网络故障诊断关键技术（精选11篇）
网络故障诊断关键技术 第1篇
我国90%以上的国际贸易依靠水路运输完成,船舶运输在国民经济中具有重要的作用。大约80%的船舶采用以柴油机为主推进的动力装置[1],然而,即使在科学高度发达的今天,国内外因船舶动力装置发生故障而引起的恶性事故仍时有发生,造成巨大的经济损失及重大人员伤亡[2]。船舶的可靠性分析表明,整条船上所有故障的60%~80%发生在动力装置上,而在动力装置中,40%以上的故障发生于主柴油机系统[2]。因此,开展船舶柴油机系统的故障辨识、预测及缓解理论的研究能够帮助我们及时消除设备早期故障隐患,保障动力机械设备安全运行。
2006年中国工程院启动了“摩擦学科学及工程应用现状与发展战略研究”的咨询项目,从调研的结果看,船舶柴油机的主要问题集中在活塞-缸套磨损、拉缸烧瓦、气门间隙异常和气阀漏气、连杆大小端轴承和主轴承磨损等典型故障,且这些故障间存在耦合关系;另外,推进系统中的齿轮箱故障、轴系故障,以及船舶运行的不同工况等都会与柴油机各种故障发生强耦合,造成柴油机的同一种故障在不同情况下往往有不同的表现,同一种症状常常是几种故障共同作用的结果。这样的耦合关系给船舶柴油机故障的精确检测、可靠诊断及合理预测维修带来了极大的困难。要提高故障诊断效率,必然要对多方面的信息进行综合评价,大力发展多学科交叉融合技术。
所以,本文从摩擦学和动力学信息耦合的角度出发,以故障信号的感知技术、故障信号处理和特征提取理论为基础,对当前船舶柴油机故障诊断技术、特点和存在的问题进行评述,并结合实例对其发展方向进行了讨论,以期能够为船舶柴油机系统状态评估与早期故障辨识、预测与维修策略的优化提供理论、方法和技术指导。
1 国内外研究现状及分析
为了确保航运和工程船舶的安全运营,各国对船舶机械的状态监测均提出了严格的要求。美国船级社(ABS)在1987年制定了《基于预防维修技术的检验指南》,将振动监测、润滑油监测及性能参数监测技术用于状态维修的船舶机械检验;挪威船级社(DNV)在其《船舶主机与轴系检验手册》中,将主机与轴系性能监测作为造船的主要项目,进行了广泛的研究;日本船级社(NKK)对船舶机械设备状态监测与故障诊断技术进行了广泛的研究;中国船级社上海规范所编写了《柴油机滑油状态监测系统指南》和《螺旋桨轴状态监测系统指南》等指导性文件,并明确提出了船舶主机与辅机的性能监测和故障诊断的要求[3,4]。
具体应用方面,国外于20世纪70年代后期就开始用声振诊断技术来研究柴油机的故障,世界航运先进国家,如瑞士、挪威、日本、丹麦、德国、英国和美国已逐步将此项技术应用到船舶柴油机。美国于1985年研制出机车柴油机故障诊断专家系统;Liogd’s Register of Shipping、University of Newcastle、Marconi Command and Control System Ltd.合作开发出Condition/Performance Monitoring and Predictive System for Diesel Engines(CPMPS)系统,该系统功能包含状态监测、故障诊断、性能优化、性能监测和预报维修。我国从20世纪80年代初开始对往复式内燃机故障诊断作探索性研究,武汉理工大学、海军工程大学、华中科技大学等高校及研究机构在利用声振技术诊断故障方面做了大量的研究工作。其中,武汉理工大学对柴油机主要运动件的故障(活塞-缸套磨损、气阀漏气、连杆大小端轴承和主轴承磨损等) 进行了研究,并研制出柴油机智能诊断仪DCM-Ⅱ,该设备可不解体诊断柴油机活塞-缸套磨损和气阀漏气等故障[5]。但是,从这些国内外所研发的诊断设备的应用情况来看,缺乏对不同监测特征信息间的融合研究,也未建立相应的远程诊断中心,无法及时指导故障维护。因此,对船舶柴油机故障的早期检测、诊断与维修的研究仍有较大提升空间。
1.1 耦合机理与诊断技术研究进展
柴油机是复杂的机械系统,其摩擦学行为是多个学科行为强耦合的结果[6]。随着时间变化,机器部件的摩擦磨损不仅会有磨损量的变化、磨粒的产生、磨损表面的变化,还会伴有振动、噪声、热力参数等信息的变化。当磨损至故障出现时,这些信息会显著变化。王义亮等[7]从理论上对多缸内燃机缸套-活塞系统摩擦学与动力学的耦合问题进行了研究,给出了多缸内燃机缸套-活塞系统摩擦学与动力学耦合问题的数学模型。戴旭东等[8]建立了内燃机缸套-活塞系统油膜润滑与动力学行为的耦合分析模型,并用数值方法对单缸四冲程内燃机进行了仿真分析。李震[9]探讨了轴-轴承系统摩擦学、动力学耦合问题。这些研究结果表明了内燃机系统的摩擦学与动力学存在强耦合关系。因此,需要将系统的动力学行为与摩擦磨损状态耦合起来,赋予系统可监测性[10,11],以进行可靠的状态评估。
虽然热力参数监测、瞬时转速监测、振动监测和油液监测等技术均已应用到船舶主机故障诊断[12],但实际应用中,这些方法大都是独立使用的,并未深入分析动力学和摩擦学信息之间的相关性与独立性。严格说来,检测量与故障特征之间、故障特征与故障源之间都是一种非线性映射。因此,故障的多样性、不确定性和各种故障之间耦合的复杂性构成了故障诊断技术上的难点,仅靠单一领域内故障特征量和诊断方法难以完成诊断任务,如单独使用磨粒分析或振动分析仅能诊断30%~40%的机器故障[13,14,15]。最近的研究表明,将不同监测技术合理融合,能够更加准确可靠地诊断机械故障,显著提高状态监测性能,从而为工业企业提供更加有效的维修策略[13]。文献[14,15]采用磨粒分析和振动分析相结合的方法,对齿轮箱的状态进行监测,取得了较好的效果,但该方法在柴油机的主要摩擦副上的应用还不多见。Zhao等[16]对滚动轴承故障进行联合诊断时用到了油液信息和振动信息。郭文勇等[17]针对柴油机缸套-活塞副不同的磨损运行状态,利用机体表面振动及油样铁谱分析方法进行了研究,取得了较好效果。但他们的研究主要集中于振动信息与油液信息间的对比,没有在两者信息的耦合上作深入分析。因此,利用信息融合技术研究船舶柴油机摩擦学与动力学耦合还有较大提升空间[13]。
1.2 传感器研究进展
离线监测固然有精确度高的优点,但很难保证数据的时效性,无法真正及时地诊断故障。因此,发展在线监测是视情维修的必然。针对船舶柴油机具体运行环境,在线监测仪器和系统正成为研发热点。在油液传感器方面,Advance Technology Materials Research研制的在线实时润滑油磨粒分析装置XFS和Pacific Northwest National Laboratory研制的XRF都是利用不同物质受到激发后辐射不同能量的特征X射线的原理进行元素定量分析和检测的。作为在线式油液监测传感器与集成技术的国际领先厂家,Kittiwake开发出的ANALEXrs传感器套件组能够系统报告铁磨损颗粒及油液的状态。Wu等[18]研发了具有可视功能的在线铁谱传感器,建立了适用于在线铁谱图像的定量描述方法,提出磨粒面积百分覆盖指数(IPCA)评价指标;同时他们联合严新平等[10,11]将在线铁谱传感器应用到实船监测中。深圳先波公司也联合严新平等[10,11]将所研制的FWS-2型在线液体黏度传感器应用到实船监测中。在振动传感器方面,ABB电气公司开发了Cylmate System的柴油机在线监测系统。Cylmate System设计了气缸压力传感器及其信号分析系统,可以实时监测气缸工作压力,准确评估柴油机工作状态。杨建国等[19]研发了基于磁阻技术的船舶柴油机活塞环磨损监测传感器。这种磁阻传感器通过检测活塞环磨损引起的磁场大小和方向的变化来准确判断活塞环的磨损量,实现船舶柴油机的在线磨损检测。严新平等[10,11]运用最新的光纤传感技术提出了磨粒光纤在线检测方法和磨粒信息在线铁谱获取方法,并实现了磨粒铁谱图像的可视化。其他先进传感技术,如非接触光电传感器、无线传感器智能网络等,也正在不断被研发并应用到实践当中。
1.3 信号分析及处理进展
近十年来,信号处理技术突飞猛进,在机械故障的振动分析与诊断方面取得了诸多成果[5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20]。但是在船舶柴油机领域,目前还存在如下关键问题:
首先是可靠的故障振动信号获取问题。目前,广泛采用的振动测试技术已经比较成熟,但在船舶柴油机的信号采集方面存在一定的不足,主要表现在传感器无法安装,不能实现非接触、不解体地在线检测,在实船中无法得到稳态信号,因此传统傅里叶变换的应用受到极大限制[20]。更主要的是,在实船测试中,往往会有多个故障的同时存在,这样得到的声振信号是多个源信号的混合体,且被噪声严重污染,由此严重影响故障诊断的准确性和可靠性。因此,盲源分离问题即如何从柴油机声振信号中提取关键故障振动源成为目前研究的重点内容。独立分量分析(ICA)被证明是一种有效的盲源分离算法[21],将ICA算法应用到机械故障诊断是最近几年的研究热点[22]。上海交通大学、浙江大学、西安交通大学、中国科学技术大学等高校都将ICA技术应用到发动机及旋转机械的振源识别中,取得了较好的故障诊断效果。但是目前多采用的是线性构架的ICA算法(如FastICA[21]),在处理非线性变化的信号上还有一定的局限[22],如分解失真等。因此,如何改进线性ICA、研究非线性ICA算法,使其适用于非线性、非平稳混合信号的分离,对于故障特征的准确提取是非常有益的。
其次,在故障信号特征提取技术方面,小波变换得到最为广泛的应用,而且新的小波函数不断构造出来,如平稳小波、复小波、谐波小波等都在故障诊断中得到了应用。近年来,小波方法与其他信号分析方法相结合也成为小波应用的一个方向,如小波与相关分析、小波与包络谱、小波与ICA、小波与奇异值分解(SVD)、小波与神经网络、支持向量机(SVM)等相结合的特征提取方法。虽然小波变换分析取得了很大的成功,但小波分析是非自适应的,一旦基小波函数选定,那么分析所有的数据都必须用此小波函数。该基小波在全局上可能是最佳的,但对某个局部区域来说可能是最差的。另外,小波变换本质上是窗口可调的傅里叶变换,因而没有摆脱傅里叶变换的局限,基小波的有限长会造成信号能量的泄露,使信号的能量在时域/频域上的分布很难定量给出。为解决这些问题,Sweldens[23]提出基于时域运算的第二代小波变换,它摆脱了傅里叶变换束缚,同时继承了传统小波变换的时频局部化特征,并具有算法简单、运算快速等优点,在故障诊断中得到重视。何正嘉等[24]研究了第二代小波在旋转机械故障诊断中的性能。高立新等[25]利用第二代小波降噪技术进行了轴承故障诊断。但是在船舶柴油机上应用第二代小波的报道还比较少见,因此有必要在船舶柴油机故障诊断中研究第二代小波的性能。
再次,如何对提取的故障特征进行降维去冗余也是学者关注的热点。有效的特征降维不仅可以发现表征故障的主要特征,而且能够减小计算复杂度,提高诊断精度。常见的主成分分析(PCA)及Fisher判别分析(FDA)等方法对具有线性结构和满足高斯分布的数据集有较好的处理效果,但在处理“高维数、非结构化”的非线性数据时效果欠佳;自组织特征映射(SOM)虽然能够处理非线性问题,但是存在计算复杂、结果不稳定等问题。这些模式识别方法都很难发现嵌入在故障数据中的非线性结构,反映在故障分类上则体现为故障识别准确度的下降或错判[26]。自2000年Science杂志上发表3篇有关流形学习的研究成果[27,28,29]以来,关于流形学习的研究成为热点。流形学习较之于传统的线性降维方法,能够有效地发现非线性高维数据的本质结构,可靠提取数据的关键特征,故而越来越受到机器学习和认知科学领域研究者的重视。将基于流形学习的非线性降维算法用于故障模式分类,对船舶柴油机进行故障诊断,有可能为智能故障诊断提供了一条新的途径[26]。
最后,如何在物理意义层面实现摩擦学信息与振动信息的关联,直接决定两者耦合应用效果。柴油机摩擦的加剧会导致振动强度的增加,而不同摩擦磨损机理与模式会造成振动固有信息的改变。Peng等[14,15]研究了振动分析与磨粒分析的映射关系,但试验对象不是柴油机。谢小鹏等[30]从能量损耗角度建立两者的联系,但是在验证方面只应用到了振动能量监测模型。Zhao等[16]利用数理统计方法联系摩擦学与振动学信息,但是未探讨信息间的物理关联。因此,系统研究柴油机关键摩擦副磨损与振动的关联技术,给出其物理含义,继而从人工智能方面建立两者的联合故障诊断模型,对提高船舶柴油机摩擦学系统的故障诊断范围和精度都有重要价值。
综上所述,近十多年来国内外将振动分析、油液分析等技术应用于大型机械装备状态监测的研究应用和报道很多,并取得了卓有成效的成果,创造了巨大的经济效益。但是总体来说,在船舶柴油机系统状态监测与故障诊断中,将振动分析和油液分析联合利用的报道还很少见,基于摩擦学与动力学融合的报道和论文也就更少了。因此,研究多传感信息的有效融合理论与技术将对船舶柴油机系统的状态监测产生有益影响,从而为推进船舶动力机械系统的状态监测和故障诊断做出积极的贡献。
2 发展趋势
2.1 多传感信息融合技术
多传感信息融合被认为是最有前途的故障诊断方向之一,较好解决了不同专业领域的传感信息融合问题,不仅可以扩大故障诊断范围,还可以提高故障诊断精度,为工业生产提供更加可靠、强大的状态监测与故障诊断能力。在船舶柴油机故障诊断领域,已经有学者开始将振动分析与油液分析结合起来使用;然而,两者间在物理层面到底具有怎样的理论联系目前还无学者披露。
船舶柴油机故障诊断还有其他有效的方法,如瞬时转速/扭矩法、性能参数法等。如果将更多的方法融合到一个系统框架是否可以增强诊断系统的能力是值得学者们研究的。武汉理工大学可靠性工程研究所已经在该方面展开了理论与实践研究。图1所示为所研发的船舶机舱监控诊断系统。该系统融合了多尺度传感信息,能够对船舶柴油机及其他机械设备潜在的故障威胁及时做出判断,避免重大事故发生。如某次齿轮泵磨损故障,前期征兆是柴油机齿轮泵位置温度不断上升,接着在线铁谱仪出现较大磨损颗粒(图2、图3);随后工程人员及时利用光谱分析仪测得油液中Fe与Al含量超过正常水平,从而确定故障发生以及故障部位,停车检查发现齿轮泵齿轮磨损破坏(图4)。由此可见,通过多种检测方法的融合,可以及时、准确发现故障,保证柴油机安全运行。
武汉理工大学可靠性工程研究所正致力于船舶柴油机故障诊断难点问题(包括机器振动信号的盲源分离问题和故障特征非线性降维问题等)的研究。图5所示为其初步建立的多尺度传感信息智能融合系统,利用神经网络和专家知识对不同时空信息进行处理,从而给出较为合理的诊断结果。在此基础上,进一步的研究将通过实验室试验与实船测试相结合的方法不断改进和完善诊断系统,从而获得更好的工程实践效果。
2.2 远程故障诊断
远程故障诊断思想早就有之。西屋公司早在20世纪80年代就开始研发网络化监测诊断系统,建立了沃伦多故障运行中心(DOC),实现全美20多个电厂的数据信息在线/离线监测[31];三菱重工也研制成了远程机械状态监测系统[32]。Xu等[33]率先建立了远程信号分析与诊断服务器站点,开发了大型机械系统状态监测远程智能诊断系统。随后,西安交通大学推出了RMMDS系统,哈尔滨工业大学研发了MMMD系统等。在船舶机械系统远程诊断方面,目前主要有武汉理工大学、哈尔滨工程大学和大连海事大学等科研院所在进行相关理论研究与产品开发。图6所示为武汉理工大学研发的船舶动力机械远程诊断系统。该系统集成了图1所示诊断框架,能及时发现船舶柴油机等设备的早期故障,并已经应用到挖泥船、远洋救助船。
目前,船舶故障诊断系统主要采用局域网来实现单条船舶各种自动化设备的控制与运行状态监测,缺乏对一批不同类型船舶的远程实时监控能力,不能实现资源的优化配置与共享[11]。现有的网络化远程船舶机舱自动化系统能够利用网络通信技术监控某一区域内的所有船只,实时上传各船的运行参数到陆上机务管理中心,供机务管理人员监视各船的实时运行状况,分析不同船只的运行性能,优化运行方式,给出正确维护决策。但现有的系统存在以下的问题:
(1)机电液一体化控制系统与故障诊断系统独立,未实现状态监测控制与故障诊断的融合,从而难以建立起船舶关键设备的预测与健康管理系统(PHM)。
(2)现有远程故障诊断系统仅仅解决了信息从“现场”到“异地”的远程通信问题,且诊断对象单一,在面对多对象、多任务时,如何集成与协同多种方法以及在智能诊断层面相对表现不足。
因此,有必要开发新一代船舶机舱综合一体化系统来解决这些问题,这对降低船舶运行和保障费用、全寿命总拥有费用,提高机舱设备和复杂系统的安全性具有重要意义。
3 结语
综上所述,目前对复杂海洋环境下船舶柴油机状态监测与故障诊断的理论和技术还需进一步研究,船舶柴油机摩擦学与动力学信息在物理意义上的融合及其规律还缺乏客观的认识,尚缺乏有效的融合与分析方法。因此,需要通过对船舶柴油机运行过程的信号感知、信号融合等进行深入研究,提出简单、有效的监测故障的物理参数指标及智能融合指标,建立船舶柴油机远程智能故障诊断中心,保障船舶柴油机安全、可靠、高效的运行,为船舶柴油机在复杂海洋航行环境中的状态监测与故障诊断水平提升提供理论支持。
摘要：为了保障船舶柴油机的安全运行,研发了一种基于多尺度传感器信息融合技术的船舶柴油机故障诊断系统。在此基础上,从摩擦学与动力学耦合的角度,对船舶柴油机摩擦学系统状态监测与故障诊断关键技术研究进展进行了分析,指出了尚待解决的问题和今后的重要研究方向。
网络故障诊断上 第2篇
网络故障诊断70例(上)
上网时，我们经常会碰到这样、那样的网络故障，如何应付呢?今天，我们就针对一些常见的故障给大家分析一下!
1.故障现象：网络适配器(网卡)设置与计算机资源有冲突。
分析、排除：通过调整网卡资源中的IRQ和I/O值来避开与计算机其它资源的冲突。有些情况还需要通过设置主板的跳线来调整与其它资源的冲突。
2.故障现象：网吧局域网中其他客户机在“网上邻居”上都能互相看见，而只有某一台计算机谁也看不见它，它也看不见别的计算机。(前提：该网吧的局域网是通过HUB或交换机连接成星型网络结构)
分析、排除：检查这台计算机系统工作是否正常;检查这台计算机的网络配置;检查这台计算机的网卡是否正常工作;检查这台计算机上的网卡设置与其他资源是否有冲突;检查网线是否断开;检查网线接头接触是否正常。
3.故障现象：网吧局域网中有两个网段，其中一个网网段的所有计算机都不能上因特网。(前提：该网吧的局域网通过两个HUB或交换机连接着两个的网段)
分析、排除：两个网段的干线断了或干线两端的接头接处不良。检查服务器中对该网段的设置项。
4.故障现象：网吧局域网中所有的计算机在“网上邻居”上都不能互相看见。(前提：该网吧的局域网是通过HUB或交换机连接成星型网络结构)
分析、排除：检查HUB或交换机工作是否正常。
5.故障现象：网吧局域网中某台客户机在“网上邻居”上都能看到服务器，但就是不能上因特网。(前提：服务器指代理网吧局域网其他客机上因特网的那台计算机，以下同)
分析、排除：检查这台客户机TCP/IP协议的设置，检查这台客户机中IE浏览器的设置，检查服务器中有关对这台客户机的.设置项。
6.故障现象：网吧整个局域网上的所有的计算机都不能上因特网。
分析、排除：服务器系统工作是否正常;服务器是否掉线了;调制解调器工作是否正常;局端工作是否正常。
7.故障现象：网吧局域网中除了服务器能上网其他客户机都不能上网。
分析、排除：检查HUB或交换机工作是否正常;检查服务器与HUB或交换机连接的网络部分(含：网卡、网线、接头、网络配置)工作是否正常;检查服务器上代理上网的软件是否正常启动运行;设置是否正常。
8.故障现象：进行拨号上网操作时，MODEN没有拨号声音，始终连接不上因特网，MODEN上指示灯也不闪。
分析、排除：电话线路是否占线;接MODEN的服务器的连接(含：连线、接头)是否正常;电话线路是否正常，有无杂音干扰;拨号网络配置是否正确;MODEN的配置设置是否正确，检查拨号音的音频或脉冲方式是否正常。
9.故障现象：系统检测不到MODEN(若MODEN是正常的)。
分析、排除：重新安装一遍MODEN，注意通讯端口的正确位置。
10.故障现象：连接因特网速度过慢。
分析、排除：检查服务器系统设置在“拨号网络”中的端口连接速度是否是设置的最大值;线路是否正常;可通过优化MODEN的设置来提高连接的速度;通过修改注册表也可以提高上网速度;同时上网的客户机是否很多;若是很多，而使连接速度过慢是正常现象。
11.故障现象：计算机屏幕上出现“错误678”或“错误650”的提示框。
分析、排除：一般是你所拨叫的服务器线路较忙、占线，暂时无法接通，你可进一会后继续重拨。
12.故障现象：计算机屏幕上出现“错误680：没有拨号音。请检测调制解调器是否正确连到电话线。”或者“There is no dialtone。 Make sure your Modem is connected to the phone line properly。”的提示框。
分析、排除：检测调制解调器工作是否正常，是否开启;检查电话线路是否正常，是否正确接入调制解调器，接头有无松动。
13.故障现象：计算机屏幕上出现“The Modem is being used by another Dial-up Networding connection or another program。Disconnect the other connection or close the program,and then try again” 的提示框。
分析、排除：检
网络故障诊断关键技术 第3篇
【摘要】进入新世纪以来，网络技术在社会生产生活的各个领域得到越来越广泛的应用，也帮助许多领域实现了技术性的突破，如数控机床设备故障诊断检测方面，其与网络技术的结合，有效的实现了远程诊断目标，大大提高数控机床设备故障诊断效率，减少了对生产的影响，本文将针对基于网络的数控机床设备远程故障诊断技术展开分析与探讨。
【关键词】网络；数控机床设备；远程故障诊断技术
在数控机床設备故障诊断中，采用传统诊断技术常常需要到现场进行停工检查，不仅会影响设备生产效率，同时故障信息的资源化转换效率也相对较低，整体诊断与故障排除工作效率较低，而随着网络技术在数控机床设备故障诊断中的应用，远程故障诊断系统得以建立，很大程度上提高了设备故障诊断的质量与效率，并为智能化诊断技术的发展提供更多的可能。
1、基于网络的数控机床设备远程故障诊断技术的应用优势
1.1降低了诊断成本
基于网络技术建立起来的数控机床设备远程故障诊断系统在实际应用中能够有效的减少日常维护及故障分析诊断等工作的开展成本，只需在系统建设之初进行一次性的整体投入，后续维护成本也相对较低，但在故障数据采集、共享、分析服务等方面所能够发挥的作用却是无可限量的，尤其在跨区域远程诊断中，更是极大的减少了聘请专家远赴现场诊断所需要消耗的时间及资金成本，从长远角度来看其对于成本的节约是相当可观的。
1.2实现了效益的提升
远程诊断技术的应用无论是对于数控机床设备的生产企业、销售企业还是设备实际使用方而言，都能够发挥出提升效益的积极作用，对生产企业而言，远程诊断服务的提供能够大大减少设备故障检修维护的成本，并有利于提高设备维修与故障排除的效率，同时对故障信息的及时反馈与整合分析也有助于帮助生产企业对设备进行优化与改进，提高设备性能与质量，从而提升自身的竞争力与效益实现的能力。对于销售企业而言，远程诊断服务可以与销售环节分离开来，通过与生产企业的合作构建专门的远程故障诊断与售后服务中心，有效提高售后服务的专业化水平，也可以通过服务口碑的营造，提升销售企业的外部形象，获得更多的市场空间。对设备使用方而言，由于远程故障诊断技术大大提高了设备诊断与故障排除的效率，有效减少了设备因故障问题对生产活动的影响，提高了设备生产运行的效益，进而实现三方共赢的目标。
1.3促进了故障信息的价值发挥
由于网络技术的运用提高了信息传输的速度与信息资源的共享性，通过网络传输的便捷高效性，可以对设备故障信息进行远程传输和快速整合，构建起数控机床设备故障信息数据库，以数据库为基础增强故障信息数据共享性，在实际故障检查与排除过程中，可以通过与数据库中的信息进行比对，快速分析和判断故障类型，也可实现跨区域合作，使个别机床设备故障信息在更大范围内发挥出利用价值，为其他地区同类故障检修提供有效指导，全面推动数控机床故障检修技术水平的发展。
2、基于网络的数控机床设备远程故障诊断系统的构成及运行
2.1故障数据采集系统
采集系统是远程故障诊断系统中重要终端组成，其主要负责在现场通过各类传感器及检测仪器对设备运行及故障发生时的振动、温度、转速、电流电压等状态信息数据进行采集，并通过相应的传输渠道传输至工作站进行统一整理，各类传感设备的检测精度是影响数据采集质量的关键因素。
2.2现场数据采集工作站
目前较为常用的现场数据采集工作站大都通过单片机平行等速采样的方法实现对数据采集系统传输来的信号采样处理，并利用工控机实现数据信息的综合分析、判断及异常数据报警。在未发现异常情况时，工作站会定时进行所采集数据的保存与发送，而当发现异常数据时，工作站将会自动改变工作方式，对警报发出前后相应时段的数据进行保存，并重点发送和突出异常部位的相应数据值，以便于技术人员检查与分析，并判断停工检查的必要性。要实现对不同信号的准确辨别与正确反应，需要信号获取模块与信号处理模块有效协调作用，以实现有效的动态监测，保证相关处理操作的科学开展。
2.3检测诊断服务器
该服务器是一个智能诊断决策系统。现场数据采集工作站传来的信息，进服务器处理后，针对异常信息，在数控机床故障诊断专家系统知识库中检索匹配的解决方案，并利用逻辑推理和数字分析相结合的方式，结合领域专家知识和设备历史档案进行分析，做出进一步诊断。监测诊断服务器包括数据通讯、知识库管理、数据库管理、推理机、工况分析和诊断等功能。各个任务模块相互联系、相互制约、共同服务于故障检测和诊断这一中心事件。其中数据通讯完成和现场数据采集工作站及远程网络服务器的数据交换，知识库管理便于用户对知识库的日常维护和管理，数据库管理提供给用户设备运行的正常和异常数据，用户也可以对数据进行管理和维护。
2.4远程诊断服务系统
远程诊断服务系统也是实现数控机床设备远程故障诊断的关键组成部分，该服务系统需要联结总装厂售后服务中心、配件供应商技术服务中心、同型号设备使用企业技术服务中心、区域网络诊断中心以及上级部门技术服务中心等多方服务器，在故障发生后，可通过对故障信息数据在远程诊断服务系统中向各联结方进行共享，使各方技术人员及专家能够针对相关故障进行远程合作分析诊断，并提出最可行的维修方案，可以弥补单方在知识及技术方面的不足，更有效的保障故障检修的实效性。
2.5远程故障诊断系统的运行模式
基于网络的数控机床设备远程故障诊断系统在实际运行中会根据故障情况与严重程度，分级采取不同处理模式，正常状态下监测和一般较为常见的故障诊断由数据采集系统及工作站来负责完成，而当工作站不能解决所发现故障问题时，向检测诊断服务器发送专家诊断请求，由专家系统完成诊断分析，如出现专家系统仍无法解决的重大故障时，则通过远程服务诊断系统将数据上传至网络，由多方专家及核心技术人员联网共同参与故障诊断，并将诊断结果及处理建议回传至发送方，以此来保证故障的准确诊断与及时排除。
参考文献
[1]田齐.基于网络的数控机床远程监控与管理系统设计与实现[J].机床与液压，2015（22）.
网络故障诊断关键技术 第4篇
关键词：船舶柴油机,摩擦学系统,状态监测,故障诊断
由于国际贸易中的交易90%是水路运输, 因此船舶运输业在我国国民经济中占有重要地位。柴油机在我国80%的船舶推动装置中得到使用, 因此防止由船舶动力装置发生故障而引发的事故是我国船舶运输安全工作需要重点关注的地方。但是, 即便如此, 国内外由船舶动力装置发生故障导致的经济损失还是屡有发生。船舶的可靠性分析表明, 船舶动力装置引发故障的比例占60%到80%以上, 其中主柴油机系统发生的故障率就高达40%。因此, 为了降低的动力装置发生故障的比率, 保证动力机械设备的安全运行, 应当积极开展船舶柴油机系统的故障识别, 预测以及缓解理论的研究工作。
1 国内外研究现状及分析
1.1 耦合机理与诊断技术研究进展
随着机器使用时间不断累积, 机器部件在摩擦磨损方面会呈现以下的变化:磨损量的变化, 磨粒的出现, 磨损表面的变化, 震动、噪声、热力等参数信息的变化。当这些信息出现显著变化时, 易导致磨损甚至故障的发生。众多的研究实验证明了动力学和内燃机系统的摩擦学存在强耦合的物理关系。对此, 则需将系统的动力学行为和摩擦磨损状态耦合起来, 加强系统的可检测性, 为柴油机的系统评估提供可靠地理论依据。严格来说, 检测量和故障特征之间、故障特征与故障源之间都存在一张非线性映射的关系。为此, 仅仅依靠单一领域的故障特征量是无法完成诊断任务的, 因为故障诊断技术中的难点来源于故障的多样性、不确定和各故障之间耦合的复杂性。例如:单独使用热力参数分析或者油液分析只能够诊断其30%到40%的船舶机器的故障。最新研究指出, 为了保证更加准确的, 可靠地诊断机器故障, 加强其对状态监测的功能, 可以将不同的监测技术之间进行耦合, 从根本上帮助工业企业提升器维修策略, 加强维修技术。
1.2 传感器研究进展
离线监测技术在我国船舶诊断技术中得到广泛应用, 其具有精确度高的特点。但是其存在一个致命的缺点:无法保证数据的有效性, 因此离线监测无法及时的诊断故障。从对船舶柴油机具体运行环境的角度来看, 在线监测仪器和系统有望成为船舶运输业中新的宠儿, 同时在线监测的发展是视情维修的必然产物, 是顺应时代潮流的结果。
2 发展趋势
2.1 多传感信息融合技术
目前我国最有前途的故障诊断方向之一是多传感信息融合, 它能够融合不同专业领域的传感信息问题, 增加诊断范围, 提高故障诊断准确性。目前我国船舶柴油机故障诊断领域中, 已有部分的学者将震动分析和油液分析两种技术相结合, 但是, 两者之间存在的理论联系目前还没有学者进行公布。另一方面, 值得学者们研究的不仅仅是震动分析和油液分析的两种技术结合, 还有其他有效的方法, 如瞬时转速、扭矩法、性能参数法等方法, 也值得学者们探索研究, 尽可做到将更多的方法分析融合到一个系统中, 达到增强诊断系统能力的效果。图1所示为所研发的船舶机舱监控诊断系统。该系统中配置了多尺度传感信息, 能够做到对船舶柴油机以及其他运行设备中存在的问题以及故障威胁作出及时的诊断, 规避风险, 避免发生重大的经济损失。比如:某次齿轮泵出现磨损故障时, 柴油机齿轮泵位置温度不断, 接着较大磨损颗粒出现在在线铁谱仪中 (图2) 。最后, 使用光谱仪监测油液中的Fe和AL含量帮助工作人员锁定故障发生位置, 从而检查齿轮磨损程度。
2.2 远程故障诊断
20世纪80年代西屋公司开始研究探索网络化监测诊断系统并建立沃伦多故障诊断中心 (DOC) 。与此同时, 三菱重工研发成功远程机械状态监测系统。目前我国主要有武汉理工大学、哈尔滨大学和大连海事大学等研科院在船舶机械系统远程诊断方面进行相关的理论研究和产品开发工作。图3所示为船舶动力机械远程诊断系统。该系统结合了图1的诊断框架, 能够及时反馈船舶柴油机存在的故障。
2.3 船舶柴油机在线监测技术
检测单元, 信号转换单元, 采集控制电路板和工作站都是我国船舶柴油机在线监测系统的组成部分。为了更好地根据实时的监测数据进行正确的故障诊断, 工作站中还包括了专家诊断模块, 可以发出相应的报警和解决方法。轮机人员可以通过相应的报警和解决方法进行更好的维护或者正确的修理 (如图4) 。
3 结语
综合以上所述, 我国对复杂海洋环境下的船舶柴油机状态监测以及故障诊断的理论和技术均未成熟, 依旧存在许多空白领域, 同时在船舶柴油机摩擦学和动力学等信息融合方面的知识以及其存在的科学规律还未完全掌握和深刻的了解, 没有研究出有效的融合、分析方法。为解决上诉问题, 应当深入探析船舶柴油机运行过程中信号感知、信号融合等方面的相关信息, 建立一个船舶柴油机远程智能故障诊断为中心的站点, 同时提出能够提升监测故障的物力参数指标以及融合指标, 保证船舶运行过程中的安全运行。
参考文献
[1]严新平, 张月雷, 袁成清, 等.可监测性设计在机械产品中的应用研究[J].中国机械工程, 2010, 21 (20) :2500-2504.
网络故障诊断和排除 第5篇
一个成熟的网络管理机构一般都制定有一整套完整的故障管理日志记录机制，同时人们也率先把专家系统和人工智能技术引进到网络故障管理中心。但对于大多数初学网络的人来说，这未免有点过于复杂，不过没关系，我来帮大家总结一下网络故障诊断和排除的方法和经验，供各位网管和菜鸟参考。
我们可以根据网络故障的性质把网络故障分为物理故障与逻辑故障，也可以根据网络故障的对象把网络故障分为线路故障、路由故障和主机故障。
下面首先介绍按照网络故障不同性质而划分的物理故障与逻辑故障。
1.物理故障
物理故障指的是设备或线路损坏、插头松动、线路受到严重电磁干扰等情况。比如说，网络管理人员发现网络某条线路突然中断，首先用ping或fping检查线路在网管中心这边是否连通。
ping的格式为：ping www.cisco.com或ping192.168.0.1(192.168.0.1是IP地址，可以是主机的IP也可以是网络中另一台计算机的IP)。ping一般一次只能检测到一端到另一端的连通性，而不能一次检测一端到多端的连通性，但fping一次就可以ping多个IP地址，比如C类的整个网段地址等。顺便多说一句，网络管理员经常发现有人依次扫描本网的大量IP地址，不一定就是有 攻击，fping也可以做到。如果连续几次ping都出现“Requsttimeout”信息，表明网络不通。这时去检查端口插头是否松动，或者网络插头误接，这种情况经常是没有搞清楚网络插头规范或者没有弄清网络拓扑规划的情况下导致的。
另一种情况，比如两个路由器Router直接连接，这时应该让一台路由器的出口连接另一台路由器的入口，而这台路由器的入口连接另一路由器的出口才行。当然，集线器Hub、交换机、多路复用器也必须连接正确，否则也会导致网络中断。还有一些网络连接故障显得很隐蔽，要诊断这种故障没有什么特别好的工具，只有依靠经验丰富的网络管理人员了。
2.逻辑故障
逻辑故障中最常见的情况就是配置错误，就是指因为网络设备的配置原因而导致的网络异常或故障。配置错误可能是路由器端口参数设定有误，或路由器路由配置错误以至于路由循环或找不到远端地址，或者是路由掩码设置错误等，
比如，同样是网络中的线路故障，该线路没有流量，但又可以ping通线路的两端端口，这时就很有可能是路由配置错误了。遇到这种情况，我们通常用“路由跟踪程序”就是traceroute，它和ping类似，最大的区别在于traceroute是把端到端的线路按线路所经过的路由器分成多段，然后以每段返回响应与延迟。如果发现在traceroute的结果中某一段之后，两个IP地址循环出现，这时，一般就是线路远端把端口路由又指向了线路的近端，导致IP包在该线路上来回反复传递。幸好traceroute可以检测到哪个路由器之前都能正常响应，到哪个路由器就不能正常响应了。这时只需更改远端路由器端口配置，就能恢复线路正常了。
逻辑故障的另一类就是一些重要进程或端口关闭，以及系统的负载过高。比如也是线路中断，没有流量，用ping发现线路端口不通，检查发现该端口处于down的状态，这就说明该端口已经关闭，因此导致故障。这时只需重新启动该端口，就可以恢复线路的连通了。还有一种常见情况是路由器的负载过高，表现为路由器CPU温度太高、CPU利用率太高，以及内存剩余太少等，如果因此影响网络服务质量，最直接也是最好的办法就是――更换路由器，当然换个好点的。(如果你有银子的话)
网络故障根据故障的不同对象也可以划分为：线路故障、路由故障和主机故障。
1.线路故障
线路故障最常见的情况就是线路不通，诊断这种情况首先检查该线路上流量是否还存在，然后用ping检查线路远端的路由器端口能否响应，用traceroute检查路由器配置是否正确，找出问题逐个解决。方法在前面已经提过，这里就不多说了。
2.路由器故障
事实上，线路故障中很多情况都涉及到路由器，因此也可以把一些线路故障归结为路由器故障。检测这种故障，需要利用MIB变量浏览器，用它收集路由器的路由表、端口流量数据、计费数据、路由器CPU的温度、负载以及路由器的内存余量等数据，通常情况下网络管理系统有专门的管理进程不断地检测路由器的关键数据，并及时给出报警。而路由器CPU利用率过高和路由器内存余量太小都将直接影响到网络服务的质量。解决这种故障，只有对路由器进行升级、扩大内存等，或者重新规划网络拓扑结构。
3.主机故障
基于BP网络的电机故障诊断 第6篇
摘要：介绍了BP神经网络以及电机故障诊断的发展和电动机故障诊断常见的技术方法，列举了电机故障征兆集。设计一个具有电机故障诊断功能的BP网络系统，给出了matlab关键程序和运行结果。
关键词：BP神经网络电机故障诊断
0引言
电机的正常工作对保证生产制造过程的正常进行意义非常重大。因此对电机故障的诊断要求十分迫切，通过对电机常见故障的诊断和分析，可以及早发现故障和预防故障的进一步恶化。随着芯片技术的发展及智能技术的应用，诊断技术已经进入了一个新的阶段，一种基于人工智能技术的诊断方法。该文用BP神经网络综合实现电机故障的诊断。
1BP神经网络
人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。
BP(Back Propagation)网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP神经网络模型拓扑结构包括输入层(input)、隐层(hide layer)和输出层(outputlayer)。BP网络能学习和存贮大量的输入一输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。
BP算法理论具有依据可靠、推导过程严谨、精度较高、通用性较好等优点，但标准BP算法存在以下缺点：收敛速度缓慢，容易陷入局部极小值，难以确定隐层数和隐层节点个数。在实际应用中，BP算法很难胜任，因此出现了很多改进算法：①利用动量法改进BP算法：②自适应调整学习速率；⑧动量一自适应学习速率调整算法：④L—M学习规则。
2电机故障诊断
由于人为的因素，仅依靠日常的“听、摸、看”难免会造成一定的判断失误，一方面造成电机抱轴等严重事故的发生，另一方面又可能对状态较好的电机进行停车检修，如此不仅不能保证装置的平稳运行，同时还造成了检修费用的大量浪费。
故障诊断技术发展至今已经历了三个阶段第一阶段由于机器设备比较简单，故障诊断主要依靠专家或维修人员的感觉器官、个人经验及简单仪表就能胜任故障的诊断与排除工作；传感器技术、动态测试技术及信号分析技术的发展使得诊断技术进入了第二个阶段，并且在维修工程和可靠性工程中得到了广泛的应用；80年代初期，由于机器设备日趋复杂化、智能化及光机电一体化，传统的诊断技术已经不能适应了，随着计算机技术、人工智能技术特别是专家系统的发展，诊断技术进入第三个发展阶段一智能化阶段。
电机故障诊断，尤其是多个故障特征信号相互交织叠加时，很难仅凭肉眼进行判断识别，而人工神经网络具有独特的非线性映射、联想记忆、自适应与自学习以及良好的容错性等优点，十分适用于复杂电机系统的故障诊断。
各种类型的电机具有相同的基本原理，电机内部都有电路、磁路、绝缘和机械等独立而相互关联的系统，一般用于电动机故障诊断的技术方法有：①电流分析法。通过对电机电流幅值、波形的检测和频谱分析，诊断电机故障的原因和程度。例如通过检测交流电动机的电流，进行频谱分析来诊断电机是否存在转子绕组断条、气隙偏心、定子绕组故障、转子不平衡等缺陷。②振动诊断法。通过对电动机的振动检测，对信号进行各种处理和分析，诊断电机产生故障的原因和部位，并制定处理方案。⑧绝缘诊断。利用各种电气试验和特殊诊断技术，对电机的绝缘结构、工作性能和是否存在缺陷作出结论，并对绝缘剩余寿命作出预测。④温度诊断。用各种温度检测方法和红外测温技术，对电机各部分温度进行监测和故障诊断。⑤振声诊断技术。振声诊断技术是对诊断的对象同时采集振动信号和噪声信号，分别进行信号处理，然后综合诊断，因而可以大大提高诊断的准确率。
3系统总体方案
表1为该系统列出了5种常见的电机故障征兆集和，在集合中，“1”表示有征兆存在，“0”表示征兆不存在。
根据经验输出为电机的故障等级，范围从0～1表1的样本输入对应的样本输出如表2。
4软件实现
BP网络在Matlab上的仿真程序设计主要包括：输入层、隐含层、输出层及各层之间的传输函数几个方面。输入和输出样本分别为表1和表2。利用Matlab在模式识别方面采用采用自适应学习率BP算法计算机进行仿真。这里用到matalab神经网络工具箱中的一个非常实用的函数newff。newff函数需要4个输入参数。第一个参数是一个RX2的矩阵以定义R个输入向量的最小值和最大值。第二个参数是一个设定每层神经元个数的数组。第三个参数是包含每层用到的传递函数名称的细胞数组。最后一个参数是用到的训练函数的名称。
根据表1样本输入和表2样本输出，创建bp网络和定义训练函数，是为了方便而建立一个矩阵，用newff函数来训练BP网络。关键程序如下net=newff([0 1；0 1；0 1；0 1；0 1]，[5 1]{logsig，pure-lin}，trainlm)；％这里要加入输出层的转移函数，一般是trainlm；net.trainParam.goal=0.001；net.trainPalm.epochs=5000；[net，tr]=train(net，p，t)；％训练神经网络iw1=net.IW{1}：％输出训练后的权值和阈值：b1=net b{1}；1w2=net LW{2}：b2=net.b{2}；save net51 net。
5结束语
网络故障诊断关键技术 第7篇
本文使用到的神经网络是在现代生物神经系统研究的基础上建立的一种网络结构, 由于它具有并行处理、联想记忆、分布式知识存储和鲁棒性强等特点, 有较强的自组织、自适应和自学习能力, 从而在复杂控制系统的辨识和控制中得到广泛的应用。主要研究Elman神经网络在控制系统故障诊断中的应用。
1 Elman神经网络
反馈型神经网络又称为递归网络或回归网络, 它是一种反馈动力学模型, 比前向神经网络具有更强的计算能力。Elman神经网络就是其中的一种, 该模型在前馈网络的隐含层中增加一个承接层, 作为一步延时算子, 达到记忆的目的, 从而使系统具有适应时变特性的能力, 能反映动态过程系统的特性。
1.1 Elman神经网络的结构
Elman型回归神经元网络一般分为四层:输入层、中间层 (隐含层) 、承接层和输出层, 如图1所示。其输入层、隐含层和输出层的连接类似于前馈网络, 输入层的单元仅起信号传输作用, 输出层单元起线性加权作用。隐含层单元的传递函数可采用线性或非线性函数, 承接层又称为上下文层或状态层, 它用来记忆隐含层单元前一时刻的输出值, 可以认为是一个一步延时算子。
1.2 Elman神经网络的学习过程
根据图1, 可以得到Elman网络的数学表达式为:
其中, y, x, u, xc分别表示m维输出结点向量, n维中间结点单元向量, r维输入向量和n维反馈状态向量。w3, w2, w1分别表示中间层到输出层、输入层到中间层、承接层到中间层神经元的连接权值。g (·) 为输出神经元的传递函数, f (·) 为中间层神经元的传递函数。
2 故障情况分析
已知某具有俯仰角信号的深度控制系统, 其控制规律为:
式中δe———横舵角;
cy———深度调节系数;
cθ———纵倾调节系数;
y——深度偏差, y=H-Hg, H为航行深度, Hg为设定深度。
由于该系统的特殊性, 主要采用仿真程序实现对于系统工作过程的仿真, 并得到实验数据。在实际实现过程中, 我们在设定深度为50m时假想了五种故障。具体描述分别为:
第一类故障, 俯仰角信号θ存在偏移, 它的数学表达式为:
δe=cyy+cθθ·k1 (设定k1=1.15) ;
第二类故障, 深度控制规律中与俯仰角信号θ有关的参数在一定的时间段内发生显著变化;
第三类故障, 深度信号y存在偏移幅度, 它的数学表达式为:
δe=cyy·k2+cθθ (设定k2=1.15) ;
第四类故障, 深度控制规律中与深度信号有关的参数在一定的时间段内发生显著变化;
第五类故障:横舵角存在一个整体的偏移量, 数学表达式为:
3 仿真验证
本文仿真验证过程中采用单隐层的Elman网络, 根据上节中对深度控制系统故障情况的分析, 可将设定深度50m时对应的不同故障情况的数据以及无故障时的数据 (均取其中某一时间段内的数据) 处理后作为Elman网络的输入样本, 表1中对应向量作为输出样本进行训练。综合考虑网络的性能和速度, 可利用MATLAB代码创建并训练一个Elman网络:
其中, P, T分别为输入向量和目标向量。
在经过278次训练之后, 网络误差达到要求, 所用时间为16.7030s, 如图2所示:
采用一组测试数据分别对应无故障和五类故障情况, 对网络进行仿真后可得:
可见, Elman网络能准确识别出文中所设定的故障类型, 可以实现故障诊断的功能。
结束语
反馈型神经网络能够较生动直接的反映系统的动态特性, 其中Elman神经网络是在BP网络基本结构的基础上, 通过存储内部状态使其具备映射动态特征的功能, 从而使系统具有适应时变特性的能力。文中采用Elman网络进行故障诊断, 对鱼雷深度控制系统在50m深度时的五个假设故障进行了识别, 仿真试验表明该网络能够正确地进行故障诊断。
摘要：研究了将Elman网络应用于某控制系统的故障诊断方法。根据设定的五类故障, 应用相关数据对Elman网络进行训练, 然后使用满足训练要求的网络对故障数据进行分析, 检测该控制系统发生了何类故障。仿真实验结果表明该方法是有效的。
关键词：故障诊断,Elman神经网络,故障分类
参考文献
[1]神经网络理论与MATLAB7实现[M].北京:电子工业出版社, 2005.[1]神经网络理论与MATLAB7实现[M].北京:电子工业出版社, 2005.
[2]徐德民.鱼雷自动控制系统[M].第二版.西安:西北工业大学出版社, 2001.[2]徐德民.鱼雷自动控制系统[M].第二版.西安:西北工业大学出版社, 2001.
[3]康凤举.现代仿真技术与应用[M].北京:国防工业出版社, 2001.[3]康凤举.现代仿真技术与应用[M].北京:国防工业出版社, 2001.
无线传感器网络故障诊断技术研究 第8篇
1 无线传感器网络故障评价指标
无线传感器网络故障诊断的性能评价指标是以无线传感器的网络特点和网络应用为基础制定的,其标准主要体现在诊断精度、特殊环境诊断精度、能效性以及诊断时间四个方面。
诊断精度。无线传感器故障诊断精度是诊断机制对故障最直接的评价方式,特别是在网络安全性较高的环境中,如果不能保障故障诊断的精确度则会导致传感器网络系统出现安全漏洞,同时意味着此故障诊断精度的失效,诊断精度主要是以一次过程为故障诊断的依据,分析被诊断的节点状态与实际节点状态的相符程度,诊断精度中故障误报率和故障识别率为评价故障的两个指标。
特殊环境诊断精度。无线传感器网络在特殊环境中的应用是有特定的诊断精度的,例如自然灾害、人为破坏等特殊环境因素,由于故障的节点在网络中的分布不均匀,可能会出现故障区域节点的过分疏散或者是节点的过分密集等现象,普通的诊断精度是不适应的,所以只能采取特殊环境的诊断精度对故障进行评价。
能效性。受无线传感器网络能量供应方面的影响,能效性成为故障诊断评价机制中需要最先考虑的问题,能效性比较强的故障诊断机制可以促进网络使用寿命的延长,以便保障传感器网络监测、计算方面能量的持续供应,与能效性有直接关系的因素有数据通信、处理和采集三方面。
诊断时间。无线传感器网络投入使用后,如需进行故障诊断需要对传感器中节点与节点之间的关系进行协作性判断,主要是因为节点呈现激活状态的数量比较多,如果节点出现联系性的故障一定会对无线传感器网络造成巨大的能耗压力,所以节点故障诊断的时间不宜过长。
2 无线传感器网络故障诊断分类
无线传感器网络故障主要来源于传感器的节点,主要表现在四个模块上,分别为能量电池供应模块、无线网络通信模块、传感处理模块和传感器模块,基于无线传感器网络的运行和使用,其组成元件、部件会出现各种各样的问题,如干扰通信、线路老化、电能耗损以及接线松动等等,引发无线传感器网络发生故障。
2.1 节点级别的故障
节点级别的故障主要是发生在传感器网络的节点处,大部分故障主要是传感器的节点本身出现了问题,其又可分为节点软故障和节点硬故障,软故障是指节点在不影响无线传感器网络运行的前提下发生故障,只有对数据进行传送和测量时,可瞬间影响通信的故障;硬故障是指对节点本身以及对传感器网络造成的直接损害,例如节点本身损坏、电源布置不合理或电源能量不足都会造成无线传感器网络故障。
2.2 网络级别的故障
网络级别的故障是指无线传感器的节点本身是正常的,但是在节点与节点之间的传输、协作方面上出现制约性问题,导致网络连接异常、通信受阻、信息丢失、IP偏差、非法入侵等等,此故障的出现是直接作用于网络的,其故障的表现极其明显,而且故障出现的速度非常快,影响范围比较广,属于无线网络传感器网络中相对较为敏感的故障。
2.3 功能级别的故障
无线传感器网络功能级别的故障对于整体网络都是存在影响的,如出现功能级别的故障会造成网络中汇集点不能正常接收和收集网络中运行的全部信息,引起功能级别故障的原因主要有传感器节点的重启、死亡和失效,链接线路故障以及路由装置故障等。
2.4 数据级别的故障
数据级别的故障是指传感器节点表现正常,但是传达了错误的数据信息,致使网络形成错误的数据感知,数据级别故障的隐蔽性比较强,只有经过精细的检测才可发现传感器节点传递了错误的感知数据,因为即使节点感知数据传递错误,但是其本身的表现形式是没有任何问题的,因此无形中降低了无限传感器网络的运行性能,而且会错误的引导网络管理员检查维修。
3 无线传感器网络故障诊断技术
无线传感器网络故障诊断主要是针对其投入使用的期间,通过对网络传递的信息进行分析,判断无线传感器网络是否发生故障,根据故障发生的状态检测导致故障发生的基本根源,无线传感器网络故障的诊断是一项复杂而又系统的工程项目,基于其所处的环境以及自身运行的特点决定了故障诊断的难度,为降低诊断的难度,一般情况在进行故障诊断时需要以传感器各个节点日常的测量数据为主,以节点数据传输的附加信息为辅,促进故障诊断的效率。
无线传感器网络故障诊断的指标为传感器高质量的服务和能量的有效保护,而故障诊断策略的衡量指标主要有错误警报率和检测率,其中错误报警率反馈的是无效警报在诊断报告总警报中的占据比例,错误报警率较低即可说明此次诊断结果具有较高的可信度;检测率反馈的是被检测出的故障在网络总故障中占据的比例,与错误报告率相反,检测率越高则说明诊断策略的有效性比较高。目前对无线传感器网络故障诊断技术的研究主要以传感器的故障、场景类型为中心,对传感器节点的功能、读数故障进行探讨,分析无线传感器网络故障的诊断技术。
3.1 传感器节点读数故障的诊断技术
节点读数故障的诊断技术主要是针对无线传感器网络中错误的测量数据,错误数据产生的情况主要有外界环境干扰导致网络受到安全攻击、节点部件的损坏等等,针对节点读数故障提出以下诊断技术。
(1)WMFDS诊断技术。此技术主要是对传感器节点与节点之间的数据进行空间相关性的测量,越临近的节点其测量结果的相似性越大,所以只能通过正常读数的空间关系,根据此理论提出WMFDS诊断方法,主要是对两节点之间的故障率、分布密度进行分析,判断节点是否出现问题,此方法还可对相邻的节点进行加权处理,但是此方法只可以用于具有空间相关性的节点读数上。
(2)FIND诊断技术。此技术利用无线传感器节点在监控区域具有可持续性监测的特点,感知网络的突然事件,此节点的数据读取可反馈事件发生点到节点相对应的距离,传感器节点的信号强度与距离是呈现相反关系的,即相对距离越大,节点信号强度越弱,节点信号的强弱变化被称为单调变化特性,所以节点的单调特性是反馈节点出现读数故障的判断标准,比如故障节点会表现出与相对距离单调特性相反的现象。
(3)CSN诊断技术。此诊断技术是有一定局限性的,主要是以移动设备为检测对象,利用加速器得出节点的地震运动,故障节点的读数会存在阈值,此阈值与实际历史差距比较大,通过计算机分析节点比例,如出现较高阈值则说明此节点出现了一定的问题。
3.2 传感器节点网络故障的诊断技术
传感器节点网络故障主要表现在链路受环境因素的影响导致网络可靠性降低等现象,针对传感器节点网络故障提出的诊断技术主要有以下三种:
(1)网络软件调试法。在传感器的节点中采取调试代理,利用软件的调试命令,对节点处的网络状态进行分析,收集节点网络数据,确定节点网络故障的来源。
(2)特定模型推断法。特定模型推断法主要包括两种,分布式和集中式的方法。分布式的诊断技术是针对网络中的所有节点,利用从局部到整体的决策方法,分布式诊断技术的代表方法有LD2和Tiny D2,最终通过节点网络的整合,得出诊断报告;集中式的诊断技术是在网络节点处植入小型探测器,以便对经过节点的应用数据进行分类、分组,但是探测器对得到信息的分析能力是非常有限的,所以需要感知系统的参与,以此为基础进行节点网络故障的细化诊断。
(3)无声故障诊断技术。此诊断技术在三种技术中是具有一定特殊性的,其可对无经验故障进行有效诊断,例如AD诊断技术,即是比较典型的代表,通过对节点各类型诊断信息之间相关性图表的变化,发现网络中存在的隐藏故障,即无声故障,此技术可提高故障诊断的准确率,同时降低了故障出现的频率。
综上所述,利用无线传感器故障诊断技术诊断无线传感器网络中出现的问题,并对其进行及时有效的处理,一方面可以提高无线传感器网络的运用效率,另一方面提高了无线传感器网络的使用率,所以无线传感器网络的正常运行在一定程度上促进我国经济效益和社会效益的发展和提高。
4 结语
无线传感器网络在世界范围内的关注度是比较高的,其渗透多项科学技术,例如无线通信技术、传感器技术以及信息处理技术等等,无线传感器的研究不论是在经济效益上还是在社会效益上,都是具有极其重要的意义的,无线传感器有效的网络故障诊断技术一方面可以提高无线传感器的利用效率,另一方面对能源节约具有一定的实际价值。
参考文献
[1]孙利民,陈渝.无线传感器网络[J].北京:清华大学出版社,2010(03).
[2]陈拥军.无线传感器网络故障诊断技术分析[J].传感器与微系统,2011(29).
网络故障诊断关键技术 第9篇
1 远程计算机的实例应用
与传统监控和诊断相比，远程所具有的时间优势和经济效益是毋庸置疑的。远程监控和故障诊断最少需要三类主机来提供支持，如WEB服务器、数据库服务器和应用服务器。近年来B/S网络计算模式的出现，更是极大降低了客户端软硬件的配置要求，它不仅加强了各领域的信息共享和交流，更弥补了传统故障维修技术的不足。
1.1 B/S模式的远程故障诊断系统模型
B/S有三层体系结构———表示层、逻辑层和数据层，表示层负责用户设计参数输入和结果显示，因为此层面设计用户浏览器需浏览到网络页面;逻辑层是运行的核心，进行后来运算;数据层则负责数据的存储和显示等操作。此系统所需的关键技术为网络数据库技术、动态网络环境开发技术和数据传输技术。数据传输技术作为大量数据传输时的一个难题，系统将通过利用TCP/IP网络协议，构成B/S数据传输模式，并运用VB-Script语言编程来解决。客户端在浏览时可以下载内嵌的插件小程序来进行信息浏览。然而B/S模式并非没有局限性，首先它的智能化程度有待提高，因为面对的仅是常规故障，别的故障状态下的智能诊断还不够准确。数据的兼容性更是需要注意的。目前我国不同行业不同企业使用的设备都不相同，数据格式的差异与不兼容是当前各远程监控和故障诊断系统存在的主要问题。
1.2 OPC远程故障诊断与维护系统模型
OPC是OPC基金会于1996年推出的一套基于微软的OLE/COM标准接口协议，它保证了互操作性，使得支持OPC的客户都能访问OPC服务器。它采用客户/服务器的通信模式，负责于数据提供方的通信和提供方的数据可供调用，其中的调用方便是客户方。OPC服务器的逻辑模型由OPC-Server、OPCGroup和OPCItem三个核心部分组成。OPCGroup起到了维护作用，而作为模型的顶层———OPServer，它则包含OPC-Group对象的集合OPCGroups，并创建了OPCServer对象。OPCServer与OPC客户端可通过自定义与自动化接口实现通信的性能。
1.3 网络技术控制在化工机械中的意义
网络技术技术的使用很大程度上实现了工程机械设备的自动化，简化了很多不必要的操作流程，让整个化工机械的操控过程非常的有序，能够按照一定的流程有条不紊地进行。计算机网络技术的使用使得大量的硬件设备得到了很好的简化，各个环节都能按照提前设定的程序进行，提高了系统的可靠性和便捷性，实现了自动集中控制。计算机网络技术的使用大大减少了人力资源的消耗，而且让整个工序变得更为流畅。计算机网络技术使化工机械工程更加安全，全面的监控系统使得每个工程环节都在监控总机的控制之中，能够及时地发现系统出现的故障和问题，便于查找一些外围部件，大大地减少了对于化工设备的维修时间。另外，这种监控是一个连续的过程，针对化工机械作业的全部过程进行全面的监控，这种控制便于问题的及时发现和及时处理。计算机网络技术在减少人力的同时让监控工作更为方便、可操作，其处理问题的及时性很好地解决了安全隐患问题。计算机网络技术有利于提高化工机械的经济效益，一套好的监控系统就是对工程质量最有力的保障。化工工程的网络技术监控系统不仅仅是对于安全隐患的监控，同时也是对于产品质量的监控，网络技术远程的监控技术让工业化工的流程便捷化，突破以往时间和空间的限制，让成本最优化，经济效益最大化。
2 机械设备远程故障诊断
远程故障诊断技术是设备故障诊断技术与网络技术的结合体，通过机械设备采集数据建立监测点的方式建立诊断重心。远程诊断与维护可以在资源共享的基础上使诊断更加灵活方便。远程故障诊断具有以下特点：
1)经济性。与传统仪器检测相比，远程检测在整个故障诊断过程中的使用费用与维修费用无疑更为低廉。基于自身的综合优势，便于对故障的了解及解决。其间节省了一笔机械厂家派遣技术工人出差来维修的费用。
2)规范化。远程监控和故障诊断系统有其自身的标准化设计，并且方便扩容，信息的共享性使得各模块可以通用。用户在此基础上可以选择能够满足需要的测试仪器和编程工具。远程故障诊断具有上述特点的同时，在安全性方面也存在一系列的问题： (1) 数据篡改。互联网从发展伊始至今，黑客入侵与病毒一直是避之不及的话题。黑客可以通过IP截获信息，更可散播恶性病毒进行攻击。这将破坏数据的完整性，使信息诊断错位，以此导致判断失误。 (2) 信息丢失。线路故障、系统不稳定、兼容冲突及自然灾害等都将导致信息丢失。
3 结语
远程诊断技术在国外早已蓬勃发展，在我国虽起步不久，但也方兴未艾。远程监控和故障诊断是计算机科学、通讯技术和虚拟现实技术的结合。它实现了“移动的是数据而不是人”这一科技革新，近年来，美国南部电力公司、美国本特利和Inland钢铁公司都发展了各自的远程监控和故障诊断系统。机械设备随着工业科技的发展，变得越发复杂与精良，运行维护也不得不寻找自己的捷径。远程监控和故障诊断系统方便快捷且智能化程度高，很好地实现了在线控制，并降低了运行费用。远程故障诊断技术在我国目前还处于发展阶段，诊断技术本身与网络技术还有很多问题还需要解决。但是无论从哪个角度出发，借助互联网络还是能够更经济、便捷地解决机械设备的故障问题。
参考文献
[1]肖晶, 吴学智.一种基于神经网络的故障诊断新方法研究[J].舰船电子工程, 2010 (1) .
网络故障诊断关键技术 第10篇
关键词：复杂性,故障诊断,BP神经网络
快速准确的故障诊断是装备战斗力的重要组成部分。某装备是光、机、电综合系统, 该装备各级子系统元、部件以及子系统间的相互关系复杂, 而且系统工作状态及环境多样, 该型装备使用过程中出现的故障通常具有非线性可分性, 即故障原因和征兆间存在多对多的非线性映射关系。而该型装备目前的故障检测与诊断手段通常是基于故障征兆和故障原因间确定的映射关系, 对装备进行检测和维护时通常无法获取故障原因集和征兆集间的非线性映射关系, 诊断结果不能准确、全面地反映系统故障状态;其次, 传统诊断设备故障知识库也较为固定, 缺乏自主学习能力。
人工神经网络因其具有独特的容错、联想、推理、记忆、自学习和处理多模式等功能, 在模式识别、信息处理等领域得到了越来越广泛的应用。其中误差反向传播 (Back-Propagation, BP) 神经网络方法可以以任意精度逼近任意连续函数, 在复杂故障诊断中应用的最为广泛。
1装备智能故障诊断系统总体结构
某型装备智能故障诊断系统结构如图1所示, 检测对象为实际装备和部分装备模拟设备, 信号采集后通过串口通信方式发送至主计算机, 计算机软件系统完成信号处理、故障诊断等功能。其中软件系统主要由用户管理模块、数据库模块、人机交互模块和智能诊断模块4个功能模块组成, 基于BP神经网络方法的智能诊断模块是系统的核心。本文以VC++6.0为平台, 选用MicrosoftAccess 2003作为底层数据库, 设计实现了基于BP神经网络的智能故障诊断模块。
2 装备故障诊断的BP神经网络模型
2.1 BP神经网络
三层BP神经网络理论上在隐含层神经元个数足够多时, 可以以任意精度逼近任意连续函数。采用的模型如图2所示。
xi为输入层第i个神经元的输入, 代表故障模式中的第i个故障征兆;yi为输出层第i个神经元的输出, 代表故障模式中的第i个故障原因;w
BP神经网络方法是在给定输出期望的前提下, 将实际输出值与期望值的差值平方和作为目标函数, 通过权值和阈值的调整使目标函数达到最小, 主要包括正向传播和误差反向修正两部分。正向传播是指每一层节点的输入仅来自前面一层节点的输出。输入层神经元输出值oi等于其输入值xi;隐含层或输出层某个神经元输出为
式 (1) 中变换函数f取sigmiod函数;θ
采用梯度下降法求解目标函数最小值, 并引入平滑因子β提高收敛速度。误差反向传播根据输出误差, 从输出层开始对各节点的连接权值沿目标函数梯度变化负方向调整, 使得目标函数逐步减小到某一阈值 (本文取0.5) 或者不再减小为止。网络权值和节点阈值调整公式为
w
k为迭代次数, η为权值增益系数 (学习速率) ;δ
2.2 BP神经网络学习训练和故障诊断过程
BP神经网络模型的学习训练和故障诊断流程如图3所示。首先根据实际问题确定BP网络的结构和学习算法, 然后利用若干组故障征兆-原因的样本数据对网络进行训练。训练步骤为
1) 网络权值和节点阈值初始化为一组随机数;
2) 输入P组训练样本。对应输入的一组故障征兆样本XP={x
3) 根据BP网络实际计算输出YP={y
4) 依次选取训练样本, 不断执行上述过程, 直到P组样本的总误差达到预期要求。
将训练得到的故障知识模型存入BP网络知识库中。诊断时, 以故障症兆向量作为网络的输入, 将网络计算后的输出结果与网络知识库进行比较, 找出与待诊样本最接近的故障知识模型, 从而实现故障诊断。
3 BP神经网络模型的实现
3.1 数据库设计
装备智能故障诊断系统数据库由9个表组成, 其组成及功能如表1所示。
以FAULT_TB表为例, 表中字段包括故障原因编号 (ID) 、故障部件编号 (DeviceID) 、故障描述 (FaultDes) 和维修策略 (Maintain) , 各字段数据类型分别设为自动编号、数字、文本、文本, 其中原因编号为主键。
3.2 BP神经网络模型的实现
首先在系统人机交互界面上设定故障征兆和故障原因信息, 包括设定输入层和输出层神经元个数m, n和输入、输出名称, 设定信息分别存入变量和数据库FAULT_TB和OMEN_TB表中;模型实现时隐含层神经元个数p取值
void CSampleLearn::training (int InLayer, int OutLayer, int HideLayer, int Size)
{┄;}
实现, 其具体实现步骤为:
1) 定义变量, 连接数据库;定义动态数组 (存放连接权值、输入值、输出值等) , 动态数组使用MFC提供的类CArray< TYPE, ARG_TYPE>实现数组的动态改变数组容量、数据添加删除等操作;
2) 用随机数初始化连接权值;
3) 进入样本学习循环:按照文中式 (1) ～式 (5) 计算一组样本输出误差并进行权值调整后接着计算下组样本, 直至完成所有样本的学习;
4) 计算输出总误差, 若误差达到预期要求, 则进入步骤5) ;否则计算本次迭代和前一次迭代输出结果差值, 若大于某一数值, 则进入步骤3) 重新进行迭代, 否则进入步骤5) ;
5) 结束学习训练, 并将连接权值等最终数据存入数据库。
4 智能诊断实例与结果分析
以该型装备某一电子部件为例。该部件某一故障模式中故障征兆集为{无电压输出, 没有稳压, 没有变压, 输出波纹大, 振荡杂波}, 故障原因集为{保护电路故障, 隔离电路故障, 控制电路故障, 稳压电路故障}。利用本文设计完成的故障诊断模块, 取20组训练样本对网络进行训练, 部分样本如表2所示。
系统样本训练得到的训练误差如图 4所示。
从图4中可以看出, 在输入20个样本后, 该BP网络迭代了17步即达到了总误差阈值0.05, 具有较快的收敛速度。隐含层和输入层连接权值训练结果如图5所示。
在系统诊断界面中输入{没有稳压, 输出波纹大}时, 诊断结果为稳压电路故障。实验数据表明, 该BP网络模型实现了故障模式识别和故障知识的学习功能。此外, 若训练样本越多, 则系统包括的故障模式越全面, 使得BP网络模型越加合理, 诊断准确性越高。
6 结束语
复杂故障诊断是BP神经网络方法的一个重要研究方向, 本文借鉴了BP神经网络的研究成果, 提出了针对某型装备智能故障诊断的BP神经网络方法, 并给出了BP网络模型具体实现过程的关键技术。通过对该装备故障诊断的实际结果表明, 该方法具有较强的推理、记忆和学习等能力, 是对常规故障诊断手段的有效补充, 具有较好的研究和应用前景。
参考文献
[1]杨军.装备智能故障诊断技术.北京:国防工业出版社, 2004
[2]杨珊, 王少红, 王吉芳.基于BP神经网络的烟气轮机故障诊断.微计算机信息, 2010;26:8
[3]张绪锦, 谭剑波, 韩江洪.基于BP神经网络的故障诊断方法.系统工程理论与实践, 2002;6 (6) :61—66
[4] Phan S, Saatrv P S.Analysis of the back propagation algorithm withmomentum.IEEE Transactions on Neural Networks, 1994;5 (3) :505—506
[5]张义忠, 冯振声.基于神经网络的复杂电子装备故障诊断系统的仿真研究.计算机仿真, 2000;17 (4) :39—42
[6]袁曾任.人工神经网络及应用.北京:清华大学出版社, 1999
[7]周东华, 叶银忠.现代故障诊断与容错控制.北京:清华大学出版社, 2000
网络故障诊断关键技术 第11篇
在港口生产作业中, 保证设备的完好率和故障及时解决是非常重要的;在设备发生故障后, 能第一时间诊断故障类别将加速故障排除, 为生产作业争取作业时间, 保证了船舶的及时装卸。
由于设备故障现象的多样性和复杂性, 通过线形分析是无法确定的, 我们引进BP神经网络技术设计开发一套故障诊断专家系统。
1 BP神经网络技术原理
1.1 BP神经网络概述
BP神经网络 (Back Propagation Neural Network) 是一种按误差逆向传播算法训练的多层前馈网络, 是目前应用最广泛的神经网络模型之一, 通过学习和存贮大量的输入——输出模式映射关系, 而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法, 通过反向传播来不断调整网络的权值和阈值, 使网络的误差平方和最小包括输入层 (input) 、隐层 (hide layer) 和输出层 (output layer) 。
1.2 BP神经网络模型及算法
输入层T1、T2....Tn, 通过相互之间联系, 计算出各自的系数值, 在输出层中, 在已知H1、H2......Hi-1值, 通过算出的系数值, 预测出Hi-Hn值。
BP神经网络诊断系统算法:在正向计算进程中, 输入信息从输入层经过隐层逐层处理, 传向输出层。每一层神经状态只影响下一层神经状态。BP神经网络主要用于模式识别、系统辨识、图像处理等。
1.3 运用MATLAB进行训练和预测
MATLAB神经网络工具箱中包含了许多用于BP神经网络分析与设计的函数, 通过MATLAB运行模拟BP算法, 首先设置BP神经网络, 然后利用已知的样本对网络进行训练, 最后就可以利用训练好的BP神经网络对未知的样本进行预测。当进行训练或预测时, 如果BP神经网络的设置与训练样本的输入及预测样本的输入不一致的时候会弹出警告对话框。BP神经网络训练完成后, 会显示训练过程的曲线, 如图2所示, 并且按“绘制训练结果”按钮, 将弹出训练结果图, 如图3所示。按“保存”按钮, 结果将保存为一个以当前日期及时间数字为文件名的文本文档2011052016112.txt , 该文档保存了所有处理的信息。训练预测结果如表1所示。
下面以“预测”按钮为例, 说明如何实现“预测”按钮的控制功能。
2 系统的设计
由于专家系统本身存在着“知识获取瓶颈”, “知识窄台阶”, 不适于模糊推理等问题, 本系统采用基于规则树的专家系统推理结合以改进的反向误差最小化方法进行学习推理的神经网络组成, 通过对各种症状进行分析判断, 在人机界面上提供相应的诊断结果。系统总体结构如图4 所示。
2.1 人机界面部分
提供一个友好的人机接口, 以便与专家进行交流, 维护知识库和报告诊断的结果。
2.2 专家系统推理
根据知识库中的专家规则对规则数据库中的符号数据进行诊断推理, 将结果反馈给操作者。
2.3 BP神经网络推理
将采集的数据通过神经网络诊断得到推理结果, 将结果传送到解释机制, 告诉用户。
2.4 解释机制
回答诊断过程中用户的提问, 对诊断结果进行解释, 使用户清楚明了。
2.5 知识数据库维护
将专家的经验知识进行整理, 以规则的形式写入知识数据库中, 同时当推理机遇到不确定的推理因素时, 向知识工程师进行询问, 将解决后的知识写入数据库中, 增加知识含量, 以方便下一次的诊断推理。
2.6 数据采集和数据预处理
与港口设备相连的传感器测得的数据传入计算机, 对各类数据进行数据整理、清洗以符合诊断需要, 将处理后的数据写入综合数据库。
2.7 知识数据库和综合数据库
知识数据库中存放专家系统的规则知识和神经网络的结构, 权值知识, 以方便推理机的调用。综合数据库中存放诊断过程中的原始数据和中间结果。
3 系统的特点
基于BP神经网络预测开发的系统具有如下特点:
(1) 操作简单、方便, 用户只需设置好神经网络参数, 输入对应的训练样本进行训练, 根据训练的结果和现有的信息就可以进行预测了。
(2) 系统稳定、可靠, 当用户输入的样本与神经网络的参数不一致时, 会弹出对话框, 告诉用户哪里设置不对, 给用户提供向导, 使系统不至于出错或死机。
(3) 数据的输入方便用户可以通过复制粘贴的方法, 将样本数据输入给系统, 每组样本之间, 只需用“;”或换行来隔开, 不需通过键盘将数据一个一个地输入。
(4) 数据的保存方便, 训练和预测结果可以保存为文本文件, 数据内容包括3部分: (1) BP神经网络设置信息; (2) BP神经网络的训练结果; (3) BP神经网络的预测结果。使用户能够一目了然地读取BP神经网络训练及预测的所有信息。
(5) 预测结果准确性高, 当用户提供的样本越多时, 这样训练出来的结果就更有参照性, 预测结果就更准确了。
4结束语
系统采用专家诊断和神经网络推理相结合的诊断模式, 既充分利用了专家的先验知识, 又在此基础上发挥神经网络的推理和对新输入模式的自学习能力, 使得符号推理和数值计算推理并行进行, 故障诊断更为准确, 方便。本系统下一步工作是改进符号推理和数值计算推理结合机制, 使二者相辅相成, 以及对神经网络训练样本数据收集、处理的规范化, 以提高网络输出精度和整个系统的诊断精度。
参考文献
[1]飞思科技产品研发中心.神经网络理论与MATLAB7实现[M].北京:电子工业出版社, 2005.
[2]Hanselman, Littefield, 李人厚, 等.精通MATLAB:综合辅导与指南[M].西安:西安交通大学出版社, 2001.
[3]曾令可.计算机在材料科学与工程中的应用[M].武汉:武汉理工大学出版社, 2004.
[4]朱大奇.电子设备故障诊断原理与实践[M].北京:电子工业出版社, 2004 (1) .
[5]桑庆兵.基于COM组件的通用故障诊断专家系统开发[J].微计算机信息, 2006 (2-1) .
【网络故障诊断关键技术】相关文章：
机械故障诊断技术05-30
故障监测诊断技术07-03
汽车故障诊断技术07-25
汽车故障诊断技术作业03-14
汽车故障诊断技术题库03-14
汽车故障诊断技术总结03-15