论文部分内容阅读
本文以凝汽设备为主要研究对象,采用神经网络技术,并结合混合型知识表示和知识获取方法及基于知识的专家系统等技术,对凝汽设备故障诊断系统进行了开发研究。完成了凝汽设备相关实际故障样本的整理,建立了以0、0.25、0.5、0.75、1为征兆量的样本以及相应蚁群神经网络、故障诊断及解释、数据查询及分析等功能模块,采用Visual Basic6.0编制了故障诊断系统程序,对凝汽设备故障诊断进行了仿真实验。本文在建立故障样本时应用了产生式规则,语义网络,框架式等知识表达方法,有效的表达了凝汽设备故障诊断知识,保证数据的完整性,减少数据冗余。规范化处理数据库,从而简化了数据结构和避免了数据冲突。本文应用一种新型的优化算法――蚁群算法来训练神经网络。蚁群算法是一种新型的模拟进化算法,有正反馈、分布式计算、全局收敛、启发式学习等特点。分析了隐层节点数、蚂蚁数目、信息残留系数等因素对网络训练的精度和速度的影响,为网络参数的合理选取提供了依据。为了突出蚁群算法在训练神经网络方面的优势,在一定条件下,对蚁群神经网络、BP神经网络、遗传神经网络进行了比较。比较结果表明用蚁群算法训练神经网络在速度和精度都优于其他两种算法。同时经故障诊断仿真实例表明,本文所开发研究的诊断系统对凝汽设备各故障样本均能快速有效地收敛于一个设定的系统误差值,这就证明了本文的蚁群神经网络模型是正确的,且能快速,较准确地对故障情况作出判断。