陶 雯，朱 月，李榮雨

(1．江蘇第二師范學(xué)院數(shù)學(xué)與信息技術(shù)學(xué)院，江蘇 南京 210013；2．南京工業(yè)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，江蘇 南京 211816)

0 引言

故障診斷系統(tǒng)是企業(yè)設(shè)備安全運(yùn)行的重要保障[1]。自從故障診斷技術(shù)[2]出現(xiàn)之后，經(jīng)過(guò)幾十年的發(fā)展，故障診斷系統(tǒng)日趨完善，對(duì)診斷的實(shí)時(shí)性、可靠性、網(wǎng)絡(luò)化和集成化等性能提出了更高的要求。

信息時(shí)代，由于因特網(wǎng)的迅速發(fā)展，通過(guò)現(xiàn)代通信技術(shù)能夠?qū)崿F(xiàn)故障診斷的網(wǎng)絡(luò)化服務(wù)。企業(yè)將實(shí)時(shí)采集的數(shù)據(jù)存入數(shù)據(jù)庫(kù)服務(wù)器中，由相關(guān)專家提供強(qiáng)大的故障診斷技術(shù)支持，通過(guò)網(wǎng)絡(luò)的及時(shí)傳輸，實(shí)現(xiàn)了對(duì)故障的提前預(yù)測(cè)和及時(shí)維護(hù)。

故障診斷系統(tǒng)是基于瀏覽器/服務(wù)器(browser/server，B/S)模式的跨平臺(tái)應(yīng)用。B/S模式便于系統(tǒng)的管理、維護(hù)和擴(kuò)展，只需在客戶端運(yùn)行瀏覽器就可以訪問(wèn)服務(wù)器端數(shù)據(jù)，極大地提高了故障診斷的效率。

故障診斷系統(tǒng)具有如下特點(diǎn)。

①基于Web的分布式應(yīng)用，可有效實(shí)現(xiàn)用戶異地診斷維護(hù)。

②應(yīng)用環(huán)境為標(biāo)準(zhǔn)的瀏覽器，簡(jiǎn)化了圖形用戶界面(graphical user interface,GUI)的開(kāi)發(fā)，方便了跨平臺(tái)的應(yīng)用，降低了開(kāi)發(fā)成本。

③便于用戶擴(kuò)展以及其他應(yīng)用集成。

本文介紹了故障診斷系統(tǒng)的概況，提出了基于聚類神經(jīng)網(wǎng)絡(luò)(fuzzy C-means combined with artificial neural network，F(xiàn)CM-ANN)算法的故障診斷方法。首先，對(duì)故障診斷系統(tǒng)進(jìn)行了詳細(xì)的需求分析，并對(duì)系統(tǒng)進(jìn)行概要設(shè)計(jì)，介紹了各個(gè)功能模塊。然后，闡述了采集數(shù)據(jù)、采集設(shè)備、數(shù)據(jù)存儲(chǔ)等相關(guān)技術(shù)，介紹了數(shù)據(jù)預(yù)處理方法。最后，闡述了在系統(tǒng)中的故障診斷方法，并對(duì)運(yùn)行結(jié)果進(jìn)行了解釋和說(shuō)明。

1 基于FCM-ANN算法的故障診斷方法

傳統(tǒng)的基于模糊C均值(fuzzy C-means，F(xiàn)CM) 算法[3]或基于人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)算法[4-5]的異常檢測(cè)方法，檢測(cè)效率低下、誤報(bào)率較高，浪費(fèi)大量人力、財(cái)力。FCM-ANN算法[6]的故障診斷三層架構(gòu)模型如圖1所示。

圖1 故障診斷三層架構(gòu)模型圖

故障診斷三層架構(gòu)的功能分別如下。

①FCM層。

該層依據(jù)指定的相似度標(biāo)準(zhǔn)，對(duì)數(shù)據(jù)集進(jìn)行劃分，使正常數(shù)據(jù)和故障數(shù)據(jù)歸屬不同的類簇。每個(gè)簇內(nèi)部具有高度相似性，簇之間高度分離，大大降低了后續(xù)ANN訓(xùn)練數(shù)據(jù)的復(fù)雜度。

②ANN層。

該層針對(duì)上層得到的多個(gè)簇，利用ANN分別對(duì)每個(gè)簇和離線歷史故障數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練。經(jīng)過(guò)該層ANN訓(xùn)練網(wǎng)絡(luò)，故障診斷準(zhǔn)確率得到提高。

③ANN集成層[7-8]。

理論研究發(fā)現(xiàn)，各子ANN差異性越大，集成效果越好。本層針對(duì)差異性大的各個(gè)ANN進(jìn)行集成，能顯著提高ANN的泛化能力。

相比較傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)[9-10]故障診斷方法，將FCM-ANN算法應(yīng)用到故障診斷方法中，能顯著降低數(shù)據(jù)集的復(fù)雜度，在一定程度上減輕了神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的壓力。在不影響樣本多樣性和全面性的前提下，該方法特別適用于大型企業(yè)的大數(shù)據(jù)平臺(tái)分析。

相比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)方法，基于FCM-ANN的故障診斷方法在診斷率上有較大提高，相應(yīng)的誤報(bào)率和漏報(bào)率也較低，診斷效果較為顯著。

2 基于FCM-ANN算法的故障診斷系統(tǒng)設(shè)計(jì)

2.1 需求分析

故障診斷系統(tǒng)在我國(guó)工業(yè)自動(dòng)化領(lǐng)域發(fā)揮著重要作用，研究并開(kāi)發(fā)設(shè)備故障診斷系統(tǒng)有助于提高設(shè)備的可靠性和安全性，將故障的損失降低到最低點(diǎn)，在一定程度上降低了企業(yè)的成本。

①技術(shù)可行性。

隨著計(jì)算機(jī)和網(wǎng)絡(luò)技術(shù)的發(fā)展，除了硬件的更新?lián)Q代，軟件技術(shù)也得到了長(zhǎng)足發(fā)展，數(shù)據(jù)庫(kù)存儲(chǔ)海量化，計(jì)算模式向并行化、異步化發(fā)展，計(jì)算速度不斷加快。目前，系統(tǒng)開(kāi)發(fā)由傳統(tǒng)的桌面開(kāi)發(fā)向基于客戶/服務(wù)器模式(client/server，C/S)模式、B/S模式過(guò)渡，面向?qū)ο蟮拈_(kāi)發(fā)技術(shù)和多種系統(tǒng)開(kāi)發(fā)架構(gòu)的支持，使得現(xiàn)代Web服務(wù)應(yīng)用越來(lái)越靈活。

②經(jīng)濟(jì)可行性。

計(jì)算機(jī)的出現(xiàn)極大地解放了人力、財(cái)力，節(jié)約了企業(yè)的成本。計(jì)算機(jī)的成本相比人工來(lái)說(shuō)，價(jià)格低廉，處理效率高。因此，現(xiàn)代企業(yè)的信息化生產(chǎn)和管理是當(dāng)代社會(huì)發(fā)展的不二選擇。

③操作可行性。

計(jì)算機(jī)查詢速度快，使用方便，只要對(duì)使用用戶進(jìn)行簡(jiǎn)單培訓(xùn)，就可以操作和使用。系統(tǒng)基于B/S結(jié)構(gòu)模型，無(wú)需在本機(jī)上安裝程序，只需要通過(guò)瀏覽器就可以輕松訪問(wèn)。

④功能需求。

從系統(tǒng)使用者的角度出發(fā)，故障診斷系統(tǒng)首先要對(duì)設(shè)備進(jìn)行實(shí)時(shí)監(jiān)視，發(fā)生異?；蛘吖收项A(yù)兆要及時(shí)進(jìn)行警報(bào)，通知相關(guān)技術(shù)人員進(jìn)行維修；然后，通過(guò)對(duì)用戶輸入的故障信息進(jìn)行分析和診斷，判斷故障的類型并進(jìn)行相應(yīng)維護(hù)；最后，對(duì)設(shè)備未來(lái)狀況進(jìn)行預(yù)測(cè)，分析設(shè)備的使用年限。根據(jù)以上分析，系統(tǒng)功能需求總結(jié)如下。

數(shù)據(jù)庫(kù)存儲(chǔ)設(shè)備運(yùn)行的狀態(tài)數(shù)據(jù)，為設(shè)備狀態(tài)檢測(cè)、故障診斷、壽命預(yù)測(cè)提供大量研究樣本。

①對(duì)數(shù)據(jù)庫(kù)進(jìn)行備份。

②對(duì)異常狀態(tài)進(jìn)行報(bào)警，提醒相關(guān)人員。

③對(duì)設(shè)備進(jìn)行故障診斷。

④提供故障設(shè)備的解決方案。

⑤提供人員維護(hù)和專家技術(shù)支持。

⑥對(duì)系統(tǒng)進(jìn)行權(quán)限設(shè)置，防止無(wú)關(guān)人員的誤操作。

通過(guò)對(duì)以上需求的分析，總結(jié)該故障診斷系統(tǒng)所要達(dá)到的目標(biāo)如下。

①在線監(jiān)測(cè)儀診斷功能。

②高可靠性和可維護(hù)性。

③對(duì)多種設(shè)備的適應(yīng)性，

④對(duì)大量數(shù)據(jù)的存儲(chǔ)和管理。

⑤實(shí)時(shí)性和快速性。

南京某企業(yè)多條生產(chǎn)線使用的設(shè)備故障診斷方法基于傳統(tǒng)的分布式傳感器和報(bào)警裝置，有些設(shè)備的故障征兆還要靠人工觀察，具有隨機(jī)性和主觀性。此外，通過(guò)人工觀察不能檢查出所有的故障；而且傳統(tǒng)裝置的檢測(cè)存在診斷率低、誤報(bào)率高的現(xiàn)象。

隨著通信技術(shù)、無(wú)線傳感器技術(shù)的發(fā)展，建立反應(yīng)設(shè)備實(shí)時(shí)監(jiān)控系統(tǒng)并對(duì)采集的海量狀態(tài)數(shù)據(jù)建立智能故障診斷系統(tǒng)，是企業(yè)發(fā)展的內(nèi)在要求。大數(shù)據(jù)、云計(jì)算的發(fā)展為智能故障診斷系統(tǒng)提供了必要的技術(shù)支持。

本系統(tǒng)采用三層架構(gòu)，基于.NET Framework 3.5開(kāi)發(fā)環(huán)境以及ASP.NET開(kāi)發(fā)平臺(tái)，以Visual Studio 2008為開(kāi)發(fā)工具，使用SQL Server 2008建立后臺(tái)數(shù)據(jù)庫(kù)。系統(tǒng)界面簡(jiǎn)潔、美觀，用戶操作簡(jiǎn)單方便、功能完備適用。

2.2 系統(tǒng)設(shè)計(jì)

故障診斷系統(tǒng)組成部分主要包括：人機(jī)交互界面、解釋模塊、神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模塊、動(dòng)態(tài)綜合數(shù)據(jù)庫(kù)、知識(shí)數(shù)據(jù)庫(kù)管理模塊等。故障管理系統(tǒng)結(jié)構(gòu)如圖2所示。

圖2 故障管理系統(tǒng)結(jié)構(gòu)圖

①人機(jī)交互界面。

用戶、領(lǐng)域?qū)＜液图夹g(shù)工程師通過(guò)人機(jī)界面與系統(tǒng)進(jìn)行交互。工程師和領(lǐng)域?qū)＜彝ㄟ^(guò)人機(jī)交互界面，對(duì)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模塊、動(dòng)態(tài)數(shù)據(jù)庫(kù)、知識(shí)庫(kù)、樣本知識(shí)庫(kù)等進(jìn)行管理、更新和維護(hù)。用戶通過(guò)人機(jī)交互界面提出故障特征問(wèn)題，并最終得到故障解決方案。

②解釋模塊。

解釋模塊是系統(tǒng)與所有用戶之間交互的基礎(chǔ)。它的作用是將用戶輸入的故障特征及其他故障信息轉(zhuǎn)換為系統(tǒng)能理解的數(shù)據(jù)，并將系統(tǒng)最后的輸出結(jié)果(如故障產(chǎn)生原因和故障解決措施)轉(zhuǎn)換為用戶能夠理解的信息。

③神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模塊。

神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模塊提出需要的網(wǎng)絡(luò)結(jié)構(gòu)，訓(xùn)練的數(shù)據(jù)樣本以及使用的神經(jīng)網(wǎng)絡(luò)算法等。本系統(tǒng)針對(duì)化工設(shè)備進(jìn)行故障診斷，采用模糊聚類與三層結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)相結(jié)合的故障診斷算法，實(shí)現(xiàn)對(duì)故障的診斷。

④知識(shí)庫(kù)。

知識(shí)庫(kù)用于存放相應(yīng)的知識(shí)，包括訓(xùn)練樣本知識(shí)庫(kù)、網(wǎng)絡(luò)結(jié)構(gòu)知識(shí)庫(kù)、故障描述知識(shí)庫(kù)、故障原因知識(shí)庫(kù)、故障解決方案知識(shí)庫(kù)、歷史記錄知識(shí)庫(kù)等。在本系統(tǒng)中，知識(shí)庫(kù)中存放的是化工設(shè)備常見(jiàn)的故障征兆、產(chǎn)生的原因和解決方案。在此基礎(chǔ)上，確定神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本。

⑤知識(shí)數(shù)據(jù)庫(kù)管理模塊。

知識(shí)庫(kù)通過(guò)數(shù)據(jù)庫(kù)進(jìn)行存儲(chǔ)和管理，工程師或者領(lǐng)域?qū)＜彝ㄟ^(guò)數(shù)據(jù)庫(kù)能夠?qū)崿F(xiàn)對(duì)知識(shí)庫(kù)的更新、管理和維護(hù)，實(shí)現(xiàn)系統(tǒng)的知識(shí)庫(kù)動(dòng)態(tài)變化，增強(qiáng)了系統(tǒng)的擴(kuò)展性。

⑥數(shù)據(jù)采集模塊。

數(shù)據(jù)采集模塊是指從傳感器或其他檢測(cè)設(shè)備中獲取電量、非電量信號(hào)和少部分人工采集的數(shù)據(jù)，并將其傳到上位機(jī)中進(jìn)行分析處理。

⑦動(dòng)態(tài)綜合數(shù)據(jù)庫(kù)。

動(dòng)態(tài)綜合數(shù)據(jù)庫(kù)中存儲(chǔ)的是與化工設(shè)備相關(guān)的故障信息和設(shè)備正常運(yùn)行時(shí)的狀態(tài)信息。這些信息往往是用戶對(duì)設(shè)備信息的語(yǔ)義描述，通過(guò)解釋模塊轉(zhuǎn)換為更規(guī)則的數(shù)據(jù)描述。

2.3 數(shù)據(jù)處理與存儲(chǔ)

在工業(yè)生產(chǎn)時(shí)，需要實(shí)時(shí)監(jiān)控現(xiàn)場(chǎng)各種反應(yīng)容器和儲(chǔ)罐的狀態(tài)，主要包括溫度、液位、壓力、容積等數(shù)據(jù)。企業(yè)傳統(tǒng)的方法是通過(guò)人工采集或者單片機(jī)讀取溫度計(jì)、壓強(qiáng)表的值。這些方式效率和實(shí)時(shí)性低，采集精度有限，不利于企業(yè)的發(fā)展。該企業(yè)主要采用PLC控制系統(tǒng)，直接通過(guò)用戶數(shù)據(jù)報(bào)協(xié)議(user datagram protocol，UDP)通信就可以將數(shù)據(jù)傳輸?shù)缴衔粰C(jī)，完成數(shù)據(jù)采集。其他測(cè)量?jī)x器有AWG系列型號(hào)光電智能液位儀、鉑電阻傳感器、熱電偶傳感器、壓力傳感器、雷達(dá)液位儀、若干指示儀和傳感器。

由于直接獲取到的數(shù)據(jù)含有噪聲數(shù)據(jù)，如果沒(méi)有經(jīng)過(guò)數(shù)據(jù)預(yù)處理，故障診斷就沒(méi)有高質(zhì)量的數(shù)據(jù)來(lái)源。故障診斷系統(tǒng)依賴高質(zhì)量的數(shù)據(jù)作為分析支撐。數(shù)據(jù)預(yù)處理包括數(shù)據(jù)清洗、數(shù)據(jù)集成、數(shù)據(jù)變換和數(shù)據(jù)規(guī)約[11]。由于是對(duì)設(shè)備故障的診斷，異常數(shù)據(jù)不能隨意去除，一般只去除無(wú)關(guān)數(shù)據(jù)。數(shù)據(jù)的處理涉及模擬、數(shù)字信號(hào)的轉(zhuǎn)換；將每隔特定時(shí)間的瞬時(shí)幅值作為采樣值，即對(duì)模擬量進(jìn)行離散化處理。

采集并處理后的數(shù)據(jù)需要及時(shí)存儲(chǔ)。SQL Server是Microsoft公司研發(fā)的、基于C/S模式的關(guān)系型數(shù)據(jù)庫(kù)，安全性、可靠性和擴(kuò)展性較高。本文使用SQL Server 2008數(shù)據(jù)庫(kù)進(jìn)行數(shù)據(jù)處理，實(shí)現(xiàn)對(duì)設(shè)備、儀表各種狀態(tài)的記錄，便于后期查詢與分析。數(shù)據(jù)庫(kù)的數(shù)據(jù)處理流程如圖3所示。

圖3 數(shù)據(jù)處理流程圖

3 故障診斷系統(tǒng)實(shí)現(xiàn)

3.1 算法單元

數(shù)據(jù)經(jīng)過(guò)采集和預(yù)處理之后存入數(shù)據(jù)庫(kù)，隨后進(jìn)入神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模塊進(jìn)行訓(xùn)練和預(yù)測(cè)。該模塊使用的算法為基于FCM-ANN的故障診斷方法。首先對(duì)大型數(shù)據(jù)集進(jìn)行模糊聚類預(yù)分析；然后通過(guò)多網(wǎng)絡(luò)并行學(xué)習(xí)；最后對(duì)多個(gè)結(jié)果進(jìn)行神經(jīng)網(wǎng)絡(luò)集成，并輸出故障診斷結(jié)果。故障診斷模塊結(jié)構(gòu)圖、FCM-ANN算法流程分別如圖4和圖5所示。

算法單元是故障診斷系統(tǒng)的“大腦”，用來(lái)對(duì)數(shù)據(jù)作出處理和決策，具有自主決策的能力，包括故障識(shí)別和定位、故障報(bào)警和決策、故障修復(fù)和維護(hù)。

圖4 故障診斷模塊結(jié)構(gòu)圖

圖5 FCM-ANN算法流程圖

3.2 知識(shí)庫(kù)

知識(shí)庫(kù)存放已知故障診斷信息的分析知識(shí)。知識(shí)庫(kù)中的指定規(guī)則來(lái)源分為兩部分：一是專家的理論知識(shí)，二是在實(shí)際運(yùn)作中產(chǎn)生的歷史數(shù)據(jù)。知識(shí)的表示方式有語(yǔ)義網(wǎng)絡(luò)、產(chǎn)生規(guī)則、謂詞邏輯表示等。目前，知識(shí)、數(shù)據(jù)庫(kù)技術(shù)相結(jié)合形成的知識(shí)庫(kù)系統(tǒng)，使得計(jì)算機(jī)在推理、決策方面越來(lái)越智能。

知識(shí)的表示就是將故障診斷領(lǐng)域內(nèi)的相關(guān)知識(shí)以適當(dāng)?shù)男问酱鎯?chǔ)到數(shù)據(jù)庫(kù)中。對(duì)于具有因果關(guān)系的故障原因知識(shí)庫(kù)，采用產(chǎn)生規(guī)則作為知識(shí)庫(kù)的表示模式。其規(guī)則形式為：RULE 規(guī)則編號(hào) IF〈前提〉THEN〈行為〉。RULE規(guī)則表示方法如圖6所示。

圖6 RULE規(guī)則表示法

對(duì)于事實(shí)和概念類型的知識(shí)，需要知識(shí)的結(jié)構(gòu)化處理。采用數(shù)據(jù)庫(kù)存儲(chǔ)技術(shù)，建立知識(shí)庫(kù)的管理系統(tǒng)，以保證知識(shí)庫(kù)的獨(dú)立性和完整性。

利用既存的知識(shí)庫(kù)，可以進(jìn)行一些故障的診斷；通過(guò)對(duì)規(guī)則的推理，可以推理出相關(guān)問(wèn)題的結(jié)果。規(guī)則推理存在推理脆弱和知識(shí)獲取困難等缺點(diǎn)，因此除了具備足夠的知識(shí)以外，僅依靠這些知識(shí)庫(kù)無(wú)法滿足智能診斷的要求。

本文是以基于FCM-ANN算法的故障診斷方法為主、知識(shí)庫(kù)規(guī)則推理為輔，形成的智能故障診斷系統(tǒng)。故障診斷模塊流程如圖7所示。

圖7 故障診斷模塊流程圖

由于知識(shí)庫(kù)的局限性，許多未知故障僅由規(guī)則推理是無(wú)法準(zhǔn)確診斷的，因此需要通過(guò)智能診斷為知識(shí)庫(kù)提供豐富的規(guī)則表示。知識(shí)庫(kù)是故障診斷的基礎(chǔ)，是算法決策的支撐。算法的樣本來(lái)源于樣本知識(shí)庫(kù)，算法對(duì)故障診斷的結(jié)果及產(chǎn)生的原因構(gòu)成故障原因知識(shí)庫(kù)，故障的解決措施構(gòu)成解決方案知識(shí)庫(kù)。這些大量存儲(chǔ)的知識(shí)庫(kù)還有利于對(duì)類似故障的診斷，即通過(guò)對(duì)知識(shí)的調(diào)用和檢索，提升了故障診斷的速度和效率。

知識(shí)庫(kù)需要實(shí)時(shí)或定期更新，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模塊針對(duì)FCM-ANN算法學(xué)習(xí)產(chǎn)生的新知識(shí)，如樣本知識(shí)、故障描述知識(shí)、解決方案知識(shí)等，擴(kuò)充知識(shí)庫(kù)的內(nèi)容。這個(gè)過(guò)程可以稱為知識(shí)的獲取。智能故障診斷系統(tǒng)的知識(shí)獲取過(guò)程應(yīng)在減少人工干預(yù)的前提下，實(shí)現(xiàn)知識(shí)的自動(dòng)獲取，因此常需要知識(shí)庫(kù)管理系統(tǒng)實(shí)現(xiàn)知識(shí)庫(kù)的自我完善。

3.3 系統(tǒng)測(cè)試

本系統(tǒng)針對(duì)某工業(yè)企業(yè)的眾多生產(chǎn)線的部分設(shè)備進(jìn)行故障診斷。數(shù)據(jù)采集界面主要對(duì)部分反應(yīng)氣體(如氧氣、氮?dú)?、乙烯?的罐前壓力和罐后壓力、部分反應(yīng)容器的溫度、液位和容量進(jìn)行采集。

圖8為氮?dú)夂蜌錃獾膲毫D，圖9為氧氣的流量圖。通過(guò)對(duì)比分析，大部分?jǐn)?shù)據(jù)顯示正常，部分?jǐn)?shù)據(jù)由于設(shè)備故障導(dǎo)致其異常，在診斷時(shí)能快速診斷出故障設(shè)備。系統(tǒng)測(cè)試時(shí)較為穩(wěn)定，能檢測(cè)出大部分故障預(yù)兆，降低了企業(yè)風(fēng)險(xiǎn)。

圖8 氮?dú)夂蜌錃鈮毫D

圖9 氧氣流量圖

4 結(jié)束語(yǔ)

本文首先將模糊C均值算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出了基于FCM-ANN算法的故障診斷方法。該方法極大地提高了診斷率，誤報(bào)率和漏報(bào)率也較低，診斷效果較為顯著。對(duì)該故障診斷方法的有效性和實(shí)用性進(jìn)行了驗(yàn)證，即在某化工企業(yè)故障診斷系統(tǒng)平臺(tái)上進(jìn)行了測(cè)試和使用。最后將該故障診斷方法運(yùn)用到該企業(yè)的故障診斷系統(tǒng)中，從數(shù)據(jù)采集、數(shù)據(jù)處理出發(fā)，對(duì)如何在系統(tǒng)中使用FCM-ANN算法進(jìn)行了闡述。系統(tǒng)運(yùn)

行結(jié)果表明，該研究提高了系統(tǒng)準(zhǔn)確率，增強(qiáng)了系統(tǒng)實(shí)用性。