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T-S模糊神经网络模型的编码器故障软闭环容错控制方法

针对舞台吊杆调速系统中速度反馈元件增量式编码器可能产生的丢码、断码等问题,为防止故障影响的传播,结合数据驱动技术提出了一种基于T-S模糊神经网络(T-S FNN)模型的编码器故障检测与软闭环容错控制方法。首先,利用系统正常运行时的历史数据建立系统较为精确的T-S FNN预测模型,并用实际编码器测量值与模型预测值相减获得残差信息;其次,将其残差实时数据通过改进的序贯概率比检验(SPRT)算法进行故障检测,以克服检测延迟确保故障检测的可靠性,当检测出故障时,再用T-S FNN模型的预测输出替代故障编码器的输出,实现软闭环方式下的容错运行;最后,针对编码器丢码、断码等故障,采用上述方法进行了软闭环容错控制的有效性仿真验证。仿真结果表明,该方法能够快速可靠地检测到编码器故障,并用预测的重构信息通过容错切换机制,及时、安全地以软闭环方式实现了对故障编码器的容错控制,提高了舞台吊杆调速系统运行的安全可靠性。     

城市污水处理过程污泥膨胀识别与抑制综述

污泥膨胀是活性污泥法污水处理过程中常见的一类异常工况, 且具有严重危害性, 研究污泥膨胀的识别和抑制方法对城市污水处理过程正常运行意义重大. 本文主要针对城市污水处理过程中污泥膨胀的识别和抑制方法进行综述. 首先, 文章概述了城市污水处理过程, 介绍了污泥膨胀的概念、主要特点、类型和成因; 其次, 概述了基于微生物生理特征、机理模型、图像识别和数据驱动的污泥膨胀识别方法, 分析其发展现状并指出优缺点; 然后, 概述了基于过程调控和机理特征的污泥膨胀抑制方法, 分析其发展现状并对比优缺点; 最后, 总结全文, 指出了城市污水处理过程污泥膨胀识别和抑制面临的主要问题, 并对其研究趋势进行了展望.     

基于模糊神经网络的飞机某系统故障诊断研究

提出一种基于模糊神经网络的飞机某系统故障诊断方法。利用改进的模糊C均-值聚类算法进行结构辨识,从而自动获得模糊规则库,并得到模糊模型的初始参数;然后生成与之相匹配的初始模糊神经网络,并通过学习算法训练网络来进行参数辨识,得到一个精确的模糊模型。将该系统地面实测数据作为样本数据,建立起了基于模糊神经网络的飞机某系统故障诊断模型。最后对该模型进行测试与分析,结果表明该方法具有抗噪、抗敏感、诊断准确度高等优点。     

基于深层长短期记忆网络与批规范化的间歇过程故障检测方法

传统的基于数据驱动的间歇过程故障诊断方法往往需要对过程数据的分布进行假设，而且对非线性等复杂数据的监控往往会出现误报和漏报，为此提出一种基于长短期记忆网络（LSTM）与批规范化（BN）结合的监督学习方法，不需要对原始数据的分布进行假设。首先，对间歇过程原始数据运用一种按变量展开并连续采样的预处理方式，使处理后的数据可以向LSTM单元输入；然后，利用改进的深层LSTM网络进行特征学习，该网络通过添加BN层，结合交叉熵损失的表示方法，可以有效提取间歇过程数据的特征并进行快速学习；最后，在一类半导体蚀刻过程上进行仿真实验。实验结果表明，所提方法比多元线性主成分分析（MPCA）方法故障识别的种类更多，可以有效地识别各类故障，对故障的整体检测率达到95%以上；比传统单层LSTM模型建模速度更快，且对故障的整体检测率提高了8个百分点以上，比较适合处理间歇过程中具有非线性、多工况等特征的故障检测问题。     

基于机器学习的配电网监控信息智能分析规则库构建方法

为构建一种具有实时性的配电网监控信息智能分析规则库,提出了基于机器学习的配电网监控信息智能分析规则库构建方法。将规则库中全部配电网监控规则头排序并设成主链,将规则导进链表里生成规则集,保证各个监控信息数据包都存在一个分析规则。使用基于机器学习的配电网故障数据分类方法,识别配电网监控信息中的故障数据,并提取故障数据频繁项集。使用基于MapReduce的并行关联规则增量更新算法,更新分析规则库中的信息智能分析规则,保证分析规则库中的信息智能分析规则具有实时性。实验结果表明,所提方法的识别结果准确度、检出率均值都大于0.97,假阳性率都是0.01,可以及时识别出配电网监控系统实时检测故障信息,保证信息智能分析规则更新具有实时性。     

Sensor fault detection and isolation in a thermal power plant steam separator

A fault detection and isolation approach, specially designed for steam separators in thermal power plants, is presented in the paper. The first step of the proposed algorithm is to identify the process. Because of the presence of sporadic high-intensity measurement noise (outliers), the paper proposes a robust version of recursive identification. Starting from the parameter vector of the identified model, the second step of the proposed procedure has the form of a data-driven fault detector. This particular fault detection and isolation approach was implemented at TEKOB1 Kostolac Thermal Power Plant in Serbia, whose nominal power output is 330 MW.     

基于特高频和CNN-LSTM-Attention算法的高压电缆故障诊断方法

随着高压电缆的加速发展和老化,由局部放电(partial discharge, PD)引起的故障问题亟须解决。为此,提出了一种基于特高频(UHF)局放技术与CNN-LSTM-Attention算法的高压电缆故障在线智能诊断方法。首先,对高压电缆的PD产生机理,以及UHF局放技术的实现过程进行描述。其次,利用巴特沃斯(Butterworth)对PD信号进行高通滤波,采用小波变换对信号进行去噪,IPLR算法对PD信号进行降维处理,进而实现特征量的准确提取。最后,建立由CNN-LSTM-Attention算法构成的智能诊断模型。模型中卷积层(CNN)提取轮廓特征,长短期记忆层(LSTM)提取信号时序特征,注意力层(Attention)学习信号重要时序部分。通过实际数据仿真表明：相比传统神经网络方法,CNN-LSTM-Attention神经网络检测方法能够准确识别高采样率的异常放电信号特征,且故障识别准确率明显提高。     

动态内全潜结构投影的空间扩展故障检测方法

动态内偏最小二乘(DiPLS)方法是基于数据驱动的潜结构投影的动态扩展算法, 用于动态特征提取和关键 性能指标预测. 在大型装备系统中, 传感器采集的当前时刻样本受历史样本的影响且可能包含较大噪声. 在动态特 征提取中, 因DiPLS算法未按降序提取主成分, 导致残差空间仍存在较大变异, 动态和静态信息难以有效分离, 影响 故障检测性能. 为此, 本文提出了一种基于动态内全潜结构投影的故障检测方法(DiTPLS). 首先, 使用动态内偏最小 二乘方法和向量自回归模型建立动态模型并检测故障, 用于捕捉质量相关动态信息; 基于结构化动态主成分分析 算法建立一种改进的动态潜在变量模型, 用于残差分解, 提取质量无关的动态信息和静态信息, 并构造合适的统计 量进行故障检测. 数值仿真和田纳西–伊斯曼过程实验验证了DiTPLS算法的有效性.     

基于专家知识和模糊推理的大科学装置故障诊断方法

针对大科学装置技术综合、结构复杂、系统庞大,在故障诊断方面面临的故障机理不清楚,难以建立精确的数学模型;诊断信息不完整、不精确,难以进行确定性推理;诊断数据受限,无法实现数据驱动等诸多问题。提出了基于专家知识和模糊推理相结合的故障诊断方法和模式匹配算法,通过模糊因子的引入和基于数据库的模糊诊断知识可视化建模方法的使用,解决了故障诊断环节的诸多不确定性问题,形成了面向用户的模糊专家系统故障诊断基础平台,并在某大型激光驱动装置测试验证平台中得到初步应用,实现了电气驱动及控制系统故障的智能诊断。     

两种优化训练的FNN在船舶柴油机故障诊断中的性能研究

本文针对船舶柴油机故障诊断系统,基于遗传算法（genetic algorithm,GA）和蚁群优化算法（ant colony optimization algorithm,ACOA）构造了2种优化训练的模糊神经网络（fuzzy neural network,FNN）智能故障诊断模式,给出了该模糊神经网络智能故障诊断系统的结构及其参数选取方法,通过对船舶柴油机燃烧子系统的FNN模型结构权值和阈值优化训练的故障诊断仿真研究,对两种方式的性能进行对比研究,仿真测试结果表明,基于ACOA的诊断模型具有更好的故障诊断知识表达准确性和较快的收敛速度等特点,具有较好的应用前景。     

Monotonic type-2 fuzzy neural network and its application to thermal comfort prediction

This paper studies the monotonic type-2 fuzzy neural network (T2FNN), which can be adopted in many identification and prediction problems where the monotonicity property between the inputs and outputs is required. Sufficient conditions on the parameters of the T2FNN are first presented to ensure the monotonicity between the inputs and outputs. Then, data-driven design model for the monotonic T2FNN is built. Also, under the monotonicity constraints, a hybrid algorithm is provided to optimize the parameters of the monotonic T2FNN. This hybrid algorithm utilizes the constrained least squares method and the penalty function-based gradient descent algorithm to realize reasonable parameter initialization and optimization. At last, an application to the thermal comfort index prediction is given to verify the effectiveness of the monotonic T2FNN. Comparisons with other methods are also made.     

基于深度学习的早期火灾预警算法

传统火灾预警方法存在检测精度低、未发生火灾时不能及时预警的问题,提出一种基于深度学习的早期火灾预警算法.首先,使用红外热像仪采集特定场景中的红外图像,构建数据集;其次,使用改进的YOLOv4算法进行训练得到网络权重,在主干网络的3个输出特征层后引入卷积注意力模块,提升网络对关键信息的提取能力;在主干网络和路径聚合网络中增加卷积层,提高特征提取的能力;最后,使用提出的智能火灾检测(intelligent fire detection, IFD)算法对预测图像处理并根据得分评估火灾隐患.实验结果表明,改进YOLOv4算法在数据集上的mAP达到98.31%,比原始YOLOv4算法的mAP提高了2.7%, FPS达到37.1 f/s, IFD算法精确度为93%,误检率为3.2%.提出的早期火灾预警算法具有检测精度高,未形成火灾时及时预警的优点.     

基于特高频局放技术与CG-BP算法的GIS绝缘故障类型识别方法

针对封闭式气体绝缘开关装置(Gas Insulated Switch Gear, GIS)由于生产、运输安装和运行环境等因素,引发的局部放电(Partial discharge, PD)现象而造成的绝缘故障类型问题,提出一种基于特高频(UHF)局放技术与CG-BP算法的GIS绝缘故障类型识别方法。首先,对GIS内的PD产生机理,以及UHF局放技术的实现过程进行描述,并在此基础上,分析了GIS内部4种常见的PD信号的UHF传播特性。其次,利用共轭梯度法(Conjugate Gradient, CG)来优化BP算法的初始阈值和权值,进而提高BP算法学习效率和GIS故障类型识别率。最后,仿真结果表明：相比基于传统BP算法的GIS故障类型识别方法,改进的CG-BP识别算法可有效减少训练次数,且识别准确率可达91%,提高了10%。     

发动机故障信息综合研究平台构建技术研究

针对目前多型号多批次的无人机发动机数据存储较为分散、缺少专门的分析手段辅助设计人员快速分析发动机状态的问题,借鉴国内外较为成熟的故障诊断算法和平台构建技术,设计了发动机故障信息综合研究平台。平台内集成了飞行数据状态识别、故障诊断、分析数据库建立等多项关键技术,结合不同的飞行工况分类结果,从长期和短期的角度分别采取基于递归结构辨识(Recursive Structural Identification, RESID)的起动状态故障检测、基于自回归滑动平均(Auto Regressive Moving Average, ARMA)模型的稳态故障检测、基于参数趋势分析的故障诊断和基于深度学习的智能故障识别等不同的诊断方法,并采用飞行报告的形式实现了从数据文件输入至飞行状态分析的全流程计算和结果展示,有效地实现了发动机使用维护的数据支持和技术保障,具有一定的工业应用价值。     

Distributed data-driven optimal fault detection for large-scale systems

This paper is concentrated on two new distributed data-driven optimal fault detection approaches in large-scale systems using a group of sensor blocks, each of which accesses part of the process variables. Towards this end, an optimal fault detection problem is first formulated and solved, which lays a foundation for further distributed studies. Based on it, the first distributed data-driven optimal fault detection scheme, consisting of offline distributed learning and online distributed detection, is developed using the average consensus algorithm. To further reduce communication and computation efforts, the second average consensus based fault detection is investigated. Considering that the iteration computations for average consensus algorithm can lead to fault detection delay, a variation of the average consensus based fault detection scheme is proposed with iterative estimation of the covariance matrices of random variables and implementation of the distributed test statistic during the consensus iteration. A numerical example and a case study on the PRONTO heterogeneous benchmark dataset are used to demonstrate the proposed approaches.     

基于分形和FNN的水轮机组振动故障在线诊断*

水轮发电机组的故障诊断具有模糊性和耦合性,提出一种基于模糊神经网络FNN的水轮发电机组振动故障在线诊断方法。首先,对反映转子振动状态的轴心轨迹用分形维数提取其结构特征,实现图形量化,以便FNN在线识别;接着,以6种典型振动故障为研究对象,在总结了包括轴心轨迹在内4类共14种故障征兆的基础上,分析各故障征兆的模糊属性,给出它们的模糊处理;然后,建立一种六层的前向FNN映射征兆到故障间的模糊推理,并给出学习算法修正网络参数;FNN通过自学习可保证良好的在线诊断精度。实例分析结果验证了其可行性。     

基于改进V-detector算法的转子故障识别方法研究

为了提高转子故障诊断识别准确率, 提出一种基于改进V-detector算法的转子故障辨识方法。首先对V-detector算法进行了改进, 该算法通过改变拒绝和接受假设检验的条件来减少无效检测器的产生进而提高算法的检测准确率; 然后将信号的谱熵值作为特征向量, 并根据转子故障类型将其划分为多个自体样本集, 用改进后V-detector算法训练出多个检测器集; 最后利用其设计出能够识别转子故障的分类器。仿真结果表明, 改进的V-detector算法能产生较少的检测器, 覆盖率由95%升高至99%时检测器数目无明显增加, 与原算法相比提高了故障的辨识精度。     

GPS多星故障识别改进算法的仿真研究

为了能够识别多颗卫星故障,提高卫星导航定位系统的可靠性,提出了一种专门针对多故障情况的MHSS(多假设分组)算法。首先介绍了MHSS算法的基本原理,并对其仿真,表明其较传统算法更能满足更高导航完好性的需求;然后提出了MHSS-FDE改进算法,该算法与传统算法比较类似,需要计算检测门限进行有/无故障判决,将MHss方法中不受伪距测量影响的项排除,构造假设验证法的识别判别函数进行故障卫星识别;最后以多颗故障卫星条件为例对改进的MHSS-FDE算法故障识别率进行计算机仿真,并与现有的可用于多星故障识别的FDE算法进行仿真比较,结果显示:改进的MHSS-FDE算法具有较高的故障识别率。     

污水处理过程递推双线性子空间建模及无模型自适应控制

污水处理过程中, 生化反应硝态氮浓度和溶解氧浓度是决定出水水质好坏的两个最关键变量, 难以采用常规基于模型的方法进行有效控制. 本文基于数据驱动建模与控制技术, 提出一种污水处理过程递推双线性子空间辨识(Recursive bilinear subspace identification, RBLSI)建模和无模型自适应控制方法. 首先, 针对污水处理过程的非线性时变动态特性, 采用最小二乘递推双线性子空间辨识方法建立污水处理生化反应过程具有参数自适应能力的递推双线性模型; 其次, 基于建立的数据驱动模型, 采用基于多参数灵敏度分析(Multi-parameter sensitivity analysis, MPSA)和遗传粒子群优化(Genetic algorithm-particle swarm optimization, GA-PSO)算法的无模型自适应控制(Model-free adaptive control, MFAC)方法对硝态氮和溶解氧浓度进行直接数据驱动控制; 最后, 数据实验及其比较分析表明了所提方法的有效性和优越性.