熊國良，黃文藝，張龍

(華東交通大學(xué)機(jī)電學(xué)院，江西南昌330013)

所謂設(shè)備故障智能診斷，就是以傳感器技術(shù)為基礎(chǔ)，以信號處理技術(shù)為手段的信息診斷和結(jié)合專家系統(tǒng)技術(shù)的智能診斷。診斷技術(shù)繼20世紀(jì)60年代以后的飛速發(fā)展產(chǎn)生了巨大的經(jīng)濟(jì)效益，成為世界各國研究的熱點(diǎn)。文中就信號測取、信號處理與故障識別三方面的發(fā)展進(jìn)行了一個(gè)概述。

1 信號測取的研究概述

設(shè)備的故障診斷是通過信號的測取再進(jìn)行分析最后得到結(jié)論的，信號的準(zhǔn)確度與清晰度是保證故障診斷結(jié)果的關(guān)鍵，因此信號的測取工作是設(shè)備診斷的基礎(chǔ)之一。設(shè)備發(fā)生故障時(shí)，可以有不同的表征，即可以通過不同的信號表現(xiàn)出來。設(shè)備診斷中的信號可以分為:振動、噪聲、聲發(fā)射、磁記憶、電機(jī)電流、扭矩等。信號測取技術(shù)包括信號的拾取和放大，其中對傳感器的研究是重點(diǎn)。設(shè)備診斷中傳感器按功能分為:振動傳感器，聲級計(jì)，聲發(fā)射傳感器和溫度傳感器。傳感器的靈敏度與抗干擾能力是故障診斷的關(guān)鍵。隨著傳感器的發(fā)展，無線傳感器網(wǎng)絡(luò)(Wireless Sensor Network，WSN)的問世為大范圍檢測區(qū)域帶來了便利。無線傳感器網(wǎng)絡(luò)是大量的靜止或移動的傳感器以自組織和多跳方式構(gòu)成的無線網(wǎng)絡(luò)，其目的是協(xié)作地感知、采集、處理和傳輸網(wǎng)絡(luò)覆蓋地理區(qū)域內(nèi)感知對象的監(jiān)測信息，并報(bào)告給用戶。大量的傳感器節(jié)點(diǎn)將探測數(shù)據(jù)，通過匯聚節(jié)點(diǎn)經(jīng)其他網(wǎng)絡(luò)發(fā)送給用戶。然而，對于無線傳感器網(wǎng)絡(luò)的大范圍監(jiān)測，眾多傳感器之間與不同信號之間的相互干擾是不可避免的，只有經(jīng)過精心的監(jiān)測參數(shù)選擇和用足夠數(shù)量的相應(yīng)傳感器實(shí)現(xiàn)目標(biāo)明確的配置位置優(yōu)化，才能使信息源含有所需要的盡可能多的故障信息，并且實(shí)現(xiàn)有效解耦，使這種信息有可能按其產(chǎn)生的原因?qū)崿F(xiàn)分離和定位［1］，所以傳感器的優(yōu)化布置對無線傳感器網(wǎng)絡(luò)的信號測取至關(guān)重要［2］。要進(jìn)行傳感器的優(yōu)化布置，首先要確定優(yōu)化布置準(zhǔn)則即優(yōu)化的目標(biāo)函數(shù)，傳感器的優(yōu)化布置基于不同的目的有不同的準(zhǔn)則，可構(gòu)造不同的目標(biāo)函數(shù)，通過對目標(biāo)函數(shù)的優(yōu)化得到最終的優(yōu)化布置結(jié)果;其次，必須選用適當(dāng)?shù)膬?yōu)化方法。傳感器布置是一個(gè)組合優(yōu)化問題，它的求解仍然是研究的熱點(diǎn)之一。

而多智能傳感器的出現(xiàn)為復(fù)雜故障信號的測取提高了精確度。智能傳感器，就是帶微處理器、兼有信息檢測和信息處理功能的傳感器。智能傳感器最大的特點(diǎn)就是將傳感器檢測信息的功能與微處理器的信息處理功能有機(jī)地融合在一起。從一定意義上講，它具有類似于人工智能的作用。這里講的“帶微處理器”包含兩種情況:一種是將傳感器與微處理器集成在一個(gè)芯片上構(gòu)成所謂的“單片智能傳感器”;另一種是指傳感器能夠配微處理器。

例如，在機(jī)車軸承故障的診斷中就利用了多智能傳感器技術(shù)［3］。由于反映軸承狀態(tài)的信號因素比較多，如溫度、壓力、振動、噪聲等。所以用單參數(shù)進(jìn)行故障診斷具有固有的不確定性，有時(shí)甚至導(dǎo)致錯(cuò)誤的診斷結(jié)果。因此要能夠準(zhǔn)確自如地診斷出故障，需要高性能傳感器以及各傳感器之間的協(xié)調(diào)工作。智能系統(tǒng)中增加和改善傳感器的性能是增加智能的重要手段，由于每一種傳感器都存在不足與缺陷，僅僅依靠單一的傳感器是無法滿足要求的。因此傳感器的融合是智能控制的基礎(chǔ)。機(jī)車軸承故障診斷中應(yīng)用信息融合法，目的是通過利用多個(gè)傳感器的信息來減少或者消除單個(gè)傳感器的信息不確定性。也就是一個(gè)基于多傳感器信息融合的機(jī)車軸承故障診斷系統(tǒng)的原型將可能應(yīng)用各種可用的物理傳感器檢測電機(jī)運(yùn)行狀態(tài)。江偉等人采用決策級融合對機(jī)車軸承故障進(jìn)行診斷。決策級融合時(shí)，故障診斷可以看成一個(gè)決策過程，由各種傳感器信號通過相關(guān)的特征提取得到的特征向量表示為決策的支持信息。在用貝葉斯方法實(shí)現(xiàn)融合時(shí)，故障特征經(jīng)過轉(zhuǎn)化表示為此種故障特征所反映的幾種故障的概率值，然后利用貝葉斯公式，得到幾種特征出現(xiàn)條件下各種故障出現(xiàn)的概率，從而得到診斷結(jié)果，達(dá)到消除單個(gè)參數(shù)診斷的不確定性。

2 信號處理的研究概述

對測取的信號進(jìn)行特征因素的提取是信號處理的主要任務(wù)。傳統(tǒng)的濾波技術(shù)與頻域分析技術(shù)不易識別信號精度要求比較高或特征因素難以提取的故障類型。近年來頻域分析(Fast Fourier Transform，F(xiàn)FT)、時(shí)頻分析以及經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition，EMD)為信號處理提供了新的研究方向［4］。其中時(shí)頻分析包括線性分析方法與非線性分析方法。

線性分析方法中運(yùn)用較多的是短時(shí)傅里葉變換(Short-Time Fourier Transform，STFT)和小波分析方法。STFT 用來分析分段平穩(wěn)信號或者近似平穩(wěn)信號猶可，但對于非平穩(wěn)信號，當(dāng)信號變化劇烈時(shí)，要求窗函數(shù)有較高的時(shí)間分辨率;而波形變化比較平穩(wěn)時(shí)，則要求窗函數(shù)有較高的頻率分辨率。短時(shí)傅里葉變換不能兼顧時(shí)間與頻率分辨率的要求。然后對于非平穩(wěn)信號的處理，小波分析的出現(xiàn)使之成為可能。首先，所謂小波是由小波母函數(shù)ψ(t)通過伸縮和平移的方法產(chǎn)生的函數(shù)族，該函數(shù)具有波動性，其實(shí)質(zhì)是將短時(shí)傅里葉變換中的g(t－τ)·e^(－2π·i·f·t)變?yōu)樾〔ê瘮?shù)。這一變化使非平穩(wěn)信號變?yōu)榉侄纹椒€(wěn)信號，從而方便提取特征因子［1］。

例如在液壓泵故障監(jiān)測中［5］，被監(jiān)測信號伴隨著大量的噪聲，使早期故障特征信號信噪比很低，傳統(tǒng)的濾波方法很難實(shí)現(xiàn)這種非平穩(wěn)隨機(jī)信號的信噪分離。傳統(tǒng)的去噪方法等價(jià)于信號通過一個(gè)低通或帶通濾波器，但對于短時(shí)低能量突變瞬態(tài)信號，如階躍信號或脈沖信號，在低信噪比情況下，經(jīng)過濾波器的平滑，不僅信噪比得不到較大改善，而且信號的位置信息也被模糊掉了。

采用以小波變換為理論基礎(chǔ)的小波去噪方法，在改變信噪比的同時(shí)，保持了相當(dāng)高的時(shí)間分辨率。故障特征信號的奇異性代表了故障的存在，故障特征信號的突變點(diǎn)在小波變換下模極大值隨尺度的增加而增大;而噪聲的模極大值只占據(jù)細(xì)微尺度，隨尺度增加而迅速衰減。利用該原理，首先對泵的監(jiān)測信號進(jìn)行二進(jìn)小波分解，求出各個(gè)尺度上的模極大值，并對噪聲的模極大值進(jìn)行平滑，最后對監(jiān)測信號進(jìn)行重構(gòu)。這樣，故障特征信號就被突現(xiàn)出來，故障點(diǎn)的定位更為準(zhǔn)確，并能提取特定的故障頻率，給故障分析帶來了方便。

而對于非線性分析方法，WVD(Wigner-Ville Distribution)能夠正確描述信號的局部能量分布，要求時(shí)頻分布具有時(shí)頻聚焦性。其他所有時(shí)頻分布都可看做是WVD 分布的加窗形式。WVD 分布具有非常好的時(shí)頻聚焦性，為描述信號的局部能量提供了很好的支持。李衛(wèi)國等［6］在基于電力線工頻通信的抽油機(jī)電機(jī)遠(yuǎn)程監(jiān)測研究中，采用了具有高時(shí)頻分辨率WVD 分析方法來確定疊加合成信號中的信號時(shí)域;喬晉崴等［7］利用WVD 與多分辨分析對摩托車發(fā)動機(jī)的故障噪聲進(jìn)行聯(lián)合辨識;陳光華等［8］應(yīng)用WVD 估計(jì)AM-FM 信號的瞬時(shí)頻率，并給出了估計(jì)方差。

此外，隨著各種方法的的改進(jìn)，美國NASA 的黃鍔博士提出了經(jīng)驗(yàn)?zāi)B(tài)分解方法(EMD)。該方法依據(jù)數(shù)據(jù)本身的時(shí)間尺度特征來進(jìn)行信號分解，無需預(yù)先設(shè)定任何基函數(shù)。這一點(diǎn)與建立在先驗(yàn)性的諧波基函數(shù)與小波基函數(shù)的傅里葉分解與小波分解方法具有本質(zhì)性的差別。該方法使用于非線性、非平穩(wěn)信號序列，具有很高的信噪比。該方法的關(guān)鍵是經(jīng)驗(yàn)?zāi)Ｊ椒纸?，它能使?fù)雜的信號分解為有限個(gè)本征模函數(shù)(Intrinsic Mode Junction)，所分解出來的各IMF 分量包含了原信號的不同時(shí)間尺寸的局部特征信號。楊宇等人［9］利用EMD 的奇異值分解技術(shù)對滾動軸承進(jìn)行故障診斷，將奇異值作為故障特征向量，并輸入神經(jīng)網(wǎng)絡(luò)來識別滾動軸承的工作狀態(tài)和故障類型;于德介等［10］利用SVM(支持向量機(jī))與EMD 對齒輪故障進(jìn)行診斷。

在電力系統(tǒng)低頻振蕩的監(jiān)測中［11］，胡思等人就是利用基于EMD 的WVD 分布方法進(jìn)行監(jiān)測。該方法是一種新的非線性、非平穩(wěn)信號的處理方法，通過EMD 分解以及WVD 算法處理分析非線性和非平穩(wěn)電力信號的局部動態(tài)行為和特征，得到低頻振蕩的模態(tài)參數(shù):振幅、頻率、阻尼比、相位、開始與結(jié)束時(shí)刻。該方法準(zhǔn)確地反映了系統(tǒng)所包含的多個(gè)振蕩模式在時(shí)間變化上的變化規(guī)律以及模式之間的互相影響，并且有著高分辨率和有效地處理少量樣本的短數(shù)據(jù)優(yōu)勢，可提高識別能力和處理效果。通過多次試驗(yàn)表明該方法能夠較準(zhǔn)確地識別振蕩特征。

3 故障識別的研究概述

故障識別是確定設(shè)備正常或異常，如異常，則判斷故障類型的功能。在早期的故障診斷中，人工識別是靠人腦經(jīng)驗(yàn)來判斷故障的一種方法。隨著AI(人工智能)與各類新型研究設(shè)備的發(fā)展，故障診斷的研究內(nèi)容集中在:如何利用新的工具更進(jìn)一步地分析挖掘信號中的診斷信息?；趯＜蚁到y(tǒng)的故障診斷方法是系統(tǒng)在運(yùn)行過程中發(fā)生故障，則領(lǐng)域?qū)＜液芸炀涂梢愿鶕?jù)經(jīng)驗(yàn)確定故障的原因和部位，這種方法對于復(fù)雜系統(tǒng)的故障診斷非常有效。隨著專家系統(tǒng)診斷方法的智能化不斷提高，它克服了基于模型的故障診斷方法對模型的過分依賴性，成為故障診斷的有效方法，并在很多系統(tǒng)中得到了廣泛應(yīng)用。

人類大腦的思維分為邏輯思維、直觀思維和靈感思維3 種方式，人的邏輯性思維是根據(jù)邏輯規(guī)則進(jìn)行推理的過程，而基于神經(jīng)網(wǎng)絡(luò)的故障識別方法是模擬人思維的第二種。由于人工神經(jīng)網(wǎng)絡(luò)具有處理非線性和自學(xué)習(xí)以及并行計(jì)算能力，使其在非線性故障診斷方面有很大的優(yōu)勢。人工神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用研究包括以下幾個(gè)方面:(1)從預(yù)測角度應(yīng)用神經(jīng)網(wǎng)絡(luò)作為動態(tài)預(yù)測模型進(jìn)行故障預(yù)測;(2)從模式識別角度應(yīng)用神經(jīng)網(wǎng)絡(luò)作為分類器進(jìn)行故障診斷;(3)從知識處理角度建立基于神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)。在進(jìn)行故障診斷時(shí)分二步:第一步選擇適合的網(wǎng)絡(luò)結(jié)構(gòu)和規(guī)模，借助一定的學(xué)習(xí)方法，用一個(gè)合適的變量作為神經(jīng)網(wǎng)絡(luò)的輸入，以對應(yīng)的狀態(tài)編碼為期望輸出，構(gòu)成輸入、期望輸出樣本對，對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，確定神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值;當(dāng)學(xué)習(xí)收斂后，固定神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，然后使訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)處于回想狀態(tài)，對于一個(gè)給定的輸入，便產(chǎn)生一個(gè)相應(yīng)的輸出，由輸出與故障編碼進(jìn)行比較，即可方便地確定故障［7］。高志等人［12］運(yùn)用神經(jīng)網(wǎng)絡(luò)對液壓系統(tǒng)典型故障進(jìn)行監(jiān)測;劉正華等［13］基于聲發(fā)射和神經(jīng)網(wǎng)絡(luò)對數(shù)控機(jī)床刀具進(jìn)行故障診斷。

此外，支持向量機(jī)(SVM)的提出為解決小樣本、非線性及高維模式識別的故障信號提供了有效方法。支持向量機(jī)方法是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC 維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折中點(diǎn)，以求獲得最好的推廣能力。鄭建軍等［14］利用最小二乘支持向量機(jī)對電梯進(jìn)行故障診斷;田景文等［15］基于支持向量機(jī)對火車滾軸一般故障進(jìn)行監(jiān)測;張龍等人［16］基于支持向量機(jī)與時(shí)變參數(shù)自回歸模型對旋轉(zhuǎn)機(jī)械實(shí)現(xiàn)故障診斷。

雖然SVM 是一種非常年輕的機(jī)器學(xué)習(xí)算法，但隨著時(shí)間的推移，越來越多的應(yīng)用研究被見諸報(bào)道。例如，在國外，JACK 將SVM 用于滾動軸承的狀態(tài)檢測，并采用遺傳算法優(yōu)化SVM 的參數(shù)，取得比較好的推廣性能［17］;SAMANTA 分別用軸承和齒輪故障診斷比較神經(jīng)網(wǎng)絡(luò)和SVM 的性能，也采用遺傳算法優(yōu)化了SVM 的參數(shù)［18］。在國內(nèi)，王國鵬等［19］模糊理論和支持向量機(jī)用于汽輪機(jī)故障診斷［19］;李凌均等［20］證明SVM 在具有少樣本的故障診斷場合具有很強(qiáng)的適應(yīng)性，他們還提出了一種利于支持向量機(jī)對機(jī)械系統(tǒng)故障進(jìn)行分類的新方法，適合于機(jī)械故障診斷中的多故障分類等。

不同的識別方法有各自的優(yōu)勢，AI 追求多個(gè)方法的集成。多分類器集成的方法就是多種推理方法的集成，基于混合推理策略的診斷，它利用AI 中研究的成果，將多種知識表達(dá)式和推理方法混合，達(dá)到靈活表達(dá)領(lǐng)域知識、逼真模擬專家診斷思維過程的目的。目前結(jié)合的方式很多:KDD 與粗糙集理論的結(jié)合［21］;基于規(guī)則的推理(RBR)與ANN 的結(jié)合［22］;CBR(基于案列的推理)與RBR 和ANN 的結(jié)合［23］等。

其中最具有發(fā)展前景的是ANN 與專家系統(tǒng)的結(jié)合，神經(jīng)網(wǎng)絡(luò)基于大規(guī)模的數(shù)值計(jì)算，具有學(xué)習(xí)能力，但不具有解釋能力;專家系統(tǒng)是基于符號的推理系統(tǒng)，它存在知識獲取困難的缺點(diǎn)，但具備解釋能力。神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的是右半腦直覺形象思維的特性，而專家系統(tǒng)理論與方法實(shí)現(xiàn)左半腦邏輯思維的特性，二者具有很強(qiáng)的互補(bǔ)性。

如以波音PW4000 型發(fā)動機(jī)為例，在建立了該發(fā)動機(jī)基于神經(jīng)網(wǎng)絡(luò)的故障專家系統(tǒng)的總體構(gòu)架、推理機(jī)制及實(shí)現(xiàn)方法后，采集了充分的發(fā)動機(jī)故障數(shù)據(jù)，結(jié)合典型的故障經(jīng)驗(yàn)數(shù)據(jù)，進(jìn)行了故障診斷的仿真試驗(yàn)，通過與實(shí)際故障數(shù)據(jù)對比，說明了該故障診斷專家系統(tǒng)的實(shí)用性［24］。

4 結(jié)束語

總之，設(shè)備故障診斷技術(shù)與當(dāng)代前沿科學(xué)的融合是設(shè)備故障診斷技術(shù)的發(fā)展方向，當(dāng)今故障診斷技術(shù)的發(fā)展趨勢是傳感器的精密化、多維化，診斷理論、診斷模型的多元化，診斷技術(shù)的智能化，實(shí)際上實(shí)現(xiàn)5 個(gè)融合:與當(dāng)代最新傳感技術(shù)的融合、與最新信號處理方法的融合、與非線性原理和方法的融合、與多元傳感技術(shù)的融合和與現(xiàn)代智能方法的融合。要把這5 個(gè)融合與實(shí)際相聯(lián)系，在設(shè)備現(xiàn)場發(fā)現(xiàn)問題和解決問題，實(shí)現(xiàn)理論與實(shí)際的結(jié)合。

【1】熊詩波.大型復(fù)雜機(jī)械系統(tǒng)的狀態(tài)監(jiān)測和故障診斷［J］.振動.測試與診斷，2000(4):3－5，66.

【2】陳長征，白秉山，嚴(yán)安.設(shè)備故障智能診斷技術(shù)研究進(jìn)展［J］.沈陽工業(yè)大學(xué)學(xué)報(bào)，2000(4):349－352.

【3】江偉，危韌勇，余璘.多智能傳感器技術(shù)在機(jī)車軸承故障診斷中的應(yīng)用分析［J］.工業(yè)控制計(jì)算機(jī)，2006(10):37－38.

【4】吳昭同，楊世錫.旋轉(zhuǎn)機(jī)械故障特征提取與模式分類新方法［M］.北京:科學(xué)出版社，2012.

【5】姜萬錄，張淑清，王益群.液壓泵故障的小波變換診斷方法［J］.機(jī)械工程學(xué)報(bào)，2001，37(6):34－37.

【6】李衛(wèi)國，盧文冰，羅應(yīng)立.基于電力線工頻通信的抽油機(jī)電機(jī)遠(yuǎn)程監(jiān)測研究［J］.電網(wǎng)技術(shù)，2012(9):174－181.

【7】喬晉崴，尚建忠，羅自榮.基于WVD 與多分辨分析的發(fā)動機(jī)故障診斷［J］.機(jī)械制造，2008(3):68－70.

【8】陳光華，曹家麟，王健.應(yīng)用WVD 估計(jì)AM－FM 信號的瞬時(shí)頻率［J］.電子與信息學(xué)報(bào)，2003(2):206－211.

【9】楊宇，于德介，程軍圣.基于EMD 的奇異值分解技術(shù)在滾動軸承故障診斷中的應(yīng)用［J］.振動與沖擊，2005(2):12－15，145.

【10】于德介，楊宇，程軍圣.一種基于SVM 和EMD 的齒輪故障診斷方法［J］.機(jī)械工程學(xué)報(bào)，2005(10):140－144.

【11】胡思，黃琦，井實(shí).基于EMD 的WVD 分布在電力系統(tǒng)低頻振蕩監(jiān)測中的應(yīng)用［J］.電力與電子技術(shù)，2012(5):65－70.

【12】高志，張悅，王偉.神經(jīng)網(wǎng)絡(luò)在液壓系統(tǒng)典型故障診斷中的應(yīng)用［J］.機(jī)床與液壓，2012，40(9):158－160，163.

【13】劉正華，王計(jì)生，喻俊馨.基于聲發(fā)射和神經(jīng)網(wǎng)絡(luò)的數(shù)控機(jī)床刀具故障診斷［J］.機(jī)床與液壓，2012，40(1):165－168.

【14】鄭建軍，陳志軍，杜克峰.最小二乘支持向量機(jī)在電梯故障診斷中的應(yīng)用［J］.機(jī)床與液壓，2012，40(12):43－50.

【15】田景文，吳浩，高美娟.基于支持向量機(jī)的火車滾軸故障診斷［J］.機(jī)床與液壓，2007，35(7):248－250.

【16】張龍，熊國良，柳和生，等.基于時(shí)變自回歸模型與支持向量機(jī)的旋轉(zhuǎn)機(jī)械故障診斷方法［J］.中國電機(jī)工程學(xué)報(bào)，2007，27(9):99－103.

【17】JACK L B，NADIR A K.Fault Detection Using Support Vector Machines and Artificial Networks，Augmented by Genetic Algorithms［J］.Mechanical Systems and Signal Processing，2002，16(2/3):373－390.

【18】SAMANTA B.Gear Fault Detection Using Artificial Neural Works and Support Vector Machines with Genetic Algorithms［J］.Mechanical Systems and Signal Processing，2002，18(3):625－644.

【19】王國鵬，翟永杰，王東風(fēng).基于多類支持向量機(jī)的汽輪故障診斷中的應(yīng)用［J］.華北電力大學(xué)學(xué)報(bào)，2003，30(4):47－50.

【20】李凌均，張周鎖，何正嘉.基于支持向量數(shù)據(jù)描述的機(jī)械故障診斷研究［J］.西安交通大學(xué)學(xué)報(bào)，2003，37(9):910－913.

【21】趙榮珍，黃義仿，張力.旋轉(zhuǎn)機(jī)械智能故障診斷技術(shù)的發(fā)展趨勢［J］.蘭州理工大學(xué)學(xué)報(bào)，2008(5):36－40

【22】高立新，張建宇，胥永剛，等.基于CBR 和RBR 混合推理的齒輪箱智能診斷技術(shù)［J］.北京工業(yè)大學(xué)學(xué)報(bào)，2010(9):1174－1180.

【23】黃子俊，周政，湯景棉.基于ANN 與CBR 相結(jié)合的復(fù)雜裝備故障診斷研究［J］.計(jì)算機(jī)應(yīng)用與軟件，2010(12):196－198.

【24】曹文遠(yuǎn).基于神經(jīng)網(wǎng)絡(luò)的飛機(jī)故障診斷專家系統(tǒng)研究［D］.西安:西北工業(yè)大學(xué)，2007.