基于多物理效应的异步电动机早期故障智能预测

通过寻找反映异步电动机早期故障状态的参数和信号,分析了这些参数和信号的变化特点和特征量,提出了基于多物理效应的异步电动机早期故障智能预测与诊断方法,并利用多物理信息融合方法,借助神经网络等智能工具强大的并行处理和非线性映射能力,解决了异步电动机早期故障不易检测和多故障不易分离的问题,实现了异步电动机早期故障的智能监测与预报。     

可拓理论与SOM网络相结合的多故障诊断方法

 针对采用SOM 网络进行多故障诊断时,要求多故障模式相似且不包含标准故障输出的限制,提出将SOM 网络与可拓理论相结合的多故障诊断方法.首先采用SOM 网络对训练样本进行聚类,得到故障模式及其聚类中心.然后针对每种故障模式的每个特征构造在聚类中心处取得最大值的关联函数,并以各特征的关联函数值为基础,设计多故障评价指标实现多故障诊断.最后采用汽轮发电机组振动信号的频谱数据对算法进行验证,结果表明该方法能够正确识别待诊断样本的单故障和多故障模式,具有可行性.     

汽轮发电机多故障诊断的SOM神经网络方法

汽轮发电机组的振动故障具有多样性的特点,经常出现多种故障同时发生的情况.传统的BP神经网络方法可对单一故障有效诊断,若要对多故障进行诊断,则需对各种多故障样本进行学习,使输入空间在训练过程中被样本空间完全覆盖,将大大增加样本空间及学习训练负担,同时网络归纳、联想能力随之大幅度下降,诊断难以实施.因此,将自组织特征映射(SOM)神经网络应用于汽轮发电机组的振动多故障诊断,用单一故障样本对网络进行训练,根据输出神经元在输出层的位置对多故障进行判断.经实例分析证明,该方法可对多故障进行有效诊断.     

一种基于故障参数与状态联合估计的多故障诊断方法

当需要诊断的故障数目较多、扩展故障参数后状态空间不可观测时 ,用一个故障诊断模型无法实现多故障诊断。为此 ,在分析了基于故障参数与状态联合估计的故障诊断方法原理的基础上 ,根据多个故障诊断模型之间存在的内在关系 ,提出了一种新的多故障检测和诊断方法 ,认为在某一段时间内 ,如有 n- 1(n为总故障数目 )个不同的两故障参数模型发出同一故障报警 ,则该故障报警有效。该故障诊断方法综合多个故障诊断模型的诊断结果 ,从而使一类复杂系统的多故障诊断成为可能。理论分析和仿真实验的结果证明该文所提出的方法是可行的 ,并且在工程上是易于实现的。     

基于BP神经网络的装备智能故障诊断技术 研究

针对某装备故障诊断中多故障原因和多故障征兆的复杂对应关系,本文在分析其故障模式复杂性的基础上,设计了该装备基于BP神经网络方法的智能故障诊断模型,介绍了该模型具体实现过程中的关键技术,并通过仿真实验对模型性能进行了分析。     

齿轮传递系统故障诊断检测方法研究

运用多传感器类型的选择和位置的优化配置方法,解决了由单一传感器采集信息来实现系统的多故障检测、分离和定位带来的缺陷,提高了齿轮传递系统故障检测的灵敏度和准确性,实现了对复杂机械系统进行多故障分离和高灵敏度的检测,使得运行设备故障状态得到更加准确的评价。     

锂离子动力电池传感器多故障诊断策略综述

锂离子电池作为新一代可充电电源,具有能量密度大、安全性能高等优点,显示出了广阔的市场前景。但锂离子电池在运行过程中会发生各种内、外部故障,所以锂离子电池安全问题一直备受关注。锂离子电池里的传感器正常运行是保证对电池系统实时监测的关键,但是传感器故障微小且不易察觉,并且故障具有关联性、并发性的特征,可能引起多故障的发生,进而触发热失控的风险。所以如何保证传感器精确、快速的进行锂离子电池故障检测与诊断是确保安全稳定运行的关键。本文首先从锂离子电池结构出发总结了锂离子故障的类型及成因,并详细分析了传感器故障和多故障产生的机理。然后,对锂离子电池从单体电池到电池包所涉及的传感器故障和多故障诊断策略进行全面的阐述,并且分析了可能成为未来发展趋势的传感器多故障协同诊断策略和电池新模式下的故障诊断方式（如气体检测等）。最后,以全文锂离子电池的传感器多故障研究的重难点,提出了传感器多故障诊断未来可能的研究方向。     

基于支持向量域描述的多故障诊断动态模型

为了提高多故障诊断中对新故障类别和新故障数据的适应性，提出了一种新的多故障诊断动态模型．该模型采用支持向量域描述算法（SVDD）对多类故障进行单独训练，建立独立而封闭的特征空间，满足故障类别的动态增加需要，并采用样本与各特征空间的相对距离进行了多故障的混合识别．应用在线SVDD算法，在已有的故障特征分布信息基础上，通过更新操作，学习新数据信息，从而实现了故障模式的动态调整．通过仿真和机械故障实例数据的检验，表明该模型能够动态地提取多类故障的特征信息，改善诊断学习过程的适应性．     

多源信息融合故障诊断方法研究进展

简述多源信息融合与故障诊断的关系,指出多源信息融合故障诊断的一般方法。从融合结构和融合算法的角度对多源信息融合故障诊断方法进行了分类阐述,并分别说明其诊断原理与研究现状;指出信息融合故障诊断按融合结构可分为层次结构信息、多级信息和组合神经网络的融合故障诊断,按融合算法分为基于贝叶斯理论、DS证据理论、模糊集理论、粗糙集理论和人工神经网络的融合故障诊断。最后展望了信息融合故障诊断方法的未来发展趋势。     

基于LSSVM概率输出与证据理论融合的变压器故障诊断

为了利用相对较少的故障数据样本对变压器主要故障类型进行较准确的判断,基于智能互补和数据融合的思想,提出基于最小二乘支持向量机LSSVM( least square support vector machine)概率输出与证据理论融合的故障诊断方法。该诊断方法具有以下特点：可融合蕴含变压器运行状态的多种特征信息,输出变压器各种故障的概率,为变压器检修提供更多的可用信息;充分发挥了LSSVM在小样本情况下具有较强泛化能力的优势。算例结果表明,该诊断方法的故障诊断准确率达到91.1%,优于传统的IEC三比值法(故障诊断准确率75.6%)及LSSVM分类法(故障诊断准确率82.2%),有效降低了诊断误判的风险。     

多传感器信息融合技术在液压设备故障诊断中的应用

为了克服液压设备传统诊断技术上的不足,提出了多传感器信息融合技术的故障诊断模型.该模型充分利用液压设备上能够携带故障特征的多类信息,并对这些信息在不同的层次上通过神经网络、贝叶斯理论、D-S证据进行有效的融合和计算,从而提高液压设备故障诊断技术的准确度.详细分析了多传感器信息融合技术的结构层次和一般方法,并讨论了信息融合技术理论在液压设备故障诊断模型中的原理和功能.达到了对液压设备典型故障的准确诊断.     

基于SVM与多振动信息融合的齿轮故障诊断

针对齿轮振动信号故障特征微弱以及单个传感器故障诊断可靠性与准确性低等问题,采用多传感器信息融合方法,利用支持向量机(SVM)对8路齿轮振动信号进行特征级融合,实现故障诊断.研究结果表明:基于多个传感器单个特征量信息融合的齿轮故障诊断率比常规的基于单个传感的多个特征量的诊断准确率更高,诊断结果更可靠;峰值因子对齿轮故障最敏感,以峰值因子为特征量的多传感器信息融合,诊断准确率达93.33%.     

基于支持向量机的滚动轴承早期故障诊断

针对航空发动机故障诊断过程缺乏大量实际故障数据的问题,提出了一种基于支持向量机和小波包相结合的滚动轴承的早期故障诊断方法.该方法利用有限的故障样本,以结构风险最小原理为基础,建立滚动轴承早期故障特征与其运行状态之间的对应函数关系,即故障分类器,并以该函数的输出判定轴承的早期故障类型.实验结果表明,小波包分析能够有效的提取滚动轴承中微弱的早期故障特征,支持向量机可以对这些早期故障特征进行准确识别.     

基于Dempster-Shafer证据理论的信息融合在设备故障诊断中应用

给出了一种基于神经网络的基本概率分配构造方法和诊断决策规则，提出了一种基于Dempster—Shafer证据理论的多故障特征信息融合的故障诊断方法，并以旋转机械故障诊断为例，详细说明了该方法的具体实现步骤。结果表明，经过多故障特征信息融合，诊断结论的可信度明显提高，不确定性明显减小，因此充分显示了该诊断方法的有效性。     

基于多属性群决策的柴油机故障证据融合方法

鉴于复杂机械系统中故障信息的不完备及不确定性造成证据理论在故障诊断决策级阶段融合的准确性问题,提出基于多属性群决策的故障证据融合方法.利用多属性群决策的属性分析,计算基于元素属性集合的决策体差异权重,以减小融合证据源的差异;结合柴油机目标故障的相似依赖关系,利用目标故障的可信度权重对冲突焦元信息再分配,旨在提高证据融合的准确性.对R6105AZLD柴油机台架试验结果表明:本文方法可大幅提高诊断准确度和鲁棒性.     

基于神经网络与专家系统的故障诊断技术

针对传统的故障诊断方法对复杂系统或装备进行故障诊断速度慢、对多故障同时发生的情况难以准确定位的问题,提出将神经网络与专家系统相融合的设计方案,建立一种基于人工神经网络的故障诊断专家系统。该专家系统结合神经网络和专家系统的优点,具有很强的自学习能力和自适应能力,可从外部环境不断吸取信息,在学习过程中不断完善自己,具有很强的容错性,善于联想、类比和推理。理论分析与仿真实验证明,该系统能实现对故障的快速准确定位,为保障装备可靠高效地发挥功能提供了有效方法     

用于水电厂设备的故障诊断的贝叶斯网络模型

通过分析水电厂设备故障诊断所面临的不确定性等问题以及当前常用诊断方法存在的局限性,研究基于贝叶斯网络的设备故障诊断方法,提出了适合于诊断问题的贝叶斯网络结构并阐述了基于贝叶斯网络故障诊断的团树推理算法.该方法综合考虑了多故障、故障症兆模糊以及电厂设备操作之间有依赖关系等情况.通过丰满水电仿真系统中水机调速器故障诊断的应用实例,证实了该方法在信息不确定条件下进行诊断决策的有效性和准确性.     

采用品质因子优化和子带重构的共振稀疏分解滚动轴承故障诊断方法

针对强背景噪声下的滚动轴承早期故障诊断问题,提出了一种融合遗传算法品质因子参数优化、子带重构共振稀疏分解(RSSD)和小波变换的故障诊断方法。该方法以滚动轴承早期故障振动信号RSSD低共振分量峭度指标作为目标函数,利用遗传算法对品质因子参数组合进行优化选择。依据能量分布占优原则对低共振分量进行主子带重构、减少噪声干扰且增强故障信号冲击特征。借助小波分析局部优化和多分辨的特性,对重构低共振分量进行多尺度小波分解,提取轴承故障特征且深度挖掘轴承故障特征信息。通过滚动轴承的2种不同类型故障诊断实例表明,与一般RSSD方法相比,该方法具有更强的削弱背景噪声影响、凸显微弱故障特征的能力。     

四种电力机车主变流器的故障诊断方法及仿真对比

我国铁路运输事业正在高速发展,机车的可靠安全运行对于铁路安全生产运输至关重要。对电力机车主变流器进行及时故障诊断可有效预防和减少铁路运输事故的发生。选取韶山8型(SS8)电力机车的主变流器作为研究对象,在MATLAB软件的Simulink环境下构建SS8型电力机车主变流器的仿真系统,模拟不同故障类型的运行模式,仿真得到相应的输出电压波形;分别利用小波变换、压缩感知方法处理输出电压数据,提取故障特征,构建故障特征向量;最后分别利用BP神经网络的方法对故障特征向量进行类别划分和利用支持向量机(SVM)工具箱构建多故障分类器,进行主变流器故障分类,从而实现故障诊断。     

基于证据理论和支持向量机的风机故障智能诊断

为了提高风机故障的诊断精度, 提出一种证据理论和支持向量机相融合的风机故障识别方法. 首先从振动信号中提取Wigner-Ville谱熵作为风机故障诊断特征; 然后采用不同核函数支持向量机进行训练, 建立风机故障诊断的子分类器; 最后采用DS证据理论对子分类器的输出结果进行融合, 并对其性能进行仿真测试. 实验结果表明, 该方法可以充分利用全部故障信息, 诊断结果更接近期望值, 诊断效果优于其他风机故障诊断方法.