1绪论

1.1机械故障诊断的发展与现状

1.1.1国内外研究现状

1.1.2故障诊断技术的发展趋势

1.2故障诊断方法与技术概述

1.2.1信息融合故障诊断

1.2.2信号预处理技术

1.2.3神经网络故障诊断

1.2.4盲源分离故障诊断

1.2.5故障诊断专家系统

1.3本书的研究意义与应用前景

1.4本书的主要内容与结构安排

2自适应提升小波信号处理方法研究

2.1排烟风机信号预处理问题的提出

2.2小波去噪阈值函数设计

2.2.1现有阈值函数分析

2.2.2本书设计的改进阈值函数

2.2.3阈值函数去噪性能比较

2.3提升小波自适应去噪算法研究

2.3.1信号局部特征的时域估计方法设计

2.3.2基于信号局部特征的小波函数选择

2.3.3信号突变点的平滑递变阶次提升小波函数设计

2.3.4基于信号局部特征的自适应小波阈值选择

2.3.5仿真与实验

2.4信号频域特征的小波消混校正方法设计

2.4.1小波分析的频域特征提取

2.4.2小波分解中频率混淆的校正方法设计

2.4.3消除小波分析频率混淆算法设计

2.4.4小波混频改进算法应用

2.5本章小结

3动态故障源数估计的自适应盲源分离方法研究

3.1数据层融合诊断问题的提出

3.2动态故障源的源数估计算法研究

3.2.1现有信号源数估计方法

3.2.2基于拓展四阶累积量矩阵与奇异值分解的

源数估计算法研究

3.2.3拓展四阶累积量矩阵源数估计实验

3.3基于动态故障源数估计的自适应盲源分离算法研究

3.3.1基于主元分析的超定盲源分离算法

3.3.2基于稀疏元分析的欠定盲源分离算法

3.3.3自适应盲源分离算法

3.4盲源分离实验分析

3.5本章小结

4综合BP与ART2网络的改进型神经网络故障诊断方法研究

4.1神经网络故障诊断的不足

4.2改进型BP—ART2神经网络设计

4.2.1引入非线性映射的BP—ART2神经网络结构设计

4.2.2ART2神经网络自适应警戒参数与聚类设计

4.3改进型BP—ART2神经网络故障诊断系统的计算方法

4.3.1参数及权值初始化

4.3.2训练过程的计算步骤

4.3.3诊断过程计算步骤

4.4实验分析

4.5本章小结

5黑板型多专家机电融合故障诊断方法研究

5.1多专家诊断问题的提出

5.2排烟风机故障诊断的黑板型多专家融合系统结构设计

5.3黑板型多专家机电融合诊断方法研究

5.3.1排烟风机机电融合诊断方法研究

5.3.2多专家机电信息融合诊断算法

5.4实验与诊断

5.5本章小结

6多传感器与多诊断方法的决策融合诊断

6.1排烟风机全局决策融合诊断结构设计

6.2多传感器加权激励融合诊断方法研究

6.2.1多传感器之间的相关加权系数设计

6.2.2不同位置传感器在融合诊断中的权重设计

6.2.3多传感器加权系数的激励

6.2.4多传感器两两加权激励的综合融合

6.2.5多传感器加权激励融合诊断步骤

6.3多诊断方法局部诊断结果的决策融合设计

6.3.1决策融合规则

6.3.2排烟风机故障诊断决策融合算法设计

6.4决策融合实验与诊断

6.4.1对两两传感器加权激励融合

6.4.2多局部诊断方法的决策融合

6.5本章小结

7排烟风机状态监测与故障诊断系统设计

7.1排烟风机监测点与传感器设置

7.2微机集中监测式与DSP分布式监测系统硬件设计

7.2.1微机集中监测与故障诊断系统

7.2.2DSP分布式实时监测与故障诊断系统

7.3排烟风机监测与故障诊断系统软件设计

7.3.1微机集中监测系统数据采集软件设计

7.3.2DSP分布式监测系统软件设计

7.3.3上位机监测与管理软件设计

7.4系统调试与现场应用实例

7.4.1系统分析、设计与调试

7.4.2现场应用实例

7.5本章小结

参考文献2100433B

《排烟风机信息融合故障诊断方法与系统研究》可供从事排烟风机或大型旋转机械状态监测、故障诊断等方面理论研究或系统开发的学者与相关工程技术人员参考。

综述了模拟电路故障诊断技术的发展，详细介绍了特征提取方法、神经网络方法与信息融合技术。针对传统信息融合系统的不足，将多种特征提取方法、神经网络与信息融合中D－S证据理论相结合，构建了基于三级信息融合技术的系统模型。

信息电路信息融合技术概述

信息融合技术即多传感器信息融合，其基于多传感器采集的多源信息，将时间或空间上具有相互补偿或冗繁多余的信息根据一定的组合优化规则进行融合，进而得到更加有效地信息，以所得信息共同联合操作的优势从而提髙整个系统的诊断性能。

以信息处理的单元作为分类原则，信息融合技术模型可由以下五个层次组成；数据输入/数据输出层次、数据输入/特征输出层次、特征输入/特征输出层次、特征输入/决策输出层次、决策输入/决策输出层次。其中，每个层次结构上对数据信息的分析和处理方式都不同，从而构成了传统的信息融合系统。

信息融合诊断系统中，DA表示数据(Data)；I/O表示输入/输出IN/Out)；FE表示为特征(Feature)；DE表示为决策(Decision)。信息融合诊断系统展现的是传统信息融合的故障诊断系统的整体结构，在实际的故障诊断中，可能选择部分或者全部结构来完成，并且信息源有可能是多个。

信息融合是一种数据分析与处理的技术，在系统五个层次的结构中，每个层次所处理的单元有一定的差异性，并且，每个处理单元的分析过程及融合决策算法也有很大的不同，所以基于信息融合技术的故障诊断实现需要采用融合中的多种方法。

信息电路系统故障特征的选择及提取模块

在模拟电路状态监测与故障诊断中，特征参数是对电路运行状态进行定量描述的因素，因此，特征参数的合理选择是故障诊断的关键性内容。

模拟电路中故障特征的选择主要包括以下四个步骤：

(1)故障元件的选择。故障元件的选择影响了模拟电路的运行状态的各种模式的包括与区分。每一个电路元件均有自己的容差范围，容差越大的元件其值变动的范围就大。电路的故障类型一般分为硬故障和软故障，硬故障指电路元件的短路或开路情况，易于辨识，软故障则是当电路元件值发生变化时，其本身功能并未丧失，系统的性能变差的情形。主要研究的是模拟电路发生软故障的内容。由于元件值变化范围的增大，对系统输出响应的影响程度则取决于元器件的灵敏度，从而灵敏度较大的元器件在其值发生微小的变化时，电路的响应可能会很大，从而便于分析模巧电路的软故障。因此，综合考虑选定灵敏度较大的元器件作为研究的故障元件。

(2)试对象的确定。由于在模拟电路中，电压、温度、电流、电量、阻抗等各种电量与非电量信号的存在，使得电路系统中对故障特征可以有多种选择的方案。在实际应用中，综合考虑被诊断的模拟电路原理，信号测试的难易度以及系统的成本等因素，选择合适的故障特征信号，来为后续数据信息的提取奠定良好的基础。

(3)测试节点的确定。在故障诊断领域中，测试节点的选择、测试路径的选择、测试方法的选择一直是学者研究的H大热点。其中，测试节点的选择更是方案确定的前提。在实际的模拟电路中，不是所有的电路节点都是可测的节点，故对于故障诊断提取特征的节点来说，只能在可测节点之间选择。同时，在可测节点中，可能有两个或是多个节点所表达的信息相一致，为降低成本，减小计算量与数据处理的工作量，尽量选取最恰当数目与位置的节点。因此，测试节点的选择，应在满足故障诊断测试需求的前提下，尽量选取合适数目与位置的测试节点，以得到最佳的系统诊断方案。

模拟电路故障诊断的实质在于识别不同故障状态对应的模式，针对各个模式对应的故障状态进行特征提取是识别的重要环节，并且样本集也基于此构造而成。在实际的故障诊断中，样本的数据量极大地影响着故障信息的完备程度，每个模式对应的样本愈多，则故障信息愈加完豁然而，过多地特征信息会导致冗长的训练时间和较低的学习速率，从而影响诊断的准确度及效率。因此，从原始数据中提取最能表征故障状态的信息是故障诊断的关键性内容，也即以贡献最大的信息用来构造样本集，这被称作特征提取。

信息电路系统样本集的构造模块

模拟电路故障诊断的样本集主要分为两组：训练样本集及测试样本集。将改进后的信息融合系统应用于故障诊断中，在处理过程中分为两个阶段：训综样本的自学习及测试样本的诊断决策。首先，以训练样本集按照一定的函数规则构建期望的基本神经网络结构，从而为后续诊断做准备；接着，在构建好的网络中，输入测试样本信息，完成故障的诊断过程。因此，如何合理并科学得构造样本集对系统网络结构的构建起到了关键性的作用。

样本集中包括输入矩阵信息与输出矩阵信息。在模拟电路故障诊断系统中，采集的故障特征向量构成输入信息，故障类型与属性构成神经网络子系统的输出信息。电路的输入信息一般由灵敏度离的故障元件的输出响应的波形曲线而来，改变元件的参数值，使得输出响应随着变化，并且相关性小，根据运些输出响应曲线，在区间内选择有效点采样，以此来采集输入信息。电路的输出信息可为期望的输出及实际的输出两种信息，期望的输出信息可以预先判定，用于训练学习，实际的输出即为实时输出信息，这两种信息均为故障模式类型。输出向量一般由以下三种方法构成："n中取1"法、"n-1"法以及二进制编码方法。"n中取1"法：采用n个二进制数表示电路的n中状态，包括电路正常状态和所有的故障状态，每种状态对应一个n位二进制数，其中只有一位取1，其余位取0；"n-1"法和上一种法类似，只是将电路的正常状态对应于全0的二进制数；二进制编码方法就是对电路正常状态和所有的故障状态统一的n种电路状态的二进制数大小的表示。在实际的故障诊断应用中，当故障数较少时，"n－1"法和"n中取1"法应用最为广泛。其中，在研究中采用的就是n中取1"法。

模拟电路经过故障特征参数选择、故障特征提取及其故障模式的划分等构造的样本集可以直接作为神经网络决策模块的输入。