基于LabVIEW的工作面输送设备远程监测与诊断系统设计

针对现有工作面输送设备监测与诊断系统只能在井下现场使用的问题,设计了一种基于LabVIEW的安装于地面调度中心的输送设备远程监测与诊断系统;给出了由该系统与井下基于PLC的输送设备监测与诊断系统相结合构成的全矿井无人工作面输送设备监测与诊断系统的整体结构,分析了该系统与井下系统间的数据交换实现,介绍了在LabVIEW中运行BP神经网络故障识别的方法及SQL Server数据管理系统的设计。实际应用表明,该系统运行稳定,实现了在地面调度中心实时监测和综合诊断工作面刮板输送机、转载机和破碎机的工况。     

基于随机森林算法的石油钻采装备外部故障自动监测方法

为提高石油钻采装备外部故障检测能力,提出基于随机森林算法的监测方法.构建大数据采集模型,以石油钻采装备的异常振动数据为研究对象,进行故障特征提取和信息融合,构建故障工况下的信息融合和特征聚类模型,通过模糊C均值聚类进行故障特征的量化分解和分类识别,在随机森林学习算法下实现对故障检测和诊断的自适应寻优.仿真结果表明,采用该方法进行故障检测,可有效提高故障的自动监测能力,且准确性较高,实时性较好.     

基于聚类支持向量机的船用污水处理装置故障诊断

针对船用污水处理装置状态监测与故障诊断问题,提出了一种聚类支持向量机的故障诊断算法模型。该算法模型首先采用神经网络聚类算法将设备监测状态样本空间聚类分析出正常与异常子空间,再对异常子空间构造多分类支持向量机对故障进行诊断识别。该算法模型避免了盲目故障分类,提高了分类性能。通过对某船用污水处理装置实测样本的训练和检验表明,该算法具有较好的泛化性和推广能力。     

基于KPLS鲁棒重构误差的高炉燃料比监测与异常识别

作为钢铁冶金制造的核心工序, 高炉炼铁是典型的高能耗过程, 其运行能耗约占钢铁总能耗的50%以上, 其中, 80%的能耗是焦炭和煤粉等燃料消耗. 因此, 对表征高炉燃料消耗的燃料比参数进行监测, 并尽可能早地识别影响燃料比异常波动的关键因素, 对于高炉炼铁过程的节能降耗具有重要意义. 本文针对先验故障知识少的高炉燃料比监测与异常识别难题, 提出一种基于核偏最小二乘(Kernel partial least squares, KPLS)鲁棒重构误差的故障识别方法. 该方法首先建立过程变量与监测变量的KPLS监测模型, 然后根据非线性映射空间的协方差矩阵和核空间Gram矩阵之间的关系, 反向估计原始空间变量的正常估值. 为了增强算法的鲁棒性, 采用迭代去噪算法减少异常数据对原始空间正常估值的影响. 通过利用原始空间正常估值和真实值来构造故障识别指标, 并给出故障识别指标的控制限. 基于实际工业数据的高炉数据实验表明所提方法不仅可以监测出正常工况下影响燃料比异常变化的潜在因素, 还可识别出异常工况下影响燃料比异常变化的关键因素, 具有很好的工程应用前景.     

基于KNN的水轮机组轴承监测与故障诊断

为了对水轮机组轴承进行实时监测并对其故障进行诊断,提出一种基于KNN算法的水轮机组轴承的故障诊断算法与监测系统。首先,介绍了传统的KNN算法,其次引入故障识别球,对KNN算法进行优化,使其更适用于水轮机组轴承故障诊断,并对故障样本数据集进行增强和优化;然后,根据水轮机组轴承运行状态能够通过在线油液特征来反映,构建在线油液特征检测系统;最后,通过故障样本数据集对优化后的算法进行验证,并使用设计的监测系统对水轮机组轴承的运行状态进行了一个月的实时监测。结果表明：优化后的KNN算法具有可行性与自适应性,对故障识别诊断的准确率高达0.98;监测系统运行稳定,能够对水轮机轴承进行实时监测,及时对异常数据进行获取与识别,并给出故障诊断报告与检修意见。     

基于神经网络的无人机传感器故障诊断技术研究

无人机传感器的故障诊断和容错控制是一项关键技术,为了能够实时监测传感器的运行状态、快速定位故障和控制重构,文章采用BP神经网络设计了一种由主、从神经网络构成的无人机传感器故障诊断算法,其中主网络用于传感器的故障检测,从网络完成对故障的识别;该算法减少了故障诊断运算量,提高了故障诊断的实时性;通过仿真研究表明了该算法可以有效地检测、识别出故障,并能给出故障传感器估计值用于容错控制.     

D-S证据理论在电路故障诊断中的应用研究

针对传统的线路切割法在电路故障诊断表现出的诸多问题,提出了一种基于D-S证据理论的多故障分类器的信息融合系统框架模型。在该模型中,基于SVM的故障分类器模型、基于贝叶斯的故障分类器模型和基于神经网络的故障分类器模型中的故障集合的并集共同构成识别框架,并利用Dempster合成法则对测试数据进行融合。实例研究表明,该模型增强了诊断系统的可分析性,有效提高了故障模式的识别能力。     

基于电流特征的电梯运行状态监测装置研制

电梯非正常停机识别是电梯运行安全监测和故障报警的基础。介绍一种基于电流特征的电梯运行状态监测方法,研究基于快速模板匹配的电梯非正常停机识别算法,开发电梯运行状态监测装置的硬件和软件,实现电梯非正常停机识别、停电监测和故障报警。试验表明：该方法可行,装置安装容易,识别准确率高,报警及时有效。     

煤矿瓦斯监测系统异常数据识别技术研究与应用

详细分析了瓦斯监测系统在日常运行中产生异常数据的原因,阐述了异常数据辨识原则,建立了异常数据识别模型,并根据该模型设计了异常数据分析识别软件。实际应用结果表明,该分析软件能够有效减少瓦斯监测系统误报警、误断电情况的发生,提高了监测数据的真实性和可靠性。     

神经网络技术在电梯故障诊断中的应用

文中介绍了一种基于GCAQBP学习算法的神经网络模型，并将该模型应用于电梯故障诊断系统。阐述了该模型的基本原理、神经网络的结构、学习算法，并应用该模型对电梯的几种典型故障进行了实际的诊断运行。诊断结果表明，该算法具有较好的收敛速度、学习能力和鲁棒性，其诊断结果精度高，结论可靠。     

面向电力变压器的声纹智能诊断装置设计与应用

电力变压器是直接影响电力系统安全运行的重要设备之一,目前多采用图像或侵入式传感测量的方式,本文设计了变压器声纹采集装置、特征提取方法、以及基于迁移学习的深度神经网络识别模型.首先,采集并预处理变压器噪声信号,对分帧信号进行时域和频域特征提取,获得声纹特征向量,然后,输入迁移学习算法模型,实现变压器直流偏磁、过负荷、以及绕组变形等8种工况的智能识别诊断,最后,设计声纹特征数据库建立方法,采集变压器运行声学样本,对声纹识别算法模型进行训练和优化.通过数据集对比测试和变电站部署应用,验证了算法模型的识别准确度和系统可行性,该装置可作为当前监测手段的有效补充,提高变压器综合监测和潜伏性缺陷识别能力.     

基于鲁棒加权模糊聚类的污水处理过程监测方法

针对非线性强、先验故障知识少、异常工况识别难的污水处理过程监测问题,提出一种基于鲁棒加权模糊c均值(Robust weighted fuzzy c-means, RoW-FCM)聚类与核偏最小二乘(Kernel partial least squares, KPLS)的过程监测方法.首先,针对污水处理过程的高维非线性耦合特性,采用核偏最小二乘对高维输入变量进行降维;其次,针对传统基于最近邻分配的模糊c均值算法对离群点敏感以及存在聚类不平衡簇的问题,提出充分考虑样本间相互关系的基于鲁棒加权模糊c均值聚类算法.通过引入可能性划分矩阵作为权值参数实现不同样本数据的区分加权,提高了离群点数据聚类的鲁棒性,同时引入聚类大小控制参数解决不平衡簇的问题.进一步将基于鲁棒加权模糊c均值算法对核偏最小二乘降维后的得分矩阵进行聚类,利用聚类得到的隶属度矩阵实现异常工况的检测;最后,建立隶属度矩阵与过程变量的回归模型,并利用得到的变量贡献矩阵描述变量对各个簇的解释程度,实现异常工况的识别.数值仿真以及污水处理过程数据实验表明该方法具有更好的鲁棒性能,在异常工况检测和识别上具有较好的效果.     

基于Q统计量分量的故障检测算法研究

针对传统PCA故障检测算法的结果有定论不明确的缺陷,提出一种基于Q统计量分离的故障检测新方法,把Q统计量分为PVR和CVR,前者代表显著与主元有关的变量信息,后者代表与主元无明显关系的变量信息,再配合T2统计量共同用于监测过程,检测效果更细致.将此方法结合基于累积方差贡献率(CPV)和复相关系数(MCC)确定过程监测模型主元数的新方法,监测β-甘露聚糖酶发酵工业的过程,与传统的PCA故障检测方法比较,仿真研究结果表明该算法能够确保主元空间(PCS)中的信息存量,充分刻画过程变化,有效识别正常工况变化与故障,正确检测微弱故障,提高过程监控的准确性.     

控制棒驱动机构智能感知与诊断系统架构设计与实现

为提升核反应堆关键设备的智能化水平，使设备能根据实时获取的多源信号实现运行状态的自我感知、诊断和反馈，本研究针对控制棒驱动机构开发了控制棒驱动系统自适应控制数字化模型和控制棒驱动机构故障诊断智能模型，并基于dSPACE实时仿真系统搭建了控制棒驱动机构智能感知与诊断系统实验样机。通过功能验证，证明该系统能根据控制棒驱动机构线圈电流和振动信号对控制棒驱动机构的正常运行工况和典型故障模式进行实时判别、故障诊断、反馈与自适应控制，各种运行状态的识别准确率达到99.2%以上，为后续核反应堆智能设备的研制提供参考。     

基于免疫原理的多Agent故障诊断系统

随着系统设备和功能的日益复杂化,各种故障现象成因越来越复杂,现有固定的诊断推理模型却难以满足复杂系统诊断面临的全部要求。针对故障诊断系统难以适应动态变化环境的缺点,该文以励磁设备的在线故障诊断为背景,研究故障识别的症兆与诊断决策置信度之间的机制,借鉴生命体的相似性原理与免疫应答的调节理论构造诊断模型重构控制的细胞免疫型结构模型,研究免疫型诊断模型的选择激励与重构动力,提高诊断系统确诊率,设计基于免疫原理的多Agent故障诊断系统．为复杂的电气设备诊断开发提供便捷的工具。     

基于L-M神经网络的齿轮故障诊断

齿轮传动工况的复杂性使得其特征参量与故障形式呈非线性映射关系.提出基于Levenberg-Marquardt算法的前向多层神经网络的齿轮故障诊断方法,该方法通过利用二阶导数信息,可以提高收敛速度和增强网络的泛化性能.并以一种齿轮箱故障信号采集实验系统为例,通过MATLAB软件及其神经网络工具建模和仿真研究.结果表明,Levenberg-Marquardt神经网络对齿轮常见故障有良好的识别能力,能稳定、准确地识别各类故障,与标准BP网络相比,收敛速度快且诊断更为准确.     

基于NSGA-II和SVDD的转向架构架异常状态监测

转向架构架状态监测是保证轨道车辆安全运营的重要途径.研究提出了一种基于NSGA-II和SVDD的转向架构架异常状态监测方法,针对构架异常状态下样本集的随机多样和不确定性,引入SVDD算法,以构架正常状态的样本集构建SVDD超球体模型对多工况条件下构架的异常状态进行识别.同时以SVDD超球体半径定义优化目标函数f1(传感器数量)和f2(超球体聚类指标),并基于NSGA-II算法对传感器分布进行了优化.在此基础上,搭建转向架构架状态监测实验平台,对多工况条件下构架的异常状态识别进行研究.结果表明:①经优化后的传感器分布方案能有效获取转向架构架状态监测数据,当优化方案中传感器数量达到3时,识别率达到91.33％;②以转向架构架正常状态样本集构建的SVDD模型对异常状态具有很好的识别效果.     

基于小波分析和机器学习的电力电缆故障诊断研究

以MATILAB语言为工具,笔者首先对小波分析对电缆故障信号特征进行提取,将小波分析与机器学习理论应用于电缆故障诊断,通过电缆故障信号的小波分析,找出最优的小波类型,并利用机器学习分类和回归算法对故障进行识别和对故障点进行定位,最后建立了一种能实时精确定位电缆故障和识别电缆故障的模型,用于在线实时精确监测电缆故障。     

基于量子小波神经网络的传动装置模式识别

针对传统神经网络收敛精度低,以及用于故障模式识别能力差的问题,提出了将量子神经网络与小波理论相结合的量子小波神经网络模型.该模型隐层量子神经元采用小波基函数的线性叠加作为激励函数,给出了网络学习算法,并以某型传动装置监测信号的小波能量谱为训练样本,识别传动装置带有缺损的齿轮故障征兆.仿真结果表明,量子小波神经网络能够提高神经网络训练精度和故障征兆识别精度.     

基于熵值法和DEA的电力监测异常数据自动识别算法研究

为了有效提高电力监测异常数据识别准确率，确保异常数据识别效果，提出了基于熵值法和DEA的电力监测异常数据自动识别算法。应用数据脱敏、数据填补、颠簸去除等方式处理电力监测异常数据，还原原始电力监测数据，提升脱敏后数据完整性，降低颠簸数据对电力监测异常数据精度的影响。以经过数据处理的电力监测异常数据为基础，通过熵值法确定目标的属性和权重作为度量标准，采用基于熵值法改进的最近邻聚类算法，实现数据聚类，以数据聚类结果为输入，构建DEA模型，实现电力监测异常数据自动识别。实验结果表明，该算法数据聚类后的平均检测率约为92%,异常数据识别正判率约为95%,误判率约为3.5%,可有效识别出异常月负荷曲线的异常数据点和不同负荷量的异常数据，且识别结果与实际负荷曲线的趋势一致，具有较好的识别效果。