基于ES-MLSTM的液压机故障诊断系统设计

为解决大型液压机故障诊断难的问题,提高故障识别准确率,确保液压系统正常有效工作,设计了专家系统(ES)与多模型长短期记忆(MLSTM)神经网络的融合识别算法。首先通过大型液压机数据采集系统,获取液压机压力、电磁阀与行程开关等状态信号,并对数据进行数字滤波与数据清洗,得到一个22维的特征向量;然后构建了LSTM模型,选取最优的输入节点、隐层节点、输出节点个数,分析了在不同训练样本下的识别率,以及特征向量维数对识别率的影响。分析LSTM模型对识别率影响的因素,提出对同一个LSTM结构、采用多个参数模型的方法,并利用ES对参数模型进行管理,提高识别率。设计专家系统的推理知识模型、数据清洗知识模型、多模式深度学习网络(MLSTM)的调度知识模型等;最后设计了推理机,对MLSTM网络学习训练,完成建模。在故障预测分类时,通过ES进行数据推理得出初步候选结果,并对预测结果按照概率进行排序,取出排序前面N个结果,用深度学习网络MLSTM进行判别,有效减小了识别时间,利用专家系统的推理功能,实现MLSTM的模式转换,大大提高了分类精度。系统采用了12个故障类、120个训练样本、1 920个测试样本进行测试,采用ES-MLSTM识别率为100%,而相同样本,采用SVM的识别率是92.9%,采用PSOSVM的识别率是96.3%,采用BP的识别率是73%,证明基于ES-MLSTM识别方法可以满足故障诊断的要求。     

基于液压马达内泄漏故障的预测研究

为了研究液压马达可能出现内泄漏故障,并对液压马达状态进行预测性监控。通过建立液压马达内泄漏故障试验平台,获得液压马达内泄漏的故障数据。在MATLAB中建立基于T S模糊神经网络的故障预测模型,将实验数据用于模型的训练以及预测结果的验证。对预测结果进行分析后,讨论了不同数量样本用于模型训练对故障预测精度的影响。在分析过程中发现数据波动较大的地方,相对误差较大。研究后发现,通过将实验数据进行拟合后,用相同的模型进行训练和预测,讨论了拟合后不同数量样本的预测模型精度与拟合前的差别。结果表明：虽然模型训练的数据数量越大,预测的精度越高,但数据拟合后只需将较少的数据用于建模,预测就能达到较高的精度,为小数据样本进行故障分析提供了参考。     

基于CEEMD航空液压管路故障诊断方法研究

航空液压管路是飞机液压系统的重要组成部分,为了对其早期故障进行准确识别及预测,针对航空液压管路中早期微弱故障振动信号进行研究,利用自适应白噪声完备总体经验模态分解方法将信号分解为多个分量,搭建ResNet网络结构,并将获得的分量输入到深度残差网络（ResNet）进行训练测试。实验结果表明：CEEMDAN-ResNet模型故障识别率可达99.78%,故障预测训练迭代到1 200次时,准确率将会达到99.5%左右并持续稳定,验证了所建立的CEEMDAN-ResNet模型对航空液压管路早期故障识别与预测的准确性、可行性。     

合金钢管材液压成形试验机合模机构液压系统的设计与仿真研究

针对高强度合金钢管材液压成形试验机合模需求,设计了双作用四缸外挂及四立柱缸浮动的合模锁模结构及其液压系统。基于AMESim软件,建立了合模结构液压系统的仿真模型,并对该模型进行了仿真分析。结果表明:该系统能很好地满足四缸同步的实际需求,为液压系统的参数优化及控制系统的设计提供了参考。     

基于神经网络和证据理论的样本预测方法

为了满足某些特殊领域的预测精度需求,提出一种基于神经网络和证据理论的样本预测方法。该方法通过统计学中的数据集Iris花的样本特征进行仿真验证。首先,构建神经网络直接训练和测试样本,获得89.33%的识别率;其次,利用遗传算法优化神经网络的初始权值和阈值后再对样本进行训练和测试,获得94.66%的识别率;最后,结合数据融合中的证据理论进一步把识别率提高到97.33%。实验表明,该方法具有较高的预测精度。     

改进MFO-LSTM网络的风电机组齿轮箱故障预警研究

风电机组齿轮箱在数据采集与监控系统（SCADA）的帮助下,通过监控齿轮箱油温是否超过阈值实现故障报警,其判断精度不高且问题发现不及时,因此使用长短期记忆网络模型（LSTM）融合SCADA数据实现对齿轮箱油温状态的预测。用齿轮箱正常运行状态下的数据训练LSTM模型,计算油温预测值与真实值之间的残差,根据正态分布的原则设置残差的上下预警阈值,用来对齿轮箱故障进行预警。为简化训练模型的复杂度,在SCADA数据中选用与齿轮箱油温相关性较为密切的参数作为LSTM模型的输入项。为降低因LSTM模型超参数设置不当造成的预测准确度表现不佳,提出改进飞蛾火焰算法（MFO）与LSTM的组合模型,在保留MFO算法强大的全局搜索能力的同时,使其避免陷入局部搜索的陷阱,通过改进MFO对LSTM模型参数进行迭代优化,最终构建合适的模型。最后通过某风电机组SCADA数据验证该方法能够有效预警齿轮箱的故障,并且与其他方法相比准确度更高,预警更及时,迭代效果更好。     

基于SSAE-LSTM模型的冷连轧机扭振预测

轧机振动预测模型性能依赖于从输入变量中提取的特征。针对冷连轧机振动数据样本大、非线性强的特点,且在时间上具有前后依赖关系,提出了一种基于SSAE-LSTM的轧机扭振预测方法。首先,对于同种参数数值差异较小、关系表征不明显的轧制过程参数,使用栈式稀疏自编码(SSAE)网络进行无监督自适应特征提取,挖掘生产数据的深层次特征。然后,利用长短时记忆(LSTM)网络在处理时间序列上的优势,将SSAE网络提取到的深层特征作为预测模型的输入,将旋转角加速度作为输出,建立基于LSTM的轧机扭振预测模型。仿真结果表明：SSAE-LSTM模型的预测精度达98.5%,与RNN模型和LSTM模型相比,预测精度分别提高了24.8%和12.2%,验证了该方法的有效性,为实时预测轧机扭振状态提供了参考。     

基于灰色理论的数控机床故障预测的研究

针对数控机床可靠性故障间隔预测模型过程中数据采样难度大、成本高、数据量小、常规数据拟合和预测方法误差较大、数据难以处理等问题,提出一种基于传统灰色预测模型,将灰色残差优化模型和BP神经网络模型相结合的预测方法。在预测过程中该模型首先根据灰色理论建立主轴可靠性故障模型,再用BP神经网络训练并优化灰色理论的残差,最后用文献的主轴故障数据验证预测精度。通过不同的算法对数控机床主轴故障的试验数据验证,证明了灰色神经网络模型在主轴可靠性故障间隔工作时间的预测上优于单一算法及GM(1,1,P)模型,验证了灰色神经网络模型的可行性及有效性。     

基于AMESim的多液压缸系统故障建模与仿真分析

为了评估多液压缸系统方案的可靠性和故障风险,建立一种基于AMESim建模仿真平台的多液压缸系统故障仿真模型。介绍多液压缸系统的组成和液压原理;基于AMESim建立多液压缸系统仿真模型并对供油系统、举升系统和锁止系统的仿真模型和整个系统的工作模式进行了简单介绍;结合故障注入对典型失效方式进行建模;并以齐动模式的工况为例,在不同故障模式下对多液压缸系统的影响进行分析,识别在典型故障模式下各分液压缸的运行参数变化,从而调整系统设计方案。仿真结果表明：多液压缸系统仿真模型可以实现多缸、多故障模式下不同任务和功能的仿真分析,为后续多学科耦合仿真分析、多参数优化和多液压缸系统实物设计提供了参考。     

基于SIMULINK和遗传算法的液压系统动态仿真与优化研究

基于MATLAB/S imu link软件包提供的仿真平台,提出了SIMULINK环境下直接利用模块组合的方法来创建液压系统的动态仿真模型,将遗传算法与SIMULINK有机结合起来,方便地实现液压系统动态特性的仿真与优化。通过实例证明了仿真优化的可行性,为液压系统的系统级建模、动态仿真与性能优化提供了一个工作平台。     

基于优化VMD和BP神经网络液压管路故障诊断研究北大核心

针对航空发动机液压管路故障信号易受噪声干扰、管路故障诊断准确率不高等问题,提出基于优化变分模态分解和BP神经网络的故障诊断方法。利用遗传算法自适应确定变分模态分解K、α的最优参数,然后采用优化后的变分模态分解方法对航空液压管路的振动信号进行分解,最后将故障特征明显的故障分量输入BP神经网络模型中进行训练和分类。结果表明:提出的基于变分模态分解与BP神经网络的航空液压管路故障诊断方法能够精准识别出航空液压管路多种不同的故障状态。     

基于孪生网络结构的轴承故障诊断研究

针对轴承故障诊断中故障样本稀缺、深度神经网络模型在小样本条件下存在故障诊断准确度较低的问题，提出将深度神经网络扩展为孪生网络结构的框架，以提高在小样本条件下的故障诊断性能。孪生网络通过权值共享的骨干网络从样本对中提取特征，采用L₁距离判定样本对的特征相似度，实现轴承故障诊断。不同于传统深度神经网络，孪生网络采取输入样本对的方法，在故障数据不足的情况下，可以提高轴承故障诊断性能。分别将不同层数的卷积神经网络(CNN)与长短期记忆网络(LSTM)扩展为孪生网络结构，在实测轴承数据集上进行小样本故障诊断实验。实验结果表明，通过扩展为孪生网络结构可以提高故障诊断结果的准确率，孪生CNN网络比对应的CNN网络准确率平均提高1.08%,孪生LSTM网络比对应的LSTM网络准确率平均提高4.78%。     

基于云模型与LSTM算法的旋转机械故障诊断研究

针对旋转机械故障率偏高,而人工参与故障诊断工作量大、效率偏低等问题,提出一种基于云模型与LSTM算法的旋转机械故障诊断方法。采用实验台采集振动故障原始数据,统一进行EEMD数据预处理,利用云模型进行故障特征数据提取,输入LSTM神经网络模型进行故障诊断。通过云模型和能量法进行特征提取,分别输入支持向量机和LSTM神经网络模型进行诊断结果对比。结果表明：云模型与LSTM算法的故障诊断准确率最高,达到98.75%,证明该方法能够有效应用在旋转机械故障诊断中。     

数控机床热变形误差超前预测研究

针对当前数控机床热变形误差实施补偿存在的预测值滞后实际补偿值问题，提出基于长短期记忆(LSTM)神经网络算法热误差超前预测解决方案，详细探讨LSTM神经网络算法的解析流程，建立基于LSTM神经网络算法热误差超前预测模型，并进行关键温测点及热变形误差超前预测实验。实验结果表明：热变形误差实际值与预测值的最大残差、平均值和均方差均在可控范围内，超前预测的准确度为86.3%，进一步论证了机床热变形误差超前预测的有效性。     

基于Bi-GRU模型的航空发动机外部液压管路故障诊断研究

针对航空液压管路故障信号含有噪声干扰导致管路故障识别困难的问题，提出一种基于双向门控循环单元(Bi-GRU)的深度学习液压管路故障诊断方法。由Bi-GRU神经网络模型综合液压管路数据进行时序特征提取，基于同一含噪声的液压管路振动实测数据，输入到Bi-GRU、GRU、RNN、SVM、BPNN等5种故障诊断模型中进行训练。最后，为了进一步展示Bi-GRU模型对于航空液压管路不同故障类型特征的学习能力，利用t-SNE降维算法进行液压管路特征可视化。结果表明：基于Bi-GRU航空故障诊断方法能达到9960%的准确性，明显优于GRU等其他4种神经网络模型，Bi-GRU模型在含有噪声的液压管路数据上具备更出色的特征提取能力，可有效地提取出液压管路故障数据特征，从而实现了液压管路故障的智能化识别。     

基于无线网络的液压系统故障诊断方案设计

针对某大型武器设备液压系统各组成部分位置分散的特点,提出基于无线网络的液压系统故障诊断方案.设计了液压系统故障诊断的软件与硬件,阐述了运用BP神经网络的液压系统故障诊断方法,对无线数据传输协议进行了优化与设计.该方案将无线网络技术用于数据传输,省去了大量电缆连接,简化了系统,实现了对武器装备液压系统的远程监测和快速故障诊断.     

基于液压系统仿真数据的贝叶斯网络结构优化

液压系统是一个典型的高度非线性系统,系统各回路之间相互干涉,使其失效形式、故障机制复杂多样;系统内部动力传递封闭,参数可测性差,故障信息难以提取,导致液压系统故障诊断困难。尤其在缺少系统模型、专家知识、先验概率的一些实际应用中,传统的故障树-贝叶斯网络诊断方法无法有效应用。针对这种应用场景,提出基于仿真数据挖掘的贝叶斯网络学习,通过BNFinder软件对仿真数据进行处理及运算,优化贝叶斯网络结构,提高故障诊断的效率。     

基于HPSO优化BP神经网络的刀具磨损状态识别

针对BP神经网络容易陷入局部极值导致识别精度低的问题,文章提出了一种基于混合粒子群算法(HPSO)的BP神经网络优化算法。在刀具磨损监测实验过程中,采集刀具切削的声发射(AE)信号,利用小波包分解算法对AE信号进行滤波,并进行特征提取。将频带能量特征和切削参数分别作为主特征和辅助特征,并对其对归一化处理。采用混合粒子群优化算法(HPSO)对BP神经网络预测模型进行优化,利用优化后的模型对测试样本进行模式识别,结果表明,优化后的HPSO-BP模型能够有效地降低神经网络陷入局部极值的情况,提高刀具磨损识别精度。     

基于多特征融合与GA-BP模型的滚动轴承故障识别

针对滚动轴承故障识别问题,基于遗传算法(GA)和BP神经网络等技术,提出一种GA-BP神经网络模型。该模型以训练数据的输出误差作为目标函数,利用遗传算法对BP神经网络的初始权值和阈值进行优化选择。将经验模态分解能量比和时域特征相结合的特征向量作为BP神经网络的输入,对滚动轴承不同工况下的故障进行识别。滚动轴承故障诊断的实例表明:该模型较传统BP神经网络模型具有更好的收敛精度、收敛速度和识别率。