SWE-IPCA方法在传感器故障诊断中的应用

针对目前油田传感器设备故障诊断广泛采用的主元得分向量平方和与平方预测误差方法,在进行在线故障诊断过程中,往往存在对实际生产过程中产生的弱故障诊断不灵敏,甚至无法有效进行故障识别的问题,同时考虑到油田生产过程的特点,提出一种基于平方加权预测误差的迭代主元分析进行故障检测的方法,在不同的残差空间中对故障进行分析,提高了系统对弱故障诊断的准确性.运用迭代算法更新主元分析算法模型,通过残差空间的平方加权预测误差变量重构确定故障,实现对油田生产传感器设备故障的动态在线诊断.最后利用油田生产的实际数据对该方法进行了在线故障诊断实验,实验结果表明,该方法对油田生产传感器设备可以有效地进行故障诊断.     

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KPCA和MKL-SVM的非线性过程监控与故障诊断

利用核主元分析非线性过程监控的优势,结合多重核学习支持向量机在故障诊断方面的准确性,提出了基于核主元分析和多重核学习支持向量机的非线性过程监控与故障诊断方法。该方法运用核主元法对数据进行处理,在特征空间构建T2和SPE来检测故障的发生,若有故障发生,则计算样本的非线性主元得分向量,将其作为MKL-SVM的输入值,通过MKL-SVM的分类进行故障类型识别。将上述方法应用到Tennessee Eastman(TE)化工过程,多种故障模式的仿真结果表明该方法不但能有效地辨识故障,而且提高了故障检测和故障诊断的速度。     

基于KPCA与LS-SVM的化工过程故障诊断算法研究

针对核主元分析方法(KPCA)在复杂化工在线监控过程中初始故障源难以辨识的问题,该文提出了一种基于核主元分析和最小二乘支持向量机的集成故障诊断方法。该方法首先运用KPCA对数据进行预处理,在特征空间构建T2和SPE来检测故障的发生,然后计算样本的非线性主元得分向量,将其作为最小二乘支持向量机的输入值,通过最小二乘支持向量机的分类进行故障类型的识别。将上述故障诊断方法应用到Tennessee Eastman(TE)化工过程,多种故障模式下的仿真结果表明,该方法不但能有效地辨识故障,而且提高了故障检测和故障诊断的速度。     

基于残差信息的汽车液压主动悬架故障诊断与隔离研究

为提高汽车液压主动悬架控制性能,提出一种针对液压作动器、车身垂向加速度传感器的故障诊断与隔离方法。建立四自由度汽车液压主动悬架动力学模型,并考虑液压作动器和传感器常见故障,建立悬架故障模型。采用极点配置方法设计故障检测滤波器,利用输出残差信息对作动器卡死和增益故障、传感器增益故障进行诊断。在此基础上,为准确诊断故障发生部位,利用相关系数和故障向量径长值对故障进行隔离。在MATLAB/Simulink环境下对故障悬架进行大量仿真计算,结果表明:残差波动超过一定阈值时可敏感地诊断出作动器或传感器故障;汽车液压主动悬架作动器故障采用最大相关系数准确隔离,车身垂向加速度传感器故障采用最大相关系数和最小故障向量径长值准确隔离。     

基于PCA的故障传感器重构的理论研究

本文基于PCA(Principal component analysis)理论对故障传感器进行重构.首先将数据分别投影于主元子空间和残差子空间,然后定义故障的方向向量;因为过程变量间具有的强相关性,则沿故障各自的方向可对故障变量进行重构.     

基于DAE和TCN的复杂工业过程故障预测

为实时监测复杂工业过程的故障状态,精确预测故障趋势,提出基于降噪自编码和时间卷积网络的故障预测方法。首先,利用随机森林算法筛选故障相关特征。之后,利用堆栈降噪自编码网络提取非线性特征以及特征重构,并根据重构误差构造平方预测误差(SPE)统计量作为故障状态特征。最后,针对时间卷积网络残差模块中的ReLU激活函数在负区间内导数为零导致部分神经元无法被激活的问题,设计基于自门控激活函数(Swish)和滤波器响应(FRN)规范化的时间卷积网络(SFTCN)。将得到的SPE组成时间序列,利用SFTCN的预测模型实现其状态趋势预测。通过在TE仿真平台数据和美国密歇根大学智能维修中心实测的轴承全生命数据上的实验表明,与未改进的时间卷积网络对比,所提方法的预测平均绝对百分比误差至少降低20.9%,具有较高的应用价值。     

燃气轮机气路与传感器耦合故障诊断模型研究

燃气轮机传感器如在运行期间发生故障,产生的测量偏差会严重影响气路诊断结果的准确性。针对以上问题,提出一种燃气轮机气路与传感器耦合故障诊断模型,该模型采用工况变化引起的测量变化量替代常规的测量量,以减少传感器偏置故障的干扰。在此基础上,应用无迹卡尔曼滤波器跟踪测量变化量与不同工况引起的非线性模型预测变化量之间的残差估计气路健康参数,并以此更新传感器诊断系统中各个滤波器,根据滤波器的残差序列加权平方和进行传感器故障隔离。最后,对某典型三轴式燃气轮机进行仿真实例研究,结果表明该模型可减少气路故障与传感器故障的耦合效应,实现气路与传感器故障的准确诊断。     

基于结构输出响应的传感器故障检测研究

针对土木工程结构健康监测系统的传感器故障问题,提出了基于随机子空间识别技术和Kalman估计器的传感器故障检测方法,实现了结构健康监测系统中故障传感器的检测。首先,通过正常传感器的量测数据,基于随机子空间识别方法重构了结构的离散状态空间模型;然后通过已识别出的结构离散状态空间模型构造多路Kalman估计器,产生输出残差;最后,通过文中提出的基于输出残差的传感器故障检测策略,实现了传感器故障的检测。文章通过某典型框架结构和ASCE Benchmark 4层钢框架缩尺模型,验证了文中所提故障检测方法的有效性和实用性。     

广义复合多尺度加权排列熵与参数优化支持向量机的滚动轴承故障诊断

针对滚动轴承特征提取和故障识别两个关键环节,提出了一种广义复合多尺度加权排列熵（GCMWPE）与参数优化支持向量机相结合的故障诊断方法。利用GCMWPE全面表征滚动轴承故障特征信息,构建高维故障特征集。应用监督等度规映射（S-Isomap）算法进行有效的二次特征提取。采用天牛须搜索优化支持向量机（BAS-SVM）诊断识别故障类型。将所提方法应用于滚动轴承实验数据分析过程,结果表明：GCMWPE特征提取效果优于多尺度加权排列熵、复合多尺度加权排列熵和广义多尺度加权排列熵;GCMWPE与S-Isomap相结合的特征提取方法可在低维空间中有效区分滚动轴承不同故障类型;BAS-SVM的识别正确率和识别速度优于粒子群优化支持向量机、模拟退火优化支持向量机和人工鱼群优化支持向量机;所提方法能够有效、精准地识别出各故障类型。