基于模糊神经网络和证据理论的列车智能控制系统多信息融合故障诊断研究

针对列车智能控制系统故障诊断中的多故障特征信息输入时的时变、冗余、不确定性和空间分布性,给出了一种列车智能控制系统多信息融合故障诊断的系统结构。讨论了采用模糊神经网络进行特征层融合和证据理论进行决策层融合相结合的列车智能控制系统多信息融合故障诊断方法。故障诊断实例的结果表明:该方法能够有效地提高诊断的可信度,减小诊断的不确定性。     

故障检测与诊断领域的智能控制

文章主要对智能控制的发展与分类、智能控制概念和理论进行述评和归纳,并重点探讨智能控制在故障检测与诊断领域的应用以及智能故障诊断方法.     

基于证据理论的多信息融合故障诊断研究

针对列车智能控制系统故障诊断中的多故障特征信息输入时的时变、不确定性和空间分布性，从D-S证据理论的基本概念和证据的融合推理方法出发，提出了一种列车智能控制系统多信息融合故障诊断的系统结构。讨论了基于D-S证据理论的列车智能控制系统多信息融合故障诊断方法。故障诊断实例的结果表明该方法能够有效地提高诊断的可信度，减小诊断的不确定性。     

基于混合粒子滤波的故障诊断方法

结合了模糊递归神经网络和粒子群算法,在此基础上改进粒子滤波的故障诊断方法．故障诊断作为智能控制的研究热点,其算法层出不穷．粒子滤波故障诊断作为基于解析模型的状态估计诊断方法的一种,一直在工业生产中起着重要的作用,但其自身的缺点也限制了它的进一步发展,保留粒子滤波的优势,提出一种基于混合算法的粒子滤波故障诊断方法,该方法不但一定程度上解决了权值退化的问题,而且改进了粒子群算法,并结合神经网络算法在啤酒发酵温控系统中形成了故障检测、预测和辨识为一体的故障诊断方法．     

电子工程运用智能化技术的相关分析

本文主要是对电子工程运用智能化技术进行分析,总结了电子工程应用智能化技术的背景。并详细阐述了电子工程应用智能化技术的具体情况,例如故障诊断与解决事故、对电子工程进行智能控制、对电子工程进行优化设计,由此提高电子工程的质量水平和工作效率。     

基于DBN的立体车库故障诊断系统研究与设计

随着汽车的使用量的增加,传统的平面停车场地已经不能满足人们的停车需求。立体车库通过使用垂直空间多层停放的立体解决方案,能够最大限度利用土地空间资源,它的研发与使用受到越来越多人的关注。设计了立体车库云端可视化故障诊断系统,采集底层立体车库智能控制机无线发送过来的车库运行历史和实时数据,存入相应的数据库中通过对车库运行的历史和实时数据进行研究。提出使用深度置信网络算法对数据进行故障诊断,介绍了该算法的原理及实现,并且通过Python验证了深度置信网络的有效性。     

基于DEDS故障诊断方法在GBM控制系统中的应用

GBM系统作业时由于具有DEDS特性,其故障诊断非常适合采用DEDS故障诊断理论来处理。对DEDS故障诊断基本理论和GBM的故障诊断过程进行了简要的介绍,以GBM灌注系统的故障诊断为例,基于DEDS故障诊断理论对GBM的故障诊断过程进行了详细地分析和说明,实验结果表明:基于DEDS故障诊断理论的诊断结果效果明显,证明了DEDS故障诊断理论在GBM故障诊断中的有效性。     

基于大数据挖掘的发电设备状态监测与故障诊断系统研究

大数据技术与电力生产过程相结合是现阶段火电厂发展的主流方向。基于此,文章首先设计搭建了一款基于大数据挖掘的发电设备状态监测与故障诊断系统,将系统架构划分为现场设备层、基础控制层、大数据智能控制层和智能管理层4个层级;随后探究了该系统“数据采集-模型开发-状态监测-故障诊断-迭代反馈”的闭环链条技术,并从知识库和大数据分析两个角度分别提供了技术服务流程,为电力生产企业的高质量运行发展提供保障。     

智能水产养殖系统设备故障诊断与排除

随着物联网技术的日益成熟和应用场景的不断丰富,水产养殖业开始实现“数智化”转型,逐步形成使用智能监控来替代人工巡守、投饵以及检测等养殖模式。然而智能水产养殖系统在使用的过程中也会经常出现各种设备故障,本文则是针对水产养殖智能控制系统有可能出现的故障原因以及故障诊断进行了具体分析,并针对性地提出相应的故障排除措施,以此促进物联网智慧水产养殖业的可持续发展。     

基于深度学习的智能设备故障诊断研究综述

智能设备故障诊断技术(Intelligent Fault Diagnosis, IFD)将深度学习理论应用于设备故障诊断,能自动识别设备的健康状态和故障类型,在设备故障诊断领域引起了广泛关注。智能设备故障诊断通过构建端到端的AI模型和算法将设备监测数据与机器健康状态关联以实现设备故障诊断,但设备故障诊断的模型和算法较多且相互之间并不通用,采用与监测数据不相符的模型进行故障诊断会导致诊断准确率大幅度下滑。为解决这一问题,在全面调查设备故障诊断相关文献的基础上,首先简述深度设备故障诊断的模型框架,再根据具体应用场景和设备监测数据类型对模型算法进行分类介绍、列表对比及总结,最后针对存在的问题分析了未来的发展方向。本综述有望为智能设备故障诊断的研究提供有益的参考。