冶金风机是钢铁生产工艺过程中的关键设备,由于其长期工作在高温、高压、尤其是高金属粉尘的恶劣环境下,极易发生故障。本文结合神经网络、信息融合、聚类分析、计算流体力学等理论,对冶金风机的智能故障诊断方法、集成动态神经网络模型、集成学习系统中的子神经网络算法及决策融合算法、叶片磨损故障的仿真方法进行了深入地研究,建立了基于集成动态神经网络的冶金风机智能故障诊断系统。本文的主要研究内容包括:1.对冶金风机的故障特点进行了分析,对现有方法在冶金风机故障诊断中所存在的问题进行了探讨。在对神经网络故障诊断机理进行的研究基础上,从神经网络的学习性能、诊断性能和抗噪性能三方面分析了BPNN和RBFNN在冶金风机故障诊断中的优点和不足,指出单一神经网络结构存在着对冶金风机并发故障诊断能力差的问题。2.将信息融合理论和神经网络技术相结合,提出了基于集成动态神经网络的智能诊断方法,建立了冶金风机集成动态神经网络智能诊断模型,并运用信息熵理论对集成动态神经网络融合诊断的有效性进行了分析,结果表明融合诊断后的结论不低于基于单传感器的神经网络诊断结论。通过对智能诊断模型的抽象,建立了集成学习系统,指出了它由分类器和融合器组成。3.对集成学习系统的分类器和融合器算法进行了研究。将RBFNN用于集成学习系统的分类器中,通过动态化诊断过程提高了子神经网络的非线性映射能力和诊断速度;在集成学习系统的融合器中,通过计算表明,若采用合适的权系数对多子神经网络的输出进行融合,能够有效提高系统诊断精度,但由于融合前缺乏先验知识,因此不能采用有监督的算法来完成决策融合任务。4.提出了运用无监督的聚类分析方法来实现决策融合。针对经典的HKM和FKM算法的不足,通过将模糊理论和免疫网络理论相结合,提出了基于模糊免疫网络的聚类融合算法。通过大量实验验证了这种算法不仅能够实现自动分类,而且对具有模糊边界的样本集具有很好的分辨性能,并通过现场诊断实例验证了算法的有效性。5.针对冶金风机叶片磨损故障样本难以获取这一问题,提出了基于FLUENT和ADAMS/Vibration的流场仿真方法。通过对冶金风机流场的分析计算,建立了精确的三维模型,模拟了不同颗粒在叶轮中的运动轨迹和叶片磨损状况,获得了相关的故障样本。6.将所研究的成果与实际工程项目相结合,开发了冶金风机远程状态监测及智能故障诊断系统,较好地解决了传统的故障诊断系统知识获取困难、容错性差、故障诊断准确率低、实时性难以满足要求等问题。该项目经专家鉴定达到国际先进水平,并于2007年获得了湖北省科技进步三等奖。