不同负荷低加内部泄漏故障神经网络诊断研究

针对600 MW火电机组低压加热器系统内部泄漏故障,提出一种基于神经网络的以最大故障分离度为目标的寻优技术;采用征兆模糊计算方法对典型故障样本进行规整化处理,建立了低加内部泄漏故障诊断的神经网络模型;结合征兆缩放优化技术和神经网络诊断模型,对不同负荷下不同程度低加内部泄漏故障进行实时仿真实验;实验表明上述方法对不同负荷下程度迥异的低加故障均可得到具有高故障分离度的正确诊断结果,可准确诊断低加内部泄漏故障,具有较好的工程实用性。     

基于神经网络的超临界锅炉四管泄漏故障诊断

四管泄漏是电站锅炉的常见故障,不仅导致非正常停炉和经济损失,严重时会危及运行人员的生命安全,深入研究四管泄漏故障规律并采用先进方法对四管泄漏故障类型和位置进行实时诊断具有重要意义;为此,借助火电机组全范围仿真系统,针对不同的协调运行方式,对某600MW超临界机组锅炉四管泄漏故障的规律进行了详细的仿真研究;在此基础上,采用神经网络与征兆缩放技术相结合的智能诊断方法,实现四管泄漏故障的实时诊断;实验结果表明:该方法对不同协调运行方式下程度不同的四管泄漏故障均可得到具有较高故障分离度的正确诊断结果,具有较好的工程实用性。     

核电站高压加热器泄漏仿真

高压加热器泄漏故障的诊断是压水堆核电站热力系统仿真的重要组成部分.如何准确地、实时地、高效地诊断泄漏故障,特别对给水出口温度,抽气压力,疏水温度等重要参数的变化趋势的诊断一直是核电站系统的难题.采用FLOWBASE 图形化流体网络软件,建立了压水堆核电机组给水加热器双区多节点动态数学模型,提供了以往一些仿真技术所没有的实时在线监测参数的功能,优化并丰富了仿真结果的分析手段,获得了高压加热器在泄漏状态下各重要参数的实时曲线,为核电站高压加热器的故障检测提供了可靠性,也为建立压水堆高压加热器故障正确诊断奠定了基础.     

压缩式垃圾车液压系统故障诊断方法研究

针对传统液压系统故障诊断方法诊断效率低、诊断精度不高等问题,以垃圾车液压系统为研究对象,提出了基于支持向量机的液压系统故障诊断方法.运用AMEsim软件建立垃圾车液压系统仿真模型、采集故障数据,利用故障数据建立支持向量机分类模型并进行参数寻优,最后利用分类模型对液压系统未知故障样本进行测试.仿真结果表明,上述函数和惩罚因子的选择对诊断精度影响较大;支持向量机诊断方法能更加有效提取液压系统故障信息,有更高的故障诊断精度和诊断效率.     

基于改进CAF-WAS的绑定前硅通孔测试

硅通孔TSV发生开路故障和泄漏故障会降低三维集成电路的可靠性和良率,因此对绑定前的TSV测试尤为重要。现有CAF-WAS测试方法对泄漏故障的测试优于其他方法(环形振荡器等),缺点是该方法不能测试开路故障。伪泄漏路径思想的提出,解决了现有CAF-WAS方法不能对开路故障进行测试的问题。另外,重新设计了等待时间产生电路,降低了测试时间开销。HSPICE仿真结果显示,该方法能准确预测开路和泄漏故障的范围,测试时间开销仅为现有同类方法的25%。     

改进ART1神经网络在航空发动机故障诊断中的应用

根据航空发动机故障诊断原理和飞参数据,提出了一种改进ART1神经网络故障诊断方法.该法对数据预处理后,运用四阈值法和二次判断建立故障代码消除"伪故障",并对ART1神经网络的输入层进行了改进,在诊断突发性故障的基础上,增加了对因为部件原因而引起的渐变性故障的诊断.实验结果证明,该方法精确度高,噪声抑制力强,而且诊断准确,大大降低了虚警率.     

改进ART1神经网络在航空发动机故障诊断中的应用

根据航空发动机故障诊断原理和飞参数据,提出了一种改进ART1神经网络故障诊断方法。该法对数据预处理后,运用四阈值法和二次判断建立故障代码消除“伪故障”,并对ART1神经网络的输入层进行了改进,在诊断突发性故障的基础上,增加了对因为部件原因而引起的渐变性故障的诊断。实验结果证明,该方法精确度高,噪声抑制力强,而且诊断准确,大大降低了虚警率。     

基于支持向量机的故障诊断

将支持向量机应用于故障的分类诊断,通过实例建立了两类故障分类器和多故障分类器,给出了具体的建立多故障分类器的步骤和仿真结果。最后提出了一种新的方法——基于支持向量机的并行诊断网络。     

基于神经网络的传感器故障诊断的研究

为了实现对传感器故障的在线诊断.建立了基于神经网络和虚拟仪器的传感器诊断系统.首先介绍了神经网络和虚拟仪器技术,提出了在线诊断的原理,并用LabVIEW编程实现.通过仿真比较两种神经网络的性能,确定选择RBF神经网络,并用矿井水处理厂取得的传感器数据进行仿真,结果表明,方法可行.     

线性系统参数故障检测与诊断的一种两级Kalman滤波算法

本文研究了线性系统的参数故障检测与诊断问题,提出了一种适于系统内部及控制器故障的两级Kalman滤波算法。该算法中,初级滤波器建立在系统无故障的假设上,对其新息序列作简单的假设检验即可实现故障的检测。当系统发生故障时,次级滤波器即从初级滤波器的新息序列中估计出参数故障的大小。仿真结果表明,这一算法是可行且有效的。     

基于HHT的液压管路裂纹故障诊断方法研究

将HHT方法应用于液压管路裂纹的故障诊断,提出基于HHT的液压管路裂纹故障诊断方法,并以正常液压管路和有裂纹液压管路为例进行实验验证。首先进行EMD（经验模态分解法）振动信号分解。将EMD和HHT方法引入航空发动机液压管路裂纹的振动信号分析,某发动机液压管路的裂纹振动信号的分析结果表明,该方法能够克服傅里叶谱无法同时获得时域和频域信息的缺陷。同时边际谱能够比较真实客观地反映有裂纹液压管路的频率和幅值分布情况。此外由边际频谱图中可知,无裂纹液压管路、有裂纹液压管路振动信号的频率能量分别集中于25 Hz,有裂纹的整体系统刚度大于无裂纹的。据此,有裂纹的管路,其振动加大的现象得以由HHT方法明显呈现。     

基于定性趋势分析的油料灌装稳态过程管道堵塞故障诊断

针对油料灌装稳态过程中的管道堵塞故障,分析了管道堵塞对灌装稳态过程监控参数的影响,提出了基于定性趋势分析的油料灌装稳态过程故障诊断流程,给出了趋势提取、趋势识别及趋势匹配方法。以油料灌装控制实验装置为故障诊断对象,通过模拟不同类型的油料灌装稳态过程故障,采集管道输送压力、流量等过程监控参数时间序列数据,构建故障库,进行故障诊断案例验证,验证结果表明本文方法的有效性和正确性。     

基于广义回归神经网络的传感器故障诊断研究

针对诊断传感器偏置故障与漂移故障的难点问题,提出了一种基于广义回归神经网络(GRNN)的传感器故障诊断方法。该方法充分利用控制系统闭环回路测控信息,建立一组多输入单输出GRNN观测器,通过将观测器输出与传感器实际输出相比较获取残差序列,获得基于残差序列的传感器偏置故障和漂移故障的辨识策略,实现控制系统传感器故障在线诊断。仿真结果表明:该方法可以快速准确地检测和分离传感器故障,辨识传感器故障类型、故障大小以及故障发生的时间。     

Diagnosis and Localization of Pipeline Leak Based on Fuzzy Decision-making Method

A leak detection plays a key role in the overall integrity monitoring for a oil pipeline system.A fuzzy decision-making approach to pipeline leak localization is proposed in this paper. The two main methods,pressure gradient localization and negative pressure wave localization,are combined with fuzzy logical decision-making method to form a novel fault diagnosis scheme.The combination scheme can improve the precision of localization.An application example,14km long oil pipeline leak detection and localization,is illustrated.This method is compared with others through practical experiments and its validity is confirmed by the results.     

Design of nonlinear observers for detecting faults in hydraulic sub-sea pipelines

Firstly, a general nonlaminar model is considered for pipeline dynamics, including a treatment of faults caused by pipe restrictions. For three cases results are given for stability, robustness and fault detectability of a combined observer and residual (fault detection signal). An efficient numerical design algorithm is proposed. The method is applied to an actual experimental pipeline (rig system) which is set up to model a sub-sea umbilical. Results on modelling and on observer and residual (signal) design are given. The effectiveness of the design is tested by inducing two types of fault on the rig system.     

基于模糊决策方法的管道泄漏诊断与定位

A leak detection plays a key role in the overall integrity monitoring for a oil pipeline system. A fuzzy decision-making approach to pipeline leak localization is proposed in this paper. The two main methods, pressure gradient localization and negative pressure wave localization, are combined with fuzzy logical decision-making method to form a novel fault diagnosis scheme. The combination scheme can improve the precision of localization. An application example, 14km long oil pipeline leak detection and localization, is illustrated. This method is compared with others through practical experiments and its validity is confirmed by the results.     

Accurate diagnosis of induction machine faults using optimal time–frequency representations

This paper presents a new diagnosis method of induction motor faults based on time–frequency classification of the current waveforms. This method is composed of two sequential processes: a feature extraction and a rule decision. In the process of feature extraction, the time–frequency representation (TFR) has been designed for maximizing the separability between classes representing different faults. The diagnosis is realised in two levels; the first one allows the detection of different faults—bearing fault, stator fault and rotor fault. The second one refines this detection by the determination of severity degree of faults, which are already identified on the previous level. The diagnosis is independent of the level of load. This method is validated on a 5.5 kW induction motor test bench.     

基于一维卷积神经网络的自动扶梯机械故障分类研究

老旧扶梯机械故障较为隐蔽,定期检验不易发现,且对扶梯机械故障的智能分类的研究较少。自动扶梯振动信号复杂多变,数据量大,而采用传统机器学习算法对其机械故障进行诊断效果不佳。为实现自动扶梯机械故障的智能分类,在经典二维卷积神经网络的基础上,引入了卷积核的一维卷积神经网络,构建了自动扶梯机械故障的自动分类模型。首先为提高模型的泛化性能,融合凯斯西储大学轴承故障、东南大学齿轮故障和某大型商场自动扶梯梯级滚轮磨损故障的复合故障数据建立了数据集。然后用数据增强的方法对数据进行预处理,接着采用一维卷积神经网络,构建自动扶梯机械故障诊断模型。最后使用测试数据集对模型的分类精度进行了验证实验,结果表明该模型有着比传统机器学习算法自动化程度高、成本低、专业门槛低、步骤简单等明显优势,而且该模型能快速准确地对自动扶梯的机械故障进行自动诊断,实现了95%的诊断准确率,为下一步将该算法集成到检验仪器中打下了基础。     

基于系统参考模型的混合故障诊断技术研究

为满足复杂系统的故障诊断需求,提出了一种基于系统参考模型的混合故障诊断方法。针对不同系统中各节点的多种故障模式和交联关系,采用定性和定量的方法建立混合故障诊断参考模型。首先构建系统对象的故障元模型,然后建立对应的领域模型,最后基于故障诊断推理机实现对系统当前故障的诊断。通过构建某飞行数据设备的故障诊断模型,并进行仿真验证,结果表明该方法可以实时准确地判定系统故障,为提高复杂系统故障诊断的效率、提升系统运行安全提供了有效保障。     

SVM与DS结合的管道泄漏诊断方法研究

针对管道泄漏诊断准确率低和稳定性差的问题,提出一种结合SVM与DS证据理论的管道泄漏识别方法。运用小波分析法提取5种反映管道运行状态的特征参数,输入SVM分类器中进行初次分类,然后根据识别结果构造基本概率指派（BPA）,再运用组合规则对不同时空域数据进行DS融合,最后根据判决门限得出决策结果,将这种SVM-DS诊断方法应用于实验室管道泄漏检测系统中。结果表明,SVM-DS的管道泄漏识别准确率达到96.42%,与其他模式识别方法相比,该方法具有更高的识别率和更强的稳定性。