本课题针对传统齿轮箱智能诊断系统获取知识的困难,提出了基于案例(Case-based Reasoning,CBR)和规则(Rule-based Reasoning,RBR)混合推理方式的智能诊断技术。在研究两种推理技术优缺点的基础上,取长补短,合理的应用到轧机齿轮箱故障诊断工作中,有效提高了故障诊断的准确率和效率。本课题研究的主要内容如下： (1)结合齿轮和轴承传动的振动模型,系统研究齿轮箱典型故障的时域和频域特征,针对模拟故障的试验数据以及轧机监测系统提供的工程数据,研究时域和频域特征与设备故障之间的关系。 (2)根据实验室多年积累的成功案例,提取相应的时、频域特征建立典型故障案例库。运用面向对象的方法表示案例,大大方便了案例库的管理。针对传统案例检索中相似度算法的不足之处,提出了一种新的案例检索算法,有效的解决了传统的相似度算法检索案例不准确的问题。 (3)深入研究基于规则的智能诊断技术中的知识表示和规则推理,运用模糊产生式方法表示故障诊断的规则,解决了一些模糊属性表示困难的问题,将一些定性的信息定量化,根据轧机齿轮箱关键部件的典型故障特征,建立轧机齿轮箱故障诊断知识库。在推理机制的研究中,以模糊数学理论为基础,建立了齿轮箱故障诊断规则的模糊矩阵,通过模糊逻辑推理的方法得出诊断结论。 基于上述思想,本课题最终建立了轧机齿轮箱智能诊断系统,系统已在实验室中应用,通过分析现场采集的工程数据,获得了较高的准确率和良好的使用效果。