小波包滤波在齿轮故障诊断中的应用

为快速准确地判断齿轮故障的类型,提出了小波包滤波和神经网络相结合进行齿轮故障分类的方法。介绍了小波包去噪的原理和神经网络的设计方法,对阈值算法和神经网络优化算法作了改进,得到了不含噪声的信号和准确的故障分类方法。仿真结果表明,基于小波包滤波的神经网络方法具有更高的准确性和稳定性,可以满足工业故障诊断的要求。     

基于PNN的飞机发动机故障诊断研究

鉴于概率神经网络良好的分类性能,提出一种基于PNN的飞机发动机故障诊断方法,成功对三种典型飞机发动机转子故障做出了正确诊断。研究表明,PNN网络诊断准确,对测量噪声有良好的鲁棒性,具有较好的工程应用前景。     

Intelligent diagnosis method for rolling element bearing faults using possibility theory and neural network

This paper presents an intelligent diagnosis method for a rolling element bearing; the method is constructed on the basis of possibility theory and a fuzzy neural network with frequency-domain features of vibration signals. A sequential diagnosis technique is also proposed through which the fuzzy neural network realized by the partially-linearized neural network (PNN) can sequentially identify fault types. Possibility theory and the Mycin certainty factor are used to process the ambiguous relationship between symptoms and fault types. Non-dimensional symptom parameters are also defined in the frequency domain, which can reflect the characteristics of vibration signals. The PNN can sequentially and automatically distinguish fault types for a rolling bearing with high accuracy, on the basis of the possibilities of the symptom parameters. Practical examples of diagnosis for a bearing used in a centrifugal blower are given to show that bearing faults can be precisely identified by the proposed method.     

小样本下基于元学习和网络结构搜索的新模态故障诊断

实际多模态化工过程通常由于产品需求等调整而产生新模态,现有基于深度学习的故障诊断方法存在未充分利用现有模态设计经验、小样本下难以训练模型等局限.针对上述问题,提出一种基于元学习(meta learning, ML)和网络结构搜索(neural architecture search, NAS)的新模态故障诊断方法MetaNAS.首先,利用NAS自动获取现有模态性能最优的网络模型;然后,利用ML从现有模态的NAS过程中学习故障诊断模型的设计经验;最后,当新模态产生时,在已学习设计经验基础上进行梯度更新,即在小样本条件下快速得到新模态故障诊断模型.通过数值系统和田纳西伊斯曼(Tennessee Eastman, TE)化工过程的仿真实验充分验证所提出方法的有效性和可行性.     

Deep learning for fault-relevant feature extraction and fault classification with stacked supervised auto-encoder

Stacked auto-encoder (SAE)-based deep learning has been introduced for fault classification in recent years, which has the potential to extract deep abstract features from the raw input data. However, SAE cannot ensure the relevance of deep features with the fault types due to its unsupervised self-reconstruction in the pretraining stage. To overcome this problem, a stacked supervised auto-encoder is proposed to pretrain the deep network and obtain deep fault-relevant features from raw input data. In each supervised auto-encoder, informative features are learned from the input data with the goal that they can largely distinguish different fault types. By stacking multiple supervised auto-encoders hierarchically, high-level fault-relevant features are gradually learned from raw input data, which can improve the classification accuracy of the classifiers. The proposed SSAE is tested on the Tennessee–Eastman (TE) benchmark process and a real industrial hydrocracking process. The results show the effectiveness and flexibility of SSAE.     

信息融合技术在变压器油气识别故障诊断中的研究

变压器故障分为放电性故障和过热性故障两大类别,它们均会在变压器油中有所反映。本文通过对变压器油中主要气体的分析,判断变压器的故障类型。具体方法是:利用改进算法的BP网络和信息融合技术,以变压器油中五种主要特征气体作为神经网络的输入,以六种变压器状态作为相应的输出,通过加入动量因子,可以提高学习率系数,充分发挥改进算法的BP网络具有自适应学习能力的优势。仿真测试结果表明,本方法能够在较大范围内准确有效地进行变压器的故障诊断。     

基于人工智能技术的不完备信息系统智能诊断方法研究

为了提高不完备信息系统故障诊断的正确性与效率,本文提出一种基于粗糙集理论、蚁群优化算法和RBF神经网络相结合的故障智能诊断方法。该方法首先利用“条件组合补齐算法”对不完备的数据进行完备化处理,再利用粗糙集对条件属性进行知识约简,得到具有最大完备度的最小规则集,接着用蚁群算法优化RBF神经网络的权值,并将最小规则集用于训练RBF神经网络模型,获得故障智能诊断模型。通过实际工程数据验证故障智能诊断模型的有效性,结果表明提出的方法能有效实现系统故障的诊断。     

基于可传递置信模型的模拟电路融合诊断方法研究

本文提出了一种有效的基于可转移置信模型的模拟电路故障融合诊断方法,解决模拟电路诊断中故障特征信息缺乏和决策融合中异质信息不相容等问题。该法首先采用所提出的电路温度故障信息的提取规则,将获得的温度故障信息输入隶属度函数进行故障预识别,再结合基于可测点电压神经网络故障预识别结果,利用可传递置信模型进行电路融合诊断。通过具体电路实验仿真,表明了该方法的有效性,提高了模拟电路融合诊断准确率。     

A fuzzy neural network approach for online fault detection in waste water treatment process

In this paper, an effective strategy for fault detection of sludge volume index (SVI) sensor is proposed and tested on an experimental hardware setup in waste water treatment process (WWTP). The main objective of this fault detection strategy is to design a system which consists of the online sensors, the SVI predicting plant and fault diagnosis method. The SVI predicting plant is designed utilizing a fuzzy neural network (FNN), which is trained by a historical set of data collected during fault-free operation of WWTP. The fault diagnosis method, based on the difference between the measured concentration values and FNN predictions, allows a quick revealing of the faults. Then this proposed fault detection method is applied to a real WWTP and compared with other approaches. Experimental results show that the proposed fault detection strategy can obtain the fault signals of the SVI sensor online.     

基于迁移QCNN的孪生网络轴承故障诊断方法

轴承故障诊断对于降低旋转机械的损坏风险,进一步提高经济效益具有重要意义。深度学习在轴承故障诊断中应用广泛,但是深度学习模型在训练与测试时容易受到噪声的干扰导致性能下降。并且轴承的工况变化频繁,不同工况下的数据采集困难。对此,提出了一种基于迁移QCNN的孪生网络轴承故障诊断方法,先预训练QCNN获取具有较强判别性的模型参数,将预训练的参数迁移到QCNN作为子网络的孪生网络中,然后正常训练孪生网络获取模型,最后将测试数据与故障数据组成数据对输入模型,即可得到测试数据的故障类型。该方法将QCNN与孪生网络相结合,QCNN中的Quadratic神经元具有强大的特征提取能力,孪生网络共享权重和相对关系的训练方式,使得模型可以缓解噪声和工况数据不平衡问题的影响。实验结果显示,相较与传统机器学习模型和QCNN等模型,所提出方法在面对噪声和工况数据不平衡问题表现更好。     

A self-learning and self-optimizing framework for the fault diagnosis knowledge base in a workshop

The knowledge base is an essential part of the fault diagnosis system, which is crucial to the performance of fault recognition. As the intelligence of the fault diagnosis system has made persistent advance, the increasing demands for diversity and dynamic update have posed challenges to the knowledge base. In this paper, a framework for the fault diagnosis knowledge base is proposed to address the challenges mentioned above. Firstly, a dynamic clustering model is designed using the proposed semi-supervised multi-spatial manifold clustering method to recognize attribute clusters and aggregate new types. When new types are added to this model, it is constantly updated to achieve the automatic evolution of the knowledge base for the diversity of fault. Then, a knowledge evolution model is established by the generative adversarial network algorithm to achieve self-learning and self-optimizing capabilities of the knowledge base. This method learns the distribution of knowledge elements and generates new knowledge elements to optimize the clustering model. Finally, a series of comparative experiments are carried out on bearing datasets to verify the validity of the mentioned framework and models. The comparison results indicate that the proposed method has better performance in fault diagnosis. This research can not only update the knowledge base, but also provide a feasible approach for designing an autonomous knowledge base with self-optimizing and self-learning capabilities.     

基于网络结构搜索的工业过程自动故障诊断方法

针对现有基于深度神经网络的工业过程故障诊断方法存在网络结构设计烦琐及参数寻优耗时等问题,提出了一种基于网络结构搜索的工业过程自动故障诊断方法(automatic fault diagnosis, AutoFD),该方法采用AutoFD网络结构搜索算法,来自动完成卷积神经网络的网络结构设计和网络参数寻优。在此基础上,首先通过在原始数据上施加操作生成新通道;接着利用表现预测加速获取通道适应性排序的过程;然后依据通道适应性排序,通过表现预测来快速选取最优卷积通道数;最终根据最优卷积通道来搜索表现最优的多通道卷积神经网络模型用于工业过程自动故障诊断。采用田纳西—伊斯曼(Tennessee Eastman, TE)工业过程和数值系统对提出方法进行验证,结果表明该方法可以实现网络结构自动设计及网络参数的自动寻优,并且具有优良的故障诊断性能。     

基于改进GRU模型的直流充电桩故障预测

直流充电桩作为电动汽车有效的供电设备,其故障频发对电动汽车充电安全带来隐患.对充电桩的故障进行准确预测将有效地确保电动汽车充电过程的安全.本文提出了一种改进门控循环单元(gate recurrent unit, GRU)直流充电桩的故障预测模型.首先,分析充电过程中直流充电桩的常见故障类型,考虑到实际采集过程中具体故障数据样本量少的情况,利用变分自编码器(variational auto-encoder, VAE)数据增强方法对样本数据进行扩充;然后,基于GRU网络模型的故障预测方法,利用粒子群优化(particle swarm optimization, PSO)算法优化GRU网络参数,采用支持向量机(support vector machine, SVM)模型改善网络输出的分类函数,提出了PSO-GRU-SVM直流充电桩故障诊断模型;最后,利用算例对比改进前后的预测精度,分析对比混淆矩阵热力图,并且与常用的两种网络模型进行对比,结果表明了文中方法有效地提高了预测精度,验证了文章中方法的可行性.     

基于空间故障网络的系统故障发生潜在可能性研究

为了在系统故障演化过程(system fault evolution process,SFEP)中,根据系统故障事件累计数据,获得当一些事件发生后对系统最终故障发生的影响,提出一种基于空间故障网络(SFN)的系统故障发生潜在可能性分析方法.该方法的特点是根据系统运行期间发生各类事件及事件间关系,建立事件关系数据库,绘制SFN.当某种工况下已发生一些事件后,根据这些事件的因果逻辑关系和传递概率,得到这些事件能否引起系统故障、故障模式及发生可能性.通过典型实例说明了该方法的使用过程和分析效果,表明其可适应大规模故障数据处理和SFEP故障发生潜在性分析.     

空间故障网络及其与空间故障树的转换

空间故障树是一种研究系统可靠性与影响因素关系的理论体系,用树型结构描述元件与系统之间的可靠性关系。但实际故障发生过程是复杂的,难以表示成树型结构,而更为广泛的是网状结构。因此,尝试将空间故障树中的树型结构转换为网络结构,进而形成空间故障网络。给出空间故障网络的定义、性质及其与空间故障树的转换方法。目的是将空间故障网络转换为空间故障树,以利用空间故障树已有研究结果。给出一般结构和多向环结构的空间故障网络,及其转换为空间故障树的方法。为使用空间故障树理论研究一般网络结构故障发生过程提供方法。     

SFEP文本因果关系提取及其与SFN转化研究

为将系统故障演化过程(system fault evolution process，SFEP)的文本描述转化为空间故障网络(space fault network，SFN)结构，用于故障分析，本文提出SFEP文本因果关系提取方法，及其与SFN基本结构的转化方法。首先给出SFEP中事件的几种典型因果关系。随后提出因果关系与SFN基本结构的转化流程。本文方法围绕着关键字和因果关系组模式展开，通过模型的不断学习补充和丰富关键字和组模式。最终使方法具备将SFEP文本转化为SFN结构的能力。以飞机起落架故障发生过程文本为例进行了应用，实验结果表明该方法可用于SFEP文本中的因果关系分析，并得到了理想的SFN。完善的关键字和组模式有利于使用计算机智能处理SFEP的SFN。     

基于PSO神经网络的故障诊断方法研究

将粒子群优化算法和BP算法相结合,提出了一种基于粒子群神经网络的故障诊断方法.该方法分阶段实施神经网络的训练,有效地加强了算法的全局搜索能力,采用PSO优化了传播中的权值、阈值以及网络结构.这不仅弥补了BP算法的不足,而且删除了冗余连接,提高了故障模式识别的能力.仿真结果表明该方法加快了神经网络的学习收敛速度,提高了故障模式的识别正确率,可以有效地应用于设备的故障诊断.     

基于光伏组件内部参数辨识的故障诊断模型

光伏组件出现故障时,其内部参数应该最能反映其故障特性,基于此通过比较不同故障状况下的光伏组件内部参数特性,提取相应的故障特征;首先通过MATLAB建立光伏组件各故障模型,通过改进量子粒群算法对不同故障类型下的光伏组件进行参数辨识并获取相应的数据,利用数据建立BP神经网络故障诊断模型并对故障类型进行诊断;仿真结果证明所用参数辨识方法可以准确对光伏组件内部参数进行辨识,诊断结果也表明所选取的故障特征是合理的,通过此模型可以准确的对光伏组件故障进行诊断。     

无量纲免疫支持向量机的复合故障诊断方法

针对机组多故障并发时,故障特征互相干扰,产生模式混淆,难以准确分类,提出一种无量纲免疫支持向量机的复合故障诊断方法。由于五种无量纲指标对不同频段复合故障的敏感性不同,将无量纲指标和人工免疫的阴性选择算法相结合,通过选择合适的编码位数来提取故障特征,多分类支持向量机（MSVM）的参数经过免疫优化算法训练后获得最优解,把五种时域特征的无量纲指标提取的故障特征向量输入到MSVM,学习后的MSVM应用于故障诊断。实验结果表明优化后的支持向量机对小样本具有良好的分类性能和实时性,无量纲免疫MSVM与MSVM模型相比能够更加快速、准确进行复合故障诊断。