基于神经网络的转炉风机故障诊断

转炉风机在现代化炼钢过程起着重要的作用,本文把神经网络理论用于转炉风机的故障诊断,以征兆诊断法为理论基础,以信号频谱中各阶倍频和分频作为智能诊断的特征因子,提取故障样本,完成了BP网络的训练。     

随机森林在滚动轴承故障诊断中的应用

针对不同轴承数据特征选择困难和单个分类器方法在滚动轴承故障诊断中精度较低的问题,提出了一种基于分类回归树（CART）的随机森林滚动轴承故障诊断算法。随机森林是包含了多种分类器的集成学习方法。通过随机森林的“集成”思想来提高滚动轴承故障诊断的精度。从滚动轴承的振动信号中提取时域统计指标,将其作为特征向量,利用随机森林（Random Forest）对滚动轴承故障进行诊断。利用SQI-MFS实验平台的轴承数据,与传统分类器（SVM、kNN和ANN）以及单个分类回归树的诊断结果相比,随机森林算法具有比较高的诊断精度。     

改进LSTM-RF算法的传感器故障诊断与数据重构研究

针对传感器的故障诊断与故障数据重构问题,提出一种基于改进型长短期记忆网络(LSTM)和随机森林(RF)的混合算法.首先,运用改进型LSTM算法对传感器的输出序列进行预测,将预测值与实际值作差得到残差序列.然后,通过RF算法对残差序列进行分类,识别出传感器的故障状态.当传感器诊断的结果为故障工作状态时,利用改进型LSTM...     

基于机器学习的列车故障诊断应用研究

随着轨道列车智能运维系统的部署运行,列车运行过程中的工况数据能实时同步发送到地面服务器。为实现对列车故障的诊断预测,本文探索利用已确认的列车故障记录作为数据集构建机器学习模型,并将采集到的列车实时工况数据输入到预测模型进行测试,得到故障诊断的结果。本文从数据集获取、故障诊断模型构建、模型优化、模型应用等方面进行说明。     

一种数据驱动的多故障诊断方法研究

结合统计建模与物理建模的指定元分析(DCA)有效地避免了主元分析的模式复合问题,从而能用来进行多故障诊断。针对非正交指定模式的处理问题,基于模式分组思想给出一种逐步DCA多故障诊断法,把常见变化模式分为几个正交模式组,然后关于各组指定模式,分别对所得观测数据阵或上一步DCA所得残差矩阵做DCA,逐步诊断各组中的故障是否发生。针对包含6种共存故障的观测数据的仿真研究表明,逐步DCA多故障诊断算法可有效地进行多故障诊断,且无需人为解释诊断结果的物理意义。     

基于多征兆系统的模糊Petri网在风机故障诊断中的应用

针对风机系统故障征兆的不确定性和故障规则的冗余性,结合信息量和熵函数的概念,提出了一种基于多征兆系统的故障监测对象组的获取方法,利用监测对象的多征兆对故障知识库进行化简和分类,得到涵盖故障系统全部信息的简化故障规则,建立模糊Petri网模型用于风机的故障诊断.诊断仿真结果表明,基于故障监测对象组提取方法的模糊Petri网模型能够充分表征风机系统的故障,其推理过程接近人的思维活动,是一种有效的故障诊断方法.     

基于仿真的电路板级故障诊断测试方法

针对某雷达定时器板的电路特点,提出了一种基于仿真的电路板级故障诊断测试方法。首先,利用pspice对被测电路进行功能模型建模和故障模型建模,根据功能模型构建电路仿真原理图进行功能仿真,进而利用故障模型做故障注入进行故障仿真,仿真结束获取功能仿真和故障仿真数据,通过小波分析的方法提取仿真数据的特征,包括能量分布特征提取、极值特征提取和熵特征提取,并做测试节点优化删除冗余数据,最后通过概念格的方法对特征数据做训练,生成应用于被测对象的故障诊断模型。通过获取的故障诊断模型对诊断数据进行故障推理,验证了测试方法的可行性。     

基于膜聚类算法的风机振动故障诊断

在工业环境下,风机振动故障常常需要人工诊断,诊断效率低,不易完成实时计算和在线分析判断。针对上述问题,提出了一种膜聚类算法可用于风机振动故障的在线智能诊断。该算法将膜计算的方法引入到聚类中,并采用概率模型更新种群的方法实现最佳聚类中心的寻优。算法首先在多个数据集上进行聚类实验,实验结果显示该算法克服了常规聚类算法聚类结果不稳定,聚类质量差的缺点。然后将其应用于风机振动故障在线诊断系统中进行仿真测试,结果显示所采用的方法能满足风机振动故障在线智能诊断要求,也可应用于其他各类设备的振动故障在线智能诊断。     

基于多尺度空间的直升机滚动轴承故障诊断

针对直升机系统与传递路径复杂,采集信号中成分多样,传统方式提取的特征难以有效反映信号健康状态,影响滚动轴承诊断精度等问题,在传统时域指标的基础上,结合多尺度空间对特征空间重叠和信号跨尺度复杂性问题上的优势,构建多尺度指标作为故障分类的依据。根据ReliefF算法对原始高维多尺度特征迭代计算得到权重,利用权重值进行特征选择,同时减轻计算成本。权重最大的一部分特征将作为随机森林模型的输入,利用其多分类器集成学习的优势,进行滚动轴承故障分类诊断。通过滚动轴承公开数据集来说明所提方法的优势和可行性。数据处理结果表明,多尺度特征较原始时域特征具有更好的分类性能,并且随机森林在该算法中较其他分类模型分类效果更好。     

风机传动系统故障诊断试验系统设计

为了获得风机传动系统中轴承和齿轮箱的故障规律,进一步挖掘混合故障的运行特点,设计了一套传动系统试验台。介绍了传动系统部件的设备选型,轴承和齿轮箱典型故障的制备以及振动信号和声发射信号相结合的故障信号采集系统的搭建。最后,对试验台的运行状态信号进行采集与故障分析。分析结果表明传动系统部件及故障设备能够很好地模拟实际工况,结合振动信号和声发射信号,可以进一步提高故障检测的准确性。     

基于图像识别技术的隧道工程监控管理系统设计

针对现有技术中隧道工程故障诊断存在的技术弊端,提出了一种利用巡检机器人进行智能化的监控管理方法,本研究通过巡检机器人对隧道工程的进度信息进行采集,通过图像识别技术实现隧道工程故障信息获取,通过多传感器数据信息融合模型对采集的信息进行处理,通过GIS技术对运维常的项目情况进行三维建模,并利用视觉点对三维建模中三角形空间单元进行删减,提高图像刷新率。通过模拟实验,本研究设计的巡检机器人监管方案的评价精度高,得出采用本研究设计的可视化监管方案可以使评价得分提升了21%。大大提高了隧道工程故障诊断能力。     

基于改进HHT的风力发电系统轴承故障诊断

轴承是风力发电机组中故障率较高的部件,其故障信号为非线性、非平稳信号,经验模态分解是一种自适应的信号处理方法,可用来分析此类信号,但是模态混叠使得经验模态分解无法准确地将固有模态分离出来。针对此问题,采用总体平均经验模态分解进行改进,利用高斯白噪声的频率均匀分布的统计特性,抑制模态混叠现象,并通过计算固有模态函数与故障信号的互信息来剔除虚假分量,从而得到更准确的Hilbert-Huang谱,由此提取故障信息,判断故障类型。仿真试验及轴承故障诊断实例均证明了该方法的有效性。     

基于深度置信网络风电机组变桨系统的故障诊断

针对风电机组变桨系统常见故障,提出一种基于深度置信网络(DBN)的故障诊断方法。设计出基于DBN的变桨系统故障诊断框架;通过堆叠多层受限玻尔兹曼机(RBM),对比重构数据与原始输入数据差异,研究了DBN故障特征自提取能力;将堆叠RBM提取的故障特征输入到顶层分类器中进行训练,得到故障诊断模型;最后采用风场真实故障数据集进行了验证测试。实验结果表明,采用该方法进行风电机组变桨系统故障诊断相比其他方法具有更高的准确率。     

基于压缩采集与CNN的风电机轴承故障诊断

针对传统风电机轴承故障检测存在的采样数据量大、故障特征依赖主观选取的问题,提出了风电机轴承故障的信号压缩采集、自动提取特征及故障诊断的方法,解决了风电机轴承振动信号特征提取计算复杂、受先验知识影响较大的问题.首先基于梯度加速法(NAG)和QR分解理论对随机高斯观测矩阵进行优化,实现风电机轴承振动信号压缩采集;然后将压缩...     

基于改进LMD方法的风电机组齿轮箱故障诊断研究

局部均值函数的求取是局部均值分解(LMD)的关键环节.针对局部均值函数求取存在偏差进而造成模态混叠的问题,提出了一种基于局部积分均值的LMD风电机组齿轮箱故障诊断方法.该方法改变了对相邻两极值点求平均值的思路,采用求取相邻两极值点的局部积分均值,再通过滑动平均法进行平滑处理,最终得到局部均值函数.为实现风电机组齿轮箱故...     

小波神经网络对风力发电机齿轮箱的故障诊断

为研究风力发电机组齿轮箱的故障特性,提高其工作的可靠性,提出采用小波神经网络对齿轮箱的故障进行诊断的方案。该方案采用小波包分析与径向基函数(RBF)神经网络相结合组成小波神经网络,以准确地识别风力发电机组中齿轮箱常见的故障。诊断结果证明了方案的可行性。该方案在风力发电机组齿轮箱故障诊断领域具有良好的实用前景。     

基于VITE的风洞测量系统自动检测诊断平台

基于对高速风洞测量系统现状的分析和风洞试验现场对测量设备性能状态进行检测的需求,在改进测量系统可测性、检测方法规范化、检测数据信息化等方面进行重点设计,采用基于自动测试系统(ATS)的系统框架和虚拟仪器测试环境(VITE),以国家军用标准为依据开发了诊断和测试程序集,建立了“测试/诊断/管理一体化”的通用平台。系统在高速风洞中成功应用,满足了风洞测量设备原位检测和在线状态监测的需求,为试验前测量设备性能确认、试验期间设备状态监测、以及各项性能指标的定期检测与长期跟踪分析提供了自动化手段,提升了风洞测量系统健康管理的水平。     

基于和声蚁群耦合算法的风电机组齿轮箱故障诊断

基于和声搜索和蚁群算法优化后的BP神经网络,提出一种风电机组齿轮箱故障诊断方法。将蚁群算法的信息素更新机制用于和声搜索算法中,提高和声搜索算法的收敛速度,并利用和声搜索算法的个体扰动策略和随机搜索机制改善蚁群算法过早收敛的问题。利用该方法对BP神经网络的权值和阈值进行优化,克服BP神经网络算法易陷入局部最优解的缺点,提高神经网络的训练效率和收敛速度。测试结果表明,该方法诊断结果正确且精度高,将经和声蚁群耦合算法优化后的BP神经网络用于风电机组齿轮箱故障诊断是有效的。     

Data-Driven Modeling, Fault Diagnosis and Optimal Sensor Selection for HVAC Chillers

Chillers constitute a significant portion of energy consumption equipment in heating, ventilating and air-conditioning (HVAC) systems. The growing complexity of building systems has become a major challenge for field technicians to troubleshoot the problems manually; this calls for automated ldquosmart-service systemsrdquo for performing fault detection and diagnosis (FDD). The focus of this paper is to develop a generic FDD scheme for centrifugal chillers and also to develop a nominal data-driven (ldquoblack-boxrdquo) model of the chiller that can predict the system response under new loading conditions. In this vein, support vector machines, principal component analysis, and partial least squares are the candidate fault classification techniques in our approach. We present a genetic algorithm-based approach to select a sensor suite for maximum diagnosabilty and also evaluated the performance of selected classification procedures with the optimized sensor suite. The responses of these selected sensors are predicted under new loading conditions using the nominal model developed via the black-box modeling approach. We used the benchmark data on a 90-t real centrifugal chiller test equipment, provided by the American Society of Heating, Refrigerating and Air-Conditioning Engineers, to demonstrate and validate our proposed diagnostic procedure. The database consists of data from sixty four monitored variables of the chiller under 27 different modes of operation during nominal and eight faulty conditions with different severities.     

基于神经网络的风机喘振故障诊断方法研究

基于传统诊断方法的缺陷,深入研究了将神经网络技术应用于风机喘振的理论与方法,对喘振故障特征的提取做了深入细致研究,在众多的影响因素中,提取出了影响较大的因子,经仿真和实际样本验证,取得了良好效果,验证了该方法的有效性和可行性.该法充分利用了时域内所采集到的数据,通过简单而有效的运算,既可准确反映故障的类型,又易于实现.