基于KPCA-SOM网络的列控RBC系统故障诊断方法

无线闭塞中心(RBC)系统是CTCS-3级列控系统的核心设备,在现场其故障分析主要依靠人工完成,诊断结果不精确、效率低。因此,提出了基于one-hot模型、核主元分析(KPCA)和自组织映射(SOM)网络的RBC系统智能故障诊断方法。首先,通过人工选取的故障特征词库和故障追踪记录表构建基于“one-hot”模型的故障文档矩阵;其次,利用核主元分析方法对故障文档矩阵进行降维降噪处理,避免信息冗余;最后将处理后的数据输入至SOM网络,训练生成KPCA-SOM故障分类模型。通过与BP神经网络算法、SOM网络算法比对分析,KPCA-SOM智能诊断方法可有效地对列控RBC系统常见故障类型进行区分,并且在准确率和处理效率上进一步优化提升。     

指数加权动态核主元分析法及其在故障诊断中应用

核主元分析法能充分利用核函数来解决非线性问题,具有很好的非线性逼近能力,但传统的核主元分析不能处理动态问题。在分析核主元分析法的基础上,提出一种新的指数加权核主元分析算法,建立一个多变量加权自回归统计核主元模型,选择Q统计量来判断系统是否发生故障,给出指数加权核主元分析法诊断故障的具体计算步骤。对液压泵进行了试验,利用小波包对液压泵端盖的振动信号进行处理,提取由13个时域和时频域特征量构成的故障特征矢量。试验结果表明,与传统的核主元分析法相比,新方法能实时更新主元模型和控制限Qa,合理地利用实时动态信息,能较好地处理动态问题,通过计算比较选择合适的加权因子,能获得良好的故障诊断效果,该方法是可行而有效的。     

基于变权重主元分析的航天电源系统诊断方法研究

针对航天器电源系统部件耦合性强且工作状态变化引起系统故障诊断准确度低的问题,提出采用一种将变量权重与主元分析相结合的变权重分层主元分析方法(VW-HPCA)用于航天电源系统的故障诊断。变权重分层主元分析方法,采用"全局+多分块"分层主元分析结构,融合基于系统故障传播知识的权重分配矩阵,其中,全局主元模型用于辨识电源系统不同的工作状态,实现工作状态的聚类;分块主元模型则用于对不同工作状态下的故障进行快速诊断。该方法的优点在于融合了系统故障传播方向的知识,利用权重分配将强耦合的变量进行"解耦",从而降低"污染效应",避免了在变量强耦合系统中,非故障相关变量被判断为故障变量,导致故障辨识的准确度降低的问题。基于航天器电源系统综合模拟平台,分别在不同工作状态下,基于阶跃、缓变以及随机类型的不同故障条件,对方法的有效性进行了验证,结果表明,变权重分层主元分析方法可以有效提高主元分析方法在航天器电源系统中的诊断准确率。     

空调系统传感器自动故障诊断方法研究

针对空调系统运行过程具有非线性和动态特性的特点,提出了一种基于动态核主元分析的传感器故障检测方法。该方法采用核主元分析提取系统中的非线性冗余信息,建立核主元模型,再引入指数加权的定义,进行在线诊断的同时对模型进行实时更新,得到了改进的动态核主元模型。选择SPE统计量作为系统是否发生故障的依据。最后通过贡献图法实现了对故障变量的分离。将此方法应用于某地源热泵系统的传感器故障检测,结果表明,该方法能够实时更新核主元模型和置信限,成功分离故障变量,且和传统主元分析法相比具有更好的故障诊断效果。     

基于核独立元分析的工业故障检测

独立元分析(ICA)是从多个源信号的线性混合中分离出源信号的技术,是一种基于信号高阶统计特性的算法。但对于处理非线性变化信号有一定的局限,核独立元分析(KICA)方法能够很好地解决这个问题,该方法主要结合了核主元分析(KPCA)和独立元分析(ICA)的优点,是在线故障检测的一种非线性算法。该算法利用工业过程中多仪表在正常工作下的历史数据建立故障检测模型,通过监控检测统计量是否超出阀值控制限来进行故障检测。使用TE(Tennessee Eastman)过程数据进行仿真来验证此算法的有效性。     

烟气轮机的SOM网络故障监测与诊断专家系统应用研究

针对大型烟气轮机故障诊断问题,从基于智能和知识的角度进行研究,利用自组织特征映射神经网络（SOM网络）对故障现象进行自动分类,从而得出它们对应的故障原因;在面向对象的知识获取和管理工具,以及推理机的框架结构下,利用该诊断专家系统的经验知识进行决策推理与诊断,同时结合S8000系统,建立了一种SOM网络的烟气轮机故障监测与诊断专家系统。实践表明,该系统的诊断效果良好。     

基于近邻元分析算法的滚动轴承复合故障诊断

滚动轴承发生复合故障时,由于故障之间的相互耦合效应导致其振动信号特征十分复杂,基于信号处理的故障处理方法往往难以取得理想的结果,智能分类算法是一种行之有效的替代方法.基于上述分析,提出基于近邻元分析法(NCA)的滚动轴承复合故障智能诊断方法.利用常规时域、时频域特征提取方法对滚动轴承不同复合故障振动信号进行特征提取;利用NCA对提取到的特征向量进行分类,取得理想的诊断效果.通过滚动轴承复合故障实验,验证了所述方法的有效性.为突出近邻元方法的优越性,将其分类效果与主成分分析方法(PCA)的分类效果进行对比.对比结果证明:近邻元方法具有更高的分类正确率.     

基于SFLA-BP模型和KPCA特征提取的行星齿轮箱故障诊断

混合蛙跳算法(SFLA)是将竞争进化策略和有限度随机搜索有机结合的群智能优化算法,已应用于各种优化问题。分析混合蛙跳算法用于全局优化问题的优势,并建立了基于混合蛙跳优化BP神经网络(SFLA-BP)算法模型,进行了仿真研究。以行星齿轮箱为工程实例,分析了行星齿轮故障信号传递路径复杂,相互耦合,呈现非线性的特性。应用核主元分析(KPCA)提取了时、频域敏感的特征参数,特征属性由27维压缩到9维,并建立了结构为9-14-4的神经网络故障诊断系统。充分利用混合蛙跳算法全局搜索的优势实现了行星齿轮不同磨损程度的故障诊断。诊断结果表明:SFLA-BP模型与BP神经网络相比,整体输出误差较小,诊断的准确率提高了12. 5%,对不同损伤程度的故障可以达到准确的识别效果。     

基于粒子群优化SOM神经网络的轴系多振动故障诊断

针对自组织特征映射神经网络(SOM)在多振动故障诊断中出现的不能对所有可能故障完整分类和明显区分的缺点,提出基于粒子群算法优化的SOM神经网络.利用粒子群优化算法易实现、收敛快等优点,对SOM神经网络的参数进行优化,并用优化后的SOM神经网络对轴系故障进行仿真诊断.仿真诊断结果表明,粒子群算法优化的SOM神经网络比SO...     

基于改进模糊故障Petri网的复杂系统故障诊断与状态评价EI北大核心CSCD

为提高复杂系统的可靠性,在综合模糊Petri网和故障Petri网优点的基础上,提出了改进模糊故障Petri网的建模及推理方法。该模型定义了库所、托肯及变迁的着色规则,并结合模糊产生式理论,应用于复杂系统的故障推理,从而更加直观、明确地描述故障状态及信息。该模型的正向推理反映了故障传播的固有特性,采用基于智能点火判断矩阵的正向演绎算法,实现了故障状态快速、准确的智能评价。该模型的逆向推理为故障诊断过程,引入智能的逆向推理矩阵,并结合基于Petri网关联矩阵的最小割集诊断法,实现了模型中任意库所故障的逆向自动诊断,同时根据故障易发率得出最小割集优先顺序,提高故障诊断的效率。以数控机床进给系统的故障分析为例,验证了所提模型和方法的正确性与高效性。     

基于两类特征与AFSA优化SVM的滚动轴承故障诊断研究

针对非线性、非平稳的滚动轴承振动信号特征"难表征"和基于支持向量机(Support vector machine, SVM)的故障分类模型"精度低"的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)、峭度图(Kurtogram)与人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)优化SVM相结合的滚动轴承状态辨识方法。首先,利用Kurtogram算法、相关系数最大准则"筛选"出原信号经VMD后包含有效故障信息的本征模函数(Intrinsic Mode Functions, IMF),并计算其形态谱熵和能量熵构建有效特征向量集;其次,利用AFSA寻找最优的惩罚系数C和高斯核宽度系数σ的核函数系数组合(C、σ);并将有效特征向量集作为上述算法的输入建立滚动轴承状态辨识模型。实验结果表明,所提方法不仅能凸显原信号中的有效故障成份,同时也提高了模型学习效率和分类精度。     

基于SDG模型的风力发电机故障诊断方法

基于符号有向图SDG(Signed Directed Graph)的故障诊断方法在化工、钢铁等大型工业系统中已广泛运用。针对传统的风力发电机组故障诊断方法诊断耗时长、诊断过程复杂等缺点,提出基于符号有向图(SDG)模型的风力发电机组故障诊断方法。研究风力发电机组结构,建立风力发电机组SDG模型。利用关联算法通过风力发电机组分布输入矩阵对候选故障源节点进行筛选、排序。案例诊断结果表明,该方法能及时有效地检测风力发电机组的故障,提高风力发电机组故障诊断的效率。     

基于特征融合和GWO-SVM的铸铁金相组织分类技术研究

针对人工金相组织定量分析效率低、主观影响较大的问题，提出基于灰度共生矩阵(GLCM)和局部二值模式(LBP)融合的铸铁金相组织分类方法。分别提取铸铁金相图片GLCM和LBP特征，并使用主成分分析(PCA)将LBP特征降维，组成特征向量；通过不同核函数的对比，选择高斯核函数(RBF)作为支持向量机(SVM)的核函数；为了提高模型的效率，采用灰狼优化算法(GWO)对核函数进行优化。结果表明，GLCM和LBP融合后的分类效果要优于单一的GLCM和LBP；基于GWO优化后的SVM分类效果也要优于RF和ELM，分类准确率可以达到98.67%。     

基于脆弱性的制造设备故障智能诊断与维护

制造设备故障智能诊断与维护是保障制造系统安全运行的重要手段。为准确地诊断制造设备的健康状态、识别设备故障的关键因素,建立高效的健康维护系统,提出了基于脆弱性的设备故障智能诊断与维护方法。该方法将考虑脆弱性的设备故障智能诊断与维修决策模块嵌入到设备的过程控制系统（Process control system,PCS）中,它基于系统脆弱性的定义和性能劣化理论建立了设备脆弱性评估模型实时判断设备的脆弱状态,利用非线性核映射方法实时监测制造设备的运行参数是否超出预设边界,建立设备参数的高斯核函数模型准确识别故障的关键因素,将设备的脆弱性状态与维护模式相结合建立维修决策模型避免维修过度和维修不足。以某机器人的伺服系统为例,证实了所提方法能有效提高故障诊断效率、智能化诊断故障因素,优化设备维修决策。     

航空发动机的IGWO-KELM故障诊断方法

为提高航空发动机滑油系统的故障诊断有效性，提出了一种改进的灰狼算法优化核极限学习机（IGWO-KELM）的航空发动机故障诊断方法，对航空发动机进行了故障诊断技术研究。首先对航空发动机滑油系统的参数数据进行预处理，利用核独立分量分析（KICA）将数据映射到核空间，消除原始特征向量间的相关性，并提取特征系数矩阵；其次，由提取的特征矩阵创建KELM故障模型，为减少人为调节网络参数的随机性对诊断结果造成的影响，采用IGWO算法优化KELM的网络参数，并创建IGWO-KELM故障诊断模型；最后，对所创建的IGWO-KELM故障诊断模型进行了试验验证。结果表明，所提出的IGWO优化KELM的故障诊断方法能有效提高航空发动机故障诊断准确率，诊断准确率达96%，具有很好的应用前景。     

基于稀化核函数主元分析的机械故障诊断方法研究

提出一种基于稀化核函数主元分析的机械故障诊断新方法.该方法通过核函数映射将非线性问题转换成高维的线性特征空间,引入可变权值对高维空间中的映射数据的协方差矩阵进行稀化,应用似然估计得到优化权值,再作主元分析,提取其非线性特征,对机械故障模式进行识别.提出的方法继承核函数主元分析的优良性质,同时又能保证在识别效率不降低下的情况下有效提高故障识别速度.仿真和实验结果表明,稀化核函数主元分析和核函数主元分析方法都能得到很好的识别效果.然而,稀化核函数主元分析由于减少了核矩阵的计算量,因而模式识别速度大大加快.     

基于改进多尺度核主元分析的化工过程故障检测与诊断方法研究

针对化工过程数据的多尺度性和非线性特性,提出了改进多尺度核主元分析法.先利用小波变换分析测量数据的多尺度特性,然后采用核主元分析算法进行在线故障检测,对检测到的故障采用核函数梯度算法实现在线故障诊断,根据每个监控变量对统计量T~2和SPE的贡献程度,绘制贡献图,用于故障的分离.在监控过程中为解决核矩阵计算困难,引入特征向量选择方法.TE过程的仿真结果表明它能有效实现故障检测、故障诊断,与主元分析方法相比,显示出更高的过程监控能力.     

基于主元分析的锅炉系统故障检测与诊断

针对锅炉系统的故障检测与诊断问题,介绍了基于主元分析的故障检测与诊断方法,给出了在多变量统计过程中应用广泛的T~2和SPE(Q)统计量。采集锅炉正常工况下的历史数据建立PCA主元模型,利用所建立的模型检测锅炉运行的实时数据,采用贡献图法对检测到的故障数据进行诊断分析,识别出故障原因,从而实现锅炉系统故障检测与诊断的目的。     

基于PCA与蚁群算法的机械故障聚类诊断方法

针对现代机械复杂化、智能化的特点,为快速准确地诊断出设备故障,提出了基于PCA与蚁群算法的机械故障聚类诊断新方法。定义了聚类准确率判别因子,对主元的选取进行自适应调整,利用基于高斯径向基核函数的主元分析方法实现了故障特征提取。以蚁群算法解决旅行商问题为原型,定义了城市圈,改进蚁群算法实现了双重寻优,把故障聚类转化为蚁群算法最擅长的寻求最优解问题,将改进的蚁群算法用于故障特征样本的聚类。实例分析证明了该方法的有效性。     

基于MWT和CNN的滚动轴承智能复合故障诊断方法

提出一种基于多小波变换(MWT)和卷积神经网络(CNN)的滚动轴承智能复合故障诊断方法。对滚动轴承的振动信号进行去除后处理的MWT,得到相应的多小波系数分支;用所得多小波系数分支构造特征图,建立CNN分类器组模型,以实现滚动轴承复合故障的智能诊断。基于人工轴承故障数据集进行了实验研究,同时对诊断方法作了优化改进,即对振动信号进行MWT,用所得多小波系数矩阵构造特征图,建立CNN分类器模型,并进行了对比实验研究。结果表明,该方法能有效识别滚动轴承的复合故障,改进的方法能有效提高故障识别率,降低训练成本。