故障诊断专家系统知识获取的变精度粗集方法

针对故障诊断专家系统知识获取的问题，利用变精度粗集(VPRS)理论模型进行知识简化，并采用正则条件熵和互信息熵对故障特征的选择进行评价，实现最简诊断知识的提取，以建立专家系统知识库。对滚动轴承故障诊断的实验表明，该方法有效地弥补了传统故障诊断专家系统知识获取的不足，可正确地实现故障诊断功能，在实际系统的故障诊断中具有应用价值。     

基于组件技术的番茄专家系统的设计与实现

探讨了组件技术及其在专家系统中的应用，分析了组件技术在专家系统开发中的优势，并开发了基于组件的温室番茄栽培管理专家系统。细阐述了番茄专家系统中知识库维护组件和推理机组件的设计及实现，采用了专家系统的知识库维护组件和推理机组件开发系统，可使系统的构建变得方便快捷和更切合需要。且给出了一个测试及分析知识库维护组件和推理机组件的实例。     

一种基于构件技术和数据库的专家系统框架

在综合分析了目前开发专家系统常用的几种技术和用构件技术开发软件系统的特点的基础上，提出了一个以构件技术和数据库技术相结合的构建专家系统的解决方案．该方案将知识以关系数据库的形式表示，采用专家系统的推理机方法实现对结果分析，给出了用构件技术构建基于数据库的专家系统的框架，使专家系统的构建变得方便快捷和更切合需要．最后给出了一个检测分析专家系统的实例．     

变精度粗集模型在故障诊断专家系统中的应用

将变精度粗集模型应用于故障诊断专家系统的知识获取和知识库的更新;利用变精度知识约简和正则条件熵进行故障特征选择,实现最简诊断知识的获取,以建立专家系统知识库;利用属性的相对依赖性实现知识库的维护与更新.滚动轴承故障诊断的实验结果表明,该方法有效地克服了传统规则式故障诊断专家系统的不足,实现了故障诊断功能.     

基于知识的非标准滚动轴承专家系统的研究

阐述了建立基于知识的非标准滚动轴承专家系统 ,利用不断丰富的知识库信息和专家的经验智能化地辅助设计人员进行产品设计 ,以提高产品开发一次成功率 ,减少重复设计。     

审计专家系统及其对我国会计师事务所的影响

依据专家系统的特点和作用，分析和论证了审计专家系统对我国会计师事务所的影响；对审计专家系统的开发和应用的局限性提出了看法。     

人工智能技术及其在化工中的应用（1）：专家系统及在化工中的…

介绍了人工智能的定义，发展史及主要应用领域和专家系统的基本结构及组成部分，知识表示方法，专家系统开发。总结了专家系统在化工中的主要应用领域和公开发表的化工专家系统。指出专家系统性能取决于它所具有的有知识量的多少，并不取决于它采用的形式和接口，人工智能的发展趋势是同时将定量和定性推理集成为一体。     

专家系统工具BITAI－EST

ＢＩＴＡＩ－ＥＳＴ是在中文Ｗｉｎｄｏｗｓ环境下采用面向对象的方法开发成功的专家系统工具．该系统具有一体化的开发环境，针对专家系统内存管理方法，全面支持汉字，所有操作均采用可视化图形界面实现等特点，适用于国内用户开发诊断型和事务咨询类的中小专家系统．     

基于小波神经网络的轴承未知异常诊断

针对滚动轴承振动信号复杂,故障类型难以预知的问题,提出基于小波-神经网络技术的滚动轴承未知异常诊断的新方法.利用小波包对滚动轴承振动信号进行分解与重构,获得振动信号的突变信息,提取与滚动轴承故障相关的特征信息,将其作为特征向量输入自组织特征映射(Self-Organizing Feature Maps,SOFM)神经网络,对其进行自动分类识别,根据数据映射位置,可实现对滚动轴承未知异常的诊断,并为专家系统知识的自动获取提供了一条新途径.通过对仿真结果的分析,证实这种诊断方法的可行性.     

专家系统工具BITAI—EST

ＢＩＴＡＩ－ＥＳＴ是中Ｗｉｎｄｏｗｓ环境下采用面向对象的方法开发成功的专家系统工具。该系统具有一体化的开发环境，针对专家系统内存管理方法，全面支持汉字，所有操作均采用可视化图形界面实现等特点，适用于国内用户开发诊断型和事务咨询类的中小专家系统。     

基于VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法

针对滚动轴承振动信号在强噪声环境下出现非线性、非平稳、强干扰特性,进而导致故障特征难以提取及故障诊断准确率低的问题,提出变分模态分解(VMD)-多尺度排列熵(MPE)-核主元分析(KPCA)特征提取与多分类相关向量机(MRVM)相混合的滚动轴承故障诊断方法.该方法首先通过VMD-MPE进行滚动轴承振动信号的高维故障特征提取,其次对提取的故障特征进行KPCA可视化降维,最后将降维后的故障特征输入可实现不同样本概率输出的MRVM进行滚动轴承故障诊断.通过美国西储大学的滚动轴承故障数据集对该方法的有效性进行验证,结果表明提出的VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法能够有效提取和识别滚动轴承故障特征,所提出的混合智能故障诊断方法与相关文献报道的故障诊断方法相比较,故障识别准确率达到了99.18%.     

实时故障诊断专家系统的应用研究

介绍了对某钢厂冷轧大型自动化生产线进行状态监测和故障诊断的实时故障为诊断专家系统的研究及实现,对开发类似实时故障诊断专家系统有参考价值。     

形态分量分析在滚动轴承故障诊断中的应用

滚动轴承局部故障振动信号中的周期性冲击是识别故障的关键特征.形态分量分析在由多种形态原子组成的过完备字典基础上提取信号中的不同形态成分,基于这种思想提出了一种基于新型过完备复合字典的形态分量分析方法.依据滚动轴承故障振动信号中分量间的形态差异性,改进字典后该方法可以更具针对性地提取出包含故障特征的冲击分量,配合包络谱分析准确提取故障特征频率,诊断滚动轴承局部故障.对比基于快速谱峭度法的轴承故障诊断方法,该方法可以避免人为选择共振带产生的不准确性和非最优问题,提高了故障诊断效果.通过轴承仿真信号和故障实验信号分析验证了该方法的有效性.     

基于无损约束降噪稀疏自编码的滚动轴承故障诊断技术

在滚动轴承故障诊断过程中,时域振动信号容量大且易受噪声污染,难以建立准确的故障诊断模型。针对上述难题,本文采用无损约束降噪方法对稀疏自编码进行优化,提出了基于无损约束降噪稀疏自编码的滚动轴承故障诊断方法。该方法可直接作用于时域振动信号,消除对人工特征提取的依赖性,无需降噪预处理,降低了故障诊断模型建立的难度。为验证本方法的有效性,利用滚动轴承时域振动信号进行仿真实验,并对诊断过程中学习到的故障特征进行可视化分析。实验结果表明,本方法可以在噪声数据下建立有效的故障诊断模型,且比传统的栈式稀疏自编码诊断算法具有更强的噪声鲁棒性。     

小波减噪和双谱分析在轴承故障诊断中的应用

提出了基于小波减噪技术和双谱分析的滚动轴承故障诊断的方法。利用小波变换及其减噪技术对滚动轴承早期微弱故障振动信号的特征频率进行提取，采用双谱估计可绘出滚动轴承故障信号的特征图谱。实验表明，小波减噪和双谱分析方法可以敏感地监测滚动轴承工作状态，并且利用特征图谱可以有效地识别滚动轴承不同的故障特征。     

基于小波包分解的滚动轴承故障诊断

提出了一种基于小波包分析的滚动轴承故障诊断方法用于实现滚动轴承早期故障的检测.该方法的诊断过程如下:对轴承原始振动信号进行频谱分析,获取振动信号能量集中的频段.根据频段的范围和振动信号的采样频率确定小波包分解的层数.采用小波包分解的方法提取滚动轴承振动信号中能量集中的频段并生成相应的重构信号,对重构后的振动信号进行Hilbert变换和二次频谱分析.通过对比轴承故障的特征频率和二次频谱中的特征谱线判断轴承是否有故障及其发生位置.运用上述方法对具有外环故障的滚动轴承进行了实验研究并成功地实现了滚动轴承外环故障的检测.实验结果表明基于小波包分析的诊断方法可以有效诊断出滚动轴承的早期故障.     

基于鲁棒局部均值分解与二阶瞬态提取变换的滚动轴承故障诊断

利用传统故障诊断方法对滚动轴承进行诊断时存在故障特征提取困难以及提取特征不明显的问题.针对此问题,提出了 一种基于鲁棒局部均值分解(robust local mean decomposition,RLMD)以及二阶瞬态提取变换(second-order transient-ex-tracting transform,S...     

基于深度特征提取神经网络的滚动轴承故障诊断

滚动轴承作为旋转机械的重要组成部分,其运行安全性受到大量关注,但传统的基于信号处理的时频分析故障诊断方法较为依赖专家知识从而难以广泛应用。结合应用较广的卷积神经网络和长短时记忆网络模型的优点-自动提取振动信号的深层特征信息以及可识别所提取的长时连续的振动信号时序特征信息,提出一种深度特征提取神经网络模型,将原始的振动信号作为模型输入,进而通过多层卷积与长短时记忆网络对振动信号进行故障特征信息提取,可以有效提取滚动轴承振动信号中的深层时序故障特征信息,进而准确辨识滚动轴承不同的故障模式,并且避免了复杂的信号预处理与人工进行信号特征提取的过程。通过凯斯西储大学滚动轴承故障实验的10类健康状态数据验证了所提方法的有效性,并对实验结果进行分析,解释了在迭代过程中出现精度波动的可能原因。     

改进PSO优化SVM的滚动轴承故障诊断

提出一种基于改进粒子群算法和支持向量机的滚动轴承故障诊断方法.首先分析基本粒子群算法的不足及其关键参数,提出多方面改进的粒子群算法,利用10种基准测试函数对比多种粒子群算法,证明该改进算法的优势.然后结合支持向量机,建立滚动轴承故障诊断模型,并提取滚动轴承振动信号的时域、频域、小波包节点能量和CEEMDAN分量排列熵四种特征,构成单一特征和组合特征作为诊断模型的输入特征向量.最后利用凯斯西储大学滚动轴承数据进行验证,并与网格算法、遗传算法和多种不同粒子群算法进行对比.试验证明,本改进粒子群算法优化支持向量机模型在滚动轴承故障诊断中更具优势.     

滚动轴承故障振动信号特征与诊断方法

简述了恒转速条件下滚动轴承故障信号共振解调的优点和基本原理,通过实验和理论分析研究了变转速轴承故障振动信号的特点.指出了轴承损伤点冲击信号的非周期性、轴承共振频率随转速变化的变频特性,以及故障信号的双变频调制特性.建立了由变频转速信号为调制信号、变频共振衰减信号为载波的滚动轴承故障模型.给出了阶比循环平稳自相关函数的计算方法.利用循环平稳分析对旋转机械振动信号的解调功能,结合连续隐马尔可夫模型(CHMM)对动态信号的识别能力,提出了一种适用于变转速运转条件下的滚动轴承故障诊断方法,通过实验验证了方法的可行性.