基于贝叶斯网络的复杂系统故障诊断的研究

由于故障树方法在复杂系统的故障诊断应用中存在较大的局限性,其很难解决复杂系统在故障诊断中表现出的事件的多态性、信息的不确定性、故障逻辑关系的不确定性等问题,本文提出了一种新型的贝叶网络方法可以较好的解决这些问题。文中以酸洗线的风机系统的故障诊断为例,验证了这种新型方法的有效性。     

基于ASP语言与故障树技术的阳极保护故障诊断系统的研发

介绍了网络环境下阳极保护设备故障诊断系统的总体结构及关键技术,并提出采用故障树分析技术和基于ASP语言相结合的故障诊断方法.该故障诊断系统包含数据诊断、故障查询及浏览3个模块,便于用户自主选择模块进行故障诊断、排除.该系统可有效提高阳极保护设备的管理及维护水平,有良好的经济效益.     

A multi-model approach for soft sensor development based on feature extraction using weighted kernel fisher criterion简

Multi-model approach can significantly improve the prediction performance of soft sensors in the proc- ess with multiple operational conditions. However, traditional clustering algorithms may result in overlapping phe- nomenon in subclasses, so that edge classes and outliers cannot be effectively dealt with and the modeling result is not satisfactory. In order to solve these problems, a new feature extraction method based on weighted kernel Fisher criterion is presented to improve the clustering accuracy, in which feature mapping is adopted to bring the edge classes and outliers closer to other normal subclasses. Furthermore, the classified data are used to develop a multiple model based on support vector machine. The proposed method is applied to a bisphenol A production process for prediction of the quality index. The simulation results demonstrate its ability in improving the data classification and the prediction performance of the soft sensor.     

尾气冷却器列管泄漏原因分析与解决措施

通过查找冷却器列管泄漏原因,对设备本体进行解体检查,全面分析了列管泄漏原因,采用新方法 FAT树分析,采取解决途径与预防措施,确保设备稳定可靠运行。     

基于梯度提升决策树的硬车表面白层预测方法

目的 实现硬态车削过程中每个产品零件白层现象的实时在线检测,提高产品生产加工效率和加工质量,提出一种基于梯度提升决策树的硬态车削加工工件表面白层预测方法。方法 首先,利用功率传感器、声发射传感器和振动传感器采集硬态车削过程中的动态切削信号数据,并对上述各种传感器信号数据进行特征提取;然后,结合特征重要性分析和梯度提升决策树建立硬态车削加工表面白层预测模型;最后,基于混淆矩阵提出一套评估梯度提升决策树模型预测性能的评价方法。结果 与功率、振动信号等特征相比,声发射信号特征能够进一步提升模型的白层预测性能。实验结果表明,该方法的预测准确率达到90%,F₁为92%,A_uc为89%,与SVM、XGBoost分类方法所得结果相比,该方法能更准确有效地实现硬态车削加工工件表面白层现象的在线预测。结论 该方法基于智能传感技术和梯度决策树模型对硬车过程中产生的白层现象进行了有效预测识别,对实现硬车过程白层现象的在线智能预测具有重要意义。     

基于动态贝叶斯网络的液压系统可靠性研究

液压系统组成结构复杂且维修难度高,因此进行液压系统的可靠性评估对企业生产安全有着重要作用。结合故障树和动态贝叶斯网络建立评估模型对液压系统进行可靠性分析。利用动态贝叶斯网络的推理功能得出液压系统可靠度和可用度随时间推移的变化规律,并实现液压系统故障诊断,识别关键故障因素源。液压系统的可靠度会随时间推移而逐渐降低,但定期的维修可以使液压系统的可用度在较长一段时间内维持在很高水平。实验结果为液压系统的日常维护和修理策略提供了借鉴。     

成品油长输管道泄漏事故树风险分析

分析了某在建成品油长输管道投运后可能导致泄漏事故的诸因素,建立了泄漏事故树模型。通过泄漏事故树的最小径集以及基本事件的结构重要度对泄漏事件做了定性分析,识别引起管道泄漏的主要因素,提出了安全防范措施,为更好地实施长输管道安全管理提供重要依据。     

事故树分析法在油气输送管道泄漏事故中的应用

泄漏是油气管道输送过程中常见的典型事故,更是引起其他重大后果的主要原因。运用事故树分析法对油气输送管道的泄漏问题进行了侧重性分析,重点探讨了其发生影响模式,得出材料的耐腐蚀性为主要因素,并由此提出了针对性的对策措施,为更好地实施油气输送管道的安全运行提供了更加全面的理论和数据支持。     

城市道路夜间照明与行道树相互 影响探析

道路照明系统及道路绿化系统是城市道路环境中2个重要的组成部分,两者之间既有密切联系,又相互独立。以郑州为例,分析了行道树与道路照明两者之间的相互影响。首先,利用照度仪分析了道路夜间照明的光环境特征以及行道树对照明效果的影响,结果表明,行道树位置分布及空间结构在一定程度上影响了夜间照明的效果及品质。其次,采用LI-6400XT光合仪对不同照明类型下(高压钠灯与LED灯)行道树光合生理参数进行观测,结果表明,不合理的夜间照明会对植物的生理生态产生负面影响。通过实验研究,提出了优化道路照明系统及绿化系统两者关系的调控策略及建议,试图为城市道路绿化及照明设计提供了有价值的参考及科学依据。     

Prediction of the crack condition of highway pavements using machine learning models

Departments of Transportation regularly evaluate the condition of pavements through visual inspections, nondestructive evaluations, image recognition models and learning algorithms. The above methodologies, though efficient, have drawn attention due to their subjective errors, uncertainties, noise effects and overfitting. To improve on the outcomes of the shallow learning models already used in pavement crack prediction, this paper reports on an investigation of the use of recursive partitioning and artificial neural networks (ANN; deep learning frameworks) in predicting the crack rating of pavements. Explanatory variables such as the average daily traffic and truck factor, roadway functional class, asphalt thickness, and pavement condition time series data are employed in the model formulation. Overall, it is observed that the recursive partitioning (regression tree – R² > 0.8 and classification tree – R² > 0.6) and ANN (continuous response – R² > 0.8 and categorical response – R² > 0.6) are compelling machine learning models for the prediction of the crack ratings based on their goodness-of-fit statistics, mean absolute deviation (MAD < 0.4) and the root mean square errors (RMSE between 0.30 and 0.65).