航空发动机的多参数快速故障诊断模型*

为了提高诊断效率,降低故障诊断对人的过分依赖,建立了一个航空发动机故障快速诊断模型.该模型结合粗糙集和灰色理论各自特点,利用粗糙集去除特征信息中的冗余信息;再通过多参数灰色模型对约简后的信息进行快速准确的预测.仿真对比表明,该模型在不降低预测精度的情况下能显著减少计算时间,有效提高故障预测的快速性和实时性.     

基于高效通道注意力机制和特征融合网络的冠心病诊断算法研究

针对冠心病重要特征不确定、诊断模型预测性能低等因素而导致冠心病早期诊断精度低的问题,提出一种基于高效通道注意力机制和特征融合的网络。通过XGBoost(eXtreme Gradient Boosting)来确定冠心病重要特征,设计数据生成图片的特征组合算法以适用该模型;为提高诊断模型预测性能,采用可以提升模型学习能力和特征利用率的高效通道注意力机制模块和特征融合模块。实验结果表明,在UCI克利夫兰心脏病数据集上,与其他诊断算法相比,该算法优于传统机器学习方法,预测精度可达100%且稳定性好。     

基于支持向量机的信息融合模拟电路故障诊断方法研究

为提高模拟电路故障诊断效率,克服依据单一信息进行诊断的不足,提出了一种支持向量机信息融合的模拟电路故障诊断方法;首先构建了基于支持向量机的信息融合诊断模型,其次给出了基于小波包变换的能量特征提取和基于主元分析特征压缩方法,分析了支持向量机一对一多分类方法,最后通过模拟电路的仿真实验,与未进行信息融合,以及BP、RBF和PNN等神经网络对比,结果显示,基于支持向量机信息融合方法的诊断精度最高,约为97.3%。     

基于深度学习的永磁同步电机故障诊断方法

针对永磁同步电机匝间短路和永磁体失磁故障因处理复杂、特征独立单一和样本稀少等因素引起的诊断偏差问题,提出一种基于深度学习变分自编码网络的故障特征样本快速扩展策略及融合稀疏自编码网络的故障诊断方法。通过组合永磁同步电机频域电流、磁通密度、电磁转矩特征,结合变分自编码网络的生成模型实现故障真实样本扩张,构建丰富、多样、更具鲁棒性的训练集合。将优化数据集输入稀疏自编码网络训练诊断模型,用测试数据验证网络的优劣。实验结果表明,相比传统故障诊断方法,该算法能更加高效快速地实现匝间短路及失磁故障诊断。     

基于机器学习的英语翻译机器人异常智能诊断模型构建及仿真

针对英语翻译机器人在出现故障时诊断反馈速度慢且准确度不高的问题，基于机器学习的方法提出一种异常智能诊断模型。仿真实验结果表明，加入动态时间步改进方法以及RF-GBDT特征选择算法的LSTM神经网络故障诊断模型在进行异常诊断时反馈速度快且准确度得到了提高。相较于未经特征的故障诊断模型，基于RF-GBDT特征选择算法的故障诊断模型在进行特征选择时准确率均得到了提升，而经过动态时间步改进的LSTM神经网络故障诊断模型相比于未改进前，数据分类准确度提高到了93%,每帧序列数据计算时间步长减少了39%,经过最后的故障诊断系统测试，证明了设计的诊断模型具体有较高的准确性和实用性。     

基于模糊神经网络的故障诊断方法及应用

在变压器色谱分析数据的基础上,将模糊理论和神经网络引入电力变压器故障诊断中,提出了新的故障诊断方法,设计了故障综合诊断模型.仿真表明该方法是一种有效可行的方法,提高了故障的识别率,具有实用价值.学习样本越多,所反映的故障类型越全面,则所建立起的故障诊断模型越合理,诊断准确率就越高.     

基于主成分分析的多源特征融合故障诊断方法

目前故障诊断的实际应用中,因噪声的千扰,基于单传感器的故障诊断稳定性较差,很难达到满意的诊断精确度。提出了一种多传感器多特征数据融合的故障诊断方法。该方法利用多传感器从不同部位获取同一部件的运行状况,并通过构建多源特征融合模型,提高特征信息的抗干扰性,最后通过融合特征信息来完成部件的故障诊断。在将新方法应用于滚动轴承故障诊断的试验中,可以看到新方法能够获得较好的性能,比基于单传感器故障诊断的精确度更高。     

基于可测信息源的APU故障智能诊断方法研究

针对APU维修智能化水平较低问题,提出了一种基于可测信息源的APU故障智能诊断方法,利用BP神经网络建立智能故障诊断模型,详细阐述了该方法的数学原理及其实现算法。在数据处理中采用小波分析及巴特沃斯数字滤波器,对所采集数据中的噪声和干扰进行滤除。利用APS3200型APU的相关数据作为样本,建立了基于BP神经网络的APU故障智能诊断模型。利用MATLAB进行建模计算,结果表明,该智能诊断模型具有学习速度快、噪声干扰抑制能力强等特点,且诊断结果准确,提高了维修单位维修效率,对提高航空公司机务维修自动化水平具有重要意义。     

基于双向LSTM的气动回路故障诊断方法研究

论文提出一种基于双向LSTM的气动回路故障诊断方法,使用AMESim软件建立某生产线的气动回路仿真模型,模拟气动回路的单重故障和多重故障,记录仿真数据,制作该气动回路的故障诊断数据集,在Matlab环境下建立双向LSTM网络架构进行气动回路故障诊断实验与分析,结果表明双向LSTM模型在多重故障识别的正确率高于LSTM模...     

Kernel PCA与BP神经网络相结合的变压器故障诊断*

为了提高变压器故障诊断的准确率和抗干扰能力,提出一种基于核特征量的BP神经网络故障诊断模型。通过核主成分分析将故障样本从低维的特征空间非线性地映射到高维的核空间,提高了样本的可分性,然后以核特征量作为BP神经网络的输入特征量,建立变压器故障诊断模型。实验对比了结构相似、输入量不同的BP神经网络,结果表明采用核特征量的诊断模型具有更好的诊断效果和抗干扰能力。     

基于HHT的控制阀气密性故障诊断研究

以气动薄膜控制阀气室气密性故障为研究对象,首先对控制阀阀位动作信号进行希尔伯特-黄变换,通过经验模态分解方法检测故障的发生及发生时刻；其次分析了其各阶模态及其能量占比特性,获得了气动控制阀气室气密性故障类别和强度的在线诊断。通过模型仿真和实体阀实验验证了本文提出的检测及诊断方法的有效性和实用性。研究首次将希尔伯特黄变换信号分析方法引入到非周期、非平稳过程故障诊断中来,完整的实现了气动控制阀气室气密性故障的检测、诊断和强度识别。     

基于MVRVM回归和RVM二叉树分类的自确认气动执行器故障诊断算法

为了解决自确认气动执行器的故障诊断问题,提出了一种基于多变量关联向量机( MVRVM)回归和关联向量机二叉树分类的气动执行器故障诊断方法,该方法利用多变量关联向量机回归建立气动执行器的正常模型,然后将实际输出与模型输出比较,产生残差作为气动执行器的非线性故障特征向量。以残差作为输入建立关联向量机二叉树多分类机,诊断气动执行器故障类型。利用DABLib生成的故障数据对所研究方法进行了验证,并与基于RVM一对一分类的故障诊断方法进行了比较,结果表明该方法是解决气动执行器故障诊断的小样本和非线性问题的一种有效方法。     

基于LS-SVM和SVM的气动执行器故障诊断方法

为了解决自确认气动执行器的故障诊断问题,提出了一种基于最小二乘支持向量机(LS-SVM)回归建模和支持向量多分类机(SVM)的执行器故障诊断方法,该方法利用LS-SVM回归建立气动执行器的正常模型,将实际输出与模型输出比较,产生残差作为气动执行器的非线性故障特征向量。利用聚类方法设计了层次支持向量多分类机结构,以残差作为输入建立支持向量多分类机,判断气动执行器故障类型。利用DABLib生成的故障数据对所研究方法进行了验证,并与基于PCA-SVM的故障诊断方法进行了比较,结果表明该方法有效的解决了气动执行器故障诊断的小样本和非线性问题。     

基于红外图像识别技术的道路与桥梁故障诊断

针对传统道路与桥梁故障诊断方法识别效率低、数据误差大等问题,提出了一种基于红外线图像识别的智能监控系统,并采用装有红外对射光栅的故障监控机进行监测,实现图像识别、数据管理和应用为一体化。该系统包含分层图像融合框架,采用逐层深度学习技术挖掘图像的细节信息,提取图像的关键信息进行词典学习。根据形态相似性,将源图像分为平滑、随机和主方向的面片。分别采用基于Max-L1和L2-范数的加权平均融合规则对三个图像块组的高频分量和低频分量进行融合。将融合后的低频分量和高频分量进行组合,得到最终的融合结果。对比实验验证了所提出的图像融合方案的实用性和可靠性,在相同的图像分割参数下,本模型计算得到的故障监测率为94.14%。     

基于DCCA-IWO-MKSVM的模拟电路故障诊断方法

为了提高模拟电路故障的诊断效果,提出基于DCCA-IWO-MKSVM的模拟电路故障诊断方法。采用DCCA算法对模拟电路的故障特征进行提取,构造新的融合特征。对支持向量机的核函数进行线性组合构造新的多核函数,并用IWO算法对其参数进行优化,以构建最优故障诊断模型,用于融合特征的学习分类。故障诊断实验结果表明:对于融合特征的故障诊断效率,该算法要优于单核函数的IWO-SVM算法,且整个故障诊断系统的诊断效果具有较高的准确率。     

基于信息融合技术的电梯控制系统故障诊断*

针对电梯控制系统故障诊断困难及诊断准确率不高的问题提出一种基于信息融合技术的故障诊断方法。同时通过优化网络学习率与激活函数的倾斜度,对BP 神经网络进行改进,使得网络非线性分类能力更强,收敛效率更高。并利用电梯控制开关量信号和电梯运行模拟量参数作为神经网络分类器的特征,应用D-S证据理论合成法则将多个分类器的结果进行融合判决。使证据理论的基本可信度分配不再完全依赖专家进行主观化赋值,从而实现了赋值的客观化。该方法具有较高的稳健性和精确度。最后给出的实验结果验证了算法的有效性。     

基于信息融合的雷达发射设备故障快速诊断研究

利用单一信息对雷达发射设备进行故障检测和诊断时，可靠性和准确性低。针对雷达发射设备器件温度反映发射机工作性能明显的特点，提出了基于电传感器和温度传感器等多传感器信息融合的快速故障诊断方法。给出了故障诊断中信息融合的模型和算法，讨论了多传感器信息融合的雷达发射设备故障快速诊断系统的组成和简单工作原理。在提高复杂电子装备故障诊断可靠性和准确性上提供了一条有效途径。     

An approach to fault diagnosis of reciprocating compressor valves using Teager–Kaiser energy operator and deep belief networks

This paper presents an approach to implement vibration, pressure, and current signals for fault diagnosis of the valves in reciprocating compressors. Due to the complexity of structure and motion of such compressor, the acquired vibration signal normally involves transient impacts and noise. This causes the useful information to be corrupted and difficulty in accurately diagnosing the faults with traditional methods. To reveal the fault patterns contained in this signal, the Teager–Kaiser energy operation (TKEO) is proposed to estimate the amplitude envelopes. In case of pressure and current, the random noise is removed by using a denoising method based on wavelet transform. Subsequently, statistical measures are extracted from all signals to represent the characteristics of the valve conditions. In order to classify the faults of compressor valves, a new type of learning architecture for deep generative model called deep belief networks (DBNs) is applied. DBN employs a hierarchical structure with multiple stacked restricted Boltzmann machines (RBMs) and works through a greedy layer-by-layer learning algorithm. In pattern recognition research areas, DBN has proved to be very effective and provided with high performance for binary values. However, for implementing DBN to fault diagnosis where most of signals are real-valued, RBM with Bernoulli hidden units and Gaussian visible units is considered in this study. The proposed approach is validated with the signals from a two-stage reciprocating air compressor under different valve conditions. To confirm the superiority of DBN in fault classification, its performance is compared with that of relevant vector machine and back propagation neuron networks. The achieved accuracy indicates that the proposed approach is highly reliable and applicable in fault diagnosis of industrial reciprocating machinery.     

基于异步IMM融合滤波的网络化系统故障诊断

针对一类带随机丢包的异步多传感器网络化系统,提出了基于网络化异步交互式多模型（Interacting multiple model,IMM）融合滤波的故障诊断方法.考虑不同传感器通道具有不同丢包概率的情况,将未知的故障幅值看作扩维的系统状态,利用提出的网络化异步IMM融合滤波算法对由系统正常模型和各种可能的故障模型构成的模型集进行滤波,根据模型概率进行故障检测和定位,同时得到故障幅值和系统状态的联合估计.提出的方法避免了传统IMM故障诊断方法模型集设计中故障大小难以确定的问题,适用于具有任意采样速率和任意初始采样时刻的异步多传感器网络化系统,并且通过融合多个传感器的信息提高了故障诊断的准确性.仿真实例验证了所提出方法的可行性和有效性.