论文部分内容阅读
本文以Intel科技(中国)有限公司运作支持系统(SMSD)的设备为应用对象,研究了一套以自组织神经网络为核心的设备状态安全评估技术。 本文在讨论自组织神经网络技术的基础上,阐述了所设计的状态自动分类系统的工作原理,并进行了实践应用。 在应用过程中,本文首先介绍了试验方案与分析软件,确定了数据处理的方法如除去结构振动能量等,在为期一年的实测数据的基础上建立了统计意义下的相对标准,并以此作为基准对设备状态展开评估,因此更具针对性与合理性。 其次,为达到信号处理简便、状态识别正确的目的,本论文集成峭度和有效值的特征信息组成的特征向量作为神经网络的输入模式,对设备进行了状态分类和评估。本文具体针对空调风机进行了16类状态的振动状态评估,通过基于神经网络的自组织状态识别系统,在二维映照平面上实现了可视聚类,非常直观地识别出设备的振动状态。 通过自动识别系统的设计及其关键技术的研究,本文认为训练样本的初始化对神经网络的分类能力影响很大。本论文在训练样本初始化时采用了信息交叉组合的方法,实践证明该方法训练的神经网络的分类能力更强。同时,论文还分析并验证了各参数对神经网络分类效果的影响,指出影响神经网络分类能力的因素包括:训练样本、特征平面区域的大小,自学习次数等,并用图例加以分析说明。本文还指出要提高区域的分辨率,可采用对训练样本实施局部细化的手段来实现。