中文摘要：

大型复杂装备的多重耦合故障、主导故障及隐含故障的快速定位与准确诊断一直是学术界和工业界关注的重要问题。本项目以复杂网络理论与方法为基础，结合人工智能相关技术，研究大型复杂装备网络化建模的一般原理，故障在装备模型中的传播、演化特性，故障知识复杂网络的组织模式、拓扑结构及搜索算法，为构建大型复杂装备智能故障诊断系统提供新的理论与技术基础。主要内容有（1）依据大型复杂装备各节点（子系统或零部件）间故障的关联特性，研究基于复杂网络的装备网络化建模方法；（2）适用于复杂网络的故障知识表示方法，故障知识样本组织为大规模网络化知识库的技术途径；（3）故障在装备模型中的传播演化特性以及分立异构故障知识的融合重构方法；（4）故障知识在知识库中的自增长和自组织机制；（5）将故障诊断的模式匹配问题转化为复杂知识网络的搜索问题，设计高效的故障知识网络搜索算法，为实现大型复杂装备故障的快速准确诊断提供理论基础。

结论摘要：

本项目以复杂网络理论与方法为基础，结合人工智能相关技术，研究复杂装备网络化建模的一般原理，为构建复杂装备智能故障诊断系统提供新的理论与技术基础。本项目立项以来，经过参加项目研究的全体成员的共同努力，取得了预期研究进展，基本完成了预期的研究计划，较好实现了预定研究目标。项目主要成果有 1 建立基于主元分析的旋转机械特征提取模型，提出一种自适应主元选取的思想。建立了基于蚁群算法的旋转机械故障聚类诊断模型，对该模型的蚁群数目、信息素挥发系数、最大迭代次数做了优化。提出基于高斯径向基核函数的旋转机械主元分析特征提取模型，建立了自适应主元选取的基于主元分析与蚁群算法的旋转机械故障诊断模型。结合人工鱼群算法的特点，模拟人工鱼群追尾行为提出了改进的人工鱼群追尾聚类算法，在此基础上发展了一种基于人工鱼群追尾聚类算法的机械故障聚类诊断的新方法。 2 提出转子故障知识体系模型和基于本体的转子故障知识表示模型，构建包含转子故障类型、振动特征、敏感参数、故障原因，以及治理措施的转子故障知识本体。项目组从复杂网络社团结构的本质特性出发，提出了基于复杂网络社团聚类的故障模式识别方法。完成了无标度复杂网络性能优化方法研究，提出了一种参数可调的动态局部路由策略，该策略基于网络节点的转发能力及节点处数据包队列长度设计，能够通过调整参数来优化路由策略，使网络容量及平均网络数据包路由时间达到最优效果。 3 关于知识融合与故障诊断方法，提出了基于复杂网络的滚动轴承故障诊断中改进的K均值(K-means)聚类方法，以及基于高阶累积量的AR参数-模糊聚类方法及应用。提出了基于PCA与蚁群算法的机械故障聚类诊断方法。提出了基于SOM网络社团划分改进K-means聚类诊断方法、基于PF能量特征和优化神经网络的滚动轴承诊断方法。提出了以核函数和参数优化的核独立成分分析为基础的滚动轴承故障诊断方法。设计了基于STM32故障信号采集系统。