企业资产管理材料精选.pptVIP

Status Examine Analysis System状态检修分析系统（SEAS） 状态检修分析部分 总体思路 采用模糊理论建立设备状态（性能）的评价体系 基于规则的专家系统实现状态量的推理，确定设备的状态 基于统计理论和曲线拟合的数据预测 采用神经网络对色谱分析进行故障判别 基于模糊运算的设备状态综合分析 基于规则专家系统提出状态检修周期及内容 介绍方法 理论基础 系统实现 举例 系统特点 存在问题 理论基础-模糊理论 论域U，集合A，元素x 整数，正数，1 论域U，集合A，元素x 所有年龄，中年人，某年龄 隶属度 理论基础-专家系统 定义：知识+推理的智能计算机程序 基本结构 理论基础-专家系统（知识库） 知识库是专家系统的核心 知识的来源：试验标准，启发性知识 以规则的形式表达 IF A THEN B A-前件，B-后件 IF A AND B THEN C A、B-前件，C-后件 理论基础-专家系统（推理机） 正向推理：数据驱动型、前件匹配推理。原始信息，从知识库寻找匹配的规则 后向推理：目标驱动型、后件匹配推理。先提出假设性结论，寻找支持该结论的证据 混合推理。 理论基础-专家系统（知识获取） 基本功能：知识库的维护，增、删、改功能，完整性和一致性维护 学习功能：自动知识获取，从错误和失败中归纳总结经验，修改和扩充知识库 理论基础-神经网络 特点： 1、高度的并行性 神经网络由许多神经元按某种拓扑结构组成，大量神经元的并行活动，使神经网络具有极强的信息处理能力。 2、高度的非线形 由于神经元的相互影响和制约，可以实现从输入空间到输出空间的非线形映射。 理论基础-神经网络 3、良好的容错性与联想记忆功能 神经网络通过神经元的连接强度即权系数实现对信息的记忆。 4、十分强的自适应、自学习能力 人工神经网络可以通过训练和学习来获得网络的权值和结构，呈现出很强的自学习能力。 理论基础-神经网络 神经元 理论基础-神经网络 神经元描述 理论基础-神经网络 网络结构（BP） 理论基础-神经网络 BP算法（已知学习样本（X，Y）） 正向传播过程中，输入信息X从输入经隐含层逐层计算传向输出层，得到实际输出Y1 得到误差E 进行反向传播，通过网络将误差信号沿原来的连接通路反传回来修改各层神经元的权系数（连接神经元之间的权）。 网络泛化能力：经过适当样本训练的网络具有良好的泛化能力。 系统实现-设备状态 设备状态的模糊模型 将设备的模糊状态定义为7档： 良（PB、3）、一般良好(PM、2) 一般(PS、1)、一般注意(Z、0) 注意(NS、-1)、注意不良(NM、-2) 不良(NB、-3) 设备的状态为一个模糊全集 每一个状态（如良）为一个模糊子集 系统实现-设备状态 隶属度曲线 系统实现-设备状态量 状态量：指反映设备状态的技术指标、性能数据及运行状况等参量。 属性： 来源：试验项目、在线、SCADA、缺陷、其他 系统实现-设备性能指标 每个状态量都反映了设备的某项或几项性能指标 根据设备类型，可将设备的性能划分为几项通用的指标。 例：对变压器，分为导电性能、绝缘性能和机械性能。 系统实现-状态量反映性能指标的关系 每一个状态量都是有意义的，如直流电阻是为了判断分接开关的烧蚀情况。反映的是导电性能。因此对每一个状态量，应确定它对三大指标的隶属程度。相当于对每个状态量建立如下的表： 系统实现-状态量规则 来源为试验项目的状态量：规则的定义类似于试验标准，也可直接引用标准 绝缘电阻小于200兆欧，发生紧急状态告警 小于500兆欧，发生重要状态告警 来源为缺陷等状态量：规则是一些逻辑量 灭弧室内发生是否发生闪络或产生红光 是，紧急状态告警 否，无告警 系统实现-状态量推理 确定该状态量当前处于什么状态 根据状态量来源和规则的不同，推理方法应有所区别 一般标准性的规则，采用专家系统的正向推理 对色谱状态量的推理，拟采用神经网络方法。对色谱结论的得出，一般有三比值法，电研法等，但每种方法均有一定的局限性，利用神经网络对非线形函数的无限逼近能力，可以使神经网络具有色谱分析的故障判断推理能力。 系统实现-状态量推理结果表示 如果满足条件： 一般程度，取值=0或1，有处理方法的取0，没有取1 重要程度，取值=-1或-2，有处理方法的取-2，没有的取-1 紧急程度，取值=-3，处理方法须立即停役的的取-6(强化)，不必立即停役的取-3 如果不满足条件：取值=2或3，一般取2，表示严格。 系统实现-试验数据的预测 需要预测的理由： 当进行一次状态分析时，由于各状态量的采集周期不同，不能同时获得所有试验数据 当本次分析为设备状态为良好时，希望了解下一采集周期前设备状态如何？ 预测的方法：曲线拟合（最小二乘法）、（神经网络） 置