以化工行业生产设备的故障诊断为研究背景,探讨了故障诊断的研究现状和研究方法。为了提高故障诊断的准确度,将模糊C均值算法与神经网络相结合,提出了基于聚类神经网络(FCM-ANN)算法的故障诊断方法。该故障诊断方法能显著降低数据集的复杂度,在一定程度上减轻了神经网络学习的压力。与传统的神经网络方法相比,该故障诊断方法的诊断率有了较大提高,误报率和漏报率也较低,诊断效果较为显著。对该故障诊断方法的有效性和实用性进行了验证,即在某化工企业故障诊断系统平台上进行了测试和使用。将该故障诊断方法运用到该企业的故障诊断系统中,从数据采集故障诊断系统-数控滚圆机滚弧机张家港钢管滚圆机滚弧机折弯机、数据处理出发,对如何在系统中使用FCM-ANN算法进行了阐述。运行结果表明,该系统提高了系统的准确率,增强了系统的实用性。 设计，介绍了各个功能模块。然后，阐述了采集数据、采集设备故障诊断系统-数控滚圆机滚弧机张家港钢管滚圆机滚弧机折弯机、数据存储等相关技术，介绍了数据预处理方法。最后，阐述了在系统中的故障诊断方法，并对运行结果进行了解释和说明。1基于FCM-ANN算法的故障诊断方法传统的基于模糊C均值(fuzzyC-means，FCM)算法［3本文由公司网站张家港大棚滚圆机采集转载中国知网整理!!http://www.dapenggunyuanji.com/  ］或基于人工神经网络算法［4-5］的异常检测方法，检测效率低下、误报率较高，浪费大量人力、财力。FCM-ANN算法［6］的故障诊断三层架构模型如图1所示。图1故障诊断三层架构模型图s故障诊断三层架构的功能分别如下。①FCM层。该层依据指定的相似度标准，对数据集进行划分，使正常数据和故障数据归属不同的类簇。每个簇内部具有高度相似性，簇之间高度分离，大大降低了后续ANN训练数据的复杂度。②ANN层。该层针对上层得到的多个簇，利用ANN分别对每个簇和离线历史故障数据进行网络训练。经过该层ANN训练网络，故障诊断准确率得到提高。③ANN集成层［7-8］。理论研究发现，各子ANN差异性越大，集成效果越好。本层针对差异性大的各个ANN进行集成，能显著提高ANN的泛化能力。相比较传统的神经网络［9-10］故障诊断方法，将FCM-ANN算法应用到故障诊断方法中，能显著降低数据集的复杂度，在一定程度上减轻了神经网络学习的压力。在不影响样本多样性和全面性的前提下，该方法特别适用于大型企业的大数据平台分析。相比传统的神经网络方法，基于FCM-ANN的故障诊断方法在诊断率上有较大提高，相应的误报率和?故障诊断系统-数控滚圆机滚弧机张家港钢管滚圆机滚弧机折弯机本文由公司网站张家港大棚滚圆机采集转载中国知网整理!!http://www.dapenggunyuanji.com/