采用多信号流图模型的雷达接收机故障诊断方法

介绍了多信号流图模型建模的基本方法。利用多信号流图模型建立了雷达接收机的故障诊断模型,得到了反映故障源和测试结果之间对应关系的故障依赖矩阵。在此基础之上结合故障源先验故障概率信息推导了一种计算故障源贝叶斯最大后验概率的算法。将该算法应用于某型雷达接收机故障诊断中,以故障后验概率最大为判断准则,实现了对雷达接收机系统的在线多故障实时诊断。     

基于遗传算法的WANN的汽车发动机故障诊断分析

利用基于遗传算法的全局优化能力,小波分析具有数据压缩和特征提取的特性,神经网络具有非线性映射和学习推理的优点.结合三者的特点,提出了一种基于遗传算法、小波与神经网络的汽车发动机故障诊断方法,应用汽车发动机的故障数据作为实例验证,GA-WANN模型诊断速度快,鲁棒性好,故障诊断正确率高.     

基于径向基多小波神经网络的水电机组故障诊断

针对常规神经网络收敛速度慢,难以实现水电机组故障在线学习的不足,提出基于径向基多小波神经网络的水电机组故障诊断方法.采用多小波尺度函数作为径向基多小波神经网络的核函数,建立网络模型.利用水电机组振动信号频谱分量的幅值作为特征向量,对网络进行训练,实现特征样本集到振动故障集的有效映射,达到水电机组故障诊断的目的.实验结果表明:与常规神经网络的诊断方法相比,径向基多小波神经网络水电机组故障诊断方法具有较快的收敛速度和较好的泛化能力,为水电机组故障在线学习和诊断提供了有效的解决途径.     

基于模态区间分析的半定性故障诊断方法

为了提高故障诊断的抗干扰能力和可靠性,提出了基于模态区间分析和解析冗余关系相结合的半定性故障诊断方法.利用模态区间分析仿真得到的精确区间包络线进行故障检测,可提高故障检测的抗干扰能力.通过在键合图模型中加入观测信号和虚拟传感器的方法,建立诊断键合图模型并得到系统的解析冗余关系.根据诊断键合图的因果路径和解析冗余关系残差趋势分析建立具有残差变化方向的故障特征矩阵,从而提高故障隔离的准确性.将该半定性方法应用到五箱系统的故障诊断中,结果证明该方法是有效的.     

基于ANN-CBR的雷达故障诊断系统研究

新体制雷达系统的复杂性增加了雷达故障诊断的难度.为保证新体制雷达工作的可靠性和维修性能,运用人工智能理论,将神经网络与案例推理相结合,提出了雷达故障诊断系统结构和基于RBF神经网络故障诊断模型,给出了雷达故障案例的表示方法及快速检索算法.最后,通过实例分析证明了模型及方法的合理性和有效性.     

基于改进深度信念网络的燃气轮机故障诊断

针对传统智能诊断方法使用的浅层模型难以准确挖掘信号特征量与对应故障原因之间复杂的映射关系,导致故障诊断精度不高的问题,提出了一种基于深度信念网络(DBN)的燃气轮机故障诊断方法。采用Apriori关联度分析法分析燃气轮机故障模式与故障特征向量之间的关系,生成关联度矩阵;根据关联结果筛选出满足精度的特征向量作为输入,同时结合遗传算法(GA)对深度信念网络的结构参数进行优化,建立了基于GA-DBN的燃气轮机故障诊断模型。最后通过诊断实例验证了所提方法的有效性。     

基于神经网络的某型雷达天线故障诊断

介绍了运用BP神经网络对某型雷达天线电路进行故障诊断的全过程.通过仿真结果可以看出,达到了故障定位的目的且诊断效果显著,从而为该雷达天线电路的故障诊断提供了一条新思路.     

基于改进PSO-BP混合算法的电力变压器故障诊断

采用粒子群算法和反向传播神经网络建立一种新型变压器故障诊断网络模型,设计故障诊断方法.仿真分析结果表明：基于该网络模型的诊断方法与传统的三比值法相比较,具有较好的故障识别与分类能力,显著提高了诊断准确率,将在电力设备故障诊断中有良好应用前景.     

基于因果图的分布式诊断模型研究及应用

为了降低系统多故障诊断的计算复杂性,研究了一种基于因果图的分布式诊断模型.首先用因果网络图建立集中式模型,然后通过有向树分解技术把集中式模型转化为分布式模型,并离线计算集群表,得到局部诊断解后再采用诊断融合算法实现全局诊断.对电源系统的应用结果表明,分布式模型简化了集中式模型的计算复杂性,提高了效率,并且通过计算后的集群表及融合算法可以实现耦合故障的诊断.此种方法适用于卫星这类复杂系统的故障诊断.     

BP神经网络在变压器故障诊断中的应用

介绍了电力变压器内部常见的故障,采用BP神经网络算法建立了变压器的神经网络故障诊断模型,通过与传统的IEC三比值法相比较,表明基于BP网络的诊断方法达到了较好的故障识别与分类,诊断准确率也有显著的提高,在变电设备故障诊断中具有良好的应用前景.     

集成神经网络信息融合在故障诊断中的应用

随着设备复杂性的提高，采用单子神经网络信息融合在故障诊断中已无法给出正确的判断。根据实际应用的需要，在讨论集成神经网络信息融合优点的基础上，提出一种集成神经网络信息融合的故障诊断方法，给出了它的组成结构、组建原则以及集成神经网络信息融合在故障诊断中的应用，最后应用集成神经网络对工业CT系统中的驱动器故障诊断进行了仿真。该方法通用性强，为工业CT系统其它部件的故障诊断提供了较好的模型和方法。     

风电机组故障诊断中不确定性信息处理的贝叶斯网络方法

针对风电机组故障信息耦合性、模糊性的不确定性特点,结合贝叶斯网络在处理不确定性问题上的优势,提出了风电机组故障诊断的贝叶斯网络方法.重点研究了该方法的两个关键问题,即风电机组故障诊断的贝叶斯网络建模和贝叶斯网络推理.构建了一种基于事故树分析方法的三层CME贝叶斯网络模型并解析了贝叶斯网络的故障推理过程,通过风电机组齿轮箱的故障诊断实例验证了上述模型的可行性和贝叶斯网络推理的有效性.研究成果对具有相关不确定性问题的机电设备故障诊断有借鉴意义.     

基于SOM神经网络的变电站设备红外热像诊断研究

提出了基于自组织神经网络(SOM)判别变电站设备热故障类型的红外图像诊断方法.采用了最大类间差法(OTSU)对电力设备红外热像进行了分割处理,从中提取出包括设备红外热像的温度特征值、Zernike不变矩等12个参数,以此作为设备状态识别的信息输入量,将设备的状态分类信息作为输出向量.通过训练56组红外热像数据,确定了SOM神经网络识别模型中的参数值.试验结果表明:该方法可用于变电站设备状态诊断,相对于传统的神经网络方法的诊断结果,该方法对设备运行状态评估的准确率高达85.7%,如将诊断模型产生的可疑状态列入故障状态,则故障的诊断率可达到95%以上.     

基于PHM的雷达装备维修保障研究

为克服传统维修保障方式的缺陷并适应现代雷达装备维修保障的发展需求,引用当前国外装备维修保障最新技术——故障预测与健康管理（prognostics and health management,PHM）,构建了基于PHM的雷达装备维修保障系统,并对主要模块进行了研究和分析。该系统能极大提高雷达装备故障诊断能力,有效降低保障费用,并可对装备未来的状况和剩余寿命进行有效预测。     

深度神经网络在滚动轴承故障诊断中的应用

为了对滚动轴承发生的故障类型进行诊断,从而提升设备的安全性,提出了一种基于深度残差神经网络的智能故障诊断方法,并使用多传感器融合技术对深度残差神经网络进行了改进,使得诊断模型的识别精度和鲁棒性得到进一步提高.首先,通过多传感器技术来获取丰富的设备运行状态信息,然后利用时频分析方法短时傅里叶变换提取原始振动信号的初级特征信息,最后利用深度残差网络的强大学习能力,进一步提取初级特征信息中的高级特征信息,并识别设备的故障类型,从而实现滚动轴承的故障诊断.为了验证所提出方法的有效性,使用滚动轴承实验数据对方法进行了测试,同时与基于深度卷积神经网络和单传感器故障诊断模型进行对比,研究结果表明,提出的智能方法不仅能对故障进行准确识别,而且具有相当良好的泛化能力和抗噪能力,其故障精度达到了100%,在单传感器或多传感器受到强噪声干扰时,分别实现诊断精度至少为93.78%和82.54%.     

大型风机的多层感知智能故障诊断方法研究

根据BP神经网络的基本原理,建立风机故障的智能诊断系统,给出风机常见故障模式样本及网络诊断输出结果。系统在设备出现异常后进行诊断,诊断结果准确可靠,通过对大型风机的故障诊断,验证其方法的可行性。     

雷达阵地地线误接分析及其改造方案

针对某雷达装备普遍存在的地线误接问题,运用电磁暂态分析程序（ATP—EMTP）仿真分析了地线误接对雷达装备造成的危害,并根据一点接地原则和铺设联合地网方法,提出了两种合理可行的改进措施．这两种措施能够保证天线车与雷达方舱之间的暂态电位差峰值小于设备的耐压值,对某雷达装备的防雷与接地安全具有重要的现实指导意义．