基于LSTM算法的门座式起重机减速箱故障诊断研究

为实现门座式起重机减速箱机械故障的智能诊断和分类,运用长短期记忆网络构建了门座式起重机减速箱机械故障的自动诊断分类模型;首先设计并使用了基于labview的数据采集系统对门座式起重机的复合故障数据进行了采集,结合东南大学公开的齿轮箱故障数据建立了数据集;然后用数据增强的方法对数据进行预处理,接着采用长短期记忆神经网络,构建门座式起重机减速箱机械故障诊断模型;最后使用测试数据集对模型的诊断分类准确性进行了验证实验,结果表明该诊断模型能快速准确的对门座式起重机减速箱的机械故障进行自动诊断和分类,实现了96.8％的诊断分类准确率,与传统的基于CNN的诊断分类模型相比,准确率提高了4.1％,为下一步便携式智能诊断仪器的开发和应用奠定了一定的理论基础.     

特定车速下轻型卡车驾驶室异常抖动故障诊断方法

常规驾驶室异常抖动故障诊断方法多采用神经网络算法,忽略了故障数据之间的关联性,使得诊断准确率较低。为此,提出特定车速下轻型卡车驾驶室异常抖动故障诊断方法。利用数据采集器采集驾驶室在线信息数据,并采用周期性的方式对数据分类,分析故障数据之间的内部关系,解析收集的信息数据,判断车辆驾驶室运行状态,并采用故障树方法计算底事件的概率重要度,进而实现驾驶室抖动故障诊断。利用对比实验对所提方法的诊断性能进行测试,结果显示,所提方法对于驾驶室异常抖动故障具有较高的诊断准确率。     

基于胶囊神经网络的涡扇发动机故障诊断方法

针对航空涡扇发动机数据集故障分类准确率较低的问题,提出一种基于胶囊神经网络的涡扇发动机故障诊断方法。首先确定故障类型和关键变量,然后构建卷积胶囊神经网络模型,将分割的训练集数据输入模型进行训练,最后利用诊断模型诊断测试集数据并计算分类识别准确率。将所提算法在NASA涡扇发动机数据集上进行测试,证明了该模型的分类识别准确率有所提高,可为涡扇发动机的故障诊断提供帮助。     

运载火箭地面测试设备多路脉冲校准装置设计

在当前快速测试的背景下,为解决运载火箭地面测试设备校准周期长、工作效率和数据可靠性低的问题,设计了一种地面测试设备校准装置。校准装置结合电磁兼容(EMC)设计原则,采用状态机的模块设计方法设计FPGA内部逻辑门,控制实现64路脉冲信号输出,经通用接口和总线对运载火箭地面测试设备进行校准。输出信号具有精度高、可靠性强的特点,缩短校准装置校准周期并提高了其通用性,增加了地面测试设备测试数据可靠性。     

基于循环神经网络的电网故障智能告警信息分类研究

由于电网故障告警信息较为密集,现有方法没有考虑对数据离散化处理,导致增加分类算法难度,降低对样本分类能力.提出基于循环神经网络的电网故障智能告警信息分类方法.构建混合本体集成模型,利用基于本体的方法进行电网故障智能告警信息集成,对集成到的数据信息进行去噪、填补、离散化处理,获取优化的循环神经网络结构和参数,利用循环神经网络模型实现电网故障智能告警信息分类.结果 表明:所提方法得到的F1值和G-means值均要更高,分类耗时远远低于现有方法,分类平稳性较高,具有较好的实际应用价值.     

案例推理在汽车故障诊断中的应用*

以奇瑞汽车故障诊断为应用背景,研究并开发了一个基于案例推理的汽车故障诊断系统原型,以实现对汽车故障的智能诊断。系统依据故障的特征属性和内容将汽车故障案例进行分类,进而根据最近邻算法对某一种类的案例集进行检索,最后构建了软件原型系统。通过对汽车故障样本案例进行仿真测试,表明了设计思想是合理的,实现方法是有效的。     

基于多核多分类相关向量机的模拟电路故障诊断方法

针对模拟电路实际存在的多类故障问题,本文提出一种基于多核多分类相关向量机（Multi-kernel learning multiclass relevance vector machine,MKL-mRVM）的模拟电路故障诊断方法.所提方法能够在故障数据所在的原始特征空间上建立多个非线性核,在构建分类器的同时实现故障特征的约简;同时,基于贝叶斯框架的分类模型还能够给出诊断结果的后验概率.通过两个电路的诊断实验证明了所提方法的优越性和实用性.     

基于测试性的电子系统综合诊断与故障预测方法综述

故障诊断与预测技术是故障预测与健康管理(PHM)中的两大关键技术.依据电子系统的故障模式与机理,结合测试性设计分析理论,提出了一种基于测试性的电子系统综合诊断与故障预测方法框架.对国内外综合诊断与故障预测方法进行了分类与总结,从基于测试性的嵌入式诊断、基于信号处理的智能故障诊断、基于测试性的故障预测3个方面论述了电子系统综合诊断与故障预测方法.最后分析了制约电子系统综合诊断与故障预测的因素,并探讨了未来的发展趋势.     

基于一维卷积神经网络的自动扶梯机械故障分类研究

老旧扶梯机械故障较为隐蔽,定期检验不易发现,且对扶梯机械故障的智能分类的研究较少。自动扶梯振动信号复杂多变,数据量大,而采用传统机器学习算法对其机械故障进行诊断效果不佳。为实现自动扶梯机械故障的智能分类,在经典二维卷积神经网络的基础上,引入了卷积核的一维卷积神经网络,构建了自动扶梯机械故障的自动分类模型。首先为提高模型的泛化性能,融合凯斯西储大学轴承故障、东南大学齿轮故障和某大型商场自动扶梯梯级滚轮磨损故障的复合故障数据建立了数据集。然后用数据增强的方法对数据进行预处理,接着采用一维卷积神经网络,构建自动扶梯机械故障诊断模型。最后使用测试数据集对模型的分类精度进行了验证实验,结果表明该模型有着比传统机器学习算法自动化程度高、成本低、专业门槛低、步骤简单等明显优势,而且该模型能快速准确地对自动扶梯的机械故障进行自动诊断,实现了95%的诊断准确率,为下一步将该算法集成到检验仪器中打下了基础。     

基于改进偏最小二乘法的多模态过程故障检测方法

针对传统的数据驱动方法偏最小二乘法（PLS）中存在的多模态数据故障检测效果不佳的问题,提出了一种新的故障检测方法——基于局部近邻标准化（LNS）的PLS（LNS-PLS）。首先,利用LNS方法对原始数据进行高斯化处理,在此基础上建立PLS的监控模型,确定T²和平方预测误差（SPE）的控制限;其次,对测试数据同样进行LNS标准化处理,再计算出测试数据的PLS监控指标来进行过程监视及故障检测,解决了PLS中无法处理多模态的问题。将所提方法应用于数值例子和青霉素生产过程,并将其测试结果与主成分分析（PCA）、K最近邻（KNN）、PLS等方法进行对比分析。实验结果表明,所提方法的故障检测效果优于PLS、KNN、PCA,该方法在分类及多模态过程故障检测方面有较高的准确性。