旋轉機械故障診斷系統數據庫的機器自學習方法

夏云鵬

摘要：為了提高旋轉機械故障診斷系統數據庫的及其自學能力，必須深度分析其故障診斷系統數據庫的功能實現，基于模糊診斷原理分析機器自學習方法應用于相關問題。本文中將著重研究上述問題，以期待系統數據庫應用功能被不斷強化。

關鍵詞：旋轉機械故障診斷系統;數據庫;機器自學習方法;模糊診斷原理

采用最小二乘法建立計算機自學習方法，它可配合當前的旋轉機械故障診斷系統建立模糊診斷計算技術體系，其計算結果表明系統數據庫的自學習方法應用是具有一定穩定性的。

一、旋轉機械故障診斷系統數據庫的機器自學習方法應用概述

在旋轉機械故障診斷系統數據庫建設過程中，它主要對機器自學習方法應用內容進行分析，建立振動監控與故障診斷技術應用體系，觀察機組長時間的運行環境條件變化，了解系統中故障的不確定性特征。在分析過程中，要建立計算機自適應方法，要結合機器自學習方法，確保故障診斷系統發展到位。在這一過程中，需要對導致性能參數的改變內容進行分析，了解故障特征差異性，如此對提高機器自學習方法應用效率是非常有益的。就目前來看，基于機器自學習、自適應過程建立模糊診斷系統，它是非常適用于故障診斷系統數據庫的[1]。

二、旋轉機械故障診斷系統數據庫的功能實現分析

在旋轉機械故障診斷系統數據庫中，需要對其功能實現內容進行分析，建立系統能源管理平臺，了解平臺上特征信號的分析與建模過程，滿足送風機狀態監測與故障診斷功能優化。就這一過程中，需要了解故障診斷系統功能的狀態監測系統與故障診斷系統。就以故障診斷系統為例，它主要利用能源管理平臺中的歷史庫與實時庫內容進行分析，有效存儲狀態數據，確保故障狀態特征量順利提取。與此同時需要結合故障相關性分析內容進行分析，客觀反饋設備運行狀態，了解在預警設備過程中的故障產生原因進行分析，并科學定位故障點，體現故障診斷功能應用多元性。

首先，它需要建立一套開放式的可擴展孤戰診斷知識數據庫，形成框架體系結構，在這一過程中隨時隨地對知識庫內容進行變更與擴充;其次，要分析知識數據庫的自學習功能，結合人工診斷案例與診斷歷史記錄內容進行編輯與轉換，建立良好的標準知識庫格式，有效實現對機器自學習方法內容的有效擴充，建立大數據庫。另外，要結合設備故障狀態量進行特征分析，了解故障發生部位與現場表現內容。在設備故障機制分析過程中，也需要構建一套故障識別專家知識庫，結合專家知識庫對設備故障現象進行調整，做好故障內容診斷分析定位，建立故障前預警保障體系，如此可提高旋轉機械故障診斷系統數據庫的運維效率，有效促進機器自學習方法科學合理應用[2]。

三、旋轉機械故障診斷系統數據庫的模糊診斷原理與機器自學習方法問題

（一）旋轉機械故障診斷系統數據庫的模糊診斷原理

在分析旋轉機械故障過程中，診斷系統數據庫必須對所有故障類型進行分析呈現，建立故障特征分析體系。在這一過程中，需要對不同故障特征的組合內容進行調整，建立故障與特征之間的對應關系（可采用關系矩陣表示）。這一過程中需要引入模糊數學方法，對故障特征與故障嚴重程度隸屬度進行針對性表示，在關系矩陣中再次建立模糊關系矩陣。這一過程中，基于不同故障組合構建故障向量，它希望基于不同元素轉換建立隸屬度技術體系，構建故障模擬向量體系，對旋轉機械的n種故障進行分析，歸類故障特征，建立多個癥候群。這其中每個癥候群中都會針對振動信號諧波幅度組成進行分析調整，對多元素的隸屬度展開進一步討論，了解癥候模糊向量內容。比如說，每個癥候群中都擁有n個表征，形成現象組成機制，分析基于不同旋轉機械故障元素的隸屬度癥候模糊向量分析，建立模糊關系矩陣，最后獲得故障模糊向量。具體來講，在利用普通矩陣乘法過程中，需要分析模糊關系矩陣，對其中癥候群故障隸屬度進行加權修正調整，了解模糊關系矩陣中的歸一化條件內容。所以說，在模糊診斷結果中需要對故障隸屬度進行定量分析，即分析故障傾向性與嚴重性[3]。

（二）旋轉機械故障診斷系統數據庫機器的模糊關系矩陣自學習方法

在明確旋轉機械故障模糊向量后，要充分利用診斷系統分析不同癥候群中故障的隸屬度，由此完善模糊關系矩陣，建立故障模糊向量元素體系。這里就利用到了最小二乘目標函數，基于N次估計值建立誤差矩陣，確保在公式推導過程中分析旋轉機械故障具體問題。在模糊診斷原理過程中，需要分析旋轉機械的常見故障特征，以此確定不同關系矩陣。在建立機組過程中，需要做到長期對關系矩陣可能變化內容進行分析，結合大量實例識別變化內容，建立修正關系矩陣變化體系，如此更有益于分析旋轉機械故障問題，體現診斷系統應用效能。在采用最小二乘法過程中，應該為旋轉機械設置多種故障案例，并利用最小二乘法分析的目標函數，有效節省旋轉機械故障分析與計算時間，建立故障診斷推導機制。在深度考慮模糊關系矩陣過程中，也需要對其歸一化條件進行分析，追求目標函數有效轉化。在轉化后，需要對矩陣中故障案例進行考查，特別要處理其中的特殊故障案例內容，避免了解條件極值問題，分析故障案例初值的選取問題，選取決定算法的穩定性與收斂速度，建立旋轉機械故障系統數據庫，確保機器自學習方法被合理應用。具體說，要在數學過程中建立誤差矩陣，最終建立穩定算例，分析旋轉機械故障問題[4]。

總結：

在旋轉機械故障診斷系統中，應該建立系統數據庫，結合機器自學習方法對旋轉故障機械問題進行歸一化處理到位，確保診斷系統數據故障分析深化，建立模糊關系矩陣分析機器自學習結果。

參考文獻：

[1] 竇東陽， 王艷飛， 何敏，等. 面向工程教育認證的旋轉機械狀態監控與故障診斷實驗系統研發[J]. 實驗技術與管理， 2019（7）：29-32.

[2] 黃傳金， 陳宏， 雷文平，等. 基于MSST的旋轉機械故障診斷研究[J]. 振動與沖擊， 2019， 38（08）：6-13+32.

[3] 吳春志， 馮輔周， 吳守軍，等. 深度學習在旋轉機械設備故障診斷中的應用研究綜述[J]. 噪聲與振動控制， 2019，39（05）：7-13.

[4] 沈濤、李舜酩、辛玉. 基于深度學習的旋轉機械故障診斷研究綜述[J]. 計算機測量與控制， 2020，264（09）：7-14.

中國船舶集團有限公司第七一三研究所 河南 鄭州 450000