论文部分内容阅读
医疗设备机械故障诊断系统包括对设备的故障诊断、日常检修以及管理,可以协助设备管理员和维修人员掌握设备的动态信息。本文以提高维修人员对设备机械故障的诊断成功率,分析研究了粒子群优化算法、BP神经网络以及信息融合在医疗设备的机械故障中的应用,设计并开发了医疗设备机械故障诊断系统,以提升机械故障诊断的精确度,协助维修人员对设备故障做出进一步的判断。利用UCI的设备信号数据集对实验进行了验证,本文主要的研究内容如下所述:(1)本文针对机械故障信号存在的数据丢失、冗余以及噪声等问题,提出了小波分析降噪和改进的PSO算法(粒子群优化算法)。结合小波分析在处理信号数据时具有多尺度分析的特点,进而利用小波分析对机械故障信号行降噪处理;通过利用非线性函数替换随机函数来减弱函数随机性对最优子集的影响,更加高效地提升了最优特征子集的选取。最后通过对比改进PSO算法、原始粒子群算法以及IPSO(改进粒子群算法)的实验结果,结果表明改进PSO算法在收敛性方面比其他二者有很好的提升,缩短了特征集的选择时间,提高了最优特征子集的选取效率。(2)本文针对设备机械故障诊断的问题,研究了 BP神经网络以及信息融合的理论和方法,建立了 BP神经网络与D-S证据理论融合算法相结合的机械故障诊断模型。利用BP神经网络对机械故障进行初次诊断,运用D-S证据理论算法对BP神经网络的初次诊断结果进行决策级的融合,最后得出故障诊断结果。二者的融合利用了BP神经网络的自我学习的特点,降低了 BP神经网络在机械故障诊断中的误差,使得机械故障诊断的准确度得到了进一步提升。(3)依据医疗设备机械故障诊断系统的设计需求,完成了系统的研发,并对系统的各功能模块进行相关的功能测试和性能测试,结果显示系统提升了设备机械故障(轴承故障与齿轮故障)的诊断结果成功率,并为维修人员对设备机械故障的深度检修提供了客观依据。