基于相关峭度反卷积逆滤波器的薄膜生产线故障监测

在薄膜生产的过程中,由于模块或者部件的失效会产生随机故障;为了减少故障的发生,保证设备能够安全高效地运行,通过对关键的机组振动进行采样分析,采用基于相关峭度的故障检测方法,设计最大三阶相关峭度(M3CKD)反卷积逆滤波器,以采集到的实时数据序列的三阶相关峭度最大作为代价函数,提取并识别机组振动信号峰值,进行故障信号识别与定位;算法性能验证结果表明了该算法的可行性及可操作性,并且算法有较快的收敛速度和较好的稳定性,能有效地识别故障信号,适用于实际的薄膜生产线工业生产过程。     

基于改进SSD算法的光伏组件缺陷检测研究

无人机自动化巡检是解决大型分布式光伏系统运维需求的有效方案。无人机航拍产生大量光伏板图像数据,需要算法实现更高的识别精度和更快的识别速度,为此提出一种改进的SSD算法,用于检测光伏组件缺陷。新算法在原有SSD算法中嵌入注意力机制,并使用迁移学习策略提高检测速度和准确率,能够对光伏组件普遍存在的玻璃破碎、受光面发黄、灰尘等进行自动识别和分类。通过与Faster-RCNN、YOLO3、VGG16-SSD算法对比,实验结果表明,改进SSD算法在识别准确率、召回率和检测速度方面表现良好,能有效提升光伏组件缺陷识别的效率。     

温度传感器智能故障诊断和容错估计

针对控制系统中经常用到的温度传感器故障检测问题,提出了一种智能故障诊断和容错估计方法。首先,通过充分挖掘其历史故障数据样本及运行过程中的正常历史数据的数据变化规律,建立故障诊断规则库。其次,实时采样相关传感器数据,基于故障样本规则库实现各种故障工况的自动识别,并在故障工况下重构或估计出传感器真实测量值,使系统能够在传感器故障工况下正常运行。最后,通过现场试验验证了所提算法的有效性。     

基于Darknet网络和YOLO4的实时电路板故障检测算法

针对现有的接触式电路板故障检测方法难以应用到大规模集成电路故障检测中的问题,提出一种实时、非接触式的基于深度学习的电路板故障诊断算法;建立PCB板缺陷检测和元器件识别图像数据集,并采用数据增强技术,对数据进行数据增强来提高训练的数据量,以提升模型检测精度和鲁棒性;基于Darknet框架和YOLO4算法训练得到元器件检测模型,并通过采用k-means聚类算法设计合理的Anchors,使得模型具备多尺度缺陷检测的功能;使用图像配准算法在红外图像和可见光图像上实现配准和融合;根据PCB板设计时划分的功能区域,利用测温热像仪连续采集5个该区域的平均温度,通过判断5个平均温度之间的关系从而判断短路或者短路状态;经过试验测试,使用预先设置好故障的电路板作为实验对象,通过采集实验对象运行过程中的红外和可见光图像数据,基于设计的故障检测模型,不仅能够实时且有效地识别出元器件位置,并能够直观地标识出现短路、短路故障元器件;经过实际应用,能够满足设备运行时的实时电路板故障检测工程应用。     

基于STM32故障电弧检测装置的设计

对负载电流信号的检测是判断低压配电线路中是否发生电弧故障的有效方法之一。用ADC模块对负载电流信号进行采样,将发生电弧故障时的电流波形与正常工作时的电流波形相比较,检测是否有电弧故障发生。比较的电流波形特征量主要有过零点后的上升率、电流正半周期采样时间宽度和正半周期采样幅值,将这三个特征量作为电弧故障识别算法的判断条件,检测电弧故障。为了在硬件上验证该时域检测算法的可行性和有效性,将电弧故障检测算法移植到STM32平台,设计出了一台基于STM32的故障电弧检测装置样机。该样机可以实现电流信号采集、过零点检测、数据处理以及串联电弧故障检测识别。在以日光灯、开关电源和吸尘器为屏蔽负载的实验结果表明,该装置可以检测出串联电弧故障,且可靠性高,不会在没有产生故障电弧的情况下产生误判。     

基于准同步采样光伏发电系统谐波分析方法

在非同步采样的情况下,针对现有的检测方法存在计算量大、实时性差、频谱泄露以及栅栏效应等缺陷,提出一种基于同步采样的谐波检测算法,首先将非同步采样序列准同步化,然后利用基于Nuttall窗改进的FFT谐波分析算法进行对准同步化的序列运算,将整个基于准同步谐波分析方法应用于自主研制的光伏发电综合测量装置中。测试结果表明,该方法能够有效地消除光伏发电系统中频率波动等现象带来的影响,抑制频谱泄露效果良好,提高了计算谐波参数的准确度,并且具有较高的抗干扰能力。     

基于KNN的水轮机组轴承监测与故障诊断

为了对水轮机组轴承进行实时监测并对其故障进行诊断,提出一种基于KNN算法的水轮机组轴承的故障诊断算法与监测系统。首先,介绍了传统的KNN算法,其次引入故障识别球,对KNN算法进行优化,使其更适用于水轮机组轴承故障诊断,并对故障样本数据集进行增强和优化;然后,根据水轮机组轴承运行状态能够通过在线油液特征来反映,构建在线油液特征检测系统;最后,通过故障样本数据集对优化后的算法进行验证,并使用设计的监测系统对水轮机组轴承的运行状态进行了一个月的实时监测。结果表明：优化后的KNN算法具有可行性与自适应性,对故障识别诊断的准确率高达0.98;监测系统运行稳定,能够对水轮机轴承进行实时监测,及时对异常数据进行获取与识别,并给出故障诊断报告与检修意见。     

改进回溯搜索算法解决光伏模型参数识别问题

为了准确、可靠地识别光伏模型参数,提出一种改进回溯搜索算法（MBSA）。该算法首先通过选取部分种群个体同时学习当前种群和历史种群信息,而其他个体向当前种群中最优个体学习并远离最差解,从而保持种群多样性并提高收敛速度;然后,通过概率来量化总体中的个体性能,进而每个个体基于概率自适应地选择不同的进化策略来平衡探索和开发能力;最后,采用基于混沌局部搜索的精英策略来进一步提高种群的质量。所提算法在单二极管、双二极管和光伏模块等不同的光伏模型上进行仿真实验。实验结果表明,所提出的策略极大提升了回溯搜索算法（BSA）的收敛速度和参数识别的准确性。将所提算法与逻辑混沌JAYA（LCJAYA）算法和多重学习回溯搜索算法（MLBSA）等八种先进的算法进行对比,结果表明,所提出算法参数识别的鲁棒性在对比算法中最优,在单、双二极管模型上的识别准确性明显优于JAYA、LCJAYA、改进的JAYA优化（IJAYA）和基于教学的优化（TLBO）算法,在光伏模块模型上的识别准确性明显优于MLBSA、JAYA、IJAYA和TLBO算法。在不同光照条件和不同温度下采用厂商真实数据对薄膜、单晶和多晶三种光伏组件进行的实际测试中,所提算法的预测结果与实测情况一致。仿真结果表明,所提算法能够精确稳定地识别光伏模型参数。     

基于神经网络的无人机传感器故障诊断技术研究

无人机传感器的故障诊断和容错控制是一项关键技术,为了能够实时监测传感器的运行状态、快速定位故障和控制重构,文章采用BP神经网络设计了一种由主、从神经网络构成的无人机传感器故障诊断算法,其中主网络用于传感器的故障检测,从网络完成对故障的识别;该算法减少了故障诊断运算量,提高了故障诊断的实时性;通过仿真研究表明了该算法可以有效地检测、识别出故障,并能给出故障传感器估计值用于容错控制.     

基于软件运行特征的故障检测方法研究

针对软件源代码静态检测时故障报告中误报较多问题,提出一种基于软件运行特征的故障检测方法,通过引入动态分析的方式进行故障检测;首先扩展了动态测试插装库,设计了八种常见故障模式对应的探针函数,然后在程序中搜索故障监控位置并进行故障监控探针的插装,最后在软件执行过程中分析插装消息中的运行特征从而识别故障;实验结果表明该方法能够有效检测程序故障且检测出的故障均为真实存在,弥补了静态分析误报率高的问题。     

基于LVQ神经网络的飞行作动器故障诊断

为了对飞行作动器的故障进行有效辨识,使飞行员能够在更短时间内对故障进行处理,提出了基于自组织映射神经网络的学习向量量化算法;使用此方法在大步长采样下对飞行作动器的卡死和损伤故障进行训练和辨识,并尝试运用小波包技术分解小步长采样数据,结合自组织映射网络对分解后的数据进行分析;检验结果表明,大步长采样下,检测和分类效果令人满意,且具有良好的网络的泛化能力,而在小步长采样下,自组织映射网络不能有效区分故障类型,识别失败。     

基于多层前馈神经网络的航天器在线故障检测系统设计

航天器在故障定位过程中易受原始电源信号的干扰,导致识别效果较差,为了解决该问题,提出了基于多层前馈神经网络的航天器在线故障检测系统设计。根据航天器在线故障检测原理及物联网技术设计系统总体架构,并分别对硬件部分及软件部分进行设计。硬件部分结合工业标准?PC组件,设计PXI机箱结构,完成对PXI测量模块的控制,利用MXI-4接口工具实现远程遥控,解决干扰信号对系统定位识别干扰。设计FPGA的EP3C10芯片外围结构,确定电路板主、子适配器管脚连接方式,利用2个高速?AD转换器差分采样,通过?FIFO存储采样结果。通过电子负载板继电器控制模块,控制信号阻断性能。构建基于多层前馈神经网络识别模型,依据确定性逻辑推理规则得出识别门限值,依据阈值设定具体识别流程,判断则判定参数有故障,完成系统设计。实验结果表明,该系统信号阻断效果优异,在距离为2和6 m时达到最大信号幅值0.9,故障模式的检测结果与理想结果一致,能够为航天器稳定运行提供设备支持。     

基于卷积神经网络的扁桃体咽拭子采样机器人

针对医务人员咽拭子采样时有较高被传染风险,提出咽拭子采样机器人。采样需检测、识别和定位扁桃体的位置信息,由于扁桃体在原图中尺寸较小、特征提取困难,设计基于卷积神经网络的两步检测模型。第一步,使用口腔检测模块将口腔图像从自制的人体面部数据集中检测并切割出来;第二步,在口腔图像基础上,识别位扁桃体的位置信息。结合深度图像计算扁桃体在机器人世界坐标系的坐标,控制机械臂运动到指定位置,实现咽拭子采样。实验证明,系统使用基于卷积神经网络的扁桃体两步检测模型具有较高的准确性和检测效率,检测结果的AP50和检测平均时间均优于对比算法且能够准确地完成咽拭子采样。     

基于随机共振的驱动桥故障诊断方法研究

结合驱动桥运行时的实际情况,通过分析随机共振原理,给出了一种自适应随机共振算法.该算法能够根据输入信号自动调节系统参数,使其达到共振从而提取淹没在强背景噪声下的有用信号特征.通过仿真实验验证了该自适应算法能够从强背景噪声中提取一个和多个频率的信号.将该自适应算法应用于驱动桥故障检测中,结果表明该算法能够区分和识别驱动桥存在的不同故障类型.     

基于改进BP网络的弹药库房有害气体检测

通过气体采样分析,确定了弹药库房需要重点检测的有害气体种类,在此基础上构建了基于传感器阵列与粒子群优化BP网络的气体检测系统;针对线性惯性权重调整的粒子群优化BP神经网络算法的不足,提出了一种新的非线性惯性权重调整方法,既保证了算法在运行前期具有较快的搜索速度和全局搜索能力,又保证了后期具有较高的搜索精度;为了克服算法在运行后期的局部收敛,在算法运行过程中引入速度变异算子,使算法摆脱了易陷入局部最优点的束缚;最后,通过实验对气体检测系统的性能进行了检验。结果表明,该气体检测系统速度快、精度高,能够较好地实现对弹药库房有害气体的检测。     

基于计算机DCGAN数据增强的YOLOv5光伏电池板热斑检测方法

针对光伏电站巡检过程中,光伏电池板热斑样本少,现有目标识别算法检测精度低的问题,提出一种将深度卷积对抗生成网络DCGAN与YOLOv5目标识别算法相结合的光伏电池板热斑检测方法。该方法通过搭建DCGAN网络进行数据增强,改进YOLOv5网络的数据增强模块,获得数量更充足、特征更丰富的训练数据。对原始图像、常规数据增强和DCGAN数据增强的数据集在YOLOv5网络中进行训练,并对检测模型的精度进行对比。实验结果表明,与常规YOLOv5目标识别模型相比,本文采用DCGAN网络提高了数据集的图像质量,减少因样本过少而引起的训练不充分和热斑检测精度低的问题,平均精度较常规模型提高1.72%。该方法有助于提高光伏电站巡检效率,保障太阳能电池组件正常运行。     

基于频域叠加和深度学习的频谱信号识别

针对频谱监测领域频带较宽、接收机采样步进受限而造成的宽带频谱信号难以识别的问题,提出了一种频域叠加预处理和目标检测相结合的频谱信号识别方法。该方法利用频域叠加对频谱数据进行多帧叠加来突出频谱中的弱信号,将叠加处理后的频谱图像送入改进的目标检测网络中进行信号类型的识别。经过实验证明,此方法能够有效地识别7种类型的频谱信号,提出的频域叠加预处理能够提升目标检测算法的精度,并提高频谱中弱信号的识别能力,在信噪比为6 dB时,算法能够达到89.7%的平均识别率。     

一种基于马氏距离的模拟电路软故障检测算法

提出了一种基于小波分解和马氏距离判定准则的模拟电路软故障检测算法;在pspice环境,完成了一个低通滤波电路在常态和各软故障模式下的Monte-Carlo仿真,分别采样常态及各故障状态下输出节点电压并进行小波分解,利用近似系数分别求出无故障态和各故障模式下的马氏距离,并以此作为故障判定依据。仿真及计算结果显示,这种故障检测算法对模拟电路的软故障具有良好的识别能力,且具有算法简单、计算量小的优点。     

基于深度学习的模拟电路故障诊断算法

针对模拟电路易发生故障且不易诊断的问题,提出了一种基于深度学习的模拟电路故障诊断算法。该算法首先将采样的原始数据制作成语音形式,然后通过时频域变化转化为语谱图,最后再将其送入VGG16模型中进行训练与测试。实验结果表明,该算法用于模拟电路故障诊断时能够识别的故障种类达到9种,同时准确度达到了100%,具有很强的电路故障诊断能力。     

基于可见光图像特征的光伏板碎裂状态分析与研究

光伏板表面裂纹会导致光伏系统发电效率降低,并引发腐蚀、灼烧等并发故障,进行光伏板碎裂状态智能识别与分析对光伏电站发电效率和高效运维有重要意义。利用碎裂光伏板在可见光图像上具有显著纹理特征这一特点,提出一种光伏板碎裂状态的识别和分析方法。以嵌入了注意力机制的残差网络来辨识不同碎裂状态程度的光伏板图像,建立不同碎裂程度光伏板和发电损失率的对应关系。实验表明：改进算法具有优良的识别精度,可以批量快速并定量地分析光伏板碎裂对光伏发电效率的影响,为光伏电站智能巡检和运维技术提供参考与新思路。