基于定性仿真和模糊知识的离心式压缩机排气量不足原因诊断

针对引起离心式压缩机排气量不足的原因,本文提出一种基于定性仿真和模糊知识的诊断方法.利用压缩机结构原理和故障机理等定性知识建立故障定性模型库,并推理得到压缩机排气量受不同因素影响时的定性规则库.对系统变量的观测值利用定性趋势提取和模糊化进行定性化处理.提出了基于变量定性趋势和模糊定性值约束的滑动窗口加权匹配策略,并根据匹配结果诊断出导致排气量不足的原因.最后通过两个实例仿真验证了所提方法的有效性.     

基于微博的用户相似度计算研究

针对传统的相似度计算方法和评价标准在准确、高效地度量微博用户相似关系时不理想的缺陷,提出一种新的微博用户相似度的计算方法。该方法针对不同的属性数据结构采用不同的计算方式,并根据属性统计信息对各个属性赋值,利用层次分析法确定各属性权值,最后构建综合相似度计算模型。实验结果表明,相对于传统的相似度计算方法,所提计算方法衡量用户相似的准确度提高了22.6%,召回率提高了12.7%,F1度量值提高了29.5%。     

自适应非局部低秩的图像压缩感知重构算法

针对传统非局部低秩的图像压缩感知重构算法忽略图像结构特征,导致图像重构效果不理想的问题,提出一种自适应非局部低秩的图像压缩感知重构算法,充分考虑图像自身结构特征和图像块间的强相关性.根据样本块的块结构稀疏度值设置阈值,自适应选取局部搜索窗口大小和相似块的数目;利用新的相似块匹配方法在给定搜索窗口内选取所需要的相似块,按列聚合成低秩矩阵;利用加权Schatten p-范数作为原始秩函数的逼近去求解矩阵秩最优化问题.实验结果表明,所提算法较对比算法在峰值信噪比和视觉效果上均有所提高,验证了其有效性.     

基于模糊贝叶斯网的危害性分析方法

针对传统的故障模式、影响与危害性分析(FMECA)方法不足的问题,提出了一个基于模糊贝叶斯网的危害性分析方法。该方法将模糊理论与贝叶斯网推理技术结合起来,用三角模糊数来描述专家的模糊评分值;通过模糊集合映射,将其转化为评级的模糊子集;以置信结构的模糊规则,表示故障模式的属性与危害度之间的关系;利用贝叶斯网络推理算法综合置信结构的模糊规则,通过贝叶斯网推理得到模糊子集形式的危害度,再经过去模糊计算,得到故障危害等级的清晰值,从而确定故障模式的危害程度。实验结果表明,所提方法能够提高传统分析方法的准确性和应用范围。     

基于精简并发潜结构映射的竖炉焙烧过程综合故障诊断

竖炉焙烧过程因运行条件异常变化或操作不当会造成上火、冒火、过还原和欠还原等运行故障.这些故障直接影响过程运行安全和产品质量（比如,磁选管回收率）,但难以采用基于模型和基于知识的方法建模故障与产品质量的关系,以及诊断故障变量.针对上述问题,本文提出数据驱动的基于并发潜结构映射（Concurrent projection to latent structures,CPLS）的竖炉焙烧过程综合故障诊断方法.首先,将并发潜结构映射分解的过程变量共有子空间与残差空间精简合并来建立磁选管回收率相关的过程变化空间,提出基于精简并发潜结构映射模型的竖炉焙烧过程综合监控方法;接下来,定义相应的重构贡献图并与竖炉焙烧过程相结合,提出CPLS精简重构贡献方法用于竖炉焙烧过程故障变量诊断;最后,利用竖炉焙烧过程半实物仿真平台采集的数据进行实验研究,结果表明所提方法不仅可以诊断出质量相关的故障,而且可诊断出回路设定值之外的故障变量.     

基于自联想核回归的带离群值化工过程故障检测EI北大核心CSCD

基于数据驱动的故障检测模型通常要求训练数据必须是正常操作条件下的测量值.然而在实际工业生产过程中,即使在正常工况下,数据集中也难以避免存在离群值.此时若仍采用传统的基于多元统计分析的方法,其监测模型的控制限会受到严重影响,造成故障漏报.因此,为了确保当训练数据包含离群值时,监测模型仍然呈现较好的故障检测效果,本文提出了一种基于自联想核回归的故障检测方法.首先基于最小化β散度的鲁棒预白化算法对训练集进行白化计算,消除变量之间相关性对样本相似度度量的影响.然后通过自联想核回归算法重构正常工况下的验证数据,根据重构误差建立模型监测指标.为了消除离群值对故障样本重构的影响,构造截断函数来避免离群样本参与相似故障数据的重构,并对所有参与构建Q统计量的残差变量基于指数加权滑动平均方法自适应加权,得到新的监测统计量.将该方法运用于田纳西–伊斯曼过程并与其他方法进行比较,验证了本文所提故障检测算法的有效性.     

一种综合的概念语义相似度计算方法

针对概念语义相似度计算的片面性和不完善性问题,该文提出了一种综合的概念语义相似度计算方法。首先,基于传统的语义距离模型,综合考虑了有向边的类型、深度、密度、方向等因素,计算概念相似度;然后,根据本体的五元组组成元素,分别计算概念相似度;最后,使用sigmoid阈值函数求得各个相似度对应的调节因子值,并进行综合,实现了调节因子与各个相似度的自适应。实验证明,该方法有效且精确。     

基于数据变化率和重构贡献图的微小故障诊断方法

针对复杂工业过程的微小故障诊断问题,提出一种数据预处理与重构贡献图相结合的故障诊断方法;为了克服非高斯分布数据对故障检测准确性的影响,通过基于数据变化率的方法对样本原始数据进行预处理后,可以有效地检测过程变量的微小故障,以此建立故障诊断主元分析模型;检测出系统故障后,为了提高故障辨识准确度,采用一种平均残差差值重构贡献图的方法对故障进行辨识;通过正常样本数据和故障数据在残差子空间中的投影,获取两个数值的残差差值向量,计算重构贡献值来确定故障变量;以田纳西-伊斯曼(TE)过程为对象进行了故障诊断仿真实验,并与传统贡献图和重构贡献图方法的辨识准确率相比较,结果表明所提方法具有良好的故障诊断性能。     

综合分析的发电机组故障趋势曲线

发电机组的故障趋势分析经常受到负荷变化的影响.尤其基于振动分析,当负荷变化明显时.与能量有关的故障特征值发生相应变化,影响了故障趋势分析的效果.为了减少这种影响,提出一种综合分析的反映发电机组故障恶化程度的趋势曲线.它是基于无量纲波形统计分析与幅值域分析,提取对能量不敏感的形状因子,实现形状与能量综合分析.实验结果表明,它比传统的振动通频值能更好的反映发电机组的故障发展趋势.     

特定车速下轻型卡车驾驶室异常抖动故障诊断方法

常规驾驶室异常抖动故障诊断方法多采用神经网络算法,忽略了故障数据之间的关联性,使得诊断准确率较低。为此,提出特定车速下轻型卡车驾驶室异常抖动故障诊断方法。利用数据采集器采集驾驶室在线信息数据,并采用周期性的方式对数据分类,分析故障数据之间的内部关系,解析收集的信息数据,判断车辆驾驶室运行状态,并采用故障树方法计算底事件的概率重要度,进而实现驾驶室抖动故障诊断。利用对比实验对所提方法的诊断性能进行测试,结果显示,所提方法对于驾驶室异常抖动故障具有较高的诊断准确率。     

A novel data-based quality-related fault diagnosis scheme for fault detection and root cause diagnosis with application to hot strip mill process

In this paper, a new technology or solution of quality-related fault diagnosis is provided for hot strip mill process (HSMP). Different from traditional data-based fault diagnosis methods, the alternative approach is focused more on root cause diagnosis. The new scheme addresses the quality-related fault detection with the developed modified canonical variable analysis (MCVA) model, then the advantage of original generalized reconstruction based contribution (GRBC) is followed to identify the faulty variables. Meanwhile, a new transfer entropy (TE)-based causality analysis method is proposed for root cause diagnosis of quality-related faults. Finally, the whole proposed framework is practiced with real HSMP data, and the results demonstrate the usage and effectiveness of these approaches.     

Comprehensive subspace decomposition and isolation of principal reconstruction directions for online fault diagnosis

Reconstruction based fault diagnosis isolates the fault cause by finding fault subspace to bring the faulty data back to normal. However, the conventional reconstruction model was often defined using principal component analysis (PCA) to extract the general distribution information of fault data and may not well discriminate fault from normal status. It thus may fail to recover the fault-free data efficiently. To overcome the above problem, a relative principal component of fault reconstruction (RPCFR) modeling algorithm is proposed in the present work for fault subspace extraction and online fault diagnosis. Instead of directly modeling fault data to extract the reconstruction directions, the algorithm gives the original fault space a comprehensive decomposition according to its relationship with the normal process information. Those fault directions that can more efficiently characterize the effects of fault deviations relative to normal data are separated from the others and used for fault reconstruction. Its performance on online fault diagnosis is illustrated by the data from the Tennessee Eastman process.     

基于模糊推理的配电网单相接地故障诊断方法

提出了一种基于模糊推理的配电网单相接地故障诊断方法,即采用模糊理论对传统的零序电流群体比幅法、暂态零序电流互积求和法、信号注入法这三种传统的配电网单相接地故障诊断方法进行改进,根据模糊推理理论将三种故障诊断方法的诊断结果融合以综合判断;针对配电网支路多且复杂,但每条支路并不长的特点,对配电网络进行化简分层,并采用基于模糊推理的配电网单相接地故障诊断方法对分层后的配电网进行逐层判断,最终确定诊断结果。分析结果表明,该故障诊断及电网分层诊断方法能够准确、快速地判断出故障线路。     

多方向模板变分模型的单幅图像超分辨率重建

目的 为了增强图像超分辨率重建的准确性,克服传统插值所产生的边缘模糊与边缘锯齿等负面效果,提出一种基于多方向模板变分模型的单幅图像超分辨率重建方法。方法 首先构建体现28个方向的多方向模板对输入图像的轮廓方向进行计算,同时通过将TV模型引入到图像轮廓的估计中来确定边缘轮廓的最优方向;在此基础上通过进行基于所提出的多方向模板的图像插值来实现图像的超分辨率重建。结果 对比基于活动轮廓的图像边缘插值方法重建的经典高分辨率测试图像,本文方法在平均峰值信噪比和平均结构相似度方面分别提高了1.578 dB和 0.030 02 dB。结论 本文方法可以有效地克服传统插值方法所产生的边缘模糊和边缘锯齿化等负面效果,也避免了较少方向模板所带来的边缘和纹理丰富区域的纹理失真现象,可以取得较好的重建效果。     

基于趋势相似性的二甲酚尾气处理过程监测

利用工业锅炉对二甲酚的尾气进行处理时,存在爆炸和有毒尾气泄漏的风险,因此对二甲酚尾气处理过程进行故障监测十分必要。然而该过程具有非平稳特征,常规的故障监测方法监测准确率不高。为了解决这个问题,提出了基于趋势相似性特征的故障监测方法,通过滑动时间窗口切割时间序列,计算各时间窗口内数据之间的趋势相似性,并以此作为新的监控特征对该非平稳过程进行监测,从而提高监测准确率。最后,以某二甲酚生产企业采集的现场数据进行验证。结果表明,基于趋势相似性特征的故障监测较常规方法有较高的准确率,且监测准确率随过程的非平稳性增强而提高,验证了所提方法的有效性及实际应用价值。     

基于广义主成分分析的重构故障子空间建模方法

在线故障诊断是工业过程中十分重要的问题.相比传统贡献图而言,基于重构的故障诊断受到特别关注.传统的主元分析方法没有考虑故障数据中同时包含正常工况信息和故障信息,因而提取出故障子空间对故障的描述准确性不足.为提高故障子空间的准确性,提出一种基于广义主成分分析的重构故障子空间建模方法.首先,同时考虑正常工况数据和故障数据,...     

基于对偶树复小波变换的模糊图像质量评价

小波域和结构相似度SSIM的质量评价方法已经成为图像处理领域的研究热点,然而都存在一定的缺陷:传统的离散小波变换缺乏平移不变性,其方向选择性也十分有限;对于严重模糊的图像,SSIM评价结果并不十分准确。基于此,提出了一种适应于模糊图像质量评价的新算法。该算法用对偶树复小波变换DTCWT将图像进行分解来获取复小波系数,然后对所得到的六个方向的高频子带系数分别进行平均梯度幅度值的结构相似度MGSIM测量,最后将所得到的全部MGSIM的均值作为最终的原始模糊图像的模糊值。仿真实验验证了本方法比结构相似度更吻合人眼的视觉效果,与主观评价方法具有很好的一致性,并且在各方面的性能都优于目前有关文献的方法。     

Probabilistic fault diagnosis method based on the combination of nest-loop fisher discriminant analysis and analysis of relative changes

Bias of data location and increase in data variations are two typical disturbances, which in general, simultaneously exist in the fault process. Targeting their different characteristics, a nested-loop fisher discriminant analysis (NeLFDA) algorithm and relative changes (RC) algorithm are effectively combined for analyzing the fault characteristics. First, a prejudgment strategy is developed to evaluate the fault types and determine what changes are covered in the fault process. Two statistical indexes are defined, which conduct Monte Carlo based center fluctuation analysis and dissimilarity analysis respectively. Second, for the fault data containing those two faults simultaneously, a combined NeLFDA-RC algorithm is proposed for fault deviations modeling, which is termed as CNR-FD. Fault directions concerning bias of data location are extracted by the NeLFDA algorithm and then corresponding fault deviations are removed from the fault data. Then RC algorithm is performed on these fault data to extract directions concerning increase of data variations. These fault directions are used as reconstruction models to characterize each fault class. Particularly, the compromise between these two algorithms is determined by the Monte Carlo based center fluctuation analysis. For online applications, a probabilistic fault diagnosis strategy based on Bayes’ rule is performed to identify fault cause by discovering the right reconstruction models that can make the reconstructed monitoring statistics have the largest probabilities of belonging to normal condition. The motivation of the proposed algorithm is illustrated by a numerical case and the performance of the reconstruction models and the probabilistic fault diagnosis strategy are illustrated using pre-programmed faults from the Tennessee Eastman benchmark process and the real industrial process data from the cut-made process of cigarettes in some cigarette factory.     

用于高动态GPS接收机的微分约束最小功率抗干扰方法

本文提出了一种基于微分约束最小功率法的高动态全球定位系统(GPS)接收机的自适应抗干扰方法.该方法对最小功率法在干扰的来向上加微分约束,能够加宽天线波束在干扰来向上形成零陷的宽度,用以应对高动态环境中干扰波达方向随时间的快速变化.和常规的基于微分约束的加宽零陷方法相比,本文方法不需要知道或估计信号和干扰来向信息.本文不仅在空域探讨了该方法,还将该方法推广到空时二维自适应处理来抑制宽带色散多径干扰.仿真结果证明了该方法的有效性.     

Reconstruction based fault prognosis for continuous processes

In this paper, a multivariate fault prognosis approach for continuous processes with hidden faults is proposed based on statistical process monitoring methods and multivariate time series prediction. It is assumed that the fault is a slowly time-varying autocorrelated process and can be completely reconstructed. Fault magnitude is estimated first via reconstruction, then predicted by a vector AR model with wavelet based denoising. Given the fault direction, a new index is proposed to detect the fault, which integrates fault detection and prognosis together. Case studies on a continuous stirred tank reactor and the Tennessee Eastman process demonstrate the effectiveness of the proposed approaches.