基于改进深度信念网络的燃气轮机故障诊断

针对传统智能诊断方法使用的浅层模型难以准确挖掘信号特征量与对应故障原因之间复杂的映射关系,导致故障诊断精度不高的问题,提出了一种基于深度信念网络(DBN)的燃气轮机故障诊断方法。采用Apriori关联度分析法分析燃气轮机故障模式与故障特征向量之间的关系,生成关联度矩阵;根据关联结果筛选出满足精度的特征向量作为输入,同时结合遗传算法(GA)对深度信念网络的结构参数进行优化,建立了基于GA-DBN的燃气轮机故障诊断模型。最后通过诊断实例验证了所提方法的有效性。     

基于DGA和深度置信网络的变压器内部故障诊断

以油中特征气体组分比值为特征量的故障诊断是变压器内部故障诊断的重要方法,但实际应用中常出现"超码"和"缺码"问题,导致故障诊断精度低.从"信息驱动"的角度,提出一种基于深度置信网络的无监督型变压器故障诊断方法.该方法利用深度置信网络的油溶解气体特征提取,构建多隐含层的深度学习模型,采用无监督特征学习方法,实现在少样本情况下的变压器故障识别问题.算例表明,所提的深度置信网络提高了电力变压器故障诊断的准确率.     

深度神经网络在滚动轴承故障诊断中的应用

为了对滚动轴承发生的故障类型进行诊断,从而提升设备的安全性,提出了一种基于深度残差神经网络的智能故障诊断方法,并使用多传感器融合技术对深度残差神经网络进行了改进,使得诊断模型的识别精度和鲁棒性得到进一步提高.首先,通过多传感器技术来获取丰富的设备运行状态信息,然后利用时频分析方法短时傅里叶变换提取原始振动信号的初级特征信息,最后利用深度残差网络的强大学习能力,进一步提取初级特征信息中的高级特征信息,并识别设备的故障类型,从而实现滚动轴承的故障诊断.为了验证所提出方法的有效性,使用滚动轴承实验数据对方法进行了测试,同时与基于深度卷积神经网络和单传感器故障诊断模型进行对比,研究结果表明,提出的智能方法不仅能对故障进行准确识别,而且具有相当良好的泛化能力和抗噪能力,其故障精度达到了100%,在单传感器或多传感器受到强噪声干扰时,分别实现诊断精度至少为93.78%和82.54%.     

基于密集连接卷积网络和支持向量机的飞行器机械部件故障诊断

针对旋转机械故障诊断浅层学习方法的高级特征提取问题和实际工程中可利用故障样本数量较少对诊断精度影响大的问题,提出了一种基于密集连接卷积网络(DenseNet)和支持向量机(SVM)的旋转机械故障诊断方法。首先,使用连续小波变换(CWT)将振动信号段转换为时频图像样本;然后,将试验样本输入DenseNet网络模型进行深层特征的提取;最后,将提取到的特征输入SVM模型进行训练,从而实现旋转机械的故障诊断。仿真结果表明:与其他先进模型相比,本文方法得到了更高的诊断准确率,证明了该方法的有效性和可行性。     

基于LSGAN-LSTM的齿轮故障诊断

针对难以获取足量样本数据的齿轮故障诊断率低的问题,提出一种基于最小二乘生成对抗网络(LSGAN)结合长短期记忆网络(LSTM)的方法.将齿轮的原始样本输入LSGAN模型中,通过对生成网络和判别网络的交替训练,学习出不同状态的样本数据,从而实现数据增强,通过生成样本结合原始样本训练LSTM诊断模型,完成小样本下的故障诊断.以康狄涅格大学的齿轮实验数据为例对所提方法进行验证,结果表明,与传统方法相比,诊断准确率提高至98.3%.通过可视化方法显示出诊断方法的优越性,为小样本条件下的故障诊断提供参考.     

多尺度熵方法在机械故障诊断中的应用研究进展

机械设备状态监测与故障诊断的关键是故障特征的表征与提取,采用基于熵及相关方法建立的非线性动力学指标能够提取蕴藏在振动信号中的非线性故障特征信息。自熵方法引入以来,通过不断修改和改进来提高熵估计的准确性,多尺度熵进一步拓展了时间序列其他尺度上包含的复杂度信息,其在设备状态监测与故障诊断中得到广泛应用。本文对单一尺度熵及多尺度样本熵、多尺度模糊熵、多尺度排列熵和多尺度散布熵等多尺度熵方法在机械智能故障诊断中的应用进行综述,总结不同方法的特点优势与不足;针对多变量数据处理问题,综述由单变量推广到多变量的多元多尺度熵的应用发展过程。最后结合多尺度熵相关方法在机械智能故障诊断中面临的问题与挑战,对未来发展方向进行展望,即在工业大数据应用、故障机理、可解释性角度构建基于熵的深度学习模型。     

SST和深度脊波网络在轴承故障诊断中的应用

传统滚动轴承故障诊断方法过度依赖专家经验,故障特征提取与选取困难。为此,提出一种基于同步压缩小波变换(synchrosqueezed wavelet transform,SST)和深度脊波网络(deep ridgelet network,DRN)的滚动轴承故障诊断方法。首先,对轴承振动信号进行SST变换,得到信号时频图像;其次,将时频图像进行双向二维主成分分析压缩,然后将其作为DRN的输入,进行自动特征提取和故障识别。试验结果表明,该方法能够对滚动轴承进行多工况和多种故障程度的有效识别,特征提取能力和识别能力优于浅层人工神经网络、支持向量机等传统方法,以及深度信念网络、深度稀疏自编码器等深度学习模型。     

基于MAS的航天器故障诊断系统模型

为了实现航天器故障处理的实时性、智能性,本文构建了基于MAS(Multi-Agent System)的航天器故障诊断系统模型。该结构通过分层实现了系统级诊断、缩小计算空间及加快隔离故障源。诊断智能体根据本系统的领域知识特点,建立自己的智能诊断模型,能够自主处理紧急故障;多个智能体能够协同并行地工作,提高了诊断速度。本文还构建了基于HLA(high level architecture)的故障诊断系统的仿真平台,通过仿真证明了该航天器故障诊断系统模型的优越性,也验证了仿真平台的可行性。     

基于克隆选择原理的故障诊断技术及其应用

借鉴生物免疫系统的克隆选择原理,结合故障诊断的实际应用,研究了既具有故障诊断能力又具有对故障样本的连续学习功能的自适应故障诊断方法．提出了基于克隆选择原理的故障诊断模型,并通过C618型车床齿轮箱的故障诊断实验验证了该方法和模型的有效性．     

多Agent网络管理系统研究

为提高网络系统的稳定性、可靠性和可维护性,提出了一种基于网络设备运行状态参数的网络故障诊断方法,该方法结合多智能体技术,具有运算简单、故障诊断速度快等特点,为网络管理的研究提供了一种新的途径.同时还结合实际网络的运行特点,研究了基于上述方法的多智能体网络管理系统实现问题,利用简单网络管理协议(simple network management protocol,SNMP)及远程终端会话协议(telecommunication network protocol,TELNET)实现了网络故障监测、诊断和故障处理的闭环网络管理.经系统实例研究表明,该网络管理系统不仅具有良好的智能和自学习能力,而且有效地缩短了网络故障的响应及处理时间,提高了网络运行的可靠性.     

基于小波神经网络的容差模拟电路故障诊断方法

以模拟电路的故障诊断为例,利用小波分析,将电路故障信号进行层次分解,获得不同频段的信号成分,取其能反映故障信号特征的成分作为电路故障特征,再输入给神经网络,大大减少了神经网络的输入数目、简化了神经网络的结构、减少了它的训练时间,并提高了辨识故障类别的能力.     

卷积神经网络多变量过程特征学习与故障诊断

为提取复杂多变量过程的有效特征,提高故障诊断性能,提出一种基于卷积神经网络（convolutional neural network,CNN）特征学习的多变量过程故障诊断模型. 将高维过程信号归一化处理转为图像信号,多层卷积滤波器与子采样滤波器交替构成的轻量级CNN网络通过多个卷积核与图像进行卷积,采用本地连接和权重共享,滤除过程噪声和干扰信息,从而获得过程数据的高层抽象化表达. 通过Softmax层有监督的微调方式学习故障特征完成故障诊断. 利用以田纳西过程为代表的多变量非线性过程验证了模型的有效性,与经典分类器和近几年流行的深度神经网络进行对比, 结果表明:将高维过程信号转为图像信号输入CNN提高了多变量过程的故障诊断精度;通过t-SNE方法对模型提取的特征进行可视化分析,说明模型强大的特征提取能力;将模型提取的特征作为传统分类器的输入时,故障识别准确率显著提升,进一步说明有效的特征提取有利于提高故障诊断的准确度和可靠性;与无监督学习方式相比,模型通过标签能获取更有效、稳定和抽象化的数据特征.     

Harmonic reducer in-situ fault diagnosis for industrial robots based on deep learning

The harmonic reducer is an essential kinetic transmission component in the industrial robots. It is easy to be fatigued and resulted in physical malfunction after a long period of operation. Therefore, an accurate in-situ fault diagnosis for the harmonic reducers in an industrial robot is especially important. This paper proposes a fault diagnosis method based on deep learning for the harmonic reducer of industrial robots via consecutive time-domain vibration signals. Considering the sampling signals from industrial robots are long, narrow, and channel-independent, this method combined a 1-dimensional convolutional neural network with matrix kernels (1-D MCNN) adaptive model. By adjusting the size of the convolution kernels, it can concentrate on the contextual feature extraction of consecutive time-domain data while retaining the ability to process the multi-channel fusion data. The proposed method is examined on a physical industrial robot platform, which has achieved a prediction accuracy of 99%. Its performance is appeared to be superior in comparison to the traditional 2-dimensional CNN, deep sparse automatic encoding network (DSAE), multilayer perceptual network (MLP), and support vector machine (SVM).

     

自适应学习速率法在变压器故障诊断中的应用

为了提高电力变压器故障诊断的准确率,针对油中溶解气体分析,提出了一种基于误差自动调节修正因子的自适应学习速率法,使神经网络通过自身的误差变化过程自动调整学习速率修正因子,保证网络总是以最大的可接受学习速率进行训练,从而提高网络收敛速度。针对电力变压器故障气体及故障类型的特点,建立了电力变压器故障诊断BP（Back—Propagation）网络模型,应用该算法和原算法对该故障诊断网络模型进行训练。仿真结果表明,该算法的训练次数减少了35．4％,收敛速度提高了44．9％,有效地改善了网络模型的性能。将该算法应用于电力变压器故障诊断,能较为精确地判断出电力变压器的故障类型,故障诊断准确率达90．8％。     

集成神经网络信息融合在故障诊断中的应用

随着设备复杂性的提高，采用单子神经网络信息融合在故障诊断中已无法给出正确的判断。根据实际应用的需要，在讨论集成神经网络信息融合优点的基础上，提出一种集成神经网络信息融合的故障诊断方法，给出了它的组成结构、组建原则以及集成神经网络信息融合在故障诊断中的应用，最后应用集成神经网络对工业CT系统中的驱动器故障诊断进行了仿真。该方法通用性强，为工业CT系统其它部件的故障诊断提供了较好的模型和方法。     

Active label-denoising algorithm based on broad learning for annotation of machine health status

Deep learning has led to tremendous success in machine maintenance and fault diagnosis. However, this success is predicated on the correctly annotated datasets. Labels in large industrial datasets can be noisy and thus degrade the performance of fault diagnosis models. The emerging concept of broad learning shows the potential to address the label noise problem. Compared with existing deep learning algorithms, broad learning has a simple architecture and high training efficiency. An active label denoising algorithm based on broad learning (ALDBL) is proposed. First, ALDBL captures the embedded representation from the time-frequency features by a recurrent memory cell. Second, it augments wide features with a sparse autoencoder and projects the sparse features into an orthogonal space. A proposed corrector then iteratively changes the weights of source examples during the training and corrects the labels by using a label adaptation matrix. Finally, ALDBL finetunes the model parameters with actively sampled target data with reliable pseudo labels. The performance of ALDBL is validated with three benchmark datasets, including 30 label denoising tasks. Computational results demonstrate the effectiveness and advantages of the proposed algorithm over the other label denoising algorithms.

     

电力变压器故障智能化诊断技术综述

变压器是电力系统的主要设备之一,其故障的提前诊断极其重要。总结并系统剖析了国内外各种传统及现有的变压器故障诊断方式,详细列举了基于油中溶解气体分析技术或电力设备的智能化故障诊断技术的最新进展,阐述了各类深度学习算法在变压器故障诊断中的应用,如深度神经网络、稀疏受限玻尔兹曼机、深度置信网络等,并将各种诊断技术的最终效果进行了对比。     

基于 ANN 的 FMS 故障诊断模型及其学习算法

讨论了基于前馈型神经网络的ＦＭＳ故障诊断模型，并提出一种用于前馈型神经网络训练的改进ＢＰ算法和基于遗传算法的网络初始点获取策略，给出一种通用前馈型神经网络结构和学习参数自整定学习算法，最后应用上述方法建立了基于前馈型神经网络的ＦＭＳ机器人故障诊断模型，并用所提出的新的学习算法对网络进行了学习，与传统ＢＰ算法比较，学习速度较快，且不易陷入局部极小点