基于注意力机制的燃气轮机故障诊断方法研究

针对目前燃气轮机基于数据驱动的故障诊断技术诊断精度有待提升的问题,建立某型号燃气轮机的热力学模型并植入故障特征构造训练样本,在此基础上训练一种基于注意力机制的卷积神经网络与长短期记忆网络结合的神经网络模型。卷积层和注意力机制模块提取燃气轮机多维度的故障特征,长短期网络层进行时序动态故障参数处理。研究表明：相比于典型卷积神经网络,这种神经网络模型不仅能够识别多种故障的动态特征,对于各类故障的诊断能力均可达到93%以上,且加入注意力机制模块后对于不同的故障类型诊断准确率最高提升约3%。     

基于Kohonen神经网络的燃气轮机故障诊断

针对基于热力参数的燃气轮机8种典型常见故障,根据Kohonen神经网络诊断的工作原理、诊断特征,研究了基于Kohonen神经网络方法在燃气轮机故障诊断中的应用方法,得出了Kohonen模型具有自学习功能,运算速度快,类型识别能力强的优点,是一种适合于燃气轮机分类故障较好的具有特色的神经网络。     

基于矢谱和L-M神经网络的旋转机械故障诊断研究

讨论了矢谱融合技术和Levenberg-Marquardt(L-M)神经网络的相关理论,提出了基于矢谱和L-M神经网络的旋转机械故障诊断方法,建立了基于矢谱的旋转机械常见故障诊断L-M神经网络模型.模拟实验结果表明:与基于单通道数据的诊断结果对比,将矢谱数据融合应用于旋转机械常见故障诊断,可有效提高故障诊断的准确率.     

基于蜻蜓算法优化BP神经网络的燃气轮机故障诊断

为了提高燃气轮机故障诊断的准确率,提出了一种基于蜻蜓算法(Dragonfly algorithm,DA)和BP(Back Propagation)神经网络的燃气轮机故障诊断方法。针对BP神经网络容易陷入局部极值的问题,采用蜻蜓算法(DA)对BP神经网络的权值和阈值进行参数优化。仿真结果表明:基于蜻蜓算法的DA-BP神经网络的燃气轮机故障诊断准确率高达97.78%,训练误差为0.03%,与基于粒子群算法的PSO-BP故障诊断和标准BP算法的故障诊断相比,DA-BP模型诊断的准确率最高,训练误差最小。实例证明,采用DA-BP模型实现燃气轮机气路故障诊断具有良好的诊断速率和诊断准确率,具有一定的应用价值。     

人工神经网络在汽轮发电机组故障诊断中的应用

论述了神经网络诊断方法与传统的诊断方法如Ｂａｙｅｓ统计诊断方法，模糊诊断方法及专家系统诊断方法等的差别，及神经网络在设备故障诊断中应用的优越性。然后通过对一实际汽轮发电机组的故障事例反复学习，最后建立起网络模型。通过实际验证该诊断模型具有很大的应用前景。     

基于小波BP神经网络的风电机组变桨系统故障预测

变桨故障是风电机组重要的停机故障之一,对变桨系统进行故障预测并提高预测精度,是风电开发的关键技术,不但保证电网安全运行而且减少运维成本。分析处理SCADA系统数据,提取相关联参数,即输出功率、风速、桨距角和转子转速。采用BP神经网络对系统进行模型训练,考虑到风电机组参数具有波动性、不确定性等,同时采用小波BP神经网络进行模型训练。建立变桨故障预测模型,预测未来15 d的变桨系统运行情况,用于制定合理的运维方案。通过MATLAB系统仿真研究,对比分析了预测模型性能指标、误差指标和输出数据图形,小波BP神经网络训练预测模型诊断精度比BP神经网络提高了17%,可信率提高了18%,诊断能力提高了15.4%,诊断误报率降低了17%。     

基于灰色理论与神经网络的柴油机相继增压系统故障预测与诊断(英文)

增压柴油机是一个具有不确定性的复杂系统,灰色理论是一种处理不确定性的理论.为了保证柴油机的可靠运行,使用灰色预测理论与神经网络技术对柴油机相继增压系统进行了故障预测与诊断.采用MAT-LAB语言编制了灰色预测程序并训练了神经网络,训练好的神经网络具有良好的泛化性.采用GM(1,1)模型对相继增压柴油机运行参数进行预测,对于波动数据,使用改进GM(1,1)模型进行预测,预测参数与试验数据的相对误差均在5%以内.预测参数送入已培训好的神经网络中,对柴油机相继增压系统可能发生的故障进行预测与诊断.     

基于果蝇算法优化BP神经网络的齿轮箱故障诊断

为有效提高风电机组齿轮箱故障诊断的快速性和准确性,采用近几年出现的果蝇算法对BP神经网络进行优化,减少了BP神经网络算法陷入局部最优解的风险,显著增强了BP神经网络的泛化能力和全局寻优能力。对比发现,果蝇算法优化后的BP神经网络模型具有比较好的快速性和准确的诊断能力。测试结果表明,果蝇算法优化BP神经网络对风机齿轮箱故障诊断具有可行性和有效性。     

基于数据融合技术的凝汽器故障诊断研究

为了实现对核动力装置凝给水系统故障的识别和准确诊断,将数据融合技术应用于凝汽器故障诊断中,建立了BP神经网络和D-S证据理论融合的故障诊断模型,仿真实验证明该诊断系统可有效地提高诊断可信度,减少诊断的不确定性.     

基于粗糙集理论的柴油机神经网络故障诊断研究

介绍了粗糙集理论的核心内容 ,给出了基于 kohonen神经网络的连续属性值离散化方法。应用粗糙集理论对反映柴油机运行工况的特征参数进行了属性简化 ,剔除了不必要的属性。研究了 RBF神经网络故障诊断模型及学习规则 ,给出了基于粗糙集理论的 RBF神经网络故障诊断原理和步骤。通过对柴油机供油系统柱塞磨损故障的自动分类和诊断 ,表明该系统能有效地减少神经网络的输入节点数 ,克服了神经网络规模过于庞大及分类识别速度慢等缺点。     

基于注意力模块及1D-CNN的滚动轴承故障诊断

针对传统的卷积神经网络对特征的辨识性差的问题,提出一种将注意力模块与一维卷积神经网络相结合的滚动轴承故障诊断模型.首先以加入噪声的振动信号作为输入,利用"卷积+池化"单元提取信号的多维特征,然后通过注意力模块对特征赋予不同的权重,利用双池化层取代传统卷积神经网络中的全连接层进行特征的再次提取及特征信息整合,最后通过So...     

船舶柴油机故障诊断专家系统研制

结合神经网络和D-S证据理论,采用JAVA作为开发工具,JESS作为诊断工具,研制开发了柴油机故障诊断专家系统.系统可根据推理模型,结合历史数据和柴油机实时监测数值,在柴油机发生故障时,显示故障的有关信息、故障的可能原因以及维修建议.     

基于VMD和SVPSO-BP的滚动轴承故障诊断

为了提高旋转机械滚动轴承故障诊断的准确率,提出一种基于变分模态分解（VMD）和缩放变异粒子群算法（SVPSO）优化BP神经网络的旋转机械滚动轴承故障诊断方法。通过在标准粒子群算法中加入缩放因子以及粒子变异操作提升其局部与全局寻优性能,得到一个改进的粒子群算法——缩放变异粒子群算法（SVPSO）,再利用该算法优化BP网络的权值与阈值,提高BP神经网络的故障诊断精度;进一步,为了减少输入特征向量对BP神经网络分类性能的影响,采用VMD分解轴承振动信号,并计算其IMF分量时频熵的方法构建信号特征向量。通过与其他采用相同基准轴承数据集的诊断方法作对比,所提方法的故障诊断精度和算法稳定性均得到有效提升。     

基于粒子群优化神经网络的水轮机振动故障诊断

为了提高水轮机振动故障诊断正判率,提出粒子群算法优化BP神经网络的水轮机振动故障诊断方法,即把通过特征提取获得的机组故障特征量作为神经网络的输入,然后利用训练好的粒子群算法优化后的神经网络进行水轮机振动故障类型诊断。诊断结果表明,该方法具有良好的分类效果,比BP神经网络诊断模型诊断精度高。     

人工神经网络在混合智能故障诊断技术中的应用研究

故障诊断的关键是寻找一种使诊断结果更为有效的方法。人工神经网络作为一种新兴的故障诊断方法，越来越受到人们的关注。然而，对于复杂的系统，单一的传统神经网络很难给出理想的结果。本文重点对神经网络与其它诊断方式融合的混合智能技术，即神经网络与专家系统、模糊控制、小波分析和遗传算法的结合以及集成神经网络等在故障诊断中的应用进行了综述。这些方法已应用到实践中，并取得了一定的成果。     

基于LS-SVM的制冷系统故障诊断

为了提高制冷系统故障诊断速度及准确性,提出了基于最小二乘支持向量机(LS-SVM)的制冷系统故障诊断模型,并采用ASHRAE制冷系统故障模拟实验数据进行模型训练与验证.对一台90冷吨(约316 kW)的离心式冷水机组的7类制冷循环典型故障进行了实验.研究结果表明,LS-SVM模型对制冷系统七类故障的总体诊断正确率比支持向量机(SVM)诊断模型、误差反向传播(BP)神经网络诊断模型分别提高0.12%和1.32%;尽管对个别局部故障(冷凝器结垢、冷凝器水流量不足、制冷剂含不凝性气体)的诊断性能较SVM模型的略有下降,但对系统故障的诊断性能均有较大改善,特别是对制冷剂泄漏/不足故障;诊断耗时比SVM模型减少近一半,快速性亦有所改善.可见,LS-SVM模型在制冷系统故障诊断中具有良好的应用前景.     

基于DFCNN的滚动轴承定量诊断方法研究

以滚动轴承作为研究对象,设计了深度可分离模块、残差骨干网络、金字塔池化结构和路径聚合结构等特征融合单元,建立了深度特征融合的卷积神经网络（Deep Feature Convolutional Neural Network,DFCNN）,分析了随机梯度下降法对网络参数优化的有效性及数据集传递次数与模型精度的关系,开展了不同样本容量和不同噪声环境下的故障试验。结果表明：提出的DFCNN模型可以有效识别滚动轴承损伤部位以及损伤程度,诊断准确率大于99.5%;该模型对样本容量要求低、抗噪能力出色,当信噪比大于-4时诊断准确率大于98.86%。     

基于多输入神经网络在汽轮发电机组中的研究与应用

人工神经网络以其独特的优点在故障诊断中的应用越来越受到关注。提出了以改进BP神经网络为基础的多征兆域输入、分层诊断的故障诊断模型,该模型具有网络结构简单,收敛速度快,便于管理等优点。经实验和现场数据验证,该模型不仅对单故障具有诊断能力,而且对于并发故障也有较强的分类功能。     

汽轮机组回热系统故障诊断知识的模糊处理及诊断研究

在建立火电机组回热系统常见故障的故障集和征兆集基础上,利用模糊数学知识和相关理论,针对回热系统故障征兆参数的不同变化方向和程度,采用不同的变化等级和阈值,建立了回热系统典型故障样本模式知识库及实时故障模式集。同时利用基于MATLAB环境下的径向基函数网络,建立了回热系统故障诊断模型。并利用电站仿真机模似典型故障进行了神经网络模型的验证。实践表明,这种方法可有效地进行回热加热器故障样本模式的模糊量化处理,极大地改善了神经网络训练的收敛性。有利于回热系统的故障诊断。