基于改进BP神经网络的空调系统传感器故障诊断

针对普通BP算法存在的收敛速度慢以及容易陷入局部极小点等问题,提出了一种改进的BP算法,应用该算法对空调系统传感器故障进行诊断.Matlab仿真运行证明,在相同的条件下,改进的BP算法加快了网络的收敛速度,避免了陷入局部极小的问题.在故障诊断的准确率方面优于普通的BP神经网络.     

空调系统传感器故障诊断方法研究

在探讨智能大厦中空调机组传感器主要故障的基础上,提出了基于Levenberg-Marquardt(LM)算法的神经网络诊断方案.通过楼宇自动化智能大厦空调实验装置的仿真实验证明:在相同的条件下,基于LM算法的神经网络故障诊断系统在解决传感器故障检测问题上优于传统的BP网络.     

基于递推PCA的变工况中央空调系统故障诊断

由于节能以及用户需求等原因,中央空调系统(HVAC)设定温度和风量等工况时常发生改变,这会导致系统模态发生变化,给故障诊断增加难度。为此开展了中央空调变工况下的故障诊断方法研究,首先为了准确模拟HVAC系统变工况及其典型故障,通过专用建筑能源模拟器TRNSYS软件进行建模,并实时采集HVAC系统各传感器数据,随后针对传统PCA算法模型无法适应系统工况变化,容易出现大量误报的问题,发展一种递推主元分析(RPCA)方法,通过利用传感器输出的新数据在线更新原始的PCA模型,即对数据矩阵的均值、方差等进行更新,解决了HVAC系统变工况时参数动态变化所引发的误报的问题,最后基于TRNSYS和MATLAB联合仿真,验证了所提方法的有效性和优越性。     

基于PCA和SVM的模拟电路故障诊断

针对电路故障诊断中存在的样本要求高、推广能力弱、特征提取难等问题,提出了一种基于主成分分析(PCA)与支持向量机(SVM)相结合的模拟电路故障诊断方法.通过对电路输出响应的采样信号进行PCA处理,提取故障特征的主要成分,然后利用多类SVM对各种状态下的故障模式进行分类决策,实现被测电路的故障诊断.实验结果表明:该方法能够实现电路故障的快速检测与故障元件的准确定位,具有速度快、精度高、鲁棒性好的特点.     

基于灰色预测模型的传感器的故障诊断方法

本文叙述了灰色动态预测模型的建模原理并将其引入传感器故障诊断领域,对基于灰色预测模型的传感器的故障诊断方法进行了研究,并以工程实例的数据说明其应用前景和价值。     

基于小波神经网络的传感器故障诊断方法研究

详细阐述了小波神经网络的结构、原理,在分析智能大厦中空调机组传感器主要故障的基础上,提出了基于小波神经网络的诊断方案.MATLAB仿真和模拟实验结果表明,在相同的条件下,小波神经网络在解决传感器故障检测、分离和补偿问题上优于传统的BP网络.     

基于软件传感器和FMECA的调速系统故障诊断

针对设备进行状态检修的需求,在建立故障诊断的信息模型基础上,设计了一种软件传感器,用于获取在动态过程中不能直接测量的特征参数,结合故障模式、影响及危害分析故障诊断模型实现了状态监测、性能检测和故障诊断的协同工作;提出了水轮机调速器故障诊断系统的体系结构和诊断流程。实例表明,该方法能够解决硬件传感器获取系统性能特征指标的问题,为实现调速器状态检修打下基础。     

基于霍金斯指标的传感器数据有效性验证

在基于主元分析的故障检测方法中，由于霍金斯 指标能够很好地检测到平方预测误差(Q)指标所无法检测到的传感器故障，因此有必要对 指标检测到传感器故障的情况进行故障分离和重构的分析。利用故障重构方法，提出了采用基于 指标的传感器验证指标(cSVIH)进行传感器故障分离的方法，形成基于 指标进行传感器故障检测、分离和重构的一整套策略。电厂数据仿真实验验证了 指标对部分传感器进行故障检测优于Q指标的理论和基于 指标的故障检测、分离和重构方法的有效性。最后提出联合使用Q指标和 指标的故障检测框架。     

基于 PCA 的空战机动高阶重构与评估

针对空战机动的高阶重构与评估问题进行研究,以飞机的飞行状态数据为研究对象,通过引入急动度的概念,构建机动决策重构指标模型。为了减少主观的评价方法对评估结果的影响,通过引入物理学中的急动度理论,利用主成分分析法(PCA)确定各指标权重,并获得综合评价值。然后构建机动决策点综合重构函数,提取机动决策点。结合态势函数及机动决策点对空战训练中记录的客观数据进行比对分析,仿真结果表明该方法提取的机动决策点符合空战实际,机动决策点的分类符合实际空战场景。     

基于WNN空调机组故障诊断

本文中详细阐述小波神经网络(WNN)的结构、原理，在探讨智能大厦中空调机组的主要故障的基础上，提出应用小波神经网络的诊断方案。经过MATLAB仿真运行证明，在相同的条件下，WNN网络在故障诊断的准确率及训练速度方面均优于传统的BP网络。     

基于相对重构贡献的变压器故障诊断方法

为了充分挖掘油中溶解气体分析(DGA)数据隐藏的故障特征信息,提出了一种基于相对重构贡献(rRBC)的变压器故障诊断新方法。该方法首先利用DGA数据建立主元分析(PCA)模型,基于故障重构的思想,计算样本各变量重构贡献率(RBC);考虑各变量重构贡献率之间的可比性,计算其相对重构贡献率并作为特征量,通过归一化处理来提取故障特征;然后,建立变压器分层故障诊断模型,利用灰关联熵(GRE)信息利用率高等优点,求出待诊模式与各标准模式的综合灰熵关联序,实现故障诊断。实例研究结果表明,所提出的相对重构贡献灰关联熵方法与重构贡献灰关联熵、灰关联熵方法相比,使特征样本集的可分性变大,提高了分类正确率。     

多元统计理论在整流电路故障诊断中的应用

在研究三相晶闸管整流电路模型特点的基础上,提出了一种基于主元分析法和决策树理论的整流电路故障诊断方法。首先对整流电路的输出波形采样,并对其进行快速傅里叶变换,提取关键频率点的功率谱值组成特征向量,再应用主元分析法提取特征分量的主元,得到降维的特征空间,最后建立决策树对本例中的故障进行准确分类,最终实现了若干典型故障的分离。仿真实验及结果分析证明,此方法可以提高识别速度和测试速度,且不会改变样本的分布特性,保持样本的分类信息。     

基于形态学–小波的传感器故障诊断

基于输入输出信号趋势分析,提出基于形态学–小波的传感器故障检测与诊断的新算法。由不同宽度结构元素构成的改进型广义形态滤波器对输入输出信号进行滤波;采用小波多分辨分析对滤波后的信号进行分析,对故障的突变点进行准确定位;利用小波变换模极大值在多尺度上的表现与李普西兹(Lipschitz)指数的关系,对传感器各个类型故障进行识别。该文针对传感器死区、恒偏差、恒增益及漂移故障进行了仿真,仿真结果证明了该算法的有效性。     

基于小波包的多尺度主元分析在传感器故障诊断中的应用

由于传统的基于小波变换的多尺度主元分析(MSPCA)方法在检测高频类故障时的分辨能力不足，该文提出了基于小波包的MSPCA模型，并应用于传感器的故障诊断。首先对传感器数据进行正交小波包分解，得到小波包最佳分解树。根据最佳树的各个节点系数在对应的尺度上建立主元分析模型，根据这些主元分析模型在残差子空间利用平方预报误差统计量进行传感器故障检测，采用传感器有效度指标对故障传感器进行分离。最后以火电厂锅炉系统的传感器为例对设计的模型进行了验证，通过对传感器周期性干扰故障这种高频故障的诊断实例验证了基于小波包的MSPCA方法的有效性，其检测性能要优于基于小波变换的MSPCA模型。     

基于KPCA的高压断路器故障诊断

随着电网规模的日益庞大,对高压断路器的安全运行提出了越来越高的要求。本文就核主元分析（KPCA）方法应用于高压断路器的故障诊断进行了研究。该方法针对高压断路器故障数据多维非线性的特点,通过计算其合闸电流信号原始数据空间的内积核函数来实现原始数据到特征空间的非线性映射,然后在特征空间内构2造T和SPE统计量检测过程中发生的故障,并对故障进行分类。本文以VMB5-12型10kV真空断路器弹簧操动机构为试验样机采集数据,仿真实验结果表明,该方法具有较高的稳定性,能够有效地对故障数据进行特征提取。     

基于KPCA-ISSA-KELM的光伏阵列故障诊断方法

为提高光伏阵列故障诊断的精度,提出一种基于核主成分分析（KPCA）和改进麻雀搜索算法（ISSA）优化核极限学习机（KELM）的光伏故障诊断方法。利用KPCA降维提取故障数据的非线性特征,减少外界条件产生的冗余数据,有效提高复杂故障识别准确率。通过融入Levy飞行和自适应权重t对麻雀搜索算法进行改进,并利用ISSA对KELM中的核参数γ和正则化系数C进行优化,建立了基于KPCA-ISSA-KELM的光伏阵列故障诊断模型。实验结果表明,经ISSA优化KELM的光伏阵列故障诊断模型与其他光伏阵列诊断模型相比,在故障诊断精度上达到97%,验证了该模型的准确性和有效性。