks，简记作 ANN）是由具有适应性 的简单单元组成的广泛并行互连的网络， 它 的组织能够模拟生物神经系统对真实世界 物体所作出的交互反应。
人工神经网络的主 要哲学基础就是它们具有通过范例进行学 习的能力，或者更技术地来说，它们可以系 统地改进输入数据且能反映到输出数据上。
1.1 神经网络的基本模型 神经网络是一种运算模型， 由大量的节 点（或称“神经元”，或“单元”）和之间相互 联接构成。
每个节点代表一种特定的输出函 数，称为激励函数（activation function） 。
每 两个节点间的连接都代表一个对于通过该 连接信号的加权值，称之为权重（weight） ， 这相当于人工神经网络的记忆。
人工神经网 络中，网络处理单元的类型分为三类：输入 单元、输出单元和隐单元。
输入单元接受外 部世界的信号与数据； 输出单元实现系统处 理结果的输出； 隐单元是处在输入和输出单 元之间，不能由系统外部观察的单元。
神经 元间的连接权值反映了单元间的连接强度， 信息的表示和处理体现在网络处理单元的 连接关系中。
人工神经网络是一种非程序 化、适应性、大脑风格的信息处理，其本质 是通过网络的变换和动力学行为得到一种 并行分布式的信息处理功能， 并在不同程度 和层次上模仿人脑神经系统的信息处理功 能。
如下图 1 所示：
图 1 人工神经网络模型
1.2 神经网络的特点与智能诊断相结合 人工神经网络的特点和优越性， 主要表 现在三个方面： 第一，具有自学习功能。
例如实现图像 识别时， 只在先把许多不同的图像样板和对 应的应识别的结果输入人工神经网络， 网络 就会通过自学习功能， 慢慢学会识别类似的 图像。
自学习功能对于预测有特别重要的意 义。

上一篇论文：试论论文格式要求 下一篇论文：试论国贸课程论文

浅析智能诊断与动态测试技术课程论文 导读：原因是非常有帮助的， 通常情况 下， 人们希望在不拆开机器的情况下实现故 障部件的定位，所以，采用神经网络技术， 结合外加激励和计算机测量分析技术来确 定故障原因，是一种很便捷的方法。  1.3 基于神经网络的旋转机械智能诊断发 展现状 正是基于神经网络的这些特点， 并结合 机械故障智能诊断的需要， 基于神经网络技 术的机械 比如利用神经网络进行机械系统故障诊 断时， 神经网络的自学习功能有能力通过一 些机器运转参数， 比如工作频率、 振动参数、 关键部件的温度变化等， 提前预测机器故障 [4][5] 的出现，挽回损失 。
第二，具有联想存储功能。
用人工神经 网络的反馈网络就可以实现这种联想。
第三，具有高速寻找优化解的能力。
寻 找一个复杂问题的优化解， 往往需要很大的 计算量， 利用一个针对某问题而设计的反馈 型人工神经网络， 发挥计算机的高速运算能 力，可能很快找到优化解。
这对于诊断机械 系统的故障原因是非常有帮助的， 通常情况 下， 人们希望在不拆开机器的情况下实现故 障部件的定位，所以，采用神经网络技术， 结合外加激励和计算机测量分析技术来确 定故障原因，是一种很便捷的方法。
1.3 基于神经网络的旋转机械智能诊断发 展现状 正是基于神经网络的这些特点， 并结合 机械故障智能诊断的需要， 基于神经网络技 术的机械故障诊断应用逐渐普遍起来。
其中 我国许多学者对该方面的研究已经非常深 入， 如屈梁生教授等较早的利用人工神经网
2
智能诊断与动态测控技术课程论文
络对大型旋转机械的各种故障进行了全面 的研究， 研究了如何从现场故障信号中提取 故障特征并将全息诊断法应用于神经网络 诊断系统中[2]；虞和济教授等对机械设备故 障诊断的人工神经网络法进行了深入的研 究[3]，建立了旋转机械神经网络的分类系统 并得到了应用，取得了满意的效果；张炜等 学者则对旋转机械故障诊断中的神经网络 算法进行了研究，采用动态学习法，引入了 控制因子，结果表明这种改进提高了 BP 网 络的收敛速度，改善了网络的性能，具有实 际应用意义。

子系统。
完整的监测诊断系统框图如下图 3 所示： 振动监测 温度监测 噪声监测 油液分析 性能分析
振 轴 谱 振 动 心 分 值 方 轨 析 向 迹 监 测 及 信 号 处 理 系 统 显示、打印、存储 超限？ Y 报警 N
风 风 功 量 压 率
故障诊断与决策
图 3 风机系统状态监测和故障诊断系统
2 风机监测诊断系统实例 2.1 风机监测诊断系统的构成 风机是工矿企业的重要设备。
由于种类 不同， 生产实际中的作用也不尽相同， 因此， 对于不同种类风机的监测方法和硬件设备 也不相同， 但总的思路是对一般作用的风机 可采用离散点检测方法， 用便携测振和测声 工具或数采系统进行巡检， 发现故障征兆后 再重点监视和精确诊断。
对于具有关键作用 的重要风机， 则采用实时的在线监测和故障 诊断系统。
常见的风机工作系统及传感器布置如 下图 2 所示：
2.2 风机监测诊断系统的设计 图 3 中的故障诊断和决策系统是整个系 统智能化的核心部分， 它的结构即为神经网 [5] 络结构 ，如下图 4 所示。
在前置的信号处 理模块中， 对温度和性能信号只需简单的平 滑
上一篇论文：试论论文格式要求 下一篇论文：试论国贸课程论文

浅析智能诊断与动态测试技术课程论文 导读： 连接处理，而对于振动信号，除了振动值 大小和方向外， 还采用了小波分析对信号进 行了频带分析，以作为待诊断的案例。
信号输入 信 息 分 配 神 经 网 络
风机 NN1 NN2
电机 NNn NN1 NN2


NNn
决 策 融 合 网 络 结论
电机
风 机
图 4 风机系统集成神经网络诊断系统
振动
温度
油液
噪声
性能
图 2 风机工作系统及传感器布置
可见， 风机工作系统主要由风机和电机 两部分组成。
按照监测参数类型，总系统又 可分为振动、温度、油液、噪声和性能五个 3
由于风机工作系统主要由风机和电机 两部分组成，因此诊断网络也分为两大部 分， 来自这两部分的信号由信息分配网络完 成定位。
实际上，风机和电机诊断都由两个 网络 NN1、NN2 组成。
NN1 以振动信号小波 频带分解能量为特征向量，共有 8 个输入， 诊断 10 种故障，NN2 则以油温、振动方向 和振动烈度为输入，共有 4 个输入，诊断 5 种故障。
从两者的输入量类型来看，NN1 以 时频信号为主，NN2 则以时域信号为主。
网
智能诊断与动态测控技术课程论文
络 NN2 的另一个功能是完成故障定位。
由于 输入信号中包含了传感器位置信息， 因此可 以另外加上一个位置节点。
两个网络形成了 如图 5 和图 6 所示的节点结构图。
不平衡 频带1 频带2 频带3 频带4 频带5 频带6 频带7 频带8 输入单元 输出单元 轴承损坏 亚谐共振 联轴器损坏 不对中 轴承座松动 不等轴承刚度 基础共振 机壳变形 轴向碰磨 隐单元
善的标准样本后， 可以以子网络的形式加入 到集成网络种来，这样一来，系统就充分利 用了各种采集到的信号， 并能够在这些信号 的接受、存储和判别过程中“积累经验” ， 从而实现智能自动诊断行为。
由于诊断系统由神经网络组成，因此， 采集到的信号经过处理后，形成待诊断向 量，只用进行简单的匹配计算，决策融合后 即可给出最终的诊断结论， 并能给出相应的 维护意见，整个过程可瞬时完成。
设备运行 出现异常后，即可进行自动诊断，并立即给 出诊断结果和建议，其间并不需要人工干 预，体现了高度的智能化行为。

图 5 网络 NN1 结构 轴向碰磨 油温 联轴器损坏 水平振值 不对中 不等轴承刚度 轴承座松动 位置 输入单元 隐单元 输出单元

3 基于神经网络的智能诊断的发 展动向 智能诊断系统的核心问题是它的学习 能力问题， 知识的自动获取一直是故障诊断 专家系统的难点，， 解决知识获取的途径是机 器学习， 即让机器能够在实际工作中不断地 总结成功和失败的经验教训， 对知识库中的 诊断知识进行调整和修改， 以丰富和完善系 [11] 统知识。
机器学习是提高诊断专家系统的 主要途径， 也是提高诊断系统智能性的重要 标志。
随着神经网络隐节点和反向传播算法 及连接机制学习蓬勃发展， 传统的符号学习
上一篇论文：试论论文格式要求 下一篇论文：试论国贸课程论文

浅析智能诊断与动态测试技术课程论文 导读：旋转机械状态监测与故障诊断系统 . 上一页 1 2 3 4 5 6 下一页 与连接机制已经逐步被取代。
基于生物发育 进化论的进化学习系统和遗传算法， 因吸取 了归纳学习与连接机制学习的长处而受到 重视。
基于行为主义的强化学习系统因发展 新算法的应用连接机制， 学习遗传算法的新 成就发展也十分迅速。
数据挖掘研究的蓬勃 发展， 为从计算机数据库和计算机网络提取 有用信息和知识提供了新的方法， 已经取得 了许多有价值的研究和应用成果。
因此，发展和完善现有的机器学习方 法，探索新的学习方法，建立更为实用的机 器学习系统， 特别是多种学习方法协同工作
垂直振值 轴向振值
图 6 网络 NN2 结构 这样， 风机经网络 NN1 诊断的结果将形 成一个十维输入量， 经网络 NN2 诊断的结果 将形成一个六维输入量， 两者在决策融合神 经网络中进行运算，并输出某些特征值，这 些特征值与经验值做出比较， 从而判断是否 超过极限，若超出极限，系统将报警并做出 相应决策。
此外，在该系统运行过程中，若其中一 个网络没有输出结果时， 系统同样能够输出 结果， 因为此时系统相当于利用单子网络进 行故障诊断， 这种设计大大增加了系统的抗 干扰能力。
2.3 系统的智能自动化行为 在该风机智能诊断系统中， 其他来自风 机的信号，如噪声，油液分析等，在形成完
4
智能诊断与动态测控技术课程论文
的诊断系统，将是今后研究的一个重要方 向。
参 考 文 献 [1] 钟秉林， 黄仁.机械故障诊断学 （第三版）[M].
北京:机械工业出版社.2007.
[2] 屈梁生 .
人工神经网络与机械工程中的智能 化 问 题 [J].
中 国 机 械 工 程,1997,02:1-4+121.
[3] 陈长征 , 张省 , 虞和济 .
基于神经网络的旋转 机 械 故 障 诊 断 研 究 [J].
度,2000,02:104-106+112.
[4] 易建钢 .
冶金风机智能诊断系统研究 [D].
武 汉科技大学,2007.
[5] 曾良才 , 曾永龙 , 傅连东 , 易建钢 , 涂福泉 .
神 经网络数据融合的风机智能诊断系统研究 [J].
矿山机械,2008,03:14-16.
[6] 张西宁 , 李艾华 , 屈梁生 .
大型回转机械实时 在线监测和故障诊断网络系统的研制 [J].
机 械科学与技术,1998,05:133-135.
[7] Howard I.
A Review of Rolling Element Bearing Vibration'Detection, Diagnosis and Prognosis'[R].
DEFENCE SCIENCE AND TECHNOLOGY ORGANIZATION CANBERRA (AUSTRALIA), 2009.
[8] 张雪江,何永勇,毛玉良, 贾民平,钟秉林,黄仁.
旋转机械状态监测与故障诊断系统 [J].
上一篇论文：试论论文格式要求 下一篇论文：试论国贸课程论文

  本文关键词：动态测试技术课程，由笔耕文化传播整理发布。