文档详情

基于神经网络的油罐故障模糊诊断系统-信号与信息处理专业论文.docx

发布:2019-03-27约2.44万字共35页下载文档
文本预览下载声明
基于神经网络的油罐故障模糊诊断系统摘 基于神经网络的油罐故障模糊诊断系统 摘 要 油罐在实际使用过程中,由于人为操作不当、机械问题或其他外界因 素等都会导致油罐故障,而油罐故障的发生无论从经济角度考虑还是从环 境角度考虑,都会给国家造成巨大损失,因此及时诊断出油罐故障,避免 恶性事故的发生就显得十分重要。 当油罐发生故障时,其流量和管路压力就会随之产生变化,也就是说, 油罐故障可以通过其流量和管路压力变化体现出来。因此,我们可以根据 油罐流量或管路压力变化检测、诊断出油罐故障,及时地采取处理措施, 防止因油罐故障导致事故的扩大,避免给国家造成损失。本文就是根据油 罐流量变化AQ和管路压力变化AP两个诊断参数进行油罐六种常见故障 的诊断。 本文首先对过去已发生过的油罐故障现象进行分析,确定油罐故障的 诊断规则。根据油罐故障诊断特点,利用模糊数学理论,建立其诊断模型 一个四层网络的模糊系统。根据诊断参数AQ、AP三种浮动情况“偏 大”、“正常”、“偏小”与油罐故障的关系,确定此三种模糊集合的隶属函 数形式。随后,根据油罐故障诊断模型的网络结构和诊断的智能化特点, 构造出该诊断模型神经网络结构。根据此网络的特点,我们采用一种改进 的BP神经网络算法进行求解。该BP网络的输入层被三种模糊集合的隶属 函数模糊化,隐层采用双曲正切S型传递函数,输出层采用对数S型函数, 学习规则采用Levenberg—Marquardt规则。求解时运用诊断规则确定的学 习样本,对所建立的油罐故障诊断模型进行学习训练,得到模型各层的权 重和传递函数。随后,对此基于神经网络的油罐故障诊断模型的有效性进 行了分析,其一该诊断模型算法具有较快的收敛速度和较高的精度,其二 通过对一些实际数据的仿真化运行,证明我们所建立的诊断模型能准确地 通过对一些实际数据的仿真化运行,证明我们所建立的诊断模型能准确地 对各种类型的油罐故障进行诊断。 其次,通过基于线性回归和BP神经网络两种方法的油罐故障诊断模 型的对比,证明了基于BP神经网络方法的优越性,主要表现在四个方面: BP神经网络算法的收敛速度远远快于线性回归;精确度远远优于线性回 归;仿真化运行时,基于BP神经网络的模型能对油罐故障的可信度值做 出与目标值一致的诊断,而线性回归方法则存在一定偏差;对故障类型诊 断时,基于BP神经网络的模型诊断结果准确,而线性回归有时会出现错 诊、多诊情况。 最后,根据本文所建立的油罐故障诊断模型在黄岛油库实际运行中的 故障事例诊断,得出其有效性、实用性。并针对遇到的问题,说明我们拟 进一步开展的工作,及目前使用中的注意事项。 本文中采用模糊数学和BP神经网络相结合的方法解决油罐故障诊断 问题在国内属于首次,通过对学-j样本和非学-j样本的仿真化运行、分析, 证明了模糊数学和神经网络结合起来解决油罐故障诊断问题的优越性、准 确性。 关键词 油罐故障 神经网络 模糊诊断 线性回归 The The Fuzzy Diagnostic System of the Storage Tank MaIfunction Based on the Neural Network Abstract While the storage tank is being used,the malfunction may occur because of improper operation,the machine problems or some external factors.Once the storage tank malfunction occurs,the country will suffer huge losses,not only to economy but also to environment.So it is important to diagnose the storage tank malfunction timely. As the storage tank malfunction Occurs,its flow or pressure will change accordingly,SO the storage tank malfunction Call be diagnosed according to the change of the flow Or pressure. Firstly,a net model is established that is a four-layered fuzzy system based on the characteristics of the storage tank malfunction.According to the model f
显示全部
相似文档