基于KPCA-SOM网络的列控RBC系统故障诊断方法（英文）

无线闭塞中心(RBC)系统是CTCS-3级列控系统的核心设备,在现场其故障分析主要依靠人工完成,诊断结果不精确、效率低。因此,提出了基于one-hot模型、核主元分析(KPCA)和自组织映射(SOM)网络的RBC系统智能故障诊断方法。首先,通过人工选取的故障特征词库和故障追踪记录表构建基于"one-hot"模型的故障文档矩阵;其次,利用核主元分析方法对故障文档矩阵进行降维降噪处理,避免信息冗余;最后将处理后的数据输入至SOM网络,训练生成KPCA-SOM故障分类模型。通过与BP神经网络算法、 SOM网络算法比对分析, KPCA-SOM智能诊断方法可有效地对列控RBC系统常见故障类型进行区分,并且在准确率和处理效率上进一步优化提升。     

基于SFLA-BP模型和KPCA特征提取的行星齿轮箱故障诊断

混合蛙跳算法(SFLA)是将竞争进化策略和有限度随机搜索有机结合的群智能优化算法,已应用于各种优化问题。分析混合蛙跳算法用于全局优化问题的优势,并建立了基于混合蛙跳优化BP神经网络(SFLA-BP)算法模型,进行了仿真研究。以行星齿轮箱为工程实例,分析了行星齿轮故障信号传递路径复杂,相互耦合,呈现非线性的特性。应用核主元分析(KPCA)提取了时、频域敏感的特征参数,特征属性由27维压缩到9维,并建立了结构为9-14-4的神经网络故障诊断系统。充分利用混合蛙跳算法全局搜索的优势实现了行星齿轮不同磨损程度的故障诊断。诊断结果表明:SFLA-BP模型与BP神经网络相比,整体输出误差较小,诊断的准确率提高了12. 5%,对不同损伤程度的故障可以达到准确的识别效果。     

空调系统传感器自动故障诊断方法研究

针对空调系统运行过程具有非线性和动态特性的特点,提出了一种基于动态核主元分析的传感器故障检测方法。该方法采用核主元分析提取系统中的非线性冗余信息,建立核主元模型,再引入指数加权的定义,进行在线诊断的同时对模型进行实时更新,得到了改进的动态核主元模型。选择SPE统计量作为系统是否发生故障的依据。最后通过贡献图法实现了对故障变量的分离。将此方法应用于某地源热泵系统的传感器故障检测,结果表明,该方法能够实时更新核主元模型和置信限,成功分离故障变量,且和传统主元分析法相比具有更好的故障诊断效果。     

指数加权动态核主元分析法及其在故障诊断中应用

核主元分析法能充分利用核函数来解决非线性问题,具有很好的非线性逼近能力,但传统的核主元分析不能处理动态问题。在分析核主元分析法的基础上,提出一种新的指数加权核主元分析算法,建立一个多变量加权自回归统计核主元模型,选择Q统计量来判断系统是否发生故障,给出指数加权核主元分析法诊断故障的具体计算步骤。对液压泵进行了试验,利用小波包对液压泵端盖的振动信号进行处理,提取由13个时域和时频域特征量构成的故障特征矢量。试验结果表明,与传统的核主元分析法相比,新方法能实时更新主元模型和控制限Qa,合理地利用实时动态信息,能较好地处理动态问题,通过计算比较选择合适的加权因子,能获得良好的故障诊断效果,该方法是可行而有效的。     

基于核独立元分析的工业故障检测

独立元分析(ICA)是从多个源信号的线性混合中分离出源信号的技术,是一种基于信号高阶统计特性的算法。但对于处理非线性变化信号有一定的局限,核独立元分析(KICA)方法能够很好地解决这个问题,该方法主要结合了核主元分析(KPCA)和独立元分析(ICA)的优点,是在线故障检测的一种非线性算法。该算法利用工业过程中多仪表在正常工作下的历史数据建立故障检测模型,通过监控检测统计量是否超出阀值控制限来进行故障检测。使用TE(Tennessee Eastman)过程数据进行仿真来验证此算法的有效性。     

烟气轮机的SOM网络故障监测与诊断专家系统应用研究

针对大型烟气轮机故障诊断问题,从基于智能和知识的角度进行研究,利用自组织特征映射神经网络（SOM网络）对故障现象进行自动分类,从而得出它们对应的故障原因;在面向对象的知识获取和管理工具,以及推理机的框架结构下,利用该诊断专家系统的经验知识进行决策推理与诊断,同时结合S8000系统,建立了一种SOM网络的烟气轮机故障监测与诊断专家系统。实践表明,该系统的诊断效果良好。     

基于近邻元分析算法的滚动轴承复合故障诊断

滚动轴承发生复合故障时,由于故障之间的相互耦合效应导致其振动信号特征十分复杂,基于信号处理的故障处理方法往往难以取得理想的结果,智能分类算法是一种行之有效的替代方法.基于上述分析,提出基于近邻元分析法(NCA)的滚动轴承复合故障智能诊断方法.利用常规时域、时频域特征提取方法对滚动轴承不同复合故障振动信号进行特征提取;利用NCA对提取到的特征向量进行分类,取得理想的诊断效果.通过滚动轴承复合故障实验,验证了所述方法的有效性.为突出近邻元方法的优越性,将其分类效果与主成分分析方法(PCA)的分类效果进行对比.对比结果证明:近邻元方法具有更高的分类正确率.     

基于粒子群优化SOM神经网络的轴系多振动故障诊断

针对自组织特征映射神经网络(SOM)在多振动故障诊断中出现的不能对所有可能故障完整分类和明显区分的缺点,提出基于粒子群算法优化的SOM神经网络.利用粒子群优化算法易实现、收敛快等优点,对SOM神经网络的参数进行优化,并用优化后的SOM神经网络对轴系故障进行仿真诊断.仿真诊断结果表明,粒子群算法优化的SOM神经网络比SO...     

基于改进萤火虫算法神经网络的刮板输送机减速器故障诊断

为了对刮板输送机减速器故障进行准确诊断研究,提出了一种基于改进萤火虫算法优化神经网络故障诊断方法。首先对刮板输送机减速器故障特征参数进行特征提取,其次应用特征数据样本进行基于神经网络的故障诊断模型训练,利用改进萤火虫算法对神经网络权值、阈值进行优化,加快目标的优化求解,得到最优的网络模型。初步研究表明将改进萤火虫算法与BP(back propagation)神经网络结合可以有效地解决神经网络收敛速度慢,易陷入局部最优等问题,可以对刮板输送机减速器的故障进行准确诊断。     

基于特征融合和GWO-SVM的铸铁金相组织分类技术研究

针对人工金相组织定量分析效率低、主观影响较大的问题，提出基于灰度共生矩阵(GLCM)和局部二值模式(LBP)融合的铸铁金相组织分类方法。分别提取铸铁金相图片GLCM和LBP特征，并使用主成分分析(PCA)将LBP特征降维，组成特征向量；通过不同核函数的对比，选择高斯核函数(RBF)作为支持向量机(SVM)的核函数；为了提高模型的效率，采用灰狼优化算法(GWO)对核函数进行优化。结果表明，GLCM和LBP融合后的分类效果要优于单一的GLCM和LBP；基于GWO优化后的SVM分类效果也要优于RF和ELM，分类准确率可以达到98.67%。     

热力参数的KPCA-RBF网络建模及传感器故障诊断方法

针对复杂恶劣环境下机组热力参数的数据监测及传感器故障诊断问题,建立了融合机理分析、核主元分析(kernel principle component analysis,简称KPCA)与径向基神经网络(radial basis function,简称RBF)的发电机组热力参数预测及传感器故障检测模型。首先,根据机理分析得到完备的辅助变量集,并利用核主元分析提取辅助变量的特征信息以有效处理发电机组中高维、强耦合的非线性数据;其次,将主元变量集输入径向基神经网络进行学习,实现热力参数的重构;最后,基于预测模型与窗口移动法实现传感器的故障诊断,并对故障数据进行及时修复和准确替换。以燃气轮机排气温度为例进行验证的结果表明,该预测模型具有更高的精度和泛化能力,能在传感器故障发生初期及时发现并识别故障类型,检测效果优良。     

基于PSO优化RBF神经网络的反应釜故障诊断

针对单一径向基函数(RBF)神经网络在反应釜故障诊断中泛化能力不足的缺点,设计了基于粒子群(PSO)算法优化的RBF神经网络。利用PSO算法操作简单、容易实现等特点及其智能背景,对RBF神经网络的参数、连接权重进行优化,并用经PSO算法优化的RBF神经网络对反应釜故障进行仿真诊断。仿真诊断结果表明,PSO算法优化的RBF神经网络具有较好的分类效果,较RBF诊断模型精度高、收敛快,具有推广应用价值。     

粒子群优化的神经网络在故障诊断中的应用

为提高齿轮箱故障诊断性能，建立了以齿轮箱振动信号的时频域特征为输入，以齿轮箱的主要故障形式为输出的神经网络。采用粒子群优化算法代替反向传播算法来训练神经网络的权重和阈值，利用训练后的神经网络对齿轮箱进行了故障诊断，并比较了基于粒子群优化算法与BP算法的诊断结果。结论是基于粒子群优化算法神经网络具有较好训练性能，收敛速度快，迭代步数少，诊断精度高，具有良好的故障识别率。     

在轨飞轮故障诊断混合框架设计

为提升飞轮的可靠性,本文对飞轮故障诊断技术进行了研究。通过对基于数学解析模型与基于智能计算的故障诊断方法的对比研究,提出了一种基于神经网络的混合故障诊断方法。该方法首先使用数学解析模型与原系统输出的差值作为一级残差;而后利用该一级残差以及系统可测状态对神经网络进行训练;然后使用混合模型输出的二级残差对系统故障进行检测;最后以飞轮注入母线电压以及电枢电流故障对该方法进行验证:在存在母线电压故障工况下混合模型避免了解析模型电流估计的发散问题,与单神经网络模型相比最大跟踪误差降低了44%。在存在电流故障时,不同的转速工况下与两种单模型相比混合模型的最大跟踪误差降低了90%,跟踪方差减小了10倍以上。混合方法可以有效解决由于解析模型存在建模误差引起的故障诊断不够准确的问题以及由于缺乏训练数据所引起的单神经网络模型不能适应新工况的故障诊断问题。     

基于改进PCA-SOM的电静压伺服作动器油滤堵塞故障诊断

针对电静压伺服作动器（EHA）的油滤堵塞故障，提出利用可调式球头油堵预置不同程度的油滤堵塞工况进行数据采集，并在传统自组织映射神经网络(SOM）的基础上，引入主成分分析（PCA）法，利用各元主成分贡献率对神经元竞争域值各维系数进行修订，提出了改进PCA-SOM神经网络对系统堵塞状态进行判识。研究结果表明，与传统SOM神经网络和PCA-SOM神经网络相比，改进PCA-SOM神经网络在提高聚类效果的同时，提高了模型的准确率和训练速度，在EHA的油滤堵塞故障诊断中有更好的适用性。     

基于行为的故障诊断系统跟踪自学习算法研究

针对现有绝大多数智能故障诊断系统自适应跟踪设备行为变化能力的不足，对基于行为的智能化故障诊断系统中模糊基函数网络的在线跟踪自学习算法进行了研究，提出了一种在线跟踪故障分类边界的自学习算法。该算法通过带有遗忘因子的样本均值和样本协方差矩阵保存样本所包含的故障可能性分布信息，并在此基础上产生新增样本的目标输出，用于训练FBF网络，以实现故障分类边界的在线跟踪。给出了带有遗忘因子的样本均值和样本协方差矩阵的递推算法，用以克服传统方法需要保存大量以往故障训练样本所带来的困难。理论研究和工程应用表明，在线跟踪故障分类边界的自学习算法可以有效地避免神经网络训练过程中的“突然遗忘”现象，是可行的。     

多策略改进麻雀算法与 BiLSTM 的变压器故障诊断研究

针对变压器故障诊断精度低的问题,提出了一种多策略改进麻雀算法(MISSA)与双向长短时记忆网络(BiLSTM)的变压器故障诊断模型。基于油中溶解气体分析(DGA)技术,结合无编码比值方法提取变压器9维故障特征作为模型输入进行网络训练,输出层采用Softmax函数得到故障诊断类型;采用Logistic混沌映射、均匀分布的动态自适应权重以及动态拉普拉斯算子来对麻雀搜索算法(SSA)进行改进;在初始解集内,利用MISSA对目标超参数进行寻优,使变压器故障诊断精度最优,并结合核主成分分析(KPCA)对故障特征指标降维,加快模型收敛速度。结果表明,提出的模型诊断精度为94%与PSO-BiLSTM、GWO-BiLSTM和SSA-BiLSTM故障诊断模型相比,分别提高了11.33%、8.67%、6%,验证了本文方法能够有效地提高变压器的故障诊断性能。     

基于变分模态分解和PSO-SVM的起重机齿轮箱故障诊断

起重机齿轮箱的振动信号具有信噪比低、非线性的特点,需要一定的专业知识和经验才能实现故障诊断。为了实现起重机齿轮箱的智能故障诊断,提出了一种基于变分模态分解(Variation?al modal decomposition,VMD)改进小波降噪和粒子群算法(Particle swarm optimization,PSO)优化支持向量机(Support vector machine,SVM)的智能故障诊断方法。首先,利用VMD将振动信号分解,得到不同尺度的本征模态函数(Intrinsic mode function,IMF),将分解的高频分量进行改进小波降噪后和低频分量完成信号重构;然后,提取重构信号的特征参数构建特征向量,使用核主分量分析(Ker?nel principal component analysis,KPCA)对向量降维处理实现特征信息融合;最后,利用PSO优化后的SVM进行故障识别分类。实验验证表明,基于VMD改进小波信号预处理和PSO算法优化SVM的模型具有很高的识别准确率,能够有效、准确地对起重机齿轮箱的故障类型进行识别和分类。     

基于粗糙集－集成神经网络的航空发动机磨损故障诊断方法

将粗糙集理论和神经网络相结合并应用到航空发动机磨损故障诊断中,依据属性的重要性和决策表的相容性,用自组织神经网络完成连续数据离散处理这一关键环节,采用粗糙集理论对征兆信息进行属性约简,获取征兆的主要特征,为神经网络结构简化和子神经网络的构成等奠定了基础,通过基于D-S证据理论的方法得到最终的融合结果。将该方法用于某型航空发动机的磨损故障诊断专家系统中,实验证明了该方法的有效性。     

基于IPSO-PNN的电动汽车故障诊断

为了提高电动汽车故障诊断的准确性,提出了一种基于改进粒子群(Improved Particle Swarm Optimization,IPSO)算法优化概率神经网络(Probabilistic Neural Network,PNN)的电动汽车故障诊断方法,即基于IPSO-PNN的电动汽车故障诊断方法。首先,研究了基于PNN的电动汽车故障诊断模型,分析了PNN的平滑因子对该模型诊断准确率的影响;其次,在粒子群(Particle Swarm Optimization,PSO)算法中引入频率粒子群和采用动态惯性权重,改善PSO算法的全局和局部寻优能力,利用IPSO算法优化基于PNN的电动汽车故障诊断模型的平滑因子,以改善模型的分类能力;最后进行仿真与分析。仿真结果表明:相较于基于PSO-PNN的电动汽车故障诊断方法,基于IPSO-PNN的电动汽车故障诊断方法具有更高的诊断准确率和诊断速度。