网络故障分层诊断技术（精选9篇）
网络故障分层诊断技术 篇1
基于模糊神经网络的飞机智能故障诊断技术研究
随着科技的进步和各种智能故障诊断技术的应用,传统的飞机维修方法已经不能满足现代战争的需求.无论是传统的视情维修还是预防性维修都有其内在的缺点,传统的视情维修主要是依靠维护人员的.经验以及规程对装备进行检测,容易造成漏检;而预防性维修以预防为主,容易造成不必要的拆装,不仅增加了维护人员的工作量,还会影响装备的使用寿命.
作 者：田宝杰 曾博 卓斌 王卫超 作者单位：田宝杰,曾博,卓斌(94170部队)
王卫超(93802部队)
刊 名：航空维修与工程 PKU英文刊名：AVIATION MAINTENANCE & ENGINEERING年，卷(期)：“”(3)分类号：V2关键词：
网络故障分层诊断技术 篇2
信息化的迅速发展使得网络的规模和复杂度都在迅速的增大,网络管理的智能化成为迫切的需要。SNMP网络管理模型由于简单,易于实现等优点得到了广泛的使用。研究基于SNMP网络管理模型的网络管理具有实际而重要的意义。在网络故障管理方面,基本方法是接受SNMP-Trap的告警信息来确定网络的故障问题。但是由于网络的复杂性,一个故障可能会引起很多的告警,如何对这些告警信息进行处理,提供给网络管理员简单有效的提醒是一个值得研究的问题。
传统的告警产生方式是为MIB变量设置一个阈值,当超过阈值时,即产生报警,但是网络的动态特性使得阈值设置方法无法准确的反应网络的故障情况。国内外有很多工作利用统计方法对网络流量数据采用统计分析方法来判断是否异常,是否要产生告警。CS·Hood[1]通过分段把时间序列近似为段内平稳信号,然后又采用二元自回归模型拟合,对模型参数进行自适应性的GLR测试来判断流量是否异常。孙朝晖[2]等提出了用AAR模型来监测网络流量异常的方法,不需要对时间序列分片和单独拟合,可以直接处理获取的新数据,实现在线故障监测。本文参考该方法判断网络流量是否异常。文献[1]通过贝叶斯网络将监测到的MIB变量告警信息进行融合,最终通过路由器的异常情况给出对网络整体情况的预测。这种预测没有考虑到故障的传播特性等问题,也无法给网管员提供较为具体的故障信息。本文尝试先分别考虑各层协议的故障情况,然后再考虑低层协议对高层协议的影响。在此基础上,分层考虑故障在网络中的传播情况,依照网络的拓扑结构建构相应的贝叶斯网络。最后,对该模型进行了仿真,验证了方法的有效性。
1 网络管理协议SNMP
SNMP网络管理模型是为了管理TCP/IP网络提出来的,它的体系结构一般是非对称的,由管理站、代理、管理信息库(MIB)和通信协议SNMP构成。配置Manager实体的系统为管理站,配置Agent实体的系统被称为代理。管理站可以向代理下达操作命令访问代理所在系统的管理信息。
管理站和代理之间的共享管理信息由代理系统中的管理信息库MIB给出,各个代理系统中的被管对象的集合构成该系统的MIB。系统中所有的被管对象逻辑上被组织为一棵树,即MIB树。最基本和最重要的MIB的实例是MIB-Ⅱ,它分为11个组,除了cmot和dot3是预留外,其余9个组都有了定义,每个组描述系统的一个方面的信息。比如IP组,它包含IP协议中的各种参数信息,例如,有关IP层流量的一些计数器。如果IP协议的在运行中出现了故障,则会体现在相应的MIB变量中。可以根据MIB变量和协议之间的这种关系构建贝叶斯网络监测网络中某层的运行情况。
2 贝叶斯网络
贝叶斯网是一种系统地描述随机变量之间关系的语言。构造贝叶斯网的主要目的是进行概率推理,即计算一些事件发生的概率。要在一些随机变量之间进行推理,理论上只需要一个联合概率分布即可,但是联合概率分布的复杂度相对于变量个数成指数增长,所以当变量众多时不可行。贝叶斯网把概率分布分解成一系列相对简单的模块,大大降低了知识获取的难度和概率推理的复杂度,使得人们可以把概率论应用于大型问题[3]。
在贝叶斯网中,节点代表变量,节点之间的有向边代表两变量之间的条件概率关系。每个节点都附有一个概率分布,对于根节点X所附的是它的边缘分布,而非根节点所附的是条件概率分布P(X|π(X))。其中π(X),表示X的父节点。
贝叶斯网是联合概率分布的分解的一种表示。具体地,假设贝叶斯网络N中的变量为X1……Xn,那么把各变量所附的概率分布相乘就得到联合分布,即
如果把每个概率分布作为一个函数,用F表示N中所有概率分布函数的集合。在此类问题中,已知变量通常称为证据变量;需要计算其后验概率分布的变量称为查询变量。假设观测到了证据E=e,在F的各函数中,将各证据变量设为它们的观测值,得到另一组函数,记之为F′,则将这些函数相乘,即得P(Y,E=e),其中Y=XE,表示除去E之后X集合中剩余的变量。
设Q是所关心的查询变量的集合。从F′中逐个消去所有在Y中但不在Q中的变量,得到另一个函数集合,记之为F″,将F″的各函数相乘,可得P(Q,E=e),按照条件概率的定义,可进一步得到
其中P(E=e)=ΣQP(Q,E=e),这样就通过推理计算出所关心变量的后验概率。
如果构建了一个故障诊断的贝叶斯网络,那么这个问题就是,根据可以观察到的故障现象的取值,去计算关心但是无法直接观测到的部分故障的后验概率。
3 分层故障定位模型
本文以SNMP系统的MIB变量为基础构建了一个4层的故障诊断模型。数据处理部分对MIB数据采用自适应自回归模型处理,根据自回归模型参数的变化来判断是否产生了异常,进行MIB级别的告警。然后将MIB状态输入到协议故障判断部分,通过协议和MIB之间的贝叶斯网判断协议功能是否正常。将协议状态输入到协议间故障定位模块,通过不同协议之间构建的贝叶斯网推理故障的根源协议。在此基础上,确定了节点在某协议上的状态后,根据网络的拓扑结构,推理问题的根源在哪个节点上。模型结构图图1所示。
4 MIB变量特征提取
MIB变量大致可以分为两类,第一类就是在一定时间内不会改变的量,比如ipForwarding,表示是否作为IP网关。另一类是随时间动态改变的,比如IPInAddrErrors,它是一个计数器类型的变量,表示由于IP地址错被丢弃的输入数据报总数。
对于第一类而言,判断其异常与否只需要根据变量的值直接判断即可。比如ifOperStatus表示当前的接口状态(up(1),down(2),testing(3)),直接根据其值即可知道当前其状态是否异常。
对于第二类而言,则需要通过统计分析的方式去提取特征,才能做出判断。本文采用自适应自回归模型(AAR)来分析网络流量数据[2],进行MIB变量级异常检测。
对MIB变量M进行时间间隔为Δt的采样,获得的时间序列SM(N,Δt)是元素xi(i∈[1,N])的时间偏序集,N为序列长度。为任意序列定义p阶AAR模型,即
式中,ei是数学期望为0、方差为σe2的网络流量白噪声;i是当前样本序号。假定当前处在时刻t,那么因此参数aj是时间的函数。根据流量序列可以计算出相应的参数序列,减弱网络噪声的影响,用这个相对稳定的序列可描述流量序列的特性。定义t时刻的样本对应的AAR参数向量为
与式(3)对应,定义MIB变量M的样本构成向量为
采用时间序列SM(N,Δt)的观测样本拟合AAR模型,并通过其参数向量来描述系统特性的变化。时间序列SM(N,Δt)的样本i的噪声估计为
根据kalman过滤,相应的前馈向量为
此处T(i-1)表示样本(i-1)的相关矩阵,是一个p阶方阵,UC是更新系数,样本对应的AAR参数向量的估算值为
样本i的相关矩阵为
用上述几式构成的迭代算法即可拟合AAR模型,迭代过程可以在线完成。
向量A(i)表达了流量数据的状态变化,通过对其求二阶差分来反映其变化趋势,然后为了消除流量白噪声引起的尖峰,再使用时间平均法对差分结果进行平滑,最后可以根据序列值的变化来判断网络是否发生了变化。
5 节点贝叶斯网络建模
SNMP管理系统的管理站通过代理获得网络中各个节点的MIB信息(这里的节点是网络中配备有代理的主机,交换机,路由器等的统称)。在对MIB变量进行特征提取之后,已经可以进行MIB级的异常告警了,但是MIB所描述的信息仍具有很大的局限性,不能说明它所表示的协议层的功能正常情况,更难以说明整个网络的运行情况。贝叶斯网络能够通过概率关系描述各个MIB变量和其上层的协议之间的关系,并能根据已有的网络的先验概率和证据信息推理所关心节点的后验概率,适合于将多个MIB变量因素融合,获得一个协议层级的功能情况描述。
选网络接口层(MIB-II中的IF组)为例,其功能实现会影响相应组的MIB变量,因此可以以MIB树的结构作为贝叶斯网络的结构[1],如图2所示,而各个MIB变量之间的关系可以认为是近似相对独立的,这就符合了朴素贝叶斯网络的结构特点,由于其结构简单,可以使用多项式复杂度的Pearl信念传播算法,使得计算复杂度大大降低。
在通过MIB变量获得各协议的功能情况之后,考虑计算机网络按协议分层的特点,各层之间并不是完全独立的,每一层故障情况不仅依赖于本层功能的实现,还依赖于下一层所提供的服务,图3为计算机网络协议关系图。结合各协议之间的依赖关系,可以构造出节点层级的贝叶斯故障诊断模型[4]。层之间的的故障传播一般是低层影响高层,比如,网络接口层如果某个接口down,则IP层的数据报就无法到达,运输层的功能也就无从实现。考虑IF,IP,UDP三种协议之间的故障传播关系,可以构建出图4所示的贝叶斯网。通过协议之间的贝叶斯网络,可以对故障根源的协议层进行推理。
6 基于网络拓扑的贝叶斯网络
在考虑单个节点的故障定位问题的时候,考虑了故障在不同协议之间的传播关系,并没有考虑到故障在网络各节点间的传播问题。考虑图5所示通过路由器R连接到互连网的常见拓扑结构的网络。网络中的故障传播方向多数是从路由器到交换机,从交换机到主机,主机H1出现故障是由两种原因决定的,第一是其本身出现了故障,其二即上一层故障传播到主机H1。这样,对其构造故障传播图即先将网络拓扑转化为贝叶斯网络,然后再在除路由器R之外的每个节点上加一个表示本身故障的节点并指向该节点,如图6所示。由于路由器是网络层的中继,并没有运输层和应用层,这种依据网络拓扑构建的贝叶斯网络只适合于网络接口层和网际层。
上述建立的贝叶斯网络中,根节点的先验概率和有向边的条件概率可以根据历史数据统计获得,或者根据专家经验估计。在此基础上,还可以根据EM算法学习、更新网络参数。
7 实验仿真
采用MATLAB贝叶斯网络工具箱对本文中构建的几种贝叶斯网络进行了仿真实验。根据MIB树的结构,首先构建了如图2所示的两层的树状贝叶斯网络。根节点设为F,子节点为Mi,网络根节点的先验概率根据经验设为P(F)=[0.9 0.1],当F故障时的条件概率P(Mi=1|F=1)(i=1,2,…,n)在[0.75,1]之间服从均匀分布。先设定F=1,即F出故障,获得M1到Mn的故障概率。对Mi,生成一个[0,1]间服从均匀分布的随机数,如果小于其故障概率,则将Mi的状态设为1,即出现故障。在获得M1到Mn各节点的状态之后,将之作为观测结果,计算F节点的出现故障的概率。如果P(F=1|all M)>0.5,则认为F诊断结果为F出现故障。通过随机产生条件概率产生10种不同的贝叶斯网,对每个贝叶斯网选取不同MIB变量个数,每种情况仿真200次。计算平均故障诊断率如下图7所示。
节点级的贝叶斯网络和网络级贝叶斯网络的拓扑会随着选取协议的变化而不断变化,此处针对图5所示贝叶斯网络进行仿真。根节点故障概率设为0.1,条件概率设置如下表1所示。首先设置故障集R0,由R0产生一组可观察节点的征兆集S0,根据S0通过贝叶斯网络来推理,以表2所示几种故障情况为例,每种情况仿真500次,故障诊断正确率如表2所示。
8 结论
本文以广泛应用的SNMP网络管理模型为基础,首先构建了针对单个网络节点的分层的故障监测模型,然后考虑各层之间的故障传播关系,实现针对节点的故障根源定位,再考虑到故障在网络节点之间的传播模型,提出了依据网络的拓扑结构再对网络故障根源定位的贝叶斯网络模型。由于SNMP网管系统适用于各种异构网络,所以这种贝叶斯网络能适用于各种网络。
本文提出的贝叶斯网络可以应用更多的MIB组,考虑更多的协议进行推理。还可以拓展到更大型的网络,为骨干网络管理提供参考。而且,模型的尺度可以也可以更加精细。比如在构建基于网络拓扑的故障定位模型时,还有很多影响因素可以考虑。另外,文中考虑的网络拓扑比较简单,对于更加复杂的网络拓扑,故障传播情况更为复杂,还需要进一步研究。
摘要：本文以SNMP网络管理模型的管理信息库(MIB)为基础,在不同层次上构建了用于故障判别与定位的贝叶斯网络。对MIB变量采用自适应自回归(AAR)模型建模分析,构建与其相关协议之间的贝叶斯网络,推断协议功能是否发生异常。分析各个协议之间的功能依赖关系,构建协议间的贝叶斯网络,定位协议间的故障根源。考虑网络中故障传播构建了基于网络拓扑的贝叶斯网,定位故障根源节点。最后,对构建的模型进行了实验仿真,并分析了模型的优点和缺点。
关键词：网络故障,故障定位,贝叶斯网络
参考文献
[1]H ood C J.Proactive network fault detection[A].Sixteenth annual Joint Conference of the IEEE Computer and Communications Societies,Kobe,Japan,1997
[2]孙朝晖,张德运,孙钦东.异构网络环境中的自适应在线故障检测[J].西安交通大学学报,2004,38(4):409.
[3]张连文,郭海鹏.贝叶斯网引论[M].北京:科学出版社2006:85.
[4]谭林,胡谷雨,胥光辉,等.基于贝叶斯网络的计算机端到端服务故障诊断[J].海军工程大学学报,2005,17(5):5.
[5]郭军.网络管理[M].北京:北京邮电大学出版社,2007:105
网络故障分层诊断技术 篇3
【关键词】故障诊断;基本原理;神经网络;实际应用
引言
电梯在实际生活中出现不正常运行、停运等故障是在所难免的，而作为高层建筑中主要的垂直交通工具如果不能及时准确的查明故障原因并维修往往会给乘客带来巨大的生命威胁。只有保证电梯的安全运行，及时的发现故障并解决故障，才能够为乘坐电梯的乘客提供合格的安全保证。目前，国内在用的电梯缺乏完善的故障诊断系统，仅仅依靠维修技术人员的经验以及简单的诊断仪器已经不能够及时的解决复杂的电梯故障问题。神经网络技术可以应用于复杂多模式的故障诊断并且既可以用于实时监测也可以进行离线诊断，在系统模式非常复杂或者根本不知道系统模式的情况都可以应用，这些特点恰恰解决了传统方法中最最难以解决的问题。因此必须加快神经网络技术应用于诊断电梯故障的步伐，形成完善的故障诊断系统，才能更及时准确的查明故障原因进一步及时的解决问题，保证乘客的人身安全。
一、电梯的运行原理和电梯故障的特点
只有清楚地了解电梯控制系统的运行原理才能够及时准确的诊断出电梯故障原因，因此清楚的了解电梯运行原理，每一个电梯维修人员必须要做到。电梯运行过程总体上可分为以下几个阶段：第一、登记层外召唤信号和登记内选指令阶段;第二、电梯门关闭或者电梯按照系统指令停运阶段;第三、启动阶段;第四、在到达信号记录的楼层前进行减速制动;第五、平层开门阶段。在整个过程中电梯需要从外界接收信号并处理，然后完成相应的指令或者输出信号，由此可以将电梯看作是一个完整的独立的系统，只需要外界给予相应的信号就可以自动的做出动作。电梯系统内部复杂的构件紧密的结合在一起，正是如此才使得电梯系统故障具有了复杂性、层次性、相关性以及不确定性的特点。
二、神经网络技术基本原理
生物学上的神经是由一个个简单的神经元相互连接进而形成了复杂的庞大的神经系统，同理，神经网络就是由大量简单的处理单元相互连接形成的复杂的智能系统。单独的处理单元类似于一个神经元，是一个可以接受不同信息但是只输出一种信息的结构单位。神经网络系统与生物学神经系统相似的是具有自我修改能力，它可以同时接收大量的数据并进行统一的分析处理，进而输出相应的处理结果。这就使得神经网络系统具有了高度容错性、高度并行性、自我修改性、学习性以及高度复杂性，也正是由于这些特性才使的利用神经网络技术能够及时准确的查明电梯故障原因并得出故障解决方案。电梯故障诊断中应用的神经网络模型分为三个层次：输入层、接收外部信号或者是电梯自我检测信息（如载重信息）;隐含层、对接收到了大量数据进行相应的分析处理;输出层、将记录着动作命令的数据传送出来。在电梯出现故障时，首先可以通过神经网络模型快速确定故障发生在哪一层达到节约时间的目的。但是神经网络也会因为收敛速度过于慢、训练强度太大或者是选择的网络模型不好等问题导致诊断结果受到影响。
三、神经网络模型在电梯故障诊断中的应用分类
神经网络模型已经成为了如今电梯故障诊断中应用最广泛的技术模型，相比于传统方式它具有诊断速度快、故障原因命中率高的优点，因此引起了各方面专业人士的强烈关注，并在他们的不懈努力下得到了发展与创新。它跨越多个专业领域、通过对各种复杂的高难度工作的不断的发展与改进出现了越来越多的应用模型，下面主要介绍了当前应用最普遍的BP网络模型，并且简单的引入并介绍了近年来新兴的模糊神经网络模型和遗传小波神经网络模型。
（一）BP网络模型
BP神经网络作为神经网络应用最广泛的一种，它多应用的误差反向传播算法使其在模式识别、诊断故障、图像识别以及管理系统方面具有相对先进性。基于BP网络的电梯故障诊断技术就是通过学习故障信息、诊断经验并不断训练，并将所学到的知识利用各层次之间节点上的权值从而表达出来。BP网络系统的主要诊断步骤主要可以分为三步。第一步：对输入输出的数据进行归一化处理，将数据映射到特定的区间。第二步：建立BP网络模型，训练BP网络模型。第三：通过已经训练好的网络模型对原来的样本进行全面的检测。算法步骤：a、在一定的取值范围内对数据进行初始化;b、确定输入值数值大小，计算出预期输出量;c、用实际输出的值减去上一步得到的数值;d、将上一步得到的误差分配到隐含层，从而计算出隐含层的误差;e、修正输出层的权值和阈值，修正隐含层的权值;f、修正隐含层的阈值，修正隐含层和输入层的权值。
（二）遗传小波神经网络模型
遗传算法运用了生物界的优胜劣汰、适者生存的思想对复杂问题进行优化，适用于复杂的故障，起到了优化简化问题的作用。对局部数据进行详细的分析是小波法最大的特点，所以它被誉为“数字显微镜”。遗传算法小波神经网络就是运用小波进行分解的方法分解模拟故障信号，将得到的数据进行归一化，将归一化后的数值输入到神经网络模型中。它融合了神经网络、小波分析和遗传算法三者所有的优点。基于遗传小波神经网络的电梯故障诊断的一般步骤为：测试节点信号采样、小波分解、故障特征量提取、归一化得到训练样本集、遗传算法优化、得到故障类型。遗传小波神经网络模型在故障原因复杂、数据信息量巨大的电梯系统的应用中能够发挥更大的作用。
（三）模糊神经网络模型
模糊神经网络模型就是创新性的将神经网络与模糊理论结合到一起。它采用了广义的方向推理和广义的前向推理两种推理方式。与其它两种模型不同的是，它的语言逻辑、判断依据和结论都是模糊的。但是它的数据处理能力还有自我学习能力并没有因此而变差，反而更加丰富了它的定性知识的内容。在处理实际问题的过程中，首先要建立所有可能发生的故障的完整集合，其次将所有的故障发生原因归入到同一个集合中去，最后就是建立故障和原因的关系矩阵。分别叫做模糊故障集、模糊原因集、模糊关系矩阵。相较于BP网络模型，这种模型更加的简单易行，充分发挥了神经网络和模糊逻辑的优点，不会因为故障原因过于复杂而失去诊断的准确性，在原本丰富定性知识和强大数据处理能力的基础上具有了很大的自我训练能力。
结语
综上所述，神经网络技术可以应用于复杂多模式的故障诊断并且既可以用于实时监测也可以进行离线诊断，在系统模式非常复杂或者根本不知道系统模式的情况都可以应用，这些特点恰恰解决了传统方法中最最难以解决的问题，它的应用提高了电梯故障的诊断速度和准确度，保证了电梯运行的安全性。虽然神经网络技术的优点很多，但是在實际生活中的应用还很少，因此还需要不断的进行改进完善。同时还要注意将集中诊断方法融合到一起，例如稳重提到的模糊神经网络模型和遗传小波神经网络模型都是集成应用的典型代表。
参考文献
网络故障分层诊断技术 篇4
你要做的第一件事情是在命令行输入pathping，就像这样:pathping目标。这里的目标可以是一个主机名称也可以是一个IP地址，例如，pop3.catalog.com或者209.217.46.121。
接下来，你将得到一个分为两部分的报告。第一部分是通向目的地的线路上的每一个跳点的列表，第二部分是每一个跳点的统计，包括每一个跳点的数据包丢失的数量，
它使用下面例子中显示的一些开关(switch)，如:
pathping -n -w 1000 msn.com
这个命令告诉pathping不解析路由器的IP地址，并且为每一个回显应答信息等待1秒钟(1000毫秒)。
下面是一些最重要的pathping命令开关(switch):
n 不显示每一台路由器的主机名。
hvalue 设置跟踪到目的地的最大跳点数量。默认是30个跳点。
wvalue 设置等待应答的最多时间(按毫秒计算)。
p 设置在发出新的ping命令之前等待的时间(按毫秒计算)。默认是250毫秒。
qvalue 设置ICMP回显请求信息发送的数量。默认是100。
网络故障分层诊断技术 篇5
基于模糊神经网络的飞船GNC分系统故障诊断
研究了基于模糊神经网络的飞船GNC分系统的故障诊断方法,提出了重构新的激励函数并附加动量因子的改进BP算法,采用了由输入层、输出层、隐含层和量化层组成的一种4层前向模糊神经网络,通过Ⅱ型隶属度函数完成输入模糊化.建立了基于模糊神经网络的.GNC分系统故障诊断系统,实验验证了改进BP算法以及该诊断系统的正确性和有效性.
作 者：蔡彪 王南华 Cai Biao Wang Nanhua 作者单位：北京控制工程研究所,北京,100080刊 名：航天控制 ISTIC PKU英文刊名：AEROSPACE CONTROL年，卷(期)：24(6)分类号：V4关键词：飞船 GNC分系统 模糊神经网络 故障诊断
ABS故障诊断技术教案 篇6
授课班级：02（3）课程：现代汽车故障诊断技术 任课教师：
授课题目：ABS故障诊断技术 授课目的：
1、理解ABS系统的基本组成、工作原理及维修注意事项；
2、掌握ABS系统空气的排放的方法；
3、了解ABS自诊断系统；
4、掌握2000GSI ABS系统故障诊断与排除。授课时数：4学时
教学重点：ABS系统的基本组成、工作原理及维修注意事项；2000GSI故障诊断与排除。
教学难点：2000GSI ABS系统故障诊断与排除
教具准备:解码器等诊断设备
计划授课时间 2004 年 月 日 编写教案时间 2004 年 月 日
第四章 ABS故障诊断技术
第一节 ABS故障诊断基础
一、制动受力
1、地面制动力
汽车只有受到与行驶方向相反的外力时，由地面和空气提供。地面制动力愈大，制动减速度越大影响：一个是制动器制动力，一个是附着力
2、制动器制动力
在车轮为克服制动器摩擦力短所需加的力
3、附着力
附着力是地面向车轮滑动所能提供切向反作用力的极限值。在一般硬实路面上，轮胎与路面间的附着力可近似认为是轮胎与路面间的摩擦力。在汽车制动时，有纵向附着力、横向附着力。
纵向附着力决定汽车纵向运动，影响汽车的制动距离。
横向附着力则决定汽车的横向运动，影响汽车的方向稳定性和转向控制能力。
附着系数也不是固定值。影响附着系数的很多，如车轮滑移率、路面的性质和状况、车速、轮胎的结构和气压、车轮偏转角等。
4、车轮滑移率
当驾驶员踏下制动踏板时，由于地面制动力的作用，使车轮速度减小，车轮处在既滚动又滑动的状态，实际车速与车轮速度不再相等，人们将车速和车轮速度之间出现的差异称为滑移。
随着制动系压力的增加，车轮滚动成分越来越小，滑移成分越来越大。当车轮制动器抱死时，车轮已不转动，汽车车轮在地面上作完全滑动。
滑移率的定义所示：
5、附着系数和滑移率的关系横向附着系数越大，汽车制动时方向稳定性和保持转向控制能力越强。当滑移率为零时，横向附着系数最大；随着滑移率的增加，横向附着系数越来越小。
当车轮抱死时，横向附着系数几乎为零：方向失控、稳定性差。前轮先抱死：方向失灵。后轮先抱死：甩尾。
S=10%--30%最佳。
二、ABS控制
1、控制方式：
逻辑门限值控制方法通常都是将车轮的减速度(或角减速度)和加速度(或角加速度)作为主要控制门限，而将车轮的滑动率作为辅助控制门限。
车轮角速度或减速度信号车轮转速传感器输入信号经过计算确定。
车轮的实际滑动率，首先要确定车轮中心的实际纵向速度(车体速度)，在制动过程中，确定车轮中的实际纵向速度具有相当的困难，因此，大多数ABS都是由电子控制装置根据各车轮转速传感器输入的信号按照一定的逻辑确定汽车的参考速度，再计算出车轮的参考滑动率。参考车速只是实际车速的一种近似。
2、控制过程：
制动保压：ECU测得趋于抱死时，控制制动压力保持一定 制动增压： ECU测得车轮没有抱死时，控制制动压力增大 制动减压：ECU测得车轮已经抱死时，控制制动压力增大
三、控制通道和传感器数目
对能够独立进行制动压力调节的制动管路称为控制通道
1、四通道式
有四个轮遗传感器，在通往四个车轮制动分泵的管路中，各设一个制动压力调节分装置(如电磁阀)，进行独立控制。
四轮可充分利用地面附着系数，但在对分路面或左右轮载荷差别较大时制动，汽车方向稳定性不好，较少使用
2、三通道式
一般三通道顺是对两前轮进行独立控制，两后轮按低选原则进行一同控制。在通往四个车轮制动分泵(轮缸)的制动管路中，各设置一压力调节分装置，但两个后轮制动压力调节分装置却是由电子控制按低选原则一同控制的，因此，实际上仍然是三通道。
两后轮按选低原则进行一同控制时，可以保证汽车在各种条件下左右两后轮的制动力相等
3、二通道式：为了减少制动压力调节分装置酌数量，降低系统成本
4、一通道式
四、ABS组成
ABS电控单元、传感器、液压总泵(动画演示)
1、传感器：电磁感应式
2、液压总泵
三位三通电磁阀；
常规制动过程（增压过程）：电磁阀无电，主缸与轮缸相通； 减压过程：通大电流，主缸与轮缸截断，轮缸与液压箱相通； 保压过程：通小电流，所有通路截断。
3、ABS电控单元
五、ABS
故障诊断注意事项
（一）区分ABS系统和常规制动系统
1、噪音。ABS工作时，液压调节器内的电磁阀动作产生噪音。
2、制动抱死。ABS系统很少发生这种情形，例如前轮回路的ABS系统分离阀卡在开关位置。常规制动会抱死
3、踏板震动。ABS工作时的液压回馈到踏板时，会引起踏板快速震动。但在常规制动工作时，若有震动发生，可能制动碟不平、制动鼓失圆或者车轮轴承松动。
4、迟滞。在常规制动时，若制动容易出现抱死的倾向，则检查制动蹄片是否脏污，并且检查制动盘、制动鼓是否严重磨损。
5、拖曳。在附带巡航控制系统的ABS系统中，当电流流经巡航控制系统中的控制电磁阀及液压泵时，可能会引起系统对驱动轮施以制动而发生拖曳的现象。
6、制动踏板过硬。在整体式的ABS系统中，踏板变硬可能表示ABS系统中发生故障，因为在整体ABS式系统中总泵及蓄压器不良时，或储能器无法蓄压时，3 都会导致踏板变硬。
（二）检修注意事项
1、ABS系统与常规制动系统是不可分割的。如果制动系统出现故障，通常应首先判断出是ABS系统的故障还是常规制动系统的故障。
2、制动液每年要求更换一次。
3、在对高压储能器这类制动系统的液压系统进行维修行业之前，应首先泄压，使储能器中的高压制动液完全释放，在释放储能器中的高压制动液时，先将点火开关断开，然后反复地踩下和放松制动踏板（至少要25次以上），直到踩制动踏板觉得很硬时为止。
4、制动液压系统进和维修以后，或者在使用过程中踩制动踏板觉得变软时，应按照要求的方法和顺序对制动系统进行空气排除。
5、ABS系统的汽车和传统制动系统的制动操作方法是一样的。但在紧急制动时，不要重复地踩制动踏板，而只要把脚持续地踩在制动踏板上，ABS就会自动进入制动状态，不需人工干预。多踩几脚制动踏板，反而会使ABSECU得不到正确信号，导致制动效果不良。对液压制系统而言，ABS系统工作时制动踏板会有些轻微振动，或听到系统工作时一点噪音，这些都是正常现象，表明ABS系统正在工作，并非故障。
（三）故障诊断基本步骤
1、直观检查
（1）制动液、制动液面是否在规定的范围内。（2）保险丝、继电器、插接是否良好。
（3）检查ABS ECU连接器（插头和插座）连接是否良好。
2、读取故障码如果电子控制器发现系统中存在故障，一方面使“ABS”警示灯点亮，中断ABS工作，恢复常规制动系统，另一方面将故障存入存储器中。
读取方法：
（1）专用诊断测试仪读取故障代码（2）连接自诊断起动电路读取故障代码（3）利用仪表板信息显示系统读出故障代码
3、快速检查
利用ABS诊断测试仪进行测试 利用“接线端子盒”进行测试 直接用万用表进行测试
第二节 ABS系统空气的排放
一、概述
ABS制动液压系统中有空气侵入时，就会感到制动踏板无力，制动踏板行程过长，致使制动不足，甚至制动失灵。
因此，在制动压系统中有空气侵入时，特别是在制动液压系统进行修理以后，必须对制动液压系统进行空气排除。
由于具有防抱控制功能的制动系统比常规的制动系统更为复杂.二、常规制动放气
1、用一根软管一端接到放气螺钉上，一头插到容器中
2、一人用力迅速踩下并缓慢放松制动踏板，如此反复。
3、另一人拧送放气螺钉，管路中空气随制动液排出，排出后再将螺钉拧紧。
4、重复上述步骤，直到容器里没有气泡为止。
5、按一定要求顺序排出各轮。
6、观察液面，必要时添加制动液。
三、ABS人工排气
1、先排除制动系统中存在的故障，并检查制动液压系统中的管路及其接头，如发现管路破裂或接头松动，应进行修理。
2、检查储蓄室中的液位情况，如果发现液位过低，应先向储液室补充制动液。
3、在储能器中往往蓄积着压力很高的制动液或矿物油，如果在松开排气螺钉时不注意，高压油液可能会喷出伤人。
1、BOSCH 3 ABS
点火开关置于断开位置（OFF），踩动制动板25次以上，使储能器中蓄积的制动液完全释放。
对制动管路进行空气排除可以采用压力排气法或人工排气法，排气顺序为左后、右后、左前、右前。
对制动液压总成进行空气排除，先将储能器制动液完全释放，将储液室中的制动液加注到最高液位标记处，再将一根透明塑料软管的一端连接在制动液压总成右侧的排气螺钉上，而将软管的另一端浸入盛有制动液的容器中，将排气螺钉拧开1/2～3/4圈，将点火开关置于点火位置，使电动泵泵出的制动液中没有气泡时，再将排气螺钉拧紧，取下排气软管，将点火开关置于断开位置，使电动泵停止运转。
2、BENDIX-6 ABS
人工排气法按右后、左后、右前、左前的顺序进行。如果在制动压力调节装置中也有空气侵入，按下述步骤对制动压力调节装置进行空气排除：
将排液软管与第二排气螺钉连接，轻轻地踩下制动踏板，拧松储器第二排气螺钉，通过解码器（如克莱斯勒的DRB-Ⅱ）的电磁阀控制功能，使左前进液电磁阀和左前出液电阀进入工作循环。排出的制动液中无气泡时，将储液器第二排气螺钉拧紧。
通过储液器第一排气螺钉按上述步骤进行排气，通过解码器使右前进液电磁阀和右前出液电磁阀进入工作循环。
通过储能器第一排气螺钉进行空气排除，通过解码器先使右前/左后隔离电磁阀动作，再使右前进液电磁阀和右前出液电磁阀动作。
第三节 ABS自诊断系统一、丰田车系ABS自诊断系统
（一）ABS故障码读取程序将WA与WB之间的插销取出，或将连接线分开。利用跨线跨接诊断座中的Tc与E1脚。由仪表板“ABS”灯读取故障码
（二）ABS故障码清除程序跨接Tc与E1脚。
在3s内，将制动踏板踩到底再放开。作8次以上，故障码即可清除。装回插销WA、WB跨线。
（三）故障码表
二、本田车系ABS自诊断系统
（一）故障码读取及清除程序
本方法适用于HONDA的Civic、Prelude车；ACURA的Legend、Vigor车。
1、ABS故障码读取方法使用一条跨接线去跨接在手套箱底下的维修检查连接器旋转点火开关，并读取“ABS”灯闪烁的故障码。
2、ABS故障码清除方法旋转点火开关。拆下在ABS保险丝/继电器盒内的ABS B2（15A）保险丝，3s后再装回，即可清除故障码。
再拆下诊断跨接线。
（二）故障码读取及清除程序二本方法适用于HONDA的Accord、ACURA Integra车种。
1、ABS故障码读取方法使用SCS跨接线连接至手套箱底下的维修检查连接
器。
旋转点火开关，并读取“ABS”灯闪烁的DTC故障码
2、ABS故障码清除方法拆下SCS跨接线。
拆下在发动机室内ABS保险丝/继电器盒内的ABS B2（15A）保险丝，等10s后再装回保险丝，即可清除故障记忆。
（三）故障码表
三、日产车系ABS自诊断系统
（一）故障码读取及清除程序一：35脚与83脚诊断座
1、读取
跨接：35脚--4号与30号跨接；83脚--4号与16号跨接
读故障码：不踩踏板，ABS灯闪烁，开始进入诊断码时会先闪烁故障码12表示开始诊断
2、清除
读故障码后，在15.2S内，将诊断座4号角移开1.5S，再搭铁1.5S，进行3次以上，直到ABS灯熄灭。即可清除
（二）故障码读取及清除程序二
1、读取
2、清除
（三）故障码读取及清除程序三、四、五、六、七（略）
（四）故障码表
第四节 2000GSI ABS系统故障诊断与排除
一、概述
MK20-I制动系统，三通道调节回路，前路独立调节，后轮以两轮中较低附着系数为依据调节（VCD）
二、元件检测
（一）控制器：一般不拆装
（二）前轮转速传感器检测
1、外观检查
齿圈、轴承、脏物
2、齿圈与转速传感器：1.1-1.97mm
3、原理：磁脉冲，2个端子
4、检测：
测试端子：左前轮-4与11；右前轮-3与11 电压：30r/min，70-310mv；用示波器 电阻：1.0-1.3k欧
（三）后轮转速传感器检测
1、齿圈与转速传感器：0.42-0.80mm
2、检测：
测试端子：左前轮-4与11；右前轮-3与11 电压：30r/min，260mv；用示波器 电阻：1.0-1.3k欧
三、自诊断系统
（一）自诊断检测的先决条件
1、轮胎尺寸、气压相同
2、常规制动系统正常
3、管路不能泄漏
4、插头、线束正常
5、供电电压正常〉10。5v
（二）由警告灯显示故障
1、ON时，ABS警告灯亮2S，系统进行自检，控制单元完成：
检查电源电压
检查控制电压和电磁阀线圈 检查车速传感器 检查控制单元
2、如果自检程序完成后，警告灯不灭，可能存在： 供电电压小于10 ABS有故障（软故障、硬故障）线路断路、警告灯损坏
ABS有故障，关闭系统，但常规制动系统保留。有偶发故障时，重新起动，车速超过20灯熄灭。
3、如果ABS灯熄灭，但“BRAKE”灯亮： 手制动没放松 制动液面太低
BRAKE灯控制有问题
4、如果ABS和BRAKE灯都亮：
ABS和EBV（电子控制制动力分配）关闭，制动对后轮不调整
五、故障码表
六、控制器编码
由于车辆维修站提供的ABS控制器配件未经过编码，因此在更换ABS控制器时用仪器进行编码
如果未编码或编码错误，则ABS报警灯和制动装置报警灯每秒1次的频率闪烁。
编码为：04505
七、最终控制诊断
用于诊断液压泵和液压循环的功能，并通过交替开闭阀门和释放压力来检查
八、基本设定
用于ABS系统的加液和排气。
如出现由系统泄漏等原因而使储液罐中的制动液流尽时，应进行基本设定。
九、电器检测
ABS ECU端子测试
故障实例：丰田ABS有的车轮抱死,有的车轮一点制动都没有故障。
故障现象：严重事故车，ABS调节器和管路损坏，更换了管路和调节器； 试车，发现有的车轮抱死，有的车轮一点都没有。
故障诊断
1、区分ABS与常规制动
ABS警告灯亮起1-2S后熄灭，正常 用仪器读故障码，正常
拔下ECU的插头，制动以常规制动试刹车，车辆4个制动痕迹正常
最后认定ABS系统有问题。
2、ABS 排除
ABS四轮独立控制：根据车速传感器控制制动压力 某轮轮速信号和某轮的压力调节一一对应关系
如果出现接收的某轮的轮速信号，而去控制另一车轮的压力调节；
即当某一轮车轮有抱死趋势的轮速信号，由ECU接收而去控制稍迟后的车轮分泵的液压，使之减压，不抱死
而该不抱死的车轮轮速信号被ECU接收而去控制有抱死抱死趋势的车轮，使之加压，最后结果会导致有的车轮完全抱死。
网络故障分层诊断技术 篇7
由于数据监控技术发展, 生产活动中积累的设备监控数据越来越多, 这为故障诊断提供了大量可用的样本知识, 当然也增加了数据处理和样本识别的难度。本文提出的基于粗糙经网络模型的故障诊断方法, 一方面充分利用所积累的样本知识保证诊断的正确率, 另一方面利用粗糙集简化样本维数, 提高样本识别的速度。
1粗糙神经网络模型的结构图
图1给出了粗糙神经网络模型的结构图。
将两者融合在一起, 把粗糙集方法作为人工神经网络方法的前置, 具有以下优点:
(1) 通过粗糙集方法减少信息表达的属性数量, 减少构建人工神经网络系统的复杂性, 同时也减少后继流程中信息作为网络输入时的特征值计算时间;
(2) 通过粗糙集方法去掉冗余信息, 使训练集简化, 以便减少人工神经网络的训练时间;
(3) 使用人工神经网络作为后置的信息识别系统, 有较强的容错及抗干扰能力。
2 模型中创新算法和双输出规则设计
2.1 基于SOFM和差别矩阵的离散化方法
在此离散化算法中, SOFM网络的主要作用是实现连续向量的离散化;差别矩阵的主要作用是判断决策表是否存在相对于决策属性的核和是否相容。差别矩阵定义如下[1]:
给定一个决策表
其中 符号“—“表示论域中两个对象的决策值落入决策属性的同一个等价类, 这时可以不考虑这两个对象的差异;空集Ø表示两个对象所对应的决策值不同, 但是所有条件属性值却相同, 所有此时两个对象的决策是不相容的;如果论域中两个对象的决策值不同, 同时也存在能够区分这两个对象的条件属性, 则所有这样的条件属性组成的集合构成决策表的差别矩阵的对应元素。
在一个相容决策表中, 相对D核等于差别矩阵中所有只含单个条件属性的元素组成的集合, 即
在研究中发现基于差别矩阵的约简算法往往不能实现, 主要原因是矩阵中没有含单个条件属性的元素, 得不到相对D核, 从而不能够求出约简后的属性。这就限制了此算法的应用。
用一般方法离散化后的决策表有可能是不相容的, 这样的分类显然较粗, 没有正确区开决策值不同的对象。离散化后的决策表即使相容, 但是在求差别矩阵时, 却得不到只含单个属性的元素, 这就不能求出相对D核, 从而不能对决策表进行约简, 这样的划分显得过细, 剔除不了冗余属性。鉴于此, 基于SOFM和差别矩阵的属性离散化算法的思想如图2所示。
此算法的步骤如下:
(1) 利用SOFM网络求出决策表的分类, 通常初始划分为两类;
(2) 计算决策表的差别矩阵;
(3) 进行双判断, 若任一判断不通过, 则增加划分类数, 返回执行 (1) ;若通过双判断, 则生成离散化后的决策表, 完成算法。
2.2 粗糙集和神经网络双输出规则
粗糙集能够利用生成的规则集进行故障诊断, 神经网络能够利用其模式识别能力进行故障诊断。若综合利用两者的诊断结果, 则可更大限度地保证对故障诊断结果的准确性和完整性。
现进行假设:设“0”表示设备无故障状态, “1”表示存在故障状态1, “2”表示存在故障状态2, …, “n”表示存在故障状态n, 则共有n+1种状态, 令任意一故障状态为i或j, 则最后输出如图3所示。
从图3中可看出, 粗糙集和神经网络可能的输出有四种情况。当两者输出结果一致时, 诊断结果有两种情况:0状态或i故障, 这种情况下, 诊断结果的准确性是较高的;当两者的结果不同时, 也存在两个诊断结果:[0 i]和[i j]。第一种情况时, 相信设备存在故障而必须对其进行故障排查, 第二种情况时, 对两种故障状态都要进行排查。这样做的目的就是为了将所有可能的安全隐患排除, 以保障设备运行的安全, 从而提高故障诊断的可信性和彻底性。
图3还指出将诊断数据存入训练样本数据库, 这一点非常有必要。只有拥有完备的训练样本, 才能使诊断模型的故障识别能力提高。
3 粗糙神经网络模型在故障诊断中的应用
3.1 基于粗糙集的计算
以EQ6102汽油机为例作故障诊断。汽油机废气排放量不但表征汽油机工作状况, 而且还可为诊断汽油机故障提供重要信息, 通过汽油机在不同工况下排放的废气的体积分数可以将汽油机状态分为三类:第一类为无故障状态, 第二类为失火程度较轻状态, 表现为点火性能变差或某一火花塞不点火故障, 第三类为失火程度严重, 表现为六缸中有两缸火花塞不点火故障, 所以决策属性为
利用SOFM网络将条件属性划分为两类, 得出核
由于在离散化时就确定了决策表的核Core={a, b, e}, 所以利用约简的定义就可以确定此决策表的约简就是RED={a, b, e}。
构建决策表的决策矩阵, 建立每个条件等价类的决策函数, 利用合取运算和析取运算简化决策函数为最小析取范式, 其中每个合取子式对应一条规则。表3为得出的规则集和规则参数表。表3中的规则参数SUPPORT表征了规则在整个数据中适用的对象数, ACCURACY表征了规则的精度, COVERAGE表征了规则的适用度[3]。
3.2 基于神经网络的计算
用BP神经网络进行计算, 因为其应用广泛, 通用性、鲁棒性等都较好, 特别是能够运用在多故障识别中[4]。将数据约简前后的网络性能进行比较, 从中体现出粗糙神经网络模型的优越性。约简前后的神经网络的网络参数和训练参数都一致, 令约简前的网络为Net1, 约简后的网络为Net2。现有六个故障样本待诊断, 见表4所示。两套神经网络的比较见表5。将汽油机状分别态编成 (001) 、 (010) 、 (100) , 则两套神经网络和粗糙集 (R) 的诊断结果见表6。
3.3 分析并输出结果
从表5和表6中可以充分看出粗糙神经网络模型的优越性, 这与在前面所提出观点完全一致。
从表6中可以看出, Net2和RS对样本2、3、4、5、6的诊断结果都是相同的, 表明对这些样本诊断正确的概率很大。在实际的检验中, 这些样本对应的状态类别和诊断结果完全一致。
但是注意到样本1, RS和Net2的诊断结果不一致, 而是与Net1一致, 经过实际检验, 证明Net2的诊断结果是正确的。导致RS出错的原因主要是RS的容错能力和抗干扰较差些, 对相似性很大的样本识别能力不足;而导致Net1出错的主要原因是知识样本集冗余属性较多, 冗余属性之间的相似关系干扰了神经网络的学习, 从而导致了对诊断结果出错。由此可以看出:粗糙集和神经网络融合的互补性和必要性。
根据图3的输入结果处理思想, 最终输出结果见表7。
虽然最终输入结果的诊断率因粗糙集对样本1的误诊而降低, 但是这杜绝了设备可能存在的故障, 保障了设备安全可靠的运行, 这是粗糙神经网络模型的实际意义所在。
4 总结
用于故障诊断的粗糙神经网络模型, 不仅在离散化算法上提出了独特的方法, 还针对故障诊断结果准确、彻底的要求, 提出了新颖的融合结构。实践证明:此模型在工程上有着很好的适用性和可信性, 能够为解决现代工业工程中的故障诊断提供有效的参考。
参考文献
[1] 安利平.基于粗糙集理论的多属性决策分析.北京:科技出版社, 2008
[2] 李增芳, 何 勇.基于粗糙集和BP神经网络的发动机故障诊断模型.农业机械学报, 2005;36 (8) :80—83
[3] 苗夺谦, 李道国.粗糙集理论、算法与应用.北京:清华大学出版社, 2008
基于BP网络的电机故障诊断 篇8
摘要：介绍了BP神经网络以及电机故障诊断的发展和电动机故障诊断常见的技术方法，列举了电机故障征兆集。设计一个具有电机故障诊断功能的BP网络系统，给出了matlab关键程序和运行结果。
关键词：BP神经网络电机故障诊断
0引言
电机的正常工作对保证生产制造过程的正常进行意义非常重大。因此对电机故障的诊断要求十分迫切，通过对电机常见故障的诊断和分析，可以及早发现故障和预防故障的进一步恶化。随着芯片技术的发展及智能技术的应用，诊断技术已经进入了一个新的阶段，一种基于人工智能技术的诊断方法。该文用BP神经网络综合实现电机故障的诊断。
1BP神经网络
人工神经网络就是模拟人思维的第二种方式。这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。
BP(Back Propagation)网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP神经网络模型拓扑结构包括输入层(input)、隐层(hide layer)和输出层(outputlayer)。BP网络能学习和存贮大量的输入一输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。
BP算法理论具有依据可靠、推导过程严谨、精度较高、通用性较好等优点，但标准BP算法存在以下缺点：收敛速度缓慢，容易陷入局部极小值，难以确定隐层数和隐层节点个数。在实际应用中，BP算法很难胜任，因此出现了很多改进算法：①利用动量法改进BP算法：②自适应调整学习速率；⑧动量一自适应学习速率调整算法：④L—M学习规则。
2电机故障诊断
由于人为的因素，仅依靠日常的“听、摸、看”难免会造成一定的判断失误，一方面造成电机抱轴等严重事故的发生，另一方面又可能对状态较好的电机进行停车检修，如此不仅不能保证装置的平稳运行，同时还造成了检修费用的大量浪费。
故障诊断技术发展至今已经历了三个阶段第一阶段由于机器设备比较简单，故障诊断主要依靠专家或维修人员的感觉器官、个人经验及简单仪表就能胜任故障的诊断与排除工作；传感器技术、动态测试技术及信号分析技术的发展使得诊断技术进入了第二个阶段，并且在维修工程和可靠性工程中得到了广泛的应用；80年代初期，由于机器设备日趋复杂化、智能化及光机电一体化，传统的诊断技术已经不能适应了，随着计算机技术、人工智能技术特别是专家系统的发展，诊断技术进入第三个发展阶段一智能化阶段。
电机故障诊断，尤其是多个故障特征信号相互交织叠加时，很难仅凭肉眼进行判断识别，而人工神经网络具有独特的非线性映射、联想记忆、自适应与自学习以及良好的容错性等优点，十分适用于复杂电机系统的故障诊断。
各种类型的电机具有相同的基本原理，电机内部都有电路、磁路、绝缘和机械等独立而相互关联的系统，一般用于电动机故障诊断的技术方法有：①电流分析法。通过对电机电流幅值、波形的检测和频谱分析，诊断电机故障的原因和程度。例如通过检测交流电动机的电流，进行频谱分析来诊断电机是否存在转子绕组断条、气隙偏心、定子绕组故障、转子不平衡等缺陷。②振动诊断法。通过对电动机的振动检测，对信号进行各种处理和分析，诊断电机产生故障的原因和部位，并制定处理方案。⑧绝缘诊断。利用各种电气试验和特殊诊断技术，对电机的绝缘结构、工作性能和是否存在缺陷作出结论，并对绝缘剩余寿命作出预测。④温度诊断。用各种温度检测方法和红外测温技术，对电机各部分温度进行监测和故障诊断。⑤振声诊断技术。振声诊断技术是对诊断的对象同时采集振动信号和噪声信号，分别进行信号处理，然后综合诊断，因而可以大大提高诊断的准确率。
3系统总体方案
表1为该系统列出了5种常见的电机故障征兆集和，在集合中，“1”表示有征兆存在，“0”表示征兆不存在。
根据经验输出为电机的故障等级，范围从0～1表1的样本输入对应的样本输出如表2。
4软件实现
BP网络在Matlab上的仿真程序设计主要包括：输入层、隐含层、输出层及各层之间的传输函数几个方面。输入和输出样本分别为表1和表2。利用Matlab在模式识别方面采用采用自适应学习率BP算法计算机进行仿真。这里用到matalab神经网络工具箱中的一个非常实用的函数newff。newff函数需要4个输入参数。第一个参数是一个RX2的矩阵以定义R个输入向量的最小值和最大值。第二个参数是一个设定每层神经元个数的数组。第三个参数是包含每层用到的传递函数名称的细胞数组。最后一个参数是用到的训练函数的名称。
根据表1样本输入和表2样本输出，创建bp网络和定义训练函数，是为了方便而建立一个矩阵，用newff函数来训练BP网络。关键程序如下net=newff([0 1；0 1；0 1；0 1；0 1]，[5 1]{logsig，pure-lin}，trainlm)；％这里要加入输出层的转移函数，一般是trainlm；net.trainParam.goal=0.001；net.trainPalm.epochs=5000；[net，tr]=train(net，p，t)；％训练神经网络iw1=net.IW{1}：％输出训练后的权值和阈值：b1=net b{1}；1w2=net LW{2}：b2=net.b{2}；save net51 net。
5结束语
网络故障分层诊断技术 篇9
班级10级铁车二班
学号20107306
姓名唐聪
高速铁路的信号监控系统
要保证列车能够安全正常的高速行驶，通讯信号和监控系统是一个非常重要的方面日本、法国、德国、英国等国家在发展其高速铁路的同时，都对所用的通讯、信号设备进行了更新和换代，有些是在原有的基础上加以改造，或造加一套新系统，有的则全部采用新的通讯、信号设备。现将德、日、法等国家高速铁路设置信号和控制系统的概况分别进行介绍。
（一）德国高速铁路的信号监控系统