基于深度置信网络的炼化空压机故障诊断方法

针对炼化空压机故障诊断中故障机理复杂、先验知识欠缺,且传统浅层神经网络诊断精度不高等问题,结合深度置信网络(DBN)在特征提取和处理非线性数据等方面的优势,提出一种基于DBN的炼化空压机故障诊断方法。该方法利用空压机状态监测实测数据,实现训练网络的无监督特征学习和有监督微调,构建空压机故障的深层网络模型,从而实现对空压机故障类型的有效智能诊断。为评估该方法的有效性,与传统的故障诊断方法进行了比较研究,结果表明,该方法的诊断精度优于传统的故障诊断方法,且稳定性更好。     

基于深度置信网络的炼化空压机故障诊断方法

针对炼化空压机故障诊断中故障机理复杂、先验知识欠缺，且传统浅层神经网络诊断精度不高等问题，结合深度置信网络（DBN）在特征提取和处理非线性数据等方面的优势，提出一种基于DBN的炼化空压机故障诊断方法。该方法利用空压机状态监测实测数据，实现训练网络的无监督特征学习和有监督微调，构建空压机故障的深层网络模型，从而实现对空压机故障类型的有效智能诊断。为评估该方法的有效性，与传统的故障诊断方法进行了比较研究，结果表明，该方法的诊断精度优于传统的故障诊断方法，且稳定性更好。     

基于粗糙集与人工神经网络的烟气机故障诊断

提出了一种粗糙集理论与神经网络集成的烟气机故障诊断方法。首先应用SOM网络对故障诊断数据中的连续属性进行离散化,然后根据粗糙集理论,借助遗传算法进行故障诊断决策系统约简,获得最优决策系统。最后在最优决策系统的基础上,设计RBF神经网络对烟气机故障进行诊断。试验结果显示,该方法可以有效提高烟气机故障诊断的精度和效率。     

基于小波遗传神经网络矿用振动筛故障诊断分析

矿用振动筛长期受到反复荷载作用容易出现筛板松动变形、筛框梁开裂、激振器抱轴等故障,影响振动筛的正常使用。利用小波降噪技术能够提取出振动筛故障信号,由此判断故障类型,故障诊断效率较高。设计诊断系统的BP神经网络,介绍其网络结构、初始参数的设置和权值的训练方法,将小波遗传神经网络的诊断效果与小波神经网络进行对比,结果显示前者在诊断效率和诊断准确性上都有明显优势。     

机器学习算法改进及在化工故障诊断中的应用

研究基于机器学习算法,提出一种改进CNN网络的化工故障诊断方法。通过分析CNN网络结构特点与参数训练过程,采用PSO算法对CNN网络进行改进;然后,基于改进CNN网络,提出化工故障诊断方法;最后,通过以TE过程仿真软件,对本研究改进CNN算法在化工故障诊断中的应用进行验证。结果表明：可有效诊断化工故障,平均故障检出率达到91.23%,误报率为1.23%。相较于标准CNN算法、PCA算法、KPCA算法、MICA算法,改进CNN算法对化工故障的检出率更高,误报率更低,且故障检出速度更快。     

基于改进KFDA与DE优化SOM的故障诊断模型及其化工过程诊断

针对化工过程故障诊断数据存在高维度、故障特征不易区分、自组织映射（self-organizing map,SOM）网络易陷入局部最优等问题,提出了一种基于改进核Fisher判别分析（kernel Fisher discriminant analysis,KFDA）与差分进化算法（differential evolution,DE）优化SOM神经网络相结合的故障诊断方法。该方法首先利用欧氏距离对类间距进行加权处理,以避免因类间距离过大造成投影后的数据存在重叠的问题,使故障数据样本获得较好的投影效果,优化分类性能;然后,利用DE算法对SOM神经网络的权值向量进行动态调整,有效避免了由于“死神经元”的出现陷入局部最优的问题;最后,通过对田纳西-伊斯曼（tennessee-eastman,TE）过程和对二甲苯（paraxylene,PX）歧化工艺过程的故障数据进行诊断测试。结果表明,与传统SOM网络相比,提出的KFDA-DE-SOM算法具有较高的分类诊断精度,可有效应用于化工过程的故障诊断。     

概率神经网络在电机故障诊断中的应用

针对传统故障诊断方法的局限性,提出一种基于概率神经网络的诊断方法。以异步电机转子故障为例进行了故障诊断研究,通过选择故障样本来训练神经网络,将代表故障的信息输入训练好的神经网络后,由输出结果就可以判断发生的故障种类。仿真实验结果表明了基于概率神经网络的电机故障诊断方法的正确性。     

基于RBF神经网络的螺杆泵井故障诊断

针对螺杆泵井工况复杂、故障种类繁多,反映特征参数与故障类型的数学模型难以搭建,提出了建立一种基于RBF神经网络的螺杆泵井故障诊断模型。选取日产液量、动液面深度、电机功率作为输入向量,将抽油杆断脱、泵漏失、油管漏失等故障类型作为输出向量,采用RBF神经网络工具箱建立了螺杆泵井故障诊断模型,并对网络进行了训练,利用该网络测试了大庆油田两口螺杆泵故障井,结果表明：RBF神经网络具有较快的收敛速度和良好的稳定性能;验证了建立的RBF神经网络的螺杆泵井故障诊断模型的正确性\可行性和有效性。     

基于神经网络的区域供热故障诊断系统研究

本文基于神经网络,搭建了区域供热工业互联网大数据平台故障诊断分析系统,制定了系统(流程)故障排查、未知故障识别/诊断工作程序,设计了故障诊断算法,完善了机械设备、通讯设备、传感器等设施的智能分析机制,提升了区域供热网络的安全性、运维效率和智能化水平.     

基于模糊神经网络的发动机故障诊断研究

基于模糊神经网络理论,对发动机涡轮增压系统、冷却系统以及润滑系统常见故障进行了研究,在MATLAB环境中,利用常见的故障案例样本,训练BP神经网络,建立涡轮增压系统、冷却系统及润滑系统三大系统的模糊神经网络模型,并通过未参与训练的故障案例样本对模型进行验证,经验证模型的预测误差均在5%以内,可以满足故障诊断的要求。另外,针对各系统的模糊神经网络模型,利用MATLAB GUI建立发动机故障诊断系统,该系统可以根据故障现象,诊断故障原因,并通过实际故障案例验证,诊断结果与实际故障原因相符,说明故障诊断系统具有指导性。     

基于自适应小波神经网络的往复泵故障诊断

为了对往复泵的故障进行正确诊断,提出了基于自适应小波神经网络的往复泵故障诊断方法.以往复泵单个泵缸内的压力信号作为系统特征信号采用小波变换来提取故障特征向量,同时将此特征向量作为小波神经网络的输入,利用小波神经网络对故障做进一步的精确实时诊断.通过对往复泵液力端多故障诊断实例的检验表明：该系统故障诊断正确率达到了93％以上.     

基于极限学习机的汽轮机故障诊断

针对汽轮机故障诊断中出现的多故障识别问题,为有效提高汽轮机多故障诊断的准确率,提出了基于极限学习机的汽轮机故障诊断方法.极限学习机算法在训练时只需设置隐含层神经元个数,从而解决了如神经网络及支持向量机等多参数选取困难的问题,有效地提高了学习机的训练速度.在确定了最优参数的基础上,将极限学习机应用于汽轮机故障诊断模型中,并将极限学习机的故障诊断结果与支持向量机的诊断结果进行对比.结果表明：基于极限学习机的多故障诊断速度及准确率均明显优于支持向量机的诊断结果,对汽轮机故障诊断的实践有非常显著的指导作用.     

基于虚拟技术的齿轮故障智能诊断研究

利用LabVIEW图形化编程语言开发了信号分析与处理、信号特征提取和故障诊断三大模块。信号特征提取由小波包分解来实现,故障诊断通过神经网络完成,小波包分解提取的齿轮振动信号各频段能量特征值作为神经网络的输入向量。以模拟故障实验台获取的齿轮典型故障振动信号训练神经网络,利用训练好的神经网络对齿轮进行故障诊断,实验结果表明：所开发的齿轮故障智能诊断系统能有效识别齿轮故障,较好地将虚拟技术应用于故障诊断领域。     

基于EEMD和模糊BP神经网络的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出一种基于总体经验模态分解(EEMD)和模糊BP神经网络的故障诊断方法。首先对滚动轴承的振动信号采用总体经验模态分解方法进行分解,得到若干个本征模态函数分量(IMF);然后提取各分量的均方差、峭度和能量,把这些特征参数作为学习集和训练集,将学习集输入到模糊BP神经网络中进行学习;最后把训练集输入到特征参数经过学习训练后的模糊BP神经网络中进行故障类型识别,并与BP神经网络进行比较。实验结果表明:所提方法能有效地应用于滚动轴承故障诊断,而且比BP神经网络具有更高的精确度。     

基于多尺度特征能量-核极限学习机的双循环流化床气流堵塞故障智能诊断

为减轻双循环流化床结块与堵塞故障对生物质气化反应的负面影响,提出基于多尺度特征能量-核极限学习机(kernel extreme learning machine, KELM)的故障诊断模型。首先对故障状态下压力信号采用小波分解获得多尺度信号,然后提取各尺度特征能量作为特征向量,最后将其输入经遗传算法优化的核极限学习智能诊断模型,实现双循环流化床气流堵塞故障的智能诊断。通过对公开的轴承故障数据集和双循环流化床冷态实验系统数据的分类识别分析,并与基于变分模态分解和样本熵特征提取的KELM诊断模型进行比较,结果表明：本模型具有较高的故障诊断精度(82.5%),能够有效提取故障特征,用于双循环流化床气流堵塞的高效分类识别。     

管道泄漏诊断方法研究

提出一种基于小波分析和神经网络技术的管道泄漏诊断方法。首先对管道泄漏的声发射信号进行小波包分解,然后提取各节点能量百分比作为特征向量输入BP神经网络,以故障类别作为输出参数训练该网络。训练后的神经网络可以利用测量的声发射信号来判断管道的故障状况。通过试验证明该方法在管道泄漏诊断中是有效可行的,不仅能判断管道是否发生泄漏还能识别泄漏种类。     

线性分类-重构网及其在化工过程早期故障诊断中的应用

提出了一种以线性递推学习为基础的分类-重构神经网络。网络具有学习算法简单、速度快、学习与分类并行,以及可自动积累知识等基本功能,尤其适用于生产过程的早期故障诊断一类实时系统。给出了化工过程早期故障诊断的应用实例,研究结果证明了网络的有效性。     

基于极深因子分解机的化工过程故障诊断方法

近年来,随着化学工艺、设备的复杂化和大型化程度不断深入,如何为化工企业及时、准确地诊断故障、排除事故,成为一个极具挑战性的问题。目前,以深度学习为代表的化工过程故障检测与诊断技术成为业界解决问题的主要思路之一,但现有深度方法在构建诊断模型时只关注了变量的非线性高阶特征,不能充分、全面地挖掘多源交互信息,难以有效地融合各类异构数据。基于此,提出一种基于极深因子分解机的化工过程故障诊断方法,通过并行融合三类不同网络模型(分解机模型、深度神经网络模型、压缩交互网络模型),实现对高阶、低阶及线性特征的自动提取和高效整合。为了评估模型性能,从单故障诊断和多故障混合诊断的角度出发,在田纳西-伊斯曼过程(TE)仿真数据集上进行了广泛的对比实验,结果表明,所提方法较以往故障诊断方法在精确率和召回率等指标上具有明显优势。     

基于Sigmoid函数参数调整的双隐层BP神经网络的板形预测

提出一种改进的BP神经网络处理板形缺陷数据的方法,建立双隐层BP神经网络模型,并对Sigmoid激活函数的形状进行调节。将其应用到冷轧的板形缺陷识别中,与利用Levenberg-Marquardt规则训练的BP神经网络预测结果作对比,表明该方法不仅有效地减少双隐层BP网络的学习时间,同时改善了网络的泛化能力,有利于板形缺陷在线识别。     

基于稀疏局部嵌入深度卷积网络的冷水机组故障诊断方法

针对于冷水机组提出一种基于稀疏局部嵌入深度卷积网络（sparsely local embedding network,SLENet）的故障诊断方法。采用稀疏局部嵌入方法代替卷积核,对输入数据进行特征选择,避免了复杂的训练和调参过程。另外采用空间金字塔最大池化作为网络的输出层,减少了网络的输出维数和分类器的计算量。针对美国采暖、制冷与空调工程师学会提供的冷水机组的典型故障数据进行分类,结果表明,该方法相比深度卷积网络（CNN）和支持向量机（SVM）方法具有更高的故障诊断精度。