关于故障诊断方法，请问实际中哪种用的比较多，神经网络不行吧
在想一个问题，看了很多文献，故障诊断方法有很多种，有基于图论的，基于模型的，有各种模式识别方法比如聚类分析、支持向量机、贝叶斯分类法等，还有人工智能的比如神经网络、专家系统。。。。。。等等等等真心想知道实际应用中哪些是可以用的，因为很多方法比如模式识别方法还有神经网络，都是需要学习和训练的啊，但是如果本身故障数据很少或者几乎没有该怎么办呢？请了解情况的各位给指个方向啊，比较纠结
关于故障诊断，如果从原生的角度来说，的确故障样本很少，但是在故障诊断行业，由于长期积累下都会有大量的样本出现。像我们做故障诊断试验时，都是人为的在试验器材上构造出某种故障，然后采集其相关信号，如此，可以为以后的诊断提供借鉴。你可以参阅《机械故障诊断学》 人的身体内外表里分布了数以亿计的神经元，用于感知外界的冷暖风寒；用针扎身体的任何表面，大脑马上感觉到疼痛。虽然现场大型机器也安装有测量振动、压力、温度等的指示仪表和传感器，但是数量很有限，即使这些有限的传感器之间发现异常现象的排列组合的数值也非常大，通过专家系统分析判断这些异常现象是何种故障的工作量很繁重；再者，机器的种类繁多，即使同一类型的设备，大小不同、使用工况变化，表现的故障也是千变万化的，如何在专家系统内覆盖这些异常现象，做到这些需要很多年的现场积累。 主要依据机组的振动信号、轴位移信号、机组工艺量、机组的机械参数和工艺参数，结合相关的算法做智能故障诊断。
所有的算法都有一个局限性，都不可能做到100%的置信度，必须用现场（不是实验室数据）已经发生的大量（这个很重要）的历史真实故障数据进行校正，才能让算法更完善，更接近实战。
基于统计理论的模糊诊断、神经网络以及粗糙集、支持向量机和盲源分离等都不是科学的诊断理论，耽误了很多人。基于故障因果关系的故障树、正向推理、黑灰白筛选诊断、精细化故障模型等才是科学的诊断方法。
页:
[1]