PNN神经网络在尾气分析发动机故障诊断中的应用

汽车尾气不仅对大气环境污染越来越严重,而且其排放成分浓度直接反映车辆运行工况,因此通过分析尾气成分浓度,利用PNN网络对尾气进行分析从而诊断发动机故障,可初步判断发动机故障所在。PNN网络结合径向神经网络和概率密度的优点,特别适合模式分类识别。文中以北京现代伊兰特为例,利用尾气分析仪采集汽车尾气CO,CO2,HC,O2和NOx的数据,运用PNN神经网络建立故障诊断模型,并对其进行验证。诊断及验证结果完全正确,表明PNN网络具有较高的准确率和使用价值。     

模糊专家系统及其在汽轮发电机组故障诊断中的应用

提出了一种用于汽轮发电机组故障诊断的模糊专家系统,分析了人机界面、解释机、知识库及推理机四部分功能;通过研究诊断规则的前提条件、权系数、前提真度及模糊结论置信度的确定方法,实现了知识库中模糊产生式规则表达;研究了基于正向推理控制策略的模糊推理方法,并分析了诊断结果的冲突消解方法。通过对汽轮发电机组汽流激振故障的案例分析,验证了本文模糊专家系统的有效性,为汽轮发电机组故障诊断提供了一种有效可行的方法。     

汽车维修故障诊断智能决策支持系统的研究

研究中以文献对比法和理论分析法,对汽车的维修故障诊断智能化支持系统的研究进行分析,主要包含了支持系统的设计与研究,并从中讨论了相关数据库结构模型,对汽车维修故障的知识库进行分析诊断,并对相关的研究方法进行功能模块的分析,并且具体化阐明了数据库中模型库的体系结构及其构建方法的研究。     

基于加权中智C均值算法的变压器故障诊断模型

为提高变压器故障诊断准确度,提出了一种基于加权中智C均值算法的变压器故障诊断方法。该方法利用基于样本相似度的加权方法对样本特征进行加权,再引入中智理论对样本的分布重新分配,建立起基于加权中智C均值算法的变压器故障诊断模型。研究结果表明,该方法不仅弥补了传统FCM相同权重分配的不足,有效提高了故障诊断的准确率,且诊断结果产生的中智点对故障的变化预测具有重要意义。     

基于深度残差网络的化工过程故障诊断

本工作提出了一种基于深度残差网络(DRN)的化工过程故障诊断方法，可从大量化工过程运行数据中自动提取故障特征。模型采用快捷连接缓解传统深度神经网络训练困难的问题，且使用批归一化(BN)方法，可有效缓解梯度消失/爆炸的问题。以田纳西?伊斯曼(TE)过程为实验对象对所提方法进行诊断性能评价实验，并与以往的基于传统深度学习模型的TE过程故障诊断方法进行对比，进一步探究了模型层数、BN技术和残差结构对故障诊断率的影响，最后，通过t分布随机邻域嵌入(t-SNE)方法对网络部分层的输出进行可视化。结果表明，模型对21种工况取得了94%的平均故障诊断率和0.30%的平均假阳率，表现出更加卓越的诊断性能。输出层的二维散点图显示了清晰的聚类，表明所提出的DRN模型能够对故障进行准确诊断。     

基于深度信念网络的列车故障音频诊断方法

铁路在交通运输行业有着举足轻重的地位，一旦列车发生故障将会导致严重的生命财产损失。由于列车发生故障的概率相对较低，因此难以捕获列车的故障样本。针对上述问题，提出了一种无监督学习的列车故障识别方法，通过检测列车音频信号来识别列车故障。该方法基于深度信念网络(DBN)，利用小波包分解提取检测信号的特征向量并将其作为DBN的输入，待网络充分训练后，由训练好的DBN识别当前列车的运行状况。现场监测实验结果表明，该方法能够在无监督的条件下有效识别列车故障，保障了列车的运行安全。     

基于EEMD能量熵和混合算法的电机轴承故障诊断

针对提升机电机轴承振动信号的非平稳特性和单一粒子群算法(PSO) 优化径向基函数（RBF）神经网络时存在网络收敛速度慢和适应度值易陷入局部最小的缺点，提出基于集合经验模态分解（EEMD）能量熵和模拟退火粒子群混合算法（SAPSO）优化RBF神经网络的提升机电机轴承故障诊断方法。基于EEMD求取振动信号各固有模态函数分量的能量熵，并使用相关性分析方法剔除虚假的分量，把筛选后的有效数据作为故障识别的特征向量；利用模拟退火（SA）算法具有局部概率突跳的特性，将SA算法和PSO算法相结合，在优化RBF诊断模型隐含层参数时以实现不同算法间的优劣互补。仿真结果表明，使用SAPSO算法优化后的RBF神经网络模型在提升机电机轴承故障诊断中能够加快网络收敛速度和提升故障识别精度。