旋转机械故障诊断系统数据库的机器自学习方法

夏云鹏

摘要：为了提高旋转机械故障诊断系统数据库的及其自学能力，必须深度分析其故障诊断系统数据库的功能实现，基于模糊诊断原理分析机器自学习方法应用于相关问题。本文中将着重研究上述问题，以期待系统数据库应用功能被不断强化。

关键词：旋转机械故障诊断系统;数据库;机器自学习方法;模糊诊断原理

采用最小二乘法建立计算机自学习方法，它可配合当前的旋转机械故障诊断系统建立模糊诊断计算技术体系，其计算结果表明系统数据库的自学习方法应用是具有一定稳定性的。

一、旋转机械故障诊断系统数据库的机器自学习方法应用概述

在旋转机械故障诊断系统数据库建设过程中，它主要对机器自学习方法应用内容进行分析，建立振动监控与故障诊断技术应用体系，观察机组长时间的运行环境条件变化，了解系统中故障的不确定性特征。在分析过程中，要建立计算机自适应方法，要结合机器自学习方法，确保故障诊断系统发展到位。在这一过程中，需要对导致性能参数的改变内容进行分析，了解故障特征差异性，如此对提高机器自学习方法应用效率是非常有益的。就目前来看，基于机器自学习、自适应过程建立模糊诊断系统，它是非常适用于故障诊断系统数据库的[1]。

二、旋转机械故障诊断系统数据库的功能实现分析

在旋转机械故障诊断系统数据库中，需要对其功能实现内容进行分析，建立系统能源管理平台，了解平台上特征信号的分析与建模过程，满足送风机状态监测与故障诊断功能优化。就这一过程中，需要了解故障诊断系统功能的状态监测系统与故障诊断系统。就以故障诊断系统为例，它主要利用能源管理平台中的历史库与实时库内容进行分析，有效存储状态数据，确保故障状态特征量顺利提取。与此同时需要结合故障相关性分析内容进行分析，客观反馈设备运行状态，了解在预警设备过程中的故障产生原因进行分析，并科学定位故障点，体现故障诊断功能应用多元性。

首先，它需要建立一套开放式的可扩展孤战诊断知识数据库，形成框架体系结构，在这一过程中随时随地对知识库内容进行变更与扩充;其次，要分析知识数据库的自学习功能，结合人工诊断案例与诊断历史记录内容进行编辑与转换，建立良好的标准知识库格式，有效实现对机器自学习方法内容的有效扩充，建立大数据库。另外，要结合设备故障状态量进行特征分析，了解故障發生部位与现场表现内容。在设备故障机制分析过程中，也需要构建一套故障识别专家知识库，结合专家知识库对设备故障现象进行调整，做好故障内容诊断分析定位，建立故障前预警保障体系，如此可提高旋转机械故障诊断系统数据库的运维效率，有效促进机器自学习方法科学合理应用[2]。

三、旋转机械故障诊断系统数据库的模糊诊断原理与机器自学习方法问题

（一）旋转机械故障诊断系统数据库的模糊诊断原理

在分析旋转机械故障过程中，诊断系统数据库必须对所有故障类型进行分析呈现，建立故障特征分析体系。在这一过程中，需要对不同故障特征的组合内容进行调整，建立故障与特征之间的对应关系（可采用关系矩阵表示）。这一过程中需要引入模糊数学方法，对故障特征与故障严重程度隶属度进行针对性表示，在关系矩阵中再次建立模糊关系矩阵。这一过程中，基于不同故障组合构建故障向量，它希望基于不同元素转换建立隶属度技术体系，构建故障模拟向量体系，对旋转机械的n种故障进行分析，归类故障特征，建立多个症候群。这其中每个症候群中都会针对振动信号谐波幅度组成进行分析调整，对多元素的隶属度展开进一步讨论，了解症候模糊向量内容。比如说，每个症候群中都拥有n个表征，形成现象组成机制，分析基于不同旋转机械故障元素的隶属度症候模糊向量分析，建立模糊关系矩阵，最后获得故障模糊向量。具体来讲，在利用普通矩阵乘法过程中，需要分析模糊关系矩阵，对其中症候群故障隶属度进行加权修正调整，了解模糊关系矩阵中的归一化条件内容。所以说，在模糊诊断结果中需要对故障隶属度进行定量分析，即分析故障倾向性与严重性[3]。

（二）旋转机械故障诊断系统数据库机器的模糊关系矩阵自学习方法

在明确旋转机械故障模糊向量后，要充分利用诊断系统分析不同症候群中故障的隶属度，由此完善模糊关系矩阵，建立故障模糊向量元素体系。这里就利用到了最小二乘目标函数，基于N次估计值建立误差矩阵，确保在公式推导过程中分析旋转机械故障具体问题。在模糊诊断原理过程中，需要分析旋转机械的常见故障特征，以此确定不同关系矩阵。在建立机组过程中，需要做到长期对关系矩阵可能变化内容进行分析，结合大量实例识别变化内容，建立修正关系矩阵变化体系，如此更有益于分析旋转机械故障问题，体现诊断系统应用效能。在采用最小二乘法过程中，应该为旋转机械设置多种故障案例，并利用最小二乘法分析的目标函数，有效节省旋转机械故障分析与计算时间，建立故障诊断推导机制。在深度考虑模糊关系矩阵过程中，也需要对其归一化条件进行分析，追求目标函数有效转化。在转化后，需要对矩阵中故障案例进行考查，特别要处理其中的特殊故障案例内容，避免了解条件极值问题，分析故障案例初值的选取问题，选取决定算法的稳定性与收敛速度，建立旋转机械故障系统数据库，确保机器自学习方法被合理应用。具体说，要在数学过程中建立误差矩阵，最终建立稳定算例，分析旋转机械故障问题[4]。

总结：

在旋转机械故障诊断系统中，应该建立系统数据库，结合机器自学习方法对旋转故障机械问题进行归一化处理到位，确保诊断系统数据故障分析深化，建立模糊关系矩阵分析机器自学习结果。

参考文献：

[1] 窦东阳， 王艳飞， 何敏，等. 面向工程教育认证的旋转机械状态监控与故障诊断实验系统研发[J]. 实验技术与管理， 2019（7）：29-32.

[2] 黄传金， 陈宏， 雷文平，等. 基于MSST的旋转机械故障诊断研究[J]. 振动与冲击， 2019， 38（08）：6-13+32.

[3] 吴春志， 冯辅周， 吴守军，等. 深度学习在旋转机械设备故障诊断中的应用研究综述[J]. 噪声与振动控制， 2019，39（05）：7-13.

[4] 沈涛、李舜酩、辛玉. 基于深度学习的旋转机械故障诊断研究综述[J]. 计算机测量与控制， 2020，264（09）：7-14.

中国船舶集团有限公司第七一三研究所 河南 郑州 450000