基于Tri-Training的制冷系统半监督故障诊断

针对以往制冷系统故障诊断需采用已知运行状态的有标签数据,导致大量无标签数据信息无法利用的问题,本文提出一种基于Tri-Training的制冷系统半监督故障诊断方法,改善制冷系统故障诊断性能。采用一台316 kW离心式冷水机组7类典型故障的实际数据对该诊断方法进行验证,结果表明：该方法具有有效性,挖掘无标签数据信息的Tri-Training半监督故障诊断模型相比支持向量机(SVM)、K近邻(KNN)、随机森林(RF)3种有监督诊断模型,性能显著提高,总体诊断正确率达到99.43%,对系统级故障的诊断正确率提升1.73%～3.90%,虚警率、漏报率、误报率均有不同程度改善。同时,表明该故障诊断模型中3个基分类器的故障诊断性能及其多样性是影响该模型对制冷系统中无标签数据利用的主要因素。     

基于WELCH算法集成学习模型的滚动轴承故障诊断#br#

针对滚动轴承振动信号具有非平稳性、非线性且易受背景噪声干扰,故障特征难以提取等问题,提出一种基于WELCH功率谱算法的集成学习模型的故障诊断方法。首先使用WELCH算法对轴承的原始振动信号进行预处理,从中提取峭度、偏度、波形因子、峰值因子、脉冲因子和裕度因子6 个参数,作为支持向量机的特征向量;然后结合集成学习算法构造Bagging-SVM集成学习模型。实验结果表明,与单一的SVM分类器相比较,Bagging-SVM 集成模型对于轴承的故障诊断性能更优;在不同电机转速下的轴承故障诊断中,诊断率分别为97 %,98 %,98 %和99.5 %;说明了该集成模型在不同工况下的适用性强,诊断性能优秀。     

基于支持向量机的变压器故障诊断研究

支持向量机是以统计学习理论为基础发展起来的新的通用学习方法,较好解决了小样本、高维数、非线性等学习问题。从理论与实验上比较了目前常用的基于支持向量机的变压器故障诊断方法。     

基于混合算法优化的SVM多分类器齿轮故障诊断模型

为了提高支持向量机分类器的故障诊断精度,该文提出了一种基于混合算法优化支持向量机的故障诊断模型。首先,在混合算法中引入灰狼和金豺的夺食机制。其次,优化支持向量机,从而得到最优的支持向量机模型。最后,提高对齿轮故障模式的诊断精度。以某饲料生产企业采集到的数据为基础进行实例分析,结果表明,采用基于灰狼和金豺算法的混合算法优化支持向量机参数比标准的灰狼算法和金豺算法优化效果更好。在模型诊断精确度方面,混合算法优化的支持向量机诊断模型比未优化支持向量机、灰狼算法优化支持向量机和金豺算法优化支持向量机诊断模型分别提高了15.156 6%、4.913 3%和8.959 6%。     

基于LS-SVM ARX模型的除湿机故障诊断

针对非线性系统故障诊断问题相对复杂的情况,以除湿机作为研究对象,应用ARX模型进行了研究。引入LS-SVM优化算法对ARX模型进行了改进,克服了传统SVM算法的不足。结合实验采集到的实际数据样本,对模型进行了训练。结果表明,改进的算法具有较低的运算复杂度和较快的学习训练速度,对于新的样本输入能够正确分析诊断。由此说明,将LS-SVM ARX模型应用于故障诊断是可行的。     

基于SVM的不同故障程度下冷水机组故障诊断

冷水机组是一个高度非线性的复杂系统,其系统故障会导致系统的运行偏离正常状态,不仅会造成工作空间空气质量的下降,更会造成机组能耗的增加。在选取RP-1043实验数据中的一组正常数据之后,又选取了其中七组故障数据,建立了训练数据。通过支持向量机(SVM)方法进行分类,以测试其对于冷水机组故障诊断的性能,并采用正确率(correct rate,CP)、命中率(hit rate,HR)、虚警率(false alarm rate,FAR)三个指标来评价模型的分类性能。同时引入四种不同程度故障,分析SVM方法随着故障程度变化的分类准确率变化。     

制冷系统故障诊断中模糊模式识别技术的应用

模糊数学是人类认识事物的规律之一。本文将这一概念引入制冷系统故障诊断技术中,使制冷系统运行参数量化问题得到更合理的解决。     

基于支持向量机的齿轮故障诊断方法研究

故障样本的不足从一定程度上制约了基于知识的方法在实际故障诊断中的应用，针对这一问题，利用支持向量机在小样本情况下具有较强分类能力的特点，提出了一种基于支持向量机的齿轮故障诊断方法。该方法采用小波变换对齿轮的振动信号进行处理来构造特征向量，并直接输入到支持向量机的多故障分类器中进行故障识别。试验结果表明该方法是有效、可行的，且在小样本情况下比BP神经网络具有更高的诊断精度。     

基于支持向量机的模拟电路软故障诊断

提出了基于支持向量机的模拟电路软故障诊断新方法.该方法提取电路的频域响应为故障特征,利用支持向量机对故障进行识别分类.支持向量机具有结构简单、泛化能力强的特点,对小样本分类具有良好的识别效果.以Sallen-Key滤波电路为诊断例,实验结果表明该方法故障诊断准确率大于99%.     

基于PARAFAC分析和SVM离心泵故障诊断方法

在多尺度平行因子分析理论的基础上,将原始信号经过多尺度小波分解得到三维时频信号,再经平行因子分析得到通道加载因子、时间加载因子和频率加载因子,通过实验分析,后二者可以明显地表征设备正常或故障状态,利用这一特征建立不同状态的离心泵与其对应的时间加载因子和频率加载因子的映射关系,并以此作为改进粒子群算法优化后的支持向量机分...     

模糊数学在制冷故障诊断专家系统中的应用

基于专家系统的诊断方法是故障诊断领域中最为引人注目的发展方向之之一。在故障诊断专家系统中，无论从现象的获得或现象到故障的推理，甚至故障诊断的基本原理三个方面都存在着模糊性。本文将模糊数学引入制冷系统故障诊断技术中，较好地解决了这一问题。     

Fault Diagnosis for Non-linear System Based On Adaptive Fuzzy System

１ＩｎｔｒｏｄｕｃｔｉｏｎＬｏｔｓｏｆｖａｌｕａｂｌｅｒｅｓｕｌｔｓｆｏｒｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆｌｉｎｅａｒｓｙｓｔｅｍｂａｓｅｄｏｎｍｏｄｅｌｈａｖｅｂｅｅｎａｃｈｉｅｖｅｄ，ｂｕｔｉｔｉｓｄｉｆｉｃｕｌｔｙｔｏａｐｐｌｙｔｈｅｓｅｒｅｓ...     

基于增量学习的数控机床故障诊断系统

针对数控机床中主轴轴承和刀具同时出现故障或机床主轴转速改变时的故障诊断问题,提出了基于增量学习的深度卷积诊断模型。首先,将常用转速下的主轴轴承和刀具振动数据集,输入结合了批量归一化算法的一维卷积神经网络,实现单一转速下故障诊断;然后,人工判断跨转速诊断时的未知故障类型,对其打标签后重新输入网络,通过增量学习实现知识迁移并使模型学习新数据特征;最后模型在跨转速故障诊断领域的准确率为76.49%~86.09%,且与Fine Tuning和Joint Training两种经典跨领域算法相比,基于增量学习的深度卷积诊断模型提高了准确率,缩短了训练用时。     

故障诊断的模糊神经网络模型

论证了单症兆和多症兆诊断的模糊模型分别与一定条件的单层神经网络等价，从而建立了单症兆和多症兆诊断的模糊神经网络模型。基于模糊诊断原理，阐述了模糊神经网络模型是由若干独立单元组成的可扩充的组合式结构，进而提出一种修改或扩充子网络或子结点及其权重连线的可塑性学习方法。基于此模型建立了旋转机械故障诊断专家系统，以现场实际例子对模型的应用进行了说明。     

基于在线半监督学习的故障诊断方法研究

针对机械故障诊断中准确、完备的故障训练样本获取困难,而现有分类方法难以有效地发掘大量未标记故障样本中蕴含的有用信息,提出了一种基于在线半监督学习的故障诊断方法.该方法基于Tri-training算法将在线贯序极限学习机从监督学习模式扩展到半监督学习模式,利用少量不精确的标记样本构建初始分类器,并从大量未标记样本中在线扩充标记样本,对分类器进行增量式更新以提高其泛化性能.半监督基准数据试验结果表明,训练样本总数相同但标记样本数与未标记样本数比例不同时,所提算法得到的分类准确率相当且训练时间相差小于1.2倍.以柴油机8种工况的故障模式为对象进行试验验证,结果表明标记故障样本较少时,未标记故障样本的加入可使故障分类准确率提高5％～8％.     

Fault Diagnosis of an Intelligent Building Facility Using Bayesian Networks

There is great significance to diagnose the fault of an intelligent building facility for fault controlling, repairing, eliminating and preventing. As an example, this paper established a Bayesian networks model for fault diagnosis of the refrigeration system of an intelligent building facility, gave the networks parameters, and analyzed the reasoning mechanism. Based on the model, some data was analyzed and diagnosed by adopting Bayesian networks reasoning platform GeNIe. The result shows that the diagnosis effect is more comprehensive and reasonable than the other method.     

基于改进的自适应无参经验小波变换的滚动轴承故障诊断

为实现滚动轴承故障周期冲击特征的有效提取,解决经验小波变换Fourier谱分割存在的问题,提出了一种改进的自适应无参经验小波变换方法。首先,利用自适应无参经验小波变换对信号Fourier谱进行自适应分割;然后,利用峭度指标对谱边界进行合并,并重构滤波器组对信号进行分解;最后,选取峭度值最大的分量进行包络解调提取故障特征。仿真和工程应用验证了所提方法的有效性,分析结果表明该方法的性能优于集合经验模态分解和经典经验小波变换。     

多联机系统制热工况下的制冷剂充注量故障诊断模型——基于多层卷积神经网络

本文提出一种基于卷积神经网络的故障诊断模型,并通过正交试验优化了3层网络的卷积核和神经元数目,利用图形化的多联机(VRF)系统制冷剂充注量故障实验数据训练了多层卷积神经网络,评估了本模型的故障诊断性能。结果表明:该"数据图形化-多层卷积神经网络"方法建立的模型能够有效进行多联机制冷剂充注量故障诊断,20个输入特征时,对9类故障诊断总正确率最大为91%,比传统BP神经网络达到更高的诊断精度。该方法首次利用卷积神经网络完成了VRF制冷剂充注量故障诊断,为相关研究的拓展奠定了基础。     

变风量送风系统末端故障的主动式检测与诊断

变风量(VAV)送风系统具有传感器数量少、诊断信息不足、故障特征相似等特点,传统被动式故障检测与诊断(FDD)方法难以实现系统故障的有效分离。本文提出一种新型主动式故障检测与诊断方法,通过向系统添加小扰动获取的额外诊断信息,可对被动式方法无法分离的可疑故障进一步诊断。在TRNSYS仿真平台上搭建了可模拟常见故障的变风量空调系统,通过向故障系统添加主动式行为验证方法的可行性与准确性。结果表明:该主动式故障检测与诊断方法可成功诊断出12种变风量末端常见故障,诊断与检测能力较传统被动式方法具有较大提升。