设备故障诊断中数据融合的计算模型

针对故障诊断的数据融合功能模型中各级融合和各项融合功能及处理任务，以集合论和实变分析为基础提出了故障诊断的数据融合处理过程的计算模型，计算模型描述了数据融合处理步骤、过程的数据形式与计算方法，证明了这些模型的正确性和可用性，为数据融合的故障诊断技术奠定了理论基础，通过分析得出数据融合处理不完全依赖于具体计算方法的结论。     

基于神经网络信息融合的乳化器故障诊断系统

该文在分析、归纳了以往乳化器故障产生的原因及特征的基础上,着重研究了神经网络信息融合技术在乳化器故障诊断当中的应用。对采集到的乳化器多个关键部位振动信号进行处理、融合,最后根据融合后的信息得出诊断结果。仿真结果表明,该乳化器故障诊断方法诊断过程相对简单,诊断准确度较高。     

Deep Multimodal Learning and Fusion Based Intelligent Fault Diagnosis Approach

Industrial Internet of Things(IoT) connecting society and industrial systems represents a tremendous and promising paradigm shift. With IoT, multimodal and heterogeneous data from industrial devices can be easily collected, and further analyzed to discover device maintenance and health related potential knowledge behind. IoT data-based fault diagnosis for industrial devices is very helpful to the sustainability and applicability of an IoT ecosystem. But how to efficiently use and fuse this multimodal heterogeneous data to realize intelligent fault diagnosis is still a challenge.In this paper, a novel Deep Multimodal Learning and Fusion(DMLF) based fault diagnosis method is proposed for addressing heterogeneous data from IoT environments where industrial devices coexist. First, a DMLF model is designed by combining a Convolution Neural Network(CNN) and Stacked Denoising Autoencoder(SDAE) together to capture more comprehensive fault knowledge and extract features from different modal data. Second, these multimodal features are seamlessly integrated at a fusion layer and the resulting fused features are further used to train a classifier for recognizing potential faults. Third, a two-stage training algorithm is proposed by combining supervised pre-training and fine-tuning to simplify the training process for deep structure models. A series of experiments are conducted over multimodal heterogeneous data from a gear device to verify our proposed fault diagnosis method. The experimental results show that our method outperforms the benchmarking ones in fault diagnosis accuracy.     

基于传感器融合的机械设备故障诊断的方法与系统

从机械故障诊断方法的角度,提出了一种基于多传感器融合的机械故障诊断的新方法,概述了该方法的基本原理和实现的相关技术。     

基于系统识别的梁类构件故障诊断

建筑结构的损伤诊断分析是结构性能评估的基础 .采用静态检测方法对梁类构件的损伤诊断问题进行了理论分析 .根据梁截面等效抗弯刚度的变化建立了梁的力学模型 ,利用在集中荷载作用下梁的挠度变化 ,并基于系统识别原理 ,建立了梁类构件的损伤诊断分析方法 .通过实例计算 ,表明该方法具有较好的收敛性和稳定性     

基于DPCA-BP的故障诊断方法

针对动态主元分析(DPCA)在故障识别方面的缺点,引入了BP神经网络,将DP-CA与BP神经网络相结合,增强了对故障的辨识能力。该方法通过对各测量变量的自相关性分析,来降低动态主元分析中增广矩阵的维数,从而降低了分析过程的计算量。最后,将DPCA-BP应用于田纳西-伊斯曼过程的故障诊断中,验证了所提出方法的有效性。     

基于HHT/PNN的故障信息融合诊断方法

为提高动态随机故障诊断能力,提出了基于HHT/PNN的故障信息融合诊断方法.利用HHT提取信号的瞬时频率和瞬时幅值特征,采用过程神经元网络实现对时域幅值、瞬时频率和瞬时幅值3种故障特征的融合诊断.对基于HHT/PNN和基于神经网络的2种故障诊断方法进行了比较.仿真结果表明:对于动态随机故障,基于HHT/PNN的故障信息融合诊断方法比基于神经网络的故障诊断方法的故障诊断准确度高.     

基于有限元法的转轴裂纹故障诊断研究

采用有限元方法建立转轴的模型,并求解不同裂纹位置和不同深度的裂纹转子前三阶固有频率值.将裂纹位置、深度、前三阶固有频率作为BP神经网络的学习样本,训练出定量诊断裂纹的神经网络.以不同工况固有频率作为输入,用训练好的神经网络即可预测裂纹的位置、深度.研究表明:该裂纹诊断方法精度较高,稳定性较强,易于在工程实践中进行转子裂纹定量诊断.     

基于可拓学的故障诊断及预防方法研究

将可拓数据挖掘方法和模式识别技术相结合,用于解决基于大量数据的故障模式识别问题.利用粗糙集理论进行属性约减和权值确定,保证了获得权值的客观性和稳定性.然后用汽车发动机故障诊断的实例验证了模型的可靠性.最后根据基于变换的可拓集分类思想,探讨了故障预防的一种方法.     

基于分步动态核主元分析的故障诊断方法

目的研究复杂工业系统动态、非线性特点,提出分步动态核主元分析（KernelPrincipalComponentAnalysis,KPCA）的故障诊断方法．方法该方法首先构造增广矩阵,然后将增广矩阵分成一系列子矩阵,将各子矩阵的构建一个新的数据增广矩阵,并对每个子矩阵使用KPCA提取变量数据的非线性空间相关特征,最后通过监测统计量监测出系统故障,用贡献度的方法识别发生故障变量．结果该方法改进了传统的动态方法,引入分步动态的定义,并且能充分考虑工业过程中的非线性和动态性,更精确的描述Y--,Ak过程特性,更精确的监测复杂工业系统的故障,并准确的识别出故障变量．结论对热连轧过程中活套故障诊断的仿真结果表明：基于分步动态KPCA的故障诊断方法能准确有效地诊断出故障,并识别出产生故障的原因．     

基于小波模型的故障诊断法

提出了一种基于小波模型的电液伺服系统故障诊断法，即在电液伺服系统正常情况下，构造一个离散小波变换形式的模型，利用这个模型，通过比较健康信号和实际产生的信号，产生一个残差信号，并对残差信号进行适当处理，从初始故障到严重故障，可以有效地得到监测。     

基于最小熵的故障诊断算法

针对提升故障诊断的准确度问题,提出一种基于最小熵的故障诊断算法。首先,依据节点故障概率和各种噪声的发生概率计算一个可疑节点门限值;其次,计算各个节点对于探测结果的信息增益,与门限值对比,将高于门限值的节点视为可疑节点,存入可疑节点集合;最后,对可疑节点集合进行排序,将最小熵对应的节点视为故障节点,并经过仿真实验验证了该算法的有效性。     

基于条件证据的信息融合故障诊断方法

该文基于观测信息与先验信息和谐的思想,结合条件证据理论,提出了一种融合先验信息的故障诊断方法。首先将传感器获取的关于设备运行状态的观测数据,通过模糊信息的随机集表示方法转化为D-S证据的随机集形式;然后计算所得证据与先验信息之间的和谐度,最后利用条件证据理论将需要融合的证据进行组合,从而做出诊断决策。该方法可在复杂运行环境下充分利用各种信息,提高故障诊断的可靠性。     

基于信息融合技术的航空电子设备故障诊断研究

提出一种基于模糊神经网络局部诊断和D-S融合决策的航空电子设备故障诊断方案。首先将设备故障特征信息进行有效组合,构建多个子模糊神经网络完成故障的局部诊断,以获得彼此独立的证据;然后应用Dempster-Shafe证据理论对各个证据进行决策融合,最后根据构建的诊断框架特点用局部诊断输出值及其正确率来获取基本概率赋值。该方案应用于某型号机载电台的仿真结果表明,经过信息融合多级处理后,诊断结论的可信度明显增加,故障识别的正确率得到有效提高。     

基于EEMD的ICNN故障诊断方法

针对轴承微弱故障特征提取困难和故障诊断准确率低等问题,提出一种基于集合经验模态分解的改进卷积神经网络的故障诊断方法。首先,利用集合经验模态分解(EEMD)对信号进行降噪等预处理,并将预处理后的信号转换为二维信号;其次,为了解决数据特征不确定性和卷积神经网络(CNN)内部参数爆炸的问题,在CNN的卷积层和池化层之间增加批量归一化层进行标准化处理,得到改进的卷积神经网络(ICNN);最后,以风电机组轴承微弱故障数据集为例,验证了所提方法相较于其他诊断方法更具有优越性,能够有效提取故障特征,具有较高的准确率和诊断效率。     

数据挖掘技术在故障诊断中的应用

数据挖掘技术是当今计算机信息技术的一项新兴技术,它综合运用了人工智能、计算智能、模式识别、数理统计等先进技术,从大量数据中挖掘和发现有价值和隐含的知识。研究了数据挖掘的主要方法和它在故障诊断中的应用。     

基于LabVIEW数据采集的大型机械故障诊断分析系统

为实现大型机械的故障诊断,预设计一套基于LabVIEW的数据采集故障诊断分析系统.采用LabVIEW软件编写数据采集接口,在传感器和数据采集卡的基础上实现数据采集功能,并对采集到的振动数据进行频域分析和相关分析,并设计出人机交互的主界面.经检验,该系统可以很好地判断出设备的故障类型,而且系统界面简洁,操作方便.     

基于IFA-XGBoost的燃气轮机故障诊断

涡轮叶片是燃气轮机中工作环境最恶劣的部件,叶片状态的实时监测与诊断至关重要。针对XGBoost(eXtreme gradient boosting)易受其超参数的影响,提出了一种改进萤火虫算法(IFA)优化XGBoost的故障诊断方法。将种群多样性的位置更新策略和动态步长更新措施引入萤火虫算法(FA)中,解决其收敛速度慢、易陷入局部最优等问题,使其能够更好地确定模型参数。实验结果表明,与未优化的XGBoost模型和FA-XGBoost模型相比,建立的IFA-XGBoost模型具有很好的识别效果,准确率达到96.87%,能更好地应用于叶片故障诊断。     

基于改进MSPCA的交通检测器故障诊断模型

针对交通检测器故障诊断过程中,噪声掩盖了部分故障信息以及故障信息分布的多尺度性,提出了一种改进的多尺度主元分析（ MSPCA）模型。模型首先将交通检测器数据进行分段处理,再加入改进的小波阈值除噪,对滤除噪声后的小波系数进行主元分析,最后利用二维贡献图完成故障的定位。模型应用于线圈检测器的故障诊断实验,与MSPCA及自适应主元分析相比,该模型减小了误报率和漏报率,准确率更高,抗噪能力更强。     

基于模糊推理的机械式自动变速器控制系统的故障诊断

阐述了一个基于模糊推理的机械式自动变速器控制系统的故障诊断方法。根据电控机械式自动变速器的结构、开发与维护中积累的故障症兆与故障的关系及专家经验给出了模糊诊断关系矩阵,较详细地论述了诊断算法,并对其特点和实验结果进行了讨论