燃气轮机关键部件故障诊断方法研究

燃气轮机的工作环境恶劣,突发情况和出现故障的模式多、几率大。为此研究有效地燃气轮机故障诊断方法尤为重要。提出了一种EMD小波阈值降噪和KPCA-GRNN相结合的方法,对燃气轮机喷口加力调节器故障诊断进行了深入研究。针对某型真实燃气轮机进行测试试验采集的喷口加力调节器高压转子转速、低压转子转速等八个参数数据,首先采用经验模态分解(EMD)方法对8个参量信号进行EMD分解,然后采用软阈值函数对其进行小波降噪,并进行信号重构,从而可得到燃气轮机喷调工作状态有效数据。在此基础上采用核主元分析法提取喷口加力调节器样本集的不同主元,构建特征向量,并由特征向量建立GRNN神经网络故障诊断模型,通过测试数据进行试验验证,验证了该方法的有效性。此外,尚采用基于KPCA-GRNN的方法对传感器感知的喷口加力调节器的八个参数原始数据进行了诊断方法研究。结果表明,采用EMD小波阈值降噪和KPCA-GRNN相结合的方法,能有效识别出喷口加力调节器不同的状态,具有很好的实际应用价值。     

基于深度学习与信息融合的燃气轮机故障诊断

为有效、准确地诊断出燃气轮机健康状态,在燃气轮机专用试验平台对其进行试车试验,获取主泵、喷口加力调节器、滑油压差传感器等关键部件的原始信息,采用核主元分析(Kernel Principal Component Analysis,简称KPCA)方法对原始信息进行处理,提取燃气轮机关键部件状态表征参数的核主元,创建特征向量空间。由于深度学习可以构建含多隐层的学习模型,实现逐层的特征变换,从而自适应地捕获隐藏于故障数据内部的有用信息,增强诊断过程的智能性,因此由核主元特征向量创建深度学习故障诊断模型,对燃气轮机进行了故障诊断技术研究。与此同时,亦创建了极限学习机(Extreme Learning Machine,简称ELM)故障诊断模型并进行了诊断,结果表明深度学习正确诊断率明显优于极限学习机。在此基础上,尚采用信息融合技术对以上两种方法的诊断结果进行决策层融合,进一步提升了故障诊断准确率。研究表明,该方法能有效诊断出燃气轮机关键部件健康与故障状态,具有很好的工程应用前景。     

基于KPCA SVM的柴油机状态识别方法的研究

为了有效地对柴油机的运行状态进行状态识别,根据柴油机的特征信息和识别的特点,研究了基于核主元分析(KPCA)和支持向量机(SVM)进行柴油机状态识别的故障诊断方法.首先,对柴油机进行特征提取,构成一个特征向量.然后对其进行核主元分析,计算得到能反映设备状态的特征向量,有效去除信息的冗余.最后,将得到的特征向量进行支持向量机的训练学习,识别柴油机的状态.通过实验室柴油机燃烧系统不同运行状态下的识别分析,验证了此方法的可行性和实用性.     

冷轧过程断带故障的诊断研究

在冷轧过程中,断带故障是冷轧工序的主要生产故障之一。针对冷轧过程断带故障的特点,提出一种基于核主元分析(KPCA)非线性特征提取和最小二乘支持向量机(LSSVM)分类的故障诊断方法。此方法采用KPCA理论将冷轧过程原始空间数据映射到高维空间,并在高维空间进行主元分析,从而降维、去相关性,得到冷轧过程非线性特征向量。将降维后的特征主元作为LSSVM输入进行训练和识别,根据LSSVM的输出结果判断冷轧过程工作状态与故障类型。仿真结果表明:基于KPCA非线性特征提取和LSSVM分类的故障诊断方法计算速度快,能有效地提取冷轧过程断带故障特征,识别断带故障类型。     

基于威布尔与模糊C均值的滚动轴承故障识别

提出一种基于威布尔分布与模糊C均值(fuzzy C-means,FCM)聚类算法相结合的滚动轴承故障识别方法。针对不同故障类型的威布尔分布模型的尺度参数、形态参数和威布尔负对数能够较好地刻画轴承运行的状态特性,提取其尺度、形态和威布尔负对数似然函数等3个参数构建表征轴承运行状态的特征向量。模糊C均值根据样本相对于聚类中心的隶属度确定样本的亲疏程度而实现分类。实验中,首先采用组合形态滤波器对滚动轴承原始信号进行降噪,然后建立威布尔分布模型,将提取的特征向量输入模糊C均值分类器进行故障诊断和识别。结果表明,该方法对机械故障诊断识别准确率高,可以作为滚动轴承故障识别的重要手段。     

核主元分析在透平机械状态监测中的应用

讨论了核主元分析(K erne l P rinc ipa l Com ponen t A na lys is,简称KPCA)原理,提出了基于KPCA的透平机械状态监测方法。该方法在低维特征空间利用内积核函数,实现原始空间到高维空间的非线性映射以及对高维映像数据的主元分析,从而在低维空间得到原始特征的非线性主元,并根据非线性主元构建特征子空间,实现特征提取和对透平机械状态的分类识别并监测其状态变化。对仿真数据及透平机械在正常、重负荷状态下试验数据的研究表明,KPCA分类效果比主元分析好,能有效地识别出透平机械的不同状态,并能及时监测到状态发生的变化。     

基于核最优K-L变换的故障特征提取方法研究

核函数主元分析KPCA(kernel princ ipal component analysis)能够提取机械故障信号的非线性特征,可以应用于机械故障状态识别。但是KPCA是一种无监督的特征提取方法,不能利用故障信号中的类别信息。本文介绍了一种核最优K-L变换,它可以充分利用类别信息,它能够提取类平均向量和方差向量中的判别信息,使提取的特征分类效果更好。在齿轮故障诊断实验中,采用核最优K-L变换提取故障信号的非线性特征,实验结果表明核最优K-L变换相比KPCA故障识别结果更为理想。     

基于多特征融合的刀具磨损识别方法

针对刀具磨损监测中多传感器融合监测方法的缺点,提出了基于声发射信号多特征融合与最小二乘支持向量机(lease square support vector machine,简称LS-SVM)相结合的刀具磨损状态监测方法。首先,分别采用经验模态分解法、双谱分析法以及小波包分析法提取采样信号在时域、频域、时-频域内的特征,构造联合多特征向量;然后,利用核主元分析法(kernel principal component analysis,简称KPCA)对联合多特征向量进行融合降维处理,通过提取累积贡献率大于85%的主元,剔除了联合多特征中与刀具磨损相关性较小的冗余特征,生成融合特征;最后,将融合特征送入最小二乘支持向量机,有效地实现了（尤其在小样本下）刀具磨损状态的识别,与神经网络识别方法相比具有更高的识别率。     

基于KPCA和BPNN的模拟加载系统油压信号识别技术研究

为解决模拟加载系统油压信号的识别问题,提出了一种基于核主元分析(KPCA)特征提取和BP神经网络(BPNN)相结合的模式识别方法。该方法首先采用KPCA对原始样本数据进行特征提取,然后采用BPNN构造模式分类器,对工作装置6种不同工作状态信号进行识别。实验结果验证了该方法的有效性,为同类液压系统的信号特征分析及模式识别提供了参考。     

LMD及马氏距离敏感阈值的滚动轴承故障诊断

针对滚动轴承非平稳性的振动信号,提出了基于局部均值分解(Local Mean Decomposition,LMD)及马氏距离敏感阈值的滚动轴承故障诊断方法。首先,对振动信号进行LMD分解,获得一系列乘积函数(Production Function,PF),有的PF分量包含的故障信息多,有的包含的少,为此采用K-L散度法提取出主要PF分量;计算主要PF分量的时域参数指标,将其组合成特征向量,根据马氏距离提出马氏距离敏感阈值来表征不同的故障状态,取多组正常信号的特征向量均值作为标准特征向量,计算未知特征向量与标准特征向量的马氏距离敏感阈值,从而对其故障状态进行识别。试验结果表明,在不同转速下,该方法能够有效的对滚动轴承故障进行识别,且效果较EMD方法好。     

热力参数的KPCA-RBF网络建模及传感器故障诊断方法

针对复杂恶劣环境下机组热力参数的数据监测及传感器故障诊断问题,建立了融合机理分析、核主元分析(kernel principle component analysis,简称KPCA)与径向基神经网络(radial basis function,简称RBF)的发电机组热力参数预测及传感器故障检测模型。首先,根据机理分析得到完备的辅助变量集,并利用核主元分析提取辅助变量的特征信息以有效处理发电机组中高维、强耦合的非线性数据;其次,将主元变量集输入径向基神经网络进行学习,实现热力参数的重构;最后,基于预测模型与窗口移动法实现传感器的故障诊断,并对故障数据进行及时修复和准确替换。以燃气轮机排气温度为例进行验证的结果表明,该预测模型具有更高的精度和泛化能力,能在传感器故障发生初期及时发现并识别故障类型,检测效果优良。     

核函数主元分析及其在故障特征提取中的应用

提出了基于核函数主元分析的故障特征提取方法。该方法利用计算原始特征空间的内积核函数来实现原始特征空间到高维特征空间的非线性映射。通过对高维特征数据作主元分析，得到原始特征的非线性主元．以所选的非线性主元作为特征子空间，并应用转子试验台的故障数据对该方法进行了检验。结果表明，核函数主元分析更适于提取故障信号的非线性特征，它提取的故障特征对故障具有更好的识别能力，并对分类器具有较强的鲁棒性。     

基于核函数PCA的齿轮箱状态监测研究

讨论核函数PCA(principal analysis component，主元分析)的算法原理，提出基于核函数PCA的齿轮箱状念监测方法。该方法借助于核函数计算得到原始特征的非线性主元，并根据非线性主元构建特征子空间，实现对齿轮箱运行状态的分类识别，并监测其状态变化。实例研究表明，核函数PCA分类效果比PCA好，能有效识别出齿轮箱的不同状念，并及时监测到齿轮箱工作状态的变化。     

核函数主元分析及其在齿轮故障诊断中的应用

提出了基于核函数主元分析的齿轮故障诊断方法。该方法通过计算齿轮振动信号原始特征空间的内积核函数来实现原始特征空间到高维特征空间的非线性映射。通过对高维特征数据作主元分析,得到原始特征的非线性主元,以所选的非线性主元作为特征子空间对齿轮工作状态进行分类识别。用齿轮在正常状态、裂纹状态和断齿状态下的试验数据对该方法进行了检验,比较了主元分析与核函数主元分析的分类效果。结果表明,核函数主元分析能有效的检测裂纹故障的出现,正确区分不同的故障模式,更适于提取故障信号的非线性特征。     

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。     

基于改进卷积神经网络的燃气调压器故障识别研究

针对传统故障识别方法不仅过分依赖专家经验对故障特征进行提取且识别准确率不高的问题,在深度学习理论基础上,提出了一种将一维卷积神经网络与SVM分类器相结合的改进深度卷积神经网络,实现调压器“端到端”的故障识别。首先,介绍了传统卷积神经网络结构;其次,将改进后的一维卷积神经网络与SVM相结合,提出了基于1-MsCNN-SVM算法的调压器故障识别模型,并对模型的组成部分进行了介绍;然后,通过对比实验确定了模型的卷积核长度和卷积层组数;最后,为验证模型的有效性,基于燃气调压器故障数据集,开展了燃气调压器故障识别研究。研究结果表明,改进后的1-MsCNN-SVM算法故障识别准确率高达99.20%,模型具有较好的分类准确率。     

采用神经网络对感应电动机的速度辨识

提出一种采用神经网络辨识感应电动机转速的新方法,采用后传播神经网络技术来提供一种实时自适应速度估计,利用希望的状态变量和实际状态变量的误差来调整神经网络的权重,达到使实际状态变量与希望状态变量一致理论分析和仿真结果都证明了这种方法的有效性。     

基于KPCA的SBR过程监视

序批式反应器生化污水处理系统（SBR）具有复杂的生化反应机理，其固有的严重非线性、持续时间有限、非稳态运行等给其过程监视带来特殊困难。核主元分析（KPCA）方法通过集成算子与非线性核函数计算高维特性空间的主元成分，有效捕捉过程变量中的非线性关系。将KPCA技巧应用到序批式反应器生化污水处理系统，建立了基于KPCA的SBR污水处理过程在线监视策略。在监视暴风雨事件等典型的SBR过程异常状态时，统计指标变化灵敏，诊断及时。与线性PCA相比，显示出更高的过程监视性能。