人工神經(jīng)網(wǎng)絡(luò)技術(shù)在壓風(fēng)控制系統(tǒng)中的應(yīng)用研究*

潘 超 張秀山 李昂欣 劉 偉

(1.北京北計(jì)普企軟件技術(shù)有限公司 北京 100036) (2.海軍工程大學(xué)計(jì)算機(jī)工程系 武漢 430033)(3.93682部隊(duì) 順義 101301)

?

人工神經(jīng)網(wǎng)絡(luò)技術(shù)在壓風(fēng)控制系統(tǒng)中的應(yīng)用研究*

潘 超1張秀山2李昂欣3劉 偉3

(1.北京北計(jì)普企軟件技術(shù)有限公司 北京 100036) (2.海軍工程大學(xué)計(jì)算機(jī)工程系 武漢 430033)(3.93682部隊(duì) 順義 101301)

對(duì)工業(yè)用離心式空氣壓縮機(jī)中供風(fēng)系統(tǒng)的故障診斷進(jìn)行了研究,針對(duì)目前壓風(fēng)控制系統(tǒng)故障診斷方法缺乏智能性,難以實(shí)現(xiàn)有效的系統(tǒng)故障預(yù)警的缺點(diǎn),引入了人工神經(jīng)網(wǎng)絡(luò)技術(shù),并以此為核心,構(gòu)建遠(yuǎn)程故障診斷專家系統(tǒng)模塊,詳細(xì)分析了神經(jīng)網(wǎng)絡(luò)技術(shù)在空氣壓縮機(jī)故障診斷中的應(yīng)用,有效地提高了遠(yuǎn)程監(jiān)控系統(tǒng)對(duì)壓風(fēng)系統(tǒng)故障的預(yù)判斷及處理能力。

遠(yuǎn)程控制; 信號(hào)采集; 神經(jīng)網(wǎng)絡(luò); 故障診斷

Class Number TP18

1 引言

在工業(yè)生產(chǎn)領(lǐng)域中,經(jīng)常需要空氣壓縮機(jī)為生產(chǎn)流程供風(fēng),很多企業(yè)采用離心式空氣壓縮機(jī)取代原有的活塞式空壓機(jī),并建立空壓站,具體負(fù)責(zé)壓縮空氣的產(chǎn)生的傳輸[1]。離心式空氣壓縮機(jī)具有運(yùn)行效率高、綜合性能好等優(yōu)點(diǎn)[2]。為了更好地對(duì)空壓機(jī)的工作狀態(tài)進(jìn)行監(jiān)控,有必要構(gòu)建一套壓風(fēng)控制系統(tǒng),用以監(jiān)測(cè)和管理空壓機(jī)的工作流程。

故障診斷是壓風(fēng)控制系統(tǒng)中的重要內(nèi)容,空壓機(jī)結(jié)構(gòu)復(fù)雜,在長(zhǎng)時(shí)間運(yùn)行過程中很容易出現(xiàn)故障,對(duì)工業(yè)生產(chǎn)造成嚴(yán)重的影響[3]。本文針對(duì)目前空壓機(jī)故障診斷方法缺乏智能性,預(yù)判和預(yù)警能力不足,難以保障安全生產(chǎn)的問題,引入了人工神經(jīng)網(wǎng)絡(luò)技術(shù),利用歷史數(shù)據(jù)對(duì)其進(jìn)行訓(xùn)練,使用時(shí)對(duì)空壓機(jī)各監(jiān)測(cè)點(diǎn)的數(shù)據(jù)進(jìn)行實(shí)時(shí)分析,構(gòu)建了遠(yuǎn)程故障診斷專家系統(tǒng)模塊,詳細(xì)分析了空壓機(jī)故障診斷神經(jīng)網(wǎng)絡(luò)的構(gòu)建過程,討論了其在空氣壓縮機(jī)故障診斷中的應(yīng)用,證明其能夠有效地提高遠(yuǎn)程監(jiān)控系統(tǒng)對(duì)壓風(fēng)系統(tǒng)故障的預(yù)判斷及處理能力。

2 離心式空壓機(jī)常見故障分析

離心式空氣壓縮機(jī)存在著一些常見的故障,主要包括[4]:

1) 轉(zhuǎn)子不平衡。離心式空壓機(jī)的轉(zhuǎn)子由軸承和葉輪組成,負(fù)責(zé)空氣的進(jìn)入和定向增壓輸送,由于需要長(zhǎng)時(shí)間地工作,易出現(xiàn)運(yùn)行不平衡的現(xiàn)象,其可能的原因包括空壓機(jī)自身工藝水平?jīng)]有達(dá)到要求,轉(zhuǎn)子結(jié)垢,零件磨損,有異物進(jìn)入影響轉(zhuǎn)子正常工作等。

2) 轉(zhuǎn)子不對(duì)中。該類故障主要包括軸系不對(duì)中和軸承不對(duì)中兩種類型,其中軸系不對(duì)中較為常見。軸系不對(duì)中是指聯(lián)接軸上的各個(gè)轉(zhuǎn)子并不在一條直線上,當(dāng)轉(zhuǎn)子不對(duì)中幅度較大時(shí),極有可能造成軸承迅速磨損變型,導(dǎo)致嚴(yán)重的后果。

3) 轉(zhuǎn)子彎曲。該類故障主要是指離心式空壓機(jī)中的各個(gè)轉(zhuǎn)子中心線彎曲。由于制作工藝不到位,或者運(yùn)行過程中的操作不當(dāng),易造成轉(zhuǎn)子的永久彎曲,這是不可恢復(fù)的,而由于某次操作不當(dāng)造成的轉(zhuǎn)子彎曲則是可以恢復(fù)的。

4) 油膜振蕩。該類故障主要是由于軸系設(shè)計(jì)工藝有偏差,軸承損耗、潤滑油使用不當(dāng)?shù)仍蛞鸬男D(zhuǎn)軸自激振動(dòng),這是一種非外界原因?qū)е碌墓收?由于自激振蕩可不斷自我加強(qiáng),所以對(duì)于整個(gè)空壓機(jī)的破壞性較大。

5) 旋轉(zhuǎn)失速與喘振。這兩種故障是離心式空壓機(jī)所特有的,旋轉(zhuǎn)失速是指轉(zhuǎn)子的葉輪由于系統(tǒng)設(shè)計(jì)的不當(dāng),或者氣流管道被堵塞,以及對(duì)排氣流量的設(shè)置不正確等原因引起的速度不平衡,進(jìn)而對(duì)壓縮機(jī)的正常工作性能指標(biāo)產(chǎn)生影響[5]。旋轉(zhuǎn)失速進(jìn)一步發(fā)展就會(huì)導(dǎo)致喘振的發(fā)生,喘振的危害性更大,會(huì)導(dǎo)致離心式空壓機(jī)的災(zāi)難性事故。

3 故障診斷模塊的設(shè)計(jì)

空壓機(jī)故障診斷功能的設(shè)計(jì)主要是根據(jù)空壓機(jī)參數(shù)的數(shù)值狀態(tài)和變化情況,判斷空壓機(jī)是否存在故障,并判斷出故障的類型。主要解決的問題包括: 1) 空壓機(jī)狀態(tài)參數(shù)的獲取與分析, 2) 對(duì)可能出現(xiàn)故障的判斷。

第一個(gè)問題的解決主要是設(shè)計(jì)對(duì)空壓機(jī)狀態(tài)信息的遠(yuǎn)程查詢功能,通過上位機(jī)向各空壓機(jī)發(fā)送數(shù)據(jù)獲取指令,得到其狀態(tài)數(shù)據(jù),并存儲(chǔ)到數(shù)據(jù)庫中,再根據(jù)故障判斷處理的需求,將所需要的數(shù)據(jù)提取后處理,其流程如圖1所示。

圖1 故障診斷基礎(chǔ)數(shù)據(jù)獲取流程圖

如圖1所示,通過上位機(jī)控制獲取到的空壓機(jī)參數(shù)數(shù)據(jù)將保存到數(shù)據(jù)庫中,根據(jù)故障診斷處理的需求進(jìn)行讀取和處理,其處理的結(jié)果將作為后繼數(shù)據(jù)智能處理算法的基礎(chǔ)。

第二個(gè)問題的解決主要是依靠智能化的數(shù)據(jù)處理方法,構(gòu)造專家系統(tǒng),將專家的經(jīng)驗(yàn)進(jìn)行數(shù)字化處理,從而實(shí)現(xiàn)對(duì)故障類別的自動(dòng)判斷。本系統(tǒng)構(gòu)建了專家系統(tǒng)用于對(duì)空壓機(jī)的故障進(jìn)行診斷。專家系統(tǒng)的核心是基于知識(shí)的推理過程?？諌簷C(jī)專家系統(tǒng)的構(gòu)建如圖2所示。

圖2 空壓機(jī)故障診斷功能專家系統(tǒng)結(jié)構(gòu)圖

專家系統(tǒng)的輸入為空壓機(jī)各參數(shù)的實(shí)時(shí)變化數(shù)值,然后通過引用知識(shí)庫中已經(jīng)完成的故障模型,推理出當(dāng)前可能存在的故障隱患?？諌簷C(jī)可能出現(xiàn)多種故障類型,針對(duì)每一種故障類型,專家系統(tǒng)給出故障相應(yīng)的解決方案。專家系統(tǒng)的構(gòu)建涉及到多個(gè)理論領(lǐng)域的內(nèi)容,包括模糊數(shù)學(xué)、灰色理論、神經(jīng)網(wǎng)絡(luò)理論等。從總體上看,專家系統(tǒng)由知識(shí)庫、知識(shí)獲取模塊、數(shù)據(jù)庫、推理解釋模塊等組成。其中知識(shí)庫中存儲(chǔ)啟發(fā)性知識(shí),推理模塊中組織和調(diào)用知識(shí)庫中的知識(shí)和元數(shù)據(jù)實(shí)現(xiàn)對(duì)參數(shù)數(shù)值的判定,知識(shí)獲取模塊通過人工和智能算法相結(jié)合的方式,生成對(duì)故障進(jìn)行處理的啟發(fā)式知識(shí)。

4 故障診斷功能的實(shí)現(xiàn)

人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用是空壓機(jī)故障診斷的核心。首先通過設(shè)置監(jiān)測(cè)點(diǎn)獲取數(shù)據(jù),然后再利用經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行處理,通過輸出的狀態(tài)對(duì)故障類型進(jìn)行判斷。

4.1 監(jiān)測(cè)點(diǎn)的選取

空壓機(jī)運(yùn)行狀態(tài)包括多個(gè)參數(shù)類型,對(duì)監(jiān)測(cè)屬性的選取主要是從保證空壓機(jī)安全運(yùn)行的角度出發(fā),選取最具有代表性的、與空壓機(jī)運(yùn)行監(jiān)管過程相關(guān)度最高的監(jiān)測(cè)點(diǎn)。離心式空壓機(jī)常見的故障在第2節(jié)已經(jīng)進(jìn)行了分析,經(jīng)過多年的研究和統(tǒng)計(jì),各類故障的名稱、發(fā)生的概率、產(chǎn)生故障的原因如表1所示。

表1 離心式空壓機(jī)故障及原因表

由表1可知,由于離心式空壓機(jī)中各類原因引起的故障,其故障表現(xiàn)中,噪聲、振動(dòng)、溫度、壓力等物理量均會(huì)出現(xiàn)相應(yīng)的變化,所以選擇噪聲、振動(dòng)、溫度、壓力作為空壓機(jī)的監(jiān)測(cè)物理指標(biāo)對(duì)象。

4.2 基于神經(jīng)網(wǎng)絡(luò)的診斷實(shí)現(xiàn)

神經(jīng)網(wǎng)絡(luò)包括多種類型,BP神經(jīng)網(wǎng)絡(luò)是其中應(yīng)用最為廣泛的一種模型。BP神經(jīng)網(wǎng)絡(luò)通過反饋的方式對(duì)網(wǎng)絡(luò)中的參數(shù)和權(quán)值進(jìn)行調(diào)整,通過不斷的誤差修正,使網(wǎng)絡(luò)誤差減小到可接受的范圍內(nèi)[7]。BP神經(jīng)網(wǎng)絡(luò)具有對(duì)非線性函數(shù)的無限逼近能力,還具有非常強(qiáng)大的泛化功能。相關(guān)的理論證明表明,利用三層BP神經(jīng)網(wǎng)絡(luò),在隱含層節(jié)點(diǎn)可自由設(shè)置的情況下,可以實(shí)現(xiàn)對(duì)任意非線性連續(xù)函數(shù)的仿真[8]。

BP神經(jīng)網(wǎng)絡(luò)的輸出是將輸入的信號(hào)經(jīng)過具有不同權(quán)值、閾值的隱含層節(jié)點(diǎn)處理,最終形成的線性組合。隱藏層中的節(jié)點(diǎn)由任意階的非常數(shù)導(dǎo)數(shù)組成,該模式下的神經(jīng)網(wǎng)絡(luò)可以無限逼近非線性連接函數(shù)。BP神經(jīng)網(wǎng)絡(luò)的工作流程為:首先將輸入信號(hào)接入到輸入層,然后經(jīng)過隱含層作用函數(shù)的處理后進(jìn)入輸出層,再經(jīng)過處理后輸出最終的結(jié)果。BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

其中,隱含層所采用的作用函數(shù)選取十分關(guān)鍵,一般使用的是Sigmoid函數(shù),如式(1)所示:

(1)

對(duì)于壓風(fēng)控制系統(tǒng)的故障診斷,還可以采用其他作用函數(shù),包括:

1) 線性函數(shù)

f(x)=kx

(2)

其中k為常數(shù)。

其次，雖然我國對(duì)少數(shù)民族學(xué)生采取了特殊的高考招生政策，但是在少數(shù)民族學(xué)生就業(yè)方面，并未制定相對(duì)完備的政策，使得大量的少數(shù)民族學(xué)生不能按時(shí)就業(yè)，影響了民族地區(qū)的經(jīng)濟(jì)和文化發(fā)展。因此，要增加有關(guān)少數(shù)民族畢業(yè)生就業(yè)問題的政策和法規(guī)，加強(qiáng)政府在就業(yè)管理與服務(wù)工作中的推動(dòng)作用，同時(shí)，用人單位增強(qiáng)自身競(jìng)爭(zhēng)能力，建立良好的就業(yè)環(huán)境，吸引人才，增強(qiáng)人才積聚力。[12]如建立“訂單式”的人才培養(yǎng)模式，以建立企業(yè)和學(xué)校的良性互動(dòng)，緩解少數(shù)民族學(xué)生的就業(yè)問題。

2) 閾值函數(shù)

(3)

其中x0為閾值。

3) 雙曲正切函數(shù)

(4)

4) 高斯函數(shù)

(5)

在空壓機(jī)故障診斷過程中,可以根據(jù)不同的故障診斷要求對(duì)隱含層的作用函數(shù)進(jìn)行選擇,通過對(duì)比,選擇一種處理效果最好的作用函數(shù)。BP神經(jīng)網(wǎng)絡(luò)算法的學(xué)習(xí)過程包括正向和反向兩個(gè)過程,正向過程中,信號(hào)數(shù)據(jù)由輸入層接入,經(jīng)過隱含層和輸出層的處理后得到結(jié)果,在此過程中,每一層的神經(jīng)元狀態(tài)只會(huì)對(duì)下一層的神經(jīng)元產(chǎn)生作用;如果輸出的結(jié)果不符合要求,則通過反向的過程,將信號(hào)產(chǎn)生的誤差按照正向的路徑進(jìn)行反饋處理,在此過程中對(duì)網(wǎng)絡(luò)的權(quán)值等參數(shù)進(jìn)行修改。不斷地重復(fù)這一過程對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,使BP神經(jīng)網(wǎng)絡(luò)的誤差小于設(shè)定的閾值。

對(duì)于BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程的處理,設(shè)網(wǎng)絡(luò)中的輸入層、隱含層、輸出層的節(jié)點(diǎn)數(shù)分別為n、l、m,總的訓(xùn)練樣本數(shù)設(shè)置為N個(gè),由于輸入層有n個(gè)節(jié)點(diǎn),所以輸入樣本的向量表達(dá)式為(x1,x2,…,xn),BP網(wǎng)絡(luò)中還包括連接不同層之間線路的權(quán)值,輸入層和隱含層之間的連接權(quán)值設(shè)為Wji,則隱含層的輸入表達(dá)式如式(6)所示:

(6)

隱含層的輸出表達(dá)式為

Outj=f(NETj)

(7)

式中的作用函數(shù)即為隱含層所選取的作用函數(shù)。設(shè)隱含層與輸出層之間的連接權(quán)值為Wkj,則輸出層的輸入如式(8)所示:

(8)

輸出層的輸出如式(9)所示:

yk=f(Ink)

(9)

對(duì)于在BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中出現(xiàn)的誤差,采用平方誤差的計(jì)算方式,以所有參與訓(xùn)練的樣本總誤差為研究對(duì)象,誤差表達(dá)式如式(10)所示:

(10)

基于BP神經(jīng)網(wǎng)絡(luò),對(duì)傳統(tǒng)的專家系統(tǒng)進(jìn)行改進(jìn)。首先是構(gòu)建專家系統(tǒng)的知識(shí)庫,在引入了BP神經(jīng)網(wǎng)絡(luò)后,該步驟主要對(duì)BP神經(jīng)網(wǎng)絡(luò)中的Wji和Wkj進(jìn)行確定。其具體的步驟如下:

Step1:根據(jù)空壓機(jī)故障的實(shí)際情況構(gòu)建BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。

Step2:選擇并預(yù)處理訓(xùn)練樣本

采集用于故障診斷BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練所用的樣本信號(hào)數(shù)據(jù),這些數(shù)據(jù)來源于實(shí)際的生產(chǎn)過程,有著明確的故障判別規(guī)則。這些數(shù)據(jù)在使用前還需要對(duì)其進(jìn)行預(yù)處理,從而使BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練更為科學(xué)可靠。

Step3:利用訓(xùn)練樣本數(shù)據(jù)對(duì)構(gòu)建好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,通過反向的誤差糾正操作,對(duì)網(wǎng)絡(luò)中的連接權(quán)值和閾值進(jìn)行不斷的調(diào)整,最終完成知識(shí)庫的構(gòu)建。對(duì)于完成了訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò),將網(wǎng)絡(luò)中的權(quán)值和閾值保存到相應(yīng)的文件中。

根據(jù)專家系統(tǒng)的構(gòu)建流程,在完成知識(shí)庫的構(gòu)建后,下一步驟是構(gòu)建推理機(jī)能。在引入了BP神經(jīng)網(wǎng)絡(luò)處理技術(shù)后,這一步驟即為利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)新輸入數(shù)據(jù)的處理和判斷。其步驟如下:

Step1:構(gòu)建BP神經(jīng)網(wǎng)絡(luò),也就是從文本數(shù)據(jù)庫中取出BP神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值等信息,然后據(jù)此建立BP神經(jīng)網(wǎng)絡(luò),完成對(duì)知識(shí)庫的構(gòu)建。

Step2:對(duì)選定的四個(gè)監(jiān)測(cè)信號(hào)源數(shù)據(jù)進(jìn)行處理,生成BP神經(jīng)網(wǎng)絡(luò)的輸入向量(x1,x2,…,xn)。

Step3:利用BP神經(jīng)網(wǎng)絡(luò)對(duì)于輸入的向量進(jìn)行處理,得到故障診斷的結(jié)果。

經(jīng)由BP神經(jīng)網(wǎng)絡(luò)處理后得到的結(jié)果并不是專家系統(tǒng)的直接輸出。由于在BP神經(jīng)網(wǎng)絡(luò)的隱含層采用的是Sigmoid作用函數(shù),所以從輸出層得到的處理結(jié)果只是趨近于1或者0,而無法真正達(dá)到1或者0,因此在實(shí)際處理時(shí)要設(shè)定閾值,該閾值的確定來源于神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中對(duì)于樣本的處理,其取值為0.7,也就是大于0.7的輸出值認(rèn)為是所發(fā)生的故障。

在基于BP神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)實(shí)際使用過程中,經(jīng)常會(huì)出現(xiàn)所有輸出層節(jié)點(diǎn)得到的值都小于閾值的情況,導(dǎo)致專家系統(tǒng)無法判斷出現(xiàn)的故障類型,所以還需要在輸出層建立故障的判斷機(jī)制。

通過觀察發(fā)現(xiàn),當(dāng)空壓機(jī)發(fā)生某類故障時(shí),表征該類故障的輸出節(jié)點(diǎn)值雖然有可能小于閾值,但是明顯比其他節(jié)點(diǎn)輸出值大。例如,當(dāng)采集到的信號(hào)數(shù)據(jù)經(jīng)過BP神經(jīng)網(wǎng)絡(luò)的處理得到的油壓異常輸出為0.452、不對(duì)中異常輸出為0.082、轉(zhuǎn)子不平衡異常輸出為0.041時(shí),可以判斷,由于油壓異常故障的輸出值明顯大于其他的異常輸出情況,所以目前空壓機(jī)出現(xiàn)的故障為油壓異常。

5 結(jié)語

傳統(tǒng)的專家系統(tǒng)雖然在實(shí)際的應(yīng)用中取得了一定的效果,但是也存在著較多的問題,主要是知識(shí)獲取模塊的科學(xué)性和合理性無法令人滿意,現(xiàn)有的知識(shí)難以高效地維護(hù),故障推理的能力偏弱。為了進(jìn)一步提高專家系統(tǒng)的故障診斷能力,本系統(tǒng)在設(shè)計(jì)中引入了神經(jīng)網(wǎng)絡(luò)技術(shù),兩者相結(jié)合,取長(zhǎng)補(bǔ)短,可以有效地提高故障診斷的正確性和效率。

[1] Emmons H W, Pearson C E, Grant H P. Compressor Surge and Stall Propagation[J]. Transactions on ASME,2010,77:455-469.

[2] Greitzer E M. Surge and Rotating Stall in Axial Flow Compressors, Part Ⅰ: Theoretical Compression System Model[J]. Journal of Engineering for Power,2011,98(2):1990-1998.

[3] Hansen K E, Jorgensen P, Larsen P S. Experimental and Theoretical Study of Surge in a Small Centrifugal Compressor[J]. Fluid Engineering,2009,103(3):391-394.

[4] Gravdahl J T, Egeland O. Compressor Surge and Rotating Stall: Modeling and Control[M]. Berlin: Springer,2011:33-36.

[5] Simon J S, Valavani L, Epstein A H, et al. Evaluation of Approaches to Active Compressor Surge Stabilization[J]. Journal of Turbomachinery,2010,115(1):57-67.

[6] Yao X, et al. A New Evolving System for Evolving Artificial Neural Networks[M]. IEEE Trans NN,2012,8(2):694-698.

[7] Riedmiller Martin, Braun Heinrich. A direct adaptive method for faster back propagation learning: The RPROP algorithm[J]. Proceedings of the IEEE International Conference on Neural Networks,2013(9):43-45.

[8] Behera Lon adaptive learning rate that guarantees convergence in feed forward networks[J]. IEEE Transactions on Neural Networks,2010(6):81-83.

Application of Artificial Neural Network in the Wind Pressure Control System

PAN Chao1ZHANG Xiushan2LI Angxin3LIU Wei3

(1. Pushsoft Technology Co. Ltd, Beijing 100036) (2. Dapartment of Computer Engineering, Naval University of Engineering, Wuhan 430033) (3. No. 93682 Troops of PLA, Shunyi 100301)

Fault diagnosis of air supply system in centrifugal air compressor for industrial is studied. Aiming at the disadvantages that diagnosis methods of fault in wind pressure control system is lack of intelligence, and difficult to realize fault warning defects effectively, the technology of artificial neural network is introduced, and used as the core to construct remote fault diagnosis expert system module, make a detailed analysis of the application of neural network technology in fault diagnosis of air compressor. It effectively improves on the compressed air system fault pre judgment and the processing ability of the remote monitoring system.

remote control, signal acquisition, neural network, fault diagnosis

2015年3月4日,

2015年4月17日

潘超,男,研究方向:計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)。張秀山,男,博士,教授,研究方向:虛擬仿真與可視化。李昂欣,男,工程師,研究方向:計(jì)算機(jī)通信。劉偉,女,助理工程師,研究方向:計(jì)算機(jī)通信。

TP18

10.3969/j.issn.1672-9730.2015.09.038