基于BP神经网络的翻车机液压系统故障诊断

为了快速诊断出翻车机液压系统故障产生的位置以及故障原因,提出了一种基于BP神经网络算法的翻车机液压系统故障诊断方法,在此基础上提出了大型液压系统故障诊断分块建模的原则。利用某公司C型转子式翻车机故障数据样本建立了整体、分块故障诊断BP神经网络模型,对比实验数据分析表明,采用分块建模原则建立的BP神经网络故障诊断模型对翻车机液压系统故障具有较高识别精度,对提高翻车机液压系统状态监测与故障诊断能力有较大实用价值和工程意义。     

基于分块多向主成分分析的翻车机液压系统故障诊断

采用基于物理模型和统计模型的方法对翻车机液压系统故障进行监测。根据翻车机液压系统各阶段的工作机理将监测变量分块,使每一块中的变量间因果关系更加明确,再对各块分别建立多向主成分分析(MPCA)监测模型。将分块MPCA模型和全变量MPCA模型应用于压车缸泄漏故障的监测,结果表明分块MPCA模型对微小泄漏更加敏感,具有较高的故障识别率。     

基于集对分析的滑动轴承摩擦学系统状态辨识研究

将集对分析方法用于滑动轴承摩擦学系统状态辨识,从同、异、反3个方面计算联系度来研究系统状态辨识的确定性与不确定性,将层次分析方法用于摩擦学系统监测属性权重的计算,实现集定量和定性信息于一体,据此建立基于磨粒分析的滑动轴承摩擦学系统状态辨识的集对分析模型,应用效果良好,具有计算简单、客观性强等特点,提高了状态辨识的准确性和客观性。     

基于改进核主元分析的TE过程故障诊断

对于复杂非线性化工过程,传统的核主元分析(KPCA)方法在故障检测方面明显优越于普通的PCA方法,但存在故障辨识效果差的问题,而且实际得到的数据不可避免地带有噪声、随机干扰。针对此,提出一种改进的核主元分析方法,对数据进行小波去噪预处理,利用核主元分析方法进行故障检测,并利用计算核函数的偏导方法求取KPCA监控中每个原始变量对统计量T2和SPE的贡献率,根据每个变量对监控统计量贡献程度的不同,可以辨识出故障源。把上述方法应用到TE(Tennessee Eastman)化工过程,仿真结果表明该方法不仅能够去噪、抗干扰和准确检测故障,而且能够有效辨识故障。     

基于改进的K最近邻分类器的风机故障诊断

为提高风机故障的预警诊断准确度,提出了一种基于改进的K最近邻分类器的故障诊断方法。通过引入核函数主元分析,计算各特征向量的贡献度,对欧式距离进行加权,弥补传统K最近邻分类器同贡献权重分配的缺陷。样本训练时,依据各特征向量的贡献数值分配权重。该方法被用于风机故障诊断。实验结果表明该方法增强了诊断准确度,便于工程应用。     

基于数字仿真建模的船闸液压系统故障诊断

液压系统是船闸闸门运行的重要动力机构。系统回路之间耦合性强，故障机理各不相同，导致其故障诊断困难重重。针对以上问题，提出了一种基于数字仿真建模的船闸液压系统故障诊断方法，通过AMEsim仿真平台模拟液压元件故障状态，生成故障数据，结合偏最小二乘法（PLS）建立过程变量与故障类型的回归方程，对液压系统故障类型进行判别分析。结果表明，偏最小二乘法能够实现过程变量数据融合，提取故障特征，完成故障类型的检测、分离与识别。     

基于KPCA残差方向梯度的故障检测方法及应用

针对核主元分析(KPCA)在应用过程中非线性映射不存在原像、故障变量无法辨识、工程应用困难等问题,提出了一种改进的KPCA残差方向梯度故障检测方法。利用主元统计量和残差统计量的偏微分之间存在着相关性这一性质,对与主元统计量相关的格拉姆矩阵偏微分中间计算过程进行优化,提出一种新的KPCA残差方向梯度算法,在此基础上结合统计量形成系统故障检测的新方法。非线性系统仿真表明,改进的KPCA残差方向梯度法不仅具有较优的故障变量辨识能力,还极大地减小了计算量,缩短了计算时间。大型热力系统的应用进一步表明,无论对于单故障和多故障的情况,方法均具有较好的故障检测能力,并且不存在残差污染,易于工程实现。     

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。     

线性变参数振动系统的全局辨识

制造系统中存在大量振动特性随特定参数变化而变化的线性变参数振动系统。这类线性变参数振动系统的辨识目前主要通过局部辨识方法,为了准确辨识需要在不同调度变量下进行大量实验,往往效率很低。为了准确而高效地辨识线性变参数振动系统,提出一种全局辨识方法。对调度变量连续变化的线性变参数振动系统持续施加激励,将系统的振动微分方程进行时域离散,利用过完备字典函数库对离散模型进行表征,并利用稀疏回归进行求解,即可根据调度变量数据和系统的激励-响应数据一次辨识得到系统模型。以实际机床刀尖结构的模态参数数据,建立线性变参数振动系统代理模型进行验证。在单调度变量和多调度变量案例中,全局辨识得到的模态参数平均误差均在2.7%以下,充分显示了所提出全局辨识方法的有效性,也验证了线性变参数振动系统全局辨识的可行性。     

基于改进多尺度核主元分析的化工过程故障检测与诊断方法研究

针对化工过程数据的多尺度性和非线性特性,提出了改进多尺度核主元分析法.先利用小波变换分析测量数据的多尺度特性,然后采用核主元分析算法进行在线故障检测,对检测到的故障采用核函数梯度算法实现在线故障诊断,根据每个监控变量对统计量T~2和SPE的贡献程度,绘制贡献图,用于故障的分离.在监控过程中为解决核矩阵计算困难,引入特征向量选择方法.TE过程的仿真结果表明它能有效实现故障检测、故障诊断,与主元分析方法相比,显示出更高的过程监控能力.     

基于未知输入观测器的板带轧机液压压下系统故障诊断

为解决板带轧机液压压下系统故障辨识和定位问题,通过建立系统精确数学模型,应用未知输入观测器方法进行故障诊断和隔离。在建立系统状态方程的基础上对系统故障进行分析,确定了不同故障的方向矢量;应用未知输入观测器和广义残差集理论将系统故障作为未知输入,通过设计未知输入观测器组获得对特定故障方向具有鲁棒性的广义残差集进行故障诊断;仿真及试验验证了诊断方法的正确性和可行性。     

基于时频特征融合与 GWO-ELM 的棒控电源早期故障状态辨识方法

针对核电棒控系统电源(PWE)早期故障状态辨识问题,提出一种基于融合时域与时频域的故障特征和灰狼优化算法(GWO)的极限学习机(ELM)辨识方法。首先,根据棒控电源PWE工作原理和控制棒驱动机构的驱动电流,利用电流上升时间分析了早期波形形态与早期故障模式。然后,构建融合电流上升时间、均方根-差分和和小波包奇异熵的故障时频特征,分析了特征的可区分性。进而,采用GWO算法进行ELM分类器参数择优,建立GWO-ELM模型实现PWE早期故障状态的辨识,以提高辨识精度。最后,通过开展不同特征组合和辨识模型比对试验,结果表明所提方法能有效实现棒控电源早期故障识别诊断,且平均辨识准确度可达98.86%。     

基于MSKPCA和SVM的转子故障诊断模型及应用

为提高转子故障分类与辨识的准确率,围绕故障数据的降维问题开展了研究工作。在构造了多核函数的一种特殊形式多尺度核函数前提下,研究了多尺度核函数主成分分析(Multi-Scale Kernel Principal Component Analysis,MSKPCA)法在转子故障原始特征集降维中的应用途径。将获得的新的故障特征集输入到支持向量机(SVM)进行训练与辨识,建立了具有多尺度核多层核的转子故障诊断模型。研究结果表明,在多尺度核主成分分析法中合理地选用多尺度核函数,能够更好地提取转子故障不同尺度下的敏感信息,可为转子故障辨识提供更加精确的样本,能有效地提高转子故障诊断的准确率。该研究为转子系统故障数据特征降维提供了一种新方法,为核方法在转子故障诊断中的应用提供了新的思路。     

融合KPCA与PSO-RBF的数控机床故障诊断研究

针对数控机床发生故障时多故障源、多变量、强耦合的特点和RBF神经网络结构参数选取依据经验的问题,提出一种融合核主元分析方法(kernel principal component analysis,KPCA)与粒子群算法优化RBF神经网络的数控机床故障诊断方法。首先,对所测信号利用核主元分析方法进行降噪、拨冗余,提取故障特征;其次,利用粒子群算法(Particle swarm optimization,PSO)优化RBF神经网络隐层节点中心和宽度;最后,将经KPCA提取的故障特征作为输入,建立PSO优化RBF的故障诊断模型。通过某数控床伺服系统七种常见故障特征仿真实验,结果表明:与RBF神经网络、PSO优化RBF神经网络相比,融合KPCA和PSO优化RBF神经网络的故障诊断方法不仅提高了网络的训练速度及泛化能力,而且具有更高辨识精度。     

基于VW-FDA的盾构机液压系统故障诊断方法研究

盾构机规模庞大,施工过程中检测变量众多,液压系统故障易发。为了实现在线监测,提高液压系统故障诊断的准确性,探究与盾构机适应的快速准确有效的故障识别方法,提出使用加权因子与传统费歇尔判别法相结合的加权费歇尔判别法(Variable-Weighted-Fisher Discriminant Analysis,VW-FDA)。通过AMESim软件建立推进系统模型,仿真四类故障,运用仿真故障数据得到每一类故障的加权向量,建立VW-FDA模型。结果表明:对于盾构机液压推进系统,VW-FDA比传统FDA具有更强的故障诊断能力,能够将故障信息进行有效的分类,正确地做出故障诊断。     

齿轮全齿磨损的胞映射全局动力学分析

含故障齿轮非线性系统的全局性态分析是对齿轮正确故障诊断的状态依据,运用能够反映非线性系统复杂全局性态的简单胞映射方法,把故障齿轮非线性系统所处的状态空间转化为胞空间,对齿轮非线性系统在不同程度磨损故障状态下的动力系统的全局特性进行了分析,通过对比不同程度故障下系统的吸引域及其吸引胞,得到磨损故障齿轮非线性系统全局特性的变化规律,为齿轮非线性系统的故障诊断提供了另一种研究思路和方法。     

基于注意力残差网络的航天器测控系统故障诊断

随着航天器数量的不断增加,快速而准确地对航天器测控系统进行故障诊断尤为重要。 针对航天器所处空间环境变化 较大、遥测数据成分复杂和故障诊断准确率不高的问题,提出了一种基于注意力残差网络(AM-ResNet)的航天器测控系统故障 诊断方法。 首先,将原始遥测数据转换成灰度图像;其次,将图像依次通过残差网络和注意力模块,获取具有全局依赖关系的特 征图;最后经过卷积、池化操作后利用 Softmax 分类器进行分类,实现航天器测控系统的故障诊断。 实验结果表明,所提出的基 于注意力残差网络的航天器测控系统故障诊断方法可将诊断准确率提升至 95. 68% ,与 ResNet-18、AlexNet 和 LeNet-5 故障诊断 模型相比,诊断准确率分别提高了 3. 53% 、5. 62% 和 16. 43% ,验证了该方法可以有效提高航天器测控系统故障诊断性能。 关键词: 深度学习;故障诊断;残差网络;航天器;注意力机制     

基于集成卷积神经网络的行星齿轮智能诊断方法

针对行星齿轮箱故障振动特征需要预处理、识别困难以及诊断模型收敛速度较慢的问题,提出基于集成卷积神经网络的行星齿轮箱智能故障诊断方法。首先,采用一维卷积对齿轮的原始时域振动信号提取特征,之后通过采用两个弱分类器,根据弱分类学习错误率的性能更新样本权重,调整权重后根据训练集训练弱分类器。重复此过程,最后通过设置策略整合弱分类器,形成集成卷积神经网络;建立一个稳定用于行星齿轮箱的智能故障诊断的模型。实验结果表明：集成卷积神经网络能很好地对行星齿轮原始振动信号进行快速诊断。相对于传统卷积神经网络对齿轮原始时域振动故障信号的诊断具有更强的辨识能力和更快的收敛速度;所建立的智能诊断模型可以有效地诊断齿轮不同的故障状态。     

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。     

基于故障树分析的液压系统故障诊断研究。

介绍了故障树分析方法。以叉车液压系统为例通过分析系统故障形式、液压系统结构以及组件与系统之间的逻辑关系,绘制了系统的故障树,依据故障树进行故障排查和诊断。该方法简便、直观、实用,用于液压系统故障诊断取得令人满意的效果。